Implementasi Algoritma Convolutional Recurrent Neural Network dalam Latin Character Recognition

Febrita, Febe (2020) Implementasi Algoritma Convolutional Recurrent Neural Network dalam Latin Character Recognition. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Share Alike. Download (884kB)
Preview	Text DAFTAR_PUSTAKA.pdf Available under License Creative Commons Attribution Share Alike. Download (543kB) | Preview
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Share Alike. Download (553kB) | Preview
Preview	Text BAB_II.pdf Available under License Creative Commons Attribution Share Alike. Download (1MB) | Preview
Preview	Text BAB_III.pdf Available under License Creative Commons Attribution Share Alike. Download (601kB) | Preview
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Share Alike. Download (906kB)
Preview	Text BAB_V.pdf Available under License Creative Commons Attribution Share Alike. Download (429kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Share Alike. Download (994kB)

Abstract

Optical Character Recognition (OCR) merupakan metode yang dipakai untuk mengubah printed text menjadi editable text. OCR sangat berguna dan merupakan metode yang populer untuk berbagai macam aplikasi. Pada penelitian ini, metode Convolutional Recurrent Neural Network (CRNN) digunakan untuk menjadi metode yang digunakan pada OCR. CRNN merupakan pergabungan antara Convolutional Neural Network dan Recurrent Neural Network. Loss yang digunakan dalam training adalah CTC Loss. Evaluasi pada penelitian ini adalah melihat validation loss saat training, Character Error Rate dan akurasi pada saat testing yang menggunakan total 310,000 dataset untuk tiga kali training dan testing yang berupa gambar dengan satu kata yang berupa printed text dengan font yang bervariasi. Untuk memudahkan dalam memahami, maka dibutuhkan aplikasi berbasis website dengan menggunakan Python dan web framework Flask. Uji coba yang dilakukan adalah mengubah jumlah dataset dan batch size untuk melihat hasil Character Error Rate dan akurasi untuk dievaluasi. Hasil terbaik yang didapatkan dalam penelitian ini yaitu dengan CER 1.742 dan akurasi sebesar 98.25% dengan menggunakan 140,000 dataset untuk training dan batch size sebesar 256.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Convolutional Recurrent Network, Character Error Rate, CTC Loss, Optical Character Recognition, Printed Text Image
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 005 Computer Programming > 005.2 Programming for Specific Computers, Algorithm, HTML, PHP, java, C++
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	05 Dec 2020 03:17
Last Modified:	23 Aug 2023 02:51
URI:	https://kc.umn.ac.id/id/eprint/13823

Actions (login required)

View Item