Transliterasi Aksara Jawoe-Latin Menggunakan Arsitektur Convolutional Recurrent Neural Network

Penelitian ini bertujuan mengembangkan sistem transliterasi otomatis Aksara Jawoe ke alfabet Latin guna mendukung pelestarian manuskrip kuno Aceh yang kian rentan menjadi teks mati akibat minimnya kemampuan literasi pembacanya. Tantangan utama pada transliterasi aksara ini terletak pada karakteristik tulisannya yang bersifat kursif (bersambung), keberadaan ligatur yang kompleks, serta kemiripan visual antar karakter yang tinggi. Untuk mengatasi permasalahan tersebut, diusulkan arsitektur End-to-End Deep Learning berupa Convolutional Recurrent Neural Network (CRNN) yang mengintegrasikan Dilated Convolutional Neural Network (D-CNN) dan Bidirectional Long Short-Term Memory (Bi LSTM). Metode D-CNN berfungsi sebagai ekstraktor fitur visual yang mampu mempertahankan detail halus seperti titik dan harakat tanpa kehilangan resolusi, sementara Bi-LSTM digunakan untuk mempelajari ketergantungan urutan karakter dari dua arah secara simultan. Sistem ini beroperasi secara otomatis tanpa pemotongan batas huruf manual (segmentation-free) menggunakan fungsi Connectionist Temporal Classification (CTC) yang diuji pada 2.000 citra kata digital berbasis naskah Hikayat Akhbarul Karim. Hasil evaluasi performa model menunjukkan tingkat keandalan yang sangat tinggi dengan Character Error Rate (CER) sebesar 1,17% dan Word Error Rate (WER) sebesar 4,75%. Hal ini membuktikan bahwa integrasi model tersebut sangat tangguh dalam memecahkan ambiguitas visual pada aksara bersambung, sehingga layak diterapkan untuk mempercepat proses digitalisasi warisan sejarah Nusantara secara efisien.