Klasifikasi Angka Tulisan Tangan Menggunakan Dataset Mnist Dengan Algoritma Support Vector Machine Dan K-Nearest Neighbor
Keywords:
Klasifikasi angka tulisan tangan, Support Vector Machine, K-Nearest Neighbor, klasifikasi citra, pembelajaran mesin, dataset benchmarkAbstract
Abstrak – Penelitian ini menelaah klasifikasi angka tulisan tangan menggunakan himpunan data benchmark digit tulisan tangan. Tujuan penelitian ini adalah membandingkan kinerja dua metode pembelajaran mesin, yaitu Support Vector Machine dan K-Nearest Neighbor, dalam mengenali citra angka berdimensi delapan kali delapan piksel skala keabuan. Prosedur penelitian mencakup normalisasi data, pemisahan data menjadi latih dan uji, pelatihan model untuk masing-masing metode, serta pengujian menggunakan metrik akurasi dan analisis matriks kebingungan. Pelaksanaan eksperimen dilakukan pada citra yang telah dipratangani sehingga setiap sampel dapat direpresentasikan sebagai vektor fitur intensitas piksel. Parameter pada Support Vector Machine dipilih melalui pengaturan fungsi dasar radial dan penalti kesalahan, sedangkan tetangga terdekat pada K-Nearest Neighbor ditetapkan secara tetap.Hasil menunjukkan bahwa K-Nearest Neighbor mencapai akurasi 99,26 persen, sedangkan Support Vector Machine mencapai 99,07 persen. Temuan ini mengindikasikan bahwa K-Nearest Neighbor memiliki keunggulan tipis pada tugas klasifikasi angka tulisan tangan berdimensi rendah, sementara kedua pendekatan tetap layak digunakan untuk pengenalan pola berbasis citra. Implikasi praktisnya adalah pemilihan metode dapat mempertimbangkan keseimbangan antara ketelitian, kompleksitas komputasi, dan kemudahan penyetelan parameter.
Downloads
References
C. Garrido-Munoz, A. Rios-Vila, and J. Calvo-Zaragoza, “Handwritten Text Recognition: A Survey,” pp. 1–20, 2025.
H. A. Alhamad et al., “Handwritten Recognition Techniques: A Comprehensive Review,” Symmetry (Basel), vol. 16, no. 6, pp. 1–25, 2024, doi: 10.3390/sym16060681.
H. S. Prasantha, “Detailed Survey Of Handwriting Recognition Using Machine Learning Algorithms,” no. February, 2023.
V. Agrawal, J. Jagtap, and M. V. V. P. Kantipudi, “Exploration of advancements in handwritten document recognition techniques,” Intelligent Systems with Applications, vol. 22, no. March, p. 200358, 2024, doi: 10.1016/j.iswa.2024.200358.
W. AlKendi, F. Gechter, L. Heyberger, and C. Guyeux, “Advancements and Challenges in Handwritten Text Recognition: A Comprehensive Survey,” J Imaging, vol. 10, no. 1, 2024, doi: 10.3390/jimaging10010018.
Jyoti, K. Solanki, K. Kaushik, Sudhir, and S. Dalal, “Handwriting Recognition: Unravelling Performance Diversity and Practical Implications,” Procedia Comput Sci, vol. 259, pp. 1387–1397, 2025, doi: 10.1016/j.procs.2025.04.093.
A. Rajput and A. K. Singh, “Handwritten Digit Recognition Accuracy Comparison Using Knn,Cnn And Svm.,” Educational Administration Theory and Practices, Feb. 2024, doi: 10.53555/kuey.v30i2.1676.
A. Maharil, “PERBANDINGAN ARSITEKTUR VGG16 DAN RESNET50 UNTUK REKOGNISI TULISAN TANGAN AKSARA LAMPUNG,” Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), vol. 3, no. 2, pp. 236–243, 2022, [Online]. Available: http://jim.teknokrat.ac.id/index.php/informatika
U. Kolte, S. Naik, and V. Kumbhar, “A CNN-KNN Based Recognition of Online Handwritten Symbols within Physics Expressions Using Contour-Based Bounding Box (CBBS) Segmentation Technique,” Journal of Computer Science, vol. 20, no. 7, pp. 783–792, 2024, doi: 10.3844/JCSSP.2024.783.792.
S. Ahlawat and A. Choudhary, “Hybrid CNN-SVM Classifier for Handwritten Digit Recognition,” in Procedia Computer Science, Elsevier B.V., 2020, pp. 2554–2560. doi: 10.1016/j.procs.2020.03.309.
