ABSTRAK
Indonesia merupakan negara dengan banyak keanekaragaman di dalamnya. Terdapat
berbagai suku, agama, ras, dan budaya dengan mempunyai ciri khas masing-masing.
Indonesia juga memiliki warisan budaya yang telah diakui oleh UNESCO. Batik
merupakan salah satu aset negara yang begitu mahal harganya. Oleh karena itu, semua
kalangan masyarakat harus ikut berperan dalam melestarikan batik ini. Peran generasi
muda dalam pelestarian batik ini juga perlu ditingkatkan karena generasi ini merupakan
pewaris masa depan akan budaya Indonesia. Berbagai jenis batik di Indonesia membuat
generasi muda kesulitan dalam membedakan antara batik satu dengan batik yang lainnya.
Oleh karena itu dibutuhkan sebuah teknologi yang dapat digunakan untuk
mengklasifikasikan antara jenis batik satu dengan batik yang lainnya. Hal ini dapat
ditunjang dengan menggunakan algoritma Convolutional Neural Network (CNN) dalam
mengklasifikasikan jenis batik. Klasifikasi antara jenis batik satu dengan batik lainnya
dapat diukur menggunakan validasi akurasi atau tingkat keakuratan dengan memberikan
sampel data pada pengujian program komputer.
1. PENDAHULUAN
Indonesia merupakan negara dengan banyak keanekaragaman di dalamnya.
Indonesia yang terdiri dari ribuan pulau di dalamnya, sehingga Indonesia kaya akan
berbagai suku bangsa, bahasa, dan kebudayaan. Kekayaan yang semacam ini
merupakan suatu hal yang harus selalu dijaga dan dilestarikan supaya dapat dinikmati
oleh generasi yang akan datang.
Indonesia memiliki begitu banyak warisan kebudayaan dari nenek moyang
sebagai identitas bangsa Indonesia salah satunya adalah batik. Batik sudah menjadi ciri
khas dari Indonesia dan sudah diakui oleh UNESCO pada 2 Oktober 2009 sebagai hak
kebudayaan intelektual bangsa Indonesia (Yodha dan Kurniawan, 2014). Warga
Indonesia turut bangga karena batik dapat dikenal oleh dunia luas.
Batik merupakan suatu pola unik dengan unsur ketradisionalan yang diterapkan
pada sebuah kain dan diberi warna dan motif tertentu yang menjadi ciri khas dari
Indonesia itu sendiri (Nurhaida dkk, 2015). Indonesia sendiri memiliki beragam jenis
batik di dalamnya. Selain itu terdapat motif-motif tertentu yang membuat batik tersebut
sulit untuk dikenali. Jika keadaan seperti ini dikhawatirkan akan lunturnya batik dalam
jangka waktu panjang ke depan. Peran kelestarian batik juga terletak pada generasi
muda (Nurcahyadi, 2021). Oleh sebab itu dibutuhkan sebuah teknologi yang dapat
mengklasifikasikan antara batik satu dengan batik yang lain. Metode yang dapat
digunakan untuk mengklasifikasikan jenis batik ini adalah dengan menggunakan
algoritma Convolutional Neural Network (CNN).
Penelitian sebelumnya pernah dilakukan oleh Minarno (2021) yaitu
mengklasifikasikan batik menggunakan algoritma Convolutional Neural Network
(CNN) dengan menggunakan 300 data dengan rincian 250 data training dan 50 data
testing. Pada data ini terdapat 50 jenis batik dengan setiap kelas terdapat 6 sampel data.
Sehingga, setiap kelas di validasi hanya terdapat 1 sampel data. Penelitian sebaiknya
menambahkan jumlah validasi supaya keakuratan yang ada pada penelitian dapat lebih
baik lagi.
Penelitian ini bertujuan untuk mengklasifikasikan antara jenis batik satu dengan
batik yang lain. Klasifikasi ketepatan antara jenis batik dapat diukur dengan mengetahui
tingkat akurasi pengklasifikasian antara batik satu dengan bati yang lain. Penelitian ini
diharapkan dapat bermanfaat bagi masyarakat umum dan khususnya generasi muda
dalam membantu mengenali jenis batik.
2. METODOLOGI
2.1. Tahapan Penelitian
Pada tahap ini terdapat beberapa hal yang harus dilakukan antara lain
mengumpulkan berbagai referensi yang dibutuhkan, referensi dapat diambil dari
jurnal, skripsi, berita, dan lain sebagainya. Berikut ini adalah tahapan penelitian
dapat dilihat pada diagram 2.1:
3 Batik Megamendung
Batch
8 16 32
10 0.5833 0.6500 0.7391
15 0.5000 0.6500 0.7240
Epoch
Berdasarkan data di atas diketahui bahwa nilai akurasi terbesar terdapat pada
epoch sebesar 200 dan batch sebesar 32 dengan akurasinya yaitu 0.9583. Selain
pada tabel di atas, berikut ini disajikan tabel akurasi dan loss pada masing-masing
batch dengan memberikan epoch sebesar 200.
a. Percobaan batch 8 dengan epoch 200
Berikut ini adalah grafik hasil training dan validation dapat dilihat pada
gambar 3.1 di bawah ini:
Gambar 3.2. Grafik akurasi dan loss batch 8 dengan epoch 200
Pada (Gambar 3.2) menyatakan bahwa uji validation accuracy dan val
accuracy mengalami kenaikan namun pada validation accuracy rata-ratanya
berada di ambang angka kisaran 0.7 dan 0.8 artinya memiliki nilai
persentase sekitaran 70% dan 80%, dengan epoch terakhirnya yaitu bernilai
0.8667 atau 86,667%. Semakin epoch-nya naik semakin mengalami
kenaikan pula (overfitting), setelah epoch mencapai 100 lebih maka pada
grafiknya berubah menjadi (underfitting) yang dimana nilainya tidak turun
dan naik secara signifikan, namun berada tetap dalam ambang batas kondisi
tersebut.
Pada loss-nya sendiri selalu turun, namun pada val loss memiliki grafik
tetap dan frekuensinya gelombang nya sangat tinggi dan cukup signifikan
perubahannya mulai dari 0.5 hingga 1.75 dengan rata-rata val loss-nya
adalah 1, kadang naik nya melambung, kadang turunnya rendah, maka grafik
seperti ini dapat dikatakan tidaklah bagus.
b. Percobaan batch 16 dengan epoch 200
Berikut ini adalah grafik hasil training dan validation dapat dilihat pada
gambar 3.3 di bawah ini:
Gambar 3.3 Grafik akurasi dan loss batch 16 dengan epoch 200
Pada (Gambar 3.3) diatas dengan mengubah batchnya diperbesar 2 kali
dari semula pada (Gambar 3. 2) yang awalnya 8 kemudian diubah menjadi
16 supaya dapat mengetahui perbedaannya. Grafik ini terlihat sama saja
pada bagian Akurasi untuk training dan validation. Pada bagian training
loss juga terlihat seperti mirip dan tidak jauh berbeda, Namun pada
validation loss ini terlihat mengalami perubahan yang cukup Optimal,
kemudian terlihat jelas bahwa val loss terus mengalami kenaikan walaupun
sedikit demi sedikit, maka dapat dinyatakan grafik (Gambar 3. 3) memiliki
hasil yang sebenarnya sedikit lebih buruk daripada hasil (Gambar 3.2) rata-
rata val loss nya diambang angka 1.2 namun jika epoch diteruskan dan
berlangsung maka kemungkinan besar validation loss-nya akan mengalami
kenaikan terus menerus meskipun memiliki frekuensi tidak terlalu jauh
untuk kenaikannya, maka dapat diinterpretasikan grafik ini terbilang jelek
atau kurang baik.
c. Percobaan batch 32 dengan epoch 200
Berikut ini adalah grafik hasil training dan validation dapat dilihat pada
gambar 3.4 di bawah ini:
Dari perbandingan ketiga gambar diatas, yaitu (Gambar 3.2), (Gambar 3.3),
dan (Gambar 3.4). Apabila kondisi batch dinaikkan, yang terjadi adalah
grafik akurasi dan validasi akurasi semakin meningkat dan mengalami
kenaikan serta stabil dan lebih optimal, akan tetapi juga yang menjadi faktor
atau tolak ukur ataupun parameter disini juga dengan melihat loss dan
validasi loss yang semakin turun dan ini menunjukkan hasil yang fantastis.
Jadi didapat dari data tersebut dimana hasil (Gambar 3.4) lebih baik daripada
hasil-hasil lainnya karena memiliki nilai val accuracy diambang 0.9583 itu
menunjukkan grafik yang hasilnya terbaik dan sangat bagus pada (Gambar
3.4).
Perbedaan antara hasil yang buruk dengan yang bagus terletak pada
fungsi-fungsi yang ada di dalam generator, dan juga arsitektur model
sekuensial yang memakai penambahan fungsi aktivasi pada layers flatten
(meratakan lapisan) serta ditambahkan layers dropout (mengeluarkan
lapisan) dengan Seed (benih) tertentu. Serta penetuan jumlah batch dan
epoch. Dengan demikian dari semua itu merupakan faktor penting yang
berpengaruh terhadap hasilnya.
DAFTAR PUSTAKA
Bariyah, T., Rasyidi, M. A., & Ngatini, N. 2021. Convolutional Neural Network
untuk Metode Klasifikasi Multi-Label pada Motif Batik. Techno.Com, 20(1),
155–165. https://doi.org/10.33633/tc.v20i1.4224
I. Nurhaida, A. Noviyanto, R. Manurung, and A. M. Arymurthy, “Automatic
Indonesian’s Batik Pattern Recognition Using SIFT Approach,” Procedia Comput.
Sci., vol. 59, no. Iccsci, pp. 567–576, 2015.
J. W. G. Putra. 2019. Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. vol. 4,
pp. 1–235, [Online]. Available: https://www.researchgate.net/publication/3237
00644.
J. W. Yodha and A. W. Kurniawan, “Pengenalan Motif Batik Menggunakan Deteksi Tepi
Canny Dan K-Nearest Neighbor,” J. Techno.COM, Vol. 13, No. 4, Novemb. 2014
251-262, vol. 13, no. 4, pp. 251–262, 2014.
Minarno, A. E. (2021). Klasifikasi Jenis Batik Menggunakan Algoritma Convolutional
Neural Network. Jurnal Repositor, 3(2), 199–206.
https://doi.org/10.22219/repositor.v3i2.1201
Nurchayadi, Ghani. 2021. Pelibatan Generasi Muda Jadi Kunci Pelestarian Batik Sebagai
Budaya Identitas Indonesia. diakses dari
https://mediaindonesia.com/humaniora/437067/pelibatan-generasi-muda-jadi-
kunci-pelestarian-batik-sebagai-budaya-identitas-indonesia pada 4 Juni 2022.