Klasifikasi Motif Batik Yogyakarta Menggunakan Metode GLCM dan CNN

Ananda Rizki Dani; Irma Handayani

doi:10.54914/jtt.v10i2.1451

Penulis

Ananda Rizki Dani Universitas Teknologi Yogyakarta
Irma Handayani Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.54914/jtt.v10i2.1451

Kata Kunci:

Batik, CNN, GLCM, Klasifikasi, MobileNetV2

Abstrak

Motif batik Yogyakarta memiliki keanekaragaman yang mencerminkan budaya Indonesia, namun klasifikasinya secara otomatis masih menghadapi tantangan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi motif batik Yogyakarta menggunakan kombinasi metode Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi fitur tekstur dan Convolutional Neural Network (CNN) berbasis MobileNetV2 untuk klasifikasi citra. GLCM dipilih karena kemampuannya dalam mengekstraksi informasi tekstur yang mendetail dari gambar, sementara CNN berbasis MobileNetV2 digunakan karena efisiensinya dalam pengenalan pola visual dengan sumber daya komputasi yang rendah. Dataset yang digunakan berjumlah 3.223 gambar, terdiri dari lima kategori motif batik: Batik Ceplok, Batik Kawung, Batik Truntum, Batik Parang, dan Batik Ciptoning, yang diambil dari berbagai sumber, seperti Museum Batik Keraton Yogyakarta dan Kaggle. Hasil pengujian menunjukkan akurasi tinggi sebesar 99%, menandakan efektivitas pendekatan ini dalam mengidentifikasi pola motif batik yang kompleks. Implikasi penelitian ini adalah pengembangan sistem klasifikasi yang dapat diintegrasikan dalam aplikasi mobile berbasis client-server untuk mendeteksi otomatis motif batik. Meskipun hasil yang dicapai sangat baik, penelitian ini terbatas pada ukuran dataset dan kompleksitas motif batik tertentu. Penelitian selanjutnya disarankan untuk memperluas dataset dan mengeksplorasi augmentasi data untuk meningkatkan akurasi pada motif batik dengan kompleksitas lebih tinggi.

Unduhan

Data unduhan belum tersedia.

Referensi

[1] D. Nur Ramadhan, R. Aldi Erwanto, and R. Tan Enwan, “Klasifikasi Batik Menggunakan Algoritma CNN (Convolutional Neural Network),” Kediri, 2024.

[2] A. Prayoga, Maimunah, P. Sukmasetya, Muhammad Resa Arif Yudianto, and Rofi Abul Hasani, “Arsitektur Convolutional Neural Network untuk Model Klasifikasi Citra Batik Yogyakarta,” Journal of Applied Computer Science and Technology, vol. 4, no. 2, pp. 82–89, Nov. 2023, doi: 10.52158/jacost.v4i2.486.

[3] M. Taufik Ma’ruf, ) ; Erwin, D. Putra, Y. Reswan, and U. Juhardi, “Klasifikasi Motif Kain Batik Besurek Menggunakan Ekstraksi Ciri Grey Level Co-Occurrence Matrix (GLCM),” JURNAL KOMITEK, vol. 3, no. 2, pp. 229–236, 2023, doi: 10.53697/jkomitek.v3i2.

[4] R. Widodo et al., “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu,” 2018. [Online]. Available: http://j-ptiik.ub.ac.id

[5] K. Dong, C. Zhou, Y. Ruan, and Y. Li, “MobileNetV2 Model for Image Classification,” in Proceedings - 2020 2nd International Conference on Information Technology and Computer Application, ITCA 2020, Institute of Electrical and Electronics Engineers Inc., Dec. 2020, pp. 476–480. doi: 10.1109/ITCA52113.2020.00106.

[6] Y. Gulzar, “Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique,” Sustainability (Switzerland), vol. 15, no. 3, Feb. 2023, doi: 10.3390/su15031906.

[7] Bagus Untung Saputra, Gunawan, and Wresti Andriani, “PENGENALAN MOTIF BATIK PESISIR PULAU JAWA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK,” NUANSA INFORMATIKA, vol. 17, no. 2, pp. 119–125, Jul. 2023, doi: 10.25134/ilkom.v17i2.32.

[8] Fathul Am and E. I. Sela, “Klasifikasi Batik Pekalongan Berdasarkan Citra dengan Metode GLCM dan JST Backpropagation,” Jurnal Indonesia : Manajemen Informatika dan Komunikasi, vol. 5, no. 1, pp. 614–621, Jan. 2024, doi: 10.35870/jimik.v5i1.532.

[9] A. A. Kasim, R. Wardoyo, and A. Harjoko, “Feature extraction methods for batik pattern recognition: A review,” in AIP Conference Proceedings, American Institute of Physics Inc., Jul. 2016. doi: 10.1063/1.4958503.

[10] R. Widodo et al., “Pemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco) untuk Klasifikasi Mutu,” 2018. [Online]. Available: http://j-ptiik.ub.ac.id

[11] N. D. Girsang, “Literature Study of Convolutional Neural Network Algorithm for Batik Classification,” vol. 1, no. 1, 2021, doi: 10.47709/briliance.v1i1.1069.

[12] R. Moyazzoma, M. A. A. Hossain, M. H. Anuz, and A. Sattar, “Transfer Learning Approach for Plant Leaf Disease Detection Using CNN with Pre-Trained Feature Extraction Method Mobilnetv2,” in International Conference on Robotics, Electrical and Signal Processing Techniques, 2021, pp. 526–529. doi: 10.1109/ICREST51555.2021.9331214.

[13] M. Iman, H. R. Arabnia, and K. Rasheed, “A Review of Deep Transfer Learning and Recent Advancements,” Apr. 01, 2023, MDPI. doi: 10.3390/technologies11020040.

[14] Y. Zhou, S. Chen, Y. Wang, and W. Huan, “Review of research on lightweight convolutional neural networks,” 2020.

[15] P. K. Das, V. A. Diya, S. Meher, R. Panda, and A. Abraham, “A Systematic Review on Recent Advancements in Deep and Machine Learning Based Detection and Classification of Acute Lymphoblastic Leukemia,” 2022, Institute of Electrical and Electronics Engineers Inc. doi: 10.1109/ACCESS.2022.3196037.

[16] A. Dewi, I. Christanti, F. Y. Sari, E. Pramita, and P. Matematika, “ETNOMATEMATIKA PADA BATIK KAWUNG YOGYAKARTA DALAM TRANSFORMASI GEOMETRI,” 2020.

[17] Medina Diyah Kusumawati and Endang Ruswanti Hartowiyono, “Philosophy, Design Batik Yogyakarta, and Batik Surakarta Made in Indonesia,” International Journal of Latest Trends in Engineering and Technology.

[18] N. Regine, H. Laswandi, and S. Meliana, “DEVELOPMENT OF BATIK PATTERNS AT THE NATIONAL LIBRARY OF INDONESIA WITH THE STYLIZATION METHOD,” International Journal of Application on Social Science and Humanities, vol. 1, no. 1, pp. 1782–1790, 2023, doi: 10.24912/ijassh.v1i2.27925.

[19] D. Tsalsabila Rhamadiyanti, “Analisa Performa Convolutional Neural Network dalam Klasifikasi Citra Apel dengan Data Augmentasi,” Media Online), vol. 5, no. 1, pp. 154–162, 2024, doi: 10.30865/klik.v5i1.2023.

[20] M. Toyib, T. Decky, and K. Pratama, “Penerapan Algoritma CNN Untuk Mendeteksi Tulisan Tangan Angka Romawi dengan Augmentasi Data,” Kebumian dan Angkasa, vol. 2, no. 3, pp. 108–120, 2024, doi: 10.62383/algoritma.v2i3.69.

[21] F. Roberti de Siqueira, W. Robson Schwartz, and H. Pedrini, “Multi-scale gray level co-occurrence matrices for texture description,” Neurocomputing, vol. 120, pp. 336–345, Nov. 2013, doi: 10.1016/j.neucom.2012.09.042.

[22] M. B. Hossain, S. M. H. S. Iqbal, M. M. Islam, M. N. Akhtar, and I. H. Sarker, “Transfer learning with fine-tuned deep CNN ResNet50 model for classifying COVID-19 from chest X-ray images,” Inform Med Unlocked, vol. 30, Jan. 2022, doi: 10.1016/j.imu.2022.100916.

[23] T. Garg, M. Garg, O. P. Mahela, and A. R. Garg, “Convolutional Neural Networks with Transfer Learning for Recognition of COVID-19: A Comparative Study of Different Approaches,” AI (Switzerland), vol. 1, no. 4, pp. 586–606, Dec. 2020, doi: 10.3390/ai1040034.