<![CDATA[Klasifikasi motif batik merupakan persoalan pengenalan pola tekstur halus yang dipengaruhi kualitas citra, representasi kemiripan, dan kemampuan generalisasi model. Artikel ini menyajikan tinjauan sistematis berbasis PRISMA 2020 untuk memetakan perkembangan riset klasifikasi motif batik dengan fokus pada reduksi noise Gaussian, kernel similarity, dan ensemble learning berbasis voting classifier. Korpus disusun dari tiga berkas bibliografi jejaring sitasi Connected Papers dan penelusuran manual, menghasilkan 126 rekaman; setelah duplikasi dihapus (n=4) dan penyaringan judul-abstrak, 52 studi dimasukkan dalam sintesis. Hasil pemetaan menunjukkan dominasi CNN/deep learning dan fitur tekstur klasik seperti GLCM/LBP dengan pengklasifikasian KNN/SVM. Namun, sintesis lintas studi menunjukkan bahwa literatur masih lebih berorientasi pada optimasi akurasi in-domain pada dataset yang relatif ter kurasi dibandingkan pengujian kesiapan implementasi nyata. Kernel similarity hanya muncul pada 7 studi, ensemble/voting pada 3 studi, sedangkan reduksi noise Gaussian tidak muncul sebagai fokus eksplisit pada metadata (n=0). Temuan utama tinjauan ini ialah adanya gap paling kritis pada evaluasi lintas-domain, robustness terhadap variasi pencahayaan/noise/lipatan, serta pelaporan penanganan imbalance kelas dan interpretabilitas model. Dengan demikian, kontribusi tinjauan ini bukan hanya memetakan tren metode, tetapi juga menegaskan pergeseran agenda riset dari sekadar akurasi menuju generalisasi, robustness, dan keterjelasan model.]]>
