Analisis Pengaruh Tingkat Akurasi Klasifikasi Citra Wayang dengan Algoritma Convolitional Neural Network

Abstract

– The development of technology is inversely proportional to cultural preservation in Indonesia. One of Indonesia's cultures which creates character through the advice and stories is a puppet. But this culture shows less because the devotees have decreased. This makes young people not knowing the names of puppet figures. The introduction of digital images of puppets through the system is very necessary to introduce to the generation of millennial children, bearing in mind that at this time people are familiar with the technology. This recognition is through the image classification of puppet figures with classification algorithms that have been trained previously with puppet images that have been labeled before. To recognize various puppet figures well, a good model is needed. The quality of the model can be measured by the accuracy, precision, and recall variables in the model testing. Several factors influence the formation of the model, including the rise of the dataset, number of iterations (epoch) in learning, and of course the treatment of data before it is used in the process of forming the model. This study used 400 datasets which are divided into 4 classes which will be trained using CNN (Convolutional Neural Network) algorithm to produce a model. Based on the results of experiments obtained the best accuracy of 97%, 93% precision, and 87% recall by applying a combination of augmentation, changing the image to grayscale in preprocessing stage, the use of 80:20 dataset ratio and 100 epoch is a very significant effect in increasing accuracy.Keywords – Classification, Punakawan Puppets, CNN, Image Processing. Abstract – Semakin berkembangnya teknologi berbanding terbalik dengan perkembangan pelestarian kebudayaan di Indonesia. Salah satu kebudayaan Indonesia yang bermanfaat membentuk karakter melalui nasihat dan cerita di dalamnya adalah wayang. Akan tetapi kebudayaan ini semakin jarang terlihat pertunjukkannya dikarenakan peminatnya telah berkurang. Hal tersebut mengakibatkan anak-anak muda tidak mengenal nama tokoh-tokoh pewayangan. Pengenalan citra digital tokoh pewayangan melalui sistem sangat diperlukan untuk mengenalkan kepada generasi anak milenial, mengingat saat ini masyarakat telah terbiasa dengan teknologi. Proses pengenalan ini melalui proses klasifikasi citra tokoh wayang dengan algoritma klasifikasi yang telah dilatih sebelumnya dengan data-data citra wayang yang telah diberi label sebelumnya. Untuk dapat mengenali berbagai tokoh wayang dengan baik dibutuhkan model yang baik. Kualitas model dapat diukur dengan variabel akurasi, presisi dan recall pada proses pengujian model. Terdapat beberapa faktor yang mempengaruhi pembentukan model, diantaranya adalah raiso pembagian dataset, jumlah perulangan (epoch) dalam pembelajaran dan tentunya perlakuan terhadap data sebelum digunakan dalam proses pembentukan model. Pada penelitian ini digunakan dataset sebanyak 400 data yang terbagi ke dalam 4 kelas yang akan dilatih menggunakan algoritma CNN (Convolutional Neural Network) untuk menghasilkan model. Berdasarkan hasil percobaan yang dilakukan didapatkan akurasi terbaik sebesar 97%, presisi 93% dan recall sebesar 87% dengan menerapkan kombinasi augmentation, mengubah citra menjadi grayscale pada tahap preproccessing, penggunaan rasio dataset 80:20 dan epoch sebesar 100 sangat berpengaruh signifikan dalam meningkatkan nilai akurasi.Kata kunci – Klasifikasi, Wayang Punakawan, CNN, Pengolahan Citra.

Identification of adulterated rice bran with rice husks by using the image analytics

“…The amount of epoch values can affect accuracy. [14] The higher of epoch value and quantity of datasets, the higher the accuracy value. The more quantity of epochs, and the step each epoch used would make a higher value of training and validation accuracy [15].…”

“…This condition can cause the results of the accuracy of the training data and validation to have poor results and influent the accuracy of test data [17]. In addition, the small accuracy also occurs due to the small number of epochs [14]. Small accuracy on training and validation has a significant influence on CNN accuracy.…”

Otomatisasi Penerusan Laporan Pengaduan Menggunakan Neural Network

“…Dalam skenario tersebut salah satunya yaitu membandingkan berbagai rasio dataset training dan testing. Dari hasil percobaan yang dilakukan menunjukkan bahwa rasio 80:20 yaitu 80% untuk data training dan 20% untuk data testing memperoleh hasil yang lebih stabil dan paling unggul dibandingkan rasio yang lain [8].…”

Design and Build Vehicle Plate Detection System Using You Only Look Once Method Based on Android

“…Sementara itu dataset yang digunakan dibagi menjadi data training sebesar 80% dan data validation 20%. Data training ditentukan lebih besar daripada data validation untuk menghindari terjadinya overfitting [19], [20], [21]. Adapun konfigurasi file yang digunakan adalah sebagai berikut :…”