Implementasi Sistem Convolutional Neural Network (CNN) Dengan Arsitektur Xception Untuk Klasifikasi Motif Citra Batik Berbasis Web Pada PT Jaya Batik

Abdullah Zarkasi; Nana Hermansyah

doi:10.69693/ijmst.v4i3.12444

Authors

Abdullah Zarkasi Universitas Pamulang
Nana Hermansyah Universitas Pamulang

DOI:

https://doi.org/10.69693/ijmst.v4i3.12444

Keywords:

Klasifikasi Batik, Convolutional Neural Network, Xception, Transfer Learning, Aplikasi Web

Abstract

Identifikasi motif batik di PT Jaya Batik masih dilakukan melalui pengamatan visual sehingga prosesnya bergantung pada pengalaman operator, membutuhkan waktu, dan berpotensi menghasilkan klasifikasi yang tidak konsisten. Penelitian ini bertujuan mengembangkan sistem klasifikasi motif citra batik otomatis menggunakan Convolutional Neural Network berarsitektur Xception dengan strategi transfer learning serta mengintegrasikannya ke dalam aplikasi web berbasis Flask. Dataset penelitian terdiri atas 3.009 citra yang mewakili tujuh kelas motif batik dan dibagi menjadi data latih, validasi, serta pengujian dengan rasio 80:10:10. Citra dipraproses menjadi ukuran 224×224 piksel dan dinormalisasi sebelum digunakan pada model Xception berbobot awal ImageNet. Lapisan dasar model dibekukan, sedangkan lapisan klasifikasi kustom dilatih selama 100 epoch menggunakan optimizer Adam. Hasil pengujian terhadap 301 citra menunjukkan akurasi 99,34% dan weighted average F1-score 0,99. Lima kelas mayoritas memperoleh F1-score 1,00, sedangkan Batik Cendrawasih dan Batik Betawi memperoleh F1-score 0,94 dan 0,83 akibat ketimpangan jumlah data. Sistem menerapkan confidence threshold 85% untuk menolak citra di luar domain pelatihan. Sebelas skenario blackbox dan enam skenario whitebox dinyatakan valid. Aplikasi web mendukung unggahan berkas dan kamera secara real-time serta menampilkan nama, asal daerah, dan filosofi motif. Temuan menunjukkan bahwa Xception dengan transfer learning mampu menghasilkan klasifikasi akurat dan solusi operasional yang praktis.

References

Aisyah, S., Astuti, R., Basysyar, F. M., Nurdiawan, O., & Ali, I. (2024). Convolutional Neural Networks for classification motives and the effect of image dimensions. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 8(1), 181–188. https://doi.org/10.29207/resti.v8i1.5623

Anggoro, D. A., Marzuki, A. A. T., & Supriyanti, W. (2024). Classification of Solo batik patterns using deep learning Convolutional Neural Networks algorithm. TELKOMNIKA (Telecommunication Computing Electronics and Control), 22(1), 232–240. https://doi.org/10.12928/TELKOMNIKA.v22i1.24598

Ardyani, S. S. F., & Sari, C. A. (2024). A web-based for Demak batik classification using VGG16 Convolutional Neural Network. Advance Sustainable Science, Engineering and Technology, 6(4), 0240406. https://doi.org/10.26877/asset.v6i4.771

Ariawan, D., Budimansyah, E., Yudha, W. R., Maulana, R. D., & Munsarif, M. (2025). Klasifikasi motif batik Indonesia menggunakan Convolutional Neural Network (CNN). Jurnal Komputer dan Teknologi Informasi, 3(2), 45–53. [DOI belum ditemukan – mohon diverifikasi]

Aswan, Puspaningrum, E. Y., & Asrul, B. E. W. (2025). Optimization of CNN activation functions using Xception for South Sulawesi batik classification. Sistemasi: Jurnal Sistem Informasi, 14(5), 2382–2394. https://doi.org/10.32520/stmsi.v14i5.5281

Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1251–1258. https://doi.org/10.1109/CVPR.2017.195

Filia, B. J., et al. (2023). Improving batik pattern classification using CNN with advanced augmentation and oversampling on imbalanced dataset. Procedia Computer Science, 227, 508–517. https://doi.org/10.1016/j.procs.2023.10.552

Hakim, L., Rahmanto, H. R., Kristanto, S. P., & Yusuf, D. (2023). Klasifikasi citra motif batik Banyuwangi menggunakan Convolutional Neural Network. Jurnal Teknoinfo, 17(1), 203–211. https://doi.org/10.33365/jti.v17i1.2342

Haq, Z. F., Bianto, M. A., Agustin, A., & Nurfebrianto, M. R. (2025). Implementasi Convolutional Neural Network (CNN) untuk klasifikasi citra batik Nusantara. Jurnal Teknik Informatika dan Teknologi Informasi, 5(1), 456–471. https://doi.org/10.55606/jutiti.v5i1.5421

Hasyim, F., Malik, K., Rizal, F., & Yudistira, R. (2022). Implementasi algoritma Convolutional Neural Networks (CNN) untuk klasifikasi batik. COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi, 2(2), 40–47. https://doi.org/10.33650/coreai.v2i2.3365

Jumadi, J., Yupianti, Y., & Sartika, D. (2021). Pengolahan citra digital untuk identifikasi objek menggunakan metode hierarchical agglomerative clustering. Jurnal Sains dan Teknologi, 10(2), 148–156. [DOI belum ditemukan – mohon diverifikasi]

Octavianus, Y., & Avianto, D. (2025). Modifikasi arsitektur dalam Convolutional Neural Network untuk klasifikasi batik Lampung dan batik Yogyakarta. Jurnal Indonesia: Manajemen Informatika dan Komunikasi (JIMIK), 6(1), 522–535. [DOI belum ditemukan – mohon diverifikasi]

Prayoga, A., Maimunah, Sukmasetya, P., Yudianto, M. R. A., & Hasani, R. A. (2023). Arsitektur Convolutional Neural Network untuk model klasifikasi citra batik Yogyakarta. Journal of Applied Computer Science and Technology, 4(2), 82–89. https://doi.org/10.52158/jacost.v4i2.486

Ramadhani, F. K., Hsb, M. F. H., Alfaruqy, O. M. F., Nurzanah, L., & Gibran, M. K. (2025). Implementasi pengolahan citra untuk identifikasi motor menggunakan algoritma Convolutional Neural Network (CNN). Jurnal Citrakara, 7(2), 122–128. [DOI belum ditemukan – mohon diverifikasi]

Salsabila, A. P. B. (2023). Klasifikasi motif batik Karawang berbasis citra digital. Jurnal Sistem dan Teknologi Informasi, 8(1). [DOI belum ditemukan – mohon diverifikasi]

Sinaga, D., Jatmoko, C., Suprayogi, S., & Hedriyanto, N. (2024). Multi-layer Convolutional Neural Networks for batik image classification. Scientific Journal of Informatics, 11(2), 477–484. https://doi.org/10.15294/sji.v11i2.3309

Susanti, I. D., Winarno, S., & Zeniarja, J. (2024). Yogyakarta batik image classification based on Convolutional Neural Network. Advance Sustainable Science, Engineering and Technology, 6(1). https://doi.org/10.26877/asset.v6i1.18002