Fauziah, Milda Maulida (2023) Klasifikasi motif batik populer dengan algoritma Convolutional Neural Network menggunakan arsitektur MobileNet-V2. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
01-cover.pdf Download (185kB) | Preview |
|
|
Text (ABSTRAK)
02-abstrak.pdf Download (241kB) | Preview |
|
|
Text (DAFTAR ISI)
03-daftar isi.pdf Download (234kB) | Preview |
|
|
Text (BAB I)
04-bab i.pdf Download (325kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
05-bab ii.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB III)
06-bab iii.pdf Restricted to Registered users only Download (891kB) |
|
|
Text (BAB IV)
07-bab iv.pdf Restricted to Registered users only Download (803kB) |
|
|
Text (BAB V)
08-bab v.pdf Restricted to Registered users only Download (216kB) |
|
|
Text (DAFTAR PUSTAKA)
09-daftar pustaka.pdf Restricted to Registered users only Download (235kB) |
Abstract
Batik yang telah diakui oleh UNESCO (The United Nations Educational, Scientific, dan Cultural Organization) ke dalam daftar Representatif sebagai Budaya Tak Benda Warisan Manusia merupakan aset berharga bagi bangsa Indonesia. Namun, melimpahnya beragam motif batik menyebabkan munculnya kesulitan dalam mengenali motif batik secara manual di kalangan masyarakat. Untuk mengatasi permasalahan tersebut, klasifikasi motif batik berbasis kecerdasan buatan yang dapat membedakan berbagai jenis motif batik dapat menjadi solusi. Pemilihan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNet-V2 sendiri didasarkan pada penelitian sebelumnya yang terbukti merupakan metode yang efektif dalam sistem pengklasifikasian gambar. Penelitian ini diawali dengan pengolahan dataset melalui proses augmentation dan preprocessing, proses selanjutnya ialah Hyperparameter tuning dengan Optuna, dilanjutkan ke tahap pembuatan model akhir menggunakan best parameters, lalu proses training model menggunakan data train, dan tahap terakhir yaitu evaluasi model menggunakan data test. Penggunaan MobileNet-V2 pada penelitian ini mendapatkan nilai akurasi sebesar 93,33% dari hasil uji menggunakan total dataset 600 data gambar dengan perbandingan 80:20, yaitu 480 data train dan 120 data test. Hasil optimal tersebut didapat dari klasifikasi 5 kelas motif batik yang terdiri dari motif batik mega mendung (Cirebon), parang (Yogyakarta dan Solo), kawung (Jawa Tengah), pring sedapur (Magetan), dan geblek renteng (Kulon Progo).
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | motif batik; klasifikasi; MobileNet-V2; dataset; CNN; |
| Subjects: | Systems > Computer Modeling and Simulation Operations, Archieves, Information Centers > Classification of Specific Subject Numerical Analysis > Algorithms Technology, Applied Sciences Applied Physics > Machine Engineering, Machinery |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Milda Fauziah |
| Date Deposited: | 27 Aug 2026 07:56 |
| Last Modified: | 27 Aug 2026 07:56 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/138387 |
Actions (login required)
 |
View Item |
