Implementasi CNN untuk Penerjemahan Bahasa melalui Pengenalan Citra Tulisan Tangan

Abstrak

Penelitian ini mengeksplorasi penerapan Convolutional Neural Networks (CNN) dalam pengenalan citra tulisan tangan untuk tujuan penerjemahan bahasa. Dengan meningkatnya kebutuhan untuk mendigitalkan dokumen, sistem pengenalan karakter tulisan tangan (HTR) menjadi sangat penting. Dalam penelitian ini, CNN digunakan untuk mengonversi gambar tulisan tangan menjadi teks digital dengan tingkat akurasi yang tinggi, mengatasi tantangan yang muncul akibat variasi gaya tulisan. Metode yang diterapkan mencakup pengumpulan data, pra-pemrosesan citra, implementasi CNN, dan penerjemahan menggunakan Natural Language Processing (NLP). Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mencapai akurasi pelatihan sebesar 94,73% dan akurasi pengujian sebesar 90,53%. Temuan ini menunjukkan potensi signifikan dalam meningkatkan efisiensi dan akurasi proses penerjemahan tulisan tangan ke dalam teks digital. Penelitian ini juga mencatat kemajuan terkini dalam pengenalan teks tulisan tangan, termasuk pengenalan karakter secara real-time dan aplikasi spesifik untuk bahasa tertentu, yang menunjukkan relevansi dan aplikasi luas dari teknologi ini.