Implementasi Teknik Klasifier Adaptive Neuro Fuzzy Inference System Untuk Mengklasifikasi Motif Citra Batik Jawa Timur

Dyah Anggun Sartika, Hanum Arrosida, Denny Hardiyanto

Abstract


Negara Indonesia merupakan negara yang kaya akan budaya dan pariwisata. Batik Indonesia merupakan salah satu warisan budaya kemanusiaan di Indonesia. Batik merupakan kain bergambar yang dibuat secara khusus dengan cara menuliskan atau menerakan suatu bahan (yakni malam) pada sebuah kain, yang selanjutnya diolah dengan cara tertentu dan biasanya mencirikan sesuatu (kekhasan).

Tujuan penelitian ini untuk mengklasifikasikan motif citra motif batik Jawa Timur (Motif Bandeng Lele Lamongan dan Motif Gedog Tuban). Metode yang digunakan adalah ekstraksi fitur GLCM (Grey Level Co-Occurrence Matrix) yakni metric, eccentricity, contrast, correlation, energy, homogeneity dan klasifikasi menggunakan algoritma ANFIS (Adaptive Neuro Fuzzy Inference System).

Struktur ANFIS yang terbentuk mempunyai  parameter 6 input fitur GLCM dengan 2 membership function dan 64 aturan yang berlogika AND. Dengan menggunakan 20 data citra uji, Gaussian Shaped-Membership Function memperoleh akurasi tertinggi yakni 40%, sedangkan Triangular Shaped-Membership Function memperoleh akurasi terendah yakni 20%.

 

Kata kunci: Adaptive Neuro Fuzzy Inference System, Motif Batik Gedog Tuban, Motif Batik Bandeng Lele, GLCM


Keywords


Komputer, Pengolahan Citra

Full Text:

PDF (Indonesian)

References


Admin, “Batik,” Wikipedia, 2019. [Online]. Available: https://id.wikipedia.org/wiki/Batik.

J. T. Tsai, K. Y. Chiu, and J. H. Chou, “Optimal design of SAW gas sensing device by using improved adaptive neuro-fuzzy inference system,” IEEE Access, vol. 3, pp. 420–429, 2015.

J. A. M. Saucedo, J. D. Hemanth, and U. Kose, “Prediction of Electroencephalogram Time Series With Electro-Search Optimization Algorithm Trained Adaptive Neuro-Fuzzy Inference System,” IEEE Access, vol. 7, pp. 15832–15844, 2019.

R. A. Surya, A. Fadlil, and A. Yudhana, “Ekstraksi Ciri Metode Gray Level Co-Occurrence Matrix (GLCM) dan Filter Gabor untuk Klasifikasi citra Batik Pekalongan,” Jpit, vol. 2, no. 2, pp. 23–26, 2017.

H. Wijayanto, “KLASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRICES ( GLCM ),” in Seminar Nasional Aplikasi Teknologi Informasi, 2015, no. 5.

B. Arisandi, N. Suciati, and A. Y. Wijaya, “Pengenalan Motif Batik Menggunakan Rotated Wavelet Filterdan Neural Network,” JUTI J. Ilm. Teknol. Inf., vol. 9, no. 2, p. 15, 2014.

R. Azhar, D. Tuwohingide, and D. Kamudi, “Batik Image Classification Using SIFT Feature Extraction , Bag of Features and Support Vector Machine,” Procedia - Procedia Comput. Sci., vol. 72, pp. 24–30, 2015.

A. A. Kasim and A. Harjoko, “Klasifikasi Citra Batik Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level Co- Occurrence Matrices ( GLCM ),” J. Fak. Huk. UII, pp. 7–13, 2014.

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.

D. Hardiyanto, S. Kristiyana, D. Kurniawan, and D. A. Sartika, “Klasifikasi Motif Citra Batik Yogyakarta Menggunakan Metode Adaptive Neuro Fuzzy Inference System,” Setrum Sist. Kendali-Tenaga-elektronika-telekomunikasi-komputer, vol. 8, no. 2, p. 229, 2019.




DOI: http://dx.doi.org/10.36055/setrum.v11i1.14872

Refbacks

  • There are currently no refbacks.