Telset.id – Sebuah proyek digitalisasi buku-buku langka berbahasa Urdu yang digerakkan oleh tiga orang sahabat asal Pakistan harus berhenti setelah berjalan selama satu dekade. Proyek bernama Ibteda Digital Library ini telah menghasilkan lebih dari 526.000 foto halaman buku dari total 1,4 juta jepretan kamera, sebelum akhirnya dihentikan pada April 2026.
Ketiga sahabat tersebut memulai inisiatif ini sekitar tahun 2015 dengan tujuan melestarikan buku-buku yang sudah tidak dicetak lagi (out-of-print), termasuk banyak di antaranya berupa litograf kuno. Mereka mengerjakannya tanpa anggaran formal dan membeli semua buku menggunakan uang pribadi. Semangat awal mereka adalah kecintaan terhadap bahasa Urdu, tanpa dukungan dari pihak mana pun.
Perjalanan proyek ini tercatat melalui dua kamera Nikon: kamera D5300 yang telah mencapai 576.000 shutter count dan kamera D3300 dengan 326.000 shutter count. Dari total jepretan tersebut, dihasilkan 526.000 foto halaman ganda (dual-page photos) yang harus diproses lebih lanjut. Sayangnya, setelah satu dekade berjuang, tim harus mengakui keterbatasan dan menghentikan proyek ini.
Yang menarik, meskipun proyek ini berhenti, salah satu anggota tim berhasil mengembangkan proses machine-learning yang sangat presisi. Proses ini berpotensi membantu proyek-proyek serupa di seluruh dunia, terutama yang bergerak di bidang pelestarian dokumen dan buku langka.
Baca Juga:
Proses Digitalisasi yang Rumit dan Manual
Tim memulai upaya ini dengan peralatan yang sangat sederhana: satu kamera Nikon D5300, beberapa bola lampu LED, dan selembar kaca yang diambil dari mesin fotokopi untuk menekan buku agar tetap rata. Prosesnya sangat manual, tidak hanya dalam hal membalik halaman, tetapi juga dalam pemrosesan hasil foto menggunakan Photoshop dalam waktu yang sangat lama.
Mendapatkan salinan digital berkualitas arsip bukanlah perkara mudah. Dibutuhkan konsistensi margin, ukuran teks, orientasi, serta koreksi perspektif yang sama di seluruh buku. Yang lebih menantang, prosedur yang sama jarang bisa digunakan untuk lebih dari beberapa publikasi. Bahkan dua buku yang identik sekalipun bisa memiliki ketebalan berbeda, sehingga jarak antar halaman dan perspektifnya pun berbeda.
Tantangan terbesar datang dari karakteristik bahasa Urdu. Sebagian besar koleksi menggunakan aksara Nastaliq, bentuk tulisan Urdu yang mengalir dan elegan. Namun, aksara ini membuat setiap tata letak halaman hampir selalu unik. Koleksinya sendiri mencakup berbagai format, mulai dari buku cetak, litograf berusia berabad-abad, hingga catatan tulisan tangan.
Yang membuat proses semakin rumit, aksara Urdu menggunakan banyak titik, tanda diakritik, dan simbol kecil. Ini berarti noise fotografi, debu, dan noda harus bisa dibedakan secara visual dari tulisan asli. Setiap buku menjadi kasus tersendiri, dan litograf kuno biasanya dipenuhi catatan pinggir dalam jumlah besar.
Solusi Machine Learning untuk Otomatisasi
Memproses 526.000 foto secara manual jelas mustahil. Salah satu peneliti kemudian beralih ke otomatisasi menggunakan OpenCV. Namun, upaya pertama dengan metode computer-vision standar tidak berhasil karena aturan yang bekerja untuk satu set buku justru gagal untuk set buku berikutnya.
Peneliti tersebut kemudian menyadari bahwa mereka bisa menggunakan gambar yang sudah diproses secara manual sebagai korespondensi sumber/target. Dalam kata-katanya sendiri, “halaman yang sudah selesai menjadi label.” Dari sinilah lahir ide untuk menghitung homography fit dari file Photoshop dan menggunakannya untuk melatih jaringan saraf tiruan (neural network).
Tantangan pertama adalah mencocokkan batas crop. Ini sulit karena “cetakan Urdu yang padat mengulangi goresan, kata, batas, dan pola kolom,” sehingga tanda dari halaman tetangga bisa mengganggu pengukuran. Identifikasi area terlihat dan pemisahan gutter juga rumit karena adanya tabel dan bayangan gutter yang dalam. Kesalahan crop memerlukan proses khusus tersendiri, begitu juga dengan penghapusan noda.
Menariknya, peneliti menemukan bahwa menggunakan model yang lebih besar atau lebih banyak sampel pelatihan justru mengurangi akurasi hasil. Pilihan margin crop untuk setiap buku bersifat unik, ditentukan berdasarkan penilaian editor. Karena tidak memiliki pola yang jelas, menambahkan lebih banyak buku justru membuat pengenalan pola model semakin buruk.
Proses akhir tetap membutuhkan sepuluh crop kalibrasi untuk setiap buku baru. Meski demikian, jumlah ini masih cukup wajar untuk bisa memproses satu buku secara keseluruhan. Setelah selesai, buku-buku disimpan dalam ZFS pool dengan manifest BLAKE3.
Seluruh kisah dan detail teknis dijelaskan dalam blog post yang panjang. Sementara itu, koleksi indah tulisan Urdu dapat dilihat di halaman Ibteda Digital Library di Internet Archive. Proyek ini menjadi kontras dengan praktik perusahaan AI besar yang justru memindai buku langka dan menghancurkannya untuk melatih chatbot AI.
Komentar
Belum ada komentar.