Deteksi Aksara Kawi Pada Prasasti Logam Menggunakan Deep Learning

Santoso, Rachmat (2021) Deteksi Aksara Kawi Pada Prasasti Logam Menggunakan Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
07111850050002-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2023.

Download (51MB) | Request a copy

Abstract

Prasasti merupakan sumber sejarah penting untuk mempelajari peristiwa masa lampau karena prasasti memuat informasi tentang waktu, kronologi peristiwa, nama-nama tokoh, dan alasan prasasti dibuat. Prasasti ditulis pada berbagai media seperti “lontar”, logam, dan batu. Sejak pertengahan abad ke-8 Masehi, pada zaman kerajaan di Indonesia, prasasti ditulis menggunakan Aksara Kawi. Dibandingkan dengan Aksara Carakan atau “hanacaraka”, menulis dan membaca Aksara Kawi lebih sulit untuk dilakukan mengingat bahwa Aksara Kawi memiliki bentuk yang lebih kompleks serta memiliki aturan khusus untuk pembacaan akasaranya. Hal ini membuat masyarakat sekarang kesulitan untuk membaca Aksara Kawi pada prasasti. Tanpa pengetahuan tentang Aksara Kawi maka akan sulit untuk mengetahui isi dari prasasti. Ditambah lagi, saat ini, pembacaan Aksara Kawi pada prasasti tidak selalu dapat dilakukan dengan mudah. Permasalahan pembacaan Aksara Kawi pada prasasti muncul ketika media yang digunakan mengalami gangguan, seperti bercak merah pada “lontar”, patina pada logam, dan pengikisan atau rusak pahatan pada batu. Padahal pada prasasti terkandung banyak pengetahuan sejarah yang sebenarnya masih relevan dengan keadaan saat ini. Oleh karena itu, permasalahan pembacaan Aksara Kawi pada prasasti harus menjadi perhatian khusus. Berdasarkan munculnya permasalahan pembacaan tersebut, penelitian ini melakukan deteksi Aksara Kawi menggunakan deep learning. Tujuannya adalah untuk membantu masyarakat serta mempermudah peneliti sejarah dalam membaca Aksara Kawi pada prasasti. Penelitian ini menggunakan YOLOv3-tiny, salah satu variasi dari YOLO object detection, sebuah network yang menggunakan algoritma deep learning untuk mendeteksi objek. Penelitian ini berfokus pada prasasti logam dengan patina. Prasasti yang digunakan sebagai dataset adalah Prasasti Warungahan. Dataset yang digunakan pada penelitian ini adalah 1518 gambar, yang merupakan hasil augmentasi data dari 69 gambar asli Prasasti Warungahan. Penelitian ini menggunakan 657 kelas. Model dari hasil training memperoleh mAP sebesar 97,17% (threshold=0,4). Kemudian model diujikan pada empat pengujian, yaitu UJI1, UJI2, UJI3, dan UJI4 dengan akurasi rata-rata masing-masing sebesar 97,75%, 95,99%, 96,5%, dan 95,98%. Semua pengujian menggunakan threshold=0,4. ====================================================================================================== Inscriptions are an important historical source for learning past events since inscriptions contain information about the time, chronology of events, names of figures, and the reason the inscriptions were made. Inscriptions are written in various media such as “lontar”, copper, and stone. Since the middle of the 8th century AD, in the kingdom era in Indonesia, inscriptions were written using Kawi character. Compared to the Carakan character or “hanacaraka”, writing and reading the Kawi character is more difficult to do considering that Kawi character has more complex shape as well as has particular rules for reading the characters. This makes it difficult for society to read the Kawi character on inscriptions. Without knowledge about Kawi character it will be difficult to know the contents of the inscriptions. In addition, nowadays, reading the Kawi chararter on the inscriptions can not always be done easily. The problem of reading Kawi character on inscriptions occurs when the media used is experiencing interference, such as red spots on “lontar”, patina on copper, and erosion or broken carvings on stone. Even tough the inscriptions contain a lot of historical knowledge which is actually still relevant to the current situation. Therefore, the problem of reading Kawi character on inscriptions must be a particular concern. Based on the emergence of these reading problems, this research performs Kawi character detection using deep learning. The aim is to make it easier for the society and historical researchers to read the Kawi character on the inscriptions. This research uses YOLOv3-tiny, a variation of YOLO object detection, a network that uses deep learning algorithms for object detection. This research focuses on copper inscriptions with patina. The inscription used as dataset is the Warungahan Inscription. The dataset used in this research was 1518 images, which are the result of data augmentation from 69 original images of the Warungahan Inscription. This research used 657 classes. Model from the training results obtained an MAP of 97,17% (threshold=0,4). Then the model was tested on four tests, namely UJI1, UJI2, UJI3, and UJI4 with an average accuracy of 97,75%, 95,99%, 96,5%, and 95,98%, respectively. The tests use a threshold=0,4.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Aksara Kawi, Prasasti Warungahan, Deep Learning, YOLOv3-tiny, Kawi character, Warungahan Inscription
Subjects: D History General and Old World > D History (General) > D051 Ancient History
R Medicine > R Medicine (General) > R858 Deep Learning
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User: Rachmat Santoso
Date Deposited: 26 Feb 2021 20:33
Last Modified: 26 Feb 2021 20:33
URI: https://repository.its.ac.id/id/eprint/82934

Actions (login required)

View Item View Item