Pengembangan Model Klasifikasi Teks Berbasis CNN untuk Deteksi Wuku Kurantil

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi teks berbasis Convolutional Neural Network (CNN) untuk mendeteksi keterkaitan kalimat dalam bahasa Jawa dengan Wuku Kurantil, bagian dari sistem kalender tradisional Pawukon yang terekam dalam naskah Primbon. Permasalahan utama yang diangkat adalah minimnya pemahaman generasi muda terhadap sistem penanggalan tradisional akibat keterbatasan akses dan format digitalisasi konten budaya lokal. Penelitian menggunakan pendekatan CDIO (Conceive, Design, Implement, Operate) untuk membangun sistem klasifikasi otomatis. Data diperoleh dari situs sastra.org, kemudian diproses melalui tahapan pembersihan data, normalisasi, dan penghapusan stopwords, diikuti vektorisasi menggunakan Word2Vec. Arsitektur CNN dirancang dengan parameter optimal dan dilatih menggunakan train-test split (80:20). Hasil evaluasi model menunjukkan akurasi sebesar 80%, dengan precision dan recall yang tinggi pada kelas mayoritas (bukan Wuku Kurantil), namun nihil pada kelas minoritas (Wuku Kurantil), mengindikasikan adanya ketimpangan kinerja akibat distribusi data yang tidak seimbang. Untuk mengatasi hal tersebut, direkomendasikan penerapan oversampling, class weighting, atau penggunaan algoritma yang lebih adaptif seperti Random Forest atau ensemble models. Meskipun demikian, model yang dikembangkan telah mampu menunjukkan potensi dalam digitalisasi budaya berbasis teks Jawa. Studi ini memberikan kontribusi terhadap pelestarian warisan budaya lokal melalui pemanfaatan teknologi NLP, serta membuka peluang pengembangan lebih lanjut di bidang digital humanities dan linguistik komputasional.