Augmentasi Data Pengenalan Citra Batik Yogyakarta Menggunakan Pendekatan Random Crop, Rotate, Dan Mixup

Abstract

Batik Yogyakarta merupakan warisan budaya Indonesia yang kaya akan nilai estetika dan filosofis. Klasifikasi citra batik secara otomatis menghadapi tantangan berupa kompleksitas pola visual serta keterbatasan data pelatihan. Penelitian ini bertujuan mengevaluasi efektivitas teknik augmentasi data random crop, random rotate, dan Mixup untuk meningkatkan performa klasifikasi enam motif batik Yogyakarta menggunakan arsitektur ResNet50. Tiga skenario pelatihan digunakan: tanpa augmentasi (Skenario A), augmentasi geometris (Skenario B), dan kombinasi augmentasi geometris dengan Mixup (Skenario C). Dataset terdiri dari 1.350 gambar dan dibagi menggunakan stratified sampling, dengan pelatihan berbasis transfer learning. Hasil pengujian menunjukkan bahwa augmentasi data secara signifikan meningkatkan performa model. Skenario A (baseline) mencapai akurasi 84,96%, Skenario B (dengan random crop dan rotate) meningkat menjadi 86,67%, dan Skenario C (tambahan Mixup) memperoleh akurasi tertinggi sebesar 87,22%. Mixup memberikan regularisasi tambahan yang memperkuat generalisasi model terhadap data uji, terutama pada dataset terbatas. Dengan demikian, kombinasi augmentasi geometris dan Mixup terbukti menjadi strategi efektif dalam pengenalan citra batik, dan berpotensi diterapkan pada tugas klasifikasi visual lain dalam pelestarian warisan budaya