Identifikasi Motif Jepara pada Ukiran dengan Memanfaatkan Convolutional Neural Network

Abstract

Semakin berkembang motif ukiran, semakin beragam bentuk dan variasinya. Hal ini menyulitkan dalam menentukan suatu ukiran bermotif Jepara. Pada makalah ini, metode transfer learning dengan FC yang dikembangkan dimanfaatkan untuk mengidentifikasi motif khas Jepara pada suatu ukiran. Dataset dibedakan menjadi tiga color space, yaitu LUV, RGB, dan YcrCb. Selain itu, sliding window, non-max suppression, dan heat maps dimanfaatkan untuk proses penelusuran area objek ukiran dan pengidentifikasian motif Jepara. Hasil pengujian dari semua bobot menunjukkan bahwa Xception pada klasifikasi motif Jepara memiliki nilai akurasi tertinggi, yaitu 0,95, 0,95, dan 0,94 untuk masing-masing dataset color space LUV, RGB, dan YCrCb. Namun, ketika semua bobot model tersebut diterapkan pada sistem identifikasi motif Jepara, ResNet50 mampu mengungguli semua jaringan dengan nilai persentase identifikasi motif sebesar 84%, 79%, dan 80%, untuk masing-masing color space LUV, RGB, dan YCrCb. Hasil ini membuktikan bahwa sistem mampu membantu dalam proses menentukan suatu ukiran, termasuk ke dalam ukiran Jepara atau bukan, dengan mengidentifikasi motif-motif khas Jepara yang terdapat dalam ukiran.

Implementasi Arsitektur Xception Pada Model Machine Learning Klasifikasi Sampah Anorganik

“…Xtreme of Inception (Xception) adalah arsitektur Convolutional Neural Network yang menggunakan metode konvolusi yang dapat dipisahkan secara mendalam. Arsitektur ini merupakan hasil pengembangan dari arsitektur Inception yang memiliki 36 lapisan konvolusi yang menjadi dasar dari jaringan ekstraksi fitur [6].…”

Heavy-loaded Vehicles Detection Model Testing using Synthetic Dataset

“…The skip connection in Figure 2c shows input x to the resulting two-layer output F(x), so that the overall output is F(x) + x. The formula gives the intuition that this network has an unbroken gradient flow from the first layer to the last layer and is assigned a Rectified Linear Unit (ReLU) (Sandhopi et al, 2020). The purpose of skip connection is to handle missing gradient information and retain knowledge (Kaiming, 2016), (Talo, 2019).…”

Herbify: Aplikasi Perangkat Bergerak Berbasis Komputasi Awan Untuk Mengidentifikasi Tanaman Herbal Indonesia Menggunakan Cnn Model Xception

“…Untuk mengidentifikasi obyek dalam gambar diperlukan adanya algoritma atau metode untuk mengenali obyek di dalam gambar (image recognition). Metode Convolutional Neural Network (CNN) terbukti memiliki tingkat akurasi yang paling baik (state-of-the-art) dibandingkan beberapa metode lain (Sandhopi, Lukman Zaman P.C.S.W and Yosi Kristian, 2020). Metode CNN merupakan pengembangan dari Artificial Neural Network (ANN) (Pangestu and Bunyamin, 2018) dan sampai saat ini masih menjadi metode yang banyak dibahas pada penelitian image recognition (Prasetyo et al, 2021).…”

“…Metode CNN merupakan pengembangan dari Artificial Neural Network (ANN) (Pangestu and Bunyamin, 2018) dan sampai saat ini masih menjadi metode yang banyak dibahas pada penelitian image recognition (Prasetyo et al, 2021). Dalam metode CNN terdapat beberapa model seperti Resnet, Inception, dan Xception (Sandhopi, Lukman Zaman P.C.S.W and Yosi Kristian, 2020). Pada penelitian (Sandhopi, Lukman Zaman P.C.S.W and Yosi Kristian, 2020) metode CNN dengan model Xception memiliki hasil pengujian paling baik untuk mengklasifikasikan objek ukiran dan motif batik.…”

“…Dalam metode CNN terdapat beberapa model seperti Resnet, Inception, dan Xception (Sandhopi, Lukman Zaman P.C.S.W and Yosi Kristian, 2020). Pada penelitian (Sandhopi, Lukman Zaman P.C.S.W and Yosi Kristian, 2020) metode CNN dengan model Xception memiliki hasil pengujian paling baik untuk mengklasifikasikan objek ukiran dan motif batik. Sedangkan pada penelitian (Pangestu and Bunyamin, 2018) model Xception memiliki tingkat akurasi terbaik yakni 98,7% untuk mengenali anjing pada gambar.…”