ANALISIS PERBANDINGAN KINERJA KLASIFIKASI CITRA BATIK INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DAN SUPPORT VECTOR MACHINE (SVM)

Utami, Irawati Putri (2026) ANALISIS PERBANDINGAN KINERJA KLASIFIKASI CITRA BATIK INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DAN SUPPORT VECTOR MACHINE (SVM). Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (432kB)
	Text BAB 2.pdf Download (428kB)
	Text BAB 3.pdf Download (462kB)
	Text BAB 4.pdf Download (828kB)
	Text BAB 5.pdf Download (272kB)
	Text LAMPIRAN.pdf Download (587kB)

Abstract

Klasifikasi motif batik secara otomatis merupakan tantangan signifikan dalam bidang visi komputer disebabkan oleh tingginya kemiripan visual antar-kelas (interclass similarity) dan kompleksitas tekstur pada setiap corak. Penelitian ini bertujuan untuk mengoptimalkan akurasi dan efisiensi pengenalan motif batik dengan mengusulkan model hibrida yang mengintegrasikan arsitektur Deep Learning MobileNetV2 sebagai pengekstraksi fitur spasial mendalam dan Support Vector Machine (SVM) sebagai klasifikator akhir. Dataset yang digunakan dalam penelitian ini bersumber sepenuhnya dari repositori Kaggle dengan total populasi data sebanyak 8.640 citra digital yang mencakup 20 kategori motif batik populer di Indonesia. Prosedur eksperimental diawali dengan tahap pra-pemrosesan citra, disusul dengan pembagian data secara sistematis yang terdiri dari 420 citra latih per kelas, dengan pengecualian pada kategori Batik Dayak sebanyak 360 citra, serta alokasi 15 citra uji per kelas sebagai instrumen validasi independen. Hasil pengujian menunjukkan performansi yang sangat impresif, di mana model hibrida ini berhasil mencapai tingkat akurasi sebesar 96,00%. Capaian tersebut secara signifikan telah melampaui target performansi yang ditetapkan di awal penelitian sebesar 90%. Selain unggul dalam aspek ketepatan prediksi, sistem ini menunjukkan efisiensi komputasi yang optimal dengan total waktu eksekusi selama 359,92 detik untuk memproses seluruh tahapan eksperimen. Durasi ekstraksi fitur yang hanya memakan waktu 22,63 detik membuktikan bahwa penggunaan MobileNetV2 efektif dalam meminimalisir beban komputasi tanpa mereduksi akurasi sistem. Temuan ini menegaskan bahwa integrasi MobileNetV2 dan SVM memberikan keseimbangan performa yang ideal, sehingga model ini sangat layak untuk diimplementasikan pada aplikasi berbasis perangkat bergerak dengan sumber daya terbatas.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Delvy Aplirizani -
Date Deposited:	22 May 2026 08:08
Last Modified:	22 May 2026 08:08
URI:	https://repository.unas.ac.id/id/eprint/16202

Actions (login required)

View Item