The Investigation of Epoch Parameters in ResNet-50 Architecture for Pornographic Classification
Investigasi Parameter Epoch Pada Arsitektur ResNet-50 Untuk Klasifikasi Pornografi
DOI:
https://doi.org/10.52435/complete.v1i1.51Keywords:
CNN; ResNet-50; ResNet; Klasifikasi; Hyperparameter; Epoch; Image Classification; Neural Network; Pornography DetectionAbstract
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%.
References
R. C. Reid, D. S. Li, R. Gilliland, J. A. Stein, and T. Fong, “Reliability, validity, and psychometric development of the pornography consumption inventory in a sample of hypersexual men,” J. Sex Marital Ther., vol. 37, no. 5, pp. 359–385, 2011, doi: 10.1080/0092623X.2011.607047.
E. W. Owens, R. J. Behun, J. C. Manning, and R. C. Reid, “The Impact of Internet Pornography on Adolescents: A Review of the Research,” Sexual Addiction and Compulsivity. 2012, doi: 10.1080/10720162.2012.660431.
J. A. M. Basilio, G. A. Torres, G. S. Pérez, L. K. T. Medina, and H. M. P. Meana, “Explicit image detection usingYCbCr space color model as skin detection,” 2011.https://www.scopus.com/inward/record.uri?partnerID=HzOxMe3b&scp=79958723400&origin=inward
S. A. Wibowo, H. Lee, E. K. Kim, and S. Kim, “Convolutional Shallow Features for Performance Improvement of Histogram of Oriented Gradients in Visual Object Tracking,” Math. Probl. Eng., vol. 2017, 2017, doi: 10.1155/2017/6329864.
S. A. Wibowo, H. Lee, E. K. Kim, and S. Kim, “Collaborative Learning based on Convolutional Features and Correlation Filter for Visual Tracking,” Int. J. Control. Autom. Syst., vol. 16, no. 1, pp. 335–349, 2018, doi: 10.1007/s12555-017-0062-x.
A. Wiranata, S. A. Wibowo, R. Patmasari, F. T. Elektro, and U. Telkom, “Region-Based Convolutional Neural Network Untuk Deteksi Kendaraan Region-Based Convolutional Neural Networks.”https://openlibrary.telkomuniversity.ac.id/home/catalog/id/149659/slug/analisis-performansi-region-based-convolutional-neural-network-untuk-deteksi-kendaraan.html
A. Y. Nasirudin, S. A. Wibowo, and R. Purnamasari, “Analisis Parameter Performansi Pada Pengenalan Objek Berbasis Region-Convolutional Neural Network Performance Parameter Analysis For Region-Convolutional Neural Network Based Object Recognition”, PP.28.https://openlibrary.telkomuniversity.ac.id/home/catalog/id/149655/slug/analisis parameter performansi-pada-pengenalan-objek-berbasis-region-convolutional-neural-network.html
K. Zhou, L. Zhuo, Z. Geng, J. Zhang, and X. G. Li, “Convolutional neural networks based pornographic image classification,” Proc. -2016 IEEE 2nd Int. Conf. Multimed. Big Data, BigMM 2016, pp. 206–209, 2016, doi: 10.1109/BigMM.2016.29.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 770–778, 2016, doi:
1109/CVPR.2016.90.10.S. Sharma, “Epoch vs Batch Size vs Iterations -Towards Data Science,” Medium, 2017. https://towardsdatascience.com/epoch-vs-iterations-vs-batch-size-4dfb9c7ce9c9 (accessed Jun. 26, 2020).
S. Avila, N. Thome, M. Cord, E. Valle, and A. De A. Araújo, “Pooling in image representation: The visual codeword point of view,” Comput. Vis. Image Underst., 2013, doi: 10.1016/j.cviu.2012.09.007
Downloads
Published
Issue
Section
License
Copyright (c) 2021 Faiz Nashrullah, Suryo Adhi Wibowo, Gelar Budiman
This work is licensed under a Creative Commons Attribution 4.0 International License.
