Implementasi Algoritma Convolutional Recurrent Neural Network dalam Latin Character Recognition
| Main Author: | Febrita, Febe |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/13823/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/13823/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/13823/3/BAB_I.pdf http://kc.umn.ac.id/13823/4/BAB_II.pdf http://kc.umn.ac.id/13823/5/BAB_III.pdf http://kc.umn.ac.id/13823/6/BAB_IV.pdf http://kc.umn.ac.id/13823/7/BAB_V.pdf http://kc.umn.ac.id/13823/8/LAMPIRAN.pdf http://kc.umn.ac.id/13823/ |
Daftar Isi:
- 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.