PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT PANDANG MENGGUNAKAN CNN
Daftar Isi:
- Songket Palembang memiliki motif yang beragam sehingga dibutuhkan mesin pengenal yang dapat membantu orang awam mengenali motif ini. Mesin pengenal harus mampu mengenali motif dengan variasi transformasi spatial, noise dan blur. Dalam penelitian ini, CNN mampu mengklasifikasi motif songket dengan akurasi 93%. Arsitektur CNN yang digunakan menggunakan 2.22 MB memori GPU saat inference. Penggunaan Dropout memberikan efek regularisasi, yaitu meningkatkan akurasi pada data uji dan penggunaan momentum dengan nilai 0.9 mengurangi waktu training 2x lebih cepat. Metode tradisional SIFT+BoW+FCNN mampu mengklasifikasi songket dengan akurasi 100%. Pengurangan jumlah point dari 400 ke 200 buah meningkatkan waktu ekstraksi 2x lebih cepat. Metode SIFT+BoW+FCNN lebih unggul dibandingkan CNN dalam hal akurasi dan inferencenya tidak menggunakan GPU. Salah satu penyebab lemahnya performa CNN pada penelitian ini adalah kurangnya data. Layer konvolusi CNN pada penelitian ini tidak dapat mengekstrak fitur penting pembeda antar kelas, tidak seperti layer konvolusi CNN pretrain yang sudah dilatih dengan dataset yang besar sehingga menghasilkan akurasi 100% untuk klasifikasi songket.