Klasifikasi Citra Batik Banyumasan Menggunakan Ekstraksi Fitur HOG, Reduksi Dimensi PCA, dan Klasifikasi SVM

Abstract

Penelitian ini mengembangkan sistem klasifikasi motif Batik Banyumasan dengan tujuan utama meningkatkan akurasi pengenalan pola pada dataset yang terbatas. Dalam upaya tersebut, pendekatan yang digunakan mencakup empat tahap utama, yaitu augmentasi citra guna memperluas jumlah data pelatihan secara sintetis, ekstraksi fitur dengan metode Histogram of Oriented Gradients (HOG) untuk menangkap informasi bentuk dan tepi pada motif, reduksi dimensi menggunakan Principal Component Analysis (PCA) agar fitur yang digunakan lebih representatif namun efisien, serta klasifikasi menggunakan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) untuk menangani pola non-linear secara optimal. Dataset yang dianalisis terdiri dari 5.148 citra Batik yang terbagi ke dalam 11 kelas motif khas Banyumasan. Hasil eksperimen menunjukkan bahwa kombinasi metode HOG, PCA, dan SVM dengan RBF kernel menghasilkan akurasi klasifikasi tertinggi sebesar 91%. Peningkatan ini cukup signifikan dibandingkan dengan konfigurasi baseline, seperti tanpa augmentasi (43%), tanpa PCA (90%), dan tanpa HOG (86%). Temuan ini menegaskan bahwa integrasi teknik augmentasi, ekstraksi fitur, dan reduksi dimensi memainkan peran penting dalam mengoptimalkan performa sistem klasifikasi motif Batik Banyumasan, terutama saat menghadapi keterbatasan jumlah data pelatihan.