Perbandingan Algoritma Convolutional Neural Netwok dan Capsule Network Dalam Klasifikasi Jenis Rumah Adat

Yosefina Finsensia Riti; Yulia  Wahyuningsih; Josephine Roosandriantini; Paulus William Siswanto

doi:10.34148/teknika.v12i3.702

Yosefina Finsensia Riti Program Studi Ilmu Informatika, Universitas Katolik Darma Cendika, Surabaya, Jawa Timur
Yulia Wahyuningsih Program Studi Ilmu Informatika, Universitas Katolik Darma Cendika, Surabaya, Jawa Timur
Josephine Roosandriantini Program Studi Arsitektur, Universitas Katolik Darma Cendika, Surabaya, Jawa Timur
Paulus William Siswanto Program Studi Ilmu Informatika, Universitas Katolik Darma Cendika, Surabaya, Jawa Timur

DOI: https://doi.org/10.34148/teknika.v12i3.702

Keywords: Deep Learning, CNN, CapsNet, Klasifikasi, Warisan Budaya

Abstract

Warisan budaya merupakan salah satu bagian yang penting dalam budaya Indonesia dan perlu dilestarikan keberadaanya, salah satu warisan budaya yang perlu dilestarikan yaitu Rumah adat. Informasi terkait rumah adat juga cenderung dicari oleh masyarakat untuk kepentingan pendidikan dalam dunia pengenalan budaya, arsitektur, maupun dalam bidang pariwisata. Hingga saat ini masih banyak daerah di Indonesia yang masih memiliki rumah adatnya dengan tujuan untuk mempertahankan nilai budaya, sebagai tempat pertemuan acara adat, maupun sebagai objek wisata. Salah satunya adalah Provinsi Nusa Tenggara Timur (NTT) yang memiliki beragam rumah adat seperti Sao Ngada (Suku Bajawa), Sao Ria (Suku Ende), Ume Kbubu (Suku Timor), Sao Ata Mosa Lakitana (Sumba), dan Mbaru Niang (Suku Wae Rebo). Keanekagaraman bentuk, kemiripan material penyusun, dan kemiripan bangunan dapat membuat sebagian masyarakat awam kesulitan dalam membedakan jenis atau nama antara rumah adat yang satu dengan rumah adat yang lain. Oleh karena itu diperlukan teknologi digital yang dapat mengindentifikasi dan mengklasifikasikan rumah adat, sehingga dapat membantu wisatawan, maupun masyarakat umum yang mempelajari seputar rumah adat dalam membedakan jenis rumah adat tertentu. Dalam Penelitian ini model deep learning diterapkan untuk identifikasi dan klasifikasi rumah adat, dengan menggunakan algoritma Convolutional Neural Network (CNN) dan Capsule Networks (CapsNet). Penelitian ini bertujuan membandingkan algoritma deep learning, CNN menggunakan arsitektur Resnet50V2 dan CapsNet, dimana dataset yang digunakan terdiri dari 500 data rumah adat di NTT. Hasil penelitian menunjukkan bahwa CNN memiliki nilai akurasi sekitar 98% dengan nilai loss sekitar 0,72, sedangkan CapsNet memiliki nilai akurasi sekitar 72% dengan nilai loss sekitar 1,73%. Berdasarkan hasil klasifikasi tersebut dalam kasus ini, disimpulkan bahwa CNN lebih baik dalam mengklasifikasikan objek rumah adat dibandingkan dengan CapsNet. Oleh karena itu untuk pekerjaan lebih lanjut dapat dilakukan perbaikan parameter tuning untuk algoritma CapsNet dan juga dapat mengimplementasikan CNN dalam pembuatan aplikasi untuk identifikasi dan klasifikasi objek rumah adat sehingga dapat membantu Masyarakat umum dalam membedakan jenis rumah adat melalui aplikasi tersebut.

Downloads

Download data is not yet available.

References

T. Abdulghani and B. P. Sati, “Pengenalan Rumah Adat Indonesia Menggunakan Teknologi Augmented Reality Dengan Metode Marker Based Tracking Sebagai Media Pembelajaran,” Media J. Inform., vol. 11, no. 1, p. 43, 2020, doi: 10.35194/mji.v11i1.770.

N. K. Sutiari, I. K. G. Darma Putra, and I. M. Sunia Raharja, “Aplikasi Pengenalan Rumah Adat Indonesia Berbasis Augmented Reality,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 6, no. 2, p. 108, 2018, doi: 10.24843/jim.2018.v06.i02.p05.

Q. Aini, N. Lutfiani, H. Kusumah, and M. S. Zahran, “Deteksi dan Pengenalan Objek Dengan Model Machine Learning: Model Yolo,” CESS (Journal Comput. Eng. Syst. Sci., vol. 6, no. 2, p. 192, 2021, doi: 10.24114/cess.v6i2.25840.

V. Ayumi, “Pengenalan Objek Bunga Berbasis Deep Learning Menggunakan Model Resnet50 dan MobileNet-v2,” JSAI (Journal Sci. Appl. Informatics), vol. 5, no. 3, pp. 188—193, 2022, doi: 10.36085/jsai.v5i3.3613.

S. H. Abdullah, R. Magdalena, and R. Y. N. Fu’adah, “Klasifikasi Diabetic Retinopathy Berbasis Pengolahan Citra Fundus Dan Deep Learning,” J. Electr. Syst. Control Eng., vol. 5, no. 2, pp. 84—90, 2022, doi: 10.31289/jesce.v5i2.5659.

A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creat. Inf. Technol. J., vol. 8, no. 1, p. 22, 2021, doi: 10.24076/citec.2021v8i1.263.

A. Sani and S. Rahmadinni, “Deteksi Gestur Tangan Berbasis Pengolahan Citra,” J. Rekayasa Elektr., vol. 18, no. 2, pp. 115—124, 2022, doi: 10.17529/jre.v18i2.25147.

V. Wahyuningtyas, “Implementasi Ekstraksi Fitur untuk Klasifikasi Suara Urban Menggunakan Deep Learning,” vol. 3, no. 1, p. 10, 2021.

N. Azis, H. Herwanto, and F. Ramadhani, “Implementasi Speech Recognition Pada Aplikasi E-Prescribing Menggunakan Algoritme Convolutional Neural Network,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 460, 2021, doi: 10.30865/mib.v5i2.2841.

Rendi Nurcahyo and Mohammad Iqbal, “Pengenalan Emosi Pembicara Menggunakan Convolutional Neural Networks,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 1, pp. 115—122, 2022, doi: 10.29207/resti.v6i1.3726.

I. M. Dendi Maysanjaya, “Klasifikasi Pneumonia pada Citra X-rays Paru-paru dengan Convolutional Neural Network (Classification of Pneumonia Based on Lung X-rays Images using Convolutional Neural Network),” J. Nas. Tek. Elektro dan Teknol. Inf. |, vol. 9, no. 2, p. 190, 2020, [Online]. Available: https://garuda.kemdikbud.go.id/documents/detail/2807288

Y. F. Riti and S. S. Tandjung, “Klasifikasi Covid-19 Pada Citra CT Scans Paru-Paru Menggunakan Metode Convolution Neural Network,” Progresif J. Ilm. Komput., vol. 18, no. 1, p. 91, 2022, doi: 10.35889/progresif.v18i1.784.

D. Gunawan and H. Setiawan, “Convolutional Neural Network dalam Citra Medis,” KONSTELASI Konvergensi Teknol. dan Sist. Inf., vol. 2, no. 2, pp. 376—390, 2022, doi: 10.24002/konstelasi.v2i2.5367.

M. Rahimzadeh, A. Attar, and S. M. Sakhaei, “A fully automated deep learning-based network for detecting COVID-19 from a new and large lung CT scan dataset,” Biomed. Signal Process. Control, vol. 68, no. March, p. 102588, 2021, doi: 10.1016/j.bspc.2021.102588.

K. Adu, Y. Yu, J. Cai, K. Owusu-Agyemang, B. A. Twumasi, and X. Wang, “DHS-CapsNet: Dual horizontal squash Capsule Networks for lung and colon cancer classification from whole slide histopathological images,” Int. J. Imaging Syst. Technol., vol. 31, no. 4, pp. 2075—2092, 2021, doi: 10.1002/ima.22569.

M. Harahap, Em Manuel Laia, Lilis Suryani Sitanggang, Melda Sinaga, Daniel Franci Sihombing, and Amir Mahmud Husein, “Deteksi Penyakit Covid-19 Pada Citra X-Ray Dengan Pendekatan Convolutional Neural Network (CNN),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 1, pp. 70—77, 2022, doi: 10.29207/resti.v6i1.3373.

A. S. Wiratama, M. Rifqi, and S. Maesaroh, “Efektivitas Transfer Learning Dalam Pendeteksian Penyakit Pneumonia Melalui Citra X-Ray Paru Manusia,” J. Ilm. Sains dan Teknol., vol. 7, no. 1, pp. 43—52, 2023, doi: 10.47080/saintek.v7i1.2551.

M. V. Cruz, A. Namburu, S. Chakkaravarthy, M. Pittendreigh, and S. C. Satapathy, “Skin cancer classification using convolutional capsule network (CapsNet),” J. Sci. Ind. Res. (India)., vol. 79, no. 11, pp. 994—1001, 2020.

K. Aljohani and T. Turki, “Automatic Classification of Melanoma Skin Cancer with Deep Convolutional Neural Networks,” Ai, vol. 3, no. 2, pp. 512—525, 2022, doi: 10.3390/ai3020029.

X. Jiang et al., “Hyperspectral image classification with CapsNet and markov random fields,” IEEE Access, vol. 8, pp. 191956—191968, 2020, doi: 10.1109/ACCESS.2020.3029174.

X. Q. Zhang, G. Y. Wang, and S. G. Zhao, “CapsNet-COVID19: Lung CT image classification method based on CapsNet model,” Math. Biosci. Eng., vol. 19, no. 5, pp. 5055—5074, 2022, doi: 10.3934/mbe.2022236.

A. Muhammad, M. A. Arserim, and Ã–. TÃ¼rk, “Compare the classification performances of convolutional neural networks and Capsule Networks on the Coswara dataset,” vol. 2, pp. 265—271, 2023, doi: 10.24012/dumf.1270429.

U. Kulkarni, S. M. Meena, S. V. Gurlahosur, and U. Mudengudi, “Classification of cultural heritage sites using transfer learning,” Proc. - 2019 IEEE 5th Int. Conf. Multimed. Big Data, BigMM 2019, pp. 391—397, 2019, doi: 10.1109/BigMM.2019.00020.

M. Cosovic and R. Jankovic, “CNN Classification of the Cultural Heritage Images,” 2020 19th Int. Symp. INFOTEH-JAHORINA, INFOTEH 2020 - Proc., no. March, pp. 18—20, 2020, doi: 10.1109/INFOTEH48170.2020.9066300.

G. Zeng, “On the confusion matrix in credit scoring and its analytical properties,” Commun. Stat. - Theory Methods, vol. 49, no. 9, pp. 2080—2093, 2020, doi: 10.1080/03610926.2019.1568485.

A. W. Setiawan, “Perbandingan Arsitektur Convolutional Neural Network Pada Klasifikasi Pneumonia, COVID-19, Lung Opacity, dan Normal Menggunakan Citra Sinar-X Thoraks,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 7, p. 1563, 2022, doi: 10.25126/jtiik.2022976742.

N. Makanapura, C. Sujatha, P. R. Patil, and P. Desai, “Classification of plant seedlings using deep Convolutional Neural Network architectures,” J. Phys. Conf. Ser., vol. 2161, no. 1, 2022, doi: 10.1088/1742-6596/2161/1/012006.

M. Kwabena Patrick, A. Felix Adekoya, A. Abra Mighty, and B. Y. Edward, “Capsule Networks — A survey,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 1, pp. 1295—1310, 2022, doi: 10.1016/j.jksuci.2019.09.014.

E. Xi, S. Bing, and Y. Jin, “Capsule Network Performance on Complex Data,” vol. 10707, no. Fall, pp. 1—7, 2017, [Online]. Available: http://arxiv.org/abs/1712.03480