Klasifikasi motif batik menggunakan Convolutional Neural Network

Isi Artikel Utama

Rizki Mawan

Abstrak





Batik adalah bentuk seni visual pada bahan tekstil yang diproduksi menggunakan teknik menggambar tradisional yang berasal dari Indonesia. Oleh karena itu dibutuhkan penelitian untuk meneliti batik yang bertujuan untuk mengetahui motif dan melestarikannya. Convolutional Neural Network(CNN) adalah salah satu metode machine learning dari pengembangan Multi Layer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi. CNN termasuk dalam jenis Deep Neural Network karena dalamnya tingkat jaringan dan banyak diimplementasikan dalam data citra. Eksperimen menggunakan Dataset 120 potongan foto Batik (3 kelas) menunjukkan bahwa model yang menggunakan CNN mencapai rata-rata akurasi 65% sedangkan model CNN dikombinasi dengan Grayscale mencapai rata-rata akurasi 70%. Meskipun demikian dengan penambahan Grayscale akurasi bertambah 5%.





Rincian Artikel

Cara Mengutip
“Klasifikasi Motif Batik Menggunakan Convolutional Neural Network”. 2020. JNANALOKA 1 (1): 45-50. https://doi.org/10.36802/jnanaloka.2020.v1-no1-45-50.
Bagian
Articles

Cara Mengutip

“Klasifikasi Motif Batik Menggunakan Convolutional Neural Network”. 2020. JNANALOKA 1 (1): 45-50. https://doi.org/10.36802/jnanaloka.2020.v1-no1-45-50.

Referensi

1. W. Steelyanaet al., “Batik, a beautiful cultural heritage that preserve culture and supporteconomic development in indonesia,”Binus Business Review, vol. 3, no. 1, p. 116, 2012.
2. C. Tresnadi and A. Sachari, “Identification of values of ornaments in indonesian batik invisual content of nitiki game,”Journal of Arts and Humanities, vol. 4, no. 8, pp. 25–39,2015.
3. A. A. Kasim, R. Wardoyo, and A. Harjoko, “Batik classification with artificial neuralnetwork based on texture-shape feature of main ornament,”International Journal ofIntelligent Systems and Applications, vol. 11, no. 6, p. 55, 2017.
4. V. S. Moertini and B. Sitohang, “Algorithms of clustering and classifying batik imagesbased on color, contrast and motif,”Journal of Engineering and Technological Sciences,vol. 37, no. 2, pp. 141–160, 2005.
5. I. Nurhaida, A. Noviyanto, R. Manurung, and A. M. Arymurthy, “Automatic indonesian’sbatik pattern recognition using sift approach,”Procedia Computer Science, vol. 59, pp.567–576, 2015.
6. A. H. Rangkuti, Z. E. Rasjid, and D. J. Santoso, “Batik image classification using treevaland treefit as decision tree function in optimizing content based batik image retrieval,”Procedia Computer Science, vol. 59, pp. 577–583, 2015.
7. R. Azhar, D. Tuwohingide, D. Kamudi, N. Suciatiet al., “Batik image classification usingsift feature extraction, bag of features and support vector machine,”Procedia ComputerScience, vol. 72, pp. 24–30, 2015.
8. A. Rangkuti, A. Harjoko, and A. Putra, “Content based batik image retrieval,”Journal ofComputer Science, vol. 10, pp. 925–934, 01 2014.
9. A. Rangkuti, “Content based batik image classification using wavelet transform and fuzzyneural network,”Journal of Computer Science, vol. 10, pp. 604–613, 04 2014.

Artikel Serupa

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.