Optimasi Ekstraksi Fitur Citra Karakter Font Menggunakan Algoritma Support Vector Machines (SVM) untuk Klasifikasi Tipografi

Klasifikasi tipografi berbasis citra karakter merupakan salah satu tantangan penting dalam bidang pengenalan pola dan pengolahan citra digital, terutama dalam konteks digitalisasi dokumen dan sistem OCR (Optical Character Recognition). Penelitian ini bertujuan untuk mengoptimalkan proses ekstraksi fitur citra karakter font dengan memanfaatkan kombinasi beberapa teknik fitur serta algoritma Support Vector Machines (SVM) untuk klasifikasi. Metode yang digunakan melibatkan preprocessing citra karakter, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG), Local Binary Pattern (LBP), dan Zoning, serta pelatihan model SVM dengan kernel Radial Basis Function (RBF). Dataset yang digunakan terdiri dari 2.600 citra karakter dalam format grayscale yang berasal dari lima jenis font populer. Dataset ini dibagi menjadi data latih dan data uji untuk keperluan pelatihan dan evaluasi model. Hasil eksperimen menunjukkan bahwa kombinasi fitur HOG dan Zoning menghasilkan akurasi klasifikasi tertinggi sebesar 94,6%, mengungguli teknik fitur tunggal maupun kombinasi dua fitur lainnya. Temuan ini menunjukkan bahwa pemilihan dan penggabungan teknik ekstraksi fitur yang tepat secara signifikan meningkatkan performa klasifikasi tipografi citra karakter. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi font yang lebih akurat dan efisien, serta membuka peluang aplikasi lebih lanjut dalam digital forensik, sistem pencarian berbasis citra, dan digitalisasi arsip.