PENERAPAN AUGMENTASI GAMBAR UNTUK MEMPERLUAS DATASET BATIK DAYAK KALIMANTAN PADA KLASIFIKASI POLA BERBASIS CITRA DIGITAL

Latar Belakang: Batik Dayak Kalimantan merupakan warisan budaya dari lima wilayah di Kalimantan yang memiliki keragaman motif khas, namun keterbatasan jumlah data latih yang hanya mencakup 600 citra dari lima kelas wilayah menyebabkan model klasifikasi berpotensi mengalami overfitting dan menghasilkan akurasi yang tidak optimal, sehingga diperlukan strategi perluasan dataset tanpa pengumpulan data baru di lapangan. Penelitian ini menerapkan teknik augmentasi gambar menggunakan bahasa pemrograman Python dengan pustaka keras ImageDataGenerator melalui empat teknik transformasi yaitu rotasi hingga 180°, pencerminan horizontal dan vertikal, perbesaran hingga 10%, serta pergeseran warna sebesar ±7,8%, sehingga dataset berhasil diperluas dari 600 citra menjadi 3.600 citra dengan distribusi yang tetap seimbang antar kelas wilayah. Dataset yang telah diperluas kemudian diklasifikasikan menggunakan aplikasi Orange Data Mining melalui proses ekstraksi fitur Image Embedding berbasis model CNN pralatih SqueezeNet (local) dan algoritma Neural Network, serta dievaluasi menggunakan metode Stratified 5-fold Cross Validation berdasarkan nilai AUC, CA, Precision, Recall dan F1-score. Hasil penelitian menunjukkan peningkatan kinerja klasifikasi yang signifikan setelah augmentasi diterapkan, dengan nilai AUC meningkat dari 0,975 menjadi 0,997, nilai CA meningkat dari 88,7% menjadi 95,3%, serta nilai Precision, Recall, dan F1-score masing-masing meningkat dari 0,886 menjadi 0,953, yang mengindikasikan bahwa augmentasi gambar mampu memperluas variasi dataset dan meningkatkan kinerja klasifikasi motif batik Dayak Kalimantan berdasarkan wilayah asal secara lebih optimal.