COMPLETE Journal of Computer, Electronic, and Telecommunication ISSN 2723-4371, E-ISSN 2723-5912 doi.org/10.52435/complete.v1i1.51 Investigasi Parameter Epoch Pada Arsitektur ResNet-50 Untuk Klasifikasi Pornografi Faiz Nashrullah 1, Suryo Adhi Wibowo 2* dan Gelar Budiman 3 1 Telkom University; [email protected] 2 Telkom University; [email protected] 3 Telkom University; [email protected] * Korespondensi: [email protected]; Tel.: +6282145143639 Abstrak: Kemajuan teknologi informasi yang cepat dan tak terkontrol membuat berbagai konten negatif seperti pornografi dapat dengan mudah diakses. Konten pornografi terbukti dapat menyebabkan berbagai permasalahan terutama pada generasi muda. Beberapa pengembangan metode untuk pendeteksian pornografi telah dilakukan namun masih terkendala pada keterbatasan karakteristik data masukan. Pada penelitian kali ini dikembangkan sistem pendeteksi konten pornografi berbasis klasifikasi menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk mengatasi permasalahan sebelumnya. Dalam proses perancangan model sistem, diterapkan berbagai konfigurasi epoch dan didapatkan bahwa performa dari sistem memiliki kecenderungan untuk meningkat seiring dengan pertambahan epoch. Performa terbaik diraih oleh sistem pada konfigurasi epoch 60 dengan akurasi 91,033%. Kata kunci: CNN; ResNet-50; ResNet; Klasifikasi; Hyperparameter; Epoch 1. Pendahuluan Kemajuan teknologi yang sangat pesat terutama dalam teknologi penyebaran informasi terkhusus internet, memberikan aksesibilitas yang mudah dan cepat kepada semua orang. Keuntungan tersebut dapat memberikan dampak yang buruk jika terjadi penyalahgunaan yang dilakukan oleh beberapa pihak dengan cara menyebarkan konten negatif, salah satunya pornografi. Tidak dapat dipungkiri bahwa konten pornografi memiliki persebaran yang sangat masif dan cepat di internet. Definisi dari pornografi adalah materi yang menciptakan pikiran seksual, berisi gambar eksplisit atau deskripsi tindakan seksual yang melibatkan alat kelamin [1]. Pornografi dapat menimbulkan kecanduan dan terdapat ulasan dari berbagai penelitian [2] yang menunjukkan bahwa pornografi dapat mengganggu kesehatan perkembangan seksual pada anak modern. Menanggapi permasalahan tersebut, diperlukan metode deteksi atau filtering terhadap konten pornografi, yang kemudian dapat dikembangkan menjadi piranti lunak penangkal pornografi, serta bisa diterapkan di berbagai platform. Dalam masa awal penelitian tentang konten pornografi, Basilio et al [3] menggunakan metode thresholding untuk membuat metode pendeteksi citra pornografi dengan memperhatikan banyaknya komposisi kulit dalam suatu citra. Tetapi penentuan konten pornografi yang mengacu pada komposisi warna kulit memiliki tingkat akurasi yang rendah jika background dari objek dalam citra mempunyai komposisi warna yang serupa dengan kulit asli manusia, bisa disebut juga dengan noise. Tidak semua warna kulit juga dapat terdeteksi dikarenakan hanya warna kulit yang berada di antara ketentuan threshold saja yang terdeteksi. Karena itu metode yang dirancang [3] tidak terlalu cocok untuk menangani data dengan noise yang banyak sehingga terbatas dalam segi karakteristik citra pornografi yang dapat terdeteksi. Berdasar penelitian yang telah dilakukan sebelumnya, pada penelitian ini dikembangkan sebuah metode klasifikasi untuk mendeteksi suatu citra pornografi dengan menggunakan metode Convolutional Neural Network (CNN) yang merupakan salah satu contoh deep learning. Penerapan 1Complete 2020, Vol. 1, No. 1, doi.org/10.52435/complete.v1i1.51 berbagai metode deep learning mulai digunakan untuk melakukan klasifikasi citra ataupun berbagai pengolahan video berbasis computer vision [4]–[7]. CNN sendiri mengadopsi cara kerja dan memiliki struktur tiruan dari neuron otak manusia. Dengan model struktur tersebut, CNN mampu melakukan ekstraksi fitur dari citra secara lebih mendetail, serta CNN dapat menyimpan dan menjadikan acuan hasil pembelajaran yang telah dilakukan dengan adanya parameter weight dan bias di dalam arsitekturnya. Dengan konsep tersebut CNN dapat menerima input citra dengan karakteristik lebih umum atau dengan banyak noise sekalipun. Struktur CNN secara umum disusun oleh tiga komponen utama layer, yaitu convolutional layer, pooling layer dan full connection layer [8]. Ketiga layer tersebut dapat dikombinasikan sesuai dengan tujuan dan kebutuhan, sehingga tercipta berbagai arsitektur dari CNN dengan keunggulannya masing-masing. Pada penelitian ini, sistem klasifikasi dibuat dengan menggunakan ResNet-50 [9] sebagai model arsitektur dari CNN. ResNet-50 memiliki konsep shortcut connection yang mencegah sistem dari kehilangan banyak informasi selama training dilakukan. Sistem klasifikasi yang dibuat dalam penelitian ini ditujukan untuk dapat mendeteksi apakah suatu gambar yang menjadi input dalam sistem merupakan pornografi atau bukan. Dalam penelitian ini dilakukan investigasi dari pengaruh penerapan konfigurasi hypeparameter epoch ke dalam arsitektur yang dibuat untuk sistem klasifikasi pornografi. Epoch adalah suatu kondisi ketika seluruh dataset yang menjadi masukan model sistem telah selesai melewati seluruh neural network secara forward propagation dan back propagation dalam 1 kali putaran [10]. Diharapkan berdasarkan hasil percobaan yang dilakukan, dapat diketahui pengaruh penerapan konfigurasi epoch terhadap akurasi yang didapatkan sistem klasifikasi. 2. Bahan dan Metode Penelitian yang dilakukan diawali dengan merancang sebuah sistem klasifikasi gambar pornografi menggunakan CNN dengan ResNet-50 sebagai arsitekturnya. Dalam perancangan yang dilakukan, NPDI dataset [11] dipilih menjadi data citra masukan untuk proses training dan testing dari percobaan yang dilakukan. Sebelum dilakukan proses training, hyperparameter seperti epoch, learning rate, dan batch size diatur terlebih dahulu. Secara umum garis besar dari perancangan sistem ditunjukkan oleh Gambar 1. 2.1 NPDI dataset Pada penelitian kali ini digunakan NPDI dataset [11] sebagai data masukan untuk sistem yang dirancang. NPDI dataset berisikan video yang berdurasi hampir 80 jam yang terdiri dari 400 video pornografi dan 400 video non-pornografi.