PENGARUH DIMENSI GAMBAR DAN ARSITEKTUR PADA TINGKAT AKURASI KLASIFIKASI MOTIF BATIK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Mawan, Rizki (2021) PENGARUH DIMENSI GAMBAR DAN ARSITEKTUR PADA TINGKAT AKURASI KLASIFIKASI MOTIF BATIK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text 19.51.1190 - Rizki Mawan.pdf - Published Version Download (4MB)

Abstract

Banyak budaya di Indonesia yang masih menjadi kebanggan dan dijaga kelestarian nya. Salah satunya adalah batik. Jika berbicara tentang batik sekilas kita mengingat tentang berbagai macam motif yang dimiliki yang tersbar di Indonesia terutama di pulau Jawa. Pada penelitian kali ini motif batik yang diteliti adalah batik megamendung, batik kawung, batik parang dan batik sekarjagad. Alasan pemilihan motif tersebut adalah karena motif tersebut sangat diminati oleh khalayak ramai (Populer), dan ketiga motif tersebut memliki makna tersendiri yang sangat mewakili masyarakat Indonesia. Tujuan dari klasifikasi batik adalah untuk mengetahui keakuratan akurasi motif batik khusus nya motif batik kawung, megamendung, parang dan sekarjagad Penelitian menggunakan 2 skenario uji untuk masing-masing class dalam mencari akurasi tertinggi dan waktu komputasi dengan menggunakan 3 arsitektur. Arsitektur yang digunakan yaitu ResNet50, mobilenet, dan vgg16. Skenario S1 menggunaikan dimensi gambar 128x128 piksel dan skenario S2 menggunakan dimensi gambar 256x256 piksel. Berdasarkan hasil penelitian dengan menggunakan 3 arsitektur dan menggunakan epoch = 560 untuk mencari akurasi dan waktu komputasi. Detail hasil akurasi dengan skenario S1 menggunakan arsitektur ResNet50=72.85%%, vgg16=61.7%, dan mobilenet=97.14%. Hasil akurasi dengan skenario S2 menggunakan arsitektur ResNet50=81.42%, vgg16=63.82%, MobileNet=95.71%. Waktu komputasi tercepat untuk S1 yaitu 590 detik dengan menggunakan arsitektur mobilenet dan untuk S2 yaitu 1490 detik dengan menggunakan arsitektur mobilenet.

Actions (login required)

View Item