Bilah Samping Artikel

Telah diserahkan
Jan 23, 2025
Diterima
Feb 17, 2025
Diterbitkan
May 24, 2025
Download
PDF
Statistic
Read Counter : 93 Download : 29

Isi Artikel Utama

Abstrak

Klasifikasi citra adalah salah satu cabang penting dalam pengolahan citra digital yang bertujuan untuk mengenali dan mengelompokkan objek berdasarkan fitur tertentu. Penelitian ini berupaya untuk melestarikan budaya batik Indonesia melalui dokumen digital motif batik yang dapat diterapkan di museum dan lembaga penelitian. Tujuan utama dari penelitian ini untuk mengatasi kesulitan dalam mengklasifikasikan motif batik dengan menerapkan Local Binary Pattern (LBP) sebagai teknik ekstraksi fitur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Adapun motif batik yang digunakan adalah Batik Kawung, Batik Megamendung, dan Batik Parang. Dengan menggunakan 720 citra batik. Penelitian ini dilakukan dalam empat tahapan utama yaitu pre-processing, ekstraksi fitur, klasifikasi dan evaluasi. Hasil penelitian menunjukkan akurasi sebesar 88,89%, dengan precision, recall, dan F1-Score yang bervariasi. Hasil penelitian menunjukkan bahwa analisis tekstur yang diekstraksi melalui LBP memberikan kontribusi signifikan terhadap akurasi pengenalan motif batik.


 

Kata Kunci

Batik Klasifikasi Local Binary Pattern Pengolahan Citra Support Vector Machine

Rincian Artikel

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.

Cara Mengutip
[1]
N. S. Fatimah dan S. Agustin, “Klasifikasi Citra Batik Menggunakan Local Binary Pattern (LBP) dan Support Vector Machine (SVM)”, Jurnal Algoritma, vol. 22, no. 1, hlm. 185–196, Mei 2025.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)
Crossref
Scopus
Google Scholar
Europe PMC

References

  1. K. Azmi and S. Defit, “Implementasi Convolutional Neural Network ( CNN ) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” vol. 16, no. 1, pp. 2580–2582, 2023.
  2. A. Puteri, B. Salsabila, C. Rozikin, and R. I. Adam, “Klasifikasi Motif Batik Karawang Berbasis Citra Digital dengan Principal Component Analysis dan K-Nearest Neighbor Classification of Karawang Batik Motifs Based on Digital Image using Principal Component Analysis and K-Nearest Neighbor,” vol. 11, no. 1, pp. 20–27, 2023, doi: 10.26418/justin.v11i1.46936.
  3. M. Sholihin, S. Mujilahwati, and R. Wardhani, “Untuk Klasifikasi Batik Lamongan,” no. September, 2017.
  4. A. I. Nurulrachman, R. C. Wihandika, and P. P. Adikara, “Ekstraksi Ciri pada Klasifikasi Citra Batik menggunakan Metode Gray Level Co-Occurrence Matrix , Local Binary Pattern , dan HSV Color Moment,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 1, pp. 374–383, 2023.
  5. I. J. Bakti and N. Hendrastuty, “Application Of Canny Operator In Batik Motif Image Classification Penerapan Operator Canny Dalam Klasifikasi Citra Motif Batik Dengan Pendekatan Convolutional Neural Network,” J. Tek. Inform., vol. 5, no. 3, pp. 789–798, 2024, doi: https://doi.org/10.52436/1.jutif.2024.5.3.1894.
  6. M. T. Kanugroho, M. A. Rahman, and R. C. Wihandika, “Klasifikasi Batik dengan Ekstraksi Fitur Tekstur Local Binary Pattern dan,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 10, pp. 4788–4794, 2022.
  7. B. R. Rahayu F., P. Mudjirahardjo, and M. A. Muslim, “Leaf Diseases Classification on Peanut Leaves Based on Texture and Colour Features,” Int. J. Comput. Appl. Technol. Res., vol. 10, no. 6, pp. 149–155, 2021, doi: 10.7753/ijcatr1006.1004.
  8. F. J. Pontoh et al., “Teknik Pengenalan Pembuluh Darah Punggung Tangan Berbasis Fitur Local Binary Pattern,” J. Widya, vol. 2, no. 2, pp. 198–203, 2021.
  9. W. T. Puspitasari, D. C. R. Novitasari, and W. D. Utami, “Batik Classification using Texture Analysis and Multiclass Support Vector Machine Gray Level Co-occurrence Matrix,” no. ICMIs 2018, pp. 65–71, 2020, doi: 10.5220/0008517300650071.
  10. Neneng, N. U. Putri, and E. R. Susanto, “Klasifikasi Jenis Kayu Menggunakan Support Vector Machine Berdasarkan Ciri Tekstur Local Binary Pattern,” Cybernetics, vol. 4, no. 02, pp. 93–100, 2021, doi: 10.29406/cbn.v4i02.2324.
  11. B. B. Mumtazah and S. D. Sancoko, “Adult Clothing Size Recomendation Using K-Nearest Neighbor and Support Vector Machine Algorithm,” Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 4, pp. 1635–1645, 2024.
  12. R. Dijaya, Buku Ajar Pengolahan Citra Digital. UMSIDA PRESS, 2023.
  13. Ardiwinata, “Image Edge Sharpening Pada Sketsa Gambar Menggunakan Metode Haar Wavelet,” Bull. Inf. Syst. Res., vol. 2, no. 1, pp. 41–52, 2023.
  14. A. Mandiri, S. Agustin, and S. Journal, “Identifikasi Varietas Kayu Menggunakan Radially Average Power Spectrum Value Dan Orde Satu,” SINTECH, vol. 7, no. 3, pp. 159–166, 2024, doi: https://doi.org/10.31598.
  15. R. Purwati and G. Ariyanto, “Pengenalan Wajah Manusia Berbasis Algoritma Local,” J. Tek. Elektro, vol. 17, no. 02, pp. 70–79.
  16. M. Ismurahayu and A. Nasihin, “Perancangan Deteksi Pengenalan Wajah Menggunakan Metode Local Bianary Pattern (LBP),” J. Teknol. Inf. dan Komun., vol. 9, no. 1, pp. 48–54, 2020.
  17. P. A. Octaviani, Y. Wilandari, and D. Ispriyanti, “Penerapan Metode Klasifikasi Support Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) Di Kabupaten Magelang,” J. Gaussian, vol. 3, no. 4, pp. 811–820, 2014.
  18. P. N. Andono and E. H. Rachmawanto, “Evaluasi Ekstraksi Fitur GLCM dan LBP Menggunakan Multikernel SVM untuk Klasifikasi Batik,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 1–9, 2021, doi: 10.29207/resti.v5i1.2615.
  19. M. Latifudin et al., “Klasifikasi Kualitas Kayu Glugu Menggunakan Metode ( Support Vektor Machine ) SVM,” Semin. Nas. Inov. Teknol., pp. 76–81, 2022.
  20. K. Kaplan, Y. Kaya, M. Kuncan, and H. M. Ertunç, “Brain tumor classi fi cation using modi fi ed local binary patterns ( LBP ) feature extraction methods,” Elsevier, vol. 139, no. March, 2020, doi: 10.1016/j.mehy.2020.109696.
  21. W. Azizah and S. Agustin, “Feature Extraction using Histogram of Oriented Gradients and Moments with Random Forest Classification for Batik Pattern Detection,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 14, no. 01, pp. 8–14, 2025, doi: 10.32736/sisfokom.v14i1.2352.