MENINGKATKAN AKURASI PENGENALAN ANGKA TULIS TANGAN MENGGUNAKAN AUGMENTASI DATA BERBASIS CYCLEGAN DENGAN ARSITEKTUR CNN-BILSTM

Pengenalan digit tulisan tangan tetap menjadi tantangan klasik yang relevan dalam bidang penglihatan komputer dan pembelajaran mesin. Variasi alami dalam gaya tulisan tangan manusia menuntut model klasifikasi dengan kemampuan generalisasi yang kuat. Penelitian ini mengevaluasi dampak augmentasi data menggunakan Cycle-Consistent Generative Adversarial Networks (CycleGAN) terhadap akurasi pengenalan digit tulisan tangan menggunakan dataset MNIST. Dua arsitektur model yang diuji adalah Convolutional Neural Network (CNN) dan model hibrida yang menggabungkan CNN dengan Bidirectional Long Short-Term Memory (CNN-BiLSTM). Proses augmentasi menghasilkan citra sintetis yang menyerupai digit tulisan tangan asli untuk memperkaya keragaman data pelatihan. Hasil evaluasi menunjukkan bahwa kinerja kedua model meningkat setelah diterapkan augmentasi berbasis CycleGAN. Model CNN memberikan akurasi 99,14%, sedikit lebih unggul dibandingkan model CNN-BiLSTM yang mencapai akurasi 98,95%. Temuan ini menunjukkan bahwa kombinasi ekstraksi fitur spasial dan sekuensial yang didukung dengan augmentasi data sintetis dapat meningkatkan akurasi pengenalan dalam tugas klasifikasi digit tulisan tangan.