Implementasi Pengenal Tulisan Tangan Menggunakan Optical Character Recognition Dengan Metode Cnn Dan Rnn Pada Dokumen Resi Dan Kuitansi

Penulis

  • Yafi Cahyono Adi Telkom University
  • Wahmisari Priharti Telkom University
  • Iswahyudi Hidayat Telkom University

Abstrak

Penggunaan dokumen cetak seperti resi dan kuitansi tetap relevan dalam dunia industri dan bisnis, terutama dalam transaksi jual beli. Kuitansi bisa diisi secara manual atau dicetak melalui komputer, sehingga diperlukan alat yang mampu mengenali tulisan tangan dan cetakan. Optical Character Recognition (OCR) digunakan untuk mengubah teks dari dokumen menjadi format digital, termasuk pada tulisan tangan yang memerlukan perlakuan khusus. Penelitian ini mengusulkan alat pemindai portabel yang menggunakan kombinasi Convolution Neural Network (CNN) dan Recurrent Neural Network (RNN), arsitektur deep learning terinspirasi dari persepsi visual otak manusia. Dataset dari IAM Database digunakan untuk melatih model, dan pengujian pada 10 penulis berbeda dengan melihat nominal angka pada kuitansi mencapai akurasi 83.33%.

Kata Kunci -- OCR, tulisan tangan, CNN, RNN, Kuitansi, Resi.

Referensi

Ariza, B. (2022),

SEBAGAI ALAT BUKTI JUAL BELI TANAH

DALAM KONSEPSI KEPASTIAN HUKUM

(STUDI KASUS DI KABUPATEN

MAJALENGKA).= Accessed: Jul. 26, 2023. [Online].

Available:

http://repository.unissula.ac.id/26570/1/21302000115

V. Kumar, P. Kaware, P. Singh, R. Sonkusare and S.

Kumar, "Extraction of information from bill receipts

using optical character recognition," 2020

International Conference on Smart Electronics and

Communication (ICOSEC), Trichy, India, 2020, pp.

-77, doi: 10.1109/ICOSEC49089.2020.9215246.

R. F. Rahmat, D. Gunawan, S. Faza, N. Haloho and E.

B. Nababan, "Android-Based Text Recognition on

Receipt Bill for Tax Sampling System," 2018 Third

International Conference on Informatics and

Computing (ICIC), Palembang, Indonesia, 2018, pp.

-5, doi: 10.1109/IAC.2018.8780416.

G. Hemanth, M. Jayasree, S. Venii, P. Akshaya, and

R. Saranya,

TEXT RECOGNITION,= ONLINE) ICTACT

JOURNAL ON SOFT COMPUTING, p. 1, 2021, doi:

https://doi.org/10.21917/ijsc.2021.0351.

F. Abien and M. Agarap,

Rectified Linear Units (ReLU),= Feb. 2019.

Cheriet. M., et al, Character Recognition Systems,

New Jersey: John Wiley & Sons, 2007.

A Ichwan,

Huruf Tulisan Tangan Menggunakan Optical

Character Recognition Dengan Metode Convolutional

Neural Network,=. Skripsi, Fakultas Teknik Elektro,

Telkom University, Bandung, 2022

W. S. Eka Putra,

Convolutional Neural Network (CNN) pada Caltech

,= Jurnal Teknik ITS, vol. 5, no. 1, Mar. 2016, doi:

https://doi.org/10.12962/j23373539.v5i1.15696.

Mathworks. (2018). Visualize Activations of a

Convolutional Neural Network. Retrieved February

, 2018 form

https://www.mathworks.com/help/deeplearning/exa

mples/visualize-activations-of-aconvolutionalneural-network.html

I. Khandokar, M. Hasan, F. Ernawan, S. Islam, and M.

N. Kabir,

convolutional neural network,= Journal of Physics:

Conference Series, vol. 1918, no. 4, p. 042152, Jun.

, doi: 10.1088/1742-6596/1918/4/042152.

Y. Chherawala, P. P. Roy, and M. Cheriet,

Set Evaluation for Offline Handwriting Recognition

Systems: Application to the Recurrent Neural

Network Model,= IEEE Transactions on Cybernetics,

vol. 46, no. 12, pp. 2825-2836, Dec. 2016, doi:

1109/tcyb.2015.2490165

https://www.kaggle.com/datasets/nibinv23/iamhandwriting-word-database

##submission.downloads##

Diterbitkan

2024-02-29

Terbitan

Bagian

Program Studi S1 Teknik Elektro