Implementasi Convolutional Neural Network dengan Arsitektur MobileNetV3 untuk Klasifikasi Batik Jawa Timur

Rivka Novi Cahyati; Mutaqin Akbar

doi:10.55338/justikpen.v6i1.897

Penulis

Rivka Novi Cahyati Universitas Mercu Buana Yogyakarta
Mutaqin Akbar Universitas Mercu Buana Yogyakarta

DOI:

https://doi.org/10.55338/justikpen.v6i1.897

Kata Kunci:

Batik, CNN, MobileNetV3, Klasifikasi Citra, Deep Learning

Abstrak

Kesenian batik menyimpan kekayaan motif yang khas di berbagai wilayah Indonesia, termasuk Jawa Timur. Setiap motif batik memiliki corak, warna, dan tekstur yang khas sehingga identifikasi secara manual memerlukan ketelitian ekstra dan waktu yang tidak singkat. Kemajuan teknologi pemrosesan citra digital beserta deep learning membuka peluang untuk melaksanakan identifikasi motif batik secara otomatis yang menghasilkan akurasi optimal. Penelitian ini dibuat bertujuan untuk mengimplementasikan Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV3Small untuk mengategorisasikan motif batik Jawa Timur. Dataset penelitian ini menggunakan 450 citra batik yang terdistribusi dalam tiga kategori, yaitu batik Madura, batik Banyuwangi, dan batik Pring. Tahap preprocessing terdiri dari resize citra menjadi 224×224 piksel, normalisasi data, serta augmentasi menggunakan horizontal flip, rotation, dan zoom. Model ini dibangun dengan menerapkan teknik transfer learning, di mana MobileNetV3Small dimanfaatkan sebagai feature extractor. Pelatihan meliputi fase feature extraction dan fine-tuning dengan optimizer Adam serta loss function sparse categorical crossentropy. Hasil pengujian menunjukkan bahwa model mencapai accuracy 72% dengan recall tertinggi pada kelas batik_pring senilai 0,91. Penelitian ini membuktikan bahwa MobileNetV3Small dapat diterapkan secara efektif untuk klasifikasi citra batik dengan komputasi yang lebih ringan dan efisien. Lebih lanjut, implementasi transfer learning dan augmentasi data mampu meningkatkan kapabilitas generalisasi model sehingga menghasilkan klasifikasi yang lebih optimal.1

Referensi

[1] E. Budimansyah, D. Ariawan, R. D. Maulana, W. R. Yudha, dan M. Munsarif, “KLASIFIKASI MOTIF BATIK INDONESIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN),” J. Komput. DAN Teknol. Inf., vol. 3, no. 2, Agu 2025, doi: 10.26714/jkti.v3i2.18627.

[2] C. R. Qi, H. Su, M. Niessner, A. Dai, M. Yan, dan L. J. Guibas, “Volumetric and Multi-View CNNs for Object Classification on 3D Data,” 29 April 2016, arXiv: arXiv:1604.03265. doi: 10.48550/arXiv.1604.03265.

[3] A. Krizhevsky, I. Sutskever, dan G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun. ACM, vol. 60, no. 6, hlm. 84–90, Mei 2017, doi: 10.1145/3065386.

[4] F. Rizal, F. Hasyim, K. Malik, dan Y. Yudistira, “Implementasi Algoritma Convolutional Neural Networks (CNN) Untuk Klasifikasi Batik,” COREAI J. Kecerdasan Buatan Komputasi Dan Teknol. Inf., vol. 2, no. 2, hlm. 40–47, Feb 2022, doi: 10.33650/coreai.v2i2.3365.

[5] A. R. Dani dan I. Handayani, “Klasifikasi Motif Batik Yogyakarta Menggunakan Metode GLCM dan CNN,” J. Teknol. Terpadu, vol. 10, no. 2, hlm. 142–156, Des 2024, doi: 10.54914/jtt.v10i2.1451.

[6] A. G. Howard dkk., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 17 April 2017, arXiv: arXiv:1704.04861. doi: 10.48550/arXiv.1704.04861.

[7] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, dan L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” 21 Maret 2019, arXiv: arXiv:1801.04381. doi: 10.48550/arXiv.1801.04381.

[8] A. Howard dkk., “Searching for MobileNetV3,” 20 November 2019, arXiv: arXiv:1905.02244. doi: 10.48550/arXiv.1905.02244.

[9] J. Hu, L. Shen, S. Albanie, G. Sun, dan E. Wu, “Squeeze-and-Excitation Networks,” 16 Mei 2019, arXiv: arXiv:1709.01507. doi: 10.48550/arXiv.1709.01507.

[10] M. Tan dan Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” 11 September 2020, arXiv: arXiv:1905.11946. doi: 10.48550/arXiv.1905.11946.

[11] M. Tan dan Q. V. Le, “EfficientNetV2: Smaller Models and Faster Training,” 23 Juni 2021, arXiv: arXiv:2104.00298. doi: 10.48550/arXiv.2104.00298.

[12] A. Dosovitskiy dkk., “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale,” 3 Juni 2021, arXiv: arXiv:2010.11929. doi: 10.48550/arXiv.2010.11929.

[13] I. P. Sari dan L. Elvitaria, “Data-driven approach for batik pattern classification using convolutional neural network (CNN),” vol. 13, no. 3, 2025.

[14] Z. F. Haq, M. A. Bianto, A. Agustin, dan M. R. Nurfebrianto, “Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Citra Batik Nusantara”.

[15] L. Perez dan J. Wang, “The Effectiveness of Data Augmentation in Image Classification using Deep Learning,” 13 Desember 2017, arXiv: arXiv:1712.04621. doi: 10.48550/arXiv.1712.04621.

[16] Ihsan Zulfahmi, Said Iskandar Al Idrus, Hermawan Syahputra, Insan Taufik, dan Kana Saputra S, “Implementation of MobileNet V3 In Classifying Butterfly Species with Android and Cloud Based Application Development,” J. Artif. Intell. Eng. Appl. JAIEA, vol. 4, no. 2, hlm. 996–1004, Feb 2025, doi: 10.59934/jaiea.v4i2.797.

[17] Y. Z. Malih dan M. Akbar, “KLASIFIKASI DAN SEGMENTASI MOTIF BATIK YOGYAKARTA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK,” vol. 10, no. 1, 2026.

[18] I. Nur Fahrudin dan M. Akbar, “IMAGE SEGMENTATION OF YOGYAKARTA BATIK PATTERN USING SEGNET,” J. Ris. Inform., vol. 8, no. 2, hlm. 309–320, Mar 2026, doi: 10.34288/jri.v8i2.491.

[19] K. A. Tamayasa dan L. J. E. Dewi, “ANALISIS PERBANDINGAN MODEL ARSITEKTUR MOBILENETV2 DAN EFFICIENTNETB3 DALAM KLASIFIKASI PENYAKIT DAUN JAGUNG,” J. Inform. Dan Tek. Elektro Terap., vol. 14, no. 1, Jan 2026, doi: 10.23960/jitet.v14i1.8624.

[20] F. M. Amien, D. Kurniawan, A. Junaidi, dan B. Hermanto, “A Comparative Study of CNN Architectures: ConvNeXt, MobileNetV3, and EfficientNet for Oral Disease Diagnosis,” J. Pepadun, vol. 6, no. 1, hlm. 81–91, Apr 2025, doi: 10.23960/pepadun.v6i1.267.

[21] S. Sathyanarayanan, “Confusion Matrix-Based Performance Evaluation Metrics,” Afr. J. Biomed. Res., hlm. 4023–4031, Nov 2024, doi: 10.53555/AJBR.v27i4S.4345.