Pembuatan Dataset Terintegrasi Jawi-Rumi untuk Evaluasi Kualitas dan Akurasi Multi-Model (OCR dan Transliterasi)

Arab-Jawi merupakan warisan aksara Nusantara hasil adaptasi tulisan Arab yang berperan penting dalam penyebaran ilmu agama, hukum, dan sastra Melayu-Islam, namun ketersediaan dataset Arab-Jawi hingga kini masih terbatas dari segi jumlah, keragaman, dan aksesibilitas publik. Penelitian ini bertujuan membangun dataset terintegrasi Jawi-Rumi yang representatif dan terdokumentasi dengan baik, serta menguji validitas, konsistensi, dan keandalannya melalui skema 10-fold cross-validation berbasis GroupKFold. Dataset dibangun melalui dua jalur, yaitu data autentik dari kitab Arab-Jawi fisik dan digital melalui segmentasi layout, koreksi bounding box, dan anotasi manual, serta data sintetik hasil crawling artikel keagamaan yang dirender menjadi citra dengan delapan jenis augmentasi, menghasilkan data gambar-teks data autentik dan data sintetik). Pengujian reliabilitas menggunakan model TrOCR (microsoft/trocr-base-handwritten) menunjukkan performa stabil pada seluruh fold, dengan rata-rata CER dan WER pada data autentik sebesar 16,35% dan 51,70% (standar deviasi 0,94% dan 1,65%), serta pada data sintetik sebesar 0,10% dan 0,45% (standar deviasi 0,01% dan 0,05%). Perbandingan lintas arsitektur dengan Qwen2.5-VL-3B-Instruct (QLoRA) menghasilkan selisih CER dan WER tidak lebih dari 3%, membuktikan kualitas dataset bersifat objektif dan tidak bias terhadap model tertentu. Dataset Jawi-Rumi yang dibangun terbukti valid, konsisten, dan layak dijadikan fondasi bagi pengembangan sistem OCR dan transliterasi Arab-Jawi yang lebih akurat di masa mendatang.