PERBANDINGAN AKURASI VGG 16 DAN MOBILENETV2 DALAM KLASIFIKASI PENGENALAN TEKS AKSARA LONTARA TULIS TANGAN

M Noor Tasiur Ridha, Maria Ulfah Siregar

Abstract


Aksara Lontara merupakan sistem tulisan tradisional yang kaya akan sejarah dan budaya masyarakat Bugis-Makassar, kini menghadapi tantangan besar. Beberapa faktor yang mengancam kelestariannya antara lain keterbatasan sumber daya untuk pembelajaran, serta semakin langkanya penggunaan aksara ini dalam kehidupan sehari-hari. Hal ini membuat banyak orang mengalami kesulitan dalam mengenali tulisan Aksara Lontara. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi pengenalan aksara Lontara tulisan tangan menggunakan dua arsitektur Convolutional Neural Networks (CNN) VGG16 dan MobileNetV2. Dataset yang digunakan terdiri dari 4.140 citra Aksara Lontara tulis tangan yang didapatkan dari siswa SMPN 11 Sinjai Borong. Kemudian diproses dengan teknik pra-pemrosesan termasuk normalisasi ukuran, konversi ke grayscale, dan binarisasi untuk meningkatkan kualitas dataset. Proses augmentasi data, yang mencakup rotasi, translasi, dan zoom, digunakan untuk memperkaya variasi tulisan tangan. Hasil eksperimen menunjukkan bahwa MobileNetV2 mencapai akurasi tertinggi 97,91%, sedikit lebih tinggi dibandingkan VGG16 yang memperoleh akurasi 97,26%. MobileNetV2 juga terbukti lebih efisien dalam hal komputasi, menjadikannya pilihan lebih baik untuk aplikasi dengan keterbatasan daya komputasi. Penelitian ini memberikan kontribusi signifikan terhadap pelestarian aksara Lontara dengan memanfaatkan teknologi deep learning untuk otomatisasi pengenalan Aksara Lontara, sekaligus membuka jalan bagi aplikasi praktis di bidang pendidikan dan digitalisasi warisan budaya.

Keywords


Aksara Lontara, Deep Learning, Convolutional Neural Network (CNN), VGG16, MobileNetV2, Klasifikasi.

Full Text:

PDF

References


A. A. Ahmad, “Melestarikan Budaya Tulis Nusantara: Kajian tentang Aksara Lontara,” J. Budaya Nusant., vol. 1, no. 2, pp. 148–153, Dec. 2014, doi: 10.36456/b.nusantara.vol1.no2.a416.

M. N. M, D. A. Sumilih, and S. Junaeda, “Pembudayaan Aksara Lontara ’ Dalam Literasi Masyarakat Lokal Makassar,” vol. 4, no. 2, pp. 1510–1523, 2025.

N. Moham, F. A. Dwiyanto, H. S. Pakpahan, and H. Jati, “Pengenalan Karakter Tulisan Menggunakan Metode Backpropagation Neural Network,” vol. 1, no. 2, pp. 14–22, 2019.

A. Kilawati and R. Yanti, “Aktualisasi Baca Tulis Aksara Lontara Melalui Aplikasi Bugis Keyboard Berbasis Android,” vol. 1, no. 1, pp. 50–55, 2021.

Y. Pernando, E. L. Febrianti, I. Syafrinal, Y. Roza, and U. F. Afifah, “Deep Learning for Faces on Orphanage Children Face Detection,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 9, no. 1, pp. 25–32, 2022.

F. P. Rachman, “Perbandingan Model Deep Learning untuk Klasifikasi Sentiment Analysis dengan Teknik Natural Languange Processing,” J. Teknol. dan Manaj. Inform., vol. 7, no. 2, pp. 113–121, Dec. 2021, doi: 10.26905/jtmi.v7i2.6506.

N. Rahman, F. F., & Pratiwi, “Identifikasi penyakit tumbuhan tomat dan anggur menggunakan cnn dengan arsitektur vgg-16,” vol. 10, no. 1, pp. 270–279, 2025.

M. Hadrawi et al., “KARAKTERISTIK AKSARA LONTARA DAN KAITANNYA DENGAN STRATEGI PEMBELAJARAN MEMBACA BERDASARKAN METODE SULO (Characteristics of Lontara Script and Its Relationship with Reading Learning Strategy Based on Sulo Method) Nuraidar Agus,” vol. 23, no. 2, pp. 287–297, 2017.

F. Saleh, A. Agussalim, N. A. M. Aras, and A. Vieriawan, “Karakter Lontara pada Aplikasi Online Sebagai Media Pembelajaran Interaktif Bagi Guru Muatan Lokal Bahasa Daerah di Kabupaten Maros,” pp. 79–89.

D. M. S. Arsa and A. A. N. H. Susila, “VGG16 in Batik Classification based on Random Forest,” Proc. 2019 Int. Conf. Inf. Manag. Technol. ICIMTech 2019, vol. 1, no. August, pp. 295–299, 2019, doi: 10.1109/ICIMTech.2019.8843844.

B. D. Setiawan and U. Athiyah, “Pengenalan Aksara Jawa Dengan Algoritma Convolutional Neural Network (CNN),” eProceedings Eng., vol. 12, no. 3, pp. 4547–4550, 2025.

E. Elfatimi, “Impact of datasets on the effectiveness of MobileNet for beans leaf disease detection,” vol. 4, pp. 1773–1789, 2024, doi: 10.1007/s00521-023-09187-4.

R. S. Arhinza, A. P. Sari, and F. A. Akbar, “Klasifikasi Citra Aksara Lontara menggunakan K-NN dan Ekstraksi Fitur HOG,” Gener. J., vol. 8, no. 2, pp. 101–110, 2024.

A. A. Handoko, M. A. Rosid, and U. Indahyanti, “Implementasi Convolutional Neural Network (CNN) Untuk Pengenalan Tulisan Tangan Aksara Bima,” SMATIKA J. STIKI Inform. J., vol. 14, no. 01, pp. 96–110, 2024.

M. T. Hidayat, F. Adiba, M. Yahya, D. D. Andayani, and A. B. Kaswar, “Enhanced Flood Detection on Highways: A Comparative Study of MobileNet and VGG16 CNN Models Based on CCTV Images,” ICSINTESA 2024 - 2024 4th Int. Conf. Sci. Inf. Technol. Smart Adm. Collab. Smart Technol. Good Gov. Sustain. Dev. Goals, pp. 125–130, 2024, doi: 10.1109/ICSINTESA62455.2024.10747897.

A. Solihin, D. I. Mulyana, and M. B. Yel, “Klasifikasi Jenis Alat Musik Tradisional Papua menggunakan Metode Transfer Learning dan Data Augmentasi,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 5, no. 2, pp. 36–44, 2022.

V. Wulandari, W. J. Sari, Z. H. Al-Sawaff, and S. Manickam, “Comparative Analysis of Weather Image Classification Using CNN Algorithm with InceptionV3, DenseNet169 and NASNetMobile Architecture Models,” Public Res. J. Eng. Data Technol. Comput. Sci., vol. 2, no. 2, pp. 81–92, 2025.

M. R. Saputra and A. D. Laksito, “Content Based VGG16 Image Extraction Recommendation,” vol. 5, no. 158, pp. 2–3, 2026.

Y. R. Fauzan, “KLASIFIKASI CITRA SATELIT WILAYAH GUNUNG SLAMET MENGGUNAKAN PENDEKATAN ENSEMBLE LEARNING CONVOLUTIONAL NEURAL NETWORK,” 2025, UIN SUNAN KALIJAGA YOGYAKARTA.

Handoko Adji Pangestu and Kusrini, “Peningkatan kinerja arsitektur ResNet50 untuk Menangani Masalah Overfitting dalam Klasifikasi Penyakit Kulit,” Tematik, vol. 11, no. 1, pp. 65–71, 2024, doi: 10.38204/tematik.v11i1.1876.

A. Cardova and A. Hermawan, “Implementasi Metode LSTM Untuk Mengklasifikasi Berita Palsu Pada PolitiFact,” vol. 13, no. 3, pp. 471–479, 2023.

A. Sabri, “Analisis Perbandingan Model Arsitektur Cnndalam Pendeteksian Coronavirusdiseasemenggunakan Citra X-Rayparu-Paru,” pp. 1–65, 2022, [Online]. Available: https://repository.ar-raniry.ac.id/id/eprint/27444/




DOI: https://doi.org/10.29100/jipi.v11i3.8329

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.