-
i
PENGENALAN MOTIF BATIK YOGYAKARTA
DENGAN METODE LINEAR DISCRIMINANT ANALYSIS (LDA)
(STUDI KASUS DI MUSEUM BATIK YOGYAKARTA)
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Informatika
Oleh:
Agatha Widyastuti
NIM: 065314010
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERISTAS SANATA DHARMA
YOGYAKARTA
2010
-
ii
MOTIF BATIK OF YOGYAKARTA RECOGNITION
USING LINEAR DISCRIMINANT ANALYSIS (LDA) METHOD
(CASE STUDY IN THE MUSEUM BATIK YOGYAKARTA)
A Thesis
Presented as Partial Fullfillment of the Requirements
To Obtain the Sarjana Teknik Degree
In Department of Informatics Engineering
By:
Agatha Widyastuti
Student ID: 065314010
INFORMATICS ENGINEERING STUDY PROGRAM
INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2010
-
iii
-
iv
-
v
HALAMAN PERSEMBAHAN
“APA PUN JUGA YANG KAMU PERBUAT,
PERBUATLAH DENGAN SEGENAP HATIMU
SEPERTI UNTUK TUHAN
DAN BUKAN UNTUK MANUSIA”
(KOLOSE 3: 23)
“Apabila Ia membuka, tidak ada yang dapat menutup,
apabila Ia menutup, tidak ada yang dapat membuka.
Aku tahu segala pekerjaanmu: lihatlah, Aku telah membuka pintu
bagimu, yang tidak
dapat ditutup oleh seorang pun.”
(Wahyu 3 : 7-8)
TIADA YANG MUSTAHIL DALAM NAMA-NYA,
DIA SELALU PUNYA CARA UNTUK MENOLONG…
Skripsi ini saya persembahkan untuk:
Yesus Kristus Penolongku Sahabatku,
Kedua orang tuaku tercinta,
Sahabat-sahabatku,
Kekasihku tercinta…
Terima kasih untuk karunia, kesempatan,
senyuman, perhatian, motivasi dan segalanya …
-
vi
-
vii
-
viii
Abstrak
Batik memiliki keanekaragaman motif yang khas. Sebagian besar
masyarakat
mengetahui sedikit tentang batik, salah satunya adalah mengenal
jenis motif batik.
Dalam tugas akhir ini, penulis akan membahas dan mengatasi
masalah tersebut
dengan menggunakan metode Linear Discriminant Analysis karena
memiliki daya
pembeda yang lebih besar.
Linear Discriminant Analysis merupakan teknik statistik
multivariate yang
terkait dengan pemisahan atau klasifikasi sekelompok obyek ke
dalam kelompok
yang telah terlebih dahulu didefinisikan. Dalam tujuan
pengenalan obyek, metode ini
mencoba menemukan suatu fungsi diskriminan yang nilainya mampu
memisahkan
obyek yang karakteristiknya telah diketahui.
Terdapat 20 jenis motif batik Yogyakarta yang ingin dikenali dan
masing-
masing motif ada 25 sampel motif batik. Keseluruhan motif batik
Yogyakarta yang
dipakai sebagai data uji diambil menggunakan camera digital
pocket Fujifilm tipe
FinePixJ20 10MP dengan ukuran data motif batik hasil crop
200x200 piksel.
Pengenalan motif batik Yogyakarta menggunakan fase pelatihan dan
fase
pengujian. Proses pelatihan dilakukan untuk membuat satu model
dari setiap motif
dari 25 sampel motif batik dengan membentuk fungsi diskriminan.
Fungsi
diskriminan diperoleh dengan menghitung mean dari setiap
kelompok dan mean dari
keseluruhan kelompok, menghitung matriks covariance, membentuk
pooled within
group covariance matrix, dan menghitung probabilitas vektor.
Proses pengujian dilakukan dengan menguji fungsi diskriminan
yang
terbentuk dengan 100 data motif batik untuk mendapatkan angka
kemiripan terbesar.
Kemudian, data hasil pengujian dievaluasi menggunakan metode
5-fold cross
validation untuk mendapatkan nilai prosentase akurasi dari 500
data motif.
Pengujian 6 bentuk pengolahan feature yaitu rata-rata
keseluruhan edge, rata-
rata edge horizontal, rata-rata edge vertikal, gabungan
rata-rata keseluruhan edge
dengan rata-rata edge horizontal dan vertikal, gabungan
rata-rata edge horizontal dan
vertikal, dan gabungan warna dengan rata-rata keseluruhan edge
dan rata-rata edge
vertikal dan horizontal, ditujukan untuk mendapatkan nilai
akurasi yang baik. Dari
pengujian menggunakan feature tersebut, didapati feature terbaik
dalam pengenalan
motif batik Yogyakarta dengan metode LDA yaitu feature rata-rata
edge horizontal
dengan akurasi sebesar 36.4%. Dari data tersebut dapat
disimpulkan bahwa
pengenalan motif batik Yogyakarta dengan metode Linear
Discriminant Analysis
menggunakan feature-feature di atas relatif kurang baik.
-
ix
Abstract
Batik has a unique diversity of motifs. Most people know little
about batik,
one of which is known types of batik motifs. In this thesis, the
author will discuss and
resolve the issue using Linear Discriminant Analysis because of
its distinguishing
features is greater.
Linear Discriminant Analysis is a multivariate statistical
technique associated
with the separation or classification of a group of objects into
groups that previously
defined. The purpose of object recognition, this method tries to
find a discriminant
function capable of separating an object whose value is already
known
characteristics.
There are 20 types of Batik Yogyakarta motifs that wants to be
recognized
and each motif there are 25 samples of batik motifs. Entire
Yogyakarta batik used as
test data was taken using a digital camera Fujifilm type
FinePixJ20 10MP pockets
with batik data size 200x200 pixel crop results.
Introduction of Batik Yogyakarta motifs using the training phase
and testing
phase. Training process is used to make one model of each motif
from the 25 samples
of batik motifs by forming the discriminant function.
Discriminant function is
obtained by calculating the mean of each group and the mean of
the whole group,
calculate the covariance matrix, forming the pooled within group
covariance matrix,
and calculate the probability vector.
Testing process is conducted by examining the discriminant
function is
formed by 100 data batik to get the largest number of
similarities. Then, data test
results are evaluated using five-fold cross validation to obtain
the value of the
percentage of occurrence of 500 data patterns.
Testing six forms processing features are average overall edge,
the average
horizontal edge, vertical edge on average, the combined average
overall edge to the
average horizontal and vertical edges, the combined average of
horizontal and
vertical edges, and the combined color with the overall average
and the average edge
vertical and horizontal edge, intended to get the value of good
accuracy. Of testing
using these features, the best features found in the
introduction to batik of Yogyakarta
with LDA method is the average feature a horizontal edge with an
accuracy of 36.4%.
From these data it can be concluded that the introduction of
Batik Yogyakarta with
Linear Discriminant Analysis method using features above
relatively less well.
-
x
Kata Pengantar
Puji syukur kepada Yesus Kristus Sahabat dan Penolongku yang
telah
memberikan karunia dan kesempatan, sehingga penulis dapat
menyelesaikan skripsi
dengan judul “Pengenalan Motif Batik Yogyakarta dengan Metode
Linear
Discriminant Analysis (Studi Kasus di Museum Batik
Yogyakarta)”.
Terima kasih yang sebesar-besarnya kepada semua pihak yang turut
member
dukungan, semangat dan bantuan hingga selesainya skripsi
ini:
1. Bapak Yosef Agung Cahyanta, S.T., M.T., selaku Dekan Fakultas
Sains dan
Teknologi Universitas Sanata Dharma.
2. Ibu A. Rita Widiarti, S.Si, M.Kom selaku dosen pembimbing
atas kesabaran,
bimbingan, waktu dan saran yang diberikan.
3. Bapak Dr. Ir. Linggo Sumarno, M.T. dan Bapak Ir. Ig. Aris
Dwiatmoko,
M.Sc. sebagai dosen penguji atas saran dan kritikan yang
diberikan.
4. Romo Drs. C. Kuntoro Adi SJ, M.A, M.S., Ph.D yang telah
menjadi
pembimbing dan teman diskusi yang sangat inspiratif.
5. Laboran Komputer dan Staff Sekretariat Fakultas Sains dan
Teknologi atas
bantuan kepada penulis ketika melaksanakan ujian akhir.
6. Kedua orang tuaku yang tercinta, bapak Richardus Taryono dan
ibu
Bernadetta Retno Palupi untuk doa, dukungan, perhatian, dan
pengertian yang
sepenuhnya.
-
xi
7. Kakak dan adikku tersayang, Bernardus Hery Krisno Nugroho dan
Ignatia
Yulistyowati untuk dukungan dan canda tawa yang menjadi
penyemangat.
8. Kekasihku tercinta Hieronymus Dimas Febrianto untuk senyuman,
doa,
semangat, saran dan kritik, perhatian, dan pengertian yang
diberikan.
9. Galang Anugerah, S.T yang telah membimbing dan membantu
tentang
pemahaman metode Linear Discriminant Analysis.
10. Aprina Sulistia Melantika, Paulina Indah Tiarani, Agnes
Retnaningsih, Bagas
Pradipta, A. Cahyo Ridho, Andreas Hermawan, selaku teman yang
berjuang
bersama dalam skripsi.
11. Seluruh civitas akademika Teknik Informatika angakatan 2006
dan pihak-
pihak lain yang telah berjuang bersama dari awal masa
perkuliahan, proses
belajar, masa penulisan tugas akhir hingga saat wisuda tiba.
Terima kasih atas
sejuta inspirasi berharga.
Penulis menyadari bahwa masih banyak kekurangan yang terdapat
pada
penulisan tugas akhir ini. Saran dan kritik saya harapkan untuk
perbaikan pada masa
yang akan datang. Semoga bermanfaat.
Yogyakarta, 20 September 2010
Penulis
-
xii
DAFTAR ISI
HALAMAN JUDUL BAHASA INDONESIA
............................................................ i
HALAMAN JUDUL BAHASA INGGRIS
.......................................................................
ii
HALAMAN PERSETUJUAN
...........................................................................................
iii
HALAMAN PENGESAHAN
.............................................................................................
iv
HALAMAN PERSEMBAHAN
.........................................................................................
v
HALAMAN PERNYATAAN KEASLIAN KARYA
....................................................... vi
HALAMAN PERSETUJUAN PUBLIKASI
....................................................................
vii
ABSTRAK
...........................................................................................................................
viii
ABSTRACT
.........................................................................................................................
ix
KATA PENGANTAR
.........................................................................................................
x
DAFTAR ISI
.......................................................................................................................
xii
DAFTAR GAMBAR
...........................................................................................................
xv
DAFTAR TABEL
...............................................................................................................
xvii
BAB I PENDAHULUAN
....................................................................................................
1
1.1. Latar
Belakang............................................................................................
1
1.2. Rumusan Masalah
......................................................................................
2
1.3. Tujuan
.........................................................................................................
2
1.4. Batasan Masalah
.........................................................................................
2
1.5. Metodologi Penelitian
................................................................................
3
1.6. Sistematika Penulisan
.................................................................................
4
BAB II LANDASAN TEORI
.............................................................................................
5
2.1. Pengertian Batik
.........................................................................................
5
2.2. Pengenalan
Pola..........................................................................................
7
2.2.1. Deteksi Tepi Canny
..........................................................................
9
2.2.2. Ekstraksi Feature
.............................................................................
12
2.2.3. Proses Training
................................................................................
13
2.2.4. Proses Testing
..................................................................................
14
-
xiii
2.2.5. Metode Linear Discriminant Analysis (LDA)
................................. 14
2.2.5.1. Algoritma Pemodelan Linear Discriminant
Analysis......... 15
2.2.6. Metode Evaluasi 5-Fold Cross Validation
...................................... 22
2.3. Matriks Data Multivariat
............................................................................
26
2.4. Matlab
.........................................................................................................
27
BAB III ALGORITMA DAN PERANCANGAN SISTEM
............................................ 28
3.1. Pengambilan Data Batik Yogyakarta
......................................................... 28
3.2. Perancangan Sistem Secara Umum
............................................................ 29
3.3. Algoritma yang Digunakan
........................................................................
33
3.3.1. Algoritma Penyimpanan Informasi Rata-Rata Edge
........................ 33
3.3.2. Algoritma Perhitungan Metode Linear Discriminant Analysis
....... 39
3.3.3. Algoritma Metode Evaluasi 5-Fold Cross Validation
..................... 40
3.3.4. Algoritma Proses Training
...............................................................
41
3.3.5. Algoritma Proses Testing
.................................................................
41
3.3.6. Algoritma Fase Pengenalan Motif Batik
.......................................... 42
3.3.7. Algoritma Fase Pengujian Akurasi
.................................................. 42
3.4. Perancangan Fase Training
........................................................................
42
3.4.1. Ekstraksi Feature
.............................................................................
43
3.4.2. Pengolahan Feature
.........................................................................
47
3.4.3. Training
............................................................................................
47
3.5. Perancangan Fase Pengenalan (Testing)
.................................................... 48
3.5.1. Ekstraksi Feature
.............................................................................
48
3.5.2. Pengolahan Feature
.........................................................................
48
3.5.3. Pencocokan Kemiripan
....................................................................
48
3.6. Perancangan Proses Evaluasi
.....................................................................
49
3.7 Perancangan Antar Muka
............................................................................
52
3.7.1. Halaman Home
................................................................................
52
3.7.2. Halaman Pengenalan Motif Batik Yogyakarta
................................ 53
-
xiv
3.7.3. Halaman Pengujian LDA
.................................................................
54
3.7.4. Halaman Konsep Linear Discriminant Analysis
.............................. 54
3.7.5. Halaman Identitas Program (About)
................................................ 55
3.7.6. Halaman Bantuan (Help)
.................................................................
55
BAB IV IMPLEMENTASI DAN ANALISA SISTEM
................................................... 57
4.1. Implementasi Antar Muka yang Digunakan pada Sistem
.......................... 57
4.1.1. Halaman Utama
...............................................................................
57
4.1.2. Halaman Pengenalan Motif Batik Yogyakarta
................................ 60
4.1.3. Halaman Pengujian Linear Discriminant Analysis
.......................... 62
4.1.4. Halaman Konsep Metode
.................................................................
63
4.1.5. Halaman About
.................................................................................
66
4.1.6. Halaman Bantuan (Help)
.................................................................
66
4.2. Hasil Penelitian
...........................................................................................
67
BAB V KESIMPULAN DAN SARAN
..............................................................................
76
5.1. Kesimpulan
.................................................................................................
76
5.2. Saran
...........................................................................................................
78
DAFTAR PUSTAKA
..........................................................................................................
80
LAMPIRAN 1 CODING PROGRAM
..............................................................................
82
LAMPIRAN 2 DATA PENELITIAN
..............................................................................
123
-
xv
DAFTAR GAMBAR
Gambar2.1. Beberapa motif Batik Yogyakarta (Sumber: Museum Batik
Yogyakarta) ....... 6
Gambar2.2. Blok diagram pengenalan motif batik
..................................................... 9
Gambar2.3. Motif batik dikenakan deteksi tepi Canny
.............................................. 11
Gambar2.4. Hasil perhitungan fungsi diskriminan
..................................................... 22
Gambar2.5. Gambaran metode evaluasi 5-Fold Cross Validation
............................. 26
Gambar2.6. Matriks data multivariat
..........................................................................
27
Gambar3.1. Alur fase pengenalan motif batik Yogyakarta Secara
Umum ................. 30
Gambar3.2. Blok diagram sistem
................................................................................
30
Gambar3.3. Rata-rata keseluruhan edge
.....................................................................
45
Gambar3.4. Matriks persegi 8x8
.................................................................................
46
Gambar3.5. Contoh pengelompokanmotif batik untuk proses evaluasi
..................... 49
Gambar3.6. Rancangan halaman Home
.....................................................................
52
Gambar3.7. Rancangan halaman pengenalan motif batik Yogyakarta
....................... 53
Gambar3.8. Rancangan halaman pengujian LDA
...................................................... 54
Gambar3.9. Rancangan halaman konsep LDA
........................................................... 54
Gambar3.10. Rancangan halaman identitas program
(about)..................................... 55
Gambar3.11. Rancangan halaman bantuan (help)
...................................................... 55
Gambar4.1. Halaman utama sistem pengenalan motif batik
Yogyakarta ................... 59
Gambar4.2. Halaman fase pengenalan motif batik Yogyakarta
................................. 60
Gambar4.3. Kotak file selector untuk mengambil gambar
......................................... 60
Gambar4.4. Peringatan tidak ada file yang
dipilih......................................................
61
Gambar4.5. Halaman fase pegujian Linear Discriminant Analysis
............................ 62
Gambar4.6. Halaman penjelasan konsep metode LDA
.............................................. 64
Gambar4.7. Halaman penjelasan konsep metode 5-Fold Cross
Validation ............... 65
Gambar4.8. Bagan metode 5-Fold Cross Validation
.................................................. 65
Gambar4.9. Halaman About
........................................................................................
66
-
xvi
Gambar4.10. Halaman bantuan fase pengenalan motif batik
Yogyakarta .................. 67
Gambar4.11. Halaman bantuan fase pengujian motif batik
Yogyakarta .................... 67
-
xvii
DAFTAR TABEL
Tabel2.1. Data chip rings
..........................................................................................
18
Tabel2.2. Data set chip ring
......................................................................................
18
Tabel3.1. Contoh tabel confusion matriks
................................................................
50
Tabel5.1. Rangkuman hasil percobaan
.....................................................................
76
-
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Indonesia terkenal dengan keanekaragaman budaya mulai dari suku,
tari
daerah, pakaian adat, lagu daerah, dan adat istiadat. Salah satu
budaya yang dimiliki
oleh negara kita adalah batik. Batik merupakan warisan budaya
Indonesia yang
memiliki keanekaragaman motif.
Dahulu batik hanya dikenakan oleh kalangan raja, kerabat dan
pekerjanya,
selain itu digunakan juga pada acara ritual budaya Jawa. Seiring
dengan
perkembangan zaman batik telah menjadi kebutuhan sekunder.
Banyak masyarakat
yang menggunakan batik dalam kesehariannya. Perancang desain
busana pun
menjadikan batik sebagai sumber inspirasi untuk membuat model
busana modern.
Sebagian besar masyarakat bangga menggunakan batik, tetapi
sedikit yang
mengenal motif-motif batik. Untuk mengatasi permasalahan
tersebut sebenarnya
terdapat banyak metode, salah satunya adalah metode Linear
Discrimant Analysis.
Metode ini akan menjadi alat bantu untuk pengenalan motif batik.
Penulis
menggunakan metode ini karena memiliki daya pembeda yang akurat
dan lebih besar
dari metode Principal Components Analysis (PCA) (Resmana Lim,
2002).
-
2
1.2. Rumusan Masalah
Rumusan masalah tugas akhir ini berdasarkan latar belakang di
atas adalah
“Bagaimana secara otomatis mengenal motif batik Yogyakarta
dengan
mempergunakan metode Linear Discriminant Analysis (LDA)?”
1.3. Tujuan
Tujuan dari tugas akhir ini adalah untuk mengenali motif batik
Yogyakarta dan
menganalisa serta mengetahui kelebihan dan kekurangan metode
Linear Discriminant
Analysis dalam menangani data citra motif batik Yogyakarta.
1.4. Batasan Masalah
Adapun batasan masalah dalam tugas akhir ini, yaitu:
1. Penelitian hanya pada batik Yogyakarta. Penulis hanya
menggunakan 20
motif batik Yogyakarta, yaitu Ceplok Kece, Kawung Galar,
Nitik
Cengkeh, Parang Barong, Parang Pancing, Parisewuli Seling
Pamor,
Truntum, Tambal, Parang Tuding, Parang Keris, Parang Kusumo
Ukel,
Parang Curigo, Parang Klitik, Parang Kembang Sawut Cecek,
Ceplok
Dempel, Kawung Kembang Cempoko Hitam, Kawung Picis, Lereng
Kusuma, Parang Kawung Picis, Parang Kunci.
2. Metode yang digunakan untuk pengenalan motif batik Yogyakarta
adalah
Linear Discriminant Analysis.
-
3
3. Pembuatan program hanya sebuah prototipe untuk membantu
analisa
algoritma Linear Discriminant Analysis dalam menangani pola
batik
Yogyakarta.
4. Pada tugas akhir ini sampel motif batik Yogyakarta yang
digunakan
berdasarkan:
a. Ukuran citra motif batik Yogyakarta 200 x 200 piksel dengan
format
data .jpg.
b. Data batik diambil menggunakan camera digital pocket Fujifilm
tipe
FinePixJ20 dengan 10MP.
c. Jarak pengambilan gambar dengan kain batik sekitar 30 cm.
d. Data batik yang didapat dan akan digunakan dalam tugas akhir
ini
terlebih dahulu di-crop untuk menghilangkan sinar blitz
serta
mengambil bagian pola (motif) batik yang merupakan ciri dari
motif
tersebut. Kemudian ukuran data motif batik hasil crop diubah
menjadi
200 x 200 piksel.
5. Proses ekstraksi feature berdasarkan warna dan edge
information.
1.5. Metodologi Penelitian
a. Survei dengan langsung mendatangi Museum Batik Yogyakarta
untuk
mendapatkan data motif batik.
b. Studi literatur dilakukan dengan mempelajari materi dan
artikel tentang
metode Linear Discriminant Analysis.
-
4
c. Wawancara dengan pakar budaya Museum Batik Yogyakarta.
d. Tahap implementasi yang meliputi pembuatan alat bantu berupa
suatu
perangkat lunak untuk pengenalan motif batik.
e. Tahap analisa dari data hasil percobaan.
1.6. Sistematika Penulisan
BAB I PENDAHULUAN
Berisi latar belakang, rumusan masalah, tujuan, batasan
masalah,
metodologi penelitian, dan sistematika penulisan.
BAB II LANDASAN TEORI
Berisi landasan teori yang dipakai untuk pembahasan tugas
akhir.
BAB III PERANCANGAN SISTEM
Berisi gambaran umum mengenai perancangan sistem yang akan
dibangun, yaitu sebuah perangkat lunak yang dapat mengenali
motif batik
Yogyakarta dan menerjemahkannya ke dalam sebuah informasi.
BAB IV IMPLEMENTASI DAN ANALISA ALGORITMA
Berisi implementasi sistem dan membahas mengenai analisis
algoritma-
algoritma dalam metode Linear Discriminant Analysis (LDA).
BAB V KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran yang diperoleh dari
keseluruhan
proses pembuatan tugas akhir ini, serta beberapa saran untuk
pengembangan sistem lebih lanjut.
-
28
BAB II
LANDASAN TEORI
2.1. Pengertian Batik
Batik berasal dari Bahasa Jawa ambatik dari kata “ba” dan “tik”,
masing-
masing mempunyai padanan kata “bud” dan “am” yang artinya
“a-mba-tik” dengan
arti kata membentuk titik (nitik), “tik” berarti kecil. Jadi,
batik berarti menulis atau
menggambar atau membuat titik (tulis).
Bunyi am berasal dari kata “ha” pada huruf Jawa merupakan kata
imbuhan
pada suatu kata, contoh:
“ha” + batik ambatik artinya membuat batik
“ha” + babar ambabar artinya membuat babar (membersihkan
atau
mencuci)
“ha” + serat amserat artinya membuat serat.
Batik merupakan seni karya tulis yang mempunyai arti tersendiri
dan mampu
mengungkapkan rasa perasaan indah (setelah melihat atau
menangkap) maknanya.
Batik tulis juga mampu mengangkat status sosial seseorang
seperti kewibawaan,
kepangkatan, derajat, dan asal usul. Batik juga memiliki nilai
ganda yaitu seni, sosial,
dan ekonomi.
Batik merupakan karya seni pada kain dengan perintang warna
yang
menggunakan malam (lilin). Batik juga merupakan lukisan atau
gambar pada mori
5
-
6
yang dikerjakan dengan alat canting, dan disebut membatik
(Konsensus Nasional,
1996). Beberapa motif batik tulis Yogyakarta sebagai
berikut:
Ceplok Kece
Kawung Galar
Nitik Cengkeh
Parang Barong
Parang Pancing
Parisewuli Seling Pamor
Truntum
Tambal
Parang Tuding
Parang Keris
Parang Kusumo Ukel
Parang Curigo
Gambar 2.1. Beberapa motif batik Yogyakarta (Sumber: Museum
Batik Yogyakarta)
-
7
Parang Klitik
Parang Kembang Sawut
Cecek
Ceplok Dempel
Kawung Kembang
Cempoko Hitam
Kawung Picis
Lereng Kusuma
Parang Kawung
Picis
Parang Kunci
Gambar 2.1. (Lanjutan)
2.2. Pengenalan Pola
Pola merupakan kumpulan akan sesuatu (instances) yang memiliki
kemiripan
dan keteraturan, ada perulangan, dapat diobservasi baik secara
per bagian ataupun
seluruhnya. Ketika sebuah mesin mengenali pola, maka akan
memindai pola tersebut
dengan sensor dengan kehadiran derau (noise) dan distorsi pada
citra pola itu.
Pengenalan pola adalah suatu disiplin ilmu yang mempelajari
cara-cara
mengklasifikasikan obyek ke beberapa kelas atau kategori dan
mengenali
kecenderungan data. Tergantung pada aplikasinya, obyek-obyek ini
bisa berupa
-
8
pasien, mahasiswa, pemohon kredit, citra atau sinyal atau
pengukuran lain yang perlu
diklasifikasikan atau dicari fungsi regresinya. Biasanya subyek
ini disebut dengan
pengenalan pola atau pattern recognition.
Langkah-langkah pengenalan motif batik secara umum adalah
sebagai berikut:
1. Data masukan berupa citra .jpg disiapkan. Citra ini masih
berisi kumpulan
piksel yang memiliki data warna RGB (Red – Green – Blue).
2. Ekstraksi feature merupakan langkah pemilihan ciri yang ingin
diidentifikasi
dari citra batik yang telah dikenai proses pre-processing.
3. Tahap klasifikasi citra merupakan tahap utama dalam
pengenalan pola.
Klasifikasi ini bisa berdasarkan unsupervised maupun supervised
learning.
Unsupervised learning berarti kategori tercipta dengan
sendirinya sesuai
dengan feature yang ditangkap, sedangkan supervised learning
berarti sudah
ada batas-batas pengetahuan untuk menentukan kelas dari obyek
yang
ditangkap. Pada tahap ini, feature dibandingkan kemiripannya
dengan model
yang sudah diketahui oleh mesin.
4. Tahap terakhir yaitu mendapatkan output berupa pengenalan
motif batik,
sehingga keputusan dapat diambil dari hasil pengenalan ini.
-
9
Gambar 2.2. Blok diagram pengenalan motif batik
2.2.1 Deteksi Tepi dengan Metode Canny
Tepi (edge) merupakan perubahan intensitas derajat keabuan
yang
besar dalam jarak yang singkat. Tepi mencirikan batas-batas
objek sehingga
berguna untuk proses segementasi dan identifikasi dalam citra.
Tujuan
pendeteksian tepi adalah untuk meningkatkan penampakan garis
batas suatu
daerah atau objek di dalam citra.
Metode Canny merupakan salah satu algoritma deteksi tepi.
Metode
Canny akan mendeteksi tepi dengan mencari nilai gradien maksimal
lokal dari
sebuah citra. Gradien tersebut dihitung menggunakan turunan dari
Gaussian
filter. Metode Canny menggunakan dua thresholds yang berguna
untuk
mendeteksi tepian yang terlihat jelas dan tepian yang kurang
jelas atau lemah,
termasuk juga tepian yang kurang jelas terlihat pada output yang
terhubung
dengan tepian yang jelas. Thresholding digunakan untuk mengatur
jumlah
pengenalan/klasifikasi
output
mode
ekstraksi feature
Data citra .jpg
-
10
derajat keabuan yang ada pada citra. Metode Canny lebih utama
akan
mendeteksi tepian yang kurang jelas, yang tidak dapat diperoleh
dengan
menggunakan metode lain. Ada beberapa kriteria penteksian tepian
paling
optimum yang dapat dipenuhi oleh algoritma Canny:
a. Mendeteksi dengan baik (kriteria deteksi)
Kemampuan untuk meletakkan dan menandai semua tepi yang ada
sesuai
dengan pemilihan parameter-parameter konvolusi yang
dilakukan.
Sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam
hal
menentukan tingkat deteksi ketebalan tepi sesuai yang
diinginkan.
b. Melokalisasi dengan baik (kriteria lokalisasi)
Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara
tepi
yang dideteksi dengan tepi yang asli.
c. Respon yang jelas (kriteria respon)
Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi
dan
tidak menimbulkan kerancuan pada pengolahan citra
selanjutnya.
Penulis menerapkan metode Canny untuk citra motif batik yaitu
dengan
menggunakan fungsi yang disediakan dalam Matlab. Sebagai
contoh,
motif batik Truntum dikenakan metode Canny menggunakan
fungsi
Matlab, yaitu:
batik = imread ('truntum_21.jpg'); % mengambil/membaca motif
gray=rgb2gray(batik); % mengubah RGB menjadi gray
motif=edge(gray,'canny'); % dikenakan fungsi metode Canny
imshow(motif) % menampilkan hasil deteksi tepi
-
11
Hasil citra motif batik Yogyakarta yang dikenakan metode Canny
sebagai
berikut:
Ceplok Kece
Kawung Galar
Nitik Cengkeh
Parang Barong
Parang Pancing
Parisewuli Seling Pamor
Truntum
Tambal
Parang Tuding
Parang Keris
Parang Kusumo Ukel
Parang Curigo
Gambar2.3. Motif batik dikenakan deteksi tepi Canny
-
12
Parang Klitik
Parang Kembang Sawut
Cecek
Ceplok Dempel
Kawung Kembang
Cempoko Hitam
Kawung Picis
Lereng Kusuma
Parang Kawung Picis
Parang Kunci
Gambar2.3. (Lanjutan)
2.2.2. Ekstraksi Feature
Feature merupakan suatu hal yang digunakan untuk menjadi
model
dalam Linear Discriminant Analysis yang kemudian diekstrak
cirinya untuk
diolah dalam perhitungan training maupun testing.
Ekstraksi ciri berfungsi untuk menajamkan perbedaan-perbedaan
pola
(motif) sehingga akan sangat memudahkan dalam pemisahan antar
kelas pada
proses klasifikasi. Ekstraksi ciri merupakan tahap yang sangat
penting dan
sulit dalam teknik klasifikasi pola, bahkan seringkali tingkat
keberhasilan dari
sistem pengenalan pola selalu dikaitkan dengan metode ekstraksi
ciri yang
digunakan.
-
13
Ekstraksi yang dapat dilakukan ialah dengan mengolah
informasi
piksel secara diskret. Pengolahan diskret dapat dilakukan dengan
membagi
suatu motif batik ke dalam zona yang memiliki ukuran yang
sama
(Theeramunkong, Wongtapan, Sinthupinyo, 2004). Kemudian,
informasi
piksel dari tiap zona digunakan untuk data input dalam membentuk
model.
Tidak ada ukuran yang menentukan untuk perhitungan feature,
oleh
karena itu penulis mencoba menggunakan feature warna yang
terdiri dari
RGB (Red-Green-Blue), dan edge information dengan ukuran 200x200
piksel.
Warna dijadikan feature dalam pengenalan motif batik karena
motif
batik Yogyakarta dapat dibedakan dalam warnanya, warna yang
berbeda
dengan bentuk motif yang sama maka nama motif batik pun
berbeda.
Feature edge information (deteksi tepi) juga merupakan unsur
penting
dalam pengenalan motif batik Yogyakarta ini. Edge information
berguna
untuk mendeteksi bagian tepi dari motif batik Yogyakarta. Dengan
adanya
bagian tepi motif batik maka motif batik pun dapat diketahui.
Dalam hal ini
sebelum dikenakan proses edge information, citra dikenakan
proses deteksi
tepi dengan menggunakan metode canny, karena pembentukan deteksi
tepi
lebih terlihat jelas.
2.2.3. Proses Training
Proses training merupakan proses klasifikasi atau pembentukan
model
motif batik. Pada proses ini dari 500 data motif batik yang
digunakan,
sebanyak 400 data digunakan untuk training. Proses training
menggunakan
-
14
metode Linear Discriminant Analysis, yaitu membentuk dengan
membentuk
fungsi diskriminan.
2.2.4. Proses Testing
Proses testing merupakan proses pencocokan kemiripan dan
pengenalan motif batik Yogyakarta. Data test akan dimasukkan
pada fungsi
diskriminan yang terbentuk pada proses training. Pada proses ini
data citra
motif batik yang digunakan sebanyak 100 dari 500 data citra
motif batik.
2.2.5. Metode Linear Discriminant Analysis (LDA)
Banyak metode yang dapat digunakan untuk klasifikasi
pengenalan
pola. Salah satu teknik yang sangat populer dan cukup sederhana
untuk
menyelesaikan masalah klasifikasi adalah analisis diskriminan
linear (Linear
Discriminant Analysis), selanjutnya disebut dengan LDA. LDA
termasuk
dalam kategori supervised learning, karena dalam pemakaian LDA
ada
tahapan training untuk menemukan parameter model yang
diperlukan.
Selanjutnya model yang diperoleh digunakan untuk melakukan
prediksi bila
ada data baru dan harus dilakukan pengelompokan.
Metode LDA memaksimalkan diskriminasi antar kelas dan
meminimalkan persebaran dalam kelas. Metode ini memiliki
kegunaan untuk
mengklasifikasikan obyek ke dalam dua grup atau lebih.
Analisis diskriminan berguna ketika ingin membentuk sebuah
model
prediktif dari beberapa kelompok (group) berdasarkan pada
karakteristik
masing-masing kasus. Prosedur pembentukan fungsi diskriminan
(pada lebih
-
15
dari dua kelompok, serangkaian set dari fungsi diskriminan)
berdasarkan pada
kombinasi linear dari variabel-variabel prediktor yang
memberikan pembeda
terbaik dari kelompok-kelompok tersebut. Fungsi dibentuk dari
sebuah
sampel pada sebuah kasus di dalam sebuah group yang telah
diketahui; fungsi
lalu dapat diaplikasikan pada kasus baru dengan pengukuran pada
variabel-
variabel prediktor yang tidak diketahui masuk pada kelompok
mana.
2.2.5.1. Algoritma Pemodelan Linear Discriminant Analysis
Analisis diskriminan adalah teknik statistik multivariate
yang
terkait dengan pemisahan (separating) atau
alokasi/klasifikasi
(classification) sekelompok obyek atau observasi ke dalam
kelompok
(group) yang telah terlebih dahulu didefinisikan. Dalam
tujuan
pengenalan obyek (observasi), metode ini mencoba menemukan
suatu
discriminant yang nilainya mampu memisahkan obyek yang
karakteristiknya telah diketahui. Sedangkan dalam tujuan
klasifikasi
obyek, metode ini akan mensortir obyek (observasi) ke dalam dua
atau
lebih kelas.
Cara kerja Linear Discriminant Analysis yaitu dengan mencari
bobot untuk setiap kelompok. Metode ini memaksimalkan jarak
antar
kelas dan meminimalkan jarak dalam kelas. Fungsi diskriminan
yang
terbentuk berfungsi untuk memisahkan kelompok.
Setelah feature didapat, maka pemodelan Linear Discrminant
Analysis dapat dibangkitkan. Linear Discriminant Analysis
-
16
mengasumsikan matriks-matriks kovarians kelas yang sama.
Output
dari analisis diskriminan ini yaitu mendapatkan fungsi yang
digunakan
untuk mengelompokkan observasi-observasi ke dalam salah satu
kelas,
yang kemudian disebut fungsi diskriminan. Model persamaan
diskriminan, yaitu:
𝒇𝒊 = 𝝁𝒊𝑪−𝟏𝒙𝒌
𝑻 −𝟏
𝟐𝝁𝒊𝑪
−𝟏𝝁𝒊𝑻 + 𝐥𝐨𝐠(𝑷𝒊)
Dimana: 𝜇𝑖 = rata-rata kelas ke-i,
𝑥𝑘𝑇 = data yang ditranspose,
𝐶−1 = matriks covariance yang diinverskan,
𝑃𝑖 = probabilitas data dalam kelas i terhadap seluruh data.
Untuk mendapatkan fungsi diskriminan tersebut, terdapat
beberapa
langkah yang harus dilakukan, yaitu:
1. Dengan menghitung mean dari setiap kelompok atau kelas
dan
mean dari keseluruhan kelompok atau kelas. Perhitungan ini
untuk menghitung bobot setiap kelompok sehingga dapat
meminimalkan jarak dalam kelompok atau kelas.
2. Menghitung matriks covariance kelompok i yang didapati
dari:
𝐶𝑖 = (𝑥𝑖
0)𝑇 𝑥𝑖0
𝑛𝑖
(2.1)
(2.2)
-
17
Dimana:
𝑥𝑖0 = mean corrected data, merupakan hasil dari pengurangan
data dari kelompok xi dengan rata-rata keseluruhan
kelompok.
𝑛𝑖 = banyaknya kelompok ke-i.
3. Membentuk pooled within group covariance matrix (matriks
covariance dalam kelompok), rumus yang digunakan:
𝐶 𝑟, 𝑠 =1
𝑛 𝑛𝑖
𝑔𝑖=1 . 𝐶𝑖(𝑟, 𝑠)
Dimana:
𝑛 = total dari banyaknya setiap kelompok ke-i,
𝑔 = banyaknya kelompok (kelas),
𝑛𝑖 = banyaknya kelompok ke-i,
𝐶𝑖(𝑟, 𝑠) = nilai covariance kelompok ke-i pada baris ke-r
dan
baris ke-s.
4. Kemudian hasil dari perhitungan dari langkah ke-3
diinverskan,
maka nilai matriks covariance ini yang akan digunakan dalam
perhitungan fungsi diskriminan.
5. Menghitung Pi yang merupakan probabilitas vektor. Setiap
baris
merepresentasikan probabilitas dari kelompok ke-i.
𝑃𝑖 =𝑛𝑖𝑁
(2.3)
(2.4)
-
18
Dimana:
𝑛𝑖 = Banyaknya anggota dari kelompok ke-i,
𝑁 = Jumlah anggota dari seluruh kelompok.
Contoh perhitungan menggunakan metode Linear Discriminant
Analysis:
Berikut merupakan data chip rings yang lulus (passed) dan
tidak
lulus (not passed) uji kualitas dari suatu perusahaan yang
memproduksi chip ring berkualitas tinggi dengan pertimbangan
curvature dan diameter.
Tabel2.1 Data chip rings
Curvature Diameter Quality Control Result
2.95 6.63 Passed
2.53 7.79 Passed
3.57 5.65 Passed
3.16 5.47 Passed
2.58 4.46 Not Passed
2.16 6.22 Not Passed
3.27 3.52 Not Passed
Terdapat data chip ring baru untuk diuji kualitasnya dengan
menggunakan metode LDA, yaitu:
Tabel2.2 Data test chip ring
Curvature Diameter Quality Control Result
2.81 5.46 ????
Catatan:
???? = hasil data test chip rings termasuk passed atau not
passed
-
19
Penyelesaian:
x = feature seluruh data. Setiap baris merepresentasikan satu
kelas;
setiap kolom berdiri untuk satu feature.
y = indeks kelas (passed = 1; not passed = 2).
dan
,
= data feature untuk kelas i. Setiap baris merepresentasikan
satu
kelas; setiap kolom berdiri untuk satu feature. Penulis
memisahkan x ke dalam beberapa kelompok berdasarkan indeks
kelas pada y.
Langkah pertama dalam perhitungan LDA yaitu mencari
rata-rata
feature dalam setiap kelas dan menghitung rata-rata keseluruhan
kelas,
yaitu:
= rata-rata feature kelas, yang mana merupakan rata-rata
dari
-
20
,
= rata-rata keseluruhan kelas, mean dari seluruh data.
Langkah kedua yaitu mencari matriks covariance kelas i
dengan
menggunakan rumus 2.10, yaitu:
= mean corrected data, dari data feature untuk kelas i.
,
Sehingga didapat matriks covariance dari kelas i dengan
menggunakan rumus 2.2, yaitu:
,
Langkah ketiga, menghitung pooled within group covariance
matrix
(matriks covariance dalam kelompok) dengan menggunakan rumus
2.3, yaitu:
, , dan
-
21
Maka, pooled covariance matriks yang didapat yaitu:
Langkah keempat, inverse dari pooled covariance matriks,
yaitu:
Langkah kelima, menghitung probabilitas kelas ke-i, dengan
menggunakan rumus 2.4, yaitu:
Hasil perhitungan dari setiap langkah-langkah tersebut digunakan
pada
fungsi diskriminan (rumus 2.1) untuk setiap kelas, pada contoh
ini
akan menghasilkan dua fungsi diskriminan, yaitu:
𝒇𝟏 = 𝝁𝟏𝑪−𝟏𝒙𝒌
𝑻 −𝟏
𝟐𝝁𝟏𝑪
−𝟏𝝁𝟏𝑻 + 𝐥𝐨𝐠(𝑷𝟏)
𝒇𝟏 = 𝟑. 𝟎𝟓 𝟔. 𝟑𝟖 𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏
𝒙𝒌𝑻 −
𝟏
𝟐 𝟑. 𝟎𝟓 𝟔. 𝟑𝟖
𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏
𝟑. 𝟎𝟓𝟔. 𝟑𝟖
+ 𝐥𝐨𝐠(𝟎. 𝟓𝟕𝟏)
𝒇𝟐 = 𝝁𝟐𝑪−𝟏𝒙𝒌
𝑻 −𝟏
𝟐𝝁𝟐𝑪
−𝟏𝝁𝟐𝑻 + 𝐥𝐨𝐠(𝑷𝟐)
𝒇𝟐 = 𝟐. 𝟔𝟕 𝟒. 𝟕𝟑 𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏
𝒙𝒌𝑻 −
𝟏
𝟐 𝟐. 𝟔𝟕 𝟒. 𝟕𝟑
𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏
𝟐. 𝟔𝟕𝟒. 𝟕𝟑
+ 𝐥𝐨𝐠(𝟎. 𝟒𝟐𝟗)
Kemudian data-data chip rings setiap baris yang ditranspose
terlebih dahulu (𝑥𝑘𝑇) dimasukkan dalam perhitungan tersebut.
Untuk
menentukan hasil quality control lulus uji atau tidak yaitu
dengan
melihat hasil dari perhitungan 𝑓1 dan 𝑓2 yang memiliki nilai
Covariance matriks inilah yang akan digunakan
untuk setiap kelas dalam pembentukan fungsi
diskriminan untuk klasifikasi (membentuk
model).
-
22
maksimum. Berikut hasil yang diperoleh dari perhitungan
fungsi
diskriminan untuk setiap baris data, yaitu:
Gambar2.4. Perhitungan fungsi diskriminan
Dari hasil perhitungan dengan metode LDA di atas, data test
yaitu data baru chip ring yang akan diuji quality
control-nya
menghasilkan indeks 2 yaitu termasuk dalam kelas not passed.
2.2.6. Metode Evaluasi 5-Fold Cross Validation
Setelah melakukan proses training dan testing maka metode
evaluasi
dengan 5-fold cross validation dapat dilakukan. Metode evaluasi
digunakan
untuk mengetahui tingkat akurasi sistem pengenal motif batik.
Metode 5-fold
cross validation membagi tiap kelompok motif batik Yogyakarta
menjadi
lima kelompok data yang kemudian secara bergantian dijadikan
data untuk
training maupun testing dalam lima langkah pengujian yang saling
silang.
Dimisalkan terdapat n-buah motif batik untuk satu jenis motif
batik
Yogyakarta, sehingga tiap kelompok memiliki n/5 buah anggota.
Diberikan
nilai n = 25 data, sehingga pembagiannya ialah:
-
23
Kelompok 1:
data motif “Ceplok Kece” ke 1 hingga 5,
data motif “Kawung Galar” ke 1 hingga 5,
data motif “Nitik Cengkeh” ke 1 hingga 5,
data motif “Parang Barong” ke 1 hingga 5,
data motif “Parisewuli Seling Pamor” ke 1 hingga 5,
data motif “Truntum” ke 1 hingga 5,
data motif “Tambal” ke 1 hingga 5,
data motif “Parang Tuding” ke 1 hingga ke 5,
………..
data motif “Parang Kunci” ke 1 hingga 5.
Kelompok 2:
data motif “Ceplok Kece” ke 6 hingga 10,
data motif “Kawung Galar” ke 6 hingga 10,
data motif “Nitik Cengkeh” ke 6 hingga 10,
data motif “Parang Barong” ke 6 hingga 10,
data motif “Parisewuli Seling Pamor” ke 6 hingga 10,
data motif “Truntum” ke 6 hingga 10,
data motif “Tambal” ke 6 hingga 10,
data motif “Parang Tuding” ke 6 hingga ke 10,
…………
-
24
data motif “Parang Kunci” ke 6 hingga 10.
Kelompok 3:
data motif “Ceplok Kece” ke 11 hingga 15,
data motif “Kawung Galar” ke 11 hingga 15,
data motif “Nitik Cengkeh” ke 11 hingga 15,
data motif “Parang Barong” ke 11 hingga 15,
data motif “Parisewuli Seling Pamor” ke 11 hingga 15,
data motif “Truntum” ke 11 hingga 15,
data motif “Tambal” ke 11 hingga 15,
data motif “Parang Tuding” ke 11 hingga 15,
…………
data motif “Parang Kunci” ke 11 hingga 15.
Kelompok 4:
data motif “Ceplok Kece” ke 15 hingga 20,
data motif “Kawung Galar” ke 15 hingga 20,
data motif “Nitik Cengkeh” ke 15 hingga 20,
data motif “Parang Barong” ke 15 hingga 20,
data motif “Parisewuli Seling Pamor” ke 15 hingga 20,
data motif “Truntum” ke 15 hingga 20,
data motif “Tambal” ke 15 hingga 20,
data motif “Parang Tuding” ke 15 hingga 20,
-
25
…………
data motif “Parang Kunci” ke 15 hingga 20.
Kelompok 5:
data motif “Ceplok Kece” ke 16 hingga 25,
data motif “Kawung Galar” ke 16 hingga 25,
data motif “Nitik Cengkeh” ke 16 hingga 25,
data motif “Parang Barong” ke 16 hingga 25,
data motif “Parisewuli Seling Pamor” ke 16 hingga 25,
data motif “Truntum” ke 16 hingga 25,
data motif “Tambal” ke 16 hingga 25,
data motif “Parang Tuding” ke 16 hingga 25,
…………
data motif “Parang Kunci” ke 16 hingga 25.
Data masukan dipisah untuk memastikan bahwa evaluasi
dilakukan
tanpa memproses data yang sama. Pemrosesan dengan data yang sama
dapat
terjadi ketika data masukan berjumlah sangat banyak. Jika data
yang sama
diproses dalam training dan testing, maka nilai validasi
terhadap evaluasi
akan berkurang walaupun angka akurasi meningkat.
-
26
Gambar2.5. Gambaran metode evaluasi 5-Fold Cross Validation
Masing-masing kotak yang terdapat pada gambar merupakan
kotak
yang mewakili satu kelompok data. Tiap satu kelompok data
bergantian
menjadi data testing pada satu langkah pengujian, sedangkan
lainnya menjadi
data training.
2.3. Matriks Data Multivariat
Data multivariate adalah data yang diperoleh dari hasil
pengukuran terhadap n
observasi-observasi berdasarkan variabel-variabel random p.
Secara umum data
multivariate disajikan dalam bentuk matriks X berukuran p x n
sebagai berikut:
1
2
3
4
5
Testing
Pengujian 1
Pengujian 2
Pengujian 3
Pengujian 4
Pengujian 5
Training
2 3 5 4
1 3 5 4
1
1
2 5 4
1 2 5 3
1 2 4 3
Kelompok data no.5 menjadi data training bersama dengan kelompok
data 2, 3, 4.
Kelompok data no.5 menjadi data
testing.
-
27
Gambar2.6. Matriks data multivariat
dimana I = 1, 2, ….., p dan j = 1, 2, ….., n.
Data multivariate dinotasikan dengan X = {Xij}, dengan Xij
merupakan pengamatan
terhadap variabel random ke-i pada observasi ke-j.
2.4. Matlab
Studi pengenalan karakter ini membutuhkan sebuah alat bantu
untuk
menghitung data matematis yang kompleks. Matlab merupakan sebuah
alat bantu
yang dapat menangani permasalahan tersebut. Matlab merupakan
bahasa
pemograman sekaligus lingkungan penghitung numerik yang dibuat
oleh MathWorks
(Hanselman, 1997).
-
28
BAB III
ALGORITMA DAN PERANCANGAN SISTEM
Bab Analisa dan Perancangan Sistem merupakan bab berisi
penjelasan
mengenai rancangan dan cara kerja sistem pengenal motif batik
yang dibangun.
Sistem ini berfungsi sebagai alat bantu untuk menganalisis cara
kerja dan akurasi
metode Linear Discriminant Analysis dalam mengenal motif batik.
Analisa
kebutuhan seperti kebutuhan perangkat lunak, perangkat keras,
dan perancangan antar
muka juga dijelaskan dalam bab ini.
3.1. Pengambilan Data Batik Yogyakarta
Penulis mendapatkan data batik Yogyakarta yaitu dari Museum
Batik
Yogyakarta. Keanekaragaman motif batik Yogyakarta di Museum
Batik cukup
banyak, tetapi untuk keperluan tugas akhir ini penulis hanya
mengambil 20 motif
batik dengan asumsi 20 motif batik ini sudah mewakili motif
batik yang lainnya.
Data batik diambil menggunakan camera digital pocket Fujifilm
tipe
FinePixJ20 dengan 10MP. Kemudian hasil pengambilan data-data
motif batik
tersebut dimasukkan ke komputer. Ukuran yang didapat dari
pengambilan dengan
kamera tersebut yaitu berdimensi 3648 x 2736 piksel. Hasil
pengambilan data batik
tersebut tidak sempurna karena terdapat pantulan sinar blitz,
ini disebabkan kain batik
yang dipajang terdapat pelindung plastik.
-
29
Data batik yang didapat dan akan digunakan dalam tugas akhir ini
terlebih dahulu di-
crop untuk menghilangkan sinar blitz serta meng-crop bagian pola
(motif) batik yang
merupakan ciri dari motif tersebut, misalnya pada motif Nitik
Cengkeh akan di-crop
bagian motif seperti bunga cengkeh, kemudian ukuran data motif
batik hasil crop
diubah menjadi 200 x 200 piksel. Penulis memilih ukuran tersebut
karena sudah ada
jurnal yang menggunakan ukuran citra 200 x 200 piksel dalam
pengenalan pola
(Riyanto Sigit, 2002) dan (Adhi Surahman, 2006).
3.2. Perancangan Sistem Secara Umum
Sistem pengenalan motif batik ini digunakan metode Linear
Discriminant
Analysis dalam menangani motif batik. Data citra yang dimasukkan
ke dalam sistem
ialah citra dari satu karakter motif batik Yogyakarta. Sistem
mengolah citra karakter
motif batik Yogyakarta tersebut sebagai feature yang digunakan
pada saat proses
training model maupun proses pengenalan (testing). Setelah
melalui proses pengujian
dalam sistem dengan menggunakan metode Linear Discriminant
Analysis, pengguna
mendapatkan hasil keluaran berupa nama dari motif batik
Yogyakarta berserta angka
akurasinya.
-
30
Pengguna
Sistem Pengenal Motif
Batik Yogyakarta
citra motif batik .jpg
Ekstraksi featureBeberapa jenis feature
Evaluasi Nama motif batik Yogyakarta dikenali
Gambar3.1. Alur fase pengenalan motif batik Yogyakarta secara
umum
[.....]Ekstraksi featurePengolahan
featureTraining
Ekstraksi featurePengolahan
feature
Pencocokan
Kemiripan
Evaluasi
Sistem Pengenal Motif Batik Yogyakarta dengan Metode LDA
Motif batik dikenali
M1 M2 M3 M4 ….. Mn
Motif Batik Yogyakarta
Gambar3.2. Blok diagram sistem
-
31
Langkah-langkah perancangan proses pengujian motif batik:
1. Data citra batik berukuran 200x200 piksel dikenakan proses
ekstraksi feature.
2. Baca citra motif batik.
3. Ekstraksi feature yaitu memilih feature yang tepat untuk data
motif batik
tersebut. Feature yang digunakan yaitu rata-rata keseluruhan
edge, rata-rata
edge horizontal, rata-rata edge vertikal, gabungan rata-rata
keseluruhan edge
dengan rata-rata edge horizontal dan vertikal, rata-rata edge
horizontal dan
vertikal, gabungan warna dengan rata-rata keseluruhan edge,
rata-rata edge
vertikal dan horizontal. Misal, data motif batik masukan akan
dikenakan
feature rata-rata edge horizontal.
4. Proses pengolahan feature rata-rata edge horizontal
yaitu:
a. Citra motif batik akan diubah ke gray.
b. Citra motif batik gray dikenakan deteksi tepi dengan metode
canny.
c. Data motif batik berukuran 200x200 piksel dibagi menjadi 8
vektor secara
horizontal dan vertikal, sehingga terdapat 64 unit yang setiap
unitnya
berukuran 25x25 piksel.
d. Menjumlahkan object (satu) dalam setiap unit.
e. Jumlah objek (satu) dalam setiap unit dibagi dengan 625
(ukuran 25x25 =
625), sehingga didapat hasil rata-rata dalam satu unit. Hal ini
dilakukan
untuk setiap unit.
-
32
f. Hasil rata-rata setiap unit dijumlahkan secara vektor
vertikal kemudian
dibagi 8 (8 merupakan jumlah unit yang dijumlahkan secara
vektor
vertikal). Hal ini dilakukan untuk setiap unit.
g. Sehingga didapat matriks hasil rata-rata edge vektor vertikal
berukuran
1x8.
5. Proses training dengan metode LDA menggunakan 400 data motif
batik dari
500 data motif batik Yogyakarta. Terdapat 20 jenis motif batik
Yogyakarta
yang ingin dikenali, pada proses training akan membuat satu
model dari 20
sampel motif batik dengan membentuk fungsi diskriminan yang
diperoleh
dengan cara menghitung mean dari setiap kelompok dan mean
dari
keseluruhan kelompok, menghitung matriks covariance, membentuk
pooled
within group covariance matrix, dan menghitung probabilitas
vektor.
6. Pencocokan kemiripan merupakan fase testing, yaitu dengan
menguji fungsi
diskriminan yang terbentuk dengan 100 data motif batik untuk
mendapatkan
angka kemiripan terbesar.
7. Untuk proses evaluasi menggunakan metode 5-fold cross
validation. Data
hasil pengujian dievaluasi menggunakan metode 5-fold cross
validation untuk
mendapatkan nilai prosentase akurasi dari 500 data motif.
-
33
3.3. Algoritma yang Digunakan
3.3.1. Algoritma Penyimpanan Informasi Rata-Rata Edge
a. Penyimpanan informasi piksel rata-rata keseluruhan edge.
Input: Citra motif batik berukuran 200 x 200 piksel.
Output: Matriks hasil rata-rata keseluruhan edge berukuran
1x64.
Algoritma:
1. Baca citra motif batik.
2. Ubah citra motif batik ke gray 8 bit.
3. Citra motif batik gray dikenakan deteksi tepi menggunakan
Canny.
4. Hitung tinggi dan lebar citra motif batik.
5. Membagi citra motif batik berukuran 200x200 piksel menjadi
8
vektor secara vertikal dan horizontal sehingga mendapatkan
64
unit,setiap unit berukuran 25x25 piksel.
6. Menjumlahkan objek (satu) dalam setiap unit untuk
dijumlahkan.
7. Jumlah objek (satu) keseluruhan dalam setiap unit dibagi
dengan 625 (ukuran 25x25 = 625), sehingga didapat hasil
rata-
rata dalam satu unit. Hal ini dilakukan untuk setiap unit.
8. Hasil rata-rata keseluruhan edge disimpan.
9. Sehingga didapat matriks hasil rata-rata edge berukuran
1x64.
b. Penyimpanan informasi piksel vektor horizontal
Input: Citra motif batik berukuran 200 x 200 piksel.
Output: Matriks hasil rata-rata edge horizontal berukuran
1x8.
Algoritma:
1. Baca citra motif batik.
-
34
2. Ubah citra motif batik ke gray 8 bit.
3. Citra motif batik gray dikenakan deteksi tepi menggunakan
Canny.
4. Hitung tinggi dan lebar citra motif batik.
5. Membagi citra motif batik berukuran 200x200 piksel menjadi
8
vektor secara vertikal dan horizontal sehingga mendapatkan
64
unit,setiap unit berukuran 25x25 piksel.
6. Menjumlahkan objek (satu) dalam setiap unit.
7. Jumlah objek (satu) dalam setiap unit dibagi dengan 625
(ukuran 25x25 piksel = 625), sehingga didapat hasil
rata-rata
dalam satu unit. Hal ini dilakukan untuk setiap unit.
8. Hasil rata-rata setiap unit dijumlahkan secara vektor
horizontal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor horizontal). Hal ini dilakukan
untuk setiap unit.
9. Sehingga didapat matriks hasil rata-rata edge vektor
horizontal berukuran 1x8.
c. Penyimpanan informasi piksel vektor vertikal
Input: Citra motif batik berukuran 200 x 200 piksel
Output: Matriks hasil rata-rata edge vertikal berukuran 1x8
Algoritma:
1. Baca citra motif batik.
2. Ubah citra motif batik ke gray 8 bit.
3. Citra motif batik gray dikenakan deteksi tepi menggunakan
Canny.
4. Hitung tinggi dan lebar citra motif batik.
-
35
5. Membagi citra motif batik berukuran 200x200 piksel menjadi
8
vektor secara vertikal dan horizontal sehingga mendapatkan
64
unit,setiap unit berukuran 25x25 piksel.
6. Menjumlahkan objek (satu) dalam setiap unit.
7. Jumlah objek (satu) dalam setiap unit dibagi dengan 625
(ukuran 25x25 piksel = 625), sehingga didapat hasil
rata-rata
dalam satu unit. Hal ini dilakukan untuk setiap unit.
8. Hasil rata-rata setiap unit dijumlahkan secara vektor
vertikal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor vertikal). Hal ini dilakukan untuk
setiap unit.
9. Sehingga didapat matriks hasil rata-rata edge vektor
vertikal
berukuran 1x8.
d. Penyimpanan informasi piksel rata-rata keseluruhan edge,
vektor
horizontal, dan vertikal.
Input: Citra motif batik berukuran 200 x 200 piksel.
Output: Matriks rata-rata keseluruhan edge, rata-rata edge
vektor horizontal, dan vektor vertikal berukuran 1x80.
Algoritma:
1. Baca citra motif batik.
2. Ubah citra motif batik ke gray 8 bit.
3. Citra motif batik gray dikenakan deteksi tepi menggunakan
Canny.
4. Hitung tinggi dan lebar citra motif batik.
5. Membagi citra motif batik berukuran 200x200 piksel menjadi
8
vektor secara vertikal dan horizontal sehingga mendapatkan
64 unit,setiap unit berukuran 25x25 piksel.
-
36
6. Menjumlahkan objek (satu) dalam setiap unit.
7. Jumlah objek (satu) dalam setiap unit dibagi dengan 625
(ukuran 25x25 piksel = 625), sehingga didapat hasil rata-
rata dalam satu unit. Hal ini dilakukan untuk setiap unit.
8. Kemudian hasil rata-rata setiap unit dijumlahkan secara
vektor horizontal kemudian dibagi 8 (8 merupakan jumlah unit
yang dijumlahkan secara vektor horizontal). Hal ini
dilakukan untuk setiap unit.
9. Kemudian hasil rata-rata setiap unit dijumlahkan secara
vektor vertikal kemudian dibagi 8 (8 merupakan jumlah unit
yang dijumlahkan secara vektor vertikal). Hal ini dilakukan
untuk setiap unit.
10. Hasil rata-rata keseluruhan edge disimpan.
11. Hasil rata-rata edge vektor horizontal disimpan.
12. Hasil rata-rata edge vektor vertikal disimpan.
13. Sehingga didapat matriks hasil rata-rata keseluruhan
edge,
rata-rata edge vektor vertikal, dan vektor horizontal
berukuran 1x80.
e. Penyimpanan informasi piksel rata-rata edge vektor horizontal
dan
vektor vertikal.
Input: Citra motif batik berukuran 200 x 200 piksel.
Output: Matriks rata-rata edge vektor horizontal, dan vektor
vertikal berukuran 1x16.
Algoritma:
1. Baca citra motif batik.
2. Ubah citra motif batik ke gray 8 bit.
-
37
3. Citra motif batik gray dikenakan deteksi tepi menggunakan
Canny.
4. Hitung tinggi dan lebar citra motif batik.
5. Membagi citra motif batik berukuran 200x200 piksel menjadi
8
vektor secara vertikal dan horizontal sehingga mendapatkan
64 unit,setiap unit berukuran 25x25 piksel.
6. Menjumlahkan objek (satu) dalam setiap unit.
7. Jumlah keseluruhan objek (satu) dalam setiap unit dibagi
dengan 625 (ukuran 25x25 piksel = 625), sehingga didapat
hasil rata-rata dalam satu unit. Hal ini dilakukan untuk
setiap unit.
8. Hasil rata-rata setiap unit dijumlahkan secara vektor
horizontal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor horizontal). Hal ini dilakukan
untuk setiap unit.
9. Hasil rata-rata setiap unit dijumlahkan secara vektor
vertikal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor vertikal). Hal ini dilakukan untuk
setiap unit.
10. Hasil rata-rata edge vektor horizontal disimpan.
11. Hasil rata-rata edge vektor vertikal disimpan.
12. Sehingga didapat matriks hasil rata-rata edge vektor
vertikal dan vektor horizontal berukuran 1x16.
f. Penyimpanan informasi piksel warna RGB, rata-rata keseluruhan
edge,
rata-rata edge vektor horizontal, dan vektor vertikal.
-
38
Input: Citra motif batik berukuran 200 x 200 piksel.
Output: Matriks warna RGB, rata-rata keseluruhan edge,
rata-rata
edge vektor horizontal, dan vektor vertikal berukuran 1x87.
Algoritma:
1. Baca citra motif batik.
2. Hitung nilai rata-rata red, rata-rata green, rata-rata
blue,
kadar red, kadar green, kadar blue, dan rata-rata hasil
rata-rata red, green, blue.
3. Ubah citra motif batik ke gray 8 bit.
4. Citra motif batik gray dikenakan deteksi tepi menggunakan
Canny.
5. Hitung tinggi dan lebar citra motif batik.
6. Membagi citra motif batik berukuran 200x200 piksel menjadi
8
vektor secara vertikal dan horizontal sehingga mendapatkan
64 unit,setiap unit berukuran 25x25 piksel.
7. Menjumlahkan objek (satu) dalam setiap unit.
8. Kemudian jumlah objek (satu) dalam setiap unit dibagi
dengan
625 (ukuran 25x25 piksel = 625), sehingga didapat hasil
rata-rata dalam satu unit. Ini merupakan rata-rata
keseluruhan edge. Hal ini dilakukan untuk setiap unit.
9. Hasil rata-rata setiap unit dijumlahkan secara vektor
horizontal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor horizontal). Ini merupakan rata-
rata edge vektor horizontal. Hal ini dilakukan untuk setiap
unit.
10. Hasil rata-rata setiap unit dijumlahkan secara vektor
vertikal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor vertikal). Ini merupakan rata-rata
edge vektor vertikal. Hal ini dilakukan untuk setiap unit.
-
39
11. Hasil perhitungan warna RGB disimpan.
12. Hasil rata-rata keseluruhan edge disimpan.
13. Hasil rata-rata edge vektor horizontal disimpan.
14. Hasil rata-rata edge vektor vertikal disimpan.
15. Sehingga didapat matriks hasil perhitungan warna,
rata-rata
keseluruhan edge, rata-rata edge vektor vertikal, dan
horizontal berukuran 1x87.
3.3.2. Algoritma Perhitungan Metode Linear Discriminant
Analysis
Input: Nilai hasil perhitungan feature.
Output: Fungsi diskriminan.
Algoritma:
1. Mengambil data nilai hasil perhitungan feature.
2. Menghitung mean setiap kelompok dan mean keseluruhan
kelompok (mean total).
3. Menghitung mean corrected data, yaitu pengurangan data
nilai
hasil perhitungan feature dengan mean total.
4. Menghitung matriks covariance setiap kelompok.
5. Membentuk pooled within group covariance matrix (matriks
covariance total). Matriks yang terbentuk hanya 1 buah
matriks.
6. Hasil perhitungan dari langkah ke-5 diinverskan, maka
nilai
matriks covariance total ini yang akan digunakan dalam
pembentukan dan perhitungan fungsi diskriminan.
7. Menghitung probabilitas vektor.
8. Membentuk fungsi diskriminan.
-
40
3.3.3. Algoritma Metode Evaluasi 5-Fold Cross Validation
Input: Angka pencocokan kemiripan.
Output: Akurasi pencocokan kemiripan.
Algoritma:
1. Membagi data keseluruhan citra motif batik menjadi 5
kelompok. Dengan asumsi: masing-masing kelompok terdiri dari
100 data citra motif batik (terdapat 25 motif batik untuk
satu jenis motif batik, sehingga tiap kelompok memiliki 5
buah anggota untuk satu jenis motif batik).
2. Secara bergantian 5 kelompok dijadikan data untuk proses
training dan testing (kelompok 2-4 untuk proses training,
kelompok 1 untuk proses testing ; kelompok 1, 3-5 untuk
training, kelompok 2 untuk testing, ; dan seterusnya).
3. Menjalankan proses training.
4. Menjalankan proses testing.
5. Membaca jumlah angka pencocokan kemiripan.
6. Membentuk tabel confusion matriks sebanyak 5.
7. Memasukkan angka pencocokan kemiripan untuk setiap motif
batik.
8. Membentuk tabel confusion matriks total.
9. Hitung jumlah data yang digunakan.
10. Hitung jumlah motif yang dikenali.
11. Hitung jumlah motif tak dikenali.
12. Hitung akurasi yaitu dengan secara diagonal nilai angka
kemiripan dijumlahkan kemudian dibagi banyaknya data motif
batik dikali 100%.
13. Nilai akurasi pencocokan kemiripan didapat.
-
41
3.3.4. Algoritma Proses Training
Input: Data feature motif batik.
Output: Fungsi diskriminan sebanyak 20.
Algoritma:
1. Membaca data feature motif batik.
2. Perhitungan dengan metode LDA.
3. Dari perhitungan metode LDA maka terbentuk fungsi
diskriminan sebanyak 20 (kelas (jenis motif batik) ada 20).
Fungsi ini digunakan untuk pembentukan model setiap jenis
motif batik.
3.3.5. Algoritma Proses Testing
Input: Data feature motif batik.
Output: Angka pencocokan kemiripan motif batik.
Algoritma:
1. Membaca data feature motif batik.
2. Memasukan angka data feature motif batik pada fungsi
diskriminan yang terbentuk.
3. Hasil dari perhitungan fungsi diskriminan tersebut
dipilih
yang nilainya paling maksimal. Nilai maksimal ini yang
menentukan data testing yang dicoba tergolong jenis motif
batik yang mana dalam bentuk indeks.
4. Indeks motif batik dihitung sebagai jumlah data motif
batik
yang dikenali.
5. Diperoleh angka pencocokan kemiripan.
-
42
3.3.6. Algoritma Fase Pengenalan Motif Batik
Input: Citra motif batik berukuran 200x200 piksel.
Output: Nama motif batik.
Algoritma:
1. Membaca citra motif batik masukan.
2. Menjalankan proses pembentukan feature.
3. Menjalankan proses training.
4. Menjalankan proses testing.
5. Indeks motif batik dicocokkan dengan kamus motif batik.
6. Nama motif batik dikenali.
3.3.7. Algoritma Fase Pengujian Akurasi
Input: Citra motif batik berukuran 200x200 piksel.
Output: Jumlah data, jumlah motif dikenali, jumlah motif tak
dikenali, dan akurasi pencocokan kemiripan.
Algoritma:
1. Menjalankan proses pembentukan feature.
2. Menjalankan proses metode evaluasi 5-fold cross
validation.
3. Hasil yang diperoleh yaitu jumlah data, jumlah motif
dikenali, jumlah motif tak dikenali, dan akurasi.
3.4. Perancangan Fase Training
Pada perancangan fase training model motif batik Yogyakarta
meliputi
langkah-langkah ekstraksi feature, pengolahan feature dan
training. Fase ini
merupakan langkah pembuatan model karakter motif batik
Yogyakarta yang akan
-
43
dijadikan pembanding dengan motif baru yang dimasukkan pada fase
pengenalan.
Proses training model dapat dijelaskan sebagai berikut:
3.4.1 Ekstraksi Feature
a. Feature Warna
Ekstraksi feature warna pada motif batik Yogyakarta terdapat
7
macam feature yaitu rata-rata red (𝑅 ), rata-rata green (𝐺 ),
rata-rata blue (𝐵 ),
kadar red (R), kadar green (G), kadar blue (B), dan rata-rata
hasil rata-rata
red, green, blue (𝑅𝐺𝐵 ). Untuk penjabaran rata-rata tersebut
sebagai berikut:
𝑅 = 𝑅𝑖𝑗
𝑛𝑗=1
𝑚 𝑖=1
𝑚×𝑛
𝐺 = 𝐺𝑖𝑗
𝑛𝑗 =1
𝑚𝑖=1
𝑚 × 𝑛
𝐵 = 𝐵𝑖𝑗
𝑛𝑗 =1
𝑚𝑖=1
𝑚 × 𝑛
𝑘𝑎𝑑𝑎𝑟 𝑅 =𝑅
𝑅 + 𝐺 + 𝐵
𝑘𝑎𝑑𝑎𝑟 𝐺 =𝐺
𝑅 +𝐺 +𝐵
𝑘𝑎𝑑𝑎𝑟 𝐵 =𝐵
𝑅 +𝐺 +𝐵
𝑅𝐺𝐵 =𝑅 +𝐺 +𝐵
3
dimana, m merupakan banyaknya kolom dan n merupakan banyaknya
baris.
(3.1)
(3.2)
(3.3)
(3.5)
(3.4)
(3.6)
(3.7)
-
44
b. Feature Edge Information
Pada feature edge information ini citra akan dikenakan proses
deteksi
tepi (edge detection) dengan menggunakan metode canny.
Penulis
menggunalan metode canny karena hasil deteksi tepi terlihat
lebih jelas.
Feature edge information yang akan dicobakan yaitu rata-rata
keseluruhan edge yang akan menghasilkan matriks berukuran 1x64,
rata-rata
vektor vertikal yang akan menghasilkan matriks berukuran 1x8,
dan rata-rata
vektor horizontal yang akan menghasilkan matriks berukuran 1x8,
gabungan
rata-rata edge vektor vertikal dan horizontal, gabungan
rata-rata keseluruhan
edge 1x64 dengan rata-rata vektor vertikal dan horizontal, dan
gabungan rata-
rata warna dengan rata-rata keseluruhan 1x64 dengan rata-rata
vektor
horizontal dan vertikal.
1. Rata-rata keseluruhan yang berukuran 1x64.
Citra motif batik berukuran 200x200 piksel dibagi menjadi 8
vektor secara
horizontal dan vertikal, sehingga terdapat 64 unit. Setiap unit
berukuran
25x25 piksel dihitung rata-rata (mean) sehingga akan
menghasilkan
matriks persegi berukuran 8x8. Rumus untuk perhitungan rata-rata
setiap
unit, yaitu
𝑅𝑡 = 𝑃𝑖𝑗
25𝑖=1
25𝑖=1
25×25
Rata-rata setiap unit ini berjumlah 64 yang akan dijadikan data
input
dalam membentuk model.
(3.8)
-
45
1--------25 26-------50 51------75 76------100
---------------------------------------- 176----200
Rt1 Rt2 Rt3 Rt4 Rt5 Rt6 Rt7 Rt8
Rt9 Rt10 Rt11 Rt12 Rt13 Rt14 Rt15 Rt16
Rt17 Rt18 Rt19 Rt20 Rt21 Rt22 Rt23 Rt24
Rt25 Rt26 Rt27 Rt28 Rt29 Rt30 Rt31 Rt32
Rt33 Rt34 Rt35 Rt36 Rt37 Rt38 Rt39 Rt40
Rt41 Rt42 Rt43 Rt44 Rt45 Rt46 Rt47 Rt48
Rt49 Rt50 Rt51 Rt52 Rt53 Rt54 Rt55 Rt56
Rt57 Rt58 Rt59 Rt60 Rt61 Rt62 Rt63 Rt64
Gambar3.3. Rata-rata keseluruhan edge Keterangan:
Rt = hasil perhitungan rata-rata jumlah objek satu dibagi ukuran
1 unit berukuran
25x25 piksel.
2. Rata-rata vektor vertikal dan horizontal yang menghasilkan
matriks 1x8
Citra berukuran 200x200 piksel dibuat menjadi 8 vektor secara
horizontal
dan vertikal, sehingga terdapat 64 unit. Setiap unit berukuran
25x25
piksel. Kemudian setiap unit dihitung rata-rata sehingga
akan
mendapatkan matriks persegi berukuran 8x8. Rumus perhitungan
rata-rata
untuk setiap unit dapat dilihat pada rumus 2.8.
1
25 26
50
|
|
|
|
|
|
|
|
|
|
|
|
200
-
46
E11 E12 E13 E14 E15 E16 E17 E18
E21 …. …. …. …. …. …. E28
E31 …. …. …. …. …. …. E38
E41 …. …. …. …. …. …. E48
E51 …. …. …. …. …. …. E58
E61 …. …. …. …. …. …. E68
E71 …. …. …. …. …. …. E78
E81 E82 E83 E84 E85 E86 E87 E88
Gambar3.4. Matriks persegi 8x8
Keterangan:
E = hasil perhitungan rata-rata jumlah object (satu) dibagi
dengan ukuran satu unit
(25x25 piksel).
Vektor = penarikan garis.
Unit = 1 kotak hasil pembagian vektor.
Dari matriks persegi 8x8 di atas akan dilakukan penjumlahan dari
rata-rata
setiap unit secara vektor vertikal dan vektor horizontal.
Penjumlahan rata-rata secara vertikal:
Total1 = E11 + E21 + E31 + E41 + E51 + E61 + E71 + E81
Total2 = E12 + E22 + E32 + E42 + E52 + E62 + E72 + E82
.... …. ….
Total8 = E18 + E28 + E38 + E48 + E58 + E68 + E78 + E88
Penjumlahan rata-rata secara horizontal:
Total1 = E11 + E12 + E13 + E14 + E15 + E16 + E17 + E18
Satu vektor horizontal
Satu vektor
vertikal
Satu unit berukuran 25x25
-
47
Total2 = E21 + E22 + E23 + E24 + E25 + E26 + E27 + E28
… … …
Total8 = E81 + E82 + E82 + E84 + E85 + E86 + E87 + E88
3.4.2. Pengolahan Feature
Pada langkah pengolahan feature ini setiap karakter yang
memiliki ciri
(feature) akan diolah dengan menggunakan metode Linear
Discriminant
Analysis.
3.4.3. Training
Langkah training merupakan langkah pengolahan motif batik
Yogyakarta menjadi suatu fungsi model yang digunakan untuk
mewakili satu
motif batik Yogyakarta. Proses training menggunakan metode
Linear
Discriminant Analysis. Hasil dari perhitungan fungsi diskriminan
yang
terbentuk akan dipilih yang bernilai maksimum, dalam kasus ini
hasil
perhitungan fungsi diskriminan berjumlah 25 untuk setiap
kelompok motif
batik (terdapat 20 kelompok), dari 25 hasil perhitungan ini akan
dipilih nilai
maksimal untuk mewakili satu kelompok motif batik, sehingga akan
diperoleh
20 hasil perhitungan fungsi diskriminan untuk 20 motif batik
Yogyakarta.
Nilai maksimum ini yang akan menjadi model untuk setiap kelompok
motif
batik. Pengkategorian motif batik pada langkah ini ditentukan
oleh langkah
ekstraksi feature.
-
48
3.5. Perancangan Fase Pengenalan (Testing)
Perancangan fase pengenalan motif batik Yogyakarta meliputi
langkah
ekstraksi feature, pengolahan feature dan pencocokan kemiripan.
Pada fase ini motif
batik Yogyakarta akan diuji untuk dikenali polanya oleh sistem.
Langkah-langkah
tersebut dapat dijelaskan sebagai berikut:
3.5.1. Ekstraksi Feature
Langkah ekstraksi feature pada proses testing ini hampir sama
pada
proses training.
3.5.2. Pengolahan Feature
Pada langkah pengolahan feature ini setiap pola yang memiliki
ciri
(feature) akan diolah dengan menggunakan metode Linear
Discriminant
Analysis.
3.5.3. Pencocokan Kemiripan
Langkah pencocokan kemiripan ini merupakan langkah
pencocokan
model berupa fungsi-fungsi diskriminan yang memodelkan 20 pola
motif
batik yang sebelumnyag telah diproses pada fase training
dengan
menggunakan metode Linear Discriminant Analysis. Hasil yang
didapat dari
pencocokan kemiripan berupa hasil perhitungan fungsi diskriminan
model
input dengan model yang ada dalam sistem. Untuk menentukan model
yang
diinputkan termasuk dalam kelompok mana yaitu angka hasil
perhitungan
yang paling mendekati dengan salah satu model.
-
49
3.6. Perancangan Proses Evaluasi
Langkah evaluasi merupakan langkah pengujian akurasi metode
Linear
Discriminant Analysis dalam mengenali motif batik Yogyakarta.
Proses evaluasi
menggunakan metode 5-fold cross validation dengan confusion
matrix. Proses
evaluasi dilakukan pada setiap motif batik Yogyakarta yang hasil
pengenalannya
disimpan dalam sebuah matriks confusion matrix. Pengujian
akurasi terhadap masing-
masing motif batik Yogyakarta dapat dijelaskan sebagai
berikut:
1. Penentuan lima kelompok matif batik Yogyakarta
Terdapat masing-masing 25 model untuk satu motif batik
Yogyakarta untuk satu pengujian akurasi. 25 model ini dibagi
menjadi 5
kelompok data yang diberi label “motifbatik_1” sampai
“motifbatik_5”.
Motif Parang Barong 1-5 Parang Barong_1
Motif Parang Barong 6-10 Parang Barong_2
Motif Parang Barong 11-15 Parang Barong_3
Motif Parang Barong 16-20 Parang Barong_4
Motif Parang Barong 21-25 Parang Barong_5
Gambar3.5. Contoh pengelompokan motif batik untuk proses
evaluasi
-
50
2. Pengujian akurasi
Terdapat dua langkah dalam pengujian akurasi, yaitu langkah
training dan
testing. Langkah training untuk membentuk model, sedangkan
langkah
testing digunakan untuk menguji pengenalan motif batik.
3. Penentuan confusion matrix
Matriks ini menyediakan informasi angka pencocokan kemiripan
pengenalan motif batik untuk setiap motif batik yang telah diuji
pada
langkah pengujian akurasi. Setelah melalui proses testing maka
angka
pencocokan kemiripan dapat dimasukan ke dalam tabel ini.
Tabel 3.1. Contoh tabel confusion matriks
Motif
batik a b c d e f g h i j k l m n o p q r s t
a x x x x x x x x x x x x x x x x x x x x
b x x x x x x x x x x x x x x x x x x x x
c x x x x x x x x x x x x x x x x x x x x
d x x x x x x x x x x x x x x x x x x x x
e x x x x x x x x x x x x x x x x x x x x
f x x x x x x x x x x x x x x x x x x x x
g x x x x x x x x x x x x x x x x x x x x
h x x x x x x x x x x x x x x x x x x x x
i x x x x x x x x x x x x x x x x x x x x
j x x x x x x x x x x x x x x x x x x x x
k x x x x x x x x x x x x x x x x x x x x
l x x x x x x x x x x x x x x x x x x x x
m x x x x x x x x x x x x x x x x x x x x
n x x x x x x x x x x x x x x x x x x x x
o x x x x x x x x x x x x x x x x x x x x
-
51
Keterangan:
x = angka pencocokan
kemiripan
a = Ceplok Kece
b = Kawung Galar
c = Nitik Cengkeh
d = Parang Barong
e = Parang Pancing
f = Parisewuli Seling Pamor
g = Trumtum
h = Tambal
i = Parang Tuding
j = Parang Keris
k = Parang Kusumo Ukel
l = Parang Curigo
m = Parang Klitik
n = Parang Kembang Sawut Cecek
o = Ceplok Dempel
p = Kawung Kembang Cempoko Hitam
q = Kawung Picis
r = Lereng Kusuma
s = Parang Kawung Picis
t = Parang Kunci
4. Perhitungan angka akurasi
Angka akurasi dapat dihitung dengan cara menjumlahkan hasil
pengenalan diagonal dari confusion matrix dibagi dengan
keseluruhan
jumlah pengujian.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛 𝑝𝑎𝑑𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑐𝑜𝑛𝑓𝑢𝑠𝑖𝑜𝑛 𝑚𝑎𝑡𝑟𝑖𝑥
𝑚𝑜𝑑𝑒𝑙 𝑚𝑜𝑡𝑖𝑓 𝑏𝑎𝑡𝑖𝑘× 100%
p x x x x x x x x x x x x x x x x x x x x
q x x x x x x x x x x x x x x x x x x x x
r x x x x x x x x x x x x x x x x x x x x
s x x x x x x x x x x x x x x x x x x x x
t x x x x x x x x x x x x x x x x x x x x
(3.9)
-
52
3.7. Perancangan Antar Muka
Alat bantu pengenalan motif batik Yogyakarta memiliki 3 halaman
utama
yaitu halaman home, halaman pengenalan motif batik Yogyakarta,
dan halaman
pengujian LDA. Terdapat beberapa halaman berisi informasi
mengenai sistem yaitu
pada halaman Linear Discriminant Analysis (LDA), About, dan
Help.
3.7.1. Halaman Home
Gambar3.6. Rancangan halaman Home sistem pengenal motif batik
Yogyakarta
Rancangan halaman „Home‟ berisi pengenalan mengenai judul
program dan identitas penulis.
-
53
3.7.2. Halaman Pengenalan Motif Batik Yogyakarta
Gambar3.7. Rancangan halaman pengenalan motif batik
Yogyakarta
Pada halaman pengenalan motif batik Yogyakarta pengguna
dapat
memasukkan citra motif batik hasil pindai dengan menggunakan
tombol
„Browse‟, kemudian citra motif batik akan terlihat pada kotak
„Preview‟.
Proses pengenalan citra motif batik akan dimulai setelah menekan
tombol
„OK‟ yang terletak di kanan bawah dalam kotak preview. Kotak
„Proses‟ akan
menampilkan jalannya proses pengenalan motif batik dengan
menggunakan
metode LDA. Hasil ekstraksi feature dan perhitungan kemiripan
dari citra
motif batik akan ditampilkan pada kotak „Hasil‟.
-
54
3.7.3. Halaman Pengujian LDA
Gambar3.8. Rancangan halaman pengujian LDA sistem pengenal motif
batik
Halaman Pengujian LDA ini merupakan halaman pengujian citra
motif
batik hasil pindai dengan menggunakan metode Linear Discriminant
Analysis.
Pengguna akan melihat jalannya proses pengenalan dengan
memasukkan
parameter berupa feature dari citra motif batik yang akan
dilakukan pengujian
kemudian menekan tombol „Test the LDA‟. Data hasil pengenalan
citra motif
batik akan terlihat pada kotak „Hasil‟.
3.7.4. Halaman Konsep Linear Discriminant Analysis
Gambar3.9. Rancangan halaman konsep LDA
-
55
Halaman konsep LDA berisi tentang metode-metode yang
digunakan
dalam sistem pengenalan motif batik Yogyakarta ini. Metode yang
digunakan
yaitu Linear Discriminant Analysis dan 5-fold cross validation.
Pengguna
dapat memilih metode-metode yang ada pada kotak „Daftar Isi‟,
kemudian
sistem akan merespon dengan menampilkan informasi pada kotak
„Deskripsi‟.
3.7.5. Halaman Identitas Program (About)
Gambar3.10. Rancangan halaman identitas program (about)
Halaman identitas program ini berisi informasi indentitas
program
bagi pengguna tentang sistem pengenal motif batik Yogyakarta
3.7.6. Halaman Bantuan (Help)
Gambar3.11. Rancangan halaman bantuan (help)
-
56
Halaman bantuan (help) berisi tentang cara penggunaan sistem
pengenal motif batik Yogyakarta ini. Pengguna dapat memilih
salah satu
menu yang ada pada kotak „Daftar Isi‟ kemudian sistem akan
memberikan
informasi tentang halaman sistem beserta fungsi-fungsinya.
-
28
BAB IV
IMPLEMENTASI DAN ANALISA SISTEM
Bab ini akan membahas hasil implementasi sistem berupa hasil
tangkapan
tampilan tampilan antar muka sistem, pembahasan algoritma yang
digunakan dalam
tugas akhir ini, serta hasil penelitian yang merupakan bagian
terpenting dari bab ini.
Bagian pertama akan membahas implementasi sistem. Pembahasan ini
disertai
juga dengan penjelasan penggunaan tombol dan menu untuk setiap
halaman.
Sedangkan dalam bagian kedua berisi penjelasan algoritma beserta
kompleksitasnya.
Bagian akhir membahas hasil penelitian untuk setiap percobaan
yang
dilakukan. Hasil penelitian ini dituangkan dalam tabel hasil
akurasi yang disertai
confusion matriks untuk akurasi terbaik.
4.1. Implementasi Antar Muka yang Digunakan pada Sistem
4.1.1. Halaman Utama
Pada halaman utama, terdapat identitas dan tujuan pembuatan
prototipe
sistem pengenalan motif batik Yogyakarta. Terdapat 3 menu editor
dan 2 menu
push button, yaitu:
57
-
58
1. Menu Editor Konsep Metode
Menu editor ini berfungsi menampilkan halaman pengenalan konsep
Linear
Discriminant Analysis dan konsep 5-fold cross validation yang
digunakan
dalam pengenalan motif batik Yogyakarta.
2. Menu Editor About
Menu teks ini berfungsi menampilkan halaman identitas program
dan
pembuatnya.
3. Menu Editor Help
Menu berfungsi menampilkan halaman panduan dalam menggunakan
fungsi
pengenalan dan pengujian metode LDA.
4. Menu Push Button Fase Pengenalan Batik
Menu yang menampilkan halaman pengenalan motif batik
Yogyakarta.
5. Menu Push Button Fase Pengujian Batik
Menu yang berfungsi menampilkan halaman pengujian metode
Linear
Discriminant Analysis dalam melakukan training dan testing data
motif batik
Yogyakarta.
-
59
Gambar4.1. Halaman utama (Home) sistem pengenalan motif batik
Yogyakarta
-
60
4.1.2. Halaman Pengenalan Motif Batik Yogyakarta
Gambar4.2. Halaman fase pengenalan motif batik Yogyakarta
Gambar4.3. Kotak file selector untuk mengambil gambar
-
61
Gambar4.4. Peringatan tidak ada file yang dipilih
Halaman pengenalan motif batik Yogyakarta merupakan
halaman yang berfungsi membaca motif batik Yogyakarta yang
dimasukkan lewat tombol browse. Pengguna dapat memasukkan
gambar yang dipilih melalui jendela file selector yang muncul
ketika
tombol browse ditekan. Jika tidak ada file yang dipilih,
maupun