Klasifikasi gagrak wayang kulit menggunakan metode convolutional neural network (CNN) / Awanda Setya Sanfajar Pratama

Pratama, Awanda Setya Sanfajar (2022) Klasifikasi gagrak wayang kulit menggunakan metode convolutional neural network (CNN) / Awanda Setya Sanfajar Pratama. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

Perkembangan teknologi pada zaman ini sangat pesat terutama pada komputer. Komputer dapat mengenali citra dan mengklasifikasi citra menggunakan computer vision. Salah satu metode klasifikasi citra adalah Convolutional Neural Network (CNN). CNN telah digunakan pada banyak bidang seperti pada bidang kesehatan pendidikan seni dan budaya. CNN belum pernah diimplementasikan pada objek gagrak wayang kulit. Hal tersebut menjadi dasar penerapan metode Convolutional Neural Network (CNN) untuk menentukan gagrak wayang kulit. Tujuan penelitian adalah mengetahui apakah CNN dapat digunakan untuk klasifikasi gagrak wayang kulit dan mendapatkan arsitektur CNN terbaik. Pengumpulan data dilakukan melalui platform Google dan Facebook yang terdiri dari 280 gambar wayang kulit. Data tersebut akan divalidasi menggunakan Inter-annotator Agreement dengan cara menyebarkan angket google form. Hasil jawaban pakar akan dihitung sehingga dapat diputuskan data tersebut sudah baik atau tidaknya untuk digunakan pada proses pelatihan. Hasil dari Inter-annotator Agreement menunjukkan data dapat digunakan dengan nilai kappa 0.625. Data yang telah divalidasi kemudian dilakukan preprocessing dengan pelabelan melakukan resize menjadi ukuran 227 227 pixel membagi data training dan test membuat 4 skenario data. Pembagian data train dan validate pada data training menggunakan skenario k-fold cross validation dengan nilai k adalah 2 4 7 dan 8. Skenario tersebut akan diujikan pada semua arsitektur kemudian dianalisis menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa Convolutional Neural Network (CNN) dapat digunakan untuk klasifikasi gagrak wayang kulit dan arsitektur 3 adalah arsitektur terbaik. Hasil yang didapatkan antaralain train accuracy 94 35% validate accuracy 68 63% test accuracy 69 99% precision 71 76% recall 68 99% dan f1-score 67 89%.

Item Type:	Thesis (Diploma)
Subjects:	?? ??
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	library UM
Date Deposited:	31 Aug 2022 04:29
Last Modified:	09 Sep 2022 03:00
URI:	http://repository.um.ac.id/id/eprint/264958

Actions (login required)

View Item