METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN PENGGUNAAN TRANSFER LEARNING DAN FINE- TUNING UNTUK IDENTIFIKASI RAGAM WARANGKA KERIS GAYA YOGYAKARTA DAN SURAKARTA

Akbar, Fahmi Malik Namus (2024) METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN PENGGUNAAN TRANSFER LEARNING DAN FINE- TUNING UNTUK IDENTIFIKASI RAGAM WARANGKA KERIS GAYA YOGYAKARTA DAN SURAKARTA. Other thesis, UPN "Veteran" Yogyakarta.

	Text 123200002_Abstrak.pdf Download (98kB)
	Text 123200002_Cover.pdf Download (156kB)
	Text 123200002_Daftar Isi.pdf Download (22kB)
	Text 123200002_Daftar Pustaka.pdf Download (95kB)
	Text 123200002_Lembar Pengesahan.pdf Download (101kB)
	Text 123200002_Skripsi Full.pdf Restricted to Repository staff only Download (1MB)

Abstract

vii
ABSTRAK
Indonesia adalah negara kepulauan yang kaya akan budaya dan peninggalan sejarah
baik benda maupun tak benda. Salah satu peninggalan sejarah berbentuk benda yang
sangat ikonik sebagai lambang budaya adalah keris. Berbicara tentang keris, tidak lepas
dari peranan dari sarung pelindungnya atau yang sering disebut dengan warangka.
Warangka keris memiliki keunikan tersendiri dengan nilai estetika dan nilai budaya yang
tinggi sehingga berpengaruh juga terhadap nilai jualnya dan masih sedikit yang melakukan
penelitian dengan data ini. Hal itulah yang membuat penulis tertarik menjadikan citra
warangka keris sebagai data objek penelitian. Banyaknya ragam warangka keris membuat
banyak orang mengalami kesulitan dalam membedakannya. Sehingga perlu adanya
teknologi komputer yang dapat membantu mengidentifikasi ragam warangka keris yakni
Ladrang Surakarta, Ladrang Yogyakarta, Gayaman Yogyakarta, dan Gayaman Surakarta
menggunakan pendekatan model Convolutional Neural Network (CNN) dengan penerapan
teknik transfer learning yang menerapkan DenseNet201 dan fine-tuning yang dioptimasi
menggunakan Adam untuk mendapatkan model dengan akurasi yang baik.
Penelitian ini mengevaluasi penggunaan kombinasi hyperparameter pada
Convolutional Neural Network (CNN) dengan 12 kombinasi serta DenseNet201 dan fine-
tuning dengan 4 kombinasi untuk klasifikasi warangka keris. Base model CNN dengan 64
filter, kernel size (3,3), dan dropout rate 0.3 memberikan akurasi training 83% dan testing
81%. Pada DenseNet201, fine-tuning dengan learning rate 1e-4 dan 25 epochs
menghasilkan akurasi training 98%, testing 99% dengan loss 1%, serta confussion matrix
akurasi 99,62%, presisi 99,75%, dan recall 99,75%. CNN dengan Transfer Learning tanpa
Fine-tuning mencapai akurasi 98,1%, dan dengan Fine-tuning tanpa optimasi Adam
95,47%. Hasil menunjukkan bahwa DenseNet201 dengan Fine-tuning dan optimasi Adam
secara keseluruhan baik tanpa overfitting dan memiliki akurasi lebih tinggi daripada CNN.
Saran untuk melakukan eksplorasi kombinasi hyperparameter lainnya, uji coba pada
dataset yang lebih luas, serta eksperimen dengan teknik transfer learning pada arsitektur
model lainnya.
Kata kunci : Warangka keris, CNN, Transfer learning, Fine tuning, DenseNet201
viii
ABSTRACT
Indonesia is an archipelagic country rich in culture and historical heritage, both
tangible and intangible. One of the iconic historical artifacts representing its cultural
identity is the keris, a traditional dagger. When discussing the keris, one cannot overlook
the significance of its protective sheath, known as “the warangka”. The warangka of a
keris possesses its own uniqueness with high aesthetic and cultural values, which also
influence its market value, yet there has been limited research conducted on this aspect.
This sparked the author's interest in utilizing images of keris warangka as the research
object. The diverse variations of keris warangka often pose challenges for people to
distinguish between them. Hence, there is a need for computer technology to assist in
identifying the different types of keris warangka, namely Ladrang Surakarta, Ladrang
Yogyakarta, Gayaman Yogyakarta, and Gayaman Surakarta, using a Convolutional Neural
Network (CNN) model approach with transfer learning technique employing DenseNet201
and fine-tuning optimized using Adam to achieve a high accuracy model.
This study evaluates the utilization of hyperparameter combinations in
Convolutional Neural Network (CNN) with 12 combinations and DenseNet201 with fine-
tuning employing 4 combinations for classifying keris warangka. The base CNN model
with 64 filters, a kernel size of (3,3), and a dropout rate of 0.3 achieved a training
accuracy of 83% and testing accuracy of 81%. On the other hand, fine-tuning
DenseNet201 with a learning rate of 1e-4 and 25 epochs resulted in a training accuracy of
98%, testing accuracy of 99%, with a loss of 1%, and a confusion matrix accuracy of
99.62%, precision of 99.75%, and recall of 99.75%. CNN with Transfer Learning without
Fine-tuning attained an accuracy of 98.1%, while with Fine-tuning without Adam
optimization achieved 95.47%. The results indicate that DenseNet201 with Fine-tuning
and Adam optimization performs well overall without overfitting and achieves higher
accuracy compared to CNN. Suggestions include exploring other combinations of
hyperparameters, testing on a broader dataset, and experimenting with transfer learning
techniques on different model architectures.
Keywords: Keris warangka, CNN, Transfer learning, Fine-tuning, DenseNet201

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Keris warangka, CNN, Transfer learning, Fine-tuning, DenseNet201
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	16 May 2024 03:52
Last Modified:	16 May 2024 03:52
URI:	http://eprints.upnyk.ac.id/id/eprint/39442

Actions (login required)

View Item