Klasifikasi Motif Batik dengan CNN (MobileNetV2) & MLflow

Proyek ini bertujuan untuk melakukan klasifikasi gambar motif batik menggunakan arsitektur MobileNetV2 sebagai feature extractor dan lapisan tambahan untuk prediksi multi-kelas. Semua eksperimen, parameter, dan metrik dicatat menggunakan MLflow untuk memudahkan pelacakan dan reproduksi.

---

🗓️ MLOps Canvas

🎯 Tujuan Proyek

1. Membangun model deep learning untuk klasifikasi motif batik otomatis
2. Melestarikan warisan budaya melalui teknologi AI
3. Membuat sistem yang mudah diakses via web interface
4. Dokumentasi reproducible dengan MLflow\
5. Menerapkan alur MLOps end-to-end (deployment, inference, data logging)

---

🏷️ Batik Classifications

Model dapat mengklasifikasikan 14 motif batik tradisional Indonesia:

No	Nama Motif	Asal Daerah	Karakteristik
1	Barong	Bali	Motif mitologis berupa singa dengan mahkota
2	Celup	Berbagai daerah	Teknik pewarnaan dengan pencelupan
3	Cendrawasih	Papua	Burung cendrawasih dengan warna cerah
4	Ceplok	Jawa Tengah	Motif geometris berulang seperti bunga
5	Dayak	Kalimantan	Pola etnik dengan simbol budaya Dayak
6	Insang	Kalimantan	Motif seperti insang ikan dengan pola lengkung
7	Kawung	Jawa	Pola geometris bulatan seperti buah kawung
8	Lontara	Sulawesi Selatan	Berbasis aksara Lontara dengan pola simetris
9	Mataketeran	Sumbawa	Mata ketengan dengan pola detail rumit
10	Megamendung	Cirebon	Awan berwarna cerah dengan gradasi warna
11	Ondel-ondel	Betawi	Boneka besar Betami dengan wajah khas
12	Parang	Jawa Tengah	Motif diagonal seperti pedang (parang)
13	Pring	Yogyakarta	Motif bambu dengan pola vertikal
14	Rumah Minang	Sumatera Barat	Pola arsitektur rumah gadang dengan atap khas

---

✅ Fitur Utama

• Model: MobileNetV2 dengan lapisan GlobalAveragePooling, Dropout, dan Dense untuk klasifikasi.
• Pelacakan Eksperimen: MLflow digunakan untuk mencatat parameter (learning rate, jumlah epoch), metrik per epoch (akurasi dan loss), serta menyimpan model sebagai artifact.
• Pipeline Data: Menggunakan generator berbasis ImageDataGenerator untuk normalisasi dan manajemen batch dataset.
• Evaluasi Lengkap: Termasuk confusion matrix, classification report, dan pengukuran waktu inferensi rata-rata per sampel.
• Penyimpanan Model: Format .keras dan weights .h5 untuk kemudahan deployment dan checkpointing.

---

🏗️ Arsitektur Sistem

1. Data Collection
   ↓
2. Preprocessing (resize 224x224, normalization)
   ↓
3. Data Splitting (Train 80%, Validation 15%, Test 5%)
   ↓
4. Model Building (MobileNetV2 base + custom layers)
   ↓
5. Model Training (with MLflow tracking)
   ↓
6. Model Evaluation & Validation
   ↓
7. Model Export (.h5 format)
   ↓
8. Deployment (Hugging Face Spaces)

---

📑 Struktur Direktori

.
├─ README.md
├─ Kode/
│  └─ klasifikasi_batik.ipynb
├─ src/
│  ├─ app.py
├─ requirements.txt
└─ artifacts/
   ├─ best_model_MobileNetV2.h5
   ├─ model_batik_mobilenetv2.keras
   └─ mlruns/

---

📂 Dataset

Dataset tersedia di Kaggle Dataset: (https://www.kaggle.com/datasets/buyungsaloka/motif-batik-dataset)

Karakteristik Dataset:

• Total Gambar: ~1,400 gambar (14 kelas × ~100 gambar/kelas)
• Format: JPG/PNG
• Resolusi: Bervariasi (di-resize ke 224×224 untuk training)

Struktur dataset:

archive/
├─ train/
│  ├─ kelas_1/
│  ├─ kelas_2/
│  └─ ...
├─ val/
│  ├─ kelas_1/
│  ├─ kelas_2/
│  └─ ...
└─ test/
├─ kelas_1/
├─ kelas_2/
└─ ...

---

🚀 Menjalankan Aplikasi di Hugging Face

Simpan model dalam format Keras

model_MobileNetV2.save("model_batik_mobilenetv2.keras")

Simpan hanya weights

FILENAME = "model_batik_mobilenetv2.weights.h5"
model_MobileNetV2.save_weights(FILENAME)

Instalasi pustaka

!pip install huggingface-hub -q

Login ke Hugging Face Hub

from huggingface_hub import notebook_login
notebook_login()  # Masukkan Access Token Hugging Face

Tentukan nama repository

REPO_ID = "Nabiilah-Putri/Batik_Classification"
MODEL_FILENAME = "model_batik_mobilenetv2.keras"
CLASSES_FILENAME = "class_names.json"

Simpan model

model_MobileNetV2.save(MODEL_FILENAME)
print(f"Model disimpan sebagai: {MODEL_FILENAME}")

Simpan daftar kelas ke JSON

class_indices = test_generator.class_indices
index_to_class = {v: k for k, v in class_indices.items()}
with open(CLASSES_FILENAME, "w") as f:
    json.dump(index_to_class, f)
print(f"Daftar kelas disimpan sebagai: {CLASSES_FILENAME}")

Buat Repository baru (jika belum ada)

create_repo(REPO_ID, exist_ok=True, repo_type="model")
api = HfApi()

Upload file model

api.upload_file(
    path_or_fileobj=MODEL_FILENAME,
    path_in_repo=MODEL_FILENAME,
    repo_id=REPO_ID,
    repo_type="model",
)
print(f"File {MODEL_FILENAME} berhasil diunggah.")

Upload file class names

api.upload_file(
    path_or_fileobj=CLASSES_FILENAME,
    path_in_repo=CLASSES_FILENAME,
    repo_id=REPO_ID,
    repo_type="model",
)
print(f"File {CLASSES_FILENAME} berhasil diunggah.")

menulis requirements.txt

%%writefile requirements.txt
tensorflow
gradio
numpy
pillow
huggingface-hub

---

🌐 Demo Aplikasi (Hugging Face Spaces):

👉 https://huggingface.co/spaces/Nabiilah-Putri/Klasifikasi-Motif-Batik

Tidak diperlukan instalasi atau konfigurasi tambahan bagi pengguna.

🧭 Cara Penggunaan Aplikasi

1. Unggah gambar motif batik Aplikasi mendukung beberapa metode unggah gambar:

1. Upload File Mengunggah gambar dari perangkat (format .jpg, .jpeg, .png)
2. Kamera / Webcam Mengambil foto motif batik secara langsung menggunakan kamera
3. Paste Gambar Menempelkan gambar hasil salin (copy–paste) langsung ke area unggah

2. Klik tombol Submit

3. Sistem akan menampilkan:

• Motif batik terdeteksi
• Tingkat kepercayaan model
• Top-5 probabilitas kelas
• Penjelasan singkat motif batik

🔍 Cara Kerja Sistem

1. Gambar diproses (resize 224 × 224 dan normalisasi)
2. Inferensi dilakukan menggunakan model MobileNetV2
3. Hasil probabilitas dipetakan ke kelas motif batik
4. Hasil prediksi dan penjelasan motif ditampilkan secara real-time ke pengguna

⚙️ Sistem di Balik Layar

• Model diambil otomatis dari Hugging Face Model Hub
• Inferensi dijalankan langsung di server Hugging Face
• Setiap gambar pengguna dicatat dan diunggah ke Hugging Face Dataset sebagai bagian dari penerapan MLOps (continuous data collection)

---

🔧 Teknologi yang Digunakan

• Python 3.8+
• TensorFlow/Keras
• scikit-learn
• pandas, numpy, matplotlib, seaborn
• mlflow
• Hugging Face (Spaces, Model Hub, Dataset Hub)

👥 Kredit Tim

Kelompok 11 — MLOps RB :

Nama Anggota	Peran / Kontribusi
Nabiilah Putri Karnaia	Integrasi Model ke HF Hub, Arsitektur App.py & Gradio UI
Azizah Kusumah Putri	Dataset Preparation & Training MobileNetV2
Amalia Melani Putri	Augmentasi & Preprocessing
Fayyaza Aqila Syafitri Achjar	Optimasi Parameter, Implementasi MLFlow & Analisis Metrik Evaluasi