Pengembangan Aplikasi Mobile Berbasis Flutter untuk Translitrasi Aksara Jawa ke Aksara Latin Menggunakan Metode Deep Learning Model Faster R-CNN

Adhitya Bayu Pangestu, Dr. Warsun Najib, S.T, M.Sc. ; Dani Adhipta, S.Si., M.T.

2025 | Skripsi | TEKNOLOGI INFORMASI

Penelitian ini mengusung pendekatan kecerdasan buatan, khususnya deep learning sebagai solusi inovatif untuk mendeteksi dan mempelajari Aksara Jawa secara efisien. Pendekatan ini dilatarbelakangi oleh urgensi dalam melestarikan Aksara Jawa yang meskipun masih memiliki jumlah penutur yang cukup besar, namun menghadapi penurunan minat di era modern. Dua metode deteksi objek yang diuji adalah Faster Region-based Convolutional Neural Network (Faster R-CNN) dengan mekanisme two-stage detector dan YOLOv11 yang menerapkan one-stage detector. Dataset yang digunakan berskala terbatas, terdiri dari 604 citra dengan total 7496 anotasi, mencakup Aksara Carakan, Pasangan, Sandhangan, dan Aksara Swara, yang akan dioptimalkan untuk keperluan deteksi objek.

Hasil evaluasi menunjukkan bahwa Faster R-CNN memiliki akurasi lebih tinggi dan stabil, terutama pada objek berukuran kecil atau dengan kemiripan visual tinggi. Hasil akhir merangkum metrik utama untuk tiga model Faster R-CNN yang telah dilatih, dengan mAP@0.5 berkisar dari 0,9748 hingga 0,9804. Model terbaik di antara ketiganya meraih mAP@0.5 sebesar 0,9804 dan mAP@0.75 sebesar 0,9483. Walaupun kecepatan inferensinya lebih rendah (sekitar 13–14 gambar per detik), akurasi tersebut relevan bagi skenario yang menuntut ketepatan maksimal. Di sisi lain, YOLOv11 menawarkan kecepatan inferensi lebih tinggi (sekitar 20–23 gambar per detik), walaupun sedikit tertinggal dari segi akurasi. Meskipun demikian, YOLOv11 tetap andal untuk kebutuhan yang menuntut kecepatan dan penundaan waktu hasil yang rendah.

Untuk mengoptimalkan pemanfaatan model deteksi objek, penelitian ini mengembangkan aplikasi mobile berbasis Flutter dalam dua platform utama, Android dan iOS sebagai media implementasi yang berkomunikasi dengan peladen Flask melalui protokol HTTP yang lebih efisien dalam tahap pengembangan. Aplikasi tersebut menampilkan hasil deteksi aksara secara interaktif, serta membantu pengguna menyusun dan mempelajari kata dalam Aksara Jawa. Dengan demikian, pemilihan model sangat bergantung pada prioritas pengguna: apabila akurasi tinggi yang diutamakan, Faster R-CNN menjadi pilihan tepat, sedangkan untuk kecepatan dan efisiensi komputasi YOLOv11 akan lebih diunggulkan. Solusi ini diharapkan dapat mendukung digitalisasi dan pelestarian Aksara Jawa, serta meningkatkan kesadaran masyarakat akan pentingnya aksara ini dalam konteks budaya dan sejarah.

This research adopts an artificial intelligence approach, specifically deep learning, as an innovative solution for the efficient detection and study of Javanese script. The motivation stems from the urgent need to preserve the Javanese script, which, despite having a relatively large number of speakers, faces declining interest in the modern era. Two object detection methods were evaluated: the Faster Region-based Convolutional Neural Network (Faster R-CNN) employing a two-stage detector mechanism, and YOLOv11 implementing a one-stage detector. The dataset utilized is relatively limited in scale, consisting of 604 images with a total of 7,496 annotations, encompassing Carakan characters, Pasangan, Sandhangan, and Swara characters, optimized for object detection tasks.

Evaluation results indicate that Faster R-CNN achieves higher and more stable accuracy, particularly for small objects or those with high visual similarity. The final results summarize the key metrics for three trained Faster R-CNN models, with mAP@0.5 ranging from 0.9748 to 0.9804. The best-performing model attained an mAP@0.5 of 0.9804 and mAP@0.75 of 0.9483. Although its inference speed is relatively lower (approximately 13–14 frames per second), this accuracy level is pertinent for scenarios that demand maximal precision. Conversely, YOLOv11 offers higher inference speed (approximately 20–23 frames per second) with a slight trade-off in accuracy. Nonetheless, YOLOv11 remains reliable for applications prioritizing speed and low latency.

To optimize the deployment of the object detection models, this study developed a mobile application based on Flutter for both Android and iOS platforms. The application interfaces with a Flask server via the HTTP protocol, chosen for its efficiency during development phases. The app provides interactive display of detected Javanese characters and assists users in composing and learning words written in the Javanese script. Consequently, the model selection depends on user priorities: Faster R-CNN is preferable when high accuracy is essential, while YOLOv11 is advantageous for speed and computational efficiency. This solution aims to support the digitalization and preservation of the Javanese script, as well as enhance public awareness regarding its cultural and historical significance.

Kata Kunci : Aksara Jawa, Deteksi Objek, Faster R-CNN, YOLOv11, Flutter