UADUAD

Jurnal InformatikaJurnal Informatika

Penelitian ini bertujuan untuk membuat sistem klasifikasi citra motif batik yang memudahkan publik dalam mengenali nama jenis motif batik. Metode kuantitatif diterapkan pada tujuh jenis motif batik yang pertama kali diaugmentasi, dengan 70 % data digunakan untuk pelatihan dan 30 % untuk pengujian sehingga diperoleh nilai akurasi dan presisi sistem. Hasil penelitian menunjukkan akurasi dan presisi sebesar 0,985 atau 98,5 % yang dicapai karena kualitas dataset yang ditingkatkan melalui augmentasi geometrik dan fotometrik. Metode pembelajaran mesin yang digunakan adalah Convolutional Neural Network (CNN) yang pada studi terdahulu telah memberikan akurasi dan presisi tertinggi. Hasil studi ini dapat dimanfaatkan untuk keperluan pemasaran, pelestarian budaya, dan ilmu pengetahuan.

Berdasarkan hasil penelitian, Convolutional Neural Network dapat diterapkan untuk klasifikasi motif batik dengan performa sangat baik, menghasilkan rata‑rata akurasi 98,5 %, AUC 99,9 %, precision 98,5 %, recall 98,5 %, dan F1‑score 98,5 %.Dataset awal yang terdiri dari 215 citra batik setelah diproses dengan 19 algoritma augmentasi menghasilkan 4.047 citra, yang kemudian dibagi menjadi 2.Meskipun akurasi tinggi, masih terdapat kesalahan klasifikasi akibat algoritma augmentasi yang menyebabkan kemiripan antar motif serta keberadaan gambar yang mengandung lebih dari satu motif, sehingga diperlukan perbaikan pada teknik augmentasi di masa depan.

Penelitian lanjutan dapat mengeksplorasi pengembangan algoritma augmentasi yang adaptif, dimana transformasi gambar dipilih secara dinamis berdasarkan karakteristik visual tiap motif batik untuk meminimalkan terjadinya kemiripan antar motif setelah augmentasi. Selanjutnya, dapat diteliti penerapan model transfer learning yang lebih kuat, seperti EfficientNet atau Vision Transformer, untuk meningkatkan kemampuan generalisasi pada dataset batik yang terbatas. Penelitian juga dapat menguji pendekatan klasifikasi multi‑label atau segmentasi berbasis attention mechanism, sehingga sistem mampu mengenali sekaligus memisahkan beberapa motif yang muncul dalam satu citra batik. Selain itu, studi komparatif antara teknik augmentasi tradisional dengan generative adversarial networks (GAN) dapat memberikan wawasan mengenai peningkatan kualitas data sintetis. Penggunaan teknik validasi silang berbasis stratifikasi yang mempertimbangkan distribusi motif dapat memastikan evaluasi yang lebih representatif terhadap kemampuan model. Analisis dampak variasi ukuran gambar dan resolusi pada performa model dapat membantu menentukan konfigurasi optimal untuk aplikasi lapangan. Semua usulan ini diharapkan dapat memperbaiki akurasi, mengurangi kesalahan klasifikasi, dan memperluas aplikasi sistem pada koleksi batik yang lebih beragam.

  1. Flatten-T Swish: a thresholded ReLU-Swish-like activation function for deep learning | Chieng | International... doi.org/10.26555/ijain.v4i2.249Flatten T Swish a thresholded ReLU Swish like activation function for deep learning Chieng International doi 10 26555 ijain v4i2 249
  2. Correlative study and analysis for hidden patterns in text analytics unstructured data using supervised... doi.org/10.1504/IJCC.2020.109373Correlative study and analysis for hidden patterns in text analytics unstructured data using supervised doi 10 1504 IJCC 2020 109373
  3. Transfer learning using VGG-16 with Deep Convolutional Neural Network for Classifying Images. transfer... doi.org/10.29322/IJSRP.9.10.2019.p9420Transfer learning using VGG 16 with Deep Convolutional Neural Network for Classifying Images transfer doi 10 29322 IJSRP 9 10 2019 p9420
Read online
File size961.82 KB
Pages12
DMCAReport

Related /

ads-block-test