IMPLEMENTASI WAVELET TRANSFORM DAN NEURAL NETWORK UNTUK MENGENALI MOTIF BATIK

Antoro, Oky (2017) IMPLEMENTASI WAVELET TRANSFORM DAN NEURAL NETWORK UNTUK MENGENALI MOTIF BATIK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (241kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (559kB)
	Text (BAB V) BAB V.pdf Download (38kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (93kB)
	Archive (SOURCE CODE) Source Code_14.11.7646 Oky Antoro.zip Restricted to Repository staff only Download (21MB)
	Text (PUBLIKASI) Publikasi_14.11.7646 Oky Antoro.pdf Restricted to Repository staff only Download (770kB)

Abstract

Batik merupakan salah satu kebudayaan yang dimiliki bangsa Indonesia. Sejak tanggal 2 Oktober 2009 yang lalu, batik telah diakui oleh UNESCO sebagai warisan budaya Indonesia. Masing-masing daerah di Indonesia memiliki corak batik masing-masing dan memiliki kekhasan dari daerah tersebut. Motif batik terdiri atas dua kelompok besar, yaitu kelompok geometris dan non geometris. Kelompok geometris antara lain parang, ceplok, dan lereng sedangkan motif non geometris antara lain semen, lung-lungan, buketan dan pola khusus. Keberagaman motif batik yang ada menjadi sebuah tantangan dalam penelitian untuk mengembangkan model yang dapat melakukan klasifikasi terhadap motif-motif tersebut. Penelitian ini menggabungkan metode ekstraksi fitur warna berbasis color moments berupa rerataan, simpangan baku dan skewness dan Discrete Wavelet Transform (DWT). Sedangkan untuk melakukan klasifikasi digunakan metode klasifikasi Artificial Neural Network (ANN) yang dikenal handal dalam melalukan klasifikasi karena memiliki kemampuan untuk learning, menggeneralisasi hasil pembelajaran dan membuat rule universal dalam mengambil keputusan serta fault tolerance terhadap input yang noisy. Kelompok batik yang diklasifikasikan adalah buketan, ceplok, kawung, parang dan truntum. Berdasarkan hasil eksperimen pembandingan antara penggunaan wavelet haar dan daubechies2 menggunakan validasi 10-fold cross validation didapatkan rata-rata akurasi tertinggi setelah dilakukan lima kali percobaan untuk masingmasing konfigurasi adalah wavelet haar dengan learning rate 0,2 dan momentum 0,2 menghasilkan akurasi sebesar 71,2%. Hasil rata-rata akurasi terendah yaitu sebesar 61,2% yang menggunakan wavelet daubechies2 dengan learning rate 0,8 dan momentum 0,8.

Actions (login required)

View Item