KRESNA MEDIAKRESNA MEDIA

Jurnal Riset InformatikaJurnal Riset Informatika

Batik merupakan warisan budaya takbenda Indonesia dengan nilai seni yang tinggi. Namun, kompleksitas pola batik klasik Yogyakarta, khususnya motif Parang dan Kawung yang ditandai dengan struktur rumit, variasi warna, serta batas yang tidak jelas, menjadi tantangan signifikan dalam pemrosesan citra otomatis. Oleh karena itu, segmentasi citra menjadi tahapan krusial dalam identifikasi dan digitalisasi batik. Penelitian ini bertujuan untuk mengembangkan model segmentasi yang efisien untuk pola batik Yogyakarta menggunakan arsitektur SegNet yang dimodifikasi. Dataset yang digunakan terdiri dari 720 citra RGB, yang mencakup 360 citra motif Parang dan 360 citra motif Kawung. Seluruh citra diproses menjadi ground truth mask biner melalui kombinasi K-Means Clustering dan operasi morfologi. Arsitektur SegNet dimodifikasi menjadi tiga blok encoder dan decoder, dengan menerapkan Conv2DTranspose untuk upsampling serta fungsi aktivasi sigmoid pada lapisan output. Model dilatih selama 50 epoch menggunakan optimizer Adam dan fungsi loss binary cross entropy. Berdasarkan evaluasi pada dataset uji, model SegNet yang dimodifikasi mencapai performa yang kuat dengan akurasi sebesar 91,72%, mean Intersection over Union sebesar 77,23%, dan mean Dice Coefficient sebesar 87,07%. Inspeksi visual pada hasil prediksi memperkuat bukti kemampuan model dalam memisahkan area pola dari latar belakang secara akurat. Temuan ini menunjukkan bahwa arsitektur SegNet yang dimodifikasi berkinerja baik dalam menyegmentasi pola batik Parang dan Kawung serta memiliki potensi besar untuk mendukung sistem pengenalan dan digitalisasi batik di masa depan.

Kesimpulan ini menunjukkan bahwa arsitektur SegNet yang dimodifikasi berkinerja baik dalam menyegmentasi pola batik Parang dan Kawung serta memiliki potensi besar untuk mendukung sistem pengenalan dan digitalisasi batik di masa depan.

Penelitian lanjutan dapat mengembangkan model berbasis transfer learning untuk meningkatkan akurasi segmentasi pada data dengan jumlah terbatas. Selain itu, eksplorasi penggunaan arsitektur U-Net atau model berbasis attention untuk memperbaiki presisi batas pola. Terakhir, penelitian dapat memperluas dataset dengan menambahkan motif batik yang lebih kompleks dan variasi tekstur untuk meningkatkan generalisasi model.

  1. IMAGE SEGMENTATION OF YOGYAKARTA BATIK PATTERN USING SEGNET | Jurnal Riset Informatika. segmentation... doi.org/10.34288/jri.v8i2.491IMAGE SEGMENTATION OF YOGYAKARTA BATIK PATTERN USING SEGNET Jurnal Riset Informatika segmentation doi 10 34288 jri v8i2 491
  2. [2303.04589] FCN : Global Receptive Convolution Makes FCN Great Again. fcn global receptive convolution... arxiv.org/abs/2303.045892303 04589 FCN Global Receptive Convolution Makes FCN Great Again fcn global receptive convolution arxiv abs 2303 04589
  3. Classification of Malaysian and Indonesian Batik Designs Using Deep Learning Models | Journal of Telecommunication,... doi.org/10.54554/jtec.2024.16.04.004Classification of Malaysian and Indonesian Batik Designs Using Deep Learning Models Journal of Telecommunication doi 10 54554 jtec 2024 16 04 004
Read online
File size859.14 KB
Pages12
DMCAReport

Related /

ads-block-test