Publisher

STMIK BANJARBARUSTMIK BANJARBARU

Journal Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer Abstract

Bali, dengan kekayaan budaya yang kompleks serta beragam simbolisme. Salah satunya tercermin dalam rupa motif kain tradisional Bali. Namun, pengenalan manual motif kain Bali sering terhambat oleh tantangan seperti kerumitan pola, kesamaan antara motif, dan keterbatasan pengetahuan masyarakat. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan menggunakan kecerdasan buatan (AI) untuk mengotomatisasi proses identifikasi motif kain Bali secara akurat dan efisien. Penelitian ini mengembangkan model pengenalan motif kain Bali dengan menggunakan algoritma Inception V3 dan EfficientNet B1 dalam analisis klasifikasi citra. Metode penelitian yang digunakan adalah eksperimen, dimulai dengan pengumpulan dataset, augmentasi data, ekstraksi fitur, pemodelan, dan pengujian. Hasil penelitian menunjukkan bahwa model EfficientNet B1 mencapai akurasi 99% pada iterasi ke-25, jauh lebih tinggi dibandingkan dengan Inception V3 yang hanya memperoleh akurasi 62%. Hasil ini menunjukkan bahwa model EfficientNet lebih efektif dalam mengenali dan mengklasifikasikan motif kain Bali serta memperkuat potensi kecerdasan buatan dalam pelestarian budaya.

Conclusion

Penelitian ini berhasil membuat sebuah model klasifikasi citra kain Bali yang terdiri dari.motif Pisan, motif Buketan, motif Merak, motif Ulamsari dan motif Barong dengan membandingkan Model InceptionV3 dan EfficientNetB1.Berdasarkan hasil pelatihan dan pengujian yang telah dipaparkan pada bagian hasil dan pembahasan dapat disimpulkan bahwa pada berbagai data, Model EfficientNet bekerja lebih baik daripada Model Inception.Model EfficientNet mendapatkan akurasi sebesar 99%, sedangkan Inception hanya mendapatkan akurasi sebesar 62%.Hasil yang sama juga didapatkan pada metric precision, recall dan f1-score pada setiap label.Dari hasil confusion matrix juga ditemukan bahwa error lebih banyak terjadi pada Model Inception daripada model EfficientNet.

Future Research

Penelitian lanjutan dapat mengembangkan model dengan dataset yang lebih besar dan beragam untuk meningkatkan generalisasi klasifikasi motif kain Bali. Selain itu, integrasi konteks budaya lokal ke dalam proses pelatihan model AI bisa menjadi arah studi baru, misalnya dengan mempertimbangkan makna simbolik motif dalam adat istiadat Bali. Terakhir, eksplorasi kombinasi model AI seperti hybrid architecture antara EfficientNet dan ResNet dapat dilakukan untuk memperbaiki akurasi dan efisiensi dalam mengenali motif kain tradisional. Penelitian juga bisa fokus pada penerapan teknik augmentasi data yang lebih kontekstual, seperti variasi motif berdasarkan latar belakang geografis atau sosial. Selain itu, penggunaan multi-modal AI yang menggabungkan data visual dan naratif bisa diuji untuk memperkaya pemahaman tentang makna ritual di balik setiap motif. Penelitian juga dapat mengeksplorasi penerapan model AI dalam pengenalan motif kain tradisional di daerah lain di Indonesia. Selain itu, pengembangan sistem otomatis untuk dokumentasi dan pelestarian motif kain Bali berbasis AI bisa menjadi arah studi yang relevan. Penelitian juga perlu mempertimbangkan penggunaan teknik normalisasi atau layer normalization untuk menyederhanakan proses perhitungan dan meningkatkan efisiensi pelatihan model. Penggunaan callback function early stopping untuk menghentikan proses training jika tidak ada peningkatan unjuk kerja juga bisa menjadi saran praktis. Terakhir, penelitian lanjutan bisa menggabungkan pendekatan AI dengan metode etnografi untuk memperdalam pemahaman budaya dalam pengenalan motif kain tradisional.

References

1. Layers Modification of Convolutional Neural Network for Pneumonia Detection - IOPscience. layers modification... doi.org/10.1088/1742-6596/1477/5/052055Layers Modification of Convolutional Neural Network for Pneumonia Detection IOPscience layers modification doi 10 1088 1742 6596 1477 5 052055
2. Face recognition based on curvelets, invariant moments features and SVM | Ghazal | TELKOMNIKA (Telecommunication... telkomnika.uad.ac.id/index.php/TELKOMNIKA/article/view/14106Face recognition based on curvelets invariant moments features and SVM Ghazal TELKOMNIKA Telecommunication telkomnika uad ac index php TELKOMNIKA article view 14106
3. DETEKSI SUARA CHORD PIANO MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK | Jurnal Informatika dan Rekayasa... e-journal.stmiklombok.ac.id/index.php/jire/article/view/552DETEKSI SUARA CHORD PIANO MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK Jurnal Informatika dan Rekayasa e journal stmiklombok ac index php jire article view 552

Metadata

File size	662.41 KB
Pages	14
DMCA	Report