KLASIFIKASI MOTIF BATIK INDONESIA MENGGUNAKAN DEEP LEARNING BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN)

Abstract

Batik merupakan warisan budaya Indonesia yang banyak didigitalisasi dalam bentuk citra, sehingga dibutuhkan sistem pengenalan motif yang cepat dan akurat untuk mendukung dokumentasi, pencarian produk, dan edukasi. Permasalahan dalam penelitian ini adalah bagaimana merancang model klasifikasi motif batik yang mampu mengenali banyak kelas motif sekaligus tetap andal terhadap variasi citra, termasuk perbedaan sudut pengambilan dan tekstur kain. Penelitian ini bertujuan membangun dan mengevaluasi model klasifikasi motif batik berbasis deep learning dengan arsitektur ResNet50. Dataset yang digunakan terdiri atas 3.000 citra kain batik datar berwarna yang merepresentasikan 20 kelas motif. Metode yang diterapkan meliputi pra-pemrosesan citra dengan teknik edge-enhanced berbasis deteksi tepi, penerapan transfer learning pada ResNet50, serta pelatihan dua tahap, yaitu pelatihan classifier head dan fine-tuning sebagian lapisan. Kinerja model dievaluasi menggunakan akurasi, precision, recall, F1-score, dan confusion matrix pada data uji terpisah. Hasil pengujian menunjukkan bahwa model menghasilkan performa klasifikasi yang sangat baik dan relatif seimbang di sebagian besar kelas, serta tetap mampu mengklasifikasikan citra kain maupun pakaian bermotif batik, meskipun lipatan kain dan latar belakang kompleks masih dapat menurunkan tingkat keyakinan model.