Systematic literature review deep learning pada pengenalan aksara jawa untuk MobileNetV3-SVM
Keywords:
aksara jawa, convolutional neural network, deep learning, pengenalan karakter, systematic literature reviewAbstract
Aksara Jawa merupakan salah satu warisan budaya Indonesia yang keberadaannya semakin terancam akibat menurunnya penggunaan dalam kehidupan modern. Digitalisasi melalui teknologi pengolahan citra dan kecerdasan buatan menjadi solusi potensial untuk mendukung pelestarian aksara tradisional. Penelitian ini bertujuan untuk menganalisis secara sistematis penggunaan metode deep learning, khususnya Convolutional Neural Network (CNN), dalam pengenalan aksara Jawa guna memberikan dasar konseptual bagi pengembangan model hybrid MobileNetV3-SVM. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan mengidentifikasi, mengevaluasi, dan mensintesis artikel ilmiah yang relevan dari berbagai basis data akademik. Kriteria inklusi mencakup penelitian yang menggunakan CNN atau variannya untuk pengenalan aksara tradisional dan dipublikasikan dalam rentang tahun terbaru. Hasil kajian menunjukkan bahwa CNN mampu memberikan performa tinggi dalam klasifikasi karakter dengan akurasi yang umumnya berada di atas 90%, terutama ketika dikombinasikan dengan teknik transfer learning, data augmentation, atau arsitektur modern seperti DenseNet dan MobileNet. Namun demikian, beberapa tantangan masih ditemukan, seperti keterbatasan dataset, kompleksitas model, serta kebutuhan komputasi yang tinggi. Temuan ini mengindikasikan bahwa pemilihan arsitektur yang ringan namun tetap akurat menjadi faktor penting dalam pengembangan sistem pengenalan aksara. Oleh karena itu, penelitian ini merekomendasikan penggunaan pendekatan hybrid yang menggabungkan kemampuan ekstraksi fitur CNN dengan metode klasifikasi machine learning untuk meningkatkan efisiensi dan akurasi model. Hasil SLR ini diharapkan dapat menjadi landasan ilmiah bagi penelitian lanjutan dalam pengembangan sistem pengenalan aksara Jawa yang lebih optimal.
Downloads
References
Abdiansah, L., Sumarno, S., Eviyanti, A., & Azizah, N. L. (2025). Penerapan algoritma
convolutional neural networks untuk pengenalan tulisan tangan aksara Jawa. MALCOM:
Indonesian Journal of Machine Learning and Computer Science, 5(2).
https://doi.org/10.57152/malcom.v5i2.1814
Azizah, R. N., & Avianto, D. (2025). Implementasi convolutional neural network (CNN) untuk
klasifikasi pola tulisan tangan aksara Sunda. TIN: Terapan Informatika Nusantara, 6(7),
–1049. https://doi.org/10.47065/tin.v6i7.8703
Agrawal, Y., Balasubramanian, S., Meena, R., Alam, R., Malviya, H., & P. Rohini. (2024). Optical
Character Recognition using Convolutional Neural Networks for Ashokan Brahmi
Inscriptions. https://doi.org/10.48550/arXiv.2501.01981
Alom, M. Z., Hasan, M., Yakopcic, C., Taha, T. M., & Asari, V. K. (2018). Recurrent residual
convolutional neural network based on U-Net (R2U-Net) for medical image segmentation.
arXiv. https://arxiv.org/abs/1802.06955
Aneja, N., & Aneja, S. (2019). Transfer learning using CNN for handwritten Devanagari character
recognition. 2019 1st International Conference on Advances in Information Technology
(ICAIT), 293–296. https://doi.org/10.1109/ICAIT47043.2019.8987286
Anggara, W., et al. (2024). Implementasi CNN arsitektur MobileNetV2 untuk klasifikasi tulisan aksara
Jawa. https://proceeding.unpkediri.ac.id/index.php/stains/article/view/4316/3034
Arsa, D. M. S., Putri, G. A. A., Zen, R., & Bressan, S. (2020). Isolated handwritten Balinese
character recognition from palm leaf manuscripts with residual convolutional neural
networks. 10.1109/KSE50997.2020.9287584
Diyasa, I. G. S. M., Wijaya, P. A., & Via, Y. V. (2025). Balinese script handwriting recognition using
CNN and ELM hybrid algorithms. Jurnal Nasional Pendidikan Teknik Informatika
(JANAPATI), 14(1), 49–59. https://doi.org/10.23887/janapati.v14i1.87524
Ikhsan, I., & Mulyana, D. I. (2023). Optimizing the implementation of the YOLO and data algorithm
augmentation in Hanacaraka Javanese script language classification. Jurnal Sistem
Informasi dan Ilmu Komputer (JUSIKOM), 7(1), 8–16.
https://doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v7i1.4062
Imawati, I. A. P. F., Sudarma, M., Putra, I. K. G. D., Bayupati, I. P. A., & Jo, M. (2024). Training
VGG16, MobileNetV1 and Simple CNN Models from Scratch for Balinese Inscription
Recognition. https://doi.org/10.24843/lkjiti.2024.v15.i03.p01
Jonathan, A. (2023). Perancangan aplikasi pengenalan aksara Jawa digital menggunakan
convolutional neural network dan Computer Vision. https://doi.org/10.51454/decode.v3i2.209
Prasetiadi, A., Saputra, J., Kresna, I., & Ramadhanti, I. (2023). Deep learning approaches for
Nusantara scripts optical character recognition. IJCCS (Indonesian Journal of Computing and
Cybernetics Systems), 17(3), 325–336. https://doi.org/10.22146/ijccs.86302
Rasyidi, M. A., Bariyah, T., Riskajaya, Y. I., & Septyani, A. D. (2021). Classification of handwritten
Javanese script using random forest algorithm. Bulletin of Electrical Engineering and
Informatics, 10(3), 1308–1315. https://doi.org/10.11591/eei.v10i3.3036
Sari, C. A., Sari, W. S., Shelomita, V. A., Kusuma, M. R., Puspa, S. A., & Gusta, M. B. (2023). The
involvement of Local Binary Pattern to improve the accuracy of multi support vector-based
Javanese handwriting character recognition. Journal of Applied Intelligent System, 8(2), 206–215. https://doi.org/10.33633/jais.v8i2.8450
Sudewo, E. D. B., Biddinika, M. K., & Fadlil, A. (2024). DenseNet architecture for efficient and
accurate recognition of Javanese script Hanacaraka character. MATRIK: Jurnal Manajemen,
Teknik Informatika dan Rekayasa Komputer, 23(2), 453–464.
https://doi.org/10.30812/matrik.v23i2.3855
Susanto, A., Mulyono, I. U. W., Sari, C. A., Rachmawanto, E. H., Setiadi, D. I. M., & Sarker, M. K.
(2023). Improved Javanese script recognition using custom convolutional neural network
model. International Journal of Electrical and Computer Engineering, 13(6), 6629–6636.
