BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kain merupakan bahan mentah yang dapat diolah menjadi sebuah

pakaian dimana mempunyai nilai sifat jual tinggi. Kain dapat dijadikan baju,
celana, selimut, jilbab dan lain sebagainya. Kain dihasilkan dari proses tenun,
songket, anyaman yang berawal dari pintalan berbahan baku kapas, sintesis
(nilon), sutra dan lainnya. Masing- masing kain yang dihasilkan ialah tidak
semuanya sama serta memiliki jenis tekstur yang berbeda-beda, khususnya
kain yang digunakan untuk keperluan jilbab.

Wanita muslin di indonesia sekarang ini sudah mulai menyadari

kewajiban untuk menutup auratnya dengan berhijab. Sebagai identitas
muslimah. Hijab , kerudung, veil, atau lazim disebut jilbab sudah menjadi
trend. Jilbab adalah kain panjang yang digunakan untuk menutupi aurat dari
wilayah kepala, leher hingga dada serta tidak boleh menerawang atau tembus
pandang. Kenyamanan  saat mengenakan jilbab bisa dikatakan penting untuk
para wanita muslim, sebab tiap jenis kain pada jilbab memiliki tekstur yang
berbeda-beda dan tentu saja akan mempengaruhi kenyamanan dalam
pemakaiannya. Oleh karena itu  penting untuk mengenal berbagai jenis tekstur
kain pada jilbab, agar tetap terlihat modis tanpa mengurangi kenyamanan saat
digunakan. Peneliti melakukan observasi  terhadap jenis kain jilbab yang
mudah dicari di pasar atau penjual jilbab yaitu cornskin, diamond, ceruti, dan
katun rayon.
Penelitian yang pernah mengklasifikasikan jenis kain berdasarkan
teksturnya pernah diteliti oleh (Pawening, Dijaya, Brian, & Suciati, 2015)
“Classification of Textile Image using Support Vector Machine with Textural
Feature” menghasilkan tingkat akurasi tertinggi 73,98%. Penelitian lain juga
dilakukan oleh (Satrio & Sutojo, 2016). Pada penelitian ini membahas tentang
“Klasifikasi Kain Tenun Menggunakan Metode K-Nearest Neighbour
berdasarkan Gray Level Co-Occurrence Matrices (GLCM)”, menghasilkan
tingkat akurasi tertinggi 70 %. Penelitian lain dilakukan oleh (Jatmoko &
Sinaga, 2019) dengan judul “Ekstraksi Fitur GLCM  Pada KNN dalam
Mengklasifikasi Motif Batik” diperoleh akurasi terbaik yaitu 100%. Penelitian
selanjutnya dilakukan oleh (Wahyudi & Maulida, 2019) “Pengenalan Pola
Citra Kain Tradisional Menggunakan GLCM dan KNN”. Pada penelitian ini
tingkat akurasi yang didapat sebesar 63%. Kemudian penelitian selanjutnya
dilakukan oleh (Kusumawati, Susanto, Mulyono, & Prabowo, 2020)
“Klasifikasi Batik Kudus Berdasarkan Pola Menggunakan KNN dan GLCM”.
Dalam penelitian ini menghasilkan akurasi tertinggi pada K=1 yaitu 97%.
Berdasarkan penelitian-penelitian yang telah dijelaskan sebelumnya
informasi tersebut dijadikan alasan peneliti untuk menerapkan metode KNN
dan ekstraksi fitur GLCM. Biasanya dalam penelitian, banyak faktor yang
mempengaruhi tingkat hasil akurasi identifikasi kain. Faktor-faktor yang
mempengaruhinya, seperti penerapan algoritma yang digunakan, banyaknya
data latih dengan data uji, banyaknya jenis objek yang digunakan, resolusi
kamera, dan besarnya intensitas cahaya saat memotret jarak foto.
Dalam pengenalan tekstur kain jilbab biasanya dilakukan dengan metode
manual oleh mata, dengan perabaan, maupun diasumsikan secara pribadi.
Untuk keperluan yang lebih luas misalnya toko online, maka klasifikasi kain
secara manual di atas tidak bisa dilakukan, oleh karena itu dilakukan
klasifikasi kain dengan pendekatan pengolahan citra yaitu klasifikasi jenis
kain jilbab berdasarkan tekstur menggunakan metode KNN. Adanya
penelitian ini diharapkan dapat mempermudah bagi penjual kain maupun
customer untuk membedakan jenis kain jilbab berdasarkan teksturnya dan
menambah pengetahuan dalam mengenal jenis tekstur kain yang digunakan
untuk keperluan jilbab.

1.2 Rumusan Masalah

Berdasarkan permasalahan yang telah disebutkan pada latar belakang
di atas, maka rumusan masalah pada penelitian ini adalah bagaimana
penerapan metode k- nearest neighbor dalam mengklasifikasi jenis kain jilbab
berdasarkan tekstur.
1.3 Tujuan Penelitian
Adapun tujuan dilakukannya penelitian ini adalah mengklasifikasi
jenis kain jilbab berdasarkan tekstur yang terdapat pada permukaan kain jilbab
menggunakan K-NN.

1.4 Manfaat Penelitian

Manfaat yang diambil dari penelitian ini adalah dapat membantu
mengurangi kesalahan tingkat akurasi dalam pengenalan jenis kain jilbab
berdasarkan teksturnya..

1.5 Batasan Masalah

Agar tidak meluasnya permasalahan yang akan diselesaikan, maka
penelitian ini terdapat batasan sebagai berikut:
1. Input gambar RGB berformat JPG.
2. Jenis-jenis dasar kain yang digunakan adalah ceruti, cornskin,
diamond, dan katun (toyobo).
3. Pengambilan gambar menggunakan kamera smartphone.
 BAB 11

KAJIAN PUSTAKA

2.1 Penelitian Relevan

Penelitian mengenai klasifikasi kain telah dilakukan sebelumnya oleh

beberapa penelitian dalam metode yang sama atau yang berbeda. Penelitian
yang telah dilakukan sebelumnya diantaranya yaitu:

2.1.1 Classification of Textile Image using Support Vector Machine with

Texture Feature

Penelitian yang dilakukan oleh Pawening, Dijaya, Brian, & Suciati

(2015), penelitian ini membahas tentang “Classification of Textile Image
using Support Vector Machine with Textural Feature” atau Klasifikasi Citra
Tekstil menggunakan Support Vector Mesin dengan Fitur Tekstur. Data yang
digunakan dalam percobaan adalah 450 gambar tekstil, metode pemilihan fitur
terbaik adalah kombinasi GLCM dan LBP dengan akurasi 54,84%, sementara
kernel linear memperoleh akurasi 73,98%.

2.1.2 Klasifikasi Kain Tenun Menggunakan Metode K-Nearest Neighbour

Berdasarkan Gray Level Co-occurrence Matrices (GLCM)

Penelitian yang dilakukan oleh Eka, P.S dan T.Sutojo (2016), pada
penelitian ini membahas tentang “Klasifikasi Kain Tenun Menggunakan
Metode K-Nearest Neighbour Berdasarkan Gray Level Co-occurrence
Matrices (GLCM). Metode yang digunakan adalah gray level co-occurrence
matrices untuk ekstraksi ciri tekstur, sedangkan untuk menentukan kedekatan
antara citra uji dengan citra latih menggunakan metode k-nearest neighbour.

Hasil penelitian yang menggunakan 75 citra tenun dengan 5 kelas yaitu

Bali, Kalimantan, Nusa Tenggara Timur , Sulawesi dan Sumatra menghasilkan
akurasi tertinggi pada K=2 sebesar 70% dan terendah pada K=1 sebesar 2%.
 2.1.3 Pengenalan Pola Citra Kain Tradisional Menggunakan GLCM dan
K-NN
Penelitian ini dilakukan oleh Wahyudi & Maulida (2019).
Penelitian ini membahas tentang “Pengenalan Pola Citra Kain Tradisional
Menggunakan GLCM dan K-NN”. Data yang digunakan berupa 100 citra,
dimana terdiri 50 citra sasirangan dan 50 citra tradisional bukan sasirangan.
Data tersebut akan diklasifikasi menjadi 2 kelas , dengan ukuran gambar
256x256. Hasil akurasi tertinggi dari penelitian ini pada iterasi pertama ketika
k=1 yaitu 63%.
2.1.4 Ekstraksi Fitur GLCM Pada K-NN dalam Mengklasifikasi Motif
Batik
Penelitian yang dilakukan oleh Jatmoko & Sinaga (2019). Penelitian ini
membahasa tentang ”Ekstraksi Fitur GLCM Pada K-NN dalam
Mengklasifikasi Motif Batik” pada uji pertama menghasilkan akurasi 100%,
karena hasil akurasi mencapai 100%, maka sistem layak dilanjutkan untuk
menguji data testing yang berbeda dengan data training. Pada uji kedua
menghasilkan akurasi 73,33%, uji coba ketiga memperoleh akurasi 66,67%.
Hasil akurasi terbaik yaitu 100% pada percobaan pertama menggunakan 15
data testing dan 135 data training.

2.1.5 Klasifikasi Batik Kudus Berdasarkan Pola Menggunakan K-NN

dan GLCM
Penelitian yang dilakukan oleh Kusumawati, Susanto, Mulyono, &
Prabowo (2020). Pada penelitian ini dipilih 21 jenis motif batik, masing-
masing motif terdiri dari 100 citra. Motif batik antara lain : rumah, adat, sekar
jagad, kapal kandas, merak buketan, tiga negri, beras kecer, tembakau cengkeh,
menara kudus, lentong tanjung, tari kretek, bunga setaman, kupu parijotho,
buketan lily, pagi sore, gendoro gendiri, giling rokok, ukir kudus, ukir bunga,
rokok kretek, romo kembang dan gulo tumbu, menggunakan 700 data training
dan 560 data testing.
Hasil klasifikasi yang dilakukan oleh sistem dengan K yang berbeda-
beda yaitu 1,3,5,7,9, dari hasil penelitian yang dilakukan, tentang Klasifikasi
Batik Kudus Menggunakan Metode K-Nearest Neighbour Berdasarkan Gray
Level Co-occurrence Matrix (GLCM)S sehingga mampu membuat komputer
mengenali dan memprediksi jenis batik kudus dengan baik, dari citra awal yang
berukuran berbeda-beda diresize ke ukuran 256x256 dan citra RGB dikonversi
menjadi citra graysclae , di proses dengan algoritma GLCM sehingga
menghasilkan nilai ekstraksi, yang mana nilai tersebut digunakan sebagai nilai
parameter dalam melakukan klsifikasi K-NN menggunakan K=1,3,5,7 dan 9
untuk mengetahui hasil prediksi tiap ketetanggaan. Dihasilkan akurasi tertinggi
pada K=1 yaitu 97% dan terendah pada K=7 91%.

2.2 Landasan Teori

Dalam sebuah penelitian terdapat landasan dalam penalaran teori yang
digunakan. Adapun landasan teori dalam penelitian ini adalah sebagai berikut:
2.2.1 Jenis-jenis Jilbab
Kain jilbab adalah kain panjang untuk menutupi aurat dari wilayah
kepala, leher, dan dada serta tidak boleh menerawang atau tembus pandang.
Kenyamanan saat mengenakan jilbab bisa dikatakan sangat penting untuk para
wanita muslim, sebab tiap jenis kain jilbab memiliki tekstur yang berbeda
beda. Begitu banyak kain jilbab di indonesia serta memiliki tekstur yang
berbeda-beda. Namun pada penelitian ini hanya membahas 4 jenis kain jilbab
saja diantaranya yaitu kain jilbab satin, cornskin, diamond, ceruti, dan katun
toyobo. Dibawah ini merupakan jenis-jenis kain jilbab adalah sebagai berikut:
a. Cornskin

Cornskin adalah jenis kain jilbab segi empat dengan permukaan

berserat, serat dari cornskin adalah sangat mencolok, serat cornskin mirip
seperti serat kulit jagung akan tetapi halus dan lembut. Kain jilbab
cornskin ini dapat dikategorikan ke dalam jenis kain yang unik dan
berbeda dari bahan lainnya . keunikan dari bahan yang satu ini terletak
pada tampilan nya yang tampak berongga-rongga seperti hal nya serat
kulit jagung ini sehingga banyak orang yang kemudian meyebutnya
dengan nama cornskin. Sebagai bahan kain yang cukup popular bahan
cornskin sendiri belakangan begitu diminati para wanita muslim untuk
 dijadikan bahan jilbab/hijab karena pemilihan warna pastel nya yang
beragam, tidak mudah kusut dan memudahkan saat pemakaian jarum
pentul atau peniti lantasan tidak menimbulkan bekas pada jilbab/hijab.
Karakter dari kain jilbab cornskin adalah memiliki permukaan yang
berserat, serat cornskin hampir mirip kulit jagung, bahan cornskin cukup
adem dan tidak mudah kusut, dan tekstur serat terkesan manis saat di
kenakan (Fitinline, 2020).

Gambar 2.1 Kain Jilbab Cornskin

b. Ceruti

Ceruti adalah kain jilbab ceruti salah satu jenis kain dari keluarga
crepe dan ciri kain ini masih sama dengan kain Crepe lainnya yaitu tekstur
khas yang mirip kulit jeruk, kain jilbab ini yang hampir sama dengan
diamond yaitu memiliki tektur seperti kulit jerurk atau berpasir akan tetapi
perbedaan pada kain jilbab satu ini adalah lebih lembut daripada diamond,
jenis jilbab ceruti kini tengah popular digunakan dikarena juga kain nya
yang memiliki sifat luntur dan nyaman digunakan meskipun tidak dapat
menyerap keringat dengan baik . ciri- ciri dari kain ini adalah tekstur kain
mirip seperti kulit jeruk sebagai mana yang telah di deskripsikan, dan
kebanyakan pada kain satu ini disamakan dengan kain diamond akan tetapi
ceruti lebih soft dibandingkan diamond walaupun juga memiliki tekstur
seperti kulit jeruk, serat longgar, ciri lain yang dapat ditemukan pada kain
 ini adalah serat kain yang longgar dan agak melar, bahan kainnya ringan
dan jatuh (Rizal,2020).

Gambar 2.2 Kain Jilbab Ceruti

c. Diamond

Diamond merupakan suatu jenis kain jilbab yang sekilas nampak

seperti kulit jeruk, kain ini memiliki tekstur sedikit kasar atau berpasir,
karena tekstur yang sedikit kasar serta mirip kulit jeruk, kain ini terlihat
unik dan tak biasa. (Shane Hijab, 2019) kain jilbab ini termasuk salah satu
kain yang laris manis di pasaran . jika dilihat memang kain ini memiliki
permukaan yang kasar akan tetapi ketika dipakai kain tersebut terasa
nyaman, tidak mengganggu aktivitas pemakainnya bahkan hijabers yang
suka memakai bahan diamond untuk jilbab karena memang bahan
diaomod tidak licin dan adem ketika dikenakan, dan jenis kain jilbab ini
adalah tidak kaku, dan bisa berdiri tegap menutupi pipi yang tembem.
 Gambar 2.2 Kain Jilbab Diamond

d. Katun Toyobo

Katun toyobo dalah kain yang impor langsung dari jepang kain ini
adalah adem,halus,ringan tidak terlalu tebal namun juga tidak menerawang
. ketebala kain ini dapat dibilang juga sangat pas dan karakteristiknya juga
bagus. Kain katun toyobo bagus untuk koko, kemeja formal, jilbab dan
gamis syar’i. keunggulan dari kain katun ini adalah kain nya halus, ringan
ketebalanna pas, kain nya juga tidak kaku dan tidak jatu sehingga mudah
digunakan, serat kain nya juga rapa t tidka longgar, mulus rapi . bahan
kainnya juga terbilang awet untuk pemakaian jangka panjang, disamping
itu kain nya juga mudah menyerap keringat (Rizal,2017).

Gambar 2.4 Kain Jilbab Katun Toyobo

 2.2.2 Citra Warna
Citra warna atau citra RGB merupakan citra yang masing-masing pixel
memiliki tiga komponen warna, yaitu merah, biru, dan hijau. Warna yang
diperoleh dari setiap pixel merupakan hasil yang ditentukan oeh kombinasi dari
banyak nya penggunaan warna merah, biru, hijau yang di simpan pada bidang
(Andono, Sutojo, & Mulyono, 2017).
Gambar 2.5 merupakan representasi citra RGB dan kanal warna
penyusunnya. Gambar (a) adalah gamabr RGB yang merupakan gambar asli
dari hasil tangkapan dari kamera, pada gambar (b), (c), (d) adalah merupakan
hasil dari reprepesentasi kanal warna. Pada kanal merah , warna merah
sempurna dipresentasikan dengan 255 dan hitam sempurna dengan nilai 0.
Pada kanal hijau, warna hijau sempurna dipresentasikan dengan nilai 255 dan
hitam sempurna dengan nilai 0. Begitu juga pada kanal biru , warna biru
sempurna dipresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0.

Gambar 2.5 Representasi citra RGB dan kanal warna penyusunnya

 2.2.3 Gray Level Co-occurrence Matrices (GLCM)
GLCM memilki 14 fitur yang diajukan oleh Haralick Wibawanto
(2008) tetapi tidak semua fitur digunakan. Umumnya hanya 5 fitur yang
dipakai dalam berbagai penelitian yaitu energi, entropi, kontras, korelasi dan
homogenitas. Hal ini dikarenakan kelima fitur ini merupakan fitur utama
dalam GLCM (Lihayati, Pawening, & Furqan, 2016). Dibawah ini merupakan
5 fitur GLCM yang digunakan dalam penelitian ini adalah sebagai berikut:

a. Entropi
Nilai entropi menunjukkan keteracakan dari distribusi derajat
keabuan citra. Semakin acak distribusi keabuan maka semakin tinggi nilai
entropi yang diperoleh. Entropi didefinisikan sebagai persamaan (1).

𝐸𝑛𝑡𝑟𝑜𝑝𝑖 = - ∑ 𝑖 ∑ 𝑗𝑝(𝑖, 𝑗) log 𝑝(𝑖, 𝑗) (1)

Keterangan:
i = baris
j = kolom
p = pasangan matriks intensitas co-occurrence

b. Energi
Nilai energi adalah kebalikan dari entropi. Semakin tinggi nilai
entropi, semakin rendah nilai energinya. Hal ini karena nilai energi
menggambarkan keteraturan penyebaran distribusi keabuan citra. Energi
didefinisikan sebagai persamaan (2).

𝐸𝑛𝑒𝑟𝑔𝑖 = ∑ 𝑖 ∑ 𝑗𝑝²(𝑖, 𝑗) (2)

Keterangan:
i = baris
j = kolom
p = pasangan matriks intensitas co-occurrence
c. Kontras
Fitur kontras digunakan untuk menghitung range tingkat keabuan
yang berbeda pada suatu citra. Semakin besar perbedaan derajat keabuan
dari setiap pasangan piksel, semakin tinggi nilai kontrasnya. Sebaliknya,
jika perbedaan tingkat keabuan setiap pasangan piksel tidak signifikan,
nilai kontrasnya akan sangat rendah. Kontras didefinisikan sebagai
persamaan (3).
𝐾𝑜𝑛𝑡𝑟𝑎𝑠 = ∑ 𝑖 ∑ 𝑗 (𝑖 - 𝑗)² 𝑝(𝑖, 𝑗) (3)
Keterangan:
i = baris
j = kolom
p = pasangan matriks intensitas co-occurrence

d. Korelasi
Korelasi adalah fitur yang digunakan untuk menghitung korelasi linier
sebuah citra. Jika tingkat keabuan antar pasangan piksel memiliki
hubungan linier, maka nilai korelasinya akan tinggi. Definisi korelasi
mirip dengan persamaan (4), (5) dan (6).
(i−μ)( j−μ) p(i , j)
Correlation = ∑ i∑ j σ2
(4)
Dengan:
µ = ∑ 𝑖 ∑ 𝑗𝑖. 𝑝(𝑖, 𝑗) (5)
𝜎² = ∑ 𝑖 ∑ 𝑗 (𝑖 - 𝜇)² 𝑝(𝑖, 𝑗) (6)
Keterangan:
µ = nilai rata-rata semua elemen matriks.
𝜎² = variansi dari matriks.
e. Homogenitas
Fitur homogenitas akan menghitung keseragaman variasi tingkat
derajat keabuan suatu citra. Fitur homogenitas akan memiliki nilai
derajat keabuan tinggi yang hampir sama. Homogenitas didefinisikan
oleh persamaan (7).
 p(i , j)
Homogeneity = ∑ i ∑ j ¿
1+¿ i− j∨¿
(7)
Keterangan:
i = baris
j = kolom
p = pasangan matriks intensitas co-occurrence

Koordinat pasangan piksel memiliki jarak d dan orientasi sudut Ꝋ.

Jarak direpresentasikan dalam piksel dan sudut direpresentasikan dalam
derajat. Orientasi sudut terbentuk berdasarkan empat arah sudut yaitu, 0°,
45°, 90° dan 135°, dan jarak antar piksel sebesar 1 piksel (Surya, Fadlil, &
Yudhana, 2017).

Gambar 2.7 Arah kookurensi GLCM

Tekstur adalah keteraturan pola-pola tertentu yang terbentuk dari

susunan piksel-piksel dalam citra. Suatu citra dikatakan mempunyai
informasi tekstur yaitu apabila memiliki pola atau karakteristik di suatu
daerah pada citra yang muncul secara berulang dengan interval jarak dan
arah tertentu (Lusiana, Amin, Hartono, & Kristianto, 2019).

2.2.4 K-Nearest Neighbour (K-NN)

K-Nearest Neighbors adalah algoritma yang digunakan untuk proses
klasifikasi citra query ke dalam kelas tertentu sesuai dengan kedekatan jarak
nilai fitur citra query dengan citra basis data yang telah digolongkan kedalam
beberapa kelas tertentu. KNN merupakan bagaian dari instance based learning
yang akan menyimpan dan hasil prose pelatihan dan akan melakukan
klasifikasi berdasarkan nilai atribut tersebut, sehingga ketika ada data baru
yang ingin dibandingkan(data hasil proses pengujian), maka ssstem akan
membandingkan data tersebut dengan data yang didapat dari hasil pelatihan
sebelumnya, kemudian data akan dikelompokkan ke “tetangga
terdekat”(Kevin, Hendryl, & Herwindiati, 2019).

Adapun langkah-langkah dalam metode K-NN adalah sebagai berikut:

1. Menghitung kuadrat jarak Euclidean objek terhadap data training yang

diberikan

n
d ( x , y )= √∑
i=1
(xi − y i)2 (8)

Keterangan :

d(x,y ) : jarak euclidean antara vektor x dan vektor y

xi : fitur ke i dari vektor x
yi : fitur ke i dari vektor y
n : jumlah fitur pada vektor x dan y

Klasifikasi k-Nearest Neighbor dilakukan dengan mencari k

tetangga terdekat dari data uji dan memilih kelas dengan anggota
terbanyak. Langkah-langkah klasifikasi KNN adalah sebagai berikut:
1. Mementukan parameter k (jumlah tetangga paling dekat).
2. Menghitung kuadrat jarak Euclidean (query instance) masing masing
objek terhadap data sampel yang diberikan.
3. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang
mempunyai jarak Euclid terkecil.
4. Mengumpulkan kategori y (klasifikasi Nearest Neighbor).
5. Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas
maka dapat diprediksi nilai query instance yang telah dihitung.
 BAB III

METODE PENELITIAN

3.1 Kerangka Penelitian

Kerangka penelitian pada penelitian ini bertujuan untuk mempermudah

dalam proses penelitian Klasifikasi jenis kain jilbab berdasarkan
teksturhya. Dalam rancangan penelitian terdapat beberapa tahapan yang
akan dilakukan. Adapun tahapan-tahapan pada penelitian ini seperti
terlihat pada Gambar 3.1

Mulai

Pengumpulan Dataset

Pre-Processing

Ekstraksi Fitur

Klasifikas
k- Nearest Neigboard

Uji Coba

Penarikan Kesimpulan

Selesai

Gambar 3.1 Kerangka Penelitian

3.2 Tahapan Penelitian

Tahapan penelitian akan menjelaskan langkah-langkah yang dilakukan

pada setiap tahapan pada kerangka penelitian. Berdasarkan Gambar 3.1.
kerangka penelitian dapat dijelaskan sebagai berikut:
3.2.1 Pengumpulan Dataset
Data yang digunakan berupa foto kain jilbab dari toko Hana Hijab
Kraksaan Probolinggo. Terdapat 4 jenis kain jilbab yaitu: ceruti, cornskin,
diamond, dan toyobo dimana masing-masing data berjumlah 100 citra,
sehingga total keseluruhan adalah 400 citra. Hasil pengambilan gambar
adalah gambar yang berformat *.jpg dengan resolusi 2256 x 4000 pixel yang
diambil menggunakan kamera HP OPPO F11. Dimana data tersebut dibagi
menjadi data training dan data testing. Jumlah citra yang digunakan adalah
320 untuk data training dan 80 citra untuk data testing yang kemudian akan
melalui tahapan preprocessing.

3.2.2 Preprocessing
Tahapan Preprosesing dapat dilihat pada gambar 3.2 berikut:

Original Crop Convert Resize

Image Image RGBto Image
Grayscale

Pre-processing dimulai dengan tahap crop image. Crop image

bertujuan untuk memfokuskan gambar hanya pada bagian tekstur kain
jilbab, dari resolusi awal 2256 x 4000 pixel menjadi resolusi 500 x 500
pixel. Tahapan kedua adalah mengubah gambar RGB atau berwarna
menjadi gambar Grayscale yaitu gambar keabu-abuan. Kemudian tahapan
ketiga resize image pixel. Tahap kedua resize image yaitu proses
memperkecil gambar kain jilbab yang bertujuan untuk mempermudah
 proses perhitungan di dalam sistem. Dari resolusi 500 x 500 pixel menjadi
450 x 450 pixel. Pada tahapan ini juga akan ada pemisahan data, yaitu 320
untuk data training dan 80 untuk data testing untuk diproses.
3.2.3 Ekstraksi Fitur
Pada tahapan ini dilakukan proses ekstraksi fitur tekstur pada citra
kain jilbab untuk kemudian dilakukan proses klasifikasi. Metode yang
digunakan untuk mendapatkan tekstur pada kain jilbab yaitu menggunakan
metode GLCM. Pada metode GLCM fitur diambil dari berbagai sudut
yaitu 0˚, 45˚, 90˚, 135˚.
3.2.4 Implementasi dengan Metode KNN
Pada tahapan ini merupakan tahapan terakhir dari proses
pengklasifikasian kain jilbab Proses klasifikasi menggunakan data latih
dengan tujuan menghasilkan satu model yang akan di gunakan sebagai
penentuan jenis kain jilbab. Metode yang digunakan untuk proses
klasifikasi adalah KNN.
3.2.5 Uji Coba
Uji coba salahsatu tahapan yang sangat penting dalam sebuah
penelitian untuk mengetahui apakah suatu metode tersebut dapat
dikembangkan atau tidak. Dalam tahap ini dilakukan sebuah pengujian
terhadap metode k- Nearest Neighbor dalam mengklasifikasi jenis kain
jilbab. Uji coba akan dilakukan pada Google Colab. Uji coba pada gambar
menggunakan algoritma pemrograman Python. Berikut rumus yang
digunakan menghitung tingkat akurasi pada uji coba gambar:

Akurasi=
∑ Data Benar x 100 % (9)
∑ DataUji
Keterangan :

∑ Data Benar = Banyak Data Benar

∑ Data Uji = Banyak Data Uji

 Pada uji coba gambar, terdapat 400 dataset diaman untuk data training dan
2 citra data testing dari masing-masing jenis kain jilbab. Sehingga total
keseluruhan dataset sebanyak 80 citra yang akan diujikan untuk mengetahui
nilai akurasinya, dan dataset tersebut akan diujikan menggunakan metode k-
Nearest Neighbor.

3.2.6 Penarikan Kesimpulan

Dari hasil uji coba dalam proses klasifikasi jenis kain jilbab
berdasarkan terksturnya. Didapatkan hasil dari penerapan metode k- Nearest
Neighbor untuk klasifikasi kain jilbab berdasarkan teksturnya.
 BAB 1V
HASIL DAN PEMBAHASAN
4.1 Penyajian Data Uji Coba
Pada bab ini akan dijelaskan hasil penelitian mengenai penerapan
metode k- Nearest Neighbor pada klasifikasi jenis kain jilbab. Adapun
langkah-langkah dari penelitian telah dipaparkan pada bab sebelumnya yang
akan diimplementasikan pada bab ini. Langkah-langkah tersebut meliputi
hasil dari pengumpulan dataset, hasil pre-processing, ekstraksi fitur,
implementasi metode k-NN, uji coba, dan penarikan kesimpulan dari hasil
implementasi metode tersebut.
4.1.1 Pengumpulan Dataset
Dataset pada penelitian ini menggunakan data gambar kain jilbab.
Jenis kain jilbab yang digunakan yaitu ceruti, cornskin, diamond, dan toyobo,
data gambar kain jilbab sebanyak 400, dimana masing-masing dari kain jilbab
tersebut terdapat 100 gambar sehingga total keseluruhan adalah 400 gambar.
Gambar kain jilbab tersebut dikelompokkan menjadi data training dan data
testing. 320 gambar untuk data training dan 80 gambar untuk data testing.
Pengambilan dataset adalah dari toko hana jilbab. Dataset gambar
beresolusi 2256 x 4000 pixel, dataset harus melalui tahapan preprocessing
karena pada tahap tersebut akan mengubah warna gambar yang memiliki
keberagaman warna menjadi keabu-abuan. Proses tersebut akan
mempermudah kerja dalam implementasinya. Pada gambar 4.1 merupakan
beberapa contoh dataset dimana gambar awal masih berwarna.
 Gambar 4.1. Beberapa contoh dataset

4.1.2 Preprocessing

Tahapan pada preprocerssing dilakukan untuk mengubah citra warna

dari beragam warna menjadi warna hitam putih keabu-abuan. Berdasarkan
bab sebelumnya, tahapan preprocessing akan mengubah citra warna yang
sebelumnya memiliki banyak variasi dalam 1 sampai 255. Tahapan
perubahan tersebut dinamakan tahap grayscale gambar.

Mengubah warna pada gambar mernjadi keabu-abuan bertujuan

mempermudah proses dalam implementasi. Pada grayscale gambar, gambar
hanya akan berwarna hitam, putih, dan abu-abu. Proses preprocessing
menggunakan script Python. Langkah grayscale gambar yaitu sebagai berikut:

a. Definisi Sumber dan Target

 Mendefinisikan sumber gambar yang akan diproses dan
mendefinisikan target output gambar. Dari gambar awal selanjutnya
akan diproses kedalam bentuk grayscale. Gambar dengan 4 folder yang
masing-masing terdapat 100 didalam setiap foldernya. Segmen
program 4.1. merupakan script Python yang menunjukkan sumber dan
target pada folder k-nn training dan output target gambar pada folder
dataset training2.

Segmen Program 4.1. Sumber dan Target Gambar Grayscale

b. Proses Grayscale Gambar

Proses Grayscale Gambar menjadi hitam, putih dan abu abu.
Setiap gambar akan diubah dengan menggunakan script python dari
gambar berwarna menjadi abu abu dengan format save *jpg. Segmen
program 4.2 merupakan script yang digunakan untuk melakukan
proses grayscale.
Segmen Program 4.2. Proses Grayscale Gambar
 c. Hasil Grayscale Gambar
Gambar 4.2 menunjukkan gambar sebelum dan sesudah proses
grayscale gambar. Pada gambar terlihat dengan jelas perbedaan setelah
proses grayscale. Gambar (a) merupakan gambar berwarna dari proses
crop gambar dan gambar (b) merupakan gambar abu-abu dari proses
grayscale. Dari proses grayscale gambar ini akan dilakukan proses
training.

(a) (b)

Gambar 4.2. Proses Grayscale Gambar

Gambar 4.3 merupakan contoh beberapa gambar hasil grayscale dari satu folder
 Gambar 4.3. Hasil Proses Grayscale Gambar

Selanjutnya gambar diresize dari 2256 x 4000 pixel dan sudah melalui
cropping dengan applikasi paint menjadi 500x 500 pixel akan diresize
menjadi 450x450 pixel. Script Python dapat dilihat pada segemen program
4.3

Segmen Program 4.3. Resize Gambar

Segmen Program 4.3. Lanjutan

Segmen Program 4.3. Lanjutan

!python resize_images.py --raw-dir '/content/gdrive/MyDrive/Dataset/trai
ning2/ceruti'—--save-dir '/content/gdrive/MyDrive/TeksturGLCM/training
2/ceruti' --ext jpg --target-size "(450,450)"

Script Python di atas adalah untuk meresize gambar yang tersimpan di google
drive hasil dari grayscale gambar , seperti yang sudah dijelaskan pada lampiran bab
sebelum nya, dataset kain jilbab terdapat 4 jenis, jadi untuk script python dilakukan
sebanyak 4 kali dengan nama kain jilbab yang berbeda.

4.1.3. Ekstraksi Fitur GLCM

Pada tahapan glcm ini adalah digunakan untuk mengekstraksi fitur dari jenis-
jenis kain jilbab seperti yang telah dilampirkan pada bab sebelumnya, dimana
jenis-jenis dari kain jilbab tersebut akan di ekstraksi fitur-fitur nya. Terdapat
matrik 0˚, 45˚, 90˚, dan 135˚. Dibawah ini merupakan segmen program glcm
Segmen Program 4.4. Fitur GLCM
 Segmen Program 4.4 Lanjutan

    
 Segmen Program 4.4. Lanjutan

    
Segmen Program 4.4. Lanjutan
 Segmen Program 4.4. Lanjutan
 
Segmen Program 4.4. Lanjutan

 
 Segmen Program 4.5 merupakan script python untuk menyiapkan kelas
data yang akan disimpan ke file csv dari hasil ekstraksi glcm. Dan fitur-fitur
yang digunakan adalah fitur energi, contrast, homogeneity, dan correlation.

Segmen Program 4.5 Kelas data hasil output dari GLCM

Segmen Program 4.5. Lanjutan

Segmen Program 4.5. Lanjutan

Segmen Program 4.5. Lanjutan (contoh perhitungan contras dengan 1 gambar)

Segemen Program 4.5. Lanjutan

Segmen Program 4.6. Input Dataset Kain Jilbab

 Pada segmen program 4.6 adalah untuk menginputkan dataset jenis kain
jilbab yang sudah di ekstraksi ke glcm, jenis-jenis kain jilbab yang digunakan
terdapat 4 jenis yaitu ceruti, cornskin, diamond dan toyobo, jadi untuk
penginputan dataset dilakukan sebanyak 4 kali. Untuk kelas ceruti = k1,
cornskin = k2, diamond =k3, dan toyobo = k4.

Gambar 4.4 Hasil Dataset ekstraksi glcm berbentuk csv

4.1.4 Implementasi Metode k- Nearest Neighbor

Implementasi dengan menggunakan metode k- Nearest Neighbor

dilakukan dengan membuat script Python. Pada implementasinya terdapat
beberapa tahapan yang dilakukan.

a. Tahap Persiapan Data

Pada tahapan ini dataset dipersiapkan untuk diproses dengan
metode k-Nearest Neighbor. Data hasil dari ekstraksi glcm dalam
bentuk csv akan dipanggil pada tahapan klasifikasi dengan metode
k-NN menggunakan script Python yang dapat dilihat pada segmen
program 4.14. Sebelum pemanggilan data csv, terlebih dahulu
import library yang terlihat pada segmen program 4.13 dibawah ini.
 Segmen Program 4.7. Import Library

import numpy as np  #array
import matplotlib.pyplot as plt #plot diagram  
import pandas as pd  #membaca file csv

Segmen Program 4.8 Input Dataset CSV

Pada segmen program 4.8. untuk kelas k1, k2, k3, dan k4 akan diubah
menjadi angka yaitu 0, 1, 2, 3, dimana 0 untuk kelas ceruti, 1 untuk
cornskin, 2 untuk diamond, dan 3 untuk toyobo. Kemudian terdapat pula
nama Class dan Citra yang di drop karena yang akan di proses hanyalah
fitur-fitur dari glcm sehingga untuk nama ‘‘Class’’ dan ‘‘Citra’’ tidak
digunakan.

Selanjutnya menuju proses pemisahan data yaitu data training dan data
testing, yang dilakukan pada Segmen Program 4.9.

Segmen Program 4.9. Pemisahan Data

 Kemudian dilakukan klasifikasi menggunakan metode k-Nearest
Neighbor, terlihat pada segmen program 4.10.

Segmen Program 4.10. Klasifikasi k-NN

4.1.5 Uji Coba

Tahap uji coba merupakan tahapan hasil menguji cobakan data testing
dengan metode k-Nearest Neighbor yang sudah diimplementasikan. Pada
tahapan ini akan mengetahui tingkat akurasi dengan menggunakan metode k-
Nearest Neighbor, segmen program 4.11 memprediksi data gambar apa saja
yang digunakan dan melihat benar salah nya data dari hasil prediksi.
Segmen Program 4.11. Prediksi data testing

segmen Program 4.11. Lanjutan

 Tabel 4.1. Hasil Uji Coba dengan 80 Data

Banyak Data Banyak Data Banyak Data Hasil

Uji Benar Salah Akurasi

80 70 10 87%

Gambar 4.5 Beberapa Contoh Hasil Prediksi Data Testing

 Kemudian pada segmen program 4.12 untuk mengetahui nilai error
dari k value nya

Segmen Program 4.12. Nilai Error k Value

Segmen Program 4.12 Lanjutan (Grafik)

 Gambar 4.6 Grafik Error Nilai k Value

Semakin kecil nilai error nya maka akurasinya semakin tinggi dan semakin
besar nilai error nya maka semakin kecil tingkat akurasi k value nya, untuk k
value nya dapat dilihat pada Gambar 4.6.

Tabel 4.2. beberapa contoh nilai error akurasi k value

k value Error Akurasi

1 0.125 0.875
2 0.3625 0.6375
3 0.4625 0.5375
4 0.45 0.55
5 0.4125 0.5875
6 0.4125 0.5875
7 0.425 0.575
8 0.425 0.575
9 0.4625 0.5375
10 0.4625 0.5375

4.2 Pembahasan

Pada bagian ini akan dibahas tentang hasil dari uji coba yang telah
dilakukan dengan menggunakan metode k-Nearest Neighbor. adapun uji
coba yang dilakukan adalah sebagai berikut:
a. Uji coba dengan 80 data
Hasil uji coba dengan menggunakan 80 data gambar didapatkan
nilai akurasi 87% pada K= 1. Terdapat 400 data gambar kain jilbab dengan
empat jenis kain jilbab yaitu ceruti, cornskin, diamond, dan toyobo.
gambar yang terdeteksi benar adalah berjumlah 70 dan 10 gambar
terdeteksi salah.
Tabel 4.3. Hasil Prediksi 10 Gambar Salah
Citra Gambar Kelas Benar Kelas Salah Label
261 2 0 Diamond
134 1 3 Cornskin
206 2 3 Diamond
65 0 3 Ceruti
322 3 0 Toyobo
256 2 3 Diamond
247 2 0 Diamond
171 1 3 Cornskin
45 0 2 Ceruti
4 0 3 Ceruti
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Hasil dari penelitian klasifikasi jenis kain jilbab berdasarkan

tekstur dengan metode k-Nearest Neighbor dapat ditarik kesimpulan
bahwa metode k-Nearest Neighbor dapat mengklasifikasi dengan baik
dengan k=1 yaitu 87% sedangkan k=2 63%, k=3 53%, k=4 55%, k=5
58%, k=6 58%, dan k=7 57%. Hasil akurasi proses klasifikasi yang
tertinggi dari proses klasifikasi k-NN antara nilai k=1 sampai k=7 terletak
pada nilai k=1 dengan nilai akurasi 87%.  Metode k-Nearest Neighbor
berdasarkan Gray Level Co-corrence Matrix (GLCM) sehingga membuat
komputer mampu mengenali dan memprediksi jenis kain jilbab dengan
baik.

5.2 Saran

Saran dan masukan yang dapat disampaikan untuk kedepannya

pada penelitian ini ialah diharapkan menambahkan dataset yang lebih
banyak sehingga sistem dapat lebih baik dalam mengklasifikasi baik jenis
kain maupun objek lainnya seperti daun, buah dan lain sebagainya.
Penambahan data dengan kondisi pencahayaan dan jarak yang berbeda
akan mempengaruhi hasil metode.