KLASIFIKASI KAIN ULOS DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION

71120142, Eghy Kurniagus Imanuel H. (2017) KLASIFIKASI KAIN ULOS DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION. Bachelor thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71120142_bab1_bab5_daftarpustaka.pdf Download (1MB)
	Text (Skripsi Informatika) 71120142_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Dengan berkembangnya zaman, banyak anak muda suku Batak hanya menganggap Ulos sebagai kain biasa, tanpa memperdulikan nama, makna serta fungsi dari Ulos, sehingga membuat anak muda bahkan orang tuapun hanya menjadikan pemberian Ulos hanya seremonial belaka, bukan lagi menonjolkan nilai-nilai spiritualitas. Dalam setiap kegiatan seperti upacara adat, upacara pernikahan, kelahiran, memasuki rumah baru, sukacita, dan dukacita Ulos selalu menjadi bagian adat yang selalu di ikut sertakan. Ulos yang digunakan tiap kegiatanpun berbeda-beda. Maka dari itu, sistem klasifikasi kain ulos diperlukan untuk membantu masyarakat indonesia khususnya suku batak untuk dapat mengenali nama dari kain Ulos. Penelitian ini menggunakan lima jenis kain Ulos yaitu Ulos Sadum (Horas Jala Gabe), Ulos Ragi Hotang (Motif 1), Ulos Ragi Hotang (Motif 2), Ulos Sadum dan Ulos Suri-suri dimana tiap jenis kain ulos memiliki 15 sampel untuk data set latih dan 5 untuk data set uji. Algoritma yang digunakan pada proses pelatihan dan klasifikasi yaitu dengan menggunakan learning vector quantization, dimana citra sebelumnya sudah mendapatkan 16 elemen ciri dari proses ekstraksi ciri blockproc. Pada penelitian ini sistem klasifikasi kain ulos menggunakan metode Learning vector quantization yang telah dibangun dapat melakukan proses klasifikasi kain ulos sebanyak 100 citra, dimana 75 citra data set latih dan 25 citra data set uji dihasilkan persentase masing-masing yaitu 85,3% untuk data set latih dan 64,0% untuk data set uji.

Actions (login required)

View Item