Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan (JUSTIKPEN)
Rivka Novi Cahyati
Universitas Mercu Buana Yogyakarta
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Engineering Mechanical Engineering Social Sciences Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Convolutional Neural Network dengan Arsitektur MobileNetV3 untuk Klasifikasi Batik Jawa Timur Rivka Novi Cahyati; Mutaqin Akbar
Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan Vol. 6 No. 1 (2026): Edisi April - September 2026 IN PRESS
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kesenian batik menyimpan kekayaan motif yang khas di berbagai wilayah Indonesia, termasuk Jawa Timur. Setiap motif batik memiliki corak, warna, dan tekstur yang khas sehingga identifikasi secara manual memerlukan ketelitian ekstra dan waktu yang tidak singkat. Kemajuan teknologi pemrosesan citra digital beserta deep learning membuka peluang untuk melaksanakan identifikasi motif batik secara otomatis yang menghasilkan akurasi optimal. Penelitian ini dibuat bertujuan untuk mengimplementasikan Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV3Small untuk mengategorisasikan motif batik Jawa Timur. Dataset penelitian ini menggunakan 450 citra batik yang terdistribusi dalam tiga kategori, yaitu batik Madura, batik Banyuwangi, dan batik Pring. Tahap preprocessing terdiri dari resize citra menjadi 224×224 piksel, normalisasi data, serta augmentasi menggunakan horizontal flip, rotation, dan zoom. Model ini dibangun dengan menerapkan teknik transfer learning, di mana MobileNetV3Small dimanfaatkan sebagai feature extractor. Pelatihan meliputi fase feature extraction dan fine-tuning dengan optimizer Adam serta loss function sparse categorical crossentropy. Hasil pengujian menunjukkan bahwa model mencapai accuracy 72% dengan recall tertinggi pada kelas batik_pring senilai 0,91. Penelitian ini membuktikan bahwa MobileNetV3Small dapat diterapkan secara efektif untuk klasifikasi citra batik dengan komputasi yang lebih ringan dan efisien. Lebih lanjut, implementasi transfer learning dan augmentasi data mampu meningkatkan kapabilitas generalisasi model sehingga menghasilkan klasifikasi yang lebih optimal.
Co-Authors Mutaqin Akbar