Klasifikasi Motif Batik Karawang Berbasis Citra Digital dengan Principal Component Analysis dan K-Nearest Neighbor

Abstract

Batik ialah salah satu budaya Indonesia yang dikenal sebagai warisan, batik telah ada pada zaman kerajaan terdahulu serta selalu digunakan oleh para raja. Seiring dengan perkembangan zaman, kain batik semakin bervariasi dengan motif yang berbeda pada setiap daerah. Karena itu terdapat banyak sekali jenis motif batik yang ada di Indonesia, menyebabkan sulitnya mengidentifikasi motif pada batik jika hanya mengandalkan panca indera, karena motif dan warna batik yang bervariasi. Oleh karena itu, citra digital dapat dijadikan langkah awal dalam mengklasifikasi motif batik Karawang. Proses pengolahan citra merupakan penelitian yang sangat berkembang. Pengawasan terhadap proses deteksi pada objek, pengelompokkan objek dan jenis motif batik. Pada penelitian ini klasifikasi terhadap citra motif batik Karawang dengan ciri warna HSV dan ciri tekstur GLCM, LBP. Dengan Langkah awal citra masukan RGB yang ke dalam warna HSV dan citra masukan RGB masukan ke dalam warna grayscale atau citra keabuan untuk dicari ciri bentuk dan tekstur. Proses klasifikasi motif batik menjadi 4 kelas, yaitu: batik citarum, batik cere bulu, batik leuit, batik bulir padi. Dengan metode klasifikasi KNN, dataset yang digunakan sebanyak 200, dan pengujian menggunakan nilai K = 3, K = 5, K = 7. Nilai tertinggi tertinggi pada K = 3 sebesar 95%, presisi 95%, recall 100% dan f-measure 97%. Hal ini menunjukan bahwa klasifikasi motif batik Karawang dapat dilakukan dengan menggunakan algorima KNN. Dengan Langkah awal citra masukan RGB yang ke dalam warna HSV dan citra masukan RGB masukan ke dalam warna grayscale atau citra keabuan untuk dicari ciri bentuk dan tekstur. Proses klasifikasi motif batik menjadi 4 kelas, yaitu: batik citarum, batik cere bulu, batik leuit, batik bulir padi. Dengan metode klasifikasi KNN, dataset yang digunakan sebanyak 200, dan pengujian menggunakan nilai K = 3, K = 5, K = 7. Nilai tertinggi tertinggi pada K = 3 sebesar 95%, presisi 95%, recall 100% dan f-measure 97%. Hal ini menunjukan bahwa klasifikasi motif batik Karawang dapat dilakukan dengan menggunakan algorima KNN. Dengan Langkah awal citra masukan RGB yang ke dalam warna HSV dan citra masukan RGB masukan ke dalam warna grayscale atau citra keabuan untuk dicari ciri bentuk dan tekstur. Proses klasifikasi motif batik menjadi 4 kelas, yaitu: batik citarum, batik cere bulu, batik leuit, batik bulir padi. Dengan metode klasifikasi KNN, dataset yang digunakan sebanyak 200, dan pengujian menggunakan nilai K = 3, K = 5, K = 7. Nilai tertinggi tertinggi pada K = 3 sebesar 95%, presisi 95%, recall 100% dan f-measure 97%. Hal ini menunjukan bahwa klasifikasi motif batik Karawang dapat dilakukan dengan menggunakan algorima KNN. Dengan metode klasifikasi KNN, dataset yang digunakan sebanyak 200, dan pengujian menggunakan nilai K = 3, K = 5, K = 7. Nilai tertinggi tertinggi pada K = 3 sebesar 95%, presisi 95%, recall 100% dan f-measure 97%. Hal ini menunjukan bahwa klasifikasi motif batik Karawang dapat dilakukan dengan menggunakan algorima KNN. Dengan metode klasifikasi KNN, dataset yang digunakan sebanyak 200, dan pengujian menggunakan nilai K = 3, K = 5, K = 7. Nilai tertinggi tertinggi pada K = 3 sebesar 95%, presisi 95%, recall 100% dan f-measure 97%. Hal ini menunjukan bahwa klasifikasi motif batik Karawang dapat dilakukan dengan menggunakan algorima KNN.