PENGKLASIFIKASIAN MOTIF SONGKET PANDAI SIKEK DENGAN MENGGUNAKAN METODE DATA MINING K-NEAREST NEIGHBOR

Ade, Nur Hidayat (2018) PENGKLASIFIKASIAN MOTIF SONGKET PANDAI SIKEK DENGAN MENGGUNAKAN METODE DATA MINING K-NEAREST NEIGHBOR. Diploma thesis, Universitas Andalas.

Preview	Text (Cover dan Abstrak) cover.pdf - Published Version Download (188kB) | Preview
Preview	Text (Pendahuluan) BAB 1.pdf - Published Version Download (294kB) | Preview
Preview	Text (Kesimpulan) BAB Akhir.pdf - Published Version Download (172kB) | Preview
Preview	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (392kB) | Preview
	Text (Skripsi Full Text) sk.pdf - Published Version Restricted to Repository staff only Download (2MB)

Abstract

ABSTRAK Songket pandai sikek merupakan hasil tenun khas Sumatera Barat yang memiliki nilai historis tinggi dan dipakai dalam acara adat sumatera barat. Seiring perkembangan zaman maka minat orang pada tenun songket pandai sikek ini mulai menurun terutama pada pola songket pandai sikek sehingga pola-pola songket mulai hilang dari masyarakat dan juga tidak bisa mengenali lagi nama dari pola-pola songket yang ada. Dalam mengatasi permasalahan ini diperlukan suatu sistem yang dapat mengklasifikasikan pola-pola songket tersebut secara otomatis dan mudah menggunakan data mining dengani metode klasifikasi K-Nearest Neighbour (KNN). KNN dapat mengklasifikasikan suatu objek berdasarkan kedekatan suatu objek. Tahapan penelitian yang dilakukan adalah mengumpulkan data citra pola songket pandai sikek dimana nantinya akan diklasifikasikan menjadi 5 yang ada yaitu, buah palo lamo, sirangkak, salapah, sikakauh lamo,dan tampuak manggih, kemudian melakukan klasifikasi terhadap citra baru menggunakan KNN , pengujian dan implementasi. Pengumpulan citra dilakukan dengan mengambil langsung ke lokasi produksi songket pandai sikek yang ada didaerah Tanah datar. Input dari metode KNN ini dengan memasukkan citra pola songket dengan format dan ukuran yang sama. Dan output yang akan keluar berupa klasifikasi dari songket tersebut. Proses klasifikasi menggunakan software MATLAB dengan memanfaatkan metode Grey level co-occurence matrix (GLCM). Hasil pengujian sistem yang diujikan kepada 50 data training dan 25 data uji memiliki tingkat keakuratan 92% untuk data training dan 80% untuk data uji yang belum dilakukan training. Kata Kunci: Songket Pandai Sikek, K-Nearest Neighbor, Gray Level Co-occurence Matrix, MATLAB, Graphic User Interface MATLAB.

Actions (login required)

View Item