Analisis Model Arsitektur Resnet dalam Mengklasifikasi Jenis Hiou Simalungun

Abstract

Hiou Simalungun merupakan kain tradisional budaya suatu kawasan yang memiliki ciri dan memiliki nilai sosial budaya bagi pemiliknya. Kain hiou merupakan salah satu kearifan lokal yang dimiliki oleh masyarakat suku simalungun hingga saat ini. Namun Masih banyak masyarakat Indonesia, terutama di Sumatera Utara, yang belum mengenal beragam jenis kain Hiou Simalungun. Untuk memastikan jenis ulos yang kita miliki, kita biasanya meminta keterangan langsung dari penenunnya atau orang tua yang ahli di bidang ini. Sayangnya, metode ini cukup memakan waktu dan tidak selalu menjamin keakuratan hasilnya, sehingga tidak cukup untuk mengidentifikasi jenis ulos dengan pasti karena keragaman motif dan teknik pembuatannya. Untuk memudahkan dan mempersigkat waktu maka identifikasi jenis hiou dapat dilakuka dengan pendekatan teknologi. Klasifikasi yang dilakukan dalam penelitian ini menggunakan arsitektur ResNetdari CNN. Berdasrkan hasil training pada lima optimizer yang diuji deengan menggunakan dataset training memanfaatkan Hypeparameter Epoch 20, Input Shape 224x224x3 (RGB channel), batch size 32 dan Optimizer (Adam, NAdam, RMSprop, SGD, Adadelta) dan Learning Rate 0.001 dengan dataset 1800 citra Hiou. Hasil yang diperoleh oleh masing-masing Optimizer memperoleh Akurasi yang baik, Dimana akurasi terbaik yaitu Optimizer NAdam Dan RMSprop memperoleh Akurasi sebesar 100%, Precision 100%, Recall 100%, FI-score 100%. Hiou Simalungun is a traditional cultural fabric of an area that has characteristics and has socio-cultural value for its owner. Hiou cloth is one of the local wisdoms owned by the Simalungun tribal community to this day. However, there are still many Indonesian people, especially in North Sumatra, who are not familiar with the various types of Hiou Simalungun fabric. To confirm the type of ulos we have, we usually ask for information directly from the weaver or parents who are experts in this field. Unfortunately, this method is quite time consuming and does not always guarantee the Accuracy of the results, so it is not enough to identify the type of ulos with certainty because of the diversity of motifs and manufacturing techniques. To make it easier and shorten time, identification of shark types can be done using a technological approach. The classification carried out in this research uses the ResNet architecture of CNN. Based on training results on five optimizers tested using a training dataset utilizing Hypeparameter Epoch 20, Input Shape 224x224x3 (RGB channel), batch size 32 and Optimizer (Adam, NAdam, RMSprop, SGD, Adadelta) and Learning Rate 0.001 with a dataset of 1800 Hiou images.