Microsoft Word - Fix.docx

IT Journal Research and Development (ITJRD)
Vol.5, No.2, Maret 2021, E-ISSN : 2528-4053 | P-ISSN : 2528-4061
DOI : 10.25299/itjrd.2021.vol5(2).5831

Journal homepage: http:/journal.uir.ac.id/index.php/ITJRD

215

Klasifikasi Pola Kain Tenun Melayu Menggunakan
Faster R-CNN

Yoze Rizki1, Reny Medikawati Taufiq2, Dinia Putri3, Harun Mukhtar4
Teknik informatika, Fakultas Ilmu Komputer, Universitas Muhammadiyah Riau1,2,3,4
yozerizki@umri.ac.id1, renymedikawati@umri.ac.id2, diniaputri915@gmail.com3,

harunmukhtar@umri.ac.id4

Article Info Abstrak

History :

Dikirim 12 November 2020
Direvisi 14 Desember 2020
Diterima 6 Januari 2021

Motif tenun melayu sangat beragam. Keberagaman ini membuat sulit membedakan motif-motif kain tenun tersebut. Klasifikasi data
diperlukan untuk mengidentifikasi karakteristik objek yang
terkandung dalam basis data agar kemudian dikategorikan ke dalam
kelompok yang berbeda. Faster R-CNN dengan model arsitektur
VGG dipilih untuk merancang sebuah sistem untuk klasifikasi motif
tenun melayu. Faster R-CNN mengeliminasi sangat banyak waktu
training karena mengeliminasi algoritma selective search untuk
mencari region proposal. Diluar kecepatan tersebut, permasalahan
lain yang muncul adalah bagaimana performa Faster R-CNN dalam
mengklasifikasi citra motif tenun dibandingkan algoritma region
proposal yang lain. Tujuan penelitian yang dicapai dalam penelitian
ini yaitu untuk mengetahui performa klasifikasi motif tenun melayu
menggunakan Faster R-CNN dengan model arsitektur VGG, dengan
cara mengukur persentase akurasi, presisi, dan recall yang akan
divalidasi menggunakan K-Fold Cross Validation. Jumlah dataset
yang digunakan berjumlah 100 citra yang diacak untuk masing-
masing dari 5 (lima) fold pada K-fold cross validation. Data tersebut
dibagi menjadi 80 data train dan 20 data test. Setelah dilakukan
persiapan data, pre-processing, serta implementasi, dilakukan
pengujian dengan hasil bahwa dari data latih yang berupa citra kain
tenun melayu, didapatkan skor rata-rata training loss dari step
pertama hingga step terakhir sebesar 1,915. Klasifikasi karakteristik
pengenalan motif tenun melayu menggunakan Metode deteksi objek
Faster R-CNN melalui validasi K-Fold Cross Validation dengan nilai
k=5, didapatkan akurasi 82.14%, presisi 91.38% dan recall 91.36%.
Dari Analisa ditemukan bahwa Faster R-CNN dengan VGG secara
keseluruhan unggul dibandingkan algoritma lain (CNN dengan
arsitektur AlexNet), karena dipengaruhi perbedaan arsitektur dan
sedikit dipengaruhi oleh pemilihan algoritma.

Kata Kunci :

Classification
Computer Vision
Deep learning
Faster R-CNN
Tenun

Koresponden:

Yoze Rizki
Program Studi Teknik Informatika, Fakultas Ilmu Komputer
Universitas Muhammadiyah Riau,
Jl. Tuanku Tambusai, Pekanbaru,Indonesia, 28290
Email : yozerizki@umri.ac.id

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 – 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

216

1. PENDAHULUAN
Tenun adalah sejenis kain tertentu yang dibuat khusus dengan motif-motif yang khas.

Sementara motif adalah desain yang dibuat dari bagian-bagian bentuk, berbagai macam garis atau
elemen-elemen [1]. Motif tenun melayu sangat beragam. Keberagaman ini membuat sulit
membedakan motif-motif kain tenun tersebut. Pada umumnya masyarakat tidak terlalu mengenali
motif-motif tenun melayu tetapi masyarakat pada umumnya hanya melihat keindahan motif tenun
melayu saja. Oleh sebab itu diperlukan inovasi teknologi pengenalan motif yang dapat mengenali
motif-motif tenun melayu.

Deep learning dibutuhkan untuk menganalisa dan mengklasifikasi citra motif tenun dengan
akurasi yang tinggi. Deep learning terbagi dalam dua sesi yaitu sesi training dan testing [2]. Pada
sesi training, ekstrasi fitur dari setiap data dipelajari, sehingga suatu label dengan label yang lain
dapat dibedakan. Sementara pada sesi testing data-data yang diuji dapat dianalisa dari hasil sesi
training.

Beberapa algoritma deep learning klasik yang dapat digunakan untuk klasifikasi citra
diantaranya, K-NN [3], SVM [4], Ensemble Learning algorithm [5], Multi-layer Perceptron (MLP)
[6], dan CNN [7]. Dewasa ini terdapat dua kelompok algoritma object detector modern, yaitu
kelompok region proposal seperti R-CNN [8], Fast R-CNN [9], Faster R-CNN [10] dan kelompok
single shot seperti You only look once (YOLO) [11], [12] dan Single shot Detector (SSD) [13]. Dari
penelitian yang dilakukan [14] dapat dilihat bahwa algoritma-algoritma Single shot jauh lebih cepat
dibandingkan region proposal, namun tidak lebih akurat. Sementara hasil yang diharapkan pada
klasifikasi motif tenun melayu adalah mendapatkan nilai akurasi tinggi, bukan kecepatan yang tinggi.

Terdapat beberapa penelitian yang telah dilakukan menggunakan deep learning dengan tema
indentifikasi pola kain, seperti yang dilakukan oleh oleh [7], [15], yang dibuat dengan Convolutional
neural network (CNN), Metode K-Nearest Neighbor (K-NN) [16], [17], dan Support vector machine
(SVM) [18]. Namun penelitian yang paling relevan dengan penelitian ini adalah penelitian yang
dilakukan oleh [19] pada tahun 2019 berjudul Pengenalan pola motif kain tenun gringsing
menggunakan metode CNN dengan model arsitektur alexnet. Pengujian dilakukan untuk
mendapatkan performa sistem terkait waktu training, akurasi, presisi, recall, dan nilai f-measure.
Berdasarkan hasil pengujian, model yang dibangun berhasil menyelesaikan waktu training selama
19.33 jam, dan memiliki akurasi 76%, presisi 74.1%, dan recall 72.3%, serta nilai F-measure sebesar
0.73 [19].

Faster R-CNN [10] dengan model arsitektur VGG [20] dipilih untuk merancang sebuah sistem
untuk klasifikasi motif tenun melayu. Data yang digunakan berupa citra dua dimensi yang merupakan
barisan matrix pixel berbentuk grid. Data berbentuk grid sangat relevan untuk penerapan metode
CNN. Walaupun Faster R-CNN tidak akan secepat algoritma single shot yang tidak mengenal region
proposal, Faster R-CNN mengeliminasi sangat banyak waktu training karena Faster R-CNN hanya
butuh 300 proposal per citra sementara [8] and [9] memerlukan 2000 proposal. Hal ini terjadi karena
Faster R-CNN mengeliminasi algoritma selective search yang digunakan R-CNN [8] dan Fast R-
CNN [9] untuk mencari region proposal dan sebagai gantinya membiarkan jaringan neural network
melakukan pembelajaran terhadap region proposal. Diluar semua pembahasan mengenai kecepatan
komputasi, permasalahan lain yang muncul adalah bagaimana performa Faster R-CNN dalam
mengklasifikasi citra motif tenun dibandingkan algoritma region proposal yang lain.

Tujuan penelitian yang dicapai dalam penelitian ini yaitu untuk mengetahui performa
pengenalan dan klasifikasi motif tenun melayu menggunakan Faster R-CNN, dengan cara mengukur
persentase dari tingkat akurasi, presisi, dan recall yang akan divalidasi menggunakan K-Fold Cross
Validation.

2. METODE PENELITIAN
Bagian ini mengurai tentang analisis kebutuhan sistem, pengumpulan dataset, perancangan

pre-processing, dan training Faster R-CNN.
Untuk tahap awal, kebutuhan awal penelitian dipersiapkan. Kebutuhan ini termasuk sampel

dataset kain tenun, sistem perangkat keras berupa komputer, dan library perangkat lunak yang
digunakan untuk kebutuhan training data.

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 - 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

217
Pengumpulan Dataset berupa citra di dapat dari pengambilan gambar kain motif tenun melayu

dan crawling pada internet. Dataset ini terdiri dari berbagai citra kain tenun melayu sebagai data
training dan data test. Keberagaman data sangat disarankan untuk memperoleh hasil pembelajaran
sistem yang lebih baik.

Pada penelitian ini dideteksi 2 sampel motif tenun melayu yaitu Pucuk Rebung & Siku
Keluang. Pemilihan kedua motif ini didasari kebutuhan penelitian untuk mengklasifikasi lebih dari
satu jenis, dan keberagaman dataset yang tersedia untuk kedua jenis motif diatas. sistem yang akan
dibuat adalah berbasis desktop, dengan jumlah dataset yang digunakan berjumlah 100 citra yang
akan diacak untuk setiap fold pada K-fold cross validation sebanyak 5 (lima) fold. Data tersebut
dibagi menjadi data training dan data testing. Data citra yang digunakan untuk proses training
berjumlah 80 data terdiri dari 40 citra pucuk rebung dan 40 citra siku keluang yang dilabeli di tiap
citra. Data citra yang digunakan untuk proses testing berjumlah 10 citra pucuk rebung dan 10 citra
siku keluang yang dilabeli di tiap citra.

Diagram alur penelitian dapat dilihat pada gambar 1:

Gambar 1. Alur Penelitian

Setelah mengumpulkan dataset, selanjutnya dilakukan pre-processing citra dataset. Hal
pertama yang dilakukan pada proses pre-processing adalah penyeragaman ukuran pixel seluruh citra
dataset dengan pixel 800x600 pixel. Proses pre-processing lainnya yaitu augmentasi data dengan
cara memberikan distorsi pada citra sampel, dan berkas hasilnya dimasukkan kedalam dataset. Pre-
processing yang terakhir yaitu Pelabelan Citra.

Pelabelan citra adalah tahap awal dimana dataset input diberikan label atau pengenal (tanda)
dengan tujuan untuk menyimpan informasi citra yang selanjutnya disimpan dalam berkas XML
dengan format PASCAL VOC. Pelabelan dilakukan secara manual terhadap 100 dataset citra motif
tenun melayu pucuk rebung dan siku keluang menggunakan labelImg seperti dapat dilihat pada
gambar 2.

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 – 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

218

Gambar 2. Proses Pelabelan Citra Motif Tenun Melayu Pucuk Rebung

Setelah dilakukan pelabelan perlu adanya konversi berkas dari XML ke CSV untuk tujuan
konversi dataset ke berkas ‘Annotation.txt’. Setelah proses konversi berkas XML dengan output
berupa file CSV diperlukan konversi ke ‘Annotation.txt’ file yang digunakan untuk feeding data pada
proses training.

Convolutional neural network (CNN) yang akan digunakan untuk memproses citra tenun
melayu merupakan jaringan saraf yang dikhusukan untuk memproses data yang memiliki grid
[21]. Pada penelitian ini, data yang digunakan berupa citra motif tenun melayu. Citra dua dimensi
merupakan barisan matrix pixel berbentuk grid. Data berbentuk grid sangat relevan untuk penerapan
metode Convolutional neural network atau dikenal juga dengan sebutan ConvNets. Convolutional
neural network memiliki beberapa layer yang difungsikan untuk melakukan filter pada setiap
prosesnya. Prosesnya disebut dengan proses training. Pada proses training terdapat 3 tahapan yaitu
Convolutional layer, Pooling layer, dan Fully connected layer [22]. Ilustrasi arsitektur CNN dapat
dilihat pada Gambar 3.

Gambar 3. Arsitektur Convolutional Neural Network [22]

Proses konvolusi Pada Convolutional layer adalah proses dimana matriks kernel yang memiiki
fungsi melakukan filter pada matriks citra [23]. Pooling atau subsampling adalah pengurangan
ukuran matriks dengan menggunakan operasi pooling. Pooling layer biasanya dilakukan setelah
convolution Layer. Proses konvolusi dan pooling dilakukan beberapa kali sehingga didapatkan peta
fitur (feature map) dengan ukuran yang dikehendaki. Peta fitur tersebut akan menjadi input bagi fully
connected neural network yang akan mengklasifikasi nilai output. Convolutional neural networks
(ConvNets) merupakan penerapan dari Artificial Neural networks (ANN) yang lebih istimewa dan
saat ini diklaim sebagai model terbaik untuk memecahkan masalah pengenalan objek.

Pengenalan pola motif citra tenun pada penelitian ini dilakukan menggunakan salah satu
metode convolutional neural network yaitu Faster R-CNN. Faster R-CNN merupakan metode deep
learning yang digunakan untuk mengenali suatu suatu objek pada citra [24]. Pengenalan dilakukan
dengan menelusuri ciri-ciri yang dimiliki oleh objek pada citra. Penelusuran dilakukan melalui
sejumlah layer (seperti yang dilakukan pada neural network) melalui proses konvolusi atau yang
lebih dikenal dengan nama Convolutional neural network (CNN).

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 - 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

219
Setelah melakukan konvolusi dan mendapatkan convolution layers, Region proposal Network

diajukan untuk menentukan Region of interest yang akan digunakan sistem untuk menentukan kelas
dari sebuah objek. Gambaran mengenai arsitektur dari Faster R-CNN dapat dilihat pada Gambar 4
berikut ini:

Gambar 4. Aristektur Faster R-CNN [24]

Pada implementasi sistem, tahap training data dengan algoritma Faster R_CNN adalah tahap
utama, dimana Faster R-CNN dilatih untuk mempelajari suatu pola yang menghasilkan generator
(nilai anchor). yang dapat dilihat pada gambar 5.

Gambar 5. Hasil Generator (Nilai Anchor.

3. HASIL DAN PEMBAHASAN
3.1 Hasil

Hasil implementasi dari proses pelatihan pada proses training merupakan sebuah model.
Terdapat 3 tahapan yaitu Convolutional layer, Pooling layer, dan Fully connected layer [22]. Hasil

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 – 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

220

akhir dari proses pembelajaran atau pelatihan Faster R-CNN adalah terbentuknya sebuah model dan
record yang siap pakai untuk pendeteksian lebih lanjut atau dengan kata lain disebut dengan testing.

Pada proses training, loss merupakan penalti atau hukuman bagi sistem untuk prediksi yang
salah. Dimana loss adalah angka yang menunjukkan indikasi seberapa buruk prediksi dari model dari
sebuah sampel data. Jika prediksi model sempurna, maka loss akan bernilai nol. Sementara jika yang
terjadi sebaliknya, maka jumlah loss lebih banyak. Tujuan dari training sebuah model adalah untuk
mencari beban dan bias data yang memiliki loss rendah dalam rata-rata sebanyak jumlah data
didalam dataset.

Gambar 6 merupakan grafik total loss yang dihasilkan pada saat melakukan proses training
sampai dengan selesai sesuai dengan jumlah iterasi yang dilakukan yaitu sebanyak 40 langkah/steps.
Dari data latih, didapatkan bahwa Ketika training epoch meningkat, skor training error akan
menurun. Ini menunjukkan bahwa semakin banyak training yang dilakukan, sistem akan semakin
terlatih untuk melakukan pengenalan atau identifikasi pola citra. Didapatkan bahwa score rata-rata
nilai training loss dari step pertama hingga step terakhir adalah 1,915.

Gambar 6. Grafik Total Loss dari Faster R-CNN

Pengujian dilakukan untuk menentukan performa algoritma Faster R-CNN dengan cara
mencari nilai akurasi, presisi dan recall dengan metode K-Fold Cross Validation. Pada pengujian ini
dataset dibagi menjadi 5 folder yang masing-masing didalamnya terdapat 100 gambar dataset yang
dibagi menjadi data train dan data test secara acak. Data train pada masing-masing dari kelima folder
berjumlah 80 gambar, sedangkan data test berjumlah 20 gambar. Pada setiap fold dilakukan lima kali
percobaan dan dihitung akurasinya.

Hasil pengujian dengan menggunakan K-Fold Cross Validation ini dapat dilihat pada Tabel 1
yang menampilkan akurasi, presisi, dan recall yang telah di kalkulasi pada masing-masing fold
dengan perhitungan menggunakan Confussion Matrix. Confusion matriks adalah sebuah metode
yang digunakan untuk menghitung nilai akurasi pada konsep data mining [25].

Tabel 1. Hasil Akurasi, Presisi, Recall Dengan Metode K-Fold Cross Validation
No Fold Faster R-CNN Metode lain (CNN) [19]

Accuracy % Precision % Recall % Accuration % Precision % Recall %

1 1 73% 90% 95% 66% 69% 65%

2 2 91,30% 95,20% 95,20% 80,10% 73,20% 75,20%

3 3 85,20% 96,70% 96,70% 83,30% 74,70% 74,70%

4 4 76,10% 87,50% 87,50% 74,10% 78,50% 69,50%

5 5 85,10% 87,50% 87,50% 75,10% 74,50% 73,50%

Average % 82,14% 91,38% 91,36% 76.0% 74.10% 72.30%

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 - 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

221
Confussion matrix merupakan sebuah tabel dengan empat kombinasi berbeda dari nilai

prediksi dan nilai sebenarnya, True Positive (TP), True Negative (TN), False Positive (FP), dan False
Negative (FN). Nilai true positive dan true negative adalah nilai pada titik dimana algoritma
mengklasifikasi dengan benar, yaitu nilai true untuk TP atau nilai false untuk TN. Sementara false
positive dan false negative, disisi lain, merupakan titik dimana algoritma salah mengklasifikasi.

Hasil pengujian akurasi yang dapat dilihat pada gambar 7 menyatakan bahwa algoritma deteksi
objek Faster R-CNN dapat mengidentifikasi motif dari tenun melayu dengan nilai 82.14%.

Gambar 7. Grafik hasil Pengujian Akurasi

Akurasi adalah banyaknya data yang diprediksi benar, dari seluruh dataset. Akurasi
didefinisikan dari jumlah true positive dan true negative dibagi jumlah seluruh data true positive,
true negative, false positive, dan false negative. Seperti terlihat pada (1)

𝐴𝑐𝑐 = !"#!$
!"#!$#%"#%$

(1)

Dapat dilihat pada gambar 8 bahwa algoritma deteksi objek Faster R-CNN menghasilkan
presisi 91.38% untuk mengklasifikasi motif tenun melayu.

Gambar 8. Grafik hasil Pengujian Presisi

Presisi didapat dari Sebagian data yang relevan dari seluruh data pengujian yang bernilai benar.
sebuah Classifier sempurna memiliki presisi bernilai 1, yang berarti 100%. Presisi diambil dari
jumlah data true positive dibagi dengan penjumlahan dari true positive dan false positive, seperti
terlihat pada (2).

𝑃𝑟𝑒𝑐 = !"
!"#%"

(2)

73%

91,30% 85,20%

76,10%
85,10%

66%
80,10%

83,30%

74,10%
75,10%

50%

70%

90%

110%

1 2 3 4 5
Fold

Akurasi

Faster R-CNN CNN

90%
95,20% 96,70%

87,50% 87,50%

69% 73,20%
74,70% 78,50% 74,50%

50%
60%
70%
80%
90%

100%

1 2 3 4 5
Fold

Presisi

Faster R-CNN CNN

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 – 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

222

Algoritma pendeteksi objek Faster R-CNN dapat mengklasifikasi motif tenun melayu dengan
nilai recall 91.36%, seperti terlihat pada gambar 9

Gambar 9. Grafik hasil Pengujian recall

Recall, yang terkadang disebut sensitivity, adalah Sebagian data yang relevan dan bernilai benar
dari seluruh data yang relevan. Sebuah classifier sempurna memiliki nilai recall 1, atau 100%. Recall
ditentukan dari banyaknya data true positive dibagi dengan penjumlahan true positive dan false
negative, seperti pada (3)
Recall = &'

&'#()
(3)

3.2 Pembahasan
Dapat dilihat pada hasil penelitian bahwa Faster R-CNN dengan arsitektur VGG mengungguli

performa algoritma lain dengan objek penelitian yang serupa, yaitu CNN dengan arsitektur AlexNet.
Setelah melakukan Analisa singkat, diketahui bahwa pemilihan arsitektur sangat berpengaruh pada
performa, karena dapat dilihat pada [14] bahwa perbedaan arsitektur akan mempengaruhi hasil mean
Average Precision (mAP), sementara pemilihan algoritma pun juga berpengaruh kecil terhadap
akurasi deteksi. Pada [20] dapat dilihat bahwa dari pengukuran validation error untuk kedua
kategori, VGG mendapatkan secara berurutan 40.04% and 60.99% error yang lebih rendah daripada
AlexNet. Penelitian yang dilakukan oleh [24] juga memperlihatka bahwa dari semua dataset yang
bahwa Faster R-CNN unggul tidak lebih dari 3.2% dari algoritma lain yang menggunakan selective
search.

4. KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan, diperoleh kesimpulan bahwa dari data latih

yang berupa citra motif kain tenun melayu, didapatkan bahwa score rata-rata nilai training loss dari
epoch pertama hingga epoch terakhir adalah 1,915. Klasifikasi karakteristik pengenalan motif tenun
melayu menggunakan Metode deteksi objek Faster Region-based Convolutional neural network
(Faster R-CNN) menggunakan arsitektur VGG melalui validasi K-Fold Cross Validation dengan
nilai k=5 didapatkan akurasi 82.14%, presisi 91.38% dan recall 91.36%. Dari Analisa ditemukan
bahwa Faster R-CNN dengan VGG secara keseluruhan unggul dibandingkan algoritma lain yang
meneliti objek serupa yaitu CNN dengan arsitektur AlexNet. keunggulan Faster R-CNN dari
algoritma lain dipengaruhi perbedaan arsitektur yang digunakan dan sedikit dipengaruhi oleh
pemilihan algoritma.

UCAPAN TERIMA KASIH
Penelitian dibiayai oleh Deputi Bidang Penguatan Riset dan Pengembangan Kementerian Riset

dan Teknologi / Badan Riset dan Inovasi Nasional melalui LLDIKTI Wilayah X sesuai dengan
Kontrak Penelitian Nomor: 084/LL10/PF/2020

95% 95,20% 96,70%
87,50% 87,50%

65%
75,20% 74,70%

69,50% 73,50%

50%
60%
70%
80%
90%

100%

1 2 3 4 5
Fold

Recall

Faster R-CNN CNN

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 - 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

223
DAFTAR PUSTAKA

[1] N. Sahara, A. Efi, R. Fitria, dan H. Hadiastuti, “DESAIN RAGAM HIAS PELAMINAN
MELAYU RIAU SEBAGAI INSPIRASI INOVASI KRIYA BATIK,” Gorga J. Seni Rupa,
vol. 7, no. 2, hal. 246–251.

[2] L. Marifatul Azizah, S. Fadillah Umayah, dan F. Fajar, “Deteksi Kecacatan Permukaan Buah
Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer,” Semesta Tek.,
vol. 21, no. 2, 2018.

[3] L. E. Peterson, “K-nearest neighbor,” Scholarpedia, vol. 4, no. 2, hal. 1883, 2009.

[4] W. S. Noble, “What is a support vector machine?,” Nat. Biotechnol., vol. 24, no. 12, hal.
1565–1567, 2006.

[5] T. G. Dietterich, “Ensemble learning,” Handb. brain theory neural networks, vol. 2, hal. 110–
125, 2002.

[6] M. W. Gardner dan S. R. Dorling, “Artificial neural networks (the multilayer perceptron)—a
review of applications in the atmospheric sciences,” Atmos. Environ., vol. 32, no. 14–15, hal.
2627–2636, 1998.

[7] H. Fonda, “KLASIFIKASI BATIK RIAU DENGAN MENGGUNAKAN
CONVOLUTIONAL NEURAL NETWORKS (CNN),” J. Ilmu Komput., vol. 9, no. 1, hal.
7–10, 2020.

[8] R. Girshick, J. Donahue, T. Darrell, dan J. Malik, “Region-based convolutional networks for
accurate object detection and segmentation,” IEEE Trans. Pattern Anal. Mach. Intell., vol.
38, no. 1, hal. 142–158, 2015.

[9] R. Girshick, “Fast r-cnn,” in Proceedings of the IEEE international conference on computer
vision, 2015, hal. 1440–1448.

[10] S. Ren, K. He, R. Girshick, dan J. Sun, “Faster R-CNN: Towards Real-Time Object Detection
with Region Proposal Networks,” in Advances in Neural Information Processing Systems 28,
C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama, dan R. Garnett, Ed. Curran Associates,
Inc., 2015, hal. 91–99.

[11] J. Redmon, S. Divvala, R. Girshick, dan A. Farhadi, “You only look once: Unified, real-time
object detection,” in Proceedings of the IEEE conference on computer vision and pattern
recognition, 2016, hal. 779–788.

[12] J. Redmon dan A. Farhadi, “Yolov3: An incremental improvement,” arXiv Prepr.
arXiv1804.02767, 2018.

[13] W. Liu et al., “Ssd: Single shot multibox detector,” in European conference on computer
vision, 2016, hal. 21–37.

[14] J. Huang et al., “Speed/accuracy trade-offs for modern convolutional object detectors,” in
Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, hal.
7310–7311.

[15] R. Mawan, “Klasifikasi motif batik menggunakan Convolutional Neural Network,”
JNANALOKA, hal. 45–50, 2020.

[16] H. Wijayanto, “Klasifikasi Batik Menggunakan Metode K-Nearest Neighbour Berdasarkan
Gray Level Co-Occurrence Matrices ( GLCM ),” Jur. Tek. Inform. FIK UDINUS, 2015.

[17] I. P. G. S. Andisana, M. Sudarma, dan I. M. O. Widyantara, “Pengenalan Dan Klasifikasi
Citra Tekstil Tradisional Berbasis Web Menggunakan Deteksi Tepi Canny, Local Color
Histogram Dan Co-Occurrence Matrix,” Maj. Ilm. Teknol. Elektro, 2018.

[18] R. Wiryadinata, M. R. Adli, R. Fahrizal, dan R. Alfanz, “Klasifikasi 12 Motif Batik Banten

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 – 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

224

Menggunakan Support Vector Machine,” J. EECCIS, vol. 13, no. 1, hal. 60–64, 2019.

[19] P. Aryasuta Wicaksana, I. M. Sudarma, dan D. Care Khrisne, “PENGENALAN POLA
MOTIF KAIN TENUN GRINGSING MENGGUNAKAN METODE CONVOLUTIONAL
NEURAL NETWORK DENGAN MODEL ARSITEKTUR ALEXNET,” J. SPEKTRUM;
Vol 6 No 3 J. SPEKTRUM, 2019.

[20] K. Simonyan dan A. Zisserman, “Very deep convolutional networks for large-scale image
recognition,” arXiv Prepr. arXiv1409.1556, 2014.

[21] R MEHINDRA PRASMATIO, B. Rahmat, dan I. Yuniar, “DETEKSI DAN PENGENALAN
IKAN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK,” J.
Inform. dan Sist. Inf., vol. 1, no. 2 SE-Articles, hal. 510–521, Jul 2020.

[22] A. Santoso dan G. Ariyanto, “Implementasi Deep Learning Berbasis Keras Untuk Pengenalan
Wajah,” Emit. J. Tek. Elektro, vol. 18, no. 01, hal. 15–21, 2018.

[23] J. Ludwig, “Image convolution,” Portl. State Univ., 2013.

[24] S. Ren, K. He, R. Girshick, dan J. Sun, “Faster R-CNN: Towards Real-Time Object Detection
with Region Proposal Networks,” IEEE Trans. Pattern Anal. Mach. Intell., 2017.

[25] J. S. Asri dan G. Firmansyah, “Implementasi Objek Detection Dan Tracking Menggunakan
Deep Learning Untuk Pengolahan Citra Digital,” Knsi 2018, hal. 717–723, 2018.

BIOGRAFI PENULIS

Yoze Rizki obtained Bachelor Degree in Electrical Engineering from Institut Teknologi Sepuluh
Nopember in 2012, and obtained Master Degree in Electrical Engineering from Institut Teknologi
Sepuluh Nopember in 2014. he has been a Lecturer with the Department of Informatics
Engineering, Universias Muhammadiyah Riau, since 2018. His current research interests include
Computer Vision, Deep Learning and Computer Graphics.

Reny Medikawati Taufiq obtained Bachelor Degree in Informatic Engineering from Institut
Teknologi Sepuluh Nopember in 2007, and obtained Master Degree in Informatic Engineering
from Institut Teknologi Bandung in 2015. she has been a Lecturer with the Department of
Informatics Engineering, Universias Muhammadiyah Riau, since 2018. Her current research
interests include Mobile Computation, Deep Learning and Object Recognition.

IT Jou Res and Dev, Vol.5, No.2, Maret 2021 : 215 - 225

Yoze, Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

225

Dinia Putri obtained Bachelor Degree in Informatic Engineering from Universitas
Muhammadiyah Riau in 2019. Her current research interests include Computer Vision, Deep
Learning and Cryptography.

Harun Mukhtar obtained Bachelor Degree in Informatic Engineering from STMIK AMIK Riau
in 2007, and obtained Master Degree in Informatic Engineering from Universitas Putra Indonesia
YPTK in 2010. he has been a Lecturer with the Department of Informatics Engineering, Universias
Muhammadiyah Riau, since 2010. His current research interests include Data Mining, Machine
Learning and Computer Networking.