Klasifikasi Jenis Batik Menggunakan Metode Jaringan Saraf

Konvolusi - Convolutional Neural Network (CNN)

Fahmi Ardiansyah (4611420003)1, Ahmad Syafii (4611420021)2, Ilmaya

Hariani(4611420018)3, Muhammad Zhafran Ammar(4611420029)4, Muhammad Iqhbal
Abdillah(4611420046)5

Program Studi Teknik Informatika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Semarang

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:

Diagram 2.1 Alur penelitian

2.2. Data Penelitian
Data pada penelitian ini menggunakan dataset dari tiga jenis batik. Batik yang
digunakan yaitu batik megamendung, batik parang, dan batik poleng. Sehingga
terdapat tiga kelas dengan rincian jumlah dataset yaitu 210 sampel data training dan
60 sampel data testing. Sehingga, jumlah seluruhnya adalah 270 data sampel.
Berikut ini adalah sampel dari ketiga jenis batik yang digunakan dapat dilihat pada
tabel 2.1
Tabel 2.1 Sampel batik yang digunakan

No Nama kelas Gambar sampel

1 Batik Parang
 2 Batik Poleng

3 Batik Megamendung

2.3. Algoritma Convolutional neural Network (CNN)

Convolutional neural Network (CNN) merupakan sebuah feedforward jaringan
saraf tiruan yang memiliki struktur dalam. CNN juga merupakan salah satu
representasi dari deep learning. Algoritma CNN mempunyai kelebihan yaitu dapat
mengenali informasi tersembunyi dari suatu objek seperti gambar, suara, teks, dan
lain sebagainya. Berikut ini adalah ilustrasi struktur CNN (Putra, 2019) yang dapat
dilihat pada gambar 2.1:

Gambar 2.1 Struktur CNN

Sumber: Putra, 2019
Struktur algoritma CNN terdiri dari input, proses ekstraksi fitur, proses
klasifikasi, dan terakhir adalah output. CNN terdiri dari neuron (saraf) yang
memiliki berat dan fungsi aktivasi. CNN bekerja dengan menggerakkan kernel
konvolusi ke sebuah citra agar didapatkan informasi representatif baru dari hasil
perkalian bagian citra tersebut dengan filter yang digunakan. Langkah pertama
CNN adalah dengan memecah citra baru yang berukuran lebih kecil dan saling
tumpang tindih. Masing-masing citra tersebut akan dimasukkan ke dalam jaringan
saraf kecil dan hasilnya akan disimpan dalam sebuah array yang disebut dengan
proses konvolusi. Setelah itu adalah proses down sampling dan max pooling untuk
mengambil nilai piksel terbesar dalam setiap pooling kernel. Tahap terakhir adalah
prediksi citra berdasarkan jaringan saraf yang telah terkoneksi secara utuh (fully
connected layer) (Bariyah dkk., 2021).
2.4. Pengolahan data
Berdasarkan data sampel pada sub bab 2.2 maka tahapan pengolahan data dimulai
dari input data, kemudian data tersebut disesuaikan ukurannya dengan metode yang
digunakan, Setelah itu, pembagian data training dan validasi dengan perbandingan
yang telah ditentukan. Setelah proses tersebut dilalui baru masuk pada tahap
training data. Setala proses tersebut dilakukan, kemudian menganalisis proses yang
telah dilakukan. Alur pengolahan data dapat dilihat pada diagram 2.2 di bawah ini:
 Diagram 2.2 Alur pengolahan data

3. HASIL DAN PEMBAHASAN

3.1. Pelatihan model
Pada tahapan ini menggunakan library dari tensor flow yang digunakan untuk
mengklasifikasikan antara jenis batik satu dengan batik yang lainnya. Proses
klasifikasi ini dilakukan dengan tujuan memperoleh klasifikasi yang baik dengan
hasil prediksi yang tepat. Berikut ini adalah model sekuensial lalu di konvolusi
dengan bantuan fungsi aktivasi tertentu:

Gambar 3.1 Model sekuensial yang digunakan

Pada model tersebut terdapat input layer, dua hidden layer, dan satu output
layer. Model ini menggunakan fungsi aktivasi ReLU dan karena bersifat kategori,
maka output layarnya menggunakan fungsi aktivasi softmax.
3.2. Evaluasi Model
Berdasarkan uji coba yang dilakukan, berikut ini adalah hasil pengujian
sampel data berdasarkan ukuran batch dan epoch yang dapat dilihat pada tabel 2
sebagai berikut:
Tabel 3.1 Pengujian data

Batch
8 16 32
10 0.5833 0.6500 0.7391
15 0.5000 0.6500 0.7240
Epoch

50 0.8333 0.7500 0.8152

100 0.8333 0.8500 0.9402
200 0.9167 0.9000 0.9583

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:

Gambar 3. 4 Grafik akurasi dan loss batch 32 dengan epoch 200

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.

3.3. Prediksi Model

Pada tahapan ini dilakukan pengujian terhadap sampel data yang digunakan.
Pada sampel data tersebut akan diprediksi kelas yang tepat sesuai dengan sampel
data yang diinputkan. Berikut ini adalah prediksi yang digunakan dapat dilihat
pada gambar 3.5 di bawah ini
 Gambar 3.5 prediksi kelas sampel
Pada (Gambar 3.5) terlihat bahwa hasilnya sesuai pada kategori kelas yang sama
sesuai dengan tipe batik antara data validasi (data validation) dan data latih (data
training) yang menunjukkan gambar batik Megamendung.
4. KESIMPULAN DAN SARAN
Berdasarkan penelitian diatas, akurasi paling tinggi didapatkan adalah 0,9583
dengan epoch sebesar 200 dan batch sebesar 32. Kemudian lama proses komputasi juga
berdasarkan banyak nya jumlah epoch dan ukuran batch yang digunakan. Berdasarkan
akurasi yang didapatkan bahwa adanya teknologi dapat menunjang para generasi muda
dalam hal mengenali jenis-jenis batik.
Penelitian ini banyak kekurangannya, sehingga dibutuhkan data yang lebih
banyak untuk mengetahui tingkat akurasinya atau dengan mengujinya menggunakan
metode yang berbeda.

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
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.
Pattern Recognition Using SIFT Approach,” Procedia Comput. Sci., vol. 59, no. Iccsci,
pp. 567–576, 2015