KLASIFIKASI GAYA SENI LUKIS MENGGUNAKAN EFFICIENTNET

Abstract

Transformasi digital dalam satu dekade terakhir mendorong digitalisasi besar-besaran koleksi karya seni oleh museum dan galeri di seluruh dunia. Kondisi ini menghasilkan jumlah citra seni digital yang sangat besar sehingga proses kurasi dan klasifikasi secara manual menjadi tidak efisien dan rentan terhadap subjektivitas. Permasalahan tersebut menuntut adanya sistem klasifikasi otomatis yang mampu mengidentifikasi gaya seni lukis secara akurat dan efisien. Penelitian ini bertujuan untuk membangun sistem klasifikasi gaya seni lukis menggunakan arsitektur EfficientNet dengan pendekatan transfer learning guna memperoleh keseimbangan antara akurasi dan efisiensi komputasi. Dataset yang digunakan berjumlah 23.704 citra yang terdiri dari tujuh gaya seni lukis, yaitu Abstract, Expressionism, Neoclassicism, Primitivism, Realism, Romanticism, dan Symbolism. Proses pelatihan dilakukan pada varian EfficientNet-B0 hingga EfficientNet-B7 selama 20 epoch dengan variasi batch size 8, 16, dan 32. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan f1-score serta analisis efisiensi komputasi. Hasil penelitian menunjukkan bahwa EfficientNet-B4 dengan batch size 32 memberikan performa terbaik dengan akurasi sebesar 94,93%, sekaligus menunjukkan keseimbangan optimal antara kinerja klasifikasi dan kebutuhan komputasi.