Publisher

LENTERADUALENTERADUA

Journal JNANALOKAJNANALOKA Abstract

Batik adalah bentuk seni visual pada bahan tekstil yang diproduksi menggunakan teknik menggambar tradisional yang berasal dari Indonesia. Banyaknya motif di Indonesia menyulitkan untuk identifikasi jenisnya. Penelitian dengan tujuan mengetahui motif dengan bantuan komputasi dapat membantu dalam pelestarian batik. Convolutional Neural Network (CNN) adalah salah satu metode machine learning dari pengembangan Multi Layer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi. CNN termasuk dalam jenis Deep Neural Network karena dalamnya tingkat jaringan dan banyak diimplementasikan dalam data citra. Eksperimen menggunakan Dataset 120 potongan foto Batik (3 kelas) menunjukkan bahwa model yang menggunakan CNN mencapai rata-rata akurasi 65% sedangkan model CNN dikombinasi dengan Grayscale mencapai rata-rata akurasi 70%. Meskipun demikian dengan penambahan Grayscale akurasi bertambah 5%. Dari dataset yang berjumlah 120, data terbagi menjadi dua yaitu Data training 90 dan data uji 30.

Conclusion

Motif batik di Indonesia dapat diklasifikasikan berdasarkan kelas masing-masing menggunakan metode Convolutional Neural Network (CNN).Kombinasi CNN dengan konversi citra ke grayscale menghasilkan akurasi klasifikasi sebesar 70%, lebih baik dibandingkan penggunaan CNN saja yang mencapai 65%.Hasil penelitian menunjukkan bahwa warna memiliki pengaruh dalam proses klasifikasi citra batik berbasis CNN.

Future Research

Pertama, perlu dilakukan penelitian untuk mengevaluasi metode klasifikasi lain yang mungkin lebih efektif daripada CNN, seperti penggunaan model transfer learning dengan arsitektur yang lebih mutakhir, agar diperoleh akurasi yang lebih tinggi dalam mengenali motif batik. Kedua, perlu dikaji pengaruh transformasi tekstur citra selain grayscale, seperti penggunaan Gray Level Co-occurrence Matrix (GLCM) atau teknik augmentasi lainnya, untuk mengetahui kontribusi fitur tekstur terhadap kinerja klasifikasi. Ketiga, penting untuk memperluas jumlah dan keragaman dataset batik, termasuk lebih banyak kelas motif dan variasi kondisi citra, agar model yang dikembangkan lebih general dan mampu mengenali batik dari berbagai daerah di Indonesia secara akurat. Penelitian lanjutan sebaiknya mengintegrasikan ketiga aspek ini untuk membangun sistem klasifikasi otomatis yang lebih handal dan komprehensif.

Metadata

File size	615.77 KB
Pages	6
DMCA	Report