KLASIFIKASI DAN SEGMENTASI MOTIF BATIK YOGYAKARTA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Abstract

Motif batik memiliki karakteristik visual yang kompleks sehingga membutuhkan metode yang efektif untuk memisahkan area motif dari latar belakang sekaligus mengenali jenis motif secara otomatis. Permasalahan utama dalam pengolahan citra batik adalah kesulitan segmentasi yang akurat akibat pola, warna, dan tekstur yang beragam, yang berdampak pada rendahnya performa klasifikasi. Penelitian ini bertujuan untuk mengembangkan sistem segmentasi dan klasifikasi motif batik menggunakan arsitektur multitask U-Net berbasis convolutional neural network (CNN). Metode yang diusulkan menghasilkan dua keluaran, yaitu peta segmentasi motif batik dan hasil klasifikasi jenis motif. Tahapan penelitian meliputi pra-pemrosesan citra, segmentasi menggunakan U-Net, masking citra berdasarkan hasil segmentasi, serta klasifikasi motif menggunakan fitur dari encoder U-Net. Model dilatih menggunakan ukuran citra 256×256 piksel, optimizer Adam, fungsi loss gabungan, dan teknik dropout. Evaluasi kinerja segmentasi menggunakan Dice Coefficient, Intersection over Union (IoU), Pixel Precision, dan Pixel Recall, sedangkan kinerja klasifikasi dievaluasi menggunakan akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mampu menghasilkan performa segmentasi yang sangat baik dengan nilai Dice Coefficient sebesar 87,32% dan IoU sebesar 78,66%, namun performa klasifikasi masih rendah dengan akurasi sebesar 28,71%, sehingga model multitask lebih optimal untuk segmentasi motif batik