Louis Riemenn [13519016].pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Digitalisasi data menjadi topik yang penting, terutama dalam era modern saat ini. Pemrosesan
dokumen secara manual memerlukan waktu dan usaha yang lebih dibandingkan dengan
pemrosesan yang sudah diotomatisasi dengan memanfaatkan data digital. Dalam konteks
digitalisasi dokumen seperti KTP, SIM, dan KK, optical character recognition digunakan untuk
mengubah teks dalam citra menjadi format digital. Format ini kemudian dapat diolah untuk
proses digital lebih lanjut. Pada tugas akhir ini, dikembangkan modul pembangkitan data sintetis
untuk KTP, SIM, dan KK; modul text detection untuk dokumen KK; dan modul text recognition
untuk dokumen KK. Pembangkitan data sintetis dilakukan dengan teknik synthetic composites,
yang melibatkan citra asli yang telah dimodifikasi dengan menambahkan unsur-unsur sintetis
yang sebelumnya tidak ada. Citra asli (citra dari setiap dokumen KTP, SIM, dan KK)
dimodifikasi dengan cara menghilangkan informasi-informasi tertentu pada citra. Pada citra hasil
modifikasi kemudian digambar informasi palsu lalu diberikan derau dan dimiringkan.
Modul text detection dan text recognition dibangun dengan tiga tahapan. Tahapan pertama adalah
pemilihan model yang paling sesuai melalui benchmarking. Tahapan kedua adalah melatih model
yang terpilih menggunakan dataset KK. Tahapan terakhir adalah evaluasi model untuk
memastikan bahwa model memiliki kinerja yang baik dan lebih baik dari sebelumnya.
Berdasarkan benchmarking yang telah dilakukan, model yang terpilih untuk text detection adalah
DB dengan backbone MobileNetV3. Sedangkan model yang terpilih untuk text recognition
adalah SVTR dengan backbone SVTR-Tiny. Model yang terpilih juga telah memiliki kinerja
yang lebih baik setelah melalui pelatihan dengan dataset KK, yaitu untuk model text detection
dengan precision 97.80%, recall 97.29%, dan hmean 97.54%, sedangkan untuk model text
recognition memiliki akurasi 99.99%.