Gambar 2 Â menggambarkan grafik dari Training dan Validation Loss. Loss adalah ukuran yang menunjukkan seberapa buruk prediksi yang dilakukan oleh model saat pelatihan. Ketika prediksi model sangat akurat, nilai loss mendekati nol, sedangkan jika nilai loss besar, itu menunjukkan bahwa model tidak efektif dalam memprediksi data. Tujuan utama dari pelatihan model adalah untuk menemukan kumpulan bobot yang menghasilkan nilai loss yang rendah, sehingga model dapat membuat prediksi dengan akurasi yang tinggi. Seperti yang terlihat pada Gambar 2, angka loss hampir mendekati 0, yang menandakan bahwa prediksi model hampir sangat akurat.
Setelah melakukan serangkaian eksperimen dengan metode Convolutional Neural Network (CNN) pada data latih, kami berhasil menemukan kondisi yang memberikan kinerja paling optimal. Kondisi optimal ini kemudian diterapkan pada percobaan menggunakan data uji. Tabel 1 dibawah menampilkan gambar 20 data uji beserta hasil prediksinya menggunakan metode CNN. Dengan demikian, kami dapat memperoleh gambaran mengenai kinerja model kami pada data yang belum pernah dilihat sebelumnya. Hasil dari eksperimen ini memberikan insight penting tentang kemampuan generalisasi model, menunjukkan seberapa baik model dapat memprediksi data baru yang tidak termasuk dalam data latih.
Ke depan, penelitian ini diharapkan dapat memberikan kontribusi yang berarti dalam bidang pelestarian budaya Indonesia. Beberapa saran untuk penelitian selanjutnya antara lain adalah:
- Penelitian Lanjutan: Fokus pada peningkatan akurasi transliterasi dengan mempertimbangkan variasi lebih lanjut dalam gaya tulisan tangan dan variasi penulisan Aksara Jawa.
- Perluasan Dataset: Mengembangkan dataset yang lebih besar dan beragam untuk meningkatkan kemampuan model dalam mengenali dan mengklasifikasikan karakter.
- Optimisasi Model: Melakukan evaluasi lebih lanjut terhadap arsitektur CNN yang digunakan serta optimasi parameter untuk meningkatkan kinerja model.
- Pemanfaatan dalam Aplikasi: Mengintegrasikan model ini dalam aplikasi praktis untuk edukasi dan promosi budaya Aksara Jawa.
- Kolaborasi Disiplin: Melibatkan ahli bahasa, budayawan, dan ilmuwan data untuk mendukung pendekatan holistik dalam pelestarian dan pengembangan teknologi untuk Aksara Jawa.
Dengan terus mengembangkan teknologi ini, diharapkan warisan budaya Aksara Jawa tetap dapat diapresiasi oleh generasi masa depan, sekaligus membuka peluang baru dalam pengembangan teknologi yang lebih lanjut untuk pelestarian dan penyebaran budaya Indonesia di era digital yang semakin maju.
Referensi:
R. A. A. T. Christopher Albert Lorentius, "Pengenalan Aksara Jawa dengan Menggunakan Metode Convolutional Neural Network.," Jurnal Infra, vol. 4, pp. 1-10, 2019.Â
I. H. M. R. &. U. K. Rochmawati, "Transliterasi Aksara Jawa Tulisan Tangan ke Huruf Latin Menggunakan CNN," e-Journal UNESA, 2020.Â
