Perpustakaan Digital ITB

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.