Klasifikasi Motif Batik Tradisional Mataraman Menggunakan CNN
DOI:
https://doi.org/10.33005/santika.v5i1.567Keywords:
CNN, Batik Mataram, Klasifikasi Citra, RGB, AugmentasiAbstract
Batik merupakan salah satu warisan budaya Indonesia yang memiliki makna seni dan filosofi yang mendalam, terutama pada motif-motif tradisional dari daerah Mataraman. Keunikan motif batik yang sangat beragam, baik dari segi pola maupun warna, menjadikannya sebuah tantangan dalam identifikasi otomatis, terutama menggunakan teknologi pengolahan citra digital. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi model Convolutional Neural Network (CNN) untuk mengklasifikasikan empat jenis motif batik Mataraman, yaitu Keraton, Sekar, Sogan, dan Tambal, yang menggunakan citra berwarna RGB. Dataset yang digunakan dalam penelitian ini terdiri dari 188 gambar asli yang kemudian diaugmentasi menjadi 752 gambar, yang kemudian dibagi secara proporsional menjadi set pelatihan, validasi, dan pengujian. Model CNN yang dikembangkan menggunakan arsitektur sequential yang terdiri dari beberapa lapisan konvolusional, max pooling, dropout, dan lapisan output softmax untuk klasifikasi multikelas. Model ini berhasil mencapai akurasi validasi sebesar 72 persen, dengan kinerja terbaik ditemukan pada motif Sekar, sedangkan akurasi terendah ditemukan pada motif Sogan. Hasil penelitian ini menunjukkan bahwa fitur warna memiliki peran yang sangat penting dalam membedakan motif-motif batik yang memiliki kemiripan bentuk, namun memiliki perbedaan pada aspek warna. Penelitian ini juga menyoroti pentingnya teknik augmentasi data yang tepat untuk meningkatkan kinerja model dalam klasifikasi motif batik. Potensi penggunaan metode CNN untuk klasifikasi batik ini dapat diterapkan lebih lanjut untuk pengembangan sistem pengenalan motif batik secara otomatis.
References
T. A. Bowo, H. Syaputra, and M. Akbar, “Penerapan Algoritma Convolutional Neural Network Untuk Klasifikasi Motif Citra Batik Solo,” J. Softw. Eng. Ampera, vol. 1, no. 2, pp. 82–96, 2020, doi: 10.51519/journalsea.v1i2.47.
K. Azmi, S. Defit, and S. Sumijan, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” J. Unitek, vol. 16, no. 1, pp. 28–40, 2023, doi: 10.52072/unitek.v16i1.504.
M. A. F. Muthrofin, D. Erwanto, and I. Yanuartanti, “Convolutional Neural Network untuk Klasifikasi Batik Tenun Ikat Bandar Berdasarkan Fitur Warna dan Tekstur,” J. Electr. Eng. Comput., vol. 6, no. 1, pp. 120–128, 2024, doi: 10.33650/jeecom.v6i1.8060.
Angginy Akhirunnisa Siregar, Citra Citra, Dechy Deswita Indriani.S, and Gifari Dhaffa Prawira Sianturi, “Klasifikasi Batik Parang Menggunakan Convolutional Neural Network (CNN),” Pop. J. Penelit. Mhs., vol. 3, no. 1, pp. 62–69, 2023, doi: 10.58192/populer.v3i1.1666.
R. Mawan, “Klasifikasi motif batik menggunakan Convolutional Neural Network,” Jnanaloka, pp. 45–50, 2020, doi: 10.36802/jnanaloka.2020.v1-no1-45-50.
L. Alzubaidi et al., Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00444-8.
N. L. W. Keijsers, “Neural Networks,” Encycl. Mov. Disord. Three-Volume Set, pp. V2-257-V2-259, 2010, doi: 10.1016/B978-0-12-374105-9.00493-7.
C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2019, doi: 10.1186/s40537-019-0197-0.
L. Perez and J. Wang, “The Effectiveness of Data Augmentation in Image Classification using Deep Learning,” 2017, [Online]. Available: http://arxiv.org/abs/1712.04621
A. Patil and M. Rane, “Convolutional Neural Networks: An Overview and Its Applications in Pattern Recognition,” Smart Innov. Syst. Technol., vol. 195, pp. 21–30, 2021, doi: 10.1007/978-981-15-7078-0_3.
H. Li, J. Wang, M. Tang, and X. Li, “Polarization-dependent effects of an Airy beam due to the spin-orbit coupling,” J. Opt. Soc. Am. A Opt. Image Sci. Vis., vol. 34, no. 7, pp. 1114–1118, 2017, doi: 10.1002/ecs2.1832.
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” J. Mach. Learn. Res., vol. 15, pp. 1929–1958, 2014.
D. P. Kingma and J. L. Ba, “Adam: A method for stochastic optimization,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–15, 2015.
M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf. Process. Manag., vol. 45, no. 4, pp. 427–437, 2009, doi: 10.1016/j.ipm.2009.03.002.
D. Chicco and G. Jurman, “The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation,” BMC Genomics, vol. 21, no. 1, pp. 1–13, 2020, doi: 10.1186/s12864-019-6413-7.
