<![CDATA[Nitik Batik is an Indonesian cultural heritage with complex geometric dot patterns, yet its digitalization and preservation efforts remain limited. This study aims to develop an automatic classification system for 60 Nitik Batik motifs using a combination of EfficientNet-B0 as a feature extractor and Support Vector Machine (SVM) as a classifier. The Batik Nitik 960 Dataset was expanded from 960 to 1,920 images with rotation augmentation. Experiments were conducted with 10-fold cross-validation and evaluation on separate test data. Results show that the model without augmentation achieved 55.71% accuracy, 90.06% macro precision, 55.71% recall, and 65.29% F1-score. Blur augmentation with 30% probability reduced accuracy to 49.29% although it decreased overfitting by 6.63%. SVM parameters were set to C=0.3 and gamma=0.01 to improve regularization. This study concludes that the combination of EfficientNet-B0 and SVM is effective for multi-class batik classification, but blur augmentation is unsuitable for detail-rich textile data. Future research recommendations include exploring geometric augmentation and more advanced feature extractor architectures.Kata kunci: Nitik Batik; Image classification; EfficientNet-B0; Support Vector Machine; augmentation. AbstrakBatik Nitik merupakan warisan budaya Indonesia dengan motif geometris berbentuk titik yang kompleks, namun upaya digitalisasi dan pelestariannya masih terbatas. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk 60 motif Batik Nitik menggunakan kombinasi EfficientNet-B0 sebagai ekstraktor fitur dan Support Vector Machine (SVM) sebagai klasifikator. Dataset Batik Nitik 960 Dataset diperluas dari 960 menjadi 1.920 citra dengan augmentasi rotasi. Eksperimen dilakukan dengan skema 10-fold cross-validation dan evaluasi pada data uji terpisah. Hasil menunjukkan bahwa model tanpa augmentasi mencapai akurasi 55,71%, precision macro 90,06%, recall 55,71%, dan F1-score 65,29%. Augmentasi blur 30% justru menurunkan akurasi menjadi 49,29% meskipun mengurangi overfitting sebesar 6,63%. Parameter SVM diatur C=0,3 dan gamma=0,01 untuk meningkatkan regularisasi. Penelitian ini menyimpulkan bahwa kombinasi EfficientNet-B0 dan SVM efektif untuk klasifikasi batik multikelas, namun augmentasi blur tidak sesuai untuk data tekstur kaya detail. Rekomendasi penelitian selanjutnya adalah eksplorasi augmentasi geometris dan arsitektur feature extractor yang lebih advance.Kata kunci: Batik Nitik; Klasifikasi citra; EfficientNet-B0; Support Vector Machine; Augmentasi.]]>
