KLASIFIKASI JENIS BATIK BOMBA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR EFFICIENT-NET B2 (BATIK BOMBA SULAWESI TENGAH )
Abstract
Batik adalah salah satu warisan budaya Indonesia yang diakui oleh UNESCO sebagai warisan dunia. Keanekaragaman motif batik mencerminkan kekayaan budaya dan seni yang perlu dilestarikan. Salah satu motif batik yang unik adalah batik Bomba dari Kabupaten Donggala, Sulawesi Tengah. Untuk membantu mengklasifikasikan motif batik yang beragam, penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur EfficientNet-B2. Penelitian ini melibatkan pengumpulan 21 citra batik Bomba dari berbagai sumber di Kota Palu, Sulawesi Tengah. Proses data preprocessing dilakukan melalui teknik augmentasi data, sementara model dikembangkan dengan menggunakan transfer learning dan beberapa teknik optimisasi seperti batch normalization, regulasi, dropout layer, dan fungsi aktivasi ReLU serta softmax. Model dilatih dengan optimizer Adamax dan early stopping untuk mencegah overfitting. Hasil pelatihan menunjukkan akurasi tinggi sebesar 100% pada data pelatihan dan 99.59% pada data validasi. Pengujian menggunakan confusion matrix menunjukkan akurasi total model sebesar 96%, dengan kesalahan klasifikasi minimal pada gambar "maleo". Model ini berhasil mengklasifikasikan motif batik Bomba dengan tingkat akurasi yang tinggi, menunjukkan potensi besar penggunaan teknologi kecerdasan buatan dalam pelestarian dan pengembangan warisan budaya batik.
Keywords
Full Text:
PDFArticle Metrics :
References
W. T. Puspitasari, D. C. R. Novitasari, and W. D. Utami, “Batik Classification using Texture Analysis and Multiclass Support Vector Machine,” Scitepress, Jan. 2020, pp. 65–71. doi: 10.5220/0008517300650071.
D. Warli and S. Musa, “EKSPLORASI ETNOMATEMATIKA DAN ETNOSAINS (ETNOMATHSAINS) PADA BATIK BOMBA,” 2022.
N. Nurtiwi, R. Ruliana, and Z. Rais, “Convolutional Neural Network (CNN) Method for Classification of Images by Age,” JINAV J. Inf. Vis., vol. 3, no. 2, pp. 126–130, 2022, doi: 10.35877/454ri.jinav1481.
M. Sobron and Lubis, “Implementasi Artificial Intelligence Pada System Manufaktur Terpadu,” Semin. Nas. Tek. UISU, vol. 4, no. 1, pp. 1–7, 2021, [Online]. Available: https://jurnal.uisu.ac.id/index.php/semnastek/article/view/4134
A. Nata and S. Suparmadi, “Analisis Sistem Pendukung Keputusan Dengan Model Klasifikasi Berbasis Machine Learning Dalam Penentuan Penerima Program Indonesia Pintar,” J. Sci. Soc. Res., vol. 5, no. 3, p. 697, 2022, doi: 10.54314/jssr.v5i3.1041.
A. Santoso and G. Ariyanto, “Implementasi Deap Learning berbasis Keras untuk Pengenalan Wajah,” Emit. J. Tek. Elektro, vol. 18, no. 1, pp. 15–21, 2018, doi: 10.23917/emitor.v18i01.6235.
O. I. Abiodun, A. Jantan, A. E. Omolara, K. V. Dada, N. A. E. Mohamed, and H. Arshad, “State-of-the-art in artificial neural network applications: A survey,” Heliyon, vol. 4, no. 11, p. e00938, 2018, doi: 10.1016/j.heliyon.2018.e00938.
J. L. Garcia Rosa, “Biologically Plausible Artificial Neural Networks,” Artif. Neural Networks - Archit. Appl., 2013, doi: 10.5772/54177.
A. Ibnul Rasidi, Y. A. H. Pasaribu, A. Ziqri, and F. D. Adhinata, “Klasifikasi Sampah Organik dan Non-Organik Menggunakan Convolutional Neural Network,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 1, pp. 72–81, 2022, doi: 10.28932/jutisi.v8i1.4314.
S. Aras and A. Setyanto, “Deap Learning Untuk Klasifikasi Motif Batik Papua Menggunakan EfficientNet dan Trasnfer Learning,” vol. 8, no. 1, 2022.
A. P. B. Salsabila, C. Rozikin, and R. I. Adam, “Klasifikasi Motif Batik Karawang Berbasis Citra Digital dengan Principal Component Analysis dan K-Nearest Neighbor,” J. Sist. dan Teknol. Inf., vol. 11, no. 1, p. 20, Jan. 2023, doi: 10.26418/justin.v11i1.46936.
C. U. Khasanah, E. Utami, and S. Raharjo, “Implementation of Data Augmentation Using Convolutional Neural Network for Batik Classification,” in 2020 8th International Conference on Cyber and IT Service Management, CITSM 2020, Institute of Electrical and Electronics Engineers Inc., Oct. 2020. doi: 10.1109/CITSM50537.2020.9268890.
M. T. D. Putra* and G. P. Kusuma*, “Batik Classification using Deap Learning,” Int. J. Recent Technol. Eng., vol. 8, no. 4, pp. 11416–11421, Nov. 2019, doi: 10.35940/ijrte.D9039.118419.
W. Bismi and M. Qomaruddin, “Klasifikasi Citra Genus panthera Menggunakan Pendekatan Deap Learning Berbasis Convolutional Neural Network (CNN),” J. Inform. dan Rekayasa Perangkat Lunak, vol. 5, no. 2, p. 172, 2023, doi: 10.36499/jinrpl.v5i2.8931.
M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” 36th Int. Conf. Mach. Learn. ICML 2019, vol. 2019-June, pp. 10691–10700, 2019.
S. Ioffe and C. Szegedy, “Batch normalization: Accelerating deep network training by reducing internal covariate shift,” 32nd Int. Conf. Mach. Learn. ICML 2015, vol. 1, pp. 448–456, 2015.
C. Cortes, G. Research, and N. York, “L2 Regularization for Learning Kernels,” Proc. Twenty-Fifth Conf. Uncertain. Artif. Intell., pp. 109–116, 2004.
A. F. Agarap, “Deap Learning using Rectified Linear Units (ReLU),” no. 1, pp. 2–8, 2018, [Online]. Available: http://arxiv.org/abs/1803.08375
N. Fadlia and R. Kosasih, “Klasifikasi Jenis Kendaraan Menggunakan Metode Convolutional Neural Network (CNN),” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 207–215, 2019, doi: 10.35760/tr.2019.v24i3.2397.
D. P. Kingma and J. L. Ba, “ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION,” pp. 1–15, 2015.
Y. Bai, E. Yang, and B. Han, “Understanding and Improving Early Stopping for Learning with Noisy Labels,” no. NeurIPS, pp. 1–15, 2021.
R. Magdalena, S. Saidah, N. K. C. Pratiwi, and A. T. Putra, “Klasifikasi Tutupan Lahan Melalui Citra Satelit SPOT-6 dengan Metode Convolutional Neural Network (CNN),” J. Edukasi dan Penelit. Inform., vol. 7, no. 3, p. 335, 2021, doi: 10.26418/jp.v7i3.48195.
N. A. Sundari, R. Magladena, and S. Saidah, “Klasifikasi Jenis Kulit Wajah Menggunakan Metode Covolutional Neural Network (CNN) Efficientnet-B0 Skin Classification System Using Convolutional Neural Network (CNN) EfficientNet-B0,” 2022.