Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Maulana, Muhammad Rizqon
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Deteksi Teks Manuskrip Kuno Serat Napoleon Menggunakan Detection Transformer (DETR) melalui Pendekatan Grid-Inference dan Variasi Arsitektur Backbone Maulana, Muhammad Rizqon; Yudistira, Novanto; Ridok, Achmad
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Preservasi manuskrip kuno seperti Serat Napoleon merupakan langkah krusial dalam menjaga warisan budaya Indonesia. Upaya digitalisasi menjadi standar utama dalam pelestarian informasi tekstual manuskrip kuno karena warisan ini menghadapi ancaman degradasi fisik serius akibat usia, kelembapan lingkungan tropis, dan serangan organisme perusak, yang berpotensi menghilangkan catatan sejarah secara permanen. Namun, proses digitalisasi yang dilakukan secara manual melalui transkripsi langsung, meskipun akurat, terbukti tidak efisien karena membutuhkan waktu yang lama dan keterlibatan tenaga ahli yang besar. Oleh karena itu, deteksi teks otomatis diperlukan sebagai solusi untuk mempercepat proses digitalisasi dalam skala besar. Tantangan utama dalam deteksi otomatis Serat Napoleon ini adalah visual yang kompleks serta densitas diakritik (sandhangan) yang sangat tinggi. Penelitian ini mengimplementasikan model Detection Transformer (DETR) dengan strategi Grid-Inference untuk mengatasi kendala citra resolusi tinggi pada manuskrip tersebut. Pengujian dilakukan menggunakan tiga variasi arsitektur backbone yaitu ResNet-50, EfficientNet-B0, dan ConvNeXt-Tiny pada dataset 3.629 citra. Hasil penelitian menunjukkan bahwa strategi Grid-Inference terbukti krusial, tanpa metode ini, model gagal mendeteksi objek (mAP = 0) pada citra resolusi tinggi. Arsitektur ConvNeXt-Tiny memberikan performa terbaik dengan nilai mAP@50-95 sebesar 0,519 dan mAP@75 sebesar 0,547. Kombinasi DETR dan Grid-Inference terbukti efektif dalam meningkatkan efisiensi otomatisasi digitalisasi manuskrip kuno yang kompleks
Co-Authors Achmad Ridok Novanto Yudistira