Klasifikasi Motif Batik Solo Menggunakan Histogram Of Oriented Gradient Dan Learning Vector Quantization

Reyhan Radifan Jordy, Rita Magdalena, Ledya Novamizanti

Abstract

Abstrak Batik merupakan salah satu warisan nenek moyang nusantara yang telah diakui dunia. Batik sudah merupakan bagian dari masyarakat Indonesia sejak dulu. Batik-batik tersebut memiliki motif dan ciri khas yang berbeda-beda. Karena nilai budaya dan sejarah yang tinggi, penulis membuat simulasi sistem yang dapat mendeteksi jenis motif batik untuk memudahkan pengenalan jenis motif batik. Proses yang dilakukan dalam perancangan ini dengan mengambil citra motif batik dengan menggunakan kamera digital kemudian dilakukan preprocessing dengan meresize citra, lalu mengubah citra RGB menjadi grayscale, setelah itu menggunakan edge detection (Canny algorithm). Setelah tahap preprocessing selesai selanjutnya melakukan ekstraksi ciri dengan menggunakan Histogram Of Oriented Gradient dan mengklasifikasikannya dengan menggunakan Learning Vector Quantization.Setelah dilakukan pengujian sistem klasifikasi motif batik dengan 18 citra latih (6 citra untuk masing masing batik) dan 30 citra uji (10 citra untuk maisng masing batik) dengan parameter HOG dan LVQ yang berbeda didapatkan nilai akurasi sebesar 90% dan waktu komputasi rata rata 2,6591 detik Kata kunci : Batik, Histogram Of Oriented Gradient, Learning Vector Quantization Abstract Batik is one of the ancestral heritage of the archipelago that has been recognized world. Batik has been part of Indonesian society since the first. Batik has different motives and characteristics. Due to high cultural and historical values, the authors make simulations of systems that can detect types of batik motifs to facilitate the introduction of types of batik motifs. The process undertaken in this design by taking the image of batik motif by a digital camera then preprocessing by resizing the image, then changing the RGB image to grayscale, then using edge detection (Canny algorithm). After the preprocessing stage is complete, then perform feature extraction using Histogram Of Oriented Gradient and classify it using Learning Vector Quantization.After testing the batik motif classification system with 18 training images (6 images for each batik) and 30 test images (10 images for each batik) with different HOG and LVQ parameters, the accuracy value was 90% and the average computing time was 2,6591 seconds Keywords : Batik, Histogram Of Oriented Gradient, Learning Vector Quantization

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0