OPTIMASI ARSITEKTUR MOBILENETV2 MENGGUNAKAN TEKNIK FINE-TUNING UNTUK KLASIFIKASI MOTIF BATIK BETAWI BERBASIS CITRA DIGITAL

Nolan Tabina, . (2026) OPTIMASI ARSITEKTUR MOBILENETV2 MENGGUNAKAN TEKNIK FINE-TUNING UNTUK KLASIFIKASI MOTIF BATIK BETAWI BERBASIS CITRA DIGITAL. Skripsi thesis, UPN "VETERAN" YOGYAKARTA.

	Text 12320049_Cover - Nolan Tabiin.pdf Download (155kB)
	Text 123220049_Abstrak - Nolan Tabiin.pdf Download (216kB)
	Text 123220049_Halaman Pengesahan - Nolan Tabiin.pdf Download (969kB)
	Text 123220049_Daftar Isi - Nolan Tabiin.pdf Download (324kB)
	Text 123220049_Daftar Pustaka - Nolan Tabiin.pdf Download (177kB)
	Text 123220049_Fulltext - Nolan Tabiin.pdf Restricted to Repository staff only Download (3MB)

Abstract

Batik merupakan warisan budaya Indonesia yang telah diakui oleh UNESCO sebagai
Warisan Budaya Dunia. Namun, kompleksitas visual motif batik yang tinggi menyebabkan
proses identifikasi secara manual menjadi subjektif dan rentan terhadap kesalahan,
khususnya pada motif Batik Betawi yang memiliki kemiripan tekstur antar kelas yang tinggi.
Ketergantungan pada tenaga ahli dalam proses identifikasi juga menjadikan
pendokumentasian budaya memakan waktu lama dan sulit dilakukan dalam skala besar.
Penelitian ini mengangkat permasalahan bagaimana kinerja penerapan teknik fine-tuning
pada arsitektur MobileNetV2 dalam klasifikasi lima motif Batik Betawi Terogong melalui
analisis perbandingan antara performa model baseline dengan model yang telah dioptimasi.
Penelitian ini menggunakan arsitektur MobileNetV2 dengan pendekatan transfer
learning yang memanfaatkan bobot pralatihan dari dataset ImageNet. Dataset primer
berjumlah 250 citra dikumpulkan secara langsung dari Sanggar Batik Betawi Terogong,
Jakarta Selatan, yang terdiri dari lima kelas motif yaitu Nona Makan Sirih, Mengkudu, Tapak
Dara, Teratai, dan Ondel-Ondel, dengan masing-masing kelas berjumlah 50 citra. Dataset
dibagi dengan rasio 80:20 untuk data latih dan data uji. Pada data latih, diterapkan
augmentasi data dengan tujuh jenis transformasi untuk memperkaya variasi fitur, sehingga
jumlah data latih meningkat dari 200 menjadi 1.400 citra. Eksperimen dilakukan dalam dua
tahap, yaitu tahap baseline dan tahap fine-tuning. Pada tahap baseline, seluruh lapisan
MobileNetV2 dibekukan dan hanya lapisan klasifikasi tambahan yang dilatih, dengan
pengujian empat kombinasi learning rate dan batch size. Pada tahap fine-tuning, dilakukan
pembukaan lapisan secara bertahap melalui lima skenario, yaitu FT-10, FT-20, FT-30, FT
40, dan FT-50, yang merepresentasikan jumlah lapisan terakhir yang dibuka untuk dilatih
ulang menggunakan learning rate 5×10⁻⁶. Evaluasi model dilakukan menggunakan metrik
akurasi, loss, precision, recall, f1-score, serta confusion matrix.
Hasil eksperimen menunjukkan bahwa teknik fine-tuning secara konsisten
meningkatkan kinerja klasifikasi dibandingkan model baseline. Model baseline terbaik
(Baseline B) mencatatkan akurasi 88% dengan average f1-score 0.876. Model fine-tuning
terbaik diperoleh pada skenario FT-30 dengan membuka 30 lapisan terakhir MobileNetV2,
menghasilkan akurasi 96% dan average f1-score 0.960. Hasil ini menunjukkan peningkatan
sebesar 8 poin persentase pada akurasi dan 0.084 pada average f1-score. Jumlah lapisan yang
dibuka memiliki hubungan non-linear terhadap performa model, di mana FT-30 menjadi titik
optimal yang menyeimbangkan retensi fitur generik dan adaptasi fitur spesifik motif batik.
Penelitian ini menunjukkan bahwa arsitektur lightweight MobileNetV2 dengan strategi fine
tuning selektif mampu menghasilkan performa klasifikasi yang tinggi bahkan pada dataset
berskala terbatas, sehingga berpotensi menjadi solusi identifikasi motif Batik Betawi yang
efisien dan dapat diimplementasikan pada perangkat dengan sumber daya terbatas.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Fine-Tuning, MobileNetV2, Klasifikasi Citra, Batik Betawi, Transfer Learning
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	12 Oct 2026 04:02
Last Modified:	12 Oct 2026 04:02
URI:	http://eprints.upnyk.ac.id/id/eprint/49723

Actions (login required)

View Item