Ferdy Irawan Firdaus [13519030].pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Berdasarkan Kamus Besar Bahasa Indonesia, kain tenun merupakan sebuah karya
seni yang menggunakan benang dalam proses pembuatannya. Kain tenun
merupakan salah satu warisan budaya Indonesia yang berasal dari berbagai daerah
salah satunya Mollo. Mollo merupakan salah satu daerah di Timor Tengah Tengah
Selatan. Kain tenun Mollo dapat dibedakan berdasarkan dua faktor yaitu teknik
pembuatannya dan motif dari kain tenun itu sendiri. Machine learning dewasa ini
sudah merambah ke berbagai bidang kehidupan manusia salah satunya budaya
dan seni. Hal ini dapat dimanfaatkan untuk pengenalan motif-motif kain tenun
tersebut. Permasalahan yang ada adalah dataset masih sulit didapatkan, selain itu
motif kain tenun Mollo juga bertambah seiring berjalannya waktu dikarenakan
proses keagamaan dan kebudayaan sehingga mungkin saja dalam satu kain tenun
terdapat beberapa motif tenun karena hal tersebut. Penelitian yang terkait
menggunakan pendekatan deteksi objek dengan model Faster R-CNN. Dalam
penelitian ini dilakukan pembangunan model dengan pendekatan similaritas dan
deteksi objek. Akan dipilih pendekatan yang paling cocok untuk penelitian ini
serta dipilih model yang terbaik berdasarkan metric kinerjanya. Model similaritas
yang dibangun adalah siamese network dan model deteksi objek yang dibangun
adalah Faster R-CNN dan YOLO. Model similaritas siamese network yang
dibangun memberikan hasil yang bagus untuk dataset yang relatif sedikit,
didapatkan hasil contrastive loss sebesar 0.003368. Namun kekurangannya adalah
belum dapat menangani permasalahan lebih dari satu objek motif dalam satu kain
tenun, sudut pengambilan gambar sangat mempengaruhi hasil prediksi, serta
keluaran masih berupa jarak kemiripan kedua motif. Model deteksi objek
dibangun untuk mengatasi permasalahan yang belum dapat diatasi oleh siamese
network. Model deteksi objek yang dibangun antara lain Faster R-CNN
X101-FPN dan YOLOv8. Hyperparameter tuning dilakukan guna mendapatkan
konfigurasi parameter yang paling optimal. Metric kinerja yang digunakan adalah
mAP50, presisi, recall, dan waktu inferensi. Metric kinerja mAP50 merupakan
metric yang populer untuk menyatakan akurasi dari model deteksi objek. Presisi
mengukur keakuratan model dalam mengklasifikasikan sampel sebagai kelas
positif. Recall mengukur kemampuan model untuk mendeteksi sampel Positif
(sensitivitas model). Waktu inferensi merupakan waktu yang dibutuhkan model
untuk memproses data untuk melakukan prediksi. Model YOLOv8 dipilih karena
menghasilkan mAP50, presisi, dan recall paling tinggi yaitu berturut-turut 96.1%,
91.397%, dan 92.026%. Waktu inferensi YOLOv8 paling cepat yaitu 2.8ms.