• Tidak ada hasil yang ditemukan

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS TIMOR LEMBAGA PENELITIAN & PENGABDIAN KEPADA MASYARAKAT Jalan Km 09 Kelurahan Sasi, Kefamenanu Laman

N/A
N/A
Protected

Academic year: 2021

Membagikan "KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS TIMOR LEMBAGA PENELITIAN & PENGABDIAN KEPADA MASYARAKAT Jalan Km 09 Kelurahan Sasi, Kefamenanu Laman"

Copied!
51
0
0

Teks penuh

(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS TIMOR

LEMBAGA PENELITIAN & PENGABDIAN KEPADA MASYARAKAT Jalan Km 09 Kelurahan Sasi, Kefamenanu

Laman: unimor.ac.id, e-mail: lppmunimor@gmail.com

SURAT TUGAS

Nomor : 115/UN60/LPPM/ PP/2021

Yang bertanda tangan di bawah ini:

Nama : Dr. Paulus Klau Tahuk, S.Pt., M.P

NIP : 197209012005011002

Jabatan : Ketua LPPM UNIMOR

Memberikan Tugas kepada:

No Nama Dosen NIDN Prodi/Fakultas

1 Yoseph P. K. Kelen, S.Si., S.Kom.,M.Kom 0829118002 TI/Faperta

2 Oktovianus R. Sikas, S.Pd.,M.Sc 0017108206 Matematika/Faperta

3 Budiman Baso, S.Kom.,M.Kom - TI/Faperta

Untuk melaksanakan tugas Penelitian Kompetensi T.A. 2021 dengan Judul Penelitian :

Ekstraksi Ciri Metode SURF (Speeded-Up Robust Features) Untuk Klasifikasi Citra Tenun Timor (Studi Kasus Timor) ”. Waktu Pelaksanaan Penelitian pada bulan Mei 2021 s/d Oktober 2021. Lokasi Penelitian di Wilayah Kabupaten TTU, TTS, Belu, Malaka dan Kab Kupang.

Demikian surat tugas ini dibuat dan digunakan sebagaimana mestinya.

Kefamenanu, 3 Mei 2021

(12)

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN U N I V E R S I T A S T I M O R

LEMBAGA PENELITIAN & PENGABDIAN KEPADA MASYARAKAT Jalan Km 09 Kelurahan Sasi, Kefamenanu

Laman: unimor.ac.id, e-mail : lppmunimor@gmail.com

Nomor : 116/UN60/LPPM/PP/2021 3 Mei 2021

Lampiran : 1 (satu) lembar Perihal : Surat Ijin Penelitian

Yth. Kepala Badan Kesatuan Bangsa dan Perlindungan Masyarakat Kabupaten TTU, Kepala Badan Kesatuan Bangsa dan Perlindungan Masyarakat Kabupaten Belu, Kepala Badan Kesatuan Bangsa dan Perlindungan Masyarakat Kabupaten Malaka, Kepala Badan Kesatuan Bangsa dan Perlindungan Masyarakat Kabupaten TTS Kepala Badan Kesatuan Bangsa dan Perlindungan Masyarakat Kabupaten Kupang

Di Tempat

Sesuai perihal surat diatas, maka bersama ini kami mohon untuk diberikan ijin kepada dosen kami atas nama :

1. Nama : Yoseph P. K. Kelen, S.Si., S.Kom.,M.Kom (Ketua)

NIDN : 0829118002

Prodi/Fakultas : Teknologi Informasi /Fak. Pertanian, Universitas Timor 2. Nama : Oktovianus R. Sikas, S.Pd.,M.Sc (Anggota)

NIDN : 0017108206

Prodi/Fakultas : Matematika/Fak. Pertanian, Universitas Timor 3. Nama : Budiman Baso, S.Kom.,M.Kom (Anggota)

NIDN : -

Prodi/Fakultas : Teknologi Informasi /Fak. Pertanian, Universitas Timor

Untuk dapat melaksanakan penelitian Hibah Kompetensi TA 2021 di wilayah TTU, TTS, Belu, Malaka dan Kab Kupang dengan judul : “ Ekstraksi Ciri Metode SURF (Speeded-Up Robust Features) Untuk Klasifikasi Citra Tenun Timor (Studi Kasus Timor) ”, maka dengan ini kami memohon ijin dari Bapak/Ibu agar dapat mengijinkan kami melakukan kegiatan penelitian dimaksud. Waktu pelaksanaan penelitian dari bulan Mei 2021 s/d September 2021.

Apabila selama pelaksanaan penelitian masih membutuhkan data tambahan, maka kami mohon agar para peneliti diberi kesempatan untuk melengkapi data sesuai waktu pelaksanaan penelitian sebagaimana tercantum pada lampiran surat tugas.

Demikian permohonan ini kami sampaikan. Atas perhatian dan kerjasamanya kami ucapkan terima kasih.

(13)
(14)

LAPORAN KEMAJUAN PENELITIAN PENELITIAN KOMPETENSI

EKSTRAKSI CIRI METODE SURF (SPEEDED-UP ROBUST FEATURES) UNTUK KLASIFIKASI CITRA TENUN TIMOR

TIM

Yoseph P.K.Kelen, S.Si., S.Kom., M.Kom /0829118002 Budiman Baso, S.Kom., M.Kom / -

Oktovianus R. Sikas, S.Pd., M.Sc /0017108206

PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS PERTANIAN

UNIVERSITAS TIMOR KEFAMENANU

2021

(15)

ii

LEMBAR PENGESAHAN PENELITIAN

Judul Penelitian : Ekstraksi Ciri Metode SURF (Speeded-Up Robust Features) Untuk Klasifikasi Citra Tenun Timor (Studi Kasus Timor) Skema Penelitian : Penelitian Kompetensi

Bidang/Rumpun Ilmu : Ilmu Komputer / Sistem Informasi Ketua Peneliti:

a. Nama : Yoseph P.K.Kelen, S.Si., S.Kom., M.Kom.

b. Jenis Kelamin : Laki-Laki d. Jabatan Fungsional : Lektor

e. Fakultas/Jurusan : Pertanian / Teknologi Informasi Anggota Peneliti I

a. Nama : Budiman Baso S.Kom., M.Kom b. Jenis Kelamin : Laki-Laki

c. Pangkat/Gol. : - d. Jabatan Fungsional : - Anggota Peneliti II

f. Nama : Oktovianus R. Sikas, S.Pd., M.Sc g. Jenis Kelamin : Laki-Laki

h. Pangkat/Gol. : - i. Jabatan Fungsional : -

Lokasi Penelitian : Universitas Timor

Biaya yang diusulkan : Rp.25.000.000,- (Dua puluh lima juta rupiah)

Kefamenanu, 25 Agustus 2021

Mengetahui,

Dekan Fakultas Pertanian, Peneliti,

Eduardus Y. Neonbeni, S.P., M.P. Yoseph P.K.Kelen, S.Si., S.Kom., M.Kom.

Menyetujui:

Kepala LPPM Universitas Timor

Dr. Paulus Klau Tahuk,S.Pt,.M.P NIP : 197209012005011002 c. Pangkat/Gol. : IIIc

e. Fakultas/Jurusan : Pertanian / Teknologi Informasi

j. Fakultas/Jurusan : Pertanian / Matematika

NIP. 19730514 200501 1 002 NIP. 198011292021211002 Waktu Penelitian : 5 Bulan

(16)

ii RINGKASAN

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%.

Kata Kunci: SURF (Speeded-Up Robust Features), Citra, Tenun Timor, Klasifikasi.

(17)

iii DAFTAR ISI

SAMPUL JUDUL PENELITIAN

LEMBAR PENGESAHAN PROPOSAL PENELITIAN ... ii

RINGKASAN ... ii

DAFTAR ISI ... ii

BAB I PENDAHULUAN ... 1

A. LATAR BELAKANG ... 1

B. PERUMUSAN MASALAH ... 3

C. TUJUAN DAN MANFAAT PENELITIAN ... 3

BAB II TINJAUAN PUSTAKA ... 4

BAB III METODE PENELITIAN ... 9

A. TEMPAT DAN WAKTU PENELITIAN... 9

B. ALAT DAN BAHAN ... 9

C. RANCANGAN PENELITIAN... 9

D. PENGUMPULAN DATA ... 11

E. ANALISIS DATA ... 11

BAB IV HASIL DAN PEMBAHASAN ... 12

A. HASIL PENELITIAN ... 12

B. CAPAIAN LUARAN ... 13

BAB V RENCANA TAHAPAN BERIKUTNYA ... 14

BAB VI KESIMPULAN DAN SARAN ... 15

DAFTAR PUSTAKA ... 17

LAMPIRAN ... 18

(18)

iv

DAFTAR TABEL

Tabel 1. Ragam motif tenun Timor ... 5

Tabel 2. Hasil pengujian dengan nilai cluster 100 ... 12

Tabel 3. Hasil pengujian dengan nilai cluster 300 ... 12

Tabel 4. Hasil pengujian dengan nilai cluster 500 ... 12

(19)

ii

DAFTAR GAMBAR

Gambar 1. Representasi Citra Digital ... 4

Gambar 2. Alur tahap Ekstraksi Fitur ... 6

Gambar 3. Metode Penelitian ... 9

Gambar 4. Alur Usulan Metode Penelitian ... 10

Gambar 5. Ragam motif tenun Timor (a) Belu (b) Biboki, (c) Buna, (d) Kauniki, (e) Naisa, (f) Nunkolo, (g) Weulun. ... 17

Gambar 6. Kemunculan Visual Word dengan Kluster 100 dan Kluster 500. ... 18

(20)

1 BAB I PENDAHULUAN

A. LATAR BELAKANG

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. 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.

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 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). Penelitian ini membuat sistem ekstraksi ciri citra tenun Timor yang akan digunakan untuk proses selanjutnya yaitu klasifikasi yang dapat digunakan untuk pendataan, khususnya tenun Timor. Pada penelitian ini proses pengumpulan data melalui tiga cara, yaitu observasi, wawancara dan studi pustaka.

Dalam pengimplementasiannya menggunakan Matlab 2018a. Pengujian menggunakan empat sampel citra motif tenun Timor, setiap citra dibagi menjadi beberapa bagian dan selanjutnya diuji dengan metode tersebut. Hasil penelitian ini dengan menggunakan metode SURF (Speeded-Up Robust Features) akan menghasilkan nilai yang merepresentasikan ciri dari citra tenun Timor yang dapat digunakan untuk proses klasifikasi.

(21)

2

Teknik yang akan dilakukan pada penelitian ini yaitu melakukan preprocessing dengan mentransformasi citra RGB tenun Timor menjadi citra grayscale, lalu melakukan perbaikan citra tenun. Setelah mendapatkan citra tenun Timor hasil preprocessing, selanjutnya melakukan akstraksi ciri pada tenun dengan metode Speeded Up Robust Feature (SURF) sehingga menghasilkan nilai yang merepresentasikan ciri dari citra tenun Timor yang dapat digunakan untuk proses klasifikasi.

Penelitian yang mengangkat kain tradisional sebagai objek penelitian dilakukan Nani Sulistianingsih, 2018. 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 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) 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) dengan mengunakan Metode SURF (Speeded Up Robust Feature) untuk mengekstrak image feature points. Selanjutnya algoritma Kmeans

(22)

3

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 tinggi kesamaan.

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).

B. TUJUAN DAN MANFAAT PENELITIAN

Adapun tujuan utama dari penelitian ini adalah merancang dan membangun sistem ekstraksi ciri citra tenun Timor menggunakan metode Speeded Up Robust Features (SURF), dengan melakukan preprocessing pada citra tenun Timor terlebih dahulu agar kemudian dapat digunakan untuk proses klasifikasi tenun.

Adapun manfaat dari penelitian ini adalah dapat menjadi referensi untuk penelitian dimasa yang akan datang dalam penentuan metode yang akan digunakan untuk aplikasi pengenalan pola Tenun yang dapat membantu menginventariskan tenun Nusa Tenggara Timur sehingga dapat menjadi bahan pengenalan motif tenun dan pelestarian budaya tenun Nusa Tenggara Timur yang merupakan warisan budaya Indonesia yang sebagiannya telah diakui oleh United Nations Educational, Scientific, and Culture Organization (UNESCO).

C. PERUMUSAN MASALAH

Berdasarkan latarbelakang diatas, rumusan masalah yang akan digunakan dalam penelitian ini adalah:

a. Bagaimana melakukan preprocessing pada citra tenun Timor dengan transformasi citra?

b. Bagaimana melakukan ekstraksi ciri pada citra tenun Timor dengan menggunakan metode Speeded Up Robust Features (SURF) agar kemudian dapat digunakan untuk proses klasifikasi?

c. Bagaimana melakukan evaluasi terhadap kinerja sistem yang diusulkan?

(23)

4 BAB II

TINJAUAN PUSTAKA

A. Citra Digital

Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek.

Citra terbagi dua yaitu citra yang bersifat analog dan ada citra yang bersifat digital. Citra analog adalah citra yang bersifat continue seperti gambar pada monitor televisi, foto sinar X, dan lain-lain. Sedangkan pada citra digital adalah citra yang dapat diolah oleh computer.

Gonzales dan Woods (1992) mendefinisikan citra digital sebagai fungsi intensitas cahaya dua-dimensi f(x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y) sebanding dengan brightness (gray level) dan citra di titik tersebut. Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Dimana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra. Nilai matriksnya menyatakan nilai kecerahan titik tersebut.

Titik tersebut dinamakan sebagai elemen citra atau piksel (picture elemen). Representasi citra digital ditunjukan pada gambar 1.

Gambar 1. Representasi Citra Digital

B. Tenun Timor

Pulau Timor terletak dibagian selatan Nusantara, terbagi antara negara merdeka Timor Leste dan kawasan Timor Barat, bagian dari provinsi Nusa Tenggara Timur di Indonesia.

Kondisi alam Timor banyak ditumbuhi hutan belukar dan padang pengembalaan yang luas.

Namun dibalik kegersangan, tumbuh suatu kebudayaan purbakala yang diwarnai pemujaan para leluhur yang diterjemahkan dalam aturan adat dan kepercayaan sehinggah menciptakan sejumlah corak hias yang menakjubkan berupa kain tenun dengan ragam motifnya. Kain tenun dari setiap daerah di pulau timor memiliki ciri khas motif masing-masing yang merupakan bentuk manifestasi kehidupan sehari-hari, kebudayaan dan kepercayaan masyarakat setempat.

Ragam hias yang terdapat dalam motif tenun Timor seperti flora, fauna dan geometris yang

(24)

5

dihasilkan dari teknik fusuk, buna dan sotis menjadi suatu keunikan yang membedakan setiap daerah asal dan filosofi suatu motif

Tenun Timor adalah kain yang dibuat dari proses menenun oleh masyarakat Timor, menenun sendiri merupakan kegiatan membuat kain dengan cara memasukkan benang pakan secara horizontal pada benang-benang lungsi. Tenun Timor terdiri dari tiga jenis berdasarkan cara pembuatannya, yang pertama Tenun Ikat; disebut tenun ikat karena pembentukan motifnya melalui proses pengikatan benang. Berbeda dengan daerah lain di Indonesia, untuk menghasilkan motif pada kain maka benang pakannya yang diikat, sedangkan tenun ikat Timor, untuk menghasilkan motif maka benang yang diikat adalah benang lungsi. Kedua Tenun Buna; istilah daerah setempat (Timor Tengah Utara) "tenun buna" yang maksudnya menenun untuk membuat corak atau ragam hias/motif pada kain mempergunakan benang yang terlebih dahulu telah diwarnai. Ketiga Tenun Lotis/ Sotis atau Songket; Disebut juga tenun Sotis atau tenun Songket, dimana proses pembuatannya mirip dengan pembuatan tenun Buna yaitu menggunakan benang-benang yang telah diwarnai. Meski jenisnya berbeda, namun sama-sama menggunakan warna-warna latar yang gelap. Warna-warna dihasilkan dari bahan- bahan yang diambil dari alam seperti akar pohon Ka’bo (warna merah), daun Ru Dao (warna nila), dan daun Mengkude (warna kuning). Namun banyak juga penun yang telah beralih menggunakan bahan pewarna sintesis.

Kain adat atau tenun mempunyai banyak fungsi penggunaan di masyarakat, meski tiap daerah ada penggunaan khusus di tiap suku. Fungsi dari kain tenun Timor yaitu sebagai busana untuk penggunaan sehari-hari dan mentupi badan. Sebagai busana dalam tari adat dan upacara adat. Sebagai mahar dalam perkawinan dalam bahasa daerah disebut sebagai belis nikah.

Sebagai pemberian dalam acara kematian dan sebagai wujud penghargaan. Sebagai penunjuk status sosial. Sebagai alat untuk membayar hukuman jika terjadi ketidak seimbangan. Sebagai alat barter atau transaksi. Sebagai bentuk penghargaan bagi tamu yang datang berkunjung. Ragam motif tenun Timor yang akan digunakan pada penelitian ditunjukan pada Tabel 1.

Table 1. Ragam motif tenun Timor

No Motif Citra Tenun Nusa Tenggara Timur Asal Daerah

1 Nunkolo Timor Tengah Selatan

(25)

6

2 Naisa Timor Tengah Selatan

3 Buna Timor Tengah Utara

4 Biboki Timor Tengah Utara

C. Ekstraksi Fitur (Ciri)

pada citra tenun yang sebelumnya telah melewati tahapan preprocessing, ekstraksi fitur menggunakan metode Speeded Up Robust Feature (SURF). Pada proses awal ekstraksi fitur, citra tenun hasil preprocessing dilakukan proses deteksi keypoints. Setelah mendapatkan keypoints dilakukan proses ekstraksi fitur pada setiap point tersebut. Kemudian hasil fitur tersebut disimpan dalam fitur vektor. Proses ekstraksi fitur ditunjukkan pada Gambar 2.

Mulai

Citra hasil Preprocessing

Deteksi keypoints

keypoints

Deskriptor

Vektor Fitur SURF

Selesai

Gambar 2. Alur tahap Ekstraksi Fitur

(26)

7

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. 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. Pada algoritma SURF dipilih detektor keypoint yang mempunyai sifat invarian terhadap skala, yaitu blob detection. Blob merupakan area pada citra digital yang memiliki sifat bervariasi dalam kisaran tertentu. Untuk melakukan komputasi blob detection digunakan determinan matriks Hessian (DoH) dari citra. Jika diberikan titik x = (𝑥, 𝑦) pada citra I, matriks Hessian H(𝑥, 𝜎) pada x dengan skala 𝜎 dinotasikan pada persamaan (1).

H(x,σ)= [𝐿𝑥𝑥(x,𝜎) 𝐿𝑥𝑦(x,𝜎)

𝐿𝑥𝑦(x,𝜎) 𝐿𝑦𝑦(x,𝜎)] (2)

Tahapan selanjutnya yaitu feature description, bertujuan mendapatkan deskripsi dari fitur – fitur dalam citra yang diamati. Diawali dengan melihat orientasi yang dominan pada keypoint pada citra, kemudian membangun sesuatu area yang akan diambil nilainya menggunakan filter wavelet Haar yang dapat ditentukan tingkat kemiringan suatu fitur yang diamati. Selanjutnya untuk feature description dalam SURF digunakan hanya perhitungan gradient histogram dalam empat kelompok, yaitu 𝑉 = (∑ 𝑑𝑥,∑ |𝑑𝑥|, ∑ 𝑑𝑦,∑ |𝑑𝑦|), dengan 𝑑𝑥 respon haar wavelet pada arah horizontal dan 𝑑𝑦 a arah vertikal. Respon wavelet juga invarian terhadap pencahayaan, sedangkan sifat invarian terhadap kontras dicapai melalui pembentukan deskriptor kedalam satuan vector.

D. Penelitian Relevan

Penelitian yang mengangkat kain tradisional sebagai objek penelitian dilakukan Nani Sulistianingsih, 2018. 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 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

(27)

8

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) 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) 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 tinggi kesamaan.

(28)

9 BAB III

METODE PENELITIAN

A. Tempat dan Waktu Penelitian

Tempat penelitian dilakukan pada empat kabupaten yaitu; kabupaten TTU, kabupaten TTS, kabupaten Belu, dan kabupaten Kupang. Disetiap kabupaten ini memili Tenun khas Timor yang menjadi objek penelitian, sehingga proses pengambilan data dilakukan pada 4 kabupaten tersebut. Adapun data yang diambil adalah data berupa citra tenun Timor dengan beberapa motif yaitu; motif Belu, Biboki, Buna, Kauniki, Naisa, Nunkolo, Weulun. Setiap citra dibagi menjadi beberapa bagian dan selanjutnya diproses dengan komputerisasi menggunakan metode-metode yang telah dijelaskan sebelumnya. Untuk tempat pengolahan data dan pembuatan Sistem dilakukan di Laboratorium Kampus dan Lab Pribadi.

Untuk waktu penelitian, dikarenakan peningkatan Covid19 di provinsi NTT, tidak terkecuali di pulau Timor yang merupakan tempat pengambilan data, kami mengalami kendala di tambah lagi penerapan PPKM di setiap daerah tempat penelitian. Untuk labih lanjut mengenai waktu penelitian telah kami jelaskan pada Catatan harian yang terdapat pada lampiran.

B. Alat dan Bahan

Adapun alan dan bahan yang digunakan pada penelitian ini adalah:

a. Alat: Laptop, Kamera DSLR, Hardisk external, SSD 500 GB

b. Bahan: Kertas HVS, Tinta Printer, Binder Clips

C. Rancangan Penelitian

Dalam mempermudah proses penelitian yang akan dilakukan, berikut adalah Ilustrasi alur rancangan penelitian dapat dilihat pada Gambar 3:

Gambar 3. Metode Penelitian

a. Studi Literatur

Tahap pertama yang dilakukan pada penelitian ini merupakan pengkajian studi literatur yang berkaitan dengan topik penelitian yang diambil. Literatur yang digunakan yaitu tentang pengolahan citra, tenun Timor, metode preprocessing, ekstraksi fitur, klasifikasi, serta metode

Studi Literatur

Perancangan dan Implementasi

Metode

Uji Coba Analisa

Hasil

Penyusunan Laporan

(29)

10

untuk melakukan evaluasi pada metode yang diusulkan.

b. Perancangan dan Implementasi Metode

Penelitian ini dilakukan dalam 3 proses tahapan. Tahapan tersebut adalah preprocessing, ekstraksi fitur dan klasifikasi. Proses diawali dengan preprocessing dimana pada citra training dan citra testing yang semula adalah citra RGB di konversi menjadi citra grayscale. Setelah itu citra hasil preprocessing diekstraksi dengan menggunakan Speeded Up Robust Feature (SURF). Fitur hasil ekstraksi berbasis SURF yang berupa Keypoint akan disimpan dalam bentuk fitur vector (vector feature) kemudian akan digunakan sebagai input pada proses klasifikasi. Pada penelitian ini digunakan klasifikasi SVM. Tahapan alur metode yang diusulkan dapat dilihat dalam Gambar 4.

Gambar 4. Alur Usulan Metode Penelitian

c. Uji Coba

Uji coba pada penelitian ini dilakukan pada citra tenun Timor yang memiliki motif flora, fauna dan geometris yang dihasilkan dari teknik fusuk, buna dan sotis. Citra tenun Timor yang digunakan sebanyak 7 motif yang berbeda.

d. Analisis Hasil

Untuk analisis hasil dilakukan pengukuran performa Sistem (matode-metode yang digunakan) terhadap data tenun Timor, hasil dari masing-masing pengujian diukur kinerja dengan menggunakan metode accuracy. Accuracy adalah metode evaluasi hasil klasifikasi yang sudah tersedia pada library libsvm. Persamaan 2 menunjukkan rumus perhitungan nilai Accuracy:

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑡𝑒𝑝𝑎𝑡

𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑢𝑗𝑖 (1)

(30)

11 D. Pengumpulan Data

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 pengujian. Citra yang digunakan adalah citra tenun Timor yang memiliki motif flora, fauna dan geometris yang dihasilkan dari teknik fusuk, buna dan sotis. Contoh citra tenun Timor dijelaskan pada Gambar 5.

(a) (b) (c)

(d) (e) (f) (g)

Gambar 5. Ragam motif tenun Timor

(a) Belu (b) Biboki, (c) Buna, (d) Kauniki, (e) Naisa, (f) Nunkolo, (g) Weulun.

E. Analisis Data

Gambar 6. Kemunculan Visual Word dengan Kluster 100 dan Kluster 500.

Berdasarkan hasil analisis data yang telah dilakukan, dengan menguji cobakan nilai Kluster yang berbeda-beda memperoleh hasil yang akan berbeda, hal ini berpengaruh dengan tingkat kerenggangan visual word, pada gambar 6 terlihat jelas kerenggangan visual word dengan nilai cluster 500 dan kerapatan visual word dengan nilai cluster 100, Hal ini biasa menyebabkan hasil akurasi dari klasifikasi citra akan berbeda di setiap Kluster.

(31)

12 BAB IV

HASIL DAN PEMBAHASAN

A. Hasil Penelitian

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 2 sampai dengan tabel 4.

Table 2. Hasil pengujian dengan nilai cluster 100

KNOWN PREDICTED

Belu Biboki Buna Kauniki Naisa Nunkollo Weulun Belu 0.90 0.00 0.00 0.00 0.07 0.03 0.00 Biboki 0.00 0.97 0.00 0.00 0.00 0.00 0.03

Buna 0.03 0.00 0.87 0.00 0.00 0.00 0.10

Kauniki 0.00 0.00 0.00 1.00 0.00 0.00 0.00

Naisa 0.00 0.00 0.00 0.00 1.00 0.00 0.00

Nunkollo 0.00 0.00 0.00 0.00 0.00 1.00 0.00

Weulun 0.00 0.00 0.00 0.00 0.00 0.00 1.00

Average Accuracy 0.96

Table 3. Hasil pengujian dengan nilai cluster 300

KNOWN PREDICTED

Belu Biboki Buna Kauniki Naisa Nunkollo Weulun Belu 1.00 0.00 0.00 0.00 0.00 0.00 0.00 Biboki 0.00 1.00 0.00 0.00 0.00 0.00 0.00

Buna 0.00 0.00 0.93 0.00 0.00 0.00 0.07

Kauniki 0.00 0.00 0.00 1.00 0.00 0.00 0.00

Naisa 0.00 0.00 0.00 0.00 1.00 0.00 0.00

Nunkollo 0.00 0.00 0.00 0.00 0.00 1.00 0.00

Weulun 0.00 0.00 0.00 0.00 0.00 0.00 1.00

Average Accuracy 0.99

Table 4. Hasil pengujian dengan nilai cluster 500

KNOWN PREDICTED

Belu Biboki Buna Kauniki Naisa Nunkollo Weulun Belu 1.00 0.00 0.00 0.00 0.00 0.00 0.00 Biboki 0.00 1.00 0.00 0.00 0.00 0.00 0.00

Buna 0.00 0.00 1.00 0.00 0.00 0.00 0.00

Kauniki 0.00 0.00 0.00 1.00 0.00 0.00 0.00

Naisa 0.00 0.00 0.00 0.00 1.00 0.00 0.00

Nunkollo 0.00 0.00 0.00 0.00 0.00 1.00 0.00

Weulun 0.00 0.00 0.00 0.00 0.00 0.00 1.00

Average Accuracy 1.00

(32)

13

Pada tabel 2 sampai tabel 4 menampilkan hasil klasifikasi citra Tenun Timor menggunakan SVM dengan kategori nilai cluster 100 sampai nilai cluster 300. Pada table 2 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 3 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 2 sampai 4 menunjukkan hasil klasifikasi dengan akurasi bervariasi untuk masing-masing jumlah nilai cluster. Pada percobaan yang dilakukan dengan nilai cluster 100 memperoleh tingkat akurasi rata-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.

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 nilai cluster 500 memperoleh tingkat akurasi tertinggi yaitu 100%, sedangkan visual word dengan nilai cluster 100 hanya memperoleh tingkat akurasi 96%.

B. Capaian Luaran

Capaian Luaran dan target yang akan dicapai dalam penelitian ini adalah artikel ilmiah yang dipublikasikan pada jurnal yang terakreditasi Dikti, Jurnal Terakreditasi SINTA 2 atau Jurnal Terakreditasi SINTA 3. Selain itu target luaran tambahan dari penelitian ini adalah menjadi bahan ajar khususnya mata kuliah Pengolahan Citra Digital pada program studi Teknologi Informasi.

(33)

14 BAB V

RENCANA TAHAPAN BERIKUTNYA

Pada tahapan berikutnya akan dilakukan:

1. Membuat laporan akhir penelitian dan seminar hasil penelitian

Setelah sitem klasifikasi citra tenun Timor selesai di bangun maka selanjutnya adalah menjalankan program untuk mengklasifikasikan data citra tenun Timor dengan 7 kelas motif berbeda diantaranya adalah motif Belu, Buna, Biboki, Kauniki, Naisa, Nunkollo dan motif Weulun, setelah mendapatkan hasil klasifikasi makan hasil klasifikasi akan dianalisis dan akan di jelaskan pada laporan penelitian, beserta algoritma-algoritma yang diimplementasikan pada program, bagaimana kekuatan algoritma pada sistem dalam mengenal pola tenun sehinggah mendapatkan hasil akurasi klasifikasi yang akurat.

2. Luaran penelitian berupa submit ke jurnal

Capaian Luaran dan target yang akan dicapai dalam penelitian ini adalah artikel ilmiah yang akan dipublikasikan jurnal yang terakreditasi Dikti, Jurnal Terakreditasi SINTA 2 atau Jurnal Terakreditasi SINTA 3. Selain itu target luaran tambahan dari penelitian ini adalah menjadi bahan ajar khususnya mata kuliah Pengolahan Citra Digital pada program studi Teknologi Informasi.

(34)

15 BAB VI

KESIMPULAN DAN SARAN

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.

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

dengan nilai cluster 100 hanya memperoleh tingkat akurasi 96%.

A. Kesimpulan

B. Saran

dengan representasi fitur BoVW menunjukkan bahwa, berdasarkan hasil percobaan yang telah Pada penelitian ini dilakukan klasifikasi citra tenun Timor dengan beberapa tahapan

metode yang dapat lebih memperjelas detail motif yang ada pada citra tenun. Eksplorasi lebih lanjut pada penggunakan ekstraksi fitur SURF dilakukan tanpa representasi BoVW. Untuk metode klasifikasi dapat ditambahkan metode kalasifikasi yang lain seperti KNN sebagai pembanding dengan motode SVM.

Untuk keseluruhan proses klasifikasi citra tenun Timor menggunakan ekstraksi SURF

nilai cluster 500 memperoleh tingkat akurasi tertinggi yaitu 100%, sedangkan visual word

Untuk pengembangan penelitian selanjutnya dapat dilakukan perbaikan citra dengan

(35)

16 A. PERSONALIA PENELITIAN

Ketua Peneliti :

a. Nama Lengkap : Yoseph P.K.Kelen, S.Si., S.Kom., M.Kom.

b. Jenis Kelamin : Laki-laki

d. Disiplin Ilmu : Sistem Informasi f. Jabatan fungsional : Lektor

g. Fakultas/Jurusan : Pertanian/Teknologi Informasi h. Waktu untuk penelitian : 8 jam/minggu

Anggota Peneliti 1 :

a. Nama : Budiman Baso S.Kom., M.Kom

b. Jenis Kelamin : Laki-Laki

c. Pangkat/Gol. : -

d. Jabatan Fungsional : -

Anggota Peneliti 2 :

a. Nama : Oktovianus R. Sikas, S.Pd., M.Sc

b. Jenis Kelamin : Laki-Laki

c. Pangkat/Gol. : -

d. Jabatan Fungsional : -

e. Fakultas/Jurusan : Pertanian/Matematika Tenaga Lapangan 1 :

a. Nama : Elsa Maria Benolon

b. NPM : 51190052

c. Program Studi/Fakultas : Teknologi Informasi/Pertanian Tenaga Lapangan 2 :

a. Nama : Valerianus Naat

b. NPM : 51190086

c. Program Studi/Fakultas : Teknologi Informasi/Pertanian Tenaga Lapangan 3 :

a. Nama : Renaldi Yulvengki Kolloh

b. NPM : 51190114

c. Program Studi/Fakultas : Teknologi Informasi/Pertanian Tenaga Lapangan 4 :

a. Nama : Stefania Yuristika Nule

b. NPM : 51190120

c. Program Studi/Fakultas : Teknologi Informasi/Pertanian

c. NIK/NIDN : 198011292021211002 / 0829118002

e. Pangkat/Golongan : IIIc

e. Fakultas/Jurusan : Pertanian/Teknologi Informasi f. Waktu untuk penelitian : 8 jam/minggu

f. Waktu untuk penelitian : 8 jam/minggu

(36)

17

DAFTAR PUSTAKA 1. TALLO, N. E. C. (2003) ‘Pesona Tenun FLOBAMORA’.

2. B. Haning, “Raga Ragam Tenun NTT.” 2013.

3. SETIAWAN, B. (2014) ‘Strategy For Development Of Kupang Ikat Woven East Nusa Tenggara Province’.

4. Oksaputri, R., Ernawati & Desi Andreswari (2018) ‘Implementasi Content Based Image Retrieval (CBIR) Pada Citra Batik Besurek Yang Tidak Utuh Menggunakan Metode Speeded Up Robust Features (SURF) Dan Fast Library Approximated Nearest Neighbor (FLANN)’.

5. Budiman, B., & Nanik, S (2018) ‘Temu Kembali Citra Tenun Nusa Tenggara Timur Menggunakan Ekstraksi Fitur yang Robust Terhadap Perubahan Skala, Rotasi dan Pencahayaan’.

6. BAY, H., TUYTELAARS, T. & GOOL, L. VAN (2006) ‘SURF: Speeded Up Robust Features’, pp. 562–589. doi: 10.1007/11744023_32.

7. P. N. Andono, S. T, and Muljono, “Pengolahan Citra Digital.” pp. 2–4, 2017.

8. E. Prasetyo, “Pengolahan Citra Digital dan Aplikasinya menggunakan Matlab.” 2011.

9. F. Arnia and K. Munadi, “Pengantar Teknik Pengolahan Citra & Visi Komputer.” 2018.

(37)

18 LAMPIRAN A. Catatan harian

LAPORAN CATATAN HARIAN

No Tanggal Kegiatan

1 01

September 2020

Catatan : Penyusunan dan pengusulan proposal penelitian Dokumen pendukung : 1 buah draf proposal

2 23 April 2021

Catatan : Penandatanganan kotrak penelitian

Dokumen Pendukung : surat perjanjian kontrak penelitian 3 23 April

2021

Catatan : Pengurusan surat tugas penelitian Dokumen Pendukung : Surat tugas penelitian 3 23 April

2021 Sampai

23 juni 2021

Catatan: Survey dan pengambilan data kain tenun di kabupaten Kupang, kabupaten Malaka, kabupaten TTU, kabupaten TTS, dan kabupaten Belu.

Dokumen Pendukung : foto

(38)

19

5 23 juni

2021

Catatan: Pengolahan data tenun Timor dengan melakukan preprocessing dengan mentransformasi citra RGB tenun Timor menjadi citra grayscale.

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.

Dokumen Pendukung: Hasil uji coba

Hasil pengujian

(39)

20

Dataset 6 28 Juli

2021

Catatan: (MONEV) Monitoring dan Evaluasi Hibah LPPM 2021 Dokumen Pendukung:

(40)

B. Rincian Pengunaan Dana 70%

Tabel 4. Rincian Rencana Anggaran Biaya (RAB).

1. Belanja Bahan

No. Nama Bahan/Barang Merk/Tipe Spesifikasi/Nomor

Katalog Kuantitas Satuan/

Kemasan

Harga Satuan (Rp)

Jumlah Harga (Rp)

1 Kertas HVS Paper One A4, 80 gram 10 rim 48.000 480.000

2 Hardisk external Kingston Kapasitas 1 Tera 2 buah 750.000 1.500.000

3 Tinta Printer Canon Canon 250 ML 4 Warna 4 buah 145.000 580.000

4 Stapler SMax Stapler HD-10D HD-10D 2 buah 55.000 110.000

5 Kenko Staples Isi Ulang Kenko No.10 20 buah 29.900 598.000

6 Binder Clips Joyko No. 155, 12 buah/dus 6 buah 6500 39.000

7 SSD 500 GB Samsung Evo 870 Sata 1 buah 700.000 700.000

8 Sewa kamera DSLR Cannon 2 buah x 3 hari Buah 600.000 3.600.000

Jumlah Biaya Belanja Bahan 7.607.000

5. Belanja Operasional

No. Nama Item Volume Satuan Harga Satuan (Rp) Volume x Harga Satuan (Rp)

1 Print, Cetakan / Jilid

Proposal 6 Buah 250.000 1.500.000

2 Print, Cetakan / Jilid

Laporan kemajuan 6 Buah 250.000 1.500.000

3

Biaya Operasional Pengumpulan Data / Kuisioner

7 Orang x 5 Lokasi Kali 200.000 7000.000

Jumlah Biaya Operasional 10.000.000

Total Biaya 17.607.000

(41)

C. Foto-foto pelaksanaan penelitian 3 23 April

2021 Sampai

23 juni 2021

Catatan: Survey dan pengambilan data citra kain tenun di kabupaten Kupang, kabupaten Malaka, kabupaten TTU, kabupaten TTS, dan kabupaten Belu.

(42)

D. Dokumen capaian target luaran (artikel ilmiah, prosiding, seminar)

(43)
(44)
(45)

ISSN: xxxx-xxxx

1

DOI:

Ekstraksi Ciri Metode SURF (Speeded-Up Robust Features) Untuk Klasifikasi Citra Tenun TIMOR

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

budimanbaso@gmail.com*

* 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%.

Keywords:

SURF (Speeded-Up Robust Features), Citra,

Klasifikasi Tenun Timor.

(46)

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

(47)

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 geometris yang dihasilkan dari teknik fusuk, buna dan sotis. Contoh citra tenun Timor dijelaskan pada Gambar 1.

(a) (b) (c)

(d) (e) (f) (g)

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

Referensi

Dokumen terkait

Dari uraian di atas peneliti memandang perlu dilakukan suatu penelitian terhadap material poros bahan baja karbon St.60 yang dipengaruhi bentuk takik (notched) akibat beban

2) Guru memberikan tugas kepada setiap kelompok untuk didiskusikan dan dikerjakan bersama. 3) Setelah selesai, 2 anggota dari masing-masing kelompok diminta

Sebuah cara sederhana dengan memanaskan secara kilat (flash-heating) air susu ibu (ASI) yang terinfeksi HIV berhasil membunuh virus yang mengambang bebas di ASI, berdasarkan

Adapun peserta yang kurang lebih berjumlah 24 orang berasal dari 12 propinsi (Sumatera Utara, Kalimantan Barat, DKI Jakarta, Riau, Kalimantan Timur, Papua, Jawa Tengah, DIY, Bali,

Pada umumnya konsumen dalam hal ini pasien pelayanan kesehatan tidak dihadapkan pada persoalan ketidakmengertian ataupun ketidakjelasan akan pemanfaatan, penggunaan, maupun

• Pasien dengan efek samping berat atau serius dan pasien yang tidak menunjukkan perbaikan setelah penanganan efek samping ringan atau sedang harus segera

Setelah mempelajari modul ini, mahasiswa diharapkan dapat menjelaskan tentang konsep-konsep dasar yang berhubungan dengan gejala batuk dan sesak serta mampu

latennya ke air laut yang mengalir di dalam pipa, dan akan terkumpul pada bagian bawah condenser bersama dengan vapor yang datang dari effect lainnya. Akhirnya, air distilat