Research Project ini bertujuan untuk mengembangkan sistem rekognisi tulisan tangan aksara kawi, jawa, sunda, bali, lampung, pallawa, batak toba, arab melayu, lontara menggunakan metode deep learning. Penerapan beberapa arsitektur deep learning yang populer seperti Faster R-CNN, Inception ResNet, MobileNet, dan EfficientNet akan dianalisis untuk membandingkan performa masing-masing model dalam mengenali aksara-aksara tersebut. Terdapat tiga poin penting yang menjadi arah dan luaran dari penelitian ini dalam beberapa tahun ke depan. Pertama, penelitian ini akan berfokus pada pengembangan dataset besar dan terpusat untuk aksara Nusantara. Dataset yang komprehensif dan representatif akan digunakan dalam pelatihan dan pengujian model untuk meningkatkan akurasi dan generalisasi. Kedua, berdasarkan hasil penelitian, akan dikembangkan aplikasi yang dapat dimanfaatkan dalam kebutuhan pendidikan. Aplikasi ini akan memudahkan pengguna dalam memahami dan mempelajari aksara-aksara daerah di Indonesia melalui fitur pengenalan tulisan tangan yang interaktif dan edukatif. Ketiga, penelitian ini juga akan mengarah pada pengembangan model besar (large-scale) untuk Optical Character Recognition (OCR) aksara daerah di Indonesia. Model ini akan memiliki kemampuan untuk mengenali berbagai variasi dan gaya tulisan tangan aksara nusantara dengan akurasi yang tinggi. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem rekognisi tulisan tangan untuk aksara Nusantara. Dengan memanfaatkan metode deep learning dan analisis arsitektur yang populer, sistem yang dihasilkan diharapkan dapat meningkatkan kemampuan teknologi dalam mengenali dan memahami tulisan tangan dari berbagai budaya di Indonesia, serta mendukung penggunaan aplikasi pendidikan yang interaktif dan efisien. Kata Kunci: rekognisi tulisan tangan, aksara musantara, deep learning, dataset besar, aplikasi pendidikan, OCR aksara daerah.