database. Nilai variasi urutan sampel dari database tersebut akan mengeluarkan urutan dari motif batik Yogyakarta sebagai keluaran sesuai dengan urutan inisialisasi. Untuk k=3
ini akan mendapatkan dua dari urutan inisialisasi citra serta yang sisa satunya adalah perbandingan dari urutan inisialisasi yang paling minimum dari citra yang lain. Nilai
urutan dua akan menjadi keluaran di pengenalan ini. Nilai kelas yang paling banyak muncul yang menjadi keluaran.
4.6.3. Untuk Kelas Menggunakan k-Nearest Neighbor k-NN k=5
a. Hasil Pengenalan Terbaik Dari Jendela Ekstraksi Ciri Menggunakan k-NN
k=5
Dari presentase ekstraksi ciri pengujian di tabel 4.8 dan gambar 4.14 tingkat pengenalan yang terbaik adalah pada nilai variasi resizing 200
×
200 piksel. Untuk tingkat pengenalannya tidak mencapai 100, tetapi tingkat pengenalannya hanya 93,18. 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 agar pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension DCT 2-D juga semakin besar. Pengenalan ini akan dikenal sebesar 100
dengan jendela ekstraksi cirinya di atas 10×10 piksel. Nilai pengujian yang terbaik dari k- Nearest Neighbor k-NN k=5 dapat dilihat pada tabel 4.21 dan gambar 4.26.
Tabel 4.21. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=5 Resizing 200×200 piksel
Jendela Hasil Presentase
4×4 75,45
5×5 89,09
6×6 89,55
7×7 90,45
8×8 91,36
9×9 92,73
10×10 93,18
Gambar 4.26 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 4.26. Tingkat pengenalan dari variasi resizing 200×200 piksel terhadap jendela ekstraksi ciri
b. Hasil Pengenalan Terbaik Dari Rotasi Menggunakan k-NN k=5
Dari presentase rotasi pengujian di tabel 4.9 dan gambar 4.15 didapatkan hasil presentase pengujian dari hasil percobaan. Untuk hasil terbaik didapatkan hasil 100
dengan resizing 200×200 piksel rotasi -7,5. Pengujian ini tidak semua rotasi yang diuji akan dikenali semua, ada cukup sedikit yang dikenali secara salah seperti rotasi -12,5°, -
2,5°, 2,5°, 7,5°, dan 12,5°. Hal ini disebabkan oleh nilai rotasi yang lebih besar atau kurang dari 0° rotasinya akan sedikit berubah seperti aslinya. Variasi nilai 0° yang berarti gambar
asli tanpa rotasi. Dari hasil presentase pada tabel 4.22 dan gambar 4.27 menampilkan citra dengan nilai rotasi yang nilainya minimum dan maksimum dari 0° akan sedikit jauh
perbandingan nilai presentasenya. Untuk memperbaiki agar pengenalan tersebut dapat dikenali secara benar dengan memperbesar ukuran variasi dari resizing dan jendela
ekstraksi ciri. Pengaruh kelas k pada k-Nearest Neighbor k-NN juga mempengaruhi pengenalan. Semakin besar kelas k-Nearest Neighbor k-NN maka pengenalannya akan
berkurang yang disebabkan oleh nilai perhitungan jarak akan diambil nilai minimumnya sebanyak k pada k-Nearest Neighbor k-NN. Pengambilan menggunakan k-Nearest
Neighbor k-NN dengan nilai di atas k=1 akan membuat perbandingan yang banyak, karena setiap sampel database yang berisi variasi citra asli, rotasi dan skalanya mempunyai
10 20
30 40
50 60
70 80
90 100
4×4 5×5
6×6 7×7
8×8 9×9
10×10 T
in g
k a
t P
e n
g e
n a
la n
Jendela Ekstraksi Ciri
Tingkat Pengenalan Dari Variasi Resizing 200×200 Piksel Terhadap Jendela
Ekstraksi Ciri
Jendela
nilai jarak masing-masing. Banyaknya perbandingan dari hasil nilai jarak yang paling minimum tersebut akan membuat pengenalannya semakin berkurang, karena harus
membandingkan dengan citra yang lainnya. Tabel 4.22. Tingkat Presentase terbaik dari rotasi 200×200 piksel dengan k-NN k=5
Resizing 200×200 piksel Rotasi
Hasil Presentase -12,5°
66 -7,5°
96
-2,5° 85
2,5° 86
7,5° 95
12,5° 69
Gambar 4.27 menampilkan tingkat pengenalan dengan rotasi terbaik -7,5° dengan resizing 200×200 piksel dari k-Nearest Neighbor k-NN k=5. Dari gambar 4.27 dapat
disimpulkan bahwa semakin besar atau maksimum nilai rotasi maka akan banyak yang dikenali secara salah ataupun sebaliknya dengan nilai minimum yang semakin banyak
dikenali. Nilai asli dari citra rotasinya adalah 0° bila melebihi dari nilai rotasi itu banyak yang dikenali secara salah.
Gambar 4.27. Tingkat pengenalan dengan rotasi dan resizing 200×200 piksel dari k-NN k=5
10 20
30 40
50 60
70 80
90 100
-12,5° -7,5°
-2,5° 2,5°
7,5° 12,5°
T in
g k
a t
P e
n g
e n
a la
n
Rotasi
Tingkat Pengenalan Dengan Rotasi Dan Resizing
200×200 Piksel Dari k-NN k=5
Rot asi
c. Hasil Pengenalan Terbaik Dari Skala Menggunakan k-NN k=5
