Klasifikasi Motif Batik Keraton Berbasis Teknik Feature Fusion Dengan Fitur Warna, Tekstur, Dan Bentuk Menggunakan Convolutional Neural Network Dengan Arsitektur Resnet-50

Ravi Aprillian Baskoro, . (2025) Klasifikasi Motif Batik Keraton Berbasis Teknik Feature Fusion Dengan Fitur Warna, Tekstur, Dan Bentuk Menggunakan Convolutional Neural Network Dengan Arsitektur Resnet-50. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 1_COVER_123210126_RAVI APRILLIAN BASKORO.pdf Download (183kB)
	Text 2_ABSTRAK_123210126_RAVI APRILLIAN BASKORO.pdf Download (212kB)
	Text 3_HALAMAN PENGESAHAN_123210126_RAVI APRILLIAN BASKORO.pdf Download (496kB)
	Text 4_DAFTAR ISI_123210126_RAVI APRILLIAN BASKORO.pdf Download (233kB)
	Text 5_DAFTAR PUSTAKA_123210126_RAVI APRILLIAN BASKORO.pdf Download (215kB)
	Text 6_SKRIPSI FULLTEXT_123210126_RAVI APRILLIAN BASKORO.pdf Restricted to Repository staff only Download (4MB)

Abstract

Batik Keraton merupakan salah satu warisan budaya tak benda Indonesia yang memiliki nilai filosofis dan estetika tinggi, namun seringkali sulit untuk diidentifikasi secara akurat oleh masyarakat awam karena kemiripan visual yang tinggi antar motifnya. Keterbatasan dalam identifikasi manual yang bersifat subjektif dan inkonsisten mendorong kebutuhan akan sistem klasifikasi otomatis yang andal. Meskipun pendekatan Deep Learning menggunakan Convolutional Neural Network (CNN) telah menunjukkan potensi besar, performanya seringkali bergantung pada ketersediaan dataset yang sangat besar, dan arsitektur standar terkadang kesulitan menangkap nuansa spesifik dari citra none-naturalistik seperti batik. Penelitian ini mengangkat permasalahan tersebut dengan mengusulkan dan mengevaluasi sebuah metode Hybrid Deep Learning yang bertujuan untuk meningkatkan akurasi klasifikasi. Secara spesifik, penelitian ini bertujuan untuk mengukur secara kuantitatif apakah penggabungan fitur manual yang direkayasa, mencakup informasi warna, tekstur, dan bentuk secara signifikan memberikan kontribusi terhadap peningkatan kemampuan model Deep Learning dalam tugas klasifikasi motif Batik Keraton. Metodologi penelitian ini menggunakan desain eksperimental kuantitatif dengan pendekatan komparatif. Dataset yang digunakan bersumber dari Kaggle, terdiri dari 1799 citra yang terbagi ke dalam empat kelas motif Batik Keraton. Dataset tersebut kemudian dibagi menjadi set data latih, validasi, dan uji dengan rasio 80%:10%:10%. Proses persiapan data meliputi Preprocessing berupa penyesuaian ukuran menjadi 224x224 piksel dan augmentasi data latih. Dua arsitektur model utama dibangun dan dibandingkan: sebuah baseline model yang menggunakan arsitektur ResNet-50 murni dengan pendekatan transfer learning, dan sebuah Hybrid model. Model Hybrid ini menggunakan basis ResNet-50 yang sama, namun diperkaya melalui teknik feature fusion dengan 20 fitur manual yang diekstrak secara eksplisit, meliputi fitur warna (HSV dan YCbCr), fitur tekstur (LBP dan Haralick), serta fitur bentuk (Hu Moments). Kedua model dilatih menggunakan strategi dua tahap yang mencakup pelatihan head classifier dan fine-tuning, dengan proses yang dikontrol oleh callbacks seperti EarlyStopping, ReduceLROnPlateau, dan ModelCheckpoint. Hasil dari serangkaian eksperimen menunjukkan bahwa pendekatan Hybrid secara konsisten lebih unggul. Baseline model berhasil mencapai akurasi akhir sebesar 92.12%, sementara Hybrid model dengan set fitur manual terlengkap berhasil mencapai akurasi puncak sebesar 95.51% pada data test. Hasil uji statistik ANOVA dan Post-Hoc mengkonfirmasi bahwa peningkatan performa yang diperoleh dari penambahan fitur manual pada setiap skenario adalah signifikan secara statistik (p < 0.05). Analisis lebih lanjut menunjukkan bahwa penambahan fitur bentuk (Hu Moments) memberikan kontribusi peningkatan akurasi yang paling besar. Penelitian ini berhasil membuktikan bahwa metode Hybrid feature fusion merupakan strategi yang efektif dan robust untuk meningkatkan akurasi klasifikasi motif batik yang kompleks. Secara praktis, model yang dikembangkan menunjukkan potensi untuk diterapkan sebagai alat bantu dalam sistem dokumentasi dan edukasi digital mengenai warisan budaya batik.

Kata Kunci: Klasifikasi Batik, Hybrid Deep Learning, Feature Fusion, ResNet-50, Ekstraksi Fitur

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Ravi Aprillian Baskoro (Penulis - 123210126) Agus Sasmito Aribowo (Pembimbing)
Uncontrolled Keywords:	Klasifikasi Batik, Hybrid Deep Learning, Feature Fusion, ResNet-50, Ekstraksi Fitur
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	20 Oct 2025 08:15
Last Modified:	20 Oct 2025 08:15
URI:	http://eprints.upnyk.ac.id/id/eprint/44586

Actions (login required)

View Item