AI & Warisan Budaya Nusantara
Sebuah motif batik bukan hiasan acak. Ia punya tata bahasa.
Jalur pendukung. Porsinya lebih kecil daripada riset Sci-ML, tapi pertanyaannya bersaudara: bagaimana sebuah struktur yang sudah dikenali dipindahkan ke dalam model, dan apa yang tercecer di jalan.
Motif kain dan goresan aksara sama-sama membawa aturan yang tidak pernah dituliskan. Model bisa menirukan bentuknya; menangkap aturannya jauh lebih sulit, dan di situ pekerjaannya.
Percobaan awal style transfer pada batik menghasilkan sesuatu yang terlihat seperti batik dari kejauhan dan langsung runtuh begitu didekati. Justru kegagalan itu yang menarik. Yang luput ditangkap model bukan warna atau tekstur, melainkan aturan: pengulangan, simetri, cara satu unit ceplok bertemu tetangganya. Aturan yang dipegang pembatik tanpa pernah dituliskan.
Dari situ arahnya bergeser ke model generatif: variational autoencoder untuk membangkitkan motif, dengan pertanyaan yang lebih tajam di baliknya: apa sebenarnya yang tersimpan di ruang laten ketika sebuah tradisi dimampatkan menjadi beberapa ratus bilangan?
Cabang keduanya adalah aksara. Bersama mahasiswa, jalur ini menggarap pengenalan tulisan tangan aksara Sunda, Jawa, dan Bali, serta terjemahan mesin untuk bahasa Kaili. Ini kerja low-resource dalam arti yang sesungguhnya: datanya sedikit, penuturnya menua, dan hampir tidak ada tolok ukur yang bisa dipinjam dari literatur berbahasa Inggris. Justru karena itu pekerjaannya mendesak.
Batik generatif
Neural style transfer dan variational autoencoder untuk motif batik: mempelajari struktur berulang, bukan sekadar tekstur.
Pengenalan aksara Nusantara
Aksara Sunda, Jawa, dan Bali: CNN, transfer learning, Faster R-CNN, serta pengaruh praproses citra terhadap akurasi tulisan tangan.
NLP bahasa daerah
Terjemahan mesin Indonesia-Kaili dan pembangkitan soal dalam bahasa Indonesia: persoalan low-resource yang jarang disentuh.
Peta Riset, dan Tempat Anda di Dalamnya
Setiap arah besar punya versi yang bisa dikerjakan mahasiswa: proyek yang utuh dan realistis, sekaligus satu batu bata untuk program riset jangka panjang.
Model generatif untuk motif batik
Bisakah model belajar tata bahasa sebuah motif, bukan hanya penampakannya? Kerja style transfer dan VAE di jalur ini menunjukkan persis di mana batasnya berada.
Lanjutkan dari VAE ke arsitektur yang lebih kuat, seperti diffusion atau GAN dengan kendala simetri, atau rancang metrik evaluasi yang benar-benar mengukur keabsahan motif, bukan sekadar kemiripan piksel.
Pengenalan aksara & bahasa daerah
Seberapa jauh pengenalan aksara Nusantara bisa dibawa dengan data sesedikit ini? Aksara Sunda, Jawa, dan Bali sudah tergarap, dan masih banyak yang belum tersentuh.
Perluas ke aksara yang belum digarap, bangun dataset baru (kontribusi yang nilainya bertahan lama), atau uji apakah metode low-resource modern benar-benar menolong di sini.
Publikasi di Jalur Ini
Pilihan dari daftar lengkap di Google Scholar.
Initial study of batik generation using variational autoencoder
Model generatif yang berusaha menangkap tata bahasa motif batik, bukan sekadar penampakannya, sekaligus pertanyaan tentang apa yang tersimpan ketika sebuah tradisi dimampatkan menjadi beberapa ratus bilangan.
A study of batik style transfer using neural network
Percobaan style transfer yang justru berharga karena kegagalannya: memperlihatkan bahwa yang luput ditangkap model adalah aturan motif, bukan warna atau teksturnya.