Klasifikasi Motif Batik Yogyakarta dan Pekalongan Menggunakan Metode GLCM dan CNN Berbasis Arsitektur EfficientNet
DOI:
https://doi.org/10.33005/santika.v5i1.747Keywords:
Batik, CNN, GLCM, Klasifikasi Citra, Pengolahan Citra DigitalAbstract
Abstrak— Batik merupakan warisan budaya Indonesia yang memiliki nilai seni tinggi dan kekayaan visual khas, terutama pada motif-motif tradisional dari Yogyakarta dan Pekalongan. Keunikan pola dan tekstur batik menjadikannya menarik untuk dikaji melalui pengolahan citra digital berbasis kecerdasan buatan. Penelitian ini bertujuan mengembangkan sistem klasifikasi motif batik berdasarkan asal daerah menggunakan kombinasi metode Gray Level Co-occurrence Matrix (GLCM) dan Convolutional Neural Network (CNN) berbasis arsitektur EfficientNetB0. Dataset yang digunakan terdiri dari 256 citra batik (125 Yogyakarta dan 131 Pekalongan), yang diperluas melalui augmentasi menjadi 759 citra. Skema eksperimen melibatkan pelatihan tiga model: GLCM + SVM, CNN murni, dan gabungan GLCM + CNN. Hasil evaluasi menunjukkan bahwa model gabungan GLCM + CNN memberikan akurasi tertinggi sebesar 97% dan nilai loss terendah, dibandingkan CNN murni (96,05%) dan GLCM + SVM (76%). Temuan ini menunjukkan bahwa integrasi fitur tekstur (GLCM) dan fitur visual (CNN) secara sinergis meningkatkan akurasi dan stabilitas prediksi. Pendekatan ini efektif untuk klasifikasi citra objek budaya dengan tekstur kompleks seperti batik dan memiliki potensi diterapkan dalam pengembangan sistem pengenalan motif digital berbasis kecerdasan buatan.
References
W. Steelyana et al. , “Batik, a beautiful cultural heritage that preserve culture and support economic development in indonesia,” Binus Business Review, vol. 3, no. 1, p. 116, 2012.
R. A. Surya., A. Fadlil, dan A. Yudhana, “Ekstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix,” dalam Prosiding Annual Research Seminar 2016, vol. 2, no. 1, Sulawesi Selatan, 2016, hlmn. 146-150.
A. Hardirega, I. Jaelani, dan Minarto, “Implementasi Convolutional Neural Network (CNN) Klasifikasi Motif Batik Menggunakan EfficientNet-B1,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 5, 5 Okt. 2024.
A. R. Dani., I. Handayani, “Klasifikasi Motif Batik Yogyakarta Menggunakan Metode Glcm Dan Cnn,” Jurnal Teknologi Terpadu, vol. 10, no. 2, p. 142-156, 2024.
M. Tan dan Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” arXiv preprint arXiv:1905.11946, 2019. [Daring].
F. R. Lestari dan F. W. Wibowo, “Klasifikasi Motif Batik Menggunakan Convolutional Neural Network (CNN) EfficientNet,” Jurnal Teknologi dan Sistem Komputer, vol. 10, no. 4, hlm. 345–35
A. Gurunathan dan B. Krishnan, “A Hybrid CNN- GLCM Classifier for Detection and Grade Classification of Brain Tumor”, Research Square, 2022.
D. Rohpadi et al., “Klasifikasi Citra Digital Berbasis Ekstraksi Ciri Berdasarkan Tekstur Menggunakan GLCM Dengan Algoritma K-Nearest Neighbor”, Jurnal Informatika, hlm. 80-84, 2018.
D. Wijaya dan A. R. Widiarti, “Batik classification using KNN algorithm and GLCM features extraction”, E3S Web Conf - InCASST 2023, vol. 2, 2024.
S. Chaitra et al, “Deep Learning Model for Image-Based Plant Diseases Detection on Edge Devices”, 2021 6th International Conference for Convergence in Technology, pp. 2-3, 2021.
D. H. Dionisius, “Indonesian Batik Motifs,” Kaggle, [Online]. Available: https://www.kaggle.com/datasets/dionisiusdh/indonesian-batik-motifs.
H. B. Hendry, “Batik Nusantara - Batik Indonesia Dataset,” Kaggle, [Online]. Available: https://www.kaggle.com/datasets/hendryhb/batik-nusantara-batik-indonesia-dataset.
H. Alikhsan, “Batik Motifs,” Kaggle, [Online]. Available: https://www.kaggle.com/datasets/hamdanialikhsan/batik-motifs.
