Komparasi Metode Klasifikasi Batik Menggunakan Neural Network Dan K-Nearest Neighbor Berbasis Ekstraksi Fitur Tekstur

Badroe Zaman

doi:10.23887/janapati.v11i1.41220

Authors

Badroe Zaman Universitas Semarang

DOI:

https://doi.org/10.23887/janapati.v11i1.41220

Abstract

Batik tulis adalah hasil seni budaya yang memiliki keindahan visual dan mengandung makna filosofis pada setiap motifnya. Motif batik tulis berkembang sejalan dengan perkembangan jaman dan kehidupan masyarakat. Motif batik tulis memiliki bentuk yang sangat beragam dan memiliki tingkat kompleksitas yang tingi sehingga menjadi kesulitan tersendiri dalam pengelompokan kelas batik tertentu. Klasifikasi citra ke dalam kelas tertentu juga menjadi permasalahan yang pelik dalam bidang pengenalan pola. Metode machine learning dapat digunakan untuk mengenali kelas batik melalui pengenalan citra batik. Namun belum banyak penelitian terkait studi komparasi klasifikasi citra batik. Sehingga penelitian ini berfokus pada data set citra batik tulis yang menggunakan dua motif yaitu motif klasik dan motif kontemporer. Pada penelitian ini, fitur ekstraksi menjadi dasar klasifikasi dengan metode Backpropagation Neural Network dan k-Nearest Neighbor. Tujuan dari penelitian ini untuk menemukan pola baru dalam data dengan menghubungkan pola data yang sudah ada dengan data yang baru. Selanjutnya, penelitian ini melakukan perbandingan metode klasifikasi antara Backpropagation Neural Network dan k-Nearest Neighbor untuk mencari metode klasifikasi terbaik untuk klasifikasi Batik tulis Bakaran. Hasil dari studi komparasi menunjukkan bahwa metode Backpropagation Neural Network memperoleh nilai akurasi 90,11% sedangkan metode k-Nearest Neighbor mendapatkan nilai akurasi 96,00%. Sehingga dapat di simpulkan bahwa metode k-Nearest Neighbor merupakan metode terbaik untuk klasifikasi citra batik bakaran.

Author Biography

Badroe Zaman, Universitas Semarang

Program StudiÂ Teknik Informatika

References

UNESCO, “Indonesia Batik,” 2009. http://www.unesco.org/culture/ich/en/RL/indonesian-batik-00170 (accessed Sep. 21, 2021).

Y. Sari, “Klasifikasi Pengenalan Motif Batik Berbasis Image Retrival,” Jukung (Jurnal Tek. Lingkungan), vol. 4, no. 2, pp. 27–33, 2018, doi: 10.20527/jukung.v4i2.6581.

N. Luh and W. Sri, “Deteksi Batik Parang Menggunakan Fitur Co-Occurrence Matrix Dan Geometric Moment Invariant Dengan Klasifikasi KNN,” LONTAR Komput. VOL. 7, NO.1, April 2016, vol. 7, no. 1, pp. 715–725, 2016.

K. A. N. Ignatia Dhian E.K.R, “Klasifikasi Batik Menggunakan KNN Berbasis Wavelet,” Semin. Nas. Teknol. Inf. dan Komun. 2016 (SENTIKA 2016), vol. Yogyakarta, no. ISSN : 2089-9815, pp. 615–623, 2016.

T. Y. Prahudaya and A. Harjoko, “Metode Klasifikasi Mutu Jambu Biji Menggunakan Knn Berdasarkan Fitur Warna Dan Tekstur,” J. Teknosains, vol. 6, no. 2, p. 113, 2017, doi: 10.22146/teknosains.26972.

A. E. Minarno, A. S. Maulani, A. Kurniawardhani, F. Bimantoro, and N. Suciati, “Comparison of methods for Batik classification using multi texton histogram,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 16, no. 3, pp. 1358–1366, 2018, doi: 10.12928/TELKOMNIKA.v16i3.7376.

A. F. Achmalia, Walid, and Sugiman, “Peramalan Penjualan Semen Menggunakan Backpropagation,” UNNES J. Math., vol. 8, no. 1, pp. 92–106, 2019.

B. Zaman and M. B. Hanif, “EKSTRAKSI FITUR BERBASIS WAVELET FILTER UNTUK MENINGKATKAN KINERJA NEURAL NETWORK PADA CITRA BATIK TULIS,” E-PROSIDING Semin. Nas. Has. Penelit. Lemb. Penelit. DAN Pengabdi. Kpd. Masy. Univ. SEMARANG, pp. 374–380, 2021.

I. Nurhaida, H. Wei, R. A. M. Zen, R. Manurung, and A. M. Arymurthy, “Texture fusion for batik motif retrieval system,” Int. J. Electr. Comput. Eng., vol. 6, no. 6, pp. 3174–3187, 2016, doi: 10.11591/ijece.v6i6.12049.

Y. Brasilka and D. Andreswari, “Klasifikasi Citra Batik Besurek Menggunakan Jaringan Syaraf Tiruan Self Organizing Map ( Som ),” vol. 3, no. 2, pp. 132–145, 2015.

A. E. Minarno, Y. Munarko, A. Kurniawardhani, F. Bimantoro, and N. Suciati, “Texture Feature Extraction Using Co-Occurrence Matrices of Sub-Band Image For Batik Image Classification,” 2nd Int. Conf. Inf. Commun. Technol. Texture, pp. 249–254, 2014.

Rangkuti, “Content Based Batik Image Classification using Wavelet Transform and Fuzzy Neural Network,” J. Comput. Sci., vol. 10, no. 4, pp. 604–613, Apr. 2014, doi: 10.3844/jcssp.2014.604.613.

A. Kadir and A. Susanto, Pengolahan Citra. Yogyakarta, 2012.

R. A. Pramunendar, C. Supriyanto, Dwi Hermawan Novianto, Ignatius Ngesti Yuwono, G. F. Shidik, and P. N. Andono, “A classification method of coconut wood quality based on Gray Level Co-occurrence matrices,” in 2013 International Conference on Robotics, Biomimetics, Intelligent Computational Systems, Nov. 2013, no. November, pp. 254–257, doi: 10.1109/ROBIONETICS.2013.6743614.

C. S. K. Aditya, M. Hani’Ah, R. R. Bintana, and N. Suciati, “Batik classification using neural network with gray level co-occurence matrix and statistical color feature extraction,” Proc. 2015 Int. Conf. Inf. Commun. Technol. Syst. ICTS 2015, pp. 163–167, 2016, doi: 10.1109/ICTS.2015.7379892.

A. E. Minarno, Y. Azhar, F. D. Setiawan Sumadi, and Y. Munarko, “A Robust Batik Image Classification using Multi Texton Co-Occurrence Descriptor and Support Vector Machine,” 2020 3rd Int. Conf. Intell. Auton. Syst. ICoIAS 2020, pp. 51–55, 2020, doi: 10.1109/ICoIAS49312.2020.9081833.