Klasifikasi Motif Batik Yogyakarta dan Pekalongan Menggunakan Metode GLCM dan CNN Berbasis Arsitektur EfficientNet

Abstrak— Batik merupakan warisan budaya Indonesia yang memiliki nilai seni tinggi dan kekayaan visual khas, terutama pada motif-motif tradisional dari Yogyakarta dan Pekalongan. Keunikan pola dan tekstur batik menjadikannya menarik untuk dikaji melalui pengolahan citra digital berbasis kecerdasan buatan. Penelitian ini bertujuan mengembangkan sistem klasifikasi motif batik berdasarkan asal daerah menggunakan kombinasi metode Gray Level Co-occurrence Matrix (GLCM) dan Convolutional Neural Network (CNN) berbasis arsitektur EfficientNetB0. Dataset yang digunakan terdiri dari 256 citra batik (125 Yogyakarta dan 131 Pekalongan), yang diperluas melalui augmentasi menjadi 759 citra. Skema eksperimen melibatkan pelatihan tiga model: GLCM + SVM, CNN murni, dan gabungan GLCM + CNN. Hasil evaluasi menunjukkan bahwa model gabungan GLCM + CNN memberikan akurasi tertinggi sebesar 97% dan nilai loss terendah, dibandingkan CNN murni (96,05%) dan GLCM + SVM (76%). Temuan ini menunjukkan bahwa integrasi fitur tekstur (GLCM) dan fitur visual (CNN) secara sinergis meningkatkan akurasi dan stabilitas prediksi. Pendekatan ini efektif untuk klasifikasi citra objek budaya dengan tekstur kompleks seperti batik dan memiliki potensi diterapkan dalam pengembangan sistem pengenalan motif digital berbasis kecerdasan buatan.