IMPLEMENTASI METODE HYBRID CNN-GLCM FEATURE FUSION UNTUK KLASIFIKASI CITRA KAIN TENUN KHAS BIMA

M., PANDAWAN JUNIARTA (2026) IMPLEMENTASI METODE HYBRID CNN-GLCM FEATURE FUSION UNTUK KLASIFIKASI CITRA KAIN TENUN KHAS BIMA. undergraduate thesis, Universitas Muhammadiyah Mataram.

	Text COVER - DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (4MB) \| Request a copy
	Text SMILARITY CHECK.pdf Restricted to Repository staff only Download (6MB) \| Request a copy

Abstract

Kain tenun khas Bima merupakan salah satu warisan budaya yang memiliki karakteristik visual dan tekstur yang beragam, khususnya pada jenis Tembe Nggoli dan Tembe Salungka. Perbedaan karakteristik kedua jenis kain tersebut dapat menjadi tantangan dalam proses identifikasi berdasarkan pengamatan visual. Penelitian ini bertujuan mengimplementasikan ekstraksi fitur visual menggunakan MobileNetV2 dan fitur tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM), serta menganalisis pengaruh penggabungan kedua fitur melalui metode Feature Fusion terhadap performa klasifikasi kain tenun khas Bima. Dataset yang digunakan terdiri dari 1.028 citra kain tenun yang terbagi ke dalam dua kelas, yaitu Nggoli dan Salungka. MobileNetV2 digunakan untuk mengekstraksi 1.280 fitur visual, sedangkan GLCM menghasilkan 24 fitur tekstur berdasarkan enam parameter, yaitu contrast, dissimilarity, homogeneity, ASM, entropy, dan correlation pada empat orientasi sudut. Kedua jenis fitur kemudian digabungkan melalui Feature Fusion sehingga menghasilkan 1.304 fitur. Selanjutnya, fitur dinormalisasi menggunakan StandardScaler (Z-Score) dan diklasifikasikan menggunakan Support Vector Machine (SVM) dengan kernel linear. Hasil pengujian pada data testing menunjukkan bahwa MobileNetV2 secara tunggal menghasilkan akurasi sebesar 97,42%, sedangkan GLCM secara tunggal memperoleh akurasi sebesar 88,39%. Model Hybrid CNN-GLCM menghasilkan akurasi sebesar 97,42% dengan Precision sebesar 97,55%, Recall sebesar 97,42%, dan F1-Score sebesar 97,42%. Hasil tersebut menunjukkan bahwa penggabungan fitur visual dan tekstur menghasilkan representasi fitur yang lebih lengkap, namun belum meningkatkan akurasi testing dibandingkan penggunaan MobileNetV2 secara tunggal. Nilai Area Under Curve (AUC) sebesar 1,0000 pada kedua kelas menunjukkan kemampuan diskriminasi model Hybrid yang sangat baik dalam membedakan citra Tembe Nggoli dan Tembe Salungka. Dengan demikian, MobileNetV2 telah mampu merepresentasikan karakteristik visual kedua kelas dengan sangat baik, sementara penambahan fitur GLCM melalui Feature Fusion mempertahankan performa klasifikasi tanpa memberikan peningkatan akurasi pada data testing.

Item Type:

Thesis (undergraduate)

Contributors: