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