Pengenalan Aksara Jawa Dengan Algoritma Convolutional Neural Network (CNN)

Abstract

Penelitian ini mengkaji pengenalan aksara Jawa
menggunakan algoritma Convolutional Neural Network (CNN)
dan arsitektur VGG16. Penelitian ini bertujuan untuk
mengevaluasi dan membandingkan performa kedua model
dalam klasifikasi citra aksara Jawa yang kompleks. Dataset
yang digunakan terdiri dari 5.000 citra aksara Jawa dengan 100
jenis motif, yang diperoleh melalui pengambilan gambar
manual. Proses preprocessing meliputi filtering, augmentasi,
dan pembagian dataset untuk pelatihan dan pengujian. Model
CNN dirancang menggunakan empat lapisan konvolusi dengan
jumlah neuron bertingkat dan pooling, sementara VGG16
memanfaatkan arsitektur bertingkat dengan 16 lapisan
konvolusi. Hasil menunjukkan bahwa VGG16 memiliki akurasi
pelatihan dan validasi tertinggi masing-masing sebesar 99,83%
dan 99,50%, mengungguli CNN yang mencapai akurasi
pelatihan 87,70% dan validasi 97,10%. Namun, CNN
menunjukkan potensi keandalan lebih tinggi dengan nilai loss
validasi lebih rendah. Penelitian ini menegaskan pentingnya
pemilihan arsitektur model dalam klasifikasi citra aksara Jawa
yang kompleks.
Kata kunci— Aksara Jawa, Augmentasi Data, Convolutional
Neural Network (CNN), Klasifikasi Citra; VGG-16