KLASIFIKASI CITRA ULOS BATAK MENGGUNAKAN METODE SVM DAN KNN DENGAN EKSTRAKSI FITUR BERBASIS RESNET50

Performance Comparison of SVM and KNN Methods Using ResNet50 Feature Extraction

Abstract

Ulos Batak merupakan warisan budaya bernilai tinggi yang menghadapi tantangan pelestarian signifikan di era digital. Kompleksitas motif yang sarat makna filosofis seringkali sulit diidentifikasi secara akurat oleh masyarakat awam, yang berisiko melunturkan pengetahuan tradisional. Kesenjangan ini menyoroti kebutuhan mendesak akan sebuah sistem otomatis untuk klasifikasi motif ulos yang akurat sebagai solusi pelestarian budaya digital. Menjawab tantangan tersebut, penelitian ini mengembangkan dan membandingkan sistem klasifikasi citra dengan mengintegrasikan ekstraksi fitur menggunakan arsitektur ResNet50 dengan dua algoritma, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Dataset yang terdiri dari 13.712 citra untuk enam motif ulos yang berbeda telah melalui pra-pemrosesan dan augmentasi data. Ekstraksi fitur dari model ResNet50 menghasilkan representasi visual yang kemudian digunakan untuk melatih kedua model klasifikasi. Evaluasi terhadap 2.743 data uji menunjukkan bahwa model SVM mencapai akurasi 100% dengan F1-score makro 0,99, sedangkan model KNN memperoleh akurasi 99% dan F1-score makro 0,98. Model SVM juga terbukti lebih stabil dalam mengenali motif-motif yang memiliki kemiripan visual tinggi. Temuan ini menegaskan bahwa pendekatan yang diusulkan, khususnya kombinasi ResNet50 dan SVM, menawarkan solusi yang kuat, akurat, dan sangat potensial untuk mendukung pelestarian budaya secara digital melalui aplikasi klasifikasi visual berbasis pembelajaran mesin.