DEEP LEARNING UNTUK PENGENALAN POLA BATIK JAWA

Mardani, Danis Aditya (2019) DEEP LEARNING UNTUK PENGENALAN POLA BATIK JAWA. S2 thesis, UAJY.

Preview	Text (HALAMAN AWAL) MTF026910.pdf Download (1MB) | Preview
Preview	Text (BAB I) MTF026911.pdf Download (543kB) | Preview
	Text (BAB II) MTF026912.pdf Restricted to Registered users only Download (393kB)
	Text (BAB III) MTF026913.pdf Restricted to Registered users only Download (2MB)
	Text (BAB IV) MTF026914.pdf Restricted to Registered users only Download (4MB)
	Text (BAB V) MTF026915.pdf Restricted to Registered users only Download (684kB)
Preview	Text (VI) MTF026916.pdf Download (3MB) | Preview

Abstract

Batik ialah salah satu warisan budaya dari Bangsa Indonesia yang istimewa. Karena keberagaman dan keunikannya pada tanggal 2 oktober 2009, Batik pertama kali ditetapkan sebagai warisan kemanusiaan untuk budaya lisan dan non-bendawi oleh UNESCO. Untuk menjaga kelestariannya diperlukan penelitian yang berkesinambungan. Walaupun topik penelitian tentang batik ini sudah umum, pengenalan pola batik masih memiliki tantangan yang perlu diselesaikan. Salah satu tantangan pengenalan pola tersebut adalah dalam hal pengklasifikasian motif batik. Untuk mempermudah pekerjaan computer dalam mengklasifikasikan, dalam hal ini diperlukan adanya implementasi Deep Learning dengan menggunakan metode Convolutional Neural Network (CNN). Metode Convolutional Neural Network (CNN) ialah salah satu arsitektur dalam Deep Learning, metode ini lebih efektif untuk mengklasifikasikan citra seperti pola batik dikarenakan metode Convolutional Neural Network memiliki operasi konvolusi. Dalam operasi ini citra akan diekstraksi setiap fiturnya sehingga dapat menghasilkan pola-pola yang dapat mempermudah dalam pengklasifikasian. Dalam proses pelatihan metode Convolutional Neural Network membutuhkan komputasi yang berat dan waktu yang tidak sebentar, maka dari itu penggunaan performa GPU diperlukan untuk mempercepat proses waktu pelatihannya. Proses eksperimen dimulai dengan menyusun lima kelas data set citra batik, kelas tersebut terdiri dari batik parang rusak, batik kawung, batik nitik, batik ceplok, dan batik lereng dengan total 750 citra batik sebagai data set. Data set kemudian dilatih menggunakan bahasa pemrograman Python serta GPU CUDA. Hasil pengujian menggunakan cross-validation mampu mencapai akurasi 90,14%. Sehingga dengan hasil pengujian di atas dapat diambil kesimpulan bahwa Deep Learning menggunakan metode CNN dapat digunakan untuk pengklasifikasian pola batik dengan baik.

Actions (login required)

View Item