Naskah daun lontar Bali merupakan salah satu warisan budaya tertulis yang menyimpan pengetahuan, keyakinan, dan ekspresi seni masyarakat sejak berabad-abad lalu. Namun, kondisi fisik lontar yang terbuat dari bahan organik membuatnya rentan terhadap kerusakan akibat usia, iklim tropis, hingga cara penyimpanan yang kurang tepat. Akibatnya, teks dan gambar pada lontar kerap memudar, tergores, bahkan tertutup noda yang mengganggu keterbacaan. Dalam era digital, upaya pelestarian naskah lontar tidak hanya mengandalkan konservasi fisik, tetapi juga teknologi analisis citra. Salah satu langkah penting adalah binarization, yaitu proses mengubah citra berwarna atau abu-abu menjadi hitam putih untuk memisahkan teks dari latar belakang. Proses ini sangat krusial karena menentukan sejauh mana teks kuno dapat dibaca, diolah, dan dikenali kembali secara digital.
Penelitian ini mencoba membandingkan sepuluh metode klasik binarisasi, seperti Otsu, Niblack, Sauvola, hingga ISODATA, dengan model modern berbasis deep learning, yakni U-Net ResNet34. Metode klasik biasanya menggunakan pendekatan perhitungan ambang nilai piksel secara global maupun lokal. Misalnya, Otsu bekerja dengan menentukan satu ambang optimal untuk memisahkan teks dan latar, sementara Sauvola menyesuaikan ambang secara adaptif di setiap area kecil gambar. Cara ini relatif sederhana dan cepat, tetapi sering gagal saat berhadapan dengan naskah yang penuh noda, tinta yang tembus, atau goresan halus yang samar. Di sisi lain, pendekatan U-Net ResNet34 mengandalkan kecerdasan buatan untuk “belajar” langsung dari data naskah yang sudah dianotasi, sehingga mampu mengenali pola kompleks yang sulit ditangkap metode tradisional.
Dalam eksperimen, peneliti menggunakan dua dataset utama: Lontar Terumbalan dari Perpustakaan Nasional Indonesia dan AMADI Lontarset. Kedua dataset ini merepresentasikan beragam tantangan visual, mulai dari tinta yang pudar, serat daun yang mengganggu, hingga pencahayaan yang tidak merata saat proses digitalisasi. Hasil penelitian menunjukkan bahwa metode U-Net ResNet34 secara konsisten unggul dibanding metode klasik. Model ini berhasil mencapai nilai Dice score hingga 0.986, akurasi 0.983, dan Structural Similarity Index (SSIM) 0.938, jauh lebih tinggi dibandingkan metode terbaik dari kelompok klasik, yaitu ISODATA, yang hanya meraih Dice score 0.957. Dengan kata lain, kecerdasan buatan tidak hanya mampu membersihkan teks dari gangguan latar, tetapi juga menjaga bentuk huruf agar tetap utuh dan mudah dikenali.
Keunggulan metode deep learning ini sangat terasa terutama pada bagian naskah yang rusak parah. Jika metode klasik cenderung menghasilkan teks yang terputus-putus atau malah kehilangan detail penting, U-Net ResNet34 mampu merekonstruksi goresan halus sehingga teks tetap terbaca. Hal ini tentu membuka peluang besar dalam bidang filologi dan ilmu perpustakaan, karena peneliti tidak lagi harus berhadapan dengan teks samar yang sulit diinterpretasikan. Selain itu, hasil binarisasi berkualitas tinggi juga mendukung tahap lanjutan seperti pengenalan karakter otomatis (OCR) dan klasifikasi gaya tulisan. Dengan demikian, penelitian ini tidak hanya berfokus pada aspek teknis, tetapi juga menyentuh dimensi pelestarian budaya, yakni membantu masyarakat dan akademisi mengakses kembali warisan intelektual leluhur secara lebih jelas.
Meski demikian, penelitian ini juga menekankan bahwa metode klasik belum sepenuhnya ditinggalkan. Teknik sederhana seperti Niblack atau Sauvola tetap berguna, terutama ketika sumber daya komputasi terbatas atau ketika dibutuhkan hasil cepat untuk tahap awal. Namun, jika tujuannya adalah menghasilkan representasi digital terbaik dari naskah berusia ratusan tahun, pendekatan berbasis deep learning terbukti lebih unggul. Temuan ini menjadi fondasi penting bagi penelitian berikutnya, seperti rekonstruksi teks yang hilang, analisis gaya tulisan, hingga penanggalan naskah berdasarkan pola degradasi. Dengan kombinasi antara tradisi dan teknologi, penelitian ini menunjukkan bahwa pelestarian warisan budaya tidak lagi sekadar menjaga fisiknya, melainkan juga menghidupkan kembali pengetahuan di dalamnya untuk generasi mendatang.
Penulis: Imam Yuadi, S.Sos., M.MT., Ph.D.
Informasi detail terkait artikel ini dapat dilihat pada: https://www.mdpi.com/2571-9408/8/8/337
