Optimasi Kinerja Arsitektur CNN Ringan Menggunakan Pendekatan Bayesian untuk Identifikasi Skrip Bima

Dayang Aisyah (Informatika, Universitas Muhammadiyah Makassar, Makassar, Indonesia)
Muhammad Faisal (Informatika, Universitas Muhammadiyah Makassar, Makassar, Indonesia)
Lukman Anas (Informatika, Universitas Muhammadiyah Makassar, Makassar, Indonesia)
Abd Rakhim Nanda (Teknik Pengairan, Universitas Muhammadiyah Makassar, Makassar, Indonesia)
Syadiah Nor Wan Shamsuddin (Faculty of Informatics and Computing, Universiti Sultan Zainal Abidin, Terengganu, Malaysia)
Muhammad Syafaat S. Kuba (Teknik Pengairan, Universitas Muhammadiyah Makassar, Makassar, Indonesia)

Buletin Sistem Informasi dan Teknologi Islam
Vol 7, No 2 (2026)

Identifikasi aksara daerah penting untuk mendukung pelestarian budaya digital, namun masih terkendala keterbatasan dataset, kemiripan karakter, dan kebutuhan model yang efisien. Penelitian ini mengoptimasi arsitektur Lightweight CNN menggunakan Bayesian Optimization untuk identifikasi aksara Bima. Dataset terdiri atas 6.190 citra aksara Bima dalam 44 kelas, mencakup aksara Bima baru dan lama. Model menggunakan MobileNetV3-Large sebagai backbone dengan optimasi learning rate, dropout, batch size, dan konfigurasi fine-tuning melalui Tree-structured Parzen Estimator. Hasil eksperimen menunjukkan accuracy 93,06%, precision 92,26%, recall 92,55%, dan F1-score 91,91%, lebih unggul dibanding machine learning tradisional, CNN konvensional, dan beberapa CNN ringan modern. Target accuracy 90% dicapai pada trial keempat. Dengan 3.253.676 parameter dan waktu inferensi 63,35 ms per citra, model ini terbukti akurat, efisien, dan berpotensi diterapkan pada digitalisasi manuskrip serta OCR aksara daerah.