Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN
DOI:
https://doi.org/10.25299/itjrd.2021.vol5(2).5831Keywords:
Klasifikasi, Computer Vision, Deep Learning, Faster R-CNN, TenunAbstract
Motif tenun melayu sangat beragam. Keberagaman ini membuat sulit membedakan motif-motif kain tenun tersebut. Klasifikasi data diperlukan untuk mengidentifikasi karakteristik objek yang terkandung dalam basis data agar kemudian dikategorikan ke dalam kelompok yang berbeda. Tujuan penelitian yang dicapai dalam penelitian ini yaitu untuk mengetahui performa pengenalan dan klasifikasi motif tenun melayu menggunakan Faster R-CNN dengan model arsitektur VGG, dengan cara mengukur persentase dari tingkat akurasi, presisi, dan recall yang akan divalidasi menggunakan K-Fold Cross Validation. Penelitian ini menggunakan algoritma deteksi objek Faster R-CNN sebagai metode pengenalan dan klasifikasi pola kain berbasis citra digital. Faster R-CNN merupakan salah satu metode yang digunakan untuk mengenali objek pada citra digital. Kemampuan pengenalan objek ini digenean untuk mengenali dan mengklasifikasi motif-motif kain tenun melayu. Jumlah dataset yang digunakan berjumlah 100 citra yang diacak untuk masing-masing dari 5 (lima) fold pada K-fold cross validation. Data tersebut dibagi menjadi 80 data train dan 20 data test. Setelah dilakukan persiapan data, pre-processing, serta implementasi, dilakukan pengujian dengan hasil bahwa dari data latih yang berupa citra kain tenun melayu, didapatkan skor rata-rata training loss dari step pertama hingga step terakhir sebesar 1,915. Klasifikasi karakteristik pengenalan motif tenun melayu menggunakan Metode deteksi objek Faster R-CNN melalui validasi K-Fold Cross Validation dengan nilai k=5, didapatkan akurasi 82.14%, presisi 91.38% dan recall 91.36%.
Downloads
References
N. Sahara, A. Efi, R. Fitria, dan H. Hadiastuti, “DESAIN RAGAM HIAS PELAMINAN MELAYU RIAU SEBAGAI INSPIRASI INOVASI KRIYA BATIK,” Gorga J. Seni Rupa, vol. 7, no. 2, hal. 246–251.
L. Marifatul Azizah, S. Fadillah Umayah, dan F. Fajar, “Deteksi Kecacatan Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer,” Semesta Tek., vol. 21, no. 2, 2018.
L. E. Peterson, “K-nearest neighbor,” Scholarpedia, vol. 4, no. 2, hal. 1883, 2009.
W. S. Noble, “What is a support vector machine?,” Nat. Biotechnol., vol. 24, no. 12, hal. 1565–1567, 2006.
T. G. Dietterich, “Ensemble learning,” Handb. brain theory neural networks, vol. 2, hal. 110–125, 2002.
M. W. Gardner dan S. R. Dorling, “Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences,” Atmos. Environ., vol. 32, no. 14–15, hal. 2627–2636, 1998.
H. Fonda, “KLASIFIKASI BATIK RIAU DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS (CNN),” J. Ilmu Komput., vol. 9, no. 1, hal. 7–10, 2020.
R. Girshick, J. Donahue, T. Darrell, dan J. Malik, “Region-based convolutional networks for accurate object detection and segmentation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 38, no. 1, hal. 142–158, 2015.
R. Girshick, “Fast r-cnn,” in Proceedings of the IEEE international conference on computer vision, 2015, hal. 1440–1448.
S. Ren, K. He, R. Girshick, dan J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” in Advances in Neural Information Processing Systems 28, C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama, dan R. Garnett, Ed. Curran Associates, Inc., 2015, hal. 91–99.
J. Redmon, S. Divvala, R. Girshick, dan A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, hal. 779–788.
J. Redmon dan A. Farhadi, “Yolov3: An incremental improvement,” arXiv Prepr. arXiv1804.02767, 2018.
W. Liu et al., “Ssd: Single shot multibox detector,” in European conference on computer vision, 2016, hal. 21–37.
J. Huang et al., “Speed/accuracy trade-offs for modern convolutional object detectors,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, hal. 7310–7311.
R. Mawan, “Klasifikasi motif batik menggunakan Convolutional Neural Network,” JNANALOKA, hal. 45–50, 2020.
H. Wijayanto, “Klasifikasi Batik Menggunakan Metode K-Nearest Neighbour Berdasarkan Gray Level Co-Occurrence Matrices ( GLCM ),” Jur. Tek. Inform. FIK UDINUS, 2015.
I. P. G. S. Andisana, M. Sudarma, dan I. M. O. Widyantara, “Pengenalan Dan Klasifikasi Citra Tekstil Tradisional Berbasis Web Menggunakan Deteksi Tepi Canny, Local Color Histogram Dan Co-Occurrence Matrix,” Maj. Ilm. Teknol. Elektro, 2018.
R. Wiryadinata, M. R. Adli, R. Fahrizal, dan R. Alfanz, “Klasifikasi 12 Motif Batik Banten Menggunakan Support Vector Machine,” J. EECCIS, vol. 13, no. 1, hal. 60–64, 2019.
P. Aryasuta Wicaksana, I. M. Sudarma, dan D. Care Khrisne, “PENGENALAN POLA MOTIF KAIN TENUN GRINGSING MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN MODEL ARSITEKTUR ALEXNET,” J. SPEKTRUM; Vol 6 No 3 J. SPEKTRUM, 2019.
K. Simonyan dan A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv Prepr. arXiv1409.1556, 2014.
R MEHINDRA PRASMATIO, B. Rahmat, dan I. Yuniar, “DETEKSI DAN PENGENALAN IKAN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK,” J. Inform. dan Sist. Inf., vol. 1, no. 2 SE-Articles, hal. 510–521, Jul 2020.
A. Santoso dan G. Ariyanto, “Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah,” Emit. J. Tek. Elektro, vol. 18, no. 01, hal. 15–21, 2018.
J. Ludwig, “Image convolution,” Portl. State Univ., 2013.
S. Ren, K. He, R. Girshick, dan J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” IEEE Trans. Pattern Anal. Mach. Intell., 2017.
J. S. Asri dan G. Firmansyah, “Implementasi Objek Detection Dan Tracking Menggunakan Deep Learning Untuk Pengolahan Citra Digital,” Knsi 2018, hal. 717–723, 2018.
Downloads
Published
How to Cite
Issue
Section
License
This is an open access journal which means that all content is freely available without charge to the user or his/her institution. The copyright in the text of individual articles (including research articles, opinion articles, and abstracts) is the property of their respective authors, subject to a Creative Commons CC-BY-SA licence granted to all others. ITJRD allows the author(s) to hold the copyright without restrictions and allows the author to retain publishing rights without restrictions.
