PENERAPAN TRANSFER LEARNING CNN BERBASIS RESNET50 UNTUK KLASIFIKASI JENIS GAMELAN JAWA

AHMAD YUDA HERMAWAN, . (2026) PENERAPAN TRANSFER LEARNING CNN BERBASIS RESNET50 UNTUK KLASIFIKASI JENIS GAMELAN JAWA. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text Cover_123210075.pdf Download (161kB)
	Text Abstrak_123210075.pdf Download (223kB)
	Text Halaman Pengesahan_123210075.pdf Download (389kB)
	Text Daftar Isi_123210075.pdf Download (299kB)
	Text Daftar Pustaka_123210075.pdf Download (212kB)
	Text Fulltext_123210075.pdf Restricted to Repository staff only Download (4MB)

Abstract

Indonesia memiliki kekayaan budaya yang sangat beragam, salah satunya adalah Gamelan Jawa yang telah diakui oleh UNESCO sebagai Warisan Budaya Takbenda Dunia. Namun, eksistensi instrumen tradisional ini menghadapi tantangan serius akibat arus globalisasi yang menyebabkan keterasingan generasi muda terhadap detail bentuk dan nama-nama instrumen gamelan. Penelitian ini bertujuan untuk mengatasi masalah tersebut melalui digitalisasi budaya dengan mengimplementasikan teknologi pengolahan citra berbasis kecerdasan buatan untuk mengklasifikasikan sembilan jenis instrumen gamelan Jawa, yaitu bonang, demung, gambang, gender, gong, kendang, kenong, saron, dan slenthem. Pendekatan yang digunakan adalah metode kuantitatif eksperimental dengan arsitektur
Convolutional Neural Network (CNN) ResNet-50 melalui teknik transfer learning untuk mengekstraksi fitur visual secara otomatis dan mendalam.

Proses penelitian dimulai dengan pengumpulan dataset yang terdiri dari 540 citra, mencakup data primer dari pengambilan gambar langsung dan data sekunder dari platform Roboflow. Sebelum memasuki tahap pelatihan, seluruh data melalui fase preprocessing yang
ketat meliputi pengubahan ukuran citra (resize) menjadi 224x224 piksel, normalisasi nilai piksel ke rentang 0-1, serta penerapan teknik augmentasi seperti rotasi, shear, zoom, dan flip untuk memperkaya variasi pola dan mencegah terjadinya overfitting. Eksperimen pelatihan model dilakukan dengan membandingkan tiga jenis algoritma optimasi, yaitu Adam, SGD, dan RMSProp, serta variasi jumlah iterasi (epoch) sebanyak 20, 30, dan 50.

Hasil penelitian menunjukkan bahwa pemilihan hyperparameter berpengaruh
signifikan terhadap akurasi model. Konfigurasi terbaik diperoleh menggunakan optimizer Adam dengan 50 epoch, yang berhasil mencapai tingkat akurasi sebesar 95,37% dan macro average F1-score sebesar 95,53%. Selain pengujian standar, penelitian ini melakukan pengujian ketahanan (robustness test) untuk mengevaluasi kinerja sistem pada kondisi lingkungan yang tidak ideal. Hasilnya, model terbukti tetap tangguh pada kondisi minim cahaya dengan akurasi 96,29%, namun mengalami penurunan performa signifikan pada pengambilan citra jarak jauh (3 meter) dengan akurasi merosot hingga 70,37% akibat hilangnya detail tekstur dan konteks skala ukuran objek. Temuan ini diharapkan dapat memberikan kontribusi nyata dalam bidang informatika serta mendukung pelestarian budaya melalui pengembangan sistem edukasi berbasis kecerdasan buatan.

Kata Kunci: Gamelan Jawa, CNN, ResNet-50, Transfer Learning, Klasifikasi Citra.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	AHMAD YUDA HERMAWAN (Penulis - 123210075) RIFKI INDRA PERWIRA (Pembimbing)
Uncontrolled Keywords:	Gamelan Jawa, CNN, ResNet-50, Transfer Learning, Klasifikasi Citra
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	25 Mar 2026 22:33
Last Modified:	25 Mar 2026 22:33
URI:	http://eprints.upnyk.ac.id/id/eprint/47434

Actions (login required)

View Item