PENERAPAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI WAYANG KULIT GAGRAG YOGYAKARTA BERDASARKAN FITUR TEKSTUR PENUTUP KEPALA

22084423, Yosua Primus Soterio (2013) PENERAPAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI WAYANG KULIT GAGRAG YOGYAKARTA BERDASARKAN FITUR TEKSTUR PENUTUP KEPALA. Bachelor thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 22084423_bab1_bab5_daftarpustaka.pdf Download (1MB)
	Text (Skripsi Informatika) 22084423_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Pembedaan tokoh wayang kulit dapat dilakukan dengan mengklasifikasikan wayang berdasarkan penutup kepalanya. Proses klasifikasi tersebut memanfaatkan fitur tekstur dari penutup kepala pada gambar tokoh wayang kulit. Salah satu cara untuk melakukan klasifikasi wayang tersebut adalah dengan menggunakan Metode K-Nearest Neighbor (KNN). Metode ini menggunakan mekanisme voting kelas (label) yang telah diketahui sebelumnya dari sejumlah k sampel terdekat. K sampel terdekat diperoleh dari perbandingan antara fitur tekstur gambar wayang baru dengan fitur tekstur gambar wayang yang telah diketahui labelnya. Fitur tekstur gambar wayang sendiri didapatkan dengan menggunakan Metode Edge Histogram Descriptor (EHD). Label berupa jenis penutup kepala dengan jumlah terbanyak di dalam sampel diberikan kepada gambar wayang baru. Sistem dalam penelitian ini mengimplementasikan Metode KNN untuk melakukan klasifikasi wayang kulit. Sistem memotong 1/3, 1/4, atau 1/5 bagian atas gambar wayang untuk memperoleh objek penutup kepala. Hasil pemotongan di-resize menjadi 240x240 piksel dan hasil resize-nya dibuat grayscale. Setelah itu, gambar hasil pemotongan diambil fiturnya menggunakan EHD dengan pilihan jumlah pembagian daerah 4, 9, atau 16 daerah. Output dari sistem ini berupa label jenis penutup kepala untuk wayang baru dan akurasi hasil klasifikasi yang dilakukan sistem. Hasil pengujian sistem menunjukkan bahwa tingkat akurasi sistem dalam melakukan klasifikasi semakin meningkat apabila potongan gambar bagian atas semakin kecil dan jumlah daerah pembagian dalam ekstraksi fitur EHD semakin banyak. Hal ini dapat dilihat pada hasil uji sistem dengan potongan 1/5 bagian atas dan 16 daerah pembagian EHD yang memiliki tingkat akurasi tertinggi sebesar 62,25%.

Actions (login required)

View Item