KLASIFIKASI CITRA LUKISAN BALI DAN NON BALI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DAN RESNET-50

Rahjasa, I Putu Galang Januarta (2026) KLASIFIKASI CITRA LUKISAN BALI DAN NON BALI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DAN RESNET-50. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2215101037-COVER.pdf
Download (468kB)
[img] Text (ABSTRAK)
2215101037-ABSTRAK.pdf
Download (8MB)
[img] Text (BAB 1 PENDAHULUAN)
2215101037-BAB 1 PENDAHULUAN.pdf
Download (8MB)
[img] Text (BAB 2 KAJIAN TEORI)
2215101037-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2215101037-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101037-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2215101037-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2215101037-DAFTAR PUSTAKA.pdf
Download (8MB)
[img] Text (LAMPIRAN)
2215101037-LAMPIRAN.pdf
Download (8MB)

Abstract

Seni lukis merupakan karya seni rupa dua dimensi yang berfungsi sebagai media visualisasi ide dan representasi budaya, salah satunya adalah lukisan tradisional Bali. Namun, rendahnya apresiasi seni di masyarakat menyebabkan kesulitan dalam membedakan karakteristik antara lukisan Bali dan lukisan Non-Bali secara manual. Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra menggunakan pendekatan deep learning. Data penelitian berjumlah 250 citra yang dikumpulkan dari sumber terpercaya seperti Kaggle, pameran seni, dan dokumentasi buku dengan jumlah dua kelas yaitu lukisan Bali dan lukisan Non Bali. Pengujian dilakukan menggunakan dua arsitektur, yaitu Convolutional Neural Network (CNN) dan ResNet-50, dengan variasi parameter learning rate (0,0001 dan 0,00001) serta batch size (16 dan 32). Hasil pelatihan menunjukkan model CNN mencapai performa optimal pada learning rate 0,0001 dan batch size 16 dengan akurasi training 90%, validation 90%, dan testing 86%. Sementara itu, model ResNet-50 mendapatkan hasil optimal pada konfigurasi learning rate 0,0001 dan batch size 32 yang menghasilkan akurasi training 98%, validation 92%, dan testing 94%. Kedua model terbaik tersebut kemudian disimpan dan diintegrasikan ke dalam aplikasi berbasis web sederhana menggunakan platform streamlit untuk memfasilitasi klasifikasi citra lukisan secara digital.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Deep Learning, Klasifikasi Citra, Lukisan Bali, CNN, ResNet-50
Subjects: N Fine Arts > ND Painting
Q Science > QA Mathematics > QA76 Computer software
T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: I Putu Galang Januarta Rahjasa
Date Deposited: 16 Jul 2026 06:48
Last Modified: 16 Jul 2026 06:48
URI: http://repo.undiksha.ac.id/id/eprint/30979

Actions (login required)

View Item View Item