Klasifikasi Motif Batik Cirebon Menggunakan Convolutional Neural Network dengan Ekstraksi Fitur Color Histogram

Febriana Manampiring, Kesya (2025) Klasifikasi Motif Batik Cirebon Menggunakan Convolutional Neural Network dengan Ekstraksi Fitur Color Histogram. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (691kB)
	PDF BAB_I.pdf Download (221kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Download (397kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (11MB)
	PDF BAB_V.pdf Download (226kB)
	PDF DAFTAR_PUSTAKA.pdf Download (213kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Batik Cirebon merupakan salah satu warisan budaya Indonesia yang memiliki keragaman motif dengan pengaruh budaya lokal dan asing. Kompleksitas motif batik ini menyebabkan kesulitan dalam klasifikasi manual, terutama bagi masyarakat awam. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi motif batik cirebon menggunakan Convolutional Neural Network (CNN) yang dikombinasikan dengan ekstraksi fitur Color Histogram. Penelitian ini menguji empat motif batik cirebon, yaitu megamendung, paksi naga liman, singa barong, dan sawat pengantin. Model CNN dikembangkan dengan arsitektur yang dioptimalkan melalui tuning hyperparameter menggunakan keras tuner sebanyak 10 kali percobaan dan menghasilkan parameter terbaik, yaitu 32 filters 1, 96 filters 2, 96 filters 3, 96 filters 4, 128 filters 5, 192 dense units, 0.4 dropout rate, 0.007 L2 regularizer 1, 0.004 L2 regularizer 2, 0.001 L2 regularizer 3, 0.001 L2 regularizer 4, 0.008 L2 regularizer 5, 0.006 L2 regularizer Dense, dan 3.33 × 10-5 learning rate. Dataset yang digunakan terdiri dari 270 gambar batik, diperoleh dari berbagai sumber dan melalui augmentasi data untuk meningkatkan variasi sampel. Hasil penelitian menunjukkan model berbasis Color Histogram lebih efisien dalam waktu pelatihan, yaitu 24 detik dan validation loss dengan nilai 32% karena model berbasis CNN biasa tanpa ekstraksi fitur membutuhkan waktu pelatihan 2 menit 19.1 detik dengan validation loss 32%. Akurasi menunjukkan bahwa model CNN dengan ekstraksi fitur Color Histogram mencapai akurasi 85%, sedangkan model CNN biasa tanpa ekstraksi fitur mencapai 89% yang menunjukkan model CNN dengan ekstraksi fitur Color Histogram mengalami kesulitan dalam membedakan motif yang memiliki kemiripan warna dan pola. Penelitian ini menyimpulkan bahwa kombinasi CNN dengan Color Histogram dapat meningkatkan efisiensi klasifikasi motif Batik Cirebon dengan komputasi yang lebih ringan. Namun, untuk meningkatkan akurasi lebih lanjut, penelitian di masa depan disarankan untuk menambahkan fitur tekstur, menggunakan model deep learning yang lebih kompleks, serta memperluas dataset dengan variasi motif yang lebih luas.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Febriana Manampiring, Kesya (00000065476)
Contributors:	Pomalingo, Suwito Vasty Overbeek, Marlinda
Keywords:	Batik Cirebon, Color Histogram, Convolutional Neural Network, Deep Learning, Klasifikasi Motif
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	10 Sep 2025 09:17
URI:	https://kc.umn.ac.id/id/eprint/40587

Actions (login required)

View Item