"
ABSTRAKTesis ini memberikan pendekatan baru dalam melakukan klasifikasi objek, yaitu
motif-motif Songket Palembang, dengan memanfaatkan local descriptor SIFT dan
SURF. Pendekatan tersebut adalah pendekatan matching scores berupa keypoint
distance. Data gambar yang tersimpan dan data gambar yang diuji dilakukan
dengan teknik 10-fold cross validation. Dalam melakukan pencocokan, dilakukan
dua pendekatan yaitu pengambilan rata-rata dari 5, 10, 15, atau 25 buah nilai keypoint
distance terkecil dan pengambilan jumlah terbanyak dari matched keypoint.
Dalam pendekatan keypoint distance ataupun pendekatan jumlah matched keypoint
terbanyak, klasifikasi motif songket dapat dilakukan. Akurasi dan waktu eksekusi
menjadi indikator dari performa metode atau pendekatan yang dilakukan. Terdapat
beberapa buah skenario dalam melakukan evaluasi metode, termasuk melibatkan
proses derau pada gambar. Hasil menunjukkan bahwa SIFT memiliki tingkat
akurasi yang lebih tinggi dibandingkan dengan SURF baik dengan pendekatan
keypoint distance maupun pendekatan jumlah matched keypoint meskipun waktu
eksekusi SIFT lebih lama dibandingkan dengan metode SURF. Akan tetapi,
permasalahan ini dapat dibantu dengan proses derau dengan kerapatan derau
sebesar 0.2 sehingga waktu eksekusi dapat berkurang hingga 39%.
ABSTRACTThis thesis provides a new approach in object classification, namely Songket-
Palembang motif classification, using the local descriptors SIFT and SURF. The
approach is by matching scores in terms of keypoint distances. Saved picture data
and testing picture data are validated by 10-fold cross validation. In matching, there
are two approaches, namely taking the average of 5, 10, 15, or 25 smallest keypoint
distance values and taking the largest number of matched keypoints. In both approaches,
the songket motifs can be classified successfully. Accuracy and execution
time are the performance indicators of the approaches. There are a few scenarios
in the evaluation method, including adding noise to picture data. The results show
that SIFT has higher accuracy than SURF in both approaches although SIFT has
longer execution time. But this problem can be solved by the noise process with
noise density of 0.2 to achieve execution time reduction of 39%."
