SISTEM KLASIFIKASI MOTIF BATIK JOMBANG BERBASIS CNN UNTUK PELESTARIAN WARISAN BUDAYA
DOI:
https://doi.org/10.32897/sobat.2025.7.1.5284Keywords:
Batik Jombang, Streamlit, Convolutional Neural NetworkAbstract
Batik, sebagai aset dan identitas budaya nasional, wajib dilestarikan dan dilaporkan perkembangannya secara berkala, yang meliputi aspek pewarisan, penggunaan, dan penyebarluasan. Tantangan utama dalam upaya pelestarian ini adalah keanekaragaman motif yang kompleks, yang memerlukan solusi digital untuk klasifikasi dan dokumentasi yang efisien. Penelitian ini bertujuan mengatasi tantangan tersebut dengan mengembangkan Sistem Klasifikasi Motif Batik Jombang berbasis Deep Learning arsitektur EfficientNetB0, dan mengintegrasikannya ke dalam aplikasi website Streamlit yang interaktif. Model ini sukses mengklasifikasikan enam motif utama Batik Jombang (Burung Hong, Sulur Kangkung, Ploso Bersemi, Jombang Berseri, Merak Kinasih Keyna Galeri, dan Garudan) dengan hasil evaluasi yang menunjukkan generalisasi kuat; akurasi mencapai 0.9408 (94.08%) dan loss hanya 0.0055. Implementasi sistem ini menyediakan katalog digital yang mendukung pengrajin dan mempopulerkan motif batik kepada masyarakat luas. Dengan demikian, website ini secara signifikan berkontribusi pada inovasi digital dan komitmen pelestarian Batik Jombang sebagai bagian dari identitas nasional, sejalan dengan kebutuhan evaluasi budaya yang berkelanjutan.
References
Amaris Trixie A. Filosofi Motif Batik Sebagai Identitas Bangsa Indonesia. 2020 Jul.
Minarno AE, Maulani AS, Kurniawardhani A, Bimantoro F, Suciati N. Comparison of methods for Batik classification using multi texton histogram. Telkomnika (Telecommunication Computing Electronics and Control). 2018 Jun 1;16(3):1358–66.
Larasati FU, Aini N, Hery A, Irianti S. Proses Pembuatan Batik Tulis Remekan Di Kecamatan Ngantang. 2021.
Karsam. Kajian Ciri dan Motif Batik Jombangan: Studi Kasus Jombang Kota Santri. Jurnal Panggung. 2024 Sep 1;34(3):348–66.
Naufal MF. Analisis Perbandingan Algoritma SVM, KNN, dan CNN untuk Klasifikasi Citra Cuaca. Jurnal Teknologi Informasi dan Ilmu Komputer. 2021 Mar 25;8(2):311–8.
Azmi K, Defit S, Sumijan. Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat. Jurnal Unitek. 2023;16(1):2023.
Tan M, Le Q V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. 2020 Sep 11; Available from: http://arxiv.org/abs/1905.11946
Rahman S, Ramli M, Arnia F, Muharar R, Zen M, Ikhwan M. Convolutional Neural Networks Untuk Visi Komputer. 2021.
Goodfellow I, Bengio Y, Courville A. Deep Learning.
Iswantoro D, Handayani UN D. Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Ilmiah Universitas Batanghari Jambi. 2022 Jul 26;22(2):900.
A.Alhijaj J, Raidah S. K. Integration of EfficientNetB0 and Machine Learning for Fingerprint Classification. Informatica (Slovenia). 2023;47(5):1–20.
Raharjo B. Deep Learning dengan Python.
Wulandari I, Yasin H, Widiharih T. Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural NETWORK (CNN). JURNAL GAUSSIAN [Internet]. 2020;9:273–82. Available from: https://ejournal3.undip.ac.id/index.php/gaussian/
Nantasenamat C, Biswas A, Nápoles-Duarte JM, Parker MI. Building Bioinformatics Web Applications with Streamlit.
