Klasifikasi Motif Batik Lampung
Menggunakan Ekstraksi Ciri Tepi
Canny
dan
Algoritma
Naïve Bayes Classifier
Mifta Ardianti
1, Undang Syaripudin
2, Yana Aditia Gerhana
3123
Jl. A.H. Nasution No. 105, Cipadung, Cibiru, Kota Bandung, Jawa Barat 40614, Indonesia
1
miftaardianti@student.uinsgd.ac.id,
2undang_if@uinsgd.ac.id ,
3yanagerhana@uinsgd.ac.id
Abstract-This pattern recognition system has been widely used in the field of identification of batik motifs. Batik motifs are diverse and have their own trademark in each region. Combining the pattern recognition technology with the classification algorithm can be used for the development of this application, as done on the research done. Due to the number of inappropriate classification algorithms and the selection of extracts of the characteristics that have not been sesui then in this study using the Algorithm Naïve Bayes Classifier and extraction of canny edge detection edge. Using the Color Extraction feature, horizontal vector, vertical vector, color combination and vertical vector and a combination of horizontal colors and vectors. This research uses 10 types of lampung batik motifs that are cut into 10 parts with the image size of 200 x 200 pixels of batik. Then the image of batik that has been cut into 10 parts in the extraction according to user choice to get training data then the user melakuakan testing to know the type of batik motif lampung. The results of this study had an accuracy of 47% for color extraction, 47% for 38% horizontal vector extraction for vertical vector extraction, 46% for feature extraction using color and horizontal / vertical vector extraction, this indicated that the pattern recognition system and the Naïve bayes classification algorithm Classifie can be used to identify batik lampung motif.
Keywords-Batik, Naïve Bayes Classifier, classification, canny.
Abstrak-Sistem pengenalan pola ssat ini sudah banyak dimanfaakan pada bidang identifikasi motif batik. Motif batik yang beragam dan memiliki ciri khasnya masing-masing disetiap daerah. Menggabungkan teknologi pengenalan pola dengan algoritma klasifikasi dapat dimanfaatkan untuk pembangunan aplikasi ini, seerti yang dilakukan pada penelitaian yang prnh dilakukan. Karena banyaknya algoritma klasifikasi yang kurang tepat dan pemilihan ekstrkais ciri yang belum sesui maka dalam penelitian ini menggunakan Algoritma Naïve Bayes Classifier dan Ekstraksi ciir deteks tepi canny. Dengan menggunakan Feature Extraction warna, vektor horizontal, vektor vertikal, gabungan warna dan vektor vertikal dan gabungan warna dan vektor horizontal. Penelitian ini mengguankan 10 jenis motif batik lampung yang dipotong-potong menjadi 10 bagian dengan ukuran citra batik 200 x 200 piksel. Kemudian citra batik yang telah dipotong menjadi 10 bagian di ekstraksi sesuai pilihan user untuk mendapatkan data training selanjutnya user melakuakan testing untuk mengetahui jenis motif batik lampung. Hasil penelitian ini memiliki akurasi 47 % untuk ekstraksi warna, 47% untuk ekstraksi vektor horizontal 38% untuk ekstrasi vektor vertikal, 46% untuk ekstraksi ciri menggunakan gabuangan warna dan vektor horizontal/vertikal, maka ini menunjukkan bahwa sistem pengenalan pola dan algoritma klasifikasi Naïve bayes Classifie dapat digunakan untuk mengidentifikasi motif batik lampung.
Kata kunci- Batik, Naïve Bayes Classifier, klasifikasi, canny.
I. PENDAHULUAN
Indonesia memiliki 33 Provinsi, dengan beragam suku dan kebudayaan. Kekayaan budaya yang dimiliki oleh Indonesia sangat beragam jenisnya, musik dan seni tulis merupakan kekayaan budaya yang sudah ada sejak dahulu. Karya seni batik merupakan warisan budaya indoensia yang telah ditetapkan UNESCO pada tanggal 2 Oktober 2009 sebagai hak kebudayaan intelektual bangsa Indonesia [1]. Provinsi Lampung sebagai salah satu provinsi di Indonesia mempunyai batik lampung sebagai kain tradisional dengan motif yang beragam. Provinsi Lampung sebelumnya tidak memiliki tradisi membatik, namun ada peningalan yang disebut sebagai batik pertama yang dikenalkan oleh masyarakat Lampung, yaitu kain Sembagi [2]. Motif batik lampung tidak hanya pada kain Sembagi saja, namun telah banyak berkembang. Motif batik lampung saat ini telah banyak memiliki banyak motif diantaranya motif siger Pak Jimo dan Jung Agung.
Citra (gambar) merupakan jenis data multimedia yang
bidang teknologi dimanfaatkan untuk pengenalan pola. Pengenalan pola yaitu mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (dalam hal ini komputer). Tujuan pengelompokan adalah untuk mengenali suatu objek dalam citra [2][7][8]. Salah satu jenis pengolahan citra adalah pengenalan pola. Pegenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain.
Klasifikasi Motif Batik Lampung Menggunakan Ekstraksi Ciri Tepi Canny 97 II. METODE PENELITIAN
Dalam penelitian ini, metode yang digunakan yaitu : a. Studi Literatur
Pencarian informasi dan pemahaman literature melalui berbagai media referensi dari buku, majalah, internet yang berupa artikel, jurnal ilmiah dan forum yang berkaitan dengan tugas akhir ini [9]–[12]. b. Observasi
Metode untuk mendapatkan data dengan melakukan kunjungan ke sanggar Siger Roemah Batik secara angsung dan mengamati secara sistematis terhadap masalah yang ada.
c. Proses Pengumpulan Data
Setelah memahami literature yang ada, selanjutnya dilakukan pengumpulan data yang akan dijadikan sumber informasi pada tugas akhir ini. Data berupa citra tapis diperoleh melalui website batiksiger.com Pada proses pengumpulan data, berikut kajian teori yang berkaitan dengan penelitian ini, diantaranya:
a. Algoritma Naïve Bayes
Teorema bayes adalah perhitungan statistic dengan menghitung probabilitas kemiripan kasus lama yang ada dibasis kasus dengan kasus baru. Teorema bayes memiliki tingkat akurasi yang tinggi dan kecepatan yang baik ketika diterapkan pada database yang besar [13], [14]. Naïve Bayes termasuk ke dalam pembelajaran supervised, sehingga pada tahapan pembelajaran dibutuhkan data awal berupa data pelatihan untuk dapat mengambil keputusan. Pada tahapan pengklasifikasian akan dihitung nilai probabilitas dari masing-masing label kelas yang ada terhadap masukan yang diberikan. Label kelas yang memiliki nili probabilitas paling besar yang akan dijadikan label kelas data masukan tersebut. Naïve bayes classifier merupakan salah satu pengklasifikasian berpeluang sederhana, dengan asumsi antar variable penjelas saling bebas (independence), atributnya saling bebas atau tidak ada kaitan antar atribut. Naïve Bayes merupakan sebuah algoritma yang memanfaatkan metode probabilitas dan statistik dengan memprediksi probabilitas dimasa depan berdasarkan pada masa sebelumnya [15]–[17]. b. Deteksi Tepi Canny
Algoritma Canny memmiliki tingkat kesalahan yang rendah, melokalisasi titik-titik tepi (jarak piksel-piksel tepi yang ditemukan deteksi dan tepi sesungguhnya sangat pendek), dan hanya memberikan satu tanggapan untuk satu tepi. Deteksi tepi canny memili langkah-langkah sebagai berikut [2], [10], [18].
a) Filter Gausian
Filter Gausian adlaah filter 2D convolution operator yang digunakan untuk membuat smoothing suatu gambar dan menghilangkan atau mengurangi noise pada gmbar.
b) Menghitung Gradien dan Gambar Sudut Menentukan Gradien gambar yang telah diperluas dengan menggunakan operator sobel.
Kekuatan tepi (magnitude gradient) dapat ditentukan sebagai jarak Euclidean yang diukur dengan menggunakan hokum Phytagoras, seperti berikut :
D = | Dx (x, y) + Dy (x, y) |
Untuk menentukan tepian sebenarnya, arah tepian harus ditetukan dan disimpan dengan menggunakan persamaan berikut :
c) Non Maximus Supperssion
Pada langkah ini bertujuan membuang potensi gradient di suatu piksel dari kandidiat tepi jika piksel tersebut bukan merupakan maksimal local pada arah tepi di posisi piksel tersebut. Oleh
Tahap ini adalah klasifikasi tiap piksel apakah termasuk dalam kategori piksel tepi atau tidak dengan menerapkan double threshold (tentukan threshold bawah dan threshold atas). Implementasi yang digunakan sebagai berikut [19] :
If piksel (x,y) memiliki gradient magnitude kurang dari t_low bukan tepi.
If piksel (x,y( meimiliki gradient magnitude lebih dari t_high dianggap tepi.
If piksel (x,y) memiliki gradient magnitude antara t_low dan t_high dipertimbangkan sebgai tepi
c. Ekstraksi Ciri
ciri kemudian digunakan sebagai masukan dalam tahapan klasifikasi objek.
d. Metode Pengembangan Perangkat Lunak
Model Prototipe merupakan salah satu metode pengembangan perangkat lunak yang banyak digunakan oleh pengembang karena selain sederhana, metode ini juga dapat menyesuaikan kebutuhan user secara detail dalam pembuatan perangkat lunak [20]– [23]. Metode ini mampu menawarkan pendekatan yang terbaik dalam hal kepastian terhadap efisiensi algoritma, kemampuan penyesuaian diri dari sebuah site operasi atau bentuk-bentuk yang harus dilakukan oleh interaksi manusia dengan mesin[24]. Siklus dari model prototipe ini sebagai berikut :
Gambar 1 Paradigma Prototipe
Model prototipe ini dimulai dari adanya komunikasi dengan pelanggan untuk mengumpulkan kebutuhan terhadap perangkat lunak yang akan dibuat. Lalu dibuatnya perencanaan secara cepat terhadap perangkat lunak agar pelanggan lebih terbayang dengan apa yang sebenarnya diinginkan berupa simulasi alur perangkat lunak. Setelah pengembang dan pelanggan sepaham mengenai alur perangkat lunak yang akan dikembangkan, maka pengembang akan mengimplementasi alur yang telah disepakati dalam program yang harus dibangun. Program yang telah dibangun oleh pengembang ini dievaluasi oleh pelanggan sampai ditemukan spesifikasi yang sesuai dengan keinginan pelanggan.
III.HASIL DAN PEMBAHASAN
Dalam penelitaian ini dilkukan analisis, perancangan, implementasi dan pengujian terhadap sistem yang akan dibuat.
A. Analisis
Tujuan dari proses analisis ini yaitu untuk menganalisa kebutuhan-kebutuhan pada pembuatan aplikasi pengenalan motif batik lampung sehingga masalahyanga muncul diatasi sasuai dengan kebutuhan.
a. Analisis Masalah
Berikut adalah gambaran sistem yang ada, yang nanatinya akan digunakan sebagai acuan dalam pembuatan sistem yang diusulkan.
Gambar 2 Gambaran Sistem yang ada
b. Analisis Sistem
Analisis sistem merupakan penguraian dari suatu masalah ke dalam bagian-bagian komponenya untuk mengidentifikasi dan mengevaluasi permasalahan, kesempatan dan hambatan yang akan terjadi sehingga dapat dilakukan perbaikan.
Gambar 3 Sistem yang diusulkan c. Arsitektur Sistem
Arsitektur sistem merupakan rancangan sistem secara umum (garis besar) yang akan dibuat mengunakan diagram atau flowchat. Arsitektur sistem juga dapat dikatakan sebagai gambaran yang menjadi acuan dalam pengembangan sistem untuk meringkas rancangan aplikasi yang akan dibuat.
Gambar 4 Arsitektur Sistem d. Analisis Algoritma
Klasifikasi pada palikasi ini menggunakan algoritma klasifikasi naïve bayes classifier. Proses klasifikasi dengan naïve bayes dilakukan sesuai dengan eatraksi ciri yang dipilih oleh user. Flowchart proses klasifikasi menggunakan naïve bayes adalah sebabgi berikut :
Klasifikasi Motif Batik Lampung Menggunakan Ekstraksi Ciri Tepi Canny 99 B. Perancangan
Pada tahap ini, karena mengguankan model pendekatan pemograman terstruktur.
a. Context Diagram
Context Diagram pada aplikasi pengenalan motif batik lampung memiliki satu pengguna (user), yang dapat menunjang jalannya sistem. Diagram konteks yang ada pada aplikasi pengenalan motif batik lampung. Tedapat satu pengguna (user) pada aplikasi ini. Context Diagram digunakan untuk menggambarkan interaksi anatara sistem yang akan dikembangkan dengan entitas luar.
Gambar 6 Context Diagram
b. Data Flow Diagram Level 1
DFD Level 1 digunakan untuk menggambrkan modul-modul yang ada didalam sistem yang akan dikembangkan. DFD level 1 merupakan hasil breakdown DFD level 0 yang sebulumnya sudah dibuat. DFD Level 1 pada aplikasi pengenalan motif batik lampung. User sebagai entitas luar dari aplikasi ini dapat menginputkan data citra training yang akan diolah, menentukan nilai k-fold dan menginputkan citra testing untuk melihat klasifikasi dan nilai probabilitas. Data training disimpan pada folder data training kemudian user akan menginputkan file citra training untuk mendapatkan informasi motif batik lampung tersebut.
Gambar 7 DFD Level 7
c. Data Flow Diagram Level 2
Proses pengolahan citra lebih lanjut dijelaskan pada DFD level 2. DFD level 2 merupakan hasil dekomposisi proses 1. Proses pengolahan citra meliputi ekestrasi ciri citra, fungsi deteksi tepi canny dan penentuan kelas untuk proses klasifikasi.
Gambar 7 DFD Level 2
C. Implemementasi
Pengoprasian sistem dapat dilakukan dengan mengecek fungsi-fungsi dalam system apakah sudah berjalan dengan baik. Apakah aplikasi sudah sesuai seperti yang diharapkan. Implementasi dan perancangan system klasifikasi menggunakan 50 data citra yang meliputi proses memotong citra menjadi 200x200 piksel, ekstraksi setiap ciri yaitu ciri warna dan rata-rata vektor horizontal dan vertikal serta klasifikasi Naïve Bayes.
a. Implememntasi Algoritma Naïve Bayes
b. Implementasi Antar Muka
Gambar 9 Halaman Utama Aplikasi Pengenalan Motif Batik Lampung
Terdapat tiga menu utama saat aplikasi ini pertama kali dijalankan, menu klasifikasi untuk pengolahan citra dan pengkalsifikasian citra, menu info berisikan informasi tentang aplikasi dan menu keluar.
Gambar 10 Tampilan Menu Klasifikasi Utama
Selanjutnya pengguna akan menginputkan folder data training yang berisikan citra batik yang berukuran 200 x 200 piksel. List box akan menampilkan nama file citra yang telang diinputkan oleh user.
Gambar 11 List Box Citra Training
Selanjutnya pengguna menginputkan nilai k-fold dan citra uji, untuk dilakukan klasifikasi atau pengenalan motif.
Data masukkan dari user dicocokkan dengan data citra yang telah diklasifikasi. Dan dapat diketahui pula hasil probabilitas dalam bentuk persen.
Gambar 12 Aplikasi Pengenalan Motif Batik Lampung
D. Pengujian Sistem
Tahap pengujian sistem merupakan tahap dilakukannya pengujian terhadap sistem yang telah dibangun untuk meyakinkan bahwa system mampu bekerja secara optimal. Pengujian system dilakukan setelah semua fasilitas tersedia sperti hardware, software, sarana dan prasarana. Tahap ini memiliki tujuan untuk memastikan bahwa komponen-komponen sistem telah berfungsi sesuai dengan yang diharapkan. Pengujian ini menggunakan metode pengujian Balck Box dengan menguji fungsi-fungsi yang ada dalam sistem, menguji kebenaran fungsi-fungsi yang ada dalam sistem serta menguji kinerja sistem.
Tabel 1 Pengujian
E. Hasil Klasifikasi Menggunakan Algoritma Naïve Bayes Classifier
Berikut ini merupakan hasil klasifikasi citra kain batik lampung menggunakan Naïve Bayes :
Tabel 2 Hasil Kalsifikasi
Klasifikasi Motif Batik Lampung Menggunakan Ekstraksi Ciri Tepi Canny 101 dikarenakan data training yang digunakan memiliki warna
yang mencolok sehingga pada ekstraksi ciri warna menghasilkan nilai teritinggi. Sama dengan menggunakan ekstraksi ciri Warna dan Vektor Horizontal maupun Warna dan Vektor Vertikal hal ini menunjukkan ekstrkasi ciri yang paling tepat adalah penggabungan warna dan ratarata vektor.
IV.PENUTUP A. Kesimpulan
Setelah melakukan analisis, perancangan, implementasai dan pengujian dengan menggunakan metode pengembangan prototype dan pada beberapa bab sebelumnya, dapat diambil kesimpulan sebagai berikut :
a. Mengklasifikasikan motif batik lampug dengan Algoritma Naïve Bayes berhasil diimplementasikan pada proses pengenalan motif batik lampung dengan fungsi canny dan ekstraksi ciri.
b. Percobaan menggunakan ekstraksi ciri warna memiliki akurasi sebesar 47%, menggunakan ekstraksi ciri vektor vertikal dengan akurasi 38%, ekstraksi ciri vektor horizontal memiliki akurasi 47% sedangkan ekstraksi ciri gabungan warna dan vektor horizontal atau vertikal memiliki akurasi 46 %
c. Citra yang diambil menggunakan kamera dengan citra yang didownload dari website memiliki kualitas citra yang sangat berbeda. Hal ini sangat mempengaruhi hasil klasifikasi. B. Saran
Penulis menyadari bahwa terdapat kekurangan dalam pengembangan aplikasi yang telah di bangun ini. Dengan itu perlu dilakukan pengembangan-pengembangan yang lebih baik lagi guna memenuhi kebutuhan pengguna yang semakin dinamis terutama dalam bidang informasi dan teknologi. Adapun saran terhadap pengembangan selanjutnya dari aplikasi yang dibangun sebagai berikut :
a. Dalam klasifikasi ini hanya menggunakan 10 jenis motif batik lampung. Hal ini perlu dikembangkan lagi lebih banyak lagi.
b. Mengembangkan proses pengenalan motif batik lampung menggunakan metode klasifikasi yang lain seperti SVM dan Decision Tree.
V. REFERENSI
[1] A. Prasetijo, “Keragaman Budaya Indonesia,”
etnobudaya.net, 2009. .
[2] F. Flaurensia, T. Rismawan, and R. Hidayati,
“Pengenalan Motif Batik Indonesia Menggunakan
Deteksi Tepi Canny Dan Template Matching,” J.
Coding Sist. Komput. Untan, vol. 4, no. 2, pp. 130–140, 2016.
[3] S. Sari, D. M. Aryana, C. Z. Subarkah, and M. A.
Ramdhani, “Multimedia Based on Scientific Approach
for Periodic System of Element,” IOP Conf. Ser.
Mater. Sci. Eng., vol. 288, no. 1, p. 12137, 2018.
[4] F. S. Irwansyah, Y. M. Yusuf, I. Farida, and M. A.
Ramdhani, “Augmented Reality (AR) Technology on the Android Operating System in Chemistry Learning,”
IOP Conf. Ser. Mater. Sci. Eng., vol. 288, no. 1, p. 12068, 2018.
[5] I. Farida, I. Helsy, I. Fitriani, and M. A. Ramdhani,
“Learning Material of Chemistry in High School Using
Multiple Representations,” IOP Conf. Ser. Mater. Sci.
Eng., vol. 288, no. 1, p. 12078, 2018.
[6] F. S. Irwansyah, I. Lubab, I. Farida, and M. A.
Ramdhani, “Designing Interactive Electronic Module
in Chemistry Lessons,” J. Phys. Conf. Ser., vol. 895, no. 1, p. 12009, 2017.
[7] A. M. Faza, C. Slamet, and D. Nursantika, “Analisis
Kinerja Kompresi Citra Digital dengan Komparasi DWT, DCT dan Hybrid (DWT-DCT),” J. Online Inform., vol. 1, no. 1, pp. 1–5, 2016.
[8] R. Krasmala, A. B. Purba, and U. T. Lenggana,
“Kompresi Citra Dengan Menggabungkan Metode
Discrete Cosine Transform (DCT) dan Algoritma
Huffman,” JOIN (Jurnal Online Inform., vol. 2, no. 1,
pp. 1–9, 2017.
[9] M. A. Naufal, “Implementasi Metode Klasifikasi K
-Nearest Neighbor (K-NN) Untuk Pengenalan Pola
Batik Motif Lampung,” Universitas Lampung, 2017.
[10] L. Yuan and X. Xu, “Adaptive Image Edge Detection
Algorithm Based on Canny Operator,” in 2015 4th
International Conference on Advanced Information Technology and Sensor Application (AITS), 2015, pp. 28–31.
[11] F. Liantoni and H. Nugroho, “Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier Dan K-
Nearest Neighbor,” J. Simantec, vol. 5, no. 1, pp. 9–16,
2015.
[12] A. Sutedjo, F. Y. Limpraptono, and K. Yamada,
“Segmentasi Warna Untuk Ekstraksi Simbol Dan
Karakter Pada Citra Rambu Lalu Lintas,” J. Ilmu
Komput. dan Inf., vol. 3, no. 1, pp. 1–8, 2010.
[13] luthfi taufiq E. Kusrini, Algoritma Data Mining. Yogyakarta: Andi, 2009.
[14] E. Elisa, “Analisa dan Penerapan Algoritma C4 . 5 Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja Kontruksi PT .
Arupadhatu Adisesanti,” JOIN (Jurnal Online Inform.,
vol. 2, no. 1, pp. 36–41, 2017.
[15] E. Turban, J. E.Aronson, and T.-P. Liang, Decision Support Systems and Intelligent Systems - Sistem Pendukung Keputusan dan Sistem Cerdas (Jilid 1), 7th ed. Yogyakarta: Andi, 2008.
[16] W. B. Zulfikar, M. Irfan, C. N. Alam, and M. Indra,
“The comparation of text mining with Naive Bayes
classifier, nearest neighbor, and decision tree to detect
Indonesian swear words on Twitter,” 2017 5th Int.
Conf. Cyber IT Serv. Manag. CITSM 2017, 2017.
Informatika), 2016, vol. 1, no. 2, pp. 82–86.
[18] J. W. Yodha and A. W. Kurniawan, “Pengenalan Motif Batik Menggunakan Deteksi Tepi Canny Dan
K-Nearest Neighbor,” J. Teknol. Inf., vol. 13, no. 4, pp.
251–262, 2014.
[19] E. A. Sobie, “An Introduction to MATLAB,” Sci. Signal., vol. 4, no. 191, p. tr7, 2011.
[20] T. M. Fridayanto, “Model – Model Pengembangan
Perangkat Lunak Beserta Contoh Penerapannya,” 2014.
.
[21] R. A.S. and M. Shalahuddin, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek, Ketiga. Bandung: BI-Obses, 2015.
[22] A. D. Maturidi, Metode Penelitian Teknik Informatika. Yogyakarta: Deepublish, 2014.
[23] B. Soeherman and M. Pinontoan, Designing Information System: Concepts & Cases with Visio. Jakarta: Elex Media Komputindo, 2008.
