Penerapan Convolutional Recurrent Neural Network (CRNN) Untuk Pengenalan Teks Tulisan Tangan Berbasis Aplikasi Mobile Flutter

Latar belakang. Digitalisasi dokumen melalui pengenalan teks tulisan tangan tetap menjadi domain penelitian yang menantang akibat tingginya variasi dan kompleksitas gaya tulisan. Meskipun model berbasis Transformer saat ini menunjukkan performa yang tinggi, kebutuhan sumber daya komputasinya yang masif dinilai kurang efisien untuk diimplementasikan langsung secara praktis pada perangkat seluler. Tujuan. Penelitian ini bertujuan untuk mengukur dampak teknik prapemrosesan terhadap tingkat kesalahan model CRNN, mengevaluasi ketangguhan sistem terhadap variasi kondisi akuisisi citra kamera, serta menguji implementasi model secara mandiri dan lokal pada aplikasi seluler berbasis Flutter. Metode. Penelitian dirancang melalui empat tahapan eksperimental utama: 1) Komparasi tingkat representasi data (word-level vs line-level) dan evaluasi prapelatihan model; 2) Penyetelan hyperparameter, strategi augmentasi data, dan perbandingan arsitektur rekuren (BiLSTM vs BiGRU); 3) Pengujian strategi dekode (Beam Search dipadukan dengan 5-gram Language Model), simulasi gangguan akuisisi kamera, dan evaluasi kontribusi prapemrosesan melalui studi ablasi; 4) Konversi arsitektur ke dalam format ONNX untuk integrasi inferensi on-device di dalam aplikasi Flutter. Hasil. Arsitektur BiLSTM 2x256 terbukti sebagai pemodelan paling optimal, mencapai tingkat kesalahan Val CER sebesar 4.41% (WER 16.06%) dan Test CER sebesar 6.45% (WER 21.09%). Hasil simulasi menunjukkan model stabil terhadap keburaman (Gaussian blur k=7) dan noise ringan, meskipun sensitif terhadap rotasi citra yang melebihi 10 derajat. Studi ablasi mengidentifikasi bahwa sinergi aspect ratio preservation, konversi grayscale, penambahan padding, dan normalisasi merupakan komponen prapemrosesan paling krusial, yang secara kolektif mampu menekan Test CER hingga 6.84%. Integrasi ONNX pada Flutter berhasil mengeksekusi transkripsi tingkat baris maupun paragraf secara offline murni tanpa backend, terlepas dari kendala minor terkait akurasi segmentasi baris otomatis pada teks yang terlalu rapat. Kesimpulan. Sinergi antara arsitektur CRNN yang dioptimalkan secara lokal dan aplikasi Flutter berbasis ONNX berhasil menciptakan sistem HTR on-device yang cukup baik, efisien secara komputasi, dan dapat digunakan pada perangkat seluler tanpa memiliki ketergantungan pada konektivitas internet.