Optimasi Kinerja Klasifikasi Motif Batik pada Arsitektur MobileNetV2 melalui Strategi Fine-Tuning

Abstract

Klasifikasi motif batik menghadapi tantangan signifikan sebagai masalah fine-grained visual classification, di mana tingginya similaritas visual antar-kelas menuntut kapabilitas ekstraksi fitur yang superior. Sementara banyak riset terdahulu mengandalkan arsitektur Convolutional Neural Network (CNN) berskala besar, pendekatan tersebut sering kali tidak efisien dari sisi komputasi. Penelitian ini bertujuan untuk menguji efektivitas MobileNetV2 sebagai arsitektur lightweight, dengan fokus utama membuktikan bahwa optimasi melalui fine-tuning dapat menghasilkan akurasi tinggi yang setara dengan model kompleks. Secara metodologis, penelitian ini menerapkan transfer learning dua tahap, yaitu fase feature extraction dengan membekukan base layer untuk adaptasi awal, kemudian dilanjutkan fine-tuning pada lapisan konvolusi agar representasi fitur menjadi lebih spesifik terhadap karakteristik batik. Alur metode diperkuat melalui augmentasi citra, normalisasi, penggunaan Global Average Pooling (GAP) untuk pereduksi dimensi secara stabil, serta lapisan dropout untuk menekan overfitting. Hasil evaluasi menunjukkan bahwa strategi fine-tuning mampu meningkatkan akurasi secara signifikan dari model MobileNetV2 tanpa fine-tuning meraih akurasi 94,00% dan ketika menggunakan fine-tuning bisa mencapai akurasi hingga mencapai 99,85%, membuktikan bahwa MobileNetV2 yang dioptimalkan dapat menyamai performa model berparameter besar dengan efisiensi komputasi yang tetap tinggi. Analisis error menunjukkan bahwa model masih menghadapi tantangan minor dalam membedakan kelas-kelas dengan pola visual yang sangat identik (inter-class similarity). Temuan ini menegaskan bahwa model lightweight yang dioptimalkan layak diterapkan pada perangkat bersumber daya terbatas untuk mendukung pelestarian digital batik.