Klasifikasi Motif Batik Semarang Menggunakan Convolutional Neural Network Dengan VGG16

Abstract

Batik Semarang memiliki kekayaan motif seperti
Asem Arang, Blekok Warak, Gambang Semarangan, Kembang
Sepatu, dan Semarangan. Untuk mendukung pelestariannya,
penelitian ini mengembangkan sistem klasifikasi otomatis
menggunakan Convolutional Neural Network (CNN) dengan
arsitektur VGG16 dan pendekatan transfer learning. Dataset
berisi 1.360 citra diperoleh dari Kaggle, dengan preprocessing
berupa resize ke 224×224 piksel dan normalisasi piksel.
Pelatihan model dilakukan dengan variasi optimizer, learning
rate, dan epoch. Evaluasi performa dilakukan menggunakan
confusion matrix, classification report, serta grafik akurasi dan
loss. Kombinasi terbaik menggunakan optimizer SGD, learning
rate 0.01, dan 50 epoch, menghasilkan performa tinggi tanpa
overfitting. Model diimplementasikan ke dalam antarmuka
Streamlit agar dapat digunakan secara praktis. Berdasarkan
analisis prediksi tiap kelas, sistem mampu mengenali motif
batik secara akurat dan stabil. Penelitian ini diharapkan dapat
mendukung digitalisasi batik melalui teknologi klasifikasi citra.
Kata kunci— Batik, Klasifikasi, Convolutional Neural
Network, VGG16.
I. PENDAHULUAN
Indonesia dikenal sebagai negara kepulauan yang kaya
akan budaya, salah satunya adalah batik, yang telah menjadi
warisan tak benda dunia versi UNESCO sejak 2 Oktober
2009. Batik tidak hanya sekadar kain bergambar, tetapi juga
sarat dengan nilai estetika, historis, filosofis, serta
mencerminkan identitas lokal setiap daerah. Masing-masing
wilayah di Indonesia memiliki motif batik yang khas,
termasuk Kota Semarang yang dikenal dengan motif seperti
Asem Arang, Blekok Warak, Gambang Semarangan,
Kembang Sepatu, dan Semarangan. Keunikan motif tersebut
merepresentasikan kekayaan budaya masyarakat pesisir yang
ekspresif dan terbuka[1].
Meskipun demikian, proses pengenalan dan klasifikasi
motif batik masih dilakukan secara manual dan bergantung
pada keahlian individu, sehingga menimbulkan tantangan
dalam hal kecepatan, efisiensi, dan akurasi. Untuk mengatasi
hal tersebut, diperlukan pemanfaatan teknologi, khususnya
dalam bidang pengolahan citra digital dan kecerdasan buatan.
Salah satu pendekatan yang relevan adalah penggunaan
Convolutional Neural Network (CNN), yang telah banyak
diterapkan untuk tugas klasifikasi citra, termasuk dalam
pengenalan objek dan pola visual. CNN mampu
mengekstraksi fitur visual melalui lapisan konvolusi,
pooling, dan fully connected secara bertahap[2].
Penelitian terdahulu menunjukkan efektivitas CNN
dalam klasifikasi gambar, termasuk batik. Misalnya, Rizki
Mawan (2020) berhasil mengklasifikasikan tiga jenis motif
batik dengan akurasi sebesar 85% menggunakan CNN[3].
Selain itu, beberapa penelitian telah mengembangkan sistem
klasifikasi batik dari daerah lain seperti Yogyakarta, Solo,
dan Banyuwangi. Namun, klasifikasi motif batik Semarang
masih belum banyak dieksplorasi. Hal ini menjadi celah
penelitian yang penting untuk dikaji lebih lanjut[4].
Penelitian ini bertujuan untuk membangun model
klasifikasi citra motif batik Semarang menggunakan metode
CNN dengan arsitektur VGG16 dan pendekatan transfer
learning. VGG16 dipilih karena kesederhanaan strukturnya,
penggunaan kernel kecil 3×3, serta kemampuan da