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
Dari hasil presentase yang sudah dibahas sebelumnya akan didapatkan hasil pengenalan yang paling terbaik dari setiap kelas k-Nearest Neighbor k-NN untuk
pengenalan motif batik Yogyakarta. Untuk kelas k=1, 3, 5, dan 7 akan memiliki hasil pengenalan terbaiknya masing-masing.
4.6.1. Untuk Kelas Tanpa Menggunakan k-Nearest Neighbor k-NN k=1
a. Hasil Pengenalan Terbaik Dari Jendela Ekstraksi Ciri Tanpa k-NN k=1
Dari presentase ekstraksi ciri di tabel 4.2 dan gambar 4.8 tingkat pengenalan yang terbaik adalah pada nilai variasi resizing 128
×
128 piksel. Untuk tingkat pengenalannya
tidak mencapai 100, tetapi tingkat pengenalannya hanya 99,09. Ini disebabkan oleh jendela ekstraksi ciri yang terlalu kecil nilai variasinya. Untuk memperbaiki agar
pengenalan tersebut mencapai 100, nilai dari variasi jendela ekstraksi ciri harus besar nilainya. Pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension
DCT 2-D yang berbentuk bujur sangkar dalam pengambilan hasil DCT 2-D, lingkupannya harus luas dalam pengambilan sisi kiri atas agar tingkat pengenalan semakin
tinggi. Pengenalan ini akan dikenal secara benar dengan tingkat presentase sebesar 100 dengan ketentuan jendela ekstraksi cirinya di atas 10×10 piksel. Terjadinya tingkat
pengenalan yang besar tidak hanya di bagian 7×7, 8×8, 9×9, dan 10×10 piksel seperti di tabel 4.15, tetapi bila jendela ekstraksi cirinya di atas 10×10 piksel pengenalan akan
dikenali semua dari variasi rotasi, skala dan resizing. Pengenalan akan semakin baik apabila resizing nya dibesarkan lebih dari citra asli dan jendela ekstraksi cirinya lebih dari
10×10 piksel. Nilai pengujian yang terbaik dari k-NN k=1 dapat dilihat pada tabel 4.15 dan gambar 4.20.
Tabel 4.15. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=1 Resizing 128
×
128 Piksel Jendela
Hasil Presentase 4×4
86,82 5×5
95 6×6
97,27 7×7
99,09 8×8
99,09 9×9
99,09 10×10
99,09
Gambar 4.20 menampilkan tingkat pengenalan dari variasi resizing 128×128 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. Dari gambar 4.20 nilai
ekstraksi ciri 7×7, 8×8, 9×9, dan 10×10 tingkat pengenalannya stabil dengan nilai 99,09 dan 4×4, 5×5, dan 6×6 piksel tingkat pengenalannya kecil, karena nilai variasi jendela
ekstraksi ciri nya kecil.
Gambar 4.20. Tingkat pengenalan dari variasi resizing 128×128 piksel terhadap Jendela ekstraksi ciri
b. Hasil Pengenalan Terbaik Dari Rotasi Tanpa k-NN k=1
