PRESENTASI TESIS. Pengembangan Sistem Temu Kembali Citra Batik Menggunakan Transformasi Wavelet Yang Dirotasi dan Multi-Layer Perceptron

(1)

Pengembangan Sistem Temu Kembali Citra Batik Menggunakan Transformasi Wavelet Yang Dirotasi dan Multi-Layer Perceptron

PRESENTASI TESIS

Penyusun Tesis : Ricky Eka Putra (NRP : 5109.201.004) Dosen Pembimbing : Dr. Nanik Suciati, S.Kom, M.Kom Arya Yudhi Wijaya, S.Kom, M.Kom

(2)

A G E N D A P R E S E N T A S I

P E N D A H U L U A N KAJIAN PUSTAKA

METODE PENELITIAN

U J I C O B A K E S I M P U L A N

S A R A N

- Latar Belakang Tesis - Perumusan Masalah - Tujuan dan Manfaat Tesis - Batasan Permasalahan

- Sistem Temu Kembali Citra Berbasis Isi - Wavelet

- Transformasi Wavelet Yang Dirotasi - Multi Layer Perceptron

- Fungsi Aktivasi - Akurasi

- Langkah-langkah Penelitian - Ekstraksi Fitur dan MLP - Evaluasi

- Data uji coba

- Pencarian Parameter MLP Terbaik

- Perbandingan dengan Sistem Temu Kembali Konvensional

-Kesimpulan Tesis

-Saran untuk pengembangan selanjutnya

(3)

P e n d a h u l u a n

(4)

LATAR BELAKANG [1]

P E N D A H U L U A N

 Batik merupakan kain tradisional yang menjadi salah satu kekayaan budaya bangsa Indonesia.

 Perhatian serius terhadap batik perlu dilakukan untuk mencegah hilangnya batik sebagai warisan budaya bangsa Indonesia, yang disebabkan karena tidak adanya informasi/dokumentasi yang baik tentang batik dan/atau karena diakuinya batik sebagai budaya bangsa lain. Oleh karena itu, diperlukan pencatatan/inventarisasi data batik.

 Selain itu, perlu juga dilakukan promosi secara terus menerus yang memperkenalkan batik sebagai kain tradisional Indonesia ke dunia internasional.

 Kelompok peneliti dari Universitas Indonesia telah mengembangkan Sistem Temu Kembali Berbasis Isi untuk Aplikasi Batik (Sanabila dkk, 2009; Rahadianti dkk, 2009).

(5)

LATAR BELAKANG [2]

P E N D A H U L U A N

 Pada sistem tersebut, fitur tekstur dari citra batik yang diekstrak menggunakan filter Log-Gabor digunakan untuk merepresentasikan karakteristik citra.

 Pemrosesan query menggunakan citra contoh dilakukan dengan menghitung jarak antara fitur tekstur dari citra contoh dan fitur tekstur dari citra-citra yang tersimpan dalam database.

 Hanya citra yang memiliki jarak kurang dari threshold yang akan dikembalikan sebagai hasil query.

 Pada penelitian ini akan dibangun Sistem Temu Kembali Citra Batik Berbasis Motif.

 Fitur tekstur yang merupakan fitur penting pada citra batik, diekstrak menggunakan transformasi wavelet.

 Adapun transformasi wavelet yang digunakan merupakan gabungan dari Discrete Wavelet Transform dan Rotated Wavelet Filter.

(6)

LATAR BELAKANG [3]

P E N D A H U L U A N

 Selanjutnya, fitur-fitur tekstur digunakan untuk mengenali motif batik secara otomatis dengan menggunakan algoritma pembelajaran multi-layer perceptron backpropagation.

 Pengindeksan citra di dalam database dilakukan berdasarkan jenis motif, seperti “parang”, “ceplok”, “”lereng, “semen”, “lung-lungan”, atau “buketan”.

 Dengan adanya pengenalan motif secara otomatis, query tidak hanya bisa dilakukan dengan menggunakan citra contoh, tetapi juga bisa dilakukan dengan memasukkan nama motif.

(7)

PERUMUSAN MASALAH

P E N D A H U L U A N

1.

2.

Bagaimana mengekstraksi fitur tekstur dari data citra batik menggunakan filter wavelet ?

Bagaimana mengenali dan mengklasifikasi motif batik berdasarkan fitur tekstur menggunakan metode klasifikasi Multi-Layer Perceptron (Shin dkk, 2010) ?

3.

Bagaimana menemukan kembali citra batik yang sesuai dengan query yang dimasukkan dengan pengukuran jarak Canberra, Euclidean dan Manhattan distance ?

(8)

TUJUAN DAN MANFAAT TESIS

P E N D A H U L U A N

Dihasilkannya perangkat lunak “Sistem Temu Kembali Data Citra Batik Berbasis Motif”, yang diharapkan dapat menginventarisir data citra batik yang ada di Indonesia sebagai upaya untuk mempromosikan batik secara terus menerus ke masyarakat Indonesia dan dunia Internasional

Tujuan

Manfaat

Membangun sebuah perangkat lunak Sistem Temu Kembali Citra Batik Berbasis Motif, yang mampu mengenali motif dari citra batik secara otomatis dan menggunakan motif tersebut untuk mengindeks data citra batik di dalam database.

(9)

BATASAN PERMASALAHAN

P E N D A H U L U A N

1.

2.

Citra batik yang digunakan adalah citra batik yang berwarna hasil scan dari beberapa buku referensi (H. Santosa Doellah. 2002. dan Hamidin A.S., 2010.).

Seluruh ukuran data batik yang digunakan akan distandarisasi jadi 640x640.

3.

Pendefinisian motif batik untuk data citra batik dilakukan secara manual pada tahap awal.

(10)

Kajian Pustaka

(11)

Kemiripan citra dapat diartikan bahwa antara citra query dan citra pada basis data adalah persis sama, dapat juga diartikan mendekati mirip. Contoh citra batik yang mendekati mirip dan tidak mirip dapat dilihat pada Gambar 2.1 dan Gambar 2.2.

Aplikasi pencarian suatu citra digital pada basis data citra yang berukuran besar dengan menggunakan ukuran kemiripan citra (Suematsu dkk, 2002). “Berbasis Isi” berarti pencarian tersebut menggunakan isi dari citra itu sendiri atau yang disebut sebagai citra query, bukan menggunakan suatu masukan teks

SISTEM TEMU KEMBALI CITRA BERBASIS ISI [1]

K A J I A N P U S T A K A

Jika di dalam basis data terdapat O citra, dan hendak dicari N citra yang paling mirip dengan citra query. Maka hal ini bisa dilakukan dengan membandingkan fitur tekstur pada citra query dengan citra target dalam basis data citra, dan mengambil citra sebanyak N. Simbol N menunjukkan banyaknya citra yang ingin dicari.

(12)

SISTEM TEMU KEMBALI CITRA BERBASIS ISI [2]

K A J I A N P U S T A K A

Gambar 2.1 Beberapa citra batik dengan motif yang mirip

Gambar 2.2 Beberapa citra batik dengan motif yang tidak mirip

(13)

W A V E L E T [1]

K A J I A N P U S T A K A

Representasi wavelet pada citra adalah dengan menggunakan transformasi wavelet diskrit 2 dimensi (2D).

Sehingga, dalam hal ini transformasi wavelet diskrit 1D diaplikasikan sepanjang arah horisontal dan vertikal.

Gambar 2.3 Proses dekomposisi pada citra c⁰

c¹ d^H;1

d^V;1 d^D;1

d^H;1

d^V;1 d^D;1

c² d^H;2 d^V;2 d^D;2

…..

(14)

1. Koefisien Approksimasi (c¹) atau disebut juga subband LL

2. Koefisien Detil Horisontal (d^H;1) atau disebut juga subband HL 3. Koefisien Detil Vertikal (d^V;1) atau disebut juga subband LH 4. Koefisien Detil Diagonal (d^D;1) atau disebut juga subband HH

W A V E L E T [2]

K A J I A N P U S T A K A

Seperti yang terlihat pada Gambar 2.3, jika suatu citra dilakukan proses transformasi wavelet diskrit dua dimensi dengan level

dekomposisi satu, maka akan menghasilkan empat buah subband

(15)

W A V E L E T [3]

K A J I A N P U S T A K A

Partisi frekuensi dari proses dekomposisi transformasi wavelet 2D untuk satu level dan dua level dapat dilihat pada Gambar 2.4 dan 2.5

Gambar 2.4 Partisi domain frekuensi dari dekomposisi wavelet satu level

(16)

W A V E L E T [4]

K A J I A N P U S T A K A

Gambar 2.5 Partisi domain frekuensi dari dekomposisi wavelet dua level

(17)

W A V E L E T [5]

K A J I A N P U S T A K A

Anggap dan representasikan koefisien low pass dan high pass dari Daubechies eight tab satu dimensi (1D).

 



.02798376941698 0.63088076792959 0.71484657055254 0.23037781330886



0

1888 1870348117 .

0 3599

0308413818 .

0 6698 0328830116 .

0 8500 0105974017

. 0

8500 0105974017

. 0 6698

0328830116 .

0 3599 0308413818

. 0 1888 1870348117

. 0

1698 0279837694

. 0 2959

6308807679 .

0 5254 7148465705 .

0 0886 2303778133 .

0



 



 

g h

Untuk yang 2D, koefisien filter low-low, low-high, high-low, high-high berasal dari dan menggunakan operasi matrik yang ada pada

Persamaan 2.1.

g g H

h g H

g h H

h h H

T HH

T HL

T LH

T LL



(2.1)

(18)

Dalam beberapa kasus, karakterisasi dari informasi arah yang spesifik pada suatu citra dapat meningkatkan akurasi dalam suatu sistem temu kembali citra. Untuk mendesain filter wavelet yang dirotasi atau Rotated Wavelet Filter (RWF) 2D, diperlukannya koefisien filter Daubechies eight tab.

TRANSFORMASI WAVELET YANG DIROTASI [1]

K A J I A N P U S T A K A

Transformasi Wavelet yang Dirotasi merupakan pengembangan dari Discrete Wavelet Transform (DWT) (Kokare dkk, 2007). Subband HH dalam dekomposisi DWT) berisi informasi diagonal dari citra batik. Hal tersebut sangatlah susah untuk membedakan informasi diagonal yang berorientasi sudut 45 derajat atau 135 derajat.

Kumpulan filter wavelet yang dirotasi diperoleh dari merotasi filter discrete wavelet 2D standar sebesar sehingga proses dilakukan sepanjang arah-arah yang baru seperti yang ditunjukkan dalam Gambar 2.7.

(19)

TRANSFORMASI WAVELET YANG DIROTASI [2]

K A J I A N P U S T A K A

Anggap dan merepresentasikan koefisien low pass dan high pass dari Daubechies eight tab satu dimensi (1D).

 



.02798376941698 0.63088076792959 0.71484657055254 0.23037781330886



0

1888 1870348117 .

0 3599

0308413818 .

0 6698 0328830116 .

0 8500 0105974017

. 0

8500 0105974017

. 0 6698

0328830116 .

0 3599 0308413818

. 0 1888 1870348117

. 0

1698 0279837694

. 0 2959

6308807679 .

0 5254 7148465705 .

0 0886 2303778133 .

0



 



 

g h

Untuk yang 2D, koefisien filter low-low, low-high, high-low, high-high berasal dari dan menggunakan operasi matrik yang ada pada

Persamaan 2.1.

g g H

h g H

g h H

h h H

T HH

T HL

T LH

T LL



(2.1)

(20)

TRANSFORMASI WAVELET YANG DIROTASI [3]

K A J I A N P U S T A K A

Koefisien filter wavelet 2D yang dirotasi yang diperoleh dari merotasi koefesien filter wavelet 2D H_j sebesar 45 derajat (dimana j

menunjukkan LL, LH, HL atau HH).

Kompleksitas perhitungan dekomposisi RWF 2D sama dengan

perhitungan dalam DWT 2D standar, jika keduanya diimplementasikan dalam domain frekuensi 2D. Partisi dalam domain frekuensi yang

dihasilkan dari dekomposisi Rotated Wavelet Filter ditunjukkan pada Gambar 2.6 dan 2.7.

(21)

TRANSFORMASI WAVELET YANG DIROTASI [4]

K A J I A N P U S T A K A

Gambar 2.6 Partisi domain frekuensi dari dekomposisi RWF satu level

(22)

TRANSFORMASI WAVELET YANG DIROTASI [5]

K A J I A N P U S T A K A

Gambar 2.7 Partisi domain frekuensi dari dekomposisi RWF dua level

(23)

TRANSFORMASI WAVELET YANG DIROTASI [6]

K A J I A N P U S T A K A

Dengan dekomposisi wavelet yang dirotasi, karakteristik diagonal dalam 45 derajat dan 135 derajat diperoleh dari subband I_LH dan I_HL

Karakteristik dari RWF set ini memberikan informasi pelengkap penting dalam filter set DWT standar untuk mengekstraksi fitur pada CBIR.

Sebagai contoh, dekomposisi citra satu level menggunakan DWT standar dan RWF seperti yang telah ditunjukkan dalam Gambar 2.8 dan 2.9.

(24)

TRANSFORMASI WAVELET YANG DIROTASI [7]

K A J I A N P U S T A K A

Citra Asli

Gambar 2.8 Empat subband dekomposisi menggunakan DWT standar

(25)

TRANSFORMASI WAVELET YANG DIROTASI [8]

K A J I A N P U S T A K A

Citra Asli

Gambar 2.9 Empat subband dekomposisi menggunakan RWF

(26)

DWT FILTER [1]

K A J I A N P U S T A K A

HLL =

0.000112 -0.00035 -0.00033 0.001982 0.000297 -0.00669 -0.00758 -0.00244 -0.00035 0.001081 0.001014 -0.00615 -0.00092 0.020745 0.023506 0.007576 -0.00033 0.001014 0.000951 -0.00577 -0.00086 0.019457 0.022047 0.007105 0.001982 -0.00615 -0.00577 0.034982 0.005234 -0.118 -0.1337 -0.04309 0.000297 -0.00092 -0.00086 0.005234 0.000783 -0.01765 -0.02 -0.00645 -0.00669 0.020745 0.019457 -0.118 -0.01765 0.398011 0.450983 0.145341 -0.00758 0.023506 0.022047 -0.1337 -0.02 0.450983 0.511006 0.164685 -0.00244 0.007576 0.007105 -0.04309 -0.00645 0.145341 0.164685 0.053074

HLH =

0.002441 -0.00758 0.006686 0.000297 -0.00198 -0.00033 0.000348 0.000112 -0.00758 0.023506 -0.02075 -0.00092 0.00615 0.001014 -0.00108 -0.00035 -0.00711 0.022047 -0.01946 -0.00086 0.005768 0.000951 -0.00101 -0.00033 0.043089 -0.1337 0.117997 0.005234 -0.03498 -0.00577 0.00615 0.001982 0.006447 -0.02 0.017654 0.000783 -0.00523 -0.00086 0.00092 0.000297 -0.14534 0.450983 -0.39801 -0.01765 0.117997 0.019457 -0.02075 -0.00669 -0.16468 0.511006 -0.45098 -0.02 0.133701 0.022047 -0.02351 -0.00758 -0.05307 0.164685 -0.14534 -0.00645 0.043089 0.007105 -0.00758 -0.00244

(27)

DWT FILTER [2]

K A J I A N P U S T A K A

HHL =

HHH =

0.002441 -0.00758 -0.00711 0.043089 0.006447 -0.14534 -0.16468 -0.05307 -0.00758 0.023506 0.022047 -0.1337 -0.02 0.450983 0.511006 0.164685 0.006686 -0.02075 -0.01946 0.117997 0.017654 -0.39801 -0.45098 -0.14534 0.000297 -0.00092 -0.00086 0.005234 0.000783 -0.01765 -0.02 -0.00645 -0.00198 0.00615 0.005768 -0.03498 -0.00523 0.117997 0.133701 0.043089 -0.00033 0.001014 0.000951 -0.00577 -0.00086 0.019457 0.022047 0.007105 0.000348 -0.00108 -0.00101 0.00615 0.00092 -0.02075 -0.02351 -0.00758 0.000112 -0.00035 -0.00033 0.001982 0.000297 -0.00669 -0.00758 -0.00244

0.053074 -0.16468 0.145341 0.006447 -0.04309 -0.00711 0.007576 0.002441 -0.16468 0.511006 -0.45098 -0.02 0.133701 0.022047 -0.02351 -0.00758 0.145341 -0.45098 0.398011 0.017654 -0.118 -0.01946 0.020745 0.006686 0.006447 -0.02 0.017654 0.000783 -0.00523 -0.00086 0.00092 0.000297 -0.04309 0.133701 -0.118 -0.00523 0.034982 0.005768 -0.00615 -0.00198 -0.00711 0.022047 -0.01946 -0.00086 0.005768 0.000951 -0.00101 -0.00033 0.007576 -0.02351 0.020745 0.00092 -0.00615 -0.00101 0.001081 0.000348 0.002441 -0.00758 0.006686 0.000297 -0.00198 -0.00033 0.000348 0.000112

(28)

RWF FILTER [1]

K A J I A N P U S T A K A

HLLR =

0 0 0 0 0 0 0 0.000112 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.00035 0 -0.00035 0 0 0 0 0 0

0 0 0 0 0 -0.00033 0 0.001081 0 -0.00033 0 0 0 0 0

0 0 0 0 0.001982 0 0.001014 0 0.001014 0 0.001982 0 0 0 0

0 0 0 0.000297 0 -0.00615 0 0.000951 0 -0.00615 0 0.000297 0 0 0

0 0 -0.00669 0 -0.00092 0 -0.00577 0 -0.00577 0 -0.00092 0 -0.00669 0 0

0 -0.00758 0 0.020745 0 -0.00086 0 0.034982 0 -0.00086 0 0.020745 0 -0.00758 0

-0.00244 0 0.023506 0 0.019457 0 0.005234 0 0.005234 0 0.019457 0 0.023506 0 -0.00244

0 0.007576 0 0.022047 0 -0.118 0 0.000783 0 -0.118 0 0.022047 0 0.007576 0

0 0 0.007105 0 -0.1337 0 -0.01765 0 -0.01765 0 -0.1337 0 0.007105 0 0

0 0 0 -0.04309 0 -0.02 0 0.398011 0 -0.02 0 -0.04309 0 0 0

0 0 0 0 -0.00645 0 0.450983 0 0.450983 0 -0.00645 0 0 0 0

0 0 0 0 0 0.145341 0 0.511006 0 0.145341 0 0 0 0 0

0 0 0 0 0 0 0.164685 0 0.164685 0 0 0 0 0 0

0 0 0 0 0 0 0 0.053074 0 0 0 0 0 0 0

(29)

RWF FILTER [2]

K A J I A N P U S T A K A

HLHR =

0 0 0 0 0 0 0 0.002441 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 -0.00711 0 0.023506 0 0.006686 0 0 0 0 0

0 0 0 0 0.043089 0 0.022047 0 -0.02075 0 0.000297 0 0 0 0

0 0 0 0.006447 0 -0.1337 0 -0.01946 0 -0.00092 0 -0.00198 0 0 0

0 0 -0.14534 0 -0.02 0 0.117997 0 -0.00086 0 0.00615 0 -0.00033 0 0

0 -0.16468 0 0.450983 0 0.017654 0 0.005234 0 0.005768 0 0.001014 0 0.000348 0

-0.05307 0 0.511006 0 -0.39801 0 0.000783 0 -0.03498 0 0.000951 0 -0.00108 0 0.000112

0 0.164685 0 -0.45098 0 -0.01765 0 -0.00523 0 -0.00577 0 -0.00101 0 -0.00035 0

0 0 -0.14534 0 -0.02 0 0.117997 0 -0.00086 0 0.00615 0 -0.00033 0 0

0 0 0 -0.00645 0 0.133701 0 0.019457 0 0.00092 0 0.001982 0 0 0

0 0 0 0 0.043089 0 0.022047 0 -0.02075 0 0.000297 0 0 0 0

0 0 0 0 0 0.007105 0 -0.02351 0 -0.00669 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 0 0 -0.00244 0 0 0 0 0 0 0

(30)

RWF FILTER [3]

K A J I A N P U S T A K A

HHLR =

0 0 0 0 0 0 0 0.002441 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 0.006686 0 0.023506 0 -0.00711 0 0 0 0 0

0 0 0 0 0.000297 0 -0.02075 0 0.022047 0 0.043089 0 0 0 0

0 0 0 -0.00198 0 -0.00092 0 -0.01946 0 -0.1337 0 0.006447 0 0 0 0 0 -0.00033 0 0.00615 0 -0.00086 0 0.117997 0 -0.02 0 -0.14534 0 0 0 0.000348 0 0.001014 0 0.005768 0 0.005234 0 0.017654 0 0.450983 0 -0.16468 0 0.000112 0 -0.00108 0 0.000951 0 -0.03498 0 0.000783 0 -0.39801 0 0.511006 0 -0.05307 0 -0.00035 0 -0.00101 0 -0.00577 0 -0.00523 0 -0.01765 0 -0.45098 0 0.164685 0 0 0 -0.00033 0 0.00615 0 -0.00086 0 0.117997 0 -0.02 0 -0.14534 0 0 0 0 0 0.001982 0 0.00092 0 0.019457 0 0.133701 0 -0.00645 0 0 0

0 0 0 0 0.000297 0 -0.02075 0 0.022047 0 0.043089 0 0 0 0

0 0 0 0 0 -0.00669 0 -0.02351 0 0.007105 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 0 0 -0.00244 0 0 0 0 0 0 0

(31)

RWF FILTER [4]

K A J I A N P U S T A K A

HHHR =

0 0 0 0 0 0 0 0.053074 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.16468 0 -0.16468 0 0 0 0 0 0

0 0 0 0 0 0.145341 0 0.511006 0 0.145341 0 0 0 0 0

0 0 0 0 0.006447 0 -0.45098 0 -0.45098 0 0.006447 0 0 0 0

0 0 0 -0.04309 0 -0.02 0 0.398011 0 -0.02 0 -0.04309 0 0 0

0 0 -0.00711 0 0.133701 0 0.017654 0 0.017654 0 0.133701 0 -0.00711 0 0

0 0.007576 0 0.022047 0 -0.118 0 0.000783 0 -0.118 0 0.022047 0 0.007576 0

0.002441 0 -0.02351 0 -0.01946 0 -0.00523 0 -0.00523 0 -0.01946 0 -0.02351 0 0.002441

0 -0.00758 0 0.020745 0 -0.00086 0 0.034982 0 -0.00086 0 0.020745 0 -0.00758 0

0 0 0.006686 0 0.00092 0 0.005768 0 0.005768 0 0.00092 0 0.006686 0 0

0 0 0 0.000297 0 -0.00615 0 0.000951 0 -0.00615 0 0.000297 0 0 0

0 0 0 0 -0.00198 0 -0.00101 0 -0.00101 0 -0.00198 0 0 0 0

0 0 0 0 0 -0.00033 0 0.001081 0 -0.00033 0 0 0 0 0

0 0 0 0 0 0 0.000348 0 0.000348 0 0 0 0 0 0

0 0 0 0 0 0 0 0.000112 0 0 0 0 0 0 0

(32)

Umumnya ada lapisan bobot–bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, yang tentunya dengan pembelajaran yang lebih rumit.

M U L T I L A Y E R P E R C E P T R O N [1]

K A J I A N P U S T A K A

Multi-Layer Perceptron adalah salah satu arsitektur jaringan syaraf yang memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output atau dengan kata lain yang memiliki satu atau lebih lapisan tersembunyi (Medsker dkk, 1994).

Namun demikian, pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih baik dalam menyelesaikan masalah.

Jaringan syaraf dengan banyak lapisan dapat dilihat pada Gambar 2.10.

(33)

Seperti halnya teknik jaringan saraf tiruan lainnya yang memiliki jenis pembelajaran terawasi, perceptron multilapis belajar mentransformasikan data input sedemikian rupa sehingga menghasilkan keluaran atau respon seperti yang diinginkan.

M U L T I L A Y E R P E R C E P T R O N [2]

K A J I A N P U S T A K A

Multi-Layer Perceptron merupakan jaringan yang pembelajarannya terawasi sehingga ke dalam jaringan perlu dimasukkan contoh-contoh respon untuk dikenali.

MLP ini terkenal handal karena proses pembelajaran yang mampu

dilakukan secara terarah. Pembelajaran algoritma ini dilakukan dengan peng-update-an bobot balik (backpropagation). Penetapan bobot yang optimal akan berujung pada hasil klasifikasi yang tepat.

(34)

M U L T I L A Y E R P E R C E P T R O N [3]

K A J I A N P U S T A K A

Gambar 2.10 Jaringan syaraf dengan multilapis

(35)

F U N G S I A K T I V A S I

K A J I A N P U S T A K A

Fungsi sigmoid bipolar berbentuk kurva S dan merupakan fungsi yang paling umum. Biasanya sigmoid bipolar digunakan dalam jaringan

yang menggunakan metode pelatihan backpropagation, karena bentuk fungsi aktivasi dan turunan fungsinya sederhana sehingga mudah

dihitung. Fungsi sigmoid bipolar mempunyai nilai dengan interval antara -1 dan 1. Contoh bentuk dari fungsi sigmoid bipolar pada Gambar 2.11.

Gambar 2.11 Fungsi sigmoid bipolar

(36)

A K U R A S I

K A J I A N P U S T A K A

Akurasi yang diukur sebagai evaluasi dalam MLP didapatkan dengan rata-rata antara pembagian jumlah data yang terklasifikasi benar ke dalam satu kelas dengan jumlahnya data dalam satu kelas yang

sebenarnya.

% 100

Re  

 

contoh benar Rate

cognition

Akurasi yang diukur dari sistem temu kembali juga didapatkan dengan rata-rata antara pembagian jumlah data yang ter benar ke dalam satu kelas dengan jumlahnya data dalam satu kelas yang sebenarnya.

(37)

Metode Penelitian

(38)

L A N G K A H – L A N G K A H P E N E L I T I A N [1]

M E T O D E P E N E L I T I A N

Gambar 3.1 Flowchart penelitian dengan masukan citra query

Mulai

INPUT Citra batik

Mengekstraksi Fitur Tekstur Dari

Citra Batik

Klasifikasi Batik

Menemukan Kembali Citra

Batik

Selesai

Database Citra, Motif dan Fitur

OUTPUT Citra Batik

Yang Ditemukan

Kembali

(39)

L A N G K A H – L A N G K A H P E N E L I T I A N [2]

M E T O D E P E N E L I T I A N

Gambar 3.2 Flowchart langkah- langkah penelitian dengan masukan teks

Mulai

INPUT Nama motif

Pencocokan nama motif query dengan database

Selesai

Database Citra dan Motif

OUTPUT Citra Batik

Yang Ditemukan

Kembali

(40)

L A N G K A H – L A N G K A H P E N E L I T I A N [3]

M E T O D E P E N E L I T I A N

Tahapan Mengekstraksi Fitur Tekstur Dari Citra Batik

Preprocessing Citra, merubah menjadi citra grayscale dengan menggunakan bobot elemen warna menurut NTSC.

1

.

1.1

.

blue w

green w

red w

grayscale 

_R

* 

_G

* 

_B

*

Dimana W

_R

= 0.2989, W

_G

= 0.5870 dan W

_B

= 0,1140

(41)

L A N G K A H – L A N G K A H P E N E L I T I A N [4]

M E T O D E P E N E L I T I A N

Ekstraksi Fitur, Fitur didapatkan dari nilai energi dan standar deviasi yang didapatkan dari perbaikan gambar berdasarkan dekomposisi wavelet.

Energi

1.2

Standar deviasi



 

 

^M

i

N

j

X

ij

N

M

₁ ₁

1  

²

1

1 1

1

2

 

 



 

  

  M

i

N

j

ij

X

ij

N

M 

(42)

E K S T R A K S I F I T U R [1]

M E T O D E P E N E L I T I A N

Menyiapkan filter DWT dan RWF Konvolusi dan Downsampling.

1

.

2.

Downsampling untuk delapan citra dari hasil dekomposisi tersebut dengan hanya mengambil posisi piksel yang genap. Sehingga ukuran dari matriks citranya menjadi (N/2,N/2). Dengan N = ukuran asal citra.

2.1

.

Konvolusi masing-masing filter (HLL, HLH, HHL, HHH, HLLR, HLHR, HHLR, HHHR) terhadap citra grayscale . Sehingga untuk setiap level dekomposisi terdapat 8 buah citra hasil konvolusi.

2.2.

(43)

E K S T R A K S I F I T U R [2]

M E T O D E P E N E L I T I A N

Hitung Energy dan Standar Deviasi (fitur).

Perhitungan dilakukan dari 40 matriks citra hasil dekomposisi. Sehingga untuk setiap citra terdapat 80 fitur.

3

.

Ulangi langkah 2 sampai lima level dekomposisi.

Setiap proses perulangan menggunakan citra hasil dekomposisi dengan filter HLL dan HLLR, tidak menggunakan citra asal lagi. Akhirnya diperoleh 40 matriks citra hasil dekomposisi.

4.

3

.

Masukkan dalam Database Fitur. Di dalam

penelitian ini terdapat 182 data training Sehingga

ukuran database-nya adalah 182 x 80.

(44)

L A N G K A H – L A N G K A H P E N E L I T I A N [5]

M E T O D E P E N E L I T I A N

Tahapan Mengenali dan Mengklasifikasi Motif Batik

Pengenalan motif dan klasifikasi dalam penelitian ini menggunakan multi-layer perceptron dengan proses pembelajaran backpropagation

2

.

Dimana motif tiap-tiap citra batik juga disimpan dalam database .

Tahapan Menemukan Kembali Citra Batik Yang Sesuai

3.

(45)

29 Juli 2011 Presentasi Tesis 45

MULTI LAYER PERCEPTRON [1]

M E T O D E P E N E L I T I A N

Gambar 3.3 Flowchart algoritma pembelajaran backpropagation dalam MLP

Mulai

INPUT data pembelajar

an

Inisialisasi bias dan bobot

Selesai INPUT

parameter

Error jaringan <= Emax atau jumlah iterasi = Epochmax

Proses Umpan Maju (feedforward)

Proses Propagasi Error (backpropagation

of error)

Proses Pembaharuan

OUTPUT bias dan bobot akhir

(46)

MULTI LAYER PERCEPTRON [2]

M E T O D E P E N E L I T I A N

Gambar 3.4 Flowchart algoritma pengujian dalam MLP

Mulai

INPUT data pengujian

Inisialisasi bias dan bobot

INPUT parameter

Proses Umpan Maju (feedforward)

Bias dan bobot hasil dari tahap pembelajaran

OUTPUT hasil klasifikasi

(47)

PEMBELAJARAN MULTI LAYER PERCEPTRON [1]

M E T O D E P E N E L I T I A N

Menyiapkan database fitur dan kelasnya.

Normalisasi database fitur dan kelasnya tersebut ke dalam range -1 sampai 1. Cari nilai minimum dan maksimum dari tiap fitur/kelas sehingga di dapat 80 nilai minimum dan maksimum. Lakukan normaliasi dengan menggunakan persamaan :

rn = 2.*(r-minp)./(maxp-minp) – 1

Dimana rn = hasil normalisasi dan r = nilai awal sebelum dinormalisasi. Simpan minp dan maxp untuk digunakan menormalisasi data pengujian.

1

.

2.

(48)

PEMBELAJARAN MULTI LAYER PERCEPTRON [2]

M E T O D E P E N E L I T I A N

Pembelajaran dari data hasil normalisasi tersebut dengan bobot awal dan bias random. Lakukan sampai mendapatkan bobot dan bias (network) yang terbaik.

Adapun struktur jaringannya yang terbaik [40 20 1].

Metode yang digunakan dalam pembelajran adalah Metode Penurunan Gradien dengan Momentum. Metode pembelajaran yang sederhana dengan kecepatan iterasi yang cepat. Dengan adanya momentum, perubahan bobot tidak hanya didasarkan atas error yang terjadi setiap 1 iterasi tetapi juga dengan memperhitungkan perubahan bobot dari iterasi sebelumnya. Setelah selesai pembelajaran, network yang telah terbentuk disimpan.

3

.

3.1

(49)

PENGUJIAN MULTI LAYER PERCEPTRON [1]

M E T O D E P E N E L I T I A N

Menyiapkan fitur citra uji dan kelasnya serta network. Network diperoleh dari hasil pembelajaran yang telah dilakukan.

Normalisasi fitur citra dan kelasnya tersebut ke dalam range -1 sampai 1. Ambil minp dan maxp dari proses normalisasi sebelumnya. Lakukan normaliasi dengan menggunakan persamaan :

rn = 2.*(r-minp)./(maxp-minp) – 1

Dimana rn = hasil normalisasi dan r = nilai awal sebelum dinormalisasi.

1

.

2.

Pengujian dari hasil normalisasi fitur citra dan kelasnya dengan menggunakan network yang telah disiapkan.

3

.

(50)

PENGUJIAN MULTI LAYER PERCEPTRON [2]

M E T O D E P E N E L I T I A N

Denormalisasi hasil dari pengujian yang masih dalam range -1 sampai 1 ke dalam data sebenarnya dengan menggunakan persamaan:

p = 0.5(pn+1)*(maxp-minp) + minp;

Dimana pn = hasil dari pengujian dan p = hasil denormalisasi.

4.

Penentuan Kelas dan Nama Motif dari citra tersebut dengan melakukan pembulatan (round) dari nilai desimal tersebut.

5

.

Evaluasi MLP dengan menghitung akurasi berdasarkan Recognition Rate

4.

(51)

L A N G K A H – L A N G K A H P E N E L I T I A N [6]

M E T O D E P E N E L I T I A N

Perhitungan Kemiripan Citra

Canberra distance sebagai perhitungan kemiripan antara dua citra query dengan citra yang ada dalam database . Adapun metode Canberra distance dapat dilihat pada Persamaan 3.5 dengan x dan y adalah dua vektor fitur dimensi d dari database citra dan citra query .

3.1

.

  

 

 ^d 

i i i

i i

y x

y y x

x Canb

1

,

(3.5)

(52)

L A N G K A H – L A N G K A H P E N E L I T I A N [6]

M E T O D E P E N E L I T I A N

Selain metode Canberra distance, penelitian ini juga memakai metode Euclidean distance dan Manhattan distance sebagai alternatif pengukuran jarak.

Adapun metode Euclidean distance dapat dilihat pada Persamaan 3.6 sedangkan metode Manhattan distance dapat dilihat pada Persamaan 3.7.

(3.6)

    





 ^d

i

i y

x y

x Eucl

1

, 2

(3.7)

  ^ 

^d

^

i

y

x y

x

Man ,

(53)

L A N G K A H – L A N G K A H P E N E L I T I A N [7]

M E T O D E P E N E L I T I A N

Pengembalian Citra yang Mirip

Pengembalian citra berdasarkan citra query melihat hasil perhitungan kemiripan citra query dengan citra dalam kelas tertentu yang ada dalam database . Kemudian, hasil dari perhitungan masing-masing tersebut diurutkan dan diambil beberapa citra urutan teratas untuk dikembalikan ke pengguna.

3.2

.

Proses pengembalian citra yang kedua adalah berdasarkan teks nama motif dari citra tersebut.

Pengembalian citra mempertimbangkan kecocokan teks

dari nama motif yang dimasukkan pengguna dengan

nama motif yang ada pada masing-masing citra.

(54)

E V A L U A S I

M E T O D E P E N E L I T I A N

Evaluasi MLP dilakukan dengan mengukur tingkat akurasinya dalam mengenali motif batik.

Evaluasi dalam sistem ini dilakukan dengan menggunakan perhitungan akurasi. Dimana akurasi yang didapat dari penelitian ini dapat diperoleh dari keberhasilan sistem ini mengembalikan citra batik yang sesuai dengan citra dibanding dengan jumlah citra yang dikembalikan.

Pada dasarnya keberhasilan sistem ini bergantung pada

keberhasilan MLP mengklasifikasi citra query . Jika citra

tersebut berhasil diklasifikasi dengan benar maka

akurasi dari sistem ini mencapai 100%.

(55)

U j i C o b a

(56)

D A T A U J I C O B A

U J I C O B A

Dataset yang digunakan berjumlah 232, yang dibagi menjadi dataset training 182 buah dengan jumlah kelas 6 dan dataset testing 50 buah dengan jumlah kelas 6 (Hamidin A.S., 2010). Data masukan yang digunakan dalam penelitian ini berupa vektor fitur dari hasil ekstraksi fitur pada citra contoh dan kumpulan data training. Dari hasil ekstraksi fitur akan diperoleh Energi dan Standar deviasi dari masing-masing hasil dekomposisi citra menggunakan DWT dan RWF. Dalam penelitian ini, digunakan 5 level pendekomposisian citra. Sehingga masing-masing vektor fitur pada sebuah citra batik memiliki panjang vektor 1 x 80.

Data fitur tersebut sudah di normalisasi pada waktu pembentukan suatu jaringan (dalam tahap pelatihan data). Data training yang diambil dari (H. Santosa Doellah, 2002)

(57)

PEMILIHAN PARAMETER MLP – LEARNING RATE [1]

U J I C O B A

Hasil pembelajaran dari learning rate = 0.1

Testing dengan data training Akurasi : 96.1%

Testing dengan data testing Akurasi : 38%

Performance(MSE) 0.001

Testing dengan data training Akurasi : 100%

(58)

PEMILIHAN PARAMETER MLP – LEARNING RATE [2]

U J I C O B A

Dari ketiga hasil ujicoba di atas, maka untuk selanjutnya dalam penelitian ini akan memakai learning rate = 0.9.

(59)

PEMILIHAN PARAMETER MLP – MOMENTUM [1]

U J I C O B A

Hasil pembelajaran dari momentum = 0.5

(60)

PEMILIHAN PARAMETER MLP – MOMENTUM [2]

U J I C O B A

Hasil pembelajaran dari momentum = 0.9

Dari ketiga hasil ujicoba di atas, maka untuk penelitian ini akan memakai parameter learning rate = 0.9 dan momentum = 0.7.

(61)

PEMILIHAN PARAMETER MLP – NODE HIDDEN LAYER [1]

U J I C O B A

Hasil pembelajaran dari jumlah node [100 70]

(62)

PEMILIHAN PARAMETER MLP – NODE HIDDEN LAYER [2]

U J I C O B A

Dari ketiga hasil ujicoba di atas, maka untuk penelitian ini akan memakai parameter learning rate = 0.9 dan momentum = 0.7 serta jumlah node [40 10]

(63)

PERBANDINGAN DENGAN SISTEM KONVENSIONAL [1]

U J I C O B A

Hasil akurasi Sistem Temu Kembali Konvensional dengan Euclidean Distance

Nomor Nama Citra Akurasi Waktu

1 a02 – Parang Grendeh 0.25 0.218

2 b_ron telo 0.75 0.164

3 c15 – Lereng Kawung Seling 0.50 0.165

4 e0_BATIK_MADURA_1 0.50 0.140

5 f06 – Snow White 0.75 0.140

Rata-rata 0.45 0.165

(64)

PERBANDINGAN DENGAN SISTEM KONVENSIONAL [2]

U J I C O B A

Hasil akurasi Sistem Temu Kembali Konvensional dengan Canberra Distance

2 b_ron telo 0.75 0.151

5 f06 – Snow White 0.75 0.140

Rata-rata 0.7 0.153

(65)

PERBANDINGAN DENGAN SISTEM KONVENSIONAL [3]

U J I C O B A

Hasil akurasi Sistem Temu Kembali Konvensional dengan Manhattan Distance

Dari ketiga pengukuran jarak di atas dapat diambil kesimpulan bahwa pengukuran jarak dengan Canberra distance lebih cocok digunakan dalam penelitian yang sejenis.

2 b_ron telo 0.75 0.154

3 c15 – Lereng Kawung Seling

0.25 0.152

5 f06 – Snow White 0.75 0.156

Rata-rata 0.5 0.156

(66)

PERBANDINGAN DENGAN SISTEM KONVENSIONAL [4]

U J I C O B A

Hasil akurasi Sistem Temu Kembali MLP dengan Euclidean Distance

2 b_ron telo 1.00 0.151

5 f06 – Snow White 1.00 0.149

Rata-rata 0.8 0.155

(67)

PERBANDINGAN DENGAN SISTEM KONVENSIONAL [5]

U J I C O B A

Hasil akurasi Sistem Temu Kembali MLP dengan Canberra Distance

2 b_ron telo 1.00 0.150

5 f06 – Snow White 1.00 0.147

Rata-rata 0.8 0.152

(68)

PERBANDINGAN DENGAN SISTEM KONVENSIONAL [6]

U J I C O B A

Hasil akurasi Sistem Temu Kembali MLP dengan Manhattan Distance

2 b_ron telo 1.00 0.147

5 f06 – Snow White 1.00 0.149

Rata-rata 0.8 0.152

(69)

K e s i m p u l a n

(70)

K E S I M P U L A N

Keberhasilan dari Sistem Temu Kembali Citra Batik ini sangat bergantung pada keberhasilan MLP dalam mengklasifikasi sebuah citra query.

1.

MLP dapat dengan digunakan dengan baik dalam penunjang Sistem Temu Kembali Citra Batik. Dimana hasil recognition rate yang terbaik yang dihasilkan oleh MLP ini adalah 86%.

2.

Waktu eksekusi dalam pengembalian citra yang mirip lebih pendek 0,015 detik dibandingkan dengan Sistem Temu Kembali konvensional.

3.

(71)

S a r a n

(72)

S A R A N

Penelitian ini merupakan tahap awal untuk

pengembangan penelitian selanjutnya. Untuk penelitian

selanjutnya, dapat digunakan ANNMBP

(Kathirvalavakumar T, 2009) atau metode klasifikasi

yang lain. Sehingga dari penelitian berikutnya didapat

hasil klasifikasi terbaik yang dapat digunakan untuk

mendukung proses Sistem Temu Kembali Citra Batik

yang baru.

(73)

Daftar Pustaka

(74)

DAFTAR PUSTAKA [1]

D A F T A R P U S T A K A

Achjadi, J., 1999. Batik Spirits of Indonesia. Yayasan Batik Indonesia, PT. Buku Antar Bangsa.

Gonzalez, Rafael C., Woods, R.E., 2002.Digital Image Processing.

New Jersey : Prentice-Hall, Inc., Upper Saddle River.

H. Santosa Doellah. 2002. “Batik : Pengaruh Zaman dan Lingkungan”. Batik Danar Hadi Solo.

Hamidin A.S., 2010. Batik : Warisan Budaya Asli Indonesia. Narasi Yogyakarta.

He, Z., You, X., Yuan, Y., 2009. Texture image retrieval based on non- tensor product wavelet filterbanks. Signal Processing, vol. 89, pp 1501–1510.

Jhanwar, N., Chaudhuri, S., Seetharaman, G., Zavidovique, B., 2004.

Content based image retrieval using motif cooccurrence matrix.

Image and Vision Computing, vol. 22, pp. 1211–1220.

(75)

DAFTAR PUSTAKA [2]

D A F T A R P U S T A K A

Jou, C., You, S., Wen, Chang Long.1994. Analysis Of Hidden Nodes For Multi-Layer Perceptron Neural Networks. Department of Computer Science, National Tsing Hua University, Hsinchu, Taiwan.

Kathirvalavakumar T, dan Subavathi S. J., 2009. Neighborhood based modified backpropagation algorithm using adaptive learning parameters for training feedforward neural networks. Journal Neurocomputing, vol. 72, pp. 3915–3921 Elsivier Science Ltd.

Kokare, M., Biswas, P.K., Chatterji, B.N., 2007. Texture image retrieval using rotated wavelet filters. Pattern Recognition Letter, vol. 28, pp. 1240–1249.

Medsker, L., Liebowitz, J., 1994. Design and Development of Expert System and Neural Networks. McMillan Publishing Co, New York.

(76)

DAFTAR PUSTAKA [3]

D A F T A R P U S T A K A

Rahadianti, L., Manurung, R., Murni, A., 2009. Clustering Batik Images Based on Log-Gabor and Colour Histogram Features.

Proceeding of ICACSIS, pp. 85.

Sanabila, H.R., Manurung R., 2009. Recognition of Batik Motifs using the Generalized Hough Transform. Proceeding of ICACSIS, pp. 79.

Shin, Y., Kim, Y., Kim, E.Y., 2010. Automatic textile image annotation by predicting emotional concepts from visual features. Image and Vision Computing, vol. 28, pp. 526–537.

Suciati, N., Herumurti, D., Buliali, J.L., Kusuma, D.W., Saikhu, A., Asano, C.M., Asano, A., 2007. Image Retrieval based on Object Extraction and Kansei Estimation. Proceeding of 2nd Korean-Japan Joint Workshop on Pattern Recognition (KJPR), pp. 191-196.

(77)

DAFTAR PUSTAKA [4]

D A F T A R P U S T A K A

Suciati, N., Harada, K., 2009. Editing Techniques on Wavelet-based Multiresolution Surface. Current Development in Theory and Applications of Wavelets, vol. 3, no. 3, pp. 205-217.

Suematsu, N., Ishida, Y., Hayashi, A., dan Kanbara, T., 2002. Region- Based Image Retrieval using Wavelet Transform, Faculty of Information Sciences Hiroshima City University.

(78)