<![CDATA[Batik memiliki beragam motif dengan karakteristik visual kompleks sehingga identifikasi manual sering sulit dilakukan. Penelitian ini mengembangkan sistem akuisisi dan klasifikasi motif batik menggunakan ESP32-CAM sebagai perangkat pengambil citra, MobileNetV2 sebagai model Convolutional Neural Network (CNN) pada komputer eksternal, serta Blynk sebagai platform Internet of Things (IoT) untuk pemantauan jarak jauh. Sistem dirancang untuk mengenali 10 motif batik, yaitu Parang, Truntum, Ceplok, Sidomukti, Betawi, Garut, Lamongan, Madura, Cirebon, dan Kawung. Dataset terdiri atas 1.200 citra dan ditingkatkan melalui augmentasi berupa rotasi, flip horizontal, penyesuaian kecerahan, dan zoom 20%. Citra yang diperoleh dari ESP32-CAM dikirim ke komputer melalui serial/WiFi, kemudian diproses melalui resize 160×160 piksel, normalisasi, dan klasifikasi menggunakan model CNN berbasis transfer learning. Hasil prediksi berupa nama motif dan tingkat kepercayaan ditampilkan pada antarmuka komputer serta dikirim ke dashboard Blynk. Pengujian menunjukkan akurasi rata-rata 85% pada data uji dengan waktu respons 1–2 detik. Sistem bekerja optimal pada pencahayaan 200–500 lux, jarak 15–20 cm, dan sudut pengambilan kurang dari 30°. Keterbatasan utama sistem adalah ketergantungan pada komputer eksternal. Pengembangan selanjutnya diarahkan pada perluasan dataset dan implementasi model ringan pada perangkat edge. Kata kunci: Batik, deteksi motif, CNN, ESP32-CAM, IoT.]]>
Copyrights © 2026
