Electronic Theses and Dissertation

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.

Writer identification based on handwriting is a critical challenge in the fields of security, forensics, and document analysis. However, the limited availability of Indonesian-language handwriting datasets poses a significant obstacle in developing accurate and efficient AI-based systems. This study aims to construct an Indonesian handwriting dataset in two formats line-based and word-based to enrich data diversity and improve the accuracy and generalization of writer identification models using a deep learning approach. The methodology involves collecting handwriting samples from various individuals, followed by annotation, preprocessing, and model training using three lightweight CNN architectures: EfficientNetV2-Small, ConvNeXt-Tiny, and MobileNetV3-Small. The models were trained with varying numbers of epochs (100, 250, 500, 750, and 1000) and two learning rate values (10⁻³ and 10⁻⁴). Evaluation was carried out using accuracy as the performance metric. The results show that EfficientNetV2-Small achieved the highest accuracy of 96% at 750 epochs with a learning rate of 10⁻³. ConvNeXt-Tiny also demonstrated strong performance, reaching 95% accuracy under the same configuration. In contrast, MobileNetV3-Small showed stagnation after 250 epochs and produced less competitive results. Overall, EfficientNetV2-Small and ConvNeXt-Tiny proved to be more effective for writer identification tasks compared to MobileNetV3-Small. Increasing the number of epochs generally improved accuracy, although its effectiveness depended on the architecture used.