Sistem Identifikasi Citra Huruf Aksara Minangkabau Berbasis Convolutional Neural Network

Riyan Saputra; Agung Ramadhanu; Rini Sovia

doi:10.55382/jurnalpustakaai.v5i2.1214

Penulis

Riyan Saputra Universitas Putra Indonesia YPTK https://orcid.org/0009-0007-8023-5238
Agung Ramadhanu Universitas Putra Indonesia YPTK
Rini Sovia Universitas Putra Indonesia YPTK

DOI:

https://doi.org/10.55382/jurnalpustakaai.v5i2.1214

Kata Kunci:

aksara Minangkabau, convolutional neural network (CNN), pemrosesan citra, kercerdasan buatan, dokumentasi budaya

Abstrak

Pelestarian aksara daerah penting untuk menjaga warisan budaya bangsa. Aksara Minangkabau, sebagai salah satu kekayaan budaya Indonesia, masih minim penelitian dan belum memiliki sistem digitalisasi memadai. Penelitian ini merupakan tahap awal eksplorasi pengenalan aksara Minangkabau menggunakan pendekatan Convolutional Neural Network (CNN) sebagai upaya mendokumentasikan dan menguji potensi digitalisasi aksara tersebut. CNN merupakan salah satu model deep learning yang dirancang untuk memproses data grid terstruktur seperti citra. Penelitian sebelumnya menunjukan kinerja CNN sangat baik dalam pengenalan tulisan tangan. Citra aksara yang digunakan dalam penelitian ini diperoleh dari sumber museum dan tulisan tangan dari 31 sukarelawan. Dataset terdiri dari 4.650 citra karakter dari 75 kelas dengan berbagai kombinasi tanda baca pada lima huruf vokal, yang kemudian diproses melalui konversi grayscale, peningkatan kontras, segmentasi, dan augmentasi hingga menghasilkan total 8.537 citra. Model CNN yang dirancang mengklasifikasikan karakter ke dalam 75 kelas. Hasil pengujian mengindikasikan bahwa model dapat mengenali karakter dengan sangat baik. Pengujian menunjukkan akurasi 99% dalam skenario pengujian terbatas pada 500 data uji. Temuan ini memberikan landasan awal untuk digunakan dalam kajian akademis lanjutan maupun diskusi kultural yang lebih luas terkait keberadaan aksara Minangkabau.

Unduhan

Data unduhan belum tersedia.

Referensi

T. Fannia, K. Johana, F. Awliya, F. Rismawaty, M. Ameri, and S. Lianto Lau, “Intercultural Communication Interaction of Multicultural Society in West Kalimantan Province: Ethnographic Studies,” KnE Soc. Sci., vol. 2023, pp. 632–644, 2023, doi: 10.18502/kss.v8i12.13711.

M. Mahmudah and T. Noor, “Internalisasi Nilai Multikultural pada Pola Asuh Anak Urang Banjar (Studi Etnografi Di Kabupaten Tanah Bumbu Dan Batola),” Al-Madrasah J. Pendidik. Madrasah Ibtidaiyah, vol. 7, no. 1, p. 443, 2023, doi: 10.35931/am.v7i1.1927.

D. A. Darwis and N. Muslim, “Minangkabau Cultural Identity: History And Development,” Int. J. Relig., vol. 5, no. 10, pp. 794–805, Jun. 2024, doi: 10.61707/fbvrmv21.

R. Sovia, S. Defit, and Yuhandri, “Development of the Minangkabau Local Language Translation Machine Based on Stemming,” Proceeding - 2022 Int. Symp. Inf. Technol. Digit. Innov. Technol. Innov. Dur. Pandemic, ISITDI 2022, pp. 195–198, 2022, doi: 10.1109/ISITDI55734.2022.9944457.

Rini Andriani, S. F. Rahmah, and D. A. K. Putra, “Sistem Fonem Vokal dalam Bahasa Minang,” Wacana J. Bahasa, Seni, dan Pengajaran, vol. 7, no. 2, pp. 112–120, Oct. 2023, doi: 10.29407/jbsp.v7i2.20430.

R. Rahim, “Etnomatematika Melalui Simbol dan Komunikasi Nonverbal dalam Tradisi Marosok di Minangkabau,” J. Ilm. Univ. Batanghari Jambi, vol. 23, no. 2, p. 1571, 2023, doi: 10.33087/jiubj.v23i2.3179.

K. A. Overmann, “Writing system transmission and change: A neurofunctional perspective,” Jun. 04, 2023. doi: 10.31235/osf.io/esmkw.

A. Hermilah, “Urang Minang harus tahu! Aksara Minangkabau dikenal dengan aksara Nusantara yang jarang diketahui,” Harian Haluan, 2023. [Online]. Available: https://www.harianhaluan.com/news/109875432/topik-khusus.html

H. Tanjung, “Aksara Minangkabau: Minangkabau punya aksara?,” TopSumbar.co.id, 2023. [Online]. Available: https://www.topsumbar.co.id/2022/02/aksara-minangkabau-minangkabau-punya-aksara/

A. Majeed and H. Hassani, “Ancient but Digitized: Developing Handwritten Optical Character Recognition for East Syriac Script Through Creating KHAMIS Dataset,” pp. 1–17, 2024, [Online]. Available: http://arxiv.org/abs/2408.13631

G. Kothari, B. Jatav, O. Bhimani, and P. S. Bangal, “Exploring OCR for Historical Document Preservation (Indus Script),” INTERANTIONAL J. Sci. Res. Eng. Manag., vol. 07, no. 09, pp. 1–49, Sep. 2023, doi: 10.55041/IJSREM25807.

N. Made and L. Parwati, “Penguatan Eksistensi Aksara Bali Melalui Digitalisasi Aksara Bali Bagi Generasi Muda,” pp. 65–72, 2024.

S. Schmidgall, R. Ziaei, J. Achterberg, L. Kirsch, S. P. Hajiseyedrazi, and J. Eshraghian, “Brain-inspired learning in artificial neural networks: A review,” APL Mach. Learn., vol. 2, no. 2, pp. 1–13, 2024, doi: 10.1063/5.0186054.

M. Thorat, S. Pandit, and S. Balote, “Artificial Neural Network: A brief study,” Asian J. Converg. Technol., vol. 8, no. 3, pp. 12–16, 2022, doi: 10.33130/ajct.2022v08i03.003.

D. Bisant, “An Introduction to Neural Networks,” Proc. Int. Florida Artif. Intell. Res. Soc. Conf. FLAIRS, vol. 36, p. 2009, 2023, doi: 10.32473/flairs.36.134019.

E. S. Agung, A. P. Rifai, and T. Wijayanto, “Image-based facial emotion recognition using convolutional neural network on emognition dataset,” 2024. doi: 10.1038/s41598-024-65276-x.

W. H. Lim, M. B. Bonab, and K. H. Chua, “An Aggressively Pruned CNN Model With Visual Attention for Near Real-Time Wood Defects Detection on Embedded Processors,” IEEE Access, vol. 11, pp. 36834–36848, 2023, doi: 10.1109/ACCESS.2023.3266737.

L. A. Zavala-Mondragón, P. H. N. de With, and F. van der Sommen, “A signal processing interpretation of noise-reduction convolutional neural networks,” vol. 14, no. 8, 2023, [Online]. Available: http://arxiv.org/abs/2307.13425

A. A. Handoko, M. A. Rosid, and U. Indahyanti, “Implementasi Convolutional Neural Network (CNN) Untuk Pengenalan Tulisan Tangan Aksara Bima,” Smatika J., vol. 14, no. 01, pp. 96–110, 2024, doi: 10.32664/smatika.v14i01.1196.

E. Alfariza, D. A. C. Tue, A. S. Anas, M. Tajuddin, and A. Adil, “Klasifikasi Aksara Sasak Menggunakan Convolutional Neural Networks (CNN),” JTIM J. Teknol. Inf. dan Multimed., vol. 6, no. 3, pp. 346–353, 2024, doi: 10.35746/jtim.v6i3.623.

N. Sazqiah et al., “Pengenalan Aksara Lampung Menggunakan Metode CNN (Convolutional Neural Network),” Semin. Nas. Ins. Prof., vol. 2, no. 1, pp. 1–5, 2022, doi: 10.23960/snip.v2i1.165.

M. Zhang, W. Deng, and X. Li, “A Unified Image Preprocessing Framework For Image Compression,” 2022, [Online]. Available: http://arxiv.org/abs/2208.07110

M. Krichen, “Convolutional Neural Networks: A Survey,” Computers, vol. 12, no. 8, pp. 1–41, 2023, doi: 10.3390/computers12080151.

G. Latif, J. Alghazo, M. A. Khan, G. Ben Brahim, K. Fawagreh, and N. Mohammad, “Deep convolutional neural network (CNN) model optimization techniques—Review for medical imaging,” AIMS Math., vol. 9, no. 8, pp. 20539–20571, 2024, doi: 10.3934/math.2024998.

M. Ghayoumi, “Enhancing Efficiency and Regularization in Convolutional Neural Networks: Strategies for Optimized Dropout,” AI, vol. 6, no. 6, 2025, doi: 10.3390/ai6060111.

O. Rainio, J. Teuho, and R. Klén, “Evaluation metrics and statistical tests for machine learning,” Sci. Rep., vol. 14, no. 1, pp. 1–14, 2024, doi: 10.1038/s41598-024-56706-x.

A. K. Saha, M. Rabbani, A. S. I. Sum, M. F. Mridha, and M. M. Kabir, “An enhanced deep learning model for accurate classification of ovarian cancer from histopathological images,” Sci. Rep., vol. 15, no. 1, pp. 1–16, 2025, doi: 10.1038/s41598-025-07903-9.

M. Jawarneh, A. Marwanto, D. Syamsuar, and M. Kusnandar, “A Comparative Study of Convolutional Neural Networks and Vision Transformers for Fruit Classification,” Int. J. Adv. Artif. Intell. Mach. Learn., vol. 2, no. 2, pp. 104–112, 2025, doi: 10.58723/ijaaiml.v2i2.435.