EVALUASI KINERJA ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN) YOLOv10 UNTUK IDENTIFIKASI MOTIF BATIK LAMPUNG

Adli , Fiqrullah (2025) EVALUASI KINERJA ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK (CNN) YOLOv10 UNTUK IDENTIFIKASI MOTIF BATIK LAMPUNG. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK - ABSTRACT - Adli Fiqrullah.pdf Download (218Kb) | Preview
	File PDF 2. SKRIPSI FULL - Adli Fiqrullah.pdf Restricted to Hanya staf Download (3384Kb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA BAB PEMABAHASAN - Adli Fiqrullah.pdf Download (2394Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Batik merupakan warisan budaya Indonesia yang memiliki nilai historis, filosofis, dan estetis tinggi. Salah satu batik daerah yang merepresentasikan kekayaan budaya lokal adalah batik Lampung. Motif khas seperti Jung Agung, Siger Kembang Cengkih, dan Sembagi mencerminkan identitas masyarakat Lampung. Upaya pelestarian diperlukan agar warisan ini tetap dikenal lintas generasi. Digitalisasi berbasis kecerdasan buatan memberikan pendekatan baru untuk memperkuat pelestarian budaya melalui pemanfaatan teknologi pengenalan citra. Arsitektur You Only Look Once (YOLO) berpotensi digunakan dalam proses deteksi motif batik secara otomatis dan real-time. Penelitian ini bertujuan untuk membandingkan performa seluruh varian arsitektur YOLOv10 dalam mengenali motif batik Lampung. Dataset terdiri atas 14 kelas dan diperoleh dari 1200 frame hasil ekstraksi video yang telah diaugmentasi serta dianotasi secara manual. Jumlah total bounding box yang dihasilkan mencapai hingga 4143. Evaluasi performa dilakukan menggunakan metrik Intersection over Union (IoU), precision, recall, f1-score, average precision (AP), dan mean Average Precision (mAP@50). Efisiensi model juga diukur berdasarkan nilai frame per second (FPS) dan durasi inferensi. Hasil menunjukkan YOLOv10l mencapai mAP@50 sebesar 92,44% sebagai nilai tertinggi. Varian YOLOv10s mencatat waktu inferensi tercepat yaitu 2,03 menit dan FPS sebesar 88,12. Varian YOLOv10l sesuai diterapkan pada sistem yang membutuhkan akurasi tinggi, sedangkan YOLOv10s lebih tepat untuk sistem real- time dengan keterbatasan komputasi. Kata Kunci: Batik Lampung, Deteksi Objek, YOLOv10. Batik is an Indonesian cultural heritage with high historical, philosophical, and aesthetic value. One regional batik that represents local cultural richness is Lampung batik. Distinctive patterns such as Jung Agung, Siger Kembang Cengkih, and Sembagi reflect the identity of the Lampung community. Preservation efforts are essential to ensure this heritage remains recognized across generations. Artificial intelligence–based digitalization offers a new approach to strengthen cultural preservation through image recognition technology. The You Only Look Once (YOLO) architecture has the potential to be utilized for automated and real- time batik motif detection. This study aims to compare the performance of all YOLOv10 architecture variants in recognizing Lampung batik motifs. The dataset consists of 14 classes and was obtained from 1200 frames extracted from video, which were augmented and manually annotated. A total of 4143 bounding boxes were generated. Performance evaluation was conducted using metrics including Intersection over Union (IoU), precision, recall, F1-score, average precision (AP), and mean Average Precision (mAP@50). Model efficiency was measured based on frames per second (FPS) and inference duration. The results show that YOLOv10l achieved the highest mAP@50 score of 92,44%. YOLOv10s recorded the fastest inference time of 2,03 minutes and an FPS of 88,12. YOLOv10l is suitable for systems requiring high accuracy, while YOLOv10s is more appropriate for real- time systems with limited computational resources. Keywords: Lampung Batik, Object Detection, YOLOv10.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	. . Yulianti
Date Deposited:	27 Oct 2025 03:26
Terakhir diubah:	27 Oct 2025 03:26
URI:	http://digilib.unila.ac.id/id/eprint/92008

Actions (login required)

Lihat Karya Akhir