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.
4.6.4. Untuk Kelas Menggunakan k-Nearest Neighbor k-NN k=7
a. 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
10 20
30 40
50 60
70 80
90 100
92,5 97,5
102,5 107,5
112,5 T
in g
k a
t P
e n
g e
n a
la n
Skala
Tingkat Pengenalan Dengan Skala Dan Resizing
128×128 Piksel Dari k-NN k=5
Skala
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.
Gambar 4.29. Tingkat pengenalan dari variasi resizing 200×200 piksel terhadap jendela ekstraksi ciri
b. Hasil Pengenalan Terbaik Dari Rotasi Menggunakan k-NN k=7
