PROPOSAL SKRIPSI

IMPLEMENTASI DEEP LEARNING BERBASIS

TENSORFLOW DAN CONVOLUTIONAL NEURAL
NETWORK (CNN) UNTUK PENGENALAN ASAL
DAERAH BATIK INDONESIA
AGUNG SUGIARTO
3011510049

DOSEN PEMBIMBING
Mohammad Arif Rasyidi, S.Kom, M,Sc.
Taufiqotul Bariyah, S.kom, M.IM.

PROGRAM SARJANA
BIDANG KEAHLIAN REKAYASA PERANGKAT LUNAK
JURUSAN INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI DAN KREATIF
UNIVERSITAS INTERNASIONAL SEMEN INDONESIA
GRESIK
2019

i
PROPOSAL SKRIPSI

IMPLEMENTASI DEEP LEARNING BERBASIS

TENSORFLOW DAN CONVOLUTIONAL NEURAL
NETWORK (CNN) UNTUK PENGENALAN ASAL
DAERAH BATIK INDONESIA

AGUNG SUGIARTO
3011510049

DOSEN PEMBIMBING
Mohammad Arif Rasyidi, S.Kom, M,Sc.
Taufiqotul Bariyah, S.kom, M.IM.

PROGRAM SARJANA
BIDANG KEAHLIAN REKAYASA PERANGKAT LUNAK
JURUSAN INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI DAN KREATIF
UNIVERSITAS INTERNASIONAL SEMEN INDONESIA
GRESIK
2019
 LEMBAR PENGESAHAN
PROPOSAL SKRIPSI

Judul : Implementasi Deep Learning Berbasis Tensorflow Dan Convolutional Neural

Network (CNN) Untuk Pengenalan Asal Daerah Batik Indonesia
Nama : Agung Sugiarto
NIM : 3011510049

Telah diseminarkan pada :

Hari :
Tanggal :
Tempat :

DEWAN PENGUJI
1. (Penguji 1) ( )
NIP :
2. (Penguji 2) ( )
NIP :
3. (Penguji 3) ( )
NIP :

Disetujui oleh Tim Pembimbing Skripsi

1. Mohammad Arif Rasyidi, S.Kom., M.Sc. (Pembimbing) ( )
NIP : 8916235
2. Taufiqotul Bariyah, S.Kom., M.IM. (Co Pembimbing) ( )
NIP : 2018008

i
 Implementasi Deep Learning Berbasis Tensorflow Dan Convolutional
Neural Network (CNN) Untuk Pengenalan Asal Daerah Batik Indonesia

Nama Mahasiswa : Agung Sugiarto

NIM : 3011510049
Pembimbing : Mohammad Arif Rasyidi, S.Kom., M.Sc.
Co-Pembimbing : Taufiqotul Bariyah, S.Kom., M.IM.

ABSTRAK

Indonesian merupakan bangsa yang terdiri dari berbagai etnik dan memiliki latar
belakang budaya yang beraneka ragam. Salah satu hasil kebudayaan masyarakat Indonesia
adalah Batik, batik mempunyai banyak macam-macam motif. Corak maupun motif batik
tersebut tidak bisa lepas dari unsur-unsur yang melekat dari wilayah asal pembuatannya.
Pengetahuan tentang pengenalan motif batik mungkin hanya dimiliki oleh orang-orang tertentu
yang memiliki keahlian pada bidang terkait seperti bidang membatik dan tidak semua orang
dapat mengenali motif batik tersebut. Namun seiring dengan berkembangnya jaman dan
meningkatnya kebutuhan akan informasi mendorong manusia untuk mengembangkan
teknologi baru agar pengolahan informasi dapat dilakukan dengan mudah dan cepat. Sehingga
dibutuhkan suatu pendekatan dalam penyelesaian permasalahan ini. Salah satu pendekatan
dalam pengenalan suatu gambar adalah Deep Learning, merupakan sebuah model neural
network yang belakangan ini mulai ramai dikembangkan, hasil dari Deep Learning
menunjukkan hasil yang baik dalam meningkatkan akurasi Image Classification atau kasus-
kasus lainnya. Penelitian ini bertujuan untuk mengetahui cara Deep Learning yaitu
Convolutional Neural Network (CNN) dalam melakukan klasifikasi pengenalan daerah asal
motif-motif batik.

Kata Kunci : Deep Leraning, Convolutional Neural Network, Image Classification, Batik

ii
 DAFTAR ISI

LEMBAR PENGESAHAN ....................................................................................................................... i

ABSTRAK ........................................................................................................................................... ii
DAFTAR ISI........................................................................................................................................ iii
DAFTAR TABEL.................................................................................................................................. iv
DAFTAR GAMBAR .............................................................................................................................. v
DAFTAR GRAFIK ................................................................................................................................ vi
BAB 1 ................................................................................................................................................ 1
PENDAHULUAN ................................................................................................................................. 1
1.1 Latar Belakang ................................................................................................................... 1
1.2 Perumusan Masalah ........................................................................................................... 3
1.3 Batasan Masalah ................................................................................................................ 3
1.4 Manfaat Penelitian ............................................................................................................. 4
1.5 Tujuan Penelitian ............................................................................................................... 4
BAB 2 ................................................................................................................................................ 5
TINJAUAN PUSTAKA .......................................................................................................................... 5
2.1 Batik .................................................................................................................................. 5
2.2 Convolutional Neural Network............................................................................................ 6
2.3 Arsitektur Jaringan CNN ..................................................................................................... 7
2.4 Python ............................................................................................................................... 9
2.5 Tensorflow ......................................................................................................................... 9
BAB 3 .............................................................................................................................................. 10
METODE PENELITIAN ....................................................................................................................... 10
3.1 Tahapan Penelitian........................................................................................................... 10
3.2 Timeline Pengerjaan......................................................................................................... 12
DAFTAR PUSTAKA ............................................................................................................................ 13

iii
 DAFTAR TABEL
Table 1. Timeline Pengerjaan ........................................................................................................... 12

iv
 DAFTAR GAMBAR
Gambar 1. Batik ................................................................................................................................. 5
Gambar 2. Channel RGB .................................................................................................................... 7
Gambar 3. Feature Map .................................................................................................................... 8
Gambar 4. Flowchart Tahapan Penelitian ........................................................................................ 10

v
DAFTAR GRAFIK

vi
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Batik adalah kerajinan yang memiliki nilai seni tinggi dan telah menjadi bagian dari
budaya Indonesia sejak jaman dahulu. Saat ini batik bahkan menjadi warisan budaya asli
Indonesia yang sudah diakui dunia Internasional. Masing-masing daerah wilayah di Indonesia
memiliki batik khas sendiri-sendiri yang semakin menjadi keanekaragaman jenis dan motif
batiknya. Pada masa lalu, batik banyak dipakai oleh orang Indonesia khususnya orang daerah
Jawa terutama dari golongan ningrat dengan aturan yang ketat. Artinya, tidak sembarang orang
dapat memakai batik terutama pada motif-motif tertentu yang ditetapkan sebagai motif
larangan bagi masyarakat umum. Dalam rangka melestarikan budaya, batik saat ini sudah
digunakan secara luas disemua kalangan. Di lingkungan instansi pemerintahan, instansi swasta,
perguruan tinggi, bahkan para pedagang di pasar tradisionasl seperti di Daerah Istimewa
Yogyakarta, pada hari tertentu diwajibkan menggunakan seragam berupa batik. Kebijakan ini
membuat batik semakin dikenal di masyarakat. Batik memang sangat istimewa, karena pada
setiap corak maupun motifnya mempunyai makna filosofi yang memiliki nilai sejarah yang
panjang. Corak maupun motif batik tersebut tidak bisa lepas dari unsur-unsur yang melekat
dari wilayah asal pembuatnya.
Dengan semakin banyaknya variansi motif batik ini, perlu adanya perhatian serius
untuk mempertahankan budaya batik ini, sehingga variansi motif batik ini tidak mengalami
kepunahan. Seperti situs online Indonesia Archipelago Culture Initiative (IACI) yang
merupakan sebuah perkumpulan yang mendokumentasikan dan mempublikasikan mengenai
budaya Indonesia. Salah satunya adalah budaya batik. Namun meskipun demikian terdapat
kendala dalam melakukan pengklasifikasian data batik. Kendala ini disebabkan karena data
batik tidak diklasifikasikan berdasarkan nama daerah asal pembuatan.
Pengetahuan tentang pengenalan jenis motif batik mungkin hanya dimiliki oleh orang-
orang tertentu yang memiliki keahlian pada bidang terkait seperti bidang membatik. Hal ini
dikarenakan batik memiliki motif yang bervariasi dan hampir setiap motif batik di setiap daerah
memiliki motif yang hampir serupa namun tidak sama. Menurut hasil tinjauan, salah satu cara
untuk mengenali motif batik adalah dengan metode pengenalan pola. Metode tersebut
sangatlah bisa diterapkan pada pengenalan asal daerah batik. Berdasarkan penelitian yang akan

1
dikakukan, acuan beberapa penelitian terdahulu menjadi sangat penting dalam melakukan
sebuah penelitan dengan tujuan untuk mengetahui hubungan antara penelitan yang akan
dilakukan dengan penelitian terdahulu, sehingga dengan menambahkan acuan tersebut dapat
menghindari adanya duplikasi dalam penelitian yang akan dilakukan.
Pada tahun 2016 penerapan Deep Learning dengan menggunakan CNN yang
dilakukan oleh Muhammad Zufar dan Budi Setiyono yang diimplementasikan untuk
pengenalan wajah secara real time (Zufar 2016). Metode ini diimplementasikan dengan
menggunakan Library OpenCV untuk deteksi wajah dan perangkat Web Cam M-Tech 5 MP.
Dataset yang digunakan yaitu himpunan gambar wajah yang di bagi menjadi dua jenis
himpunan yaitu himpunan wajah outdoor (kondisi pencahayaan terang). Hasil uji coba dengan
menggunakan konstruksi model CNN sampai kedalaman 7 lapisan dengan input dari hasil
ekstraksi Extented Local Binary Pattern dengan radius 1 dan neightbor 15 menunjukkan
kinerja pengenalan wajah meraih rata-rata akurasi lebih daro 89% dalam 2 frame perdetik.
Penelitian ini menunjukkan bahwa implementasi dari model CNN dapat diterapkan pada proses
pengenalan wajah secara real-time dengan akurasi yang cukup tinggi.
Penelitian metode CNN ini dapat diimplementasikan pada pengenalan rambu-rambu
lalu lintas. Seperti penelitian yang dilakukan oleh S. Visalini mengenai pengenalan rambu-
rambu lintas dengan menggunakan CNN (Visalini, 2017). Dataset yang di ambil secara
langsung dengan geolocation menggunakan aplikasi android. Penelitian ini tidak menyebutkan
jumlah dataset yang digunakan namun hasil dari tingkat akurasi yang diberikan menggunkan
CNN untuk mendeteksi atau pengenalan rambi-rambu lalu lintas sebesar 85 % - 90 %, dengan
jumlah layer konvolusi 3 layer.
Dalam penelitian ini berfokus dalam penggunaan salah satu arsitektur Deep Learning,
yaitu CNN untuk mengklasifikasikan citra motif batik berdasarkan daerah asalnya. Penelitian
lain telah dilakukan oleh Mega Cahaya Dewi Ratnasari (2018) menggunakan metode CNN
dalam mengklasifikasikan citra motif batik dengan data testing 80% dan data testing 20%
menghasilkan akurasi klasifikasi citra batik sebesar 52.50%.
Dengan demikian, salah satu tantangan terpenting dalam computer vision adalah
pengenalan objek dimana komputer diberi gambar untuk dianalisis dan menerapkan algoritma
pengenalan tertentu, tujuan utamanya adalah untuk mendeteksi objek di dalam gambar. Dalam
visi komputer terdapat sebuah pembelajarn mesin, salah satunya ada sebuah metode neural
network yang mampu melakukan pengklasifikasikan pola di dalam bidang pengenalan pola
(pattern recognition) yang dapat digunakan untuk mendeteksi gambar (mengenali pola gambar
dan pola bukan gambar) ataupun mengidentifikasi gambar (mengenali gambar yang berbeda).
2
Salah satu metode yang dapat digunakan untuk pengenalan pola adalah menggunakan metode
Deep Learning yaitu CNN.
Sementara itu beberapa model classifier machine learning yang sering digunakan
antara lain, Jarigan Syaraf Tiruan (JST), Fuzzy Logic, Adaptive Neural Fuzzy System (ANFIS),
dan Support Vector Machine (SVM). Didalam proses klasifikasi citra batik ini, proses ekstraksi
fitur menjadi salah satu proses yang paling penting. CNN adalah salah satu metode deep
learning yang mampu melakukan klasifikasi terhadap ekstraksi fitur. Metode ini telah
digunakan antara lain dalam pengenalan citra, computer vision, serta natural language
processing (NLP).
Selaras dengan itu dalam penelitian ini CNN dapat digunakan dalam pengenalan pola
batik dengan melihat citra pola batik yang merupakan ciri khusus dari tiap jenis batik.
Harapannya dengan penelitian ini CNN mampu mengidentifikasi daerah asal batik dengan
baik sehingga dapat memberikan informasi yang berguna bagi berbagai pihak yang
membutuhkannya.

1.2 Perumusan Masalah

Berdasarkan latar belakang di atas dapat dirumuskan masalah dalam penelitian ini
adalah sebagai berikut:
1. Bagaimana menerapkan metode Deep Learning menggunakan CNN untuk
mengklasifikasikan citra motif batik berdasarkan daerah asalnya ?
2. Bagaimana kinerja pendeteksian motif batik pada suatu citra digital menggunakan
CNN ?

1.3 Batasan Masalah

Adapun batasan masalah yang digunakan penelitian agar pembahasan dalam
penelitian ini tidak menyimpang dari pokok pembahsan. Maka peniliti memiki batasan masalah
sebagai berikut:
1. Penelitian ini berfokus dalam penggunaan salah satu arsitektur Deep Learning, yaitu
CNN untuk mengklasifikasikan citra motif batik berdasarkan daerah asalnya.
2. Software yang digunakan adalah Python dengan framework Tensorflow.
3. Data latih dan data uji merupkan motif batik parang, kawung, ceplok, nitik dan lereng.
4. Jumlah dataset yang digunakan berjumlah 1000 gambar yang terdiri dari:
a. Data Training

3
 Data gambar yang digunakan untuk proses training berjumlah 950 data gambar dan
950 data label tiap label.
b. Data Testing
Data gambar yang digunakan untuk proses testing berjumlah 50 data gambar dan
50 data label tiap gambar.

1.4 Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah:

1. Memberikan pengetahuan mengenai implementasi Deep Learning menggunakan CNN

untuk pengenalan daerah asal batik.
2. Untuk membantu para pencinta batik dalam mengenali daerah asal batik.
3. Mampu dikembangkan untuk tahapan selanjutnya dalam sistem otomatisasi dalam
mengenal sebuah motif batik.

1.5 Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1. Mengetahui cara penerapan metode Deep Learning menggunakan CNN untuk

mengklasifikasikan citra motif batik berdasarkan daerah asalnya.
2. Mengetahui kinerja pendeteksian daerah asal batik pada suatu citra digital
menggunakan CNN.
3. Untuk membuat masyarakat mengenal dan mengetahui daerah asal batik berdasarkan
daerah asalnya.

4
 BAB 2
TINJAUAN PUSTAKA
2.1 Batik
Batik merupakan hasil seni budaya yang memiliki visual dan mengandung filosofis
pada setiap motifnya. Motif batik berkembang sejalan dengan waktu, tempat, peristiwa yang
menyertai, serta perkembangan kebutuhan masyarakat. Setiap motif batik baik tradisional atau
klasik yang tercipta senantiasa melambangkan simbol-simbol atau perlambangan tertentu yang
ingin digambarkan oleh pembatiknya. Terkadang motif batik memiliki sejarah penciptaan yang
berkaitan dengan pelaku atau amalan yang dilakukan oleh sang pencipta motif tersebut (Hadi,
2015).

Gambar 1. Batik

(a) (b) (c) (d) (e)

a) Batik Pekalongan
Wilayah Pekalongan merupakan wilayah kerajaan Mataram maka perjalanan
sejarah batik Pekalongan tidak lepas dari pengaruh kerajaan Mataram.
Provinsi : Jawa Tengah
Asal Daerah : Pekalongan
Motif Batik : Batik Parang
b) Batik Yogyakarta
Batik kawung merupakan motif batik tertua di Indonesia. Batik Kawung berasal
dari Yogyakarta, motif batik kawung mulai berkembang pada zaman
Kesultanan Ngayogyakarta Hadiningrat tahun 1755 pada abab ke-18.
Provisi : Jawa Tengah
Asal Daerah : Yogyakarta
Motif Batik : Batik Kawung

5
 c) Batik Yogyakarta
Pola motif ceplok merupakan pola-pola batik kuno yang terdapat pada hiasan
arca di Candi Hindu dan Budha dengan bentuk kotak-kotak, lingkaran,
binatang, bentuk tertutup serta garis-garis miring.
Provisi : Jawa Tengah
Asal Daerah : Yogyakarta
Motif Batik : Batik Ceplok
d) Batik Yogyakarta
Batik Nitik, berasal dari kata “nitik” yang berarti membuat titik, berasal dari
teknik membatiknya. Ornamen yang biasanya tersusun dari garis, pada batik ini
dirangkai dari titik-titik. Canting yang digunakan pun khusus, mulut canting
dibelah untuk mempermudah proses nitik. Secara umum motif batik nitik adalah
flora dan fauna.
Provisi : Jawa Tengah
Asal Daerah : Yogyakarta
Motif Batik : Batik Nitik
e) Batik Cilegon
Awal kemunculan batik Lereng Lesung bermula pada Lomba Desain Batik
Cilegon 2006 yang diadakan Bidang Pariwisata dan Budaya Despindak. Hingga
akhirnya batik Lesung diproduksi dan dipatenkan oleh Wali Kota Cilegon
sebagai batik khas Cilegon.
Provisi : Banten
Asal Daerah : Cilegon
Motif Batik : Batik Lereng

2.2 Convolutional Neural Network

CNN adalah tipe khusus dari neural network untuk memproses data yang mempunyai
topologi jala atau grid-like topology. Pemberian nama convolutional neural network
mengindikasikan bahwa jaringan tersebut menggunakan operasi matematika yang disebut
konvolusi. Konvolusi sendiri adalah sebuah operasi linear. Jadi convolutional network adalah
neural network yang menggunakan konvolusi minimal pada salah satu lapisannya (LeCun et
al., 2015). Convolutional neural network (ConvNets) merupakan special case dari artificial

6
neural network (ANN) yang saat ini diklaim sebagai model terbaik untuk memecahkan
masalah object recognition dan detection.

CNN termasuk dalam jenis Deep Neural Network karena kedalaman jaringan yang
tinggi dan banyak diaplikasikan pada data citra. Secara teknis, convolutional network adalah
arsitektur yang bisa di training dan terdiri dari beberapa tahap. Input dan output dari masing-
masing tahap adalah beberapa array yang disebut feature map atau peta fitur. Output dari
masing-masing tahap adalah feature map hasil pengolahan dari semua lokasi pada input.
Masingmasing tahap terdiri dari tiga layer yaitu convolution layer, activation layer dan pooling
layer.

2.3 Arsitektur Jaringan CNN

Arsitektur dari CNN dibagi menjadi 2 bagian besar yaitu:

1. Feature Extraction Layer

Proses yang terjadi pada arsitektur ini adalah melakukan encoding dari sebuah
image menjadi features yang berupa angka-angka yang mempresentasikan image
tersebut atau feature extraction.

Gambar 2. Channel RGB

Pada gambar 2. merupakan channel RGB (Red, Green, Blue) image berukuran
32x32 pixels yang sebenarnya adalah multidimensional array dengan ukuran
32x32x3 (3 merupakan jumlah channel). Convolutional layer terdiri dari neuron
yang tersusun sehingga membentuk sebuah filter dengan panjang dan tinggi
(pixels). Sebagai contoh, pada layer pertama pada feature extraction layer biasanya
adalah conv. layer dengan ukuran 5x5x3. Panjang 5 pixels, tinggi 5 pixels dan

7
 tebal/jumlah nya 3 buah sesuai dengan channel dari image tersebut. Ketiga filter
ini akan digeser keseluruh bagian dari gambar. Setiap pergeseran akan dilakukan
operasi “dot” antara input dan nilai dari filter tersebut sehingga menghasilkan
sebuah output atau biasa disebut dengan activation map atau feature map.

Gambar 3. Feature Map

2. Fully Connected Layer

Feature map yang dihasilkan dari feature extraction layer masih berbentuk
multidimensional array, sehingga harus melakukan “flatten” atau reshape feature
map menjadi sebuah vector agar bisa digunakan sebagai input dari fully connected
layer. Fully Connected Layer yang dimaksud disini adalah Multy Lauer
Parceptron yang sudah pernah dipelajari.
Lapisan Fully Connected Layer adalah lapisan di semua neuron aktifasi dari
lapisan sebelumnya terhubung semua dengan neuron di lapisan selanjutnya seperti
halnya jaringan saraf tiruan biasa. Setiap aktivasi dari lapisan sebelumnya perlu
diubah menjadi data satu dimensi sebelum dapat dihubungkan ke semua nuron di
lapisan. Lapisan Fully Connected biasanya digunakan pada metode Multi Layer
Perceptron untuk mengolah data sehingga bisa diklasifikasikan. Perbedaan antara
lapisan Fully Connected dan lapisan konvolusi biasa adalah neuron di lapisan
konvolusi terhubung hanya ke daerah tertentu pada input, sementara lapisan Fully
Connected memiliki neuron yang secara keseluruhan terhubung. Namun, kedua

8
 lapisan tersebut masih mengoperasikan produk dot, sehingga fungsinya tidak
begitu berbeda (Danukusumo, 2017).

2.4 Python
Python dikembangkan oleh Guido van Rossum pada tahun 1990 di Stichting
Mathematisch Centrum (CWI), Amsterdam sebagai kelanjutan dari bahasa pemrograman ABC.
Versi terakhir yang dikeluarkan adalah 1.2.

Python adalah bahasa pemrograman interpretatif multiguna dengan filosofi

perancangan yang berfokus pada tingkat keterbacaan kode. Python diklaim sebagai bahasa yang
menggabungkan kapabilitas, kemampuan, dengan sintaksis kode yang sangat jelas,[11]dan
dilengkapi dengan fungsionalitas pustaka standar yang besar serta komprehensif. Python juga
didukung oleh komunitas yang besar.

Python mendukung multi paradigma pemrograman, utamanya; namun tidak dibatasi;

pada pemrograman berorientasi objek, pemrograman imperatif, dan pemrograman fungsional.
Salah satu fitur yang tersedia pada python adalah sebagai bahasa pemrograman dinamis yang
dilengkapi dengan manajemen memori otomatis. Seperti halnya pada bahasa pemrograman
dinamis lainnya, python umumnya digunakan sebagai bahasa skrip meski pada praktiknya
penggunaan bahasa ini lebih luas mencakup konteks pemanfaatan yang umumnya tidak
dilakukan dengan menggunakan bahasa skrip. Python dapat digunakan untuk berbagai
keperluan pengembangan perangkat lunak dan dapat berjalan di berbagai platform sistem
operasi.

2.5 Tensorflow
Tensorflow merupakan perpustakaan perangkat lunak yang dikembangkan oleh Tim
Google Brain dalam organisasi penelitian Mesin Cerdas Google, untuk tujuan melakukan
pembelajaran mesin dan penelitian jaringan syaraf dalam. Tensorflow menggabungkan aljabar
komputasi teknik pengoptimalan kompilasi, mempermudah penghitungan banyak ekspresi
matematis dimana masalahnya adalah waktu yang dibutuhkan untuk melakukan perhitungan.
Fitur utamanya meliputi:

9
 2 BAB 3
3 METODE PENELITIAN
3.1 Tahapan Penelitian
Tahapan atau langkah yang dilakukan pada penelitian ini digambarkan melalui
flowchart berikut ini:

Gambar 4. Flowchart Tahapan Penelitian

Tahapan Berdasarkan gambar 4. dapat diketahui terdapat tujuh langkah dalam

penelitian ini, berikut penjelasan untuk masing-masing langkah :

1. Melakukan Studi Pustaka

Pada tahap ini dilakukan studi pustaka yang berhubungan dengan penelitian yang
akan dilakukan. Dalam hal ini, studi pustaka meliputi motif batik berdasarkan daerah,
Deep Learning, CNN dan literatur terkait sebagai acuan dalam melakukan penelitian.

10
2. Mengumpukan Data
Data yang digunakan dalam data yang digunakan dalam penelitian ini adalah data
primer. Penelitian ini menggunakan data yang diperoleh dari halaman situs google
image dan sumber lainnya tidak terbatas pada google image. Proses pengambilan data
dilakukan dengan teknik crawling gambar.
3. Perancangan Preprocessing
Perancangan preprocessing merupakan yang wajib dilakukan sebelum masuk
perancangan CNN. Hal-hal yang dilakukan dalam perancangan preprocessing yang
pertama yaitu membagi data yang telah dikumpulkan menjadi dua, yaitu data train
(data yang digunakan untuk proses training) dan data test (data yang digunakan untuk
proses testing). Kemudian merubah dimensi dari gambar-gambar tersebut agar
mempunyai dimensi yang sama. Setelah dimensi gambar tersebut sama, maka
selanjutnya dilakukan 41 combine atau menyatukan gambar. Terakhir dilakukan
pelabelan pada masing-masing jamur untuk pengenalan batik.
4. Perancangan CNN
Perancangan CNN merupakan tahapan dimana model yang digunakan dalam proses
pelatihan data. Penyusunan sebuah model terdiri dari menentukan jumlah layer yang
digunakan, menentukan filter, menentukan ukuran kernel, menetukan fungsi aktifasi
dan menentukan ukuran pooling.
5. Pengujian Model
Pengujian model merupakan tahapan dimana model yang telah dibuat selanjutnya
diterapkan pada data train dan data test yang telah dikumpulkan sebelumnya.
6. Akurasi
Pada penelitian ini ingin diketahui tingkat akurasi yang dicapai oleh CNN. Tingkat
akurasi menunjukan tingkat kebenaran klasifikasi data terhadap jenis yang sebenarnya
7. Interpresasi Hasil
Pada tahap ini, dilakukan interpresasi terhadap hasil penerapan CNN berupa matriks
prediksi padat data train dan data testing, serta nilai akurasi yang didapatkan pada
proses training dan proses testing.

11
3.2 Timeline Pengerjaan
Bulan ke
No Kegiatan
2 3 4 5 6 7
1 Penyusunan Proposal
2 Studi Literatur
3 Perancangan CNN
4 Pengujian
5 Perbaikan
6 Penyusunan Laporan Tugas
Akhir

Table 1. Timeline Pengerjaan

12
 4 DAFTAR PUSTAKA

Anita Ahmad Kasim, R. W. (2017). Batik Classification with Artificial Neural Network Based on
Texture-Shape Feature on Main Ornament. 12.

Dewi, S. R. (2018). Deep Learning Object Detection Pada Video Menggunakan Tensorflow Dan
Convolutional Neural Network. 95.

I Wayan Suartika E. P, A. Y. (2016). Klasifikasi Citra Menggunakan Convolutional. 5.

Kusumaningrum, T. F. (2018). IMPLEMENTASI CONVOLUTION NEURAL NETWORK (CNN). 81.

LUMANAUW, G. U. (2017). PENGENALAN KATA TULISAN TANGAN HURUF KOREA MENGGUNAKAN

DEEP CONVOLUTIONAL NEURAL NETWORK BERBASIS ANDROID. 58.

Muhammad Zufar, B. S. (2016). Convolutional Neural Networks untuk Pengenalan Wajah Secara Real
Time. 6.

NURFITA, R. D. (2018). IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK

PENGENALAN SIDIK JARI. 19.

Nurhikmat, T. (2018). Implementasi Deep Learning Untuk Image Classification menggunkan

Algoritma Convolutional Neural Network (CNN) Pada Citra Wayang Golek. 113.

PANGGABEAN, T. I. (2018). PENDETEKSIAN DAN PENGENALAN WAJAH MANUSIA UNTUK

PENINGKATAN KINERJA KAMERA PENGAMAN . 81.

Visalini, S. (2017). Traffic Sign Recognition Using Convolutional Neural Network. International Jurnal
of Innovative Research in Computer and Communication Engineering.

Yohanes Gultom, R. J. (2018). BATIK CLASSIFICATION USING DEEP CONVOLUTIONAL NETWORK

TRANSFER. 8.

Zufar, M. (2016). Convolutional Neural Network Untuk Pengenalan Wajah Secara Real-Time. 6.

13