Perbandingan Arsitektur CNN VGG16, ResNet dan DenseNet Menggunakan Model Transfer Learning Pada Klasifikasi Jenis Batik Lampung
Batik Lampung merupakan salah satu warisan budaya daerah dengan beragam motif yang memiliki nilai filosofi tinggi. Namun, tingginya kemiripan visual antar-motif membuat proses identifikasi secara manual sulit dilakukan. Penelitian ini bertujuan untuk mengimplementasikan metode transfer learning pada tiga arsitektur Convolutional Neural Network (CNN), yaitu VGG16, ResNet50, dan DenseNet121, serta membandingkan kinerjanya dalam klasifikasi citra batik Lampung. Proses penelitian mencakup pengumpulan dataset gambar, preprocessing gambar dan pelatihan tiga model (VGG16, ResNet50, dan DenseNet121) evaluasi performa, digunakan metode 5-Fold Cross Validation dengan variasi hyperparameter berupa optimizer (Adam, RMSProp), jumlah epoch (10 dan 30), batch size (32), serta learning rate (0.0001). Hasil penelitian menunjukkan bahwa VGG16 menghasilkan akurasi sebesar 0.9296, sementara ResNet50 0.9704 dan DenseNet121 memberikan perfoma terbaik dengan akurasi (1.000). DenseNet121 menjadi model paling unggul karena arsitektur dense connectivity yang memungkinkan pemanfaatan fitur sederhana maupun kompleks secara bersamaan. Transfer learning terbukti efektif diimplementasikan pada ketiga arsitektur CNN untuk klasifikasi motif batik Lampung, dengan DenseNet121 sebagai model terbaik yang paling stabil, konsisten, dan sesuai dengan karakteristik dataset.
URI
https://repo.itera.ac.id/depan/submission/SB2509260011
Keyword
Batik Lampung Klasifikasi Citra Convolutional Neural Network Transfer Learning