49
Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Analisis Unjuk Kerja Klasifikasi Citra Motif Kain Bali Menggunakan Model Inception Dan EfficientNet Ni Putu Widya Yuniari1*.
I Made Surya Kumara2.
I Kadek Agus Wahyu Raharja3.
Gde Wikan Pradnya Dana4.
I Gede Wira Darma5.
I Made Adi Bhaskara6 Teknik Komputer.
Universitas Warmadewa.
Denpasar.
Indonesia *email Corresponding Author: putu.
widyayuniari@warmadewa.
Abstract Bali, with its rich culture and diverse symbolism reflected in the traditional fabric motifs.
However, the manual recognition of Balinese fabric motifs faces challenges such as pattern complexity, similarity between motifs, and limited public knowledge.
This study aims to address these challenges by using Artificial Intelligence (AI) to automate the process of accurately and efficiently identifying Bali fabric motifs.
The research develops a motif recognition model for Bali fabrics using Inception V3 and EfficientNet B1 algorithms in image classification analysis.
The research methodology used is experimental, starting with dataset collection, data augmentation, feature extraction, modeling, and testing.
The results show that the EfficientNet model achieved an accuracy of 99% on the 25th iteration, much higher than Inception V3, which only achieved 62% These results indicate that the EfficientNet model is more effective in recognizing and classifying Bali fabric motifs and strengthen the potential of artificial intelligence in cultural Keywords: Bali.
Classification.
EfficientNet.
Inception.
Pattern Abstrak 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.
Kata kunci: Bali.
EfficientNet.
Inception.
Klasifikasi.
Motif Pendahuluan Bali merupakan salah satu provinsi dengan kekayaan budaya paling banyak dan paling kompleks di Indonesia.
Jejak peradaban masa lalu, adat-istiadat leluhur yang masih dipertahankan serta keterpisahan-nya dari peradaban jawa, membuat Bali memiliki identitas yang unik yang membedakannya dari peradaban lain di Indoneisa.
Kekayaan ini salah-satunya termanifestasikan dalam Indeks Pembangunan Kebudayaan (IPK) yang mencatat nilai tertinggi jika dibandingkan dengan seluruh Provinsi Di Indonesia.
Pada tahun 2023.
Indeks Pembangunan Kebudayaan Bali mencatat angka 71,36 point yang meningkat dari tahun sebelumnya sebesar 66,04 point.
Nilai ini bahkan lebih tinggi dari rata-rata nasional yang mencatatkan indeks sebesar 57,13 point dan juga lebih tinggi dari Daerah Istimewa Yogyakarta yang masih kental dengan adat dan budaya feodalisme Jawa dengan indeks sebesar 67,90.
Angka ini secara simultan.
Analisis Unjuk Kerja Klasifikasi Citra Motif Kain Balia.
Ni Putu Widya Yuniari 50 e-ISSN: 2685-0877 mengkonfirmasi secara empiris kekayaan kebudayaan pada Provinsi Bali sekaligus membuka kemungkinan akan adanya objek kebudayaan lain yang mungkin belum terindeks dan terdokumentasikan secara utuh.
Salah satu komponen penting dalam Indeks Pembangunan Kebudayaan (IPK) adalah ekspresi budaya dalam keseharian masyarakat.
Ekspresi budaya ini kemudian termanifestasikan dalam berbagai bentuk ritus adat dan keseharian masyarakat di Bali.
Salah satunya terjewantahkan dalam bentuk desain motif kain tradisional Bali yang sering digunakan oleh Bali sendiri terkenal dengan berbagai macam motif kain yang menggambarkan keyakinan, keadaan socio-cultural serta status masyarakat Bali.
Kain dalam antropologi maysarakat Bali tidak hanya digunakan sebagai pakaian harian atau aksesoris saja, melainkan terdapat nilai-nilai luhur yang melekat dalam peradaban masyarakatnya.
Beberapa motif kain Bali menggambarkan sebuah ungkapan, penegasan atas sebuah posisi dalam masyarakat atau pernyataan tertentu.
Bahkan beberapa motif bahkan menggambarkan maskulinitas dan status sosial tertentu dan dilarang untuk digunakan oleh sembarang orang.
Hal ini menggambarkan kemelekatan yang unik antara sebuah motif dalam kain traadisional bali sebagai entitas sebuah peradaban.
Kajian akan kemelekatan antara motif dan agenda socio kultural telah menemukan sebuah masa dimana keindahan dapat diukur dan citra dapat diidentifikasi serta diterjemahkan secara komputasi.
Atau dalam kajian yang lebih kontemporer dapat dikatakan bahwa saat ini objek pemajuan kebudayaan berupa motif kain tradisional sudah dapat diidentifikasi secara Hal ini membuka peluang baru dalam pendokumentasian budaya yang tidak terbatas pada objek naratif berbasis antropologi saja, melainkan sebagai sebuah objek yang mengandung nilai estetika dimana dalam setiap bit-bit datanya dapat diukur dalam kajian Ethnomathematics.
Teknik ini kemudian dikenal dengan analisis citra motif .
attern recognitio.
Salah-satu metode yang dapat digunakan dalam kajian pattern recognition adalah studi komputasi .
omputational stud.
Dalam kajian yang lebih mutakhir bahkan sudah melibatkan kecerdasan buatan (AI) didalamnya.
Studi komputasi melibatkan serangkaian baris-baris code untuk menerjemahkan sebuah citra menjadi bit-bit data.
Sementara kecerdasan buatan (AI) dalam pattern recognition membantu untuk mempercepat prosesnya serta menerjemahkan hasilnya kedalam sebuah insight yang lebih mudah diterima sehingga menghasilkan AI based pattern recognition.
Bentuknya dapat berupa klasifikasi citra.
, identifikasi citra.
, atau bahkan Genertive AI.
Studi analisis citra dalam motif kain tradisional dengan memanfaatkan teknologi kecerdasan buatan bukan merupakan studi yang baru.
Namun pemanfaatannya dalam pemajuan kebudayaan di Indonesia masih sangat minim.
Diantara beberapa penelitian sebelumnya .
ecent stud.
terkait kasus ini adalah penelitian dari Shafira & Fauzy pada tahun 2021 yang menggunakan algoritma Convolutional Neural Network (CNN) untuk menganalisis dan mengklasifikasikan citra pada kain tenun Nusantara.
Penelitian ini menggunakan 100 iterasi dan menghasilkan loss sebesar 1,3385 dan akurasi sebesar 73% dengan menggunakan optimizer Adam.
Peningkatan kualitas kemudian dilakukan oleh Athala dkk pada tahun 2021 yang menganalisis motif pada beberapa kain tradisional di Indonesia dengan menggunakan modulmodul pengembangan dari CNN, antara lain: Resnet50 V2.
VGG16.
VGG19.
MobileNetV2, dan Inception V3.
Modul ResNet mendapatkan akurasi sebesar 79,2%.
VGG16 mendapatkan akurasi sebesar 79,2%.
VGG19 mendapatkan akurasi sebesar 79,9%.
MobileNetV2 mendapatkan akurasi sebesar 83,4%.
dan Inception V3 mendapatkan akurasi terbaik sebesar 83,7%.
Dari penelitian ini didapatkan insight bahwa Inception V3 bekerja lebih baik dari model-model lainnya.
Penelitian berikutnya dilakukan oleh Shakya dkk pada tahun 2021.
Penelitian ini mencoba membandingkan algoritma ResNet dengan MobileNet untuk melakukan klasifikasi pada identifikasi motif.
Penelitian ini menghasilkan akurasi 80,77% pada ResNet dan 95% pada MobileNet.
Untuk studi kasus motif kain endek Bali, salah satu penelitian terbaru dilakukan oleh Hendrawati dkk pada tahun 2023.
Penelitian ini dilakukan dengan menggunakan modul ResNet50 yang masih merupakan bagian dari keluarga Convolutional Neural Network (CNN).
Penelitian ini berhasil mendapatkan akurasi sebesar 90,69%.
recall sebesar 90,69%.
sebesar 90,6%.
dan f1-score sebesar 90,6%.
Nilai ini cukup besar jika dibandingkan dengan performa pada penelitian sebelumnya.
Berdasarkan hasil analisis, tingginya performa diakibatkan Progresif: Vol.
No.
Februari 2025: 49-62 Progresif e-ISSN: 2685-0877 oleh penggunaan metode augmentasi yang memungkinkan model belajar lebih banyak pada pola yang berbeda dengan motif yang sama.
Hal ini memungkinkan model untuk mempelajari motifmotif terkait walau dalam posisi yang berbeda sehingga menghasilkan model yang memiliki performa sangat baik.
Dari berbagai studi diatas baik secara teknis maupun secara teoritis terkait dengan analisis motif kain tradisional khususnya yang dilakukan dengan menggunakan kecerdasan buatan (AI), telah menunjukkan kemajuan yang signifikan dalam pengklasifikasian dan identifikasi Namun hal ini masih terdapat beberapa kesenjangan penting yang perlu diperhatikan.
Sebagian besar penelitian terdahulu tersebut belum fokus pada motif kain Bali secara khusus dan cenderung mengkaji motif-motif kain tradisional Indonesia secara umum.
Terdapat penelitian yang mulai mengarah pada motif kain Endek Bali, namun penelitian yang lebih spesifik mengenai varian motif Bali lainnya dan hubungan budaya yang terkandung dalam setiap desain masih sangat terbatas.
Selain itu, meskipun teknik augmentasi telah digunakan untuk meningkatkan akurasi model, kebanyakan penelitian terdahulu hanya fokus pada augmentasi berbasis posisi visual motif.
Tidak banyak yang mengeksplorasi variasi motif berdasarkan konteks budaya, seperti bagaimana motif tertentu digunakan dalam adat atau untuk menggambarkan status sosial, yang jelas memiliki dampak terhadap pemahaman dan interpretasi motif itu sendiri.
Pada penelitian ini berfokus pada penerapan kecerdasan buatan yang tidak hanya mengenali pola secara visual, tetapi juga memberikan pemahaman yang lebih mendalam tentang nilai budaya dan estetika yang terkandung dalam motif tersebut.
Salah satu kebaruan penelitian ini adalah penggunaan AI untuk memetakan dan mengklasifikasikan motif berdasarkan konteks budaya, sosial, dan geografis.
Hal ini memungkinkan pemahaman yang lebih luas tentang keberagaman budaya Bali.
Pada penelitian ini juga mengembangkan teknik augmentasi yang lebih kontekstual, dengan memperkenalkan variasi motif yang dipengaruhi oleh latar belakang adat dan sosial.
Selain itu, pemanfaatan model AI seperti multi-modal AI yang menggabungkan data visual dan naratif juga mulai diterapkan untuk memberikan insight yang lebih holistik, memadukan analisis citra dengan pemahaman tentang makna sosial dan ritual di balik setiap Metodologi .
Alur Penelitian Adapun alur dari penelitian ini dapat dilihat pada Gambar 1.
Gambar 1.
Diagram Alur Penelitian Analisis Unjuk Kerja Klasifikasi Citra Motif Kain Balia.
Ni Putu Widya Yuniari 52 e-ISSN: 2685-0877 Penelitian dimulai dari pengumpulan data, kemudian dilanjutkan dengan tahap augmentasi data untuk merekayasa data.
Kemudian dilanjutkan dengan ekstraksi fitur dengan teknik image to vector yang bertujuan untuk mengubah data gambar menjadi bentuk vector Kemudian dilanjutkan dengan proses pembuatan model.
Model yang digunakan dalam penelitian ini adalah model InceptionV3 & EfficientNetB1.
Kemudian dilanjutkan dengan proses pelatihan menggunakan 25 iterasi dan diakhiri dengan proses pengujian, analisis perbandingan dan penarikan kesimpulan.
Bahasa pemrograman yang digunakan pada penelitian ini seluruhnya menggunakan Python dengan library dari tensorflow.
Adapun notebook yang digunakan untuk melakukan pemrograman adalah Google Colab.
Teknik Pengumpulan Data Dataset yang digunakan pada penelitian ini adalah 77 citra pada data train dan 26 citra pada data test diambil menggunakan metode scraping dari berbagai sumber di internet yaitu google image dan situs https://w.
com/dionisiusdh/indonesian-batik-motifs dengan mengunduh .
gambar terkait dengan objek dalam penelitian ini.
Dataset ini terdiri dari 5 kelas motif, antara lain: motif pisan, motif buketan, motif barong, motif merak, dan motif ulamsari.
Komposisi data untuk setiap kelas motif adalah sebagai berikut:
untuk motif pisan terdapat 16 citra dalam data pelatihan dan 6 citra dalam data pengujian, untuk motif buketan terdapat 15 citra dalam data pelatihan dan 5 citra dalam data pengujian, untuk motif barong terdapat 14 citra dalam data pelatihan dan 5 citra dalam data pengujian, untuk motif merak terdapat 15 citra dalam data pelatihan dan 5 citra dalam data pengujian, dan untuk motif ulamsari terdapat 17 citra dalam data pelatihan dan 5 citra dalam data pengujian.
Dengan komposisi tersebut, total jumlah citra untuk data pelatihan adalah 77 citra, sementara total untuk data pengujian adalah 26 citra.
Beberapa sampel datasetnya dapat dilihat pada Gambar 2.
Gambar 2.
Dataset Motif .
Pisan, .
Buketan, .
Barong, .
Merak, dan .
Ulamsari Distribusi persentase jumlah data dari masing-masing kelas motif pada Gambar 2 dapat dilihat pada Gambar 3.
Gambar 3.
Sebaran Jumlah Data Pada Tiap Kelas (Moti.
Dari Gambar 3 dapat disimpulkan bahwa sebaran jumlah data sangat tidak merata.
Dimana 31% data yang dimiliki adalah data motif Buketan, sementara hanya 9,47% yang merupakan motif ulamsari.
Untuk menghindari terjadinya skewness, maka akan dilakukan oversampling dengan menggunakan SMOTE.
Progresif: Vol.
No.
Februari 2025: 49-62 Progresif e-ISSN: 2685-0877 Augmentasi Data Augmentasi data adalah sebuah Teknik untuk merekayasa gambar sekaligus Adapun Teknik rekayasa gambar yang digunakan dalam augmentasi pada penelitian ini antara lain: flip, rotate, noising, dan contrast adjustment.
Salah satu contoh gambar yang akan dilakukan augmentasi dapat dilihat pada Gambar 4.
Gambar 4.
Contoh Original Image Sebelum Augmentasi Augmentasi pertama akan dilakukan dengan melakukan pembalikan .
pada gambar.
Pembalikan dilakukan baik secara vertikal maupun secara horizontal.
Hasilnya dapat dilihat pada Gambar 5.
Gambar 5.
Horizontal Flip, .
Vertical Flip.
Kemudian augmentasi dilanjutkan dengan melakukan rotasi gambar.
Pada penelitian ini, rotasi akan dilakukan pada sudut 90o dan -90o.
Hasilnya dapat dilihat pada Gambar 6.
Gambar 6.
90o Rotation, .
-90o Rotation.
Kemudian augmentasi dilanjutkan dengan melakukan noising.
Teknik noising yang digunakan adalah Gaussian Noise dan Laplace Noise.
Hasilnya dapat dilihat pada Gambar 7.
Analisis Unjuk Kerja Klasifikasi Citra Motif Kain Balia.
Ni Putu Widya Yuniari 54 e-ISSN: 2685-0877 .
Gambar 7.
Gaussian Noise,.
Laplace Noise.
Kemudian augmentasi dilanjutkan dengan merekayasa kontras.
Teknik yang digunakan antara lain: Gamma Contrast.
Sigmoid Contrast, dan Linear Contrast.
Hasilnya dapat dilihat pada Gambar 8.
Gambar 8.
Gamma Contrast, .
Sigmoid Contrast, .
Linear Contrast Augmentasi data membuat mesin dapat mempelajari lebih banyak motif dengan tampilan atau penempatan yang berbeda-beda.
Sehingga diharapkan mesin akan lebih andal dalam memprediksi data dalam posisi apapun.
Teknik Ekstraksi Fitur Ekstraksi fitur adalah proses mengubah data dalam bentuk apapaun .
alam hal ini berupa citra gamba.
menjadi bentuk vektor numerik yang dapat dibaca oleh program.
Dalam terminologi pengolahan citra, proses ini sering disebut dengan image processing.
Metode ekstraksi fitur yang digunakan adalah image to vector.
Pada proses ini gambar akan diekstraksi langsung menjadi vektor menggunakan indeks warna.
Tahap pertama, ukuran gambar akan disesuaikan menjadi 150pixel x 150pixel untuk menyamakan node-node pengambilan indeks warna.
Kemudian pada setiap pixel akan dilakukan proses color extraction menggunakan RGB-Extraction.
Skema proses RGB-Extraction dapat dilihat pada Gambar 9.
Gambar 9.
Color Extraction.
Proses pada Gambar 9 dilakukan pada semua node pixel data, sehingga menghasilkan sebuah vektor dengan dimensi 150 x 150 x 3.
Keseluruhan proses ekstraksi fitur dapat dilihat pada Gambar 10.
Progresif: Vol.
No.
Februari 2025: 49-62 Progresif e-ISSN: 2685-0877 Gambar 10.
Image to Vector.
Proses ini kemudian dilakukan pada keseluruhan dataset untuk menghasilkan vektor .
Arsitektur Inception Inception adalah sebuah model jaringan syaraf tiruan (ANN) yang dikembangkan untuk mengatasi masalah dalam image recognition dan object detection.
Inception dirancang untuk membuat model lebih efisien, cepat, dan akurat dengan cara mengurangi jumlah parameter dan komputasi.
Model Inception yang digunakan pada penelitian ini adalah Model Inception V3.
Model ini memperkenalkan beberapa perbaikan pada stabilitas pelatihan .
dan efisiensi, termasuk normalisasi batch .
atch normalizatio.
serta konvolusi terpisah.
Hal ini memungkinkan proses pelatihan berjalan lebih optimal dan reliable, namun membutuhkan proses yang lebih panjang untuk meningkatkan performa pada setiap proses pelatihannya.
Model InceptionV3 kemudian direkayasa dengan proses fine tuning dengan menambahkan layer Global Average Pooling dan Dropout layer untuk meningkatkan efisiensi pada proses pelatihan dan menghapus node-node yang memiliki kontribusi rendah.
Arsitektur lengkap Model InceptionV3 yang digunakan dapat dilihat pada Gambar 11.
Gambar 11.
Arsitektur InceptionV3.
Arsitektur EfficientNet EfficientNet adalah sebuah model deep learning dengan pendekatan compund scaling yang biasa digunakan untuk melakukan kerja-kerja pengolahan citra.
EfficientNet dibuat oleh Google pada tahun 2019 dan terkenal dengan efisiensi tinggi dan akurasi yang sangat baik.
EfficientNet sendiri masih merupakan keluarga Convolutional Neural Network yang mengidentifikasi data menggunakan matrix-matrix konvolusi.
Matrix ini mengolah dan mencari tau bagian terpenting data dalam sebuah proses yang disebut Pooling.
Penelitian ini dilakukan dengan menggunakan arsitektur EfficientNetB1 yang sudah direkayasa dengan proses fine tuning dengan menambahkan layer Global Average Pooling dan Dropout layer untuk menghapus node-node yang memiliki kontribusi rendah.
Penambahan layer ini diharapkan mampu meningkatkan performasi dan meningkatkan efisiensi pada proses Arsitektur lengkap EfficientNetB1 yang digunakan dapat dilihat pada Gambar 12.
Analisis Unjuk Kerja Klasifikasi Citra Motif Kain Balia.
Ni Putu Widya Yuniari 56 e-ISSN: 2685-0877 Gambar 12.
Arsitektur EfficientNet.
Proses Pelatihan Setelah vektor gambar terbentuk melalui proses ekstraksi fitur, dan arsitektur model sudah dibuat, tahapan berikutkan adalah melakukan proses training dari vektor gambar kedalam model yang sudah dibuat.
Proses pelatihan dimulai dengan membagi data menjadi data training dan data testing dengan perbandingan sekitar 75% dataset digunakan untuk pelatihan .
dan 25% digunakan untuk pengujian .
Data training akan digunakan untuk melakukan proses pelatihan sedangkan data testing akan digunakan sebagai data validasi dan pengujian.
Proses iterasi akan dilakukan sebanyak 25 kali pada masing-masing model.
Teknik Analisis Data Analisis data akan dimulai dengan melakukan pengujian pada keseluruhan data testing.
Kemudian akan dibandingkan hasil prediksi model dengan label yang sebenarnya.
Metric pengukuran pertama yang digunakan adalah confusion matrix.
Confusion matrix adalah matriks pengukuran yang membandingkan antara data hasil prediksi dengan data yang sebenarnya pada setiap kelas.
Contoh dari confusion matrix dapat dilihat pada Gambar 13.
Gambar 13.
Confusion Matrix Metrik selanjutnya yang digunakan dalam penelitian ini adalah akurasi.
Akurasi menyatakan seberapa akurat model memprediksi data apakah positif, negatif, atau netral.
Untuk menghitung nilai akurasi dari confusion matrix dapat menggunakan persamaan .
ycNycE ycNycA ycayca = .
ycNycE yaycE ycNycA yaycA Progresif: Vol.
No.
Februari 2025: 49-62 Progresif e-ISSN: 2685-0877 Metrik selanjutnya yang digunakan dalam penelitian ini adalah precision.
Precision membandingkan jumlah data positif yang berhasil diprediksi dibagi dengan jumlah data yang tergolong positif.
Untuk menghitung precision dari confusion matrix dapat menggunakan persamaan .
ycNycE ycEycyceycaycnycycnycuycu = .
ycNycE yaycE Metrik berikutnya yang digunakan dalam penelitian ini adalah recall.
Recall merupakan perbandingan antara jumlah data positif yang berhasil diprediksi dibagi dengan jumlah data yang benar-benar positif.
Penarikan kembali menyatakan seberapa baik model memprediksi data Untuk menghitung recall dari confusion matrix dapat menggunakan persamaan .
ycNycE ycIyceycaycaycoyco = .
ycNycE yaycA Metrik terakhir yang digunakan dalam penelitian ini adalah F1-Score.
F1-Score adalah rata-rata harmonis antara precision dan recall.
F1-Score dapat dihitung menggunakan persamaan .
ycEycyceycaycnycycnycuycu O ycIyceycaycaycoyco ya1 = .
ycEycyceycaycnycycnycuycu ycIyceycaycaycoyco Hasil dan Pembahasan 1 Model Inception V3 Setelah melakukan proses training pada 25 iterasi, didapatkan trend akurasi menunjukan peningkatan dan trend loss mengalami penurunan.
Hal ini mengindikasikan bahwa proses pembelajaran pada Model Inception berlangsung dengan baik.
Grafik unjuk kerja akurasi selama proses training pada Model Inception dapat dilihat pada Gambar 14.
Gambar 14.
Trend Akurasi Pelatihan Model Inception V3.
Sementara grafik unjuk kerja loss selama proses training pada Model Inception dapat dilihat pada Gambar 15.
Gambar 15.
Trend Loss Pelatihan Model Inception V3.
Dari Gambar 14 dan Gambar 15 tidak ditemukan indikasi overfitting, sehingga model dapat dikatakan valid dan dapat digunakan.
Setelah melalui proses training, kemudian dilakukan proses pengujian pada model InceptionV3 yang sudah dilatih.
Proses ini dilakukan dengan menggunakan data testing yang sudah disiapkan.
Confusion matrix dari hasil pengujian Model InceptionV3 dapat dilihat pada Gambar 16.
Analisis Unjuk Kerja Klasifikasi Citra Motif Kain Balia.
Ni Putu Widya Yuniari 58 e-ISSN: 2685-0877 Gambar 16.
Confusion Matrix Model Inception V3.
Dari Gambar 16 didapatkan bahwa sebagian besar data berhasil diprediksi, hanya saja masih terdapat beberapa error atau kesalahan prediksi yang menghasilkan unjuk kerja yang kurang memuaskan.
Dari confusion matrix pada Gambar 16, kemudian dapat dihitung nilai akurasi, precision dan recall pada masing-masingg label.
Hasilnya dapat dilihat pada Tabel 1.
Tabel 1.
Hasil Pengujian Model InceptionV3.
Label 0 (Pisa.
1 (Buketa.
2 (Mera.
3 (Ulamsar.
4 (Baron.
Akurasi Precision Recall F1-Score Dari Tabel 1 dapat disimpulkan bahwa akurasi Model InceptionV3 yang didapatkan adalah 62%.
2 Model Efficient Net Setelah melakukan proses training pada 25 iterasi, didapatkan trend akurasi menunjukan peningkatan dan trend loss mengalami penurunan.
Hal ini mengindikasikan bahwa proses pembelajaran berlangsung dengan baik.
Grafik unjuk kerja akurasi selama proses training pada Model EfficientNet dapat dilihat pada Gambar 17.
Gambar 17.
Trend Akurasi Pelatihan Model Efficient Net.
Sementara grafik unjuk kerja loss selama proses training pada model EfficientNet dapat dilihat pada Gambar 18.
Dari kedua grafik diatas tidak ditemukan indikasi overfitting, sehingga model dapat dikatakan valid dan dapat digunakan.
Progresif: Vol.
No.
Februari 2025: 49-62 Progresif e-ISSN: 2685-0877 Gambar 18.
Trend Loss Pelatihan Model EfficientNet Setelah melalui proses training, kemudian dilakukan proses pengujian pada model EfficientNet yang sudah dilatih.
Proses ini dilakukan dengan menggunakan data testing yang sudah disiapkan.
Confusion matrix dari hasil pengujian model EfficientNet dapat dilihat pada Gambar 19.
Gambar 19.
Confusion Matrix Model EfficientNet.
Dari Gambar 19 dapat ditunjukkan bahwa hasilnya jauh lebih baik daripada confusion matrix pada Model Inception.
Hampir seluruh data dapat diprediksi dengan benar.
Hanya saja, masih terdapat kesalahan prediksi, diantaranya: 3 data pada label Ao0Ao (Pisa.
, 1 data pada label Ao1Ao (Buketa.
, 10 data pada label Ao2Ao (Mera.
dan 2 data pada label Ao4Ao (Baron.
Dari confusion matrix pada Gambar 16, kemudian dapat dihitung nilai akurasi, precision dan recall pada masing-masingg label.
Hasilnya dapat dilihat pada Tabel 2.
Tabel 2.
Hasil Pengujian Model EfficientNet Label 0 (Pisa.
1 (Buketa.
2 (Mera.
3 (Ulamsar.
4 (Baron.
Akurasi Precision Recall F1-Score Dari Tabel 2 dapat disimpulkan baahwa akurasi Model EfficientNet yang didapatkan adalah 99%.
Nilai ini menunjukan unjuk kerja pelatihan yang hampir sempurna dan nilainya jauh lebih tinggi dari model Inception.
3 Pembahasan Berdasarkan kedua pemaparan dari hasil pengujian diatas dapat diketahui bahwa Model EfficientNet cenderung bekerja lebih baik daripada Model Inception jika ditinjau dari metric akurasi, precision, recall dan f1-score.
Berdasarkan keempat metric menunjukan hasil yang jauh Analisis Unjuk Kerja Klasifikasi Citra Motif Kain Balia.
Ni Putu Widya Yuniari 60 e-ISSN: 2685-0877 lebih baik pada model EfficientNet.
Hal ini sesuai dengan teori dimana EfficientNet akan cenderung bekerja dengan lebih baik karena melalui proses compund scaling yang sangat efisien dan memiliki unjuk kerja tinggi dalam pengolahan citra.
Pada proses pelatihan juga dapat dilihat dari Gambar 14 dan Gambar 15 .
ntuk Inceptio.
dan Gambar 17 dan Gambar 18 .
ntuk Model EfficientNe.
dapat dilihat bahwa peningkatan unjuk kerja pelatihan terjadi lebih cepat pada Model EfficientNet daripada Inception.
Pada model EfficientNet, peningkatan unjuk kerja terjadi dengan sangat signifikan pada iterasi ke-3, sementara peningkatan unjuk kerja yang signifikan pada Model Inception baru terjadi pada iterasi Hal ini sesuai dengan analisis teori dimana Model Inception membutuhkan proses yang lebih panjang untuk meningkatkan unjuk kerja pada setiap proses pelatihannya.
Jika dilihat dari confusion matrix, hasil pengujian pada Model EfficientNet juga jauh lebih baik dimana hanya sangat sedikit kegagalan prediksi yang terjadi jika dibandingkan dengan model Inception.
Model Inception menghasilkan akurasi 62% dan Model EfficientNet menghasilkan akurasi 99%.
Hasil pada penelitian ini sejalan dengan penelitian terdahulu, seperti yang dilakukan oleh Shakya dkk pada tahun 2021 yang juga membandingkan berbagai model CNN untuk klasifikasi motif, di mana hasil penelitian menunjukkan bahwa model berbasis MobileNet memiliki akurasi yang sangat baik.
Meskipun hasilnya berbeda dalam hal model yang digunakan (MobileNet dibandingkan dengan EfficientNe.
, temuan ini mengindikasikan bahwa model berbasis CNN yang lebih efisien dalam pemrosesan citra, seperti MobileNet dan EfficientNet, seringkali lebih unggul dalam hal kecepatan pelatihan dan akurasi, terutama ketika digunakan untuk tugas klasifikasi dengan dataset yang lebih kecil atau dengan keterbatasan sumber daya komputasi.
Perbandingan ini juga menunjukkan kesesuaian dengan temuan Athala dkk pada tahun 2021, yang menggunakan model CNN seperti ResNet.
VGG, dan Inception untuk klasifikasi motif kain tradisional Indonesia, dimana InceptionV3 juga digunakan, namun dengan akurasi yang tidak sebaik model-model lain seperti MobileNetV2 atau Inception V3.
Di sisi lain, penelitian ini menambah wawasan baru dengan menguji EfficientNet, yang secara teoritis lebih efisien berkat teknik compound scaling dan lapisan-lapisan yang lebih sedikit namun dengan performa yang sangat baik pada pengolahan citra.
Hal ini memperkuat temuan dalam literatur yang lebih luas tentang bagaimana EfficientNet menjadi pilihan yang lebih baik untuk aplikasi pengenalan pola yang melibatkan dataset yang lebih kecil dan penggunaan komputasi yang lebih efisien.
Temuan pada penelitian Hendrawati dkk pada tahun 2023, juga memperkuat penelitian ini yang memanfaatkan model ResNet50 untuk klasifikasi motif kain Endek Bali dengan akurasi yang sangat tinggi .
,69%).
Temuan tersebut memberikan bukti lebih lanjut tentang potensi besar model berbasis CNN dalam menganalisis citra motif kain tradisional.
Namun, penelitian ini menambahkan variasi dalam pendekatan dengan menggunakan EfficientNetB1 yang lebih efisien dan berhasil memberikan unjuk kerja yang jauh lebih baik, sejalan dengan hasil dari beberapa studi terkait tentang pentingnya memilih model dengan kemampuan komputasi yang efisien.
Perbandingan dengan temuan-temuan tersebut menunjukkan bahwa meskipun model InceptionV3 telah digunakan secara luas dalam pengklasifikasian motif kain tradisional Indonesia, penelitian ini mengungkap bahwa EfficientNet menawarkan hasil yang lebih signifikan.
Hasil ini membuka peluang bagi penerapan model-model efisien lainnya untuk analisis motif-motif tradisional, serta memberikan insight untuk riset selanjutnya mengenai bagaimana mengoptimalkan model-model ini untuk memperkaya pelestarian budaya dengan pendekatan berbasis kecerdasan buatan.
Simpulan 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.
Tingginya unjuk kerja pada Model EfficientNet sudah sesuai dengan kerangka tori dimana kompleksitas Model EfficientNet dengan kerangka kerja compund scaling akan memberikan Progresif: Vol.
No.
Februari 2025: 49-62 Progresif e-ISSN: 2685-0877 proses training yang lebih panjang sehingga berimplikasi pada tingginya unjuk kerja.
Sementara pada Model Inception, membutuhkan proses yang lebih panjang untuk meningkatkan unjuk kerja pada setiap proses pelatihannya.
Hal ini juga dapat dilihat dari peningkatan unjuk kerja pada setiap iterasi pelatihannya.
Secara keseluruhan, penelitian ini berhasil membuktikan bahwa EfficientNet bekerja lebih baik daripada Inception dalam kasus klasifikasi citra motif kain Bali.
Namun tentunya masih terdapat beberapa kekurangan yang dapat menjadi saran dan masukan untuk penelitian berikutnya antara lain: menggunakan proses normalisasi atau layer normalization untuk menyederhanakan proses perhitungan.
Teknik ini tentunya akan berimplikasi positif pada waktu yang dibutuhkan untuk melakukan proses training.
Kemudian untuk saran berikutnya juga dapat digunakan callback function early stopping untuk menghentikan proses training jika tidak ditemukan peningkatan unjuk kerja pada iterasi tertentu.
Hal ini tentunya menghindari pembelajaran berulang yang tidak perlu yang secara simultan dapat mengurangi beban resource.
Harapannya, penelitian ini dapat menjadi acuan bagi penelitian berikutnya dalam topik upaya pendokumentasian objek kebudayaan dalam bentuk programatik menggunakan kecerdasan buatan.
Referensi