Peningkatan Kinerja Machine Learning Menggunakan Graph-Based Descriptor pada Klasifikasi Citra Batik Nitik

Oleh :
Agung Budi Santoso - L0122008 - Fak. Teknologi Informasi dan Sains Data

Klasifikasi citra Batik Nitik memiliki tingkat kesulitan yang tinggi akibat kemiripan visual lokal antarkelas motif. Pembeda utama antarkelas terletak pada susunan relasi spasial elemen penyusunnya secara global. Metode ekstraksi tekstur yang berfokus pada statistik piksel lokal memiliki keterbatasan karena belum memodelkan hubungan spasial tersebut. Penelitian ini mengusulkan Graph-Based Descriptor (GBD) sebagai metode representasi fitur spasial untuk klasifikasi 60 kelas motif Batik Nitik. Pipeline metode diawali dengan segmentasi Watershed berbasis Distance Transform untuk mengekstraksi titik centroid dari elemen motif. Titik-titik centroid tersebut digunakan untuk membangun graf spasial menggunakan k-Nearest Neighbor Graph (kNN-Graph). Selanjutnya, diekstraksi 28 dimensi fitur awal yang mencakup metrik topologi, geometri edge, dan Voronoi. Dimensi fitur kemudian direduksi menggunakan seleksi fitur ANOVA F-test untuk mengeliminasi atribut yang redundan. Hasil eksperimen menunjukkan bahwa representasi graf menggunakan kNN-Graph (k=6) dengan reduksi dimensi menjadi 18 fitur menghasilkan representasi paling diskriminatif. Pengujian akhir pada data testing menggunakan classifier kNN (k=1) menghasilkan nilai Accuracy sebesar 0.9917. Hasil ini memberikan peningkatan akurasi sebesar 28.17% dibandingkan MTCD (0.7100), 31.17% dibandingkan CMTH (0.6800), dan 41.17% dibandingkan GLCM (0.5800). Penelitian ini menyimpulkan bahwa pemodelan relasi spasial menggunakan pendekatan graf lebih efektif untuk mengenali dan mengklasifikasikan keunikan pola motif Batik Nitik dibandingkan pendekatan berbasis tekstur.