Klasifikasi motif batik menggunakan Convolutional Neural Network
Bilah Samping Artikel
Isi Artikel Utama
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%.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis, dan penulis mengakui bahwa Jnanaloka sebagai pihak yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution (CC BY). Lisensi ini mengijinkan untuk, Berbagi yakni menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun; dan Adaptasi yakni menggubah, mengubah, dan membuat turunan dari materi iniuntuk kepentingan apapun, termasuk kepentingan komersial dengan ketentuan Atribusi
Cara Mengutip
Referensi
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.