Peningkatan Fitur Ekstraksi Berbasis Discrete Wavelet Transform dan Principal Component Analysis Pada Pengenalan Citra Batik
DOI:
https://doi.org/10.26623/transformatika.v20i2.5613Keywords:
Batik, Discrete Wavelet Transform, Principal Component AnalysisAbstract
Pengenalan pola batik menjadi penting karena batik sebagai warisan budaya bangsa perlu dilestarikan kepada generasi ke generasi. Salah satu upaya untuk memperkenalkan pola batik ini yaitu dengan memperkenalkan keragaman motif atau polanya. Penelitian ini bertujuan untuk mengoptimalisasi metode fitur ekstraksi dengan menggunakan metode Discrete Wavelet Transform (DWT) dan Principal Component Analysis (PCA) untuk mereduksi hasil fitur ekstraksi yang diperoleh dari DWT berdasarkan fitur-fitur yang memiliki korelasi yang baik. Tahapan dilakukan dengan menggunakan 310 data berupa citra batik yang terdiri dari 7 motif dengan komposisi 240 untuk data training dan 70 untuk data testing. Pada tahap fitur ekstraksi dengan menambahkan metode PCA pada DWT mampu mereduksi fitur dari 20 menjadi 5 fitur. Selanjutnya fitur tersebut diuji dengan melakukan klasifikasi menggunakan metode KNN dan SVM. Hasil dari klasifikasi dapat dibuktikan bahwa dengan menggunakan metode PCA dan DWT pada tahap fitur ekstraksi mampu meningkatkan klasifikasi hingga 5%.
References
. Iskandar, 2016, Batik sebagai Identitas Kultural Bangsa Indonesia di Era Globalisasi, Jurnal GEMA, No. 52/Agustus 2016, ISSN:0215-3092.
. Ida Nuraidam, 2015, Automatic Indonesian Batik Pattern Recognition Using SIFT Approach, Procedia Computer Science 59 (2015) 567-576.
. Ignatia Dhian E.K.R, 2016, Klasifikasi Batik Menggunakan KNN Berbasis Wavelet, Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016), ISSN : 2089-9815, Yogyakarta.
. Nanik Suciati (2013), Ekstraksi Fitur Berbasis Wavelet Pada Sistem Temu Kembali Citra Tekstur , jurnal SCAN VOL. VII NOMOR 2 ISSN: 1978-0087.
. Fikri Budiman, 2016, Wavelet Decomposition Level Analysis for Indonesia Traditional Batik Classification, Journal of Theoretical and Applied Information Technology, Vol. 92 No. 2, ISSN: 1992-8645.
. Fikri Budiman, 2021, Non-linear Multiclass SVM Classification Optimization using Large Datasets of Geometric Motif Image, (IJACSA) International Journal of Advanced Computer Science and Applications,Vol. 12, No. 9, 2021.
. S. Lhazmir, I. El Moudden and A. Kobbane, "Feature extraction based on principal component analysis for text categorization," 2017 International Conference on Performance Evaluation and Modeling in Wired and Wireless Networks (PEMWN), 2017, pp. 1-6, doi: 10.23919/PEMWN.2017.8308030.
. Arista Marlince Tamonob, 2015, Nonlinear Principal Component Analysis And Principal Component Analysis With Successive Interval In K-Means Cluster Analysis, Forum Statistika dan Komputasi : Indonesian Journal of Statistics ISSN : 0853-8115, Vol. 20 No.2, Oktober 2015, p: 68-77.
. Galih Hendro M (2012), "Penggunaan Metodologi Analisa Komponen Utama (PCA) untuk Mereduksi Faktor-Faktor yang Mempengaruhi Penyakit Jantung Koroner", SciETec 2012, 22 February 2012, UNIBRAW, Malang.
. Alicia (2020), Filosofi Motif Batik Sebagai Identitas Bangsa Indonesia , Jurnal FOLIO Volume 1 No. 1 Februari 2020.
. Ruswiansari, M., Novianti, A., & Wirawan, W. (2016). IMPLEMENTASI DISCRETE WAVELET TRANSFORM (DWT) DAN SINGULAR VALUE DECOMPOSITION (SVD) PADA IMAGE WATERMARKING. Jurnal Elektro Dan Telekomunikasi Terapan, 3(1). doi:10.25124/jett.v3i1.130
. Darma Putra (2010), Pengolahan Citra Digital , Penerbit Andi, Yogyakarta.
Downloads
Published
Issue
Section
License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
Transformatika is licensed under a Creative Commons Attribution 4.0 International License.
