Content Based Image Retrieval Motif Batik Real Time Dengan Learning Vector Quantization
Content Based Image Retrieval Motif Batik Real Time Using the Learning Vector Quantization
Bella Nugraheni Indrajati 1, Supatman2
1,2Jurusan Teknik Informatika,Teknologi Informasi Universitas Mercu Buana Yogyakarta, Email : [email protected], [email protected]
ABSTRAK
Batik, merupakan salah satu pakaian nasional masyarakat Indonesia, yang memiliki beragam Motif. Dengan Banyaknya motif batik yang beredar di pasaran, masyarakat terkadang kesulitan untuk mengenali jenis motif batik itu sendiri. Teknik pengolahan citra digital dan Learning Vector Quatization (LVQ) memiliki kemampuan dalam hal temu kembali data citra berdasarkan ciri-ciri dan basis data pengetahuan. Citra batik akan diekstraksi cirinya menggunakan GLCM. Kemudian, ciri tersebut akan dilatih dengan metode LVQ untuk mendapatkan bobot terbaik sehingga dapat membedakan kelas antar batik. Aplikasi ini merupakan sebuahsistem yang dibuat untuk membantu manusia dalam mengenali citra batik. Pengenalan ini dilakukan menggunakan algoritma LVQ dengan melakukan pelatihan dari bobot awal, hingga menemukan bobot akhir yang dapat membedakan kelas antar batik. Pengenalan akan dibantu oleh camera yang akan mengambil gambar secara real time yang kemudian data dari camera diolah oleh sistem sehingga sistem dapat menemukan gambar yang sejenis dengan gambar yang diambil oleh kamera. Pada proses pelatihan menggunakan parameter LVQ terdapat presentase terbaik sebesar 91.67%, yaitu pada alfa 0.00001 dengan dec alfa 0.9 dengan iterasi terendah 2. Sedangkan pada sistem CBIR presentase keberhasilan pengenalan citra batik mencapai 88,90%
Kata kunci : Batik Yogyakarta, Learning Vector Quantization (LVQ), Tekstur, GLCM
ABSTRACT
This application is a system created to assist humans in recognizing batik images. This recognition is done using the LVQ algorithm by doing training from initial weights to finding the final weights that can distinguish classes between batik. The recognition is assisted by a camera that takes pictures in real-time. Then, the data from the camera is processed by the system so that the images similar to the pictures taken by the camera are found. In the training process using LVQ parameters, there is the best percentage of 91.67%, namely at alpha 0.00001 with dec alpha 0.9 with the lowest iteration 2. While in the CBIR system the percentage of the successful recognition of batik images reached 88.90%
Keywords: Yogyakarta Batik, Learning Vector Quantization (LVQ), Texture, GLCM
1. PENDAHULUAN
Batik (atau kata Batik) berasal dari bahasa Jawa
“amba” yang berarti menulis dan “titik”. Kata batik merujuk pada kain dengan corak yang dihasilkan oleh bahan “malam” (wax) yang diaplikasikan ke atas kain, sehingga menahan masuknya bahan pewarna (dye), atau dalam Bahasa Inggrisnya “wax-resist dyeing”.
Tradisi membatik pada mulanya merupakan tradisi yang turun temurun, sehingga kadang kala suatu motif dapat dikenali berasal dari batik keluarga tertentu. Beberapa motif batik dapat menunjukkan status seseorang. Bahkan sampai saat ini, beberapa motif batik tadisional hanya dipakai oleh keluarga keraton Yogyakarta dan Surakarta.
Meskipun batik identik dengan pakaian adat Jawa, namun kini batik sudah menjadi pakaian nasional bagi masyarakat Indonesia, bahkan sudah banyak pula dikenal di manca negara.
Penggunaannyapun tidak lagi sebagai pakaian adat tetapi sudah mengikuti perkembangan mode busana baik bagi wanita maupun pria, bahkan biasa digunakan sebagai desain interior dan perlengkapan rumah tangga.
Batik juga merupakan salah satu cinderamata khas Yogyakarta. Dengan beragamnya motif Batik yang ada, tentu saja tidak semua masyarakat dapat mengetahui nama dari masing-masing motif Batik. Dengan adanya sistem ini, masyarakat dapat mengetahui motif yang dicari dengan menggunakan Gambar yang mirip dengan motif yang dicari khususnya motif batik dasar khas Yogyakarta.
2. TINJAUAN PUSTAKA
Penelitian ini menggunakan beberapa jurnal penelitian sebelumnya sebagai tinjauan pustaka.
Jurnal penelitian ini digunakan sebagai acuan dan sumber pengetahuan bagi penulis.
Dalam penelitiannya menggunakan metode LVQ (Learning Vector Quantization) untuk membuat simulasi pengenalan tulisan tangan.
Proses simulasi yang dilakukan untuk menghasilkan sebuah sistem pengenalan meliputi beberapa tahap, yaitu tahap pengolahan citra dan tahap pelatihan dan pengenalan. Tahap pengolahan citra dimulai dari Gray Scale, Thresholding, segmentasi, dan normalisasi. Kemudian tahap kedua adalah pelatihan dan pengenalan. Pada tahap ini, metode LVQ mulai digunakan dan menentukan bobot, target error, maxepoch, dan laju pelatihan (Learning rate). Simulasi pengenalan tulisan ini dilakukan dalam beberapa tahapan sehingga bisa dengan membuat pengenalan menjadi lebih tajam. Tolak ukur keberhasilan sistem pengenalan tulisan tangan ini adalah dengan menghitung nilai Termination Error Rate dan tingkat keakuratan dalam pengenalan
tanda tangan. Dari simulasi ini diperoleh struktur JST dengan jumlah nilai learning rate 0,003 nilai target error 0,00001 dan jumlah epoch sebesar 10.000.
Sistem yang terbentuk mampu mengenali citra yang berisi huruf yang digunakan sebagai bobot dengan nilai keakuratan rata – rata sebesar 61,07% dan rata – rata keakuratan hasil pengenalan terhadap citra yang belum dilakukan pembelajaran sebesar 48,17%. [1]
Penelitian dengan judul Optimasi Algoritma Learning Vector Quantization (LVQ) Dalam Pengklasifikasian Citra Daging Sapi dan Daging Babi Berbasis GLCM dan HSV, menggunakan citra daging sapi dan daging babi yang kemudian akan diklasifikasi.
`Segmentasi warna yang digunakan dalam penelitian ini menggunakan HSV untuk mendapatkan kedalaman warna citra serta ekstraksi fitur menggunakan Grey Level Co-occurence Matrix (GLCM) untuk mendapatkan fitur kontras, korelasi serta homogeniti. Penelitian ini memiliki 3 tahapan utama, yaitu Preprocessing, Segmentasi warna dan ekstraksi fitur, serta klasifikasi.
Hasil klasifikasi dengan algoritma LVQ mendapatkan akurasi tertinggi 76,25% pada learning rate = 0,01 dengan eph 0,1 dan epoch = 100. Algoritma telah diuji dengan MSE untuk mengetahui minimum error dan PSNR digunakan sebagai pengukuran kualitas citra pengolahan. [2]
Pengembangan sistem identifikasi telapak tangan menggunakan jaringan syaraf tiruan yaitu LVQ. Penelitian ini bertujuan untuk mengenali identitas seseorang secara otomatis dengan komputer dan mengurangi kelemahan sistem tentang mudahnya pencurian dan penduplikasian data. Selain itu, sistem ini juga bertujuan untuk meminimalisir kemungkinan seseorang lupa dengan password. Dalam penelitian ini model proses pengembangan perangkat lunak yang digunakan adalah Waterfall, sedangkan bahasa pemrograman yang digunakan adalah Matlab, dan sistem manajemen basis datanya adalah Microsoft Access. Keluaran dari aplikasi yang dikembangkan adalah identifikasi telapak tangan user. Dari hasil pengujian, tingkat akurasi dari aplikasi ini sebesar 74,66% dalam membedakan antar user yang satu dengan yang lain. Hasil ini di capai ketika menggunakan Learning Rate 0,2, batas epoch 100 dan batas error 0,00001. [3]
Penelitian dengan judul Klasifikasi Motif Batik Solo Menggunakan Histogram Of Oriented Gradient Dan Learning Vector Quantization, membagi Batik Solo menjadi 3 kelas, yaitu Batik bermotif Parang, Kawung dan Truntum. Proses perancangan sistem ini dilakukan dengan mengambil citra motif batik dengan menggunakan kamera digital kemudian dilakukan preprocessing dengan me-resize citra, lalu mengubah citra RGB menjadi grayscale, setelah itu menggunakan edge detection (Canny algorithm). Setelah tahap preprocessing selesai selanjutnya melakukan ekstraksi ciri dengan menggunakan Histogram
Of Oriented Gradient dan mengklasifikasikannya dengan menggunakan Learning Vector Quantization.
Setelah dilakukan pengujian sistem klasifikasi motif batik dengan 18 citra latih (6 citra untuk masing- masing batik) dan 30 citra uji (10 citra untuk masing- masing batik) dengan parameter HOG dan LVQ yang berbeda didapatkan nilai akurasi sebesar 90%
dan waktu komputasi rata rata 2,6591 detik Pada pengujian parameter nilai epoch, dengan nilai epoch antara 600-1000 mendapatkan performance yang stabil yaitu 0,0392. [4]
a. Batik
Batik adalah seni gambar di atas kain untuk pakaian yang dibuat dengan resist menggunakan material lilin. Kata batik berasal dari bahasa Jawa amba yang berarti menulis dan nitik yang berarti membuat titik. Batik merupakan kain bergambar yang proses pembuatannya secara khusus di gambar atau menerakan motif ke suatu kain yang masih kosong menggunakan malam dan canting, dan kemudian melaui proses khusus sehingga mempunyai ciri khas pada kain tersebut [5]
b. Citra
Citra adalah representasi, kemiripan atau imitasi dari suatu objek atau benda. Secara matematis, citra dinyatakan sebagai suatu fungsi kontinyu dari intensitas cahaya pada bidang dua dimensi. Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan cahaya ditangkap oleh alat-alat optik, misalnya: mata manusia, kamera, scanner, sensor satelit. [6]
c. Pre-prossesing
Data citra sebelum dikelaskan (baik data pelatihan maupun data uji) melalui tahap preprocessing. Tahap preprocessing yang dilakukan adalah mengubah citra RGB menjadi citra gray scale.
Nilai intensitas untuk tiap piksel pada citra keabuan merupakan nilai tunggal dimana nilai intensitasnya berada pada interval 0-255, sedangkan pada citra berwarna perlu tiga nilai intensitas yang berada pada interval 0-255 untuk tiap pikselnya. Semakin mendekati nilai 255, maka derajat keabuan akan semakin terang. Pada dasarnya proses ini dilakukan dengan meratakan nilai piksel dari 3 nilai RGB menjadi 1 nilai. [7]
d. GLCM
Gray Level Co-Occurrance Matrix (GLCM) awalnya merupakan usulan dari Haralick pada tahun 1973, GLCM terdiri dari 28 fitur yang digunakan untuk menjelaskan pola. pada orde kedua. Pada proses pengukuran tekstur orde pertama digunakan
perhitungan statistik berdasarkan pada nilai piksel citra asli saja, contohnya varians dan tidak memperhatikan hubungan ketetanggan piksel.
Perhitungan yang digunakan pada GLCM adalah perhitungan tekstur pada orde kedua, pasangan dua piksel citra asli diperhitungkan.
Untuk melakukan ekstraksi ciri orde ke-2 harus membuat matriks GLCM yang kemudian akan di normalisasi. Ada 2 cara untuk melakukan normalisasi. Matriks GLCM, yaitu dengan cara membagi setiap elemen matriks dengan jumlah seluruh elemen pembentuknya. Sedangkan cara kedua adalah matriks GLCM dijumlah dengan transposenya yang akan menghasilkan matriks H, kemudian matriks H di bagi dengan jumlah setiap elemen pembentuknya. [8]
e. Learning Vector Quantization
Learning Vector Quantization (LVQ) adalah salah satu metode klasifikasi dari Jaringan Syaraf Tiruan. LVQ bekerja dengan setiap unit output mempresentasikan sebuah kelas. Dengan kata lain LVQ adalah metode pengelompokan dimana target/kelasnya setiap kelompok/jumlah kelompok sudah ditentukan. Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian.
Jaringan LVQ mempunyai target yang akan dicapai. Lapisan kompetitif belajar mengenali dan mengklasifikasikan vektor-vektor masukan. Jika ada 2 vektor yang hampir sama, maka lapisan kompetitif akan menempatkan keduanya pada kelas yang sama.
Dengan demikian LVQ belajar mengklasifikasikan vektor masukan ke kelas target yang ditentukan oleh pengguna.
3. METODOLOGI PENELITIAN
Data yang digunakan dalam penelitian ini Motif Dasar Batik Klasik Khas Yogyakarta. Proses perancangan dimulai dengan memasukkan citra pelatihan kemudian dilakukan proses pengolahan citra yang bertujuan untuk mempermudah dalam proses pelatihan jaringan syaraf tiruan. Proses pelatihan menggunakan bobot awal. Hasil dari proses sistem ini adalah Batik yang difoto secara real time termasuk batik apa yang ada di dalam database.
a. Bahan Penelitian
Bahan atau objek citra yang digunakan dalam melakukan penelitian ini adalah Batik
Klasik Khas Yogyakarta. Dari citra tersebut kemudian dilakukan ekstraksi fitur dari citra.
a. Alat Penelitian
Dalam penelitian ini menggunakan perangkat berupa Kamera Smartphone, PC dengan
spesifikasi minimal Intel(R) Core(TM) i5- 5200U CPU @ 2.20Hz 2.20GHz dengan RAM 6GB, kapasitas hardisk sebesar 500GB dengan sistem operasi windows dan menggunakan aplikasi Matlab R2016a
b. Jalan penelitian
Jalannya sistem dalam proses penelitian ditunjukkan pada Gambar 1
Gambar 1. Blok diagram content based image retrieval motif batik secara real time
Objek
Objek citra yang digunakan dalam melakukan penelitian ini adalah Motif dasar Batik Klasik Khas Yogyakarta yang terdiri dari 4 Kelompok, yaitu:
Ragam Hias Kelompok Kawung, Kelompok Parang, Kelompok Nitik, dan Kelompok Lung.
Akuisisi Data
Akuisisi data merupakan tahap awal yang dilakukan dalam proses content based image retrieval motif batik khas Yogyakarta. Alat yang digunakan untuk pengambilan gambar adalah kamera smartphone samsung A8. Pengambilan dilakukan dengan jarak 25-30 cm vertikal diatas.
Data citra motif batik yang diambil diupayakan memiliki pencahayaan yang normal dan jarak pengambilan yang sama
Data
Tahap akuisisi data yang dilakukan akan menghasilkan sebuah data yang berupa citra motif batik dasar khas Yogyakarta. motif batik dasar khas Yogyakarta ini yang digunakan pada pemrosesan tahap berikutnya Preprosessing
Tahapan pra proses yang dilakukan adalah mengubah citra berwarna menjadi citra grayscale.
Tahapan ini adalah dengan mengubah citra dari tiga
layer menjadi satu layer gray. Proses dari grayscale ditunjukkan pada Gambar 2.
Gambar 2. Proses Grayscale Citra Keterangan :
Citra Batik : citra yang didapat dari proses pengambilan gambar
Layer RGB : layer merah, hijau dan biru dari citra batik w : jumlah piksel baris dari citra batik h : jumlah piksel kolom dari citra batik citra gray : citra gray dari citra batik
Ekstraksi Ciri
Setelah melakukan pre-prosessing, tahap selanjutnya adalah Ekstraksi Ciri. Ciri yang akan diambil dari Citra batik merupakan ekstraksi dari fitur Gray Level Co-occurence Matrix. Citra yang sudah diubah menjadi grayscale diproses untuk memperoleh ciri dari nilai piksel matrik. Dari piksel-piksel tersebut, terbentuk matriks kookurensi dengan pasangan pikselnya.
Dengan terbentuknya co-occurence matriks, citra dapat dianalisis dengan menggunakan 2 buah fitur dari teori GLCM, yaitu Kontras dan Homogenity.
Kontras merupakan ukuran keberadaan variasi aras
keabuan piksel citra. Rumus untuk mencari kontras seperti pada persamaan 1.
(1)
Keterangan :
K = Kontras
GLCM(i,j) = co-occurence matriks
Sedangkan homogenitas adalah ukuran keberadaan aras keabuan yang sejenis. Rumus untuk mencari homogenity seperti pada persamaan 2.
(2)
Keterangan :
H = Homogenity GLCM(i,j) = co-occurence matriks
Diagram alir dari Gray Level Co-occurence Matrix citra ditunjukkan pada Gambar 3.
Gambar 3. Diagram alir Gray Level Co-occurence Matrix
Keterangan :
citra gray : citra batik yang dihasilkan dari proses gray w : jumlah piksel baris dari citra batik h : jumlah piksel kolom dari citra batik commat : co-occurence matriks
Pencocokan
Setelah melakukan Ekstraksi ciri, tahap selanjutnya adalah proses pencocokan hasil ekstraksi ciri citra yang diambil dengan citra yang ada di dalam database.
Diagram alir dari pencocokan hasil ekstraksi citra ditunjukkan pada Gambar. 4
Gambar 4. Diagram alir pencocokan hasil ekstraksi citra Keterangan
d(j) : jarak
m1,n1 : baris dan kolom matriks data pelatihan m2,n2 : baris dan kolom matriks data bobot jarakmin : jarak terdekat
Desain Antarmuka Perangkat Lunak
Desain perangkat ini hanya terdiri dari 1 halaman utama, Perancangan dari antarmuka aplikasi ditunjukkan pada Gambar 5.
Gambar 5. Antarmuka Aplikasi Content Based Image Retrieval
4. PEMBAHASAN
Citra diambil menggunakan kamera smartphone. Citra yang diambil adalah citra batik Ragam Hias Kelompok Kawung, Kelompok Parang, Kelompok Nitik, dan Kelompok Lung. Hasil akuisi berupa citra digital dengan format .jpg dipindahkan ke komputer untuk dijadikan data dalam penelitian.
Contoh citra batik ditunjukkan pada Gambar 6
(A) (B)
(C) (D)
Gambar 6. Citra Batik (A) Ragam Hias Kawung (B) Ragam Hias Lung (C) Ragam Hias Parang (D) Ragam Hias Nitik
Pra-Proses
Tahap pra-proses yaitu membuat citra menjadi grayscale. Citra RGB dibuat menjadi grayscale dengan cara membagi citra tiga layer RGB menjadi satu layer gray.
GLCM
Proses selanjutnya yaitu membuat matriks yang diisi dengan nilai grayscale dari citra. Setelah melalui tahap pra-proses data citra kemudian dicari derajat keabuannya. Citra masukan mempunyai 256 derajat keabuan yang nilainya 0-255. Derajat keabuan yang dimiliki citra batik akan diletakkan dalam matriks.
Data citra setelah dibuat Gray Level Co-occurance Matrices ditunjukkan pada Gambar 7.
(A) (B)
(C) (D)
Gambar 7 GLCM Batik (A) Ragam Hias Kawung (B) Ragam Hias Lung (C) Ragam Hias Parang (D) Ragam Hias Nitik
Ekstraksi Ciri
Data citra batik yang telah diproses menggunakan tekstur kemudian dilakukan ekstraksi ciri menggunakan Kontras dan Homogenity. Semua ciri dimasukkan kedalam matriks yang berdimensi 1x2 dan disimpan sebagai ciri dari data citra batik tersebut. Berikut ini hasil dari ekstraksi ciri citra ditunjukkan pada Tabel 1
Tabel 1. Hasil Ekstraksi Ciri
Learning Vector Quantization
Proses pelatihan pada jaringan syaraf tiruan Learning Vector Quantization (LVQ) menggunakan parameter untuk mengetahui presentase keberhasilan tertinggi. Pelatihan dilakukan utuk mencari bobot akhir yang digunakan dalam proses pengujian.
Parameter Learning Vector Quantization (LVQ) dalam pelatihan ditunjukkan pada Tabel 2.
Tabel 2. Parameter LVQ
Proses selanjutnya melakukan pelatihan dengan menggunakan parameter tersebut. Pada penelitian ini seluruh data citra sebanyak 55 data.
Untuk data yang digunakan sebagai bobot awal adalah data yang mewakili kelas (target), data tersebut diambil secara acak pada masing-masing kelas pada data yang ada. Bobot awal yang digunakan dalam penelitian ini ditunjukkan pada Tabel 3.
Tabel 3. Bobot Awal
Unjuk Kerja
Unjuk kerja data pelatihan dimaksudkan untuk mengetahui bobot terbaik yang dapat digunakan dalam sistem CBIR. Database awal yang dibuat akan digunakan sebagai data pelatihan dengan menentukan target dan bobot awal. Target dibagi menjadi 4 kelas yaitu yang terdiri dari, 15 data untuk ragam hias Kawung, Parang, dan Nitik serta 10 data untuk ragam hias Lung. Sehingga total data pelatihan sejumlah 55 data. Bobot awal diambil pada salah satu data masing-masing kelas dari data hasil ekstraksi ciri yang sudah dibuat. Dalam menentukan hasil kinerja identifikasi citra batik dilakukan dengan mengubah parameter laju pelatihan awal (alfa) dan penurunan laju pelatihan (decalfa). Laju pelatihan ditunjukkan pada Tabel 4.
Tabel 4. Unjuk Kerja
Pengenalan data pelatihan mencapai 91,67%
tinggat akurasinya, yang membedakan terletak pada jumlah iterasinya. Iterasi yang paling kecil dengan nilai alfa 0,00001 dan dec alfa 0,9 dengan jumlah iterasi 2. Untuk masing-masing kelas tingkat akurasi mencapai Kelas 1 dan 93,33 %, kelas 2 100%, kelas 3 93,33% dan kelas 4 80%. Bobot akhir ditunjukkan pada Tabel 5.
Tabel 5. Bobot Akhir Pelatihan LVQ
Pengujian dilakukan dengan mencari jarak terdekat antara bobot akhir dengan data uji untuk menentukan kelasnya. Setelah diperoleh kelas dari citra data uji, kemudian akan dicari citra yang sama kelasnya dengan yang terdapat didalam database.
Hasil Pengujian Sistem ditunjukan oleh Tabel 6.
Tabel 6. Hasil Pengujian Sistem
5. KESIMPULAN DAN SARAN
KesimpulanHasil dari penelitian pembuatan aplikasi Content Based Image Retrieval Motif Batik Real Time dengan Learning Vector Quantization dapat disimpulkan sebagai berikut:
1. Unjuk kerja terbaik pelatihan dengan 55 data diperoleh akurasi sebesar 91,67% dengan rincian (Ragam Hias Kawung dan 93,33 %, Ragam Hias Nitik 100%, Ragam Hias Parang 93,33% dan Ragam Hias Lung 80%.) pada alfa 0.00001 dan dec alfa 0,9.
2. Unjuk kerja pengujian dengan 10 data diperoleh akurasi sebesar 88,90% dengan rincian (Ragam Hias Kawung dan 90,91%, Ragam Hias Nitik 95,24%, Ragam Hias Parang 89,29% dan Ragam Hias Lung 78,95%%.).
Saran
Berdasarkan pengujian terhadap sistem aplikasi Content Based Image Retrieval Motif Batik Real Time dengan Learning Vector Quantization, dapat diberikan saran sebagai berikut:
a. Proses akuisisi akan lebih maksimal jika pencahayaan dan jarak pada posisi yang stabil sehingga citra hasil akuisisi yang didapat bisa mencirikan citra Batik menjadi lebih berkwalitas.
b. Penambahan jumlah data penelitian ataupun ciri diharapkan dapat meningkatkan keakuratannya.
c. Pengambilan gambar citra secara utuh untuk digunakan sebagai data pelatihan diharapkan dapat meningkatkan keakuratan pengenalan sistem.
DAFTAR PUSTAKA
[1] F. Kurniawan and H. Nurhayati, “Simulasi Pengenalan Tulisan Menggunakan LVQ,”
MATICS, pp. 2477-2550, 2011.
[2] U. Sudibyo, D. P. Kusumaningrum, E. H.
Rachmawanto and C. A. Sari, “Optimasi Algoritma Learning Vector Quantization (LVQ) Dalam Pengklasifikasian Citra Daging Sapi dan Daging Babi Berbasis GLCM dan HSV,” SIMETRIS, pp. 2252- 4983, 2018.
[3] E. Afriandi and S., “Identifikasi Telapak Tangan Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ),”
TECHSI, pp. 2085-3688, 2016.
[4] R. R. Jordy, R. Magdalena and L.
Novamizanti, “Klasifikasi Motif Batuk Solo Menggunakan Histogram Of Oriented Gradient dan Learning Vector Quantization,” e-Proceeding of Engineering, pp. 2355-9365, 2018.
[5] F. Ashar, “Pengertian Batik dan Jenis Batik,”
2014. [Online]. Available: https://
pengertianahli.id/2014/01/pengertian- batik-dan-jenis-batik.html#.
[6] I. Agustian, “Definisi Citra,” 5 September 2018.
[Online]. Available: http://te.unib.ac.id/
lecturer/indraagustian/2013/06/defnisi- citra/.
[7] P. N. Andono, T. Sutojo and M. , Pengolahan Citra Digital, Yogyakarta: Penerbit Andi, 2017.
[8] P. Hidayatullah, “Pengolahan Citra Digital Teori dan Aplikasi Nyata,” in Pengolahan Citra Digital Teori dan Aplikasi Nyata, Bandung, Penerbit Informatika, 2017, p. 211.
