Klasifikasi Motif Batik Menggunakan Convolutional Neural Network

Yuwandha, Firdho Alif (2020) Klasifikasi Motif Batik Menggunakan Convolutional Neural Network. Sarjana thesis, Universitas Brawijaya.

Abstract

Skripsi ini mengkaji metode Convolutional Neural Network untuk klasifikasi motif batik. Klasifikasi batik bertujuan untuk membantu pelestarian Batik Indonesia. Penelitian ini dimulai dengan melakukan penurunan proses backpropagation pada convolutional layer dan pooling layer. Penelitian ini menggunakan 5000 data motif batik yang terbagi dalam 10 kelas dengan 3750 data berfungsi sebagai data training dan 1250 data sebagai data test. Pada data dilakukan beberapa preprocessing, antara lain resize berukuran 224⇥224, normalisasi ke rentang [0,1], dan pengaturan model warna RGB, HSV, serta Grayscale. Pengujian model CNN dilakukan tiga tahap, yakni pengaturan convolutional layer, pengaturan convolutional kernel, serta pengaturan model warna. Fungsi aktivasi yang digunakan adalah softmax untuk layer terakhir dan ReLU untuk layer lainnya. Koreksi bobot dilakukan dengan menggunakan metode Stochastic Gradient Descent dengan learning rate 0,01 dan fungsi galat categorical cross-entropy. Model terbaik pada penelitian ini adalah model yang mengaplikasikan CNN 3 layer dengan convolutional kernel berturut-turut berukuran 11⇥11⇥48, 7⇥7⇥64, dan 5⇥5⇥128, serta menggunakan model warna Red Green Blue (RGB). Model dapat mengklasifikasikan data dengan akurasi 0,9784, rata-rata precision 0,9785, dan rata-rata recall 0,9784.

English Abstract

This thesis studies Convolutional Neural Network method for batik motif classification. Batik classification aims to help preserve Indonesia’s Batik. This research carries out derivation of backpropagation process in convolutional layer and pooling layer. This research uses 5000 data of batik motifs which are divided into 10 classes, with 3750 data functioning as training data and 1250 data as test data. Data are done several preprocessing which are data resize to 224⇥224, normalization to range [0,1], and color model settings to RGB, HSV, also Grayscale. The calibration of CNN models are done in 3 stages, namely convolutional layer settings, convolutional kernel settings, and color model settings. Activation functions used are softmax in the last layer and ReLU for others. Weight correction uses Stochastic Gradient Descent method with 0,01 learning rate and categorical cross-entropy loss function. Best model in this research is model that applies three layers CNN with the sizes of convolutional kernel in order are 11⇥11⇥48, 7⇥7⇥64, and 5⇥5⇥128, also using Red Green Blue (RGB) color model. The model could classify data with 0,9784 accuracy, 0,9785 precision average, and 0,9784 recall average.

Other obstract

-

Item Type:	Thesis (Sarjana)
Identification Number:	0520090075
Uncontrolled Keywords:	Klasifikasi, Batik, CNN, Stochastic Gradient Descent
Subjects:	500 Natural sciences and mathematics > 515 Analysis > 515.5 Special functions
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika
Depositing User:	ismanto
Date Deposited:	02 Feb 2021 08:10
Last Modified:	07 Oct 2024 04:44
URI:	http://repository.ub.ac.id/id/eprint/182415

Text 0520090075-Firdho Alif Yuwandha_unlocked.pdf Download (6MB)

Actions (login required)

View Item