Perpustakaan Digital ITB

Naskah kuno merupakan warisan budaya yang sangat berharga namun rentan mengalami kerusakan akibat faktor usia, lingkungan, dan kondisi penyimpanan. Proses identifikasi kerusakan secara manual membutuhkan waktu 45-60 menit per naskah dan sangat bergantung pada keahlian konservator. Deteksi otomatis menggunakan segmentasi semantik dapat mempercepat proses preservasi dan memungkinkan penanganan koleksi dalam skala besar. Segmentasi semantik merupakan teknik berbasis kecerdasan buatan yang bekerja dengan mengklasifikasikan setiap piksel pada gambar ke dalam kategori kelas tertentu, sehingga sistem dapat mengenali lokasi serta bentuk kerusakan secara presisi. Penelitian ini bertujuan mengembangkan sistem identifikasi naskah kuno berbasis segmentasi semantik. Untuk mendapatkan model terbaik, penelitian ini membandingkan performa tiga arsitektur, yaitu SegFormer, U-Net, dan DeepLabV3+ dalam mendeteksi kerusakan pada naskah kuno Indonesia, serta mengidentifikasi faktor-faktor implementasi yang memengaruhi keberhasilan model. Penelitian menggunakan dataset mandiri dengan lima kelas, yaitu: background, fungi, foxing, noda, dan korosi tinta. Hasil penelitian menunjukkan bahwa arsitektur berbasis transformer (SegFormer) memiliki performa superior dibandingkan model berbasis CNN untuk segmentasi semantik manuskrip dengan ketergantungan spasial (spatial dependencies) kompleks dan jumlah dataset terbatas. Dari total 66 data uji, sistem mampu mengidentifikasi seluruh gambar dengan kelas yang benar. Sebanyak 33 gambar memiliki selisih piksel prediksi antara ground truth dan hasil prediksi di rentang toleransi yang dapat diterima, sehingga sistem tetap efektif dalam menyimpulkan kondisi naskah secara garis besar.