92 Jurnal Algoritme Vol. 2, No. 2, April 2022, Hal. 92-101 E–ISSN: 2775-8796 jurnal.algoritme@mdp.ac.id Identifikasi Aksara Katakana Menggunakan Convolutional Neural Network Arsitektur LeNet Eric Agustian Winardi* 1 , Ery Hartati 2 1,2 Jl. Rajawali No. 14, Palembang, Indonesia 30113, (0711) 376400 3 Jurusan Informatika, Fakultas Ilmu Komputer dan Rekayasa, Universitas Multi Data Palembang e-mail: * 1 erickong354@gmail.com, 2 ery_hartati@mdp.ac.id Abstrak Penelitian ini mengangkat topik terkait dengan identifikasi menggunakan objek aksara katakana. Pada penelitian ini menggunakan beberapa Optimizer, namun belum diketahui penggunaan Optimizer dan Pooling Layer yang memiliki tingkat pengenalan yang terbaik dalam penelitian tersebut. Penelitian ini menggunakan Optimizer Adam, SGD dan RMSprop, kemudian Pooling Layer menggunakan Average dan Max Pooling. Data yang digunakan sebanyak 2070 citra yang terdiri dari 920 citra latih, 690 citra validasi dan 460 citra uji dengan total 46 kelas. Metode pengenalan menggunakan Convolutional Neural Network arsitektur LeNet, dengan input berupa citra yang telah melalui proses preprocessing menggunakan metode otsu dari citra aksara katakana. Skenario pengujian terdiri dari 6 skenario dengan Optimizer dan Pooling Layer yang berbeda-beda. Tingkat akurasi tertinggi didapatkan pada skenario pertama menggunakan Adam dan Average Pooling sebesar 90% dengan hasil pengenalan sebanyak 414 dari 460 data uji. Hasil dari penelitian ini dapat digunakan sebagai referensi pada penelitian lanjutan dengan metode ataupun objek yang sama. Kata kunci— CNN, LeNet, Otsu, Katakana Abstract This research raises a topic related to identification using katakana characters objects. In this research, several optimizers are used, but it is not yet known which optimizer and pooling layer have the best recognition rate in this research. This research uses the Adam Optimizer, SGD and RMSprop, then the Pooling Layer uses Average and Max Pooling. The data used are 2070 images consisting of 920 training images, 690 validation images and 460 test images with a total of 46 classes. The recognition method uses the Convultional Neural Network of LeNet architecture, with input in the form of an image that has gone through a preprocessing process using the Otsu method from the image of the katakana script. The test scenario consists of 6 scenarios with different Optimizer and Pooling Layer. The highest level of accuracy was obtained in the first scenario using Adam and Average Pooling of 90% with 414 detected correctly out of 460 test data. The results of this study can be used as a reference for further research with the same method or object. Keywords— CNN, LeNet, Otsu, Katakana