<![CDATA[Informasi daftar bahan pada label kemasan makanan berperan penting dalam membantu konsumen memahami kandungan produk, namun umumnya disajikan dalam bentuk teks fisik sehingga sulit diproses secara otomatis oleh sistem digital. Penelitian ini bertujuan untuk mengembangkan sistem Optical Character Recognition (OCR) berbasis deep learning untuk mendeteksi dan mengenali teks pada daftar bahan secara otomatis. Metode yang digunakan mengombinasikan model ClusteR-specific Assorted Feature selection (CRAFT) untuk deteksi area teks dan Convolutional Recurrent Neural Network (CRNN) untuk pengenalan teks. Model pengenalan kemudian di-fine-tuning menggunakan dataset khusus teks bahan makanan untuk meningkatkan kemampuan dalam mengenali karakteristik label. Dataset terdiri dari 6.081 sub-citra berbasis kata yang dibagi menjadi 4.868 data latih, 610 data validasi, dan 603 data uji. Evaluasi dilakukan menggunakan beberapa metrik serta simulasi pada lima citra eksternal untuk menguji performa pada kondisi nyata. Hasil menunjukkan bahwa fine-tuning meningkatkan performa, dengan kenaikan Word Accuracy dari 90,381% menjadi 94,693% dan Normalized Edit Distance (NED) dari 0,946 menjadi 0,987, serta penurunan Character Error Rate (CER) dari 0,066 menjadi 0,015 dan Word Error Rate (WER) dari 0,096 menjadi 0,053. Sistem mampu mengenali sebagian besar teks dengan baik, meskipun masih terdapat kesalahan kecil pada tanda baca dan karakter yang mirip]]>
Copyrights © 2026
