% Direktori gambar
folderTembakau = 'F:\SKRIPSI\MATLAB\Matlab Batik\Data Latih_1\Tembakau\';
folderKopi = 'F:\SKRIPSI\MATLAB\Matlab Batik\Data Latih_1\Kopi\';

% Membaca daftar gambar
imagesTembakau = dir(fullfile(folderTembakau, '*.jpg'));
imagesKopi = dir(fullfile(folderKopi, '*.jpg'));

% Inisialisasi variabel untuk menyimpan fitur dan label
features = [];
labels = [];

% Ukuran resize
resizeSize = [300, 300];

% Ekstraksi fitur dari gambar motif batik tembakau
for i = 1:length(imagesTembakau)
    img = imread(fullfile(folderTembakau, imagesTembakau(i).name));
    
    % Resize gambar
    imgResized = imresize(img, resizeSize);
    
    % Ubah menjadi grayscale
    imgGray = rgb2gray(imgResized);
    
    glcm = graycomatrix(imgGray, 'Offset', [0 1; -1 1; -1 0; -1 -1]);
    stats = graycoprops(glcm);
    
    % Menghitung entropi untuk setiap arah
    entropy_vals = zeros(1, 4);
    for j = 1:4
        P = glcm(:, :, j) / sum(glcm(:, :, j), 'all');
        entropy_vals(j) = -sum(P(:) .* log2(P(:) + eps)); % menambahkan eps untuk menghindari log(0)
    end
    
    featureVector = [mean(stats.Contrast), mean(stats.Correlation), mean(stats.Energy), mean(stats.Homogeneity), mean(entropy_vals)];
    features = [features; featureVector];
    labels = [labels; 1]; % Label untuk batik tembakau
end

% Ekstraksi fitur dari gambar motif batik kopi
for i = 1:length(imagesKopi)
    img = imread(fullfile(folderKopi, imagesKopi(i).name));
    
    % Resize gambar
    imgResized = imresize(img, resizeSize);
    
    % Ubah menjadi grayscale
    imgGray = rgb2gray(imgResized);
    
    glcm = graycomatrix(imgGray, 'Offset', [0 1; -1 1; -1 0; -1 -1]);
    stats = graycoprops(glcm);
    
    % Menghitung entropi untuk setiap arah
    entropy_vals = zeros(1, 4);
    for j = 1:4
        P = glcm(:, :, j) / sum(glcm(:, :, j), 'all');
        entropy_vals(j) = -sum(P(:) .* log2(P(:) + eps)); % menambahkan eps untuk menghindari log(0)
    end
    
    featureVector = [mean(stats.Contrast), mean(stats.Correlation), mean(stats.Energy), mean(stats.Homogeneity), mean(entropy_vals)];
    features = [features; featureVector];
    labels = [labels; 2]; % Label untuk batik kopi
end

% Persentase pembagian data latih dan data uji
splitRatios = [0.9, 0.8, 0.7, 0.6, 0.5];
kValues = [7, 9, 11, 13, 15];

for splitRatio = splitRatios
    fprintf('Pembagian data latih dan data uji: %.0f:%.0f\n', splitRatio*100, (1-splitRatio)*100);
    
    % Bagi data menjadi data latih dan data uji
    cv = cvpartition(labels, 'HoldOut', 1 - splitRatio);
    XTrain = features(training(cv), :);
    YTrain = labels(training(cv), :);
    XTest = features(test(cv), :);
    YTest = labels(test(cv), :);
    
    accuracies = zeros(length(kValues), 1);
    
    for idx = 1:length(kValues)
        k = kValues(idx);
        
        % Latih model KNN
        knnModel = fitcknn(XTrain, YTrain, 'NumNeighbors', k);
        
        % Prediksi dan evaluasi
        YPred = predict(knnModel, XTest);
        
        % Hitung akurasi
        accuracy = sum(YPred == YTest) / length(YTest);
        accuracies(idx) = accuracy * 100;
        
        % Menampilkan hasil
        fprintf('Akurasi model dengan k=%d: %.2f%%\n', k, accuracy * 100);
        
        % Menampilkan confusion matrix
        confMat = confusionmat(YTest, YPred);
        disp(['Confusion Matrix untuk k=' num2str(k) ':']);
        disp(confMat);
        
        % Visualisasi confusion matrix
        figure;
        confusionchart(YTest, YPred);
        title(['Confusion Matrix untuk k=' num2str(k) ' dengan pembagian data ' num2str(splitRatio*100) ':' num2str((1-splitRatio)*100)]);
        
        % Visualisasi hasil prediksi dengan grafik scatter
        figure;
        gscatter(XTest(:,1), XTest(:,2), YTest, 'rb', 'ox');
        hold on;
        gscatter(XTest(:,1), XTest(:,2), YPred, 'gb', 'x*');
        xlabel('Fitur 1');
        ylabel('Fitur 2');
        title(['Grafik Titik Label KNN dengan k=' num2str(k) ' dan pembagian data ' num2str(splitRatio*100) ':' num2str((1-splitRatio)*100)]);
        legend('Label Asli: Tembakau', 'Label Asli: Kopi', 'Prediksi: Tembakau', 'Prediksi: Kopi');
        hold off;
    end
    
    % Plot akurasi untuk pembagian data saat ini
    figure;
    plot(kValues, accuracies, '-o');
    xlabel('Nilai k');
    ylabel('Akurasi (%)');
    title(['Akurasi KNN untuk Berbagai Nilai k dengan pembagian data ' num2str(splitRatio*100) ':' num2str((1-splitRatio)*100)]);
    grid on;
end