Klasifikasi Motif Batik Menggunakan Wavelet-Discrete Cosine Transform dengan Ciri Statistik dan Support Vector Machine

GREGORIUS ADI PRADANA, Wahyono, S.Kom., Ph.D.

2023 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Batik adalah kain dengan pola yang dibuat menggunakan malam (lilin cair) yang memiliki nilai seni tinggi. Batik dengan keanekaragaman motifnya menjadi

potensi bagi pariwisata Indonesia yang menarik minat wisatawan. Sistem klasifikasi motif batik dibutuhkan untuk membantu wisatawan agar dapat

mengetahui nama dari motif batik tersebut. Klasifikasi dari citra motif batik dapat dilakukan menggunakan metode pengolahan citra digital yang terdiri dari metode

prapemrosesan, ekstraksi ciri, dan klasifikasi. Pada peneltian ini, dikaji metode ekstraksi ciri Wavelet-DCT dan metode klasifikasi Support Vector Machine (SVM)

untuk melakukan klasifikasi pada citra motif batik. Ekstraksi ciri Wavelet-DCT dilakukan dengan mentransformasikan citra menggunakan Discrete Wavelet

Transform (DWT) untuk memeroleh koefisien wavelet yang kemudian akan dicari ciri statistiknya yang berupa energi dan standar deviasi. Ciri statistik tersebut

dikompresi menggunakan Discrete Cosine Transform (DCT) untuk mendapatkan koefisien ciri yang digunakan untuk proses klasifikasi menggunakan SVM.

Berdasarkan pengujian menggunakan Raspberry Pi 4, metode ini memeroleh akurasi yang sama dengan metode ekstraksi ciri Gray Level Co-occurrence Matrix

(GLCM) dan metode klasifikasi SVM, yaitu sebesar 99,33%. Namun, waktu komputasi dari Wavelet-DCT lebih cepat 3,61% dibandingkan dengan GLCM.

Batik is a fabric with patterns created using liquid wax, which holds significant artistic value. Due to its diverse motifs, batik has the potential to attract

tourists and contribute to Indonesian tourism. To assist tourists in identifying batik patterns, a classification system for batik motifs is necessary. The classification of

batik motif images can be achieved through digital image processing methods, which include pre-processing, feature extraction, and classification. In this research,

the Wavelet-DCT feature extraction method and the Support Vector Machine (SVM) classification method were studied for the classification of batik motif

images. The Wavelet-DCT feature extraction is performed by transforming the image using Discrete Wavelet Transform (DWT) to obtain wavelet coefficients.

These coefficients are then analyzed for statistical features such as energy and standard deviation. The resulting statistical features are compressed using Discrete

Cosine Transform (DCT) to obtain feature coefficients which are utilized in the classification process using SVM. Through testing on a Raspberry Pi 4, this method

achieved an accuracy rate of 99.33%, which is identical to the Gray Level Cooccurrence Matrix (GLCM) feature extraction method and the SVM classification

method. However, the Wavelet-DCT method also offers a 3.61?ster computing time compared to GLCM.

Kata Kunci : Klasifikasi Motif Batik, Wavelet-DCT, Support Vector Machine