Implementasi Algoritma Convolutional Neural Network untuk Klasifikasi Jenis Keris

Abstract

Bahasa Indonesia

UNESCO telah menetapkan keris Indonesia sebagai Masterpiece of The Oral and Intangible Heritage of Humanity. Keris memiliki bilah yang terdiri dari pamor, dhapur, dan Tangguh yang merupakan istilah yang digunakan untuk menyebut nama bentuk dari bilah keris. Dhapur keris ada yang berbentuk lurus dan lengkok (Luk dalam bahasa jawa). Yang berbentuk luk, jumlahnya bermacam-macam, mulai dari luk 3 (tiga) sampai luk 29 (dua puluh Sembilan). Jenis keris berdasarkan dapur yang diakui secara baku sekitar 150 jenis. Namun, bentuk dhapur keris tidak mudah dikenali secara langsung. Selain karena jenisnya yang banyak, bentuk dhapur ini terkadang memiliki karakteristik yang mirip meskipun jenisnya berbeda. Hal ini menyebabkan tidak semua orang dapat mengenali keris dengan mudah. Penelitian ini akan mengimplementasikan metode deep learning dengan algoritma Convolutional Neural Network (CNN) yang dapat melakukan tugas klasifikasi secara langsung pada citra, untuk membangun sebuah model untuk klasifikasi jenis keris berdasarkan dhapur. Data yang digunakan adalah citra keris jawa yang diambil secara manual dan maupun dari buku. Data citra terdiri dari 67 citra keris yang terdiri dari dua kelas yaitu 19 keris Parung Sari dan 48 keris Tilam Upih. Akurasi proses training sebesar 75% dan nilai validasi sebesar 66,67%.

English

UNESCO telah menetapkan Keris Indonesia sebagai Masterpiece of The Oral and Intangible Heritage of Humanity. Keris memiliki bilah yang terdiri dari Pamor, Dhapur, dan Tangguh yang merupakan istilah yang digunakan untuk menyebut nama bentuk dari bilah Keris. Dhapur Keris ada yang berbentuk lurus dan lengkok (Luk dalam bahasa jawa). Yang berbentuk luk, jumlahnya bermacam-macam, mulai dari luk 3 (tiga) sampai luk 29 (dua puluh Sembilan). Karena jenisnya yang banyak (sekitar 150 jenis yang diakui), bentuk Dhapur ini terkadang memiliki karakteristik yang mirip dan sulit dibedakan meskipun jenisnya berbeda. Untuk mengenali Dhapur Keris, perlu melakukan pengamatan pada Tabel ricikan Dhapur yang tentu saja sangat banyak dan harus memahami setiap detail Ricikan dengan benar. Hal ini menyebabkan tidak semua orang dapat mengenali Keris dengan mudah. Penelitian ini bertujuan membangun model pengenalan jenis Keris berdasarkan Dhapur dengan menggunakan citra Keris, sehingga tidak perlu mengamati Tabel Ricikan Dhapur. Metode Deep learning dengan algoritma Convolutional Neural Network (CNN) diimplementasikan untuk membangun model untuk klasifikasi jenis Keris berdasarkan Dhapur. Data Keris diambil secara manual dan maupun dari buku. Data citra terdiri dari 46 citra Keris yang terdiri dari dua kelas yaitu 10 Keris Parung Sari dan 36 Keris Tilam Upih. Validasi menggunakan 13 citra Tilam Upih dan 12 citra Parung Sari. Akurasi proses training sebesar 78,26% dan nilai validasi sebesar 52%. Hal ini menunjukkan bahwa masih perlu adanya peningkatan baik dalam teknik pengolahan maupun jumlah data. Abstract UNESCO designated Indonesian Keris as a Masterpiece of The Oral and Intangible Heritage of Humanity. Keris has blades consisting of Pamor, Dhapur, and Tangguh, which are terms used to name the shape of the Keris blade. There are straight and curved shape of Dhapur Keris (Luk in Javanese). The number of luk is varied, ranging from luk 3 (three) to luk 29 (twenty-nine). Because of its many types (around 150 recognized types), this form of Dhapur Keris sometimes has similar characteristics and is difficult to differentiate even though it is a different type. To recognize Dhapur Keris, it needs to observe Dhapur Ricikan table which of course consist of many types and must understand every detail of the ricikan correctly. This means that not everyone can recognize Keris easily. This research aims to build a model for recognizing Keris types based on Dhapur by using Keris images, so there is no need to observe the Dhapur Ricikan table. The Deep learning method with the Convolutional Neural Network (CNN) algorithm was implemented to build a model for classifying Keris types based on Dhapur. Keris data was taken manually and also from books. The image data consists of 46 Keris images consisting of two classes, namely 10 Parung Sari Keris and 36 Upih Tilam Keris. Validation used 13 images of Tilam Upih and 12 images of Parung Sari. The accuracy of the training process was 78.26% and the validation value was 52%. This shows that there is still a need to improve both processing techniques and the amount of data.