ABSTRAK
Tesis ini memberikan pendekatan baru dalam melakukan klasifikasi objek, yaitumotif-motif Songket Palembang, dengan memanfaatkan local descriptor SIFT danSURF. Pendekatan tersebut adalah pendekatan matching scores berupa keypointdistance. Data gambar yang tersimpan dan data gambar yang diuji dilakukandengan teknik 10-fold cross validation. Dalam melakukan pencocokan, dilakukandua pendekatan yaitu pengambilan rata-rata dari 5, 10, 15, atau 25 buah nilai keypointdistance terkecil dan pengambilan jumlah terbanyak dari matched keypoint.Dalam pendekatan keypoint distance ataupun pendekatan jumlah matched keypointterbanyak, klasifikasi motif songket dapat dilakukan. Akurasi dan waktu eksekusimenjadi indikator dari performa metode atau pendekatan yang dilakukan. Terdapatbeberapa buah skenario dalam melakukan evaluasi metode, termasuk melibatkanproses derau pada gambar. Hasil menunjukkan bahwa SIFT memiliki tingkatakurasi yang lebih tinggi dibandingkan dengan SURF baik dengan pendekatankeypoint distance maupun pendekatan jumlah matched keypoint meskipun waktueksekusi SIFT lebih lama dibandingkan dengan metode SURF. Akan tetapi,permasalahan ini dapat dibantu dengan proses derau dengan kerapatan derausebesar 0.2 sehingga waktu eksekusi dapat berkurang hingga 39%.

---

ABSTRACT
This thesis provides a new approach in object classification, namely Songket-Palembang motif classification, using the local descriptors SIFT and SURF. Theapproach is by matching scores in terms of keypoint distances. Saved picture dataand testing picture data are validated by 10-fold cross validation. In matching, thereare two approaches, namely taking the average of 5, 10, 15, or 25 smallest keypointdistance values and taking the largest number of matched keypoints. In both approaches,the songket motifs can be classified successfully. Accuracy and executiontime are the performance indicators of the approaches. There are a few scenariosin the evaluation method, including adding noise to picture data. The results showthat SIFT has higher accuracy than SURF in both approaches although SIFT haslonger execution time. But this problem can be solved by the noise process withnoise density of 0.2 to achieve execution time reduction of 39%.