Klasifikasi Tenun Timor Menggunakan Metode SVM Berdasarkan Speeded Up Robust Features
DOI:
https://doi.org/10.25126/jtiik.1067625Abstrak
Penelitian ini dilakukan sebagai upaya untuk melestarikan kain tenun Timor di bidang teknologi informasi, kususnya bidang pengolahan citra digital, yaitu pengenalan pola yang merupakan solusi untuk mengenali citra tenun secara otomatis. Dalam penelitian ini, klasifikasi citra tenun Timor mengaplikasikan metode SURF (Speeded Up Robust Feature) sebagai ekstraksi fitur dengan representasi BoVW (Bag of Visual Words) sedangkan SVM (Support Vector Machine) digunakan sebagai metode classifier. Agar kinerja BoVW lebih baik, digunakan pendekatan untuk menentukan jumlah cluster yang tepat untuk mengelompokkan pola visual words. Penentuan parameter algoritma klasifikasi SVM dilakukan adalah kernel dan metode multi class SVM yang digunakan. Data citra tenun Timor digunakan sebanyak 420 dengan 7 kelas motif citra akan dibagi menjadi data latih dan data uji menggunakan 5-fold cross validation. Berdasarkan hasil percobaan yang dilakukan, diperoleh hasil yang berbeda pada pengujian nilai cluster dan parameter SVM yang digunakan. Pada visual words dengan nilai cluster 500 dengan algoritma klasifikasi multi class SVM yaitu metode OVO (One Versus All) menggunakan kernel linear memperoleh hasil terbaik pada penelitian ini dengan tigkat Accuracy mencapai 98,10%. Dari hasil penelitian ini didapatkan metode untuk klasifikasi citra motif tenun Timor yang lebih akurat.
Abstract
This research was conducted as an effort to preserve Timor woven fabrics in the field of information technology, especially in the field of digital image processing, namely pattern recognition which is a solution to recognize weaving images automatically. In this study, the classification of Timorese woven images applies the SURF (Speeded Up Robust Feature) method as feature extraction with BoVW (Bag of Visual Words) representation while SVM (Support Vector Machine) is used as a classifier method. For better BoVW performance, an approach is used to determine the right number of clusters to group visual words patterns. Parameters for the SVM classification algorithm are determined using the kernel and the SVM multi-class method used. 420 Timorese weaving image data are used with 7 classes of image motifs which will be divided into training data and test data using 5-fold cross validation. Based on the results of the experiments conducted, different results were obtained in testing the cluster values and SVM parameters used. In visual words with a cluster value of 500 with the SVM multi-class classification algorithm, namely the OVO (One Versus All) method using a linear kernel, the best results were obtained in this study with an accuracy level of 98.10%. From the results of this study, a more accurate method for classifying images of Timorese woven motifs was obtained.%.
Downloads
Referensi
ASIH, L. C., STHEVANIE, F. AND RAMADHANI, K. N., 2018. Visual Based Fire Detection System Using Speeded Up Robust Feature and Support Vector Machine. in 2018 6th International Conference on Information and Communication Technology (ICoICT). IEEE, pp. 485–488. doi: 10.1109/ICoICT.2018.8528752.
BASO, B. et al., 2022 Segmentasi Citra Tenun Menggunakan Metode Otsu Thresholding dengan Median Filter. pp. 1–6. doi: https://doi.org/10.34012/jutikomp.v5i1.2586.
BASO, B. dan SUCIATI, N., 2020. Temu Kembali Citra Tenun Nusa Tenggara Timur menggunakan Esktraksi Fitur yang Robust terhadap Perubahan Skala, Rotasi, dan Pencahayaan. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(2), p. 349. doi: 10.25126/jtiik.2020722002.
BAY, H. et al., 2008. Speeded-Up Robust Features (SURF)’, Computer Vision and Image Understanding, 110(3), pp. 346–359. doi: 10.1016/j.cviu.2007.09.014.
BAY, H., TUYTELAARS, T. and VAN GOOL, L., 2006. SURF: Speeded Up Robust Features. in, pp. 404–417. doi: 10.1007/11744023_32.
CHEN JUNLI and JIAO LICHENG., 2020. Classification mechanism of support vector machines. in WCC 2000 - ICSP 2000. 2000 5th International Conference on Signal Processing Proceedings. 16th World Computer Congress 2000. IEEE, pp. 1556–1559. doi: 10.1109/ICOSP.2000.893396.
FAROOQ, J., 2016. Object detection and identification using SURF and BoW model. in 2016 International Conference on Computing, Electronic and Electrical Engineering (ICE Cube). IEEE, pp. 318–323. doi: 10.1109/ICECUBE.2016.7495245.
GUO, J. and WANG, X., 2019. Image Classification Based on SURF and KNN. in 2019 IEEE/ACIS 18th International Conference on Computer and Information Science (ICIS). IEEE, pp. 356–359. doi: 10.1109/ICIS46139.2019.8940198.
GUO, X., WEI, H. and SU, X., 2016. A case study of BoVW for keyword spotting on historical Mongolian document images. in 2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). IEEE, pp. 374–378. doi: 10.1109/CISP-BMEI.2016.7852739.
HAKIM, L. et al., 2022. Pengenalan Motif Batik Banyuwangi Berdasarkan Fitur Grey Level Co-Occurrence Matrix. Jurnal Teknoinfo, 16(1), p. 1. doi: 10.33365/jti.v16i1.1320.
HANDAYANI, F., 2021. Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network Dalam Prediksi Penyakit Jantung. Jurnal Edukasi dan Penelitian Informatika (JEPIN), 7(3), p. 329. doi: 10.26418/jp.v7i3.48053.
HASSAN, M. S. et al., 2019. Loose Fruit Recognition System With Implementation Of SURF Feature Extraction Method. in 2019 IEEE International Circuits and Systems Symposium (ICSyS). IEEE, pp. 1–4. doi: 10.1109/ICSyS47076.2019.8982441.
JOSEFINE, V. M., 2019. Indonesian Cultural Diplomacy Through UNESCO in Winning Batik as Intangible Cultural Heritage.
KATO, T., 1992. Database architecture for content-based image retrieval. in Jamberdino, A. A. and Niblack, C. W. (eds), pp. 112–123. doi: 10.1117/12.58497.
MEIDIANINGSIH, Q., 2022. Analisis Perbandingan Performa Metode Ensemble Dalam Menangani Imbalanced Multi-Class. Jurnal Aplikasi Statistika & Komputasi Statistik, pp. 13–21.
MINARNO, A. E. et al., 2020. A Robust Batik Image Classification using Multi Texton Co-Occurrence Descriptor and Support Vector Machine. in 2020 3rd International Conference on Intelligent Autonomous Systems (ICoIAS). IEEE, pp. 51–55. doi: 10.1109/ICoIAS49312.2020.9081833.
NITIJIRAMON, T., COOHAROJANANONE, N. AND SAISENG, S., 2020. Logo Based Amphetamines Classification using SURF and Bag-of-features model. in 2020 International Conference on Mathematics and Computers in Science and Engineering (MACISE). IEEE, pp. 98–101. doi: 10.1109/MACISE49704.2020.00023.
NURKHOLIS, A., ALITA, D. and MUNANDAR, A., 2022. Comparison of Kernel Support Vector Machine Multi-Class in PPKM Sentiment Analysis on Twitter. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(2), pp. 227–233. doi: 10.29207/resti.v6i2.3906.
PAUL, M., KARSH, R. K. and AHMED TALUKDAR, F., 2019. Image Hashing based on Shape Context and Speeded Up Robust Features (SURF). in 2019 International Conference on Automation, Computational and Technology Management (ICACTM). IEEE, pp. 464–468. doi: 10.1109/ICACTM.2019.8776713.
PRATAMA, E. E. and TRILAKSONO, B. R., 2015. Klasifikasi Topik Keluhan Pelanggan Berdasarkan Tweet dengan Menggunakan Penggabungan Feature Hasil Ekstraksi pada Metode Support Vector Machine (SVM). Jurnal Edukasi dan Penelitian Informatika (JEPIN), 1(2). doi: 10.26418/jp.v1i2.11023.
PRIYANGKA, A. A. J. V. and KUMARA, I. M. S., 2021. Classification Of Rice Plant Diseases Using the Convolutional Neural Network Method. Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, 12(2), p. 123. doi: 10.24843/LKJITI.2021.v12.i02.p06.
PUTRI, A. D. S., RAHARYO, A. and HIKAM, M. A., 2021. The Practices of Indonesia’s Cultural Diplomacy in Saudi Arabia through the Tourism Promotion Programs (2015-2018). Indonesian Perspective, 6(1), pp. 86–102. doi: 10.14710/ip.v6i1.37514.
ROSIANA DEWI, N. W. E., 2020. Detection of Class Regularity with Support Vector Machine methods. Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, 11(1), p. 20. doi: 10.24843/LKJITI.2020.v11.i01.p03.
SAIDAH, S. et al., 2020. Analisis Perbandingan Metode LBP dan CLBP pada Sistem Pengenalan Individu Melalui Iris Mata. 6(3), pp. 285–290.
SERAN, A. B., RAHMAN, A. Y. and ISTIADI, I., 2021. Temu Kembali Kemiripan Motif Citra Tenun Menggunakan Transformasi Wavelet Diskrit Dan GLCM. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(5), pp. 958–966. doi: 10.29207/resti.v5i5.3484.
SETIAWAN, B. AND SUWARNINGDYAH, R. R. N., 2014. Strategi Pengembangan Tenun Ikat Kupang Provinsi Nusa Tenggara Timur. Jurnal Pendidikan dan Kebudayaan, 20(3), p. 353. doi: 10.24832/jpnk.v20i3.150.
TSAI, C.-F., 2018. Two Strategies for Bag-of-Visual Words Feature Extraction. in 2018 7th International Congress on Advanced Applied Informatics (IIAI-AAI). IEEE, pp. 970–971. doi: 10.1109/IIAI-AAI.2018.00206.
WIRYADINATA, R. et al., 2019. Klasifikasi 12 Motif Batik Banten Menggunakan Support Vector Machine Romi. Available at: https://jurnaleeccis.ub.ac.id/index.php/eeccis/article/view/570.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
