Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Senjata Tradisional Di Jawa Tengah Dengan Metode Transfer Learning

Authors

  • Okta Saputra Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
  • Dadang Iskandar Mulyana Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
  • Mesra Betty Yel Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika

DOI:

https://doi.org/10.47970/siskom-kb.v5i2.282

Keywords:

Convolutional Neural Network, Transfer Learning, Senjata Tradisional Jawa Tengah, MobileNetV2, Tensorflow

Abstract

Indonesia merupakan bangsa yang terdiri dari berbagai etnik dan memiliki keberagaman kesenian dan kebudayaan yang unik. Perkembangan zaman telah membawa perubahan sejarah budaya, salah satunya adalah senjata tradisional. Senjata tradisional merupakan salah satu kekayaan  budaya, seperti yang ada di Indonesia, Senjata ini memiliki berbagai ciri khas dan cerita tersendiri, masyarakat di Indonesia sudah cukup mengenal berbagai jenis senjata tradisional dari daerah masing-masing namun untuk mengenal senjata tradisional dari daerah lain dapat dibilang kurang memahami, Banyaknya jenis senjata tradisonal yang ada di Indonesia khususnya di pulau Jawa membuat peneliti tertarik untuk membuat suatu program pengenalan jenis senjata tradisional khususnya untuk senjata tradisional yang ada di Jawa Tengah berdasarkan dataset foto atau citra senjata tradisional menggunakan metode Transfer Learning, yang merupakan metode dari Convolutional Neural Network dengan memanfaatkan pre-trained model yang mampu meningkatkan nilai akurasi cukup tinggi dan jumlah training parameters yang kecil. Citra senjata tradisional Jawa Tengah yang digunakan adalah Keris, Tombak, Khudi, Wedhung dan Plintheng. Implementasi pengenalan citra ini dilakukan dengan memanfaatkan Pre-Trained model dari MobileNetV2 yang berjalan pada aplikasi Google Collaboratory dan Tensorflow. Dataset yang digunakan dalam pegujian sebanyak 638 data training atau sebesar 81% dan 147 data validasi atau sebesar 19% dengan melakukan pengujian sebanyak 50 kali dan batch size sebesar 32, maka diperoleh hasil akurasi sebesar 98,64% namun memiliki nilai loss sebesar 0.16

Downloads

Published

2022-03-30