Yunari, Nafik ah (2017) Klasifikasi Jenis Batik Tulis dan Non Tulis Berdasarkan Fitur Tekstur Citra Batik Menggunakan Learning Vector Quantization (LVQ). Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
2215206707-Master Thesis.pdf - Published Version Download (9MB) | Preview |
Abstract
Batik, sebagai warisan budaya Indonesia, memiliki dua jenis batik asli yaitu Batik Tulis dan Batik Cap. Keduanya dibuat dengan tenaga manusia dan mempunyai makna pada setiap motifnya. Namun, masih sulit untuk membedakan kain batik tulis dan non tulis. Banyak kain yang tersebar di masyarakat yang diklaim sebagai batik padahal bukan. Tujuan dari penelitian ini adalah untuk mendapatkan fitur statistik tekstur dari citra batik untuk mengetahui jenis batik tulis, cap dan printing dengan menggunakan ekstraksi tekstur Gray Level Co-occurrence Matrix (GLCM) dan Artificial Neural Network Learning Vector Quantization (LVQ) sebagai metode untuk mengklasifikasikan jenis batik tulis dan non tulis. Pengambilan data dilakukan dengan mengambil citra kain batik. Citra dari kain diolah melalui image processing untuk selanjutnya dilakukan ekstraksi fitur statistik dengan metode GLCM. Fitur yang dipakai dalam penelitian ini adalah fitur ASM (Angular Second Moment), IDM (Inverse Different Moment), Entropy dan Korelasi. Untuk nilai fitur ASM (Angular Second Moment) dan IDM (Inverse Different Moment) kelas batik tulis mempunyai nilai rataan tertinggi. Nilai entropy pada batik tulis lebih rendah dari kedua kelas lainnya. Untuk nilai kolerasi pada kelas batik tulis lebih rendah daripada kelas textil motif batik (printing) dan lebih tinggi daripada kelas batik cap. Dari hasil pengujian pada penelitian ini, parameter terbaik LVQ dengan menggunakan 1000 epoch, learning rate 0.3 dan 600 hidden neuron. Tahapan identifikasi dari 600 sampel citra batik tulis dan non tulis dengan menerapkan metode klasifikasi LVQ dilakukan dengan 2 tahap, pertama tahap pelatihan data sebanyak 70% dari jumlah sampel data, kedua tahap pengujian yang dilakukan pada 30%. Untuk tingkat prediksi LVQ mencapai rata-rata akurasi dari data tanpa normalisasi sebesar 90,43% dan data dengan normalisasi sebesar 98,40%. Sedangkan pada data uji atau data testing besarnya nilai rata-rata akurasi pada dataset tanpa normalisasi sebesar 92,79% setelah dilakukan normalisasi data nilai rata-rata akurasi bertambah menjadi 98,98% sehingga kenaikan nilai rata-rata akurasi sebesar 8%.
================================================================================================
Batik, as Indonesia's cultural heritage, has two types of original batik namely Batik Tulis and Batik Cap. Both are made with human power and have meaning in every motive. However, it is still difficult to distinguish batik cloth and non-writing. Many fabrics are scattered in a society that is claimed to be batik when it is not. The purpose of this research is to get the texture statistic feature from batik image to know the type of batik, stamp and printing by using Gray Level Co-occurrence Matrix (GLCM) and Artificial Neural Network Learning Vector Quantization (LVQ) as a method to classify the type Batik and non-writing. Data collection is done by taking the image of batik cloth. The image of the fabric is processed through image processing to further extraction of statistical features by GLCM method. The features used in this research are ASM (Angular Second Moment), IDM (Inverse Different Moment), Entropy and Correlation. For ASM (Angular Second Moment) and IDM (Inverse Different Moment) feature grade batik class has the highest mean value. The value of entropy on batik is lower than the other two classes. For the value of kolerasi on batik class is lower than the textile class of batik motif (printing) and higher than the class of batik cap. From the results of testing in this study, the best parameters LVQ namely: by using 1000 epoch, learning rate 0.3 and 600 hidden neurons. The identification stage of 600 samples of batik and non-writing image by applying LVQ classification method is done by 2 stages, first phase of data training is 70% from the amount of data sample, both stages of testing done at 30%. For LVQ prediction rate reached the average accuracy of data without normalization of 90.43% and data with normalization of 98.40%. While on the test data or data testing the average value of accuracy on the dataset without normalization of 92.79% after normalization of the data the average value of accuracy increased to 98.98%, so the increase in the average value of accuracy of 8%.
Key words: Batik, Indonesian Batik, Image, Texture feature, GLCM, LVQ.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTE 006.42 Yun t-1 |
| Uncontrolled Keywords: | Batik, Indonesian Batik, Image, Texture feature, GLCM, LVQ. |
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms |
| Divisions: | Faculty of Industrial Technology > Electrical Engineering > 20101-(S2) Master Thesis |
| Depositing User: | Yunari Nafikah |
| Date Deposited: | 01 Nov 2017 07:02 |
| Last Modified: | 05 Mar 2019 03:43 |
| URI: | http://repository.its.ac.id/id/eprint/42431 |
Actions (login required)
 |
View Item |