Integrasi Content-Based Filtering dan Deep Learning untuk Rekomendasi Motif Pada Galeri Batik Digital

Industri batik Malang menghadapi permasalahan dalam mendokumentasikan motif batik yang telah diproduksi, terutama setelah produk terjual. Ketidakteraturan dalam pencatatan motif dapat menyebabkan hilangnya dokumentasi desain yang berharga dan menyulitkan proses pelacakan motif di masa mendatang. Penelitian ini mengembangkan sistem rekomendasi motif batik digital yang mengintegrasikan Content-Based Filtering dengan Deep Learning menggunakan arsitektur ResNet-50 dan algoritma Fuzzy C-Means Clustering. Dataset yang digunakan terdiri dari 202 gambar motif batik dari 32 kategori yang berasal dari tiga industri batik di Malang, yaitu Batik Blimbing, Batik Soendari, dan Rumah Seni Budaya Singhasari. Proses ekstraksi fitur menggunakan model ResNet50 pre-trained dengan bobot ImageNet menghasilkan representasi fitur 1000 dimensi untuk setiap gambar melalui fully connected layer. Sistem clustering menggunakan Fuzzy C-Means mengorganisasikan gambar ke dalam 2 cluster optimal dengan silhouette score 0.0451 dan partition entropy 0.497. Rekomendasi motif diberikan berdasarkan perhitungan cosine similarity antara fitur gambar yang disukai pengguna dengan seluruh database gambar motif. Hasil pengujian korelasi Spearman menunjukkan rata-rata korelasi 0.094 dengan variabilitas yang tinggi antar pengguna dan motif, dimana beberapa motif seperti "Cap Naga" mencapai korelasi 0.289. Sistem berhasil diimplementasikan dalam bentuk website galeri digital yang memungkinkan pengguna memberikan like pada motif favorit dan menerima rekomendasi motif serupa melalui integrasi Flask API dengan backend Laravel.