SISTEM PENGENALAN TULISAN TANGAN BERBASIS MOBILE UNTUK IDENTIFIKASI SIFAT KEPRIBADIAN BIG FIVE MENGGUNAKAN MODEL RESNET 

MOBILE-BASED HANDWRITING RECOGNITION SYSTEM FOR BIG FIVE PERSONALITY TRAIT IDENTIFICATION USING A RESNET MODEL

Grafologi tradisional dalam mengenali kepribadian seseorang masih bersifat manual dan subjektif, sehingga dibutuhkan pendekatan yang lebih objektif dan otomatis. Penelitian ini mengembangkan sistem pengenalan tulisan tangan berbasis mobile untuk mengidentifikasi sifat kepribadian Big Five (OCEAN) menggunakan arsitektur ResNet50 dengan pendekatan CRISP-DM dan dataset 327 citra tulisan tangan alfabet. Model dilatih menggunakan tiga optimizer yaitu, SGD, RMSprop, dan Adam, di mana Adam menghasilkan performa terbaik dengan akurasi 91,90% dan PCC 0,5872 pada pelatihan, serta akurasi 89,95% dan PCC 0,4719 pada pengujian. Model diintegrasikan ke dalam aplikasi Android bernama PenaKepribadian berbasis Flutter, yang memungkinkan pengguna menganalisis kepribadian melalui foto tulisan tangan. Pengujian Black Box Testing dan end user menunjukkan sistem berjalan dengan baik dan memberikan prediksi konsisten pada berbagai kondisi media penulisan.

Traditional graphology in recognizing a person's personality remains manual and subjective, necessitating a more objective and automated approach. This research develops a mobile-based handwriting recognition system to identify Big Five personality traits (OCEAN) using the ResNet50 architecture, following the CRISP-DM methodology with a dataset of 327 handwritten alphabet images. The model was trained using three optimizers, namely SGD, RMSprop, and Adam, where Adam achieved the best performance with an accuracy of 91.90% and a PCC of 0.5872 in training, and an accuracy of 89.95% with a PCC of 0.4719 in testing. The model was integrated into an Android application named PenaKepribadian built with Flutter, enabling users to analyze personality through handwriting photos. Black Box Testing and end-user testing confirmed that the system performs well and delivers consistent predictions across various writing media conditions.