DSpace logo

Please use this identifier to cite or link to this item: https://repository.uksw.edu/handle/123456789/14964
Title: Perbandingan Akurasi dan Kecepatan Algoritma Local Binary Patterns (LBP) dan Algoritma Fuzzy Local Binary Patterns (FLBP) dalam Ekstraksi Ciri untuk Pengenalan Batik Menggunakan Klasifikasi Probabilistic Neural Network (PNN)
Authors: Narwanto
Issue Date: 2017
Publisher: Program Studi Sistem Komputer FTEK-UKSW
Abstract: Akurasi klasifikasi dan kecepatan ekstraksi ciri metode local binary patterns (LBP) dibandingkan dengan metode fuzzy local binary patterns (FLBP) dalam pengenalan batik. 7 jenis batik dari museum Danar Hadi Solo dilatih dengan memasukan ciri khusus ke dalam klasifikasi dan diujikan dengan citra potongan acak semua kain batik. Skema pengujian ditambah dengan cara memutar citra dan menguji data yang tidak dilatih. Hasilnya metode FLBP 12% lebih lama dari LBP. Peningkatan akurasi citra non rotasi, maksimal 3% FLBP pada parameter T=3 dari LBP 67%. Citra dengan rotasi 30, 45, 60 dan 90 derajat memiliki selisih akurasi lebih rendah 53% LBP dan 52% FLBP dari citra non rotasi dan pada rotasi 180 derajat memiliki rata-rata 60% LBP dan 57% FLBP. Data tidak terkontrol memprediksi kelas yang tidak berpola dan cenderung masuk ke dalam kelas batik Cina karena karakter klasifikasi probabilistic neural network (PNN).
Accuracy of classification and speed extraction rates of local binary patterns (LBP) methods were compared with the fuzzy local binary patterns (FLBP) method in batik recognition. 7 types of batik from Danar Hadi’s museum are trained by inserting special features into classification and tested with random pieces of all batik cloth image. The test scheme is added with rotate image batik cloth and untrained data. The result, FLBP method 12% longer than LBP. Increased accuracy of non-rotational image, maximum 3% FLBP at parameter T = 3 from LBP 67%. Images with rotations of 30, 45, 60 and 90 degrees have a difference lower accuracy of 53% LBP and 52% FLBP of non-rotational image and on a 180 degree rotation having an average of 60% LBP and 57% FLBP. Uncontrolled data predicts not patterned classes and tends to enter the Chinese batik class because of the probabilistic neural network (PNN) classification character.
Description: Tidak diijinkan karya tersebut diunggah ke dalam aplikasi Repositori Perpustakaan Universitas.
URI: http://repository.uksw.edu/handle/123456789/14964
Appears in Collections:T1 - Computer Systems

Files in This Item:
File Description SizeFormat 
T1_622012017_BAB I.pdf
  Restricted Access
BAB I273.3 kBAdobe PDFView/Open Request a copy
T1_622012017_BAB II.pdf
  Restricted Access
BAB II551.61 kBAdobe PDFView/Open Request a copy
T1_622012017_BAB III.pdf
  Restricted Access
BAB III584.03 kBAdobe PDFView/Open Request a copy
T1_622012017_BAB IV.pdf
  Restricted Access
BAB IV4.97 MBAdobe PDFView/Open Request a copy
T1_622012017_BAB V.pdf
  Restricted Access
BAB V154.72 kBAdobe PDFView/Open Request a copy
T1_622012017_Daftar Pustaka.pdf
  Restricted Access
Daftar Pustaka120.24 kBAdobe PDFView/Open Request a copy
T1_622012017_Judul.pdfHalaman Judul3.05 MBAdobe PDFView/Open
T1_622012017_Lampiran 1.pdf
  Restricted Access
Lampiran 1432.28 kBAdobe PDFView/Open Request a copy
T1_622012017_Lampiran 2.pdf
  Restricted Access
Lampiran 25.92 MBAdobe PDFView/Open Request a copy


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.