Penerapan Model Hybrid Kuantum-Klasik Untuk Hangeul Handwritten Text Recognition Pada Kertas Jawaban Topik II Berbasis Web

Penilaian manual ujian menulis TOPIK II berformat wongoji membutuhkan sistem digitalisasi otomatis. Penelitian ini membangun sistem Handwritten Text Recognition (HTR) berbasis arsitektur Hybrid Quantum-Classical untuk mengubah citra wongoji menjadi teks digital. Sistem menggunakan pustaka OpenCV dan operasi morfologi untuk melakukan segmentasi pada dokumen pindaian dari 50 partisipan. Fitur citra diekstraksi menggunakan modifikasi ResNet-18 menjadi vektor 256 dimensi. Vektor tersebut kemudian diproses oleh sirkuit Quantum Convolutional Neural Network (QCNN) 8-qubit pada simulator PennyLane menggunakan metode Amplitude Embedding untuk mengklasifikasikan 74 kelas (64 suku kata Hangeul dan 10 angka). Uji validasi model mencatatkan tingkat akurasi sebesar 97,26%. Model hibrida ini diintegrasikan ke dalam web server Django secara end-to-end, dilengkapi tambahan fitur Softmax Thresholding untuk mengabaikan karakter di luar kelas (Out-of-Vocabulary) dan Conditional Splitter untuk menangani kotak berisi dua angka. Pengujian transkripsi terhadap 990 lembar pindaian menghasilkan rata-rata Character Error Rate (CER) sebesar 47,26%. Kesalahan pembacaan ini utamanya disebabkan oleh keterbatasan kelas OOV dan fenomena Catastrophic Forgetting. Hasil penelitian menunjukkan bahwa pendekatan komputasi hibrida kuantum berpotensi menjadi prototipe yang valid bagi otomatisasi penilaian linguistik.

Kata Kunci: Amplitude Embedding, Character Error Rate, Django, HTR, Hybrid QCNN-ResNet18, Wongoji.