Indonesia, sebagai negara terluas ke-14 dan memiliki pulau terbanyak ke-6 di dunia, juga dikenal sebagai negara dengan populasi terbanyak ke-4. Keberagaman multiras, multietnis, dan multikultural di Indonesia tercermin dalam budaya suku Dayak, terutama suku Dayak Iban di Kalimantan. Suku Dayak memiliki kekayaan budaya unik yang meliputi seni tradisional, bahasa, adat istiadat, dan kepercayaan. Salah satu aset budaya penting mereka adalah aksara Dayak Iban, yang sayangnya saat ini menghadapi risiko kepunahan karena jarang digunakan. Untuk melestarikannya, diperlukan proses pelestarian dan penerjemahan aksara Dayak Iban ke tulisan latin. Fokus utama penelitian adalah pada pengembangan sistem klasifikasi simbol-simbol aksara Dayak Iban dengan menggunakan teknologi canggih seperti Convolutional Neural Network (CNN) dan arsitektur DenseNet201 untuk meningkatkan akurasi terjemahan dan mendukung pelestarian aksara Dayak Iban. Penelitian ini menggunakan sebanyak 2736 dataset yang terbagi dalam 59 kategori class aksara Dayak Iban. Hasil penelitian menunjukkan tingkat akurasi optimal sebesar 96%, dicapai dengan menggunakan 32 batch dalam 60 epoch.

Indonesia, as the 14th largest country and home to the sixth most islands in the world, is also known as the fourth most populous nation. The diversity of multi-races, multi-ethnicities, and multi-cultures in Indonesia is reflected in the Dayak culture, particularly the Dayak Iban tribe in Kalimantan. The Dayak tribe possesses a unique cultural richness encompassing traditional arts, language, customs, and beliefs. One significant cultural asset they possess is the Dayak Iban script, which unfortunately is currently at risk of extinction due to its infrequent usage. To preserve it, a process of conservation and translation of the Dayak Iban script into Latin script is essential. The main focus of the research is on developing a classification system for the symbols of the Dayak Iban script using Convolutional Neural Network (CNN) and DenseNet201 architecture to enhance translation accuracy and support the preservation of the Dayak Iban script. The study employs a dataset consisting of 2736 dataset, categorized into 59 classes of Iban Dayak script.. The research findings reveal an optimal accuracy rate of 96%, achieved through the use of 32 batches over a span of 60 epochs.