Skripsi/Tugas Akhir

Analisa Klasifikasi Motif Batik Indonesia dengan Algoritma Convolutional Neural Network (CNN)

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Batik Indonesia adalah warisan budaya yang kaya akan nilai filosofi, dengan lebih dari 5.849 motif yang mencerminkan identitas daerah, adat istiadat, dan simbolsimbol bermakna. Namun, proses identifikasi motif batik secara manual sulit dilakukan karena banyaknya motif dengan pola serupa, membutuhkan waktu lama dan ketelitian tinggi. Untuk mengatasi tantangan ini, penelitian ini mengusulkan penggunaan Convolutional Neural Network (CNN) untuk mengklasifikasikan motif batik secara otomatis. CNN dipilih karena kemampuannya dalam mengenali pola citra serta menangani tantangan geometris seperti rotasi, skala, dan translasi. Dataset yang digunakan terdiri dari 6 kategori motif batik dengan total 6.025 citra, yang dilatih menggunakan optimizer Adam dan fungsi aktivasi ReLU untuk meningkatkan performa klasifikasi. Hasil eksperimen menunjukkan bahwa model mencapai akurasi training sebesar 92,44% dan akurasi validasi sebesar 98,39%. Selain itu, evaluasi menggunakan confusion matrix menunjukkan bahwa model memiliki tingkat presisi, recall dan F1-Score yang tinggi dalam mengklasifikasikan setiap kategori motif batik, dengan tingkat kesalahan klasifikasi yang rendah. Dengan hasil penelitian ini, diharapkan dapat memberikan kontribusi dalam bidang pengenalan pola serta membantu pelestarian budaya batik dengan mempermudah identifikasi motif batik secara otomatis.
Kata Kunci: Klasifikasi Motif Batik, Convolutional Neural Network (CNN), Confusion Matrix

ABSTRACT
Indonesian batik is a cultural heritage rich in philosophical values, with more than 5,849 motifs that reflect regional identities, customs, and meaningful symbols. However, the process of manually identifying batik motifs is difficult due to the large number of motifs with similar patterns, requiring a long time and high accuracy. To overcome this challenge, this research proposes the use of Convolutional Neural Network (CNN) to classify batik motifs automatically. CNN was chosen because of its ability to recognize image patterns and handle geometric challenges such as rotation, scale, and translation. The dataset used consists of 6 categories of batik motifs with a total of 6,025 images, which were trained using Adam's optimizer and ReLU activation function to improve classification performance. Experimental results show that the model achieves a training accuracy of 92.44% and a validation accuracy of 98.39%. In addition, evaluation using confusion matrix shows that the model has high precision, recall and F1-Score in classifying each batik motif category, with low misclassification rate. With the results of this research, it is hoped that it can contribute to the field of pattern recognition and help preserve batik culture by making it easier to identify batik motifs automatically.
Keywords: Batik Motif Classification, Convolutional Neural Network (CNN), Confusion Matrix

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 25-51 RAM a - 0463SI

Penerbit

Makassar : Universitas DIPA., 2025

Deskripsi Fisik

xiv + 71 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 25-51

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 27 Februari 2025

Subjek

Skripsi/Tugas Akhir
Convolutional Neural Network

Lampiran File