Analisis Efektifitas Inception-EfficientNet Architecture untuk Klasifikasi Identitas Kartu Tanda Mahasiswa dengan Pendekatan OCR dan Faster R-CNN

ELECTRON Jurnal Ilmiah Teknik Elektro Pub Date : 2023-11-30 DOI:10.33019/electron.v4i2.48

Richo

{"title":"Analisis Efektifitas Inception-EfficientNet Architecture untuk Klasifikasi Identitas Kartu Tanda Mahasiswa dengan Pendekatan OCR dan Faster R-CNN","authors":"Richo","doi":"10.33019/electron.v4i2.48","DOIUrl":null,"url":null,"abstract":"Kartu Tanda Mahasiswa (KTM) memiliki peran penting sebagai alat identifikasi individu dalam lingkungan perguruan tinggi. KTM sering kali menjadi sarana utama dalam proses verifikasi identitas mahasiswa untuk mengakses fasilitas kampus, seperti layanan perpustakaan. Namun, saat ini sistem akses ke perpustakaan masih mengandalkan metode manual yang melibatkan petugas dalam memasukkan data secara manual ke dalam komputer yang rentan terhadap kesalahan pengetikan. Penelitian ini bertujuan merancang sebuah sistem pengenalan identitas pada KTM dengan menggabungkan metode OCR dan melibatkan arsitektur Inception-EfficientNet pada model Faster R-CNN dalam mengklasifikasikan karakter teks dan foto yang terdapat pada KTM. Arsitektur Inception-EfficientNet dirancang dengan 5 lapisan konvolusi dan 2 lapisan maxpooling, serta melibatkan RPN (Region Proposal Network) dan ROI Pooling yang telah dirancang peneliti sebagai unsur penting dalam pembentukan metode Faster R-CNN. Data yang terkumpul mencakup tiga kelas yaitu hafizh, richo, dan vandy. Hasil pengujian metode OCR dalam mengenali identitas berdasarkan karakter teks menunjukkan tingkat akurasi yang tinggi yaitu sebesar 98,35%. Di sisi lain, metode Faster R-CNN mampu mengklasifikasikan foto dengan performa yang sangat baik yang mencapai akurasi keberhasilan sebesar 91,83%. Berdasarkan pengujian keseluruhan sistem yang menggabungkan metode OCR dan metode Faster R-CNN, dilakukan pengujian pada 10 sampel data yang berbeda, dan berhasil mencapai tingkat akurasi keberhasilan sebesar 90%. Hasil temuan ini memberi penekanan pada fakta bahwa pendekatan kolaboratif antara metode OCR dan arsitektur Inception-EfficientNet pada model Faster R-CNN memiliki potensi untuk meningkatkan aksesibilitas dan keandalan dalam pengenalan identitas KTM. Potensi ini diharapkan dapat mendukung efisiensi akses terhadap fasilitas kampus, seperti layanan perpustakaan.","PeriodicalId":266745,"journal":{"name":"ELECTRON Jurnal Ilmiah Teknik Elektro","volume":"19 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"ELECTRON Jurnal Ilmiah Teknik Elektro","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.33019/electron.v4i2.48","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Kartu Tanda Mahasiswa (KTM) memiliki peran penting sebagai alat identifikasi individu dalam lingkungan perguruan tinggi. KTM sering kali menjadi sarana utama dalam proses verifikasi identitas mahasiswa untuk mengakses fasilitas kampus, seperti layanan perpustakaan. Namun, saat ini sistem akses ke perpustakaan masih mengandalkan metode manual yang melibatkan petugas dalam memasukkan data secara manual ke dalam komputer yang rentan terhadap kesalahan pengetikan. Penelitian ini bertujuan merancang sebuah sistem pengenalan identitas pada KTM dengan menggabungkan metode OCR dan melibatkan arsitektur Inception-EfficientNet pada model Faster R-CNN dalam mengklasifikasikan karakter teks dan foto yang terdapat pada KTM. Arsitektur Inception-EfficientNet dirancang dengan 5 lapisan konvolusi dan 2 lapisan maxpooling, serta melibatkan RPN (Region Proposal Network) dan ROI Pooling yang telah dirancang peneliti sebagai unsur penting dalam pembentukan metode Faster R-CNN. Data yang terkumpul mencakup tiga kelas yaitu hafizh, richo, dan vandy. Hasil pengujian metode OCR dalam mengenali identitas berdasarkan karakter teks menunjukkan tingkat akurasi yang tinggi yaitu sebesar 98,35%. Di sisi lain, metode Faster R-CNN mampu mengklasifikasikan foto dengan performa yang sangat baik yang mencapai akurasi keberhasilan sebesar 91,83%. Berdasarkan pengujian keseluruhan sistem yang menggabungkan metode OCR dan metode Faster R-CNN, dilakukan pengujian pada 10 sampel data yang berbeda, dan berhasil mencapai tingkat akurasi keberhasilan sebesar 90%. Hasil temuan ini memberi penekanan pada fakta bahwa pendekatan kolaboratif antara metode OCR dan arsitektur Inception-EfficientNet pada model Faster R-CNN memiliki potensi untuk meningkatkan aksesibilitas dan keandalan dalam pengenalan identitas KTM. Potensi ini diharapkan dapat mendukung efisiensi akses terhadap fasilitas kampus, seperti layanan perpustakaan.

查看原文本刊更多论文

利用 OCR 和更快的 R-CNN 方法进行学生证身份分类的 Inception-EfficientNet 架构的有效性分析

学生证（KTM）是大学环境中识别个人身份的重要手段。在进入校园设施（如图书馆服务）的过程中，学生证往往是核实学生身份的主要手段。然而，目前图书馆的出入系统仍依赖人工方法，工作人员需要手动将数据输入电脑，很容易出现输入错误。本研究旨在结合 OCR 方法和 Faster R-CNN 模型中的 Inception-EfficientNet 架构，设计一种学生证身份识别系统，用于对身份证中的文本字符和照片进行分类。Inception-EfficientNet 架构设计了 5 个卷积层和 2 个 maxpooling 层，并将研究人员设计的 RPN（区域建议网络）和 ROI Pooling 作为形成 Faster R-CNN 方法的重要元素。收集的数据包括三个类别，即 hafizh、richo 和 vandy。OCR 方法根据文本字符识别身份的测试结果显示，准确率高达 98.35%。另一方面，Faster R-CNN 方法在照片分类方面表现出色，成功准确率达到 91.83%。根据对结合了 OCR 方法和 Faster R-CNN 方法的系统的整体测试，测试了 10 个不同的数据样本，成功准确率达到 90%。这些发现强调了一个事实，即 OCR 方法与 Faster R-CNN 模型的 Inception-EfficientNet 架构之间的协作方法具有提高 KTM 身份识别的可访问性和可靠性的潜力。这种潜力有望支持对校园设施（如图书馆服务）的高效访问。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

ELECTRON Jurnal Ilmiah Teknik Elektro

自引率

0.00%

发文量