PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI TUGAS AKHIR

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik pada Program Studi Teknik Elektro

Oleh : ENDRICO ASAN NIM : 105114015

PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2015

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI TUGAS AKHIR

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik pada Program Studi Teknik Elektro

Oleh : ENDRICO ASAN NIM : 105114015

PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2015

i

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI FINAL PROJECT

RECOGNITION OF YOGYAKARTA BATIK PATTERN USING DCT FEATURE EXTRACTION AND DICE DISTANCE In Partial Fulfilment of The Requirements For The Degree of Sarjana Teknik Electrical Engineering Study Program

ENDRICO ASAN NIM : 105114015

ELECTRICAL ENGINEERING STUDY PROGRAM DEPARTMENT OF ELECTRICAL ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2015 ii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI HALAMAN PERSETUJUAN TUGAS AKHIR PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE (RECOGNITION OF YOGYAKARTA BATIK PATTERN USING DCT FEATURE EXTRACTION AND DICE DISTANCE)

Oleh:

ENDRICO ASAN NIM : 105114015

telah disetujui oleh:

Pembimbing

Dr. Linggo Sumarno

Tanggal: _____________

iii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI HALAMAN PENGESAHAN TUGAS AKHIR PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE (RECOGNITION OF YOGYAKARTA BATIK PATTERN USING DCT FEATURE EXTRACTION AND DICE DISTANCE)

iv

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI

PERNYATAAN KEASLIAN KARYA Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, 24 April 2015

Endrico Asan

v


HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO: “Kecerdasan bukan penentu kesuksesan, tetapi kerja keras merupakan penentu kesuksesanmu yang sebenarnya”

Skripsi ini kupersembahkan untuk… ☺Yesus Kristus yang selalu setia membimbingku, ☺Keluargaku tercinta, ☺Sahabat-sahabat seperjuanganku,

“Terima kasih untuk karunia, kesempatan, senyuman, perhatian, motivasi dan segalanya”…

vi

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama

: Endrico Asan

Nomor Mahasiswa

: 105114015

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas dan mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap mencatumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya. Yogyakarta, 24 April 2015

(Endrico Asan)

vii


INTISARI Kebanyakan orang hanya bisa menggunakan batik dan sangat bangga memperlihatkan kebudayaannya kepada masyarakat tanpa mengetahui nama batik apa yang sedang digunakan, karena kurangnya pengetahuan tentang motif batik yang sangat terbatas. Hal ini sangat penting bagi seorang peminat batik untuk mengetahui apakah batik yang sedang digunakan atau dilihat sudah mengetahui nama batik-batik tersebut dengan tepat. Motif batik di Indonesia bentuk motifnya bermacam-macam, tergantung pada pulaupulau di seluruh Indonesia dan memiliki ciri khas yang berbeda dengan satu dengan lainnya. Sistem pengenalan motif batik Yogyakarta pada tugas akhir ini menggunakan laptop untuk mengoperasikannya. Laptop berfungsi untuk memproses sistem aplikasi yang dibangun dengan metode ekstraksi ciri Discrete Cosine Transform (DCT) menggunakan jarak dice dan untuk penentuan keluaran menggunakan k-Nearest Neigbor (k-NN). Perintah program untuk pengenalan ini menggunakan bahasa pemrograman Matlab dan GUI yang berperan sebagai pusat pengaturan semua proses pengenalan citra. Hasil dari tugas akhir ini adalah sistem untuk mengetahui nama dari motif batik Yogyakarta. Dengan sistem ini diharapkan masyarakat tidak lagi kebingungan untuk mengetahui nama batik Yogyakarta. Sistem pengenalan motif batik Yogyakarta berbasis ekstraksi ciri Discrete Cosine Transform (DCT) dapat bekerja dengan baik. Berdasarkan hasil pengujian dengan tidak menggunakan k-NN k=1 variasi resizing 128×128 piksel, jendela ekstraksi ciri 10×10 piksel dengan tingkat pengenalan 99,09% dan kelas menggunakan k-Nearest Neigbor (k-NN) k=3 variasi resizing 64×64 piksel, jendela ekstraksi ciri 10×10 piksel dengan tingkat pengenalan 94,55%. Dari hasil pengenalan disetiap kelas pengenalan lebih baik tidak menggunakan k-Nearest Neigbor (k-NN). Kata kunci: Discrete Cosine Transform (DCT), jarak Dice, k-Nearest Neigbor (k-NN), Motif batik Yogyakarta, Pengenalan citra

viii


ABSTRACT Most people can only use batik and very proud of shows cultural matters to the public without knowing the name of batik what is being used, because of lack of knowledge about a batik very limited . This is very important for a batik people interested to know whether the batik being used or seen already know the name of the batik with proper. A batik in Indonesia the form of an assortment of his motives , depending on the islands in all of Indonesia and having specific characteristic which different from one with another. Recognition systems a batik Yogyakarta at final project this task using laptops to operate it. Laptop serves to process an application features built with the methods of extracting Discrete Cosine Transform (DCT) using the Dice Distance and for the determination of output use k-Nearest Neigbor (k-NN). An order of the program to the recognition of this use of language programming matlab and gui is a role as the center of setting all of the process of the recognition of the image . Results from final project this task is the system to know the name of a batik Yogyakarta. With this system is hoped that people no longer confusion to know the name of batik Yogyakarta. Recognition systems a batik Yogyakarta based extraction features Discrete Cosine Transform (DCT) can work well. Based on the results of testing without using k-NN k=1 variation resizing 128×128 pixels, the Window feature extraction of 10×10 pixels with the rate up to 99,09% and a class using k-Nearest Neigbor (k-NN) k = 3 variation resizing 64×64 pixels, the Window feature extraction of 10×10 pixels with the recognition rate up to 94,55%. From the results of recognition each class it is better without using k-Nearest Neigbor (k-NN). Keywords: Discrete Cosine Transform (DCT), Dice distance, k-Nearest Neigbor (k-NN), A batik Yogyakarta, image Recognition

ix


KATA PENGANTAR Puji dan syukur peneliti panjatkan kehadirat Tuhan Yang Maha Esa atas berkat dan rahmat-Nya sehingga peneliti dapat menyelesaikan Tugas Akhir ini dengan baik. Tujuan penulisan tugas akhir adalah untuk memenuhi persyaratan mencapai Derajat Sarjana Teknik dari Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta. Penulisan tugas akhir ini dapat diselesaikan dengan baik tak lepas dari bantuan berbagai pihak. Oleh karena itu peneliti ingin mengucapkan terima kasih kepada : 1. Tuhan Yesus Kristus, atas kasih, berkat, dan penyertaannya sehingga penulis mampu menyelesaikan tugas akhir ini dengan baik. 2. Paulina Heruningsih Prima Rosa, S.Si., M.Sc. selaku Dekan Fakultas Sains dan Teknologi.

3. Petrus Setyo Prabowo, S.T., M.T. selaku Ketua Program Studi Teknik Elektro Universitas Sanata Dharma Yogyakarta. 4. Dr. Linggo Sumarno, selaku dosen pembimbing tugas akhir yang telah membimbing penulis selama penulisan tugas akhir serta memberikan arahan dan masukan yang sangat berharga hingga tugas akhir ini dapat diselesaikan. 5. Djoko Untoro Suwarno, S.Si., M.T dan Pius Yozy Merucahyo, S.T.,M,T. dosen penguji yang telah memberikan masukan, bimbingan, dan saran dalam memperbaiki tugas akhir ini. 6. Seluruh dosen dan laboran yang telah mengajarkan banyak ilmu yang bermanfaat selama menempuh pendidikan di Universitas Sanata Dharma Yogyakarta. 7. Seluruh Staff Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta yang telah membantu dalam hal administrasi. 8. Papah Edison H. Asan dan Mamah Ruslaini B. yang selalu memberikan semangat dan perhatian kepada penulis agar penulis dapat menyelesaikan tugas akhir ini dengan baik. 9. Kakakku Edelita Asan yang selalu menjadi teman, penyemangat, dan penghibur di saat penulis mulai jenuh mengerjakan tugas akhir. 10. Seluruh Keluarga penulis yang selalu memberi semangat agar penulis cepat menyelesaikan studi. x

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 11. Teman-teman seperjuangan angkatan 2010 Teknik Elektro yang selalu mendukung dan menyemangati dalam menyelesaikan tugas akhir ini. 12. Teman-teman angkatan 2010, 2011, 2012, 2013 yang menjadi teman-teman penulis saat di bangku kuliah. 13. Teman-teman Les bahasa inggris di Lembaga Bahasa Universitas Sanata Dharma Yogyakarta. 14. Teman-teman dan Bapak/Ibu Kos Banana 21. 15. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu dan mendukung penyelesaian tugas akhir ini. Peneliti menyadari bahwa tugas akhir ini masih jauh dari sempurna. Oleh karena itu segala kritik dan saran yang membangun sangat diharapkan oleh peneliti. Akhirnya peneliti berharap agar tugas akhir ini dapat memberikan manfaat yang sebesar-besarnya bagi para pembaca dalam memperluas wawasan dan pengetahuan.

Yogyakarta, 24 April 2015 Peneliti,

Endrico Asan

xi


DAFTAR ISI Halaman Sampul (Bahasa Indonesia) .........................................................................

i

Halaman Sampul (Bahasa Inggris) ............................................................................. ii Halaman Persetujuan ................................................................................................. iii Halaman Pengesahan ................................................................................................... iv Pernyataan Keaslian Karya ......................................................................................... v Halaman Persembahan ................................................................................................ vi Lembar Persetujuan Publikasi Karya ........................................................................ vii Intisari ......................................................................................................................... viii Abstract ........................................................................................................................ ix Kata Pengantar ............................................................................................................ x Daftar Isi ...................................................................................................................... xii Daftar Gambar ............................................................................................................ xv Daftar Tabel ...............................................................................................................xviii

BAB I:PENDAHULUAN 1.1. Latar Belakang ............................................................................................... 1 1.2. Tujuan dan Manfaat ........................................................................................ 2 1.3. Batasan Masalah ............................................................................................. 2 1.4. Metodologi Penelitian ..................................................................................... 3 BAB II: DASAR TEORI 2.1. Pengertian Batik ............................................................................................. 4 2.2. Matlab ............................................................................................................ 6 2.3. Pengolahan Citra ............................................................................................ 6 2.4. Citra RGB ...................................................................................................... 7 2.5. Citra Grayscale............................................................................................... 7 xii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 2.6. Resizing Citra ................................................................................................. 8 2.7. Discrete Cosine Transform (DCT 2-D) ......................................................... 10 2.8. Window Ekstraksi Ciri ................................................................................. 12 2.9. Jarak Dice ..................................................................................................... 12 2.10. Metode Template Matching ....................................................................... 13 2.11. Metode k-Nearest Neighbor (KNN) ........................................................... 13 BAB III:PERANCANGAN 3.1. Perancangan Sistem ...................................................................................... 14 3.2. Perancangan Database Citra Motif Batik Yogyakarta .................................... 17 3.3. Gambar Uji ................................................................................................... 18 3.4. Tampilan Program pada GUI Matlab ............................................................ 18 3.5. Perancangan Diagram Alir ............................................................................ 20 BAB IV:HASIL DAN PEMBAHASAN 4.1. Pendahuluan ................................................................................................. 28 4.2. Pengujian Program Software ......................................................................... 28 4.3. Hasil Pengujian Program Pengenalan Citra Terhadap Tingkat Pengenalan Citra Motif Batik Yogyakarta ....................................... 41 4.3.1. Pengujian Parameter Pengaturan Pengenalan Motif Batik Yogyakarta ...................................................................... 42 4.4. Pengujian Citra Uji Tanpa Menggunakan Database ....................................... 42 4.4.1 Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Tanpa Menggunakan Nilai k-Nearest Neighbor (k=1) .................................................................... 43 4.4.2. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=3) ................................................................... 47 4.4.3. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai

xiii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI k-Nearest Neighbor (k=5) ................................................................... 52 4.4.4. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=7) ........................................................................ 56 4.5. Pengaruh Dari Berbagai Variasi Untuk Pengenalan Motif Batik Yogyakarta ............................................................................... 61 4.6. Hasil Pengenalan Terbaik Dari Setiap Kelas k-Nearest Neighbor (k-NN) .......................................................................... 65 4.6.1. Untuk Kelas Tanpa Menggunakan k-Nearest Neighbor (k-NN) k=1 ........................................................ 65 4.6.2. Untuk Kelas Menggunakan k-Nearest Neighbor (k-NN) k=3 .......................................................... 70 4.6.3. Untuk Kelas Menggunakan k-Nearest Neighbor (k-NN) k=5 .......................................................... 75 4.6.4. Untuk Kelas Menggunakan k-Nearest Neighbor (k-NN) k=7 .......................................................... 79 4.7. Kesimpulan Umum Dari Semua Yang Terbaik ............................................. 84 BAB V:KESIMPULAN DAN SARAN 5.1. Kesimpulan .................................................................................................. 86 5.2. Saran ............................................................................................................ 86 DAFTAR PUSTAKA .................................................................................................... 87 LAMPIRAN

xiv


DAFTAR GAMBAR Halaman Gambar 2.1. Beberapa motif batik Yogyakarta ................................................................. 5 Gambar 2.2. Pengaturan citra RGB .................................................................................. 7 Gambar 2.3. Contoh grayscale (a) Citra asli (b) Citra Grayscale ...................................... 8 Gambar 2.4. Contoh resizing (a) Citra Grayscale sebelum di resizing (b) Citra hasil resizing ........................................................................................................ 8 Gambar 2.5. Contoh Penskalaan dengan variabel skala sebesar 90% (a) Citra asli (b) Citra dengan ukuran lebih kecil dari citra masukan ............................... 10 Gambar 2.6. Contoh citra hasil DCT 2-D (a) Citra asli (b) Citra hasil DCT .................... 11 Gambar 2.7. Window ekstraksi ciri ................................................................................. 12 Gambar 3.1. Blok sistem proses pengenalan motif batik Yogyakarta .............................. 14 Gambar 3.2. Blok diagram perancangan Database Citra motif batik Yogyakarta ............ 18 Gambar 3.3. Tampilan utama program pengenalan motif batik Yogyakarta .................... 19 Gambar 3.4. Diagram Alir Pembuatan Database ............................................................ 21 Gambar 3.5. Diagram Alir Program Keseluruhan ........................................................... 22 Gambar 3.6. Diagram Alir Pemasukan dan Pemilihan Citra ........................................... 23 Gambar 3.7. Diagram Alir Pemprosesan (Preprocessing) ............................................... 23 Gambar 3.8. Diagram Alir Ekstraksi Ciri ....................................................................... 24 Gambar 3.9. Diagram alir perhitungan jarak ................................................................... 25 Gambar 3.10. Diagram alir Proses k-Nearest Neighbor (k-NN) ...................................... 26 Gambar 3.11. Diagram alir Penentuan Keluaran ............................................................. 27 Gambar 4.1. Icon matlab pada desktop ........................................................................... 28 Gambar 4.2. Tampilan utama Matlab ............................................................................. 29 Gambar 4.3. Tampilan interface GUI yang dibuat .......................................................... 29 Gambar 4.4. Tampilan interface GUI setelah di-run ....................................................... 30 Gambar 4.5. Jendela file selector untuk memasukkan citra ............................................. 30 Gambar 4.6. Proses-proses pada interface GUI (a) Motif batik yang dipilih (b) Nama batik yang dipilih (c) Ukuran variasi resizing (d) Ukuran variasi jendela ekstraksi ciri .................................................................................. 31 Gambar 4.7. Pengenalan saat tombol “Proses” ditekan ................................................... 33 Gambar 4.8. Grafik tingkat pengenalan kelas k=1 terhadap jendela ekstraksi ciri .................................................................................. 44 xv

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI Gambar 4.9. Grafik tingkat pengenalan kelas k=1 terhadap pengaruh masukan variasi rotasi ................................................................ 45 Gambar 4.10. Grafik tingkat pengenalan kelas k=1 terhadap pengaruh masukan variasi Skala .............................................................. 47 Gambar 4.11. Grafik tingkat pengenalan kelas k=3 terhadap jendela ekstraksi ciri ............................................................................... 49 Gambar 4.12. Grafik tingkat pengenalan kelas k=3 terhadap pengaruh masukan variasi rotasi .............................................................. 50 Gambar 4.13. Grafik tingkat pengenalan kelas k=3 terhadap pengaruh masukan variasi Skala .............................................................. 52 Gambar 4.14. Grafik tingkat pengenalan kelas k=5 terhadap jendela ekstraksi ciri ............................................................................... 53 Gambar 4.15. Grafik tingkat pengenalan kelas k=5 terhadap pengaruh masukan variasi rotasi .............................................................. 54 Gambar 4.16. Grafik tingkat pengenalan kelas k=5 terhadap pengaruh masukan variasi Skala .............................................................. 56 Gambar 4.17. Grafik tingkat pengenalan kelas k=7 terhadap jendela ekstraksi ciri ............................................................................... 58 Gambar 4.18. Grafik tingkat pengenalan kelas k=7 terhadap pengaruh masukan variasi rotasi .............................................................. 59 Gambar 4.19. Grafik tingkat pengenalan kelas k=7 terhadap pengaruh masukan variasi Skala .............................................................. 61 Gambar 4.20. Tingkat pengenalan dari variasi resizing 128×128 piksel terhadap Jendela ekstraksi ciri ........................................ 67 Gambar 4.21. Tingkat pengenalan dengan rotasi dan resizing 128×128 piksel dari k-NN k=1 ................................................................ 68 Gambar 4.22. Tingkat pengenalan dengan skala dan resizing 128×128 piksel dari k-NN k=1 ................................................................ 70 Gambar 4.23. Tingkat pengenalan dari variasi resizing 64×64 piksel terhadap jendela ekstraksi ciri ............................................ 71 Gambar 4.24. Tingkat pengenalan dengan rotasi dan resizing 128×128 piksel dari k-NN k=3 ................................................................ 73 Gambar 4.25. Tingkat pengenalan dengan skala dan resizing

xvi

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 128×128 piksel dari k-NN k=3 ................................................................ 74 Gambar 4.26. Tingkat pengenalan dari variasi resizing 200×200 piksel terhadap jendela ekstraksi ciri ........................................ 76 Gambar 4.27. Tingkat pengenalan dengan rotasi dan resizing 200×200 piksel dari k-NN k=5 ................................................................ 77 Gambar 4.28. Tingkat pengenalan dengan skala dan resizing 128×128 piksel dari k-NN k=5 ................................................................ 79 Gambar 4.29. Tingkat pengenalan dari variasi resizing 200×200 piksel terhadap jendela ekstraksi ciri ........................................ 81 Gambar 4.30. Tingkat pengenalan dengan rotasi dan resizing 200×200 piksel dari k-NN k=7 ................................................................ 82 Gambar 4.31. Tingkat pengenalan dengan skala dan resizing 32×32 piksel dari k-NN k=7 .................................................................... 84

xvii


DAFTAR TABEL Halaman Tabel 3.1. Keterangan tampilan utama program ............................................................. 19 Tabel 4.1. Hasil pengenalan citra motif batik Yogyakarta ............................................... 34 Tabel 4.2. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap Jendela Ekstraksi Ciri ................................................................................................ 43 Tabel 4.3. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh masukan variasi Rotasi ................................................................................. 45 Tabel 4.4. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh masukan variasi Skala ................................................................................... 47 Talel 4.5. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap jendela ekstraksi ciri ................................................................................................. 48 Tabel 4.6. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap pengaruh masukan variasi rotasi ................................................................................... 49 Tabel 4.7. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap pengaruh masukan variasi Skala ................................................................................... 51 Tabel 4.8. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap jendela ekstraksi ciri ................................................................................................. 53 Tabel 4.9. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap pengaruh masukan variasi rotasi ................................................................................... 54 Tabel 4.10.Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap pengaruh masukan variasi Skala ................................................................................. 56 Tabel 4.11.Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap jendela ekstraksi Ciri ............................................................................................... 57 Tabel 4.12. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap pengaruh masukan variasi rotasi .................................................................. 58 Tabel 4.13. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap pengaruh masukan variasi Skala .................................................................. 60 Tabel 4.14. Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan Jendela ekstraksi ciri ............................................................... 62 Tabel 4.15. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=1 ................. 66 Tabel 4.16. Tingkat Presentase terbaik dari rotasi 128×128 piksel xviii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI dengan k-NN k=1 ........................................................................................ 67 Tabel 4.17. Tingkat Presentase terbaik dari skala dengan resizing 128×128 piksel dengan k-NN k=1 ............................................................... 69 Tabel 4.18. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=3 ................. 70 Tabel 4.19. Tingkat Presentase terbaik dari Rotasi 128×128 piksel dengan k-NN k=3 ........................................................................................ 72 Tabel 4.20. Tingkat Presentase terbaik dari skala dengan resizing 128×128 piksel dengan k-NN k=3 ............................................................... 74 Tabel 4.21. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=5 ................. 75 Tabel 4.22. Tingkat Presentase terbaik dari rotasi 200×200 piksel dengan k-NN k=5 ........................................................................................ 77 Tabel 4.23. Tingkat Presentase terbaik dari skala dengan resizing 128×128 piksel dengan k-NN k=5 ............................................................... 78 Tabel 4.24. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=7 ................. 80 Tabel 4.25. Tingkat Presentase terbaik dari rotasi 200×200 piksel dengan k-NN k=7 ........................................................................................ 82 Tabel 4.26. Tingkat Presentase terbaik dari skala dengan resizing 32×32 piksel dengan k-NN k=7 .................................................................... 83

xix


BAB I PENDAHULUAN

1.1.

Latar Belakang Batik merupakan karya warisan budaya yang hampir ada di pulau-pulau Indonesia.

Di Indonesia batik merupakan suatu identitas Bangsa Indonesia karena batik sudah ada sejak jaman prasejarah. Batik mempunyai banyak keanekaragaman motif, karena motif batik tergantung pada pulau-pulau di seluruh Indonesia dan memiliki ciri khas yang berbeda dengan satu dengan lainnya. Awalnya seni kerajinan batik merupakan kebudayaan yang terbatas, hasilnya berupa kain batik untuk pakaian raja dan keluarga serta para pengikutnya, selain itu batik digunakan dalam upacara-upacara adat jawa. Seiring dengan kemajuan peradaban batik sudah dikenal oleh masyarakat, banyak masyarakat yang menggunakan batik dalam kesehariannya dan telah menjadi kebutuhan yang tidak biasa. Di Indonesia banyak masyarakat yang menggunakan batik dan sangat bangga memperlihatkan kebudayaannya kepada masyarakat, tetapi banyak masyarakat yang tidak mengenal motif-motif batik. Berdasarkan pernyataan diatas, penulis ingin membuat alat bantu untuk mengenali motif batik agar masyarakat dapat mengenali nama-nama motif batik tersebut. Sejauh penulis membuat penelitian ini, penulis menemukan penelitian mengenai pengenalan motif batik salah satunya yang pernah diteliti oleh Widyastuti [1] yaitu tentang Pengenalan Motif Batik Yogyakarta Dengan Metode Linear Discriminant Analysis (LDA) (Studi Kasus Di Museum Batik Yogyakarta). Pengenalan motif batik menggunakan metode Linear Discriminant Analysis (LDA). Dalam penelitian ini penulis memakai sistem ekstraksi ciri Discrete Cosine Transform (DCT), fungsi jarak Dice, resizing yang bervariasi, dan menggunakan variasi rotasi serta penskalaan dalam proses pengenalan pola motif batik Yogyakarta. Hal ini yang membedakan penelitian mengenai proses pengenalan pola motif batik Yogyakarta yang dibuat oleh penulis dengan proses pengenalan motif batik dengan metode yang lain. Untuk membuat program dari sistem tersebut, penulis memakai software Matlab dan untuk interface menggunakan Graphical user interface (GUI).

1

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 1.2.

2

Tujuan dan Manfaat Penelitian Tujuan dari tugas akhir ini adalah membuat aplikasi yang dapat mengenali berbagai

macam motif batik Yogyakarta menggunakan ekstraksi ciri Discrete Cosine Transform (DCT) dan metode pengukuran jarak Dice. Manfaat Penelitian ini adalah membantu masyarakat atau pengguna aplikasi yang belum mengerti tentang motif batik Yogyakarta, agar dapat mengenali jenis-jenis motif batik Yogyakarta melalui sebuah aplikasi.

1.3.

Batasan Masalah Penulis menetapkan beberapa batasan masalah yang dianggap perlu pada

perancangan ini, yaitu sebagai berikut: a.

Pengenalan hanya pada batik Yogyakarta. Batik yang akan dikenali sebanyak 20 motif batik Yogyakarta, seperti: Ceplok Kece, Kawung Galar, Nitik Cengkeh, Parang Barong, Parang Pancing, Parisewuli Seling Pamor, Truntum, Tambal, Parang Tuding, Parang Keris, Parang Kusumo Ukel, Parang Curigo, Parang Klitik, Parang Kembang Sawut Cecek, Ceplok Dempel, Kawung Kembang Cempoko Hitam, Kawung Picis, Lereng Kusuma, Parang Kawung Picis, dan Parang Kunci.

b.

Ukuran citra motif batik Yogyakarta 200 × 200 piksel dengan format data .BMP [1].

c.

Proses pengenalan tidak real time.

d.

Menggunakan Perangkat lunak (software) komputasi (Matlab 7.0.4) dalam pembuatan Program.

e.

Menggunakan metode Discrete Cosine Transform (DCT) untuk ekstraksi ciri.

f.

Gambar citra motif batik Yogyakarta untuk pengujian dengan dimasukkan kedalam database akan menggunakan variasi rotasi -10°, -5°, 0°, 5°, 10° dan penskalaan 90%, 95%, 100%, 105%, 110%. Untuk pengujiannya dengan tidak dimasukkan kedalam database dengan variasi rotasi -2,5°, -7,5°, -12,5°, 2,5°, 7,5°, 12,5° dan variasi skala 92,5%, 97,5%, 102,5%, 107,5%, 112,5%. Lihat contoh di lampiran yang di masukan database 1, dan 2 serta yang tidak dimasukkan ke database 3 dan 4.

g.

Menggunakan fungsi jarak Dice.

h.

Resizing citra yang digunakan ukurannya bervariasi seperti 200 × 200, 128 × 128, 64 × 64, 32 × 32, dan 16 × 16 piksel.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI i.

3

Window ekstraksi ciri yang digunakan ukurannya bervarisi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel.

j.

Selain 20 citra motif batik Yogyakarta diatas akan dikenali secara salah.

k.

Keluarannya berupa teks di layar monitor dan suara di speaker.

1.4.

Metodologi Penelitian Langkah-langkah dalam pengerjaan tugas akhir:

a.

Pengumpulan dan mempelajari bahan-bahan referensi berupa buku dan jurnaljurnal, dan mencari bahan-bahan melalui situs internet dan media lain yang berkaitan dengan topik yang diambil.

b.

Perancangan subsistem software. Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan berbagai faktor-faktor permasalahan.

c.

Pembuatan subsistem software. Sistem akan bekerja apabila user menekan tombol push button yang ditampilkan dalam tampilan visual yang disediakan dalam software. Sejumlah 20 motif batik Yogyakarta telah tersedia dalam interface software, kemudian user memilih salah satu dari motif batik Yogyakarta. Hal ini dilakukan sebelum user menekan tombol push button. Setelah itu, matlab akan melakukan proses pengolahan gambar motif batik Yogyakarta dan akan menampilkan teks pada layar monitor berupa suara pengenalan motif batik Yogyakarta.

d.

Tahap analisa yang pertama adalah menyelidiki pengaruh variasi resizing (piksel) dan window ekstraksi ciri terhadap tingkat pengenalan sistem. Dalam tahap ini dilakukan 700 kali percobaan pengenalan (20 motif batik × 35 set database). Penyimpulan hasil dilakukan dengan mencari ukuran terbaik dari resizing dan window ekstraksi ciri. Tahap analisis yang kedua adalah menyelidiki pengaruh rotasi dan skala. Dalam tahap ini dilakukan 200 kali percobaan pengenalan (20 motif batik × 1 set database × 10 variasi rotasi dan skala) penyimpulan akhir dilakukan untuk mengetahui kinerja sistem pengenalan terhadap pengaruh rotasi dan skala pada citra masukan.


BAB II DASAR TEORI

2.1.

Pengertian Batik Batik berasal dari bahasa jawa “amba” yang berarti menulis dan “nitik”. Batik

adalah salah satu cara pembuatan bahan pakaian. Selain itu batik bisa mengacu pada dua hal. Yang pertama adalah teknik pewarnaan kain dengan menggunakan malam untuk mencegah pewarnaan sebagian dari kain. Batik merupakan karya warisan budaya bangsa bangsa Indonesia yang patut dilestarikan dan telah mengalami perkembangan seiring dengan perjalanan waktu. Perkembangan yang terjadi telah membuktikan bahwa seni kerajinan batik sangat dinamis dan dapat menyesuaikan dirinya baik dalam dimensi bentuk, ruang, dan waktu [2]. Seni batik adalah kebanggaan bangsa Indonesia. Batik pada awalnya berkembang terutama di pulau Jawa, teristimewa di daerah Solo dan Yogyakarta. Di daerah ini batik menjadi seni tradisional yang turun-menurun hingga sekarang, bahkan sudah sampai keluar negeri. Pada dasarnya seni batik termasuk seni lukis. Alat yang digunakan untuk melukis adalah canting. Canting memiliki berbagai macam ukuran tergantung pada jenis dan halusnya garis atau titik yang diinginkan. Batik Indonesia telah ditetapkan oleh United Nations Educational, Scientific and Cultural Organization (UNESCO) sebagai warisan kemanusiaan untuk budaya lisan dan non-bendawi pada tanggal 2 Oktober 2009. Pengakuan UNESCO ini meliputi teknik, teknologi serta motif batik Indonesia. Ragam hias corak batik umumnya dipengaruhi: 1.

Letak geografis daerah pembuat batik;

2.

Sifat dan data penghidupan daerah yang bersangkutan;

3.

Kepercayaan dan adat istiadat setempat;

4.

Keadaan alam, flora, dan fauna;

5.

Akulturasi dengan daerah-daerah pembatik lain [3].

4

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI Beberapa motif batik tulis Yogyakarta sebagai berikut [1]:

1. Ceplok Dempel

2. Ceplok Kece

3. Kawung Galar

4. Kawung Kembang Cempoko Hitam

5. Kawung Picis

6. Lereng Kusuma

7. Nitik Cengkeh

8. Parang Barong

9. Parang Curigo

10. Parang Kawung Picis

11. Parang Kembang Sawut Cecek

13. Parang Klitik

14. Parang Kunci

15. Parang Kusumo Ukel

17. Parang Tuding

18. Parisewuli Seling Pamor

19. Tambal

12. Parang Keris

16. Parang Pancing

20. Truntum

Gambar 2.1. Beberapa motif batik Yogyakarta (Sumber: Museum Batik Yogyakarta)

5


6

Matlab Studi pengenalan citra ini membutuhkan sebuah alat bantu untuk menghitung data

matematis yang kompleks. Matlab merupakan sebuah alat bantu yang dapat menangani permasalahan tersebut. Matlab yang merupakan bahasa pemrograman tingkat tinggi berbasis pada matriks sering digunakan untuk teknik komputasi numerik, yang digunakan untuk menyelesaikan masalah-masalah yang melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi dll. Software Matlab dibuat oleh MathWorks sehingga Matlab banyak digunakan pada: 1. Matematika dan Algoritma 2. Pemrograman modeling, simulasi, dan pembuatan prototype 3. Analisa data, eksplorasi dan visualisasi 4. Analisis numerik dan statistik 5. Pengembangan aplikasi teknik [4].

2.3.

Pengolahan Citra Pengolahan citra (image processing) merupakan suatu sistem di mana proses

dilakukan dengan masukan berupa citra (image) dan hasilnya juga berupa citra (image). Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer, serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari suatu citra, maka image processing tidak dapat dilepaskan dengan bidang komputer vision. Sesuai dengan perkembangan komputer vision itu sendiri, pengolahan citra mempunyai dua tujuan utama, yakni sebagai berikut: 1. Memperbaiki kualitas citra, di mana citra yang dihasilkan dapat menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat informasi yang diharapkan dengan menginterprestasikan citra yang ada. Dalam hal ini interprestasi terhadap informasi yang ada tetap dilakukan oleh manusia (human perception). 2. Mengekstraksi informasi ciri yang menonjol pada suatu citra, dimana hasilnya adalah informasi citra dimana manusia mendapatkan informasi ciri dari citra secara numerik atau dengan kata lain komputer (mesin) melakukan interprestasi terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat dibedakan secara jelas (besaran-besaran ini berupa besaran numerik) [5].


7

Citra RGB Pada aplikasi pegolahan sinyal digital pada umumnya, suatu citra biasanya

mengacu ke citra RGB. Untuk citra berwarna, maka digunakan model RGB (Red-GreenBlue) di mana satu citra berwarna diinyatakan sebagai 3 buah matrik grayscale yang berupa matrik untuk Red (R-layer), matrik untuk Green (G-layer) dan matrik untuk Blue (B-layer). R-layer adalah matrik yang menyatakan derajat kecerahan untuk warna merah misalkan untuk skala keabuan 0-255, maka nilai 0 menyatakan gelap (hitam) dan 255 menyatakan warna merah. G-layer adalah matrik yang menyatakan derajat kecerahan untuk warna biru [5]. Pada format .bmp, citra setiap piksel pada citra direpresentasikan dengan 24 bit, 8 bit untuk R, 8 bit untuk G dan 8 bit untuk B, dengan pengaturan seperti pada gambar 2.2. [6].

Gambar 2.2. Pengaturan citra RGB

2.5.

Citra Grayscale Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra

berwarna menjadi citra grayscale. Hal ini digunakan untuk menyederhanakan model citra. Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik, yaitu R-layer, G-layer dan B-layer sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Dengan demikian, konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan. Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing R,G, dan B menjadi citra grayscale dengan nilai S, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai R,G, dan B sehingga dapat dituliskan menjadi [5]:

=

(2.1)


8

Untuk mencoba proses konversi citra berwarna menjadi citra grayscale ini dapat dibuat program seperti gambar 2.3. Citra Masukan

Grayscale

50

50

100

100

150

150

200

200 50

100

150

200

50

100

(a)

150

200

(b)

Gambar 2.3. Contoh grayscale (a) Citra asli (b) Citra Grayscale

2.6.

Resizing Citra Resizing citra artinya adalah mengubah besarnya ukuran citra digital dalam piksel.

Ada kalanya ukurannya berubah menjadi lebih kecil dari file aslinya dan ada kalanya sebaliknya [7]. Ukurannya berubah menjadi kecil atau besar dilakukan secara proporsional baik pada panjang maupun lebar citra. Contoh citra hasil Resizing dapat dilihat pada gambar 2.4. Grayscale

Resizing ke 128x128

20 50 40 60

100

80 150

100 120

200 50

100

150

200

20

(a)

40

60

80

100 120

(b) Gambar 2.4. Contoh resizing

(a) Citra Grayscale sebelum di resizing (b) Citra hasil resizing


9

Transformasi Affine (Affine Transformation) [8] Metode transformasi Affine ini menggabungkan proses dasar seperti rotasi, dan penskalaan ke dalam satu proses untuk mendapatkan citra keluaran yang diinginkan. Rumus perhitungan transformasi Affine dapat menggambarkan hubungan antara kedua proses tersebut. Secara matematis rumus transformasi Affine adalah sebagai berikut. =

×

+

(2.2)

Proses penskalaan didapat dengan mengganti nilai A dan B dengan nilai sebagai berikut. = =

0 0

(2.3)

0 0

(2.4)

Sehingga didapatkan rumus pengganti untuk proses penskalaan adalah sebagai berikut. =

0

×

0

+

0 0

(2.5)

Sehingga: =

0

×

0

(2.6)

Rumus diatas menggambarkan sebuah proses linear rotasi dan penskalaan dalam satu proses. Penskalaan adalah sebuah operasi geometri yang memberikan efek memperbesar atau memperkecil ukuran citra masukan sesuai dengan variable penskalaan citranya. Ukuran baru hasil penskalaan didapat melalui perkalian antara ukuran citra masukan dengan variable penskalaan. Proses penskalaan dapat dilakukan dengan rumus:

Di mana ( , keluaran, dan (

,

=

×

(2.7)

=

×

(2.8)

) adalah ukuran citra masukan, ( , )

) adalah ukuran citra

adalah variable penskalaan yang diinginkan. Jika variabel


10

penskalaan bernilai lebih besar dari 1 maka hasil penskalannya akan memperbesar ukuran citra, sebaliknya apabila variabel penskalaannya lebih kecil dari 1 maka hasilnya akan memperkecil ukuran citra. Gambar 2.5 berikut ini menunjukkan hasil implementasi dari proses penskalaan sebesar 90%. Citra dengan Penskalaan 90%

Citra asli

50

50

100

100

150

150 200 50

100

150

50

200

100

(a)

150

(b)

Gambar 2.5. Contoh Penskalaan dengan variabel skala sebesar 90%. (a) Citra asli (b) Citra dengan ukuran lebih kecil dari citra masukan

2.7.

Discrete Cosine Transform (DCT 2-D) DCT dimensi satu berguna untuk mengolah sinyal-sinyal dimensi satu seperti

bentuk gelombang suara. Sedangkan untuk citra yang merupakan sinyal dua dimensi, diperlukan versi dua dimensi dari DCT. Untuk matriks N x M, 2-D DCT dapat dihitung dengan cara 1-D DCT diterapkan pada setiap baris dari C dan kemudian hasilnya dihitung DCT untuk setiap kolomnya. Rumus transformasi 2-D DCT untuk C adalah sebagai berikut:

C( , ) = ( ) ( )

( , ) cos

(2 + 1) 2

cos

dengan u = 0, 1, 2, …, N-1, dan v = 0, 1, 2, …, M-1, sedangkan ( )=

√

(2 + 1) 2

(2.9)

untuk = 0 (2.10) untuk ≠ 0


( )=

11

untuk = 0

√

(2.11) untuk ≠ 0

Ket: M, N

= Banyak kolom dan baris.

C(u,v)

= Titik koordinat dari matriks yang telah mengalami transformasi DCT 2 dimensi.

f (x,y)

= Nilai piksel dari matriks pada titik (x,y).

( ) dan ( )= Himpunan hasil yang nilainya ditentukan dari nilai koefisien u dan v.

Rumus 2-D DCT diatas sering juga disebut sebagai forward discrete cosine transform (FDCT). 2-D DCT dapat dihitung dengan menerapkan transformasi 1-D secara terpisah pada baris dan kolomnya, sehingga dapat dikatakan bahwa 2-D DCT separable dalam dua dimensi. Setiap basis matriks dikarakterisasikan oleh frekuensi spasial horizontal dan vertikal. Frekuensi horizontal meningkat dari kiri ke kanan, dan dari atas ke bawah secara vertikal. Dalam konteks citra, hal ini menunjukkan tingkat signifikansi secara perseptual, artinya basis fungsi dengan frekuensi rendah memiliki sumbangan yang lebih besar bagi perubahan penampakan citra dibandingkan basis fungsi yang memiliki frekuensi tinggi. Nilai konstanta basis fungsi yang terletak di bagian kiri atas sering disebut sebagai basis fungsi DC, dan DCT koefisien yang bersesuaian dengannya disebut sebagai koefisien DC (DC Coefficient) [9]. Contoh citra hasil DCT 2-D dapat dilihat pada gambar 2.6. Citra asli

Citra hasil DCT

20

20

40

40

60

60

80

80

100

100

120

120 20

40

(a)

60

80

100 120

20

40

60

80

100 120

(b)

Gambar 2.6. Contoh citra hasil DCT 2-D. (a) Citra asli (b) Citra hasil DCT


12

Window Ekstraksi Ciri Window ekstraksi ciri yang digunakan untuk pengenalan, proses pengambilan

hasilnya berbentuk bujur sangkar. Window bujur sangkar digunakan untuk dimensi dari ekstraksi ciri DCT. Pengambilan hasil ekstraksi ciri DCT window ini terdapat di sisi kiri atas. Gambar 2.7. menunjukkan urutan dari proses window ekstraksi ciri [10]:

Gambar 2.7. Window ekstraksi ciri Keterangan : 1. Window 1×1 = 1 koefisien DCT

6. Window 6×6 = 36 koefisien DCT








10.Window 10×10 = 100 koefisien DCT

2.9.

Jarak Dice Jarak ini biasanya digunakan untuk pengenalan citra, nada, suara, wajah, sidik jari,

dan iris mata. Jarak Dice dirumuskan dengan [11]:

= Di mana: = Jarak Dice

∑ ∑

(

+ ∑

)²

(2.12)

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI P,Q

= Dua vektor yang akan dicari jaraknya

n

= Ukuran vektor

13

2.10. Metode Template Matching Template matching adalah salah satu teknik dalam pengolahan citra digital yang berfungsi untuk mencocokan tiap-tiap bagian dari suatu citra dengan citra yang menjadi sampel (template). Teknik ini banyak digunakan dalam bidang industri sebagai bagian dari quality control. Prinsip metode ini adalah membandingkan antara citra objek yang akan dikenali dengan citra sampel (template). Citra objek yang akan dikenali mempunyai tingkat kemiripan sendiri terhadap masing-masing citrasampel (template). Pengenalan dilakukan dengan melihat nilai tingkat kemiripan tertinggi dan nilai batas ambang pengenalan dari citra objek tersebut. Bila nilai tingkat kemiripan berada di bawah nilai batas ambang maka citra objek tersebut dikategorikan sebagai objek tidak dikenal [12]. Pada prinsipnya metode template matching memiliki karakteristik antara lain: 1. Relatif mudah untuk diaplikasikan dalam teknik pengolahan citra digital. 2. Hasilnya relatif sangat akurat karena mendeteksi kesalahan hingga ukuran pixel. 3. Metode ini cukup rentan terhadap perbedaan orientasi antara citra sampel (template) dengan citra yang akan diidentifikasi, yang meliputi: ukuran, posisi dan kualitas citra. 4. Untuk mendapatkan hasil yang maksimal maka metode ini sangat tergantung pada teknik pengolahan citra digital yang lain seperti enhacement, color filtering, dll [13].

2.11. Metode K-Nearest Neighbor (K-NN) Algoritma K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap obyek berdasarkan data pembelajaran yang jaraknya paling dekat dengan obyek tersebut. Dari gambar yang diberi vector x dan ukuran jarak, maka: a.

Dari vector N, mengidentifikasi k-Nearest Neighbor (K-NN), yang lepas dari label kelas. k adalah yang dipilih untuk menjadi dua kelas bermasalah, dan secara umum tidak menjadi kelipatan dari jumlah kelas M.

b.

Dari sampel k, mengidentifikasi untuk jumlah vector, ki, yang termasuk dalam kelas wi, i = 1, 2,…,M. Tentunya ∑

c.

= .

Penetapan x untuk kelas wi dengan maksimal jumlah sampel dari ki [14].


BAB III PERANCANGAN

3.1.

Perancangan Sistem Blok sistem pengenalan motif batik Yogyakarta ditunjukkan pada gambar 3.1.

Citra Motif Batik Yogyakarta

Preprocessing

Ekstraksi ciri

Fungsi jarak Dice

Penentuan Citra k-Nearest Neighbor

Discrete Cosine Transform (DCT)

Database motif batik Yogyakarta

Keluaran Pengenalan Citra

Gambar 3.1. Blok sistem proses pengenalan motif batik Yogyakarta

Sistem pengenalan citra motif batik Yogyakarta terdiri dari software pada laptop yang berfungsi sebagai user interface dalam proses pengenalan. Software laptop yang dibuat dalam bentuk user interface dengan program Matlab dan GUI berperan sebagai pusat pengaturan semua proses pengenalan citra motif batik Yogyakarta, seperti memasukan citra batik Yogyakarta dan mengenali citra batik yang dipilih user. Pemasukan citra dilakukan oleh laptop melalui citra yang sudah disiapkan sebanyak 20 motif batik Yogyakarta dengan ukuran 200 × 200 piksel. Sistem pengenalan motif batik ini digunakan metode ekstraksi ciri Discrete Cosine Transform (DCT) dan jarak Dice dalam menangani motif batik. Data citra yang dimasukkan ke dalam sistem ialah citra dari satu karakter motif batik Yogyakarta. Sistem mengolah citra karakter motif batik Yogyakarta tersebut sebagai DCT yang digunakan pada saat proses pengenalan. Setelah melalui proses pengujian dalam sistem dengan menggunakan metode DCT, user mendapatkan hasil keluaran berupa nama dan suara dari motif batik Yogyakarta beserta angka akurasinya. Proses ini semua terdiri dari citra masukan, preprocessing, ekstraksi ciri Discrete Cosine Transform (DCT) , fungsi jarak,

14


15

penentuan keluaran menggunakan k-Nearest Neighbor (k-NN) dan keluaran pengenalan citra seperti yang ditunjukkan pada gambar 3.1.

a.

Citra motif batik Yogyakarta Proses ini user akan memilih salah satu citra motif batik berukuran 200 × 200

piksel yang akan dikenali dan ada beberapa variasi rotasi dan skala. Motif batik menggunakan format bmp. Berikut contoh program masukan citra: x0=imread('Nama_Batik.bmp');

Fungsi imread (‘namafile’) digunakan untuk membaca citra gambar yang ada pada komputer, agar bisa dibaca dan ditampilkan, maka file citra gambar itu juga harus sudah ada pada folder work di dalam matlab.

b.

Preprocessing Preprocessing adalah proses pengolahan citra asli sebelum citra tersebut diolah.

Tujuan preprocessing diantaranya

menghilangkan noise, memperjelas features (fitur)

citra, memperkecil atau memperbesar ukuran citra dan mengkonversi citra asli agar diperoleh citra yang sesuai dengan kebutuhan. Proses preprocessing terdiri dari grayscale, dan resizing. Proses ini juga bertujuan untuk mempersiapkan citra yang akan di ekstraksi ciri agar dapat dilanjutkan ke proses selanjutnya. Proses grayscale dilakukan dalam image processing untuk mengubah citra berwarna motif batik menjadi grayscale atau keabuan. Hal ini digunakan untuk menyederhanakan model citra dan mempermudah pengolahan citra dalam proses ekstraksi ciri. Berikut contoh program dari grayscale : x1=double(rgb2gray(x0));

Proses normalisasi dilakukan untuk mengambil nilai maksimum dari citra grayscale. Citra yang dicuplik adalah citra grayscale yang bernilai 0 sampai 255, sehingga pada normalisasi dibagi dengan nilai maksimum yaitu 255. Hasil resizing dinormalisasi dengan cara membagi hasil resizing dengan 255 (nilai maksimum dari grayscale).


16

Proses resizing dilakukan agar citra yang akan di ekstrak dari masukan gambar citra dengan resolusi 200 × 200 piksel akan mempunyai ukuran piksel yang lebih kecil dari aslinya sesuai dengan ukuran resizing yang digunakan oleh user. Ekstraksi ciri Discrete Cosine Transform (DCT), akan mempunyai ukuran piksel yang sama dengan ukuran resizing sesuai dengan variasi yang digunakan. Ukuran resizing citra yang digunakan akan bervariasi dan ukuran dari ekstraksi ciri DCT akan menyesuaikan dengan ukuran resizing yang digunakan. Berikut contoh program resizing dengan masukan citra batik berukuran 200 × 200 piksel di resizing menjadi 128 × 128 piksel dan ukuran piksel DCT sama sesuai dengan ukuran resizing: % Masukan % ------------x0=imread('Nama_Batik.bmp'); % Preprocessing % ------------% Konversi rgb ke gray x1=double(rgb2gray(x0)); % Normalisasi x2=x1/255; % Resizing ke 128x128 piksel x3=imresize(x2,[128 128]);

c.

Ekstraksi ciri Ekstraksi ciri yang digunakan pada pengenalan citra ini yaitu Discrete Cosine

Transform Two Dimension (DCT 2-D) yang bekerja dengan memisahkan gambar ke bagian frekuensi yang berbeda atau gambar dibagi menjadi beberapa blok-blok kecil. Selama langkah kuantisasi disebut, di mana bagian dari kompresi sebenarnya terjadi, frekuensi yang kurang penting dibuang. Kemudian, dikonversikan dari domain spasial ke domain DCT. Hanya frekuensi yang paling penting yang tetap digunakan untuk mengambil gambar dalam proses dekompresi, dengan cara melakukan evaluasi dari variasi jumlah koefisien DCT dari 16, 25, 36, 49, 64, 81, dan 100. Nilai-nilai koefisien DCT tersebut didapatkan dari Window ekstraksi ciri yang digunakan, ukurannya bervariasi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel. Akibat dari pengkompresan tersebut, gambar direkonstruksi mengandung beberapa distorsi.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI d.

17

Fungsi Jarak Proses ini membandingkan motif batik Yogyakarta yang dipilih oleh user dengan

database. Hasil dari perbandingan adalah jarak minimum yang kemudian akan digunakan dalam proses selanjutnya. Dalam sistem ini yang digunakan adalah fungsi jarak Dice seperti pada persamaan (2.12).

e.

Penentuan Citra Proses penentuan citra adalah subproses terakhir dari proses pengenalan motif batik

Yogyakarta. Pada proses ini, hasil pengenalan motif batik Yogyakarta ditentukan berdasarkan jarak minimum yang diperoleh setelah proses perhitungan dari semua citra oleh fungsi jarak. Hasil dari perhitungan jarak dari 20 motif batik Yogyakarta beserta variasinya akan dimasukkan kedalam metode penentuan keluaran yaitu k-Nearest Neighbor (k-NN).

f.

Keluaran Pengenalan Citra Hasil akhir software yang akan mengenali motif batik Yogyakarta. Tampilan dalam

bentuk visual GUI Matlab yang telah dirancang oleh penulis.

3.2.

Perancangan Database Citra Motif Batik Yogyakarta Citra acuan yang disebut dengan database dibutuhkan sebagai penentu pengenalan

motif batik Yogyakarta. Pembentukan database pada penelitian yang akan dilakukan terdiri dari 35 set database, 35 set tersebut adalah 200×200, 128×128, 64×64, 32×32, dan 16×16 piksel serta ukuran window ekstraksi ciri yang digunakan bervariasi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel. Database hendaknya memiliki ciri yang sudah diketahui oleh sistem. Untuk memperoleh database, penulis mengambil 20 jenis motif batik Yogyakarta pada setiap citra yang akan dikenali tersebut (Motif batik Ceplok Kece, Kawung Galar, Nitik Cengkeh, Parang Barong, Parang Pancing, Parisewuli Seling Pamor, Truntum, Tambal, Parang Tuding, Parang Keris, Parang Kusumo Ukel, Parang Curigo, Parang Klitik, Parang Kembang Sawut Cecek, Ceplok Dempel, Kawung Kembang Cempoko Hitam, Kawung Picis, Lereng Kusuma, Parang Kawung Picis, dan Parang Kunci). Tujuannya untuk menanggulangi perbedaan dalam pengambilan 20 jenis motif batik Yogyakarta. Proses pengambilan dapat dilihat pada gambar 3.2. Pengambilan citra yang akan dijadikan database harus melalui proses dari masukan citra motif batik


18

Yogyakarta, preprocessing dan ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D). Citra Motif Batik Yogyakarta

Ekstraksi ciri Preprocessing Discrete Cosine Transform (DCT)

Database motif batik Yogyakarta

Gambar 3.2. Blok diagram perancangan Database Citra motif batik Yogyakarta

Proses pengambilan citra terdiri dari 20 motif batik Yogyakarta yaitu Ceplok Kece, Kawung Galar, Nitik Cengkeh, Parang Barong, Parang Pancing, Parisewuli Seling Pamor, Truntum, Tambal, Parang Tuding, Parang Keris, Parang Kusumo Ukel, Parang Curigo, Parang Klitik, Parang Kembang Sawut Cecek, Ceplok Dempel, Kawung Kembang Cempoko Hitam, Kawung Picis, Lereng Kusuma, Parang Kawung Picis, dan Parang Kunci. Kemudian citra motif batik Yogyakarta akan di proses melalui preprocessing yang terdiri dari grayscale dan resizing, ukuran resizing citra akan menyesuaikan dengan ukuran resizing yang digunakan. Setelah citra motif batik Yogyakarta diproses melalui preprocessing, selanjutnya hasil preprocessing citra motif batik Yogyakarta masuk ke dalam proses ekstraksi ciri DCT 2-D untuk diambil data matriknya, kemudian data matrik tersebut disimpan dalam format .mat yang digunakan sebagai database.

3.3.

Gambar Uji Untuk memperoleh gambar uji pada setiap gambar pada pengenalan gambar motif

batik Yogyakarta, user menekan tombol “Pencarian” ditampilan GUI. Motif batik atau sampel sudah diatur secara fix dan ukuran citra 200 × 200 piksel dengan beberapa variasi rotasi dan skala dalam pengenalan motif. Proses yang berlangsung meliputi masukan citra motif batik Yogyakarta, preprocessing dan ekstraksi ciri Discrete Cosine Transform (DCT). Hasil proses tersebut disimpan dan kemudian diproses kembali untuk mendapatkan hasil pengenalan motif batik Yogyakarta.

3.4.

Tampilan Program pada GUI Matlab Tampilan interface pada perancangan ini menggunakan GUI Matlab. Tampilan ini

digunakan untuk mempermudah dalam menggunakan sistem yang dibuat. Tampilan GUI sistem pengenalan motif batik Yogyakarta yang akan dibuat dapat dilihat pada gambar 3.3.


19

Gambar 3.3. Tampilan utama program pengenalan motif batik Yogyakarta

Tabel 3.1. Keterangan tampilan utama program Nama Bagian

Deskripsi

Tombol Pencarian

Digunakan Untuk memilih citra dari file selector

Panel pilih batik

Untuk menampilkan nama citra yang dipilih oleh user

Axes 1 pada panel Hasil Pencarian

Untuk menampilkan citra yang dipilih oleh user

Axes 2 pada panel Preprocessing

Untuk menampilkan citra hasil grayscale

Axes 3 pada panel Preprocessing

Untuk menampilkan citra hasil resizing

Axes 4 pada panel DCT

Untuk menampilkan citra hasil DCT

Axes 5 pada panel Ekstraksi ciri

Untuk menampilkan citra hasil ekstraksi ciri

Axes 6 pada keluaran suara

Untuk menampilkan simbol suara dan tidak bersuara

Pop menu 1 Variasi Resizing

Untuk memilih variasi resizing yang digunakan

Pop menu 2 Jendela ekstraksi ciri

Untuk memilih variasi ekstraksi ciri yang digunakan

Tombol Proses

Digunakan untuk proses pengenalan citra motif batik Yogyakarta


20

Tabel 3.1. (Lanjutan) Keterangan tampilan utama program Tombol Reset

Digunakan bila ingin memulai proses pengenalan citra yang baru

Tombol Selesai

Digunakan Untuk mengakhiri proses dan keluar aplikasi

Panel Keluaran

Untuk menampilkan hasil keluaran nama citra dalam bentuk teks dan suara. Ketika ada proses keluaran akan ditampilkan teks keluaran dan simbol suara tanpa tanda silang. Ketika tidak ada proses keluaran akan terlihat simbol suara dengan tanda silang

3.5.

Perancangan Diagram Alir Program pengenalan motif batik Yogyakarta akan dieksekusi saat user mulai

menjalankan program ini. Setelah tampilan utama terlihat, proses pengujian sudah dapat dilakukan. User pertama kali harus menekan tombol yang digunakan dalam pengujian pada “Pencarian” untuk memilih motif batik Yogyakarta. User dapat memasukkan motif batik Yogyakarta dari jendela file selector yang akan tampil ketika menekan tombol “Pencarian”. Setelah memasukkan citra motif batik Yogyakarta dengan memilih salah satu citra di dalam file selector, selanjutnya program akan melakukan proses pengenalan motif batik Yogyakarta dengan menekan tombol “Proses”. Proses pengenalan akan berhenti ketika kolom penentuan citra sudah tampak hasilnya serta keluaran suara sudah berbunyi dan user menekan tombol “Selesai” dan bila ingin memulai proses pengenalan yang baru dapat menekan tombol “Reset”. Proses pembuatan database motif batik Yogyakarta harus melalui proses dari masukan citra motif batik Yogyakarta, preprocessing yang terdiri dari grayscale dan resizing. Ukuran resizing citra akan menyesuaikan dengan ukuran resizing yang digunakan. Setelah citra motif batik Yogyakarta diproses melalui preprocessing, selanjutnya citra motif batik Yogyakarta hasil preprocessing masuk ke dalam proses ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D) untuk diambil data matriknya, dapat dilihat pada gambar 3.4.


21

Start

Masukan: Motif batik Yogyakarta

Pemasukan dan Pemilihan citra motif batik Yogyakarta

Pemrosesan citra (Preprocessing)

Ekstraksi Ciri (DCT 2-D)

Database: Matrik citra database

Stop

Gambar 3.4. Diagram Alir Pembuatan Database

Alur program keseluruhan pengenalan citra motif batik Yogyakarta diperlihatkan pada gambar 3.5. program ini menjalankan 2 macam proses yaitu pemasukan dan pemilihan citra motif batik Yogyakarta, setelah melakukan proses pemilihan citra yang akan diteliti kemudian citra akan divariasikan rotasi dan skalanya. Selanjutnya akan diproses melalui pemprosesan citra (preprocessing) setelah itu kemudian diekstraksi ciri menggunakan ekstraksi ciri Discrete Cosine Transform (DCT). Kemudian citra uji tersebut akan dibandingkan dengan citra database menggunakan fungsi jarak Dice maka akan didapatkan hasil perhitungan jarak yang dimasukkan ke dalam k-Nearest Neighbor (k-NN) untuk diproses kemudian nilai yang paling banyak muncul atau paling minimum dari tiap sampel database kemudian akan ditampilkan dalam text box keluaran berupa suara motif yang dikenali.


22

Start

Masukan: Motif batik Yogyakarta

Pemasukan dan Pemilihan citra motif batik Yogyakarta Pemrosesan citra (Preprocessing) Ekstraksi Ciri (DCT 2-D) Perhitungan jarak Dice terhadap database Penentuan Keluaran Citra

Keluaran: Teks dan Suara

Stop

Gambar 3.5. Diagram Alir Program Keseluruhan Alur program pemasukan dan pemilihan citra motif batik Yogyakarta dapat dilihat pada gambar 3.6. Proses pengenalan citra motif batik Yogyakarta bermula dari laptop menjalankan fungsi untuk pengenalan. Pada saat user menekan tombol “Pencarian” maka akan keluar gambar citra dari motif batik Yogyakarta di dalam file selector. Setelah semua citra motif batik Yogyakarta keluar tampilannya, user harus memilih salah satu dari motif batik yang akan dikenali serta user harus memilih salah satu ukuran variasi motif batik Yogyakarta dengan variasi yang dimasukkan ke dalam database dengan rotasi -10°, -5°, 0°, 5°, 10° dan skala 90%, 95%, 100%, 105%, 110%. Kinerja sistem juga diuji dengan variasi rotasi -2,5°, -7,5°, -12,5°, 2,5°, 7,5°, 12,5° dan variasi skala 92,5%, 97,5%, 102,5%,


23

107,5%, 112,5%, variasi ini tidak dimasukkan ke database. Semua variasi tersebut untuk mengetahui kinerja sistem terhadap pengaruh rotasi dan skala pada citra masukan. Start Masukan: Motif batik Yogyakarta Pemilihan: Satu Motif Batik Yogyakarta Keluaran: Citra motif batik Yogyakarta

Stop

Gambar 3.6. Diagram Alir Pemasukan dan Pemilihan Citra Setelah user melakukan proses pemilihan dari salah satu citra motif batik Yogyakarta dan memilih variasi dan rotasi, kemudian citra motif batik Yogyakarta tersebut memasuki tahap pemprosesan citra (preprocessing). Preprocessing yang dilakukan terdiri dari proses grayscale, dan resizing yang bervariasi dengan ukuran 200×200, 128×128, 64×64, 32×32, dan 16×16 piksel. User harus memilih salah satu dari ukuran terbaik dari resizing tersebut. Alur program pemprosesan citra dapat dilihat pada gambar 3.7. Start

Masukan: Citra Motif batik Yogyakarta

Grayscale

Resizing Keluaran: Citra hasil preprocessing

Stop

Gambar 3.7.Diagram Alir Pemprosesan (Preprocessing)


24

Setelah proses pemprosesan citra (preprocessing) selesai, proses selanjutnya adalah proses ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D). Tujuan dari DCT 2-D untuk membagi citra dengan ukuran resizing yang bervariasi dan ukuran resizing yang dipilih oleh user dimasukkan ke dalam beberapa blok-blok kecil dengan ukuran tetap yang kemudian dikonversikan dari domain spasial ke domain DCT dan membentuk ukuran window. Untuk mengetahui nilai dari ukuran window tersebut, maka proses yang dilakukan adalah window esktraksi ciri dengan cara melakukan evaluasi dari tiap ukuran window dengan koefisien DCT dari 16, 25, 36, 49, 64, 81, dan 100. Hasil dari nilai koefisien yang terbaik adalah nilai ekstraksi ciri yang diperoleh. Alur program ekstraksi ciri dapat dilihat pada gambar 3.8. Start

Masukan: Citra Preprocessing

DCT 2-D

Hitung nilai absolute DCT 2-D

Window ekstraksi ciri

Keluaran: Hasil ekstraksi ciri

Stop

Gambar 3.8. Diagram Alir Ekstraksi Ciri

Diagram alir perhitungan jarak dapat dilihat pada gambar 3.9. Pada proses perhitungan jarak, masukannya adalah hasil perhitungan ekstraksi ciri berupa matriks. Nilai ekstraksi ciri yang diperoleh dari citra masukan dibandingkan dengan nilai ekstraksi ciri pada database dengan dengan menggunakan rumus pada persamaan (2.12). Kemudian akan menampilkan hasil perhitungan jarak.


25

Start

Masukan: Hasil Ekstraksi ciri citra masukan, hasil ekstraksi ciri database

Penghitungan jarak: ekstraksi ciri data masukan dengan ekstraksi ciri database

Keluaran: Hasil perhitungan jarak

Stop

Gambar 3.9. Diagram alir perhitungan jarak

Selanjutnya hasil perhitungan jarak yang diperoleh dari data citra masukan dengan database kemudian dimasukkan ke dalam k-Nearest Neighbor (k-NN). k-Nearest Neighbor (k-NN) digunakan untuk penentuan keluaran, dimana k-Nearest Neighbor (k-NN) akan mengurutkan hasil perhitungan jarak dari nilai yang paling kecil sampai yang besar. Hasil nilai yang paling terkecil atau paling minimum akan diambil sesuai dengan banyaknya k seperti 1, 3, 5, dan 7. Hasil dari pemilihan k tersebut akan mengeluarkan urutan sampel yang sesuai dengan urutan dari database. Setelah keluarnya hasil urutan sampel dari database akan keluar urutan motif batik Yogyakarta sesuai dengan urutannya seperti pada gambar 2.1. Dari nilai pengurutan motif batik Yogyakarta tersebut maka akan diambil nilai yang sama sesuai dengan urutannya. Nilai kelas yang paling banyak muncul akan menjadi penentuan keluaran motif batik Yogyakarta yang dikenal. Setelah memperoleh nilai kelas yang paling banyak muncul, subproses yang terakhir dari proses pengenalan citra adalah proses penentuan keluaran. Pada proses penentuan keluaran ini hasil pengenalan citra ditentukan berdasarkan kelas yang paling banyak muncul dengan menggunakan metode k-Nearest Neighbor (k-NN). Proses kNearest Neighbor (k-NN) tersebut dapat dilihat pada gambar 3.10.


26

Start

Masukan: Hasil Perhitungan Jarak

Pemilihan nilai k=1, 3, 5, dan 7

Sortir jarak dari yang paling kecil ke yang paling besar

Diambil sejumlah k jarak terkecil

Mencari Modus = Kelas yang paling sering muncul

Keluaran: Hasil k-Nearest Neighbor (k-NN)

Stop

Gambar 3.10. Diagram alir Proses k-Nearest Neighbor (k-NN)

Kemudian hasil dari nilai kelas yang paling banyak muncul tersebut akan ditampilkan berupa keluaran teks dan suara dari 20 nama motif batik Yogyakarta seperti (Ceplok_Dempel, Ceplok_Kece, Kawung_Galar, Kawung_Kembang_Cempoko_Hitam, Kawung_Picis,

Lereng_Kusuma,

Nitik_Cengkeh,

Parang_Barong,

Parang_Curigo,

Parang_Kawung_Picis, Parang_Kembang_Sawut_Cecek, Parang_Keris, Parang_Klitik, Parang_Kunci,

Parang_Kusumo_Ukel,

Parang_Pancing,

Parang_Tuding,

Parisewuli_Seling_Pamor, Tambal, dan Truntum). Hasil keluaran adalah nama citra dalam bentuk teks dan suara. Ketika ada proses keluaran akan ditampilkan teks keluaran dan


27

simbol suara tanpa tanda silang. Ketika tidak ada proses keluaran akan terlihat simbol suara dengan tanda silang. Proses penentuan keluaran tersebut dapat dilihat pada gambar 3.11. Start

Masukan: Hasil k-Nearest Neighbor (k-NN)

Keluarkan teks dan suara sesuai hasil keluaran k-NN

Keluaran: Teks dan Suara

Stop

Gambar 3.11. Diagram alir Penentuan Keluaran


BAB IV HASIL DAN PEMBAHASAN 4.1.

Pendahuluan Pada bab ini akan dibahas mengenai pengujian program software yang sudah

dirancang, pengujian yang dilakukan pada penulisan ini menggunakan 20 motif batik Yogyakarta. Kemudian akan membahas hasil implementasi interface software, pembahasan ini disertai juga dengan penjelasan penggunaan tombol untuk setiap proses. Selanjutnya hasil pengujian software berupa data-data dari pengujian software yang dapat memperlihatkan bahwa sistem yang telah dirancang dapat bekerja dengan baik, dan yang terakhir pembahasan tentang hasil software untuk setiap percobaan yang dilakukan.

4.2.

Pengujian Program Software Pengujian program bertujuan untuk memastikan apakah program yang telah dibuat

dapat bekerja dan sesuai dengan yang telah dirancang pada bab sebelumnya. Pengujian program menggunakan laptop dengan spesifikasi: Processor

: Intel® Core™ i3 CPU M330 @2.13GHz

RAM

: 2.00 GB

Program pengenalan dapat dijalankan dengan langkah-langkah di bawah ini: 1. Mengarahkan kursor dan menekan sebanyak dua kali pada icon Matlab seperti gambar 4.1. (7.0.4 merupakan versi dan tahun keluaran dari Matlab):

Gambar 4.1. Icon matlab pada desktop

2. Setelah icon Matlab ditekan sebanyak dua kali maka akan keluar tampilan awal Matlab seperti gambar 4.2:

28


29

Current directory

Gambar 4.2. Tampilan utama Matlab

3. Kemudian ganti current directory sesuai dengan directory dimana program tersebut disimpan seperti yang ditunjukkan tanda panah pada gambar 4.2. Setelah itu ketik guide ta pada command window, maka akan keluar tampilan interface GUI seperti gambar 4.3 Kemudian klik run untuk menjalankan program serta interface GUI.

Run

Gambar 4.3. Tampilan Interface GUI yang dibuat


30

4. Setelah menekan tombol run, maka akan muncul tampilan Interface GUI seperti pada gambar 4.4.

Gambar 4.4. Tampilan interface GUI setelah di-run 5. User dapat memulai pengenalan dengan menekan tombol “Pencarian” yang berfungsi untuk membaca dan memasukkan motif batik Yogyakarta. Sejumlah 20 Motif batik beserta citra variasinya akan keluar di jendela file selector seperti pada gambar 4.5. User dapat memasukkan citra motif batik Yogyakarta yang dipilih, melalui file selector yang muncul ketika tombol “Pencarian” ditekan.

Gambar 4.5. Jendela file selector untuk memasukkan motif batik Yogyakarta

Berikut perintah program tombol “Pencarian” yang digunakan untuk memanggil file selector, citra yang dipilih dari file selector nama batiknya akan ditampilkan di


31

“edit 3” dan citra batik ditampilkan di “axes 1”. Pada proses ini sesuai dengan yang telah dirancang seperti pada gambar 3.6 diagram alir pemasukan dan pemilihan citra. Apabila citra motif Yogyakarta sudah ditampilkan di “axes 1” simbol suara dengan tanda silang, yang artinya tidak ada suara yang keluar akan ditampilkan di “axes 6”. untuk menjalankan program sebagai berikut: [filename, pathname] = uigetfile({'*.bmp'}, 'File Selector'); charfilename = char(filename) set(handles.edit3,'string',charfilename); axes(handles.axes6); img5=imread ('speaker volume mute copy.jpg'); imshow(img5) axes(handles.axes1); img0=imread (charfilename); Citra yang telah dipilih akan diinisialisasi dengan menggunakan perintah handles imshow(img0)

dan axis akan on ditampilkan pada “axes 1”. Handles adalah sebuah inisialisasi yang handles.img0=img0;

digunakan guidata(hObject,handles); agar dapat dipanggil dalam file figure maupun file.m 6. Selanjutnya salah satu motif batik Yogyakarta yang dipilih oleh user akan muncul di “axes 1” seperti pada gambar 4.6a. Nama dari citra yang dipilih dari file selector akan tampil di “edit3” seperti pada gambar 4.6b dan simbol tidak bersuara akan ditampilkan di “axes 6” seperti gambar 4.6e.

B

C A

E

D

Gambar 4.6. Proses-proses pada interface GUI (a) Motif batik yang dipilih (b) Nama batik yang dipilih (c) Ukuran variasi resizing (d) Ukuran variasi jendela ekstraksi ciri (e) Simbol suara


32

7. Kemudian user harus memilih ukuran variasi resizing “Popupmenu1” digunakan untuk mengubah besar atau kecilnya ukuran citra dalam piksel dengan ukuran yang bervariasi seperti 200×200 (ukuran asli), 128×128, 64×64, 32×32, dan 16×16 piksel. Selanjutnya user memilih ukuran variasi dari jendela ekstraksi ciri “Popupmenu2” digunakan untuk pengambilan hasil ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D), pengambilan dengan jendela ekstraksi ciri atau window terdapat di sisi kiri atas dengan ukuran yang bervariasi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel. Variasi ukuran dari resizing dan jendela ekstraksi ciri digunakan untuk pengenalan motif batik Yogyakarta yang akan dikenali, seperti pada gambar 4.6c dan gambar 4.6d. Perintah program untuk indeks ukuran variasi resizing yang akan digunakan adalah sebagai berikut: indeks=get(handles.popupmenu1,'Value'); switch indeks case 2 resizing=200; case 3 resizing=128; case 4 resizing=64; case 5 resizing=32; case 6 resizing=16; end handles.resizing=resizing; guidata(hObject,handles);

Selanjutnya perintah program untuk indeks ukuran variasi jendela ekstraksi ciri yang akan digunakan adalah sebagai berikut: indeks=get(handles.popupmenu2,'Value'); switch indeks case 2 jendela=4; case 3 jendela=5; case 4 jendela=6; case 5 jendela=7; case 6 jendela=8; case 7 jendela=9; case 8 jendela=10; end handles.jendela=jendela; guidata(hObject,handles);


33

8. Setelah memilih ukuran variasi dari resizing dan jendela ekstraksi ciri maka user harus menekan tombol “Proses” yang digunakan untuk melihat hasil keluaran dari grayscale, resizing, Discrete Discrete Cosine Transform Two Dimension (DCT 2D), jendela ekstraksi ciri dan keluaran teks serta suara dengan simbol suara tanpa tanda silang yang artinya adanya keluaran suara dari motif yang dikenal seperti pada gambar 4.7. User dapat menekan tombol “Reset” bila ingin memulai pengenalan citra yang baru ataupun sama dan dapat menekan tombol ”Selesai” bila ingin mengakhiri pengenalan. Untuk gambar 4.7 ini berkaitan dengan yang sudah dibahas pada bab sebelumnya pada gambar 3.5 yaitu dari diagram alir secara keseluruhan. Dari penjelasan di bab tersebut sudah sesuai dengan yang sudah dibuat pada GUI dan perancangan dari proses awal masukan sampai keluaran.

Gambar 4.7. Pengenalan saat tombol “Proses” ditekan

Tabel 4.1. menampilkan hasil pengenalan yang telah dilakukan ketika tombol “Proses” ditekan. Dari hasil gambar 4.7 terlihat bahwa program sudah dapat berjalan dengan baik ketika dilakukan pengujian pada program interface. Dari gambar 4.7 tertampil contoh hasil dari motif yang akan dikenali, citra yang akan dikenali melewati proses grayscale untuk mempermudah proses kemudian masuk ke proses resizing dengan ukuran


34

variasi 200×200 piksel. Selanjutnya citra resizing akan di transformasikan ke Discrete Cosine Transform Two Dimension (DCT 2-D) yang ukurannya akan menyesuaikan dengan ukuran resizing. Sesudah resizing melewati tahap proses ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D), hasil dari ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D) akan diambil sisi kiri atasnya dengan metode jendela ekstraksi ciri seperti gambar 4.7 digunakan variasi 4×4 piksel dan kolom tempat hasil keluaran akhir berupa tulisan dan suara “Kawung_Picis” sesuai dengan masukan citra yang dipilih dengan nama “Kawung_Picis.bmp”. Berikut program dari tombol “Proses” yang di dalamnya terdapat beberapa program seperti proses grayscale, resizing, Discrete Cosine Transform Two Dimension (DCT 2-D), jendela ekstraksi ciri, jarak Dice serta k-Nearest Neighbor (k-NN) dan hasilnya akan ditampilkan pada GUI. Tombol proses dapat dilakukan setelah memilih variasi dari resizing dan jendela ekstraksi ciri yang diinginkan. Tabel 4.1. Hasil Pengenalan Citra Motif Batik Yogyakarta No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20.

Masukan Citra Ceplok_Dempel.bmp Ceplok_Kece.bmp Kawung_Galar.bmp Kawung_Kembang_Cempoko_Hitam.bmp Kawung_Picis.bmp Lereng_Kusuma.bmp Nitik_Cengkeh.bmp Nitik_Cengkeh.bmp Parang_Curigo.bmp Parang_Kawung_Picis.bmp Parang_Kembang_Sawut_Cecek.bmp Parang_Keris.bmp Parang_Klitik.bmp Parang_Kunci.bmp Parang_Kusumo_Ukel.bmp Parang_Pancing.bmp Parang_Tuding.bmp Parisewuli_Seling_Pamor.bmp Tambal.bmp Truntum.bmp

Citra Yang Dikenali Ceplok_Dempel Ceplok_Kece Kawung_Galar Kawung_Kembang_Cempoko_Hitam Kawung_Picis Lereng_Kusuma Nitik_Cengkeh Nitik_Cengkeh Parang_Curigo Parang_Kawung_Picis Parang_Kembang_Sawut_Cecek Parang_Keris Parang_Klitik Parang_Kunci Parang_Kusumo_Ukel Parang_Pancing Parang_Tuding Parisewuli_Seling_Pamor Tambal Truntum


35

Perintah program grayscale atau bahasa program rgb2gray adalah proses untuk menyederhanakan model citra dari citra berwarna menjadi keabu-abuan, agar proses selanjutnya lebih mudah diproses. Program grayscale adalah sebagai berikut: %=======================Proses Grayscale============================ img0=handles.img0; img1=rgb2gray(img0); axes(handles.axes2); imshow(img1) axis on

Perintah program resizing atau bahasa program imresize adalah proses untuk mengubah ukuran dari citra, baik itu untuk memperbesar ataupun memperkecil ukuran citra. Program resizing adalah sebagai berikut: %===============================Proses Resizing=========================== resizing=handles.resizing; if (resizing==200) img2=imresize(img1,[200 200]); elseif (resizing==128) img2=imresize(img1,[128 128]); elseif (resizing==64) img2=imresize(img1,[64 64]); elseif (resizing==32) img2=imresize(img1,[32 32]); elseif (resizing==16) img2=imresize(img1,[16 16]); end axes(handles.axes3); imshow(img2) axis on

Proses grayscale dan resizing ini berkaitan dengan perancangan pada gambar 3.7 diagram alir pemprosesan yang bertujuan untuk mempersiapkan citra yang akan diekstraksi ciri agar dapat dilanjutkan ke proses selanjutnya. Grayscale dan resizing merupakan proses preprocessing. Perintah program Discrete Cosine Transform Two Dimension (DCT 2-D) atau bahasa pemrograman dct2 adalah DCT 2-D yang digunakan untuk membagi citra dengan ukuran resizing yang bervariasi, yang dipilih oleh user yang akan dimasukkan ke dalam beberapa blok-blok kecil. Program di bawah adalah perintah untuk menjalankan proses Discrete Cosine Transform Two Dimension (DCT 2-D): %================================Proses DCT============================ img2=double(img2)/255; img3=abs(dct2(img2)); axes(handles.axes4); imshow(img3) axis on

Program di atas adalah perintah untuk menjalankan proses Discrete Cosine Transform Two Dimension (DCT 2-D). Citra masukan sebelum ekstraksi ciri yaitu


36

preprocessing dari hasil resizing terlebih dahulu dibagi dengan 255. Tujuan dari dibagi dengan 255 adalah untuk normalisasi, digunakan untuk mendapatkan hasil yang lebih baik. Ukuran dari variasi resizing tersebut akan membuat ukuran Discrete Cosine Transform Two Dimension (DCT 2-D) berubah dan menyesuaikan ukurannya dengan variasi resizing yang dipilih atau digunakan oleh user. Kemudian bagian kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) akan diambil sebagai ekstraksi ciri. Pengambilan bagian kiri atas ini menggunakan metode jendela ekstraksi ciri atau window. Hasil dari pengambilan bagian kiri atas Discrete Cosine Transform Two Dimension (DCT 2-D) akan menyesuaikan dengan variasi ukuran jendela ekstraksi ciri yang dipilih oleh user. Hasil dari salah satu pemilihan dari ukuran variasi jendela ekstraksi ciri tersebut akan diambil sebagai hasil ekstraksi ciri. Proses ini berkaitan dengan gambar 3.8 diagram alir ekstraksi ciri yang sudah dirancang terdiri dari Discrete Cosine Transform Two Dimension (DCT 2-D) dan jendela ekstraksi ciri yang bervariasi. Berikut perintah program dari proses jendela ekstraksi ciri: %=============================Proses Window============================= jendela=handles.jendela; img4=img3(1:jendela,1:jendela); axes(handles.axes5); imshow(img4) axis on

Perintah program di bawah adalah untuk pemilihan atau mengeluarkan database yang akan dibandingkan dengan salah satu citra masukan motif batik Yogyakarta menggunakan perhitungan jarak. Pengeluaran database pembanding akan menyesuaikan dengan pemilihan variasi dari popupmenu seperti variasi resizing dan jendela ekstraksi ciri yang telah dipilih oleh user. Untuk pembuatan database harus benar agar tidak ada error di dalam pengenalan. Pembuatan database harus melalui proses dari masukan citra, preprocessing, dan ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D) untuk diambil data matriknya dan disimpan dalam format .mat. Proses ini seperti yang sudah dirancang pada gambar 3.4 diagram alir pembuatan database. Berikut perintah program pemilihan atau mengeluarkan database: %==============================Pemilihan database========================= resizing=handles.resizing; jendela=handles.jendela; if (resizing==200) &(jendela==4) load x200ciri16;

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI elseif (resizing==200) &(jendela==5) load x200ciri25; elseif (resizing==200) &(jendela==6) load x200ciri36; elseif (resizing==200) &(jendela==7) load x200ciri49; elseif (resizing==200) &(jendela==8) load x200ciri64; elseif (resizing==200) &(jendela==9) load x200ciri81; elseif (resizing==200) &(jendela==10) load x200ciri100; elseif (resizing==128) &(jendela==4) load x128ciri16; elseif (resizing==128) &(jendela==5) load x128ciri25; elseif (resizing==128) &(jendela==6) load x128ciri36; elseif (resizing==128) &(jendela==7) load x128ciri49; elseif (resizing==128) &(jendela==8) load x128ciri64; elseif (resizing==128) &(jendela==9) load x128ciri81; elseif (resizing==128) &(jendela==10) load x128ciri100; elseif (resizing==64) &(jendela==4) load x64ciri16; elseif (resizing==64) &(jendela==5) load x64ciri25; elseif (resizing==64) &(jendela==6) load x64ciri36; elseif (resizing==64) &(jendela==7) load x64ciri49; elseif (resizing==64) &(jendela==8) load x64ciri64; elseif (resizing==64) &(jendela==9) load x64ciri81; elseif (resizing==64) &(jendela==10) load x64ciri100; elseif (resizing==32) &(jendela==4) load x32ciri16; elseif (resizing==32) &(jendela==5) load x32ciri25; elseif (resizing==32) &(jendela==6) load x32ciri36; elseif (resizing==32) &(jendela==7) load x32ciri49; elseif (resizing==32) &(jendela==8) load x32ciri64; elseif (resizing==32) &(jendela==9) load x32ciri81; elseif (resizing==32) &(jendela==10) load x32ciri100; elseif (resizing==16) &(jendela==4) load x16ciri16; elseif (resizing==16) &(jendela==5) load x16ciri25;

37


38

elseif (resizing==16) &(jendela==6) load x16ciri36; elseif (resizing==16) &(jendela==7) load x16ciri49; elseif (resizing==16) &(jendela==8) load x16ciri64; elseif (resizing==16) &(jendela==9) load x16ciri81; elseif (resizing==16) &(jendela==10) load x16ciri100; end

Proses yang dilakukan selanjutnya adalah membandingkan database dengan citra masukan motif batik Yogyakarta yang telah dipilih dari salah satunya menggunakan perhitungan jarak. Dari hasil perhitungan jarak tersebut akan didapatkan nilai jarak dari semua 20 citra motif batik Yogyakarta. Untuk perhitungan jarak sesuai dengan perancangan yang telah dibuat pada gambar 3.9. Nilai perhitungan jarak tersebut dimasukkan ke dalam metode penentuan keluaran yaitu k-Nearest Neighbor (k-NN), dimana k-Nearest Neighbor (k-NN) akan mengurutkan dari kecil sampai besar nilai dari hasil perhitungan jarak. Setelah mendapatkan nilai yang paling minimum dari pengurutan nilai hasil penghitungan jarak akan diambil nilai minimum sebanyak k pada k-Nearest Neighbor (k-NN), sesuai dengan urutan sampel dari database. Kemudian dari urutan sampel database tersebut, akan keluar urutan motif batik sesuai dengan tabel 4.1. Dari nilai pengurutan motif batik tersebut maka akan diambil nilai yang sama sesuai dengan urutan citra motif batik Yogyakarta. Nilai kelas yang paling banyak muncul akan menjadi penentuan keluaran motif batik yang dikenal. Perintah program perhitungan jarak sebagai berikut: %=========================== Perhitungan Jarak ============================ y=img4(:); for n=1:180 r(n)=fjarak(y,z(:,n)); end

Kelas yang digunakan k-Nearest Neighbor (k-NN) adalah bilangan ganjil seperti 1, 3, 5, dan 7. Kelas k=1 sama dengan tidak menggunakan k-Nearest Neighbor (k-NN) karena nilai minimumnya hanya mencari satu nilai sampel dari database dan juga kelasnya hanya ada satu. k=1 tidak bisa mencari nilai yang paling minimum dari citra lain, sedangkan kelas k=3, 5, 7 menggunakan k-Nearest Neighbor (k-NN) karena mencari nilai minimum dari sampel database disetiap variasi motif batik Yogyakarta sesuai dengan nilai k nya. k-Nearest Neighbor (k-NN) yang diambil sebagai keluaran adalah kelas yang paling banyak. Perhitungan pengurutan nilai minimum ini menggunakan jarak dice yang digunakan sebagai perhitungan nilai jarak minimum yang didapatkan dari perbandingan


39

citra masukan dengan database. Karena keterbatasan Matlab 7.0.4 perintah program ditambah modus yang digunakan untuk mencari nilai yang paling sering muncul, di dalam modus terdapat sampel sesuai dengan variasi citra asli, rotasi, dan skala dari database. Berikut perintah program k-Nearest Neighbor (k-NN): %===========================Pembagian kelas KNN========================== k=1; % k pada knn= 1, 3, 5, dan 7 m=9; % Jumlah sampel per kelas [s1,s2]=sort(r,'ascend'); % s urut naik (fungsi jarak) kn=s2(1:k) % Pilih k nearest neighbour hk=ceil(kn/m) % Penentuan kelas-kelas yang terpilih x1=modus(hk) % Pilih kelas yang paling sering muncul

Perintah program di bawah adalah penamaan keluaran teks dari 20 motif batik Yogyakarta. Variabel y1 adalah inisialisasi 20 motif batik Yogyakarta. Nilai kelas yang paling banyak muncul akan dipanggil sebagai keluaran sesuai dengan nama yang telah diinisialisasi sebagai berikut: %=========================Deskripsi string inisialisasi========================= y1={'Ceplok_Dempel';'Ceplok_Kece';'Kawung_Galar';'Kawung_Kembang_Cempoko_Hitam';'Kawung_Pic is';'Lereng_Kusuma';'Nitik_Cengkeh';'Parang_Barong';'Parang_Curigo';'Parang_Kawung_Picis';'Parang_ Kembang_Sawut_Cecek';'Parang_Keris';'Parang_Klitik';'Parang_Kunci';'Parang_Kusumo_Ukel';'Parang_ Pancing';'Parang_Tuding';'Parisewuli_Seling_Pamor';'Tambal';'Truntum'};

Perintah program di bawah adalah mencari nilai kelas yang paling banyak muncul akan menjadi penentuan keluar motif batik yang akan dikenal dan diinisialisi dari 20 motif batik Yogyakarta. Kemudian nilai yang paling banyak muncul akan ditampilkan ke dalam file figure dengan menggunakan perintah set. Berikut perintah program mencari nilai yang paling banyak muncul: %=========================Penentuan keluaran minimum====================== b1=y1(x1); set(handles.edit1,'string',b1);

Perintah di bawah untuk mengeluarkan suara dari nama pengenalan motif batik Yogyakarta dari nilai yang paling banyak muncul. Suara tersebut akan bersamaan keluar dengan keluaran teks dari 20 motif batik Yogyakarta. Untuk keluaran suara dari pengenalan motif batik Yogyakarta ini menggunakan suara penulis dengan format rekaman suara wav. Setiap citra batik Yogyakarta akan ada keluaran suaranya masing-masing, sesuai dengan nama batiknya. Untuk sampling suara menggunakan 8000Hz, karena sampling menggunakan 8000Hz suara keluaran menjadi normal suaranya dan sama seperti suara yang direkam oleh penulis. Perintahnya sebagai berikut: %=====================Penentuan Keluaran Suara============================ if (x1==1); y=wavread('Ceplok_Dempel1.wav'); sound(y,8000)


40

elseif (x1==2); y=wavread('Ceplok_Kece1.wav'); sound(y,8000) elseif (x1==3); y=wavread('Kawung_Galar1.wav'); sound(y,8000) elseif (x1==4); y=wavread('Kawung_Kembang_Cempoko_Hitam1.wav'); sound(y,8000) elseif (x1==5); y=wavread('Kawung_Picis1.wav'); sound(y,8000) elseif (x1==6); y=wavread('Lereng_Kusuma1.wav'); sound(y,8000) elseif (x1==7); y=wavread('Nitik_Cengkeh1.wav'); sound(y,8000) elseif (x1==8); y=wavread('Parang_Barong1.wav'); sound(y,8000) elseif (x1==9); y=wavread('Parang_Curigo1.wav'); sound(y,8000) elseif (x1==10); y=wavread('Parang_Kawung_Picis1.wav'); sound(y,8000) elseif (x1==11); y=wavread('Parang_Kembang_Sawut_Cecek1.wav'); sound(y,8000) elseif (x1==12); y=wavread('Parang_Keris1.wav'); sound(y,8000) elseif (x1==13); y=wavread('Parang_Klitik1.wav'); sound(y,8000) elseif (x1==14); y=wavread('Parang_Kunci1.wav'); sound(y,8000) elseif (x1==15); y=wavread('Parang_Kusumo_Ukel1.wav'); sound(y,8000) elseif (x1==16); y=wavread('Parang_Pancing1.wav'); sound(y,8000) elseif (x1==17); y=wavread('Parang_Tuding1.wav'); sound(y,8000) elseif (x1==18); y=wavread('Parisewuli_Seling_Pamor1.wav'); sound(y,8000) elseif (x1==19); y=wavread('Tambal1.wav'); sound(y,8000) elseif (x1==20); y=wavread('Truntum1.wav'); sound(y,8000) end

Untuk keluaran suara dari motif batik Yogyakarta akan digunakan simbol suara, simbolnya seperti keluaran bersuara dan tidak bersuara. Ketika ada proses keluaran, akan ditampilkan teks keluaran dan simbol suara tanpa tanda silang. Ketika tidak ada proses


41

keluaran, akan terlihat simbol suara dengan tanda silang. Berikut perintah program dan simbol yang digunakan: %==============================Keluaran Gambar Suara======================= axes(handles.axes6); img0=imread ('speaker-volume copy.jpg'); %simbol bila ada suara imshow(img0)

Proses penentuan suara ini sudah sesuai dengan perancangan pada gambar 3.11 diagram alir penentuan keluaran yang dibuat, dari masukan hasil perhitungan jarak, proses k-Nearest Neighbor (k-NN), inisialisasi dari 20 citra motif batik Yogyakarta dan keluaran teks serta suara. 9. Tombol “Reset” digunakan apabila user ingin mengulangi pengenalan citra motif batik Yogyakarta menggunakan citra yang baru atau yang sama. Tombol reset akan mengembalikan kembali tampilan program atau GUI seperti awal mula user membuka program pengenalan. Perintah program pada tombol reset sebagai berikut: %===========================Tombol Reset================================ delete(figure(TA)); figure(TA);

10. Tombol “Selesai” digunakan apabila user ingin mengakhiri dan keluar dari program atau tampilan GUI pengenalan citra motif batik Yogyakarta. Perintah program tombol “Selesai” sebagai berikut: %==============================Tombol Selesai=========================== delete(figure(TA));

Kesimpulan yang dapat diambil dari hasil pengujian adalah tombol yang terdapat pada tampilan program pengenalan motif batik Yogyakarta telah dapat berjalan dengan baik dan alur program secara keseluruhan telah sesuai dengan perancangan yang dibuat pada bab sebelumnya.

4.3.

Hasil Pengujian Program Pengenalan Citra Terhadap Tingkat Pengenalan Citra Motif Batik Yogyakarta Pengujian program pengenalan citra motif batik Yogyakarta, dilakukan melalui 1

tahapan pengujian. Tahapan pengujian programnya yaitu pengujian parameter pengaturan pengenalan motif batik Yogyakarta yang terdiri dari beberapa ukuran resizing dan jendela ekstraksi ciri yang bervariasi digunakan untuk proses pengenalan. Tujuan dari pengujian parameter pengaturan pengenalan dilakukan untuk mencari nilai dari setiap parameter yang menghasilkan tingkat pengenalan yang paling terbaik. Setiap hasil pengujian dari 20 motif


42

batik Yogyakarta akan mempunyai nilai akurasi pada masing-masing motif batik. Hasil dari tiap pengujian motif batik adalah data nilai dari akurasi terbaik di setiap motif batik Yogyakarta.

4.3.1. Pengujian

Parameter

Pengaturan

Pengenalan

Motif

Batik

Yogyakarta Pada penulisan ini dilakukan untuk melihat seberapa besar tingkat pengenalan citra motif batik Yogyakarta dapat dikenali secara tepat dari setiap parameter pengenalan yang digunakan. Untuk menentukan nilai parameter yang akan digunakan dilakukan dengan melakukan percobaan dengan jumlah variasi Resizing yang berbeda-beda, yaitu 200×200, 128×128, 64×64, 32×32, dan 16×16 piksel. Disertakan juga dengan variasi Jendela ekstraksi ciri yang bervariasi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel. Kedua variasi tersebut dicoba terhadap 20 citra motif batik Yogyakarta sesuai perancangan yang sudah dibuat. Untuk masukkan citra dibuat bervariasi yang berfungsi untuk pengujian seberapa akurat sistem mengenali citra yang bervariasi, pengujiannya ada citra yang dimasukkan kedalam database dan yang tidak dimasukkan ke dalam database. Untuk pengujian seberapa akurat sistem mengenali citra akan dibuat variasi yang dimasukkan kedalam database, masukkan citranya seperti variasi rotasi -10°, -5°, 0°, 5°, 10° dan variasi skala 90%, 95%, 100%, 105%, 110%. Untuk pengujian citra yang tidak dimasukkan kedalam database citranya bervariasi seperti variasi rotasi -2,5°, -7,5°, -12,5°, 2,5°, 7,5°, 12,5° dan variasi skala 92,5%, 97,5%, 102,5%, 107,5%, 112,5%. Dari semua variasi tersebut seperti variasi resizing, jendela ekstraksi ciri, pengujian rotasi dan skala, akan digunakan nilai parameter yang mempunyai tingkat pengenalan citra sebesar 100% yang berarti variasi pengenalan yang paling terbaik.

4.4.

Pengujian Citra Uji Tanpa Menggunakan Database Pada alat tugas akhir yang dibuat ini akan dicoba masukan bervariasi dengan citra

tidak dimasukkan ke dalam database, pengujian ini di uji dengan variasi rotasi -2,5°, -7,5°, -12,5°, 2,5°, 7,5°, 12,5° dan variasi skala 92,5%, 97,5%, 102,5%, 107,5%, 112,5%. Variasi ini tidak dimasukkan kedalam database, karena digunakan untuk pengujian seberapa akurat sistem mengenali motif batik Yogyakarta yang dimasukkan. Untuk yang menggunakan database pada sebelumnya menggunakan variasi rotasi -10°, -5°, 0°, 5°, 10°


43

dan penskalaan 90%, 95%, 100%, 105%, 110%. Nilai variasi rotasi dan skala yang menggunakan database tidak jauh atau setengah dengan nilai variasi citra yang tidak dimasukkan database. Dari data k=1 yang berarti tidak menggunakan k-Nearest Neighbor (k-NN) pengenalannya ada yang dikenali secara salah, tidak seperti k=1 yang menggunakan database. Untuk yang menggunakan database pengenalannya sebesar 100%. Untuk bagian rotasi dari kelas k=1 tidak menggunakan k-Nearest Neighbor (k-NN) banyak citra rotasi yang dikenali secara salah dan skala cukup banyak yang dikenali secara benar.

4.4.1 Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Tanpa Menggunakan Nilai k-Nearest Neighbor (k=1) a.

Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri Tanpa k-NN (k=1) Untuk kelas k-Nearest Neighbor (k-NN) k=1 jendela ekstraksi cirinya dapat dilihat

di tabel lampiran 20, 21 dan 22 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 99,09% pada variasi resizing 200×200 piksel dengan jendela ekstraksi ciri 9×9, 10×10 piksel dan variasi 128×128 piksel dengan jendela ekstraksi ciri 7×7, 8×8, 9×9, 10×10 piksel.

Tabel 4.2. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap Jendela Ekstraksi Ciri Resizing (Piksel) 200×200 128×128 64×64 32×32 16×16

4×4 85,45 86,82 79,55 76,82 64,09

5×5 96,36 95,00 91,82 89,55 74,09

Jendela Ekstraksi Ciri (Piksel) 6×6 7×7 8×8 97,27 97,73 97,73 97,27 99,09 99,09 94,55 96,36 96,82 91,82 92,73 94,09 76,36 77,27 80,91

9×9 99,09 99,09 98,64 96,36 82,73

10×10 99,09 99,09 98,64 96,82 84,55

Dari tabel 4.2 dapat digambarkan grafik variasi Resizing dan Jendela Ekstraksi Ciri dengan tingkat pengenalan seperti pada gambar 4.8 Grafik pada gambar tersebut


44

menunjukkan bahwa, semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan, sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri, semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil, akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil tingkat pengenalannya lebih rendah dari variasi yang ukuran variasi jendela ekstraksi cirinya besar.

Tingkat Pengenalan (%)

Tingkat Pengenalan Kelas k=1 Terhadap Jendela Ekstraksi Ciri 100 90 80 70 60 50 40 30 20 10 0

200×200 128×128 64×64 32×32 16×16 4×4

5×5

6×6

7×7

8×8

9×9

10×10

Jendela Ekstraksi Ciri (Piksel)

Gambar 4.8. Grafik tingkat pengenalan kelas k=1 terhadap Jendela Ekstraksi Ciri

b.

Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Rotasi Tanpa kNN (k=1) Untuk kelas k=1 dari rotasi dapat dilihat di tabel lampiran 20 dan 21 dibagian hasil

tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan


45

bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra rotasi 2,5°, resizing 128×128 piksel dengan citra rotasi -2,5° dan 2,5°.

Tabel 4.3. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh masukan variasi Rotasi Resizing (Piksel) 200×200 128×128 64×64 32×32 16×16

-12,5° 94 94 94 86 65

-7,5° 98 99 99 99 80

-2,5° 99 100 93 72 41

0° 100 100 100 100 100

Rotasi 2,5° 100 100 91 72 52

7,5° 97 98 97 92 73

12,5° 93 92 92 86 59

Dari tabel 4.3 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.9. Grafik pada gambar tersebut menunjukkan bahwa, semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan, sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.


Tingkat Pengenalan Kelas k=1 Terhadap Pengaruh Masukan Variasi Rotasi 100 90 80 70 60 50 40 30 20 10 0

200×200 128×128 64×64 32×32 16×16 -12,5°

-7,5°

-2,5°

0° Rotasi

2,5°

7,5°

12,5°

Gambar 4.9. Grafik tingkat pengenalan kelas k=1 terhadap pengaruh masukan variasi rotasi


46

Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.9 nilai variasi resizing 200×200 dan 128×128 piksel tingkat pengenalannya baik. Untuk 64×64, 32×32, 16×16 piksel semakin kecil resizing pengenalannya akan rendah karena pengenalannya tidak stabil atau banyak yang dikenali secara salah. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil. Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi dengan resizing dibawah nilai variasi 128×128 piksel, akan turun tingkat pengenalannya di nilai skala minimum 2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya. Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah seperti bentuk grafik variasi resizing 200×200 dan 128×128 piksel. untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.9 tingkat pengenalan nilai minimum -2,5° dan

2,5° pada resizing di bawah nilai 128×128 piksel tingkat pengenalannya akan

semakin rendah.

c.

Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Skala Tanpa kNN (k=1) Dari Skala k=1 dapat dilihat di tabel lampiran 21 dan 22 dibagian hasil tidak

dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 128×128 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 64×64 piksel dengan citra skala 102,5%, 107,5%, 112,5%, dan resizing 32×32 piksel dengan citra skala 107,5%. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100%, karena nilai skala di bawah 100% seperti 92,5%, 97,5% citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension (DCT 2-D).


47

Tabel 4.4. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh masukan variasi Skala Resizing (Piksel) 200×200 128×128 64×64 32×32 16×16

92,5% 93 92 96 99 94

Skala(%) 102,5 100 100 100 99 95

97,5% 84 86 70 99 93

107,5 100 100 100 100 99

112,5 100 100 100 99 97

Dari tabel 4.4 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.10 Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.


Tingkat Pengenalan Kelas k=1 Terhadap Pengaruh Masukan Variasi Skala 100 90 80 70 60 50 40 30 20 10 0

200×200 128×128 64×64 32×32 16×16 92,5%

97,5%

102,5%

107,5%

112,5%

Skala

Gambar 4.10. Grafik tingkat pengenalan kelas k=1 terhadap pengaruh masukan variasi Skala

4.4.2. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=3)

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI a.

Pengujian

Nilai

Variasi

Resizing

Terhadap

Jendela

Ekstraksi

48 Ciri

Menggunakan k-NN (k=3) Untuk kelas k-Nearest Neighbor (k-NN) k=3 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 25, 26 dan 27 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94,55% pada variasi resizing 64×64 piksel dengan jendela ekstraksi ciri 10×10 piksel.

Tabel 4.5. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap Jendela Ekstraksi Ciri Resizing (Piksel) 200×200 128×128 64×64 32×32 16×16

4×4 79,09 81,82 72,73 74,09 63,18

5×5 88,64 90,00 84,09 82,73 78,50

Jendela Esktraksi Ciri (Piksel) 6×6 7×7 8×8 90,00 90,91 91,82 89,55 91,82 92,27 86,36 90,00 90,45 86,36 89,55 89,09 68,18 73,64 75,45

9×9 92,73 92,27 93,18 90,91 76,36

10×10 93,64 93,64 94,55 93,18 79,55

Dari tabel 4.5 dapat digambarkan grafik variasi resizing dan jendela ekstraksi ciri dengan tingkat pengenalan seperti pada gambar 4.11. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil lebih rendah tingkat pengenalannya dari variasi yang besar ukuran variasi jendela ekstraksi cirinya.


49



200×200 128×128 64×64 32×32 16×16 4×4

5×5

6×6 7×7 8×8 Jendela Ekstraksi Ciri (Piksel)

9×9

10×10


b.

Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Rotasi Menggunakan k-NN (k=3) Untuk kelas k=3 dari rotasi dapat dilihat di tabel lampiran 25 dan 26 dibagian hasil

tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94% pada variasi resizing 200×200 piksel dengan citra rotasi -2,5°, dan resizing 128×128 piksel dengan citra rotasi 7,5°. Tabel 4.6. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap pengaruh masukan variasi rotasi Resizing (Piksel) 200×200 128×128 64×64 32×32 16×16

-12,5° 71 73 73 78 56

-7,5° 91 94 92 91 74

-2,5° 94 93 81 64 41

0° 100 100 100 99 91

Rotasi 2,5° 93 92 82 65 44

7,5° 91 91 92 89 67

12,5° 66 66 71 74 53

Dari tabel 4.6 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.12. Grafik pada gambar tersebut menunjukkan bahwa


50

semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.



200×200 128×128 64×64 32×32 16×16 -12,5°

-7,5°

-2,5°

0° Rotasi

2,5°

7,5°

12,5°


Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.12 nilai variasi resizing 200×200 dan 128×128 piksel tingkat pengenalannya cukup baik. Untuk 64×64, 32×32, 16×16 piksel semakin kecil resizing pengenalannya akan rendah karena pengenalannya tidak stabil atau banyak yang dikenali secara salah. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil. Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi dengan resizing dibawah nilai variasi 128×128 piksel, akan turun tingkat pengenalannya di nilai skala minimum -2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya. Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah seperti bentuk grafik variasi resizing


51

200×200 dan 128×128 piksel. untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.12 tingkat pengenalan nilai minimum -2,5° dan

2,5° pada resizing di bawah nilai 128×128 piksel tingkat pengenalannya akan

semakin rendah. Faktor penyebab pengenalan ini semakin juga disebabkan oleh besarnya nilai k-NN seperti yang sudah dijelaskan. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k akan membuat sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya.

c.

Pengujian Nilai Variasi

Resizing

Terhadap Variasi Masukan Skala

Menggunakan k-NN (k=3) Dari skala k=3 dapat dilihat di tabel lampiran 26 dan 27 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 128×128 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 64×64 piksel dengan citra skala 102,5%, 107,5%, 112,5%, dan resizing 32×32 piksel dengan citra skala 107,5%. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100%, karena nilai skala di bawah 100% seperti 92,5%, 97,5% citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension (DCT 2-D).


92,5% 96 99 98 98 94

97,5% 82 86 71 98 91

Skala(%) 102,5% 100 100 100 99 97

107,5% 100 100 100 100 99

112,5% 100 100 100 98 82

Dari tabel 4.7 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.13. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini


52

disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.



200×200 128×128 64×64 32×32 16×16 92,5%

97,5%

102,5% Skala

107,5%

112,5%


4.4.3. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=5) a.

Pengujian

Nilai

Variasi

Resizing

Terhadap

Jendela

Ekstraksi

Ciri

Menggunakan k-NN (k=5) Untuk kelas k-Nearest Neighbor (k-NN) k =5 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 30, 31, dan 32 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 93,18% pada variasi resizing 200×200 piksel dengan jendela ekstraksi ciri 10×10 piksel, dan variasi resizing 128×128 piksel dengan jendela ekstraksi ciri 10×10 piksel.


53

Tabel 4.8. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap Jendela Ekstraksi Ciri Resizing (Piksel) 200×200 128×128 64×64 32×32 16×16 Dari

Jendela Esktraksi Ciri (Piksel) 4×4 5×5 6×6 7×7 8×8 9×9 10×10 75,45 89,09 89,55 90,45 91,36 92,73 93,18 76,36 88,64 89,09 89,09 90,91 91,36 93,18 68,64 83,18 84,09 87,27 89,55 89,55 91,82 71,36 80,45 83,18 84,55 86,36 87,27 89,55 59,55 64,09 68,64 69,55 73,64 72,73 75,45 tabel 4.8 dapat digambarkan grafik variasi resizing dan jendela ekstraksi ciri

dengan tingkat pengenalan seperti pada gambar 4.14. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil lebih rendah tingkat pengenalannya dari variasi yang besar ukuran variasi jendela ekstraksi cirinya.



200×200 128×128 64×64 32×32 16×16 4×4

5×5

6×6

7×7

8×8

9×9

10×10



PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI b.

54


tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 96% pada variasi resizing 200×200 piksel dengan citra rotasi -7,5. Tabel 4.9. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap pengaruh masukan variasi rotasi Rotasi Resizing (Piksel) -12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5° 100 200×200 66 85 86 95 69 96 67 94 82 100 85 94 69 128×128 100 64×64 66 94 74 75 91 69 94 32×32 62 92 64 64 82 67 44 73 42 89 45 69 46 16×16 Dari tabel 4.9 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.15. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.



200×200 128×128 64×64 32×32 16×16 -12,5°

-7,5°

-2,5°

0° Rotasi

2,5°

7,5°

12,5°



55

Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.15 semua nilai variasi resizing tingkat pengenalannya rendah dibagian -2,5° dan 2,5°. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil. Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi semua nilai variasi resizing akan turun tingkat pengenalannya di nilai skala minimum 2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya. Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah. Untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.15 tingkat pengenalan nilai minimum -2,5° dan 2,5° pada semua variasi resizing tingkat pengenalannya akan semakin rendah. Faktor penyebab pengenalan ini semakin juga disebabkan oleh besarnya nilai kNN seperti yang sudah dijelaskan. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k akan membuat sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya.

c.


Resizing


Menggunakan k-NN (k=5) Dari skala k=5 dapat dilihat di tabel lampiran 31 dan 32 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 128×128 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 64×64 piksel dengan citra skala 102,5%, 107,5%, 112,5%, dan resizing 32×32 piksel dengan citra skala 107,5%. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100%, karena nilai skala di bawah 100% seperti 92,5%, 97,5% citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension (DCT 2-D).


56


92,5% 99 99 98 96 89

Skala(%) 102,5% 100 100 100 95 93

97,5% 79 82 67 94 86

107,5% 100 100 100 100 95

112,5% 100 100 100 99 79

Dari tabel 4.10 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.16. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.



200×200 128×128 64×64 32×32 16×16 92,5%

97,5%

102,5%

107,5%

112,5%

Skala


4.4.4. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=7)

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI a.

Pengujian

Nilai

Variasi

Resizing

Terhadap

Jendela

Ekstraksi

57 Ciri

Menggunakan k-NN (k=7) Untuk kelas k-Nearest Neighbor (k-NN) k=7 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 35, 36, dan 37 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94,09% pada variasi resizing 200×200 piksel dengan jendela ekstraksi ciri 10×10 piksel. Tabel 4.11. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap Jendela Ekstraksi Ciri Jendela Esktraksi Ciri (Piksel) Resizing (Piksel) 4×4 5×5 6×6 7×7 8×8 9×9 10×10 200×200 75,45 89,09 89,55 92,73 92,73 92,73 94,09 75,91 86,82 87,27 90,91 91,82 93,18 92,73 128×128 64×64 69,09 80,00 82,27 90,00 91,36 92,73 92,73 32×32 72,27 84,09 84,55 86,36 88,64 92,27 91,82 57,73 65,45 68,18 68,64 68,18 71,82 76,82 16×16 Dari tabel 4.11, dapat digambarkan grafik variasi resizing dan jendela ekstraksi ciri dengan tingkat pengenalan seperti pada gambar 4.17. Grafik pada gambar tersebut menunjukkan bahwa, semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil lebih rendah tingkat pengenalannya dari variasi yang besar ukuran variasi jendela ekstraksi cirinya.


58



200×200 128×128 64×64 32×32 16×16 4×4

5×5

6×6

7×7

8×8

9×9

10×10



b.


tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94% pada variasi resizing 200×200 piksel dengan citra rotasi -7,5.

Tabel 4.12. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap pengaruh masukan variasi rotasi Resizing (Piksel) 200×200 128×128 64×64 32×32 16×16

-12,5° 72 73 72 69 43

-7,5° 94 90 91 91 71

-2,5° 84 80 71 65 48

0° 97 96 100 97 84

Rotasi 2,5° 89 87 76 71 46

7,5° 90 88 88 84 83

12,5° 79 79 76 68 48

Dari tabel 4.12 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.18. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini


59

disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.



200×200 128×128 64×64 32×32 16×16 -12,5°

-7,5°

-2,5°

0° Rotasi

2,5°

7,5°

12,5°


Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.18 semua nilai variasi resizing tingkat pengenalannya rendah dibagian -2,5° dan 2,5°. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil. Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi semua nilai variasi resizing akan turun tingkat pengenalannya di nilai skala minimum 2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya. Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah. Untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.18 tingkat pengenalan nilai minimum -2,5° dan 2,5° pada semua variasi resizing tingkat pengenalannya akan semakin rendah. Faktor penyebab pengenalan ini semakin juga disebabkan oleh besarnya nilai k-NN


60

seperti yang sudah dijelaskan. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k akan membuat sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya.

c.


Resizing


Menggunakan k-NN (k=7) Dari skala k=7 dapat dilihat di tabel lampiran 36 dan 37 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100% pada variasi resizing 64×64 piksel dengan citra skala 107,5%, 112,5%, dan resizing 32×32 piksel dengan citra skala 102,5%, 107,5%. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100%, karena nilai skala di bawah 100% citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension (DCT 2-D).


92,5% 97 99 95 96 85

97,5% 87 88 72 99 74

Skala(%) 102,5 97 96 99 100 91

107,5 98 96 100 100 91

112,5 99 95 100 99 69

Dari tabel 4.13 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.19. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.


61


4.5.

Pengaruh Dari Berbagai Variasi Untuk Pengenalan Motif Batik Yogyakarta Dari lampiran 20 sampai 37 yang dibagian hasil tidak dimasukkan ke database,

data hasil percobaan dari pengujian pengenalan motif batik Yogyakarta, pengenalan kurang mengenali citra dengan baik dan banyak citra yang akan dikenali secara salah. Hal tersebut disebabkan oleh nilai variasi rotasi dan skala tidak dimasukkan dan tidak dijadikan sebagai database. Untuk pengujian ini seharusnya citra masukan atau citra uji harus ada perbandingan dengan database. Citra yang tidak menggunakan database, perbandingan dari citra masukan dengan database nya tidak ada. Jika tidak ada database akan sulit untuk mengenali dan membandingkannya, tetapi sedikit yang akan dikenali secara benar. Untuk bagian rotasi banyak citra yang tidak dikenali karena bagian yang bukan dari citra akan ikut diproses. Bagian yang ikut diproses adalah yang berwarna putih yang disebabkan oleh berputarnya citra dari variasi rotasi. Cara agar citra tersebut dapat dikenali secara baik adalah dengan memperbesar jendela ekstraksi ciri. Dari presentase tingkat pengenalan lampiran 20 sampai 37 dibagian hasil tidak dimasukkan ke database dapat dilihat semakin kecil ukuran resizing, pengenalannya semakin banyak yang dikenali secara salah. Citra yang banyak tidak dikenali adalah ukuran resizing 16×16 piksel. Pengaruh dari resizing 16×16 piksel yang tingkat ukuran piksel terlalu kecil berpengaruh terhadap


62

pengenalan, hal ini disebabkan oleh citra yang sedikit pecah dan kotak-kotak akibat dari ukuran piksel yang terlalu kecil. Untuk nilai variasi kelas k dari k-Nearest Neighbor (k-NN) yang semakin besar, akan menyebabkan makin banyaknya nilai minimum dari hasil perhitungan jarak yang akan diambil sebanyak k pada k-Nearest Neighbor (k-NN)

dan digunakan untuk

membedakan antara nilai minimum citra motif batik Yogyakarta yang satu dengan citra motif batik Yogyakarta yang lainnya. Hal ini akan semakin sulit untuk membedakan antara citra motif batik Yogyakarta yang satu dengan citra motif yang lainnya karena banyaknya kelas k yang digunakan untuk penentuan keluaran. Masalah ini akan menyebabkan semakin rendahnya tingkat pengenalan dengan menggunakan nilai kelas k yang besar. Masalah rendahnya tingkat pengenalan tidak hanya pada pengaruh kelas k pada k-Nearest Neighbor (k-NN), seperti yang ada pada Tabel 4.14 menampilkan variasi resizing dan jendela ekstraksi ciri juga berpengaruh terhadap pengenalan motif batik Yogyakarta. Citra masukan dengan nilai variasi rotasi dan skala yang terlalu besar dari aslinya juga akan mempengaruhi pengenalan.

Tabel 4.14. Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan Jendela Ekstraksi Ciri Variasi Resizing (Piksel) 200×200

Resizing

Hasil DCT

Ekstraksi Ciri 4×4

5×5

6×6

7×7

8×8

9×9

10×10


63

Tabel 4.14. (Lanjutan) Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan Jendela Ekstraksi Ciri Variasi Resizing (Piksel) 128×128

Resizing

Hasil DCT

Ekstraksi Ciri 4×4

5×5

6×6

7×7

8×8

9×9

4×4

5×5

6×6

7×7

8×8

9×9

5×5

6×6

10×10

64×64

10×10

32×32

4×4


64

Tabel 4.14. (Lanjutan) Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan Jendela Ekstraksi Ciri Variasi Resizing (Piksel)

Resizing

Hasil DCT

Ekstraksi Ciri 7×7

8×8

9×9

4×4

5×5

6×6

7×7

8×8

9×9

10×10

16×16

10×10

Tabel 4.14 adalah gambar salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan jendela ekstraksi ciri. Dari gambar dapat diperhatikan bahwa semakin kecil ukuran variasi resizing, maka kualitas citra pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing maka citra semakin terlihat tidak berbentuk seperti citra masukan, sehingga tingkat pengenalannya semakin rendah. Semakin kecil ukuran variasi resizing maka ukuran citra semakin kecil dan piksel gambar semakin pecah-pecah, semakin besar ukuran variasi resizing tingkat pengenalannya semakin tinggi dan akan dikenali secara benar. Untuk mengatasi pengenalan ini agar bisa


65

mengenali citra maka digunakan jendela ekstraksi ciri untuk mengambil bagian pojok sisi kiri atas dari hasil ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D). Dari pengenalan citra motif batik Yogyakarta jendela ekstraksi cirinya dapat dilihat pada tabel 4.14 bagian ekstraksi ciri, semakin rendah variasi didalam pengambilan hasil ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D) maka tingkat pengenalannya semakin rendah. Jendela ekstraksi ciri pemprosesannya sama dengan variasi resizing, semakin tinggi nilai variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan oleh pengambilan kotak dari variasi jendela ekstraksi ciri semakin besar. Pada tabel 4.14 memperlihatkan hasil ekstraksi ciri salah satu motif batik Yogyakarta dari setiap variasi resizing dan jendela ekstraksi ciri. Gambar di dalam tabel 4.14 dibagian variasi resizing adalah gambar citra dengan berbagai nilai variasi resizing, kemudian ditransformasikan sesuai dengan ukuran variasi resizing dapat dilihat digambar hasil Discrete Cosine Transform Two Dimension (DCT 2-D). Hasil Discrete Cosine Transform Two Dimension (DCT 2-D) akan menyesuaikan ukurannya dengan ukuran variasi resizing yang dipilih oleh user. Hasil jendela ekstraksi ciri yang didapatkan dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) akan mengikuti ukuran dari variasi resizing yang berbeda-beda bentuknya sesuai dengan citra masukan dan hasil DCT 2-D tersebut akan divariasikan jendela ekstraksi cirinya. Hasil dari jendela ekstraksi tersebut adalah hasil ekstraksi ciri yang didapatkan.

4.6.

Hasil Pengenalan Terbaik Dari Setiap Kelas k-Nearest Neighbor (kNN) Dari hasil presentase yang sudah dibahas sebelumnya akan didapatkan hasil

pengenalan yang paling terbaik dari setiap kelas k-Nearest Neighbor (k-NN) untuk pengenalan motif batik Yogyakarta. Untuk kelas k=1, 3, 5, dan 7 akan memiliki hasil pengenalan terbaiknya masing-masing.

4.6.1. Untuk Kelas Tanpa Menggunakan k-Nearest Neighbor (k-NN) k=1 a.

Hasil Pengenalan Terbaik Dari Jendela Ekstraksi Ciri Tanpa k-NN (k=1) Dari presentase ekstraksi ciri di tabel 4.2 dan gambar 4.8 tingkat pengenalan yang

terbaik adalah pada nilai variasi resizing 128×128 piksel. Untuk tingkat pengenalannya


66

tidak mencapai 100%, tetapi tingkat pengenalannya hanya 99,09%. Ini disebabkan oleh jendela ekstraksi ciri yang terlalu kecil nilai variasinya. Untuk memperbaiki agar pengenalan tersebut mencapai 100%, nilai dari variasi jendela ekstraksi ciri harus besar nilainya. Pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang berbentuk bujur sangkar dalam pengambilan hasil DCT 2-D, lingkupannya harus luas dalam pengambilan sisi kiri atas agar tingkat pengenalan semakin tinggi. Pengenalan ini akan dikenal secara benar dengan tingkat presentase sebesar 100% dengan ketentuan jendela ekstraksi cirinya di atas 10×10 piksel. Terjadinya tingkat pengenalan yang besar tidak hanya di bagian 7×7, 8×8, 9×9, dan 10×10 piksel seperti di tabel 4.15, tetapi bila jendela ekstraksi cirinya di atas 10×10 piksel pengenalan akan dikenali semua dari variasi rotasi, skala dan resizing. Pengenalan akan semakin baik apabila resizing nya dibesarkan lebih dari citra asli dan jendela ekstraksi cirinya lebih dari 10×10 piksel. Nilai pengujian yang terbaik dari k-NN k=1 dapat dilihat pada tabel 4.15 dan gambar 4.20.

Tabel 4.15. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=1 Resizing 128×128 Piksel Jendela Hasil Presentase (%) 4×4 86,82 5×5 95 6×6 97,27 7×7 99,09 8×8 99,09 9×9 99,09 10×10 99,09 Gambar 4.20 menampilkan tingkat pengenalan dari variasi resizing 128×128 piksel terhadap jendela ekstraksi ciri dapat disimpulkan bahwa semakin besar nilai jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi dan dikenali secara benar. Ukuran variasi yang kecil akan kurang mengenali secara benar. Dari gambar 4.20 nilai ekstraksi ciri 7×7, 8×8, 9×9, dan 10×10 tingkat pengenalannya stabil dengan nilai 99,09% dan 4×4, 5×5, dan 6×6 piksel tingkat pengenalannya kecil, karena nilai variasi jendela ekstraksi ciri nya kecil.



100 90 80 70 60 50 40 30 20 10 0

67

Tingkat Pengenalan Dari Variasi Resizing 128×128 Piksel Terhadap Jendela Ekstraksi Ciri

Jendela

4×4

5×5

6×6

7×7

8×8

9×9

10×10

Jendela Ekstraksi Ciri

Gambar 4.20. Tingkat pengenalan dari variasi resizing 128×128 piksel terhadap Jendela ekstraksi ciri

b.

Hasil Pengenalan Terbaik Dari Rotasi Tanpa k-NN (k=1) Dari presentase rotasi di tabel 4.3 dan gambar 4.9 didapatkan hasil presentase dari

hasil percobaan. Untuk hasil terbaik didapatkan hasil 100% dengan resizing 128×128 piksel dengan rotasi -2,5° dan 2,5°. Dari hasil presentase, tidak semua rotasi yang diuji akan dikenali semua, ada sedikit yang dikenali secara salah seperti rotasi -12,5°, -7,5°, 7,5°, dan 12,5°. Hal ini disebabkan oleh nilai rotasi yang lebih besar atau kurang dari 0°, rotasinya akan sedikit berubah seperti aslinya. Nilai rotasi 0° yang berarti gambar asli tanpa rotasi. Dari hasil presentase pada tabel 4.16 dan gambar 4.21 menampilkan citra dengan nilai rotasi yang nilai minimum dan maksimum dari 0° akan sedikit jauh perbandingan nilai presentasenya. Nilai minimum cukup banyak dikenali dibandingkan dengan nilai maksimum. Untuk memperbaiki agar pengenalan tersebut dapat dikenali secara benar dengan memperbesar ukuran variasi dari resizing dan jendela ekstraksi ciri.

Tabel 4.16. Tingkat Presentase terbaik dari rotasi 128×128 piksel dengan k-NN k=1 Resizing 128×128 piksel Rotasi Hasil Presentase (%) -12,5° 94 -7,5° 99 -2,5° 100


68

Tabel 4.16. (Lanjutan) Tingkat Presentase terbaik dari rotasi 128×128 piksel dengan k-NN k=1 Resizing 128×128 piksel Rotasi Hasil Presentase (%) 2,5° 100 7,5° 98 12,5° 92 Gambar 4.21 menampilkan tingkat pengenalan dengan variasi rotasi terbaik -2,5° dan 2,5° dengan resizing 128×128 piksel dari k-Nearest Neighbor (k-NN) k=1. Dari gambar tersebut dapat disimpulkan bahwa semakin besar atau maksimum nilai rotasi maka akan banyak yang dikenali secara salah ataupun sebaliknya dengan nilai minimum yang akan dikenali secara benar. Nilai asli dari citra rotasi adalah 0°, apabila lebih atau kurang dari nilai rotasi 0° banyak yang dikenali secara salah.

Tingkat Pengenalan Dengan Rotasi Dan Resizing 128×128 Piksel Dari k-NN k=1 100 Tingkat Pengenalan (%)

90 80 70 60

Rotasi

50 40 30 20 10 0 -12,5°

-7,5°

-2,5° 2,5° Rotasi

7,5°

12,5°

Gambar 4.21. Tingkat pengenalan dengan rotasi dan resizing 128×128 piksel dari k-NN k=1

c.

Hasil Pengenalan Terbaik Dari Skala Tanpa k-NN (k=1) Dari presentase skala dari tabel 4.4 dan gambar 4.10 didapatkan nilai presentase

dari pengujian citra yang skalanya bervariasi. Dari data didapatkan nilai presentase terbaik dengan tingkat pengenalan 100% dengan nilai resizing 128×128 piksel dan nilai variasi


69

skala yang terbaik adalah 102,5%, 107,5%, dan 112,5%. Nilai terbaik dari variasi tersebut adalah 100%. Nilai variasi yang banyak dikenali secara salah adalah variasi skala 92,5% dan 97,5%. Dapat dilihat dari hasil presentase terbaik di tabel 4.17 dan gambar 4.22 nilai variasi yang dikenali adalah nilai yang skalanya lebih dari 100%. Hal ini disebabkan nilai skala citra asli adalah 100%, dan nilai variasi yang kurang dari 100% tingkat pengenalannya berkurang. Tingkat pengenalannya berkurang karena nilai variasi yang kurang dari 100% akan membuat citra mengecil dan membuat sisi citra berwarna putih. Sisi yang berwarna putih disebabkan oleh editan citra yang digunakan untuk membuat skala di bawah 100%. Semakin kecil variasi skala maka sisi citra yang berwarna putih akan meluas. Untuk memperbaiki agar citra ini dapat dikenali secara benar adalah dengan memperbesar nilai variasi resizing dan yang paling berpengaruh adalah variasi jendela ekstraksi ciri, karena yang bukan bagian dari citra yang berwarna putih, hasil dari kecilnya ukuran skala di bawah 100% akan ikut diproses ke Discrete Cosine Transform Two Dimension (DCT 2-D). Untuk mengambil hasil Discrete Cosine Transform Two Dimension (DCT 2-D) menggunakan jendela ekstraksi ciri. Pengenalan tersebut agar dapat dikenali secara baik adalah dengan memperbesar ukuran variasi resizing dan jendela ekstraksi ciri agar bagian yang penting dari citra dapat diproses untuk pengenalan.

Tabel 4.17. Tingkat Presentase terbaik dari skala dengan resizing 128×128 piksel dengan k-NN k=1 Resizing 128×128 piksel Skala Hasil Presentase (%) 92,5% 92 97,5% 86 102,5% 100 107,5% 100 112,5% 100 Gambar 4.22 menampilkan hasil terbaik dari pengenalan dengan menggunakan kNearest Neighbor (k-NN) k=1 dan variasi resizing 128×128 piksel. Dapat dilihat bahwa ukuran skala akan mempengaruhi hasil presentase apabila ukurannya kurang dari ukuran skala asli. Ukuran resizing dan jendela ekstraksi ciri juga akan mempengaruhi pengenalan.


70


Tingkat Pengenalan Dengan Skala dan Resizing 128×128 Piksel Dari k-NN k=1 100 90 80 70 60 50 40 30 20 10 0

Skala

92,5%

97,5%

102,5%

107,5%

112,5%

Skala

Gambar 4.22. Tingkat pengenalan dengan skala dan resizing 128×128 piksel dari k-NN k=1

4.6.2. Untuk Kelas Menggunakan k-Nearest Neighbor (k-NN) k=3 a.

Hasil Pengenalan Terbaik Dari Jendela Ekstraksi Ciri Menggunakan k-NN (k=3) Dari presentase pengujian jendela ekstraksi ciri pada tabel 4.5 dan gambar 4.11

tingkat pengenalan yang terbaik adalah 64×64 piksel. Untuk tingkat pengenalannya tidak mencapai 100% tetapi tingkat pengenalannya hanya mencapai 94,55% seperti pada tabel 4.18. Ini disebabkan oleh nilai jendela ekstraksi ciri yang terlalu kecil. Cara memperbaiki agar citra yang bervariasi rotasi dan skalanya dapat dikenali adalah dengan cara memperbesar ukuran resizing ataupun jendela ekstraksi cirinya.

Tabel 4.18. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=3 Resizing 64×64 piksel Jendela Hasil Presentase (%) 4×4 72,73 5×5 84,09 6×6 86,36 7×7 90 8×8 90,45 9×9 93,18 10×10 94,55


71

Gambar 4.23 menampilkan tingkat pengenalan dari variasi resizing 64×64 piksel terhadap jendela ekstraksi ciri. Dari gambar dilihat semakin besar nilai variasi resizing maka pengenalannya akan semakin banyak yang dikenali secara benar tetapi tidak mencapai 100%. Agar pengenalan tersebut dapat dikenali secara benar, nilai variasi resizing dan jendela ekstraksi cirinya harus besar.

Tingkat Pengenalan Dari Variasi Resizing 64×64 Piksel Terhadap Jendela Ekstraksi Ciri

100 Tingkat Pengenalan (%)

90 80 70 60 50 40

Jendela

30 20 10 0 4×4

5×5

6×6 7×7 8×8 Jendela Ekstraksi Ciri

9×9

10×10

Gambar 4.23. Tingkat pengenalan dari variasi resizing 64×64 piksel terhadap jendela ekstraksi ciri

b.

Hasil Pengenalan Terbaik Dari Rotasi Menggunakan k-NN (k=3) Dari presentase rotasi pengujian di tabel 4.6 dan gambar 4.12 didapatkan hasil

presentase pengujian dari hasil percobaan. Untuk hasil terbaik dari pengujian adalah sebesar 100% tetapi untuk pengujian ini mendapatkan presentase terbaik sebesar 94% dengan resizing 128×128 piksel rotasi -7,5°. Untuk pengujian ini ada resizing yang mendapatkan nilai presentase terbaik juga dari resizing 200×200 piksel, tetapi nilai variasi jendela ekstraksi cirinya yang lain kecil tingkat pengenalannya tidak seperti yang resizing 128×128 piksel. Tingkat pengenalan ini kurang mengenali secara baik disebabkan oleh nilai rotasi yang lebih besar atau kurang dari 0°, rotasinya akan sedikit berubah seperti aslinya. Variasi nilai 0° yang berarti gambar asli tanpa rotasi. Dari hasil presentase pada tabel 4.19 dan gambar 4.24 menampilkan citra dengan nilai rotasi yang nilainya minimum


72

dan maksimum dari 0°, akan sedikit jauh perbandingan nilai presentasenya. Untuk memperbaiki agar pengenalan tersebut dapat dikenali secara benar dengan memperbesar ukuran variasi dari resizing dan jendela ekstraksi ciri. Untuk yang minimum pengenalannya cukup dikenali secara benar dibandingkan dengan yang maksimum.

Tabel 4.19. Tingkat Presentase terbaik dari Rotasi 128×128 piksel dengan k-NN k=3 Resizing 128×128 piksel Rotasi Hasil Presentase (%) -12,5° 73 -7,5° 94 -2,5° 93 2,5° 92 7,5° 91 12,5° 66 Gambar 4.24 menampilkan tingkat pengenalan dengan rotasi terbaik -7,5° dengan resizing 128×128 piksel dari k-Nearest Neighbor (k-NN) k=3. Dari gambar tersebut dapat disimpulkan bahwa semakin besar atau maksimum nilai rotasi maka akan banyak yang dikenali secara salah ataupun sebaliknya dengan nilai minimum yang akan banyak dikenali secara benar. Nilai asli dari citra rotasinya adalah 0° bila melebihi dari nilai rotasi itu banyak yang dikenali secara salah. Semakin besar kelas k-Nearest Neighbor (k-NN) maka pengenalannya akan berkurang yang disebabkan oleh nilai perhitungan jarak akan diambil nilai minimumnya sebanyak k pada k-Nearest Neighbor (k-NN). Pengambilan menggunakan k-Nearest Neighbor (k-NN) dengan nilai di atas k=1 akan membuat perbandingan yang banyak, karena setiap sampel database yang berisi variasi citra asli, rotasi dan skalanya mempunyai nilai jarak masing-masing. Banyaknya perbandingan dari hasil nilai jarak yang paling minimum tersebut akan membuat pengenalannya semakin berkurang, karena harus membandingkan dengan citra yang lainnya.


73

Tingkat Pengenalan Dengan Rotasi Dan Resizing 128×128 Piksel Dari k-NN k=3 Tingkat Pengenalan (%)

100 90 80 70 60

Rotasi

50 40 30 20 10 0 -12,5°

-7,5°

-2,5°

2,5°

7,5°

12,5°

Rotasi


c.

Hasil Pengenalan Terbaik Dari Skala Menggunakan k-NN (k=3) Dari presentase skala dari tabel 4.7 dan gambar 4.13 didapatkan nilai presentase

dari pengujian citra yang skalanya bervariasi. Dari data didapatkan nilai presentase terbaik dengan tingkat pengenalan 100% dengan nilai resizing 128×128 piksel dan nilai variasi skala yang terbaik adalah 102,5%, 107,5%, dan 112,5% sama seperti nilai skala terbaik dari k-Nearest Neighbor (k-NN) k=1. Nilai terbaik dari variasi tersebut adalah 100%. Nilai variasi yang banyak dikenali secara salah adalah variasi skala 92,5% dan 97,5%. Dapat dilihat dari hasil presentase terbaik di tabel 4.20 dan gambar 4.25 nilai variasi yang dikenali adalah nilai yang skalanya lebih dari 100%. Hal ini disebabkan oleh nilai asli dari skala citra asli adalah 100%. Untuk memperbaiki agar citra ini dapat dikenali secara benar adalah dengan memperbesar nilai variasi jendela ekstraksi ciri, karena yang bukan bagian dari citra yang berwarna putih, hasil dari kecilnya ukuran skala kurang dari 100% akan ikut diproses ke Discrete Cosine Transform Two Dimension (DCT 2-D). Untuk mengambil hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dengan menggunakan jendela ekstraksi ciri. Pengenalan tersebut agar dapat dikenali secara baik dengan memperbesar ukuran variasi resizing dan jendela ekstraksi ciri.


74

Tabel 4.20. Tingkat Presentase terbaik dari skala dengan resizing 128×128 piksel dengan k-NN k=3 Resizing 128×128 piksel Skala Hasil Presentase (%) 92,5% 99 97,5% 86 102,5% 100 107,5% 100 112,5% 100 Gambar 4.25 menampilkan hasil terbaik dari pengenalan dengan menggunakan kNearest Neighbor (k-NN) k=3 dan variasi resizing 128×128 piksel. Dapat dilihat bahwa ukuran skala akan mempengaruhi hasil presentase apabila ukurannya kurang dari ukuran skala asli. Ukuran resizing dan jendela ekstraksi ciri juga akan mempengaruhi pengenalan.


Tingkat Pengenalan Dengan Skala Dan Resizing 128×128 Piksel Dari k-NN k=3 100 90 80 70 60 50 40 30 20 10 0

Skala

92,5%

97,5%

102,5%

107,5%

112,5%

Skala

Gambar 4.25. Tingkat pengenalan dengan skala dan resizing 128×128 piksel dari k-NN k=3

Faktor kelas k-Nearest Neighbor (k-NN) k=3 juga mempengaruhi pengenalan yang semakin kecil. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k=3, akan membuat sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya. Dari nilai minimum hasil perhitungan jarak tersebut akan mendapatkan nilai sampel sesuai dengan urutan variasi asli, rotasi, dan skala dari dalam


75

database. Nilai variasi urutan sampel dari database tersebut akan mengeluarkan urutan dari motif batik Yogyakarta sebagai keluaran sesuai dengan urutan inisialisasi. Untuk k=3 ini akan mendapatkan dua dari urutan inisialisasi citra serta yang sisa satunya adalah perbandingan dari urutan inisialisasi yang paling minimum dari citra yang lain. Nilai urutan dua akan menjadi keluaran di pengenalan ini. Nilai kelas yang paling banyak muncul yang menjadi keluaran.


Hasil Pengenalan Terbaik Dari Jendela Ekstraksi Ciri Menggunakan k-NN (k=5) Dari presentase ekstraksi ciri pengujian di tabel 4.8 dan gambar 4.14 tingkat

pengenalan yang terbaik adalah pada nilai variasi resizing 200×200 piksel. Untuk tingkat pengenalannya tidak mencapai 100%, tetapi tingkat pengenalannya hanya 93,18%. Ini disebabkan oleh jendela ekstraksi ciri yang terlalu kecil nilai variasinya. Untuk memperbaiki agar pengenalan tersebut mencapai 100%, nilai dari variasi jendela ekstraksi ciri harus besar agar pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) juga semakin besar. Pengenalan ini akan dikenal sebesar 100% dengan jendela ekstraksi cirinya di atas 10×10 piksel. Nilai pengujian yang terbaik dari kNearest Neighbor (k-NN) k=5 dapat dilihat pada tabel 4.21 dan gambar 4.26.

Tabel 4.21. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=5 Resizing 200×200 piksel Jendela Hasil Presentase (%) 4×4 75,45 5×5 89,09 6×6 89,55 7×7 90,45 8×8 91,36 9×9 92,73 10×10 93,18 Gambar 4.26 menampilkan tingkat pengenalan dari variasi resizing 200×200 piksel terhadap jendela ekstraksi ciri dapat disimpulkan bahwa semakin besar nilai jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi dan dikenali secara benar. Ukuran variasi yang kecil akan kurang mengenali secara benar.


76


Tingkat Pengenalan Dari Variasi Resizing 200×200 Piksel Terhadap Jendela Ekstraksi Ciri 100 90 80 70 60 50 40 30 20 10 0

Jendela

4×4

5×5

6×6

7×7

8×8

9×9

10×10

Jendela Ekstraksi Ciri


b.


presentase pengujian dari hasil percobaan. Untuk hasil terbaik didapatkan hasil 100% dengan resizing 200×200 piksel rotasi -7,5. Pengujian ini tidak semua rotasi yang diuji akan dikenali semua, ada cukup sedikit yang dikenali secara salah seperti rotasi -12,5°, 2,5°, 2,5°, 7,5°, dan 12,5°. Hal ini disebabkan oleh nilai rotasi yang lebih besar atau kurang dari 0° rotasinya akan sedikit berubah seperti aslinya. Variasi nilai 0° yang berarti gambar asli tanpa rotasi. Dari hasil presentase pada tabel 4.22 dan gambar 4.27 menampilkan citra dengan nilai rotasi yang nilainya minimum dan maksimum dari 0° akan sedikit jauh perbandingan nilai presentasenya. Untuk memperbaiki agar pengenalan tersebut dapat dikenali secara benar dengan memperbesar ukuran variasi dari resizing dan jendela ekstraksi ciri. Pengaruh kelas k pada k-Nearest Neighbor (k-NN) juga mempengaruhi pengenalan. Semakin besar kelas k-Nearest Neighbor (k-NN) maka pengenalannya akan berkurang yang disebabkan oleh nilai perhitungan jarak akan diambil nilai minimumnya sebanyak k pada k-Nearest Neighbor (k-NN). Pengambilan menggunakan k-Nearest Neighbor (k-NN) dengan nilai di atas k=1 akan membuat perbandingan yang banyak, karena setiap sampel database yang berisi variasi citra asli, rotasi dan skalanya mempunyai


77

nilai jarak masing-masing. Banyaknya perbandingan dari hasil nilai jarak yang paling minimum tersebut akan membuat pengenalannya semakin berkurang, karena harus membandingkan dengan citra yang lainnya.

Tabel 4.22. Tingkat Presentase terbaik dari rotasi 200×200 piksel dengan k-NN k=5 Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5°

Resizing 200×200 piksel Hasil Presentase (%) 66 96 85 86 95 69

Gambar 4.27 menampilkan tingkat pengenalan dengan rotasi terbaik -7,5° dengan resizing 200×200 piksel dari k-Nearest Neighbor (k-NN) k=5. Dari gambar 4.27 dapat disimpulkan bahwa semakin besar atau maksimum nilai rotasi maka akan banyak yang dikenali secara salah ataupun sebaliknya dengan nilai minimum yang semakin banyak dikenali. Nilai asli dari citra rotasinya adalah 0° bila melebihi dari nilai rotasi itu banyak yang dikenali secara salah.


Tingkat Pengenalan Dengan Rotasi Dan Resizing 200×200 Piksel Dari k-NN k=5 100 90 80 70 60 50 40 30 20 10 0

Rotasi

-12,5°

-7,5°

-2,5°

2,5°

7,5°

12,5°

Rotasi


PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI c.

78


dari pengujian citra yang skalanya bervariasi. Dari data didapatkan nilai presentase terbaik dengan tingkat pengenalan 100% dengan nilai resizing 128×128 piksel dan nilai variasi skala yang terbaik adalah 102,5%, 107,5%, dan 112,5%. Nilai resizing 200×200, 64×64, dan 32×32 piksel juga mendapatkan nilai presentase 100% akan tetapi nilai presentase dari jendela ekstraksi cirinya kecil, nilainya lebih kecil dari resizing 128×128. Nilai variasi yang banyak dikenali secara salah adalah variasi skala 92,5% dan 97,5%. Dapat dilihat dari hasil presentase terbaik di tabel 4.23 dan gambar 4.28 nilai variasi yang dikenali adalah nilai yang skalanya lebih dari 100%. Hal ini disebabkan oleh nilai asli dari skala citra asli adalah 100%. Untuk memperbaiki agar citra ini dapat dikenali secara benar adalah dengan memperbesar nilai variasi jendela ekstraksi ciri, karena yang bukan bagian dari citra yang berwarna putih, hasil dari kecil atau besarnya ukuran skala dari 100% akan ikut diproses ke Discrete Cosine Transform Two Dimension (DCT 2-D). Untuk mengambil hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dengan menggunakan jendela ekstraksi ciri. Pengenalan tersebut agar dapat dikenali secara baik dengan memperbesar ukuran variasi resizing dan jendela ekstraksi ciri. Tabel 4.23. Tingkat Presentase terbaik dari skala dengan resizing 128×128 piksel dengan k-NN k=5 Resizing 128×128 piksel Skala Hasil Presentase (%) 92,5% 99 97,5% 82 102,5% 100 107,5% 100 112,5% 100 Gambar 4.28 menampilkan hasil terbaik dari pengenalan dengan menggunakan kNearest Neighbor (k-NN) k=5 dan variasi resizing 128×128 piksel. Dapat dilihat bahwa ukuran skala akan mempengaruhi hasil presentase apabila ukurannya kurang dari ukuran skala asli. Ukuran resizing dan jendela ekstraksi ciri juga akan mempengaruhi pengenalan.


79

Tingkat Pengenalan Dengan Skala Dan Resizing 128×128 Piksel Dari k-NN k=5 100 Tingkat Pengenalan (%)

90 80 70 60 50 40

Skala

30 20 10 0 92,5%

97,5%

102,5%

107,5%

112,5%

Skala

Gambar 4.28. Tingkat pengenalan dengan skala dan resizing 128×128 piksel dari k-NN k=5 Faktor kelas k-Nearest Neighbor (k-NN) k=5 juga mempengaruhi pengenalan yang semakin kecil. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k=5, akan membuat cukup sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya. Dari nilai minimum hasil perhitungan jarak tersebut akan mendapatkan nilai sampel sesuai dengan urutan variasi asli, rotasi, dan skala dari dalam database. Nilai variasi urutan sampel dari database tersebut akan mengeluarkan urutan dari motif batik Yogyakarta yang digunakan sebagai keluaran sesuai dengan urutan inisialisasi. Untuk k=5 ini akan mendapatkan urutan inisialisasi citra serta yang perbandingan dari urutan inisialisasi yang paling minimum dari citra yang lain. Untuk k=5 ini tidak seperti k=3 yang nilai kelasnya diambil dua kelas dan satu perbandingan citra yang lain. k=5 ini pengambilan kelasnya tidak menentu dan nilai kelas yang paling banyak muncul akan menjadi keluaran.


Hasil Pengenalan Terbaik Dari Jendela Ekstraksi Ciri Menggunakan k-NN (k=7) Dari presentase pengujian jendela ekstraksi ciri pada tabel 4.11 dan gambar 4.17

tingkat pengenalan yang terbaik adalah 200×200 piksel. Untuk tingkat pengenalannya


80

tidak mencapai 100% tetapi tingkat pengenalannya hanya 94,09%. Ini disebabkan oleh nilai jendela ekstraksi ciri yang terlalu kecil. Cara memperbaiki agar citra yang bervariasi rotasi dan skalanya dapat dikenali adalah dengan cara memperbesar ukuran resizing ataupun jendela ekstraksi cirinya. k-Nearest Neighbor (k-NN) yang kelas k=7 juga akan mempengaruhi pengenalan, semakin besar k-Nearest Neighbor (k-NN) maka tingkat pengenalannya akan semakin banyak yang dikenali secara salah. Hal ini disebabkan oleh semakin banyaknya nilai jarak yang akan dibandingkan oleh k-Nearest Neighbor (k-NN) yang akan menjadi keluaran pengenalan citra. Untuk k-Nearest Neighbor (k-NN) k=7 ini dapat dilihat dari tingkat pengenalannya, semakin kecil resizing maka tingkat pengenalannya juga semakin kecil dapat dilihat dari tabel 4.24 dan gambar 4.29. Dengan cara memperbesar resizing dan jendela ekstraksi ciri akan membuat pengenalan semakin baik

Tabel 4.24. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=7 Resizing 200×200 piksel Jendela Hasil Presentase (%) 4×4 75,45 5×5 89,09 6×6 89,55 7×7 92,73 8×8 92,73 9×9 92,73 10×10 94,09 Gambar 4.29 menampilkan tingkat pengenalan dari variasi resizing 200×200 piksel terhadap jendela ekstraksi ciri dapat disimpulkan bahwa semakin besar nilai jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi dan dikenali secara benar. Ukuran variasi yang kecil akan kurang mengenali secara benar.


81


Tingkat Pengenalan Dari Variasi Resizing 200×200 Piksel Terhadap Jendela Ekstraksi Ciri 100 90 80 70 60 50 40 30 20 10 0

Jendela

4×4

5×5

6×6 7×7 8×8 Jendela Ekstraksi Ciri

9×9

10×10


b.


presentase pengujian dari hasil percobaan. Untuk hasil terbaik didapatkan hasil 100% dengan resizing 200×200 piksel rotasi -7,5. Pengujian ini tidak semua rotasi yang diuji akan dikenali semua, ada cukup sedikit yang dikenali secara salah seperti rotasi -12,5°, 2,5°, 2,5°, 7,5°, dan 12,5°. Hal ini disebabkan oleh nilai rotasi yang lebih besar atau kurang dari 0° rotasinya akan sedikit berubah seperti aslinya. Variasi nilai 0° yang berarti gambar asli tanpa rotasi. Dari hasil presentase pada tabel 4.25 dan gambar 4.30 menampilkan citra dengan nilai rotasi yang nilainya minimum dan maksimum dari 0° akan sedikit jauh perbandingan nilai presentasenya. Untuk memperbaiki agar pengenalan tersebut dapat dikenali secara benar dengan memperbesar ukuran variasi dari resizing dan jendela ekstraksi ciri. Pengaruh kelas k pada k-Nearest Neighbor (k-NN) juga mempengaruhi pengenalan. Semakin besar kelas k-Nearest Neighbor (k-NN) maka pengenalannya akan berkurang yang disebabkan oleh nilai perhitungan jarak akan diambil nilai minimumnya sebanyak k pada k-Nearest Neighbor (k-NN). Pengambilan menggunakan k-Nearest Neighbor (k-NN) dengan nilai di atas k=1 akan membuat perbandingan yang banyak, karena setiap sampel database yang berisi variasi citra asli, rotasi dan skalanya mempunyai


82

nilai jarak masing-masing. Banyaknya perbandingan dari hasil nilai jarak yang paling minimum tersebut akan membuat pengenalannya semakin berkurang, karena harus membandingkan dengan citra yang lainnya. Tabel 4.25. Tingkat Presentase terbaik dari rotasi 200×200 piksel dengan k-NN k=7 Resizing 128×128 piksel Rotasi Hasil Presentase (%) -12,5° 72 -7,5° 94 -2,5° 84 2,5° 89 7,5° 90 12,5° 79 Gambar 4.30 menampilkan tingkat pengenalan dengan rotasi terbaik -7,5° dengan resizing 200×200 piksel dari k-Nearest Neighbor (k-NN) k=7. Dari gambar tersebut dapat disimpulkan bahwa semakin besar atau maksimum nilai rotasi maka akan banyak yang dikenali secara salah ataupun sebaliknya dengan nilai minimum yang semakin banyak dikenali. Nilai asli dari citra rotasinya adalah 0° bila melebihi dari nilai rotasi itu banyak yang dikenali secara salah.

Tingkat Pengenalan Dengan Rotasi Dan Resizing 200×200 Piksel Dari k-NN k=7 100 Tingkat Pengenalan (%)

90 80 70 60 Rotasi

50 40 30 20 10 0 -12,5°

-7,5°

-2,5° 2,5° Rotasi

7,5°

12,5°


PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI c.

83


dari pengujian citra yang skalanya bervariasi. Dari data didapatkan nilai presentase terbaik dengan tingkat pengenalan 100% dengan nilai resizing 32×32 piksel dan nilai variasi skala yang terbaik adalah 102,5%, dan 107,5%. Nilai resizing 64×64 piksel juga mendapatkan nilai presentase 100% akan tetapi nilai presentase dari jendela ekstraksi cirinya kecil, nilainya lebih kecil dari resizing 32×32 piksel. Dapat dilihat dari hasil presentase terbaik di tabel 4.26 dan gambar 4.31 nilai variasi yang dikenali adalah nilai yang skalanya lebih dari 100%. Hal ini disebabkan oleh nilai asli dari skala citra asli adalah 100%. Untuk memperbaiki agar citra ini dapat dikenali secara benar adalah dengan memperbesar nilai variasi jendela ekstraksi ciri, karena yang bukan bagian dari citra yang berwarna putih, hasil dari kecil atau besarnya ukuran skala dari 100% akan ikut diproses ke Discrete Cosine Transform Two Dimension (DCT 2-D). Untuk mengambil hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dengan menggunakan jendela ekstraksi ciri. Pengenalan tersebut agar dapat dikenali secara baik dengan memperbesar ukuran variasi resizing dan jendela ekstraksi ciri.

Tabel 4.26. Tingkat Presentase terbaik dari skala dengan resizing 32×32 piksel dengan kNN k=7 Resizing 32×32 piksel Skala Hasil Presentase (%) 92,5% 96 97,5% 99 102,5% 100 107,5% 100 112,5% 99 Gambar 4.31 menampilkan hasil terbaik dari pengenalan dengan menggunakan kNN k=7 dan variasi resizing 32×32 piksel. Dapat dilihat bahwa ukuran skala akan mempengaruhi hasil presentase apabila ukurannya kurang dari ukuran skala asli. Ukuran resizing dan jendela ekstraksi ciri juga akan mempengaruhi pengenalan.


84

Tingkat Pengenalan Dengan Skala Dan Resizing 32×32 Piksel Dari k-NN k=7 100


90 80 70 60 50 40

Skala

30 20 10 0 92,5%

97,5%

102,5%

107,5%

112,5%

Skala

Gambar 4.31. Tingkat pengenalan dengan skala dan resizing 32×32 piksel dari k-NN k=7 Faktor kelas k-Nearest Neighbor (k-NN) k=7 juga mempengaruhi pengenalan yang semakin kecil. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k=7, akan membuat banyak perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya. Dari nilai minimum hasil perhitungan jarak tersebut akan mendapatkan nilai sampel sesuai dengan urutan variasi asli, rotasi, dan skala dari dalam database. Nilai variasi urutan sampel dari database tersebut akan mengeluarkan urutan dari motif batik Yogyakarta yang digunakan sebagai keluaran sesuai dengan urutan inisialisasi. Untuk k=7 ini akan mendapatkan urutan inisialisasi citra serta yang perbandingan dari urutan inisialisasi yang paling minimum dari citra yang lain. k=7 ini pengambilan kelasnya tidak menentu dan nilai kelas yang paling banyak muncul akan menjadi keluaran.

4.7.

Kesimpulan Umum Dari Semua Yang Terbaik Dari semua hasil presentase dari hasil pengenalan dan gambar tingkat pengenalan

dapat disimpulkan kelas k-Nearest Neighbor (k-NN) yang paling terbaik adalah yang tidak menggunakan k-Nearest Neighbor (k-NN) atau k=1. Untuk yang menggunakan k-NN yang terbaik adalah k=3. Semakin besar k maka tingkat pengenalannya semakin kecil. Dari data k=1 memang banyak dikenali tetapi k=1 tidak menggunakan k-Nearest Neighbor (k-NN). Dapat disimpulkan dengan menggunakan k-Nearest Neighbor (k-NN) efek tingkat


85

pengenalannya rendah. Tingkat pengenalan yang tinggi adalah dengan tidak menggunakan k-Nearest Neighbor (k-NN). Dengan menggunakan kelas k=1 tanpa menggunakan k-Nearest Neighbor (k-NN) pengenalannya lebih baik, karena pengambilan nilai jarak minimum hanya satu kelas dan tidak ada perbandingan dengan citra yang lainnya. Untuk k=3 ini menggunakan k-Nearest Neighbor (k-NN) akan mendapatkan dua dari urutan inisialisasi citra serta yang sisa satunya adalah perbandingan dari urutan inisialisasi yang paling minimum dari citra yang lain. Nilai urutan dua akan menjadi keluaran di pengenalan ini. Nilai kelas yang paling banyak muncul yang menjadi keluaran. Hal tersebut yang menyebabkan k=3 pengenalannya semakin tinggi dan terbaik dengan menggunakan k-Nearest Neighbor (kNN). Dari penentuan k-Nearest Neighbor (k-NN) terbaik tersebut dibuktikan dengan resizing yang paling terbaik dengan tidak menggunakan k-Nearest Neighbor (k-NN) k=1 adalah variasi resizing 128×128 piksel yang nilai pengenalannya tidak jauh dengan 200×200 piksel dan tingkat pengenalan yang menggunakan k-Nearest Neighbor (k-NN) k=3 variasi resizing 64×64 piksel. Hal ini disebabkan oleh nilai rotasi dari resizing 128×128 piksel yang tidak menggunakan k-Nearest Neighbor (k-NN) dan 64×64 piksel yang menggunakan k-Nearest Neighbor (k-NN) tingkat pengenalannya lebih tinggi dari tingkat pengenalan yang lainnya. Dari kedua variasi resizing terbaik tersebut, tingkat pengenalan rotasi dan skalanya lebih tinggi dari tingkat pengenalan resizing yang lain dapat dilihat di lampiran 20 sampai 37 dibagian yang tidak dimasukkan ke k-Nearest Neighbor (k-NN) k=1 dan menggunakan k-Nearest Neighbor (k-NN) dengan k=3, 5, dan 7. Untuk ekstraksi ciri yang terbaik dari semua variasi yang dibuat adalah 10×10 piksel, karena variasi ini yang paling besar untuk mengambil hasil dari Discrete Cosine Transform Two Dimension (DCT 2-D) disisi kiri atas. Seperti yang sudah dijelaskan sebelumnya semakin besar jendela ekstraksi ciri maka pengenalannya semakin baik. Dapat disimpulkan semakin besar jendela ekstraksi ciri maka tingkat pengenalannya akan tinggi. Dari percobaan yang dilakukan, dapat disimpulkan bahwa nilai parameter yang digunakan dalam melakukan pengenalan motif batik Yogyakarta yang terbaik tanpa menggunakan k-Nearest Neighbor (k-NN) adalah k=1 dengan resizing 128×128 piksel yang tingkat pengenalannya 99,09%. Kelas yang terbaik dengan menggunakan k-Nearest Neighbor (k-NN) adalah k=3 dengan resizing 64×64 piksel serta tingkat pengenalan 94,55%. Variasi jendela ekstraksi ciri terbaik kedua resizing tersebut adalah 10×10 piksel.


BAB V KESIMPULAN DAN SARAN 5.1.

Kesimpulan Berdasarkan penelitian yang telah dilakukan dari tahap perancangan sistem,

implementasi, pengujian sistem, hasil pengujian, dan pembahasan, maka dapat ditarik beberapa kesimpulan sebagai berikut: 1. Pengenalan motif batik Yogyakarta sudah dapat bekerja dengan yang diharapkan. 2. Nilai parameter terbaik dengan tidak menggunakan k-NN k=1 yang mempunyai tingkat pengenalan variasi resizing 128×128 piksel serta variasi jendela ekstraksi ciri 10×10 piksel dengan tingkat pengenalan 99,09%. Nilai parameter terbaik dengan menggunakan k-NN k=3 yang tingkat pengenalan resizing 64×64 piksel serta variasi jendela ekstraksi ciri 10×10 piksel dengan tingkat pengenalan 94,55%. 3. Tingkat pengenalan yang tinggi dan paling terbaik adalah dengan tidak menggunakan k-Nearest Neighbor (k-NN) atau k=1 dengan tingkat pengenalan 99,09%.

5.2.

Saran Saran yang dapat diberikan untuk mengembangkan aplikasi ini adalah:

1. Batik tidak hanya 20 motif batik Yogyakarta saja, tetapi semua jenis motif batik yang ada misalnya di Daerah Istimewa Yogyakarta, Solo, dan Pekalongan. 2. Untuk pengambilan citra masukan secara realtime dan menggunakan webcam.

86


DAFTAR PUSTAKA [1]

Widyastuti, Agatha., 2010, Pengenalan Motif Batik Yogyakarta dengan Metode Linear Discriminant Analysis (LDA)(Studi Kasus di Museum Batik Yogyakarta), Universitas Sanata Dharma, Yogyakarta.

[2]

Ismadi, 2011., Seni Kerajinan/Kriya Batik, Pendidikan Seni Kerajinan Jurusan Pendidikan Seni Rupa FBS Universitas Negeri Yogyakarta, Yogyakarta.

[3]

Sobandi, Bandi., 2008, Dasar-dasar Batik, Jurusan Pendidikan Seni Rupa FBPS Universitas Pendidikan Indonesia, Bandung.

[4]

http://elista.akprind.ac.id/upload/files/5361_Modul2.pdf, diakses 13 April 2014.

[5]

Basuki, Achmad., Palandi, F. jozua & Fatchrrochman., 2005, Pengolahan Citra Menggunakan Visual Basic, Graha Ilmu, Yogyakarta.

[6]

Alfatah, Hanif., 2007, Konversi Format Citra RGB ke Graysacle Menggunakan Visual Basic, STMIK AMIKOM, Yogyakarta.

[7]

Mabrur, Andik., 2011, Pengolahan Citra Digital Menggunakan MATLAB, Latex, Tulungagung.

[8]

Putra, Darma., 2010, Pengolahan Citra Digital, Andi Offset, Yogyakarta.

[9]

http://repository.usu.ac.id/bitstream/123456789/29363/3/Chapter%20III-V.pdf, diakses 17 April 2014.

[10]

Sumarno, Linggo., 2007, Pengenalan Huruf Tulisan Tangan Berderau dan Terskala Berbasis Ekstraksi Ciri DCT dengan Menggunakan Jaringan Syaraf Probabilistik. Universitas Sanata Dharma, Yogyakarta, SIGMA., vol. 10, no 2, hal 185-197.

[11]

Cha, Sung-Hyuk., 2007, Comprehensive Survey on Distance/Similarity Measures between Probability Density Functions., vol. 1, no 23, hal 302-303.

[12]

Anil K. Jain, Fellow, Robert P.W. Duin, dan Jianchang Mao., 2000, Statistical Pattern Recognition: A Review, IEEE Transactions On Pattern Analysis And Machine Intelligence., vol. 22, no 1, hal 5-6.

[13]

Wardhana, Aditya Wisnu,, Prayudi, Yudi., 2008, Penggunaan metode templete matching untuk identifikasi kecacatan pada PCB, Seminar Nasional Aplikasi Teknologi Informasi, Fakultas Teknologi Industri Universitas Islam Indonesia, Yogyakarta.

87

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI [14]

88

Theodoridis, Sergios, and Koutroumbas, Konstantinos., 2009, Pattern Recognition, Fourth edition, Elsivier Academic Press, UK.


LAMPIRAN

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI L1 Variasi rotasi dan penskalaan pada citra motif batik Yogyakarta yang dimasukkan kedalam database

Contoh Rotasi: Motif 1 Rotasi -10°

Rotasi 0°

Rotasi -5°

Rotasi 10°

Rotasi 5°

50

50

50

50

50

100

100

100

100

100

150

150

150 200

200 50

100 150 200

50

100 150 200

200

200

200

50

150

150

100

150

50

200

50

100 150 200

100 150 200

Motif 2 Rotasi -10°

Rotasi -5°

Rotasi 5°

Rotasi 0°

Rotasi 10°

50

50

50

50

50

100

100

100

100

100

150

150

150

150

150

200

200

200

200

200

50

100 150 200

50

100 150 200

50

100

150

200

50

100 150 200

50

100 150 200

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI L2 Contoh Penskalaan: Motif 1 Penskalaan 90%

Penskalaan 95%

Penskalaan 110%

Penskalaan 105%

Penskalaan 100%

50

50

50

50

50

100

100

100

100

100

150

150 100

150

50

100

50

150

200

200

200

50

150

150

150

100

150

50

200

100

150

50

200

100

150

200

Motif 2 Penskalaan 95%

Penskalaan 90%

50

50

50

100

100

100

150

150

150

Penskalaan 105%

Penskalaan 100%

Penskalaan 110%

50

50

100

100

150

150

200

200

50

100

150

50

100

150

200 50

100

150

200

50

100

150

200

50

100

150

200

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI L3 Variasi rotasi dan penskalaan pada citra motif batik Yogyakarta yang tidak dimasukkan ke dalam database

Contoh Rotasi: Motif 1 Rotasi -12.5° 50 100 150

50

50

50

100

100

100

150

150

200

200

150

200

200

50 100 150 200

50

Rotasi 7.5°

100 150 200

Rotasi 12.5°

50

50

100

100 150

150

200

200 50

100 150 200

Rotasi 2.5°

Rotasi -2.5°

Rotasi -7.5°

50 100 150 200

50

100 150 200

50

100 150 200

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI L4 Contoh Penskalaan: Motif 1 Penskalaan 97,5%

Penskalaan 92,5%

50 100 150 50

100

Penskalaan 102,5%

Penskalaan 112,5%

Penskalaan 107,5%

50

50

50

50

100

100

100

100

150

150

150

150

200

200

50

150

100

150

50

100

150

200

200

50

50

100 150 200

100 150 200

Motif 2 Penskalaan 97,5%

Penskalaan 92,5%

Penskalaan 102,5%

Penskalaan 112,5%

Penskalaan 107,5%

50

50

50

50

50

100

100

100

100

100

150

150

150

150

200

200

150 50

100

150

50

100

150

50

100

150

200

200 50

100 150 200

50

100 150 200

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI LAMPIRAN LISTING PROGRAM UTAMA function varargout = ta(varargin) % TA M-file for ta.fig % TA, by itself, creates a new TA or raises the existing % singleton*. % % H = TA returns the handle to a new TA or the handle to % the existing singleton*. % % TA('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in TA.M with the given input arguments. % % TA('Property','Value',...) creates a new TA or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before ta_OpeningFunction gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to ta_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help ta % Last Modified by GUIDE v2.5 14-Feb-2015 10:18:40 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @ta_OpeningFcn, ... 'gui_OutputFcn', @ta_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before ta is made visible. function ta_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

L5

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI % varargin command line arguments to ta (see VARARGIN) % Choose default command line output for ta handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes ta wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = ta_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output; %============================== Variasi Resizing ========================== % --- Executes on selection change in popupmenu1. function popupmenu1_Callback(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns popupmenu1 contents as cell array % contents{get(hObject,'Value')} returns selected item from popupmenu1 indeks=get(handles.popupmenu1,'Value'); switch indeks case 2 resizing=200; case 3 resizing=128; case 4 resizing=64; case 5 resizing=32; case 6 resizing=16; end handles.resizing=resizing; guidata(hObject,handles); % --- Executes during object creation, after setting all properties. function popupmenu1_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white');

L6

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI end %====================== Variasi Jendela ekstraksi ciri ==================== % --- Executes on selection change in popupmenu2. function popupmenu2_Callback(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = get(hObject,'String') returns popupmenu2 contents as cell array % contents{get(hObject,'Value')} returns selected item from popupmenu2 indeks=get(handles.popupmenu2,'Value'); switch indeks case 2 jendela=4; case 3 jendela=5; case 4 jendela=6; case 5 jendela=7; case 6 jendela=8; case 7 jendela=9; case 8 jendela=10; end handles.jendela=jendela; guidata(hObject,handles); % --- Executes during object creation, after setting all properties. function popupmenu2_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of edit1 as a double

% --- Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

L7


% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function edit2_Callback(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit2 as text % str2double(get(hObject,'String')) returns contents of edit1 as a double

% --- Executes during object creation, after setting all properties. function edit2_CreateFcn(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function edit3_Callback(hObject, eventdata, handles) % hObject handle to edit3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit3 as text % str2double(get(hObject,'String')) returns contents of edit3 as a double % --- Executes during object creation, after setting all properties. function edit3_CreateFcn(hObject, eventdata, handles) % hObject handle to edit3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

%=============Tombol Pencarian dan Nama dari batik yang dipilih============ % --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

L8


L9

[filename, pathname] = uigetfile({'*.bmp'}, 'File Selector'); %memanggil file selector charfilename = char(filename) set(handles.edit3,'string',charfilename); %nama dari batik yang dipilih dari file selector axes(handles.axes6); %menampilkan simbol tak ada suara img5=imread ('speaker volume mute copy.jpg'); imshow(img5) axes(handles.axes1); img0=imread (charfilename); imshow(img0) axis on handles.img0=img0; guidata(hObject,handles);

%menampilkan citra yang dipilih user

%===============================Tombol Proses============================== % --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) %=================================Proses Grayscale========================= img0=handles.img0; img1=rgb2gray(img0); %Konversi RGB ke Gray axes(handles.axes2); imshow(img1) axis on %================================Proses Resizing=========================== resizing=handles.resizing; if (resizing==200) img2=imresize(img1,[200 200]); elseif (resizing==128) img2=imresize(img1,[128 128]); elseif (resizing==64) img2=imresize(img1,[64 64]); elseif (resizing==32) img2=imresize(img1,[32 32]); elseif (resizing==16) img2=imresize(img1,[16 16]); end axes(handles.axes3); imshow(img2) axis on %================================Proses DCT================================ img2=double(img2)/255; img3=abs(dct2(img2)); axes(handles.axes4); imshow(img3) axis on %================================Proses Window============================= jendela=handles.jendela; img4=img3(1:jendela,1:jendela); axes(handles.axes5);


L10

imshow(img4) axis on %==============================Pemilihan database========================== resizing=handles.resizing; jendela=handles.jendela; if (resizing==200) &(jendela==4) load x200ciri16; elseif (resizing==200) &(jendela==5) load x200ciri25; elseif (resizing==200) &(jendela==6) load x200ciri36; elseif (resizing==200) &(jendela==7) load x200ciri49; elseif (resizing==200) &(jendela==8) load x200ciri64; elseif (resizing==200) &(jendela==9) load x200ciri81; elseif (resizing==200) &(jendela==10) load x200ciri100; elseif (resizing==128) &(jendela==4) load x128ciri16; elseif (resizing==128) &(jendela==5) load x128ciri25; elseif (resizing==128) &(jendela==6) load x128ciri36; elseif (resizing==128) &(jendela==7) load x128ciri49; elseif (resizing==128) &(jendela==8) load x128ciri64; elseif (resizing==128) &(jendela==9) load x128ciri81; elseif (resizing==128) &(jendela==10) load x128ciri100; elseif (resizing==64) load x64ciri16; elseif (resizing==64) load x64ciri25; elseif (resizing==64) load x64ciri36; elseif (resizing==64) load x64ciri49; elseif (resizing==64) load x64ciri64; elseif (resizing==64) load x64ciri81; elseif (resizing==64) load x64ciri100;

&(jendela==4) &(jendela==5) &(jendela==6) &(jendela==7) &(jendela==8) &(jendela==9) &(jendela==10)

elseif (resizing==32) &(jendela==4) load x32ciri16; elseif (resizing==32) &(jendela==5) load x32ciri25; elseif (resizing==32) &(jendela==6) load x32ciri36;

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI elseif (resizing==32) load x32ciri49; elseif (resizing==32) load x32ciri64; elseif (resizing==32) load x32ciri81; elseif (resizing==32) load x32ciri100;

&(jendela==7)

elseif (resizing==16) load x16ciri16; elseif (resizing==16) load x16ciri25; elseif (resizing==16) load x16ciri36; elseif (resizing==16) load x16ciri49; elseif (resizing==16) load x16ciri64; elseif (resizing==16) load x16ciri81; elseif (resizing==16) load x16ciri100; end

&(jendela==4)

L11

&(jendela==8) &(jendela==9) &(jendela==10)

&(jendela==5) &(jendela==6) &(jendela==7) &(jendela==8) &(jendela==9) &(jendela==10)

%=========================== Perhitungan Jarak ============================ y=img4(:); for n=1:180 %banyaknya sampel database r(n)=fjarak(y,z(:,n)); end %============================Pembagian kelas KNN=========================== k=7; % k pada knn m=9; % Jumlah sampel per kelas [s1,s2]=sort(r,'ascend') % s urut naik (fungsi jarak) kn=s2(1:k) % Pilih k nearest neighbour hk=ceil(kn/m) % Penentuan kelas-kelas yang terpilih x1=modus(hk); % Pilih kelas yang paling sering muncul

%=======================Deskripsi string inisialisasi====================== y1={'Ceplok_Dempel';'Ceplok_Kece';'Kawung_Galar';'Kawung_Kembang_Cempoko_Hitam';'Kawu ng_Picis';'Lereng_Kusuma';'Nitik_Cengkeh';'Parang_Barong';'Parang_Curigo';'Parang_Kawung_Pi cis';'Parang_Kembang_Sawut_Cecek';'Parang_Keris';'Parang_Klitik';'Parang_Kunci';'Parang_Kusu mo_Ukel';'Parang_Pancing';'Parang_Tuding';'Parisewuli_Seling_Pamor';'Tambal';'Truntum'}; %=========================Penentuan keluaran minimum======================= b1=y1(x1); set(handles.edit1,'string',b1); %======================Penentuan Keluaran Suara============================ if (x1==1); y=wavread('Ceplok_Dempel1.wav'); sound(y,8000) elseif (x1==2); y=wavread('Ceplok_Kece1.wav'); sound(y,8000)


L12

elseif (x1==3); y=wavread('Kawung_Galar1.wav'); sound(y,8000) elseif (x1==4); y=wavread('Kawung_Kembang_Cempoko_Hitam1.wav'); sound(y,8000) elseif (x1==5); y=wavread('Kawung_Picis1.wav'); sound(y,8000) elseif (x1==6); y=wavread('Lereng_Kusuma1.wav'); sound(y,8000) elseif (x1==7); y=wavread('Nitik_Cengkeh1.wav'); sound(y,8000) elseif (x1==8); y=wavread('Parang_Barong1.wav'); sound(y,8000) elseif (x1==9); y=wavread('Parang_Curigo1.wav'); sound(y,8000) elseif (x1==10); y=wavread('Parang_Kawung_Picis1.wav'); sound(y,8000) elseif (x1==11); y=wavread('Parang_Kembang_Sawut_Cecek1.wav'); sound(y,8000) elseif (x1==12); y=wavread('Parang_Keris1.wav'); sound(y,8000) elseif (x1==13); y=wavread('Parang_Klitik1.wav'); sound(y,8000) elseif (x1==14); y=wavread('Parang_Kunci1.wav'); sound(y,8000) elseif (x1==15); y=wavread('Parang_Kusumo_Ukel1.wav'); sound(y,8000) elseif (x1==16); y=wavread('Parang_Pancing1.wav'); sound(y,8000) elseif (x1==17); y=wavread('Parang_Tuding1.wav'); sound(y,8000) elseif (x1==18); y=wavread('Parisewuli_Seling_Pamor1.wav'); sound(y,8000) elseif (x1==19); y=wavread('Tambal1.wav'); sound(y,8000) elseif (x1==20); y=wavread('Truntum1.wav'); sound(y,8000) end %==============================Keluaran Gambar Suara======================= axes(handles.axes6); img0=imread ('speaker-volume copy.jpg'); %simbol bila ada suara


L13

imshow(img0) %==============================Tombol Reset================================ % --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) delete(figure(TA)); figure(TA); %==============================Tombol Selesai============================== % --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) % hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) delete(figure(TA));

Listing Program Database function dbxciriz % Pembuatan database ekstraksi ciri % Variasi database % 1. Ukuran citra 200x200 piksel z=[]; z=prosesxc(4,200); save x200ciri16 z ; z=[]; z=prosesxc(5,200); save x200ciri25 z ; z=[]; z=prosesxc(6,200); save x200ciri36 z ; z=[]; z=prosesxc(7,200); save x200ciri49 z ; z=[]; z=prosesxc(8,200); save x200ciri64 z ; z=[]; z=prosesxc(9,200); save x200ciri81 z ; z=[]; z=prosesxc(10,200); save x200ciri100 z ; % 2. Ukuran citra 128x128 piksel z=[]; z=prosesxc(4,128); save x128ciri16 z ; z=[]; z=prosesxc(5,128); save x128ciri25 z ; z=[]; z=prosesxc(6,128); save x128ciri36 z ; z=[]; z=prosesxc(7,128); save x128ciri49 z ; z=[]; z=prosesxc(8,128); save x128ciri64 z ; z=[]; z=prosesxc(9,128); save x128ciri81 z ; z=[]; z=prosesxc(10,128); save x128ciri100 z ; % 3. Ukuran citra 64x64 piksel z=[]; z=prosesxc(4,64); save x64ciri16 z ; z=[]; z=prosesxc(5,64); save x64ciri25 z ; z=[]; z=prosesxc(6,64); save x64ciri36 z ; z=[]; z=prosesxc(7,64); save x64ciri49 z ; z=[]; z=prosesxc(8,64); save x64ciri64 z ; z=[]; z=prosesxc(9,64); save x64ciri81 z ; z=[]; z=prosesxc(10,64); save x64ciri100 z ;

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI % 4. Ukuran citra 32x32 piksel z=[]; z=prosesxc(4,32); save x32ciri16 z ; z=[]; z=prosesxc(5,32); save x32ciri25 z ; z=[]; z=prosesxc(6,32); save x32ciri36 z ; z=[]; z=prosesxc(7,32); save x32ciri49 z ; z=[]; z=prosesxc(8,32); save x32ciri64 z ; z=[]; z=prosesxc(9,32); save x32ciri81 z ; z=[]; z=prosesxc(10,32); save x32ciri100 z ; % 5. Ukuran citra 16x16 piksel z=[]; z=prosesxc(4,16); save x16ciri16 z ; z=[]; z=prosesxc(5,16); save x16ciri25 z ; z=[]; z=prosesxc(6,16); save x16ciri36 z ; z=[]; z=prosesxc(7,16); save x16ciri49 z ; z=[]; z=prosesxc(8,16); save x16ciri64 z ; z=[]; z=prosesxc(9,16); save x16ciri81 z ; z=[]; z=prosesxc(10,16); save x16ciri100 z ; % =============================================== % Internal Function % =============================================== function z=prosesxc(w,rz) z=[]; x=imread('Ceplok_Dempel.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_5°.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_-5°.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_10°.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_-10°.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_90%.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_95%.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_105%.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Dempel_110%.bmp');y=xciriz(x,w,rz);z=[z y(:)]; x=imread('Ceplok_Kece.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_-5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_-10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Ceplok_Kece_110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_-5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_-10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Galar_110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)];

L14

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI x=imread('Kawung_Kembang_Cempoko_Hitam 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Kembang_Cempoko_Hitam 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_-5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_-10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Kawung_Picis_110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Lereng_Kusuma 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Nitik_Cengkeh 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Barong 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Curigo 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis.bmp'); y=xciriz(x,w,rz); z=[z y(:)];

L15

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI x=imread('Parang_Kawung_Picis 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kawung_Picis 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kembang_Sawut_Cecek 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Keris 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Klitik 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kunci 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Kusumo_Ukel 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)];

L16


x=imread('Parang_Pancing.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Pancing 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parang_Tuding 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Parisewuli_Seling_Pamor 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Tambal 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum 5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum -5°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum 10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum -10°.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum 90%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum 95%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum 105%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; x=imread('Truntum 110%.bmp'); y=xciriz(x,w,rz); z=[z y(:)]; % ===============================================

Listing Program Fungsi Jarak Dice function y=dice(P,Q) r1=sum((P-Q).^2); r2=sum(P.^2);

L17

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI r3=sum(Q.^2); y=r1/(r2+r3);

Listing Program Modus function y=modus(x) % Mencari nilai yang paling sering muncul versi 2 N=length(x); if N==1 y=x; else terus1=1; m=1; while terus1==1 a=find(x==x(1)); b(m,:)=[length(a) x(1)]; m=m+1; x(a)=[]; c=isempty(x); if c==1 terus1=0; end end d=sortrows(b,1); e=find(d(:,1)==max(d(:,1))); f=d(e,:); y=f(1,2); end

Listing Ekstraksi Ciri function z=xciriz(x0,w,rz) % Preprocessing % ------------% Konversi rgb ke gray x1=double(rgb2gray(x0)); % Normalisasi x2=x1/255; % Resizing ke rzxrz piksel x3=imresize(x2,[rz rz]); % Ekstraksi ciri % -------------% DCT y=abs(dct2(x3)); % Ambil yang perlu secara window z=y(1:w,1:w); % ===============================================

L18


L19

Presentase Tingkat Pengenalan (%) A. Untuk Kelas k=1(Tidak Dimasukkan Ke Database) Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 85% 90% 95% 100% 85% 80% 89%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 90% 90% 100% 100% 85% 80% 91%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 85% 90% 65% 70% 80% 80% 78%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 75% 90% 35% 20% 70% 70% 60%

Resizing 200 × 200 Presentase Tingkat Pengenalan (%) 5×5 6×6 7×7 8×8 9×9 95% 95% 95% 95% 95% 100% 100% 100% 95% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 95% 100% 95% 95% 95% 95% 95% 98%

98%

98%

97%

98%


98%

98%

98%

98%


97%

98%

98%

98%


85%

88%

90%

94%

Jumlah

10 × 10 95% 100% 100% 100% 100% 95%

94% 98% 99% 100% 97% 93%

98%

Jumlah

10 × 10 95% 100% 100% 100% 100% 95%

94% 99% 100% 100% 98% 92%

98%

Jumlah

10 × 10 95% 100% 100% 100% 100% 95%

94% 99% 93% 91% 97% 92%

98%

Jumlah

10 × 10 95% 100% 90% 95% 95% 90% 94%

86% 99% 72% 72% 92% 86%


Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 50% 45% 20% 30% 50% 50% 41%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 60% 45% 100% 100% 100% 81%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 60% 50% 100% 100% 100% 82%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 70% 35% 100% 100% 100% 81%


59%

63%

68%

72%

Resizing 200 × 200 Presentase Tingkat Pengenalan (%) 5×5 6×6 7×7 8×8 9×9 95% 95% 100% 100% 100% 75% 85% 85% 95% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 94%

96%

97%

99%

100%


96%

100%

100%

100%


92%

95%

96%

99%

L20

Jumlah

10 × 10 70% 95% 55% 75% 80% 65%

65% 80% 41% 52% 73% 59%

73%

Jumlah

10 × 10 100% 100% 100% 100% 100%

93% 84% 100% 100% 100%

100%

Jumlah

10 × 10 100% 100% 100% 100% 100%

92% 86% 100% 100% 100%

100%

Jumlah

10 × 10 100% 95% 100% 100% 100% 99%

96% 70% 100% 100% 100%


Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 95% 90% 100% 100% 100% 97%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 90% 90% 95% 95% 90% 92%


100%

98%

99%

99%


97%

94%

97%

96%

L21

Jumlah

10 × 10 100% 100% 100% 100% 100%

99% 99% 99% 100% 99%

100%

Jumlah

10 × 10 100% 90% 100% 100% 100%

94% 93% 95% 99% 97%

98%

B. Untuk Kelas k=3 (Dimasukkan Ke Database) Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 95% 95% 100% 100% 90% 96%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 95% 95% 100% 100% 90% 96%


96%

97%

96%

95%


98%

96%

96%

93%

Jumlah

10 × 10 80% 95% 100% 100% 95%

91% 97% 100% 100% 92%

94%

Jumlah

10 × 10 80% 95% 100% 100% 95% 94%

89% 97% 100% 100% 93%


Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 95% 100% 100% 100% 90% 97%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 100% 95% 95% 95% 95% 96%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 100% 100% 95% 90% 95% 96%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 95% 85% 100% 100% 100% 96%


98%

98%

96%

94%


96%

98%

94%

92%


93%

86%

89%

86%


100%

100%

100%

100%

L22

Jumlah

10 × 10 85% 95% 100% 100% 95%

92% 98% 100% 99% 94%

95%

Jumlah

10 × 10 85% 90% 100% 90% 90%

94% 94% 99% 95% 95%

91%

Jumlah

10 × 10 75% 80% 95% 95% 85%

87% 92% 91% 89% 91%

86%

Jumlah

10 × 10 100% 100% 100% 100% 100% 100%

99% 97% 100% 100% 100%


Skala 90% 95% 100% 105% 110% Jumlah

4×4 95% 85% 100% 100% 100% 96%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 95% 95% 100% 100% 100% 98%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 100% 95% 95% 100% 95% 97%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 100% 90% 95% 90% 80% 91%


99%

100%

100%

100%


99%

99%

99%

99%


99%

99%

99%

100%


94%

93%

96%

93%

L23

Jumlah

10 × 10 100% 100% 100% 100% 100%

99% 96% 100% 100% 100%

100%

Jumlah

10 × 10 100% 100% 100% 100% 100%

99% 96% 100% 100% 100%

100%

Jumlah

10 × 10 100% 100% 100% 100% 95%

100% 99% 99% 100% 96%

99%

Jumlah

10 × 10 100% 85% 95% 95% 95% 94%

99% 87% 91% 98% 91%


L24

(Tidak Dimasukkan Ke Database) Resizing 200 × 200 Presentase Tingkat Pengenalan (%) Rotasi Jumlah 4×4 5×5 6×6 7×7 8×8 9 × 9 10 × 10 -12,5° 71% 75% 75% 75% 70% 70% 60% 70% -7,5° 91% 80% 90% 95% 90% 90% 100% 95% -2,5° 94% 75% 90% 95% 100% 100% 100% 100% 93% 2,5° 70% 90% 95% 95% 100% 100% 100% 7,5° 91% 80% 90% 90% 95% 95% 95% 95% 12,5° 66% 60% 70% 60% 65% 65% 70% 75% Jumlah 73% 84% 85% 86% 87% 88% 89%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 75% 85% 70% 75% 75% 70% 75%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 75% 75% 40% 45% 70% 70% 63%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 70% 85% 30% 20% 65% 55% 54%


83%

87%

87%

87%


81%

86%

86%

89%


76%

83%

83%

84%

Jumlah

10 × 10 75% 95% 100% 100% 95% 70%

73% 94% 93% 92% 91% 66%

89%

Jumlah

10 × 10 75% 95% 100% 100% 100% 80%

73% 92% 81% 82% 92% 71%

92%

Jumlah

10 × 10 85% 95% 85% 90% 90% 80% 88%

78% 91% 64% 65% 89% 74%


Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 55% 50% 25% 35% 45% 45% 43%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 75% 55% 100% 100% 100% 86%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 90% 60% 100% 100% 100% 90%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 85% 40% 100% 100% 100% 85%


48%

59%

60%

60%


96%

97%

98%

99%


97%

98%

99%

99%


93%

95%

96%

98%

L25

Jumlah

10 × 10 70% 70% 55% 65% 70% 60%

56% 74% 41% 44% 67% 53%

65%

Jumlah

10 × 10 100% 95% 100% 100% 100%

96% 82% 100% 100% 100%

99%

Jumlah

10 × 10 100% 95% 100% 100% 100%

99% 86% 100% 100% 100%

99%

Jumlah

10 × 10 100% 90% 100% 100% 100% 98%

98% 71% 100% 100% 100%


Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 95% 95% 100% 100% 100% 98%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 90% 90% 95% 95% 70% 88%


99%

97%

97%

99%


92%

91%

94%

L26

Jumlah

10 × 10 100% 100% 100% 100% 100%

98% 98% 99% 100% 98%

100%

Jumlah

10 × 10 100% 90% 100% 100% 95%

96%

97%

Resizing 200 × 200 Presentase Tingkat Pengenalan (%) 5×5 6×6 7×7 8×8 9×9 90% 85% 90% 85% 80% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 85% 85% 85% 85% 85%

10 × 10 80% 100% 100% 100% 85%

94% 91% 97% 99% 82%

C. Untuk Kelas k=5 (Dimasukkan Ke Database) Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 85% 90% 100% 100% 85% 92%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 90% 95% 100% 100% 85% 94%

95%

94%

95%

94%

93%


93%

93%

92%

92%

Jumlah 85% 99% 100% 100% 85%

93%

Jumlah

10 × 10 75% 100% 100% 100% 80% 91%

81% 99% 100% 100% 84%


Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 85% 100% 100% 100% 90% 95%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 90% 100% 90% 95% 90% 93%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 85% 90% 90% 90% 70% 85%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 75% 55% 100% 100% 100% 86%


94%

93%

92%

91%


93%

91%

91%

88%


81%

81%

83%

86%


93%

99%

99%

99%

L27

Jumlah

10 × 10 75% 100% 100% 100% 80%

80% 100% 100% 100% 84%

91%

Jumlah

10 × 10 75% 95% 95% 95% 80%

86% 97% 94% 96% 84%

88%

Jumlah

10 × 10 75% 95% 90% 95% 65%

75% 90% 89% 92% 69%

84%

Jumlah

10 × 10 100% 100% 100% 100% 100% 100%

91% 89% 100% 100% 100%


Skala 90% 95% 100% 105% 110% Jumlah

4×4 70% 55% 100% 100% 100% 85%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 55% 70% 100% 100% 100% 85%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 90% 95% 90% 95% 100% 94%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 100% 85% 90% 90% 80% 89%


91%

95%

95%

99%


97%

99%

99%

99%


97%

97%

97%

98%


89%

86%

87%

89%

L28

Jumlah

10 × 10 100% 100% 100% 100% 100%

90% 81% 100% 100% 100%

100%

Jumlah

10 × 10 100% 100% 100% 100% 100%

89% 96% 100% 100% 100%

100%

Jumlah

10 × 10 100% 100% 95% 95% 95%

99% 98% 94% 95% 97%

97%

Jumlah

10 × 10 85% 90% 90% 90% 90% 89%

90% 84% 89% 94% 84%


L29

(Tidak Dimasukkan Ke Database) Resizing 200 × 200 Presentase Tingkat Pengenalan (%) Rotasi Jumlah 4×4 5×5 6×6 7×7 8×8 9 × 9 10 × 10 -12,5° 66% 60% 70% 70% 70% 60% 65% 65% 96% -7,5° 90% 95% 95% 95% 95% 100% 100% -2,5° 85% 45% 85% 85% 95% 95% 95% 95% 86% 2,5° 40% 85% 90% 95% 95% 100% 100% 7,5° 95% 80% 100% 100% 90% 95% 100% 100% 12,5° 69% 60% 80% 70% 70% 65% 70% 70% Jumlah 63% 86% 85% 86% 84% 88% 88%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 65% 85% 45% 45% 80% 60% 63%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 65% 90% 30% 20% 70% 55% 55%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 60% 85% 30% 15% 70% 55% 53%


84%

83%

85%

85%


78%

83%

83%

83%


71%

74%

78%

79%

Jumlah

10 × 10 65% 100% 95% 100% 100% 70%

67% 94% 82% 85% 94% 69%

88%

Jumlah

10 × 10 65% 100% 95% 95% 100% 70%

66% 94% 74% 75% 91% 69%

88%

Jumlah

10 × 10 55% 100% 90% 90% 90% 70% 83%

62% 92% 64% 64% 82% 67%


Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 40% 60% 20% 30% 55% 35% 40%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 100% 55% 100% 100% 100% 91%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 100% 60% 100% 100% 100% 92%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 90% 35% 100% 100% 100% 85%


52%

56%

60%

58%


95%

96%

98%

98%


95%

97%

98%

99%


92%

93%

97%

97%

L30

Jumlah

10 × 10 45% 80% 50% 75% 75% 45%

44% 73% 42% 45% 69% 46%

62%

Jumlah

10 × 10 100% 95% 100% 100% 100%

99% 79% 100% 100% 100%

99%

Jumlah

10 × 10 100% 95% 100% 100% 100%

99% 82% 100% 100% 100%

99%

Jumlah

10 × 10 100% 85% 100% 100% 100% 97%

98% 67% 100% 100% 100%


Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 85% 90% 95% 100% 100% 94%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 85% 85% 95% 85% 65% 83%


98%

97%

97%

97%


89%

86%

90%

90%

L31

Jumlah

10 × 10 100% 95% 95% 100% 100%

96% 94% 95% 100% 99%

98%

Jumlah

10 × 10 95% 90% 90% 100% 85%

89% 86% 93% 95% 79%

92%

D. Untuk Kelas k=7 (Dimasukkan Ke Database) Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 85% 95% 95% 90% 95% 92%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 90% 95% 95% 95% 95% 94%


96%

97%

94%

94%


96%

96%

94%

93%

Jumlah

10 × 10 85% 100% 100% 100% 90%

89% 99% 97% 99% 90%

95%

Jumlah

10 × 10 85% 100% 100% 100% 85% 94%

90% 99% 96% 99% 89%


Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 85% 100% 100% 100% 95% 96%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 85% 100% 90% 95% 90% 92%

Rotasi -10° -5° 0° 5° 10° Jumlah

4×4 75% 90% 75% 90% 85% 83%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 65% 30% 95% 95% 95% 76%


95%

97%

96%

94%


95%

92%

89%

89%


82%

87%

87%

88%


84%

92%

92%

98%

L32

Jumlah

10 × 10 80% 100% 100% 100% 90%

87% 100% 100% 100% 91%

94%

Jumlah

10 × 10 75% 95% 100% 90% 80%

85% 96% 97% 94% 86%

88%

Jumlah

10 × 10 70% 90% 90% 90% 75%

78% 91% 84% 96% 78%

83%

Jumlah

10 × 10 95% 90% 100% 100% 100% 97%

84% 71% 97% 97% 98%


Skala 90% 95% 100% 105% 110% Jumlah

4×4 70% 20% 95% 95% 95% 75%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 60% 80% 100% 100% 100% 88%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 55% 80% 90% 100% 100% 85%

Skala 90% 95% 100% 105% 110% Jumlah

4×4 90% 80% 75% 90% 80% 83%


85%

89%

89%

96%


97%

97%

99%

99%


98%

100%

98%

99%


86%

85%

86%

88%

L33

Jumlah

10 × 10 100% 85% 100% 100% 100%

87% 65% 96% 96% 96%

97%

Jumlah

10 × 10 100% 100% 100% 100% 100%

87% 96% 100% 100% 99%

100%

Jumlah

10 × 10 100% 100% 100% 100% 100%

91% 94% 97% 100% 99%

100%

Jumlah

10 × 10 90% 85% 90% 100% 80% 89%

87% 81% 84% 93% 84%


L34

(Tidak Dimasukkan Ke Database) Resizing 200 × 200 Presentase Tingkat Pengenalan (%) Rotasi Jumlah 4×4 5×5 6×6 7×7 8×8 9 × 9 10 × 10 -12,5° 72% 70% 85% 70% 70% 70% 70% 70% -7,5° 94% 85% 85% 95% 95% 95% 100% 100% -2,5° 84% 30% 80% 85% 100% 95% 95% 100% 2,5° 89% 50% 85% 95% 95% 100% 100% 100% 90% 7,5° 75% 85% 90% 90% 95% 95% 100% 12,5° 79% 65% 90% 85% 80% 80% 75% 75% Jumlah 63% 85% 87% 88% 89% 89% 91%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 70% 70% 35% 55% 65% 75% 62%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 75% 75% 30% 20% 60% 65% 54%

Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 55% 75% 30% 30% 70% 60% 53%


82%

88%

88%

90%


73%

86%

88%

90%


73%

76%

80%

86%

Jumlah

10 × 10 70% 100% 95% 95% 100% 75%

73% 90% 80% 87% 88% 79%

89%

Jumlah

10 × 10 70% 95% 100% 100% 100% 70%

72% 91% 71% 76% 88% 76%

89%

Jumlah

10 × 10 70% 100% 90% 95% 90% 65% 85%

69% 91% 65% 71% 84% 68%


Rotasi -12,5° -7,5° -2,5° 2,5° 7,5° 12,5° Jumlah

4×4 35% 50% 20% 40% 70% 30% 41%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 95% 75% 95% 95% 95% 91%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 95% 85% 95% 95% 95% 93%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 90% 45% 100% 100% 100% 87%


53%

58%

59%

62%


93%

98%

97%

97%


94%

95%

96%

97%


93%

95%

95%

96%

L35

Jumlah

10 × 10 40% 85% 65% 70% 90% 55%

43% 71% 48% 46% 83% 48%

68%

Jumlah

10 × 10 100% 90% 100% 100% 100%

97% 87% 97% 98% 98%

98%

Jumlah

10 × 10 100% 90% 100% 100% 95%

99% 88% 96% 96% 95%

97%

Jumlah

10 × 10 100% 85% 100% 100% 100% 97%

95% 72% 99% 100% 100%


Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 80% 95% 100% 100% 100% 95%

Skala 92,5% 97,5% 102,5% 107,5% 112,5% Jumlah

4×4 75% 80% 85% 80% 70% 78%


99%

99%

99%

100%


86%

81%

79%

84%

L36

Jumlah

10 × 10 100% 100% 100% 100% 100%

96% 99% 100% 100% 99%

100%

Jumlah

10 × 10 100% 80% 95% 95% 70% 88%

85% 74% 91% 91% 69%


Citra Masukan

Nilai matrik dari citra masukan akan di masukan kedalam fungsi double (rgb2gray).

50

Citra hasil: double (rgb2gray)

50

100

100

150

150

200

L37

200

50

100

150

200

50

100

150

200

Kemudian dari hasil fungsi double (rgb2gray) akan di normalisasi dengan nilai matrik per titiknya dibagi 255. Citra hasil double rgb2gray/255

Citra hasil resizing

Kemudian hasil dari normalisasi tersebut akan di resizing sesuai ukuran variasi (Contoh ini menggunakan variasi 128 × 128 piksel) dengan fungsi imresize.

50

100

150

200 50

100

150

20 40 60 80 100 120 20 40 60 80 100120

200

Selanjutnya hasil resizing akan masuk ke dalam proses ekstraksi ciri DCT Hasil DCT

Variasi Jendela Ekstraksi Ciri 4×4

20

2 4

40 60

24

80 100 120 20 40 60 80 100120

5×5

6×6

2 4 6

2 4 24

7×7

246

8×8

246

9×9 2 4 6 8

2 4 6 8

2 4 6

2468

10×10 2 4 6 8 10

2468

246810


L38

Hasil DCT untuk nilai parameter terbaik tanpa menggunakan k-NN k=1 dengan variasi resizing 128×128 piksel dan jendela ekstraksi ciri 10×10 piksel Indeks Koefisien DCT

Ceplok Dempel

Ceplok Kece

Kawung Galar

Kawung Kembang Cempoko Hitam

Kawung Picis

Lereng Kusuma

Nitik Cengkeh

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

61,6080 4,4640 2,2296 0,3195 0,5861 1,0803 2,8737 0,0582 0,0545 0,7099 5,3689 1,6719 0,7932 0,5957 0,3508 0,3736 0,3250 0,1884 0,3032 0,4183 2,4051 0,0982 0,7339 0,0140 0,5635 0,5944 0,6798 0,0512 0,1991 0,1438 1,4178 0,0720 0,0528 0,5211 0,1673 0,3592 0,0991 0,1301 0,1515 0,0395 1,4662 0,5119 0,5633

37,6851 0,2224 0,3979 0,4895 4,1630 0,0334 0,3077 0,4138 1,8862 0,1754 7,2551 0,0694 0,2855 0,5903 0,5826 0,1767 0,0475 0,1113 0,4276 0,9349 0,3639 0,5066 0,5151 0,1777 0,5985 0,2352 0,1673 0,4443 0,0952 0,1822 1,2494 0,4962 0,5925 0,7319 0,1231 0,6642 0,5221 0,4169 0,1073 0,1734 4,0015 0,5267 0,2777

35,6307 0,3091 0,5837 0,1239 0,5047 0,2211 0,3791 0,1067 0,7108 0,1017 3,5186 0,1990 0,3228 0,3967 0,1162 0,0684 0,4059 0,0645 0,0084 0,4050 1,3190 0,2791 2,9274 0,3235 1,2875 0,1512 0,0377 0,1234 1,3878 0,4196 0,3858 0,7471 1,1415 0,2123 0,6815 0,2592 0,3295 0,3167 0,5236 0,2641 0,9979 0,0650 2,7819

50,8551 0,0550 1,8099 1,1251 0,2151 0,7016 0,9137 0,3494 0,5388 1,2469 7,8398 0,4170 0,1893 0,0281 0,4401 0,7225 0,4802 0,8243 0,6862 1,3325 1,0357 0,6273 0,3092 0,1757 1,0171 0,4738 0,4899 0,4367 0,0712 0,4883 0,7857 0,2225 0,3011 0,1362 0,4472 0,4214 0,2135 0,3727 0,2425 0,1011 1,2292 0,2722 0,7219

52,0008 4,4770 0,3605 0,6569 1,3370 1,0566 0,9398 0,6515 0,3925 1,1600 1,2421 0,5479 0,3526 0,0742 0,0011 0,5104 0,3884 0,6141 0,0992 0,5685 1,6164 0,4935 0,4051 0,1341 1,4180 0,7595 1,9493 0,1513 0,2553 0,0166 1,2087 0,5722 0,9722 0,0262 0,0616 0,0892 0,1560 0,3515 0,1415 0,0419 1,1984 0,3185 1,1179

54,0704 3,7383 1,0636 0,2273 0,5062 0,6739 0,1538 0,0511 0,2847 0,5239 4,9741 0,8151 0,6430 0,1516 0,1835 1,1507 0,0336 0,0061 0,2052 0,0265 0,5146 0,4680 0,5976 0,2296 0,1758 0,5380 0,5025 0,0419 0,1434 0,0948 1,4937 0,1622 0,1768 0,0042 0,7649 2,0245 0,2129 0,1504 0,0717 0,0153 0,7625 0,1310 0,3463

26,3039 0,5211 0,7456 1,0931 0,1679 0,6395 0,4029 0,4665 0,5604 1,4107 4,6628 0,8317 0,2806 0,5414 0,2162 0,4084 0,3529 0,8010 0,0729 0,3876 1,3661 0,0258 0,4191 0,2967 0,2959 1,0511 1,1102 0,9357 0,1362 0,0603 1,1492 0,1264 0,1010 0,4150 0,2383 0,0128 0,1844 0,1890 0,2426 0,0111 1,2408 0,2646 0,2352

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91

0,3382 0,0198 0,8332 0,7946 0,4475 0,2124 0,0891 1,6150 0,7221 0,0330 0,1349 0,0377 0,3679 1,6780 0,4929 0,0407 0,0594 2,5177 0,0652 0,0463 0,6078 0,4477 1,9604 4,8905 1,8348 0,8204 0,5663 0,5113 0,3828 0,3140 0,0923 0,3683 0,8819 0,0056 0,2603 0,3396 0,0703 0,0618 0,0364 0,3256 0,0042 0,1880 0,9185 0,6012 0,2187 0,1506 0,2214 0,3036 0,4285

0,0427 2,9273 0,2497 0,3073 0,2041 1,0339 0,0767 1,3611 0,3148 0,0154 0,2361 0,2418 0,2202 0,3171 0,4847 0,0567 0,3310 0,9491 0,0886 0,1235 0,1621 0,2002 0,1051 0,0612 0,2609 0,1935 0,0162 0,2413 0,2359 0,1651 0,1913 0,2674 0,0590 0,1028 0,0251 0,2016 0,5215 2,0087 0,1195 0,0916 0,1769 1,2487 0,1142 0,0194 0,3471 1,7347 0,0901 0,6048 0,3205

0,0551 1,1743 0,1253 0,1039 0,0144 1,4520 0,6054 0,0935 0,0258 0,2986 0,0570 0,1342 0,0818 0,3804 0,0692 0,0136 0,1394 0,1252 0,0772 0,8253 0,2186 0,2744 0,0845 0,3014 0,2201 0,2552 0,0217 0,2136 0,0558 0,0885 0,2725 0,2377 0,0010 0,0403 0,2753 0,1788 0,1714 0,3966 0,3252 0,3605 0,0954 0,0739 0,0551 0,2426 0,0509 0,2132 0,1960 0,5651 0,7766

0,0965 1,2882 0,0967 2,0027 0,1797 0,3871 0,4132 0,5922 0,5279 0,2064 1,3637 1,2296 0,5267 0,1191 0,9743 0,1134 0,0165 2,2173 0,4376 1,3396 0,7010 4,2673 1,5638 4,6616 0,1596 1,1667 0,2292 0,4522 0,4305 0,0032 0,0084 0,4362 0,5179 0,0157 0,1881 0,1273 0,3420 1,3158 0,1916 0,1729 0,1471 0,8375 0,0979 0,9996 0,1880 0,1595 0,1156 0,5262 0,3454

0,0111 2,9746 2,5093 2,6791 0,3320 0,4665 0,1082 0,3440 0,0275 0,5333 0,7663 0,5764 0,9059 0,8197 0,1540 0,4515 0,3513 1,1454 0,3914 0,7003 0,0138 2,9043 2,2964 2,1816 0,1105 0,6686 0,5296 0,4456 0,2605 0,1473 0,0280 0,1025 0,0487 0,2582 0,6566 0,6104 0,5184 0,3326 0,0464 0,2656 0,1824 0,0198 0,3376 0,5020 0,0963 0,1340 0,2950 0,0630 0,3383

0,4181 0,6359 0,3267 0,7289 0,0728 0,2690 0,2707 0,4135 0,9673 0,2226 1,0256 1,0457 3,8679 0,3429 0,1781 0,1555 0,4444 0,8055 0,0810 1,3595 0,7287 6,1615 1,4237 3,6225 0,2963 0,9945 0,2582 0,3695 0,2833 0,8508 0,7675 0,2206 5,0860 0,3831 0,2617 0,1178 0,1201 0,0128 0,0519 0,2561 0,2869 0,6813 0,4700 0,2703 0,4893 0,1220 0,2831 0,0326 0,1968

L39

0,2481 0,6107 0,8549 2,0361 1,1418 0,1048 0,1942 0,0256 0,4504 0,0504 0,2613 0,1149 0,2399 0,0969 0,7100 0,0755 0,2322 0,2716 1,5211 0,1841 2,0671 0,9063 4,8762 5,8203 5,4856 0,3281 0,9608 0,3843 0,7343 0,1014 0,4948 0,0848 1,9365 1,3103 1,4147 0,0388 0,1573 0,5430 0,7279 0,0665 0,5850 0,5808 1,6043 1,6474 2,3908 0,0033 0,5770 0,3578 0,0877


L40

92 93 94 95 96 97 98 99

0,0983 0,1713 0,1069 0,2043 0,0098 0,1486 0,1883 0,1369

0,1724 0,0286 0,1220 0,1662 0,1017 0,0011 0,2284 0,5627

1,8866 0,3012 0,8827 0,3657 0,1155 0,0718 0,1935 0,2560

0,2298 0,2049 0,0680 0,1470 0,1574 0,1528 0,2199 0,3521

0,0072 0,3292 0,0751 0,3096 0,1385 0,2245 0,3207 0,0977

0,0242 0,0072 0,2400 0,9172 0,4641 0,1178 0,0429 0,2056

0,2899 0,2942 0,0223 0,0755 0,2916 0,1937 0,2313 0,3916

Indeks Koefisien DCT

Parang Barong

Parang Curigo

Parang Kawung Picis

Parang Kembang Sawut Cecek

Parang Keris

Parang Klitik

Parang Kunci

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

65,4789 2,4033 1,7954 0,6912 1,1795 0,4067 0,5745 0,4820 0,3000 1,6738 0,5263 1,4388 2,2842 1,2199 0,2272 1,1019 0,3409 0,1795 1,1572 0,1464 1,8664 1,7587 0,6828 0,9788 0,1258 0,1333 0,4351 0,6419 0,2683 0,5796 0,5640 4,4004 3,8794 2,5112 0,6953 0,2705

62,3744 3,4859 0,0504 1,1452 0,7435 0,0844 0,0055 0,2913 0,4070 0,1480 0,6181 0,3341 1,1149 0,2894 0,7029 0,9016 0,3539 0,1356 0,1074 0,1020 1,1478 0,6598 0,5062 1,9993 0,0789 0,2534 0,5524 0,6215 0,0256 0,2414 0,9442 0,1423 4,6578 0,3992 1,6996 0,2759

63,1724 3,0998 1,2267 0,5713 0,2450 0,4802 0,1143 0,0809 0,1300 0,4630 0,5920 0,0134 0,2709 0,5777 0,3977 0,0321 0,1719 0,3663 0,0770 0,5207 1,0993 0,0216 0,0365 0,1095 0,1568 0,1042 0,0757 0,2797 0,7068 0,1542 0,0451 0,3220 0,0195 0,2162 0,1783 0,3077

51,4379 5,9187 0,9632 0,7535 0,6151 0,7277 0,5892 0,0613 0,1761 0,1823 6,6601 1,1191 0,3495 0,8991 0,2615 1,2120 0,4700 0,0597 0,1459 0,0344 1,3553 0,0677 0,1342 0,2518 1,1485 0,5585 0,9139 0,1937 0,2364 0,4215 0,6143 0,6037 0,4694 1,8197 0,0078 0,5801

41,8143 3,2867 0,1000 0,0725 0,2255 0,2628 0,1121 0,0246 0,0774 0,3150 4,7012 1,2296 0,4269 0,4625 0,0454 0,7674 0,6158 0,2763 0,4114 0,0321 0,5371 0,1338 0,5152 0,5497 0,3570 0,0969 0,0332 0,1761 0,1672 0,2661 0,0230 0,5988 0,1725 1,2561 0,1572 1,8371

64,4555 1,9184 0,3277 2,0820 0,8355 0,0593 0,2067 0,1735 0,2860 0,3107 0,2175 0,3676 1,5969 1,6219 1,9966 0,3217 0,2381 0,2207 0,5980 0,4671 0,3976 0,4429 0,4569 4,2069 0,8427 0,2794 0,0279 0,1795 0,2300 0,0775 3,1872 1,6604 7,9568 4,4731 6,4283 0,2751

66,3122 1,5253 0,1613 0,0730 0,5143 0,3387 0,0495 0,0153 0,0650 0,4299 0,6542 0,8788 0,0756 0,8471 0,1061 0,2906 0,6386 0,2636 0,6500 0,3584 0,8953 0,1226 0,6146 0,2728 0,0278 0,2137 0,1443 0,0963 0,0504 0,4750 0,7630 0,5048 0,0069 0,6297 0,4645 0,6621


2,3371 1,3910 0,3412 0,3126 1,4309 4,0828 9,0555 5,2434 0,7548 2,9646 1,4809 1,1219 0,0477 0,1314 0,9028 4,5523 4,8025 4,2059 1,0862 1,6594 1,2178 0,9320 0,0243 0,8316 0,6116 0,7031 2,8712 0,2363 0,3137 1,4921 0,6727 0,1449 0,2554 0,3488 0,3684 0,5091 0,7386 0,5288 0,6433 1,4048 0,6621 0,8633 0,2606 0,7857 0,1274 2,2812 1,0158 4,1304 3,7953

0,8845 0,1415 0,3974 0,0553 0,6533 1,9569 0,7624 4,0762 0,6991 0,8174 0,0327 0,8154 0,2868 0,1854 0,5313 0,9738 1,8747 1,4910 1,0812 1,2690 0,1711 0,2575 0,0605 0,0997 0,5396 0,1107 1,2837 1,8325 1,4209 1,1974 1,2631 0,5552 0,3216 0,1616 0,1716 0,3993 0,0687 1,2475 1,4663 3,4174 0,9045 0,3897 0,0511 0,4640 0,7557 0,0041 0,7468 0,6291 2,6801

0,0593 0,3654 0,0939 0,4659 0,7064 0,0881 0,4019 0,4892 0,1796 0,2053 0,5606 0,0860 0,4337 0,3383 0,6725 0,0028 0,4203 0,0251 0,1465 0,3522 0,0238 0,0399 0,9111 0,3542 0,2012 0,0349 0,0544 0,3605 0,5256 0,2927 0,3853 0,2589 0,6678 1,0879 0,4484 0,4718 0,4293 0,2730 0,8926 0,2517 0,2231 0,2072 0,3894 0,5391 0,3921 0,4115 0,4317 0,3252 0,4735

0,5380 0,7508 0,5163 0,1728 0,0687 0,3965 2,4775 0,4704 0,6154 0,5943 0,3654 0,4365 0,3239 0,1453 0,2008 1,7990 0,5511 1,4480 0,1268 1,7967 0,9505 0,3618 0,0607 0,0423 0,2196 0,4053 0,7542 0,2850 0,4245 0,8711 0,4175 1,3219 0,3916 0,2054 0,3297 1,4350 1,1241 0,4097 0,7423 2,4825 0,1810 0,9665 1,4646 0,3506 1,3104 0,2589 1,5988 0,2234 5,7766

0,0956 0,0072 0,1495 0,1361 0,4758 0,0138 2,4601 0,3748 0,5896 0,1186 0,1531 0,2061 0,0212 0,3067 0,0570 0,4751 0,0489 0,9568 0,2321 1,4737 0,2003 0,0087 0,1408 0,1108 0,1631 0,4190 0,0067 0,1382 0,4043 0,1026 0,2028 0,2012 0,6466 0,5115 0,3924 0,3713 1,1787 0,6971 0,4003 3,8344 1,7652 0,7680 1,1717 0,7909 0,6808 0,0208 1,8020 0,1520 2,9488

0,7075 0,6279 0,5477 0,2692 1,3980 0,0940 3,2175 9,0267 2,4281 0,7589 1,4640 0,2720 0,0563 0,2896 0,8245 0,1725 1,8297 1,4575 1,8727 0,4968 1,1352 1,1652 0,3981 0,7976 0,1969 0,1809 0,3637 1,0458 0,9782 0,6469 2,3598 0,3629 1,8759 0,3543 0,4438 0,5384 0,3291 0,7218 1,5368 1,9751 0,8025 1,0766 0,5555 0,7997 0,2002 0,7368 0,0844 1,6610 1,0207

L41

0,0644 0,3225 0,9711 0,3811 0,3633 0,3389 0,0969 0,1334 1,2547 0,4697 0,0006 0,1161 0,6182 0,3772 0,1467 0,5640 0,2706 0,5040 0,0923 0,5721 0,1781 0,2724 1,0396 0,3755 0,1666 0,1844 0,1688 0,1433 0,3962 0,3921 0,0047 0,5003 0,1385 0,1726 0,0411 0,0199 0,0536 0,0796 0,0677 0,6023 0,2364 0,5511 3,1431 0,9447 0,2320 1,1900 0,1060 1,3260 0,0905

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99

3,9222 0,1140 0,8807 0,3251 0,2291 0,5897 0,0081 1,1059 1,1698 3,6304 0,1446 0,5177 0,2838 0,3319 0,5930

0,9167 1,3599 0,8410 0,0690 0,1947 0,1669 0,1033 0,3190 0,5014 0,2650 0,4287 0,6949 0,0553 0,0874 0,1585

0,4605 0,7310 0,7085 1,1701 0,8083 0,6495 0,6283 0,0676 0,7567 0,0500 0,8209 0,0751 0,8421 0,1664 1,3777

1,4221 1,7420 0,5394 1,2193 0,6477 0,4539 0,3673 0,6094 1,9965 0,6469 4,4022 0,1973 0,6020 1,0318 0,1370

1,8334 3,6832 0,0871 0,4748 0,1099 0,2527 0,1748 0,2714 0,1249 1,0222 3,2588 0,9963 0,3367 0,5714 0,0112

2,3310 0,2211 2,7198 0,6179 1,2486 0,4032 0,5710 0,2025 1,2817 2,2972 0,5314 2,3022 0,4903 0,3201 0,3181


Parang Kusumo Ukel

Parang Pancing

Parang Tuding

Parisewuli Seling Pamor

Tambal

Truntum

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

39,1668 6,0414 0,7086 0,9625 0,7287 0,0732 0,3142 0,3541 0,0865 0,0411 3,4288 0,7375 0,3292 0,4748 0,4670 0,2722 0,0503 0,5743 0,9258 0,0489 0,3764 1,3428 1,6077 2,3547 2,0711 0,8272 0,2859 0,0369 0,1454 0,4678

64,8146 1,6445 1,6299 0,0735 0,6044 0,0125 0,4241 0,1634 0,0050 0,2029 0,5418 6,9106 0,0498 0,4207 0,0221 1,1844 0,1487 0,5427 0,0196 0,2883 1,4916 0,2781 6,8362 0,4527 1,7773 0,0964 0,1499 0,0065 0,6135 0,0235

38,9680 1,4681 1,2816 0,2583 0,2029 0,3177 0,1727 0,3066 0,0157 0,2211 4,1643 1,8503 0,2946 0,6968 0,3063 0,4729 0,3659 0,0744 0,0394 0,1159 6,4493 1,0415 2,0508 0,2045 0,3812 0,0339 0,2424 0,4277 0,0765 0,3101

50,7898 1,0610 2,9919 0,6995 0,6263 0,3013 0,2596 0,2860 0,4118 0,0883 9,7047 3,1510 5,9111 0,9842 0,1595 0,3467 0,6151 0,1827 0,0446 0,1551 4,8188 10,4691 2,5839 2,2794 0,0811 0,3651 0,0847 0,2564 0,0286 0,0079

31,8623 0,2391 0,8688 0,3176 0,0594 0,3829 0,4989 0,2980 0,3562 0,1362 3,2865 0,2726 0,4353 0,1900 1,0885 1,2823 0,5121 0,1037 0,0456 0,0012 1,2343 0,0685 1,9329 0,5529 1,8253 1,3745 0,4984 0,7358 0,1633 0,3841

51,4120 0,2024 0,5376 0,0970 0,3859 0,8481 0,1704 0,9991 0,3575 1,0705 2,2108 0,4509 0,0516 0,6766 0,3460 0,2205 0,2286 0,5899 0,3076 0,8544 0,6246 0,2388 0,2861 0,0415 0,0816 0,0913 0,2780 0,0721 0,2202 0,2281

L42

1,5170 0,5071 3,6808 1,9530 3,3113 0,0443 0,1328 0,0311 0,2072 0,0613 0,3989 0,1441 0,4612 4,0201 0,7706


0,0468 0,0102 0,8123 2,8588 2,7239 0,8589 0,0568 0,0259 0,8113 0,1127 0,5090 0,5517 0,6910 1,5190 1,6751 0,9422 0,7553 0,9815 0,5242 0,0516 0,0336 0,2803 0,4164 0,0808 0,3429 0,8987 1,2918 0,5906 1,2727 0,0256 0,4139 0,3305 0,0801 0,0782 1,3325 0,1579 0,3170 1,9776 0,2302 0,2559 0,1039 0,2996 0,1465 0,9589 0,1435 0,5605 0,3445 0,0397 0,6214

0,5036 1,0478 0,1741 7,4465 0,2771 1,2875 0,1149 0,5754 0,1036 0,1387 0,3753 0,2431 2,9074 0,9724 4,0092 0,3262 1,6961 0,2294 0,0215 0,0723 0,1043 1,5427 0,4065 1,9241 0,3282 2,0281 0,5068 0,4257 0,1469 0,2815 0,0495 0,3914 0,0429 0,4516 2,1555 0,2750 0,6480 0,1586 1,2023 0,2488 0,1007 0,5870 0,5079 0,5695 0,2705 0,5537 0,4292 0,5990 0,0352

0,0918 4,2289 0,7393 1,1556 0,2723 0,0848 0,0308 0,2236 0,0936 0,0673 0,2750 0,6275 2,5616 0,5078 0,3330 0,1596 0,1023 0,1222 0,1147 0,0002 0,3785 0,6605 0,1838 0,4792 0,1195 0,3515 0,1162 0,1429 0,0936 0,0399 0,5799 0,0587 1,5236 0,0169 1,6372 0,1533 0,2853 0,2822 0,0318 0,0460 0,1520 0,0190 0,3434 1,8426 0,3924 0,4786 0,0747 0,1466 0,0289

2,5879 1,7993 4,2489 0,0635 1,3746 0,6513 0,1423 0,0895 0,0230 0,0298 0,9051 0,1054 0,3339 0,2495 0,0742 0,0307 0,3779 0,0555 0,3408 0,3930 0,1310 0,2150 1,4242 1,0624 0,9792 1,5484 0,3358 0,0496 0,0261 0,0740 0,7948 0,6119 0,4327 0,9990 2,8186 1,7485 0,5662 0,1802 0,2126 0,2032 0,4600 0,0240 0,4855 0,8057 1,4294 1,1968 0,3585 0,5512 0,7919

0,2362 0,2506 1,5194 0,1957 0,1885 0,8316 0,9331 0,9024 0,4083 0,5405 0,1463 1,7952 3,5099 0,4541 0,0137 0,7221 0,2445 1,3623 0,1073 0,1790 0,3997 0,9586 0,4115 0,1342 0,3447 0,5971 0,7063 0,0404 0,3219 0,3618 0,0392 1,7164 1,6936 0,1064 0,8811 0,5283 0,0209 0,1643 0,1033 0,5040 0,4360 0,3560 1,6180 0,5940 0,7990 0,9136 0,0480 0,2443 0,4782

0,4846 0,2742 0,0938 0,4323 0,2219 0,8390 0,2287 1,1492 0,8082 0,4549 0,1485 0,1437 0,2826 0,4085 0,0464 0,0042 0,2399 0,1983 0,2806 0,3507 0,5093 0,4461 0,0319 0,3629 0,1701 0,5966 0,1457 1,2386 0,8408 0,8523 0,4355 0,2631 0,4205 0,0674 0,0138 0,0103 0,4594 0,2062 0,6792 0,5638 1,5912 1,0733 0,5434 1,0771 0,3722 1,6291 0,7203 4,0109 2,1983

L43

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99

0,0109 0,6081 0,0449 0,0131 0,3121 0,2881 0,6291 0,1971 0,0190 0,2255 0,0077 0,4726 0,3510 0,0413 0,0309 0,1417 0,3565 0,0998 0,0368 0,2395 0,1289

0,3178 0,1127 0,2136 0,2482 0,1808 0,1538 0,2298 1,1581 0,1886 1,8242 0,8848 0,2265 0,2221 0,3748 0,0369 0,1482 0,8819 0,2087 1,0472 1,2721 2,4771

0,0082 0,3147 0,2071 0,2514 0,3514 1,0920 0,3303 0,1777 0,2521 0,0590 0,0157 0,2159 0,2752 0,1671 0,2259 0,3161 0,1936 0,0497 0,0703 0,1539 0,0129

0,0779 0,3735 0,1861 0,1806 0,1759 0,1075 0,2462 0,4780 0,0355 0,1377 0,1199 0,0681 0,1732 0,2582 0,0770 0,3564 0,3910 0,1379 1,2118 0,0314 0,0488

0,4734 0,0052 0,5014 0,1047 0,5624 0,1910 0,6510 0,3969 0,0201 0,5942 0,1182 0,1372 0,5396 0,8746 0,6828 0,3193 0,7679 0,1284 0,7078 0,8840 0,5813

L44

2,0577 0,5405 0,1329 0,3496 0,0726 0,0019 0,0545 0,1781 0,5442 0,0011 0,8798 1,0964 0,1841 0,2478 0,5229 0,1999 0,5184 0,0410 1,6797 1,0784 0,8685

Hasil DCT untuk nilai parameter terbaik dengan menggunakan k-NN k=3 dengan variasi resizing 64×64 piksel dan jendela ekstraksi ciri 10×10 piksel Indeks Koefisien DCT

Ceplok Dempel

Ceplok Kece

Kawung Galar

Kawung Kembang Cempoko Hitam

Kawung Picis

Lereng Kusuma

Nitik Cengkeh

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

30,8025 2,1931 1,0988 0,0327 0,1955 0,4563 1,5471 0,2371 0,1337 0,5269 2,4427 0,7574 0,2868 0,3871 0,0623 0,1569 0,1663 0,0085 0,2072 0,1499

18,7746 0,1201 0,2031 0,2464 2,0728 0,0705 0,1519 0,2312 0,9532 0,1472 3,7050 0,0201 0,1619 0,3870 0,3233 0,0702 0,0391 0,0587 0,2040 0,4276

17,7080 0,1307 0,2811 0,0884 0,2265 0,1131 0,2258 0,0658 0,2721 0,0189 1,6642 0,0943 0,1267 0,1644 0,0047 0,0126 0,2063 0,0145 0,0291 0,1738

25,2949 0,3204 1,0088 0,5611 0,2044 0,3888 0,6109 0,2494 0,4464 0,7696 3,9241 0,2843 0,0871 0,0987 0,3075 0,2405 0,4337 0,5313 0,0078 0,7888

25,9522 2,3520 0,0387 0,3909 0,4901 0,2900 0,3566 0,2940 0,1360 0,5639 0,5798 0,3162 0,2599 0,0281 0,0565 0,2184 0,1921 0,3350 0,1082 0,2169

27,0592 1,8662 0,6920 0,1847 0,3168 0,3677 0,1512 0,1262 0,0906 0,1256 2,3048 0,2473 0,3453 0,0770 0,0651 0,5135 0,0172 0,0980 0,1175 0,1806

13,1980 0,2235 0,3734 0,4296 0,0505 0,3734 0,1922 0,4130 0,2845 0,5387 2,1765 0,4931 0,1255 0,2634 0,1261 0,1534 0,3480 0,4497 0,0117 0,2934


1,2802 0,0087 0,4384 0,0443 0,1631 0,1796 0,3913 0,0830 0,1856 0,1254 0,7410 0,1196 0,0275 0,1443 0,0598 0,0201 0,1296 0,1068 0,1384 0,1467 0,6697 0,3315 0,2417 0,0597 0,0365 0,3737 0,3278 0,2139 0,1338 0,1496 0,8754 0,1379 0,0441 0,0029 0,1466 0,1227 0,6882 0,2868 0,0658 0,0072 1,4145 0,0209 0,0437 0,0919 0,0638 1,0515 2,4034 1,0492 0,3910

0,1549 0,2132 0,3010 0,1495 0,2637 0,1365 0,1418 0,2541 0,0123 0,0436 0,6723 0,2351 0,2806 0,4343 0,0022 0,3509 0,2632 0,2265 0,0069 0,0608 2,0094 0,2025 0,1354 0,0445 1,5185 0,1136 0,0705 0,0622 0,5614 0,0353 0,6634 0,1306 0,0279 0,0669 0,1804 0,1490 0,2174 0,1966 0,0128 0,1937 0,4247 0,0123 0,0035 0,0925 0,0181 0,0973 0,0618 0,1854 0,0416

0,6973 0,1705 1,4653 0,1379 0,5969 0,1299 0,0673 0,0523 0,6279 0,3029 0,0987 0,3975 0,5595 0,2181 0,2777 0,0827 0,2239 0,1265 0,2352 0,0217 0,5186 0,0228 1,3392 0,0319 0,6309 0,0294 0,1767 0,1433 0,7589 0,3112 0,1242 0,0022 0,2617 0,0860 0,0549 0,1939 0,1234 0,1237 0,0236 0,0947 0,0624 0,0311 0,4744 0,0464 0,2966 0,0955 0,2468 0,0866 0,0921

0,4702 0,3139 0,3202 0,2929 0,3680 0,2905 0,0523 0,0452 0,0075 0,0549 0,3017 0,0370 0,1017 0,3034 0,2017 0,3374 0,1001 0,0891 0,1491 0,1633 0,4702 0,2000 0,4522 0,1427 0,7549 0,2651 0,9815 0,0285 0,1358 0,1848 0,2736 0,1653 0,0965 0,5210 0,5883 0,2349 0,1887 0,6888 0,0041 0,0208 1,1496 0,0555 0,7924 0,4629 2,0917 0,7476 2,3221 0,2133 0,7295

0,7489 0,3344 0,3957 0,0492 0,6363 0,3418 0,9025 0,0811 0,0923 0,0503 0,6825 0,3492 0,4099 0,1146 0,2145 0,1314 0,0754 0,1166 0,0997 0,0056 0,3930 0,3144 0,5988 0,0551 1,3917 1,2066 1,2839 0,1299 0,2470 0,0114 0,0192 0,0035 0,1642 0,3715 0,2708 0,4519 0,3649 0,0195 0,2543 0,1668 0,5025 0,3140 0,4428 0,1355 1,4120 1,0511 0,9188 0,2286 0,3683

0,2911 0,1130 0,1909 0,2128 0,0669 0,1353 0,3023 0,0283 0,0405 0,0048 0,7483 0,0316 0,0798 0,1502 0,3449 1,0102 0,0256 0,0477 0,1893 0,0827 0,4522 0,0310 0,1391 0,2894 0,3014 0,0523 0,2280 0,0656 0,1568 0,1245 0,1121 0,4844 0,1389 0,6292 0,7799 2,0652 0,2468 0,1341 0,0173 0,2695 0,3529 0,0093 0,7031 0,1922 3,0048 0,7950 1,8471 0,0512 0,5435

L45

0,6125 0,0086 0,2523 0,1467 0,1154 0,4485 0,5518 0,4609 0,0566 0,0373 0,5513 0,0983 0,0461 0,1254 0,1789 0,0657 0,0270 0,1770 0,0400 0,1022 0,7630 0,2212 0,0057 0,1788 0,2683 0,4740 1,0119 0,5834 0,0245 0,1195 0,1834 0,1717 0,0425 0,1458 0,0952 0,2059 0,0379 0,3345 0,0071 0,1681 0,1671 0,8087 0,1276 0,9921 0,3207 2,3554 2,8781 2,6864 0,1625

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99

0,3958 0,2463 0,1756 0,0148 0,0064 0,0104 0,4280 0,1093 0,1393 0,0611 0,0267 0,0116 0,1912 0,2016 0,1485 0,0773 0,4289 0,2188 0,0384 0,2000 0,1865 0,1476 0,1776 0,0358 0,1056 0,0663 0,0876 0,1781 0,0768 0,2723 0,0687

0,0150 0,1024 0,1531 0,0528 0,0892 0,1034 0,0102 0,1133 0,0040 0,0951 0,3152 0,9637 0,0345 0,0534 0,0912 0,6670 0,1423 0,0042 0,1530 0,8492 0,0953 0,3168 0,2236 0,0225 0,0040 0,0146 0,0595 0,0206 0,0268 0,1101 0,2492


Parang Barong

Parang Curigo

0 1 2 3 4 5 6 7 8 9 10 11 12

32,6912 0,9850 0,9671 0,2982 0,6949 0,1898 0,2834 0,2804 0,0937 0,8331 0,2945 0,8901 0,9683

31,1086 1,7131 0,1127 0,6027 0,2780 0,0085 0,0159 0,0987 0,1398 0,1197 0,2064 0,2949 0,4568

L46

0,0347 0,1804 0,1098 0,1308 0,1885 0,2233 0,0279 0,0736 0,1279 0,0298 0,0561 0,0508 0,1314 0,1821 0,0714 0,0388 0,1345 0,0878 0,0748 0,1024 0,2140 0,2299 0,4052 0,9828 0,1874 0,4897 0,0685 0,0394 0,0679 0,0954 0,1679

0,1113 0,3740 0,1654 0,0836 0,2747 0,1354 0,2658 0,1255 0,1815 0,0795 0,3231 0,6656 0,0295 0,1956 0,1879 0,3916 0,1417 0,4749 0,0474 0,0596 0,1699 0,1920 0,3154 0,0941 0,0653 0,2524 0,1952 0,0969 0,0657 0,0142 0,2958

0,2413 0,1141 0,2570 0,0553 0,0478 0,0353 0,0222 0,1884 0,3653 0,3369 0,2761 0,1211 0,0471 0,0338 0,0014 0,1576 0,1702 0,2477 0,1347 0,1929 0,1947 0,1490 0,1422 0,0063 0,0054 0,1193 0,1976 0,1681 0,0568 0,1798 0,0068

0,1957 0,2199 0,1131 0,3508 0,3554 0,1300 2,6544 0,1210 0,1467 0,1012 0,0956 0,1224 0,0433 0,1542 0,0421 0,2857 0,2419 0,1623 0,2233 0,1079 0,1337 0,0310 0,0138 0,0448 0,0537 0,0753 0,4236 0,1287 0,0629 0,0782 0,1313

0,4734 0,1212 0,3008 0,0260 0,2638 0,0659 0,9918 0,7537 0,7385 0,0178 0,0836 0,3605 0,3670 0,0503 0,3148 0,1853 0,7425 0,7821 1,2316 0,0002 0,2652 0,0328 0,0169 0,1989 0,1137 0,0483 0,0332 0,0669 0,1574 0,0957 0,2538

Parang Kawung Picis 31,5719 1,5420 0,6280 0,3148 0,0870 0,1898 0,1376 0,0759 0,1852 0,3196 0,4458 0,0990 0,1720

Parang Kembang Sawut Cecek

Parang Keris

Parang Klitik

Parang Kunci

25,7721 2,9648 0,3954 0,3478 0,3034 0,4410 0,2344 0,0592 0,0544 0,0831 3,3052 0,7055 0,1393

20,7819 1,5847 0,1512 0,0722 0,1477 0,1111 0,1416 0,0222 0,0705 0,1253 2,4135 0,5903 0,2230

31,9699 1,3521 0,2272 0,9382 0,3915 0,1736 0,0202 0,1475 0,0713 0,0767 0,2213 0,3308 0,9324

32,8877 0,9393 0,0639 0,0365 0,1509 0,1657 0,1206 0,1758 0,0972 0,1691 0,3700 0,4428 0,0284


0,7586 0,0136 0,5127 0,1013 0,0907 0,5088 0,0777 0,9520 0,7600 0,2880 0,2949 0,0344 0,0682 0,1914 0,3387 0,1054 0,2739 0,0584 2,1802 2,0345 1,2340 0,2949 0,2100 1,2456 0,6501 0,2680 0,2103 0,7109 2,1968 4,2769 2,7718 0,3892 1,5473 0,8026 0,5796 0,0179 0,0180 0,3427 2,1754 2,4405 2,0978 0,6044 0,8469 0,7287 0,5649 0,0396 0,4495 0,2500 0,3301

0,2690 0,3962 0,4491 0,1595 0,0766 0,0629 0,0130 0,3712 0,0759 0,1129 0,9357 0,0709 0,1657 0,2377 0,3562 0,0109 0,0974 0,5089 0,0328 2,1549 0,2968 0,7997 0,0361 0,4348 0,1047 0,2626 0,0029 0,1545 0,9434 0,3509 2,0583 0,2849 0,2960 0,0554 0,3619 0,0929 0,0479 0,3881 0,3871 0,9444 0,7827 0,4559 0,6510 0,0405 0,2611 0,0395 0,0835 0,3555 0,1033

0,2961 0,4367 0,0187 0,1340 0,1186 0,1968 0,3832 0,6065 0,0632 0,0676 0,2174 0,2898 0,0269 0,1470 0,2381 0,3535 0,1050 0,2439 0,0149 0,0258 0,2054 0,1214 0,1714 0,0257 0,3472 0,1803 0,3223 0,4609 0,0650 0,1110 0,0057 0,1863 0,1446 0,2741 0,2853 0,3641 0,0151 0,3614 0,0615 0,0855 0,1489 0,0807 0,2093 0,0620 0,1247 0,6159 0,1269 0,1702 0,0560

0,5004 0,0709 0,6612 0,2231 0,1432 0,0414 0,1011 0,7142 0,1186 0,0211 0,0075 0,5350 0,2426 0,4382 0,0624 0,0541 0,0685 0,2532 0,1128 0,3226 0,8901 0,0375 0,1803 0,2219 0,2711 0,2950 0,0571 0,0438 0,2490 1,2851 0,3411 0,3485 0,2277 0,2897 0,1682 0,2771 0,0081 0,2199 0,8510 0,1938 0,8144 0,1993 0,9209 0,4039 0,1323 0,1107 0,1017 0,2081 0,1178

0,1788 0,0901 0,3968 0,2051 0,1324 0,1891 0,0414 0,3416 0,0957 0,3730 0,2917 0,1615 0,0409 0,1523 0,0425 0,0458 0,1262 0,0220 0,2155 0,1097 0,6896 0,0002 0,8463 0,1124 0,0750 0,1337 0,0364 0,2342 0,0015 1,1793 0,0447 0,2444 0,0184 0,0739 0,1197 0,0058 0,1161 0,0251 0,2772 0,0549 0,5054 0,1894 0,7653 0,0956 0,1231 0,0725 0,0403 0,1121 0,1684

0,7129 0,9707 0,2227 0,2191 0,0619 0,3367 0,3322 0,2286 0,0621 0,3595 2,0138 0,3963 0,0363 0,1373 0,0182 0,1484 0,0292 1,3425 1,1798 3,9799 2,2186 3,1180 0,1002 0,3606 0,2368 0,2980 0,0627 0,7848 0,0445 1,5629 4,4324 1,1454 0,3887 0,7108 0,0781 0,0676 0,0126 0,6198 0,0889 0,8150 0,6938 0,8625 0,1615 0,5459 0,3921 0,1605 0,3116 0,2203 0,3111

L47

0,2902 0,1218 0,0045 0,0297 0,1089 0,3942 0,0046 0,5595 0,1269 0,2510 0,0226 0,1207 0,2327 0,3072 0,2380 0,0171 0,0737 0,3177 0,2263 0,0449 0,3430 0,2179 0,3564 0,1190 0,0375 0,3983 0,3178 0,1664 0,0954 0,0785 0,1820 0,6220 0,2689 0,1112 0,0124 0,3074 0,0691 0,0036 0,1144 0,2332 0,2445 0,0585 0,1111 0,0067 0,1640 0,5540 0,0903 0,0303 0,2035

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99

1,4394 0,1068 0,0450 0,7096 0,3532 0,1714 0,1237 0,2230 0,1073 0,3251 0,4331 0,1431 0,0880 0,6769 0,2025 0,4779 0,1208 0,4094 0,0670 1,0945 0,5177 1,9874 2,1049 1,9708 0,1038 0,3973 0,1138 0,2000 0,3528 0,0792 0,6035 0,3726 1,7920 0,0189 0,2194 0,0552 0,1998 0,2863

0,6823 1,0019 0,5912 0,5881 0,6117 0,2212 0,1220 0,1366 0,1955 0,2109 0,0204 0,5714 0,7712 1,6263 0,4326 0,2926 0,0158 0,2264 0,4176 0,0396 0,4257 0,3770 1,4003 0,4530 0,7527 0,5122 0,0159 0,1037 0,0403 0,0034 0,1520 0,2636 0,0921 0,1984 0,2855 0,0031 0,0264 0,0609

0,0320 0,2773 0,4171 0,1168 0,0064 0,1243 0,3469 0,5541 0,1402 0,3819 0,0258 0,2006 0,5326 0,0341 0,0125 0,1458 0,1017 0,2156 0,1772 0,2302 0,1744 0,2150 0,5651 0,3120 0,4951 0,3723 0,7008 0,6819 0,3758 0,4518 0,1499 0,0339 0,0780 0,5333 0,1890 0,5456 0,0418 0,6648

0,3547 0,1768 0,1212 0,2832 0,2472 0,5220 0,2542 0,1095 0,2020 0,7068 0,6405 0,1824 0,5172 1,2193 0,0407 0,5047 0,8087 0,1218 0,5861 0,1019 0,8003 0,0918 2,9206 0,7491 0,8182 0,1372 0,7254 0,2832 0,2274 0,1231 0,3154 0,9915 0,1726 2,0862 0,1683 0,2438 0,4891 0,1205

0,0928 0,0085 0,1621 0,0377 0,0899 0,0682 0,4341 0,2545 0,0996 0,2035 0,5871 0,4217 0,1815 1,8688 0,8578 0,3277 0,7717 0,5195 0,5349 0,0099 0,8250 0,0148 1,5255 0,9191 1,8382 0,0154 0,3152 0,0595 0,1802 0,0249 0,1640 0,0821 0,4538 1,4472 0,4782 0,1721 0,2773 0,0366

0,2619 0,6025 0,4954 0,3513 1,3878 0,2432 0,8633 0,0119 0,3282 0,2652 0,0120 0,3680 0,6819 1,0127 0,4891 0,5991 0,3203 0,3585 0,0742 0,2252 0,1385 0,8208 0,5856 1,1316 0,1128 1,3237 0,4436 0,5534 0,1902 0,4940 0,0329 0,6605 1,0271 0,2494 1,1214 0,2483 0,2013 0,1886


Parang Kusumo Ukel

Parang Pancing

Parang Tuding

Parisewuli Seling Pamor

Tambal

Truntum

0 1 2 3 4 5 6

19,5286 2,9326 0,4383 0,5016 0,4310 0,0017 0,1324

32,3546 0,9937 0,8856 0,1178 0,1849 0,0231 0,3302

19,3694 0,7059 0,8947 0,3162 0,0704 0,0744 0,3088

25,6164 0,5041 1,6652 0,5500 0,4465 0,2593 0,2329

16,0007 0,1182 0,3647 0,1819 0,1474 0,2176 0,1714

25,6728 0,0711 0,3541 0,0622 0,0939 0,4117 0,0113

L48

0,1020 0,2246 0,2361 0,3043 0,2267 0,0934 0,0189 0,1264 0,0850 0,0310 0,0041 0,1874 0,0033 0,3152 0,1245 0,3567 1,6633 0,4646 0,0285 0,5851 0,1311 0,7341 0,2696 0,7523 0,2790 1,8965 1,0127 1,6232 0,0449 0,0117 0,0290 0,0213 0,2132 0,1466 0,2370 0,0309 1,9697 0,3014


0,2649 0,0548 0,0315 1,6526 0,4864 0,2240 0,3972 0,3135 0,2043 0,0118 0,3514 0,6054 0,0683 0,2418 0,6860 0,9030 1,2607 1,0123 0,3255 0,2279 0,1132 0,1471 0,3676 0,0929 0,0386 0,3432 1,2943 1,1819 0,5017 0,0770 0,0251 0,4095 0,2000 0,3807 0,4195 0,1979 0,7373 0,8716 0,4187 0,3172 0,4608 0,2414 0,1318 0,0131 0,2050 0,1104 0,0586 0,3629 0,7049

0,0559 0,0671 0,0549 0,0760 3,3865 0,1327 0,2675 0,0127 0,5653 0,1672 0,2126 0,0506 0,0913 0,8692 0,1137 3,4599 0,3687 0,9232 0,0767 0,0897 0,0107 0,3109 0,0347 0,1643 0,4253 0,1147 3,7843 0,0224 0,6255 0,0099 0,2653 0,0002 0,0299 0,1477 0,0642 1,3446 0,4483 1,9639 0,1606 0,9606 0,1024 0,0157 0,0540 0,0995 0,7726 0,2286 1,0154 0,1511 1,1102

0,0776 0,0407 0,0763 2,0847 0,8365 0,2903 0,3961 0,0563 0,1406 0,2370 0,1070 0,1227 0,0065 3,2858 0,2607 1,0238 0,2451 0,1623 0,2099 0,3641 0,1198 0,0048 0,1393 0,0931 2,2092 0,5805 0,6374 0,1222 0,0543 0,1011 0,2067 0,0348 0,0334 0,0782 0,4545 1,2247 0,4402 0,1566 0,0935 0,1824 0,0368 0,0128 0,0675 0,1661 0,3388 0,0404 0,1946 0,0549 0,1545

0,1859 0,1006 0,0513 4,6296 1,6631 2,9056 0,2918 0,2149 0,0312 0,2724 0,0418 0,1322 0,0677 2,5441 5,3639 1,2331 0,9965 0,0218 0,1305 0,2383 0,2118 0,0014 0,0914 0,9137 0,7656 2,2428 0,0001 0,4530 0,3446 0,0894 0,0154 0,0163 0,1774 0,4353 0,1057 0,0274 0,3731 0,0272 0,1324 0,0538 0,0068 0,1304 0,0541 0,1019 0,0346 0,6937 0,5755 0,6327 0,8437

0,0358 0,1749 0,0224 1,7568 0,2025 0,2411 0,0887 0,6590 0,5886 0,2147 0,1258 0,0643 0,1115 0,7770 0,2200 1,0312 0,2652 0,8510 0,6695 0,2843 0,4796 0,1497 0,2675 0,1645 0,0393 0,8142 0,0569 0,1890 0,4763 0,4021 0,4985 0,1635 0,4282 0,1335 0,7617 1,7760 0,2300 0,0750 0,4699 0,0949 0,7268 0,0998 0,1942 0,2486 0,3497 0,2578 0,0832 0,2602 0,3118

0,5050 0,1094 0,6242 1,0650 0,2199 0,0378 0,2827 0,1845 0,0152 0,1304 0,3309 0,0328 0,3900 0,3031 0,0538 0,1093 0,0672 0,0467 0,0093 0,0604 0,0079 0,1867 0,1084 0,2187 0,1535 0,1101 0,2621 0,0471 0,4349 0,1112 0,5800 0,3874 0,2282 0,2056 0,1603 0,0212 0,1444 0,0143 0,0099 0,1659 0,0610 0,2551 0,1743 0,2711 0,1740 0,0298 0,1718 0,1706 0,2691

L49

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99

0,7718 0,1872 0,5996 0,0602 0,2041 0,2687 0,0635 0,0499 0,5976 0,0462 0,0172 0,9940 0,1194 0,1414 0,0708 0,1023 0,0708 0,4881 0,0016 0,3068 0,2657 0,1685 0,4368 0,0448 0,2651 0,0387 0,0555 0,0923 0,2802 0,1715 0,0329 0,1586 0,0462 0,1627 0,3279 0,1758 0,1190 0,1938 0,0400 0,1230 0,2886 0,0559 0,1914 0,1387

0,1823 0,3019 0,1130 0,0405 0,1518 0,2257 0,0347 0,2321 1,1374 0,0152 0,2956 0,0746 0,5503 0,2299 0,0847 0,3383 0,3586 0,3665 0,0125 0,2485 0,2350 0,3740 0,0621 0,1033 0,1390 0,0025 0,0944 0,0987 0,0500 0,1165 0,5428 0,0317 1,0351 0,4131 0,0348 0,2859 0,1998 0,1299 0,1578 0,5140 0,0740 0,4808 0,5486 1,1608

0,1290 0,2121 0,3529 0,1157 0,1136 0,2456 0,6099 0,0010 0,7853 0,0028 0,0461 0,0932 0,0530 0,1116 0,1488 0,2704 0,2001 0,7709 0,2730 0,2134 0,1156 0,0246 0,0323 0,1287 0,2026 0,2205 0,3694 0,0918 0,5879 0,2548 0,1050 0,1035 0,1552 0,0514 0,1015 0,0628 0,2464 0,0017 0,0786 0,0808 0,1945 0,0434 0,1351 0,0277

0,0362 0,0130 0,0074 0,2077 0,2566 0,3332 0,1128 0,4122 1,3849 0,8473 0,3793 0,1266 0,2313 0,0761 0,1397 0,1349 0,2390 0,4442 0,6846 0,6090 0,1243 0,3931 0,1551 0,0376 0,5407 0,0139 0,0280 0,0795 0,0892 0,1526 0,1112 0,1171 0,1407 0,2187 0,0876 0,0757 0,0564 0,3291 0,1449 0,0249 0,1315 0,5626 0,1590 0,0199

0,5042 0,0174 0,1017 0,1648 0,0951 0,8119 0,8284 0,0485 0,5034 0,2145 0,1997 0,0913 0,0344 0,4076 0,0562 0,3119 0,7930 0,2819 0,3491 0,5149 0,0226 0,1120 0,3252 0,2015 0,1189 0,1611 0,0703 0,2573 0,1330 0,3141 0,1883 0,0485 0,3332 0,0799 0,1946 0,2841 0,4240 0,3596 0,2404 0,4664 0,0898 0,3332 0,4278 0,1876

0,1283 0,5184 0,4522 0,4902 0,1219 0,0101 0,2813 0,0022 0,0483 0,0848 0,2786 0,0553 0,3078 0,3415 0,7472 0,6551 0,3083 0,5626 0,2275 0,8208 0,5140 2,2871 1,1233 1,2632 0,1662 0,0645 0,1868 0,0298 0,0993 0,0658 0,1247 0,3621 0,0632 0,5232 0,5082 0,2021 0,1152 0,3161 0,0269 0,2799 0,0526 1,0034 0,6465 0,5236

L50


L51

Hasil komputasi jarak Dice terbaik dengan resizing 128×128 piksel dan jendela ekstraksi ciri 10×10 piksel Hasil Perhitungan Jarak

Nama Batik Ceplok Dempel Ceplok Kece Kawung Galar Kawung Kembang Cempoko Hitam Kawung_Picis Lereng_Kusuma Nitik Cengkeh Parang Barong Parang Curigo Parang_Kawung_Picis Parang Kembang Sawut Cecek Parang Keris Parang_Klitik Parang_Kunci Parang Kusumo Ukel Parang Pancing Parang Tuding Parisewuli Seling Pamor Tambal Truntum

k=2 0,0014 0,0011 0,0019

k=3 0,0046 0,0025 0,0043

k=4 0,0113 0,0274 0,0199

k=5 0,0127 0,0301 0,0224

k=6 0,0127 0,0325 0,0234

k=7 0,0146 0,0386 0,0260

0,0033

0,0114

0,0156

0,0166

0,0181

0,0196

0,0029 0,0017 0,0096 0,0025 0,0020 0,0012

0,0097 0,0052 0,0237 0,0069 0,0035 0,0016

0,0153 0,0156 0,0820 0,0124 0,0114 0,0079

0,0162 0,0165 0,0831 0,0256 0,0119 0,0079

0,0171 0,0174 0,0894 0,0277 0,0126 0,0081

0,0174 0,0207 0,1067 0,0280 0,0150 0,0086

0,0031

0,0084

0,0248

0,0250

0,0256

0,0266

0,0028 0,0028 0,0015 0,0018 0,0014 0,0010

0,0090 0,0070 0,0047 0,0041 0,0037 0,0025

0,0302 0,0150 0,0078 0,0264 0,0143 0,0260

0,0305 0,0177 0,0079 0,0292 0,0235 0,0290

0,0322 0,0201 0,0086 0,0302 0,0237 0,0316

0,0326 0,0211 0,0141 0,0326 0,0238 0,0328

0,0014

0,0038

0,0285

0,0413

0,0442

0,0465

0,0024 0,0018

0,0053 0,0040

0,0199 0,0183

0,0218 0,0186

0,0227 0,0216

0,0465 0,0224

Hasil komputasi jarak Dice terbaik dengan resizing 64×64 piksel dan jendela ekstraksi ciri 10×10 piksel Hasil Perhitungan Jarak

Nama Batik Ceplok Dempel Ceplok Kece Kawung Galar Kawung Kembang Cempoko Hitam Kawung_Picis Lereng_Kusuma Nitik Cengkeh Parang Barong Parang Curigo Parang_Kawung_Picis

k=2 0,0020 0,0015 0,0021

k=3 0,0052 0,0027 0,0057

k=4 0,0112 0,0299 0,0180

k=5 0,0116 0,0309 0,0212

k=6 0,0120 0,0337 0,0229

k=7 0,0183 0,0389 0,0266

0,0043

0,0112

0,0168

0,0175

0,0186

0,0217

0,0034 0,0018 0,0099 0,0029 0,0022 0,0017

0,0096 0,0060 0,0251 0,0070 0,0040 0,0021

0,0162 0,0168 0,0793 0,0211 0,0110 0,0077

0,0171 0,0177 0,0838 0,0260 0,0112 0,0081

0,0172 0,0183 0,0856 0,0280 0,0115 0,0089

0,0174 0,0214 0,1013 0,0282 0,0158 0,0096


L52

Hasil komputasi jarak Dice terbaik dengan resizing 64×64 piksel dan jendela ekstraksi ciri 10×10 piksel (Lanjutan) Hasil Perhitungan Jarak

Nama Batik Parang Keris Parang_Klitik Parang_Kunci Parang Kusumo Ukel Parang Pancing Parang Tuding Parisewuli Seling Pamor Tambal Truntum

k=2 0,0031 0,0029 0,0016

k=3 0,0092 0,0074 0,0045

k=4 0,0294 0,0170 0,0074

k=5 0,0310 0,0185 0,0077

k=6 0,0317 0,0204 0,0083

k=7 0,0336 0,0262 0,0159

0,0031

0,0039

0,0263

0,0294

0,0294

0,0326

0,0016

0,0040

0,0229

0,0231

0,0231

0,0236

0,0030

0,0047

0,0266

0,0290

0,0323

0,0339

0,0025

0,0047

0,0413

0,0421

0,0457

0,0465

0,0033 0,0025

0,0057 0,0053

0,0180 0,0194

0,0193 0,0198

0,0221 0,0220

0,0439 0,0246

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE

Recommend Documents