<![CDATA[Batik merupakan warisan budaya tak benda Indonesia yang diakui UNESCO sejak tahun 2009. Perkembangan teknologi kecerdasan buatan, khususnya deep learning, membuka peluang otomatisasi klasifikasi visual batik. Namun, klasifikasi otomatis batik Indonesia masih menghadapi tantangan utama, yaitu ketidakseimbangan kelas pada dataset (imbalanced dataset) dan kemiripan visual antarkelas yang tinggi . Penelitian ini mengembangkan sistem klasifikasi 20 jenis batik Indonesia menggunakan model YOLOv11 yang diintegrasikan dengan teknik Synthetic Minority Over-sampling Technique (SMOTE) serta skema 5-Fold Stratified Cross-Validation guna memperoleh evaluasi yang objektif. Dataset terdiri atas 983 gambar yang diakuisisi dari repositori Kaggle. SMOTE diterapkan pada representasi fitur piksel berdimensi tinggi (d = 12.288) untuk menyeimbangkan distribusi antarkelas tanpa mengorbankan informasi kelas mayoritas. Model YOLOv11 dilatih pada setiap lipatan dengan konfigurasi hyperparameter terkontrol menggunakan pengoptimasian AdamW. Hasil penelitian menunjukkan nilai mean Average Precision (mAP) keseluruhan sebesar 0,8251 dan rata-rata mAP per lipatan sebesar 0,8788 ± 0,0264, dengan konsistensi metrik yang tinggi di seluruh lipatan validasi. Analisis matriks kebingungan mengindikasikan bahwa misclassification cenderung terjadi antara kelas batik yang memiliki kemiripan visual tinggi. Kerangka kerja yang diusulkan berpotensi diimplementasikan sebagai sistem identifikasi batik otomatis untuk mendukung pelestarian warisan budaya, autentifikasi produk pada platform e-commerce, serta dokumentasi koleksi museum di era digital.]]>
Copyrights © 2026
