PENERAPAN OPTICAL MARK RECOGNITION (OMR) UNTUK PENILAIAN KERTAS UJIAN PILIHAN GANDA OTOMATIS MENGGUNAKAN CNN BUBBLENET

Lukito, Sebastianus (2026) PENERAPAN OPTICAL MARK RECOGNITION (OMR) UNTUK PENILAIAN KERTAS UJIAN PILIHAN GANDA OTOMATIS MENGGUNAKAN CNN BUBBLENET. S1 thesis, Universitas Mercu Buana Jakarta - Menteng.

	Text (COVER) 41522110051 - Sebastianus Lukito – 01 Cover - Sebastian Lukito.pdf Download (925kB)
	Text (BAB 1) 41522110051 - Sebastianus Lukito – 02 Bab 1 - Sebastian Lukito.pdf Restricted to Registered users only Download (107kB)
	Text (BAB 2) 41522110051 - Sebastianus Lukito – 03 Bab 2 - Sebastian Lukito.pdf Restricted to Registered users only Download (543kB)
	Text (BAB 3) 41522110051 - Sebastianus Lukito – 04 Bab 3 - Sebastian Lukito.pdf Restricted to Registered users only Download (1MB)
	Text (BAB 4) 41522110051 - Sebastianus Lukito – 05 Bab 4 - Sebastian Lukito.pdf Restricted to Registered users only Download (1MB)
	Text (BAB 5) 41522110051 - Sebastianus Lukito – 06 Bab 5 - Sebastian Lukito.pdf Restricted to Registered users only Download (94kB)
	Text (DAFTAR PUSTAKA) 41522110051 - Sebastianus Lukito – 07 Daftar Pustaka - Sebastian Lukito.pdf Restricted to Registered users only Download (144kB)
	Text (LAMPIRAN) 41522110051 - Sebastianus Lukito – 08 Lampiran - Sebastian Lukito.pdf Restricted to Registered users only Download (715kB)

Abstract

Koreksi manual pada lembar jawaban ujian konvensional memakan waktu dan rentan kesalahan manusia, sedangkan perangkat pemindai OMR komersial memerlukan kertas khusus dan biaya yang relatif mahal. Penelitian ini bertujuan merancang dan mengimplementasikan sistem Optical Mark Recognition (OMR) otomatis berbasis integrasi computer vision dan deep learning yang akurat, cepat, dan terjangkau menggunakan kamera standar pada kertas HVS biasa. Sistem dibangun menggunakan Python, framework Flask, pustaka OpenCV, dan PyTorch. Pipeline prapemrosesan citra meliputi normalisasi iluminasi menggunakan koreksi Auto-Gamma, transformasi ruang warna LAB dengan penerapan Contrast Limited Adaptive Histogram Equalization (CLAHE), dan Unsharp Masking. Sistem melakukan penentuan orientasi lembar secara otomatis, deteksi kontur area grid, dan koreksi perspektif menggunakan transformasi homografi. Inovasi utama dalam penelitian ini adalah penggunaan arsitektur Convolutional Neural Network (CNN) ringan bernama BubbleNet sebagai pengambil keputusan utama pada tingkat sel, yang mengatasi kelemahan metode konvensional berbasis pixel density. Sebagai cadangan kelayakan operasional fallback, metode klasik dengan Otsu thresholding tetap disediakan. Pengembangan model CNN BubbleNet melibatkan optimasi hyperparameter menggunakan framework Optuna. Hasil pelatihan yang telah menangani ketidakseimbangan kelas mencapai tingkat akurasi mutlak sebesar 100% pada data validasi. Hasil studi ablasi membuktikan bahwa prapemrosesan Gaussian Blur dan CLAHE sangat krusial dalam mereduksi noise frekuensi tinggi seperti tekstur kertas dan bayangan iluminasi ekstrem. Evaluasi sistem end-to-end menunjukkan robusitas yang sangat tinggi terhadap berbagai kondisi dunia nyata, termasuk pencahayaan gelap, rotasi 90 derajat, distorsi perspektif, penanganan aturan jawaban ganda, serta pengenalan variasi gaya pengisian. Kesimpulannya, sistem ini menawarkan solusi OMR yang tangguh terhadap gangguan visual, sangat presisi, dengan kebutuhan komputasi inferensi yang tetap ringan. Kata kunci: Optical Mark Recognition, Computer Vision, Deep Learning, CNN BubbleNet, Transformasi Homografi, CLAHE, Koreksi Auto-Gamma.

Item Type:	Thesis (S1)
NIM/NIDN Creators:	41522110051
Uncontrolled Keywords:	Optical Mark Recognition, Computer Vision, Deep Learning, CNN BubbleNet, Transformasi Homografi, CLAHE, Koreksi Auto-Gamma.
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	NAJHWA LAILI SYAFAQOH
Date Deposited:	27 Aug 2026 02:49
Last Modified:	27 Aug 2026 02:49
URI:	http://repository.mercubuana.ac.id/id/eprint/103439

Actions (login required)

View Item