🐕 Secara Umum Pewarna Batik Berbentuk

Bahanpewarna batik yang berbentuk padat dan pembuatannya harus direbus terlebih dahulu sehingga mengeluarkan ekstrak zat warna disebut warna . A. dasar B. alami Namun jika kita lihat pendekatan secara umum kita dapat menggolongkan karya-karya seni rupa sebagai berikut: Seni lukis merupakan karya yang umumnya berbentuk dua dimensi dan dibuat di atas permukaan kertas, kanvas, dinding, kaca dan bahan lain yang memungkinkan untuk itu. Dimana dalam suatu kain batik pewarnaan di sebagian tempat Secaraumum, pewarna batik berbentuk: - Brainly.co.id; Secara umum, pewarna batik berbentuk A. Cair B. Gas C. Bubuk D. Alami E. Padat dan kenyal - Brainly.co.id. Mengenal Pewarna Batik: Dari yang Alami Hingga yang Sintetis - Rachna Sandika. 3 Bahan Utama Pembuatan Batik Cap dan Tulis yang Harus Ada. Warnabatik cenderung gelap (warna hitam, coklat kehitaman) dan putih. Motif batik umumnya memiliki ciri khas dari masing-masing daerah asalnya. 2. Batik Modern Corak pada batik tidak memiliki atau mengandung makna khusus. Corak batik umumnya berbentuk rangkaian bunga, tumbuhan, dan lain sebagainya. Secaraumum, pewarna batik berbentuk A. Cair B. Gas C. Bubuk D. Alami E. Padat dan kenyal a. cair maaf ya kalo salah kok a sedangkan batik cair slah batik itu terbuat denga di ceplak atau disebut juga alami kok a sedangkan batik cair slah batik itu terbuat denga di ceplak atau disebut juga Ros Sebenarnya seni pewarnaan kain dengan menggunakan malam adalah salah satu bentuk seni kuno. Teknik ini telah ada sejak ditemukannya kain pembungkus mumi yang juga dilapisi malam untuk membentuk pola pada abad ke-4 SM. Pada 2 Oktober 2009, UNESCO telah menetapkan batik sebagai warisan budaya asli dari Indonesia. Senibatik adalah suatu kegiatan menggambar diatas kain yang memanfaatkan lilin dan canting sebagai bahan utama dalam pembuatannya. Secara etimologi batik berasal dari bahasa Jawa, yakni dari kata "mbat" (melempar berkali-kali) dan "tik" yang artinya titik. Sehingga membantik bisa diartikan sebagai melempat titik berkali-kali pada kain. Batikcuwiri adalah jenis motif batik yang menggunakan pewarna soga alami. Dahulu, hanya digunakan untuk upacara adat tertentu. Selain itu, motif batik cuwiri ini juga sering digunakan untuk menggendong bayi. Batik cuwiri ini juga biasa digunakan untuk kemben dan semekan. Motif batik cuwiri ini dominan dengan unsur gurda dan meru. Secaraumum batik dapat dibuat dengan teknik canting tulis, teknik celup ikat, teknik printing, teknik cap dan teknik colet. Berdasarkan desain serta tujuan pemakaiannya batik sebenarnya memiliki dua fungsi yang berbeda, yakni fungsi praktis dan fungsi estetis. Batikmerupakan bagian dari seni dan budaya yang secara khusus dimiliki oleh bangsa Indonesia. Secara khusus Batik mengacu pada metoda pewarnaan kain dengan menggunakan malam atau lilin untuk mencegah terjadinya pewarnaan pada bagian kain tertentu. Teknik ini dikenal sebagai wax-resist dyeing. Batik juga mengacu kepada busana atau kain yang dibuat dengan metoda penutupan sebagian kain dengan lilin untuk mendapatkan corak atau motif tertentu. A langkah pertama yang harus dilakukan yaitu membuat larutan tro (turkish red oil). Berikut ini adalah beberapa ciri batik secara umum: Kenali Songket Palembang, Cintai Produk Lokal Peregrination Corak batik tertentu dipercaya memiliki kekuatan gaib dan hanya boleh dikenakan oleh kalangan. Secara umum pewarna batik berbentuk. Umumnya limbah pewarna hasil buangan industri kerajinan batik ini Zatpewarna batik ada 2 jenis yaitu bahan pewarna batik alami dan pewarna batik sintetis, untuk bahan pewarna batik yang alami di dapat dari jenis tanam-tanaman sedangkan pewarna sintetis terbuat dari bahan kimia. Misalnya bahan pewarna wantek dan napthol adalah pewarna batik dari bahan kimia, secara umum pewarna batik berbentuk cair. n9JXx. Origin is unreachable Error code 523 2023-06-16 133216 UTC What happened? The origin web server is not reachable. What can I do? If you're a visitor of this website Please try again in a few minutes. If you're the owner of this website Check your DNS Settings. A 523 error means that Cloudflare could not reach your host web server. The most common cause is that your DNS settings are incorrect. Please contact your hosting provider to confirm your origin IP and then make sure the correct IP is listed for your A record in your Cloudflare DNS Settings page. Additional troubleshooting information here. Cloudflare Ray ID 7d836ae25b5c1c89 • Your IP • Performance & security by Cloudflare Batik adalah kain khas Indonesia yang memiliki berbagai motif dan warna. Pewarnaan batik dibagi menjadi 2 yaitu batik alami dan batik sintetis. Proses pemilihan batik alami dan sintetis umumnya sangat bergantung pada persepsi manusia terhadap komposisi warna. Produsen batik melakukan pengamatan visual secara langsung untuk membedakan warnanya. Kelemahan dari cara ini yaitu keterbatasan visual manusia dan tingkat kelelahan sehingga warna satu dan lainnya dapat tertukar. Perkembangan ilmu pengetahuan dan teknologi pengolahan citra digital memungkinkan untuk membedakan batik alami dan sintetis secara otomatis dengan bantuan aplikasi pengolahan citra. Identifikasi batik alami dan sintetis ini menerapkan metode K-Means Clustering. Pendukung identifikasi menggunakan bantuan media camera digital sebagai pengambilan gambar batik yang kemudian dihitung nilai normalisasi RGB. Tingkat keberhasilan identifikasi yang didapatkan dengan menggunakan metode K-Means adalah Dari hasil identifikasi yang diperoleh menghasilkan 2 output yaitu Batik Alami 100% dan Batik Sintetis Discover the world's research25+ million members160+ million publication billion citationsJoin for free Volume 3, Edisi 2, Februari 2017 26 Halaman SISTEM IDENTIFIKASI BATIK ALAMI DAN BATIK SINTETIS BERDASARKAN KARAKTERISTIK WARNA CITRA DENGAN METODE K-MEANS CLUSTERING Citra Nurina Prabiantissa1 , Ariadi Retno Tri Hayati Ririd2 , Rosa Andrie Asmara3 Program Studi Teknik Informatika, Jurusan Teknologi Informasi, Politeknik Negeri Malang 1 1 citranurina 2 faniri4education 3 rosaandrie Abstrak Batik adalah kain khas Indonesia yang memiliki berbagai motif dan warna. Pewarnaan batik dibagi menjadi 2 yaitu batik alami dan batik sintetis. Proses pemilihan batik alami dan sintetis umumnya sangat bergantung pada persepsi manusia terhadap komposisi warna. Produsen batik melakukan pengamatan visual secara langsung untuk membedakan warnanya. Kelemahan dari cara ini yaitu keterbatasan visual manusia dan tingkat kelelahan sehingga warna satu dan lainnya dapat tertukar. Perkembangan ilmu pengetahuan dan teknologi pengolahan citra digital memungkinkan untuk membedakan batik alami dan sintetis secara otomatis dengan bantuan aplikasi pengolahan citra. Identifikasi batik alami dan sintetis ini menerapkan metode K-Means Clustering. Pendukung identifikasi menggunakan bantuan media camera digital sebagai pengambilan gambar batik yang kemudian dihitung nilai normalisasi RGB. Tingkat keberhasilan identifikasi yang didapatkan dengan menggunakan metode K-Means adalah Dari hasil identifikasi yang diperoleh menghasilkan 2 output yaitu Batik Alami 100% dan Batik Sintetis Kata kunci Batik, Normalisasi RGB, K-Means Clustering 1. Pendahuluan Batik adalah kain khas Indonesia yang tiap daerahnya memiliki perbedaan. Tiap daerah memiliki perbedaan pada motif, warna, dan tekstur kain. Untuk membuat batik dapat digunakan 2 cara, yaitu secara tradisional dengan menggunakan canting dan secara modern menggunakan mesin. Pembuatan batik dengan cara tradisional membutuhkan waktu yang relatif lama dan membutuhkan ketelitian dari pembuatnya. Sedangkan cara modern yang membutuhkan waktu yang relatif lebih singkat karena pembuatan pola serta pewarnaan menggunakan mesin. Pewarnaan batik dibedakan menjadi 2, batik alami yaitu batik yang pewarnaannya menggunakan bahan alami dan batik sintetis yaitu batik yang pewanaannya menggunakan bahan kimia. Batik Tulis Sumbersari Bondowoso merupakan sentra batik yang setiap harinya memproduksi berbagai macam batik. Selain proses produksi, terdapat proses sortir terhadap jenis warna yaitu Batik Alami dan Batik Sintetis. Proses sortir batik alami dan sintetis umumnya sangat bergantung pada persepsi manusia terhadap komposisi warna. Produsen batik melakukan pengamatan visual secara langsung untuk membedakan warnanya. Kelemahan dari cara ini yaitu keterbatasan visual manusia dan tingkat kelelahan sehingga warna satu dan lainnya dapat tertukar. Oleh karena itu, diperlukan sistem yang dapat membantu proses sortir batik sesuai dengan jenis warna dari batik. Pengolahan Citra Digital yang semakin berkembang saat ini menyediakan kemungkinan manusia membuat sistem untuk mengenali suatu gambar atau citra digital. Pengolahan citra merupakan salah satu jenis teknologi untuk menyelesaikan masalah mengenai pemrosesan gambar. Dalam pengolahan citra, gambar dapat diolah sedemikian rupa sehingga gambar tersebut dapat digunakan untuk identifikasi. Dengan bantuan kamera digital, komputer dan pengolahan citra digital sederhana, sistem tersebut dapat terealisasi sehingga proses identifikasi batik dapat dilakukan dengan cepat dan memperoleh hasil yang akurat. 2. Landasan Teori Batik Batik merupakan salah satu warisan nusantara yang unik. Keunikannya ditunjukkan dengan barbagai macam motif dan warna yang memiliki makna tersendiri. Menurut Asti M. dan Ambar B. Arini 2011 1 berdasarkan etimologi dan terminologinya, batik merupakan rangkaian kata mbat dan tik. Mbat dalam bahasa Jawa dapat Jurnal Informatika Polinema ISSN 2407-070X Halaman 27 diartikan sebagai ngembat atau melempar berkali-kali, sedangkan tik berasal dari kata titik. Jadi, membatik artinya melempar titik berkali-kali pada kain. Pengolahan Citra Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. D. Putra,2010 Citra Digital Citra Digital adalah representasi, kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optic berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan. Sutoyo, 2009 Normalisasi RGB Red, Green, Blue Normalisasi RGB sering disebut dengan warna murni. Proses normalisasi RGB merupakan proses pengubahan nilai RGB dalam range 0 sampai 1 yang dibentuk secara independen dari berbagai tingkat pencahayaan. Jumlah dari nilai red, green dan blue channel yang telah dinormalisasi adalah 1. Ketiga channel yang telah dinormalisasi tersebut tidak memiliki informasi yang signifikan dan dapat diabaikan, sehingga dapat mengurangi dimensi ruang. Proses normalisasi RGB dilakukan dengan persamaan sampai Ennehar, et al., 2010   1   2   3 Dimana R‟ = nilai red channel yang telah dinormalisasi pada piksel G‟ = nilai green channel yang telah dinormalisasi pada piksel B‟ = nilai blue channel yang telah dinormalisasi pada piksel Clustering Clustering adalah suatu metode untuk mengelompokkan dokumen dimana dokumen dikelompokkan dengan konten untuk mengurangi ruang pencarian yang diperlukan dalam merespon suatu query. Misalnya koleksi dokumen yang berisi dokumen-dokumen medis dan hokum dapat dikelompokkan sedemikian rupa sehingga semua dokumen medis ditempatkan dalam satu cluster dan semua dokumen hokum ditempatkan dalam satu cluster hokum. Grossman, David A. dan Ophir Frieder, 2004 Algoritma K-Means Clustering Menurut Adiningsih 2007, tahap penyelesaian algoritma K-Means adalah sebagai berikut a. Menentukan K buah titik yang merepresentasikan obyek pada setiap cluster centroid awal. b. Menetapkan setiap objek pada cluster dengan posisi centroid terdekat. c. Jika semua objek sudah dikelompokkan maka dilakukan perhitungan ulang dalam menentukan centroid yang baru. d. Ulangi langkah ke-2 dan ke-3 sampai centroid tidak berubah. 3. Metodologi Penelitian Metodologi Metode pembuatan perangkat lunak ini adalah dengan menggunakan metode Waterfall. Menurut Sommerville 201129 Waterfall model mengambil kegiatan proses dasar spesifikasi, pengembangan, validasi, dan evolusi dan mewakili kegiatan tersebut sebagai fase terpisah seperti spesifikasi persyaratan, perancangan perangkat lunak, implementasi, pengujian dan sebagainya. Adapun tahap dalam metode waterfall ini adalah sebagai berikut Gambar 1. Metode Waterfall Volume 3, Edisi 2, Februari 2017 28 Halaman Data Sistem Komponen yang diperlukan untuk melakukan penelitian salah satunya adalah data. Data yang diperlukan sebagai objek pengujian sistem identifikasi batik alami dan buatan berdasarkan karakteristik warna citra dengan metode K-Means Clustering adalah batik alami dan batik sintetis yang memiliki komposisi warna yang satu dan lainnya berbeda. Serta image atau citra yang didapat dari data sampel batik alami dan batik sintetis. Berikut ini adalah contoh data citra batik alami a. Batik yang menggunakan pewarna alami dari kulit pohon Jambal Pelthopherum pterocarpum dan Tingi Ceriops condolleana Gambar 2. Batik yang terbuat dari kulit pohon Jambal dan Tingi b. Batik menggunakan pewarna alami dari dari kulit pohon Tingi Ceriops condolleana Gambar 3. Batik yang terbuat dari kulit pohon Tingi c. Batik yang menggunakan pewarna alami dari tanaman perdu Indigo atau Indigofera L dan tanaman jalawe Terminalia Belerica Gambar 4. Batik yang menggunakan pewarna dari tanaman indigo dan jalawe Berikut ini adalah contoh data citra batik sintetis a. Batik yang dibuat dengan pewarna sintetis naphtol dan indigosol Gambar 5. Batik yang menggunakan pewarna sintetis napthol dan indigosol b. Batik yang dibuat dengan pewarna sintetis aerosol Gambar 6. Batik yang menggunakan pewarna sintetis aerosol 4. Analisis dan Perancangan Analisis Sistem Analisis sistem merupakan suatu penjabaran mengenai komponen – komponen penyusun sistem dalam penelitian ini baik perangkat lunak maupun perangkat keras. Serta gambaran umum sistem yang akan berjalan. Proses yang terdapat dalam aplikasi ini adalah proses training dan proses testing. Dimana proses training berfungsi untuk pengolahan gambar agar dapat diidentifikasi. Sedangkan proses testing untuk mengidentifikasi batik alami dan buatan dengan menggunakan metode K-Means Clustering. Jurnal Informatika Polinema ISSN 2407-070X Halaman 29 Perancangan Sistem Pada perancangan proses untuk sistem identifikasi batik alami dan sintetis akan disajikan ke dalam bentuk Flowchart menggunakan metode K-Means Clustering. Sistem Identifikasi Batik dibagi menjadi 2, yaitu Proses Training dan Proses Testing Gambar 7. Proses Training Gambar 8. Proses Testing 5. IMPLEMENTASI Dalam sistem identifikasi ini terdapat 2 proses yaitu proses traning dan proses testing. Dimana proses traning digunakan untuk menghitung dan melatih data citra batik yang sudah disimpan. Proses testing digunakan untuk menguji data citra baru sesuai dengan pusat cluster yang tidak berubah tetap pada proses training sebelumnya. Berikut adalah interface dari proses traning dan proses testing Gambar 9. Form Training Gambar 10. Form Testing 6. PENGUJIAN DAN PEMBAHASAN Pengujian Proses Pengujian merupakan cara atau teknik untuk menguji perangkat lunak, mempunyai mekanisme untuk menentukan data uji yang dapat menguji perangkat lunak secara lengkap dan mempunyai kemungkinan tinggi untuk menemukan kesalahan. Berikut dibawah merupakan pengujian yang dilakukan di dalam sistem identifikasi batik alami dan sintetis berdasarkan karakteristik warna citra a Pengujian Blackbox atau Fungsional Pengujian ini dilakukan untuk menemukan fungsi-fungsi yang tidak benar atau hilang, kesalahan interface, kesalahan dalam struktur data atau akses database eksternal, kesalahan kinerja, inisialisasi dan kesalahan terminasi. Pengujian fungsi-fungsi pada sistem identifikasi batik alami dan sintetis telah berjalan dengan baik. Volume 3, Edisi 2, Februari 2017 30 Halaman Tabel 1. Pengujian Blackbox Input Data Data Baru Pada Form Data Citra Normalisasi Red, Normalisasi Green, Normalisasi Blue Data tersimpan di database Tampil Data Pada Form Data Citra Normalisasi Red, Normalisasi Green, Normalisasi Blue Data diambil dari database Hapus Data Pada Form Data Citra Normalisasi Red, Normalisasi Green, Normalisasi Blue Simpan data inisialisasi dari Form K-Means ke database C1, C2, jarak, dan kelompok Hapus cluster acak pada Form K-Means Normalisasi Red, Normalisasi Green, Normalisasi Blue b Pengujian Akurasi Uji coba ini dilakukan untuk menguji akurasi sistem dengan menghitung prosentase data benar dari pusat cluster yang berbeda-beda. Parameter yang digunakan yaitu normalisasi R , G ,B. Dalam pengujian ini diperlukan sebanyak 14 data batik terdiri dari Tabel 2. Pengujian Tingkat Keakurasian Analisa Hasil Penelitian Dari hasil identifikasi terbaik yang dilakukan tentang keakuratan sistem didapatkan tingkat keberhasilan sistem identifikasi batik alami dan batik sintetis berdasarkan karakteristik warna citra dengan metode K-Means Clustering adalah 100% untuk batik alami dan untuk batik sintetis. Data batik alami lebih banyak dapat diidentifikasi oleh sistem daripada batik sintetis. Hal ini dikarenakan warna batik sintetis yang menyerupai warna dari batik alami sehingga sistem sulit untuk membedakan keduanya. Serta pencahayaan dan keterbatasan kemampuan kamera pada saat pengambilan data. Dari keseluruhan data yaitu 14 data batik hasil pengujian, maka didapatkan tingkat akurasi sebagai berikut  Tingkat keberhasilan secara keseluruhan yaitu 7. Kesimpulan Kesimpulan Berdasarkan hasil dari penelitian yang dilakukan dapat diambil beberapa kesimpulan sebagai berikut 1. Aplikasi masih jauh dari sempurna, sebagai acuan untuk penelitian lebih lanjut 2. Sistem Identifikasi batik alami dan batik sintetis dengan mengimplementasikan metode K-Means Clustering memperoleh tingkat keberhasilan identifikasi sebesar 3. Dari hasil identifikasi dengan menggunakan metode K-Means Clustering yang diperoleh yaitu menghasilkan 2 output yaitu batik alami sebesar 100% dan batik sintetis sebesar 4. Hasil cluster dipengaruhi dari nilai centroid awal yang dipakai dan jumlah data yang dipakai. Perbedaan pengambilan data pusat centroid awal yang dipakai juga Jurnal Informatika Polinema ISSN 2407-070X Halaman 31 akan mempengaruhi hasil centroid akhirnya. 5. Pengelompokan citra batik alami dan sintetis bergantung pada teknik pengambilan gambar yaitu merk dan tipe kamera, resolusi kamera, resolusi gambar yang digunakan, jarak pengambilan gambar, dan pencahayaan. Teknik pengambilan gambar yang berbeda mengakibatkan hasil pengelompokan yang berbeda pula. 6. Identifikasi batik alami dan batik sintetis menggunakan metode K-Means Clustering banyak mendeteksi batik alami daripada batik sintetis dikarenakan warna batik sintetis yang menyerupai warna dari batik alami sehingga sistem terkadang tertukar. Hal tersebut dapat terjadi karena nilai normalisasi RGB batik alami mirip dengan nilai normalisasi RGB batik sintetis. Saran Saran yang ditujukan untuk pengembangan penelitian ini adalah 1. Diharapkan dengan pengembangan sistem identifikasi batik alami dan batik sintetis dapat menambah spesifikasi media seperti kamera digital dengan resolusi yang lebih baik sehingga kadar warna pada kain dengan gambar yang diambil sama sehingga terdapat perbedaan warna yang lebih jelas. 2. Pada pengembangan aplikasi selanjutnya diharapkan dapat menambah parameter yang digunakan untuk membedakan data satu dengan yang lain seperti menggunakan nilai HSV Hue Saturation Value dan menggunakan Histogram. Daftar Pustaka Adiningsih, N. 2007. Penggunaan K-Means Clustering untuk Pelabelan Fonem Sinyal Ucapan. Institut Teknologi Bandung. Bandung. Adnan, dkk. 2013. Identifikasi Varietas Berdasarkan Warna dan Tekstur Permukaan Beras Menggunakan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Balai Pengkajian Tekologi Pertanian. Papua. Alifah, Henny. 2014. Membuat Atau Menulis Daftar Pustaka. [Online] Tersedia [29 Mei 2016] Andri, dkk. 2014. Segmentasi Buah Menggunakan Metode K-Means Clustering dan Identifikasi Kematangannya Menggunakan Metode Perbandingan Kadar Mikroskil. Grossman, David A. dan Ophir Frieder, 2004. Information Retrieval Algorithms and Heuristics Second The Netherlands. Handoko, Agus Purwo dan Yustina Retno Wahyu Utami, 2009. Pengenalan Buah Berdasarkan Karakteristik Warna Citra. Kusumanto, RD. 2011. Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB. Politeknik Negeri Sriwijaya. Palembang. Lisbijanto, Herry. 2013. Batik. Yogyakarta Graha Ilmu. Musman, Asti dan Ambar B. Arini. 2011. Batik Warisan Adiluhung Nusantara. Yogyakarta G-Media. Putra D. 2010. Pengolahan Citra Digital. Yogyakarta Penerbit Andi Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, Teori Pengolahan Citra Digital. Yogyakarta. Wardani, Eka Widya. “Pengenalam Motif Batik Menggunakan Metode Transformasi Paket Wavelet”. Fakultas Teknik. Universitas Widyatama. Bandung ... Proses ini mempunyai ciri data masukan adalah citra dan informasi keluarannya berbentuk citra juga. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer [5]. ...Dimas Murtia Atmojo Abdul FadlilCorn can be processed into corn flour, this can make it easier for consumers to consume and process it into other food ingredients. Therefore we need a system that is able to identify the quality of corn flour automatically. Data retrieval is done by inserting corn flour into a container to calculate the angle of repose. The valve of the container is opened and the cornstarch flows into a mound above the cross-sectional base. The image of the corn flour mound was taken using a cellphone camera and stored in a laptop as a database. The sample of this research is corn flour with three types of particle sizes, namely 20 mesh, 10 mesh and 8 mesh. In the identification process, the corn flour image is converted into a grayscale and binary image and cropping is done, then identified based on the calculation of the angle of repose. The results of this study obtained that the average value of 20 mesh, 10 mesh and 8 mesh corn flour was degrees; degrees and degrees. After testing and comparison, it can be concluded that corn flour with good quality is corn flour with an angle of less than 32 dapat diolah menjadi tepung jagung, hal ini dapat memudahkan konsumen dalam mengonsumsi dan mengolahnya menjadi bahan pangan lain. Oleh karena itu dibutuhkan sistem yang mampu mengidentifikasi kualitas tepung jagung secara otomatis. Pengambilan data dilakukan dengan memasukkan tepung jagung ke dalam wadah hitung sudut diam. Katup wadah dibuka dan tepung jagung mengalir membentuk gundukan di atas alas penampang. Citra dari gundukan tepung jagung diambil menggunakan kamera handphone dan disimpan ke dalam laptop sebagai database. Sampel penelitian ini tepung jagung dengan tiga jenis ukuran partikel, yaitu 20 mesh, 10 mesh dan 8 mesh. Dalam proses identifikasi citra terpung jagung dikonversikan menjadi citra greyscale dan biner serta dilakukan cropping, lalu diidentifikasi berdasarkan perhitungan sudut diam. Hasil penelitian yang dilakukan mendapatkan nilai rata-rata tepung jagung 20 mesh, 10 mesh dan 8 mesh berturut-turut adalah 30,91 derajat; 33,96 derajat dan 36,80derajat. Setelah dilakukan pengujian dan perbandingan, dapat disimpulkan bahwa tepung jagung dengan kualitas baik yaitu tepung jagung dengan sudut kurang dari sama dengan 32derajat.... Kasus lain dalam hal pengenalan atau membedakan citra batik selama ini masih menggunakan pengamatan secara visual secara langsung oleh mata, sehingga berpeluang terdapat kelemahan dan keterbatasan visual manusia dan tingkat kelelahan dalam menentukan jenis batik. Selanjutnya, diperlukan penyelesaian masalah untuk membantu dalam melengkapi kelemahan dan keterbatasan yang dimiliki oleh manusia dengan memproses citra sehingga citra tersebut dapat teridentifikasi secara akurat [9]. ...Amin Padmo Azam MasaHamdani HamdaniBatik has several motifs and patterns so it is necessary to identify certain objects in an image, one of which is the recognition of the image of Yogyakarta batik using the Convolutional Neural Network CNN method which is already popular in the use of image data classification. The introduction of batik imagery aims to contribute to the digitization of batik image data and at the same time provide information on types of batik to the public. The batik image recognition process using CNN in this study combines the image segmentation process and the enhancement process with median filters and sharpening. The segmentation process carried out before CNN aims to help separate foreground objects from objects that are not needed in the background. The segmentation process that is commonly used is using K-means Clustering. Where K-means Clustering is used to group data in the same category. Furthermore, the enhancement process using the median filter and sharpening was carried out separately to compare the batik image classification process using CNN based on K-means Clustering from the median filter results and the sharpening results. The batik image classification process with CNN based on K-means Clustering on the median filter resulted in an accuracy value of 100%. Meanwhile, the batik image classification process with CNN based on K-means Clustering from the sharpening results resulted in an accuracy value of 80%.... Jumlah nilai red, nilai green dan juga nilai blue channel telah dinormalisasi 1. Semua channel sudah dinormalisasi dan tidak mempunyai informasi yang sangat signifikan dan diabaikan, sehingga bisa mengurangi dimensi pada ruang [11]. Persamaan 1 sampai 3 dibawah ini adalah persamaan yang digunakan dalam proses normalisasi RGB [12]. ... Mohammad Faisal RiftiarrasyidDimas Arif SetyawanHendra MaulanaDaging sapi merupakan sumber konsumsi makanan yang diperoleh dari sapi. Seiring meningkatnya harga daging sapi di Indonesia ada beberapa oknum penjual daging sapi yang menginginkan keuntungan yang besar dengan mencampur daging sapi segar dengan daging yang sudah tidak layak untuk dikonsumsi. Hal tersebut sangat merugikan konsumen karena dapat berdampak buruk bagi kesehatan. Untuk menangani hal tersebut perlu adanya sistem untuk membantu konsumen untuk membedakan daging yang masih segar dengan daging yang sudah tidak layak untuk dikonsumsi. Klasifikasi kesegaran daging dilakukan dengan teknologi Deep Neural Network dan menerapkan metode ekstraksi fitur Gray Level Co-Occurrence Matrix untuk mendapatkan informasi fitur tekstur daging berdasarkan data visual. Penelitian ini berhasil mengembangkan sebuah model Deep Neural Network yang dapat membedakan daging segar dan tidak layak konsumsi dengan akurasi sebesar has not been able to resolve any references for this publication. Sylvana Toemon Bahan alami pewarna batik Batik sudah lama menjadi kekayaan negeri kita. Sebelum adanya pewarna buatan, batik diwarnai dengan pewarna alami. Alami artinya berasal dari alam. Sumbernya tidak jauh-jauh, dari sekitar tempat tinggal. Ada pewarna yang memang berwarna demikian. Ada juga pewarna yang didapatkan dari hasil percobaan berkali-kali. Bahan pewarna ini diolah secara khusus supaya dapat mewarnai kain batik. Beberapa bahan alami itu antara lain Kayu jati untuk pewarna merah kecokelatan. Daun teh untuk menghasilkan warna cokelat. Daun alpukat untuk menghasilkan warna hijau kecokelatan. Kunyit untuk pewarna kuning. Manggis untuk pewarna keunguan. Rumput malu untuk menghasilkan warna kehijau-hijauan. Wow, ternyata banyak, ya, bahan-bahan alami yang dapat digunakan untuk batik. Batik dengan pewarna alami ini membuatnya lebih susah. Perawatannya pun tidak mudah. Karena itu pewarna alami ini sekarang lebih banyak digantikan dengan pewarna buatan, yang lebih murah dan lebih mudah penggunaannya. Saat ini, ada cukup banyak orang yang ingin membangkitkan kembali kekayaan negeri warisan leluhur itu. Mereka membuat batik yang diwarnai dengan pewarna alami. Pewarna alami juga ada yang baru ditemukan, lo. Hmmm… Mungkin saja semak-semak di dekat rumahmu dapat digunakan sebagai bahan alami untuk pewarna baik. Artikel ini merupakan bagian dari Parapuan Parapuan adalah ruang aktualisasi diri perempuan untuk mencapai mimpinya. PROMOTED CONTENT Video Pilihan

secara umum pewarna batik berbentuk