Perbandingan Algoritma Convolutional Neural Netwok dan Capsule Network Dalam Klasifikasi Jenis Rumah Adat

Warisan budaya merupakan salah satu bagian yang penting dalam budaya Indonesia dan perlu dilestarikan keberadaanya, salah satu warisan budaya yang perlu dilestarikan yaitu Rumah adat. Informasi terkait rumah adat juga cenderung dicari oleh masyarakat untuk kepentingan pendidikan dalam dunia pengenalan budaya, arsitektur, maupun dalam bidang pariwisata. Hingga saat ini masih banyak daerah di Indonesia yang masih memiliki rumah adatnya dengan tujuan untuk mempertahankan nilai budaya, sebagai tempat pertemuan acara adat, maupun sebagai objek wisata. Salah satunya adalah Provinsi Nusa Tenggara Timur (NTT) yang memiliki beragam rumah adat seperti Sao Ngada (Suku Bajawa), Sao Ria (Suku Ende), Ume Kbubu (Suku Timor), Sao Ata Mosa Lakitana (Sumba), dan Mbaru Niang (Suku Wae Rebo). Keanekagaraman bentuk, kemiripan material penyusun, dan kemiripan bangunan dapat membuat sebagian masyarakat awam kesulitan dalam membedakan jenis atau nama antara rumah adat yang satu dengan rumah adat yang lain. Oleh karena itu diperlukan teknologi digital yang dapat mengindentifikasi dan mengklasifikasikan rumah adat, sehingga dapat membantu wisatawan, maupun masyarakat umum yang mempelajari seputar rumah adat dalam membedakan jenis rumah adat tertentu. Dalam Penelitian ini model deep learning diterapkan untuk identifikasi dan klasifikasi rumah adat, dengan menggunakan algoritma Convolutional Neural Network (CNN) dan Capsule Networks (CapsNet). Penelitian ini bertujuan membandingkan algoritma deep learning, CNN menggunakan arsitektur Resnet50V2 dan CapsNet, dimana dataset yang digunakan terdiri dari 500 data rumah adat di NTT. Hasil penelitian menunjukkan bahwa CNN memiliki nilai akurasi sekitar 98% dengan nilai loss sekitar 0,72, sedangkan CapsNet memiliki nilai akurasi sekitar 72% dengan nilai loss sekitar 1,73%. Berdasarkan hasil klasifikasi tersebut dalam kasus ini, disimpulkan bahwa CNN lebih baik dalam mengklasifikasikan objek rumah adat dibandingkan dengan CapsNet. Oleh karena itu untuk pekerjaan lebih lanjut dapat dilakukan perbaikan parameter tuning untuk algoritma CapsNet dan juga dapat mengimplementasikan CNN dalam pembuatan aplikasi untuk identifikasi dan klasifikasi objek rumah adat sehingga dapat membantu Masyarakat umum dalam membedakan jenis rumah adat melalui aplikasi tersebut