![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
ABSTRAK Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
COVER Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 1 Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 2 Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 3 Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 4 Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 5 Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
PUSTAKA Iqbal Lafifa Zulfa
PUBLIC Yati Rochayati
Pendekatan deep learning dalam merepresentasikan karakteristik tekstur pada permukaan kain
merupakan solusi untuk menggantikan pengukuran subjektif yang sebelumnya dilakukan oleh
para ahli tekstil. Representasi objektif ini memiliki peran kunci untuk pengembangan di
industri tekstil, seperti pengenalan bahan tekstil, desain produk, dan pengendalian kualitas.
Dalam penalitian ini, kami mengembangkan model deep learning yang mampu menghadirkan
representasi tekstur kain dengan tingkat akurasi yang tinggi dan efisiensi waktu yang optimal.
Pelatihan model deep learning dilakukan terhadap dataset CoMMonS yang terdiri dari 6912
gambar dari 24 material tekstil. Data telah dianalisis dan diklasifikasikan oleh para ahli ke
dalam empat tingkatan dalam 3 kategori yakni panjang serat, kelembutan, dan efek handuk.
Penggunaan model pada penelitian ini menggunakan VGG-S-BN (Visual Geometry Group
Small dengan Batch Normalization) sebagai kerangka kerja utama yang efektif dalam
pemrosesan gambar dan juga menjadi solusi untuk biaya komputasi yang mahal. Hasil yang
didapatkan VGG-S-BN lebih baik dari VGG16 dan MuLTER untuk mendapatkan fitur-fitur
yang terdapat pada dataset dari sisi biaya komputasi, akurasi, dan nilai loss. nilai akurasi yang
diperoleh VGG-S-BN ialah 67.36%, 55.13%, 67.36% pada data pelatihan dan 74.32%,
65.23%, 74.32% pada data validasi dengan learning rate terbaik sebesar 0.001. Hasil
penelitian diharapkan memberikan kontribusi penting untuk meningkatkan representasi tekstur
kain menjadi lebih akurat dan efisien dalam dunia industri tekstil.