Klasifikasi Citra Topeng Bali Berdasarkan Karakteristik Visual Menggunakan Arsitektur EfficientNetV2
DOI:
https://doi.org/10.31598/jurnalresistor.v8i3.1926Keywords:
klasifikasi citra, topeng bali, deep learning, EfficientNetV2, augmentasi dataAbstract
Kekayaan budaya Bali, khususnya dalam bentuk seni topeng tradisional, menyimpan nilai historis dan filosofis yang tinggi sehingga perlu didukung oleh upaya pelestarian berbasis teknologi digital. Salah satu tantangan dalam konteks ini adalah proses identifikasi dan klasifikasi topeng Bali yang masih bergantung pada pengamatan manual dan keahlian terbatas.Penelitian ini mengkaji permasalahan klasifikasi citra topeng pajegan Bali yang memiliki kemiripan karakteristik visual antarkelas sehingga menyulitkan proses identifikasi secara manual. Untuk mengatasi permasalahan tersebut, diterapkan pendekatan deep learning berbasis arsitektur EfficientNetV2 dengan strategi transfer learning dan data augmentation. Dataset yang digunakan terdiri dari 350 citra yang terbagi secara acak dan seimbang ke dalam data latih (70%), validasi (15%), dan data uji (15%). Eksperimen dilakukan menggunakan platform Google Colaboratory dengan framework TensorFlow-Keras. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi maksimum pada data uji dengan nilai metrik evaluasi yang konsisten pada seluruh kelas. Kontribusi utama penelitian ini adalah mengevaluasi efektivitas arsitektur EfficientNetV2 dalam klasifikasi citra budaya dengan dataset berukuran terbatas, sekaligus memberikan analisis kritis terhadap capaian performa tinggi untuk meningkatkan validitas ilmiah dan transparansi metodologi.
References
[1] I. G. M. D. S. Putra, I. W. Gulendra, dan N. M. P. Utami, “BALINESE MASKS AS A SOURCE OF INSPIRATION FOR IDEAS IN THE CREATION OF PAINTING WORKS,” CITA KARA : JURNAL PENCIPTAAN DAN PENGKAJIAN SENI MURNI, vol. 5, no. 1, hlm. 73–79, Apr 2025, doi: 10.59997/ctkr.v5i1.4493.
[2] I. W. Suardana, “STRUKTUR RUPA TOPENG BALI KLASIK,” Imaji, vol. 4, no. 1, Nov 2015, doi: 10.21831/imaji.v4i1.6703.
[3] H. Hartatik dan M. K. Anam, “Comparison of Convolutional Neural Network Architecture on Detection of Helmet Use by Humans,” Elinvo (Electronics, Informatics, and Vocational Education), vol. 8, no. 1, hlm. 44–54, Jun 2023, doi: 10.21831/elinvo.v8i1.52104.
[4] H. A. Pratiwi, M. Cahyanti, dan M. Lamsani, “IMPLEMENTASI DEEP LEARNING FLOWER SCANNER MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK,” Sebatik, vol. 25, no. 1, hlm. 124–130, Jun 2021, doi: 10.46984/sebatik.v25i1.1297.
[5] F. I. Kurniadi, V. Kemala Putri, dan Y. E. Wibawa, “Klasifikasi Topeng Cirebon Menggunakan Metode Convolutional Neural Network,” 2021. [Daring]. Tersedia pada: http://jurnal.mdp.ac.id
[6] A. Sanjaya, E. Setyati, dan H. Budianto, “Klasifikasi Topeng Pandawa dengan SVM.”
[7] J. Elektronik Ilmu Komputer Udayana dkk., “Analisis Klasifikasi Citra Karakteristik Topeng Bali Menggunakan Model InceptionV3 Dan MobileNetV2”, [Daring]. Tersedia pada: https://www.kaggle.com/datasets/suryapradana/balinese-mask.
[8] M. Hayat, N. Ahmad, A. Nasir, dan Z. Ahmad Tariq, “Hybrid Deep Learning EfficientNetV2 and Vision Transformer (EffNetV2-ViT) Model for Breast Cancer Histopathological Image Classification,” IEEE Access, vol. 12, hlm. 184119–184131, 2024, doi: 10.1109/ACCESS.2024.3503413.
[9] D. P. Sidik, F. Utaminingrum, dan L. Muflikhah, “Penggunaan Variasi Model pada Arsitektur EfficientNetV2 untuk Prediksi Sel Kanker Serviks,” 2023. [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id
[10] D. Putri dan A. Dkk, “AUGMENTASI DATA PADA IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR EFFICIENTNET-B3 UNTUK KLASIFIKASI PENYAKIT DAUN PADI.”
[11] T. Kumar, R. Brennan, A. Mileo, dan M. Bendechache, “Image Data Augmentation Approaches: A Comprehensive Survey and Future Directions,” IEEE Access, vol. 12, hlm. 187536–187571, 2024, doi: 10.1109/ACCESS.2024.3470122.
[12] C. Shorten dan T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J Big Data, vol. 6, no. 1, Des 2019, doi: 10.1186/s40537-019-0197-0.
[13] M. R. M. Kamal, S. Shahbudin, dan F. Y. A. Rahman, “Photovoltaic (PV) Module Defect Image Classification Analysis Using EfficientNetV2 Architectures,” dalam 2023 IEEE 14th Control and System Graduate Research Colloquium (ICSGRC), IEEE, Agu 2023, hlm. 236–241. doi: 10.1109/ICSGRC57744.2023.10215491.
[14] L. Jiang, S. Zhu, dan N. Sun, “An Improved Lightweight Variant of EfficientNetV2 Coupled With Sensor Fusion and Transfer Learning Techniques for Motor Fault Diagnosis,” IEEE Access, vol. 12, hlm. 84470–84487, 2024, doi: 10.1109/ACCESS.2024.3412050.
[15] H.-J. Jeon dan J. W. Jeon, “Efficient Training of EfficientNetV2-S Using AdaBelief Optimizer,” dalam 2022 IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia), IEEE, Okt 2022, hlm. 1–3. doi: 10.1109/ICCE-Asia57006.2022.9954726.
[16] A. Tariq, M. M. Iqbal, M. Javed Iqbal, dan and Iftikhar Ahmad, “Transforming Brain Tumor Detection Empowering Multi-Class Classification With Vision Transformers and EfficientNetV2,” IEEE Access, vol. 13, hlm. 63857–63876, 2025, doi: 10.1109/ACCESS.2025.3555638.
[17] M. Heydarian, T. E. Doyle, dan R. Samavi, “MLCM: Multi-Label Confusion Matrix,” IEEE Access, vol. 10, hlm. 19083–19095, 2022, doi: 10.1109/ACCESS.2022.3151048.
[18] C. Shorten dan T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J Big Data, vol. 6, no. 1, hlm. 60, Des 2019, doi: 10.1186/s40537-019-0197-0.
[19] F. J. Moreno-Barea, J. M. Jerez, dan L. Franco, “Improving classification accuracy using data augmentation on small data sets,” Expert Syst Appl, vol. 161, hlm. 113696, Des 2020, doi: 10.1016/j.eswa.2020.113696.
[20] J. Lemley, S. Bazrafkan, dan P. Corcoran, “Smart Augmentation Learning an Optimal Data Augmentation Strategy,” IEEE Access, vol. 5, hlm. 5858–5869, 2017, doi: 10.1109/ACCESS.2017.2696121.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 I Gusti Agung Putu Mahendra, Afis Julianto, Agus Tedyyana
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright in each article belongs to the author.
- The authors admit that RESISTOR Journal as a publisher who published the first time under
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) License. - Authors can include writing separately, regulate distribution of non-ekskulif of manuscripts that have been published in this journal into another version (eg sent to respository institution author, publication into a book, etc.), by recognizing that the manuscripts have been published for the first time in RESISTOR Journal
1.png)
