CONTENT BASED IMAGE RETRIEVAL MOTIF BATIK REAL TIME DENGAN LEARNING VECTOR QUANTIZATION

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. 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 sebuah sistem 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, 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. 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 sebuah sistem 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