PENGENALAN POLA KAIN TENUN DI SULAWESI TENGGARA DENGAN MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENT (HOG), K-NEAREST NEIGHBOR (K-NN) DAN SYNTHETIC MINORITY OVER-SAMPLING TECHNIQUE (SMOTE)

Abstract

Provinsi Sulawesi Tenggara memiliki kekayaan kain tenun yang beragam, namun keterbatasan informasi menyebabkan sebagian masyarakat, khususnya generasi muda, kurang mengenal keunikan daerahnya. Penelitian ini menerapkan kecerdasan buatan dalam pengenalan pola kain tenun dengan tiga tahapan utama. Pertama, ekstraksi fitur dilakukan menggunakan Histogra of Oriented Gradient (HOG) untuk menangkap informasi bentuk dan tekstur dari citra kain. Kedua, proses klasifikasi dilakukan menggunakan algoritma K-Nearest Neighbor (K-NN) untuk mengidentifikasi asal daerah kain berdasarkan kemiripan fitur. Ketiga, untuk mengatasi ketidakseimbangan jumlah antar kelas, digunakan Synthetic Minority Over-Sampling Technique (SMOTE) pada data latih agar dapat menghasilkan sampel sintetis dari kelas minoritas. Tujuan dari penelitian ini adalah mengevaluasi efektivitas kombinasi metode tersebut dalam mengenali asal daerah kain tenun. Hasil pengujian menunjukkan bahwa sistem berhasil mengenali kain tenun dengan baik. Penerapan SMOTE meningkat recall pada kelas minoritas, seperti Bombana (dari 61% menjadi 83%), Kolaka (80% menjadi 90%), dan Muna (76% menjadi 91%). Meskipun akurasi keseluruhan menurun dari 78% menjadi 68%, penggunaan SMOTE menghasilkan distribusi prediksi yang lebih merata. Hasil penelitian ini menunjukkan bahwa kombinasi metode HOG, K-NN, dan SMOTE efektif dalam mengklasifikasikan pola kain tenun, serta telah berhasil diimplementasikan dalam sebuah sistem klasifikasi berbasis GUI yang dirancang agar adil dan representatif.