Klasifikasi motif Batik Keraton menggunakan arsitektur fine-tuning ResNet-50.

Abstrak

Batik merupakan warisan budaya Indonesia yang dikenal dengan motifnya yang beragam; namun, klasifikasi manual motif-motif ini masih menjadi tantangan yang signifikan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi motif batik menggunakan arsitektur ResNet50 dengan penambahan augmentasi data untuk meningkatkan akurasi model. Dataset terdiri dari empat kelas motif batik, yaitu Kawung, Mega Mendung, Parang, dan Truntum. Dalam penelitian ini, model dilatih menggunakan fine-tuning pada ResNet50, dengan layer CNN tambahan untuk ekstraksi fitur. Hasil penelitian menunjukkan bahwa model yang diusulkan mencapai akurasi tertinggi sebesar 97,80% pada data uji dan 96,80% pada data validasi, yang secara signifikan mengungguli metode tanpa augmentasi data. Perbandingan akurasi dengan model deep learning lainnya juga dilakukan untuk mengklasifikasi gambar Batik Keraton. Dari hasil penelitian disimpulkan bahwa penerapan model ResNet50 yang telah di-fine-tuning dengan layer CNN tambahan dan augmentasi data secara efektif dapat mengklasifikasi motif batik, menawarkan potensi besar untuk mengotomatisasi klasifikasi di industri batik.