Dayang Aisyah, Muhammad Faisal, Lukman Anas, Abd Rakhim Nanda, Syadiah Nor Wan Shamsuddin, Muhammad Syafaat S. Kuba

Optimasi Kinerja Arsitektur CNN Ringan Menggunakan Pendekatan Bayesian untuk Identifikasi Skrip Bima

Introduction

Optimasi kinerja arsitektur cnn ringan menggunakan pendekatan bayesian untuk identifikasi skrip bima. Optimasi CNN ringan dengan Bayesian untuk identifikasi akurat aksara Bima (skrip daerah), mencapai 93,06% akurasi. Efisien untuk pelestarian budaya digital dan OCR.

Abstract

Identifikasi aksara daerah penting untuk mendukung pelestarian budaya digital, namun masih terkendala keterbatasan dataset, kemiripan karakter, dan kebutuhan model yang efisien. Penelitian ini mengoptimasi arsitektur Lightweight CNN menggunakan Bayesian Optimization untuk identifikasi aksara Bima. Dataset terdiri atas 6.190 citra aksara Bima dalam 44 kelas, mencakup aksara Bima baru dan lama. Model menggunakan MobileNetV3-Large sebagai backbone dengan optimasi learning rate, dropout, batch size, dan konfigurasi fine-tuning melalui Tree-structured Parzen Estimator. Hasil eksperimen menunjukkan accuracy 93,06%, precision 92,26%, recall 92,55%, dan F1-score 91,91%, lebih unggul dibanding machine learning tradisional, CNN konvensional, dan beberapa CNN ringan modern. Target accuracy 90% dicapai pada trial keempat. Dengan 3.253.676 parameter dan waktu inferensi 63,35 ms per citra, model ini terbukti akurat, efisien, dan berpotensi diterapkan pada digitalisasi manuskrip serta OCR aksara daerah.

Full Text

Comments

You need to be logged in to post a comment.