<![CDATA[Umumnya alat ukur digital jenis lama atau beberapa alat ukur digital praktis menampilkan hasil pengukurannya dengan struktur seven segment display, tetapi tidak banyak yang dapat menyimpan data hasil pengukurannya secara otomatis. Keperluan pencatatan data ukur untuk pemantauan atau kebutuhan eksperimen memerlukan otomatisasi, terutama jika dilakukan dalam waktu sangat panjang karena pencatatan data manual meningkatkan probabilitas terjadinya kesalahan manusia dalam mencatat. Sementara itu, modifikasi pada alat ukur untuk menambahkan data logger terlalu rumit sehingga dibutuhkan sistem yang dapat mencatat data hasil pengukuran tanpa perlu mengubah sistem yang ada. Penelitian ini dilakukan untuk mengembangkan sistem pencatat data real-time berbasis pengenalan karakter optik (OCR) untuk seven segment display agar dapat mengenali barisan bilangan desimal yang tertera pada display dengan panjang karakter yang berbeda melibatkan Convolutional-Recurrent Neural Networks (CRNN) dan algoritma Connectionist Temporal Classification (CTC). Metode yang dipilih menilik dari tantangan segmentasi dari penelitian-penelitian yang sudah dilakukan ketika diterapkan dalam kasus pengenalan bilangan desimal seperti pada penelitian ini. Hasil pengujian model dan eksperimen sederhana menunjukkan model yang dibuat dapat berperan sebagai data logger dengan kemampuan generalisasi yang baik dibuktikan dengan tingkat akurasi model dalam mengenali karakter-karakter bilangan desimal yang dievaluasi dengan Character Error Rate (CER) 3,6% serta data yang dicatat dari eksperimen sesuai dengan yang ditampilkan pada display. Kata kunci: CRNN, CTC, OCR pada seven segment display, pencatat data desimal otomatis]]>
