Klasifikasi Jenis Kelamin Berdasarkan Gambar Mata Menggunakan Algoritma Convolutional Neural Network (CNN)

Kartu Tanda Penduduk Elektronik (KTP-el) serves sebagai bukti identitas resmi bagi penduduk, diterbitkan oleh instansi pelaksana yang berlaku di seluruh wilayah Negara Kesatuan Republik Indonesia. Wajib dimiliki oleh warga Negara Indonesia (WNI) dan Warga Negara Asing (WNA) yang memegang Izin Tinggal Tetap (ITAP) dan berusia 17 tahun atau sudah menikah, e-KTP rentan terhadap potensi kerusakan, sering kali disebabkan oleh faktor-faktor seperti penggunaan berkepanjangan atau penanganan yang tidak benar. Kerusakan fisik pada e-KTP dapat menghambat kemampuan dokumen untuk melakukan verifikasi identitas secara akurat, dengan potensi dampak pada layanan publik dan administrasi pemerintahan. Penelitian ini bertujuan untuk menilai kondisi e-KTP, menentukan apakah kondisinya masih baik atau rusak. Studi ini menggunakan metode Convolutional Neural Network (CNN), yang dikenal karena hasil signifikannya dalam pengenalan gambar dengan mencoba meniru sistem pengenalan gambar di korteks visual manusia, memfasilitasi pemrosesan informasi gambar. Metode ini terdiri dari dua lapisan arsitektur: Feature Learning dan Classification. Dataset yang digunakan dalam penelitian ini terdiri dari gambar e-KTP yang berasal dari Dinas Kependudukan dan Pencatatan Sipil Kabupaten Bengkalis, sejumlah 400 gambar yang dibagi menjadi dua kelas: 200 untuk kondisi baik dan 200 untuk kondisi rusak. Temuan penelitian memungkinkan penentuan kondisi gambar e-KTP, mencapai tingkat akurasi 90%.

Section: Hasil Klasifikasiunclassified

Implementasi Convolutional Neural Netowork Untuk Klasifikasi Citra KTP-El

SATRIA,

Sumijan,

Billy Hendrik

2024

“…Tahap pertama adalah pelatihan, di mana algoritma klasifikasi membentuk classifier dengan menganalisis atau belajar dari sekumpulan data latih. Tahap kedua melibatkan penggunaan model yang telah dibuat untuk mengklasifikasikan data uji [3].…”

Section: Pendahuluanunclassified

Penerapan Convolutional Neural Network pada Klasifikasi Citra Pola Kain Tenun Melayu

Mukhlis Santoso,

Sarjon Defit,

Yuhandri

2024

Penggunaan media komputerisasi elektronik berkembang seiring dengan kemajuan perangkat keras dan perangkat lunak sebagai alat bantu analisis dengan berbagai algoritma dan metode untuk melakukan pengklasifikasian dan pengukuran objek dalam berbagai konteks. Kemajuan ini bertujuan untuk mengatasi kelemahan yang ada dalam metode konvensional yang digunakan dalam proses identifikasi. Proses identifikasi dapat diterapkan pada berbagai objek, salah satunya adalah objek citra. Citra adalah representasi visual dari suatu objek yang terbentuk melalui kombinasi warna RGB (red, green, blue). Komponen atau fitur warna RGB memiliki rentang nilai dari 0 hingga 255 pada sebuah citra Tenun merupakan jenis kain yang dibuat khusus dengan motif-motif yang khas. Motif tenun Melayu memiliki banyak keberagaman, keberagaman ini membuat sulit untuk dibedakan motif-motif kain tersebut.Penelitian ini bertujuan untuk mengenali dan membedakan pola kain Tenun Melayu. Metode yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN). Metode CNN memiliki beberapa tahapan yaitu Convolution Layer, Pooling Layer, Fungsi Rectifed Linier Unit (ReLU), Fully-Connected Layer, Transfer Learning, Optimizer dan Akurasi. Dataset yang digunakan dalam penelitian ini bersumber dari Tenun Putri Mas Bengkalis. Dataset yang digunakan terdiri dari 1000 gambar motif tenun yang terbagi menjadi 80% data training dan 20% data testing, dari dataset yang ada dibagi menjadi tiga kategori motif tenun yaitu pucuk rebung, siku awan dan siku keluang. Hasil pada penelitian ini dianggap baik karena menghasilkan akurasi dengan hasil sebesar 95 % dengan nilai epoch 15. Dari hasil akurasi yang cukup baik diharapkan dapat membantu masyarakat dalam mengenali motif tenun Melayu.

“…Confusion Matrix adalah pengujian yang dapat mencatat seberapa banyak benar dan salahnya hasil prediksi suatu algoritma dalam melakukan klasifikasi [13]. Confusion matrix menampilkan hasil prediksi terhadap 300 data uji pada penelitian ini yang diperlukan untuk menghitung nilai keempat metrics performa model.…”

Section: Confusion Matrixunclassified

Vision Transformer untuk Identifikasi 15 Variasi Citra Ikan Koi

Uthama,

Yuhandri,

Billy Hendrik

2024

Penelitian ini bertujuan untuk mengklasifikasikan berbagai jenis ikan koi dengan menggunakan Vision Transformer (ViT). Terdapat penelitian terdahulu [1] menggunakan Support Vector Machine (SVM) sebagai classifier untuk mengidentifikasi 15 jenis ikan koi dengan dataset pelatihan dan pengujian masing-masing berjumlah 1200 dan 300 gambar. Penelitian tersebut dilanjutkan oleh penelitian [2] yang mengimplementasikan Convolutional Neural Network (CNN) sebagai classifier untuk mengidentifikasi 15 jenis ikan koi dengan dataset yang berjumlah sama. Sebagai hasilnya penelitian tersebut mencapai tingkat akurasi 84% klasifikasi. Meskipun akurasi yang diperoleh dari penggunaan CNN cukup tinggi, masih ada ruang untuk peningkatan dalam akurasi klasifikasi. Mengatasi kendala seperti batasan dalam akurasi klasifikasi pada penelitian sebelumnya dan eksplorasi lebih lanjut terhadap penggunaan algoritma dan teknik baru, penelitian ini mengusulkan arsitektur ViT untuk meningkatkan akurasi dalam klasifikasi ikan Koi. ViT merupakan algoritma deep learning yang diadopsi dari algoritma Transformer yang bekerja dengan mengandalkan tugas mekanisme perhatian diri (self attention). Karena kekuatan representasi data yang lebih baik dibanding algoritma deep learning lainnya termasuk CNN, peneliti telah menerapkan tugas Transformer ini pada bidang computer vision, yang salah satu hasil dari penerapan tersebut adalah ViT. Penelitian ini dirancang menggunakan kelas dan jumlah dataset dipertahankan dari dua penelitian sebelumnya. Sedangkan dataset gambar ikan koi yang digunakan pada penelitian ini dikumpulkan dari internet dan telah divalidasi. Implementasi ViT sebagai classifier dalam klasifikasi koi pada penelitian ini menghasilkan tingkat akurasi yang mencapai rata-rata 89% pada seluruh kelas data pengujian.