HAMDASATI, Adinda Rizka (2026) Klasifikasi Motif Batik Jawa Tengah Menggunakan Transfer Learning Berbasis InceptionV3. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) FSM_ADINDA RIZKA HAMDASATI-24060122140139.zip Restricted to Repository staff only Download (9MB) | Request a copy
	Text 1. COVER.pdf Download (151kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (418kB)
	Text 4. KATA PENGANTAR.pdf Download (73kB)
	Text 6. ABSTRAK.pdf Download (88kB)
	Text 7. ABSTRACT.pdf Download (80kB)
	Text 8. DAFTAR ISI.pdf Download (198kB)
	Text 11. BAB 1 PENDAHULUAN.pdf Download (200kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (193kB)

Abstract

Motif batik Jawa Tengah memiliki tingkat keberagaman yang sangat tinggi karena setiap
daerah memiliki ciri khas motif tersendiri yang mencerminkan identitas budaya setempat,
namun identifikasi secara manual memerlukan keahlian khusus dan rentan terhadap
kesalahan akibat kemiripan visual antar motif dari daerah yang berbeda. Penelitian ini
menghasilkan model klasifikasi citra motif batik Jawa Tengah yang mencakup seluruh 35
daerah, yaitu 29 kabupaten dan 6 kota, menggunakan metode transfer learning berbasis
arsitektur InceptionV3. Dataset yang digunakan terdiri dari 2.801 citra yang dikumpulkan
secara mandiri dan dibagi menggunakan metode stratified split dengan proporsi 70% data
latih, 20% data validasi, dan 10% data uji. Ketidakseimbangan distribusi kelas diatasi
melalui kombinasi augmentasi offline, augmentasi online, dan class weighting. Proses
pelatihan dilakukan dalam dua fase, yaitu Fase 1 berupa feature extraction dengan
membekukan seluruh lapisan InceptionV3 dan melatih classification head kustom, serta
Fase 2 berupa fine-tuning dengan membuka 16 lapisan terakhir non-Batch Normalization
menggunakan cosine annealing learning rate scheduler dengan nilai maksimum 2×10⁻⁶.
Hasil evaluasi pada data uji menunjukkan test accuracy sebesar 90,60%, test loss sebesar
0,4898, macro precision 91,21%, macro recall 90,62%, dan macro F1-score 90,45%. Nilai
Top-3 accuracy mencapai 95,97%, Top-5 accuracy 96,64%, dan mean Average Precision
(mAP) sebesar 95,25%. Train-val gap sebesar 0,0130 menunjukkan bahwa model memiliki
kemampuan generalisasi yang baik tanpa indikasi overfitting yang signifikan. Analisis
korelasi Pearson antargambar per kelas menunjukkan bahwa seluruh 35 kelas memiliki nilai
mean korelasi yang rendah dengan rata-rata 0,0599. Pengujian hubungan antara
keseragaman intra-kelas dengan performa klasifikasi menghasilkan nilai r = 0,2254 dengan
p-value = 0,1929 yang tidak signifikan secara statistik. Sebaliknya, pengujian hubungan
antara kemiripan fitur antarkelas dengan performa klasifikasi menghasilkan nilai r = −0,4075
dengan p-value = 0,0151 yang signifikan secara statistik, membuktikan bahwa kemiripan
fitur antarkelas merupakan faktor utama yang mempengaruhi performa model. Secara
keseluruhan, metode transfer learning dengan strategi fine-tuning dua fase terbukti efektif
untuk klasifikasi citra batik meskipun jumlah data per kelas relatif terbatas.
Kata kunci : batik Jawa Tengah, klasifikasi citra, transfer learning, InceptionV3, fine-
tuning, convolutional neural network

(NO. KETERSEDIAAN : 1724/F/2026)

Actions (login required)

View Item