KLASIFIKASI CITRA BATIK SUMATERA MENGGUNAKAN NAÏVE BAYES BERBASIS FITUR EKSTRAKSI GLCM

Daurat Sinaga, Cahaya Jatmoko

Abstract


Salah satu budaya Indonesia yang masih tetap bertahan hingga sekarang adalah batik. Hingga saat ini, ragam motif batik terus berkembang di nusantara seperti batik kawung, batik parang, batik sidomukti, dll. Banyaknya pola batik di Indonesia membuat identifikasi menjadi sulit dan membutuhkan suatu sistem yang dapat mengklasifikasikan motif batik. Pada penelitian ini akan menggunakan sistem dengan mengusulkan metode ekstraksi fitur tekstur menggunakan metode Gray Level Co-Occurrence Matix (GLCM) serta klasifikasi jenis motif batik dengan Naïve Bayes. Terdapat 15 motif Batik Sumatera yang digunakan dalam penelitian ini, di mana jenis batik ini meliputi daerah asal yaitu Aceh, Sumatra Utara, Sumatra Barat, Riau, Jambi, Bengkulu, Sumatera Selatan, Kepulauan Bangka Belitung dengan 100 dataset untuk setiap motifnya. Penelitian ini menggunakan 1500 dataset citra batik, dengan split data 70:30 sehingga 1050 citra digunakan sebagai Data Training dan 450 citra digunakan sebagai data testing. Parameter GLCM yang dipakai yaitu contrast, correlation, energy, entropi, dan homogeniti. Dari hasil percobaan diketahui bahwa Naïve Bayes menghasilkan akurasi hingga 96,66%.


Full Text:

PDF

References


Agastya, I. M. A., & Setyanto, A. (2018). Classification of Indonesian batik using deep learning techniques and data augmentation. Proceedings - 2018 3rd International Conference on Information Technology, Information Systems and Electrical Engineering, ICITISEE 2018, 27–31.

Andono, P. N., & Rachmawanto, E. H. (2021). Evaluasi Ekstraksi Fitur GLCM dan LBP Menggunakan Multikernel SVM untuk Klasifikasi Batik. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 1–9.

Andrian, R., Naufal, M. A., Hermanto, B., Junaidi, A., & Lumbanraja, F. R. (2019). K-Nearest Neighbor (K-NN) Classification for Recognition of the Batik Lampung Motifs. Journal of Physics: Conference Series, 1338(1), 012061.

Anjas, M., Akbar, D., Setiawan, A. B., & Niswatin, R. K. (2021). Klasifikasi Jenis Ikan Cupang Menggunakan Metode GLCM Dan KNN. Seminar Nasional Inovasi Teknologi, 152–158.

Azhar, Y., Mustaqim, Moch. C., & Minarno, A. E. (2021). Ensemble convolutional neural network for robust batik classification. IOP Conference Series: Materials Science and Engineering, 1077(1), 012053.

Fadlil, A., Riadi, I., & Putra, I. J. D. E. P. (2023). Comparison of Machine Learning Performance Using Naive Bayes and Random Forest Methods to Classify Batik Fabric Patterns. Revue d’Intelligence Artificielle, 37(2), 379–385.

Minarno, A. E., Setiawan Sumadi, F. D., Wibowo, H., & Munarko, Y. (2020). Classification of batik patterns using K-Nearest neighbor and support vector machine. Bulletin of Electrical Engineering and Informatics, 9(3), 1260–1267.

Nasir, M., Suciati, N., & Wijaya, A. Y. (2017). Kombinasi Fitur Tekstur Local Binary Pattern yang Invariant Terhadap Rotasi dengan Fitur Warna Berbasis Ruang Warna HSV untuk Temu Kembali Citra Kain Tradisional. Inspiration : Jurnal Teknologi Informasi Dan Komunikasi, 7(1).

Nurhaida, I., Wei, H., Zen, R. A. M., Manurung, R., & Arymurthy, A. M. (2016). Texture fusion for batik motif retrieval system. International Journal of Electrical and Computer Engineering, 6(6), 3174–3187.

Riadi, I., Fadlil, A., & D.E Purwadi Putra, I. J. (2023). Batik Pattern Classification using Naïve Bayes Method Based on Texture Feature Extraction. Khazanah Informatika : Jurnal Ilmu Komputer Dan Informatika, 9(1).

Saputra, S., Yudhana, A., & Umar, R. (2022). Implementation of Naïve Bayes for Fish Freshness Identification Based on Image Processing. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 6(3), 412–420.

Sholihin, M. (2018). Classification of Batik Lamongan Based on Features of Color, Texture and Shape. Kursor, 9(1), 25–32.

Sholihin, M., Mujilahwati, S., & Wardhani, R. (2017). CLASSIFICATION OF BATIK LAMONGAN BASED ON FEATURES OF COLOR, TEXTURE AND SHAPE. Jurnal Ilmiah KURSOR, 9(1), 25–32.

Wella, Ni Made Satvika Iswari, & Ranny. (2017). Perbandingan Algoritma kNN, C4.5, dan Naive Bayes dalam Pengklasifikasian Kesegaran Ikan Menggunakan Media Foto. ULTIMATICS, IX(2), 114–117. https://www.cs.waikato.ac.nz/ml/weka/

Widyantoko, Z., Purwati Widowati, T., Isnaini, I., & Trapsiladi, P. (2021). Expert role in image classification using CNN for hard to identify object: distinguishing batik and its imitation. IAES International Journal of Artificial Intelligence (IJ-AI), 10(1), 93.

Yudhana, A., Umar, R., & Saputra, S. (2022). Fish Freshness Identification Using Machine Learning: Performance Comparison of k-NN and Naïve Bayes Classifier. Journal of Computing Science and Engineering, 16(3), 153–164.




DOI: https://doi.org/10.30998/semnasristek.v8i01.7148

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: