Announcement
Starting on July 4, 2018 the Indonesian Publication Index (IPI) has been acquired by the Ministry of Research Technology and Higher Education (RISTEKDIKTI) called GARUDA Garba Rujukan Digital (http://garuda.ristekdikti.go.id)
For further information email to portalgaruda@gmail.com

Thank you
Logo IPI  
Journal > JUTI: Jurnal Ilmiah Teknologi Informasi > KLASIFIKASI MULTILABEL MOTIF CITRA BATIK MENGGUNAKAN BOOSTED RANDOM FERNS

 

Full Text PDF (999 kb)
JUTI: Jurnal Ilmiah Teknologi Informasi
Vol 16, No. 1, Januari 2018
KLASIFIKASI MULTILABEL MOTIF CITRA BATIK MENGGUNAKAN BOOSTED RANDOM FERNS
Fuad, M. Nur ( Departemen Informatika, Fakultas Teknologi Informasi dan Komunikasi, Institut Teknologi Sepuluh Nopember)
Suciati, Nanik ( Departemen Informatika, Fakultas Teknologi Informasi dan Komunikasi, Institut Teknologi Sepuluh Nopember)
Article Info   ABSTRACT
Published date:
05 Feb 2018
 
Penelitian yang telah dilakukan terkait klasifikasi motif batik kebanyakan hanya mengenali satu motif batik dalam satu citra. Saat ini banyak terdapat citra batik yang memiliki lebih dari satu motif di dalamnya. Penelitian ini bertujuan untuk  mengenali banyak motif batik dalam satu citra menggunakan metode ekstraksi fitur bentuk Histogram of Oriented Gradient (HOG) dikombinasikan dengan metode klasifikasi Boosted Random Ferns (BRF). Pada penelitian sebelumnya, kombinasi metode tersebut mampu mengidentifkasi beberapa pejalan kaki dalam satu citra. Kemampuan kombinasi metode tersebut dalam mengidentifikasi multiobject dalam satu label (pejalan kaki) dikembangkan untuk mengidentifikasi multiobject dalam multilabel (motif-motif batik). Untuk kasus pengenalan motif batik, sistem yang dibangun  mengekstrak fitur HOG dari data citra training dan menyusunnya menjadi fitur ferns dalam BRF untuk membuat model-model klasifikasi motif batik. Selanjutnya setiap model klasifikasi motif digunakan untuk mengidentifikasi masing-masing motif pada citra testing. Uji coba dilakukan terhadap 64 data citra testing dengan 6 jenis motif batik. Pengujian performa metode menggunakan skenario pengujian berdasarkan variasi jumlah subset random ferns, jumlah weak classifier dan iterasi boostrapping. Terdapat empat variasi jumlah subset random ferns yakni 5, 10, 15 dan 20 subset, empat variasi jumlah weak classifier yakni 100, 200, 300 dan 400, serta enam variasi iterasi boostrapping yakni 0, 1, 2, 3, 4, dan 5 iterasi. Label-label hasil klasifikasi kemudian dihitung menggunakan tanimoto distance. Nilai tanimoto distance terbaik dari sistem yakni 0.0130, dengan jumlah citra testing yang dideteksi dengan benar sebanyak 62 citra dari 64 citra.
Copyrights © 2018