PENERAPAN CONVOLUTIONAL NEURAL NETWORK MOBILENET DALAM KLASIFIKASI MOTIF BATIK MENGGUNAKAN TRANSFER LEARNING

Muhammad Ramadhan, NIM.:19106050001 (2024) PENERAPAN CONVOLUTIONAL NEURAL NETWORK MOBILENET DALAM KLASIFIKASI MOTIF BATIK MENGGUNAKAN TRANSFER LEARNING. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (PENERAPAN CONVOLUTIONAL NEURAL NETWORK MOBILENET DALAM KLASIFIKASI MOTIF BATIK MENGGUNAKAN TRANSFER LEARNING) 19106050001_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (PENERAPAN CONVOLUTIONAL NEURAL NETWORK MOBILENET DALAM KLASIFIKASI MOTIF BATIK MENGGUNAKAN TRANSFER LEARNING) 19106050001_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf Restricted to Registered users only Download (7MB) | Request a copy

Abstract

Batik merupakan salah satu warisan budaya Indonesia yang telah diakui UNESCO dan memiliki berbagai motif yang tersebar dari Aceh hingga Papua. Setiap motif batik memiliki karakteristik unik yang mencerminkan identitas budaya daerah asalnya. Namun, pengenalan dan klasifikasi motif batik secara manual menjadi tantangan, terutama dengan banyaknya variasi motif yang ada. Penelitian ini bertujuan untuk mengembangkan model klasifikasi motif batik menggunakan arsitektur Convolutional Neural Network (CNN) varian MobileNet dengan pendekatan Transfer Learning. Penelitian ini menggunakan data gambar motif batik yang diambil dari dataset publik yang tersedia di situs Kaggle, dengan total 800 gambar yang terbagi dalam 20 kelas motif batik. Model CNN yang dikembangkan pada penelitian ini adalah MobileNetV2 yang diterapkan dengan pendekatan transfer learning. Model kemudian dilatih dengan konfigurasi hyper-parameters, yaitu variasi learning rate dan jumlah epoch. Model kemudian diuji menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model dengan hasil pelatihan terbaik diperoleh pada kombinasi learning rate 0,001 dan 75 epoch dengan akurasi pelatihan mencapai 99,19%. Sedangkan hasil pengujian terbaik diperoleh pada kombinasi learning rate 0,001 dan 75 epoch dengan hasil confusion matrix berupa akurasi 85,63%, presisi 88,50%, recall 85,63%, dan F1-Score 85,60%

Share this knowledge with your friends :

Actions (login required)

View Item