Pengaruh Dimensi Gambar pada Klasifikasi  Motif Batik  Menggunakan  Convolutional Neural Network

Rizki Mawan; Kusrini Kusrini; Hanif Al Fatta

doi:10.36294/jurti.v4i2.1342

Pengaruh Dimensi Gambar pada Klasifikasi Motif Batik Menggunakan Convolutional Neural Network

Rizki Mawan, Kusrini Kusrini, Hanif Al Fatta

Abstract

Abstract – Indonesia is a country with many fascinating cultural assets. Batik is one of the most beautiful cultural assets that should be preserved. Batik existed with many motifs and styles and has been a significant cultural cloth for many regions spread along the Java island. This research proposed the computation for identifying three popular motifs and styles: megamendung, kawung, and parang. This research employed a Convolutional Neural Network classifier to identity those three popular batik motifs. This research used an image size of 64x64, 128x128, and 256x256 for the input images, and the influence of the size or dimension for these inputs have been analyzed. The final result showed that the highest accuracy is reached at 92.85 % on epoch = 240 and batch size = 5.

Keywords - Batik, Convolutional Neural Network, Accuracy, Dimension

Abstrak - Banyak budaya di Indonesia yang masih menjadi kebanggan dan dijaga kelestarian nya. Salah satunya adalah batik. Jika berbicara tentang batik sekilas kita mengingat tentang berbagai macam motif yang dimiliki yang tersbar di Indonesia terutama di pulau Jawa. Pada penelitian kali ini motif batik yang diteliti adalah batik megamendung,batik kawung dan batik parang. Alasan pemilihan ketiga motif tersebut karena ketiga motif tersebut sangat diminati oleh khalayak ramai(Populer) , dan ketiga motif tersebut memliki makna tersendiri yang sangat mewakili masyarakat Indonesia. Tujuan dari klasifikasi batik adalah untuk mengetahui keakuratan akurasi motif batik khusus nya motif batik kawung,megamendung, dan parang. Fokus pada penelitian ini adalah penggunaan dimensi gambar yang dapat mempengaruhi akurasi yang dihasilkan. Dimensi yang digunakan adalah 64x64,128x128, dan 256x256. Akurasi yang dihasilkan dengan menggunakan metode Convolutional Neural Network yang paling tinggi yaitu 92,85% dengan menggunakan epoch= 240 dan batch_size=5.

Kata Kunci - Batik, Convolutional Neural Network, Akurasi, Dimensi

Keywords

Batik; Convolutional Neural Network; Accuracy; Dimension

Full Text:

PDF

References

E. Steelyana, “Batik, A Beautiful Cultural Heritage that Preserve Culture and Supporteconomic Development in Indonesia,” Binus Bus. Rev., vol. 3, no. 1, p. 116, 2012, doi: 10.21512/bbr.v3i1.1288.

C. Tresnadi and A. Sachari, “Identification of Values of Ornaments in Indonesian Batik in Visual Content of Nitiki Game,” J. Arts Humanit., vol. 4, no. 8, pp. 25–39, 2015, doi: 10.18533/journal.v4i8.797.

Y. Y. Sunarya, “Batik dalam Konteks Desain dan Kreatifitas Kini Master Sertifikasi Batik (Pembatik) View project Study of the development of textile fiber characteristics in undergarment View project,” no. October 2013, 2016, doi: 10.13140/RG.2.1.2182.9366.

A. A. Kasim, R. Wardoyo, and A. Harjoko, “Batik classification with artificial neural network based ontexture-shape feature of main ornament,” Int. J. Intell. Syst. Appl., vol. 9, no. 6, pp. 55–65, 2017, doi: 10.5815/ijisa.2017.06.06.

A. Haris Rangkuti, A. Harjoko, and A. E. Putro, “Content based batik image retrieval,” J. Comput. Sci., vol. 10, no. 6, pp. 925–934, 2014, doi: 10.3844/jcssp.2014.925-934.

A. Bengio, Yoshua, Goodfellow.ian, Courville, “Deep learning,” Nature, vol. 29, no. 7553, pp. 1–73, 2015.

I. Zulfa and E. Winarko, “Sentimen Analisis Tweet Berbahasa Indonesia Dengan Deep Belief Network,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 11, no. 2, p. 187, 2017, doi: 10.22146/ijccs.24716.

Y. Gultom, A. M. Arymurthy, and R. J. Masikome, “Batik Classification using Deep Convolutional Network Transfer Learning,” J. Ilmu Komput. dan Inf., vol. 11, no. 2, p. 59, 2018, doi: 10.21609/jiki.v11i2.507.

A. Y. Wicaksono, N. Suciati, C. Fatichah, K. Uchimura, and G. Koutaki, “Modified Convolutional Neural Network Architecture for Batik Motif Image Classification,” IPTEK J. Sci., vol. 2, no. 2, pp. 26–30, 2017, doi: 10.12962/j23378530.v2i2.a2846.

Z. F. Abror, “Klasifikasi Citra Kebakaran Dan Non Kebakaran,” vol. 24, no. 100, pp. 102–113.

F. A. Ma and U. N. Wisesty, “Analisis Pengaruh Metode Reduksi Dimensi Minimum Redundancy Maximum Relevance pada Klasifikasi Kanker Berdasarkan Data Microarray Menggunakan Classifier Support Vector Machine Analysis of The Influence of Minimum Redundancy Maximum Relevance as Dimensiona,” vol. 5, no. 1, pp. 1499–1506, 2018.

M. P. Dr.Wahidmurni, “Pemaparan Metode Penelitian Kuantitatif,” pp. 1–16, 2017.

DOI: https://doi.org/10.36294/jurti.v4i2.1342