IDENTIFIKASI TULISAN TANGAN MENJADI TEKS DIGITAL MENGGUNAKAN ALGORITMA CNN

Abstract

Digitalisasi dokumen tulisan tangan merupakan komponen esensial dalam transformasi digital di berbagai sektor. Penelitian ini bertujuan mengembangkan sistem identifikasi tulisan tangan menjadi teks digital menggunakan algoritma Convolutional Neural Network (CNN) dengan modifikasi arsitektur berupa penambahan residual connection. Pendekatan kuantitatif eksperimental diterapkan dengan dataset berisi 50.000 citra tulisan tangan yang diperoleh dari 500 responden dengan distribusi demografis beragam. Hasil eksperimen menunjukkan bahwa arsitektur CNN yang diusulkan mencapai akurasi 93,5% pada dataset pengujian, meningkat 3,8% dibandingkan dengan CNN konvensional. Analisis performa berdasarkan kategori karakter mengungkapkan akurasi tertinggi pada pengenalan angka (96,8%) dan huruf kapital (95,3%), sementara karakter khusus menunjukkan akurasi yang relatif lebih rendah (89,4%). Implementasi batch normalization dan strategi augmentasi data terbukti efektif dalam meningkatkan generalisasi model terhadap variasi gaya tulisan tangan. Meskipun waktu inferensi sedikit meningkat, trade-off ini dapat diterima mengingat peningkatan akurasi yang signifikan. Kontribusi utama penelitian ini adalah pengembangan sistem pengenalan tulisan tangan yang robust dengan potensial implementasi pada berbagai aplikasi seperti digitalisasi arsip bersejarah, pemrosesan dokumen administratif, dan sistem keamanan berbasis biometrik tulisan tangan