@phdthesis{katalog4567,
          school = {Univeristas Kristen Duta Wacana},
            year = {2017},
          author = {Henri Prasetiya 71110034},
           title = {KLASIFIKASI BATIK MENGGUNAKAN DISCRETE COSINE TRANSFORM DAN HAMMING NETWORK},
           month = {November},
        keywords = {Batik, Discrete Cosine Transform, Hamming Net.},
             url = {https://katalog.ukdw.ac.id/4567/},
        abstract = {Batik memiliki banyak motif. Yogyakarta merupakan salah satu daerah yang memproduksi beberapa motif batik. Untuk mengenali dan mengelompokkan motif batik masih memerlukan peran manusia. Untuk membantu proses tersebut maka pada penelitian ini dibangun perangkat lunak untuk mengklasifikasikan batik menggunakan Discrete Cosine Transform (DCT) dan Hamming Net. DCT akan digunakan untuk ekstraksi fitur dan Hamming Net untuk klasifikasi. Motif batik yang digunakan ada 4, yaitu motif kawung, nitik, parang dan truntum. Setiap motif ada 30 data yang terdiri dari 20 data latih dan 10 data uji. Pengujian dilakukan sebanyak 4 kali berdasarkan preprocessing yang digunakan, grayscale, threshold, deteksi tepi Cany, atau Opening. Pengujian dilakukan dengan cara mengolah citra input dengan salah satu preprocessing, menghitung koefisien DCT dan diklasifikasikan menggunakan Hamming Net. Ukuran fitur koefisien DCT yang digunakan ada 4x4, 8x8, 16x16, 24x24, dan 32x32. Berdasarkan hasil pengujian, rata-rata tingkat keberhasilan benar klasifikasi adalah sebagai berikut: motif Kawung sebesar 82\% dengan preprocessing Opening, motif Nitik sebesar 70\% dengan preprocessing Opening, motif Parang sebesar 70\% dengan preprocessing grayscale, dan motif Truntum sebesar 70.5\% dengan preprocessing Grayscale. Hasil pengujian terbaik menggunakan preprocessing Grayscale, dengan rata-rata 70.5\% benar klasifikasi. Hasil pengujian terbaik berdasarkan preprocessing dan ukuran fitur adalah 90\% dengan menggunakan grayscale dan ukuran fitur 24x24.}
}