Augmentasi Data Pengenalan Citra Batik Yogyakarta Menggunakan Pendekatan Random Crop, Rotate, Dan Mixup
DOI:
https://doi.org/10.33005/santika.v5i1.680Keywords:
Augmentasi Data, batik Yogyakarta, ResNet, Mixup, Random Crop, rotateAbstract
Batik Yogyakarta merupakan warisan budaya Indonesia yang kaya akan nilai estetika dan filosofis. Klasifikasi citra batik secara otomatis menghadapi tantangan berupa kompleksitas pola visual serta keterbatasan data pelatihan. Penelitian ini bertujuan mengevaluasi efektivitas teknik augmentasi data random crop, random rotate, dan Mixup untuk meningkatkan performa klasifikasi enam motif batik Yogyakarta menggunakan arsitektur ResNet50. Tiga skenario pelatihan digunakan: tanpa augmentasi (Skenario A), augmentasi geometris (Skenario B), dan kombinasi augmentasi geometris dengan Mixup (Skenario C). Dataset terdiri dari 1.350 gambar dan dibagi menggunakan stratified sampling, dengan pelatihan berbasis transfer learning. Hasil pengujian menunjukkan bahwa augmentasi data secara signifikan meningkatkan performa model. Skenario A (baseline) mencapai akurasi 84,96%, Skenario B (dengan random crop dan rotate) meningkat menjadi 86,67%, dan Skenario C (tambahan Mixup) memperoleh akurasi tertinggi sebesar 87,22%. Mixup memberikan regularisasi tambahan yang memperkuat generalisasi model terhadap data uji, terutama pada dataset terbatas. Dengan demikian, kombinasi augmentasi geometris dan Mixup terbukti menjadi strategi efektif dalam pengenalan citra batik, dan berpotensi diterapkan pada tugas klasifikasi visual lain dalam pelestarian warisan budaya
References
A. R. Dani dan I. Handayani, "Klasifikasi motif batik Yogyakarta menggunakan metode GLCM dan CNN," Jurnal Teknologi Terpadu, vol. 10, no. 2, hlm. 142-156, 2024.
J. Sanjaya dan M. Ayub, "Augmentasi data pengenalan citra mobil menggunakan pendekatan random crop, rotate, dan mixup," Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 2, Agu. 2020.. Tersedia: http://dx.doi.org/10.28932/jutisi.v6i2.2688.
H. Zhang, M. Cisse, Y. N. Dauphin, dan D. Lopez-Paz, "mixup: Beyond Empirical Risk Minimization," dalam Prosiding International Conference on Learning Representations (ICLR), Vancouver, 2018.
C. Shorten dan T. M. Khoshgoftaar, "A survey on image data augmentation for deep learning," Journal of Big Data, vol. 6, no. 1, hlm. 60, 2019. doi: 10.1186/s40537-019-0197-0.
K. He, X. Zhang, S. Ren, dan J. Sun, "Deep Residual Learning for Image Recognition," dalam Prosiding IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, hlm. 770-778.
A. Prayoga, P. Sukmasetya, M. R. A. Yudianto, dan R. A. Hasani, "Arsitektur convolutional neural network untuk model klasifikasi citra batik Yogyakarta," Journal of Applied Computer Science and Technology, vol. 4, no. 2, hlm. 82-89, 2020.
A. A. Trixie, "Filosofi motif batik sebagai identitas bangsa Indonesia," Folio, vol. 1, no. 1, hlm. 1-9, 2020.
R. W. Tanjung, S. Suryaningsum, A. N. Maharani, R. H. Gusaptono, dan S. L. Murdianingrum, "Batik Yogyakarta dalam era revolusi industri 4.0," dalam Prosiding Seminar Nasional Industri Kerajinan dan Batik, Yogyakarta, Indonesia, 2019, vol. 1, no. 1, hlm. A3-1-A3-9.
A. Wulandari, Batik Nusantara: Makna Filosofis, Cara Pembuatan, dan Industri Batik. Yogyakarta, Indonesia: Penerbit Andi, 2022.
M. D. A. Pranatha, G. H. Setiawan, dan M. A. Maricar, "Utilization of ResNet Architecture and Transfer Learning Method in the Classification of Faces of Individuals with Down Syndrome," Journal of Applied Informatics and Computing, 2024.
R. Z. Fadillah, A. Irawan, dan M. Susanty, "Data augmentasi untuk mengatasi keterbatasan data pada model penerjemah bahasa isyarat Indonesia (BISINDO)," Jurnal Informatika, vol. 8, no. 2, hlm. 208-214, 2021.
M. R. Satria dan J. Pardede, "Image captioning menggunakan metode ResNet50 dan long short term memory," Jurnal Tera, vol. 2, no. 2, hlm. 84-94, 2022.
M. R. Farhansyah, "Batik Pattern Classification Repository," Repositori GitHub, 2022.. Tersedia: https://github.com/rifqifarhansyah/batik-pattern-classification.
A. E. Minarno dan N. Suciati, "Batik 300: A comprehensive dataset for batik pattern recognition," Data in Brief, vol. 40, hlm. 107694, 2022. doi: 10.1016/j.dib.2022.107694.
J. Deng, dkk., "ImageNet: A large-scale hierarchical image database," dalam Prosiding 2009 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Miami, FL, USA, 2009, hlm. 248-255.
M. Buda, A. Maki, dan M. A. Mazurowski, "A systematic study of the class imbalance problem in convolutional neural networks," Neural Networks, vol. 106, hlm. 249-259, 2018.
I. Goodfellow, Y. Bengio, dan A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
R. Kohavi, "A study of cross-validation and bootstrap for accuracy estimation and model selection," dalam Prosiding 14th International Joint Conference on Artificial Intelligence (IJCAI), Montreal, Canada, 1995, vol. 2, hlm. 1137-1143.
F. Chollet, Deep Learning with Python. Shelter Island, NY, USA: Manning Publications, 2017.
A. Krizhevsky, I. Sutskever, dan G. E. Hinton, "ImageNet classification with deep convolutional neural networks," dalam Advances in Neural Information Processing Systems 25 (NIPS), 2012, hlm. 1097-1105.
J. Pardede dan A. S. Purohita, "The advantage of transfer learning with pre-trained model in CNN towards CT-scan classification," Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika, vol. 9, no. 2, hlm. 155-161, 2023.
I. Loshchilov dan F. Hutter, "Decoupled Weight Decay Regularization," dalam Prosiding International Conference on Learning Representations (ICLR), New Orleans, LA, USA, 2019.
L. Prechelt, "Early stopping — But when?," dalam Neural Networks: Tricks of the Trade, G. Montavon, G. B. Orr, dan K.-R. Müller, Ed., ed. ke-2. Berlin, Heidelberg: Springer, 2012, hlm. 53-67.
