Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
KLASIFIKASI CITRA BATIK BESUREK BERDASARKAN EKSTRAKSI FITUR TEKSTUR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAP (SOM) Yuri Brasilka1, Ernawati2, Desi Andreswari3 1,2,3
Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu. Jl. WR. Supratman Kandang Limun Bengkulu 38371A INDONESIA (telp: 0736-341022; fax: 0736-341022) 1
[email protected], 2
[email protected], 3
[email protected]
Abstrak: Motif batik umumnya adalah motif-motif gabungan. Diperlukan suatu cara untuk menentukan suatu ciri khas dari jenis batik tertentu untuk membedakannya dari jenis-jenis batik lainnya yang ada di Indonesia. Dengan demikian diperlukan aplikasi pengklasifikasian batik besurek berdasarkan ekstraksi fitur tekstur menggunakan jaringan syaraf tiruan Self Organizing Map (SOM). Aplikasi ini menggunakan metode Point Minutiae sebagai pengekstraksi fitur tekstur citra yang mampu mendeteksi persebaran Crossing Number pada citra. Aplikasi ini menggabungkan metode Point Minutiae dengan algoritma Jaringan Self Organizing Map (SOM) yang memiliki kemampuan untuk melakukan pembelajaran tanpa pengarahan (unsupervised learning), sehingga hasil klasifikasi citra yang dihasilkan berdasarkan jarak terpendek dari klaster SOM. Citra yang digunakan dalam penelitian ini adalah citra batik besurek Bengkulu, citra non-batik besurek, dan kombinasi dua motif batik besurek. Aplikasi ini dibangun menggunakan bahasa pemrograman Java 8.0.1. Hasil pengujian menggunakan Point Minutiae dan Self Organizing Map (SOM) pada penelitian ini diperoleh nilai rasio keberhasilan 100% untuk temu kembali citra dan 60% untuk citra gabungan, sedangkan nilai recall 63.82%, precision 27.78%, dan MRR 67.6%. untuk citra uji. Motif batik besurek yang paling baik hasil ujinya adalah relung paku dan rembulan, sedangkan yang paling buruk hasil ujinya adalah burung kuau dan raflesia. Kata Kunci : Klasifikasi Citra, Fitur Tekstur, Minutiae, Self Organizing Map, Java Abstract: Batik motifs generally are combined
differentiate one batik from others types in
motives.
the
Indonesia. The availability of image classifier
characteristic of certain types of batik to
application based on texture feature extraction
132
We
need
a
way
to
specify
ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
using Self Organizing Map (SOM) is required to
batik Indonesia. Jenis dan corak batik tradisional
determine the classification of batik besureks
tergolong amat banyak, namun corak dan variasinya
dominant motifs. The application uses the Point
sesuai dengan filosofi dan budaya masing-masing
Minutiae method of extracting features image
daerah. Khasanah budaya Bangsa Indonesia yang
texture that is able to detect the spread Crossing
demikian kaya telah mendorong lahirnya berbagai
Number on the image. This application combines
corak dan jenis batik tradisional dengan ciri
the Point Minutiae method with Neural Network
kekhususannya sendiri.
Self Organizing Map (SOM) algorithm which the
Bengkulu merupakan salah satu kawasan yang
result an image classification based on smallest
berada di wilayah Sumatera. Nama Bengkulu sebagai
distance of SOM cluster. The images used in this
wilayah penghasil batik belum terkenal secara luas.
research are the images of batik Besurek
Namun, provinsi dengan ibu kota Bengkulu ini
Bengkulu, non-batik besurek, and combination
memiliki ciri khas batik yang tidak kalah mutunya
motifs
dari batik hasil daerah lainnya. Batik Bengkulu
of
two
batik
besurek
motifs.
The
application is built using Java programming
tersebut bernama batik besurek.
language 8.0.1. The test results using Point
Batik besurek merupakan salah satu warisan
Minutiae and Neural Network Self Organizing
budaya dari kota yang dikenal sebagai Gading
Map (SOM) algorithm in this research resulted in
Cempaka ini. Besurek merupakan bahasa Bengkulu
a 100% success ratio for the image retrieval
yang berarti bersurat atau bertulis. Sehingga batik
system and 60% for the combination images of
besurek merupakan batik yang bertulis dan bersurat.
batik besurek, with recall value of 63.82%,
Sebagaimana batik-batik dari daerah lainnya, batik
precision value of 27.78%, and MRR of 67.6% for
besurek ini mempunyai beberapa motif dasar yang
the test images. The best result of the test is
membedakannya dengan jenis batik dari daerah lain.
achieved by relung paku and rembulan, while the
Motifnya antara lain yaitu motif kaligrafi, motif
worst result of the test are burung kuau and
bunga rafflesia, motif burung kuau, motif relung
raflesia.
paku, dan motif rembulan.
Keywords: Image Classification, Feature Texture, Minutiae, Self Organizing Map, Java
Saat ini sudah banyak juga motif lainnya yang merupakan kombinasi dari beberapa motif dasar yang ada. Dengan kata lain satu batik besurek bisa
I. PENDAHULUAN
mempunyai dua atau lebih motif sekaligus. Dengan
Sebagai warisan budaya Indonesia, tepat pada
demikian tentu akan muncul kesulitan dalam
tanggal 2 Oktober 2009 batik telah diakui oleh
mengklasifikasikan batik besurek yang memiliki
United Nations Educational, Scientific, and Culture
motif yang serupa. Dengan melakukan pengolahan
Organization (UNESCO) sebagai salah satu warisan
citra digital, citra batik besurek dapat diproses untuk
budaya dunia. Dengan demikian sangatlah penting
diklasifikasikan sesuai dengan motif dasar yang
untuk menjaga dan mengembangkan seni budaya
dimilikinya. Mengingat bahwa kemungkinan satu
ejournal.unib.ac.id
133
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
jenis batik dapat memiliki dua atau lebih motif
mengidentifikasi citra batik besurek saja berdasarkan
setelah adanya perkembangan dibidang seni kreasi
jarak nilai Euclidean citra uji dan citra yang ada di
batik.
melakukan
dalam database, namun aplikasi ini belum dapat
pengklasifikasian batik berdasarkan ekstraksi fitur
mengklasifikasikan citra batik besurek berdasarkan
tekstur, maka batik besurek juga akan lebih mudah
ekstraksi fitur tekstur. Oleh sebab itu, peneliti ingin
dibedakan dengan batik-batik lainnya.
melakukan pengembangan aplikasi sebelumnya,
Selain
itu,
dengan
Algoritma Point Minutiae mempunyai kelebihan
sehingga dapat diperoleh sebuah aplikasi baru yang
dalam melakukan ekstraksi fitur tekstur dengan cara
bukan hanya dapat melakukan identifikasi citra batik
mendeteksi hasil Crossing Number (CN) pada citra
besurek
yang diekstraksi dan mengabaikan hal-hal yang
pengklasifikasian batik besurek berdasarkan motif
dianggap suatu noise pada citra, contohnya seperti
dasar yang dimiliki. Yang dimaksud dengan motif
guratan-guratan pada citra, sehingga hasil ekstraksi
dasar pada batik besurek adalah motif awal
yang dihasilkan oleh algoritma ini merupakan nilai
pembentuk seperti burung kuau, raflesia, kaligrafi,
hasil
oleh
rembulan, dan relung paku. Sedangkan jika batik
Crossing Number (CN). Selain itu, peneliti memilih
pengembangan contohnya adalah motif pohon hayat
algoritma Jaringan Syaraf Tiruan Sefl Organizing
yang bukan dasar batik besurek karena pencampuran
Map (SOM) untuk proses klasifikasi citra batik
dari motif-motif lainnya. Batik pengembangan adalah
besurek pada penelitian ini. Algoritma ini memiliki
di luar wilayah dari penelitian ini.
persebaran
kemampuan
Point
yang
pembelajaran
dihasilkan
tanpa
saja,
namun
dapat
melakukan
pengarahan
Penelitian lainnya juga dilakukan oleh Yulianto,
(unsupervised learning), sehingga dalam proses
dkk (2010). Penelitiannya berjudul “Identifikasi Pola
klasifikasi yang dilakukan tidak membutuhkan target.
Batik Parang Dengan Algoritma Point Minutiae
Algoritma ini akan mengklasifikasikan unit-unit
Menggunakan Metode K-Means Clustering”. Dari
masukan ke dalam kelompok tertentu yang berada
data hasil uji coba yang telah dilakukan, para peneliti
pada unit keluaran (cluster units).
menyimpulkan bahwa penelitian dengan metode ini
Terkait dengan masalah pengklasifikasian citra,
menghasilkan persentase dengan mean dan median
sebelumnya sudah ada beberapa penelitian yang telah
mendekati sebesar 100%, berdasarkan titik centroid
dilakukan, salah satunya oleh Fathin (2014) yang
dari masing-masing daerah dengan metode K-Means
berjudul “Rancang Bangun Aplikasi Pencarian Citra
untuk klasifikasi pola batik parang dan Point Minute
Batik Besurek Berbasis Tekstur Dengan Metode
untuk ekstraksi fitur gambar [9].
Gray Level Co-Occurrence Matrix dan Euclidean Distance”.
Penelitian
ini
menghasilkan
nilai
Penelitian lainnya dilakukan oleh Asmadin, dkk (2011)
yang berjudul “Pengelompokan Habitat
precision dengan citra uji adalah batik besurek 1
Dasar Perairan Dangkal Berbasis Data Satelit
motif sebesar 77% dan batik besurek lebih dari 1
Quickbird Menggunakan Algoritma Self Organizing
motif sebesar 82%. Sistem pencarian citra dengan
Map (SOM)”. Dalam penelitian ini klasifikasi
Gray Level Co-Occurance Matrix ini hanya mampu
algoritma Self Organizing Map (SOM) dapat
134
ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
mengklaster citra quickbird dari berbagai kombinasi kanal dan memperoleh hasil yang relatif baik [1].
Proses
ekstraksi
dimulai
dengan
proses
penandaan minutiae. Penandaan minutiae dilakukan
Penelitian selanjutnya yang juga menggunakan
dengan cara membagi citra menjadi blok-blok citra
SOM kohonen dilakukan oleh Wahyumianto, dkk
berukuran 3x3 piksel. Pendeteksian minutiae baik itu
(2010)
titik
yang
berjudul
“Identifikasi
Tumbuhan
Berdasarkan Minutiae Tulang Daun Menggunakan SOM Kohonen”. Dalam penelitian ini didapat hasil rata-rata
tingkat
percabangan
dilakukan
menggunakan konsep crossing number (CN). Point Minutiae dideteksi dengan memindai tetangga lokal pada masing-masing piksel ridge
untuk
(percabangan) pada citra menggunakan ukuran
menentukan kelas ketiga daun tumbuhan yakni
window 3 x 3. Kemudian nilai CN dihitung, yang
94,386% untuk jambu biji, 89,469% untuk terong
didefinisikan sebagai separuh penjumlahan dari
hijau, 85,417% untuk cabai lokal dan 99,731% untuk
perbedaan antara pasangan-pasangan piksel yang
ubi jalar [8].
bersebelahan
menggunakan
Berdasarkan penelitian
kohonen
permasalahan
terkait
di
aplikasi
ataupun
dalam
klasifikasi
keberhasilan
akhir
atas,
SOM
dan
beberapa
penulis
melakukan
“Klasifikasi
Citra
penelitian Batik
yang
Besurek
ingin
II.
CN 0 1 2 3 4
Berdasarkan
Syaraf Tiruan Self Organizing Map (SOM)”. TINJAUAN PUSTAKA
A. Batik Besurek Kata "batik" berasal dari gabungan dua kata
dapat
Tabel 1. Properti Crossing Number
berjudul
Ekstraksi Fitur Tekstur Menggunakan Jaringan
eight-neighbourhood,
dilihat pada Tabel 1 berikut ini:
mengklasifikasikan batik besurek berbasis tekstur dengan
pada
Properti Isolated Point Ridge ending point Continuing ridge point Bifurcation point Crossing point
Nilai CN pada ridge piksel P didapat dari persamaan berikut : 𝐂𝐍 = 𝟎. 𝟓
𝟖 𝐭=𝟏 𝐏𝐭
− 𝐏𝐭+𝟏
(1)
keterangan : CN = Crossing Number
bahasa Jawa: "amba", yang bermakna "menulis" dan
Pt = Piksel tetangga (1-8)
"titik" yang bermakna "titik". Kain Batik Besurek
𝐏𝟗 = 𝐏𝐢
(2)
adalah batik tulis tradisional khas Bengkulu yang
P9 = Pi , karena posisi kesembilan sama dengan posisi
termasuk batik pesisir dengan motif dominan
P, dan dimana Pi merupakan nilai tetangga dari 𝑃.
kaligrafi Arab dihiasi perpaduan flora dan fauna yang
Untuk
suatu
piksel
𝑃,
kedelapan
piksel
sarat akan makna simbolis, melambangkan hubungan
tetangganya diperiksa dengan arah berlawanan jarum
manusia dan alam dengan sang pencipta. Motif dasar
jam seperti pada Tabel 2 berikut ini :
batik besurek adalah motif Raflesia, motif Kaligrafi,
Tabel 2. Pemberian Nomor pada 8 Tetangga Piksel P
motif Burung Kuau, motif Relung Paku,dan motif
untuk Proses Point Minutiae Detection
Rembulan.
P4
P3
P2
B. Ekstraksi Point Minutiae
P5
P
P1
ejournal.unib.ac.id
135
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
P6
P7
4.
P8
Kerjakan jika Epoch < MaxEpoch
C. Jaringan Syaraf Tiruan Self Organizing Map
a.
Epoch = Epoch + 1
b.
Pilih data secara acak, misalnya data terpilih data ke-j.
(SOM) c.
Kohonen Self Organizing Map (SOM) atau
Cari jarak antara data ke-j dengan tiap bobot input ke-i (Dj) :
Jaringan Kohonen pertama kali diperkenalkan oleh
D j wij xi
2
Prof. Teuvo Kohonen pada tahun 1982. SOM merupakan salah satu metoda dalam Jaringan Syaraf Tiruan
(Neural
pembelajaran
Network)
tanpa
yang
menggunakan
pengarahan
(unsupervised
d.
Cari bobot yang terkecil (pemenang)
e.
Update bobot yang baru : 𝒘𝒊𝒋 (baru) = 𝒘𝒊𝒋 (lama) + α[𝒙𝒊 – 𝒘𝒊𝒋
learning).
(lama)] ()
Algoritma Self Organizing Map (SOM) adalah Mengurangi
sebagai berikut [3] :
a.
Input data yang dinormalisasi
b.
Jumlah kelas
𝛼 = 𝑑𝑒𝑐𝑎𝑦_𝑟𝑎𝑡𝑒 ∗ 𝛼lama
Organizing Input
(𝑤𝑖𝑗 )
dengan
nilai
sembarang atau hitung dengan : 𝒘𝒊𝒋 =
𝑴𝒊𝒏 (𝒙𝒊 )+𝑴𝒂𝒙 (𝒙𝒊 )
𝑤𝑖𝑗
(3)
𝟐
= bobot antara variabel
dengan
neuron
pada
= nilai minimum pada
variable input
= nilai maksimum dari
variable input
dicoba
epoch
maksimum
dengan yang
(α)=0.6, nilai learning rate minimal yang diharapkan
learning rate (decay_rate)= 0.60.
mencapai
nilai
atau
mendekati
nilai
epoch
maksimum yang diharapkan, sehingga stop condition yang digunakan adalah nilai epoch. METODOLOGI
A. Jenis Penelitian Penelitian tentang klasifikasi citra batik besurek ini termasuk dalam penelitian atau riset dasar
ke-i.
136
nilai
III. ke-i.
b.
Set parameter learning rate 𝛼
c.
Set maksimum epoch (MaxEpoch).
Set Epoch = 0
menggunakan
(SOM)
Proses klasifikasi akan berhenti apabila sudah
kelas ke-i.
𝑀𝑎𝑥 (𝑥𝑖 )
Map
(∝𝑆𝑂𝑀 𝑚𝑖𝑛𝑖𝑚𝑢𝑚 )= 0.01, dan nilai laju penurunan
input ke-j
𝑀𝑖𝑛 (𝑥𝑖 )
(5)
ditentukan sistem secara random, Learning rate
dengan :
3.
rate
Dalam penelitian ini, penerapan algoritma Self
2. Inisialisasi : Bobot
learning
(decay_rate), dengan cara :
1. Menetapkan :
a.
(4)
i
(penelitian murni), karena penelitian ini bersifat pengembangan dari ilmu pengetahuan yang telah ada sebelumnya, yaitu melanjutkan sebuah penelitian oleh Fathin Ulfah Karimah (2014), yang berjudul
ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
Rancang Bangun Aplikasi Pencarian Citra Batik
Studi
kepustakaan
dilakukan
dengan
Besurek Berbasis Tekstur Dengan Metode Gray
mengumpulkan data dan informasi yang digunakan
Level Co-Occurrence Matrix dan Euclidean Distance
sebagai acuan dalam pembuatan aplikasi pengenalan
[2].
citra batik besurek. Data dan informasi berupa buku-
Dalam penelitian ini, peneliti berusaha membuat
buku ilmiah, laporan penelitian, skripsi, jurnal dan
aplikasi yang mampu mengklasifikasikan citra batik
sumber-sumber tertulis lainnya yang berhubungan
besurek berdasarkan ekstraksi fitur tekstur dengan
dengan pemahaman metode yang digunakan, desain
menggunakan
Unified Modelling Language (UML), pembuatan
Jaringan
Syaraf
Tiruan
Self
Organizing Map (SOM).
aplikasi dengan Netbeans 8.0.1, dan database dengan
B. Sumber Data
MySQL.
Sumber data dalam sebuah penelitian dibedakan menjadi dua yaitu sumber data primary (primer) dan sumber data sekunder (sekunder). Sumber data primary adalah suatu objek atau dokumen original. Sumber data primary (primer) antara lain meliputi
IV.
ANALISIS SISTEM
A. Analisis Kebutuhan Analisis Kebutuhan Fungsional: Merupakan
1)
dokumen historis dan legal, hasil eksperimen, data
paparan
statistik. Sedangkan sumber sekunder (sekunder)
dimasukkan ke dalam sistem yang dibuat.
merupakan data yang dikumpulkan dari tangan kedua
Adapun fitur-fitur aplikasi pada penelitian ini
atau dari sumber lain yang telah tersedia sebelum
adalah:
penelitian dilakukan. Sumber sekunder (sekunder)
a.
mengenai
fitur-fitur
yang akan
Mampu mengenali dan mengklasifikasikan
meliputi komentar, interprestasi, data yang diambil
citra batik besurek 1 motif berdasarkan
tidak secara langsung [6].
motif dasar dengan menggunakan metode
Dalam penelitian ini sumber data yang digunakan
Minutiae dan Self Organizing Maps (SOM).
adalah sumber data sekunder (sekunder), yaitu citra
Keluaran berupa citra dan tabel hasil
batik besurek yang digunakan oleh Fathin Ulfah
pengklasifikasian.
Karimah pada penelitiannya dan dari buku ajar Batik Besurek. Jumlah sampel citra batik besurek yang digunakan di dalam penelitian ini ada 70 citra.
petunjuk penggunaan aplikasi.
Dalam mengumpulan data ada beberapa metode Adapun metode
besurek baru ke database. c. Memberikan informasi tentang aplikasi dan
C. Metode Pengumpulan Data
yang dapat digunakan.
b. Mampu melakukan penambahan citra batik
yang
digunakan dalam penelitian ini adalah metode studi
2) Analisis Non-Fungsional: Terdiri dari: a.
Kebutuhan
Perangkat
Keras
(Hardware)
pustaka dan survei. Berikut ini merupakan penjelasan
Perangkat keras yang mendukung
mengenai metode yang digunakan dalam penelitian
dalam penelitian ini adalah 1 unit
ini yaitu Studi Pustaka (dokumentasi).
Laptop
ejournal.unib.ac.id
Toshiba
L460
dengan
137
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
spesifikasi monitor VGA atau SVGA
tampak dapat dikurangi, erosi yang digunakan untuk
(1366 x 768) dan processor Intel Core
penipisan citra, dan cropping citra.
i3, RAM 2 GB, dan Harddisk 500 GB. b.
Kebutuhan
Perangkat
Lunak
(Software) Perangkat lunak yang mendukung aplikasi dalam penelitian ini adalah berupa Sistem Operasi Windows Seven (7) 32 bit, Java Netbeans 8.0.1, MySQL untuk merancang database, XAMP 2.6, dan Microsoft Office Visio 2007 untuk pembuatan diagram alir sistem, Unified Modelling Language (UML) dan merancang diagram alur sistem. c.
Literatur-Literatur Literatur-literatur
berupa
buku
(cetak maupun elektronik) dan jurnal ilmiah mengenai bahasa pemrograman Java
Netbeans,
metode
Minutiae,
algoritma Jaringan Syaraf Tiruan Self Organizing Maps (SOM), pengolahan citra digital, rekayasa perangkat lunak, dan analisis sistem. B. Analisis Alur Kerja Sistem Berikut alur kerja sistem diperlihatkan pada Gambar 4.2. Dari gambar ini dapat dilihat bahwa untuk setiap citra yang akan dikenali akan melalui sebuah tahap yang disebut dengan preprocessing atau
Gambar 1. Diagram Alur Kerja Sistem
tahap pra-pemrosesan. Pada tahap ini akan dilakukan beberapa aktifitas, yaitu merubah citra asli (RGB) ke
Pra-pemrosesan
merupakan
langkah
awal
citra abu-abu (grayscale), binerisasi untuk merubah
sebelum dilakukan ekstraksi ciri terhadap citra batik
citra menjadi nilai biner, deteksi tepi Canny, dilasi
yang akan dikenali dan diklasifikasi. Ada beberapa
untuk melakukan penebalan sehingga noise yang
proses dalam pra-pemrosesan ini yakni: konversi citra berwarna ke grayscale, deteksi tepi Canny,
138
ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
dilasi, erosi, dan cropping citra batik besurek.
Elemen–elemen
dalam
matriks
intensitas
Berikut akan penulis jelaskan lebih mendalam
merepresentasikan berbagai nilai intensitas atau
mengenai proses pada implementasi tersebut.
derajat keabuan, dimana nilai 0 merepresentasikan
1. Konversi Citra RGB to Grayscale Citra grayscale
merupakan citra digital yang
warna hitam dan 255 merepresentasikan intensitas penuh atau warna putih. [7].
mengandung matriks data I yang merepresentasikan nilai dalam suatu range. Jumlah warna pada citra grey adalah 28 = 256, karena citra grey jumlah bitnya adalah 8, dengan nilai berada pada jangkauan 0-255. Pengubahan dari citra warna ke bentuk grayscale menggunakan persamaan berikut [5] : 𝑰𝒈𝒓𝒂𝒚𝒔𝒄𝒂𝒍𝒆 𝒙, 𝒚 = 𝜶𝑰𝒄𝒐𝒍𝒐𝒖𝒓 𝒙, 𝒚, 𝒓 + 𝜷𝑰𝒄𝒐𝒍𝒐𝒖𝒓 𝒙, 𝒚, 𝒈 + 𝜸𝑰𝒄𝒐𝒍𝒐𝒖𝒓 (𝒙, 𝒚, 𝒃)……....…………………………… …... (6)
Igrayscale = citra grayscale Icolour
= citra RGB
(x,y)
= koordinat citra
(x,y,c)
= piksel pada kordinat (x,y), r untuk merah, g untuk hijau, dan b untuk biru = koefisien untuk warna merah
Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabuan (grayscale), atau dengan kata lain metode ini mengkonversi citra gray-level ke citra bilevel (binary image). Untuk mendapatkan
[5]. Setelah mendapatkan citra grayscale, citra biner dibentuk dengan teknik thresholding. Jika g(x, y) adalah sebuah nilai ambang (threshold) batas dari f(x, y) dengan nilai threshold T. Nilai T digunakan untuk memisahkan antara objek dengan background-nya, hasil threshold dapat ditulis sebagai berikut : 1 𝑓 𝑥, 𝑦 ≥ 𝑇 ……………..(7) 0 𝑓 𝑥, 𝑦 < 𝑇
= koefisien untuk warna hijau 3. Deteksi Tepi Canny
(Green) 𝛾𝑅𝐺𝐵
gambar dengan latar belakang pada gambar tersebut.
𝑔 𝑥, 𝑦 =
(Red) 𝛽𝑅𝐺𝐵
Binerisasi digunakan untuk membedakan objek
citra grayscale digunakan persamaan (6) sebelumnya
dengan keterangan:
𝛼𝑅𝐺𝐵
2. Binerisasi
= koefisien untuk warna biru
(Blue)
Deteksi tepi Canny ditemukan oleh Marr dan Hildreth yang meneliti pemodelan persepsi visual manusia. Ada beberapa kriteria pendeteksi tepian
Koefisien 𝛼𝑅𝐺𝐵 , 𝛽𝑅𝐺𝐵 , dan 𝛾𝑅𝐺𝐵 memiliki rentang
paling optimum yang dapat dipenuhi oleh algoritma
nilai 0-1 dengan tujuan untuk merubah citra RGB
Canny [4] :
menjadi grayscale. Apabila nilai mendekati 0, maka
a.
Mendeteksi dengan baik (kriteria deteksi)
citra grayscale yang dihasilkan semakin gelap,
Kemampuan
namun apabila nilai mendekati 1 maka citra
menandai semua tepi yang ada sesuai
untuk
meletakkan
grayscale yang dihasilkan akan semakin terang.
ejournal.unib.ac.id
139
dan
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
dengan
pemilihan
parameter-parameter
konvolusi yang dilakukan. b.
Melokalisasi
dengan
demi piksel pada citra input. baik
(kriteria
lokalisasi) Dengan
c.
menggerakkan (translasi) structuring element piksel
Semakin besar ukuran structuring element maka semakin besar perubahan yang terjadi. Efek dilasi
metode
Canny
dimungkinkan
terhadap citra biner adalah memperbesar batas dari
dihasilkan jarak yang minimum antara tepi
objek yang ada sehingga objek terlihat semakin besar
yang dideteksi dengan tepi yang asli.
dan lubang-lubang yang terdapat di tengah objek
Respon yang jelas (kriteria respon). Hanya
akan tampak mengecil. Berikut ini notasi operator
ada satu respon untuk tiap tepi, sehingga
dilasi :
mudah dideteksi dan tidak menimbulkan kerancuan
pada
pengolahan
citra
selanjutnya.
dilasi
merupakan
operasi
ekspansi. Operasi erosi dihasilkan dari perbedaan dan interseksi, sedangkan operasi dilasi dihasilkan dari perbedaan dan gabungan. Transformasi vang melalui dilasi tergantung pada erosi. Notasi dari operator dilasi dan erosi dapat dilihat pada Persamaan (8) dan
Proses dilasi dilakukan dengan membandingkan piksel
structuring
pusat 𝐵 terletak pada 𝑥, maka operasi dilasi 𝐴 dengan 𝐵 dapat dinyatakan sebagai 𝐴 ⊕ 𝐵 dan ∅ adalah himpunan kosong. Sama seperti dilasi, proses erosi dilakukan dengan membandingkan setiap piksel citra input dengan nilai pusat structuring element dengan cara melapiskan
structuring
element
dengan
citra
sehingga pusat structuring element tepat dengan
Persamaan (9).
setiap
Suatu objek (citra input) dinyatakan dengan 𝐴,
(𝐵)𝑥 menyatakan translasi 𝐵 sedemikian sehingga
Operator erosi merupakan operasi pengecilan operator
……… (8)
structuring element / SE dinyatakan dengan 𝐵, serta
4. Dilasi dan Erosi
sedangkan
𝑨 ⊕ 𝑩 = {𝒙│(𝑩)𝒙 ⋂𝑨 ≠ ∅
citra
element
input
dengan
dengan
cara
nilai
pusat
melapiskan
(superimpose) structuring element dengan citra sehingga pusat structuring element tepat dengan posisi piksel citra yang diproses. Jika paling sedikit ada 1 piksel pada structuring element sama dengan nilai piksel objek (foreground) citra, maka piksel input diset nilainya dengan nilai piksel foreground dan bila semua piksel yang berhubungan adalah background maka piksel input diberi nilai piksel background. Proses serupa dilanjutkan dengan
posisi piksel citra yang diproses. Jika semua piksel pada structuring element tepat sama dengan semua nilai piksel objek (foreground) citra maka piksel input diset nilainya dengan piksel foreground. Jika tidak,
maka
piksel
input
diberi
nilai
piksel
background. Proses serupa dilanjutkan dengan menggerakkan structuring element piksel demi piksel pada citra input. Proses erosi akan menghasilkan objek yang menyempit (mengecil). Lubang pada objek juga akan membesar seiring menyempitnya batas objek tersebut. Berikut ini notasi erosi : 𝑨𝜣𝑩 = {𝒙│(𝑩)𝒙 ⊆ 𝑨 ………..………. (9) Operator erosi pada citra digital akan rnencari titik-titik
140
yang
bernilai
minimum
di
dalam
ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
lingkungan tetangga, sedangkan operator dilasi akan
1) Pengujian Menggunakan Citra “Training” Pada Database
mencari titik-titik yang bernilai maksimum.
Pengujian ini dilakukan sebanyak 35 kali 5. Cropping Citra
dengan rincian 7 citra setiap motif dasar batik
Cropping adalah memotong satu bagian citra sehingga diperoleh citra yang berukuran lebih kecil. Operasi ini pada dasarnya adalah operasi translasi, yaitu menggeser koordinat titik citra. Rumus yang
besurek.
(10) 𝒚′ = 𝒚 − 𝒚𝑻 untuk 𝒚 − 𝒚𝑻 sampai 𝒚𝑩 ………...... dan (𝑥𝑅 , 𝑦𝐵 )
Dari hasil pengujian, diperoleh hasil sebagai berikut : a.
Nilai recall tertinggi diperoleh motif relung paku, yaitu 81.6% dan recall terendah diperoleh motif rembulan, yaitu 28.6%
b.
bagian citra yang hendak di-crop. Sehingga,ukuran
Nilai precission tertinggi diperoleh motif rembulan, yaitu 40.7% dan precission
citra berubah menjadi :
terendah diperoleh motif kaligrafi, yaitu
𝒉′ = 𝒚𝑩 − 𝒚𝑻 …………………………………. (12) dan transformasi baliknya adalah :
28.92% c.
MRR yang dihasilkan adalah 100% untuk
𝒙 = 𝒙′ − 𝒙𝑳 untuk 𝒙′ = 𝟎 sampai 𝒘′ − 𝟏 ...... (13)
semua
𝒚 = 𝒚′ − 𝒚𝑻 untuk 𝒚 = 𝟎 sampai 𝒉′ − 𝟏 …….. (14)
training. d.
HASIL DAN PEMBAHASAN
yang
citra
uji
menggunakan
citra
Kinerja keseluruhan dari aplikasi, yaitu recall 51.07% dan precission 32.57%.
A. Hasil Implementasi Implementasi
dijelaskan
Burung Kuau, Relung Paku, dan Rembulan.
masing-masing adalah
koordinat titik pojok kiri atas dan pojok kanan bawah
V.
telah
ada 5, yaitu motif dasar Kaligrafi, Raflesia,
(11) (𝑥𝐿 , 𝑦𝑇 )
yang
sebelumnya, bahwa motif dasar batik besurek
digunakan untuk operasi ini adalah : 𝒙′ = 𝒙 − 𝒙𝑳 untuk 𝒙 − 𝒙𝑳 sampai 𝒙𝑹 …………..
Seperti
Nilai recall motif relung paku tinggi dari
karena motif dasarnya paling jauh berbeda
implementasi antarmuka dan implementasi prosedur.
dari motif lainnya. Sedangkan nilai recall
Implementasi antarmuka bertujuan untuk mengetahui
motif rembulan rendah karena motif yang
apakah sistem yang dibangun sudah berjalan dengan
dimilikinya mempunyai kemiripan dengan
baik dan siap digunakan. Sedangkan implementasi
motif raflesia. Selain itu, rembulan tidak ada
prosedur
motif pasti atau terdapat banyak variasi,
merupakan
dilakukan
terdiri
implementasi
pada
pemrograman aplikasi yang menjadi inti dari aplikasi
sehingga
klasifikasi citra batik besurek berdasarkan ekstraksi
raflesia.
sering
terklasifikasi
ke
motif
fitur tekstur menggunakan jaringan syaraf tiruan Self Organizing Map (SOM). B. Hasil Uji Kelayakan Sistem
ejournal.unib.ac.id
2) Pengujian Menggunakan Citra yang Belum Pernah Dilatihkan ke Database
141
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
Pada penelitian ini digunakan 15 citra yang belum pernah dilatihkan ke sistem untuk tujuan pengujian. Pengujian ini dilakukan
database, terjadi 7 kesalahan klasifikasi dari 15 uji coba yang dilakukan. Jika dibandingkan dengan rata-rata selisih
sebanyak 15 kali dengan rincian 3 citra untuk
jarak
nilai
dalam
cluster,
diperoleh
masing-masing motif dasar batik besurek.
kesimpulan bahwa tidak bisa ditetapkan suatu
Dari hasil pengujian, diperoleh hasil sebagai
standar rata-rata selisih jarak dalam cluster
berikut :
untuk memisahkan antara satu motif citra
a. Nilai recall tertinggi diperoleh motif
dengan motif citra lainnya. Hal ini disebabkan
relung paku, yaitu 90.5% dan recall
oleh bobot yang digunakan algoritma Self
terendah diperoleh motif rembulan, yaitu
Organizing Map (SOM) selalu diinisialisasi
42.86%
secara acak pada setiap percobaan, sehingga
b. Nilai precision tertinggi diperoleh motif
berpengaruh pada distance atau jarak yang
rembulan, yaitu 51.9% dan precission
dihasilkan oleh algoritma Self Organizing
terendah diperoleh motif burung kuau,
Map (SOM). Dan lebih jauh lagi, hal ini
yaitu 13.2%
mengakibatkan jumlah cluster yang ada pada
c. MRR tertinggi diperoleh motif rembulan,
setiap percobaan dimungkinkan untuk berbeda
yaitu 83% dan MRR terendah diperoleh
jumlahnya, demikian pula terdapat variasi
motif relung paku, yaitu 19.5%
dalam cluster serta jarak antar cluster yang
d. Kinerja keseluruhan dari aplikasi, yaitu
selalu berubah-ubah pada setiap percobaan.
recall 51.07%, precision 32.57%, dan
Hal ini memberi dampak, sebagai contoh :
MRR 67.6%.
sebuah motif pada kondisi ideal seharusnya
Sama seperti hasil pengujian sebelumnya,
semuanya terletak pada 1 cluster yang sama
pada pengujian ini nilai recall dan precision
akan tetapi motif tertentu tersebut akibat
yang
terbalik
bobot yang acak mengakibatkan jarak terlalu
berdasarkan pengujian yang telah dilakukan.
jauh untuk digolongkan ke dalam 1 cluster,
Nilai recall motif relung paku tinggi karena
melainkan tersebar lebih dari 1 cluster dengan
motif dasarnya paling jauh berbeda dari motif
demikian standar rata-rata selisih jarak tidak
lainnya.
Sedangkan
rembulan
rendah
dihasilkan
berbanding
nilai
recall
motif
dapat ditetapkan dengan suatu nilai tertentu
karena
motif
yang
untuk memisahkan pola motif dasar dominan
dimilikinya mempunyai kemiripan dengan
1 dengan pola motif dasar dominan lainnya.
motif raflesia. Selain itu, rembulan tidak ada motif pasti atau terdapat banyak variasi, sehingga
sering
terklasifikasi
ke
motif
raflesia. Dari tabel di atas, dapat dilihat bahwa untuk citra yang belum pernah dilatihkan pada
142
3) Pengujian Menggunakan Citra Non-Batik Besurek Pada pengujian ini dilakukan 10 kali pengujian
menggunakan
citra
non-batik
ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
besurek.
Hasil
pengklasifikasian
Crossing
Number
Point
Minutiae
lalu
menghasilkan selisih jarak yang cukup kecil.
diproses oleh Self Organizing Map (SOM),
Tabel 3 di bawah ini adalah tabel hasil
jarak yang dihasilkan selalu mendekati suatu
pengujian
pola motif tertentu dari batik besurek.
menggunakan
citra
non-batik
besurek. 4) Pengujian Menggunakan Citra Batik Besurek
Tabel 3. Hasil Pengujian Menggunakan Citra
Gabungan
Non-Batik Besurek No
Nama Citra
1
BATIK_abimanyu.jpg
2
BATIK_ceplok.jpg
3
BATIK_kawung.jpg
4
BATIK_madura1.jpg
5
BATIK_madura2.jpg
6
BATIK_mendung.jpg
7
BATIK_papua2.jpg
8
BATIK_solo1.jpg
9
BATIK_solo2.jpg
10
BATIK_udanliris.jpg
Motif Dasar Dominan Raflesia Burung Kuau Burung Kuau Rembulan Burung Kuau Burung Kuau Raflesia Burung Kuau Burung Kuau Burung Kuau
Pada
RataRata Selisih Jarak 2,371.431
pengujian
ini
diharapkan
aplikasi dapat mengklasifikasikan citra uji batik besurek gabungan berdasarkan motif dasar yang dominan dari kedua motif yang
2,620.728
digabungkan menjadi satu. Hasil pengujian ini
494.614
menunjukkan bahwa 6 dari 10 pengujian
3,245.659
berhasil dilakukan oleh aplikasi, sehingga
2,279.724
diperoleh rasio keberhasilan sebesar 60%.
415.743
Berikut
3,398.595
ini
adalah
Tabel
Tabel 4. Hasil Pengujian Menggunakan Citra Batik Besurek Gabungan
1,352.013
Motif Dasar Dominan Burung Kuau Burung Kuau Burung Kuau Burung Kuau Burung Kuau Burung Kuau
Rata-Rata Selisih Jarak
Raf_Kalig4.jpg
Kaligrafi
2,559.784
8.
Raf_Kalig5.jpg
Raflesia
2,576.555
sistem kurang kuat untuk membentuk suatu
9.
Raf_Kalig6.jpg
Burung Kuau
2,370.899
cluster tersendiri terpisah dari beragam motif
10.
Raf_Kalig7.jpg
Kaligrafi
2,591.085
No
Nama Citra
1.
Kuau_Kalig.jpg
2.
Kuau-Kuau.jpg
3.
Kuau_Rembulan.j pg
4.
Raf_Kalig1.jpg
5.
Raf_Kalig2.jpg
6.
Raf_Kalig3.jpg
7.
Hasil percobaan pada Tabel 3 akan
jaraknya terpendek. Dalam hal ini, fakta yang ditemui adalah batik-batik non-batik besurek
menjadi sebuah cluster dominan pada jenis batik non-batik tertentu. Artinya motif-motif citra non-batik besurek yang dimasukkan ke
batik besurek. Rasionalisasi
dibalik
ketidakberhasilan
algoritma Self Organizing Map (SOM) dalam mengenali motif non batik besurek adalah
yang
batik besurek gabungan :
638.232
dari 10 kali pengujian tidak pernah ter-cluster
4
merupakan hasil pengujian menggunakan citra
936.199
menuju ke cluster dimana rata-rata selisih
agar
Kesimpulan
Total Benar
Klasifikasi Benar Klasifikasi Benar Klasifikasi Benar Klasifikasi Salah Klasifikasi Salah Klasifikasi Salah Klasifikasi Benar Klasifikasi Benar Klasifikasi Salah Klasifikasi Benar 6 Benar
Total Salah
4 Salah
1,373.811 489.933 821.395 2,726.33 1,684.119 2,585.424
Pada Tabel 4, citra yang diujikan merupakan gabungan dari 2 buah citra, sebagai contoh pada
disebabkan oleh karena dia ketika ditarik oleh
ejournal.unib.ac.id
143
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
percobaan pertama Tabel 4 citra uji gabungan dari
tiruan Self Organizing Map (SOM)
untuk 35
motif burung kuau dan motif kaligrafi dengan motif
citra “training” yang dijadikan sebagai citra uji
dasar dominan yang ditemukan pada cluster dengan
menghasilkan tingkat pencocokan temu kembali
selisih jarak terpendek menunjukkan motif dasar
100%.
dominan burung kuau, menghasilkan kesimpulan
3. Aplikasi pengklasifikasian batik besurek dengan
benar. Artinya pada Tabel 4 ini diberi asumsi jika
menerapkan Point Minutiae dan jaringan syaraf
salah satu atau kedua kombinasi gabungan citra uji
tiruan Self Organizing Map (SOM) untuk citra
dari citra uji gabungan terpanggil pada motif dasar
batik besurek yang belum pernah dilatihkan
dominan cluster pemenang (cluster dengan rata-rata
menghasilkan nilai rata-rata recall tertinggi oleh
selisih jarak terpendek), maka kesimpulannya adalah
motif relung paku 0.905, dan recall terendah
benar. Selain itu, akan diklasifikasikan sebagai salah.
diperoleh motif rembulan, yaitu 0.4286. Nilai rata-rata precision tertinggi diperoleh motif
VI.
KESIMPULAN
rembulan, yaitu 0.519 dan precision terendah
Berdasarkan implementasi dan hasil pengujian aplikasi yang telah dilakukan, maka peneliti dapat menyimpulkan bahwa :
batik besurek
yang dapat
digunakan sebagai aplikasi pengenalan, temu kembali citra dengan selisih jarak 0 untuk citra “training”, dan sekaligus sebagai klasifier dengan menggunakan Minutiae
dan
ekstraksi jaringan
fitur
tekstur
syaraf
tiruan
Point Self
Organizing Map (SOM) dengan baik. Hasil uji dengan
menggunakan
citra
non-“training”
memiliki nilai recall tertinggi mencapai 0.905 untuk citra batik besurek yang belum pernah diujikan, dan nilai precision tertinggi
0.528
untuk citra batik yang belum pernah dilatihkan, MRR 0.853 untuk citra yang belum pernah diujikan. Citra “training” yang dimaksud adalah 35 sampel citra yang terdiri dari 5 motif masing – masing 7 varian. 2. Aplikasi pengklasifikasian batik besurek dengan menerapkan Point Minutiae dan jaringan syaraf
144
MRR tertinggi diperoleh motif rembulan, yaitu 0.83 dan MRR terendah diperoleh motif relung
1. Penelitian ini telah menghasilkan sebuah aplikasi klasifikasi citra
diperoleh motif burung kuau, yaitu 0.132. Nilai
paku, yaitu 0.195. 4. Aplikasi pengklasifikasian batik besurek dengan menerapkan Point Minutiae dan jaringan syaraf tiruan Self Organizing Map (SOM) untuk citra non-batik besurek diperoleh nilai selisih jarak terpendek oleh citra Batik_mendung.jpg, yaitu 415.743 dan nilai selisih jarak terjauh diperoleh citra Batik_Madura1.jpg, yaitu 3,245.569. 5. Aplikasi pengklasifikasian batik besurek dengan menerapkan Point Minutiae dan jaringan syaraf tiruan Self Organizing Map (SOM) untuk citra gabungan diperoleh rasion keberhasilan 60% . 6. Tidak bisa ditetapkan suatu standar rata-rata selisih jarak dalam cluster untuk memisahkan antara satu motif citra dengan motif citra lainnya, untuk mengklasifikasikan citra batik besurek. Aplikasi pengklasifikasian batik besurek ini mampu melakukan klasifikasi motif dasar dominan batik dengan motif relung paku sebagai motif yang
ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755
memiliki tingkat relevansi tertinggi (rata-rata recall
seperti SVM atau bisa menggunakan model
0.905) dan motif rembulan sebagai motif dengan
bertingkat (cascaded model)
tingkat relevansi terendah (rata-rata recall 0.4286).
3. Untuk menaikkan persentase keberhasilan sistem
Motif relung paku memiliki nilai recall tertinggi,
pengklasifikasian
batik
besurek
ini,
bisa
karena motif dasarnya paling jauh berbeda dari motif
dilakukan dengan dengan memperbanyak sampel
lainnya. Sedangkan nilai recall motif rembulan
citra dengan instance yang sama, sehingga motif-
rendah karena motif yang dimilikinya mempunyai
motif sejenis tapi berbeda style akan terkelompok
kemiripan dengan motif batik besurek lainya, yaitu
dalam cluster walaupun tidak dalam cluster besar,
raflesia. Selain itu motif rembulan tidak memiliki
tetapi akan menjadi cluster-cluster yang mewakili
motif pasti atau terdapat banyak variasi, sehingga
setiap style.
sering terklasifikasi ke dalam motif raflesia. REFERENSI VII. Berdasarkan
SARAN
analisis
perancangan
aplikasi,
implementasi dan pengujian yang dilakukan, maka untuk pengembangan penelitian selanjutnya penulis menyarankan sebagai berikut: 1. Aplikasi klasifikasi citra batik besurek ini dapat diselidiki
lebih
jauh
dengan
menggunakan
topologi lain pada Self Organizing Map (SOM) seperti linear array, rectangular grid, atau hexagonal grid. Pada aplikasi ini peneliti mencoba menerapkan topologi randtop, karena persebaran pola titik pada citra batik besurek bersifat acak atau tidak beraturan, sehingga topologi yang sesuai adalah topologi randtop. 2. Aplikasi ini dapat terus dikembangkan lebih lanjut dalam hal metode yang digunakan, ke depannya diharapkan untuk dapat menggunakan metode selain Self Organizing Map (SOM) yang
[1] Asmadin, dkk. 2012. Pengelompokan Habitat Dasar Perairan Dangkal Berbasis Data Satelit Quickbird Menggunakan Algoritma Self Organizing Map. Jurnal Aquasains, Tahun 2012, Vol 1, No.1, Halaman 9-16. [2] Karimah, Fatin U. 2014. Skripsi Rancang Bangun Aplikasi Pencarian Citra Batik Besurek Berbasis Tekstur Dengan Metode Gray Level Coocurrence Matrix dan Euclidean Distance. Bengkulu : Fakultas Teknik Program Studi Teknik Informatika Universitas Bengkulu. [3] Larose, D. 2004. Discovering Knowledge in Data: An Introduction to Data mining. USA: John Wiley & Sons Inc. [4] Niam, Bahrun., Hadiyatno, Ahmad., Isnanto, Rizal., 2010. Analisis Deteksi Tepi Citra Berdasarkan Perbaikan Kualitas Citra. Jurnal Undergraduated Thesis. Surabaya : Institut Teknik Surabaya. [5] Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta: Andi. [6] Silalahi, U. 2012. Metode Penelitian Sosial. Bandung: PT. Refika Aditama. [7]Wahyu, H. 2013. Perancangan Sistem Perangkat Lunak Untuk Mengklasifikasikan Motif Menggunakan Metode Klasifikasi K-Nearest Neighbour (KNN). [8]Wahyumianto, Arga., Purnama, I.K.E., Christyowidiasmoro. 2012. Identifikasi Tumbuhan Berdasarkan Minutiae Tulang Daun Menggunakan SOM Kohonen. Jurnal Undergraduated Thesis Electrical Engineering, Tahun 2012. [9]Yulianto, R., Suprapto, Y.K., Hariadi, M. 2010. Identifikasi Pola Batik Parang Dengan ALgoritma Point Minutiae Menggunakan Metode K-Means Clustering. Jurnal Java Journal, Tahun 2010, Vol 8, No.2.
merupakan metode unsupervised learning karena hasil dari metode ini kurang memuaskan. Untuk itu dapat digunakan metode supervised learning
ejournal.unib.ac.id
145
