IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI JENIS BATIK NUSANTARA MENGGUNAKAN ARSITEKTUR RESNET-50 DAN DENSENET-201

TIARA SALSABILA, . (2026) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DALAM KLASIFIKASI JENIS BATIK NUSANTARA MENGGUNAKAN ARSITEKTUR RESNET-50 DAN DENSENET-201. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (343kB)
	Text BAB II.pdf Restricted to Registered users only Download (795kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (451kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (275kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (257kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Keanekaragaman motif batik nusantara yang kompleks menyebabkan masyarakat mengalami kesulitan dalam mengenali dan membedakan jenis batik berdasarkan ciri visualnya. Permasalahan ini menunjukkan perlunya sistem klasifikasi otomatis berbasis citra yang mampu mengidentifikasi motif batik secara akurat. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 dan DenseNet-201 dalam klasifikasi jenis batik nusantara. Metode penelitian mengacu pada tahapan Knowledge Discovery in Databases (KDD), yang meliputi data selection, data preprocessing, data transformation, data mining, dan evaluation. Dataset yang digunakan adalah Dataset Batik Indonesia yang diperoleh dari Kaggle, dengan proses pelatihan menggunakan teknik 5-Fold Cross Validation serta didukung oleh augmentasi data untuk meningkatkan kualitas dataset. Pada tahap fine tuning, hasil penelitian menunjukkan bahwa model ResNet-50 memperoleh akurasi sebesar 98.00%, sedangkan DenseNet-201 mencapai akurasi sebesar 98.50%. DenseNet-201 menunjukkan performa lebih unggul dalam menghasilkan representasi fitur yang lebih detail dan memiliki kemampuan generalisasi yang lebih baik, sementara ResNet-50 menunjukkan kestabilan pelatihan yang lebih konsisten. Dengan demikian, kedua arsitektur CNN terbukti efektif dalam klasifikasi jenis batik nusantara, dengan DenseNet-201 sebagai model yang lebih optimal dalam penelitian ini. Kata Kunci: Batik Nusantara, CNN, DenseNet-201, Klasifikasi Citra, ResNet-50 ***** The diversity and complexity of Indonesian batik motifs make it difficult for people to recognize and distinguish batik types based on their visual characteristics. This problem highlights the need for an automated image-based classification system capable of accurately identifying batik motifs. This study aims to analyze and compare the performance of Convolutional Neural Network (CNN) algorithms using ResNet-50 and DenseNet-201 architectures in classifying Indonesian batik types. The research method follows the Knowledge Discovery in Databases (KDD) stages, including data selection, data preprocessing, data transformation, data mining, and evaluation. The dataset used is the Indonesian Batik Dataset obtained from Kaggle, and the training process applies 5-Fold Cross Validation supported by data augmentation to improve dataset quality. In the fine-tuning stage, the results show that the ResNet-50 model achieved an accuracy of 98.00%, while DenseNet-201 achieved 98.50%. DenseNet-201 demonstrates superior performance in extracting more detailed feature representations and better generalization ability, while ResNet-50 shows more stable training performance. In conclusion, both CNN architectures are effective for Indonesian batik classification, with DenseNet-201 being the more optimal model in this study. Keywords: Batik Classification, CNN, DenseNet-201, Image Classification, ResNet-50

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Widodo, M.Kom. ; 2). Neng Ayu Herawati, S.Pd., M.T.
Subjects:	Sains > Matematika > Ilmu Komputer Teknologi dan Ilmu Terapan > Teknik Komputer
Divisions:	FT > S1 Pendidikan Teknik Informatika Komputer
Depositing User:	Tiara Salsabila .
Date Deposited:	24 Jul 2026 04:01
Last Modified:	24 Jul 2026 04:01
URI:	http://repository.unj.ac.id/id/eprint/66994

Actions (login required)

View Item