Hybrid Algoritma Convolutional Neural Network dengan Support Vector Machine untuk Klasifikasi Jenis Tenun Timor

Abstrak

Setiap wilayah di Pulau Timor memiliki motif khas pada tenunnya yang mencerminkan keberagaman budaya setempat, penelitian ini mendalami keragaman motif kain tenun di Pulau Timor, di mana setiap wilayah memiliki karakteristik motif yang mencerminkan kekayaan budaya lokal. Motif dan proses pembuatan tenun menjadi cerminan dari jenis dan asal usul setiap kain tenun di pulau ini. Terdapat tantangan dalam membedakan kain tenun Timor yang sangat bervariasi, terutama karena kemiripan motif yang bisa muncul di wilayah yang berbeda. Dengan menyadari kompleksitas ini, penelitian ini bertujuan mengatasi kesulitan tersebut dengan mengusulkan penggunaan Pendekatan hybrid algoritma memadukan keunggulan ekstraksi fitur Convolutional Neural Network (CNN) dalam mengidentifikasi corak motif atau tekstur kain tenun dengan keahlian Support Vector Machine (SVM) dalam klasifikasi. Dengan demikian, SVM dapat membantu mengurangi risiko overfitting yang mungkin terjadi pada model CNN, sambil meningkatkan akurasi klasifikasi pada dataset kain tenun. Hasil eksperimen menunjukkan bahwa pendekatan hybrid ini melampaui kinerja algoritma klasifikasi CNN secara mandiri. Metode SVM multi class One Vs One (OVO) dengan kernel RBF pada model hybrid mencapai performa terbaik dengan tingkat akurasi mencapai 98,95%, presisi 99,03%, recall 98,95%, dan F1-Score 98,99%. Selain itu, waktu komputasi yang lebih efisien, menunjukkan keunggulan pendekatan ini dalam menangani masalah klasifikasi multi class pada dataset citra tenun Timor.

Abstract

Each region on Timor Island has a distinctive motif in its weaving that reflects the diversity of local culture, this research explores the diversity of woven fabric motifs on Timor Island, where each region has a characteristic motif that reflects the richness of local culture. The motifs and weaving process are a reflection of the type and origin of each woven fabric on the island. There are challenges in distinguishing Timor's highly varied woven fabrics, especially due to the similarity of motifs that can appear in different regions. Recognising this complexity, this research aims to overcome this difficulty by proposing the use of a hybrid approach that combines the advantages of Convolutional Neural Network (CNN) feature extraction in identifying the motif pattern or texture of woven fabrics with the expertise of Support Vector Machine (SVM) in classification. Thus, SVM can help reduce the risk of overfitting that may occur in CNN models, while improving classification accuracy on woven fabric datasets. Experimental results show that this hybrid approach surpasses the performance of the CNN classification algorithm independently. The SVM multi-class One Vs One (OVO) method with RBF kernel in the hybrid model achieves the best performance with 98.95% accuracy, 99.03% precision, 98.95% recall, and 98.99% F1-Score. In addition, the computation time is more efficient, showing the superiority of this approach in handling multi-class classification problems on ci datasets.