Uji akurasi Metode KNN dan Citra HSI dalam Mengklasifikasi Batik Solo Berdasarkan Motif
Abstract
Batik is an Indonesian national artwork made with special techniques. Batik patterns contain meanings and philosophies from various customs and cultures that developed in Indonesia, and each region in Indonesia has different styles and characteristics due to the variety of batik motifs and colors. Therefore, digital images can be used as a first step in identifying Solo batik motifs because image processing is a highly developed research. Starting with the detection process on items, grouping items, and determining the right type of batik motif. this classification process using the KNN (K-Nearest Neighbor) method is converted to an HSI (Hue, Saturation, Intensity) image making it easier for image extraction. This research uses 50 training data and 25 test data, consisting of 10 Sidomukti batik data, 10 Parang batik data, 10 Kawung batik data, 10 Truntum batik data, 10 Satrio Manah batik data, the final result with testing and calculation of accuracy using the KNN algorithm is 80%.
Keywords: K-Nearest Neighbor; Hue-Saturation-Intensity; Classification; Solo Batik
Abstrak
Batik adalah karya seni nasional Indonesia yang dibuat dengan teknik khusus. Corak-corak batik mengandung makna dan filosofi dari berbagai adat istiadat dan budaya yang berkembang di Indonesia, dan setiap daerah di Indonesia memiliki gaya dan ciri khas yang berbeda. karena beragamnya motif dan warna batik. Oleh karena itu, gambar digital dapat digunakan sebagai langkah awal dalam mengidentifikasi motif batik Solo karena proses pengolahan gambar adalah penelitian yang sangat berkembang. Dimulai dengan proses deteksi pada item, pengelompokan item, dan menentukan jenis motif batik yang tepat. proses klasifikasi ini menggunakan metode KNN (K-Nearest Neighbor) dikonversi ke citra HSI (Hue, Saturation, Intensity) sehingga memudahkan untuk ekstraksi citra. Penelitian ini menggunakan 50 data latih dan 25 data uji, terdiri dari 10 data batik Sidomukti, 10 data batik Parang, 10 data batik Kawung, 10 data batik Truntum, 10 data batik Satrio Manah, hasil akhir dengan pengujian dan perhitungan akurasi menggunakan algoritme KNN sebesar 80%.
Keywords
References
B. Zaman, A. Rifai, & M.B. Hanif, ”Komparasi Metode Klasifikasi Batik Menggunakan Neural Network Dan K-Nearest Neighbor Berbasis Ekstraksi Fitur Tekstur”. Journal of Information Systems and Informatics, vol. 3, no. 4, pp.582-595, Desember 2021
W. Handayani, “Bentuk, Makna Dan Fungsi Seni Kerajinan Batik Cirebon,” J. ATRAT, vol. 6, no. 1, pp. 58–71, 2018.
I. Humaira and E. M. Sagoro, “Pengaruh Pengetahuan Keuangan, Sikap Keuangan, Dan Kepribadian Terhadap Perilaku Manajemen Keuangan Pada Pelaku Umkm Sentra Kerajinan Batik Kabupaten Bantul,” Nominal, Barom. Ris. Akunt. dan Manaj., vol. 7, no. 1, pp. 71-79, 2018, doi: 10.21831/nominal.v7i1.19363.
A.J. Arifin, & A. Nugroho, “Uji Akurasi Penggunaan Metode KNN dalam Analisis Sentimen Kenaikan Harga BBM pada Media Twitter”. Progresif: Jurnal Ilmiah Komputer, vol. 19, no. 2, pp. 700-709, 2023
M.A. Harriz, & H. Setiyowati, “Komparasi Algoritma Decision Tree Dan Knn Dalam Mengklasifikasi Daerah Berdasarkan Produksi Listrik”. JIKO (Jurnal Informatika dan Komputer), vol. 7, no. 2, pp. 167-171, 2023
M.R. Akhmad, “Implementasi K-Nearest Neighbor Dalam Memprediksi Keterlambatan Pembayaran Biaya Kuliah Di Perguruan Tinggi”. Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 2, pp. 185-192, 2022
R.R. Jordy, R. Magdalena, & L. Novamizanti, “Klasifikasi Motif Batik Solo Menggunakan Histogram of Oriented Gradient Dan Learning Vector Quantization”. eProceedings of Engineering, vol. 5, no. 3, pp. 5079-5085, Desember 2018,
R.A. Putri, & N. Rochmawati,”Penerapan Algoritme Support Vector Machine untuk Klasifikasi Motif Citra Batik Solo Berdasarkan Fitur Multi-Autoencoders”. Journal of Informatics and Computer Science (JINACS), vol.1 no. 01, pp56-63, 2019.
T.A. Bowo, H. Syaputra, & M. Akbar, “Penerapan Algoritme Convolutional Neural Network Untuk Klasifikasi Motif Citra Batik Solo”. Journal Of Software Engineering Ampera, vol.1 no. 2, pp. 82-96, June 2020,
W.P. Atmaja, & V. Lusiana, “Klasifikasi jenis Batik Pekalongan Menggunakan Citra HSI dengan Metode K-Nearest Neighbor”. Jurnal INSTEK (Informatika Sains dan Teknologi), vol. 8 no. 1, pp. 1-7, April 2023,
I. G. Wirayudhana, “Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN,” J. Indones. Sos. Teknol., vol. 2, no. 6, pp. 953–964, 2021, doi: 10.36418/jist. v2i6.166.
A. Bablani, D. R. Edla, and S. Dodia, “Classification of EEG data using k-nearest neighbor approach for concealed information test,” Procedia Comput. Sci., vol. 143, pp. 242–249, 2018, doi: 10.1016/j.procs.2018.10.392.
T. Harlina, E. Handayani, M. Informatika, S. Tinggi Ilmu Komputer PGRI Banyuwangi, T. Informatika, and S. A. Tinggi Ilmu Komputer PGRI Banyuwangi Jl Jend Yani No, “Klasifikasi Motif Batik Banyuwangi Menggunakan Metode K-Nearest Neighbor (K-NN) Berbasis Android,” vol. 07, no. 1, pp. 82–96, 2022,
Y. Kusumawati, A. Susanto, I. Utomo, W. Mulyono, and D. P. Prabowo, “Klasifikasi Batik Kudus Berdasarkan Pola Menggunakan K-NN dan GLCM,” LPPM-Universitas Muhammadiyah Purwokerto, pp. 509–514, 2020.
A. Pariyandani, D. A. Larasati, E. P. Wanti, and Muhathir, “Klasifikasi Citra Ikan Berformalin Menggunakan Metode K-NN dan GLCM,” Pros. Semin. Nas. Teknol. Inform., vol. 2, no. 1, pp. 42–47, 2019.
J. H. Kim, J. H. Choi, Y. H. Park, C. K. S. Leung, and A. Nasridinov, “Knn-sc: Novel spectral clustering algorithm using k-nearest neighbors,” IEEE Access, vol. 9, pp. 152616–152627, 2021, doi: 10.1109/ACCESS.2021.3126854.
How To Cite This :
Refbacks
- There are currently no refbacks.
