Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Motif Batik pada Aplikasi Computer Vision Berbasis Android
DOI:
https://doi.org/10.26418/jp.v9i3.69496Keywords:
Android, Batik, Computer Vision, Convolutional Neural Network (CNN), Kaggle, MobileNet, Transfer LearningAbstract
Batik merupakan bagian dari warisan budaya Indonesia yang memiliki banyak jenis dan corak karena terdapat perbedaan nilai, simbol, makna filosofis, dan strategi adaptasi yang berbeda antara satu masyarakat dengan masyarakat lainnya. Banyaknya variasi pola dalam motif batik membuat pengidentifikasian motif batik menjadi sulit, terutama bagi masyarakat awam. Diperlukanlah inovasi untuk memanfaatkan teknologi guna memperkenalkan motif batik, salah satu caranya adalah dengan memanfaatkan teknologi computer vision. Penelitian ini menggunakan teknik Deep Learning, dengan menerapkan model Convolutional Neural Network (CNN) yang digunakan untuk mengekstraksi citra pada gambar dua dimensi. Data citra yang akan digunakan sebagai objek untuk diklasifikasi adalah motif batik corak insang, dayak, ikat celup, dan megamendung. Pada penelitian ini menggunakan data citra sebanyak 1320 data latih, 80 data validasi, dan 120 data uji. Hasil pengujian pada klasifikasi, saat persentase keempat kelas mencapai 70% (passing grade) pada salah satu kelas maka dapat diklasifikasikan sebagai salah satu dari kelas tersebut. Namun, jika tidak ada satupun kelas yang mencapai passing grade, maka dapat diklasifikasikan sebagai Objek Lainnya. Hasil akhir penelitian menunjukkan bahwa Aplikasi Klasifikasi Motif Batik berbasis Android berhasil berjalan sesuai harapan, baik dari sisi fungsionalitas aplikasi maupun proses klasifikasinya.
References
A. Atika, N. Kholifah, S. Nurrohmah, & R. Purwiningsih, Eksistensi Motif batik klasik pada generasi Z. TEKNOBUGA: Jurnal Teknologi Busana dan Boga, 8(2), 141-144, 2020.
T. Bariyah, M. A. Rasyidi, & N. Ngatini, Convolutional Neural Network untuk Metode Klasifikasi Multi-Label pada Motif Batik. Techno. Com, 20(1), 155-165, 2021.
R. Mawan, Klasifikasi motif batik menggunakan convolutional neural network. JNANALOKA, 45-50, 2020.
M. Venables, “An Overview of Computer Visionâ€, Data Sci. 11 September 2019. [Online]. Available: https://towardsdatascience. com/an-overview-of-computer-vision-1f75c2ab1b66.
C. R. Wairata, E. R. Swedia, & M. Cahyanti, Pengklasifikasian Genre Musik Indonesia Menggunakan Convolutional Neural Network. Sebatik, 25(1), 255-261, 2021.
A. G. Howard, M. Zhu, Chen, et al., Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861, 2017.
A. A. Trixie, Filosofi Motif Batik Sebagai Identitas Bangsa Indonesia. Folio, 1(1), 1-9, 2020.
A. P. A. Masa, & H. Hamdani, Klasifikasi Motif Citra Batik Menggunakan Convolutional Neural Network Berdasarkan K-means Clustering. JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(4), 1292, 2021.
N. K. Dewi, B. H. Irawan, E. Fitry, & A. S. Putra, Konsep Aplikasi E-Dakwah Untuk Generasi Milenial Jakarta. IKRA-ITH Informatika: Jurnal Komputer dan Informatika, 5(2), 26-33, 2021.
A. Harahap, A. Sucipto, & J. Jupriyadi, Pemanfaatan Augmented Reality (Ar) Pada Media Pembelajaran Pengenalan Komponen Elektronika Berbasis Android. Jurnal Ilmiah Infrastruktur Teknologi Informasi, 1(1), 20-25, 2020.
M. A. Mulya, & Z. Arif, Tinjauan Pustaka Sistematis: Penerapan Metode Gabor Wavelet Pada Computer Vision. Journal Of Computer Science And Technology (JOCSTEC), 1(2), 83-88, 2023.
W. S. E. Putra, Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS, 2016.
P. R. Aningtiyas, A. Sumin, & S. Wirawan, Pembuatan Aplikasi Deteksi Objek Menggunakan TensorFlow Object Detection API dengan Memanfaatkan SSD MobileNet V2 Sebagai Model Pra-Terlatih: Array. Jurnal Ilmiah Komputasi, 19(3), 421-430, 2020.
(2021) JUnit: a simple framework to write repeatable tests. [Online]. Available: https://junit.org/junit4/
S. Sukamto dan M. Shalahuddin, Analisa dan Desain Sistem Informasi. Yogyakarta: Andi Offset, 2013.
