IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK DETEKSI DAN KLASIFIKASI MOTIF BATIK SOLO SECARA OTOMATIS

Batik merupakan warisan budaya takbenda Indonesia yang memiliki beragam motif dan filosofi mendalam. Salah satu daerah yang terkenal dengan keunikan motif batiknya adalah Solo.Namun, proses identifikasi motif batik secara manual masih menjadi tantangan karena kemiripan visual antar motif.
Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk mengenali empat motif batik Solo Parang, Sidoasih, Sidomukti, dan Truntum menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 250 citra digital yang telah dilabeli, diperoleh dari sumber daring dan penelitian terdahulu. Data dibagi menjadi tiga bagian: pelatihan, validasi, dan pengujian. Proses pra-pemrosesan mencakup resizing citra ke ukuran 224×224 piksel, normalisasi, dan augmentasi data.
Arsitektur CNN yang digunakan terdiri dari tiga lapisan konvolusi, tiga max pooling, flatten, serta dua dense layer. Model dilatih selama 20 epoch menggunakan optimizer Adam dan fungsi loss categorical cross-entropy. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan motif dengan akurasi sebesar 89,36% dan nilai loss 0,5172. Nilai rata-rata f1-score makro dan tertimbang melebihi 0,88, menunjukkan performa model yang sangat baik. Hasil ini membuktikan bahwa CNN efektif dalam mengenali pola visual kompleks pada motif batik Solo, serta dapat mendukung pelestarian budaya melalui teknologi.