Klasifikasi Motif Songket Palembang menggunakan Support Vector Machine berdasarkan Histogram of Oriented Gradients
DOI:
https://doi.org/10.54914/jtt.v9i2.1032Kata Kunci:
HOG, Klasifikasi, Motif, Songket , SVMAbstrak
Songket Palembang merupakan salah satu warisan budaya takbenda dengan domain kemahiran dan kerajinan tradisional. Songket Palembang memiliki beberapa jenis motif antara lain Bunga Cina, Cantik Manis, dan Pulir. Upaya pelestarian dilakukan dengan memberikan pemahaman tentang motif songket palembang. Â Pada penelitian ini dilakukan pengklasifikasian motif songket Palembang berdasarkan fitur bentuk dengan menggunakan metode Histogram of Oriented Gradient (HOG). Â Berdasarkan hasil pengujian terhadap 45 citra data uji, bahwa metode HOG mampu menjadi fitur dalam klasifikasi citra motif Songket Palembang, yaitu motif Bunga Cina, Cantik Manis, dan Pulir. Metode Support Vector Machine (SVM) digunakan sebagai metode klasifikasi yang dapat mengenali motif Songket Palembang dengan kernel RBF, Linier dan Polinomial. Hasil pengujian menunjukkan bahwa kernel RBF menjadi kernel terbaik yang menghasilkan rata-rata nilai accuracy sebesar 88.1%, precision sebesar 84.1%, recall sebesar 82.2% dan f1-score sebesar 82.6% serta dari tiga motif songket Palembang yang diuji didapatkan hasil bahwa motif Songket Palembang yang paling mudah diklasifikasikan dengan baik adalah motif Cantik Manis untuk semua jenis kernel SVM.
Unduhan
Referensi
Y. Yohannes, S. Devella, and A. H. Pandrean, “Penerapan Speeded-Up Robust Feature pada Random Forest Untuk Klasifikasi Motif Songket Palembang,†J. Tek. Inform. dan Sist. Inf., vol. 5, no. 3, pp. 360–369, 2020, doi: 10.28932/jutisi.v5i3.1978.
S. Devella, Y. Yohannes, and F. N. Rahmawati, “Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT,†JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 7, no. 2, pp. 310–320, 2020, doi: 10.35957/jatisi.v7i2.289.
D. Amputri, S. Nadra, G. Gasim, and M. E. Al Rivan, “Perbandingan Jarak Potret dan Resolusi Kamera pada Tingkat Akurasi Pengenalan Angka kWh Meter Menggunakan SVM,†J. Inform. Glob., vol. 8, pp. 7–12, 2017.
M. E. Al Rivan and Y. Yohannes, “Klasifikasi Mamalia Berdasarkan Bentuk Wajah Dengan K-NN Menggunakan Fitur CAS Dan HOG,†J. Tek. Inform. dan Sist. Inf., vol. 5, no. 2, pp. 173–180, 2019.
Y. Yohannes, S. Devella, and K. Arianto, “Deteksi Penyakit Malaria Menggunakan Convolutional Neural Network Berbasis Saliency,†JUITA J. Inform., vol. 8, no. 1, p. 37, 2020, doi: 10.30595/juita.v8i1.6671.
Y. Yohannes, M. R. Pribadi, and L. Chandra, “Klasifikasi Jenis Buah dan Sayuran Menggunakan SVM Dengan Fitur Saliency-HOG dan Color Moments,†Elkha, vol. 12, no. 2, p. 125, 2020, doi: 10.26418/elkha.v12i2.42160.
Y. Yohannes and M. E. Al Rivan, “Penggunaan Global Contrast Saliency dan Histogram of Oriented Gradient Sebagai Fitur untuk Klasifikasi Jenis Hewan Mamalia,†Petir, vol. 13, no. 1, pp. 80–85, 2020, doi: 10.33322/petir.v13i1.908.
N. Rachmat, Y. Yohannes, and A. Mahendra, “Klasifikasi Jenis Ikan Laut Menggunakan Metode SVM dengan Fitur HOG dan HSV,†JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 4, pp. 2235–2247, 2021, doi: 10.35957/jatisi.v8i4.1686.
B. C. Lumban, “Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata,†J. Teknol. Terpadu, vol. 1, no. 2, pp. 43–49, 2015, doi: 10.54914/jtt.v1i2.37.
Y. Yohannes, Y. P. Sari, and I. Feristyani, “Klasifikasi Wajah Hewan Mamalia Tampak Depan Menggunakan k-Nearest Neighbor Dengan Ekstraksi Fitur HOG,†J. Tek. Inform. dan Sist. Inf., vol. 5, no. 1, pp. 84–97, 2019, doi: 10.28932/jutisi.v5i1.1584.
Yohannes and J. Petrus, “Klasifikasi mamalia menggunakan extreme gradient boosting berdasarkan fitur histogram of oriented gradient,†J. Ilm. Betrik, vol. 13, no. 03, pp. 363–370, 2022.
J. E. Malcolm, Songket Palembang: The Pinnacle of Indonesian Textiles. 2016.
A. Gunawan, Songket Palembang: A Reflection of the Silk Road. 2020.
N. Dalal and B. Triggs, “Histograms of Oriented Gradients for Human Detection,†in 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), IEEE, 2005, pp. 886–893. doi: 10.1109/CVPR.2005.177.
M. S. Nixon and A. S. Aguado, Feature extraction and image processing for computer vision, Fourth Ed. Academic Press, 2019. doi: 10.1016/C2017-0-02153-5.
J. Dean, Big Data, Data Mining, and Machine Learning. Wiley, 2014.
P. Wlodarczak, Machine Learning and its Applications. University of Southern Queensland, Toowoomba, Queensland, Australia: CRC Press, 2020.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Yohannes, Muhammad Ezar Al Rivan, Siska Devella, Meiriyama
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
