Penerapan algoritma Convolutional Neural Network dengan Arsitektur EfficientNet-B3 pada klasifikasi motif batik Jawa Barat

Tsaury, Rayhan (2025) Penerapan algoritma Convolutional Neural Network dengan Arsitektur EfficientNet-B3 pada klasifikasi motif batik Jawa Barat. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (400kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (314kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (447kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (312kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (443kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (614kB)
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (538kB)
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (10MB)
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (299kB)
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (186kB)
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (2MB)

Abstract

Keberagaman motif batik dari berbagai daerah memiliki kemiripan pola visual sehingga menyebabkan proses identifikasi menjadi kompleks, sementara pemahaman terhadap warisan budaya ini masih terbatas pada kelompok dengan keahlian khusus. Selain itu, penerapan metode kecerdasan buatan dalam klasifikasi motif batik kerap menghadapi tantangan, seperti pemilihan algoritma yang kurang tepat, parameter model yang belum optimal, serta keterbatasan kualitas dan kuantitas data. Penelitian ini bertujuan untuk mengimplementasikan arsitektur Convolutional Neural Network (CNN) berbasis EfficientNet-B3 dalam proses klasifikasi motif batik melalui pengolahan citra digital, dengan mengadopsi metodologi CRISP-DM dan membangun sistem berbasis web menggunakan Python dan Flask. Pengujian dilakukan pada 27 skenario dengan kombinasi nilai hyperparameter batch size (8, 16, 32), jumlah epoch (50, 75, 100) dan rasio pembagian data pelatihan dan pengujian (70:30, 80:20, dan 90:10), dengan learning rate tetap sebesar 0,0001. Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada rasio data 90:10, batch size 8, dan epoch 75, yang menghasilkan akurasi 99,58%, presisi 99,58%, recall 99,61%, dan F1-score 99,58%. Hasil penelitian ini menunjukkan bahwa arsitektur EfficientNet-B3 terbukti mampu memberikan performa yang sangat baik dalam proses klasifikasi motif batik, ditandai dengan tingkat akurasi yang tinggi.

Actions (login required)

View Item