PENERAPAN ARSITEKTUR CNN-EFFICIENTNETB2 DENGAN TRANSFER LEARNING PADA KLASIFIKASI GAMBAR TOKOH WAYANG KULIT
DOI:
https://doi.org/10.23960/jitet.v13i1.5626Abstract Views: 287 File Views: 250
Abstract
Wayang merupakan seni pertunjukan berupa boneka tiruan dengan terdiri dari beberapa jenis yang masing-masingnya memiliki ciri khas tersendiri berdasarkan daerah, seperti wayang kulit yang merupakan jenis wayang dari Jawa Timur dengan ciri khas bentuk tokoh-tokohnya yang pipih dan bertangkai. Meskipun masing-masing tokoh memiliki bentuk yang beragam, beberapa tokoh memiliki kemiripan 2 dari bentuk atribut, pola ataupun warna. Hal tersebut menimbulkan kendala dalam mengenali tokoh wayang, terutama bagi generasi muda yang baru mengenal kesenian wayang. Dengan adanya hal tersebut penelitian ini dilakukan sebagai upaya mengenalkan kesenian wayang dan melestarikan kebudayaan Indonesia pada generasai muda. Fokus utama penelitian ini adalah menguji arsitektur CNN 4 yang berbeda untuk mencapai tingkat akurasi yang lebih baik pada klasifikasi gambar tokoh wayang kulit. EfficientNetB2 dipilih sebagai arsitektur yang diterapkan dengan teknik Transfer Learning untuk melakukan penugasan pada klasifikasi gambar tokoh wayang kulit dan ResNet50 sebagai pembanding. Data dalam penelitian ini berupa data sekunder yang diambil dari website Kaggle, yang kemudian diolah dengan dua tahapan, yaitu pembagian data testing, validation, dan testing, dan augmentasi data. Hasil penelitian menunjukkan bahwa model EfficientNetB2 dan ResNet50 berhasil diterapkan untuk klasifikasi gambar tokoh wayang kulit yang terdiri dari 22 kelas dengan akurasi tinggi.Downloads
References
A. N. Fauziah, A. A. Rohman, W. O. G. Monida, and N. Hariyanti, “WAYANG UKUR SEBAGAI MEDIA REPRESENTASI INDONESIA,” CHANNEL: Jurnal Komunikasi, vol. 8, no. 1, p. 43, Apr. 2020, doi: 10.12928/channel.v8i1.15096.
E. Setiawan, “Makna Nilai Filosofi Wayang Kulit Sebagai Media Dakwah,” Jurnal Al-Hikmah, vol. 18, no. 1, pp. 37–56, Apr. 2020, doi: 10.35719/alhikmah.v18i1.21.
S. Subiyantoro, D. Fahrudin, and S. Baroo Amirulloh, “Character education values of Pancasila student profiles in the puppet figure wayang Arjuna: A Javanese cultural perspective,” ISVS E-Journal, vol. 10, no. 6, pp. 106–118, Jun. 2023.
M. Mukhlisin, “Wayang sebagai Media Pendidikan Karakter (Perspektif Dalang Purwadi Purwacarita),” Attaqwa, vol. 17, no. 02, pp. 132–139, 2021, doi: 10.54069/attaqwa.v17i02.134.
E. Irmania, A. Trisiana, and C. Salsabila, “Upaya mengatasi pengaruh negatif budaya asing terhadap generasi muda di Indonesia,” Jurnal Dinamika Sosial Budaya, vol. 23, no. 1, pp. 148–160, Jun. 2021.
A. Naufal Hilmi et al., “Implementasi Algoritma K-Nearest Neighbor (KNN) untuk Identifikasi Penyakit pada Tanaman Jeruk Berdasarkan Citra Daun,” no. 2, pp. 107–117, 2024.
T. Kattenborn, J. Leitloff, F. Schiefer, and S. Hinz, “Review on Convolutional Neural Networks (CNN) in vegetation remote sensing,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 173, pp. 24–49, Mar. 2021, doi: 10.1016/J.ISPRSJPRS.2020.12.010.
J. Qin, W. Pan, X. Xiang, Y. Tan, and G. Hou, “A biological image classification method based on improved CNN,” Ecol Inform, vol. 58, p. 101093, Jul. 2020, doi: 10.1016/J.ECOINF.2020.101093.
A. Herlangga, “PENERAPAN TRANSFER LEARNING EFFICIENTNETB3 UNTUK PENGENALAN SENJATA TRADISIONAL SUMATERA BARAT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4256.
Muhathir, N. Khairina, R. K. I. Barus, M. Ula, and I. Sahputra, “Preserving Cultural Heritage Through AI: Developing LeNet Architecture for Wayang Image Classification,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 9, 2023, doi: 10.14569/IJACSA.2023.0140919.
T. Ahmad et al., “EfficientNet-Based Robust Recognition of Peach Plant Diseases in Field Images,” Computers, Materials & Continua, vol. 71, no. 1, pp. 2073–2089, 2022, doi: 10.32604/cmc.2022.018961.
I. R. Fadhillah, M. M. Al Haromainy, and H. Maulana, “IMPLEMENTASI MODEL TRANSFER LEARNING EFFICIENTNET UNTUK PENDETEKSIAN BAHASA ISYARAT INDONESIA (BISINDO) PADA PERANGKAT ANDROID,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 4, pp. 7816–7822, Aug. 2024.
Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, 1998, doi: 10.1109/5.726791.
I. R. Sari, “IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORKS (CNN) UNTUK KLASIFIKASI CITRA BENIH KACANG HIJAU BERKUALITAS,” Universitas Muhammadiyah Semarang, Semarang, 2021.
S. S. Kadam, A. C. Adamuthe, and A. B. Patil, “CNN Model for Image Classification on MNIST and Fashion-MNIST Dataset,” Journal of scientific research, vol. 64, no. 02, pp. 374–384, 2020, doi: 10.37398/JSR.2020.640251.
Y. Wang, Y. Li, Y. Song, and X. Rong, “The Influence of the Activation Function in a Convolution Neural Network Model of Facial Expression Recognition,” Applied Sciences, vol. 10, no. 5, p. 1897, Mar. 2020, doi: 10.3390/app10051897.
I. Kandel and M. Castelli, “Transfer Learning with Convolutional Neural Networks for Diabetic Retinopathy Image Classification. A Review,” Applied Sciences, vol. 10, no. 6, p. 2021, Mar. 2020, doi: 10.3390/app10062021.
M. Tan and Q. V Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” CoRR, vol. abs/1905.11946, 2019, [Online]. Available: http://arxiv.org/abs/1905.11946
Y. Hu, A. Huber, J. Anumula, and S.-C. Liu, “Overcoming the vanishing gradient problem in plain recurrent networks,” Jan. 2018.
