Generator Warna Otomatis Gambar Batik Madura Berbasis Convolutional Neural Network (CNN)

Proses desain pewarnaan batik Madura sering menghadapi tantangan dalam hal efisensi dan kecepatan produksi. Teknik manual yang lambat mengakibatkan penundaan dalam produksi dan menurunkan efisiensi industri batik Madura. Untuk mengatasi masalah ini, penelitian ini menggunakan Deep Learning salah satunya Convolutional Neural Network (CNN). CNN adalah metode Deep Learning yang sangat efektif dalam pengolahan citra. Penelitian ini bertujuan untuk menciptakan generator warna otomatis pada citra batik Madura menggunakan arsitektur Inception-Resnet-V2, yang telah terbukti mampu mengatasi masalah seperti penurunan gradien. Model dilatih pada dataset citra batik Madura yang berjumlah 673 gambar. Evaluasi model dilakukan dengan menggunakan dua metrik utama, yaitu Peak Signal to Noise Rasio (PSNR) dan Structural Similarity Indeks Metrics (SSIM). PSNR mengukur kualitas citra yang dihasilkan dengan membandingkan citra asli dan citra yang diwarnai, sedangkan SSIM mengukur kemiripan struktural antar citra berdasarkan persepsi sistem visual manusia (HVS). Hasil evaluasi menggunakan learning rate 0.001 PSNR terbaik yaitu didapat pada epoch 500 dengan nilai 10,98333 dan evaluasi menggunakan SSIM terbaik adalah epoch 100 dengan nilai 0,248148, Sedangkan menggunakan learning rate 0.0001 PSNR terbaik dan SSIM terbaik di dapat pada epoch 1000 dengan nilai yang lebih baik dari pada menggunakan learning rate lebih kecil yaitu 0.001. Dengan nilai PSNR yaitu 11,82 dan SSIM senilai 0,29. Secara performa learning rate 0.001 jika semakin naik epoch maka terjadi tidak konsisten pada evaluasi PSNR dan SSIM sedangkan dengan menggunakan learning rate 0.0001 menunjukkan bahwa terjadi peningkatan seiring meningkatnya epoch. Dari visualiasi citra hasil pewarnaan batik Madura mendekati dengan citra aslinya dan lebih banyak menghasilkan warna baru.