PENDAHULUAN
KAJIAN PUSTAKA
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.
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).
c. 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).
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).
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).
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
n
d ( x , y )= √∑
i=1
(xi − y i)2 (8)
Keterangan :
METODE PENELITIAN
Mulai
Pengumpulan Dataset
Pre-Processing
Ekstraksi Fitur
Klasifikas
k- Nearest Neigboard
Uji Coba
Penarikan Kesimpulan
Selesai
3.2.2 Preprocessing
Tahapan Preprosesing dapat dilihat pada gambar 3.2 berikut:
Akurasi=
∑ Data Benar x 100 % (9)
∑ DataUji
Keterangan :
4.1.2 Preprocessing
(a) (b)
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
!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.
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.
import numpy as np #array
import matplotlib.pyplot as plt #plot diagram
import pandas as pd #membaca file 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.
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
80 70 10 87%
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.
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
5.1 Kesimpulan
5.2 Saran