<![CDATA[Bali, with its rich culture and diverse symbolism reflected in the traditional fabric motifs. However, the manual recognition of Balinese fabric motifs faces challenges such as pattern complexity, similarity between motifs, and limited public knowledge. This study aims to address these challenges by using Artificial Intelligence (AI) to automate the process of accurately and efficiently identifying Bali fabric motifs. The research develops a motif recognition model for Bali fabrics using Inception V3 and EfficientNet B1 algorithms in image classification analysis. The research methodology used is experimental, starting with dataset collection, data augmentation, feature extraction, modeling, and testing. The results show that the EfficientNet model achieved an accuracy of 99% on the 25th iteration, much higher than Inception V3, which only achieved 62% accuracy. These results indicate that the EfficientNet model is more effective in recognizing and classifying Bali fabric motifs and strengthen the potential of artificial intelligence in cultural preservation.Keywords: Bali; Classification; EfficientNet; Inception; Pattern AbstrakBali, dengan kekayaan budaya yang kompleks serta beragam simbolisme. Salah satunya tercermin dalam rupa motif kain tradisional Bali. Namun, pengenalan manual motif kain Bali sering terhambat oleh tantangan seperti kerumitan pola, kesamaan antara motif, dan keterbatasan pengetahuan masyarakat. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan menggunakan kecerdasan buatan (AI) untuk mengotomatisasi proses identifikasi motif kain Bali secara akurat dan efisien. Penelitian ini mengembangkan model pengenalan motif kain Bali dengan menggunakan algoritma Inception V3 dan EfficientNet B1 dalam analisis klasifikasi citra. Metode penelitian yang digunakan adalah eksperimen, dimulai dengan pengumpulan dataset, augmentasi data, ekstraksi fitur, pemodelan, dan pengujian. Hasil penelitian menunjukkan bahwa model EfficientNet B1 mencapai akurasi 99% pada iterasi ke-25, jauh lebih tinggi dibandingkan dengan Inception V3 yang hanya memperoleh akurasi 62%. Hasil ini menunjukkan bahwa model EfficientNet lebih efektif dalam mengenali dan mengklasifikasikan motif kain Bali serta memperkuat potensi kecerdasan buatan dalam pelestarian budaya.Kata kunci: Bali; EfficientNet; Inception; Klasifikasi; Motif]]>
