Clasificación de motivos de batik de Tasikmalaya utilizando redes neuronales convolucionales

Este artículo presenta un estudio sobre la clasificación de los motivos de batik tradicionales de Tasikmalaya utilizando redes neuronales convolucionales (CNN). Los experimentos revelaron que la alta complejidad de los motivos de batik impactó significativamente en el rendimiento del modelo, ya que el manejo de cada clase influyó en los resultados generales. Los experimentos iniciales con el conjunto de datos original demostraron un rendimiento subóptimo, caracterizado por curvas de precisión y validación que indicaban sobreajuste, logrando solo un 75% de precisión a una tasa de aprendizaje de 0.001, un tamaño de lote de 32 y 50 épocas. Para mejorar el rendimiento, implementamos segmentación de datos, aumento de datos, optimizamos la elección del mejor optimizador, utilizamos una arquitectura óptima y realizamos ajuste de hiperparámetros. El modelo de mejor rendimiento fue entrenado con datos sometidos a un preprocesamiento específico para cada clase, utilizando el optimizador Adam con el ajuste de hiperparámetros establecido a una tasa de aprendizaje de 0.001, un tamaño de lote de 32 y 50 épocas. En el experimento de ajuste de hiperparámetros con la arquitectura de red de grupo de geometría visual (VGGNet), se mostró que hay una mejora en la predicción de la clase kumeli, logrando una precisión del 100%.