Perancangan Aplikasi Deteksi Motif Songke Manggarai Berbasis Pengolahan Citra Digital untuk Promosi dan Pemasaran Sentra IKM Tenun Molas Poco Lembor
DOI:
https://doi.org/10.31004/innovative.v5i4.20810Keywords:
Pengolahan Citra Digital, Motif Songke, CNN, MobileNetV2, Aplikasi WebAbstract
Penelitian ini bertujuan merancang dan mengembangkan aplikasi berbasis pengolahan citra digital untuk mendeteksi dan mengklasifikasikan motif Songke Manggarai. Dengan memanfaatkan algoritma Convolutional Neural Network (CNN) berbasis MobileNetV2 dan teknik augmentasi data, sistem mampu mendeteksi enam jenis motif Songke dengan akurasi mencapai 95%. Aplikasi ini dibangun berbasis web menggunakan Flask sebagai backend dan TensorFlow/Keras sebagai engine machine learning. Hasil penelitian menunjukkan bahwa sistem dapat membantu pelaku IKM dalam mendokumentasikan, mengenali, serta mempromosikan produk tenun Songke secara digital, sekaligus memperluas jangkauan pasar melalui teknologi.
References
Ariani, D. D., Zuhriyah, S., Puspaningrum, E. Y., & Pallawabonang, M. (2025). Identification of Papua Cenderawasih Batik Motifs using Local Binary Pattern and K-Nearest Neighbor. Sistemasi, 14(2), 623. https://doi.org/10.32520/stmsi.v14i2.5008
Fatimah, N. S., & Agustin, S. (2025). Bagian Artikel Klasifikasi Citra Batik Menggunakan Local Binary Pattern (LBP) dan Support Vector Machine (SVM). Algoritma, 22(1). https://doi.org/10.33364/algoritma/v.22-1.2208
Fauziah, M. R. (2023). Deep Learning Fruit Image Classification Dengan Menggunakan Metode CNN. Medium. https://medium.com/%4019611097/deep-learning-fruit-image-classification-dengan-menggunakan-metode-cnn-d09a8e81a7ec
Garg, S., Pundir, P., Rathee, G., Gupta, P. K., Garg, S., & Ahlawat, S. (2021). On Continuous Integration / Continuous Delivery for Automated Deployment of Machine Learning Models using MLOps. Proceedings - 2021 IEEE 4th International Conference on Artificial Intelligence and Knowledge Engineering, AIKE 2021, Ci, 25–28. https://doi.org/10.1109/AIKE52691.2021.00010
Gulzar, Y. (2023). Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique. Sustainability (Switzerland), 15(3). https://doi.org/10.3390/su15031906
Handayani, S., Zuhdi, A., & Shofiati, R. (2022). Implementation of Gray Level Co-occurrence Matrix (GLCM) and Support Vector Machine (SVM) Methods for Recognition of Batik Bekasi Motifs Implementation of Gray Level Co-occurrence Matrix (GLCM) and Support Vector Machine (SVM) Methods for Recognition of B. Intelmatics, 2(2), 67–72. https://doi.org/10.25105/itm.v2i2.14423
Kanugroho, M. T., Rahman, M. A., & Wihandika, R. C. (2022). Klasifikasi Batik dengan Ekstraksi Fitur Tekstur Local Binary Pattern dan Metode K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 6(10), 4788–4794. http://j-ptiik.ub.ac.id
Kaur, H., Rani, V., Kumar, M., Sachdeva, M., Mittal, A., & Kumar, K. (2024). Federated learning: a comprehensive review of recent advances and applications. Multimedia Tools and Applications, 83(18), 54165–54188. https://doi.org/10.1007/s11042-023-17737-0
Lian, Y., & Dong, Y. (2024). Texture Classification Method Based on Local Enhancement and Non-local Median Patterns. Academic Journal of Science and Technology, 11(1), 88–96. https://doi.org/10.54097/6xvc9784
Salam, J. G. J., & Harjoko, A. (2025). Klasifikasi Motif Tenun Manggarai Ntt Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level Co-Occurrence Matrix (Glcm) [Universitas Gadjah Mada,]. https://etd.repository.ugm.ac.id/penelitian/detail/250434
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Wilhelmus Sabatani Jangku, Marius Yosef Seran, I Wayan Pio Pratama, I Putu Eka Sudarsana, Sisilia Fhelly Djun, Kristoforus Toni Harjo, I Made Dwija Oka Negara, Angling G.C. Widiyanto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
