KLASIFIKASI MOTIF BATIK NUSANTARA MENGGUNAKAN VGG16 DENGAN EKSTRAKSI FITUR GLCM DAN HOG

Rian Budiyanto, . (2025) KLASIFIKASI MOTIF BATIK NUSANTARA MENGGUNAKAN VGG16 DENGAN EKSTRAKSI FITUR GLCM DAN HOG. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 1_Cover_123210064.pdf Download (94kB)
	Text 2_Abstrak_123210064.pdf Download (72kB)
	Text 3_Halaman Pengesahan_123210064.pdf Download (201kB)
	Text 4_Daftar Isi_123210064.pdf Download (64kB)
	Text 5_Daftar Pustaka_123210064.pdf Download (101kB)
	Text 6_Skripsi Full_123210064.pdf Restricted to Repository staff only Download (6MB)

Abstract

Batik merupakan salah satu warisan budaya Indonesia yang memiliki keragaman motif yang sangat luas. Namun, proses identifikasi dan klasifikasi motif batik secara manual masih menghadapi kendala karena banyaknya variasi pola dan kemiripan antar motif. Hal ini menimbulkan permasalahan dalam pengenalan pola batik yang akurat dan konsisten, sehingga diperlukan pendekatan berbasis teknologi yang dapat membantu proses klasifikasi motif secara otomatis dengan tingkat keakuratan tinggi.
Penelitian ini menggunakan pendekatan gabungan antara metode deep learning dan traditional feature extraction untuk mengklasifikasikan motif batik. Dataset yang digunakan diperoleh dari Kaggle dan GitHub dengan total 660 citra, masing-masing kelas terdiri dari 110 citra pada enam kelas motif, yaitu Kawung, Megamendung, Parang, Sekar, Truntum, dan Tujuh Rupa. Proses penelitian meliputi tahapan preprocessing berupa resize, augmentasi data, konversi ke grayscale, serta normalisasi RGB sesuai standar VGG16. Ekstraksi fitur dilakukan menggunakan arsitektur CNN VGG16 yang dipadukan dengan metode tekstur Gray Level Co-occurrence Matrix (GLCM) dan Histogram of Oriented Gradients (HOG). Model kemudian dilatih dengan kombinasi hyperparameter berupa optimizer Adam dan SGD serta variasi jumlah epoch sebanyak 30 dan 50.
Hasil penelitian menunjukkan bahwa kombinasi ekstraksi fitur VGG16, GLCM, dan HOG dengan optimizer Adam pada 50 epoch memberikan performa terbaik, dengan nilai akurasi 98%, presisi 99%, recall 98%, dan f1-score 98%. Model terbaik ini selanjutnya diimplementasikan ke dalam aplikasi berbasis web menggunakan Streamlit, yang memungkinkan pengguna mengunggah citra batik untuk memperoleh hasil klasifikasi secara interaktif. Melalui pengujian black box, aplikasi terbukti berjalan sesuai rancangan. Dengan demikian, penelitian ini diharapkan dapat berkontribusi dalam menyediakan solusi alternatif untuk klasifikasi motif batik sekaligus menghadirkan sistem yang dapat digunakan secara umum.

Kata Kunci: Klasifikasi Batik, VGG16, GLCM, HOG, Deep Learning, Feature Extraction, Streamlit.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Rian Budiyanto (Penulis - 123210064); Bambang Yuwono (Pembimbing)
Uncontrolled Keywords:	Klasifikasi Batik, VGG16, GLCM, HOG, Deep Learning, Feature Extraction, Streamlit
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	23 Oct 2025 01:43
Last Modified:	23 Oct 2025 01:43
URI:	http://eprints.upnyk.ac.id/id/eprint/44837

Actions (login required)

View Item