Salsabila, Salma (2026) KOMBINASI CNN-RNN DENGAN CTC LOSS UNTUK PENGENALAN TULISAN TANGAN PADA DOKUMEN DIGITAL. Diploma thesis, Universitas Nasional.
![[thumbnail of COVER.pdf]](https://repository.unas.ac.id/style/images/fileicons/text.png "COVER.pdf") |
Text
COVER.pdf Download (813kB) |
|
Text
BAB 1.pdf Download (334kB) |
|
Text
BAB 2.pdf Download (541kB) |
|
Text
BAB 3.pdf Download (450kB) |
|
Text
BAB 4.pdf Download (1MB) |
|
Text
BAB 5.pdf Download (259kB) |
|
Text
LAMPIRAN.pdf Download (391kB) |
Abstract
Penelitian ini mengembangkan sistem pengenalan tulisan tangan sambung
(Handwritten Text Recognition) menggunakan kombinasi arsitektur Convolutional
Neural Network (CNN) dan Recurrent Neural Network (RNN) dengan
Connectionist Temporal Classification (CTC) Loss, serta membandingkan
performa dua varian RNN, yaitu Bidirectional Long Short-Term Memory
(BiLSTM) dan Gated Recurrent Unit (GRU), pada dataset IAM Handwriting.
Tahapan penelitian meliputi pra-pemrosesan citra, augmentasi data, pelatihan
model dengan beberapa skema pembagian data, serta evaluasi menggunakan metrik
Character Error Rate (CER), Word Error Rate (WER), Sentence Error Rate (SER),
Character Recognition Rate (CRR), dan Word Recognition Rate (WRR). Hasil
eksperimen menunjukkan bahwa arsitektur CNN–BiLSTM dengan skema
pembagian data 90:10 memberikan performa terbaik dengan tingkat kesalahan
karakter yang lebih rendah dibandingkan konfigurasi lainnya. Model terbaik
tersebut kemudian diimplementasikan dalam aplikasi berbasis Streamlit yang
memungkinkan prediksi tulisan tangan dilakukan secara interaktif. Hasil penelitian
ini menunjukkan bahwa pendekatan CNN–RNN dengan CTC Loss efektif dalam
mendukung proses digitalisasi dokumen tulisan tangan sambung.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika |
| Depositing User: | Irna Irna Yunita |
| Date Deposited: | 28 Apr 2026 04:53 |
| Last Modified: | 28 Apr 2026 04:53 |
| URI: | https://repository.unas.ac.id/id/eprint/15448 |
Actions (login required)
 |
View Item |
