BATIK MOTIF CLASSIFICATION USING CNN WITH RESNET-50 ARCHITECTURE

Abstract

Batik merupakan kerajinan tradisional Indonesia yang memiliki nilai seni tinggi dan telah diakui sebagai warisan budaya dunia oleh UNESCO pada 2 Oktober 2009. Namun, pengetahuan tentang identifikasi motif batik umumnya hanya dimiliki oleh mereka yang memiliki keahlian khusus, seperti pengrajin batik. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis Streamlit yang mampu mengklasifikasikan motif batik menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 untuk dapat menjadi solusi dalam mengenalkan batik secara lebih luas kepada masyarakat, baik sebagai media edukasi maupun sebagai alat bantu bagi industri kreatif. Penelitian ini menggunakan metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining) yang mencakup tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Model dilatih selama 21 epoch, dengan hasil akurasi pelatihan sebesar 99,31%, akurasi validasi 94,37%, loss pelatihan 2,4%, dan loss validasi 22,25%. Dalam evaluasi menggunakan 140 sampel citra batik, model mencapai akurasi 89,285%. Hasil ini menunjukkan bahwa aplikasi yang dikembangkan berhasil dalam mengklasifikasikan motif batik menggunakan CNN.