KLASIFIKASI MOTIF BATIK NUSANTARA MENGGUNAKAN METODE DEEP LEARNING BERBASIS CONVOLUTIONAL NEURAL NETWORK

Budi, Wahyu Setyo (2026) KLASIFIKASI MOTIF BATIK NUSANTARA MENGGUNAKAN METODE DEEP LEARNING BERBASIS CONVOLUTIONAL NEURAL NETWORK. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_55201_2213020012.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (5MB) | Request a copy
	Text (Similarity) RAMA_55201_2213020012_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2213020012_0720117501_0701107802_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (BAB 2) RAMA_55201_2213020012_0720117501_0701107802_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (574kB) | Request a copy
	Text (BAB 3) RAMA_55201_2213020012_0720117501_0701107802_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (960kB) | Request a copy
	Text (BAB 4) RAMA_55201_2213020012_0720117501_0701107802_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (974kB) | Request a copy
	Text (BAB 5) RAMA_55201_2213020012_0720117501_0701107802_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (217kB) | Request a copy
	Text (References) RAMA_55201_2213020012_0720117501_0701107802_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (179kB)
	Text (Lampiran) RAMA_55201_2213020012_0720117501_0701107802_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi motif batik Nusantara berbasis citra digital menggunakan metode Deep Learning dengan arsitektur Convolutional Neural Network EfficientNetB0. Permasalahan yang melatarbelakangi penelitian ini adalah proses identifikasi motif batik secara manual masih membutuhkan pengetahuan khusus, waktu yang relatif lama, serta berpotensi menimbulkan subjektivitas. Sistem dikembangkan dalam bentuk aplikasi berbasis web menggunakan Streamlit, sehingga pengguna dapat mengunggah gambar batik dan memperoleh hasil prediksi secara otomatis. Dataset yang digunakan dalam penelitian ini terdiri atas citra motif batik Nusantara yang dikelompokkan ke dalam 21 kelas. Proses penelitian dimulai dari pengumpulan dataset, preprocessing citra, pelatihan model EfficientNetB0, implementasi aplikasi berbasis web menggunakan Streamlit, hingga tahap pengujian sistem. Pada tahap preprocessing, setiap citra diubah ukurannya menjadi 224 × 224 piksel, dikonversi ke format warna RGB, kemudian dilakukan normalisasi nilai piksel agar sesuai dengan spesifikasi input model. Setelah proses tersebut, citra diproses oleh model EfficientNetB0 untuk melakukan ekstraksi fitur dan klasifikasi sehingga sistem dapat menampilkan hasil berupa nama motif batik, nilai confidence, grafik top prediction, serta informasi singkat mengenai motif yang terdeteksi. Berdasarkan hasil pengujian, seluruh fitur utama aplikasi, seperti unggah gambar, preprocessing, proses klasifikasi, serta penampilan hasil prediksi, berhasil berjalan sesuai dengan kebutuhan sistem. Pengujian model menunjukkan bahwa EfficientNetB0 memperoleh akurasi training sebesar 84% (0,84) dan akurasi validasi sebesar 67% (0,67), yang menunjukkan bahwa model telah mampu mempelajari karakteristik visual motif batik meskipun masih terdapat perbedaan kemampuan pada data validasi. Selain itu, pengujian menggunakan 9 data baru menghasilkan 7 prediksi yang sesuai dengan label sebenarnya dan 2 prediksi yang tidak sesuai, sehingga diperoleh akurasi pengujian data baru sebesar 77,78%. Hasil tersebut menunjukkan bahwa sistem telah mampu melakukan klasifikasi motif batik Nusantara dengan cukup baik dan dapat digunakan sebagai media bantu pengenalan motif batik secara digital, meskipun peningkatan jumlah dataset, variasi citra, dan optimasi proses pelatihan masih diperlukan untuk meningkatkan kemampuan generalisasi model.

Actions (login required)

View Item