MODEL DEEP LEARNING BERBASIS CNN DENGAN EKSTRAKSI FITUR GLCM UNTUK KLASIFIKASI MOTIF BATIK

Batik merupakan warisan budaya Indonesia yang memiliki keanekaragaman motif dan nilai estetika tinggi. Namun, proses pengenalan motif batik secara manual masih menghadapi kendala karena kompleksitas pola dan tekstur yang beragam. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi motif batik menggunakan pendekatan deep learning berbasis Convolutional Neural Network (CNN) yang dikombinasikan dengan metode ekstraksi fitur tekstur Gray Level Co-occurrence Matrix (GLCM). Model yang digunakan mengadopsi arsitektur EfficientNet-B0 dan dibandingkan dengan ResNet-50 untuk mengevaluasi kinerja klasifikasi. Dataset terdiri dari 15 jenis motif batik Indonesia dengan total 5.193 citra yang diperoleh dari Kaggle. Proses penelitian meliputi tahap pra-pemrosesan, augmentasi data, pelatihan model, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa kombinasi CNN dengan fitur GLCM mampu meningkatkan kemampuan model dalam mengenali pola tekstur dan bentuk batik, dengan tingkat akurasi mencapai 90%. Temuan ini membuktikan bahwa integrasi antara metode deep learning dan ekstraksi fitur klasik efektif dalam mengoptimalkan performa klasifikasi motif batik serta dapat menjadi kontribusi dalam pelestarian budaya melalui teknologi kecerdasan buatan.