Identifikasi Foto Wanita Berhijab dari Majalah Untuk Pembuatan Katalog Busana Muslim Otomatis Memanfaatkan Convolutional Neural Network
DOI:
https://doi.org/10.52985/insyst.v1i2.87Keywords:
Fashion Muslim, Majalah Digital, Katalog Online, Hijab, Haar Cascades Classification, Convolutional Neural NetworkAbstract
Abstrak—Perkembangan Fashion Muslim di Indonesia terus meningkat, disisi lain terobosan baru pada Deep Learning dengan memadukan arsitektur seperti dropout regularizations dan Rectified Linear Unit (ReLU) sebagai fungsi aktivasi dan data augmentation, mampu mencapai terobosan pada large scale image classification. Penelitian ini menggunakan metode deteksi objek wajah dengan Haar Cascades Classification untuk mendapatkan sample dataset wajah dan preprocessing data testing untuk dilanjutkan pada metode machine learning untuk klasifikasi citra dengan Convolutional Neural Network. Dataset yang digunakan adalah kumpulan katalog busana online, dataset yang sudah di preprocessing dibagi menjadi dua kategori, yaitu Hijab untuk semua citra wanita berhijab, dan Non Hijab untuk citra yang bukan wanita berhijab. selanjutnya klasifikasi citra menggunakan data ujicoba majalah digital terbitan Hijabella, Joy Indonesia dan Scarf Indonesia. Semakin besar resolusi citra input untuk preprocessing pada majalah digital, maka akan semakin banyak objek citra yang terdeteksi, dengan meningkatkan jumlah dataset untuk training dan validasi, mampu menambah hasil akurasi yang didapatkan, terjadi peningkatan akurasi pada dataset 2.500 wajah perkategori ke 5.000 wajah perkategori dengan resolusi 720p meningkat dari rata-rata 81.30% menjadi 82.31%, peningkatan rata-rata 1.01% dan tertinggi 2.14%, sedangkan resolusi 1080p meningkat dari rata-rata 83.03% menjadi 83.68%, peningkatan rata-rata 0.65% dan tertinggi 1.73%, akurasi tertinggi adalah sebesar 84.72% menggunakan model dataset 5.000 secara acak perkategori.
References
W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016, doi: 10.12962/j23373539.v5i1.15696.
M. Alotaibi and A. Mahmood, “Improved gait recognition based on specialized deep convolutional neural network,” Comput. Vis. Image Underst., vol. 164, 2017, doi: 10.1016/j.cviu.2017.10.004.
D. Putra, Pengolahan citra digital. Penerbit Andi, 2010.
M. Syarif and Wijanarto, “Deteksi Kedipan Mata Dengan Haar Cascade Classifier Dan Contour Untuk Password Login,” Techno.com, vol. 14, no. 4, 2015.
S. K. Pavani, D. Delgado, and A. F. Frangi, “Haar-like features with optimally weighted rectangles for rapid object detection,” Pattern Recognit., vol. 43, no. 1, 2010, doi: 10.1016/j.patcog.2009.05.011.
E. Siregar, “Analisis Metode Backpropagation dengan Fungsi Aktivasi Sigmoid Bipolar dan Fungsi Linear dalam Prediksi Pertumbuhan Penduduk,” 2019.
S. Sena, “Pengenalan Deep Learning Part 7 Convolutional Neural Network CNN,” Dapat diakses di https//medium. com/@ samuelsena/pengenalan-deep-learning-part-7-convolutional-neural-network-cnn-b003b477dc94 [Diakses pada 24 Juli 2018], 2017.
A. Sharifara, M. S. Mohd Rahim, and Y. Anisi, “A general review of human face detection including a study of neural networks and Haar feature-based cascade classifier in face detection,” 2015, doi: 10.1109/ISBAST.2014.7013097.
H. Nguyen et al., “Animal recognition and identification with deep convolutional neural networks for automated wildlife monitoring,” in Proceedings - 2017 International Conference on Data Science and Advanced Analytics, DSAA 2017, 2017, vol. 2018-January, doi: 10.1109/DSAA.2017.31.
N. Srinivas, H. Atwal, D. C. Rose, G. Mahalingam, K. Ricanek, and D. S. Bolme, “Age, gender, and fine-grained ethnicity prediction using convolutional neural networks for the East Asian face dataset,” in 2017 12th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2017), 2017, pp. 953–960.
