Article Per Year (5 Year)
p-Index From 2020 - 2025
0.562
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering InComTech: Jurnal Telekomunikasi dan Komputer Jurnal Pengabdian Masyarakat Madani
Suradiradja, Kahfi Heryandi
Unknown Affiliation
Religion Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : InComTech: Jurnal Telekomunikasi dan Komputer

 1 
Perbandingan Model Deep Learning Untuk Prediksi Klasifikasi Jenis Batik Suradiradja, Kahfi Heryandi; Nano, Karno
InComTech : Jurnal Telekomunikasi dan Komputer Vol 14, No 2 (2024)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v14i2.19651

Abstract

Keanekaragaman budaya menjadi identitas bangsa Indonesia, keanekaragaman budaya sebagai bagian landasan dalam membangun identitas bagi bangsa Indonesia. Pemanfaatan batik menjadi salah satu bagian warisan budaya Indonesia adalah menjadi bagian dalam membangun nation brand. Tidak semua penduduk Indonesia mengingat berbagai motif batik yang beraneka ragam dan dengan harapan generasi muda turut menjaga dan selalu mencintai batik sebagai budaya bangsa. Pada penelitian ini membandingkan model prediksi klasifikasi citra dengan algoritma deep learning. Objek dari kajian ini adalah motif batik yang bersumber dari dataset citra batik. Tujuan dari penelitian ini, mengidentifikasi algoritma deep learning yang cocok dalam membuat model untuk mengklasifikasikan 15 jenis motif batik. Tahapan metode penelitian yakni analisa pemahaman terhadap terhadap masalah pengklasifikasian motif batik. Pengambilan data citra diambil dari publikasi dataset batik berupa data citra. Selanjutnya proses beberapa arsitektur algoritme deep learning yakni Simple CNN, RESNET50 V2, VGG16, MobileNet dan Inception V3. Pengukuran evaluasi menggunakan metric akurasi dan MSE untuk mendapatkan model arsitektur dengan hasil yang terbaik. Hasilnya diperoleh dengan tingkat akurasi terbaik pada algoritme RESNET50 V2 sebesar 86,36% dan memiliki nilai error MSE sebesar 0,0151. Kontribusi dari penelitian ini adalah model klasifikasi menggunakan algoritme deep learning CNN dengan arsitektur RESNET50 V2 direkomendasikan bagi pengembang sistem aplikasi ataupun device dalam mengklasifikasi 15 jenis motif batik.
Co-Authors Dani Ramdani, Dani Imas Sukaesih Sitanggang Irman Hermadi Luki Abdullah Nano, Karno Slamet Raharjo