STUDI PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST DALAM KLASIFIKASI CITRA MOTIF BATIK KALIMANTAN

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest dalam klasifikasi citra motif Batik Kalimantan serta mengimplementasikan model terbaik ke dalam aplikasi berbasis Streamlit. Penelitian menggunakan dataset citra batik dari lima wilayah, yaitu Kalimantan Barat, Kalimantan Selatan, Kalimantan Tengah, Kalimantan Timur, dan Kalimantan Utara. Tahapan penelitian meliputi preprocessing citra, augmentasi data latih, ekstraksi fitur tekstur, penyeimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE), pelatihan model, serta pengujian dan evaluasi. Ekstraksi fitur dilakukan menggunakan Gray Level Co-occurrence Matrix (GLCM) yang menghasilkan 10 fitur dan Local Binary Pattern (LBP) yang menghasilkan 26 fitur, sehingga setiap citra direpresentasikan oleh 36 fitur. Kinerja model dievaluasi menggunakan accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa SVM memperoleh accuracy sebesar 60,66%, precision sebesar 56,54%, recall sebesar 51,82%, dan F1-score sebesar 53,47%. Sementara itu, Random Forest memperoleh accuracy sebesar 62,09%, precision sebesar 64,19%, recall sebesar 54,91%, dan F1-score sebesar 58,14%. Berdasarkan hasil tersebut, Random Forest dipilih sebagai model terbaik karena memperoleh nilai lebih tinggi pada seluruh metrik evaluasi yang digunakan. Sistem kemudian diimplementasikan menggunakan Streamlit dengan menambahkan Batik Gate sebagai penyaringan awal untuk membedakan citra batik dan non-batik sebelum klasifikasi wilayah dilakukan. Dengan demikian, penelitian ini menghasilkan sistem klasifikasi motif Batik Kalimantan yang menggabungkan ekstraksi fitur tekstur, perbandingan algoritma klasifikasi, dan penyaringan citra melalui Batik Gate.