ABSTRAKSI: Batik Indonesia memiliki beragam corak motif dan modelnya yang pada tiap daerah berbeda-beda dan menjadi ciri khas daerah tersebut. Dari berbagai corak tersebut ada yang memiliki bentuk yang hampir sama sehingga dapat diklasifikasikan ke dalam suatu jenis batik tertentu. Hal inilah yang menjadi latar belakang topik tugas akhir ini yaitu klasifikasi motif batik. Seperti kita ketahui perkembangan teknologi dibidang pengolahan citra digital sudah sangat pesat tepatnya teknik pengenalan pola suatu citra digital sehingga digunakan pengolahan citra digital untuk mengklasifikasikan sebuah citra batik.
Tugas Akhir ini membahas mengenai teknik untuk mengklasifikasikan motif batik dengan menggunakan pengolahan citra digital. Metode ekstraksi ciri yang digunakan adalah Local Binary Pattern (LBP). Metode klasifikasi yang digunakan adalah K-Nearest Neighbor (KNN). Proses terdiri dari input Citra, preprocessing, Ekstraksi ciri Local Binary Pattern (LBP), pembangunan model klasifikasi K-NN, dan proses klasifikasi K-NN untuk menentukan motif dari sebuah foto pola batik yang menjadi input perangkat lunak.
Pengujian yang dilakukan terdiri dari 4 skenario pengujian yaitu pengujian terhadap parameter ekstraksi ciri LBP, banyak data setiap kelas pada proses pembangunan model K-NN, parameter nilai K pada klasifikasi K-NN, dan jenis jarak pada proses klasifikasi K-NN. Parameter terbaiknya adalah parameter ukuran resize : 160x120 piksel, parameter filter median: 7, parameter jenis ketetanggan LBP: radius 1 dan 8 titik, parameter K=1, dan jenis jarak adalah correlation. Parameter terbaik menghasikan akurasi sebesar 99,14% terhadap jumlah data uji sebanyak 116 data dengan waktu latih selama 2,89 detik dan waktu rata-rata citra uji diproses adalah 0,04 detik.Kata Kunci : Batik, Klasifikasi, K-NN, Local Binary Pattern, LBP.ABSTRACT: Indonesian batik motifs have various shades and styles in each region are different and characteristic of the area. Of various shades are there that have almost the same shape so that it can be classified into a certain type of batik . This is the background of this thesis topic that classification motif. As we all know developments in the field of digital image processing technology has been very rapid precise pattern recognition techniques that use a digital image digital image processing to classify an image of batik .
Final task is to discuss the techniques for classifying motif using digital image processing . Feature extraction method used is the Local Binary Pattern (LBP). Classification method used is the K - Nearest Neighbor (KNN) . The process consists of the input image , preprocessing , extraction ciri Local Binary Pattern (LBP) , the construction of classification models K - NN , and K - NN classification process to determine the motive of a photo batik patterns that become the input software .
Tests were conducted consisted of 4 test scenarios that test the characteristic parameter extraction of LBP , a lot of data every class in the K - NN model development , parameter value of K in K - NN classification , and type of distance on the K - NN classification . Is the best parameter resize size : 160x120 pixels , median filter parameters : 7 , parameter types neighbor LBP : radius 1 and 8 points , the parameter K = 1 , and the type of distance is correlation. Best parameters generate an accuracy of 99.14 % on the amount of test data with the data as much as 116 times coached for 2.89 seconds and the average time of test images are processed is 0.04 seconds .Keyword: Batik , Classification , K - NN , Local Binary Pattern , LBP