c. Hasil Pengenalan Terbaik Dari Skala Menggunakan k-NN k=7
Dari presentase skala dari tabel 4.13 dan gambar 4.19 didapatkan nilai presentase dari pengujian citra yang skalanya bervariasi. Dari data didapatkan nilai presentase terbaik
dengan tingkat pengenalan 100 dengan nilai resizing 32×32 piksel dan nilai variasi skala yang terbaik adalah 102,5, dan 107,5. Nilai resizing 64×64 piksel juga mendapatkan
nilai presentase 100 akan tetapi nilai presentase dari jendela ekstraksi cirinya kecil, nilainya lebih kecil dari resizing 32×32 piksel. Dapat dilihat dari hasil presentase terbaik di
tabel 4.26 dan gambar 4.31 nilai variasi yang dikenali adalah nilai yang skalanya lebih dari 100. Hal ini disebabkan oleh nilai asli dari skala citra asli adalah 100. Untuk
memperbaiki agar citra ini dapat dikenali secara benar adalah dengan memperbesar nilai variasi jendela ekstraksi ciri, karena yang bukan bagian dari citra yang berwarna putih,
hasil dari kecil atau besarnya ukuran skala dari 100 akan ikut diproses ke Discrete Cosine Transform Two Dimension DCT 2-D. Untuk mengambil hasil Discrete Cosine
Transform Two Dimension DCT 2-D dengan menggunakan jendela ekstraksi ciri. Pengenalan tersebut agar dapat dikenali secara baik dengan memperbesar ukuran variasi
resizing dan jendela ekstraksi ciri. Tabel 4.26. Tingkat Presentase terbaik dari skala dengan resizing 32×32 piksel dengan k-
NN k=7 Resizing 32×32 piksel
Skala Hasil Presentase
92,5 96
97,5 99
102,5 100
107,5 100
112,5 99
Gambar 4.31 menampilkan hasil terbaik dari pengenalan dengan menggunakan k- NN k=7 dan variasi resizing 32×32 piksel. Dapat dilihat bahwa ukuran skala akan
mempengaruhi hasil presentase apabila ukurannya kurang dari ukuran skala asli. Ukuran resizing dan jendela ekstraksi ciri juga akan mempengaruhi pengenalan.
Gambar 4.31. Tingkat pengenalan dengan skala dan resizing 32×32 piksel dari k-NN k=7 Faktor kelas k-Nearest Neighbor k-NN k=7 juga mempengaruhi pengenalan yang
semakin kecil. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k=7, akan membuat banyak 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=7 ini akan mendapatkan urutan inisialisasi citra serta yang perbandingan dari urutan inisialisasi yang paling minimum dari citra yang lain. k=7 ini
pengambilan kelasnya tidak menentu dan nilai kelas yang paling banyak muncul akan menjadi keluaran.
4.7. Kesimpulan Umum Dari Semua Yang Terbaik