Electronic Theses and Dissertation

Batik Aceh merupakan salah satu warisan budaya Indonesia yang memiliki keragaman motif dengan pola, tekstur, dan warna yang kompleks sehingga proses segmentasi motif secara manual memerlukan waktu dan ketelitian yang tinggi. Penelitian ini bertujuan mengembangkan dataset primer segmentasi Batik Aceh serta membangun dan membandingkan arsitektur U-Net dan Attention U-Net untuk segmentasi motif Batik Aceh. Dataset yang digunakan terdiri atas 500 citra, 22 kelas motif, dan 11.754 anotasi yang diperoleh dari Rumoh Batik Aceh. Anotasi dilakukan menggunakan polygon annotation, kemudian dikonversi menjadi mask segmentasi multi-kelas. Tahap pra-pemrosesan meliputi Resize menjadi 256 × 256 piksel, normalisasi, MultiLabel Stratified Split, dan augmentasi data pelatihan. Model dievaluasi menggunakan metrik Loss , Dice Score, Mean Intersection over Union (mIoU), dan Pixel Accuracy, serta divalidasi menggunakan 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa Attention U-Net memperoleh rata-rata Dice Score sebesar 0,3231 dan mIoU sebesar 0,2398, lebih tinggi dibandingkan U-Net yang memperoleh Dice Score sebesar 0,2882 dan mIoU sebesar 0,2239. Sementara itu, U-Net menghasilkan nilai Loss dan Pixel Accuracy yang sedikit lebih baik. Secara keseluruhan, mekanisme Attention Gate pada Attention U-Net mampu meningkatkan kualitas segmentasi dengan memfokuskan pembelajaran pada fitur-fitur motif yang lebih relevan. Oleh karena itu, Attention U-Net merupakan arsitektur yang lebih efektif untuk segmentasi motif Batik Aceh dan berpotensi mendukung digitalisasi serta pelestarian batik Aceh.

Kata kunci: Batik Aceh, Segmentasi Citra, U-Net, Attention U-Net, Deep Learning.

Aceh Batik is an Indonesian cultural heritage featuring a diverse array of motifs characterized by complex patterns, textures, and colors; consequently, manual motif segmentation is time-consuming and demands high precision. This study aims to develop a primary Aceh Batik segmentation dataset and to build and compare U-Net and Attention U-Net architectures for segmenting Aceh Batik motifs. The dataset comprises 500 images, 22 motif classes, and 11,754 annotations obtained from Rumoh Batik Aceh. Annotations were created using polygon annotation and subsequently converted into multi-class segmentation masks. Pre-processing steps included resizing to 256 × 256 pixels, normalization, MultiLabel Stratified Split, and training data augmentation. The models were evaluated using Loss , Dice Score, Mean Intersection over Union (mIoU), and Pixel Accuracy metrics, and validated using 5-. The results indicate that Attention U-Net achieved an average Dice Score of 0.3231 and an mIoU of 0.2398, outperforming U-Net, which achieved a Dice Score of 0.2882 and an mIoU of 0.2239. Meanwhile, U-Net yielded slightly better Loss and Pixel Accuracy values. Overall, the Attention Gate mechanism in Attention U-Net improved segmentation quality by focusing the learning process on more relevant motif features. Therefore, Attention U-Net is a more effective architecture for Aceh Batik motif segmentation and holds the potential to support the digitalization and preservation of Aceh Batik. Keywords: Aceh Batik, Image Segmentation, U-Net, Attention U-Net, Deep Learning.