Skripsi
PENGENALAN ANGKA YANG TIDAK TERBACA DI LEMBAR C1 PEMILU MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
Penelitian ini berangkat dari rendahnya akurasi digitalisasi hasil Pemilu pada SIREKAP, khususnya dalam membaca angka tulisan tangan pada lembar C1. Variasi bentuk tulisan, kualitas citra rendah, tinta melebar, lipatan, dan orientasi angka yang tidak standar menyebabkan OCR konvensional sulit mengenali karakter secara konsisten. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan model pengenalan angka berbasis CNN dengan arsitektur MobileNetV2. Dataset simulatif berisi 4.400 citra berukuran 160×160 piksel dengan 11 kelas (0–9 dan X) yang dirancang menyerupai kondisi nyata, termasuk variasi bold, miring, terbalik, superskrip, subskrip, serta citra kertas gelap atau rusak. Preprocessing meliputi cropping, normalisasi, grayscale, dan augmentasi. Pelatihan dilakukan dua tahap, yaitu initial training dengan backbone dibekukan dan fine-tuning dengan membuka sebagian layer atas menggunakan learning rate rendah. Hasil evaluasi menunjukkan peningkatan kinerja setelah fine-tuning: precision naik dari 0,776 menjadi 0,812, recall dari 0,747 menjadi 0,783, F1-score dari 0,747 menjadi 0,785, dan accuracy dari 75,4% menjadi 78,2%. Pengujian pada 699 citra uji menghasilkan akurasi 81%, dengan performa tertinggi pada kelas 1, 0, 7, dan X, serta performa sedang pada kelas 3, 5, dan 9. Temuan ini menunjukkan bahwa MobileNetV2 dengan pendekatan transfer learning dan fine-tuning efektif meningkatkan akurasi pengenalan angka C1 dan berpotensi menjadi solusi OCR yang lebih akurat dan efisien untuk mendukung digitalisasi hasil Pemilu
No other version available