Deteksi Motif Tradisional Bali dengan Algoritma Learning Vector Quantization
DOI:
https://doi.org/10.23887/jstundiksha.v12i3.50399Keywords:
Kain Tenun, Learning Vector Quantization, SobelAbstract
Tidak semua orang mengenal motif tradisional yang beragam hanya melalui ciri-ciri yang tampak secara visual. Sering kali mereka salah dalam mengenali motif tertentu, dikarenakan motif yang bervariasi dan hampir serupa. Penelitian ini dilakukan dengan tujuan merancang dan mengimplementasikan sistem informasi deteksi motif kain yang mampu mengenali citra dari kain tenun dengan cepat dan tepat menggunakan algoritma Learning Vector Quantization. Metode yang digunakan dalam penelitian ini adalah metode Learning Vector Quantization untuk proses deteksi motif tradisional Bali dan ekstraksi fitur tepi dengan metode Sobel. Jenis data yang digunakan pada penelitian ini dilihat dari cara memperolehnya adalah data primer. Pada penelitian ini data motif yang digunakan sebanyak 210 citra, dengan citra yang digunakan sebagai data training sebanyak 80% atau 168 citra dan data testing sebanyak 20% atau 42 citra. Data tersebut dibagi menjadi 6 kelas dari masing-masing motif yang digunakan. Teknik pengumpulan data yang digunakan yaitu wawancara dan observasi langsung ke objek penelitian. Teknik pengujian yang digunakan yaitu pengujian akurasi pada algoritma Learning Vector Quantization. Hasil penelitian menunjukkan bahwa sistem yang dibangun mampu melakukan deteksi motif tradisional Bali dengan mengimplementasikan algoritma Learning Vector Quantization dan metode ekstraksi fitur tepi Sobel dimana hasil ekstraksi fitur Sobel berpengaruh terhadap citra yang akan di klasifikasi dan di deteksi.
References
Aisuwarya, R. (2018). Rancang Bangun Instrumentasi Elektrokardiograf (EKG) dan Klasifikasi Kenormalan Jantung Pada Pola Sinyal EKG Menggunakan Learning Vector Quantization (LVQ. Journal of Information Technology and Computer Engineering (JITCE, 2(01), 19–26. https://doi.org/10.25077/jitce.2.01.19-26.2018.
Andri. (2012). Implementasi Segmentasi Citra dan Algoritma Learning Vector Quantization (LVQ) dalam Pengenalan Bentuk Botol. Jurnal SIFO Mikroskil, 13(2), 123–132. https://doi.org/10.55601/jsm.v13i2.77.
Aprizal, Y., Zainal, R., & Afriyudi, A. (2019). Perbandingan Metode Backpropagation dan Learning Vector Quantization (LVQ) Dalam Menggali Potensi Mahasiswa Baru di STMIK PalComTech. Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer (MATRIK, 18(2), 294–301. https://doi.org/10.30812/matrik.v18i2.387.
Astuti, D., & Ernawati, S. (2020). Strategi Promosi dan Word Of Mouth Dalam Upaya Peningkatan Keputusan Pembelian Produk Tenun. Distribusi. Journal of Management and Business, 8(2), 225–238. https://doi.org/10.29303/distribusi.v8i2.126.
Baso, B., Nababan, D., Risald, R., & Kolloh, R. Y. (2022). Segmentasi Citra Tenun Menggunakan Metode Otsu Thresholding dengan Median Filter. Jurnal Teknologi Dan Ilmu Komputer Prima (JUTIKOMP, 5(1), 1–6. https://doi.org/10.34012/jutikomp.v5i1.2586.
Dwisapta, M., & Wulan, T. (2022). Identification Of Glaucoma Through Retina Images Using The Learning Vector Quantization (LVQ) Method. Jurnal Teknologi dan Sistem Informasi (JURTEKSI, 8(3), 329–334. https://doi.org/10.33330/jurteksi.v8i3.1559.
Evriani, N., & Antoni, F. (2022). Landasan Pokok Manajemen Bisnis Syariah. Journal of Educational and Language Research (JOEL, 1(8), 1129–1136. https://www.bajangjournal.com/index.php/JOEL/article/view/1740.
Hasan, M., & Liliana, D. (2020). Pengenalan Motif Songket Palembang Menggunakan Deteksi Tepi Canny, PCA dan KNN. MULTINETICS, 6(1), 1–7. https://doi.org/10.32722/multinetics.v6i1.2700.
Hendriyani, Y. (2020). Perbandingan Algoritma Backpropagation Dan Learning Vector Quantization (LVQ) dalam Pengenalan Pola Bangun Ruang Geometri. Jurnal Inovasi Vokasional dan Teknologi (INVOTEK, 20(2), 59–66. https://doi.org/10.24036/invotek.v20i2.746.
Hou, Y., Fu, J., Liu, C., Zhou, Q., Feng, W., Huang, P., & Chen, D. (2021). Analysis of Crosstalk Effect in Multi-Pixel Thermopile Sensors With Networked Arrangement. IEEE Sensors Journal, 21(12), 13350–13355. https://doi.org/10.1109/JSEN.2021.3070551.
Humeau-Heurtier, A. (2019). Texture feature extraction methods: A survey. IEEE Access, 7, 8975–9000. https://doi.org/10.1109/ACCESS.2018.2890743.
Imelda, R. (2021). Pengenalan Motif Batik Pandeglang Menggunakan Deteksi Tepi Canny dan Metode K-NN Berbasis Android. Jurnal Ilmiah Tekonologi Informasi (RESPATI, 16(2), 83–93. https://doi.org/10.35842/jtir.v16i2.404.g350.
Kosasih, R. (2021). Klasifikasi Tingkat Kematangan Pisang Berdasarkan Ekstraksi Fitur Tekstur dan Algoritme KNN. Jurnal Nasional Teknik Elektro dan Teknologi informasi, 10(4), 383–388.
Lamasigi, Z. (2021). DCT Untuk Ekstraksi Fitur Berbasis GLCM Pada Identifikasi Batik Menggunakan K-NN. Journal of Electrical and Electronics Engineering (JAMBURA, 3(1), 1–6. https://doi.org/10.37905/jjeee.v3i1.7113.
Lee, J., & Kwon, S. (2021). Proposal of A New Resolution Representation for Several Pixel Arrangements. Digest of Technical Papers - SID International Symposium, 52(1), 462–464. https://doi.org/10.1002/sdtp.14717.
Maitre, J., Bouchard, K., & Bedard, L. (2019). Mineral grains recognition using computer vision and machine learning. Computers and Geosciences, 130, 84–93. https://doi.org/10.1016/j.cageo.2019.05.009.
Mujaddidah, V., & Wahyurini, O. (2017). Perancangan Buku Visual Tenun Bali Sebagai Upaya Pelestarian Tenun. Jurnal Sains dan Seni ITS, 5(2), 411–416. https://doi.org/10.12962/j23373520.v5i2.20743.
Nurcahyani, L. (2018). Strategi Pengembangan Produk Kain Tenun Ikat Sintang. Jurnal Pendidikan Dan Kebudayaan, 3(1), 56–72. https://doi.org/10.24832/jpnk.v3i1.530.
Pebrianasari, V., Mulyanto, E., & Dolphina, E. (2015). Analisis Pengenalan Motif Batik Pekalongan Menggunakan Algoritma Backpropagation. Techno.COM, 14(4), 281–290. https://doi.org/10.33633/tc.v14i4.973.
Pourghasemi, H., Gayem, A., Lasaponara, R., & Tiefenbacher, J. (2020). Application of learning vector quantization and different machine learning techniques to assessing forest fire influence factors and spatial modelling. Environmental Research, 184. https://doi.org/10.1016/j.envres.2020.109321.
Putra, I., Peradhayana, W., & Wardika, I. (2022). Analisis Etnomatematika pada Kain Tenun Bali. Jurnal Edukasi Matematika dan Sains, 11(1), 1–11. https://doi.org/10.5281/zenodo.6415265.
Santoso, S., & Irawan, M. (2016). Classification of Poverty Levels Using k-Nearest Neighbor and Learning Vector Quantization Methods. International Journal of Computing Science and Applied Mathematics (IJCSAM, 2(1), 8–13. https://doi.org/10.12962/j24775401.v2i1.1578.
Semadi, P., & Pulungan, R. (2019). Improving learning vector quantization using data reduction. International Journal of Advances in Intelligent Informatics, 5(3), 1–6. https://doi.org/10.26555/ijain.v5i3.330.
Sudana, O., Witarsyah, D., Putra, A., & Raharja, S. (2020). Mobile application for identification of coffee fruit maturity using digital image processing. International Journal on Advanced Science, Engineering and Information Technology, 10(3), 980–986. https://doi.org/10.18517/ijaseit.10.3.11135.
Sudarmanto, I. (2022). Eksistensi Tenun Gringsing Bali Dalam Era New Normal Pandemi Covid-19. Journal of Comprehensive Science (JCS, 1(3), 216–227. https://doi.org/10.36418/jcs.v1i3.46.
Sudibyo, U., Kusumaningrum, D., Rachmawanto, E., & Sari, C. (2018). Optimasi Algoritma Learning Vector Quantization (Lvq) Dalam Pengklasifikasian Citra Daging Sapi Dan Daging Babi Berbasis GLCM dan HSV. Jurnal Teknik Industri, Mesin, Elektro, 9(1), 1–10. https://doi.org/10.24176/simet.v9i1.1943.
Suhono, T., & Al Fatta, H. (2021). Penyusunan Data Primer Sebagai Dasar Interoperabilitas Sistem Informasi Pada Pemerintah Daerah Menggunakan Diagram RACI (Studi Kasus: Pemerintah Kabupaten Purworejo. JNANALOKA, 2(1), 35–44. https://doi.org/10.36802/jnanaloka.2021.v2-no1-35-44.
Surya, R., Fadlil, A., & Yudhana, A. (2019). Identification of Pekalongan Batik Images Using Backpropagation Method. Journal of Physics: Conference Series, 1373(1). https://doi.org/10.1088/1742-6596/1373/1/012049.
Vyas, A., Yu, S., & Paik, J. (2018). Fundamentals of digital image processing. Springer Singapore.
Yodha, J., & Kurniawan, A. (2014). Pengenalan Motif Batik Menggunakan Deteksi Tepi Canny dan K-Nearest Neighbor. Techno.COM, 13(4), 251–262. https://doi.org/10.33633/tc.v13i4.607.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 I Gusti Agung Gede Arya Kadyanan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with the Jurnal Sains dan Teknologi (JST) agree to the following terms:
- Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work. (See The Effect of Open Access)
