Khairunnisa Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro 2025

Theses

Identifikasi penulis berdasarkan tulisan tangan merupakan tantangan penting di bidang keamanan, forensik, dan analisis dokumen. Namun, keterbatasan dataset tulisan tangan dalam Bahasa Indonesia menjadi hambatan signifikan dalam pengembangan sistem berbasis kecerdasan buatan yang akurat dan efisien. Penelitian ini bertujuan untuk membangun dataset tulisan tangan Bahasa Indonesia dalam dua format yaitu perbaris dan perkata, guna meningkatkan kekayaaan data, akurasi dan generalisasi model identifikasi penulis menggunakan pendekatan deep learning. Metode yang digunakan mencakup pengumpulan data tulisan tangan dari berbagai individu, proses anotasi dan preprocessing, serta pelatihan model deep learning menggunakan tiga arsitektur lightweight CNN yaitu EfficientNetV2-Small, ConvNeXt-Tiny, dan MobileNetV3-Small. Pelatihan dilakukan dengan variasi jumlah epoch (100, 250, 500, 750, dan 1000) serta dua nilai learning rate (10-3 dan 10-4). Evaluasi dilakukan menggunakan metrik akurasi. Hasil menunjukkan bahwa EfficientNetV2-Small dengan learning rate 10-3 mencapai akurasi tertinggi sebesar 96% pada 750 epoch. ConvNeXt-Tiny juga menunjukkan performa tinggi dengan akurasi 95% pada konfigurasi yang sama. Sebaliknya, MobileNetV3-Small mengalami stagnasi akurasi setelah 250 epoch dan menunjukkan hasil yang kurang kompetitif. Model EfficientNetV2-Small dan ConvNeXt-Tiny terbukti lebih efektif dalam tugas identifikasi penulis dibandingkan MobileNetV3-Small. Penambahan jumlah epoch secara umum meningkatkan akurasi, meskipun efektivitasnya bergantung pada jenis arsitektur yang digunakan. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 161125 2025-07-15 00:22:05 2025-07-15 09:18:18 machine generated