Penerapan Algoritma Support Vector Machine untuk Klasifikasi Motif Citra Batik Solo Berdasarkan Fitur Multi-Autoencoders

Abstract

Abstrak—Batik merupakan kain tradisional warisan kebudayaan masyarakat Indonesia. Penggunaan kain batik sebagai bahan pakaian telah populer sejak kerajaan Majapahit. Sebelum sepopuler sekarang, batik telah menjadi pilihan masyarakat Indonesia sebagai bahan pakaian tradisional karena memiliki ciri khas di setiap motifnya. Motif batik memiliki keberagaman dengan ciri yang menonjol pada setiap lilinnya. Sebagai wujud upaya pelestarian batik, penelitian mengenai klasifikasi batik dilakukan untuk mendeteksi motif citra batik. Berdasarkan hal tersebut, penelitian ini dilakukan menggunakan metode pembelajaran berdasarkan data citra batik dengan harapan dapat memberikan hasil klasifikasi motif citra batik yang lebih akurat dan efisien serta tingkat akurasi terbaik. Adapun metode penelitian yang digunakan yaitu Algoritma Support Vector Machine sebagai Algoritma klasifikasi dan Multi-Autoencoder sebagai proses ekstraksi fitur. Jaringan Multi-Autoencoder yang dirancang merupakan penggabungan dari dua atau tiga model Autoencoder. Model Autoencoder yang dibuat menggunakan ekstraksi dari citra Edge, citra Grayscale, dan citra SIFT. Selanjutnya, akan diklasifikasi menggunakan Algoritma Algoritma Support Vector Machine. Penelitian ini menggunakan data citra batik sejumlah 2.256 gambar yang terbagi menjadi 7 class yaitu motif Parang, Buketan, Ceplok, Kawung, Truntum, Semen Rante, dan Sidomukti. Data gambar batik dibagi menjadi data learning dan data testing dengan presentase sebesar 80% untuk learning dan 20% untuk testing. Percobaan dilakukan berulang untuk mendapatkan model Multi-Autoencoder terbaik untuk proses klasifikasi. Penelitian ini menghasilkan tingkat akurasi sebesar 29,581% untuk kombinasi citra Edge-SIFT; 18,407% untuk citra Edge-Grayscale; 29,157% untuk citra Grayscale-SIFT; serta 30,159% untuk kombinasi citra Edge-SIFT-Grayscale.Kata Kunci—Klasifikasi Motif Batik; Batik Solo; Support Vector Machine; Autoencoder; Multi-Autoencoder.