Batik merupakan kain tradisional warisan kebudayaan masyarakat Indonesia. Penggunaan kain batik sebagai bahan pakaian telah populer sejak kerajaan Majapahit. Sebelum sepopuler sekarang, batik telah menjadi pilihan masyarakat Indonesia sebagai bahan pakaian tradisional karena memiliki ciri khas di setiap motifnya. Motif batik memiliki keberagaman dengan ciri yang menonjol pada setiap lilinnya. Sebagai wujud upaya pelestarian batik, penelitian mengenai klasifikasi batik dilakukan untuk mendeteksi motif citra batik. Berdasarkan hal tersebut, penelitian ini dilakukan menggunakan metode pembelajaran berdasarkan data citra batik dengan harapan dapat memberikan hasil klasifikasi motif citra batik yang lebih akurat dan efisien serta tingkat akurasi terbaik. Adapun metode penelitian yang digunakan yaitu Algoritma Support Vector Machine sebagai Algoritma klasifikasi dan Multi-Autoencoder sebagai proses ekstraksi fitur. Jaringan Multi-Autoencoder yang dirancang merupakan penggabungan dari dua atau tiga model Autoencoder. Model Autoencoder yang dibuat menggunakan ekstraksi dari citra Edge, citra Grayscale, dan citra SIFT. Selanjutnya, akan diklasifikasi menggunakan Algoritma Algoritma Support Vector Machine. Penelitian ini menggunakan data citra batik sejumlah 2.256 gambar yang terbagi menjadi 7 class yaitu motif Parang, Buketan, Ceplok, Kawung, Truntum, Semen Rante, dan Sidomukti. Data gambar batik dibagi menjadi data learning dan data testing dengan presentase sebesar 80% untuk learning dan 20% untuk testing. Percobaan dilakukan berulang untuk mendapatkan model Multi-Autoencoder terbaik untuk proses klasifikasi. Penelitian ini menghasilkan tingkat akurasi sebesar 29,581% untuk kombinasi citra Edge-SIFT; 18,407% untuk citra Edge-Grayscale; 29,157% untuk citra Grayscale-SIFT; serta 30,159% untuk kombinasi citra Edge-SIFT-Grayscale.
Kata Kunci—Klasifikasi Motif Batik, Batik Solo, Support Vector Machine, Autoencoder, Multi-Autoencoder.
Batik is a traditional cloth of Indonesian cultural heritage. Batik as clothing materials has been popular since the time of the Majapahit kingdom. Before it was popular, batik has been chosen by Indonesian people as traditional clothing materials because it has distinctive features in every motive. Batik motives have diversity with prominent features on every stroke of batik candle. As a form of batik preservation efforts, research on batik motives classification was carried out to detect motives of batik images. Based on this, batik motives classification research uses a learning method based on batik data, with the expectation that it could provide a more accurate and efficient batik motif classification and better accuracy. The research method used in this research is Support Vector Machine Algorithms as a classification algorithm and Multi-Autoencoder as a feature-extraction algorithm. Multi-autoencoder network is a combination of two or three Autoencoder models. Autoencoder is created using extraction from Edge images, Grayscale images, and SIFT images. Furthermore, it will be classified using Support Vector Machine Algorithm. This research uses batik image data of 2,256 image which are divided into 7 classes, namely Parang, Buketan, Ceplok, Kawung, Truntum, Semen Rante, and Sido Mukti. Batik image will be divided into learning data and testing data with a percentage of 80% for learning data and 20% for testing data. Experiments run repeatedly to get the best Multi-Autoencoder model for classification. This research yield accuracy of 29,581% for combination of Edge-SIFT; 18,407% for Edge-Grayscale; 29,157% for SIFT-Grayscale, and 30,159% for Edge-SIFT-Grayscale.
Keywords—Batik Motive Classification, Solo Batik, Support Vector Machine, Autoencoder, Multi-Autoencoder