KLASIFIKASI JENIS BATIK MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS (KNN)
DOI:
https://doi.org/10.32897/infotronik.2024.9.2.3846Kata Kunci:
Batik, Klasifikasi, K-Nearest Neighbors (KNN)Abstrak
Batik merupakan salah satu warisan dunia yang telah diakui oleh UNESCO, memiliki nilai filosofis dan seni yang tinggi serta bernilai ekonomis. Namun, dengan banyaknya jenis batik di Indonesia, banyak masyarakat masih kesulitan untuk mengetahui dan membedakan jenis-jenis batik tersebut, yang dapat mengancam kelestariannya. Kurangnya pengetahuan masyarakat tentang jenis-jenis batik dapat menyebabkan berkurangnya apresiasi dan kehilangan identitas budaya. Oleh karena itu, diperlukan penanganan yang tepat untuk mengatasi permasalahan ini. Penelitian ini bertujuan untuk membangun sistem klasifikasi jenis batik menggunakan algoritma K-Nearest Neighbors (KNN) untuk membantu masyarakat mengenali dan membedakan jenis-jenis batik, khususnya Batik Lasem, Batik Sekar Jagad, Batik Tambal, dan Batik Truntum. Diharapkan sistem ini dapat meningkatkan kesadaran dan pengetahuan masyarakat tentang kekayaan budaya batik serta membantu dalam pelestarian warisan budaya Indonesia. Hasil pengujian sistem menunjukkan perbedaan akurasi di setiap percobaan dengan dataset berjumlah 200 gambar, terdiri dari 50 gambar per jenis batik. Akurasi tertinggi diperoleh dari percobaan ketiga, yaitu sebesar 85%, sedangkan percobaan kedua menghasilkan akurasi sebesar 72.5%, dan percobaan pertama memperoleh akurasi sebesar 65%.
Referensi
Supriono Primus, Ensiklopedia: the heritage of Batik : identitas pemersatu kebanggaan bangsa. 2016. [Online]. Available: https://books.google.co.id/books?id=P09AswEACAAJ&dq=ensiklopedia+batik&hl=id&newbks=1&newbks_redir=0&sa=X&ved=2ahUKEwjD9cLnu-GDAxVzxTgGHa9ECWUQ6AF6BAgEEAE
T. Harlina and E. Handayani, “Klasifikasi motif batik banyuwangi menggunakan metode k-nearest neighbor (k-nn) berbasis android,” vol. 07, pp. 82–96, 2022.
A. P. B. Salsabila, C. Rozikin, and R. I. Adam, “Klasifikasi Motif Batik Karawang Berbasis Citra Digital dengan Principal Component Analysis dan K-Nearest Neighbor,” J. Sist. dan Teknol. Inf., vol. 11, no. 1, p. 20, 2023, doi: 10.26418/justin.v11i1.46936.
B. Zaman, A. Rifai, and M. B. Hanif, “Komparasi Metode Klasifikasi Batik Menggunakan Neural Network Dan K-Nearest Neighbor Berbasis Ekstraksi Fitur Tekstur,” J. Inf. Syst. Informatics, vol. 3, no. 4, pp. 582–595, 2021, doi: 10.51519/journalisi.v3i4.213.
M. Lestari, “Penerapan Algoritma Klasifikasi Nearest Neighbor (K-NN) untuk Mendeteksi Penyakit Jantung,” Fakt. Exacta, vol. 7, no. September 2010, pp. 366–371, 2014.
P. Sharma, Simplified Machine Learning: The essential bulding blocks for Machine Learning expertise. 2024.
F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor,” J. Ultim., vol. 7, no. 2, pp. 98–104, 2016, doi: 10.31937/ti.v7i2.356.
A. A. Permana et al., MACHINE LEARNING. 2023. [Online]. Available: https://books.google.co.id/books?id=1_muEAAAQBAJ&printsec=frontcover&hl=id&source=gbs_ge_summary_r&cad=0#v=onepage&q&f=false
G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning. 2013. [Online]. Available: https://www.stat.berkeley.edu/users/rabbee/s154/ISLR_First_Printing.pdf
A. C. Muller and S. Guido, Introduction to Machine Learning with Phyton. 2016. [Online]. Available: https://books.google.co.id/books?id=1-4lDQAAQBAJ&printsec=frontcover&redir_esc=y#v=onepage&q&f=false
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Teknologi Informasi dan Elektronika (INFOTRONIK)
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
Copyright Notice
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
