Klasifikasi Citra Candi Berdasarkan Tekstur Bentuk Menggunakan Convolutional Neural Network

Abstract

Candi merupakan bangunan kuno peninggalan Hindu-Buddha yang terbuat dari batu yang digunakan sebagai tempat ibadah. Beberapa candi memiliki persamaan yang signifikan khususnya dari segi struktur bangunan pada candi tersebut. Penelitian ini mengeksplorasi penggunaan Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mengklasifikasikan citra candi di Jawa Tengah, Indonesia. Pariwisata di provinsi ini memiliki nilai ekonomi dan kultural yang tinggi, terutama dengan warisan sejarah seperti Candi Borobudur dan Candi Mendut. Dengan banyaknya candi yang memiliki struktur serupa, penelitian ini memanfaatkan teknologi deep learning, khususnya CNN, untuk mengklasifikasikan citra berdasarkan tekstur bentuk. Dengan pengumpulan data menggunakan teknik scrapping, diperoleh 400 dataset citra dari kedua candi tersebut. Proses Image pre-processing melibatkan resizing, grayscaling. Pada penelitian ini dilakukan 2 jenis skenario pengolahan citra sebelum diproses dengan CNN yaitu menggunakan CLAHE dan deteksi tepi dengan metode Canny. Dua skenario tersebut dievaluasi, dan memperoleh akurasi tertinggi sebesar 95% untuk penggunaan CLAHE sedangkan saat menggunakan deteksi tepi Canny didapatkan akurasi sebesar 91,25%. Proses klasifikasi menggunakan arsitektur ResNet-50, dan hasilnya menunjukkan keunggulan penggunaan CLAHE dengan selisih akurasi 3,75% dibandingkan dengan deteksi tepi Canny. Penerapan model mencakup desain Graphical User Interface (GUI) untuk memudahkan pengguna dalam mengklasifikasikan citra candi. Hasil akhir menunjukkan bahwa CLAHE merupakan metode image pre-processing paling efektif untuk meningkatkan akurasi klasifikasi citra candi. Temuan ini memberikan kontribusi pada pemahaman tentang penerapan teknologi deep learning dalam mendukung identifikasi dan promosi warisan budaya, terutama di sektor pariwisata