Klasifikasi Aksara Batak Toba Lengkap Tulisan Tangan Menggunakan Transfer Learning EfficientNet B0

Abstract

Aksara Batak Toba merupakan salah satu warisan budaya Indonesia yang eksistensinya semakin menurun seiring perkembangan zaman, sehingga upaya pelestarian melalui digitalisasi menjadi krusial. Penelitian sebelumnya telah berhasil mengenali karakter dasar (Ina Ni Surat) tulisan tangan digital dengan akurasi tinggi, namun belum mencakup pengenalan aksara secara lengkap, termasuk tanda diakritik (Anak Ni Surat) yang berfungsi mengubah bunyi vokal. Tantangan utama dalam pengenalan aksara lengkap adalah variasi bentuk tulisan tangan yang tinggi dan kompleksitas visual dalam membedakan diakritik yang kecil. . Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model pengenalan pola yang robust untuk klasifikasi Aksara Batak Toba secara lengkap (karakter dasar dan diakritik) dari citra tulisan tangan. Strategi yang diusulkan adalah implementasi metode Transfer Learning menggunakan arsitektur EfficientNet B0 yang dilatih ulang (fine-tuning) dengan bobot pre-trained ImageNet. Model EfficientNet B0 dipilih karena efisiensinya dalam memaksimalkan akurasi sekaligus meminimalkan parameter. Sebuah dataset baru yang mencakup 19 Ina Ni Surat dan 7 Anak Ni Surat serta kombinasinya dikumpulkan dan diproses melalui tahap grayscale, deteksi tepi Canny, dan resizing. Hasil penelitian menunjukkan bahwa model EfficientNet B0 yang disetel memiliki kinerja superior dalam mengklasifikasikan aksara lengkap dibandingkan model Deep CNN sederhana yang dikembangkan dari awal. Model yang diusulkan berhasil mencapai akurasi klasifikasi sebesar 99% pada data pengujian, membuktikan bahwa pendekatan Transfer Learning sangat efektif untuk mengatasi keragaman visual karakter berdiakritik. Kesimpulannya, model ini memberikan kontribusi signifikan dalam upaya digitalisasi dan pelestarian Aksara Batak Toba, serta dapat dikembangkan lebih lanjut menjadi sistem transkripsi yang utuh.