Optimalisasi MobileNetV2 Dalam Klasifikasi Motif Kawung dengan Menggunakan Random Search dan Model Optimizer Adagrad

Abstract

Batik merupakan warisan budaya Indonesia yang kaya akan nilai estetika dan filosofi, namun identifikasi motifnya secara manual membutuhkan keahlian khusus dan kurang efisien dalam konteks digitalisasi. Penelitian ini bertujuan mengoptimalkan arsitektur MobileNetV2 berbasis Transfer Learning untuk klasifikasi motif batik Kawung menggunakan metode Random Search dan optimizer Adagrad. Dataset sebanyak 658 citra motif batik Kawung dikumpulkan dari Kaggle dan Google Images, kemudian dibagi menjadi data latih (80%) dan data validasi (20%). Data diproses melalui resizing 224×224 piksel dan augmentasi (rotasi ±20°, horizontal flip, translation 20%, zooming ±20%, brightness ±20%) untuk memperkaya variasi dan mengurangi overfitting. Model MobileNetV2 pre-trained ImageNet disesuaikan dengan menambahkan lapisan Global Average Pooling, Batch Normalization, Dropout, dan Dense layer. Hyperparameter tuning dilakukan menggunakan Random Search untuk mengoptimalkan learning rate, batch size, dan dropout rate dengan optimizer Adagrad. Hasil penelitian menunjukkan model mencapai akurasi validasi 96.43% dengan precision 0.96, recall 0.96, dan F1-score 0.96 untuk klasifikasi motif Kawung. Model konvergen pada epoch ke-24 dengan waktu pelatihan efisien 2.60 menit. Penelitian ini memberikan kontribusi dalam pelestarian budaya batik melalui sistem klasifikasi yang akurat, efisien, dan dapat diimplementasikan untuk digitalisasi warisan budaya Indonesia.