KLASIFIKASI MOTIF BATIK JAWA TENGAH MENGGUNAKAN EKSTRAKSI BENTUK DAN ALGORITMA K-NEAREST NEIGHBOR

Jovan Roderick Reinaldo (2023) KLASIFIKASI MOTIF BATIK JAWA TENGAH MENGGUNAKAN EKSTRAKSI BENTUK DAN ALGORITMA K-NEAREST NEIGHBOR. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71180275_bab1_bab5_daftarpustaka.pdf Download (5MB)
	Text (Skripsi Informatika) 71180275_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (6MB) | Request a copy

Abstract

Batik merupakan salah satu dari identitas Bangsa Indonesia, keanekaragaman dari motif-motif batik yang tersebar di seluruh Indonesia berbeda-beda tiap daerahnya. Beberapa contohnya seperti di Jawa Tengah yaitu, kawung, truntum, dan slobog. Dengan banyaknya motif-motif batik proses untuk mengidentifikasi motif batik akan memakan waktu lama jika hanya dilakukan oleh manusia. Untuk membantu mempercepat proses identifikasi motif batik, telah dikembangkan sebuah aplikasi yang dapat mengklasifikasikan motif batik Jawa Tengah dengan menggunakan ekstraksi bentuk yang memiliki fitur area, standar deviasi, eccentricity, dan perimeter. Pada proses mendapakan fitur ekstraksi bentuk, citra akan melalu beberapa tahap pre-processing yang perlu dilakukan agar fitur yang didapatkan sesuai. Lalu proses klasifikasi menggunakan algoritma k-nearest neighbor. Setelah itu nilai k akan dianalisis agar aplikasi dapat memprediksi secara akurat dengan cara membandingkan beberapa data uji dan data fitur ekstraksi bentuk. Hasil dari penelitian, aplikasi mampu mengenali motif-motif batik yang dimasukan seperti kawung, truntum, dan slobog menggunakan fitur-fitur bentuk yang telah didapatkan dan dengan melalui proses klasifikasi dengan menggunakan k=9 yang telah dinormalisasi dan mendapatkan nilai akurasi tertinggi dibanding k lain dan dapat mengenali motif batik slobog lebih akurat dibandingkan K lainnya. Dalam proses klasifikasi 40 data uji, aplikasi mendapatkan 67.5% tingkat keberhasilan dalam memprediksi motif batik yang dimasukan. Aplikasi ini dapat dikatakan berhasil karena telah memprediksi lebih dari setengah data uji dan mendapatkan 60-70% presentase keberhasilan dalam uji cobanya

Actions (login required)

View Item