Pendeteksi Objek Huruf Lontara Untuk Literasi ke Teks Latin

Abstract

Kemajuan teknologi komputer telah mendorong inovasi dalam sistem pengenalan karakter otomatis, termasuk aksara Lontara’. Penelitian ini bertujuan mengevaluasi efektivitas algoritma deteksi objek YOLOv8 dalam mengenali dan mengklasifikasikan karakter aksara Lontara’ dengan akurasi tinggi. Studi dilakukan di Universitas Muhammadiyah Makassar menggunakan metode eksperimen berbasis pembelajaran mesin. Dataset yang digunakan terdiri dari gambar digital karakter Lontara’ yang telah diberi label secara manual. Data dibagi menjadi tiga bagian: 70% untuk pelatihan, 20% untuk validasi, dan 10% untuk pengujian model. Hasil evaluasi menunjukkan kinerja model sangat optimal, dengan akurasi sebesar 98,2%, presisi 98,1%, dan recall mencapai 100%. Capaian ini menandakan sistem memiliki efisiensi dan reliabilitas tinggi dalam mengenali serta mengklasifikasikan karakter aksara Lontara’ dalam berbagai kondisi visual. Temuan ini mendukung potensi implementasi model dalam dunia nyata. Sebagai pengembangan lebih lanjut, disarankan untuk memperluas variasi dataset agar model lebih mampu melakukan generalisasi. Selain itu, eksplorasi algoritma yang lebih modern atau pendekatan hibrida dengan teknik deep learning lain dapat meningkatkan kinerja dan ketahanan sistem terhadap situasi operasional yang kompleks.

KATA KUNCI
Pengenalan Aksara Lontara’, YOLOv8, Deep Learning, Literasi.

ABSTRACT: 
Rapid advancements in computer technology have driven innovation in automatic character recognition systems, including for the Lontara script. This study aims to evaluate the effectiveness of the YOLOv8 object detection algorithm in accurately recognizing and classifying Lontara characters. The research was conducted at Universitas Muhammadiyah Makassar using an experimental method based on machine learning. The dataset consisted of digital images of Lontara characters, which were manually labeled. The data was divided into three subsets: 70% for training, 20% for validation, and 10% for testing the model. The evaluation results showed that the model performed very well, achieving an accuracy of 98.2%, a precision of 98.1%, and a perfect recall of 100%. These results demonstrate the system’s high efficiency and reliability in recognizing and classifying Lontara characters under various visual conditions. The findings support the model's feasibility for real-world implementation. For future research, it is recommended to increase dataset diversity by involving more participants and image sources to enhance generalization capabilities. Additionally, exploring more advanced algorithms or hybrid approaches that combine multiple deep learning techniques may further improve the system’s performance and robustness in more complex operational scenarios.
Keywords:
Lontara Script Recognition, YOLOv8, Deep Learning, Literacy