<![CDATA[Proses pencatatan data paspor pada layanan keimigrasian, perbankan, perhotelan, dan penerbangan masih banyak dilakukan secara manual sehingga rentan menimbulkan kesalahan input dan waktu pemrosesan lebih lama. Penelitian ini mengembangkan sistem ekstraksi dan validasi Machine Readable Zone (MRZ) paspor sesuai standar ICAO Doc 9303 yang diimplementasikan pada Raspberry Pi, menggunakan Mask R-CNN untuk deteksi area MRZ serta EasyOCR hasil fine-tuning pada dataset sintetis dan dataset paspor asli untuk ekstraksi karakter, dilanjutkan parsing dan validasi check digit. Evaluasi dilakukan terhadap akurasi deteksi pada berbagai jarak pengambilan citra, perbandingan performa kedua model OCR, serta performa implementasi sistem. Mask R-CNN memperoleh precision 80,00% dan recall 66,67% dalam mendeteksi area MRZ, dengan akurasi menurun signifikan pada jarak pengambilan citra yang sangat dekat. Model EasyOCR dataset sintetis mencapai keberhasilan validasi check digit sebesar 50,00%, lebih tinggi dibandingkan model dataset asli (16,67%), meskipun tingkat kesalahan karakter kedua model relatif sebanding. Sistem membutuhkan waktu inisialisasi rata-rata 54,31 detik dan waktu pemrosesan rata-rata 71,17 detik per siklus pemindaian, dengan Mask R-CNN sebagai kontributor waktu terbesar. Sistem terbukti berjalan fungsional pada Raspberry Pi melalui pendekatan pemindaian satu kali per sesi, namun arsitektur deteksi dua tahap Mask R-CNN menjadi faktor pembatas utama kecepatan pemrosesan pada perangkat tanpa akselerator kecerdasan buatanProses pencatatan data paspor pada layanan keimigrasian, perbankan, perhotelan, dan penerbangan masih banyak dilakukan secara manual sehingga rentan menimbulkan kesalahan input dan waktu pemrosesan lebih lama. Penelitian ini mengembangkan sistem ekstraksi dan validasi Machine Readable Zone (MRZ) paspor sesuai standar ICAO Doc 9303 yang diimplementasikan pada Raspberry Pi, menggunakan Mask R-CNN untuk deteksi area MRZ serta EasyOCR hasil fine-tuning pada dataset sintetis dan dataset paspor asli untuk ekstraksi karakter, dilanjutkan parsing dan validasi check digit. Evaluasi dilakukan terhadap akurasi deteksi pada berbagai jarak pengambilan citra, perbandingan performa kedua model OCR, serta performa implementasi sistem. Mask R-CNN memperoleh precision 80,00% dan recall 66,67% dalam mendeteksi area MRZ, dengan akurasi menurun signifikan pada jarak pengambilan citra yang sangat dekat. Model EasyOCR dataset sintetis mencapai keberhasilan validasi check digit sebesar 50,00%, lebih tinggi dibandingkan model dataset asli (16,67%), meskipun tingkat kesalahan karakter kedua model relatif sebanding. Sistem membutuhkan waktu inisialisasi rata-rata 54,31 detik dan waktu pemrosesan rata-rata 71,17 detik per siklus pemindaian, dengan Mask R-CNN sebagai kontributor waktu terbesar. Sistem terbukti berjalan fungsional pada Raspberry Pi melalui pendekatan pemindaian satu kali per sesi, namun arsitektur deteksi dua tahap Mask R-CNN menjadi faktor pembatas utama kecepatan pemrosesan pada perangkat tanpa akselerator kecerdasan buatan.]]>
