Implementasi Algoritma K-Nearest Neighbor untuk Mengklasifikasikan Motif Batik Besurek Bengkulu
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK MENGKLASIFIKASIKAN MOTIF BATIK BESUREK BENGKULU SKRIPSI WESTHYMA SIBARANI 101401071
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR
UNTUK MENGKLASIFIKASIKAN MOTIF
BATIK BESUREK BENGKULU
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Sarjana Ilmu Komputer
WESTHYMA SIBARANI
101401071
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK MENGKLASIFIKASIKAN MOTIF BATIK BESUREK BENGKULU
Kategori : SKRIPSI Nama : WESTHYMA SIBARANI Nomor Induk Mahasiswa : 101401071 Program Studi : S1 ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (Fasilkom-TI) Diluluskan di
Medan, September 2015 Komisi Pembimbing Pembimbing 2 Pembimbing 1 Drs.Marihat Situmorang,M.Kom Drs.Partano Siagian,M.Sc NIP. 196312141989031001 NIP. 195112271980031001 Diketahui/Disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Dr.Poltak Sihombing, M.Kom NIP.196203171991031001
PERNYATAAN
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK MENGKLASIFIKASIKAN MOTIF BATIK BESUREK BENGKULU SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 2015 Westhyma Sibarani NIM. 101401071
PENGHARGAAN
Pujian, hormat dan syukur buat kasih Allah Bapa, Tuhan Yesus Kristus dan Roh Kudus atas berkatNya yang begitu besar sehingga penulis dapat menyelesaikan penyusunan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada : 1. Bapak Prof. Subhillar, Ph.D selaku pejabat Rektor Universitas Sumatera Utara.
2. Bapak Prof.Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Dr.Poltak Sihombing,M.Kom selaku Ketua Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.
4. Ibu Maya Silvi Lydia, B.Sc,M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.
5. Bapak Drs.Partano Siagian,M.Sc selaku Dosen Pembimbing I yang telah memberikan bimbingan kepada penulis dalam pengerjaan skripsi.
6. Bapak Drs.Marihat Situmorang,M.Kom selaku Dosen Pembimbing II yang telah meluangkan waktu dan memberi masukan yang bermanfaat bagi penulis.
7. Ibu Dr.Elviawaty Muisa Zamzami,ST,MT,MM selaku Dosen Penguji I yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
8. Bapak Jos Timanta Tarigan,S.Kom, M.Sc selaku Dosen Penguji II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
9. Seluruh bapak/ibu dosen dan pegawai di Program Studi S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
10. Ayahanda M.Sibarani, ibunda M.Sihombing (Alm) dan E.Sihombing tercinta, saudaraku bang Parulian Sibarani,ST, bang Faber Zufrianton Sibarani,dan Lionel Teguh Sibarani yang selalu memberikan cinta dan kasih sayang,semangat,dana, dan doa tanpa henti kepada penulis.
11. Sahabat terkasih AGATHA (bang Boris Sirait, kak Desi Mariza Sinaga, Lennora Marbun,Sunfirst Lady Jeanfera Nababan,Tetti Sinaga,Noviyanti Sagala, dan Helen Sri Maharani) serta sahabat terkasih Dian Rahayu Purba, Amalia Dwi Putri,
Bernadet Elvina, Yuliza Andriany, bang Markus, dan adik Ls.Hari Simanjuntak yang terus memberikan dukungan dan doa bagi penulis
12. Adik kelompok terkasih AOPHIA (Janferson Panggabean, Tuti Simanjuntak, Anggi Fitriani Lumbanbatu, Astria Martina Silaban, dan Yonathan Hutapea)
13. Sanak keluarga besar baik opung,tulang dan nantulang no.1,3,dan4,kak Lawrellya, kak Ria,bang Boby,bang Gilbert,tulang Maringan Simanjuntak,Amd, tante Ruceh, tulang dan nantulang Pendeta, dan semua keluarga yang tetap mendukung penulis.
14. Teman-teman kampus LOGIC (bang Johanes G.Hutabarat, bang Yudhi Pangaribuan, bang Samuel Tarigan,bang Jonhri Sibarani, Johanes P.Saragih, Rivai H.Purba, Yansen Simatupang,Lorent Oliver Barus, Kurniawan Hutagaol, dan Hengky Gulo) , teman-teman KOMDIS,Arifin, para Hadeuh serta semua teman- teman Kom-A 2010 yang selalu mengingatkan, mendorong, memberikan semangat dan membantu dalam pengerjaan skripsi ini.
15. Adik junior di kampus Winda Sari Elisabeth,Baringin Sihite,Maya Hartina Hutagalung,Ardi,Toni A.Sianturi,Mangasa Manullang,Endang, Rosalia,Evelin, Maya K.Nasution dan semua adik-adik terkasih yang selama ini juga membantu dalam memberi semangat dan doa.
16. Abang/kakak/teman/adik semasa pelayanan di UKM KMK USU, UP FMIPA, dan Tim Kerja UKM KMK USU 2014 baik Tiara Tobing,Wahyu Rahyuni Butar- butar, Mardi Sirait,Octa Manurung, Harif Nepen Marbun, Gery L.Purba, kak Destriani, bang Jakup, Julfi, Fahmy, Marlina, Suryati
17. Semua pihak yang tidak dapat disebutkan penulis satu per satu yang telah membantu penyelesaian skripsi ini.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan, oleh karena itu penulis mengharapkan kritik dan saran yang membangun demi kesempurnaan skripsi ini.
Medan, 2015 Penulis
Westhyma Sibarani
ABSTRAK
Indonesia merupakan negara yang terkenal dengan salah satu kebudayaannya yaitu batik.Batik di Indonesia memiliki beragam corak dan motif yang pada umumnya beberapa daerah memiliki perbedaan. Dari perbedaan itu pula yang menjadi latar belakang untuk membahas mengenai batik dari daerah Bengkulu yaitu batik Besurek. Perkembangan teknologi di bidang pengenalan pola menjadi dasar dalam klasifikasi motif batik Besurek Bengkulu. K-NN (K-
Nearest Neighbor ) merupakan salah satu metode klasifikasi dalam data mining dimana
pengklasifikasiannya berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain dan jumlah anggota kelas terbanyak. Metode ekstraksi ciri dalam penelitian ini menggunakan
threshold dan deteksi tepi Robert. Citra yang dilatih dan diuji adalah citra batik Besurek
Bengkulu yang terdiri dari 4 kelas motif yaitu Relung Paku, Bunga Rafflesia, Burung Kuau, dan Rembulan dengan ukuran citra sebesar 100x100 piksel. Dari hasil pengujian didapati bahwa tingkat pengenalan untuk citra latih diperoleh nilai sebesar 100% pada k = 1 dan tingkat pengenalan untuk citra diluar citra latih diperoleh nilai sebesar 50% pada k= 3. Rata- rata waktu pengujian tercepat untuk citra latih diperoleh pada saat k = 5 sebesar 27,06 detik dan rata-rata waktu pengujian tercepat untuk citra diluar citra latih tercepat diperoleh pada saat k = 1 sebesar 31,94 detik.
Kata kunci : Data Mining, Ekstraksi Ciri, K-Nearest Neighbor, Motif Batik Besurek
Bengkulu.
ABSTRACT
Indonesia is a country which is well-known with its culture called Batik. Batik has various of pattern and motif which is generally different each area in Indonesia. The difference is the reason for researching about Bengkulu Batik called Besurek. The development of technology in feature identification sector is a basic in classifying Bengkulu Besurek Batik motif. K-NN (K-Nearest Neighbor) is one of classification methods of data mining which is based on nearness location(distance) of each data and the most amount of class member. Feature extraction method used in this research is threshold and Robert edge detection. Image training and testing are Bengkulu Besurek batik image which are contain of 4 motif classes that are Relung Paku, Bunga Rafflesia, Burung Kuau, and Rembulan which have a measurement of 100 x 100 pixels. According to the result of the testing, the degree of identification of image training is 100% on K = 1 and outside image training as big as 50 % on K = 3. The average of the fastest time testing of image training for K = 5 is 27.06 seconds and the fastest time testing of outside image training for K = 1 is 31.94 seconds.
Keywords : Bengkulu Besurek Batik Pattern, Data Mining, Feature Extraction, K-
Nearest Neighbor.DAFTAR ISI
Hal Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Gambar x
Daftar Tabel xii
Daftar Simbol xiii
Daftar Lampiran xvi
Bab I Pendahuluan
1.1 Latar Belakang
1
1.2 Rumusan Masalah
2
1.3 Batasan Masalah
2
1.4 Tujuan Penelitian
3
1.5 Manfaat Penelitian
3
1.6 Metodologi Penelitian
3
1.7 Sistematika Penulisan
4 Bab II Tinjauan Pustaka
2.1 Batik Besurek
6
2.1.1 Sejarah Batik Besurek Bengkulu
6
2.1.2 Jenis-jenis Motif Dasar Batik Besurek
7
2.2 Data Mining
9
2.3 K-Nearest Neighbor (K-NN)
10
2.3.1 Algoritma K-NN
11
2.4 Ekstraksi Ciri
2.4.1 Thresholding
13
2.4.2 Deteksi Tepi (Edge Detection)
14
2.4.2.1 Deteksi Tepi Robert
14
2.5 Pengenalan Pola (Pattern Recognition)
16
2.6 Format File Citra
18
2.6.1 JPEG (Joint Photographic Expert Group)
18 Bab III Analisis dan Perancangan Sistem
3.1 Analisis Sistem
19
3.1.1 Analisis Permasalahan
19
3.1.2 Analisis Kebutuhan
20
3.1.2.1 Analisis Kebutuhan Fungsional Sistem
20
3.1.2.2 Analisis Kebutuhan Non-Fungsional Sistem
20
3.1.3 Analisis Proses
21
3.1.3.1 Use Case Diagram
21
3.1.3.1.1 Use Case Pelatihan Sistem
22
3.1.3.1.2 Use Case Pengujian Sistem
23
3.1.3.2 Activity Diagram
25
3.1.3.2.1 Activity Diagram Pelatihan
25
3.1.3.2.2 Activity Diagram Pengujian
26
3.1.3.3 Sequence Diagram
27
3.1.3.3.1 Sequence Diagram Pelatihan
27
3.1.3.3.2 Sequence Diagram Pengujian
28
3.2 Perancangan Sistem
28
3.2.1 Flowchart Sistem
28
3.2.1.1 Flowchart Proses Pelatihan
28
3.2.1.2 Flowchart Subproses Ekstraksi Ciri
29
3.2.1.3 Flowchart Proses Pengujian
30
3.2.2 Perancangan Antarmuka
31
3.2.2.1 Perancangan Antarmuka Beranda
31
3.2.2.2 Perancangan Antarmuka Bantuan
32
3.2.2.3 Perancangan Antarmuka Pelatihan
33
3.2.2.4 Perancangan Antarmuka Pengujian
35
3.2.2.5 Perancangan Antarmuka Keluar
37 Bab IV Implementasi dan Pengujian
4.1 Implementasi Sistem
39
4.1.1 Tampilan Antarmuka Sistem
39
4.1.1.1 Tampilan Antarmuka Beranda
39
4.1.1.2 Tampilan Antarmuka Bantuan
40
4.1.1.3 Tampilan Antarmuka Pelatihan
40
4.1.1.4 Tampilan Antarmuka Pengujian
44
4.1.1.5 Tampilan Antarmuka Keluar
48
4.2 Pengujian Sistem
49
4.2.1 Pengujian K-NN terhadap Citra Latih
54
4.2.2 Pengujian K-NN terhadap Citra diluar Citra Latih
56 Bab V Kesimpulan dan Saran
5.1 Kesimpulan
58
5.2 Saran
59 Daftar Pustaka
60 Lampiran Listing Program A-1
Lampiran Curriculum Vitae B-1
DAFTAR GAMBAR
29 Gambar 3.9 Flowchart Proses Pengujian
43 Gambar 4.9 Tampilan Antarmuka Pengujian
43 Gambar 4.8 Tampilan Antarmuka Pelatihan setelah button Reset diklik
42 Gambar 4.7 Tampilan Penyimpanan Matriks Vektor
42 Gambar 4.6 Tampilan Antarmuka Pelatihan saat deteksi tepi Robert
41 Gambar 4.5 Tampilan Antarmuka Pelatihan setelah slider Threshold diklik
41 Gambar 4.4 Tampilan Antarmuka Pelatihan setelah button Load diklik
40 Gambar 4.3 Tampilan Antarmuka Pelatihan
39 Gambar 4.2 Tampilan Antarmuka Bantuan
37 Gambar 4.1 Tampilan Antarmuka Beranda
35 Gambar 3.14 Tampilan Rancangan Antarmuka Keluar
33 Gambar 3.13 Tampilan Rancangan Antarmuka Pengujian
32 Gambar 3.12 Tampilan Rancangan Antarmuka Pelatihan
31 Gambar 3.11 Tampilan Rancangan Antarmuka Bantuan
30 Gambar 3.10 Tampilan Rancangan Antarmuka Beranda
29 Gambar 3.8 Flowchart Subproses Ekstraksi Ciri
Hal
16 Gambar 3.1 Diagram Ishikawa Analisis Permasalahan
Gambar 2.1 Motif Relung Paku7 Gambar 2.2 Motif Bunga Rafflesia
7 Gambar 2.3 Motif Burung Kuau
8 Gambar 2.4 Motif Rembulan
8 Gambar 2.5 Operator Robert
14 Gambar 2.6 Pengenalan Pola
19 Gambar 3.2 Use case Diagram
Proses Pelatihan
22 Gambar 3.3 Activity Diagram Pelatihan
25 Gambar 3.4 Activity Diagram Pengujian
26 Gambar 3.5 Sequence Diagram Pelatihan
27 Gambar 3.6 Sequence Diagram Pengujian
28 Gambar 3.7
Flowchart
44
Gambar 4.10 Tampilan Buka File Motif Batik44 Gambar 4.11 Tampilan Antarmuka Pengujian setelah dimasukkan citra
45 Gambar 4.12 Tampilan Antarmuka Pengujian setelah threshold
45 dan deteksi tepi Robert
Gambar 4.13 Tampilan Antarmuka Pengujian untuk memilih nilai K46 Gambar 4.14 Tampilan Antarmuka Pengujian dengan nilai K=1
46 Gambar 4.15 Tampilan Antarmuka Pengujian dengan nilai K=3
47 Gambar 4.16 Tampilan Antarmuka Pengujian dengan nilai K=5
47 Gambar 4.17 Tampilan Antarmuka Pengujian dengan nilai K=7
48 Gambar 4.18 Tampilan Antarmuka Keluar
48 Gambar 4.19 Tampilan Matriks Vektor Ekstraksi Ciri Data latih dan Data Uji
52 Gambar 4.20 Tampilan Hasil Ascending Euclidean Distance
53
DAFTAR TABEL
49 Tabel 4.2 Data Citra diluar Citra Latih
57 Tabel 4.8 Rata-rata Waktu Pengujian terhadap Citra diluar Citra Latih
56 Tabel 4.7 Tingkat Akurasi Pengenalan terhadap Citra diluar Citra Latih
56 Tabel 4.6 Hasil Pengujian K-NN terhadap Citra diluar Citra Latih
55 Tabel 4.5 Rata-rata Waktu Pengujian terhadap Citra Latih
54 Tabel 4.4 Tingkat Akurasi Pengenalan terhadap Citra Latih
51 Tabel 4.3 Hasil Pengujian K-NN terhadap Citra Latih
24 Tabel 4.1 Data Citra Latih
Hal
22 Tabel 3.2 Spesifikasi Use Case Pengujian
15 Tabel 3.1 Spesifikasi Use Case Pelatihan
12 Tabel 2.5 Perhitungan deteksi tepi Robert
12 Tabel 2.4 Klasifikasi kelas tetangga terdekat
12 Tabel 2.3 Penentuan 3 tetangga tedekat dari data uji
11 Tabel 2.2 Perhitungan kuadrat jarak data latih dengan data uji
Tabel 2.1 Klasifikasi Data Latih57
DAFTAR SIMBOL
7 Flow Line Arah aliran program
3 Association Hubungan antara aktor dengan use case dimana terjadi interaksi
Mengidentifikasi dan menggambarkan fungsi-fungsi sistem
Use Case
2 UseCase1
Segala sesuatu yang perlu berinteraksi dengan sistem untuk pertukaran informasi
Actor
1 Actor1
Use Case Diagram No Simbol Nama Fungsi
Flowchart No Simbol Nama Fungsi
1 Terminator Permulaan/akhir program
Lokasi penyimpanan data yang digambarkan dalam bentuk
(Database)
6 Magnetic Disk
5 Subprocess Permulaan sub program/ proses menjalankan sub program
4 Decision Perbandingan pernyataan, penyeleksian data yang memberikan pilihan untuk langkah selanjutnya
3 Process Proses perhitungan/proses pengolahan data
Proses input/output data, parameter, informasi
Data
2 Input/Output
database
No Simbol Nama Fungsi
1 Initial State Awal sebuah proses Menggambarkan sebuah
State1
2 State kegiatan/tugas yang perlu dilakukan
3 Control Flow Sasaran yang mengawali kegiatan
Activity
Menunjukkan kegiatan yang dilakukan
Diagram Transition secara paralel atau untuk
4 Fork/Join menggabungkan dua/lebih kegiatan paralel menjadi satu
5 Decision Sebuah kegiatan keputusan
6 Final State Akhir dari sebuah proses
No Simbol Nama Fungsi
Contoh dari sebuah class dengan nama
Object
1 Object objek di dalamnya dan dituliskan secara horizontal Dapat berkomunikasi dengan objek
2 Actor maka actor juga dapat diurutkan
Sequence
sebagai kolom
User Diagram
Keberadaan sebuah objek dalam basis
3 Lifeline waktu Mengindikasikan sebuah objek yang akan melakukan aksi
4 Activition
Mengindikasikan komunikasi antara
Message1
5 Message objek-objek Mengindikasikan komunikasi kembali
Message
6 Self Message ke dalam sebuah objek itu sendiri
Message Menampilkan hasil dari pengiriman Message2
7
(return) message