Implementasi Convolutional Neural Network (Cnn) Untuk Mengklasifikasi Motif Batik Pada Aplikasi Computer Vision Berbasis Android

Maulana, Ihsan (2023) Implementasi Convolutional Neural Network (Cnn) Untuk Mengklasifikasi Motif Batik Pada Aplikasi Computer Vision Berbasis Android. Skripsi thesis, Universitas Tanjungpura.

	Text (Cover-Bab I) Cover-Bab1_D1041161016.pdf - Published Version Download (545kB)
	Text (D1041161016_IHSAN MAULANA) D1041161016_IHSAN MAULANA.pdf - Accepted Version Restricted to Repository staff only Download (4MB)

Abstract

Batik merupakan salah satu warisan budaya asli Indonesia yang memiliki banyak jenis dan corak karena terdapat perbedaan nilai, simbol, makna filosofis, dan strategi adaptasi yang berbeda antara masyarakat yang satu dengan yang lainnya. Banyaknya pola pada motif batik mengakibatkan sulitnya mengidentifikasi motif batik, khususnya masyarakat awam. Memanfaatkan teknologi diperlukan sebuah inovasi untuk membantu mengenalkan motif batik, salah satunya dengan mengembangkan aplikasi interaktif yang menggunakan teknologi computer vision. Dengan memanfaatkan pembelajaran Deep Learning, maka dapat menerapkan metode Convolutional Neural Network (CNN) yang digunakan untuk mengekstraksi citra pada gambar dua dimensi. Data citra yang akan digunakan sebagai objek untuk diklasifikasi adalah motif batik corak insang, dayak, ikat celup, dan megamendung. Pada penelitian ini menggunakan data citra sebanyak 1320 data latih, 80 data validasi, dan 120 data uji yang diambil dari website Kaggle. Hasil Penelitian ini menunjukkan bahwa Aplikasi Klasifikasi Motif Batik berbasis Android dapat berjalan sesuai dengan yang diharapkan baik dari segi fungsional aplikasi maupun dari proses klasifikasi. Hal ini dikarenakan pemanfaatan pembelajaran Transfer Learning dengan pendekatan MobileNet yang mampu digunakan untuk mengklasifikasi motif batik dengan akurasi sebesar 100% pada empat kelas motif batik yang diuji dibandingkan dengan arsitektur MobileNet tanpa Transfer Learning yang hanya mencapai akurasi 95%. Pada kondisi lainnya, saat persentase keempat kelas tidak mencapai 70% pada aplikasi maka diklasifikasikan sebagai objek lainnya.

Actions (login required)

View Item