PENGENALAN MOTIF KAIN SONGKET PADA CITRA
KAMERA SMARTPHONE DENGAN BERAGAM SUDUT
PANDANG MENGGUNAKAN CNN
Diajukan Sebagai Syarat Untuk Menyelesaikan
Pendidikan Program Strata-1 Pada
Jurusan Teknik Informatika
Oleh :
Muhammad Husein Nashr
NIM : 09021281520108
JURUSAN TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA
2019
ii
CERTIFICATE OF APPROVAL
GRADUATE CERTIFICATE OF FINAL PROJECT SEMINAR
HALAMAN PERNYATAAN BEBAS PLAGIAT
Motto :
1% Better Everyday
Kupersembahkan karya tulis ini kepada :
Orangtuaku
Saudara dan Keluargaku
Sahabat dan teman seperjuanganku
Fakultas Ilmu Komputer
Universitas Sriwijaya
vi
ABSTRACT
Palembang Songket has a variety of pattern, so a classifier or
identification machine is needed to help ordinary people recognize these patterns.
The classifier must be able to recognize pattern with variation in spatial
transformation, noise and blur. In this research, CNN can classify songket patterns
with an accuracy of 93%. The CNN architecture used uses 2.22MB of GPU memory
on inference. Dropout provides a regularization effect, which increases accuracy in
test data and momentum with a value of 0.9 reduces training time to 2x faster. The
traditional SIFT + BoW + FCNN method can classify songket with 100% accuracy.
Reducing the number of points from 400 to 200 increases the extraction time to 2x
faster. The SIFT + BoW + FCNN method is superior than CNN in terms of accuracy
and it does not use GPU on inference. One reason for the worse CNN performance
in this study is the lack of data. The CNN’s convolution layer cannot extract
important features that can distinguish between classes, unlike the pre-trainned
CNN, its convolutional layers have been trained with large datasets, so it can
classify songket with 100% accuracy
Keyword: Songket Pattern Classification, Scale Invariant Feature Transform, Bag
of Words, Fully Connected Neural Network, Convolutional Neural
Network.
vii
ABSTRAK
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.
Kata Kunci: Songket Pattern Classification, Scale Invariant Feature Transform,
Bag of Words, Fully Connected Neural Network, Convolutional
Neural Network.
viii
KATA PENGANTAR
Puji syukur kepada Allah SWT atas berkat dan rahmat-Nya sehingga
penulis dapat menyelesaikan Tugas Akhir ini dengan baik. Tugas akhir ini disusun
untuk memenuhi salah satu syarat dalam menyelesaikan pendidikan program
Strata-1 pada Fakultas Ilmu Komputer Program Studi Teknik Informatika di
Universitas Sriwijaya.
Dalam menyelesaikan Tugas Akhir ini banyak pihak yang telah
memberikan bantuan dan dukungan baik secara langsung maupun secara tidak
langsung. Penulis ingin menyampaikan rasa terima kasih kepada:
1. Orang tuaku, Muhammad Rizal dan Rahmawati, serta seluruh keluarga besarku
yang selalu mendokan serta memberikan dukungan baik moril maupun materil.
2. Bapak Jaidan Jauhari, S.Pd., M.T. selaku Dekan Fakultas Ilmu Komputer
Universitas Sriwijaya.
3. Bapak Rifkie Primartha, S.T., M.T. selaku Ketua Jurusan Teknik Informatika
4. Bapak M. Fachrurrozi, S.Si., M.T selaku dosen pembimbing I dan Bapak
Kanda Januar Miraswan, M.T selaku dosen pembimbing II, yang telah
membimbing, mengarahkan dan memberikan motivasi penulis dalam
menyelesaikan Tugas Akhir
5. Bapak Firdaus, M.Kom selaku dosen penguji I, dan Bapak M. Naufal
Rachmatullah, M.T selaku dosen penguji II yang telah memberikan masukan
dan dorongan dalam proses pengerjaan Tugas Akhir.
6. Ibu Mastura Diana Marieska, M.T selaku dosen Pembimbing Akademik yang
telah membimbing, mengarahkan dan memberika motivasi kepada penulis
dalam hal kegiatan Akademik.
7. Seluruh dosen dan staff pengajar Program Studi Teknik Informatika Fakultas
Ilmu Komputer Universitas Sriwijaya.
8. Mbak Wiwin Juliani S. SI., selaku staff administrasi Teknik Informatika
Bilingual yang telah membantu dalam hal urusan administrasi akademik.
9. Teman – teman kelas Teknik Informatika Billingual B angkatan 2015 yang
telah mewarnai hari-hari selama perkuliahan.
10. Serta pihak-pihak lainnya yang terlibat selama pelaksanaan Tugas Akhir ini
yang tidak dapat penulis sebutkan satu per satu.
Penulis menyadari dalam penyusunan Tugas Akhir ini masih terdapat
banyak kekurangan disebabkan keterbatasan pengetahuan dan pengalaman, oleh
karena itu kritik dan saran yang membangun sangat diharapkan untuk kemajuan
penelitian selanjutnya.
Akhir kata semoga Tugas Akhir ini dapat berguna dan bermanfaat bagi kita semua.
Palembang, Agustus 2019
Muhammad Husein Nashr
NIM. 09021281520108
ix
DAFTAR ISI
LEMBAR PENGESAHAN TUGAS AKHIR ...... ERROR! BOOKMARK NOT
DEFINED.
TANDA LULUS UJIAN SIDANG TUGAS AKHIR .... ERROR! BOOKMARK
NOT DEFINED.
HALAMAN PERNYATAAN BEBAS PLAGIAT ............................................. IV
ABSTRACT ......................................................................................................... VI
ABSTRAK .......................................................................................................... VII
KATA PENGANTAR ....................................................................................... VIII
DAFTAR ISI ......................................................................................................... ix
DAFTAR TABEL ............................................................................................... XII
DAFTAR GAMBAR ......................................................................................... XIII
DAFTAR ALGORITMA .................................................................................. XIV
BAB I PENDAHULUAN .................................................................................... I-1
1.1. Pendahuluan ........................................................................................... I-1
1.2. Latar Belakang Masalah ......................................................................... I-1
1.3. Rumusan Masalah .................................................................................. I-4
1.4. Tujuan Penelitian .................................................................................... I-5
1.5. Manfaat Penelitian .................................................................................. I-5
1.6. Batasan Masalah ..................................................................................... I-5
1.7. Sistematika Penulisan ............................................................................. I-6
1.8. Kesimpulan ............................................................................................. I-7
BAB II KAJIAN LITERATUR ... II-ERROR! BOOKMARK NOT DEFINED.
2.1. Pendahuluan ........................................ II-Error! Bookmark not defined.
2.2. Motif Kain Songket ............................. II-Error! Bookmark not defined.
2.3. Citra ..................................................... II-Error! Bookmark not defined.
2.3.1. Citra Grayscale ............................. II-Error! Bookmark not defined.
2.4. Klasifikasi Citra & Ekstraksi Fitur ...... II-Error! Bookmark not defined.
2.5. Klasifikasi Citra Motif dengan SIFT+BoW+FNN ... II-Error! Bookmark
not defined.
2.5.1. Praproses Citra ............................. II-Error! Bookmark not defined.
2.5.2. Ekstraksi Fitur dengan SIFT ........ II-Error! Bookmark not defined.
2.5.3. Transformasi Fitur dengan BoW .. II-Error! Bookmark not defined.
2.5.4. Klasifikasi Fitur dengan FNN ...... II-Error! Bookmark not defined.
2.6. Metode Scale Invariant Feature Transform (SIFT) . II-Error! Bookmark
not defined.
x
2.7. Feedforward Neural Network ............. II-Error! Bookmark not defined.
2.7.1. Momentum ................................... II-Error! Bookmark not defined.
2.8. Klasifikasi Citra dengan CNN ............. II-Error! Bookmark not defined.
2.8.1. Praproses Citra ............................. II-Error! Bookmark not defined.
2.8.2. Klasifikasi dengan CNN .............. II-Error! Bookmark not defined.
2.9. Convolutional Neural Network ........... II-Error! Bookmark not defined.
2.9.1. Module Spatial Transformer Network (STN) ... II-Error! Bookmark
not defined.
2.10. Data Augmentation .......................... II-Error! Bookmark not defined.
2.11. Bias dan Variance ............................ II-Error! Bookmark not defined.
2.12. Confusion Matrix ............................. II-Error! Bookmark not defined.
2.13. Rational Unified Process (RUP)...... II-Error! Bookmark not defined.
2.14. Penelitian Lain yang Relevan .......... II-Error! Bookmark not defined.
2.14.1. (Azhar et al., 2015) : Batik Image Classification Using SIFT
Feature Extraction, Bag of Features and Support Vector Machine .... II-Error!
Bookmark not defined.
2.14.2. (Willy et al., 2013): Evaluation of SIFT and SURF features in the
songket recognition ..................................... II-Error! Bookmark not defined.
2.14.3. (Gultom et al., 2018): Batik Classification using Deep
Convolutional Network Transfer Learning. II-Error! Bookmark not defined.
2.15. Kesimpulan ...................................... II-Error! Bookmark not defined.
BAB III METODOLOGI PENELITIAN ....... III-ERROR! BOOKMARK NOT
DEFINED.
3.1. Pendahuluan ...................................... III-Error! Bookmark not defined.
3.2. Unit Penelitian ................................... III-Error! Bookmark not defined.
3.3. Pengumpulan Data ............................ III-Error! Bookmark not defined.
3.4. Penelusuran Arsitektur ...................... III-Error! Bookmark not defined.
3.5. Alat dan Bahan untuk Kegiatan Penelitian ....... III-Error! Bookmark not
defined.
3.6. Tahapan Penelitian ............................ III-Error! Bookmark not defined.
3.6.1. Literature Review ....................... III-Error! Bookmark not defined.
3.6.2. Pengumpulan Data ..................... III-Error! Bookmark not defined.
3.6.3. Pembuatan Perangkat Lunak ...... III-Error! Bookmark not defined.
3.6.4. Melakukan Pengujian Penelitian III-Error! Bookmark not defined.
3.6.5. Melakukan Analisis Hasil Pengujian ........ III-Error! Bookmark not
defined.
3.6.6. Membuat Kesimpulan ................ III-Error! Bookmark not defined.
3.7. Metode Pengembangan Perangkat Lunak ........ III-Error! Bookmark not
defined.
3.7.1. Fase Insepsi ................................ III-Error! Bookmark not defined.
xi
3.7.2. Fase Elaborasi ............................ III-Error! Bookmark not defined.
3.7.3. Fase Konstruksi .......................... III-Error! Bookmark not defined.
3.7.4. Fase Transisi .............................. III-Error! Bookmark not defined.
3.8. Manajemen Proyek Penelitian ........... III-Error! Bookmark not defined.
BAB IV PENGEMBANGAN PERANGKAT LUNAK ................... IV-ERROR!
BOOKMARK NOT DEFINED.
4.1. Pendahuluan ...................................... IV-Error! Bookmark not defined.
4.2. Fase Insepsi ....................................... IV-Error! Bookmark not defined.
4.2.1. Pemodelan Bisnis ....................... IV-Error! Bookmark not defined.
4.2.2. Kebutuhan Sistem ...................... IV-Error! Bookmark not defined.
4.3. Fase Elaborasi .................................... IV-Error! Bookmark not defined.
4.3.1. Pemodelan Bisnis ....................... IV-Error! Bookmark not defined.
4.3.2. Kebutuhan Sistem ...................... IV-Error! Bookmark not defined.
4.4. Fase Konstruksi ................................. IV-Error! Bookmark not defined.
4.4.1. Kebutuhan Sistem ...................... IV-Error! Bookmark not defined.
4.5. Fase Transisi ...................................... IV-Error! Bookmark not defined.
4.5.1. Rencana Pengujian ..................... IV-Error! Bookmark not defined.
4.6. Kesimpulan ........................................ IV-Error! Bookmark not defined.
BAB V HASIL DAN ANALISIS PENELITIAN ...... V-ERROR! BOOKMARK
NOT DEFINED.
5.1. Pendahuluan ....................................... V-Error! Bookmark not defined.
5.2. Data Hasil Percobaan ......................... V-Error! Bookmark not defined.
5.2.1. Data Hasil Pengujian Skenario Pertama .... V-Error! Bookmark not
defined.
5.3. Analisis Hasil Penelitian .................... V-Error! Bookmark not defined.
5.3.1. Analisis Hasil Pengujian Skenario PertamaV-Error! Bookmark not
defined.
5.4. Kesimpulan ......................................... V-Error! Bookmark not defined.
BAB VI KESIMPULAN DAN SARAN ........ VI-ERROR! BOOKMARK NOT
DEFINED.
6.1. Pendahuluan ...................................... VI-Error! Bookmark not defined.
6.2. Kesimpulan ........................................ VI-Error! Bookmark not defined.
6.3. Saran .................................................. VI-Error! Bookmark not defined.
DAFTAR PUSTAKA ......................................................................................... VII
xii
DAFTAR TABEL
Halaman
II-1. Tabel Skala Gaussian Yang Dipakai Pada Setiap Octave .................. II-7
III-1. WBS Kegiatan Penelitian ................................................................... III-11
IV-1. Rencana Pengujian: Melakukan Proses Pengujian ............................. IV-4
IV-2. Rencana Pengujian: Melakukan Praproses Citra ............................... IV-4
IV-3. Rencana Pengujian: Melakukan Augmentasi Citra ............................ IV-4
xiii
DAFTAR GAMBAR
Halaman
II-1. Contoh Citra Grayscale ...................................................................... II-3
II-2. Proses klasifikasi citra ........................................................................ II-3
II-3. Pencarian minima dan maxima ........................................................... II-8
II-4. Visualisasi Feedforward Neural Network .......................................... II-9
II-5. Operasi konvolusi pada fitur input ..................................................... II-16
II-6. Backpropagation pada layer konvolusi .............................................. II-16
II-7. Arsitektur Tiny VGGNet .................................................................... II-17
II-8. 2x2 Max Pooling ................................................................................ II-17
II-9. Arsitektur STN ................................................................................... II-18
II-10. Confusion Matrix dengan 3 kelas ....................................................... II-19
II-11. Diagram RUP ..................................................................................... II-21
III-1. Contoh citra kain songket motif cino bunga mawar .......................... III-2
III-2. Arsitektur CNN Sederhana ................................................................. III-3
III-3. Kerangka Kerja Peneitian ................................................................... III-4
III-4. Diagram Activity Training dan Inference .......................................... III-4
III-5. Ghantt Chart Penetapan Ruang Lingkup dan Unit Penelitian ............ III-13
III-6. Ghantt Chart Penetapan Dasar Teori Penelitian ................................. III-13
III-7. Ghantt Chart Penetapan Kriteria Pengujian ....................................... III-14
III-8. Ghantt Chart Pengembangan Perangkat Lunak ................................. III-14
III-9. Ghantt Chart Pengujian Penelitian ..................................................... III-14
III-10. Ghantt Chart Analisis Hasil Pengujian dan Pembuatan Kesimpulan . III-15
xiv
DAFTAR ALGORITMA
Halaman
II-1. Representasi Citra dalam Matriks 3 dimensi ...................................... II-2
II-2. Konversi RGB ke grayscale ............................................................... II-3
II-3. Filter Gaussian .................................................................................... II-6
II-4. Konvolusi dengan Filter Gaussian ..................................................... II-6
II-5. Difference of Gaussian ....................................................................... II-7
II-6. Magnitude dan Orientasi keypoint ...................................................... II-8
II-7. Transformasi Linear Layer 1 .............................................................. II-10
II-8. Fungsi Nonlinear Relu Layer ............................................................. II-10
II-9. Transformasi Linear Layer 2 .............................................................. II-11
II-10. Fungsi Nonlinear Softmax Layer ....................................................... II-11
II-11. Fungsi Loss Log ................................................................................. II-11
I-1
BAB I
PENDAHULUAN
1.1. Pendahuluan
Dalam bab pendahuluan ini diuraikan tentang pokok-pokok pikiran yang
melandasi rencana skripsi. Pokok-pokok pikiran dimaksud antara lain latar
belakang masalah penelitian, perumusan masalah/permasalahan penelitian, tujuan
penelitian dan manfaat penelitian.
1.2. Latar Belakang Masalah
Songket Palembang memiliki motif yang beragam, maka dibutuhkan
classifier atau mesin pengenal yang dapat membantu orang awam mengenali motif-
motif ini. Masalah yang muncul adalah citra motif tidak selalu diambil dari sudut
pandang yang sama. Classifier yang dibuat juga harus bisa menerima input citra
kamera smartphone agar bisa digunakan dimana saja dan kapan saja. Masalah yang
muncul adalah citra juga bisa mengandung noise dan blur jika diambil didalam
ruangan. Hal ini disebabkan oleh sensor kamera smartphone yang terlalu kecil.
Untuk itu diperlukan penelitian untuk mencari classifier yang robust terhadap
transformasi spatial, noise dan blur.
Mesin pengenal yang dibuat harus mampu mengenali motif walaupun
dengan sudut kamera yang berbeda, dengan noise atuapun blur. Kemampuan ini
dibutuhkan karena pengguna tidak selalu menempatkan kamera pada posisi yang
I-2
sama dan juga tidak selalu mendapatkan cahaya yang cukup untuk kamera
smartphone yang kecil sehingga menghasilkan blur.
Penelitian tentang pengenalan motif kain songket pernah dilakukan oleh
Riztyan & Dariska (Riztyan & Dariska, 2013) dan Willy dkk (Willy et al., 2013).
Pada penelitian Riztyan & Dariska, pengujian pengenalan dilakukan dengan variasi
rotasi, sedangkan pada Willy dkk, pengujian dilakukan dengan noise. Walaupun
masing-masing menghasilkan akurasi yang bagus pada pengujian, yakni 90% dan
95%, tetapi constraint pengujian masih tidak cukup. Motif songket tidak selalu
diambil dari sudut pandang dan lokasi yang sama, dan secara bersamaan,
pencahayaan yang kurang untuk sensor kamera smartphone yang kecil membuat
citra menjadi blur & noisy. Oleh karena itu, penelitian untuk mencari Classifier
harus robust terhadap constraint ini masih harus dilakukan.
Penelitian ini menggunakan fitur ekstraktor Scale Invariant Feature
Transform (SIFT) dalam proses pengenalan motif kain songket. SIFT merupakan
fitur ekstraktor yang invariant terhadap variasi skala, rotasi, illuminasi dan sudut
pandang (Lowe, 2004). Fitur ekstraktor ini mampu melakukan klasifikasi citra
dengan akurasi 90% pada pengujian terhadap skala, rotasi, brightness dan noise.
(Li & Wang, 2018). Selain itu, SIFT juga digunakan pada klasifikasi motif kain
songket dengan noise (Willy et al., 2013).
Fitur ekstraktor SIFT akan dikombinasikan dengan feature transformation
Bag of Words (BoW). SIFT dan BoW ini dipakai pada penelitian mengenai
pengenalan batik dengan skala dan rotasi (Azhar et al., 2015) dan pengenalan citra
I-3
dengan scaling, rotasi, brightness changes, dan noise (Li & Wang, 2018), dengan
rata-rata akurasi sekitar 90% pada skenario uji. Selain itu algoritma Feedforward
Neural Network dipakai sebagai feature classifier karena dapat mengalahkan SVM
dalam mengenali fitur SIFT+BoW (Gultom et al., 2018). Kombinasi algoritma ini
dipilih sebagai benchmark pengenalan memiliki performa di beberapa penelitian
lain dengan masalah yang sama dengan penelitian ini.
Pada penelitian ini juga dikembangkan arsitektur Convolutional Neural
Network (CNN) yang dapat mengenali kain songket dengan variasi transofrmasi
spatial, blur dan noise. Keberhasilan metode tradisional dalam menyelesaikan
masalah computer vision bergantung pada ekstraksi fitur. CNN bisa secara otomatis
belajar mengenali fitur suatu domain permasalahan spesifik, tanpa perlu membuat
fitur ekstraktor handcrafted untuk masalah tersebut (Aloysius & Geetha, 2018).
CNN menunjukkan hasil state of the art pada banyak benchmark klasifikasi yang
menantang, mendominasi metode lain dalam kompetisi klasifikasi, bahkan
mengungguli performa manusia dalam melakukan klasifikasi satu label (Rawat,
2017).
Pengenalan motif traidisional dengan CNN dilakukan oleh Yohanes dkk
pada motif batik (Gultom et al., 2018). Penelitian tersebut menggunakan model
VGG16 yang sudah di-pretrained dengan dataset ImageNet, teknik ini disebut
network based transfer learning. CNN yang digunakan mampu mengenali motif
batik dengan akurasi sebesar 89±7%. Pada pengujian rotasi dan skala CNN mampu
dikalahkan metode lain, tetapi perlu dicatat bahwa Layer convolution CNN tersebut
tidak dilatih dengan dataset motif batik dengan variasi skala dan rotasi. Di sisi lain
I-4
pelatihan ulang VGG16 juga tidak menjamin performa yang bagus. Pada penelitian
Teny Handhayani dkk, arsitektur CNN dengan 3-layer Convolution & Max Pooling
mampu mengalahkan VGG16 (Handhayani et al., 2018). Untuk itu pada penelitian
ini, dikembangkan arsitektur dimulai dari CNN 3-layer.
Selain itu, CNN yang dikembangkan dilengkapi dengan modul Spatial
Transformer Network (STN). Modul yang dikembangkan oleh DeepMind pada
tahun 2015 ini dipilih karena berhasil mencapai performa state of the art dalam
masalah variasi transformasi spatial (Jaderberg et al., 2015). Selanjutnya digunakan
juga data augmentation untuk melengkapi variasi transformasi spatial, blur dan
noise pada data training. Data training yang sudah di augmentasi ini membuat CNN
robust terhadap variasi translasi (Kauderer-Abrams, 2017) dan noise (Tiago S. et
al., 2018).
Berdasarkan uraian diatas, performa SIFT+BoW+FNN dalam mengenali
motif kain songket akan dijadikan akurasi acuan (benchmark). Convolutional
Neural Network dikembangkan untuk mengenali motif kain songket dengan
variaasi transformasi spatial, blur dan noise. Arsitektur CNN dikembangkan
memiliki 3-layer convolutional dan menggunakan modul Spatial Transformer
Network (STN) untuk mengatasi variasi spatial. Data Augmentation juga
digunakan untuk meningkatkan variance CNN terhadap translasi & noise.
1.3. Rumusan Masalah
Beberapa rumusan masalah yang akan diselesaikan pada penelitian ini
berdasarkan latar belakang yang telah disebutkan adalah:
I-5
a. Bagaimana performa SIFT+BoW+FNN dalam mengenali motif kain
songket dengan variasi transformasi spatial, blur dan noise?
b. Bagaimana performa CNN dengan modul STN dalam mengenali motif
kain songket dengan variasi transformasi spatial, blur dan noise?
1.4. Tujuan Penelitian
Tujuan dari penelitian pengenalan motif kain songket pada citra kamera
smartphone dengan beragam sudut pandang menggunakan CNN ini adalah:
a. Untuk mengetahui performa SIFT+BoW+FNN dalam mengenali motif
kain songket dengan variasi transformasi spatial, blur dan noise
b. Untuk mengetahui performa CNN dengan modul STN dalam mengenali
motif kain songket dengan variasi transformasi spatial, blur dan noise
1.5. Manfaat Penelitian
Manfaat penelitian ini adalah untuk mengetahui performa CNN
dibandingkan dengan metode tradisional SIFT+BoW+FNN. Selain itu, classifier
yang diteliti dapat menjadi dasar dari sebuah aplikasi yang membantu orang awam
mengenali jenis kain songket sebagai bentuk pelestarian songket, warisan budaya
non-benda.
1.6. Batasan Masalah
Batasan masalah dalam penelitian ini adalah sebagai berikut:
a. Citra yang digunakan adalah citra yang diambil secara offline
I-6
b. Dalam satu citra diasumsikan hanya ada satu jenis motif saja.
c. Pengujian SIFT dilakukan dengan library silx sedangkan pengujian CNN
dilakukan dengan library PyTorch.
1.7. Sistematika Penulisan
Batasan masalah dalam penelitian ini adalah sebagai berikut:
BAB I. PENDAHULUAN
Pada bab ini diuraikan mengenai latar belakang, perumusan masalah,
tujuan dan manfaat penelitian, batasan masalah/ruang lingkup, metodologi
penelitian, dan sistematika penulisan.
BAB II. KAJIAN LITERATUR
Pada bab ini akan dibahas dasar-dasar teori yang digunakan dalam
penelitian seperti motif kain songket, citra, citra grayscale, klasifikasi citra,
klasifikasi dengan SIFT+BoW+FNN, klasifikasi dengan CNN,
Convolutional Neural Network, data augmentation, confusion matrix dan
RUP dan penelitian lain yang relevan.
BAB III. METODOLOGI PENELITIAN
Hal utama yang dibahas dalam bab ini adalah penjelasan tentang
tahap-tahap yang dipakai dalam penelitian untuk mendapatkan kebenaran.
Tahap-tahap ini mulai dari literature review, pengumpulan data, pembuatan
perangkat lunak, pengujian, eksperimentasi dan analisis hasil. Terdapat juga
pembahasan tentang manajemen proyek penelitian.
I-7
BAB IV. PENGEMBANGAN PERANGKAT LUNAK
Bab ini membahas hasil implementasi metode RUP dalam
mengembangkan perangkat lunak. Pembahasan dilakukan per-fase, mulai
dari fase insepsi, mengenai bisnis model didapat. Selanjutnya fase elaborasi,
mengenai sistem requirement yang dibuat dari bisnis model dan analisis
desain. Selanjutnya fase konstruksi dimana desain diimplementasikan. Dan
terakhir fase transisi, mengenai pengujian perangkat lunak
BAB V. HASIL DAN ANALISIS PENELITIAN
Pada bab ini akan dibahas mengenai hasil pengujian metode
SIFT+BoW+FNN dan CNN dalam mengenali kain songket dengan beberapa
skenario pengujian yang telah ditentukan pada bab 3. Kemudian, terdapat
juga analisis hasil-hasil pengujian yang didapatkan.
BAB VI. KESIMPULAN DAN SARAN
Pada bab ini terdapat pembahasan tentang kesimpulan yang
didapatkan dari analisis hasil pengujian. Selain itu, terdapat juga beberapa
saran yang bisa digunakan untuk penelitian selanjutnya.
1.8. Kesimpulan
Berdasarkan uraian, pada penelitian ini akan dilakukan pengujian performa
SIFT+ SVM dan CNN dengan STN dalam mengenali motif kain songket dengan
batasan masalah yang telah ditentukan.
vii
DAFTAR PUSTAKA
Aloysius, N. & Geetha, M. 2018. A review on deep convolutional neural networks.
Proceedings of the 2017 IEEE International Conference on Communication
and Signal Processing, ICCSP 2017, 2018–Janua: 588–592.
Anwar, A. 2014. A Review of RUP (Rational Unified Process). Ashraf Anwar
International Journal of Software Engineering (IJSE), (5): 8.
(https://www.cscjournals.org/manuscript/Journals/IJSE/Volume5/Issue2/IJS
E-142.pdf).
Azhar, R., Tuwohingide, D., Kamudi, D., Sarimuddin & Suciati, N. 2015. Batik
Image Classification Using SIFT Feature Extraction, Bag of Features and
Support Vector Machine. Procedia Computer Science, 72: 24–30.
(http://dx.doi.org/10.1016/j.procs.2015.12.101).
Gultom, Y., Arymurthy, A.M. & Masikome, R.J. 2018. Batik Classification using
Deep Convolutional Network Transfer Learning. Jurnal Ilmu Komputer dan
Informasi, 11(2): 59.
Hamzah, A. 2019. Wawancara Megenai Songket Palembang.
Handhayani, T., Hendryli, J. & Hiryanto, L. 2018. Comparison of shallow and deep
learning models for classification of Lasem batik patterns. Proceedings - 2017
1st International Conference on Informatics and Computational Sciences,
ICICoS 2017, 2018–Janua(March 2018): 11–16.
He, K., Zhang, X., Ren, S. & Sun, J. 2015. Delving deep into rectifiers: Surpassing
human-level performance on imagenet classification. Proceedings of the IEEE
International Conference on Computer Vision, 2015 Inter: 1026–1034.
Hernández-García, A. & König, P. 2018. Do deep nets really need weight decay
and dropout? 1–5. (http://arxiv.org/abs/1802.07042).
Ian Goodfellow, Yoshua Bengio, A.C. 2017. Deep Learning. MIT Press,
521(7553): 785.
Jaderberg, M., Simonyan, K., Zisserman, A. & Kavukcuoglu, K. 2015. Spatial
Transformer Networks. 9.
Janocha, K. & Czarnecki, W.M. 2017. On Loss Functions for Deep Neural
Networks in Classification. 1–10. (http://arxiv.org/abs/1702.05659).
Jindal, R. & Vatta, S. 2014. SIFT: Scale Invariant Feature transform (Review).
International Journal of Advance research Ideas and Innovations in
Technology, 1(1): 1–5.
(https://pdfs.semanticscholar.org/cf79/0a8e9b77b13b44f688e31b47dd6fdb35
c65f.pdf).
Kauderer-Abrams, E. 2017. Quantifying Translation-Invariance in Convolutional
Neural Networks. (http://arxiv.org/abs/1801.01450).
Kumar, G. & Bhatia, P.K. 2014. A detailed review of feature extraction in image
processing systems. International Conference on Advanced Computing and
Communication Technologies, ACCT, 5–12.
Li, Q. & Wang, X. 2018. Image Classification Based on SIFT and SVM.
Proceedings - 17th IEEE/ACIS International Conference on Computer and
Information Science, ICIS 2018, (1): 762–765.
viii
Li, S. 2017. A review of feature detection and match algorithms for localization and
mapping. IOP Conference Series: Materials Science and Engineering, 231(1).
Lowe, D.G. 2004. Distinctive Image Features from Scale-Invariant Keypoints.
International Journal of Computer Vision, 1–28.
Mishkin, D., Sergievskiy, N. & Matas, J. 2017. Systematic evaluation of
convolution neural network advances on the Imagenet. Computer Vision and
Image Understanding, 161: 11–19.
Munir, R. 2002. Pengolahan Citra Digital. Informatika, Bandung, 229–236.
Nwankpa, C., Ijomah, W., Gachagan, A. & Marshall, S. 2018. Activation
Functions: Comparison of trends in Practice and Research for Deep Learning.
1–20. (http://arxiv.org/abs/1811.03378).
Perez, L. & Wang, J. 2017. The Effectiveness of Data Augmentation in Image
Classification using Deep Learning. (http://arxiv.org/abs/1712.04621).
Rational Software 2004. Rational Unified Process Best Practices for Software.
Development, 1–21.
(http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Rational+
Unified+Process+Best+Practices+for+Software#4).
Rawat, W. 2017. Deep Convolutional Neural Networks for Image Classification :
A Comprehensive Review. 2449: 2352–2449.
Riztyan, A. & Dariska, R.B. 2013. Analisis Pengenalan Motif Songket Palembang
Menggunakan Algoritma Propagasi Balik. 1–8.
(http://eprints.mdp.ac.id/876/1/JURNAL 2009250018 ANDRA_RIZTYAN
DAN 2009250097 REZI_BERLI_DARISKA.pdf).
Sammut, C. & Webb, G.I. 2017. Encyclopedia of machine learning and data
mining. Springer Publishing Company, Incorporated.
Tiago S., N., Gabriel B., P. da C., Welinton A., C. & Moacir, P. 2018. Deep
Convolutional Neural Networks and Noisy Images. Lecture Notes in
Computer Science, 1: 416–424.
(https://link.springer.com/chapter/10.1007/978-3-319-75193-1_50).
Willy, D., Noviyanto, A. & Arymurthy, A.M. 2013. Evaluation of SIFT and SURF
features in the songket recognition. 2013 International Conference on
Advanced Computer Science and Information Systems, ICACSIS 2013, 393–
396.
Zhang, C., Bengio, S., Hardt, M., Recht, B. & Vinyals, O. 2016. Understanding
deep learning requires rethinking generalization.
(http://arxiv.org/abs/1611.03530).
Zhang, Y., Jin, R. & Zhou, Z.H. 2010. Understanding bag-of-words model: A
statistical framework. International Journal of Machine Learning and
Cybernetics, 1(1–4): 43–52.