Aksara Jawa, sebuah warisan budaya yang kaya dari Indonesia, semakin terpinggirkan di era digital ini. Meskipun masih dilestarikan dalam seni kaligrafi, wayang kulit, dan upacara adat, penggunaannya kini terbatas pada bidang-bidang kebudayaan dan tradisional. Salah satu tantangan terbesar dalam melestarikan Aksara Jawa adalah kesulitan dalam mempelajarinya, terutama karena perbedaan bentuknya yang signifikan dibandingkan dengan alfabet Latin.
Namun, di tengah tantangan ini, teknologi muncul sebagai solusi yang menjanjikan. Dalam upaya memfasilitasi transliterasi Aksara Jawa dari tulisan tangan ke huruf Latin, Convolutional Neural Network (CNN), sebuah teknik dalam Deep Learning, menunjukkan potensi besar. Teknologi ini dapat membantu memudahkan akses dan pemahaman masyarakat terhadap Aksara Jawa di era digital.
Penggunaan CNN dalam transliterasi Aksara Jawa bukanlah hal yang sepenuhnya baru. Beberapa penelitian sebelumnya telah menunjukkan bahwa CNN dapat mencapai akurasi yang cukup tinggi dalam mengenali karakter Aksara Jawa. Misalnya, penelitian oleh Lorentius (2019) berhasil mencapai akurasi 95,04%, sementara penelitian oleh Rochmawati dkk. (2020) mencapai akurasi 80%.
Dalam penelitian terbaru yang dilakukan oleh tim kami dari Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, UIN Walisongo Semarang, metode CNN kembali digunakan untuk transliterasi Aksara Jawa. Penelitian ini menggunakan dataset Aksara Jawa tulisan tangan yang diperoleh dari Kaggle, yang kemudian diproses dan diuji menggunakan CNN. Hasilnya, model yang dikembangkan berhasil mencapai akurasi sebesar 85% dalam mengidentifikasi karakter Aksara Jawa pada data uji.
Tahap awal dari penelitian ini adalah melakukan ekstraksi data dari gambar digital yang diambil dari folder, kemudian mengonversinya menjadi array yang dapat dibaca oleh TensorFlow, sebuah library populer untuk Deep Learning. Setelah model dibangun, proses pelatihan dilakukan untuk mengenali pola dari setiap kelas pada data latih yang telah didefinisikan sebelumnya. Proses ini merupakan langkah penting dalam mengoptimalkan kinerja model untuk tugas pengenalan karakter.
Setelah model dibangun, langkah berikutnya adalah tahap pelatihan. Proses pelatihan merupakan salah satu tahap utama dalam pembelajaran mesin, di mana model belajar mengenali pola dari setiap kelas pada data latih yang telah didefinisikan sebelumnya. Proses pelatihan ini sangat penting untuk mengoptimalkan kinerja model agar dapat digunakan dalam tugas pengenalan karakter.
Proses pelatihan model dasar menggunakan generator data pelatihan dan beberapa parameter lainnya. Pertama, generator data pelatihan digunakan untuk menghasilkan batch data pelatihan selama proses pelatihan. Model dasar kemudian dilatih pada data pelatihan ini selama sejumlah epoch yang ditentukan. Setiap epoch terdiri dari sejumlah langkah, di mana model memproses batch data pelatihan dan memperbarui parameternya. Generator data validasi digunakan untuk mengevaluasi kinerja model pada data validasi selama proses pelatihan, membantu memantau performa model dan mencegah overfitting. Callback dipanggil pada saat-saat tertentu selama proses pelatihan dan dapat digunakan untuk tujuan seperti menyimpan model, memantau metrik pelatihan, atau menghentikan pelatihan dini. Tingkat verbositas pelatihan menentukan seberapa detail informasi yang dicetak selama proses tersebut. Setelah pelatihan selesai, model dasar yang telah dilatih siap digunakan untuk membuat prediksi pada data baru.
Gambar 1 menggambarkan proses pelatihan yang menggunakan data pelatihan. Hasil dari pelatihan ini akan menjadi model yang siap digunakan untuk melakukan prediksi pada data baru. Proses pelatihan dimulai dengan penggunaan generator data pelatihan untuk menghasilkan batch data pelatihan. Model yang akan dilatih kemudian dievaluasi pada data pelatihan ini selama beberapa epoch, di mana setiap epoch terdiri dari langkah-langkah yang memproses batch data pelatihan dan memperbarui parameter model. Selama proses pelatihan, performa model dievaluasi menggunakan generator data validasi untuk memantau kinerja dan menghindari overfitting. Callback digunakan untuk berbagai tujuan selama pelatihan, seperti menyimpan model, memantau metrik, atau menghentikan pelatihan dini. Tingkat verbositas pelatihan menentukan seberapa detail informasi yang dicetak selama proses tersebut. Setelah proses pelatihan selesai, model yang telah dilatih dapat digunakan untuk membuat prediksi akurat pada data baru yang diberikan.
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
