Electronic Theses and Dissertation

Penelitian ini mengusulkan dan mengimplementasikan sebuah sistem informasi cerdas untuk pengenalan teks pada citra kartu identitas indonesia (e-ktp) berbasis arsitektur deep learning. tujuan dari penelitian ini adalah mengembangkan sebuah sistem yang mampu mendeteksi dan mengenali teks yang terdapat pada citra e-ktp dengan akurat dan efisien. tahap pertama penelitian ini melibatkan pemilihan citra ideal dari dataset e-ktp. selanjutnya tahap pra-pemrosesan dilakukan untuk memotong sisi citra dan menggabungkannya dengan gambar background untuk menciptakan dataset yang lebih variatif dan mendapatkan mask citra e-ktp sebagai data latihan. total data latih setelah dilakukan pemilihan citra ideal sebenyak 144 citra. arsitektur u-net menjadi pilihan sebagai metode deep learning yang digunakan pada penelitian ini sebagai proses segmentasi citra. sedangkan untuk deteksi dan rekognisi teks digunakan framework character-region awareness for text detection (craft) dan trba (tps-resnet-bilstm-attention). pengujian yang dilakukan dilihat dari nilai akurasi, koefisien dice dan iou untuk proses segmentasi dengan persentase hasil pengujian model u-net mendapatkan akurasi sebesar 99.52%. sedangkan deteksi dan pengenalan teks mengikuti nilai confidence.

The purpose of this research is to develop a system that is capable of detecting and recognizing text contained in Indonesian ID Card (e-KTP) images accurately and efficiently. The first stage of this research involves selecting an ideal image from the e-KTP dataset. Furthermore, the pre-processing stage is carried out to cut the edges of the image and combine it with the background image to create a more varied dataset and obtain to generate an e-KTP image mask as training data. The total training data after selecting the ideal image 144 images. The U-Net architecture is the choice as the deep learning method used in this study as an image segmentation process. Meanwhile, for text detection and recognition, the Character-Region Awareness For Text detection (CRAFT) and TRBA framework (TPS-ResNet-BiLSTM-Attention) is used. The testing conducted is assessed based on the accuracy, Dice coefficient, and IoU score for the segmentation process with the percentage test results of the U-Net model obtaining an accuracy of 99.52%. Meanwhile for the text detection and recognition follows the confidence score.