UDiNus Repository

IMPLEMENTASI EKSTRAKSI FITUR TEKSTUR GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) UNTUK PENGELOMPOKAN CITRA TENUN MENGGUNAKAN ALGORITMA K-MEANS

WAHYU, ANGGORO (2016) IMPLEMENTASI EKSTRAKSI FITUR TEKSTUR GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) UNTUK PENGELOMPOKAN CITRA TENUN MENGGUNAKAN ALGORITMA K-MEANS. Skripsi,Fakultas Ilmu Komputer.

[img]
Preview
PDF
Download (3779b) | Preview
    [img]
    Preview
    PDF
    Download (461Kb) | Preview
      [img]
      Preview
      PDF
      Download (197Kb) | Preview
        [img]
        Preview
        PDF
        Download (132Kb) | Preview
          [img]
          Preview
          PDF
          Download (107Kb) | Preview
            [img]
            Preview
            PDF
            Download (126Kb) | Preview
              [img]
              Preview
              PDF
              Download (154Kb) | Preview
                [img]
                Preview
                PDF
                Download (130Kb) | Preview
                  [img]
                  Preview
                  PDF
                  Download (122Kb) | Preview
                    [img]
                    Preview
                    PDF
                    Download (886Kb) | Preview
                      [img]
                      Preview
                      PDF
                      Download (781Kb) | Preview
                        [img]
                        Preview
                        PDF
                        Download (218Kb) | Preview

                          Abstract

                          Tenun merupakan sejenis kain yang dibuat dengan berbagai macam pola berdasarkan kebudayaan masing-masing daerah. Pengelompokan citra tenun dilakukan untuk menggolongkan suatu citra berdasarkan kemiripan pola dengan tenun lainnya kedalam satu cluster dengan menggunakan algoritma k-means berdasarkan fitur tekstur Gray Level Co-occurence Matrices (GLCM). Fitur-fitur tekstur dicari menggunakan metode GLCM berdasarkan sudut 0°, 45°, 90° dan 135°. Metode evaluasi cluster menggunakan DBI dan purity untuk mengukur seberapa bagus cluster yang dihasilkan. Dari hasil penelitian yang menggunakan 153 citra tenun dengan 5 cluster menghasilkan nilai DBI untuk setiap sudut adalah 0.537503, 0.527491, 0.535391, 0.526854, serta nilai purity 0,4337, 0,3951, 0,4411 dan 0,3895. Ini membuktikan bahwa pengelompokan dengan k-means menggunakan fitur-fitur GLCM menghasilkan cluster yang masih belum cukup maksimal.

                          Item Type: Article
                          Subjects: T Technology > Teknik Informatika
                          Universitas Dian Nuswantoro > Fakultas Ilmu Komputer > Teknik Informatika
                          Divisions: Fakultas Ilmu Komputer
                          Depositing User: Psi Udinus
                          Date Deposited: 22 Mar 2016 15:15
                          Last Modified: 22 Mar 2016 15:15
                          URI: http://eprints.dinus.ac.id/id/eprint/18245

                          Actions (login required)

                          View Item