Yoseph P.K.Kelen1, Budiman Baso2, Oktovianus R. Sikas3
Program Studi Teknologi Informasi, Fakultas Pertanian, Universitas Timor Jl. Km. 09, Kelurahan Sasi, Kecamantan Kota Kefamemanu, TTU, NTT, 85613
* Budiman Baso
I. Introduction
Indonesia memiliki banyak kekayaan budaya dalam bentuk kain tradisional, salah satunya adalah tenun Timor dari provinsi Nusa Tenggara Timur. Tenun Timor sebagai salah satu warisan budaya saat ini digemari berbagai kalangan dan menjadi trend busana, bahkan presiden RI bapak Joko Widodo pada upacara HUT RI ke 75 selaku inspektur upacara di Istana Merdeka menggunakan baju adat tenun Timor, tepatnya tenun motif Nunkolo dari Timor Tengah Selatan. Walaupun tenun belum sepopuler batik yang telah terdaftar pada tanggal 2 Oktober 2009 oleh UNESCO sebagai warisan kemanusiaan untuk lisan dan non bendawi (Masterpiece of the Oral and Intangible Heritage of Humanity) bangsa Indonesia [1]. Tak ingin tertinggal dengan batik, tenun dari Nusa Tenggara Timur pun telah diusulkan pemerintah melalui Kementerian Pendidikan dan Kebudayaan sebagai warisan budaya tak benda ke UNESCO untuk kategori warisan budaya tak benda yang membutuhkan perlindungan mendesak (Need of Urgent Safeguarding of Intangible Cultural Heritage), dalam hal ini baru sebagian jenis tenun dari Nusa Tenggara Timur yaitu tenun ikat Sumba yang dianggap dapat mewakili tradisi pertenunan di Indonesia [2].
Oleh karena itu, tenun Timor yang merupakan warisan budaya dari provinsi Nusa Tenggara Timur harus kita jaga dan lestarikan, agar dapat bersaing dengan kain tradisional lainnya yang ada di
ARTICLE INFO A B S T R A C T
Article history:
Received Revised Accepted
Indonesia memiliki banyak kekayaan budaya dalam bentuk kain tradisional, salah satunya adalah tenun Timor dari provinsi Nusa Tenggara Timur. Tenun Timor merupakan warisan budaya yang harus kita jaga dan lestarikan, salah satu bentuk pelestariannya pada bidang teknologi informasi khususnya dibidang pengolahan citra digital, yaitu dengan melakukan pendataan identitas motif tenun Timor secara komputerisasi, proses tersebut diawali dengan pengenalan pola. Sehingga pada penelitian ini kami melakukan klasifikasi citra tenun Timor berdasarkan fitur yang terkandung pada citra tenun yang merupakan bagian dari pengenalan pola. Untuk keseluruhan proses klasifikasi citra tenun Timor menggunakan ekstraksi fitur SURF (Speeded Up Robust Feature) dengan representasi fitur BoVW (Bag of Visual Words), selanjutnya klasifikasi menggunakan SVM (Support Vector Machine). Untuk meningkatkan kualitas kinerja BoVW, dilakukan pendekatan dalam menentukan jumlah cluster yang baik dalam mengelompokan pola visual words. Penentuan jumlah cluster tersebut mempengaruhi kecepatan komputasi dan akurasi pada klasifikasi citra tenun.
Berdasarkan hasil percobaan yang telah dilakukan dengan menguji nilai cluster yang berbeda-beda memperoleh hasil yang berbeda, hal ini berpengaruh dengan tingkat kerenggangan visual word, sehingga pada visual word dengan nilai cluster 500 memperoleh tingkat akurasi tertinggi yaitu 100%, sedangkan visual word dengan nilai cluster 100 hanya memperoleh tingkat akurasi 96%.
2 ISSN: xxxx-xxxx
First Author et.al (Title of paper shortly)
Indonesia dan dapat diakui oleh dunia. Salah satu bentuk pelestariannya pada bidang teknologi informasi khususnya dibidang pengolahan citra digital, yaitu dengan melakukan pendataan identitas motif tenun Timor secara komputerisasi, yang merupakan langkah awal pelestarian tenun pada bidang teknologi informasi. Proses tersebut diawali dengan pengenalan pola untuk mencari informasi dari citra tenun tersebut menggunakan proses ekstraksi ciri dengan metode SURF (Speeded-Up Robust Features) dengan representasi fitur BoVW (Bag of Visual Words), setelah melakukan ekstraksi fiture pada citra tenun Timor selanjutnya yaitu klasifikasi menggunakan SVM (Support Vector Machine). Pada penelitian ini proses pengumpulan data melalui tiga cara, yaitu observasi, wawancara dan studi pustaka. Dalam pengimplementasiannya menggunakan Matlab 2018a. Pengujian menggunakan tujuh sampel citra motif tenun Timor yaitu; motif Belu, Biboki, Buna, Kauniki, Naisa, Nunkolo, Weulun. Setiap citra dibagi menjadi beberapa bagian dan selanjutnya diproses dengan metode tersebut.
Penelitian yang mengangkat kain tradisional sebagai objek penelitian dilakukan Nani Sulistianingsih, 2018 [3]. Penelitian ini menerapkan ekstraksi fitur Gray Level Co-occurrence Matrix untuk mengekstrak fitur pada citra batik. Total fitur yang diperoleh dengan mengekstraksi citra batik menggunakan GLCM adalah 20 fitur. Dari 20 fitur, CFS mampu mengurangi 70% fitur yang tidak relevan. Hasil penelitian menunjukkan bahwa klasifikasi batik menggunakan Backpropagation menghasilkan akurasi sebesar 83% dan klasifikasi menggunakan metode K-Nearest Neighbor adalah 67%. Adapun penelitian selanjutnya yang dilakukan oleh Agus Minarno 2020 [4], mengusulkan metode ekstraksi fitur Citra Batik menggunakan Multi Texton Co-Occurrence Descriptor (MTCD) dengan classifier Support Vector Machine (SVM) yang divalidasi dengan Logistic Regression (LR) untuk mengklasifikasikan batik dengan akurasi tinggi. Dataset yang digunakan dalam pengujian menggunakan Batik 300 dan Batik 41k. Hasil eksperimen menunjukkan bahwa MTCD dan SVM merupakan kombinasi teknik yang sangat andal dalam mengklasifikasikan citra batik. Akurasi yang diperoleh dengan menggunakan SVM dan LR adalah 1.0 dan 1.0. Dengan demikian MTCD, SVM, dan LR dapat digunakan untuk mengklasifikasikan citra batik secara efektif dan terpercaya.
Penelitian oleh Nitijiramon (2020) [5], melakukan klasifikasi amfetamin berbasis logo menggunakan model SURF dan Bag-of-Features, selama percobaan menemukan bahwa permukaan amfetamin yang tidak halus dan kontras yang rendah adalah faktor utama dari akurasi yang rendah dalam proses klasifikasi. Sehingga dilakukan perbaikan citra terlebih dahulu, untuk mengurangi noise dengan filter adaptif dan Histogram CLAHE untuk perbaikan kontras, hasil dari algoritma praproses yang dilakkan menunjukkan bahwa kejelasan logo pada amfetamin meningkat dan noise berkurang. Kemudian algoritma SURF (Speeded-Up Robust Features) digunakan untuk mengekstrak fitur dan mengklasifikasikan menggunakan model Bag-of-features. Hasil eksperimen ini menunjukkan bahwa praproses yang diusulkan untuk setiap langkah dapat meningkatkan akurasi hingga 97 persen. Penelitian selanjutnya melakukan klasifikasi gambar oleh Guo (2019) [6], dengan mengunakan Metode SURF (Speeded Up Robust Feature) untuk mengekstrak image feature points.
Selanjutnya algoritma Kmeans digunakan untuk mengelompokkan feature points yang telah diekstraksi. Kemudian classifier KNN (k-Nearest Neighbor) digunakan untuk mengenali dan mengklasifikasikan setiap gambar. Hasil percobaan menunjukkan bahwa akurasi klasifikasi gambar mencapai 90% ketika parameter yang baik dipilih, tetapi ada beberapa kekurangan untuk klasifikasi gambar dengan tinggikesamaan.
Teknik yang akan dilakukan pada penelitian ini yaitu melakukan preprocessing dengan mentransformasi citra RGB tenun Timor menjadi citra grayscale. Setelah mendapatkan citra tenun Timor hasil preprocessing, selanjutnya melakukan akstraksi ciri pada tenun dengan metode SURF (Speeded Up Robust Feature) dengan representasi fitur BoVW (Bag of Visual Words), setelah melakukan ekstraksi fiture pada citra tenun Timor selanjutnya melakukan klasifikasi menggunakan SVM (Support Vector Machine).
II. Methods A. Dataset
Data yang digunakan dalam penelitian ini adalah citra tenun Timor yang terdiri dari 7 kelas. Ada 30 sub gambar dengan ukuran 150 x 200 di setiap kelas. Dengan demikian, jumlah total sub gambar adalah 210, yang dibagi menjadi 100 sub gambar untuk pembelajaran dan 110 gambar lainnya untuk
ISSN: xxxx-xxxx 3
First Author et.al (Title of paper shortly)
pengujian. Citra yang digunakan adalah citra tenun Timor yang memiliki motif flora, fauna dan
Gambar 6.Ragam motif tenun Timor,
(a) Belu (b) Biboki, (c) Buna, (d) Kauniki, (e) Naisa, (f) Nunkolo, (g) Weulun.
B. Overall System
Dalam studi ini, ada 2 langkah utama yaitu pembelajaran dan pengujian. Pada langkah pembelajaran, dataset gambar tenun akan dipelajari untuk menghasilkan model klasifikasi yang digunakan dalam pengujian. Ada beberapa langkah penting yaitu preprocessing (transformasi gambar dari gambar RGB ke gambar grayscale), pembuatan BOF (ekstraksi fitur menggunakan SURF, penyusunan vocabulary menggunakan K-means dan histogram konstruksi) dan klasifikasi menggunakan SVM. Langkah dalam pengujian ini serupa dengan langkah sebelumnya. Hasil dari langkah ini adalah label kelas untuk setiap data uji yang ada.
C. SURF (Speeded-Up Robust Features)
Speed-Up Robust Features (SURF) merupakan sebuah metode deteksi fitur yang menggunakan keypoint dari sebuah citra. Deteksi fitur merupakan proses mengolah citra untuk mengekstrasi fitur-fitur yang unik dari suatu objek di dalam citra, tujuannya agar objek dapat dideteksi pada citra lain yang mengandung objek yang sama meskipun objek mengalami perubahan skala ataupun rotasi [7].
Sedangkan keypoint itu sendiri adalah bagian-bagian dari sebuah citra yang nilainya tetap ketika mengalami perubahan skala, rotasi dan pencahayaan. SURF mampu mendeteksi fitur lokal suatu citra dengan handal dan cepat [8].
D. Bag of Visual Words (BoVW)
Fitur SURF memiliki dimensi tinggi. Untuk klasifikasi gambar, fitur SURF perlu mengurangi dimensi ruang fitur. Hasil vocabulary yang dapat digunakan untuk menjelaskan setiap gambar unik sebagai histogram dengan menerapkan metode pengelompokan dalam ekstraksi fitur. Metode ini digunakan untuk menghitung histogram yang menemukan fitur relatif yang dikenal sebagai metode Spasial Pyramid [9].
Pada dasarnya ada empat tahap tahap BoVW:
• Deteksi dan deskripsi fitur gambar menggunakan SURF
• Pengelompokan deskriptor ke set cluster (vocabulary) dengan algoritma kuantisasi vektor menggunakan K-means
• Pembuatan Bag of Visual Words, yang menghitung jumlah fitur yang dimasukkan pada setiap kluster
• Klasifikasi, pembelajaran Bag of Visual Words sebagai vektor fitur, dan tentukan kategori gambar.
Idealnya langkah ini dirancang untuk memaksimalkan akurasi klasifikasi dan meminimalkan komputasi. Oleh karena itu, tidak hanya cukup kaya untuk membawa informasi yang cukup untuk menjadi diskriminatif pada tingkat kategori tetapi juga deskriptor yang diekstrak pada langkah pertama harus invarian untuk variasi yang tidak relevan dengan tugas kategorisasi (transformasi gambar, variasi pencahayaan dan oklusi). Pada langkah kedua, vocabulary harus sesuai (tidak terlalu besar sehingga dapat membedakan perubahan yang relevan dalam bagian gambar dan tidak terlalu
4 ISSN: xxxx-xxxx
First Author et.al (Title of paper shortly)
kecil sehingga dapat membedakan variasi yang tidak relevan seperti noise) [10]. Dalam kategorisasi teks, vektor fitur terkuantisasi (pusat klaster) sebagai "titik kunci" diasumsikan sebagai "kata kunci".
Tujuan utamanya adalah membuat vocabulary yang mungkin dapat meningkatkan kategorisasi dalam proses pembelajaran [11]. Motif dan pola berulang pada gambar tenun dasar akan berdampak pada fitur berulang yang diekstraksi oleh SURF sehingga metode ini dapat mengurangi fitur untuk waktu komputasi yang lebih baik.
E. Support Vector Machine
Support Vector Machine (SVM) adalah metode klasifikasi populer saat ini. Metode ini bekerja dengan baik pada data dimensi tinggi dan SVM dapat menggunakan fungsi kernel yang dapat memetakan data asli menjadi dimensi yang lebih tinggi [12]. Berbeda dengan metode klasifikasi lain, SVM tidak menggunakan semua data untuk dipelajari dalam proses pembelajaran, tetapi hanya beberapa data yang dipilih yang dikontribusikan untuk membangun model dalam proses pembelajaran. Penelitian ini menggunakan SVM karena fitur yang digunakan memiliki dimensi besar tergantung pada jumlah vocabulary. Untuk proses klasifikasi detail menggunakan SVM, prosesnya dapat dilihat pada [13].
III. Experimental Studies
Kami menerapkan sistem pada keadaan: perangkat keras yang digunakan adalah laptop dengan spesifikasi prosesor Intel(R) Core (TM) i5-8250U dan 8 Gb RAM, sistem operasinya adalah Windows 10 64 bit, dan perangkat lunak yang digunakan dalam penelitian ini adalah aplikasi Matlab R2018a. Metode ekstraksi fitur SURF [18].
Dalam penelitian ini, skenario yang diimplementasikan untuk menguji metode klasifikasi citra tenun yang dilakukan adalah menguji efek pemilihan jumlah vocabulary yang digunakan. Jumlah vocabulary untuk membangun model clustering adalah faktor substansial yang berdampak pada akurasi klasifikasi. Tujuan utama bagian ini adalah untuk menganalisis berapa banyak klaster yang cukup fit untuk meningkatkan akurasi menggunakan SURF pada citra grayscale. Jumlah cluster yang diimplementasikan adalah 100, 300 dan 500.
Pada penelitian ini Metode evaluasi yang digunakan untuk mengukur keandalan metode pada sistem temu kembali citra tenun Nusa Tenggara Timur menggunakan akurasi. Proses perhitungan accuracy, ditentukan dari prediksi informasi pada nilai aktual yang diwakili oleh True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Akurasi adalah ukuran dari hasil eksperimen yang menghitung rasio kebenaran dari semua data. Persamaan dari metode evaluasi accuracy ditunjukkan dalam persamaan1.
(1)
IV. Result and Discussion
Klasifikasi menggunakan metode SVM akan di ujicobakan dengan 3 model jumlah kluster pada bag of visual words, model pertama dengan nilai K 100, model kedua dengan nilai K 300, model ketiga dengan nilai K 500. Hasil pengujian dapat dilihat pada tabel 1 sampai dengan tabel 3.
Table 1. Hasil pengujian dengan nilai cluster 100
KNOWN PREDICTED
ISSN: xxxx-xxxx 5
First Author et.al (Title of paper shortly) Table 2. Hasil pengujian dengan nilai cluster 300
KNOWN PREDICTED
Table 3. Hasil pengujian dengan nilai cluster 500
KNOWN PREDICTED
Pada tabel 1 sampai tabel 3 menampilkan hasil klasifikasi citra Tenun Timor menggunakan SVM dengan kategori nilai cluster 100 sampai nilai cluster 300. Pada table 1 hasil pengujian dengan nilai cluster 100, pada kategori tenun Timor motif Belu SVM mampu mengklasifikasi dengan tingkat akurasi 90%. Pada kategori tenun Timor motif Biboki SVM mampu mengklasifikasi dengan tingkat akurasi 97%. Pada motif Buna SVM mampu mengklasifikasi dengan tingkat akurasi 87%.
Sedangkan pada kategori tenun Timor motif Kauniki, Naisa, Nunkollo dan motif Weulun SVM mampu mengklasifikasi dengan baik yaitu dengan tingkat akurasi 1.00%. Hasil akurasi rata-rata yang diperoleh dari pengujian dengan nilai cluster 300 adalah 96%.
Pada table 2 hasil pengujian dengan nilai cluster 300, untuk kategori tenun Timor motif Buna SVM mampu mengklasifikasi dengan tingkat akurasi 90%. Sedangkan pada kategori tenun Timor motif Belu, Biboki, Kauniki, Naisa, Nunkollo dan motif Weulun SVM mampu mengklasifikasi dengan baik yaitu dengan tingkat akurasi 1.00%. Hasil akurasi rata-rata yang diperoleh dari pengujian dengan nilai cluster 300 adalah 99%. Selanjutnya hasil pengujian dengan nilai cluster 500 yang ditunjukan Pada table 2, SVM mampu mengklasifikasi dengan baik semua motif tenun Timor yang ada, yaitu dengan tingkat akurasi 1.00%.
Dari tabel 1 sampai 3 menunjukkan hasil klasifikasi dengan akurasi bervariasi untuk masing-masing jumlah nilai cluster. Pada percobaan yang dilakukan dengan nilai cluster 100 memperoleh tingkat akurasi rata sebesar 96%, pada percobaan dengan nilai cluster 300 mendapatkan rata-rata akurasi 99%, sedangkan pada nilai cluster 500 memperoleh tingkat akurasi yang tinggi dengan nilai rata-rata akurasi mencapai 100%. Penyebab rendahnya tingkat akurasi pada cluster 100 dibandingkan dengan cluster 500 dikarenakan bag of feature memiliki rentang index word yang sangat rapat pada cluster 100, gambar 2 menunjukkan kemunculan visual word dengan cluster 100 dan gambar 3 menunjukkan kemunculan visual word dengan cluster 500.
6 ISSN: xxxx-xxxx
First Author et.al (Title of paper shortly) Fig. 1. Kemunculan Visual Word dengan K 100.
Fig. 2. Kemunculan Visual Word dengan K 500
Berdasarkan hasil penelitian yang telah dilakukan, dengan menguji cobakan nilai cluster yang berbeda-beda memperoleh hasil yang berbeda, hal ini berpengaruh dengan tingkat kerenggangan visual word, pada gambar 2 terlihat jelas kerenggangan visual word dengan nilai cluster 500 memperoleh tingkat akurasi tertinggi yaitu 100%, sedangkan pada gambar 1 terlihat jelas kerapatan visual word dengan nilai cluster 100 hanya memperoleh tingkat akurasi 96%.
V. Conclusion
Pada penelitian ini dilakukan klasifikasi citra tenun Timor dengan beberapa tahapan proses yaitu;
mengubah citra RGB tenun menjadi grayscale, selanjutnya melakukan ekstraksi fitur menggunakan SURF (Speeded Up Robust Feature) dengan representasi fitur menggunakan model BoVW (Bag of Visual Words), selanjutnya melakukan klasifikasi dengan SVM (Support Vector Machine). Untuk meningkatkan kualitas kinerja bag of visual words, dilakukan pendekatan dalam menentukan jumlah cluster yang baik dalam mengelompokan pola visual words. Penentuan jumlah cluster tersebut tentunya mempengaruhi kecepatan komputasi dan akurasi pada klasifikasi citra tenun.
Untuk keseluruhan proses klasifikasi citra tenun Timor menggunakan ekstraksi SURF dengan representasi fitur BoVW menunjukkan bahwa, berdasarkan hasil percobaan yang telah dilakukan dengan menguji nilai cluster yang berbeda-beda memperoleh hasil yang berbeda, hal ini berpengaruh dengan tingkat kerenggangan visual word, sehingga pada visual word dengan nilai cluster 500 memperoleh tingkat akurasi tertinggi yaitu 100%, sedangkan visual word dengan nilai cluster 100 hanya memperoleh tingkat akurasi 96%.
ISSN: xxxx-xxxx 7
First Author et.al (Title of paper shortly)
References
[1] V. M. Josefine, “Indonesian Cultural Diplomacy Through UNESCO in Winning Batik as Intangible Cultural Heritage.” 2019.
[2] B. Setiawan, “STRATEGY FOR DEVELOPMENT OF KUPANG IKAT WOVEN EAST NUSA TENGGARA PROVINCE.” 2014.
[3] N. Sulistianingsih, I. Soesanti, and R. Hartanto, “Classification of Batik Image using Grey Level Co- occurrence Matrix Feature Extraction and Correlation Based Feature Selection.”
2018.
[4] A. E. Minarno, Y. Azhar, F. D. S. Sumadi, and Y. Munarko, “A Robust Batik Image Classification using Multi Texton Co-Occurrence Descriptor and Support Vector Machine.”
2020.
[5] T. Nitijiramon, N. Cooharojananone, and P. C. L. S. Saiseng, “Logo Based Amphetamines Classification using SURF and Bag-of-features model Tharaphon.” 2020.
[6] J. Guo and X. Wang, “Image Classification Based on SURF and KNN.” 2019.
[7] H. Bay, T. Tuytelaars, and L. Van Gool, “SURF: Speeded Up Robust Features,” vol. 53, no.
4. pp. 562–589, 2006.
[8] H. Bay, A. Ess, T. Tuytelaars, and L. Van Gool, “Speeded-Up Robust Features (SURF),”
Computer Vision and Image Understanding, vol. 110, no. 3. pp. 346–359, 2008.
[9] S. Jia, L. Ma, X. Tan, and D. Qin, “Bag-of-Visual Words based Improved Image Retrieval Algorithm for Vision Indoor Positioning.” 2020.
[10] A. . Jinisha and D. T. . S. Rani, “Brain Tumor Classification using SVM and Bag of Visual Word classifier.” 2019.
[11] C.-F. Tsai, “Two Strategies for Bag-of-Visual Words Feature Extraction.” 2018.
[12] “Detecting and Treating Mental Illness on Social Networks.” .
[13] I. Hidayah, A. E. Permanasari, and N. W. Wijayanti, “Sentiment Analysis on Product Review using Support Vector Machine (SVM).” 2019.