Klasifikasi Jenis Wayang menggunakan Convolutional Neural Network (CNN) dan Optimasi Adaptive Moment Estimation (ADAM)

Nur Eza Imandayanti, Henni Endah Wahanani, Agung Mustika Rizki

Abstract


Perkembangan teknologi memiliki peran penting dalam upaya pelestarian budaya, terutama dalam melestarikan seni tradisional seperti wayang. Wayang merupakan salah satu warisan budaya Indonesia yang telah mengalami penurunan minat sebesar 23,06% dalam kurun waktu 2018 hingga 2021. Sehingga, diperlukan pendekatan baru yang lebih modern untuk dapat menarik perhatian generasi muda. Penelitian ini bertujuan untuk mengembangkan sebuah sistem klasifikasi jening wayang menggunakan convolutional neural network (CNN) dengan optimasi Adaptive Moment Estimation (ADAM) agar memberikan informasi yang lebih akurat mengenai jenis wayang dan meningkatkan akses pendidikan budaya melalui teknologi. Metode CNN dengan optimasi ADAM disinyalir dapat meingkatkan kemampuannya dalam analisis citran dan optimasi akurasi. Hasill penelitian menunjukkan bahwa optimasi ADAM mengikatkan hasil akurasi prediksi hingga 0,84 dalaam 30 iterasi pelatihan dibandingan tanpa memiliki optimasi. Sistem ini dapat digunakan sebagai media pembelajaran interaktif untuk mengenal jenis wayang, termasuk wayang kulit, golek dan beber dengan performa yang baik.

Keywords


Wayang; Convolutional Neural Network (CNN); Adaptive Moment Estimation (ADAM); Akurasi; Pelestarian budaya; Klasifikasi

Full Text:

PDF

References


F. Nungki Anjani and U. PGRI Yogyakarta, “Kesenian Wayang Kulit Sebagai Sarana Publikasi Sejarah Dalam Penyebaran Islam Di Jawa Informasi Artikel Abstract,” Journal of Social Science and Education e-ASANKA: Journal of Social Science and Education, vol. 05, pp. 21–28, 2024.

E. Setiawan, “Nilai Filosofi Wayang Kulit Sebagai Media Dakwah,” 2020. [Online]. Available: http://alhikmah.iain-jember.ac.id/

A. P. L. Girsang, R. Agustina, S. W. Nugroho, and K. D. Ramadani, Stastistik Sosial Budaya. Jakarta: Badan Pusat Statistik, 2021.

Rima Dias Ramadhani, A. Nur Aziz Thohari, C. Kartiko, A. Junaidi, T. Ginanjar Laksana, and N. Alim Setya Nugraha, “Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 312–318, Apr. 2021, doi: 10.29207/resti.v5i2.2754.

I. Maulana, H. Sastypratiwi, H. Muhardi, N. Safriadi, and H. Sujaini, “Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Motif Batik pada Aplikasi Computer Vision Berbasis Android,” JEPIN (Jurnal Edukasi dan Penelitian Informatika) , vol. 3, 2023.

F. Rohman, N. Awalin, S. Perkembangan, D. Perubahan, F. Wayang, and D. Masyarakat, “Sejarah Perkembangan Dan Perubahan Fungsi Wayang Dalam Masyarakat (History Of Development And Change Of Wayang Functions In Society),” 2019.

M. Khoirur Roziqin and U. K. A Wahab Hasbullah, “Nilai- nilai Islam dalam Tokoh Pewayangan,” 2020.

P. Ronaldo, S. T. Filsafat, T. Widya, and S. Malang, “Kajian Nilai-Nilai Filosofis Kesenian Wayang Kulit Dalam Kehidupan Masyarakat Jawa,” 82 | Jurnal Ilmu Budaya, vol. 10, no. 1, 2023.

U. A. Bhatti, H. Tang, G. Wu, S. Marjan, and A. Hussain, “Deep Learning with Graph Convolutional Networks: An Overview and Latest Applications in Computational Intelligence,” 2023, Wiley-Hindawi. doi: 10.1155/2023/8342104.

L. Jing, P. Vincent, Y. LeCun, and Y. Tian, “Understanding Dimensional Collapse in Contrastive Self-supervised Learning,” Oct. 2021, [Online]. Available: http://arxiv.org/abs/2110.09348

E. Xie et al., “DetCo: Unsupervised Contrastive Learning for Object Detection,” Feb. 2021, [Online]. Available: http://arxiv.org/abs/2102.04803

D. Irfansyah et al., “Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi,” vol. 6, no. 2, 2021, [Online]. Available: https://data.mendeley.com/datasets/c5yvn32dzg/2.

Y. Arouri and M. Sayyafzadeh, “An adaptive moment estimation framework for well placement optimization,” Comput Geosci, vol. 26, no. 4, pp. 957–973, Aug. 2022, doi: 10.1007/s10596-022-10135-9.

M. Heydarian, T. E. Doyle, and R. Samavi, “MLCM: Multi-Label Confusion Matrix,” IEEE Access, vol. 10, pp. 19083–19095, 2022, doi: 10.1109/ACCESS.2022.3151048.

S. K. Paul et al., “An Adam based CNN and LSTM approach for sign language recognition in real time for deaf people,” Bulletin of Electrical Engineering and Informatics, vol. 13, no. 1, pp. 499–509, Feb. 2024, doi: 10.11591/eei.v13i1.6059.




DOI: https://doi.org/10.31284/j.kernel.2024.v5i2.6862

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 NUR EZA IMANDAYANTI

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Diindeks oleh:
Google Scholar logo Dimensions Logo