Perbandingan Optimizer dan RMSPROP Menggunakan Arsitektur ANN untuk Klasifikasi Pengenalan Tulisan Tangan
DOI:
https://doi.org/10.29408/jit.v9i2.34653Keywords:
Ann, Adam, Dataset, MNIST, RMSPropAbstract
This study discusses the performance comparison of two optimization algorithms, Adam and RMS Prop, in training an Artificial Neural Network (ANN) for handwriting recognition classification tasks using the MOIST dataset. The MOIST dataset contains 70,000 handwritten digit images (0–9) measuring 28×28 pixels. The research stages include dataset input, preprocessing (pixel normalization, training and testing data division, and label conversion to one-hot encoding), weight initialization, and ANN model training with variations of Adam and RMS Prop optimizers. Model performance was tested using accuracy, precision, recall, and F1-score. The test results were carried out using the Google Cola application; the testing scheme was carried out in a structured manner with epoch iterations of 50, 100, 150, 200 and 250 on the Adam and RMS Prop optimizers. The test shows that the Adam optimizer generally provides higher accuracy and faster convergence than RMS Prop on the MOIST dataset, thanks to a combination of momentum and a more stable learning rate adaptation. However, RMS Prop still excels in weight update stability in some cases and tends to be more consistent on datasets with fluctuating gradient distributions.
References
[1] N. Lestari, “Penerapan Deep Learning untuk Pengenalan Pola Belajar Siswa,” J. Pendidik. Indones., vol. 9, no. 4, pp. 311–320, 2020, [Online]. Available: https://ejournal.undiksha.ac.id/index.php/JPI/article/view/32071
[2] L. Anggraini and Y. Yamasari, “Klasifikasi Citra Wajah Untuk Rentang Usia Menggunakan Metode Artificial Neural Network,” J. Informatics Comput. Sci., vol. 5, no. 02, pp. 185–192, 2023, doi: 10.26740/jinacs.v5n02.p185-192.
[3] R. K. Mohapatra, B. Majhi, and S. K. Jena, “Classification performance analysis of MNIST Dataset utilizing a Multi-resolution Technique,” in 2015 International Conference on Computing, Communication and Security (ICCCS), 2015, pp. 1–5. doi: 10.1109/CCCS.2015.7374136.
[4] I. Wahidah, H. M. Putra, and T. Akbar, “Infotek : Jurnal Informatika dan Teknologi Analisa Komparatif Klasifikasi Citra Sayuran dengan Algoritma Support Vector Machine dan Convolutional Neural Network,” vol. 9, no. 1, 2026.
[5] M. R. Raharjo, Indra Riyana Rahadjeng, M. N. H. Siregar, and P. Alkhairi, “Optimasi Fungsi Aktivasi pada Artificial Neural Network untuk Prediksi Gagal Jantung Secara Akurat,” Explorer (Hayward)., vol. 5, no. 1, pp. 42–51, 2025, doi: 10.47065/explorer.v5i1.1840.
[6] B. Ihsan and D. Y. Sukma, “Pengaruh Masukan dan Fungsi Aktivasi terhadap Kecepatan Pelatihan Jaringan Syaraf Tiruan (JST) Modular sebagai Klasifikasi dan Estimasi Lokasi Gangguan pada Saluran Distribusi Bawah Tanah PT. Pertamina RU II Dumai,” J. Online Mhs. Fak. Tek. Univ. Riau, vol. 4, no. 1, pp. 1–8, 2017.
[7] A. J. Matematika, I. Alam, K. Angkasa, and N. Mei, “Penerapan Algoritma CNN Untuk Mendeteksi Tulisan Tangan Angka Romawi dengan Augmentasi Data Mochammad Toyib Tegar Decky Kurniawan Pratama Ibnu Aqil dapat Salah satu solusi yang menjanjikan adalah penggunaan Convolutional Neural Network ( CNN ), sebuah alg,” vol. 2, no. 3, pp. 108–120, 2024.
[8] L. S. Riva, F. Febriana, M. Panghurina, R. A. Maulida, B. Najah, and A. D. Yasiin, “Perbandingan Algoritma Cnn Dan Ann Dengan Projection Histogram Untuk Klasifikasi Citra Tulisan Tangan Berupa Angka,” in Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya, 2022, pp. 899–913.
[9] Antonius Angga Kurniawan, Rama Dian Syah, and Rizki Ariyani, “Klasifikasi Citra Digital Tulisan Tangan Angka Menggunakan Metode Convolutional Neural Network,” J. Ilm. Tek., vol. 1, no. 1, pp. 36–41, 2022, doi: 10.56127/juit.v1i1.1718.
[10] T. Amanda Lestari, D. Aulia Tanjung, L. Sofinah Harahap, and M. Rahma Kesuma, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Pengenalan Angka Tulisan Tangan,” Data Sci. Indones., vol. 5, no. 2, pp. 93–100, 2025, doi: 10.47709/dsi.v5i2.7357.
[11] H. Hananti and K. Sari, “Perbandingan Metode Support Vector Machine (SVM) dan Artificial Neural Network (ANN) pada Klasifikasi Gizi Balita,” Semin. Nas. Off. Stat., vol. 2021, no. 1, pp. 1036–1043, 2021, doi: 10.34123/semnasoffstat.v2021i1.1014.
[12] M. Rosyada, I. Z. Putri, S. A. Virda, D. Aditya, and A. Saputra, “Pengenalan Angka Tulisan Tangan Menggunakan Metode Machine Learning Random Forest,” vol. 9675, pp. 74–80, 2025.
[13] V. No, M. Iqbal, Y. N. Dewi, and V. No, “Optimalisasi Prediksi Dalam Kelulusan Berbasis Deep Learning : Perbandingan Kinerja Multi- Layer Perceptron dan Deep Neural Networ,” vol. 8, no. 2, pp. 630–641, 2025.
[14] A. Sudianto, B. A. C. Permana, Muhammad Wasil, and Harianto, “Penerapan Sistem Payment Gateway Pada E-Commerce Sebagai Upaya Peningkatan Penjualan”, INFOTEK, vol. 8, no. 1, pp. 271–279, Jan. 2025. doi: 10.29408/jit.v8i1.28323
[15] Ida Wahidah, Hadian Mandala Putra, Suhartini, and Taufik Akbar, “Analisa Komparatif Klasifikasi Citra Sayuran dengan Algoritma Support Vector Machine dan Convolutional Neural Network”, INFOTEK, vol. 9, no. 1, pp. 12–23, Jan. 2026.
[16] A. Sudianto, B. A. C. Permana, Muhammad Wasil, and Harianto, “Penerapan Sistem Payment Gateway Pada E-Commerce Sebagai Upaya Peningkatan Penjualan”, INFOTEK, vol. 8, no. 1, pp. 271–279, Jan. 2025.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Infotek: Jurnal Informatika dan Teknologi
This work is licensed under a Creative Commons Attribution 4.0 International License.
Semua tulisan pada jurnal ini menjadi tanggung jawab penuh penulis. Jurnal Infotek memberikan akses terbuka terhadap siapapun agar informasi dan temuan pada artikel tersebut bermanfaat bagi semua orang. Jurnal Infotek ini dapat diakses dan diunduh secara gratis, tanpa dipungut biaya sesuai dengan lisense creative commons yang digunakan.
Jurnal Infotek is licensed under a Creative Commons Attribution 4.0 International License.
Statistik Pengunjung
