Klasifikasi Image Untuk Jenis Buku Bacaan Anak-Anak dengan Menggunakan Convolutional Neural Network

(1)

Klasifikasi Image Untuk Jenis Buku Bacaan Anak-Anak dengan Menggunakan Convolutional Neural Network

Sri Winiarti¹, Cendani Wukir¹, Ulaya Ahdiani², Taufiq Ismail¹

1 Fakultas Teknologi Industri, Informatika, Universitas Ahmad Dahlan, Yogyakarta, Indonesia

2 Fakultas Sastra Budaya dan Komunikasi, Sastra Inggris, Universitas Ahmad Dahlan, Yogyakarta, Indonesia Email: ^1,*[email protected], ²[email protected], ³[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Penelitian ini dibuat untuk mengklasifikasi jenis buku bacaan anak-anak berdasarkan image pada cover. Jenis buku yang digunakan pada penelitian ini adalah buku dongeng, buku edukasi dan komik. Permasalahan yang terjadi banyaknya jenis buku bacaan agar tidak terjadi kesalahan dalam mengidentifikasi sastra anak maka dilakukan klasifikasi. Menggunakan kurang lebih 1002 data citra. Penelitian ini menggunakan metode Convolutional Neural Network (CNN). Convolutional Neural Network (CNN) merupakan metode deep leraning yang biasanya digunakan untuk mengolah data dalam bentuk citra. Tahapan penelitian dimulai dari studi literatur, akuisisi data, pengolahan data, analisis kebutuhan, perancangan, implementasi dengan menggunakan pemrograman Python dan HTML dan pengujian. Pada pengumpulan menggunakan beberapa metode yaitu: studi literatur, metode dokumentasi, wawancara dan metode kuisioner. Perancangan dilakukan dari input data citra yang dilanjut dengan penghitungan akurasi dan proses klasifikasi yang mengasilkan pengklasifikasian citra. Implementasi menggunakan Bahasa pemrograman python. Evaluasi performa pengujian nilai akurasi menggunakan confusion matrix. Hasil dari penelitian berupa sistem yang dapat melakukan klasifikasi jenis buku bacaan anak-anak dengan menggunakan data latih 70% dan data uji 30% dari total dataset 1002 citra. Dengan tingkat akurasi diatas 80%. Tujuan penelitian ini adalah melakukan klasifikasi jenis buku bacaan anak agar sesuai dengan usia pembaca. Diharapkan dari penilitian ini dapat memudahkan orang tua dalam mencari buku yang sesuai dengan usia anak.

Kata Kunci: Buku Bacaan Anak-anak; Klasifikasi; Deep Learning; Convolutional Neural Network

Abstract−This study was made to classify the types of children's reading books based image on the on the cover. The types of books used in this research are fairy tales, educational books and comics. The problem that occurs is that there are many types of reading books so that there are no errors in identifying children's literature, then classification is carried out. Uses approximately 1002 image data. This study uses the method Convolutional Neural Network (CNN). The purpose of this study was to classify the types of children's reading books to suit the age of the reader. It is hoped that the research objectives can make it easier for parents to find books that are appropriate for their child's age. Convolutional Neural Network (CNN) is a method deep learning that is usually used to process data in the form of images. The research stages start from literature study, data collection, data processing, needs analysis, design, implementation and testing. The collection uses several methods, namely: literature study, documentation method, interview and questionnaire method. The design is carried out from input image data, followed by calculating the accuracy and classification process which results in image classification.

Implementation using the Python programming language. Evaluation of the performance of testing the accuracy value using the confusion matrix. The result of the research is a system that can classify the types of children's reading books using 70%

training data and 30% test data. With an accuracy rate above 80%.

Keywords: Children's Reading Book; Deep Learning; Convolutional Neural Network; Confusion Matrix

1. PENDAHULUAN

Proses pencarian informasi pada umumnya dilakukan oleh orang berdasarkan kata kunci berupa teks. Setelah kata kunci dalam bentuk teks diinputkan pengguna, maka hasil informasi yang dimaksud akan tampil. Namun proses pencarian informasi dengan menggunakan teks dapat terjadi kesalahan dalam penulisan, sehingga informasi yang dimaksud bisa saja tidak sesuai dengan yang diinginkan oleh pengguna. Proses pencarian informasi lainnya dapat juga dilakukan dengan pencarian berdasarkan gambar, sehingga tingkat validasi informasi yang diperoleh lebih besar karena tidak perlu menuliskan hanya memasukkan gambar. Kasus ini dapat terjadi pada mesin pencarian buku di suatu perpustakaan. Pada umumnya sebuah perpustakaan memiliki system informasi untuk memudahkan pengunjung perpustakaan mencari buku yang diinginkan. Namun pencarian yang dilakukan hanya berbasis judul belum dapat dipetakan berdasarkan gambar agar informasi yang dicari lebih cepat diperolehnya. Penelitian terkait klasifikasi buku dengan kategori teks sudah banyak dilakukan [1] [2], namun klasifikasi pencarin informasi yang mengkombinasikan dengan images dan teks belum banyak dilakukan [3] [4].

Sastra anak merupakan sastra yang ditujukan untuk anak, bukan sastra tentang anak. Sastra anak yang isinya sudah disesuaikan dengan konsumsi anak-anak selaku pembaca dan sudah sesuai dengan usia bacaannya [5]. Sastra anak adalah secara emosional psikologis dapat ditanggapi dan dipahami oleh anak karena fakta dalam bacaan akan menjadi imajinasi anak yang tidak sesuai dengan bacaan. Penilaian sastra anak haruslah dipahami kaitannya dengan tujuan pemilihan bacaan anak sesuai dengan perkembangan kedirinya [6]. Sifat sastra anak adalah Imajinasi yang diciptakan oleh anak bukan berdasarkan oleh fakta. Oleh karena itu, unsur imajinasi sangat menonjol adalah sastra anak [7]. Dengan demikian bacaan anak harus disesuaikan dengan usianya, karena pada usia anak-anak cenderung memiliki imajinasi yang baru dan anak memiliki dunianya sendiri, imajinasi hal yang masuk akal maupun yang tidak masuk akal.

(2)

Sri Winarti, Copyright © 2022, MIB, Page 739 lebih convolution layer dan subsampling layer serta diikuti oleh layer yang menghubungkan secara menyeluruh seperti dalam jaringan syaraf. CNN dikenal mempunyai keunggulan dalam pengenalan gambar atau klasifikasi gambar dibandingkan dengan metode deep learning lainnya [9]. CNN merupakan salah satu jenis model deep learning untuk mengolah data yang memiliki pola grid, seperti gambar, yang terinspirasi dari organisasi animal visual cortex dan dirancang untuk secara otomatis dan adaptif mempelajari hierarki spasial fitur, dari rendah - ke pola tingkat tinggi [10] [11]. CNN adalah konstruksi matematis yang biasanya terdiri dari tiga jenis lapisan (atau blok bangunan): konvolusi, penyatuan, dan lapisan yang sepenuhnya terhubung. Dua yang pertama, lapisan konvolusi dan penyatuan, melakukan ekstraksi fitur, sedangkan yang ketiga, lapisan yang sepenuhnya terhubung, memetakan fitur yang diekstraksi ke dalam hasil akhir, seperti klasifikasi. Lapisan konvolusi memainkan peran kunci dalam CNN, yang terdiri dari tumpukan operasi matematika, seperti konvolusi, jenis khusus dari operasi linier. Dalam citra digital, nilai piksel disimpan dalam kisi dua dimensi (2D), yaitu, larik angka, dan kisi kecil parameter yang disebut kernel, pengekstrak fitur yang dapat dioptimalkan, diterapkan pada setiap posisi gambar sehingga yang membuat CNN sangat efisien untuk pemrosesan gambar, karena fitur dapat muncul di mana saja dalam gambar. Saat satu lapisan memasukkan outputnya ke lapisan berikutnya, fitur yang diekstraksi dapat secara hierarkis dan progresif menjadi lebih kompleks. Proses optimasi parameter seperti kernel disebut pelatihan, yang dilakukan untuk meminimalkan perbedaan antara output dan label kebenaran dasar melalui algoritma optimasi yang disebut backpropagation dan gradient descent, antara lain [12].

Penelitian ini dilakukan untuk mengklasifikasikan jenis buku bacaan anak berdasarkan image pada cover dengan menggunakan kurang lebih 1002 data citra. Semakin berkembangnya karya sastra anak sperti buku dongeng, komik, buku edukasi, buku cerita rakyat, dan ilmu pengetahuan semakin menambah jumah variasi bacaan anak, baik tersedia secara darig maupun secara luring. Pada umumnya kebiasaan pembaca, terutama anak tertarik membaca suatu buku berdasarkan gambar pada sampulnya, tanpa mengetahui jenis buku bacaan dan mengecek isi buku. Proses pencarian buku dapat dilakukan berdasarkan judul buku atau penerbit dengan menggunakan fasilitas mesin pencari yang disediakan di toko buku atau di perpustakaan. Namun, bagi toko buku atau perpustakaan yang belum memiliki mesin pencari dilakukan dengan mencari informasi buku berdasarkan sampul dan judul yang dilakukan secara manual. Kesalahan yang dapat terjadi adalah beberapa kategori buku memiliki kemiripan pada sampul baik dari sisi warna maupun dari sisi gambarnya. Berangkat dari permasalahan inilah, maka penelitian ini dilakukan. Tujuan penelitian ini membuat aplikasi yang dapat dijadikan sebagai model untuk mengidentifikasi jenis buku berdasarkan gambar pada sampul yang diterapkan pada buku sastra anak, sehingga mempermudah pembaca untuk mencari dengan cepat informasi buku tersebut. Diharapkan penelitian ini dapat menjadi satu model alternative untuk melakukan transaksi peminjaman atau pengembaian buku pada perpustakaan atau pencarian buku pada suatu toko buku.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Penelitian ini menggunakan algoritma convolutional neural network yang banyak digunakan untuk penelitian berupa data citra pada penelitian ini menggunakan dataset berupa gambar cover pada bacaan buku anak yang diklasifikasikan menjadi 3 jenis yaitu : buku dongeng, buku edukasi, dan komik. Dataset didapatkan dari toko buku online Gramedia, data public Kaggle, dan Perpustakaan Grahatama Pustaka Yogyakarta. Setelah dataset didapatkan maka maka dilakukan proses training terhadap dataset dan melakukan klasifikasikan jenis buku dan melakukan evaluasi dengan menggunakan metode confusion matrix untuk mengevaluasi motode. Tahap Implementasi dilakukan untuk membuat aplikasi antar muka sistem yang dapat diakses menjadi aplikasi. Gambar 1 merupakan tahapan penelitian:

Gambar 1. Tahapan Penelitian 2.2 Tahapan Deep Learning

Untuk tahapan Deep learning dengan menggunakan metode CNN dalam mengklasifikasi jenis buku sastra dengan menggunakan dataset yang ada, dibagi menjadi 3 jenis buku yaitu: buku dongeng, buku edukasi, dan buku komik.

Gambar 4 menjelaskan tahapan CNN yang dilakukan dalam mengklasifikasi jenis buku sastra anak.

(3)

Gambar 2. Tahapan CNN untuk klasifikasi Buku Sastra Anak

Pada gambar 2 tersebut, tahap awal penelitian dilakukan pengumpulan data yang dilakukan secara langsung dengan pengambilan gambar buku pada perpusstakaan dan Toko buku pada bagian Sampul buku dengan menggunakan Kamera Handphone dan secara tidak langsung dengan cara pengambilan data di internet. Data disimpan dalam format RGB yang disimpan dengan bentuk format *.jpg. Tahap selanjutnya adalah pre-processing dengan melakukan proses flip pada citra asli dan mengubah ukuran citra tersebut. Augmentasi data yang digunakan pada penelitian ini adalah flip dengan melakukan pembalikan citra secara horizontal dan vertical. Convolutional Neural Network (CNN) merupakan metode yang digunakan untuk mengolah data dalam bentuk citraDalam perancangan model arsitektur CNN menggunakan mobileNet yang diusulkan pada proses training guna membuat model yang optimal dengan menggunakan Optimasi Adam. Terdapat 2 tahap yang nantinya akan dilakukan yaitu feature learning dan klasifikasi. Proses klasifikasi ini nanti akan dibagi menjadi dua tahap yaitu training dan testing. Proses training akan digunakan untuk membuat model arsitektur CNN dan proses testing akan digunakan untuk menguji model yang telah dibuat. Dataset akan di training ulang untuk mendapatkan model CNN yang akan digunakan seperti layer konvolusi dan pooling layer pada gambar 3.

Gambar 3. Rancangan model arsitektur CNN Tabel 1. Rancangan Model Arsitektur CNN

Layer Size And Future Kernel Size Stride Activation

INPUT Image 128x128x32 - - -

1 Conv1 128x128x16 3x3 1 Relu

Maxpool 64x64x16 2x2 1 Relu

2 Conv2 64x64x32 3x3 1 Relu

3 Conv3 32x32x64 3x3 1 Relu

4 Dropout 0.2 - - -

5 flatten 16384 - - -

6 Fullyconnected 64 - - Softmax

OUTPUT Fullyconnected 2 - - Relu

Convolutional Neural Network (CNN) merupakan metode yang digunakan untuk mengolah data dalam bentuk citra. CNN merupakan deep learning yang memiliki tingkat akurasi yang cukup tinggi untuk mengolah data citra. Operasi konvolusi yang menggabungkan lapisan pemrosesan dengan beberapa elemen yang digunakan secara parales dan terinspirasi dari system saraf biologis [13]. Arsitektur CNN terdiri dari beberapa lapisan yaitu:

Lapisan Konvolusi (convolution layer), Pooling Layer, ReLu Aktifitas, Fully Connected Layer. Fungsi dari lapisan arsitektur CNN. Lapisan konvolusi (convolution layer) merupakan lapisan pertama yang digunakan untuk ektraksi dari lapisan masuk (input layer) berupa pixel.

1. Proses Konvolusi

Pada proses konvolusi pertama menggunakan kernel berukuran 3x3 dengan jumlah filter sebanyak 16 filter. Proses konvolusi ini merupakan proses kombinasi antara dua buat matriks untuk menghasilkan nilai matriks yang baru.

Setelah proses konvolusi selesai selanjutnya ditambahkan fungsi aktivasi ReLu yang bertujuan untuk mengubah nilai negatif menjadi nol. Untuk menghitung input kedalaman konvolusi menggunakan persamaan (1), yaitu;

(input_size + (2 * padding) - (kernel_size -1) ………… (1)

(4)

Pooling Layer lapisan yang berada pada setelah lapisan konvolusi yang berfungsi sebagai menjaga ukuran dari data pada saat proses konvolusi. Jika pada pooling layer tidak terjangkau maka aka dihilangkan tanpa melalui proses pooling [14] [15]. Terdapat dua macam pooling yaitu average pooling dan max pooling [16]. Average pooling adalah nilai rata sedangakn max pooling adalah nilai maksimal. Lapisan pooling juga dapat memudahkan pengaturan overfitting dan melakukan pengolahan data menjadi lebih kecil sehingga mudah diatur. ReLu aktifitas (Recrified linear unit) merupakan cara memperkenalkan non-linearitas ke dalam jaringan saraf [17]. Fully connected layer merupakan lapisan yang terhubung secara keseluruhan dari bentuk jaringan saraf tiruan yaitu multy layer perceptrons (MLP). Fungsinya untuk menyatukan semua node menjadi satu dimensi [18]. Pada penelitian ini pooling layer pada lapisan pertama akan melakukan pengurangan ukuran matriks menggunakan operasi pooling. Berdasarkan hasil pooling menghasilkan matriks baru berukuran 64x64 menggunakan kernel pooling 2x2. Proses pooling ke 2, berdasarkan hasil pooling pertama kemudian menghasilkan matriks baru berukuran 32x32 dengan menggunakan kernel pooling berukuran 2x2, sedangkan proses pooling ke 3, berdasarkan hasil pooling kedua menghasilkan matriks baru yang berukuran 16x16 menggunakan kernel pooling berukuran 2x2.

Pada Tahap pengujian model Arsitektur menggunakan dua tahap yaitu tahap training dan yang kedua adalah tahap testing. Pada tahap training model akan diuji menggunakan data gambar yang telah disediakan sebanyak 1002 image. Kemudian data training tersebut dibagi kembali menjadi dua yaitu training dan validasi, dengan pembagian 750 untuk data training serta 252 untuk data validasi. Tahap testing merupakan tahap pengujian model yang sudah dilakukan tahap pelatihan. jumlah data latih dalam penelitian ini digunakan sebanyak 252 image sampul buku, sedangkan untuk evaluasi menggunakan 10 data citra yang berbeda untuk mengetahui performa sistem dalam melakukan klasifikasi jenis buku sastra anak berdasarkan gambar pada sampul. Hasil klasifikasi ini mengacu pada tujuan peneliti yaitu untuk mengukur tingkat akurasi dari metode Convolutional Neural Network pada pengklasifikasian buku sastra anakberdasarkan pada image sampul buku.

3. HASIL DAN PEMBAHASAN

3.1 Koleksi Data

Pada bagian pengumpulan data, data yang digunakan pada penelitian ini berupa buku sastra anak yang diambil dengan cara langsung dan tidak langsung. Secara langsung dengan dengan menggunakan kamera smartphone mengambil gambar pada sampul buku dan secara tidak langsung mengambil data buku yang tersedia secara online.

Sastra anak yang biasanya ditujukan untuk anak bukan berupa sastra nak, melainkan sastra yang isinya disesuaikan dengan konsumsi anak-anak selaku pembaca dan disesuaikan dengan usia pembaca. Secara emosional psikologi fakta dalam bacaan akan menjadi imajinasi anak yang tidak sesuai dengan bacaannya. Anak menciptakan imijinasi yang berdasarkan bukan dari fakta begitulah sifat sastra anak. Dengan begitu bacaan anak-anak harus disesauikan dengan usia pembaca. Dataset yang digunakan pada penelitian ini sebanyak 3 jenis buku sastra anak, yaitu; buku dongeng, buku edukasi dan komik. Adapun jumlah data set yang digunakan dalam penelitian ini sebanyak 1002 data image sampul buku sastra dengan struktur kelas sebanyak 3, yaitu Komiks, edukasi dan dongeng.

Untuk mengklasifikasi jenis buku sastra anak tersebut indicator yang digunakan adalah warna dan pola gambar yang terdapat pada sampul buku tersebut. Tabel 2 merupakan contoh image pada sampul buku sastra anak yang telah dikoleksi.

Tabel 2. Jenis buku dan gambar sampul

Jenis Buku Sastra Anak Image pada Sampul

Dongeng

(5)

Jenis Buku Sastra Anak Image pada Sampul Edukasi

Komik

3.2 Preprosesing Data

Gambar yang digunakan pada penelitian ini melewati proses rezise. Proses rezise mengatur besar ukuran pixel untuk menjadikan ukuran gambar satu dengan gambar yang lain sama. Pada penelitian ini data citra diubah menjadi ukuran 128x128 pixel. Pada kebutuhan processing memiliki beberapa kebutuhan yang digunakan pada sistem, seperti, sistem dapat memproses data citra dari setiap inputan dan sistem dapat menampilkan hasil dari proses inputan citra tersebut.

3.3 Proses Augmentasi dan ekstrak Fitur

Pada kebutuhan pre-processing digunakan data citra sebagai inputan gambar yang akan dikelompokan kedalam kelas yang telah ditentukan. Dataset yang digunakan sebanyak 1002, dimana data dibagi menjadi 2 bagian, untuk training data sebanyak 750 data dab pengujian sebanyak 252 data yang masing-masing dibagi menjadi 3 kelas yaitu, kelas dongeng, kelas edukasi dan kelas komik. Tabel 3 menunjukkan sebaran data yang digunakan dari dataset yang diperoleh.

Tabel 3. Dataset Kryasa sastra anak

Tipe Gambar Data Training Data Validasi Total

Buku Dongeng 250 84 334

Buku Edukasi 250 84 334

Komik 250 84 334

Total 750 252 1002

3.4 Penentuan Parameter Model

Untuk mendapatkan model terbaik dibutuhkan parameter yang terbaik juga. Parameter disini dapat dipengaruhi oleh jumlah epoch, pegaruh ukuran input gambar, pengaruh jumlah data training, pengaruh skenario pembagian data serta pengaruh learning rate. Penentuan parameter ini bertujuan untuk membandingkan model yang paling terbaik dengan memperhatikan nilai dari parameter tersebut. Beberapa factor yang menjadi penentu parameter model arsitektur CNN sebagai berikut:

1. Pengaruh input image

Pada penelitian ini dilakukan percobaan terhadap Input image yang digunakan adalah 64 x 64 dan 128 x 128.

Dengan jumlah epoch yang digunakan adalah 50 epoch. Tabel 3 merupakan persobaan hasil input image yang dilakukan.

Tabel 4. Hasil Akurasi Pengaruh Input Image

Input Shape Uji Vaiditas Loss Validation Time

64 x 64 76% 0.65 4s

128 x 128 82% 0.50 13s

(6)

Epoch Uji Vaiditas Loss Validation Time

10 77% 0,56 7s

20 81% 0.45 7s

30 81% 0,47 8s

40 80% 0.50 7s

50 82% 0.50 13s

Berdasarkan tabel 4 diatas didapatkan nilai akurasi yang cukup tinggi pada epoch ke 50 dengan nilai sebesar 82%. Jika dilihat pada tabel tersebut semakin tinggi epoch yang ditambahkan nilai loss function semakin tinggi, hal ini dapat disebabkan karena jumlah epoch yang terlalu banyak.

3. Pengaruh Jumlah Konvolusi layer

Layer konvolusi digunakan sebagai proses ekstraksi fitur pada citra gambar. Jumlah layer konvolusi dapat mempengaruhi tingkat akurasi dari model yang telah dibuat.

Tabel 6. Hasil Akurasi Pengaruh Input Image

Jumlah Konvolusi Layer Uji Vaiditas Loss Validation Time

10 80% 0,49 7s

20 81% 0,48 7s

30 80% 0,50 8s

40 81% 0,49 7s

Berdasarkan Tabel 5 menunjukan bahwa semakin banyak layer konvolusi yang digunakan akan membuat model kehilangan keseimbangan sehingga menurunkan performa akurasi dari proses pelatihan model. Hal tersebut dapat dipicu karena banyaknya tahap ekstraksi fitur yang harus dilakukan oleh komputer, dan dapat menyebabkan overfitting karena model yang terlalu kompleks.

4. Pengaruh Pooling Layer

Pooling layer adalah proses yang dilakukan untuk mengurangi ukuran matriks dari hasil proses konvolusi. Pooling layer memiliki dua metode yang dapat digunakan, yaitu max-pooling dan average-pooling. Pada pengujian ini akan menggunakan jumlah epoch 50. Berikut adalah perbandingan keduanya:

Tabel 7. Hasil Akurasi Pengaruh Pooling layer

Pooling Layer Uji Vaiditas Loss Validation Time

max-pooling 78% 0,63 9s

average-pooling 82% 0,50 13s

Berdasarkan Tabel 6 merupakan hasil dari percobaan pooling layer yang telah diujikan. Pada tabel tersebut dapat dilihat bahwa tingkat akurasi menggunakan max-pooling mengasilkan akurasi sebesar 78% dan average- pooling menghasilkan akurasi sebesar 82% Akan tetapi nilai loss nya lebih baik saat menggunakan average- pooling.

5. Training dan Testing

Setelah menentukan parameter yang akan digunakan pada model, kemudian akan melihat bagaimana performa model tersebut pada proses training dan testing. Dataset berjumlah 1002 data dengan pembagian 750 image data testing dan 252 image data training, dengan total kelas 3. Pada proses training dan testing menggunakan citra data berformat *jpg. Pelatihan model akan menggunakan CNN dengan jumlah epoch 50.

Setelah pengujian model dilakukan evaluasi model menggunakan confusion matrix. Pada Tabel 7 menunjukkan hasil confusion matrix yang telah didapatkan.

Tabel 8. Confusion matrix

Confusion Matrix Dongeng Edukasi Komik

Dongeng 77 7 0

Edukasi 21 61 2

(7)

Confusion Matrix Dongeng Edukasi Komik

Komik 9 3 72

Hasil dari Tabel 7 uji klasifikasi yang mendekati kata sempurna adalah komik. Dengan klasifikasi pada Tabel 7 yang benar terletak diagonal dari kiri atas ke kanan bawah dan akurasi yang didapat dari data testing adalah sebesar 82%. Gambar 4 menunjukkan grafik uji akurasi yang diperoleh.

Gambar 4. Grafik Akurasi dan Loss

Setelah dilakukan uji model maka dilakukan uji klasifikasi gambar. Klasifikasi buku bacaan anak dibagi menjadi 3 yaitu buku dongeng, buku edukasi dan komik. Mengukur performa model klasifikasi dilakukan pengujian akurasi menggunakan convolusional neural network (CNN) dan uji performa menggunakan confusion matrix yang menghasilkan informasi berkaitan dengan kelas data dan hasil prediksi. Parameter yang diukur adalah nilai akurasi, presisi, recall, F1-Score dengan menggunakan persamaan (3), (4), dan persamaan (5) [20].

𝑘𝑢𝑟𝑎𝑠𝑖 = ^{𝑇𝑃+𝑇𝑁}

𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 ∗ 100% ……….. (3) 𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = ^𝑇𝑃

𝑇𝑃+𝐹𝑃 ∗ 100% ………. (4)

𝑅𝑒𝑐𝑎𝑙𝑙 = ^𝑇𝑃

𝑇𝑃+𝐹𝑁 ∗ 100% ……….…………..… (5)

4. KESIMPULAN

Penelitian ini dibuat untuk mengklasifikasikan buku bacaan anak dengan mengelompokan buku menjadi 3 yaitu:

buku dongeng, buku edukasi dan komik. Dengan menggunakan metode convolutional neural network (CNN) menggunakan model Arsitektur MobileNet. Hasil pengujian yang dilakukan dengan metode Confusion Matrix dalam mementukan jenis buku sastra memperoleh hasil validasi sebesar 82%. Beberapa factor pengaruh dalam peningkatan arsitektur model dipengaruhi oleh factor inputan image, jumlah epoch, jumlah konvolusional layer, dan juga dipengaruhi oleh pooling layer.

UCAPAN TERIMAKASIH

Terimakasih kepada Lembaga Penelitian dan Pengabdian Universitas Ahmad Dahlan atas dukungannya dalam penelitian ini. Ucapan terima kasih juga disampaikan kepada toko buku online Gramedia, data public Kaggle, dan Perpustakaan Grahatama Pustaka Yogyakarta yang telah bersedia dalam memberikan data terkait buku sastra yang menjadi dataset dalam penelitian ini.

REFERENCES

[1] M. M. Sya’bani and R. Umilasari, "Penerapan Metode Cosine Similarity Dan Pembobotan TF / IDF Pada Sistem Klasifikasi Sinopsis Buku Di Perpustakaan Kejaksaan Negeri Jember," Justindo( Jurnal Sistem & Teknologi Indonesia, vol. 3, p. 31–42, 2018.

[2] M. Habibi and P. W. Cahyo, "Journal Classification Based on Abstract Using Cosine Similarity and Support Vector Machine.”," JISKA (Jurnal Informatika Sunan Kalijaga), vol. 4, p. 48, 2020.

[3] N. d. Piska , A. P. Wibawa, I. A. E. Zaeni and A. Nafalski, "Journal Classification Using Cosine Similarity Method on Title and Abstract with Frequency-Based Stopword Removal," International Journal of Artificial Intelligence Research, vol. 3, 2019.

[4] I. B. Vicky, E. Utami and A. Sunyoto, "Klasifikasi Jenis Buku Berdasarkan Judul Dan Sinopsis Menggunakan Metode NaÃ¯ve Bayes Classifier (Studi Kasus : STMIK Kadiri).," Sisfo, vol. 5, 2015.

(8)

[10] D. H. Hubel, and T. N. Wiesel, "Receptive fields and functional architecture of monkey striate cortex," J Physiol , vol.

195, p. 215–243, 1968.

[11] N. Fadlia and R. Kosasih , "Klasifikasi Jenis Kendaraan Menggunakan Metode Convolutional Neural Network (CNN).,"

Jurnal Ilmiah Teknologi dan Rekayasa., 2020.

[12] R. Yamashita, M. Nishio and R. K. Gian, "Convolutional neural networks: an overview and application in radiology,"

Springer Open, vol. 9, no. Insights into Imaging, p. pages611–629, 2018.

[13] T. Hu , D. Zhang and J. Wang, "A meta-analysis of the trait resilience and mental health," Personality and Individual Differences, vol. 76, pp. 18-27, 2015.

[14] I. Wulandari, H. Yasin and T. Widiharih, "Klasifikasi citra digital bumbu dan rempah dengan algoritma convolutional neural network," J. Gaussia, vol. 9, p. 273–282, 2020.

[15] B. Xiao, K. Wang, X. Bi, W. Li and J. Han,, "2D-LBP: An Enhanced Local Binary Feature for Texture Image Classification," EEE Trans. Circuits Syst. Video Technol, vol. 29, p. 2796–2808, 2019.

[16] Bejiga, M. B.,, Zeggada, A.,, Nouffidj, A., and Melgan, "A convolutional neural network approach for assisting avalanche search and rescue operations with UAV imagery.," Remote Sensing, vol. 9, no. 2, 2017.

[17] Akhmad Rohim, Yuita Arum Sari and Tibyani, "Convolutional Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional," Jurnal Pengembang Teknologi Informasi dan Ilmu Komputer , vol. 3, no. 7, pp. 7037-7042, 2017.

[18] Albelwi, S., and Mahmood, A., "A Framework for Designing the Architectures of Deep Convolutional Neural Networks,"

Entropy, vol. 19, p. 242, 2017.

[19] S. Winiarti, m. Y. Andi Saputro and Sunardi, "Deep Learning Dalam Mengidentifikasi Jenis Bangunan Heritage Dengan Algoritma Convolutional Neural Network," Budidharma, vol. 3, 2021.

[20] H. G. LEWIS, "A generalized confusion matrix for assessing area estimates from," remote sensing, vol. 22, no. 16, p.

3223–3235, 2001.