Text

Penerapan convolutional neural networks menggunakan edge detection untuk identifikasi motif jenis batik

---

Batik merupakan hasil karya bangsa Indonesia yang dipadukan antara seni dan teknologi oleh leluhur bangsa Indonesia. UNESCO menetetapkan batik sebagai warisan Kemanusiaan untuk Budaya Lisan dan Nonbendawi (Masterpieces of the Oral and Intangible Heritage of Humanity), diikuti keputusan presiden pada tanggal 2 Oktober 2009 yang ditetapkan sebagai hari Batik Nasional Indonesia. Dalam mempertahankan eksistensi batik di era kemajuan teknologi kini telah memanfaatkan teknologi Artificial Intelligence dan Machine Learning. Meski penelitian motif batik telah menjadi topik umum masih banyak ditemukan kesalah saat proses identifikasi motif. Seperti yang diketahui bersama Indonesia memiliki beragam jenis batik tradisional yang memiliki warna, corak dan motif yang sangat beragam. Hal inilah yang menjadi permasalahan utama dalam identifikasi motif batik, dimana ditemukan banyak motif batik yang mengadopsi atau memiliki kemiripan baik pola atau warna pada motif batik lainnya sehingga memunculkan prediksi yang tipis jika diidentifikasi dengan motif lainnya. Penelitian ini menggunakan metode Convolutional Neural Networks (CNN) menggunakan Edge Detection untuk mengidentifikasi motif batik. Menggunakan dataset utama sebanyak 1106 gambar yang dibagi kedalam 4 kelas yaitu motif Kawung, Megamendung, Merak Ngibing, dan Parang. Penelitan difokuskan pada perbandingan hasil efektifitas prediksi pada model CNN dengan Canny edge detection (CNN-Canny) dan model CNN dengan Sobel edge detection
(CNN-Sobel). Proses pelatihan masing-masing model diterapkan konfigurasi yang sama pada dataset dengan rasio perbandingan 8:2. Lalu pada augmentasi model diterapkan fungsi random flip, random zoom, dan random invert. Didapatkan hasil dari pembelajaran model machine learning pada tahap testing dan validation pada model CNN-Sobel mendapat hasil akurasi dengan angka sebesar 91.2% pada proses training dan 91.8% pada proses validation. Sedangkan CNN-Canny mendapat hasil akurasi sebanyak 90.5% pada proses training dan 86.2% pada proses validation. Hasil perbandingan performa kedua model yand dipetakan pada tabel confusion matrix pada 16 data testing berupa gambar motif batik yang belum pernah dipelajari oleh masing-masing model menujukan bahwa model CNN-Sobel dapat bekerja lebih optimal dibanding model CNN-Canny dengan persentase perbandingan akurasi sebanyak 94% banding 76% dalam proses identifikasi motif batik.

---

Ketersediaan

Informasi Detail

Judul Seri

Skripsi

No. Panggil

005.3 ZUL p

Penerbit

Bogor : Universitas Binaniaga Indonesia., 2022

Deskripsi Fisik

xii+106 halaman

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

005.3

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

Skripsi
convolutional neural networks

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Ammar Zulfikar

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar