Pengenalan Motif Batik Banyuwangi Berdasarkan Fitur Grey Level Co-Occurrence Matrix

Lutfi Hakim, Sepyan Purnama Kristanto, Dianni Yusuf, Fitri Nur Afia

Abstract


Batik merupakan salah satu warisan budaya Indonesia yang diakui dunia dan telah ada sejak jaman penjajahan. Indonesia memiliki beragam motif batik yang berbeda setiap daerah, sehingga menyebabkan banyak masyarakat awam dan wisatawan sulit membedakan dan mengenali motif-motif yang ada. Kabupaten Banyuwangi sendiri memiliki lebih dari 10 motif batik, diantara adalah motif batik motif gajah oling yang merupakan motif batik tertua. Untuk menjaga kelestarian budaya dan mendukung aspek pariwisata di Banyuwangi yang semakin berkembang, penelitian ini melakukan pengembangan sistem pengenalan motif batik Banyuwangi berbasiskan pengolahan citra digital. Sistem ini dibangun menggunakan bahasa python dan mampu mengenali tiga kelas motif batik Banyuwangi, seperti motif batik Gajah Oling, Kopi Pecah dan motif batik selain keduanya. Proses pengenalan mengusulkan metode ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM) dan metode klasifikasi k-Nearest Neighbors (k-NN). Berdasarkan eksperimen yang telah dilakukan didapatkan akurasi optimal sebesar 87,5% dengan parameter K dari algorima kNN adalah 9.

Full Text:

PDF

References


I. Ratnawati, Batik Gajah Oling Banyuwangi. Malang: Pustaka Kaiswaran, 2011.

I. M. A. Agastya and A. Setyanto, “Classification of Indonesian batik using deep learning techniques and data augmentation,” Proc. - 2018 3rd Int. Conf. Inf. Technol. Inf. Syst. Electr. Eng. ICITISEE 2018, pp. 27–31, 2018, doi: 10.1109/ICITISEE.2018.8720990.

C. U. Khasanah, E. Utami, and S. Raharjo, “Implementation of Data Augmentation Using Convolutional Neural Network for Batik Classification,” 2020 8th Int. Conf. Cyber IT Serv. Manag. CITSM 2020, pp. 20–24, 2020, doi: 10.1109/CITSM50537.2020.9268890.

T. Bariyah, M. A. Rasyidi, and N. Ngatini, “Convolutional Neural Network untuk Metode Klasifikasi Multi-Label pada Motif Batik,” Techno.Com, vol. 20, no. 1, pp. 155–165, 2021, doi: 10.33633/tc.v20i1.4224.

D. Hardiyanto, S. Kristiyana, D. Kurniawan, and D. A. Sartika, “Klasifikasi Motif Citra Batik Yogyakarta Menggunakan Metode Adaptive Neuro Fuzzy Inference System,” Setrum Sist. Kendali-Tenaga-elektronika-telekomunikasi-komputer, vol. 8, no. 2, p. 229, 2019, doi: 10.36055/setrum.v8i2.6545.

A. S. Amal et al., “Motif dan Corak Batik Jawa Timur,” Umm, pp. 1–12, 2014.

B. S. V, A. Unnikrishnan, and K. Balakrishnan, “Grey Level Co-Occurrence Matrices: Generalisation and Some New Features,” Int. J. Comput. Sci. Eng. Inf. Technol., vol. 2, no. 2, pp. 151–157, 2012, doi: 10.5121/ijcseit.2012.2213.

Z. Zhang, “Introduction to machine learning: k-nearest neighbors,” Ann. Transl. Med., vol. 4, no. 11, pp. 218–218, 2016, doi: 10.21037/atm.2016.03.37.

A. (Lovely P. U. Singh and B. Pandey, “An Euclidean Distance based kNN Computational Method for Assessing Degree of Liver Damage.”

D. J. Im and G. W. Taylor, “Learning a metric for class-conditional KNN,” Int. Jt. Conf. Neural Networks, pp. 1932–1939, 2016, doi: 10.1109/IJCNN.2016.7727436.

L. Hakim, A. D. Wibawa, E. Septiana Pane, and M. H. Purnomo, “Emotion Recognition in Elderly Based on SpO2 and Pulse Rate Signals Using Support Vector Machine,” Proc. - 17th IEEE/ACIS Int. Conf. Comput. Inf. Sci. ICIS 2018, pp. 474–479, 2018, doi: 10.1109/ICIS.2018.8466489.

L. Hakim, S. P. Kristanto, A. Z. Khoirunnisaa, and A. D. Wibawa, “Multi- scale Entropy and Multiclass Fisher ’s Linear Discriminant for Emotion Recognition based on Multimodal Signal,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 5, no. 1, pp. 71–78, 2020.

C. Irawan, E. N. Ardyastiti, D. R. I. M. Setiadi, E. H. Rachmawanto, and C. A. Sari, “A survey: Effect of the number of GLCM features on classification accuracy of lasem batik images using K-nearest neighbor,” 2018 Int. Semin. Res. Inf. Technol. Intell. Syst. ISRITI 2018, pp. 33–38, 2018, doi: 10.1109/ISRITI.2018.8864443.

A. A. Kasim, R. Wardoyo, and A. Harjoko, “Batik classification with artificial neural network based ontexture-shape feature of main ornament,” Int. J. Intell. Syst. Appl., vol. 9, no. 6, pp. 55–65, 2017, doi: 10.5815/ijisa.2017.06.06.

A. R. Juwita and A. Solichin, “Batik pattern identification using GLCM and artificial neural network backpropagation,” Proc. 3rd Int. Conf. Informatics Comput. ICIC 2018, 2018, doi: 10.1109/IAC.2018.8780412.

N. Yunari, E. M. Yuniarno, and M. H. Purnomo, “Indonesian batik image classification using statistical texture feature extraction Gray Level Co-occurrence Matrix (GLCM) and Learning Vector Quantization (LVQ),” J. Telecommun. Electron. Comput. Eng., vol. 10, no. 2–3, pp. 67–71, 2018.

R. A. Surya, “Ekstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix,” Prosiding, 6 Desember 2016, Vol 2 No. 1, vol. 2, no. 1, pp. 146–150, 2016, [Online]. Available: http://ars.ilkom.unsri.ac.id.




DOI: https://doi.org/10.33365/jti.v16i1.1320

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Lutfi Hakim, Sepyan Purnama Kristanto, Dianni Yusuf, Fitri Nur Afia

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JURNAL TEKNOINFO
Published by Universitas Teknokrat Indonesia
Organized by Prodi S1 Informatika FTIK Universitas Teknokrat Indonesia

W: http://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index
E : teknoinfo@teknokrat.ac.id.
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhan Ratu, Bandarlampung

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jumlah Pengunjung : View Teknoinfo StatsCounter

Flag Counter