PENGENALAN MOTIF BATIK YOGYAKARTA DENGAN ...repository.usd.ac.id/32486/2/065314010_Full.pdfFinePixJ20 10MP dengan ukuran data motif batik hasil crop 200x200 piksel. Pengenalan motif

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

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 …

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


3.4.2. Pengolahan Feature ......................................................................... 47

3.4.3. Training ............................................................................................ 47

3.5. Perancangan Fase Pengenalan (Testing) .................................................... 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



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


,

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


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 “Parang Tuding” ke 6 hingga ke 10,

…………

24


Kelompok 3:








data motif “Parang Tuding” ke 11 hingga 15,

…………


Kelompok 4:









25

…………


Kelompok 5:









…………


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:


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


Output: Matriks hasil rata-rata edge horizontal berukuran 1x8.

Algoritma:


34



Canny.





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:




Canny.


35






(ukuran 25x25 piksel = 625), sehingga didapat hasil rata-rata

dalam satu unit. Hal ini dilakukan untuk setiap unit.


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.


Output: Matriks rata-rata keseluruhan edge, rata-rata edge

vektor horizontal, dan vektor vertikal berukuran 1x80.

Algoritma:




Canny.



vektor secara vertikal dan horizontal sehingga mendapatkan

64 unit,setiap unit berukuran 25x25 piksel.

36



(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.


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.


Output: Matriks rata-rata edge vektor horizontal, dan vektor

vertikal berukuran 1x16.

Algoritma:



37


Canny.






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.



dijumlahkan secara vektor horizontal). Hal ini dilakukan

untuk setiap unit.



dijumlahkan secara vektor vertikal). Hal ini dilakukan untuk

setiap unit.



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


Output: Matriks warna RGB, rata-rata keseluruhan edge, rata-rata

edge vektor horizontal, dan vektor vertikal berukuran 1x87.

Algoritma:


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.



Canny.






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.



dijumlahkan secara vektor horizontal). Ini merupakan rata-

rata edge vektor horizontal. Hal ini dilakukan untuk setiap

unit.



dijumlahkan secara vektor vertikal). Ini merupakan rata-rata

edge vektor vertikal. Hal ini dilakukan untuk setiap unit.

39

11. Hasil perhitungan warna RGB 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








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





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

PENGENALAN MOTIF BATIK YOGYAKARTA DENGAN ...repository.usd.ac.id/32486/2/065314010_Full.pdfFinePixJ20 10MP dengan ukuran data motif batik hasil crop 200x200 piksel. Pengenalan motif

Documents