seperti yang sudah dijelaskan. Hal ini disebabkan oleh nilai hasil jarak yang paling
minimum diambil sebanyak kelas k akan membuat sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya.
c. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Skala
Menggunakan k-NN k=7
Dari skala k=7 dapat dilihat di tabel lampiran 36 dan 37 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin
kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100 pada variasi resizing 64
×
64 piksel dengan citra skala 107,5, 112,5, dan resizing 32
×
32 piksel dengan citra skala 102,5, 107,5. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100, karena nilai skala di
bawah 100 citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension DCT 2-D.
Tabel 4.13. Tingkat Pengenalan Pengaruh untuk k-NN k=7 terhadap pengaruh masukan variasi Skala
Resizing Piksel
Skala 92,5
97,5 102,5
107,5 112,5
200
×
200 97
87 97
98 99
128
×
128 99
88 96
96 95
64
×
64 95
72 99
100 100
32
×
32 96
99
100 100
99 16
×
16 85
74 91
91 69
Dari tabel 4.13 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.19. Grafik pada gambar tersebut menunjukkan bahwa
semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak
berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.19. Grafik tingkat pengenalan kelas k=7 terhadap pengaruh masukan variasi Skala
4.5. Pengaruh Dari Berbagai Variasi Untuk Pengenalan Motif Batik Yogyakarta
Dari lampiran 20 sampai 37 yang dibagian hasil tidak dimasukkan ke database, data hasil percobaan dari pengujian pengenalan motif batik Yogyakarta, pengenalan
kurang mengenali citra dengan baik dan banyak citra yang akan dikenali secara salah. Hal tersebut disebabkan oleh nilai variasi rotasi dan skala tidak dimasukkan dan tidak dijadikan
sebagai database. Untuk pengujian ini seharusnya citra masukan atau citra uji harus ada perbandingan dengan database. Citra yang tidak menggunakan database, perbandingan
dari citra masukan dengan database nya tidak ada. Jika tidak ada database akan sulit untuk mengenali dan membandingkannya, tetapi sedikit yang akan dikenali secara benar.
Untuk bagian rotasi banyak citra yang tidak dikenali karena bagian yang bukan dari citra akan ikut diproses. Bagian yang ikut diproses adalah yang berwarna putih yang
disebabkan oleh berputarnya citra dari variasi rotasi. Cara agar citra tersebut dapat dikenali secara baik adalah dengan memperbesar jendela ekstraksi ciri. Dari presentase tingkat
pengenalan lampiran 20 sampai 37 dibagian hasil tidak dimasukkan ke database dapat dilihat semakin kecil ukuran resizing, pengenalannya semakin banyak yang dikenali secara
salah. Citra yang banyak tidak dikenali adalah ukuran resizing 16
×
16 piksel. Pengaruh dari resizing 16
×
16 piksel yang tingkat ukuran piksel terlalu kecil berpengaruh terhadap
pengenalan, hal ini disebabkan oleh citra yang sedikit pecah dan kotak-kotak akibat dari ukuran piksel yang terlalu kecil.
Untuk nilai variasi kelas k dari k-Nearest Neighbor k-NN yang semakin besar, akan menyebabkan makin banyaknya nilai minimum dari hasil perhitungan jarak yang
akan diambil sebanyak k pada k-Nearest Neighbor k-NN dan digunakan untuk membedakan antara nilai minimum citra motif batik Yogyakarta yang satu dengan citra
motif batik Yogyakarta yang lainnya. Hal ini akan semakin sulit untuk membedakan antara citra motif batik Yogyakarta yang satu dengan citra motif yang lainnya karena banyaknya
kelas k yang digunakan untuk penentuan keluaran. Masalah ini akan menyebabkan semakin rendahnya tingkat pengenalan dengan menggunakan nilai kelas k yang besar.
Masalah rendahnya tingkat pengenalan tidak hanya pada pengaruh kelas k pada k-Nearest Neighbor k-NN, seperti yang ada pada Tabel 4.14 menampilkan variasi resizing dan
jendela ekstraksi ciri juga berpengaruh terhadap pengenalan motif batik Yogyakarta. Citra masukan dengan nilai variasi rotasi dan skala yang terlalu besar dari aslinya juga akan
mempengaruhi pengenalan. Tabel 4.14. Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi
Resizing dan Jendela Ekstraksi Ciri Variasi
Resizing Piksel
Resizing Hasil DCT
Ekstraksi Ciri 200
×
200 4
×
4 5
×
5 6
×
6
7
×
7 8
×
8 9
×
9
10
×
10
Tabel 4.14. Lanjutan Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan Jendela Ekstraksi Ciri
Variasi Resizing
Piksel Resizing
Hasil DCT Ekstraksi Ciri
128
×
128 4
×
4 5
×
5 6
×
6
7
×
7 8
×
8 9
×
9
10
×
10
64
×
64 4
×
4 5
×
5 6
×
6
7
×
7 8
×
8 9
×
9
10
×
10
32
×
32 4
×
4 5
×
5 6
×
6
Tabel 4.14. Lanjutan Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan Jendela Ekstraksi Ciri
Variasi Resizing
Piksel Resizing
Hasil DCT Ekstraksi Ciri
7
×
7 8
×
8 9
×
9
10
×
10
16
×
16 4
×
4 5
×
5 6
×
6
7
×
7 8
×
8 9
×
9
10
×
10
Tabel 4.14 adalah gambar salah satu citra motif batik Yogyakarta dengan setiap variasi Resizing dan jendela ekstraksi ciri. Dari gambar dapat diperhatikan bahwa semakin
kecil ukuran variasi resizing, maka kualitas citra pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing maka citra semakin terlihat tidak
berbentuk seperti citra masukan, sehingga tingkat pengenalannya semakin rendah. Semakin kecil ukuran variasi resizing maka ukuran citra semakin kecil dan piksel gambar
semakin pecah-pecah, semakin besar ukuran variasi resizing tingkat pengenalannya semakin tinggi dan akan dikenali secara benar. Untuk mengatasi pengenalan ini agar bisa
mengenali citra maka digunakan jendela ekstraksi ciri untuk mengambil bagian pojok sisi kiri atas dari hasil ekstraksi ciri Discrete Cosine Transform Two Dimension DCT 2-D.
Dari pengenalan citra motif batik Yogyakarta jendela ekstraksi cirinya dapat dilihat pada tabel 4.14 bagian ekstraksi ciri, semakin rendah variasi didalam pengambilan hasil
ekstraksi ciri Discrete Cosine Transform Two Dimension DCT 2-D maka tingkat pengenalannya semakin rendah. Jendela ekstraksi ciri pemprosesannya sama dengan
variasi resizing, semakin tinggi nilai variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan oleh pengambilan kotak dari variasi
jendela ekstraksi ciri semakin besar. Pada tabel 4.14 memperlihatkan hasil ekstraksi ciri salah satu motif batik
Yogyakarta dari setiap variasi resizing dan jendela ekstraksi ciri. Gambar di dalam tabel 4.14 dibagian variasi resizing adalah gambar citra dengan berbagai nilai variasi resizing,
kemudian ditransformasikan sesuai dengan ukuran variasi resizing dapat dilihat digambar hasil Discrete Cosine Transform Two Dimension DCT 2-D. Hasil Discrete Cosine
Transform Two Dimension DCT 2-D akan menyesuaikan ukurannya dengan ukuran variasi resizing yang dipilih oleh user. Hasil jendela ekstraksi ciri yang didapatkan dari
hasil Discrete Cosine Transform Two Dimension DCT 2-D akan mengikuti ukuran dari variasi resizing yang berbeda-beda bentuknya sesuai dengan citra masukan dan hasil DCT
2-D tersebut akan divariasikan jendela ekstraksi cirinya. Hasil dari jendela ekstraksi tersebut adalah hasil ekstraksi ciri yang didapatkan.
4.6. Hasil Pengenalan Terbaik Dari Setiap Kelas k-Nearest Neighbor k- NN
