View of Klasifikasi Motif Batik Lampung Menggunakan Ekstraksi Ciri Tepi Canny dan Algoritma Naïve Bayes Classifier

  INSIGHT

  Volume 1 No. 1 | April 2018 : 96-102

  

Klasifikasi Motif Batik Lampung

Menggunakan Ekstraksi Ciri Tepi Canny dan

Algoritma Naïve Bayes Classifier

  1

  2

  3 Mifta Ardianti , Undang Syaripudin , Yana Aditia Gerhana 123

  

Jl. A.H. Nasution No. 105, Cipadung, Cibiru, Kota Bandung, Jawa Barat 40614, Indonesia

  

  

  

  

Abstract-This pattern recognition system has been widely used in the field of identification of batik motifs. Batik motifs are

diverse and have their own trademark in each region. Combining the pattern recognition technology with the classification

algorithm can be used for the development of this application, as done on the research done. Due to the number of inappropriate

classification algorithms and the selection of extracts of the characteristics that have not been sesui then in this study using the

Algorithm Naïve Bayes Classifier and extraction of canny edge detection edge. Using the Color Extraction feature, horizontal

vector, vertical vector, color combination and vertical vector and a combination of horizontal colors and vectors. This research

uses 10 types of lampung batik motifs that are cut into 10 parts with the image size of 200 x 200 pixels of batik. Then the image

of batik that has been cut into 10 parts in the extraction according to user choice to get training data then the user melakuakan

testing to know the type of batik motif lampung. The results of this study had an accuracy of 47% for color extraction, 47%

for 38% horizontal vector extraction for vertical vector extraction, 46% for feature extraction using color and horizontal /

vertical vector extraction, this indicated that the pattern recognition system and the Naïve bayes classification algorithm

Classifie can be used to identify batik lampung motif.

  Keywords - Batik, Naïve Bayes Classifier, classification, canny. Abstrak

Sistem pengenalan pola ssat ini sudah banyak dimanfaakan pada bidang identifikasi motif batik. Motif batik yang -

  

beragam dan memiliki ciri khasnya masing-masing disetiap daerah. Menggabungkan teknologi pengenalan pola dengan

algoritma klasifikasi dapat dimanfaatkan untuk pembangunan aplikasi ini, seerti yang dilakukan pada penelitaian yang prnh

dilakukan. Karena banyaknya algoritma klasifikasi yang kurang tepat dan pemilihan ekstrkais ciri yang belum sesui maka

dalam penelitian ini menggunakan Algoritma Naïve Bayes Classifier dan Ekstraksi ciir deteks tepi canny. Dengan

menggunakan Feature Extraction warna, vektor horizontal, vektor vertikal, gabungan warna dan vektor vertikal dan

gabungan warna dan vektor horizontal. Penelitian ini mengguankan 10 jenis motif batik lampung yang dipotong-potong

menjadi 10 bagian dengan ukuran citra batik 200 x 200 piksel. Kemudian citra batik yang telah dipotong menjadi 10 bagian

di ekstraksi sesuai pilihan user untuk mendapatkan data training selanjutnya user melakuakan testing untuk mengetahui jenis

motif batik lampung. Hasil penelitian ini memiliki akurasi 47 % untuk ekstraksi warna, 47% untuk ekstraksi vektor horizontal

38% untuk ekstrasi vektor vertikal, 46% untuk ekstraksi ciri menggunakan gabuangan warna dan vektor horizontal/vertikal,

maka ini menunjukkan bahwa sistem pengenalan pola dan algoritma klasifikasi Naïve bayes Classifie dapat digunakan untuk

mengidentifikasi motif batik lampung.

  Kata kunci - Batik, Naïve Bayes Classifier, klasifikasi, canny.

  I. PENDAHULUAN bidang teknologi dimanfaatkan untuk pengenalan pola. Indonesia memiliki 33 Provinsi, dengan beragam suku Pengenalan pola yaitu mengelompokkan data numerik dan dan kebudayaan. Kekayaan budaya yang dimiliki oleh simbolik (termasuk citra) secara otomatis oleh mesin

  Indonesia sangat beragam jenisnya, musik dan seni tulis (dalam hal ini komputer). Tujuan pengelompokan adalah merupakan kekayaan budaya yang sudah ada sejak dahulu. untuk mengenali suatu objek dalam citra [2][7][8]. Salah Karya seni batik merupakan warisan budaya indoensia satu jenis pengolahan citra adalah pengenalan pola. yang telah ditetapkan UNESCO pada tanggal 2 Oktober Pegenalan pola bertujuan menentukan kelompok atau 2009 sebagai hak kebudayaan intelektual bangsa Indonesia kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola [1]. Provinsi Lampung sebagai salah satu provinsi di tersebut. Dengan kata lain, pengenalan pola membedakan Indonesia mempunyai batik lampung sebagai kain suatu objek dengan objek lain. tradisional dengan motif yang beragam. Provinsi Selama ini proses identifikasi motif batik lampung Lampung sebelumnya tidak memiliki tradisi membatik, mengguankan tenaga ahli yang mengerti dan memerlukan namun ada peningalan yang disebut sebagai batik pertama waktu yang lama, ketidak akuratan serta keterbatasan yang dikenalkan oleh masyarakat Lampung, yaitu kain dalam mengingat semua jenis motif. Perkembangan Sembagi [2]. Motif batik lampung tidak hanya pada kain teknologi citra digital dan Algoritma kalsifikasi dapat Sembagi saja, namun telah banyak berkembang. Motif digunakan dalam proses identifikasi motif batik lampung. batik lampung saat ini telah banyak memiliki banyak motif Diperlukan sebuah tools yang dapat mengidentifikasi motif diantaranya motif siger Pak Jimo dan Jung Agung. batik lampung dengan baik. Proses identifikasi melalui

  Citra (gambar) merupakan jenis data multimedia yang ekstraksi ciri warna, fungsi deteksi tepi canny dan bisa menyimpan informasi[3][4][5][6]. Pengolahan citra di menggunakan rata-rata vektor horizontal atau vertikal.

  96

• –[12].

  Kekuatan tepi (magnitude gradient) dapat ditentukan sebagai jarak Euclidean yang diukur dengan menggunakan hokum Phytagoras, seperti berikut :

  ISSN 2620-5467 (Online) Klasifikasi Motif Batik Lampung Menggunakan Ekstraksi Ciri Tepi Canny Dan Algoritma Naïve Bayes Classifier

  a. Studi Literatur Pencarian informasi dan pemahaman literature melalui berbagai media referensi dari buku, majalah, internet yang berupa artikel, jurnal ilmiah dan forum yang berkaitan dengan tugas akhir ini [9]

  b. Observasi Metode untuk mendapatkan data dengan melakukan kunjungan ke sanggar Siger Roemah Batik secara angsung dan mengamati secara sistematis terhadap masalah yang ada.

D = | D x (x, y) + D y (x, y) |

  c. Proses Pengumpulan Data Setelah memahami literature yang ada, selanjutnya dilakukan pengumpulan data yang akan dijadikan sumber informasi pada tugas akhir ini. Data berupa citra tapis diperoleh melalui website batiksiger.com

  Pada proses pengumpulan data, berikut kajian teori yang berkaitan dengan penelitian ini, diantaranya: a. Algoritma Naïve Bayes

  Teorema bayes adalah perhitungan statistic dengan menghitung probabilitas kemiripan kasus lama yang ada dibasis kasus dengan kasus baru. Teorema bayes memiliki tingkat akurasi yang tinggi dan kecepatan yang baik ketika diterapkan pada database yang besar [13], [14]. Naïve Bayes termasuk ke dalam pembelajaran supervised, sehingga pada tahapan pembelajaran dibutuhkan data awal berupa data pelatihan untuk dapat mengambil keputusan. Pada tahapan pengklasifikasian akan dihitung nilai probabilitas dari masing-masing label kelas yang ada terhadap masukan yang diberikan. Label kelas yang memiliki nili probabilitas paling besar yang akan dijadikan label kelas data masukan tersebut. Naïve bayes classifier merupakan salah satu pengklasifikasian berpeluang sederhana, dengan asumsi antar variable penjelas saling bebas (independence), atributnya saling bebas atau tidak ada kaitan antar atribut. Naïve Bayes merupakan sebuah algoritma yang memanfaatkan metode probabilitas dan statistik dengan memprediksi probabilitas dimasa depan berdasarkan pada masa sebelumnya [15] –[17].

  c) Non Maximus Supperssion Pada langkah ini bertujuan membuang potensi gradient di suatu piksel dari kandidiat tepi jika piksel tersebut bukan merupakan maksimal local pada arah tepi di posisi piksel tersebut. Oleh karena itu dibuat dengan logika sebagai berikut [19] : If θ (x,y) = 0˄o, piksel (x+1,y), (x,y) dan (x-1, y) diperiksa If θ (x,y) = [90]˄o, piksel (x,y +1), (x,y) dan (x, y-1) diperiksa If θ (x,y) = [45] ˄o, piksel (x+1,y+1), (x,y) dan (x-1, y-1) diperiksa

  Untuk menentukan tepian sebenarnya, arah tepian harus ditetukan dan disimpan dengan menggunakan persamaan berikut :

  INSIGHT

If θ (x,y) = [135]˄o, piksel (x+1, y-1),(x,y) dan

  a) Filter Gausian Filter Gausian adlaah filter 2D convolution operator yang digunakan untuk membuat smoothing suatu gambar dan menghilangkan atau mengurangi noise pada gmbar.

  b. Deteksi Tepi Canny Algoritma Canny memmiliki tingkat kesalahan yang rendah, melokalisasi titik-titik tepi (jarak piksel- piksel tepi yang ditemukan deteksi dan tepi sesungguhnya sangat pendek), dan hanya memberikan satu tanggapan untuk satu tepi. Deteksi tepi canny memili langkah-langkah sebagai berikut [2], [10], [18].

  (x-1,y+1) diperiksa

  d) Connection Tahap ini adalah klasifikasi tiap piksel apakah termasuk dalam kategori piksel tepi atau tidak dengan menerapkan double threshold (tentukan threshold bawah dan threshold atas).

  Implementasi yang digunakan sebagai berikut [19] : If piksel (x,y) memiliki gradient magnitude kurang dari t_low bukan tepi.

  If piksel (x,y( meimiliki gradient magnitude lebih dari t_high dianggap tepi. If piksel (x,y) memiliki gradient magnitude antara t_low dan t_high dipertimbangkan sebgai tepi c. Ekstraksi Ciri

  Ekstraksi ciri merupakan tahapan mengekstrak ciri atau informasi yang dimiliki oleh suatu objek dalam citra. Ciri atau informasi tersebut dapat digunakan untuk membedakan anatara objek yang satu dengan objek yang lain. Ekstraksi ciri dapat diteliti dengan mengambil beberapa bagian citra citra yang bisa menunjukkan ciri khas dari citra tersebut, misalkan warna, pola citra, diameter, bentuk dan masih banyak lagi [18]. Ciri yang diekstrak dalam tahpan ekstraksi

  97 II. METODE PENELITIAN Dalam penelitian ini, metode yang digunakan yaitu :

  b) Menghitung Gradien dan Gambar Sudut Menentukan Gradien gambar yang telah diperluas dengan menggunakan operator sobel. INSIGHT | Volume 1 No. 1 | April 2018 : 96-102 ciri kemudian digunakan sebagai masukan dalam

  b. Analisis Sistem tahapan klasifikasi objek. Analisis sistem merupakan penguraian dari suatu d. Metode Pengembangan Perangkat Lunak masalah ke dalam bagian-bagian komponenya untuk

  Model Prototipe merupakan salah satu metode mengidentifikasi dan mengevaluasi permasalahan, pengembangan perangkat lunak yang banyak kesempatan dan hambatan yang akan terjadi sehingga digunakan oleh pengembang karena selain sederhana, dapat dilakukan perbaikan. metode ini juga dapat menyesuaikan kebutuhan user

• – secara detail dalam pembuatan perangkat lunak [20] [23]. Metode ini mampu menawarkan pendekatan yang terbaik dalam hal kepastian terhadap efisiensi algoritma, kemampuan penyesuaian diri dari sebuah

  Gambar 3 Sistem yang diusulkan site operasi atau bentuk-bentuk yang harus dilakukan c. Arsitektur Sistem oleh interaksi manusia dengan mesin[24]. Siklus dari

  Arsitektur sistem merupakan rancangan sistem model prototipe ini sebagai berikut : secara umum (garis besar) yang akan dibuat mengunakan diagram atau flowchat. Arsitektur sistem juga dapat dikatakan sebagai gambaran yang menjadi acuan dalam pengembangan sistem untuk meringkas rancangan aplikasi yang akan dibuat.

  Gambar 1 Paradigma Prototipe Model prototipe ini dimulai dari adanya komunikasi dengan pelanggan untuk mengumpulkan

  Gambar 4 Arsitektur Sistem kebutuhan terhadap perangkat lunak yang akan dibuat.

  d. Analisis Algoritma Lalu dibuatnya perencanaan secara cepat terhadap

  Klasifikasi pada palikasi ini menggunakan perangkat lunak agar pelanggan lebih terbayang algoritma klasifikasi naïve bayes classifier. Proses dengan apa yang sebenarnya diinginkan berupa klasifikasi dengan naïve bayes dilakukan sesuai dengan simulasi alur perangkat lunak. Setelah pengembang eatraksi ciri yang dipilih oleh user. Flowchart proses dan pelanggan sepaham mengenai alur perangkat klasifikasi menggunakan naïve bayes adalah sebabgi lunak yang akan dikembangkan, maka pengembang berikut : akan mengimplementasi alur yang telah disepakati dalam program yang harus dibangun. Program yang telah dibangun oleh pengembang ini dievaluasi oleh pelanggan sampai ditemukan spesifikasi yang sesuai dengan keinginan pelanggan.

  III. HASIL DAN PEMBAHASAN Dalam penelitaian ini dilkukan analisis, perancangan, implementasi dan pengujian terhadap sistem yang akan dibuat.

  A. Analisis Tujuan dari proses analisis ini yaitu untuk menganalisa kebutuhan-kebutuhan pada pembuatan aplikasi pengenalan motif batik lampung sehingga masalahyanga muncul diatasi sasuai dengan kebutuhan.

  a. Analisis Masalah Berikut adalah gambaran sistem yang ada, yang nanatinya akan digunakan sebagai acuan dalam pembuatan sistem yang diusulkan.

  Gambar 5 Analisis Algoritma NBC Gambar 2 Gambaran Sistem yang ada

  98

  INSIGHT

  ISSN 2620-5467 (Online)

  B. Perancangan Pada tahap ini, karena mengguankan model pendekatan pemograman terstruktur.

  a. Context Diagram Context Diagram pada aplikasi pengenalan motif batik lampung memiliki satu pengguna (user), yang dapat menunjang jalannya sistem. Diagram konteks yang ada pada aplikasi pengenalan motif batik lampung. Tedapat satu pengguna (user) pada aplikasi ini. Context Diagram digunakan untuk menggambarkan interaksi anatara sistem yang akan dikembangkan dengan entitas luar.

  Gambar 7 DFD Level 2

  C. Implemementasi Pengoprasian sistem dapat dilakukan dengan mengecek fungsi-fungsi dalam system apakah sudah berjalan dengan baik. Apakah aplikasi sudah sesuai seperti yang diharapkan. Implementasi dan perancangan system klasifikasi menggunakan 50 data citra yang meliputi proses memotong citra menjadi 200x200 piksel, ekstraksi setiap ciri yaitu ciri warna dan rata-rata vektor horizontal dan vertikal serta klasifikasi Naïve Bayes. Gambar 6 Context Diagram

  a. Implememntasi Algoritma Naïve Bayes

  b. Data Flow Diagram Level 1 DFD Level 1 digunakan untuk menggambrkan modul-modul yang ada didalam sistem yang akan dikembangkan. DFD level 1 merupakan hasil breakdown DFD level 0 yang sebulumnya sudah dibuat. DFD Level 1 pada aplikasi pengenalan motif batik lampung. User sebagai entitas luar dari aplikasi ini dapat menginputkan data citra training yang akan diolah, menentukan nilai k-fold dan menginputkan citra testing untuk melihat klasifikasi dan nilai probabilitas. Data training disimpan pada folder data training kemudian user akan menginputkan file citra training untuk mendapatkan informasi motif batik lampung tersebut.

  b. Implementasi Antar Muka Berikut ini tampilan halaman aplikasi pengenalan motif batik lampung dengan menggunakan Naïve Bayes Clasifier. Tampilan utama saat aplikasi dijalankan.

  Gambar 7 DFD Level 7

  c. Data Flow Diagram Level 2 Proses pengolahan citra lebih lanjut dijelaskan pada DFD level 2. DFD level 2 merupakan hasil dekomposisi proses 1. Proses pengolahan citra meliputi ekestrasi ciri citra, fungsi deteksi tepi canny dan penentuan kelas untuk proses klasifikasi.

  99 Klasifikasi Motif Batik Lampung Menggunakan Ekstraksi Ciri Tepi Canny Dan Algoritma Naïve Bayes Classifier INSIGHT | Volume 1 No. 1 | April 2018 : 96-102 100

  Gambar 9 Halaman Utama Aplikasi Pengenalan Motif Batik Lampung

  Terdapat tiga menu utama saat aplikasi ini pertama kali dijalankan, menu klasifikasi untuk pengolahan citra dan pengkalsifikasian citra, menu info berisikan informasi tentang aplikasi dan menu keluar.

  Gambar 10 Tampilan Menu Klasifikasi Utama Selanjutnya pengguna akan menginputkan folder data training yang berisikan citra batik yang berukuran 200 x 200 piksel. List box akan menampilkan nama file citra yang telang diinputkan oleh user.

  Gambar 11 List Box Citra Training Selanjutnya pengguna menginputkan nilai k- fold dan citra uji, untuk dilakukan klasifikasi atau pengenalan motif. Data masukkan dari user dicocokkan dengan data citra yang telah diklasifikasi. Dan dapat diketahui pula hasil probabilitas dalam bentuk persen.

  Gambar 12 Aplikasi Pengenalan Motif Batik Lampung

  D. Pengujian Sistem Tahap pengujian sistem merupakan tahap dilakukannya pengujian terhadap sistem yang telah dibangun untuk meyakinkan bahwa system mampu bekerja secara optimal. Pengujian system dilakukan setelah semua fasilitas tersedia sperti hardware, software, sarana dan prasarana. Tahap ini memiliki tujuan untuk memastikan bahwa komponen-komponen sistem telah berfungsi sesuai dengan yang diharapkan. Pengujian ini menggunakan metode pengujian Balck Box dengan menguji fungsi- fungsi yang ada dalam sistem, menguji kebenaran fungsi yang ada dalam sistem serta menguji kinerja sistem.

  Tabel 1 Pengujian

  E. Hasil Klasifikasi Menggunakan Algoritma Naïve Bayes Classifier Berikut ini merupakan hasil klasifikasi citra kain batik lampung menggunakan Naïve Bayes :

  Tabel 2 Hasil Kalsifikasi Pada data citra kain batik lampung yang sudah diklasiifkasi menghasilkan keakurasian 47% untuk ekstraksi ciri warna. Sebagai nilai tertinggi,hal ini

  [17] W. B. Zulfikar and N. Lukman, “Perbandingan Naive Bayes Calssifier dengan Nearest Neighbor untuk Identifikas i Penyakit Mata,” in JOIN (Jurnal Online

  [12]

  [7]

  A. M. Faza, C. Slamet, and D. Nursantika, “Analisis Kinerja Kompresi Citra Digital dengan Komparasi DWT, DCT dan Hybrid (DWT-

  DCT),” J. Online

  Inform. , vol. 1, no. 1, pp. 1 –5, 2016.

  [8] R. Krasmala, A. B. Purba, and U. T. Lenggana, “Kompresi Citra Dengan Menggabungkan Metode Discrete Cosine Transform (DCT) dan Algoritma Huffman,” JOIN (Jurnal Online Inform., vol. 2, no. 1, pp. 1

  M. A. Naufal, “Implementasi Metode Klasifikasi K- Nearest Neighbor (K-NN) Untuk Pengenalan Pola Batik Motif Lampung,” Universitas Lampung, 2017.

  [10] L. Yuan and X. Xu, “Adaptive Image Edge Detection Algorithm Based on Canny Operator,” in 2015 4th

  International Conference on Advanced Information Technology and Sensor Application (AITS) , 2015, pp.

  28 –31. [11]

  F. Liantoni and H. Nugroho, “Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier Dan K- Nearest Neighbor,” J. Simantec, vol. 5, no. 1, pp. 9–16, 2015.

  A. Sutedjo, F. Y. Limpraptono, and K. Yamada, “Segmentasi Warna Untuk Ekstraksi Simbol Dan Karakter Pada Citra Rambu Lalu Lintas,” J. Ilmu

  [6] F. S. Irwansyah, I. Lubab, I. Farida, and M. A.

  Komput. dan Inf. , vol. 3, no. 1, pp. 1 –8, 2010.

  [13] luthfi taufiq E. Kusrini, Algoritma Data Mining.

  Yogyakarta: Andi, 2009. [14]

  E. Elisa, “Analisa dan Penerapan Algoritma C4 . 5 Dalam Data Mining Untuk Mengidentifikasi Faktor- Faktor Penyebab Kecelakaan Kerja Kontruksi PT .

  Arupadhatu Adisesanti,” JOIN (Jurnal Online Inform., vol. 2, no. 1, pp. 36

  E. Turban, J. E.Aronson, and T.-P. Liang, Decision

  Support Systems and Intelligent Systems - Sistem Pendukung Keputusan dan Sistem Cerdas (Jilid 1) , 7th

  ed. Yogyakarta: Andi, 2008. [16] W. B. Zulfikar, M. Irfan, C. N. Alam, and M. Indra,

  “The comparation of text mining with Naive Bayes classifier, nearest neighbor, and decision tree to detect Indonesian swear words on Twitter,” 2017 5th Int.

  Conf. Cyber IT Serv. Manag. CITSM 2017 , 2017.

  Ramdhani, “Designing Interactive Electronic Module in Chemistry Lessons, ” J. Phys. Conf. Ser., vol. 895, no. 1, p. 12009, 2017.

  Eng. , vol. 288, no. 1, p. 12078, 2018.

• –9, 2017. [9]

  c. Citra yang diambil menggunakan kamera dengan citra yang didownload dari website memiliki kualitas citra yang sangat berbeda. Hal ini sangat mempengaruhi hasil klasifikasi.

  12068, 2018. [5]

  IOP Conf. Ser. Mater. Sci. Eng. , vol. 288, no. 1, p.

  Ramdhani, “Augmented Reality (AR) Technology on the Android Operating System in Chemistry Learning,”

  [4] F. S. Irwansyah, Y. M. Yusuf, I. Farida, and M. A.

  INSIGHT

  ISSN 2620-5467 (Online) Klasifikasi Motif Batik Lampung Menggunakan Ekstraksi Ciri Tepi Canny Dan Algoritma Naïve Bayes Classifier

  IV. PENUTUP

  A. Kesimpulan Setelah melakukan analisis, perancangan, implementasai dan pengujian dengan menggunakan metode pengembangan prototype dan pada beberapa bab sebelumnya, dapat diambil kesimpulan sebagai berikut : a. Mengklasifikasikan motif batik lampug dengan

  Algoritma Naïve Bayes berhasil diimplementasikan pada proses pengenalan motif batik lampung dengan fungsi canny dan ekstraksi ciri.

  b. Percobaan menggunakan ekstraksi ciri warna memiliki akurasi sebesar 47%, menggunakan ekstraksi ciri vektor vertikal dengan akurasi 38%, ekstraksi ciri vektor horizontal memiliki akurasi 47% sedangkan ekstraksi ciri gabungan warna dan vektor horizontal atau vertikal memiliki akurasi 46 %

  I. Farida, I. Helsy, I. Fitriani, and M. A. Ramdhani, “Learning Material of Chemistry in High School Using Multiple Representations,” IOP Conf. Ser. Mater. Sci.

  b. Mengembangkan proses pengenalan motif batik lampung menggunakan metode klasifikasi yang lain seperti SVM dan Decision Tree.

  a. Dalam klasifikasi ini hanya menggunakan 10 jenis motif batik lampung. Hal ini perlu dikembangkan lagi lebih banyak lagi.

  B. Saran Penulis menyadari bahwa terdapat kekurangan dalam pengembangan aplikasi yang telah di bangun ini. Dengan itu perlu dilakukan pengembangan-pengembangan yang lebih baik lagi guna memenuhi kebutuhan pengguna yang semakin dinamis terutama dalam bidang informasi dan teknologi. Adapun saran terhadap pengembangan selanjutnya dari aplikasi yang dibangun sebagai berikut :

• –41, 2017. [15]
• –140, 2016.

INSIGHT | Volume 1 No. 1 | April 2018 : 96-102

  [2]

  F. Flaurensia, T. Rismawan, and R. Hidayati, “Pengenalan Motif Batik Indonesia Menggunakan Deteksi Tepi Canny Dan Template Matching,” J.

  Coding Sist. Komput. Untan , vol. 4, no. 2, pp. 130

  [3] S. Sari, D. M. Aryana, C. Z. Subarkah, and M. A.

  101 dikarenakan data training yang digunakan memiliki warna yang mencolok sehingga pada ekstraksi ciri warna menghasilkan nilai teritinggi. Sama dengan menggunakan ekstraksi ciri Warna dan Vektor Horizontal maupun Warna dan Vektor Vertikal hal ini menunjukkan ekstrkasi ciri yang paling tepat adalah penggabungan warna dan ratarata vektor.

  Ramdhani, “Multimedia Based on Scientific Approach for Periodic System of Element,” IOP Conf. Ser.

  Mater. Sci. Eng. , vol. 288, no. 1, p. 12137, 2018.

  V. REFERENSI [1]

  Informatika) , 2016, vol. 1, no. 2, pp. 82 –86.

  [18] J. W. Yodha and A. W. Kurniawan, “Pengenalan Motif Batik Menggunakan Deteksi Tepi Canny Dan K- Nearest Neighbor,” J. Teknol. Inf., vol. 13, no. 4, pp.

  251 –262, 2014. [19] E. A. Sobie, “An Introduction to MATLAB,” Sci.

  Signal. , vol. 4, no. 191, p. tr7, 2011.

  [20]

T. M. Fridayanto, “Model – Model Pengembangan Perangkat Lunak Beserta Contoh Penerapannya,” 2014

  . [21] R. A.S. and M. Shalahuddin, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek , Ketiga.

  Bandung: BI-Obses, 2015. [22] A. D. Maturidi, Metode Penelitian Teknik Informatika.

  Yogyakarta: Deepublish, 2014. [23]

  B. Soeherman and M. Pinontoan, Designing Information System: Concepts & Cases with Visio . Jakarta: Elex Media Komputindo, 2008. [24] M. A. Ramdhani, Metodologi Penelitian untuk Riset

  Teknologi Informasi . Bandung: UIN Sunan Gunung Djati Bandung, 2013.

  102