KLASIFIKASI MOTIF BATIK SEMEN MENGGUNAKAN METODE EKSTRAKSI ZERNIKE MOMENTS DAN KNEAREST NEIGHBOUR

71120032, Setyadi Banu Yuwono (2016) KLASIFIKASI MOTIF BATIK SEMEN MENGGUNAKAN METODE EKSTRAKSI ZERNIKE MOMENTS DAN KNEAREST NEIGHBOUR. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71120032_bab1_bab5_daftarpustaka.pdf Download (3MB)
	Text (Skripsi Informatika) 71120032_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Batik yang dimiliki Kota Yogyakarta memiliki banyak motif yang beraneka ragam. Motif-motif batik tersebut antara lain motif batik kawung, motif batik parang, motif batik nitik dan motif batik lainnya. Setiap batik memiliki jenis-jenis yang berbeda, salah satunya batik semen. Menurut buku yang berjudul “Motif Batik Yogya Semen” batik semen Yogyakarta memiliki 50 jenis batik semen. Oleh sebab itu penulis ingin membangun sebuah sistem untuk mengklasifikasikan beberapa jenis batik semen. Dalam penelitian ini penulis akan mengklasifikasikan 3 jenis batik semen yaitu batik semen romo, sidomukti dan sidoasih. Jumlah data yang digunakan berjumlah 90. Data tersebut kemudian digunakan sebagai datauji sebanyak 10 pada setiap motifnya dan data latih sebanyak 20 setiap motifnya. Data uji dan data latih tersebut diproses menggunakan metode ekstraksi zernike moment, kemudian dilakukan klasifikasi berdasarkan jarak dengan menggunakan prinsip metode K-Nearest Neighbor (KNN). Hasil pengujian berdasarkan orde 4, 6, dan 10 dengan data normal adalah orde 10 memperoleh akurasi rata-rata tertinggi dengan akurasi sistem sebesar 90,83%, dengan nilai akurasi tertinggi pada pengenalan motif batik semen sidomukti sebesar 97,5 %. Kemudian Hasil uji dengan orde terbaik (10) dengan data uji citra rotasi 10°, 15°, 20°, 30° dan 90° adalah sistem mengalami ketidaksetabilan dalam mengenali tiap motif batik, karena terjadi penurunan atau kenaikan pada saat uji rotasi, kemudian sistem mendapatkan akurasi terendah dibawah 50% pada saat mengklasifikasikan citra rotasi 90°. Kesimpulan yang didapat dari hasil kedua pengujian adalah sistem mampu mengklasifikasikan motif semen romo, sidomukti, dan sidoasih dengan baik pada data uji normal orde 10.

Actions (login required)

View Item