Utami, Ni Luh Putu Sri (2025) KLASIFIKASI KERIS BALI BERBASIS FITUR GLCM (GRAY LEVEL CO-OCCURRENCE MATRIX) MENGGUNAKAN KNN (K-NEAREST NEIGHBOR). Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101004-COVER.pdf Download (465kB) |
|
Text (ABSTRAK)
2229101004-ABSTRAK.pdf Download (170kB) |
|
Text (BAB I PENDAHULUAN)
2229101004-BAB I PENDAHULUAN.pdf Download (216kB) |
|
Text (BAB II KAJIAN TEORI)
2229101004-BAB II KAJIAN TEORI.pdf Restricted to Repository staff only Download (772kB) | Request a copy |
|
Text (BAB III METODELOGI PENELITIAN)
2229101004-BAB III METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (557kB) | Request a copy |
|
Text (BAB IV HASIL DAN PEMBAHASAN)
2229101004-BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (923kB) | Request a copy |
|
Text (BAB V PENUTUP)
2229101004-BAB V PENUTUP.pdf Restricted to Repository staff only Download (186kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101004-DAFTAR PUSTAKA.pdf Download (169kB) |
|
Text (LAMPIRAN)
2229101004-LAMPIRAN.pdf Download (590kB) |
Abstract
ABSTRAK Ni Luh Putu Sri Utami (2025), “Klasifikasi Keris Bali Berbasis Fitur GLCM (Gray Level Co-Occurrence Matrix) Menggunakan KNN (k-Nearest Neighbor)”. Tesis, Ilmu Komputer, Program Pascasarjana, Universitas Pendidikan Ganesha. Kata-kata kunci: Keris Bali, Klasifikasi, GLCM (Gray Level Co-Occurrence Matrix), KNN (k-Nearest Neighbor). Klasifikasi pamor keris Bali merupakan proses penting dalam upaya pelestarian budaya dan identifikasi pola unik pada setiap jenis pamor. Proses klasifikasi yang dilakukan secara manual memiliki keterbatasan karena bergantung pada subjektivitas pengamat, sehingga rentan terhadap kesalahan. Untuk mengatasi masalah ini, penelitian ini mengimplementasikan metode Gray Level Co-Occurrence Matrix (GLCM) untuk mengekstrak fitur tekstur dari citra pamor keris dan menggunakan K-Nearest Neighbor (KNN) sebagai algoritma klasifikasi. Citra pamor keris diperoleh dari museum dan diproses melalui tahapan pre-processing seperti pemotongan, perubahan ukuran, serta penyesuaian kecerahan agar siap untuk dilakukan ekstraksi fitur. Dataset citra kemudian dibagi dengan rasio 80% untuk pelatihan dan 20% untuk pengujian. Pengujian dilakukan dengan variasi nilai k, yaitu k 7, k 9, dan k 11, di mana k adalah jumlah tetangga terdekat yang digunakan dalam klasifikasi KNN. Hasil pengujian menunjukkan bahwa k7 menghasilkan akurasi tertinggi sebesar 80%, dengan pamor rekan gedheg dan pamor tiban mencapai recall 100% dan F1-Score masing-masing 95% dan 91%. Pada nilai k 9, akurasi sedikit menurun menjadi 78%, sementara pada k11, akurasi turun lebih jauh menjadi 68%. Penurunan ini terjadi karena semakin banyaknya tetangga yang dipertimbangkan dalam klasifikasi, sehingga meningkatkan kemungkinan kesalahan pada kelas dengan distribusi data tidak merata. Hasil penelitian ini menunjukkan bahwa pemilihan nilai k sangat berpengaruh terhadap performa model, di mana nilai k yang terlalu kecil dapat menyebabkan overfitting, sementara k yang terlalu besar dapat meningkatkan kesalahan klasifikasi akibat informasi yang terlalu beragam dari tetangga terdekatnya. Untuk meningkatkan akurasi, penelitian selanjutnya dapat mengeksplorasi optimasi pemilihan nilai k, peningkatan kualitas dataset, serta mencoba metode klasifikasi lain guna mendapatkan sistem klasifikasi pamor keris yang lebih akurat.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Keris Bali, Klasifikasi, GLCM (Gray Level Co-Occurrence Matrix), KNN (k-Nearest Neighbor). |
| Subjects: | H Social Sciences > HA Statistics H Social Sciences > HE Transportation and Communications |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | Ni Luh Putu Sri Utami |
| Date Deposited: | 13 Aug 2025 08:31 |
| Last Modified: | 13 Aug 2025 08:31 |
| URI: | http://repo.undiksha.ac.id/id/eprint/26900 |
Actions (login required)
 |
View Item |