ANALISIS PENGARUH METODE EKSTRAKSI FITUR CITRA BATIK TERHADAP KINERJA KLASIFIKASI SVM

Abstract

Batik merupakan warisan budaya Indonesia yang kaya akan motif dan nilai seni. Namu, proses pengenalan dan  klasifikasi motif batik secara manual masih bergantung pada keahlian individu, bersifat subjektif, dan kurang efisien. Kondisi ini berdampak pada lambatnya proses digitalisasi dan pelestarian batik dalam sistem berbasis teknologi. Oleh karena itu, diperlukan pendekatan otomatis berbasis pengolahan citra untuk mengklasifikasikan motif batik secara lebih akurat dan efisien. Penelitian ini bertujuan untuk menganalisis pengaruh metode ekstraksi fitur terhadap kinerja klasifikasi motif batik menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan berasal dari Kaggle, terdiri atas 1.160 gambar batik dari sepuluh jenis motif. Proses preprocessing mencakup resize citra menjadi 224×224 piksel, interpolasi bicubic untuk peningkatan resolusi, dan CLAHE (Contrast Limited Adaptive Histogram Equalization) untuk peningkatan kontras citra. Tiga kombinasi metode ekstraksi fitur dibandingkan dalam penelitian ini, yaitu: HSV + HOG, Transformasi Fourier + PCA, dan Filter Gabor + GLCM. Setiap fitur yang diperoleh digunakan sebagai input untuk klasifikasi menggunakan SVM dengan kernel RBF. Hasil evaluasi menunjukkan bahwa metode HSV + HOG menghasilkan akurasi tertinggi sebesar 78%, diikuti Gabor + GLCM sebesar 74%, dan Fourier + PCA sebesar 69%. Hasil ini menunjukkan bahwa representasi warna dan tekstur melalui HSV dan HOG memberikan performa terbaik dalam mengenali pola pada citra batik.