IMPLEMENTASI SUPPORT VECTOR MACHINE PADA KLASIFIKASI MOTIF BATIK YOGYAKARTA DENGAN EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX DAN HUE SATURATION VALUE

Fawwaz, Talitha (2024) IMPLEMENTASI SUPPORT VECTOR MACHINE PADA KLASIFIKASI MOTIF BATIK YOGYAKARTA DENGAN EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX DAN HUE SATURATION VALUE. Other thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI FULL_TALITHA FAWWAZ_123200013.pdf Restricted to Repository staff only Download (2MB)
	Text COVER.pdf Download (125kB)
	Text ABSTRAK.pdf Download (49kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (312kB)
	Text PENGESAHAN PENGUJI.pdf Download (385kB)
	Text DAFTAR ISI.pdf Download (44kB)
	Text DAFTAR PUSTAKA.pdf Download (84kB)

Abstract

Batik merupakan warisan budaya nusantara yang memiliki nilai sejarah dan estetika
yang mendalam. Ragam motif pada kain batik semakin berkembang di berbagai daerah di
Indonesia, tak terkecuali di Yogyakarta. Kelimpahan jenis motif batik di Yogyakarta
menciptakan tantangan tersendiri, karena masih banyak motif yang belum dikenali secara
luas. Oleh karena itu, diperlukan pengolahan citra yang dapat mengklasifikasikan motif batik
berdasarkan pola ornamen utamanya. Dalam mendukung upaya tersebut, penelitian ini
memanfaatkan metode klasifikasi Support Vector Machine dengan kombinasi metode
ekstraksi fitur HSV dan GLCM untuk mendapatkan nilai akurasi yang optimal.
Support Vector Machine merupakan metode pembelajaran mesin supervised learning
yang dapat diterapkan dalam melakukan klasifikasi dengan mencari hyperplane yang
optimal dalam ruang fitur. Untuk meningkatkan akurasi dalam klasifikasi motif batik
Yogyakarta dengan SVM ini, penting untuk menerapkan metode ekstraksi fitur yang efektif.
Penerapan metode Hue Saturation Value sendiri belum mencapai potensi maksimal dalam
ekstraksi fitur warna, sehingga diperlukan penggunaan metode Gray Level Co-occurrence
Matrix untuk ekstraksi fitur tekstur agar mendapatkan representasi gambar yang lebih akurat.
Hasil pengujian menunjukkan bahwa kombinasi metode ekstraksi fitur dalam proses
klasifikasi motif batik Yogyakarta yang dikelompokkan menjadi tiga model yaitu pengujian
tunggal dengan HSV, pengujian tunggal dengan GLCM, dan kombinasi HSV dan GLCM
menghasilkan nilai akurasi masing-masing sebesar 43%, 75%, 84%. Berdasarkan hasil
akurasi tersebut, dapat disimpulkan bahwa kombinasi metode HSV dan GLCM mampu
mengoptimalkan klasifikasi metode SVM dengan mencapai nilai akurasi sebesar 84%.
Kata Kunci: Klasifikasi, Batik Yogyakarta, Support Vector Machine, HSV, GLCM.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi, Batik Yogyakarta, Support Vector Machine, HSV, GLCM
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	27 Aug 2024 07:51
Last Modified:	27 Aug 2024 07:51
URI:	http://eprints.upnyk.ac.id/id/eprint/40838

Actions (login required)

View Item