<![CDATA[Kartu Tanda Penduduk (KTP) merupakan dokumen identitas penting dalam berbagai layanan administrasi digital. Namun, ekstraksi informasi KTP secara otomatis pada perangkat embedded masih menghadapi kendala kualitas citra dan keterbatasan sumber daya komputasi. Penelitian ini bertujuan merancang dan menganalisis sistem ekstraksi teks KTP berbasis Raspberry Pi 4B menggunakan model deteksi objek YOLOv8n, metode super-resolution ESPCN dan FSRCNN, serta library OCR EasyOCR dan PyTesseract. Sistem dirancang untuk mendeteksi area teks NIK dan nama, meningkatkan kualitas citra, dan mengekstraksi teks secara otomatis. Evaluasi dilakukan melalui pengujian jarak pengambilan citra, akurasi deteksi, akurasi ekstraksi teks menggunakan Character Error Rate (CER), waktu komputasi, serta penggunaan sumber daya. Hasil penelitian menunjukkan bahwa YOLOv8n memiliki performa deteksi sangat baik dengan nilai accuracy, precision, recall, specificity, dan F1-score di atas 0,98 serta confidence sekitar 0,89. Jarak optimal pengambilan citra diperoleh pada 5 cm dengan akurasi rata-rata 98,67%. Kombinasi ESPCN dengan EasyOCR menghasilkan akurasi ekstraksi tertinggi sebesar 98,98%, sementara FSRCNN dengan PyTesseract memiliki waktu komputasi paling efisien sekitar 1 detik. Dari sisi efisiensi sumber daya, ESPCN dengan PyTesseract menunjukkan penggunaan memori dan CPU paling rendah. Sistem ini terbukti mampu menyeimbangkan akurasi, kecepatan, dan efisiensi pada perangkat embedded.]]>
Copyrights © 2026
