MODEL PENGENALAN BATIK TULIS DAN BATIK CAP MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN BACKPROPAGATION

• Main Author: Sheilla Ismi Priscillia, - (Author)
• Format: Book
• Published: 2017-07-07.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upnvj.ac.id/4126/1/AWAL.pdf; http://repository.upnvj.ac.id/4126/2/ABSTRAK.pdf; http://repository.upnvj.ac.id/4126/3/BAB%201.pdf; http://repository.upnvj.ac.id/4126/4/BAB%202.pdf; http://repository.upnvj.ac.id/4126/5/BAB%203.pdf; http://repository.upnvj.ac.id/4126/6/BAB%204.pdf; http://repository.upnvj.ac.id/4126/7/BAB%205.pdf; http://repository.upnvj.ac.id/4126/8/DAFTAR%20PUSTAKA.pdf; http://repository.upnvj.ac.id/4126/9/RIWAYAT%20HIDUP.pdf; http://repository.upnvj.ac.id/4126/10/LAMPIRAN.pdf
• Keywords: QA76 Computer software

Beragamnya corak batik yang tersebar di pasaran terkadang menyulitkan orang awam untuk membedakan batik tulis dan batik cap. Masalah ini dapat menyebabkan konsumen menjadi korban kecurangan pedagang. Untuk mengatasi permasalahan tersebut, maka penelitian ini membangun suatu aplikasi yang mampu membedakan batik tulis dan batik cap. Aplikasi tersebut mengimplementasikan metode Gray Level Co-Occurrence Matrix (GLCM) untuk ekstraksi ciri pola batik, dan Jaringan Syaraf Tiruan Backpropagation untuk mengenali pola batik berdasarkan nilai ciri dari GLCM. Fitur GLCM terdiri dari 14 variabel statistik, dan jaringan Backpropagation terdiri dari 1 hidden layer, yang memiliki 8 neuron. Pengolahan citra dilakukan pada 60 data citra batik yang terdiri dari 30 pasang batik cap dan batik tulis dengan motif yang sama untuk setiap pasang, dan jarak pengambilan gambar 50 cm. Dalam penelitian ini, dilakukan 11 percobaan menggunakan 80% data training dan 20% data testing, dan 11 percobaan lainnya menggunakan komposisi data training dan testing sebaliknya, namun dengan nilai MSE dan epoch yang sama. Dari hasil percobaan dengan 80% data training, diperoleh tingkat akurasi pengujian yang konsisten, yaitu sebesar 91,66%, namun untuk hasil percobaan menggunakan 20% data training, diperoleh tingkat akurasi yang beragam, yaitu berkisar antara 60.41% sampai 79.16%.