Klasifikasi Batik Cirebon Menggunakan Convolutional Neural Network

Erik Junanta, David (2025) Klasifikasi Batik Cirebon Menggunakan Convolutional Neural Network. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (3MB)
	PDF BAB_I.pdf Download (208kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (312kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Download (204kB)
	PDF DAFTAR_PUSTAKA.pdf Download (207kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (340kB)
	Archive (ZIP) CREATION_FILE.zip Download (0B)

Abstract

Batik merupakan salah satu warisan budaya Indonesia dengan beragam motif khas daerah, termasuk motif Cirebon yang memiliki detail visual kompleks dan kemiripan antar pola. Penelitian ini bertujuan untuk mengembangkan model klasifikasi motif batik menggunakan metode Convolutional Neural Network (CNN) dengan fokus pada empat motif utama, yaitu Mega Mendung, Paksi Naga Liman, Sawat Pengantin, dan Singa Barong. Model berhasil mencapai akurasi 94%. Evaluasi menunjukkan motif Mega Mendung memperoleh precision, recall, dan f1-score sempurna sebesar 100%, Paksi Naga Liman dengan precision 89%, recall 94%, dan f1-score 92%, Sawat Pengantin memperoleh precision dan recall sebesar 92%, serta f1-score 92%, sementara Singa Barong memiliki precision 91%, recall 83%, dan f1-score 87%. Nilai macro average sebesar 93% dan weighted average 94% menunjukkan performa model yang stabil. Hasil ini menunjukkan bahwa CNN dapat diandalkan dalam mengenali motif batik secara otomatis dan berpotensi mendukung pelestarian budaya melalui teknologi.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Batik Cirebon, CNN, Klasifikasi
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	29 Jul 2025 11:01
Last Modified:	29 Jul 2025 11:01
URI:	https://kc.umn.ac.id/id/eprint/39396

Actions (login required)

View Item