PERBANDINGAN TEKSTUR CITRA DALAM KLASIFIKASI MOTIF BATIK MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN GRAY LEVEL RUN LENGTH MATRIX (GLRLM)

Fauzy, Marwan Noor (2020) PERBANDINGAN TEKSTUR CITRA DALAM KLASIFIKASI MOTIF BATIK MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN GRAY LEVEL RUN LENGTH MATRIX (GLRLM). S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text 17.52.1023 - Marwan Noor Fauzy.pdf Download (6MB)

Abstract

Batik merupakan bagian dari keragaman budaya turun temurun yang harus kita jaga dan dilestarikan karena batik merupakan bagian dari warisan dunia dan telah diakui oleh UNESCO. Tradisi batik sudah menjadi identitas indonesia yang terkenal tidak hanya di kalangan masyarakat namun sudah dikenal di luar negeri. Identifikasi motif batik secara pengelihatan diperlukan pengetahuan yang cukup dengan memperhatikan pola yang terbentuk dari motif batik tersebut. pola dari setiap motif batik memiliki ciri khas tersendiri namun karena kurangnya pemahaman, ilmu serta informasi tentang motif matik sehingga masyarakat luas mengalami kesulitan dalam mengenali dan mengklasifikasi motif batik. Algoritma GLCM merupakan salah satu metode dalam pengenalan pola, Metode ini merupakan matriks yang terbentuk berdasarkan citra Grayscale dan matriks ini menghitung frekuensi kemunculan suatu nilai piksel horizontal terhadap piksel vertikal yang bersebelahan maupun secara diagonal. Sedangkan (GLRLM) yaitu sebuah metode untuk mendapatkan fitur statistik Run-length yang dapat menunjukan tingkat kasar atau halusnya dari sebuah tekstur yang halus cenderung lebih banyak memiliki short runs dengan intensitas tingkat keabuan yang mirip, sedangkan tekstur kasar memiliki lebih banyak long run dengan intensitas tingkat keabuan yang berbeda secara signifikan. Pada penelitian ini memiliki tujuan membandingkan 2 metode pengenalan pola dalam melakukan klasifikasi pada 2 motif batik khas Sleman, yaitu motif parijotho dan motif salak pondoh dengan dataset 40 citra sebagai data latih dan 25 citra sebagai data latih kemudian dataset tersebut digunakan untuk proses klasifikasi dengan metode K-Nearest Neighbor (KNN). Perangkat lunak pada penelitian ini menggunakan aplikasi matlab R2016a sebagai proses ekstraksi fitur dan digunakan sebagai data dari pengenalan pola pada metode GLCM yaitu pada fitur energy, correlation, homogenity dan contrast. Pada metode GLRLM yaitu fitur short run emphasis (SRE), long run emphasis (LRE), Gray level uniformity (GLE), run length uniformity (RLU), dan run percentage (RP). Dalam metode pengenalan pola GLCM maupun GLRLM memiliki tingkat akurasi yang berbeda dalam proses klasifikasi motif batik, metode ekstraksi fitur GLCM menghasilkan akurasi terbaik 68% pada nilai k=3 dan k=5 dengan rata-rata kecepatan response time sebesar 0,43275325 detik. Sedangkan pada ekstraksi fitur GLRLM menghasilkan akurasi terbaik 72% pada nilai k=1 dan k=5 dengan rata-data kecepatan response time sebesar 0, 045761925 detik.

Actions (login required)

View Item