Sistem Klasifikasi Citra Batik Berbasis CNN (Convolutional Neural Network) Menggunakan Arsitektur EfficienNet B0

Muh Bahrul Ulum, Fawaidul Badri, Bambang Minto Basuki

Sari


Batik merupakan warisan dari kebudayaan Indonesia yang sudah ada sejak zaman kerajaan majapahit dulu, didalam batik memiliki banyak sekali makna dansimbol yang terkandung didalamnya meskiounb begitu masih banyak yang belum tau akan makna dari matif batik-batik tersebut, dengan filosofi dan makna serta keberagaman motif batik sehingga sejak 2 Oktober 2009 oleh UNESCO (United Nations Educational, Scientific and Cultural Organization) diakui sebagai warisan budaya tak benda dunia [1] [4]. Deep learning  adalah bagian dari mechine learning berbasis jaringan saraf tiruan yang yang bekerja layaknya otak manusia dalam mengambil Keputusan penerapan arsitektur Deep learning  yang biasanya dipakai adalah algoritma Convolutional Neural Network (CNN) arsitektur ini memiliki kemampuan merepresentasikan citra berdasarkan neural network, CNN memakai beberapa layer yang saling bekerja sama untuk mendapatkan ciri dari suatu citra, CNN bekerja dengan mengkonvolusi setiap citra inputan yang diproses pada hidden layer yang kemudian hasilnya akan di proses pada fully connected layer yang menghasilkan suatu identifikasi atau klasifikasi citra berdasarkan polanya [5] [6]. Arsitektur efficienNet B0 adalah salah satu Arsitektur dari algoritma CNN yang cukup baik dalam proses klasifikasi citra. Metode ini menggunakan penskalaan secara teratur dengan menyeragamkan 3 komponen kedalaman yaitu citra, kelebaran, dan resolusi, menggunakan koefesiensi yang sederhana dan efektif [7]. Untuk menguji system yang dibuat penelitian ini menggunakan 3 dataset yang berbeda yang didapatkan dari data publik website roboflo. Hyperparameter penelitan ini adalah learning rate 0,0001, batch size 32, epoch 50-100, optimezer adam dan activation ReLu. Data yang dihasilkan dari mendapatkan nilai akurasi yang memusakan pada setiap dataset uji coba yaitu masing-masing dataset memiliki akurasi tertinggi pada setiap epoch yang diujikan untuk percobaan pertama yaitu dataset pertama akurasi 93,04% pada epoch 90, dataset kedua akurasi 75% pada epoch 100 dan datset ketiga akurasi 97,41% pada epoch 100.

Kata Kunci—Batik, Convolutional Neural Network (CNN), EfecienNetB0, Deep learning.


Teks Lengkap:

XML

Referensi


M. M. A.Wona, S. A. Asyifa, R. Virgianti, M. N. Hamid, I. M. Handoko, N. W. P. Septiani and M. Lestari, “Klasifikasi Batik Indonesia Menggunakan Vonvolutional Neural Network(Cnn),†JURTI, vol. 7, p. 173, 2023.

R. R. ABDILLAH, “Pengenalan Ekspresi Wajah Untuk Sistem Keamanan Berbasis CNN,†p. 39, 2019.

M. AL-FARUQI, “SISTEM PEMETAAN POSISI OBJEK KENDARAAN MENGGUNAKAN PENGOLAHAN CITRA PADA AREA 360°,†2021.

Y. AMARA, “PERKEMBANGAN MOTIF BATIK TULIS GARUTAN TAHUN 1945-1967,†p. 28, 2022.

W. ANGGRAIN, DEEP LEARNING UNTUK DETEKSI WAJAH YANG BERHIJAB, Bamda aceh, 2020.

F. Badri, M. T. Alawiy and E. M. Yuniarno, “DEEP LEARNING ARCHITECTURE BASED ON CONVOLUTIONAL NEURAL NETWORK (CNN) ON ANIMAL IMAGE CLASSIFICATION,†KURSOR, vol. 12, no. 2301– 6914, p. 83, 2023.

N. A. Sundari, R. Magladena and S. Saidah, “Klasifikasi Jenis Kulit Wajah Menggunakan Metode Covolutional Neural Network (CNN) Efficientnet-B0,†e-Proceeding of Engineering, vol. 8, no. 2355-9365, p. 3180, 2022.

A. A. Trixie, “FILOSOFI MOTIF BATIK SEBAGAI IDENTITAS BANGSA INDONESIA,†folio, vol. 1, p. 5, 2020.

P. Supriono, The Heritage of Batik Identitas Pemersatu Kebanggan Bangsa, Yogyakarta: ANDI Yogyakarta, 2016.


Refbacks

  • Saat ini tidak ada refbacks.