Klasifikasi 12 Motif Batik Banten Menggunakan Support Vector Machine
DOI:
https://doi.org/10.21776/jeeccis.v13i1.570Abstract
Batik adalah kain bergambar yang ditulis atau dicap dengan canting yang terbuat dari tembaga atau plat seng, agar dapat menghasilkan seni keindahan yang artistik dan klasik. Hingga saat ini masih banyak masyarakat Indonesia yang belum mengetahui dengan baik nama-nama aneka ragam motif batik yang menjadi kekayaan intelektual yang telah diakui oleh UNESCO (United Nations Educational, Scientific, and Cultural Organization) pada 2 Oktober 2009 sebagai salah satu warisan kebudayaan dunia yang berasal dari Indonesia. SVM (support vector machine) adalah metode learning machine yang bekerja dengan tujuan menemukan hyperlane terbaik yang memisahkan dua buah kelas atau lebih pada input space. Tujuan dari penelitian ini adalah untuk mengklasifikasi 12 motif batik Banten menggunakan metode SVM. Penelitian dilakukan secara beberapa tahap yaitu resize untuk menyamakan dimensi citra, grayscale untuk menyederhanakan citra dengan mengubah menjadi citra aras keabuan, median filter untuk menghilangkan noise pada batik, dan ekstraksi ciri sebagai masukan untuk klasifikasi menggunakan SVM. Hasil klasifikasi menggunakan SVM orde 1 yaitu sebesar 85%, dan untuk orde 2 sebesar 87,2%.References
Kurniawan U, These Clothes Tel Stories, Griya Batik Banten, 2015.
Kasim , A.A. dan A. Harjoko, “Klasifikasi Citra Batik dengan Menggunakan Jaringan Syaraf Tiruan Berdasarkan GLCM (Gray Level Co-occurrence Matrices)†Jurnal, Ilmu Komputer dan Elektronika Instrumentasi Fakultas MIPA Universitas Gadjah Mada, ISSN: 1907 - 5022. Yogyakarta, 2014.
Rangkuti A.H., “Klasifikasi Batik Berbasis Kemiripan Ciri dengan Wavelet Transform dan Fuzzy Neural Network†Skripsi. Computer Science Department School of Computer Science, Binus University. Jakarta, 2014.
Kurniawardhani A, Suciati N, dan Arieshanti I., “Klasifikasi Citra Batik dengan Menggunakan Metode Ekstraksi Ciri yang Invariant terhadap Rotasiâ€, Skripsi, Teknik Informatika Institut Teknologi Sepuluh November, Surabaya, 2014.
Yodha, J.W. dan A Wahid Kurniawan, “Pengenalan Motif Matik Menggunakan Deteksi Canny dan K-Nearest Neighborâ€, Skripsi, Teknik Informatika Universitas Dian Nuswantoro, Semarang, 2013.
Fahrizal, R.; R.P.P. Siahaan; R. Wiryadinata, “Banten Batik Classification with Backpropagatioan Neural Networkâ€, Prosiding International Conference on Industrial Electrical and Electronics 2018.
