Donison, Sulthan Asyraf (2025) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR MOBILENETV2 DAN VGG16 PADA KLASIFIKASI BATIK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (4MB) |
|
Text (BAB I)
BAB I.pdf Download (212kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (919kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (255kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (810kB) |
|
Text (BAB V)
BAB V.pdf Download (73kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (171kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.3902.zip Restricted to Repository staff only Download (134MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (2MB) |
Abstract
Batik merupakan warisan budaya Indonesia yang memiliki beragam motif dengan makna filosofis mendalam. Namun, banyaknya variasi motif sering kali menyulitkan dalam proses identifikasi secara manual. Penelitian ini bertujuan untuk mengembangkan model klasifikasi motif batik menggunakan metode Convolutional Neural Network (CNN) dengan dua arsitektur yang dibandingkan, yaitu MobileNetV2 dan VGG16. Dataset yang digunakan terdiri dari 1.518 gambar motif batik yang diperoleh dari Kaggle dan Roboflow, yang kemudian diproses melalui teknik augmentasi data untuk meningkatkan variasi dan akurasi model. Model dilatih menggunakan Adam optimizer dengan 100 epoch, serta diterapkan teknik early stopping untuk menghindari overfitting. Evaluasi dilakukan dengan menggunakan confusion matrix dan classification report untuk menilai performa model. Hasil penelitian menunjukkan bahwa MobileNetV2 memiliki akurasi pengujian sebesar 91,64%, lebih tinggi dibandingkan VGG16 yang mencapai 88,46%. Selain itu, MobileNetV2 memiliki keunggulan dalam waktu pemrosesan yang lebih cepat dibandingkan VGG16. Implementasi model ini diwujudkan dalam bentuk aplikasi berbasis website menggunakan Flask, sehingga dapat digunakan secara praktis oleh masyarakat. Penelitian ini diharapkan dapat berkontribusi dalam pelestarian batik melalui teknologi digital serta membantu dalam identifikasi motif batik secara otomatis.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Klasifikasi Batik, Convolutional Neural Network, MobileNetV2, VGG16, Flask | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 13 Aug 2025 07:15 | ||
| Last Modified: | 13 Aug 2025 07:15 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/30333 |
Actions (login required)
 |
View Item |