PRASETYO, SINGGIH and Radzi Rathomi, Muhamad and Herikson, Rifaldi (2026) IDENTIFIKASI JENIS TANJAK MELAYU MENGGUNAKAN ALGORITMA CNN DENGAN ARSITEKTUR VGG-16 (STUDI KASUS DI PENGRAJIN HR BERTANJAK, TANJUNGPINANG). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Singgih_Prasetyo_190155201032_Teknik Informatika-Cover.pdf - Published Version Download (505kB)
	Text (Abstrak) Singgih_Prasetyo_190155201032_Teknik Informatika-Abstrak.pdf - Published Version Download (368kB)
	Text (BAB I) Singgih_Prasetyo_190155201032_Teknik Informatika-BAB I.pdf - Published Version Download (358kB)
	Text (Daftar Pustaka) Singgih_Prasetyo_190155201032_Teknik Informatika-Daftar Pustaka.pdf - Published Version Download (365kB)
	Text (Full Teks) Singgih_Prasetyo_190155201032_Teknik Informatika-Full Teks.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

ABSTRAK Prasetyo, Singgih. 2026. Identifikasi Jenis Tanjak Melayu Menggunakan Algoritma Convolutional Neural Network (CNN) dengan Arsitektur VGG-16 (Studi Kasus di Pengerajin HR Bertanjak, Tanjungpinang), Skripsi. Tanjungpinang: Program Studi Teknik Informatika, Jurusan Teknik Elektro dan Informatika, Fakultas Teknik dan Teknologi Kemaritiman, Universitas Maritim Raja Ali Haji. Pembimbing I: Muhamad Radzi Rathomi, S.Kom., M.Cs. Pembimbing II: Rifaldi Herikson, M.Kom. Tanjak merupakan penutup kepala tradisional khas Melayu yang memiliki nilai budaya tinggi di Kepulauan Riau, namun masyarakat masih kesulitan membedakan jenis tanjak karena kemiripan bentuk visualnya. Penelitian ini bertujuan menerapkan algoritma Convolutional Neural Network (CNN) dengan arsitektur VGG-16 untuk membangun sistem identifikasi otomatis terhadap tiga jenis tanjak Melayu, yaitu Tanjak Dendam Tak Sudah, Tanjak Tebing Runtuh, dan Tanjak Balong Raja, ditambah satu kelas penolakan (rejection class) bernama Tidak Teridentifikasi untuk citra bukan tanjak, dari pengrajin HR Bertanjak, Tanjungpinang. Data primer berupa 64 foto asli (52 foto tiga motif tanjak dan 12 foto kelas Tidak Teridentifikasi) diperbanyak melalui augmentasi tujuh varian menjadi 364 citra, kemudian dibagi menjadi 350 data latih, 6 data validasi, dan 8 data uji dengan rasio 80:10:10 pada tingkat foto asli. Model dilatih menggunakan optimizer Adam dengan learning rate 0,00001 dan fine-tuning pada blok konvolusi keempat dan kelima, serta berhenti otomatis pada epoch ke-17. Pengujian terhadap 8 data uji menghasilkan accuracy 87,50%, dengan precision 92%, recall 88%, dan F1-score 87% pada skema macro average, serta akurasi rata-rata 96,36% pada validasi silang 5-fold. Hasil penelitian menunjukkan bahwa CNN dengan arsitektur VGG-16 mampu mengidentifikasi jenis tanjak Melayu secara akurat. Kata kunci: CNN, VGG-16, Tanjak Melayu

Actions (login required)

View Item