<![CDATA[Patung dewa dan dewi dalam tradisi Hindu Bali memiliki keragaman bentuk dan detail visual yang tinggi, sehingga menimbulkan tantangan dalam proses pengenalan dan klasifikasi citra digital. Perbedaan karakteristik visual antar patung mendorong perlunya metode ekstraksi fitur yang mampu merepresentasikan informasi citra secara optimal. Penelitian ini bertujuan membandingkan kinerja ekstraksi fitur Bag of Visual Words (BoVW) dan Convolutional Neural Network (CNN) pada klasifikasi citra patung dewa dan dewi menggunakan Support Vector Machine (SVM). Dataset terdiri dari 150 citra patung yang dibagi menjadi data latih dan data uji. Proses penelitian meliputi preprocessing citra, ekstraksi fitur menggunakan BoVW dan CNN, serta klasifikasi menggunakan SVM. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, dan recall. Hasil pengujian menunjukkan bahwa kombinasi CNN–SVM mencapai akurasi sebesar 84,44% dengan 38 prediksi benar, lebih tinggi dibandingkan BoVW–SVM yang memperoleh akurasi 77,78% dengan 35 prediksi benar. CNN menunjukkan kemampuan yang lebih baik dalam merepresentasikan fitur visual kompleks, terutama pada kelas Brahma, Ganesha, dan Siwa dengan nilai recall sebesar 88,9%. Namun, kelas Saraswati masih menjadi kelas yang paling sulit dikenali dengan nilai recall 44,4% meskipun memiliki precision yang tinggi. Penelitian ini menyimpulkan bahwa ekstraksi fitur berbasis CNN lebih efektif dibandingkan BoVW dalam mendukung klasifikasi citra patung dewa dan dewi yang memiliki kompleksitas visual tinggi.]]>
