Cet article présente une étude sur la classification des motifs traditionnels de batik de Tasikmalaya à l'aide de réseaux de neurones convolutionnels (CNN). Les expériences ont révélé que la complexité élevée des motifs de batik affectait considérablement les performances du modèle, car la gestion de chaque classe influençait les résultats globaux. Les expériences initiales avec l'ensemble de données original ont montré des performances suboptimales, caractérisées par des courbes de précision et de validation indiquant un surapprentissage, avec seulement 75 % de précision atteinte à un taux d'apprentissage de 0,001, une taille de lot de 32 et 50 époques. Pour améliorer les performances, nous avons mis en œuvre la segmentation des données, l'augmentation des données, optimisé le choix du meilleur optimiseur, utilisé une architecture optimale et effectué un réglage des hyperparamètres. Le modèle le mieux performant a été entraîné sur des données soumises à un prétraitement spécifique pour chaque classe, en utilisant l'optimiseur Adam avec un réglage des hyperparamètres fixé à un taux d'apprentissage de 0,001, une taille de lot de 32 et 50 époques. Dans l'expérience de réglage des hyperparamètres avec l'architecture du réseau de géométrie visuelle (VGGNet), il a été montré qu'il y a une amélioration dans la prédiction de la classe kumeli, atteignant une précision de 100 %.
Mufizar et al. (Fri,) ont étudié cette question.