<![CDATA[Batik Semarang memiliki kekayaan motif sepertiAsem Arang, Blekok Warak, Gambang Semarangan, KembangSepatu, dan Semarangan. Untuk mendukung pelestariannya,penelitian ini mengembangkan sistem klasifikasi otomatismenggunakan Convolutional Neural Network (CNN) denganarsitektur VGG16 dan pendekatan transfer learning. Datasetberisi 1.360 citra diperoleh dari Kaggle, dengan preprocessingberupa resize ke 224×224 piksel dan normalisasi piksel.Pelatihan model dilakukan dengan variasi optimizer, learningrate, dan epoch. Evaluasi performa dilakukan menggunakanconfusion matrix, classification report, serta grafik akurasi danloss. Kombinasi terbaik menggunakan optimizer SGD, learningrate 0.01, dan 50 epoch, menghasilkan performa tinggi tanpaoverfitting. Model diimplementasikan ke dalam antarmukaStreamlit agar dapat digunakan secara praktis. Berdasarkananalisis prediksi tiap kelas, sistem mampu mengenali motifbatik secara akurat dan stabil. Penelitian ini diharapkan dapatmendukung digitalisasi batik melalui teknologi klasifikasi citra.Kata kunci— Batik, Klasifikasi, Convolutional NeuralNetwork, VGG16.I. PENDAHULUANIndonesia dikenal sebagai negara kepulauan yang kayaakan budaya, salah satunya adalah batik, yang telah menjadiwarisan tak benda dunia versi UNESCO sejak 2 Oktober2009. Batik tidak hanya sekadar kain bergambar, tetapi jugasarat dengan nilai estetika, historis, filosofis, sertamencerminkan identitas lokal setiap daerah. Masing-masingwilayah di Indonesia memiliki motif batik yang khas,termasuk Kota Semarang yang dikenal dengan motif sepertiAsem Arang, Blekok Warak, Gambang Semarangan,Kembang Sepatu, dan Semarangan. Keunikan motif tersebutmerepresentasikan kekayaan budaya masyarakat pesisir yangekspresif dan terbuka[1].Meskipun demikian, proses pengenalan dan klasifikasimotif batik masih dilakukan secara manual dan bergantungpada keahlian individu, sehingga menimbulkan tantangandalam hal kecepatan, efisiensi, dan akurasi. Untuk mengatasihal tersebut, diperlukan pemanfaatan teknologi, khususnyadalam bidang pengolahan citra digital dan kecerdasan buatan.Salah satu pendekatan yang relevan adalah penggunaanConvolutional Neural Network (CNN), yang telah banyakditerapkan untuk tugas klasifikasi citra, termasuk dalampengenalan objek dan pola visual. CNN mampumengekstraksi fitur visual melalui lapisan konvolusi,pooling, dan fully connected secara bertahap[2].Penelitian terdahulu menunjukkan efektivitas CNNdalam klasifikasi gambar, termasuk batik. Misalnya, RizkiMawan (2020) berhasil mengklasifikasikan tiga jenis motifbatik dengan akurasi sebesar 85% menggunakan CNN[3].Selain itu, beberapa penelitian telah mengembangkan sistemklasifikasi batik dari daerah lain seperti Yogyakarta, Solo,dan Banyuwangi. Namun, klasifikasi motif batik Semarangmasih belum banyak dieksplorasi. Hal ini menjadi celahpenelitian yang penting untuk dikaji lebih lanjut[4].Penelitian ini bertujuan untuk membangun modelklasifikasi citra motif batik Semarang menggunakan metodeCNN dengan arsitektur VGG16 dan pendekatan transferlearning. VGG16 dipilih karena kesederhanaan strukturnya,penggunaan kernel kecil 3×3, serta kemampuan da]]>
Copyrights © 2025
