Article Sidebar

Submitted
May 20, 2025
Accepted
July 2, 2025
Published
July 6, 2025
Download
PDF (Bahasa Indonesia)
Statistic
Read Counter : 418 Download : 313

Main Article Content

Abstract

Tulisan tangan tetap memiliki nilai penting dalam pendidikan dan psikologi, khususnya dalam mengevaluasi kemampuan struktur penulisan siswa. Salah satu indikator penting adalah jarak spasi antar baris, yang mencerminkan keteraturan dan kerapihan tulisan. Penilaian manual terhadap aspek ini rentan terhadap subjektivitas dan kurang efisien. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja tiga versi model You Only Look Once (YOLO), yaitu YOLOv5, YOLOv8, dan YOLO 11 dalam mendeteksi jarak antar baris tulisan tangan. Sebanyak 90 sampel tulisan tangan mahasiswa dikumpulkan, dipindai, dan dianotasi menjadi dua kategori: "sempit" dan "lebar". Proses pelatihan dilakukan dengan parameter yang seragam dan diuji menggunakan metrik evaluasi seperti precision, recall, dan mean Average Precision (mAP). Hasil penelitian menunjukkan perbedaan performa di antara ketiga model, yang memberikan wawasan tentang efektivitas masing-masing versi YOLO dalam mendeteksi elemen spasial tulisan tangan. YOLOv5x secara konsisten memiliki performa tertinggi pada ketiga metrik, terutama pada Precision, dengan nilai sekitar 0.75. YOLOv8x dan YOLO 11x menunjukkan performa yang sebanding pada nilai [email protected] dan Recall, tetapi lebih rendah daripada YOLOv5x. model YOLOv5x memiliki kemampuan yang lebih baik untuk mendeteksi dan mengklasifikasikan objek tulisan tangan dibandingkan dengan dua model lainnya.

Keywords

YOLO tulisan tangan spasi antar baris deteksi objek inovasi evaluasi otomatis

Article Details

License

Copyright (c) 2025 Zaid Romegar Mair, Muhamad Ardi Rahmanda

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

How to Cite
Mair, Z. R., & Rahmanda, M. A. (2025). Perbandingan Versi Terbaik YOLO Dalam Mendeteksi Jarak Spasi Antar Baris Tulisan Tangan. Jurnal Sains, Nalar, Dan Aplikasi Teknologi Informasi, 4(2), 103–110. https://doi.org/10.20885/snati.v4.i2.40414
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. W. Wulansari and R. I. Khan, “Evaluasi Pelaksanaan Pelatihan Menulis Kreatif Berbentuk Dongeng Anak,” Edukatif J. Ilmu Pendidik., vol. 4, no. 3, pp. 4490–4498, 2022, doi: 10.31004/edukatif.v4i3.2711.
  2. A. Gumilang and S. Agustin, “Deteksi Kepribadian Melalui Margin Pada Tulisan Tangan Menggunakan Random Forest,” INOVTEK Polbeng - Seri Inform., vol. 9, no. 1, pp. 311–325, 2024, doi: 10.35314/isi.v9i1.4176.
  3. A. Anwar, “Grafologi Sebagai Alat Intervensi Praktik Pekerjaan Sosial Mikro Di SMKN 15 Kota Bandung,” J. Abdimas Kartika Wijayakusuma, vol. 5, no. 2, pp. 431–439, 2024, doi: 10.26874/jakw.v5i2.443.
  4. U. Rosyidah and N. Rochmawati, “Analisis Kepribadian Melalui Tulisan Tangan Menggunakan Metode Support Vector Machine,” J. Informatics Comput. Sci., vol. 1, no. 02, pp. 91–96, 2020, doi: 10.26740/jinacs.v1n02.p91-96.
  5. Siswanto, Menyingkap Kepribadian Lewat Tulisan Tangan, 1st ed. Jakarta: Libri, 2010.
  6. A. Droby, B. Kurar Barakat, R. Saabni, R. Alaasam, B. Madi, and J. El-Sana, “Understanding Unsupervised Deep Learning for Text Line Segmentation,” Appl. Sci., vol. 12, no. 19, p. 9528, 2022, doi: 10.3390/app12199528.
  7. G. Renton, Y. Soullard, C. Chatelain, S. Adam, C. Kermorvant, and T. Paquet, “Fully convolutional network with dilated convolutions for handwritten text line segmentation,” Int. J. Doc. Anal. Recognit., vol. 21, no. 3, pp. 177–186, 2018, doi: 10.1007/s10032-018-0304-3.
  8. R. Aryanto, M. Alfan Rosid, and S. Busono, “Penerapan Deep Learning untuk Pengenalan Tulisan Tangan Bahasa Aksara Lota Ende dengan Menggunakan Metode Convolutional Neural Networks,” J. Inf. dan Teknol., vol. 5, no. 1, pp. 258–264, 2023, doi: 10.37034/jidt.v5i1.313.
  9. Y. V. Guntara, Syamsuryadi, and Sukemi, “Pengenalan Kepribadian Melalui Tulisan Tangan Menggunakan Convulutional Neural Network Dengan LS Classifiers,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 14, no. 2, pp. 151–167, 2023, doi: 10.31849/digitalzone.v14i2.15193.
  10. A. Magfiroh, “Pengenalan Kepribadian Seseorang Melalui Bentuk Tulisan Tangan Menggunakan Metode Radial Basis Function Neural Network (RBFNN),” Zeta - Math J., vol. 7, no. 1, pp. 34–41, 2022, doi: 10.31102/zeta.2022.7.1.34-41.
  11. T. Faizal et al., “Implementasi Metode Support Vector Machine Dalam Mendeteksi Kepribadian,” vol. 4, no. 2, pp. 196–203, 2022.
  12. Mair, Z. R., Cholil, W., Yulianti, E., & Marcelina, D. (2023). Convolutional Neural Network Analysis on Handwriting Patterns and Its Relationship to Personality: A Systematic Review. Paper presented at the 2023 International Conference on Informatics, Multimedia, Cyber and Information System (ICIMCIS), Jakarta Selatan, Indonesia, 308–312.
  13. Mair, Z. R., & Irfani, M. H. (2023). Permainan INGBAS (gunting, batu, kertas) menggunakan arsitektur convolutional neural network . Jurnal Teknik Informatika dan Sistem Informasi , 10 (1), 4322. ISSN: 2407-XXXX. Diterbitkan oleh JATISI.
  14. Mair, Z. R. (2022). Kajian Bakat Anak Melalui Pola Tulisan Tangan dengan Algoritma Convolutional Neural Network. Jurnal Komputasi, 10(2), 66–71. https://doi.org/10.23960/komputasi.v10i2.3157
  15. N. P. V. V. Prashanti, I. G. Santi Astawa, A. A. I. Ngurah Eka Karyawati, I. W. Santiyasa, I. B. Gede Dwidasmara, and I. W. Supriana, “Segmentasi Baris Aksara Bali Pada Citra Lontar,” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 10, no. 2, p. 205, 2022, doi: 10.24843/jlk.2021.v10.i02.p03.
  16. Dixit, R., Kushwah, R., & Pashine, S. (2020). Handwritten Digit Recognition using Machine and Deep Learning Algorithms. In International Journal of ComputerApplications (Vol. 176, Issue 42).
  17. Ibrahim, R. T., & Ramo, F. M. (2023). Hybrid Intelligent Technique with Deep Learning to Classify Personality Traits. International Journal of Computing and Digital Systems, 13(1), 231–244. https://doi.org/10.12785/ijcds/130119
  18. Masruroh, S. U., Syahid, M. F., Munthaha, F., Muharram, A. T., & Putri, R. A. (2023). Deep Convolutional Neural Networks Transfer Learning Comparison on Arabic Handwriting Recognition System. JOIV : Int. J. Inform. Visualization, 7(2), 330–337. www.joiv.org/index.php/joiv
  19. Mondal, R., Malakar, S., Barney Smith, E. H., & Sarkar, R. (2022). Handwritten English word recognition using a deep learning based object detection architecture. Multimedia Tools and Applications, 81(1), 975–1000. https://doi.org/10.1007/s11042-021-11425-7
  20. Alqoyyum, M. A., Wibowo, A., & Sarwoko, E. A. (2023). YOLOv4 algorithm implementation based on darknet and optical character recognition on vehicle license plate detection. 050023.https://doi.org/10.1063/5.0124890