Penerapan Klasifikasi Citra Multi-Kelas dengan Arsitektur Convolutional Neural Network dalam Gamifikasi Sistem Deteksi Objek
Abstract
Pandemi Covid-19 memaksa hampir seluruh aktivitas dilakukan dari rumah. Salah satu contoh kegiatan yang dilaksanakan dari rumah adalah sekolah yang dilaksanakan secara online atau dalam jaringan (daring). Pelaksanaan pembelajaran jarak jauh membuat anak-anak lebih sering menggunakan gawai, khususnya smartphone. Meningkatnya intensitas penggunaan smartphone pada anak diiringi dengan meningkatnya kekhawatiran yang dirasakan oleh orang tua. Kurangnya pendampingan dari orang tua ketika anak menggunakan smartphone dapat diminimumkan dampaknya dengan melakukan pengawasan terhadap aplikasi- aplikasi yang dipasang pada smartphone anak. Oleh karena itu, dibutuhkan aplikasi yang bermanfaat dan memberikan edukasi kepada anak sehingga dapat menjadi aplikasi pilihan orang tua untuk anak. Salah satu contohnya adalah aplikasi yang dapat mengenali benda-benda di sekitar, baik dalam bahasa Indonesia maupun bahasa Inggris. Pembuatan aplikasi tersebut membutuhkan model machine learning untuk mengenali dan mengklasifikasikan benda-benda. Oleh sebab itu, penelitian ini dilakukan untuk membangun sebuah model klasifikasi menggunakan convolutional neural network (CNN) yang yang mengekstrak informasi dari gambar dan menentukan klasifikasi dari gambar berupa skor klasifikasi. Proses pelatihan model CNN dilakukan menggunakan gugus data yang disediakan oleh Kaggle sebanyak 1.000 kelas dan 1.000.000 data citra. Validasi model yang digunakan adalah akurasi dan loss untuk membandingkan model mana yang memiliki nilai yang terbaik. Hasil penelitian ini menunjukkan bahwa model CNN memiliki rata- rata akurasi sebesar 92% dan nilai fungsi kerugian sebesar 0,7207. Setelah dilakukan hypertunning parameter dengan arsitektur VGG16, evaluasi rata rata akurasi sebesar 98% dan nilai fungsi kerugian sebesar 0,1156. Sehingga dapat disimpulkan bahwa metode CNN pada penelitian ini mampu melakukan klasifikasi dengan baik.