Klasifikasi Jenis Batik Menggunakan Algoritma Convolutional Neural Network
Article Sidebar
Main Article Content
Abstract
Beragamnya motif batik di Indonesia menyulitkan dalam pengenalan pola citra batik. Dalam hal ini diperlukannya klasifikasi citra batik untuk mengidentifikasi karakteristik citra. Dataset yang digunakan merupakan dataset batik berjumlah 300 data dengan 50 jenis batik dan setiap kategori terdapat 6 data. Algoritma yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN). CNN merupakan salah satu teknik Deep Learning yang memiliki hasil paling signifikan didalam pengenalan citra. Model VGG16 digunakan pada pengujian untuk membandingkan akurasi yang diperoleh dan waktu yang dibutuhkan. Penelitian ini dilakukan untuk membuktikan model yang diusulkan mampu mengklasifikasi citra batik dengan baik. Hal ini dapat dibuktikan bahwa akurasi yang didapatkan menggunakan CNN sebesar 98% dan membutuhkan waktu lebih cepat dibandingkan model VGG16.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
J. W. Yodha and A. W. Kurniawan, “Pengenalan Motif Batik Menggunakan Deteksi Tepi Canny Dan K-Nearest Neighbor,” J. Techno.COM, Vol. 13, No. 4, Novemb. 2014 251-262, vol. 13, no. 4, pp. 251–262, 2014.
I. Nurhaida, A. Noviyanto, R. Manurung, and A. M. Arymurthy, “Automatic Indonesian’s Batik Pattern Recognition Using SIFT Approach,” Procedia Comput. Sci., vol. 59, no. Iccsci, pp. 567–576, 2015.
D. Yuliati, “Mengungkap Sejarah Dan Motif,” Paramita, vol. 20, no. 1, pp. 11–20, 2010.
A. A. Utama, R. Efendi, D. Andreswari, and J. Rekursif, “Klasifikasi Motif Batik Besurek Menggunakan Metode Rotated Haar Wavelet Transformation Dan,” Rekursif, pp. 161–175, 2016.
Y. Azhar, A. E. Minarno, and Y. Munarko, “Optimasi Deteksi Texton Pada Metode Multi Texton Co - Occurrence Descriptor Untuk Image Retrieval,” pp. 34–38, 2018.
M. M. Susilo, D. M. Wonohadidjojo, and N. Sugianto, “Pengenalan Pola Karakter Bahasa Jepang Hiragana Menggunakan 2D Convolutional Neural Network,” J. Inform. dan Sist. Inf. Univ. Ciputra, vol. 03, no. 02, pp. 28–36, 2017.
I. W. S. E. Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, p. 76, 2016.
Q. Guan et al., “Deep convolutional neural network VGG-16 model for differential diagnosing of papillary thyroid carcinomas in cytological images: A pilot study,” J. Cancer, vol. 10, no. 20, pp. 4876–4882, 2019.
Z. Yang, J. Yue, Z. Li, and L. Zhu, “Vegetable Image Retrieval with Fine-tuning VGG Model and Image Hash,” IFAC-PapersOnLine, vol. 51, no. 17, pp. 280–285, 2018.
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.
Sam’ani and M. H. Qamaruzzaman, “Pengenalan Huruf Dan Angka Tulisan Tangan Mengunakan Metode Convolution Neural Network ( CNN ),” J. Speed – Sentra Penelit. Eng. dan Edukasi, vol. 9, no. 2, pp. 55–64, 2017.
G. Santoso, Aditya and Ariyanto, “Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah,” Emit. J. Tek. Elektro, vol. 18, no. 01, pp. 15–21, 2018.
G. Lin and W. Shen, “Research on convolutional neural network based on improved Relu piecewise activation function,” Procedia Comput. Sci., vol. 131, pp. 977–984, 2018.