Electronic Theses and Dissertation

Peningkatan jumlah citra sketsa menimbulkan permasalahan dalam melakukan pengolahan data secara manual karena membutuhkan waktu yang lama. Kesamaan kategori yang terkait erat juga membuat manusia sering bimbang dalam menentukan kategori terhadap citra sketsa. Maka dari itu, dibutuhkan sebuah sistem yang dapat mengklasifikasi citra sketsa ke dalam kategori tertentu secara otomatis. Penelitian ini menggunakan metode gabungan untuk ekstraksi fitur dan metode Support Vector Machine (SVM) dengan tiga fungsi kernel linier, polinomial, dan Radial Basis Function (RBF) serta dengan teknik k-folds cross validation untuk klasifikasi citra sketsa. Implementasi metode SVM dilakukan dengan menggunakan library LIBSVM dengan bahasa pemrograman Matlab. Dataset yang digunakan merupakan TU-Berlin sketch dataset yang diambil sebanyak 800 citra sketsa yang terdiri dari 10 kategori. Dataset dibagi untuk data training sebanyak 640 citra sketsa dan data validasi sebanyak 80 citra sketsa pada tahap training serta untuk data testing sebanyak 80 citra sketsa pada tahap testing. Hasil penelitian dengan k=9 cross validation menunjukkan bahwa model SVM terbaik dalam mengklasifikasi citra sketsa yaitu menggunakan kernel RBF pada iterasi ke-9 dengan nilai F-Measure pada tahap training sebesar 82.75% dan tahap testing sebesar 70.61%. Berdasarkan analisis hasil klasifikasi citra sketsa yang telah dilakukan dengan membandingkan nilai ketepatan klasifikasi dari tiga fungsi kernel SVM, diperoleh hasil bahwa performa SVM pada kernel RBF memiliki akurasi sistem yang lebih baik dibandingkan kernel polinomial dan linier, yaitu dengan nilai rata-rata F-Measure pada tahap training sebesar 72.93% dan tahap testing sebesar 67.87%.

Kata Kunci: Citra sketsa, Klasifikasi, Support Vector Machine, K-Fold Cross Validation

Tidak Tersedia Deskripsi