AUTOMATIC PARENTAL GUIDE SCENE CLASSIFICATION MENGGUNAKAN METODE DEEP CONVOLUTIONAL NEURAL NETWORK DAN LSTM
DOI:
https://doi.org/10.52985/insyst.v2i2.124Keywords:
Convolutional Neural Network, Deep Learning, LSTM, Movie ClassificationAbstract
Menonton film merupakan salah satu hobi yang paling digemari oleh berbagai kalangan. Seiring dengan semakin bertambahnya film yang beredar di pasaran, semakin banyak pula konten tidak pantas pada film-film tersebutu. Oleh karena itu, dibutuhkan sebuah metode untuk mengklasifikasikan film agar konten yang ditonton sesuai dengan usia penonton. Konten film yang kurang cocok untuk pengguna di bawah umur yang akan diklasifikasikan pada penelitian ini antara lain: kekerasan, pronografi, kata-kata kasar, minuman keras, penggunaan obat-obatan terlarang, merokok, adegan mengerikan (horror) dan intens. Metode klasifikasi yang digunakan berupa modifikasi dari convolutional neural network dan LSTM. Gabungan kedua metode ini dapat mengakomodasi data training dalam jumlah yang kecil, serta dapat melakukan multi klasifikasi berdasarkan video, audio, dan subtitle film. Penggunaan multi klasifikasi ini dikarenakan sebuah film selalu memiliki lebih dari satu klasifikasi. Dalam proses training dan testing pada penelitian ini digunakan sebanyak 1000 data untuk klasifikasi video, 600 data klasifikasi audio, dan 400 data klasifikasi subtitle yang didapatkan dari internet. Dari hasil percobaan dihasilkan tingkat akurasi yang diukur dengan menggunakan F1-Score sebesar 0.922 untuk klasifikasi video, 0.741 untuk klasifikasi audio, dan 0.844 untuk klasifikasi subtitle dengan rata-rata akurasi sebesar 0.835. Pada penelitian berikutnya akan dicoba dengan menggunakan metode Deep Convolutional Neural Network yang lain serta dengan memperbanyak jumlah dan variasi dari data testing.
References
L. H. Chen, H. W. Hsu, L. Y. Wang, and C. W. Su, “Violence detection in movies,” 2011, doi: 10.1109/CGIV.2011.14.
U. A. Khan, N. Ejaz, M. A. Martinez-Del-Amor, and H. Sparenberg, “Movies tags extraction using deep learning,” 2017, doi: 10.1109/AVSS.2017.8078459.
Q. Dai et al., “Fudan-Huawei at MediaEval 2015: Detecting violent scenes and affective impact in movies with deep learning,” in CEUR Workshop Proceedings, 2015, vol. 1436.
L. H. Chen, C. W. Su, C. F. Weng, and H. Y. M. Liao, “Action scene detection with support vector machines,” J. Multimed., vol. 4, no. 4, 2009, doi: 10.4304/jmm.4.4.248-253.
K. Simonyan and A. Zisserman, “Two-stream convolutional networks for action recognition in videos,” in Advances in Neural Information Processing Systems, 2014, vol. 1, no. January.
J. Wang, B. Li, W. Hu, and O. Wu, “Horror video scene recognition via multiple-instance learning,” 2011, doi: 10.1109/ICASSP.2011.5946656.
L. Li, L. Xiao, N. Wang, G. Yang, and J. Zhang, “Text classification method based on convolution neural network,” in 2017 3rd IEEE International Conference on Computer and Communications, ICCC 2017, 2018, vol. 2018-January, doi: 10.1109/CompComm.2017.8322884.
E. Acar, M. Irrgang, D. Maniry, and F. Hopfgartner, “Detecting violent content in hollywood movies and user-generated videos,” Adv. Comput. Vis. Pattern Recognit., vol. 66, 2015, doi: 10.1007/978-3-319-14178-7_11.
E. Bermejo Nievas, O. Deniz Suarez, G. Bueno García, and R. Sukthankar, “Violence detection in video using computer vision techniques,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2011, vol. 6855 LNCS, no. PART 2, doi: 10.1007/978-3-642-23678-5_39.
M. Moustafa, “Applying deep learning to classify pornographic images and videos,” arXiv Prepr. arXiv1511.08899, 2015.
H. Yenala, A. Jhanwar, M. K. Chinnakotla, and J. Goyal, “Deep learning for detecting inappropriate content in text,” Int. J. Data Sci. Anal., vol. 6, no. 4, 2018, doi: 10.1007/s41060-017-0088-4.
N. Nikhil, R. Pahwa, M. K. Nirala, and R. Khilnani, “Lstms with attention for aggression detection,” in Proceedings of the first workshop on trolling, aggression and cyberbullying (TRAC-2018), 2018, pp. 52–57.
Z. Cernekova, C. Kotropoulos, N. Nikolaidis, and I. Pitas, “Video shot segmentation using fusion of SVD and mutual information features,” in 2005 IEEE International Symposium on Circuits and Systems, 2005, pp. 3849–3852.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2020 Journal of Intelligent System and Computation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
