<![CDATA[Batik adalah seni gambar yang menggunakan teknik gambar tradisional yang berasal dari indonesia untuk membuat bahan tekstil. Setiap daerah di Indonesia memiliki motif batik unik salah satunya di Yogyakarta yang terkenal dengan motifnya seperti motif Parang, Kawung dan Ceplok. Meskipun teknologi pengenalan batik sudah ada, belum banyak sistem yang mampu mengklasifikasi motif batik yogyakarta. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan tekstur menggunakan metode ekstraksi fitur Local Binary Pattern (LBP) dan klasifikasi dengan Neural Network (NN) untuk klasifikasi. Data set motif parang terdiri dari 50 gambar, motif kawung 50 gambar dan motif ceplok 48 gambar dengan komposisi 80:20 untuk data latih dan uji. Model NN diuji dan hasil yang dicapai akurasi 78%, presisi 79% dan F1-score 77%. Penelitian ini menunjukan potensi teknologi pengolahan citra dalam mendukung pelestarian batik Yogyakarta dan memberikan saran peningkatan akurasi model melalui penggunaan dataset lebih luas dan algoritma klasifikasi lainnya. Batik is an art form that employs traditional techniques originating from Indonesia to create textile designs. Each region in Indonesia boasts unique batik patterns, with Yogyakarta being particularly renowned for its distinctive motifs, including parang, kawung, and ceplok. While batik recognition technology exists, there are still limited systems capable of accurately classifying Yogyakarta’s batik motifs. This study aims to develop a texture recognition system by applying the Local Binary Pattern (LBP) feature extraction method combined with Neural Network (NN) classification. The dataset consists of 50 images each for the parang and kawung motifs, and 48 images for the ceplok motif, with an 80:20 ratio for training and testing data. The NN model achieved 78% accuracy, 79% precision, and an F1-score of 77%. This research underscores the potential of image processing technology in supporting the preservation of Yogyakarta batik and suggests that model accuracy could be enhanced through the use of a broader dataset and alternative classification algorithms.]]>
