98% Unique
Total 29098 chars, 3983 words, 202 unique sentence(s).
Custom Writing Services - Paper writing service you can trust. Your assignment is our priority! Papers ready in 3 hours!
Proficient writing: top academic writers at your service 24/7! Receive a premium level paper!
STORE YOUR DOCUMENTS IN THE CLOUD - 1GB of private storage for free on our new file hosting!
Results Query Domains (original links)
Unique Batik Solo merupakan batik yang mempunyai kharisma tinggi -
Unique Beribu-ribu macam motif batik telah dihasilkan oleh masyarakat Solo secara turun temurun - Unique Motif motif tersebut mengandung makna dari leluhur yang dulu menganut aliran animisme dan dinamisme - Unique Metode Convolutional Neural Network (CNN) juga dapat digunakan untuk untuk pengenalan motif batik -
Unique Berdasarkan penelitian-penelitian sebelumnya, Convolutional Neural Network (CNN) menghasilkan klasifikasi batik
dengan akurasi yang optimal -
Unique Rumusan Masalah Bagaimana merancang dan membangun sistem pengenalan motif batik Solo -
Unique Batasan masalah dalam penelitian ini yaitu sebagai berikut : -
Unique Sistem yang akan dibangun menggunakan metode Convolutional Neural Network (CNN) -
11 results Studi kasus yang diambil adalah batik Solo
id.123dok.com id.123dok.com es.scribd.com studibudayadanmedia.blogspot.com docplayer.info ar.scribd.com ml.scribd.com souvenir-kerajinan- jogja.blogspot.com pt.scribd.com
Unique Sistem ini dirancang menggunakan bahasa pemrograman Python dengan framework Flask -
Unique Manfaat dan Kegunaan Penelitian Adapun manfaat dan kegunaan penelitian ini antara lain : -
Unique Untuk pengembangan ilmu pengetahuan -
Unique Menemukan cara pengimplementasian Convolutional Neural Network (CNN) terhadap sistem pengenalan motif
batik Solo -
Unique Bagi Peneliti 1) Memahami proses kerja dan alur Convolutional Neural Network (CNN) dan implementasinya -
Unique 2) Sebagai portofolio untuk peneliti yang berguna di masa yang akan datang -
Unique Alasan menggunakan metode ini karena metode Waterfall 4 melakukan pendekatan secara sistematis dan
berurutan -
Unique Karena pelaksanaanya bertahap, sistem yang dihasilkan akan berkualitas baik, tidak terfokus pada tahapan
tertentu -
Unique Tahapan dari metode Waterfall terdapat pada gambar 1.1 Gambar -
Unique Analisa Kebutuhan Tahap ini mengumupulkan data gambar batik Solo -
Unique Data yang sudah didapat kemudian diekstraksi menggunkan Convolutional Neural Network (CNN) -
Unique Perancangan antarmuka Merancang antarmuka dari program yang akan dibuat -
Unique Evaluasi Pengujian Program yang telah dibuat dan diuji dievaluasi kembali jika ada perubahan -
Unique Laporan Penyusunan Laporan dilakukan setelah semua kegiatan selesai dikerjakan -
Unique Identifikasi Masalah menjelaskan permasalahan pengenalan motif batik Solo -
Unique Rumusan Masalah yang menjelaskan pembuatan sistem pengenalan motif batik Solo -
Unique Batasan Masalah menjelaskan tentang batasan ruang lingkup sistem -
Unique Tujuan Penelitian menjelaskan tentang tujuan yang ingin dicapai -
Unique Metode Penelitian menjelaskan cara penelitian -
Unique Jadwal Penelitian menjelaskan tahap penelitian dalam satuan bulan -
Unique Sistematika Penulisan Laporan menjelaskan isi bab -
Unique Kajian Pustaka menjelaskan daftar referensi dari penelitian jurnal sebelumnya -
Unique Desain Sistem (Perancangan) menjelaskan gambaran sistem pengenalan motif batik Solo -
6 results BAB V PENUTUP Bab ini berisi kesimpulan penelitian, saran dan harapan penulis mafiadoc.com vibdoc.com es.scribd.com pt.scribd.com scribd.com scribd.com
Unique Sedangkan pada citra digital adalah citra yang dapat diolah oleh komputer -
Unique Pada CNN, setiap neuron direpresentasikan dalam bentuk dua dimensi -
Unique Convolutional Neural Network memiliki 4 layer utama, yaitu : -
Unique Konvolusi adalah istilah matematis yang mengaplikasikan sebuah fungsi pada output fungsi lain secara berulang - Unique Tujuan dilakukannya konvolusi pada data citra yaitu untuk mengekstraksi fitur dari citra input - Unique Konvolusi akan menghasilkan transformasi linear dari data input sesuai informasi spesial pada data -
Unique Flask memiliki dua dependensi utama -
Unique Werkzeug dan Jinja2 ditulis oleh pengembang inti Flask -
Unique Penelitian yang dilakukan oleh Tutut Furi Kusumaningrum -
Unique Penelitian yang dilakukan oleh Tiara Shafira -
Unique Penelitian yang dilakukan oleh Afandi Nur Aziz Thohari1, Galuh Boy Hertantyo -
Unique Penelitian yang dilakukan oleh Heri Darmanto -
Unique Hasil eksperimen diperoleh akurasi sebesar 95.4% -
Unique dengan masing-masing kategori jenis batik sebanyak 5 citra motif batik solo -
Unique Jumlah sampel sama untuk mempermudah dalam mempartisi data dalam pengklasifikasian -
Unique berikut data motif batik Solo yang disusun pada tabel 2.1 Tabel -
Unique Perancangan akan dibagi menjadi beberapa subsistem yaitu : -
Unique Admin dapat login ke system pengenalan batik dan dapat melakukan training data batik -
Unique Sedangkan pengguna umum hanya dapat melakukan pengenalan motif batik atau testing -
Unique 3) Admin memasukkan username dan password -
Unique 4) Jika username dan password benar, maka admin akan di alihkan ke halaman admin -
Unique b) Admin memasukkan dataset batik yang digunakan untuk training -
Unique c) Menampilkan model hasil training batik -
Unique e) Admin memasukkan gambar batik yang digunakan untuk testing -
Unique f) Menampilkan hasil pengenalan batik -
Unique Form Upload Gambar Untuk Pengguna Umum Gambar -
Unique Tampilan Hasil Pengenalan Batik Gambar -
Unique Untuk melakukan training batik admin harus mengisi form username dan password dengan benar -
Unique Dashboard Training Data Gambar -
Unique Arsitektur diatas dapat dijelaskan seperti penjelasan dibawah ini : -
Unique Proses Konvolusi pertama digunakan kernel berukuran 3x3 dan jumlah filter sebanyak 32 filter - Unique setelah proses konvolusi, maka ditambahkan sebuah aktivasi fungsi yaitu RELU (Retrified Linear Unit) -
Unique Fungsi ini bertujuan mengubah nilai negative menjadi nol -
Unique Proses ini merupakan pengurangan ukuran matriks dengan menggunakan operasi pooling -
Unique Pada penelitian ini menggunakan average-pooling untuk mendapatkan nilai matriks yang baru dari hasil pooling -
Unique Proses konvolsi kedua ini menggunakan fungsi aktivasi RELU -
Unique fully connected disini mengubah output pooling menjadi vector -
Unique Proses terakhir yaitu menggunakan aktivasi fungsi Softmax -
Unique Softmax merupakan fungsi yang mengambil input vector dan menormalkannya menjadi distribusi probabilitas -
Unique Berdasarkan penjelasan diatas, arsitektur tersebut digunakan untuk proses training -
Unique Dari proses training didapatkan model dari arsitektur tersebut -
Unique Model yang terbentuk terdapat pada tabel 2.2 Tabel -
Unique Untuk menghitung input kedalam konvolusi menggunakan rumus “input_size + 2padding - (filter_size -1)” -
Unique Total parameter yang terbentuk dari model sebanyak 4.214.723 neuron -
Unique Nilai dari filter dapat dilihat pada tabel 2.4 -
Unique Hasil Relu yang pertama dapat dilihat pada tabel 2.6 26 Tabel -
Unique Pooling yang digunakan dalam tahap ini adalah adalah Average Pooling -
Unique Hasil dari proses pooling ditunjukkan tabel 2.7 Tabel -
Unique Hasil proses konvolusi yang kedua ditunjukkan oleh tabel 2.8 27 Tabel -
Unique Hasil Relu kedua dapat dilihat pada tabel 2.9 Tabel -
Unique Setelah dilakukan pooling maka diperoleh output seperti pada tabel 2.10 Tabel -
Unique Proses terakhir adalah aktivasi fungsi Softmax untuk proses klasifikasinya -
Unique Harapan Harapan dari kelanjutan proposal ini penulis dapat menyimpulkan sebagai berikut : -
Unique Dalam kelanjutan pembuatan suatu aplikasi pada skripsi agar tidak ada kesalahan -
Unique Pembuatan suatu aplikasi untuk mengenalkan motif batik khususnya kota Solo -
Unique Deep Learning Untuk Pengenalan Pelafalan Huruf Hijaiyah Berharakat -
Unique UGM: Program Studi Ilmu Komputer -
Unique Tutorial Pemrograman Python 2 Untuk Pemula -
Unique Extreme learning machine : theory and applications -
Unique of Neurocomputing 70(2006): 489-501 -
Unique ImageNet Classification with Deep Convolutional Neural Networks -
6,700 results Neural Information Processing Systems, pp.1–9 github.com cc.gatech.edu sciencedirect.com
link.springer.com researchgate.net deepai.org
Unique N., Kuriniawan, D., dan Hendiyanto, -
Unique Penerapan Ekstraksi Ciri Orde Satu Untuk Klasifikasi Tekstur Motif Batik Pesisir Dengan Algoritma Backpropagasi -
Unique Jurnal SIMETRIS, Vol 8, No 2, ISSN: 2252-4983 Mulyadi -
Unique Classification of Alzheimer’s Disease using fMRI Data and Deep Learning Convolutional Neural Networks -
Unique Teori Pengolahan Citra Digital -
Unique Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101 -
Unique Basis Data dalam Tinjauan Konseptual -
Unique Wicaksono, Ardian Yusuf., Suciati, Nanik., Fatichah, Chastine., Uchimura, Keiichi -
Unique Modified Convolutional Neural Network Architecture for Batik Motif Image Classification -
Unique 1 IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI MOTIF BATIK SOLO Atho’ul
Muwafiq -
Unique Kom 2 1 athoulmuwafi[email protected] Program Studi Teknik Informatika, Fakultas Teknik, Universitas Nusantara PGRI
Kediri BAB -
Unique Latar Belakang Masalah Batik merupakan salah satu warisan kesenian dari leluhur yang ditetapkan oleh - Unique Pengetahuan tentang macam macam motif batik Solo yang mungkin hanya dimiliki oleh orang-orang tertentu - Unique Dikarenakan setiap daerah memiliki motif batik sendiri sendiri dan hampir serupa antara batik satu -
Unique Untuk mengatasi permasalahan tersebut, perlu dibuat sistem pengenalan jenis-jenis batik Solo yang optimal
melalui -
Unique Berdasarkan hasil dari penelitian tentang pengenalan pola motif batik Pekalongan dengan memanfaatkan algoritma
Backpropagation, -
Unique Selain menggunakan metode 2 Backpropagation pengenalan motif batik dapat dilakukan dengan menggunakan
metode Learning -
Unique tahapan penelitian tersebut dan menggunakan 96 data uji pada data citra yang diambil adalah 86,49% - Unique untuk klasifikasi citra motif batik dengan akurasi 70,84% (Ardian Yusuf Wicaksono, Nanik Suciati, Chastine Fatichah, - Unique Oleh karena itu pada penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk pengenalan - Unique Identifikasi Masalah Pengetahuan tentang macam macam motif batik Solo yang mungkin hanya dimiliki oleh - Unique Batasan Masalah Batasan masalah dimaksud agar pembahasan dapat dilakukan secara terarah dan tercapai sesuai -
375 results Tujuan Penelitian Tujuan yang ingin dicapai dari penelitian ini adalah untuk merancang dan membangun
neliti.com id.123dok.com text-id.123dok.com id.123dok.com text-id.123dok.com mafiadoc.com mafiadoc.com docplayer.info id.scribd.com id.scribd.com
Unique Metode Penelitian Metode yang digunakan dalam pembuatan sistem pengenalan motif batik dengan Convolutional
Neural -
Unique Studi Pustaka Pada tahap ini dilakukan pengumpulan teori dan informasi dari hasil jurnal penelitian -
Unique Melakukan kajian tentang konsep, perkembangan, implementasi, dan cara melakukan analisis terhadap data hasil
pengujian -
Unique Pemodelan Data 5 Data yang sudah didapat kemudian diekstraksi dengan menggunakan Convolutional Neural
Network -
Unique Implementasi Kode Program Mulai pembuatan kode program pengenalan motif batik dengan metode Convolutional
Neural -
Unique Pengujian Program yang sudah dibuat kemudian diuji dari kemudahan program, pengambilan gambar batik Solo -
Unique Laporan disusun berdasarkan data gambar yang diperoleh, pembelajaran materi, perancangan dan pembuatan
sistem, serta -
Unique Jadwal Penelitian Berikut adalah waktu penelitian yang disusun ke dalam table 1.1 : Tabel - Unique Sistematika Penulisan Laporan Skripsi ini dibagi dalam lima bab, terdiri dari beberapa sub bab -
Unique Berikut adalah garis besar skripsi ini : BAB I PENDAHULUAN Bab ini berisi latar -
Unique 4 Studi Pustaka Pengumpulan Data Pemodelan Data Perancangan Antarmuka Implementasi Desain Implementasi
Kode Program Pengujian -
Unique BAB II TINJAUAN PUSTAKA Bab ini berisi Landasan Teori yang menjelaskan dasar ilmu dalam -
Unique BAB III ANALISA DAN DESAIN SISTEM Bab ini berisi Analisa dan Desain Sistem yang -
Unique BAB IV HASIL DAN EVALUASI Bab ini berisi Hasil dan Evaluasi dari hasil uji -
Unique Sistem Menurut Mulyadi (2016: 1), Sistem pada dasarnya adalah sekelompok unsur yang erat berhubungan - Unique Citra Digital Menurut Sutoyo T (2009 :9), Citra adalah suatu representasi (gambaran), kemiripan, atau -
Unique Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat -
Unique Citra analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X, - Unique Batik (KBBI) Batik adalah kain bergambar yang pembuatannya secara khusus dengan menuliskan atau menerakan -
Unique Convolutional Neural Network Menurut Suartika et al (2016), Convolutional Neural Network (CNN) adalah
pengembangan -
Unique CNN termasuk dalam Deep Neural Network karena kedalaman jaringan yang tinggi dan banyak diterapkan - Unique CNN hampir 9 sama dengan neural network pada umumnya yang memiliki neuron yang memiliki -
Unique Convolutional Layer Menurut (Suartika et al, 2016) Convolutional Layer melakukan proses operasi konvolusi
terhadap -
Unique Bobot pada layer tersebut menspesifisikasikan kernel konvolusi yang digunakan, sehingga kernel konvolusi dapat
dilatih -
Unique Max Pooling (Subsampling) Max Pooling adalah proses untuk meningkatkan invariansi posisi dari fitur menggunakan -
Unique Max Pooling membagi output dari Convolutional Layer menjadi beberapa grid kecil lalu mengambil nilai -
Unique ReLu (Rectified Linear Units) Layer ini mengaplikasikan fungsi aktivasi tak jenuh pada node -
Unique Layer ini meningkatkan sifat non-linier dari fungsi pengambil keputusan dan semua jaringan tanpa mempengaruhi -
Unique umumnya yaitu memiliki input layer, hidden layer dan output layer yang masing-masing memiliki neuron- neruon -
Unique Herho (2017), Python merupakan bahasa pemrograman tingkat tinggi yang telah menjadi standar dalam dunia
komputasi -
Unique Python merupakan bahasa pemrograman open source multi-platform yang dapat digunakan pada berbagai macam
sistem -
Unique Flask Menurut Miguel Grinberg (2014), Flask adalah kerangka kerja web yang menawarkan alat, library, - Unique Flask lebih kecil daripada framework- framework pada umumnya, oleh karena itu flask disebut micro -
Unique routing, debugging, dan web server gateway interface (WSGI) berasal dari Werkzeug, sementara dukungan
template -
Unique satu alat bantu untuk pengembangan sistem yang berorientasi objek karena UML menyediakan pemodelan visual
untuk -
Unique Kajian Pustaka Kegiatan yang meliputi, mencari, membaca dan menelaah laporan- laporan penelitian dan bahan - Unique Penelitian yang dilakukan oleh Ardian Yusuf Wicaksono, Nanik Suciati, Chastine Fatichah, Keiichi Uchimura, Gou - Unique IncRes dapat digunakan untuk klasifikasi citra motif batik dengan akurasi 70,84% dan waktu komputasi 733 - Unique Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman, dan desain aplikasi -
Unique KONSUMSI DI INDONESIA MENGGUNAKAN KERAS" hasil penelitiannya adalah metode Keras dihasil uji coba dan
evaluasi -
Unique Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman dengan menggunakan
python -
Unique MENGGUNAKAN KERAS" hasil penelitiannya adalah metode Keras dihasil pengujian dengan sampel 100 citra tomat
menunjukkan -
Unique Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman dengan menggunakan
python -
Unique MOTOGP BERBASIS GPU" hasil penelitiannya menunjukan akurasi sebesar 96,67% terhadap data test citra
pembalap MotoGP -
Unique Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman dengan menggunakan
python -
Unique NEURAL NETWORK" hasil penelitiannya klasifikasi ikan menggunakan metode Convolutional Neural Network dengan
teknik Transfer Learning -
Unique Yang membedakan jurnal yang penulis bahas yaitu studi kasus, teknik, bahasa pemrograman dengan
menggunakan -
Unique Data Input Pada penelitian ini data training yang digunakan menggunakan citra tiga motif batik - Unique 1 Motif Batik Solo Motif Variabel Motif Batik motif kawung Geometri Batik motif parang -
Unique Desain Sistem (Arsitektur) Metode perancangan yang digunakan untuk membangun sistem pengenalan motif batik
Solo -
Unique Use Case Diagram Use Case Diagram sistem pengenalan motif batik terdapat pada Gambar 2.2 - Unique 1 Use Case Diagram Gambar 2.2 Menunjukkan use case diagram dari pengenalan motif batik, - Unique Activity Diagram Pemodelan sistem menggunakan Activity Diagram dapat dilihat pada gambar 2.3 15 Gambar - Unique batik solo dan melakukan training data batik pengguna harus membuka halaman login, jika tidak maka - Unique 3 Sequence Diagram Autentikasi Penjelasan Sequence Diagram Autentikasi yang terdapat pada gambar 2.4 - Unique pada gambar 2.5 adalah : a) Admin melakukan training batik dengan cara membuka halaman training - Unique pada gambar 2.6 adalah : d) Admin dan pengguna melakukan testing batik dengan cara membuka - Unique 6 Class Diagram 19 Berdasarkan Class Diagram yang terdapat pada gambar 2.7 Menunjukkan Class - Unique Dan pada Class kedua terdapat Class Batik yang berisikan model dari batik yang menjadi - Unique 7 Database Lokal Berdasarkan gambar 2.8 menjelasan bahwa dalam local storage ada 3 buah - Unique dan folder query digunakan untuk menyimpan gambar yang di upload oleh pengguna umum sebagai data - Unique 8 Upload Gambar Batik Gambar 2.8 Merupakan desain formulir upload gambar, user dapat memilih - Unique 9 Tampilan Hasil Pengenalan Batik Gambar 2.9 merupakan tampilan halaman hasil pengenalan batik, dihalaman - Unique 10 Desain Form Login Admin Gambar 2.10 merupakan tampilan form login untuk login kedalam - Unique 11 Tampilan Tambah Data Batik Gambar 2.11 merupakan tampilan training data batik, pada halaman - Unique Gambaran Proses Dalam penelitian ini, Metode yang digunakan untuk proses klasifikasi yaitu Convolutional Neural - Unique Adapun Arsitektur Convolutional Neural Network untuk klasifikasi Motif batik dapat dilihat pada Gambar 2.12 - Unique 12 Arsitektur Convolutional Neural Network untuk klasifikasi Motif batik Gambar 2.12 merupakan arsitektur jaringan - Unique Proses Kovolusi kedua yaitu melanjutkan hasil proses pooling pertama dengan input matriks sebesar 32x32 -
Unique Proses selanjutnya yaitu proses pooling kedua, prosesnya hamper sama, yang membedakan yaitu outputnya,
output -
Unique Pada layer ini hanya satu hidden layer yang digunakan pada jaringan MLP ( Multi -
Unique = 4194560 8 Output 3 (256+1)3 = 771 Total 4.214.723 24 Dalam tabel 2.2 merupakan -
Unique Pada simulasi ini gambar input yang berukuran 10x10 piksel direpresentasikan sebagai matrik pada tabel -
Unique 225 175 130 255 255 255 255 255 255 255 255 255 255 255 Terdapat -
Unique 1) Konvolusi Terdapat dua proses konvolusi di dalam CNN, pada konvolusi pertama dilakukan proses -
Unique 4 Filter Konvolusi -0.5 0.2 0.1 0.2 0.1 0.4 0.3 -0.1 -0.2 Setelah dilakukan -
Unique 131 131 115 187 74 204 126 127 128 129 130 126 114 143 63 -
Unique = Bobot (kernel) 2) Relu (Rectified Linear Unit) Pada proses Relu nilai negatif dari output - Unique 3) Pooling Pada proses Pooling, akan difilter dengan ukuran filter 2x2 dan Stride atau pergeseran - Unique 4) Konvolusi Kedua Pada konvolusi kedua dilakukan filter lagi dengan ukuran filter dan bobot yang - Unique 5) Relu (Rectified Linear Unit) Kedua Seperti pada tahap Relu pertama, jika ada nilai negatif - Unique 6) Pooling Kedua Pada pooling kedua matriks hasil Relu akan dikenakan filter pooling dengan ukuran -
Unique 15 29 38 35 57 54 28 7) Fully Connected Layer Proses selanjutnya Fully connected -
Unique Proses Fully connected Layer bertujuan untuk melakukan transformasi dimensi data agar dapat diklasifikasikan
secara -
Unique 13 Proses Fully Connected Layer Gambar 2.13 merupakan proses konversi hasil fitur map average-pooling, - Unique biasanya pada proses ini akan diterapkan metode Dropout untuk menonaktifkan beberapa edge yang terhubung - Unique Softmax ini akan mengklasifikasikan input terhadap targetnya, yaitu kedalam 3 kelas batik yaitu batik -
Unique Kesimpulan Berdasarkan hasil pembahasan dari proposal ini dapat disimpulkan bahwa telah berhasil dibuat
perancangan -
Top plagiarizing domains: id.123dok.com (4 matches); mafiadoc.com (3 matches); pt.scribd.com (2 matches); scribd.com (2 matches); text-id.123dok.com (2 matches); es.scribd.com (2 matches); id.scribd.com (2 matches); docplayer.info (2 matches); researchgate.net (1 matches); link.springer.com (1 matches); deepai.org (1 matches); neliti.com (1 matches); sciencedirect.com (1 matches); vibdoc.com (1 matches); ar.scribd.com (1 matches); studibudayadanmedia.blogspot.com (1 matches); ml.scribd.com (1 matches); souvenir-kerajinan-jogja.blogspot.com (1 matches); github.com (1 matches); cc.gatech.edu (1 matches);
1 IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI MOTIF BATIK SOLO Atho’ul Muwafiq 1 , Danar Putra Pamungkas, M.Kom 2 1 athoulmuwafi[email protected] Program Studi Teknik Informatika, Fakultas Teknik, Universitas Nusantara PGRI Kediri BAB I PENDAHULUAN A. Latar Belakang Masalah Batik merupakan salah satu warisan kesenian dari leluhur yang ditetapkan oleh badan dunia PBB yakni UNESCO sebagai warisan budaya bangsa Indonesia. Batik Solo merupakan batik yang mempunyai kharisma tinggi. Beribu-ribu macam motif batik telah dihasilkan oleh masyarakat Solo secara turun temurun. Motif motif tersebut mengandung makna dari leluhur yang dulu menganut aliran animisme dan dinamisme. Pengetahuan tentang macam macam motif batik Solo yang mungkin hanya dimiliki oleh orang-orang tertentu yang memiliki keahlian pada bidang tersebut. Dikarenakan setiap daerah memiliki motif batik sendiri sendiri dan hampir serupa antara batik satu dengan yang lain. Untuk mengatasi permasalahan tersebut, perlu dibuat sistem pengenalan jenis-jenis batik Solo yang optimal melalui pendekatan algoritma Convolution Neural Network yang diharapkan dapat memberikan pengenalan motif batik secara optimal. Berdasarkan hasil dari penelitian tentang pengenalan pola
motif batik Pekalongan dengan memanfaatkan algoritma Backpropagation, nilai akurasi rata-rata yang didapatkan adalah 88,62% (Vera Pebrianasari, Edy Mulyanto, Erlin Dolphina (2015). Selain menggunakan metode 2 Backpropagation pengenalan motif batik dapat dilakukan dengan menggunakan metode Learning Vector Quantization(LVQ). Dengan menggunakan metode Learning Vector Quantization(LVQ) diperoleh hasil Tingkat akurasi identifikasi dengan benar menggunakan tahapan penelitian tersebut dan menggunakan 96 data uji pada data citra yang diambil adalah 86,49% (Diyan Mayasari, 2018). Metode Convolutional Neural Network (CNN)
juga dapat digunakan untuk untuk pengenalan motif batik. Dengan menggunakan Metode Convolutional Neural Network (CNN) diperoleh dengan arsitektur jaringan IncRes dapat digunakan untuk klasifikasi citra motif batik dengan akurasi 70,84% (Ardian Yusuf Wicaksono, Nanik Suciati, Chastine Fatichah, Keiichi Uchimura, Gou Koutaki, 2017). Berdasarkan penelitian-penelitian sebelumnya, Convolutional Neural Network (CNN) menghasilkan klasifikasi batik dengan akurasi yang optimal. Oleh karena itu pada penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk pengenalan motif batik. B. Identifikasi Masalah Pengetahuan tentang macam macam motif batik Solo yang mungkin hanya dimiliki oleh orang-orang tertentu yang memiliki keahlian pada bidang tersebut. C. Rumusan Masalah Bagaimana merancang dan membangun sistem pengenalan motif batik Solo. D. Batasan Masalah Batasan masalah dimaksud agar pembahasan dapat dilakukan secara terarah dan tercapai sesuai dengan yang diharapkan, maka perlu 3 ditetapkan batasan-batasan permasalahan. Batasan masalah dalam penelitian ini yaitu sebagai berikut : 1. Sistem yang akan dibangun menggunakan metode Convolutional Neural Network (CNN). 2. Studi kasus yang diambil adalah batik Solo. 3. Sistem ini dirancang menggunakan bahasa pemrograman Python dengan framework Flask. E. Tujuan Penelitian Tujuan yang ingin dicapai dari penelitian ini adalah untuk merancang dan membangun sistem pengenalan motif batik Solo dengan metode Convolutional Neural Network (CNN). F. Manfaat dan Kegunaan Penelitian Adapun manfaat dan kegunaan penelitian ini antara lain : 1. Secara Teoritis a. Untuk pengembangan ilmu pengetahuan. b. Menemukan cara pengimplementasian Convolutional Neural Network (CNN) terhadap sistem pengenalan motif batik Solo. 2. Secara Praktis a. Bagi Peneliti 1) Memahami proses kerja dan alur Convolutional Neural Network (CNN) dan
implementasinya. 2) Sebagai portofolio untuk peneliti yang berguna di masa yang akan datang. G. Metode Penelitian Metode yang digunakan dalam pembuatan sistem pengenalan motif batik dengan Convolutional Neural Network (CNN) ini adalah metode Waterfall. Alasan menggunakan metode ini karena metode Waterfall 4 melakukan pendekatan secara sistematis dan berurutan. Karena pelaksanaanya bertahap, sistem yang dihasilkan akan berkualitas baik, tidak terfokus pada tahapan tertentu. Tahapan dari metode Waterfall terdapat pada gambar 1.1 Gambar 1. 1 Metode Waterfall 1. Studi Pustaka Pada tahap ini dilakukan pengumpulan teori dan informasi dari hasil jurnal penelitian sebelumnya. Melakukan kajian tentang konsep, perkembangan, implementasi, dan cara melakukan analisis terhadap data hasil pengujian Convolutional Neural Network (CNN). 2. Analisa Kebutuhan Tahap ini mengumupulkan data gambar batik Solo. Data yang sudah didapat kemudian diekstraksi
menggunkan Convolutional Neural Network (CNN). 3. Pemodelan Data 5 Data yang sudah didapat kemudian diekstraksi dengan menggunakan Convolutional Neural Network (CNN). 4. Perancangan antarmuka Merancang antarmuka dari program yang akan dibuat. 5. Implementasi Kode Program Mulai pembuatan kode program pengenalan motif batik dengan metode Convolutional Neural Network (CNN). 6. Pengujian Program yang sudah dibuat kemudian diuji dari kemudahan program, pengambilan gambar batik Solo dan pengenalan motif batik Solo. 7. Evaluasi Pengujian Program yang telah dibuat dan diuji dievaluasi kembali jika ada perubahan. 8.
Laporan Penyusunan Laporan dilakukan setelah semua kegiatan selesai dikerjakan. Laporan disusun berdasarkan data gambar yang diperoleh, pembelajaran materi, perancangan dan pembuatan sistem, serta implementasi pengujian. 6 H. Jadwal Penelitian Berikut adalah waktu penelitian yang disusun ke dalam table 1.1 : Tabel 1. 1 Waktu Penelitian I. Sistematika Penulisan Laporan Skripsi ini dibagi dalam lima bab, terdiri dari beberapa sub bab yang saling berhubungan. Berikut adalah garis besar skripsi ini : BAB I PENDAHULUAN Bab ini berisi latar belakang yang menjelaskan masalah pengenalan motif batik Solo menggunakan Convolutional Neural Network (CNN). Identifikasi Masalah menjelaskan permasalahan pengenalan motif batik Solo. Rumusan Masalah yang menjelaskan pembuatan sistem pengenalan motif batik Solo. Batasan Masalah menjelaskan tentang batasan ruang lingkup sistem. Tujuan Penelitian menjelaskan tentang tujuan yang ingin dicapai. Manfaat dan Kegunaan Penelitian menjelaskan apa yang didapat setelah Jenis Kegiatan Bulan Ke 1 2 3 4 5 6 Minggu Ke 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Studi Pustaka Pengumpulan Data Pemodelan Data Perancangan Antarmuka Implementasi Desain Implementasi Kode Program Pengujian Evaluasi Pengujian Laporan 7 sistem diterapkan.
Metode Penelitian menjelaskan cara penelitian. Jadwal Penelitian menjelaskan tahap penelitian dalam satuan bulan. Sistematika Penulisan Laporan menjelaskan isi bab. BAB II TINJAUAN PUSTAKA Bab ini berisi Landasan Teori yang menjelaskan dasar ilmu dalam sebuah penelitian. Kajian Pustaka menjelaskan daftar referensi dari penelitian jurnal sebelumnya. Desain Sistem (Perancangan) menjelaskan gambaran sistem pengenalan motif batik Solo. BAB III ANALISA DAN DESAIN SISTEM Bab ini berisi Analisa dan Desain Sistem yang menjelaskan rancangan sistem pengenalan motif batik Solo. BAB IV HASIL DAN EVALUASI Bab ini berisi Hasil dan Evaluasi dari hasil uji coba sistem pengenalan motif batik Solo dengan menggunakan Convolutional Neural Network (CNN). BAB V PENUTUP Bab ini berisi kesimpulan penelitian, saran dan harapan penulis. 8 BAB II TINJAUAN PUSTAKA A. Landasan Teori 1. Sistem Menurut Mulyadi (2016: 1), Sistem pada dasarnya adalah sekelompok unsur yang erat berhubungan dengan yang lainnya, yang berfungsi bersama-sama untuk mencapai tujuan tertentu. 2. Citra Digital Menurut Sutoyo T (2009 :9), Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital.Citra analog adalah
citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X, hasil CT Scan dll. Sedangkan pada citra digital adalah citra yang dapat diolah oleh komputer. 3. Batik (KBBI) Batik adalah kain bergambar yang pembuatannya secara khusus dengan menuliskan atau menerakan malam pada kain itu, kemudian pengolahannya melalui proses tertentu. 4. Convolutional Neural Network Menurut Suartika et al (2016), Convolutional Neural Network (CNN) adalah pengembangan dari Multilayer Perceptron (MLP) yang dirancang untuk mengolah data dua dimensi. Pada CNN, setiap neuron direpresentasikan dalam bentuk dua dimensi. CNN termasuk dalam Deep Neural Network karena kedalaman jaringan yang tinggi dan banyak diterapkan pada data citra. CNN hampir 9 sama dengan neural network pada umumnya yang memiliki neuron yang memiliki bobot dan bias. Convolutional Neural Network memiliki 4 layer utama, yaitu : a. Convolutional Layer Menurut (Suartika
et al, 2016) Convolutional Layer melakukan proses operasi konvolusi terhadap input ataupun output dari layer sebelumnya. Konvolusi adalah istilah matematis yang mengaplikasikan sebuah fungsi pada output fungsi lain secara berulang. Tujuan dilakukannya konvolusi pada data citra yaitu untuk mengekstraksi fitur dari citra input.
Konvolusi akan menghasilkan transformasi linear dari data input sesuai informasi spesial pada data. Bobot pada layer tersebut menspesifisikasikan kernel konvolusi yang digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan input pada CNN. b. Max Pooling (Subsampling) Max Pooling adalah proses untuk meningkatkan invariansi posisi dari fitur menggunakan operasi Max. Max Pooling membagi output dari Convolutional Layer menjadi beberapa grid kecil lalu mengambil nilai maksimal dari setiap grid untuk menyusun matriks citra yang telah direduksi. c. ReLu (Rectified Linear Units) Layer ini mengaplikasikan fungsi aktivasi tak jenuh pada node ( )= += (0, ). Layer ini meningkatkan sifat non-linier dari fungsi pengambil keputusan dan semua jaringan tanpa mempengaruhi bidang reseptif dari Convolutional Layer. d. Fully Connected Layer 10 Layer ini memiliki kesamaan struktur dengan Artificial Neural Network pada umumnya yaitu memiliki input layer, hidden layer dan output layer yang masing-masing memiliki neuron- neruon yang saling terhubung dengan neuron-neuron di layer tetangganya. 5. Python Menurut Sandy H.S.Herho (2017), Python merupakan bahasa pemrograman tingkat tinggi yang telah menjadi standar dalam dunia komputasi ilmiah. Python merupakan bahasa pemrograman open source multi-platform yang dapat digunakan pada berbagai macam sistem operasi (Windows, Linux, dan MacOS). 6. Flask Menurut Miguel Grinberg (2014), Flask adalah kerangka kerja web yang menawarkan alat, library, dan teknologi yang cocok untuk membangun aplikasi web. Flask lebih kecil daripada framework- framework pada umumnya, oleh karena itu flask disebut micro framework. Flask memiliki dua dependensi utama. routing, debugging, dan web server gateway interface (WSGI) berasal dari Werkzeug, sementara dukungan template disediakan oleh Jinja2. Werkzeug dan Jinja2 ditulis oleh pengembang inti Flask. 7. UML (Unified Modelling Language)
Menurut Munawar (2005: 17), UML (Unified Modelling Language) merupakan salah satu alat bantu untuk pengembangan sistem yang berorientasi objek karena UML menyediakan pemodelan visual untuk membuat rancangan aplikasi yang mudah dimengerti. 11 B. Kajian Pustaka Kegiatan yang meliputi, mencari, membaca dan menelaah laporan- laporan penelitian dan bahan pustaka yang memuat teori relevan dengan penelitian yang akan dilakukan : 1. Penelitian yang dilakukan oleh Ardian Yusuf Wicaksono, Nanik Suciati, Chastine Fatichah, Keiichi Uchimura, Gou Koutaki. Kumamoto University (2017) dengan judul "MODIFIED CONVOLUTIONAL NEURAL
NETWORK ARCHITECTURE FOR BATIK MOTIF IMAGE CLASSIFICATION" hasil penelitiannya adalah pengenalan batik yang akurat, Metode CNN yang diusulkan dengan arsitektur jaringan IncRes dapat digunakan untuk klasifikasi citra motif batik dengan akurasi 70,84% dan waktu komputasi 733 ms. Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman, dan desain aplikasi menggunakan framework css. 2. Penelitian yang dilakukan oleh Tutut Furi Kusumaningrum. Universitas Islam Indonesia (2018) dengan judul "IMPLEMENTASI CONVOLUTION NEURAL NETWORK (CNN) UNTUK KLASIFIKASI JAMUR KONSUMSI DI INDONESIA MENGGUNAKAN KERAS" hasil penelitiannya adalah metode Keras dihasil uji coba dan evaluasi model terhadap gambar jamur menunjukan akurasi sebesar 100% pada trainingdan 81,667% pada proses test. Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman dengan menggunakan python dengan
framework flask, dan desain aplikasi menggunakan framework css. 3. Penelitian yang dilakukan oleh Tiara Shafira. Universitas Islam Indonesia (2018) dengan judul "IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORKS UNTUK KLASIFIKASI CITRA TOMAT MENGGUNAKAN KERAS" hasil penelitiannya adalah metode Keras dihasil pengujian dengan sampel 100 citra tomat menunjukkan tingkat akurasi sebesar 90% yang dinilai 12 telah mampu melakukan identifikasi kelayakan buah tomat. Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman dengan menggunakan python dengan framework flask, dan desain aplikasi menggunakan framework css. 4. Penelitian yang dilakukan oleh Afandi Nur Aziz Thohari1, Galuh Boy Hertantyo. Institut Teknologi Telkom Purwokerto (2018) dengan judul "IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PEMBALAP MOTOGP BERBASIS GPU" hasil penelitiannya menunjukan akurasi sebesar
96,67% terhadap data test citra pembalap MotoGP dengan waktu pelatihan mencapai 473 detik menggunakan GPU. Yang membedakan jurnal yang penulis bahas yaitu studi kasus, bahasa pemrograman dengan menggunakan python dengan framework flask, dan desain aplikasi menggunakan framework css. 5. Penelitian yang dilakukan oleh Heri Darmanto. AMIK Taruna Probolinggo (2019) dengan judul "PENGENALAN SPESIES IKAN BERDASARKAN KONTUR OTOLITH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK" hasil penelitiannya klasifikasi ikan menggunakan metode Convolutional Neural Network dengan teknik Transfer Learning dari model Alexnet dan optimasi Momentum Stochastic Gradient Descent. Hasil eksperimen diperoleh akurasi sebesar 95.4%. Yang membedakan jurnal yang penulis bahas yaitu studi kasus, teknik, bahasa pemrograman dengan menggunakan python dengan framework flask, dan desain aplikasi menggunakan framework css. 13 C. Desain Sistem (Perancangan) 1. Kebutuhan data a. Data Input Pada penelitian ini data training yang digunakan menggunakan citra tiga motif batik solo. dengan masing-masing kategori jenis batik sebanyak 5 citra motif batik solo. Jumlah sampel sama untuk mempermudah dalam mempartisi data dalam pengklasifikasian. berikut data motif
batik Solo yang disusun pada tabel 2.1 Tabel 2. 1 Motif Batik Solo Motif Variabel Motif Batik motif kawung Geometri Batik motif parang Geometri Batik motif truntum Geometri 2. Desain Sistem (Arsitektur) Metode perancangan yang digunakan untuk membangun sistem pengenalan motif batik Solo menggunakan UML (Unified 14 Modelling Language). Perancangan akan dibagi menjadi beberapa subsistem yaitu : a. Use Case Diagram Use Case Diagram sistem pengenalan motif batik terdapat pada Gambar 2.2 Gambar 2. 1 Use Case Diagram Gambar 2.2 Menunjukkan use case diagram dari pengenalan motif batik, terdapat dua aktor yaitu admin dan pengguna
umum. Admin dapat login ke system pengenalan batik dan dapat melakukan training data batik. Sedangkan pengguna umum hanya dapat melakukan pengenalan motif batik atau testing. b. Activity Diagram Pemodelan sistem menggunakan Activity Diagram dapat dilihat pada gambar 2.3 15 Gambar 2. 2 Activity Diagram Pengenalan Batik Berdasarkan Gambar 2.3 dijelaskan bahwa untuk bisa mengelola data batik solo dan melakukan training data batik pengguna harus membuka halaman login, jika tidak maka pengguna hanya bisa mengakses pengenalan batik. c. Sequence Diagram 16 Gambar 2. 3 Sequence Diagram Autentikasi Penjelasan Sequence Diagram Autentikasi yang terdapat pada gambar 2.4 : 1) Admin membukan halaman login. 2) Admin melakukan login. 3) Admin memasukkan username dan password. 4) Jika username dan password benar, maka admin akan di alihkan ke halaman admin. 17 Gambar 2. 4 Sequence Diagram Training Data Batik Penjelasan
Sequence Diagram training Data Batik yang terdapat pada gambar 2.5 adalah : a) Admin melakukan training batik dengan cara membuka halaman training batik. b) Admin memasukkan dataset batik yang digunakan untuk training. c) Menampilkan model hasil training batik. 18 Gambar 2. 5 Sequence Diagram Testing Data Batik Penjelasan Sequence Diagram testing Data Batik yang terdapat pada gambar 2.6 adalah : d) Admin dan pengguna melakukan testing batik dengan cara membuka halaman training batik. e) Admin memasukkan gambar batik yang digunakan untuk testing. f) Menampilkan hasil pengenalan batik. d. Class Diagram Gambar 2. 6 Class
Diagram 19 Berdasarkan Class Diagram yang terdapat pada gambar 2.7 Menunjukkan Class Diagram dari sistem klasifikasi pengenalan batik, pada Class pertama ada Class User yang berisikan admin. Dan pada Class kedua terdapat Class Batik yang berisikan model dari batik yang menjadi studi kasus penelitian ini. e. Desain Database Gambar 2. 7 Database Lokal Berdasarkan gambar 2.8 menjelasan bahwa dalam local storage ada 3 buah folder yang masing masing memiliki fungsi tersendiri. Folder feature yang berisi model dari data training, trained_images berisi gambar yang telah ditraining, dan folder query digunakan untuk menyimpan gambar yang
di upload oleh pengguna umum sebagai data testing. 20 f. Desain Menu/Aplikasi 1. Form Upload Gambar Untuk Pengguna Umum Gambar 2. 8 Upload Gambar Batik Gambar 2.8 Merupakan desain formulir upload gambar, user dapat memilih file citra dari file manager atau bisa meng- capture dengan menggunkan kamera device. 2.
Tampilan Hasil Pengenalan Batik Gambar 2. 9 Tampilan Hasil Pengenalan Batik Gambar 2.9 merupakan tampilan halaman hasil pengenalan batik, dihalaman ini ditampilkan mulai dari jenis batik dan informasi terkait tentang batik tersebut. 21 3. Form Login Admin Gambar 2. 10 Desain Form Login Admin Gambar 2.10 merupakan tampilan form login untuk login kedalam aplikasi. Untuk melakukan training batik admin harus mengisi form username dan password dengan benar. 4. Dashboard Training Data Gambar 2. 11 Tampilan Tambah Data Batik Gambar 2.11 merupakan tampilan training data batik, pada halaman ini admin dapat memilih gambar untuk training jenis batik, step size dan epoch count. 22 3. Gambaran Proses Dalam penelitian ini, Metode yang digunakan untuk proses klasifikasi yaitu Convolutional Neural Network. Adapun Arsitektur Convolutional Neural Network untuk klasifikasi Motif batik dapat dilihat pada Gambar 2.12 Gambar 2. 12 Arsitektur Convolutional Neural
Network untuk klasifikasi Motif batik Gambar 2.12 merupakan arsitektur jaringan pada proses training, penelitian ini menggunakan input gambar dengan ukuran 64x64x3. Arsitektur diatas dapat dijelaskan seperti penjelasan dibawah ini : 1. Proses Konvolusi pertama digunakan kernel berukuran 3x3 dan jumlah filter sebanyak 32 filter. setelah proses konvolusi, maka ditambahkan sebuah aktivasi fungsi yaitu RELU (Retrified Linear Unit). Fungsi ini bertujuan mengubah nilai negative menjadi nol. 2. Proses pooling. Proses ini merupakan pengurangan ukuran matriks dengan menggunakan operasi pooling. Pada penelitian ini menggunakan average-pooling untuk
mendapatkan nilai matriks yang baru dari hasil pooling. 3. Proses Kovolusi kedua yaitu melanjutkan hasil proses pooling pertama dengan input matriks sebesar 32x32 dengan jumlah filter sebanyak 64 filter dan ukuran kernel 3x3. Proses konvolsi kedua ini menggunakan fungsi aktivasi RELU. 23 4. Proses selanjutnya yaitu proses pooling kedua, prosesnya hamper sama, yang membedakan yaitu outputnya, output yang dihasilkan memiliki ukuran 16x16. 5. Selanjutnya fully connected. Pada layer ini hanya satu hidden layer yang digunakan pada jaringan MLP ( Multi Layer Perceptron). fully connected disini mengubah output pooling menjadi vector. 6. Proses terakhir yaitu menggunakan aktivasi fungsi Softmax. Softmax merupakan fungsi yang mengambil input vector dan menormalkannya menjadi distribusi probabilitas. Berdasarkan penjelasan diatas, arsitektur tersebut digunakan untuk proses training. Dari proses training didapatkan model dari arsitektur tersebut. Model yang terbentuk terdapat pada tabel 2.2 Tabel 2. 2 Model CNN No Nama Size Parameter 1 Input 64*64*3 0 2 Conv2d_1 (64+(2*1)-(3-1)) = 64*64*32 ((3*3*3)+1)*32 = 896 3 MaxPool_1 32*32*32 0 4 Conv2d_2 (32+(2*1)-(3-1)) = 32*32*64 ((3*3*32)+1)*64 = 18496 5 MaxPool_2 16*16*32 0 6 Fully Connected 16384 0 7 Dense 256 (16384*256)+256 = 4194560 8 Output 3 (256+1)*3 = 771 Total 4.214.723 24 Dalam tabel 2.2 merupakan model yang terbentuk dari hasil training. Untuk menghitung input kedalam konvolusi menggunakan rumus “input_size + 2*padding - (filter_size -1)”. Total parameter yang terbentuk dari model sebanyak 4.214.723 neuron. Pada simulasi ini gambar input yang berukuran 10x10 piksel direpresentasikan sebagai matrik pada tabel 2.3 Tabel 2. 3 Matriks Input 255 255 255 255 255 255 255 255 255 255 255 100 199 198 197 196 195 194 193 255 255 150 142 134 126 118 110 102 94 255 255 170 165 160 155 150 145 140 135 255 255 255 188 120 64 50 36 22 176 255 255 222 211 90 51 40 35 30 217 255 255 230 50 40 38 36 34 32 188 255 255 240 130 135 85 42 48 41 159 255 255 250 245 240 215 230 225 175 130 255 255 255 255 255 255 255 255 255 255 255 Terdapat beberapa tahapan dalam pemrosesan citra dengan Convolutional Neural Network. 1) Konvolusi Terdapat dua proses konvolusi di dalam CNN, pada konvolusi pertama dilakukan proses filter berukuran 3x3 dengan bobot yang telah ditentukan. Nilai dari filter dapat dilihat pada tabel 2.4. 25 Tabel 2. 4 Filter Konvolusi -0.5 0.2 0.1 0.2 0.1 0.4 0.3 -0.1 -0.2 Setelah dilakukan filter, maka dari proses konvolusi pertama didapat dapat hasil sebagai berikut. lihat tabel 2.5 Tabel 2. 5 Hasil Konvolusi Pertama 62 195 179 179 179 179 179 179 166 109 127 133 92 91 91 90 89 89 79 -9.7 97 82 60 55 49 44 38 33 76 14 83 64 115 111 97 83 81 45 75 84 126 87 111 85 27 3.5 7.1 13 43 84 119 143 76 10 -4.1 11 8.9 70 119 63 117 59 38 -47 24 23 13 74 127 28 120 53 17 63 46 35 35 110 162 28 124 106 90 138 117 131 131 115 187 74 204 126 127 128 129 130 126 114 143 63 Pada proses konvolusi digunakan persamaan seperti berikut. Lihat gambar Keterangan : s(t) = fungsi hasil operasi konvolusi, X = Input, W = Bobot (kernel) 2) Relu (Rectified Linear Unit) Pada proses Relu nilai negatif dari output neuron akan diubah menjadi 0.
Hasil Relu yang pertama dapat dilihat pada tabel 2.6 26 Tabel 2. 6 Hasil Relu Pertama 62 195 179 179 179 179 179 179 166 109 127 133 92 91 91 90 89 89 79 0 97 82 60 55 49 44 38 33 76 14 83 64 115 111 97 83 81 45 75 84 126 87 111 85 27 3.5 7.1 13 43 84 119 143 76 10 0 11 8.9 70 119 63 117 59 38 0 24 23 13 74 127 28 120 53 17 63 46 35 35 110 162 28 124 106 90 138 117 131 131 115 187 74 204 126 127 128 129 130 126 114 143 63 3) Pooling Pada proses Pooling, akan difilter dengan ukuran filter 2x2 dan Stride atau pergeseran sebanyak dua kali. Pooling yang digunakan dalam tahap ini adalah adalah Average Pooling. Hasil dari proses pooling ditunjukkan tabel 2.7 Tabel 2. 7 Hasil Average Pooling 129 135 135 134 89 81 85 68 49 62 119 71 10 23 77 87 29 32 57 85 140 120 126 121 116 4) Konvolusi Kedua Pada konvolusi kedua dilakukan filter lagi dengan ukuran filter dan bobot yang sama dengan konvolusi pertama. Hasil proses konvolusi yang kedua ditunjukkan oleh tabel 2.8 27 Tabel 2. 8 Hasil Konvolusi Kedua 42 96 103 79 44 56 55 32 -3 -34 50 35 -5 3.9 8.7 13 -6 0.2 56 49 83 56 83 88 24 5) Relu (Rectified Linear Unit) Kedua Seperti pada tahap Relu pertama, jika ada nilai negatif pada hasil konvolusi amak akan dirubah menjadi 0. Hasil Relu kedua dapat dilihat pada tabel 2.9 Tabel 2. 9 Hasil Relu Kedua 42 96 103 79 44 56 55 32 0 0 50 35 0 3.9 8.7 13 0 0.2 56 49 83 56 83 88 24 6) Pooling Kedua Pada pooling kedua matriks hasil Relu akan dikenakan filter pooling dengan ukuran 2x2 dengan Stride satu kali. Setelah dilakukan pooling maka diperoleh output seperti pada tabel 2.10 Tabel 2. 10 Hasil Pooling Kedua 62 71 53 31 49 30 8.9 3.1 25 8.8 15 29 38 35 57 54 28 7) Fully Connected Layer Proses selanjutnya Fully connected Layer. Proses Fully connected Layer bertujuan untuk melakukan transformasi dimensi data agar dapat diklasifikasikan secara linear. Gambar 2. 13 Proses Fully Connected Layer Gambar 2.13 merupakan proses konversi hasil
fitur map average-pooling, pada proses ini nilai input matriks dari layer pooling sebelumnya akan diubah menjadi vector. biasanya pada proses ini akan diterapkan metode Dropout untuk menonaktifkan beberapa edge yang terhubung ke setiap neuron untuk menghindari overfitting. Proses terakhir adalah aktivasi fungsi Softmax untuk proses klasifikasinya. Softmax ini akan mengklasifikasikan input terhadap targetnya, yaitu kedalam 3 kelas batik yaitu batik kawung, batik parang, dan batik truntum. 29 BAB III PENUTUP A. Kesimpulan Berdasarkan hasil pembahasan dari proposal ini dapat disimpulkan bahwa telah berhasil dibuat perancangan sistem pengenalan motif batik Solo. B. Harapan Harapan dari kelanjutan proposal ini penulis dapat menyimpulkan sebagai berikut : 1. Dalam kelanjutan pembuatan suatu aplikasi pada skripsi agar tidak ada kesalahan. 2. Pembuatan suatu aplikasi untuk mengenalkan motif batik khususnya kota Solo. 30 Daftar Pustaka Adam. R., R. 2016.
Deep Learning Untuk Pengenalan Pelafalan Huruf Hijaiyah Berharakat. UGM: Program Studi Ilmu Komputer. Skripsi. Grinberg, Miguel. 2014. Flask Web Development. United States of America. Retrieved from http://my.safaribooksonline.com/?portal=oreilly H.S. Herho, Sandy. 2017. Tutorial Pemrograman Python 2 Untuk Pemula.
Bandung: WCPL Press. Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. 2006. Extreme learning machine : theory and applications. Int. J. of Neurocomputing 70(2006): 489-501. Krizhevsky, A., Sutskever, I. dan Hinton, G.E. 2012. ImageNet Classification with Deep Convolutional Neural Networks. Neural Information Processing Systems, pp.1–9.
Kurnia, N.N., Kuriniawan, D., dan Hendiyanto, N. 2017. Penerapan Ekstraksi Ciri Orde Satu Untuk Klasifikasi Tekstur Motif Batik Pesisir Dengan Algoritma Backpropagasi. Jurnal SIMETRIS, Vol 8, No 2, ISSN: 2252-4983 Mulyadi. 2016. Sistem Akuntansi Edisi 4. Jakarta: Salemba Empat. Sarraf, S & Tofighi, G. 2016. Classification of Alzheimer’s Disease using fMRI Data and Deep Learning Convolutional Neural Networks. arXiv:1603.08631. Sutoyo, T. 2009. Teori Pengolahan Citra Digital. Yogyakarta:Andi. 31 Suartika, I. W. E. P., Wijaya, A. R & Soelaiman, R. 2016. Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS
Vol. 5 No. 1. Sutanta, Edhy. 2011. Basis Data dalam Tinjauan Konseptual. Yogyakarta: Andi Offset. Wicaksono, Ardian Yusuf., Suciati, Nanik., Fatichah, Chastine., Uchimura, Keiichi. dan Koutaki, Gou. 2017. Modified Convolutional Neural Network Architecture for Batik Motif Image Classification. IPTEK, Journal of Science Vol. 2 No. 1.
