PERANCANGAN SISTEM OTOMATISASI UNTUK KLASIFIKASI MOTIF SONGKET MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
| Main Author: | Zikri, Khairan |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://scholar.unand.ac.id/32997/1/1.Cover%20dan%20Abstrak.pdf http://scholar.unand.ac.id/32997/2/2.%20Bab%20I.pdf http://scholar.unand.ac.id/32997/3/3.%20Bab%20V.pdf http://scholar.unand.ac.id/32997/4/4.%20Daftar%20Pustaka.pdf http://scholar.unand.ac.id/32997/5/5.%20Skripsi%20Full%20Text.pdf http://scholar.unand.ac.id/32997/ |
Daftar Isi:
- Songket bagi masyarakat Minangkabau merupakan jenis pakaian yang tinggi nilainya. Beriring perkembangan zaman, banyak motif tenun songket yang lama tidak dibuat lagi dan tersaingi oleh motif tenun songket yang baru sehingga banyak masyarakat yang tidak mengenali motif songket yang lama. Dalam mengatasi masalah ini, diperlukan suatu sistem otomatisasi yang dapat mengklasifikasikan motif-motif songket dengan mudah. Proses klasifikasi yang dipakai menggunakan metode Support Vector Machine (SVM). Konsep klasifikasi dengan SVM adalah usaha untuk mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas data pada ruang input. Tahapan penelitian yang dilakukan adalah mengumpulkan data citra motif songket Pandai Sikek dimana nantinya akan diklasifikasikan menjadi tiga motif yang ada salapah ,sirangkak , dan tapuak manggih, selanjutnya melakukan perbaikan citra dan segmentasi citra dengan algoritma K-Means clustering, kemudian melakukan klasifikasi terhadap citra baru menggunakan metode SVM, pengujian dan implementasi. Pengumpulan citra dilakukan dengan mengambil langsung ke lokasi pembuatan songket Pandai Sikek yang ada di Kabupaten Tanah datar. Input dari metode SVM ini dengam memasukkan citra motif songket dengan format dan ukuran yang sama. Dan output yang akan keluar berupa klasifikasi dari songket tersebut. Proses klasifikasi menggunakan software Matlab dengan mendapatkan atribut dari metode Grey level co-occurence matrix (GLCM), mean, standard deviation, entropy, root-mean-square, variance, smoothness, kurtosis, skewness, dan IDM. Hasil pengujian sistem yang diujikan kepada 45 data training dan 30 data testing memiliki tingkat keakuratan 91,1% untuk sistem training dengan perbaikan citra, 68,9% untuk sistem training tanpa perbaikan citra, 80% untuk data uji yang belum dilakukan training dengan perbaikan citra, dan 56,7% untuk data uji yang belum dilakukan training dengan perbaikan citra.