Electronic Theses and Dissertation

Abstrak - Batik Aceh merupakan salah satu warisan budaya Indonesia yang memiliki nilai historis, filosofis, dan estetika yang tinggi. Namun, penelitian mengenai deteksi otomatis motif Batik Aceh masih sangat terbatas, terutama karena belum tersedianya dataset primer yang teranotasi serta belum banyak dikembangkan metode berbasis deep learning untuk mendeteksi berbagai motif dalam satu citra. Kondisi tersebut menjadi tantangan dalam mendukung proses digitalisasi dan pelestarian Batik Aceh. Oleh karena itu, penelitian ini bertujuan untuk membangun sistem deteksi otomatis motif Batik Aceh menggunakan arsitektur YOLOv12. Penelitian diawali dengan pembangunan dataset primer melalui pengambilan citra secara langsung di Rumoh Batik Aceh yang menghasilkan 500 citra dengan 22 jenis motif Batik Aceh. Seluruh citra kemudian melalui proses validasi label, anotasi menggunakan bounding box, serta augmentasi data sehingga menghasilkan total 11.754 anotasi. Dataset dibagi menggunakan metode Multi-Label Stratified Split dengan rasio 80% untuk data pelatihan, 10% untuk data validasi, dan 10% untuk data pengujian. Proses pelatihan dilakukan menggunakan lima varian YOLOv12, yaitu YOLOv12n, YOLOv12s, YOLOv12m, YOLOv12l, dan YOLOv12x, dengan variasi learning rate, jumlah epoch, dan batch size untuk memperoleh konfigurasi model terbaik. Evaluasi performa model dilakukan menggunakan metrik Precision, Recall, mAP50, dan mAP50-95 melalui skenario 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model terbaik diperoleh menggunakan YOLOv12m dengan konfigurasi learning rate 0,001, batch size 8, dan epoch 150 yang menghasilkan rata-rata Precision sebesar 88,95%, Recall 80,66%, mAP50 85,70%, mAP50-95 45,46% dan F1-Score 84,56%. Hasil tersebut menunjukkan bahwa YOLOv12m memiliki kemampuan yang baik dalam mendeteksi berbagai motif Batik Aceh serta lebih optimal dibandingkan varian YOLOv12 lainnya pada dataset yang digunakan. Luaran penelitian ini diharapkan dapat mendukung proses identifikasi, dokumentasi, katalogisasi, serta pelestarian motif Batik Aceh melalui penerapan teknologi deep learning.

Kata Kunci: Batik Aceh, Convolutional Neural Network (CNN), Deep Learning, Deteksi Objek, Varian YOLOv12, K-Fold Cross Validation

Abstract: Aceh Batik is one of Indonesia's cultural heritages with significant historical, philosophical, and aesthetic values. However, research on the automatic detection of Aceh Batik motifs remains limited, primarily due to the lack of a well-annotated primary dataset and the limited application of deep learning methods for detecting multiple motifs within a single batik image. This limitation poses a challenge to the digitalization and preservation of Aceh Batik. Therefore, this study aims to develop an automatic Aceh Batik motif detection system based on the YOLOv12 architecture. The research began with the construction of a primary dataset through direct image acquisition at Rumoh Batik Aceh, resulting in 500 images containing 22 different Aceh Batik motifs. All images underwent label validation, bounding box annotation, and data augmentation, producing a total of 11,754 annotated objects. The dataset was divided using the Multi-Label Stratified Split method with a ratio of 80% for training, 10% for validation, and 10% for testing. Model training was conducted using five YOLOv12 variants, namely YOLOv12n, YOLOv12s, YOLOv12m, YOLOv12l, and YOLOv12x, with various learning rates, numbers of epochs, and batch sizes to determine the optimal model configuration. Model performance was evaluated using Precision, Recall, mAP50, and mAP50-95 metrics under a 5-Fold Cross-Validation scheme. The experimental results indicate that YOLOv12m achieved the best performance with a learning rate of 0.001, a batch size of 8, and 150 training epochs, yielding an average Precision of 88.95%, Recall of 80.66%, mAP50 of 85.70%, mAP50-95 of 45.46% and F1-Score 84,56%. These results demonstrate that YOLOv12m is capable of accurately detecting various Aceh Batik motifs and outperforms the other YOLOv12 variants on the proposed dataset. The findings of this study are expected to support the identification, documentation, cataloging, and preservation of Aceh Batik motifs through the application of deep learning technology. Keywords: Aceh Batik, Convolutional Neural Network (CNN), Deep Learning, Object Detection, YOLOv12 Variants, K-Fold Cross-Validation.