Perbandingan performa arsitektur VGG16 dan EfficientNet-B1 dalam klasifikasi fine-grained motif batik Indonesia

Rifa'i, Akhmad Ridlo (2026) Perbandingan performa arsitektur VGG16 dan EfficientNet-B1 dalam klasifikasi fine-grained motif batik Indonesia. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

	Text 1_cover.pdf Download (119kB)
	Text 2_abstrak.pdf Download (118kB)
	Text 3_skbebasplagiarism.pdf Download (719kB)
	Text 4_daftarisi.pdf Download (139kB)
	Text 5_bab1.pdf Download (242kB)
	Text 6_bab2.pdf Restricted to Registered users only Download (696kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (337kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (125kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (124kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (133kB) | Request a copy

Abstract

Pengenalan motif batik Yogyakarta memiliki tingkat kompleksitas komputasi yang tinggi akibat karakteristik polanya yang fine-grained. Karakteristik ini ditandai dengan tingginya kemiripan tekstur ornamen isen-isen antar-kelas yang berbeda (kesenjangan semantik), serta adanya variasi bentuk lipatan dan rotasi yang besar di dalam kelas yang sama. Kompleksitas visual yang menantang ini menyulitkan proses identifikasi secara langsung, sehingga memerlukan intervensi pemodelan arsitektur cerdas yang mampu mengenali detail mikroskopis ornamen tanpa kehilangan informasi tekstur aslinya. Tujuan dari penelitian ini adalah untuk mengimplementasikan dan mengevaluasi perbandingan performa secara komparatif antara arsitektur Convolutional Neural Network (CNN) klasik, yakni VGG16, dengan arsitektur modern EfficientNet-B1. Penelitian ini mengklasifikasikan lima jenis kelas motif batik populer yang memiliki karakteristik visual sangat kompleks, yaitu Kawung, Parang, Sekar Jagad, Sidomukti, dan Tambal. Penelitian ini menggunakan pendekatan eksperimental kuantitatif dengan mengadaptasi kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM). Teknik pengumpulan data dilakukan melalui agregasi multi-sumber yang memadukan data sekunder repositori publik dan data primer hasil pemotretan. Sebanyak 2.500 citra latih teraugmentasi diproses menggunakan teknik prapemrosesan spesifik model dengan pendekatan Transfer Learning. Evaluasi model dilakukan secara kuantitatif menggunakan matriks konfusi dan waktu inferensi, serta secara kualitatif menggunakan interpretasi visual Gradient-weighted Class Activation Mapping (Grad-CAM). Hasil penelitian ini menunjukkan bahwa arsitektur VGG16 tampil secara signifikan lebih unggul dengan capaian akurasi keseluruhan sebesar 85,26%, tingkat presisi berbobot 0,86, dan recall 0,85, melampaui arsitektur EfficientNet-B1 yang mencatatkan akurasi 82,63%. Analisis heatmap Grad-CAM membuktikan bahwa VGG16 lebih presisi dalam melokalisasi fitur ornamen inti geometris tanpa terdistraksi oleh derau visual latar belakang. Selain menghasilkan kinerja klasifikasi yang lebih tangguh, VGG16 juga mencatatkan efisiensi waktu inferensi yang sangat responsif, yakni 81,53 ms per citra, menjadikannya arsitektur yang paling optimal untuk diimplementasikan sebagai mesin inferensi pada purwarupa sistem cerdas "BatikLens".

Actions (login required)

View Item