7
LANDASAN TEORI
2.1 Batik
Asal kata batik pertama kali berasal dari jawa yang memiliki arti menulis dan titik. Batik adalah kerajinan tangan yang memiliki nilai seni tinggi dan telah menjadi bagian dari budaya Indonesia sejak lama. Keterampilan membatik pada masa lampau sering dijadikan sebagai mata pencaharian dan membatik adalah pekerjaan eksklusif khusus untuk perempuan sampai ditemukannya “batik cap” yang memungkinkan pria masuk ke dalam bidang ini. lain halnya dengan daerah pesisir dimana membatik adalah hal lazim bagi kaum laki-laki.
Beberapa jenis variasi batik dapat ditemukan di beragam daerah di Indonesia. Steelyana and Patriana (2010) . Ada beragam jenis batik menurut daerah asalnya yaitu:
a. Batik Jawa Keraton
Keraton Jawa dikenal juga dengan nama batik pedalaman, yang memiliki perbedaan dengan batik pesisiran, batik ini memiliki kombinasi warna yang tidak mencolok seperti hitam,coklat dan kuning muda. Tekstur batik Jawa Keraton memiliki arti simbolik dan bahkan beberapa jenis batik tidak diperbolehkan dipakai oleh orang umum. Dua
kota Keratonan di Jawa Tengah yang terkenal melesatarikan budaya adalah Solo dan Yogyakarta.
b. Batik Pekalongan
Tempat yang paling terkenal dalam produksi batik pesisir adalah kota Pekalongan. Tekstur pada batik pekalongan mendapat pengaruh oleh tekstil Eropa dan Cina, contohnya buketan yang dipengaruhi tekstur bunga eropa pada tekstil.
c. Batik Cirebon
Terkenal dengan batik trusmi karena menjadi area utama produksi batik di Cirebon. Salah satu batik Cirebon yang paling terkenal selain batik trusmi adalah mega mendung yang dulu hanya digunakan oleh bangsawan Cirebon. batik ini menunjukkan pengaruh budaya cina yang terlihat pada tekstur awan pada kainnya.
d. Batik Madura
Batik Madura menunjukkan warna-warna cerah seperti merah dan kuning, salah satu tekstur unik dari batik Madura adalah tekstur pucuk tombak dan juga aneka ragam tekstur flora dan fauna.
e. Batik Ciamis
Batik Ciamis dikenal dengan gaya teksturnya yang tidak terlalu kompleks. Salah satu yang terkenal adalah tekstur ciamisan yaitu tekstur flora dan fauna yang digambarkan dengan warna hitam, putih atau coklat kekuningan. Secara teknik pembuatan tekstur, batik Ciamis
memiliki persamaan dengan batik Cirebon tetapi ketebalan dalam pewarnaan lebih mirip dengan batik pedalaman(Jawa Keraton). Teknik penebalan dari pewarnaan batik Ciamis disebut sebagai sarian.
Berikut beberapa contoh batik beserta gambar dan makna nya:
Tabel 2.1 Contoh Ragam Batik Nama
-Batik
Gambar Batik Makna Batik
Kawung Batik dengan motif
kawung dipakai oleh raja dan keluarganya. Kawung
menggambarkan keadilan dan kuasa.
Truntum Batik dengan pola
truntum biasa
digunakan oleh orang tua dari pengantin. Truntum sendiri berarti membimbing
Parang Parang diartikan
sebagai simbol kekuatan dan kekuasaan
Perbedaan dari bentuk dan tektur dari batik adalah bentuk adalah komponen dasar penentu jenis batik misalnya adanya gambar kupu-kupu dan bunga teratai yang khas pada batik sidomukti sedangkan tekstur batik sendiri adalah kumpulan-kumpulan pola bentuk yang sama dan bahkan ada batik yang
merupakan hasil kombinasi dari kedua elemen itu . Contoh gambar dari batik dengan tekstur yang sama:
Tabel 2.2 Contoh batik dengan tekstur yang sama Batik Tekstur Kawung Batik Tekstur Kawung
Tabel 2.3 Contoh batik dengan bentuk yang sama Batik bentuk Lereng Batik bentuk Lereng
Tabel 2.4 Tabel Contoh Batik Kombinasi Batik Kawung+sidomukti Batik parang+sidomukti
2.2 Pengukuran Kinerja Sistem
Dalam menentukan kinerja sistem temu kembali pada citra akan terhitung benar dan akurat, jika jumlah citra yang berhasil diidentifikasi dengan benar oleh sistem. Walaupun dengan kasat mata keakuratan tersebut dapat ditentukan dari presentase yang dihasilkan. Pengukuran kinerja sistem ini dapat menggunakan persamaan sebagai berikut :
A. Citra yang relevant ( X) X =
B. Citra yang presisi (Y) Y=
∑
∑
ase citraDatab query citrahasil x y∑
∑
ase citraDatab query citrahasil x y2.3 Pengukuran Kedekatan Citra
Dalam melakukan pengukuran kedekatan citra, dapat dilakukan berdasarkan fungsi jarak antara dua ciri citra, dimana jarak digunakan untuk mengukur ketidakmiripan antara dua obyek data.
Pada penelitian ini akan memakai cara untuk menghitung jarak euclid. a. Jarak euclid
Prinsip dasar yang digunakan pada metode jarak Euclid adalah dengan mengukur jarak antar dua titik (x dan y), dengan x adalah sinyal suara yang tidak diketahui (data testing) dengan y adalah pola yang telah diketahui (data training).
( )
(
2 2)
2 2 2 1 1 ... ,j xi xj xi xj xip xjp i d = − + − + + − b. CitraTerdapat dua parameter citra yang digunakan yaitu jumlah pixel dan warna RGB. Satu parameter tambahan untuk keperluan proses segmentasi warna yaitu warna referensi. Rincian parameter tersebut sebagai berikut :
1. Jumlah Pixel: K = m x n dengan K = jumlah pixel
2. Citra RGB (Gonzales dan Woods, 2002) = ) , ( ) , ( ) , ( ) , ( y x b y x g y x r y x crgb dengan crgb = citra RGB r, g, b = nilai warna R, G, B x, y = koordinat pixel c. Nilai Grade Citra
Perhitungan nilai grade citra dilakukan dengan proses fuzzyfikasi terhadap parameter jarak euclid ciri warna dan bentuk sebagai masukan crisp. Proses fuzzyfikasi dilakukan dengan terlebih dahulu sampai terbentuk daftar grade tekstur dan bentuk untuk masing-masing citra. Proses fuzzyfikasi dilakukan dengan menggunakan kurva S sebagai representasi nilai grade tekstur dan bentuk. Sebagai masukan proses
fuzzyfikasi adalah :
Jarak euclid ciri bentuk :
(
7)
12 1 2 ) (∑
= − = v Q v D v b d ϕ ϕDimana H = histogram warna ,
ϕ
= momen invarianD = basisdata, Q = query
2.4 Pengenalan Pola(Pattern Recognition)
Pengenalan pola adalah bidang ilmu komputer yang memiliki tujuan untuk mengklasifikasi objek-objek menjadi suatu kategori (Theodoridis., Koutrumbas,
2006, p.1). Pengenalan pola bertujuan untuk mencapai perkembangan perancangan algoritma yang menghasilkan kemiripan dengan kemampuan manusia dalam mengenali suatu objek. Aplikasi dari pengenalan pola ini sendiri sangat banyak sekali dan berhubungan dengan banyak bidang kegiatan.(J.P Marques, 2001, p.1)
2.4.1 Struktur dari Sistem Pengenalan Pola
Sistem pengenalan pola terdiri dari sensor,metode pencarian fitur dan algoritma untuk klasifikasi atau pengenalan. Berikut penjelasan masing-masing tahapan tersebut.
i. Sensor
Sensor memiliki fungsi untuk menangkap objek dari dunia nyata dan dirubah menjadi sinyal digital.
ii. Pre-Processing
Mempersiapkan citra atau sinyal yang telah ditangkap sensor sebelumnya agar gangguan-gangguan dapat dikurangi dan informasi lebih terlihat di tahapan selanjutnya.
iii. Pencari dan Seleksi Fitur
Dalam tahap ini ciri yang membedakan satu citra dengan citra lain akan dicari dan dibentuk jadi sekumpulan bilangan yang dapat mewakili sifat utama.
iv. Algoritma Klasifikasi
Algoritma yang berfungsi untuk mengelompokkan fitur ke dalam kategori-kategori yang sesuai.
v Algoritma Deskripsi
Algoritma ini memiliki fungsi untuk memberikan deskripsi pada sinyal atau citra.
Gambar 2.1 Sistem Pengenalan Pola 2.5 Content Base Image Retieval(CBIR)
Dalam proses temu kembali citra ada beberapa citra yang sudah tersimpan didalam database. Dalam proses ini dibutuhkan sistem yang berisi ratusan kata kunci yang berbeda yang dapat menggambarkan cirri-ciri citra tertentu. Selain itu, dalam penyediaan kata kunci pada setiap data citra dilakukan secara manual oleh pengguna,sehingga bersifat subjektif, sehingga mungkin berbeda persepsi dari satu pengguna dengan pengguna yang lain. Untuk itu dalam mengatasi kekurangan dari sistem berbasis kata kunci (keyword) dalam pencarian citra, maka dibutuhkan teknik pengindeksan otomatis berdasarkan ciri citra, seperti tekstur dan bentuk. Sistem ini yang dikenal content based image retrieval (CBIR), yang mengatur database citra berdasarkan ciri yang secara otomatis dikenali, sekaligus juga memungkinkan proses query dilakukan dengan menggunakan citra query (contoh) atau disebut dengan Query By Example (QBE). QBE
merupakan tipe metode query dimana proses inputan citra contoh (query) kedalam sistem, kemudian sistem akan menampilkan dan menghasilkan beberapa citra yang mirip dan sudah tersimpan di dalam database. Pengukuran kemiripan didefinisikan berdasarkan ciri warna, teksture dan bentuk. CBIR dilakukan dengan membandingkan nilai jarak citra query dengan citra pada basis data (image distance measure) (A.Harris Rangkuti, Ariandy Ferdinand, David. 2012)
Kokare (2007) mengambarkan satu-satunya cara mencari suatu koleksi citra tersebut adalah dengan menggunakan indeks kata kunci,atau hanya dengan browsing. Namun, perkembangan database tumbuh lebih besar, dan para penguna menyadari bahwa kata kunci tradisional yang didasarkan dari metode mengambil gambar tertentu, dengan banyaknya jumlah yang ada sekarang, akan membuat sistem menjadi tidak efisien. Permasalahan dalam konten berbasis pencarian sistem adalah untuk menemukan fitur yang dapat mewakili unik karakteristik dari citra, sehingga fitur dapat digunakan untuk secara akurat mengidentifikasi citra. Fitur visual yang dapat diekstraksi dari data citra adalah tekstur, warna,dan bentuk. Terkait dengan citra batik,fitur tekstur merupakan fitur penting karena ornamen pada kain batik dapat dilihat sebagai komposisi tekstur yang berbeda. Namun dalam penelitian ini difokuskan juga pada fitur bentuk dan tekstur pada citra batik.
Citra secara alami dikaruniai dengan atribut atau konten informasi yang dapat membantu dalam memecahkan masalah pengambilan citra Isi
informasi yang dapat diperoleh dari sebuah citra diklasifikasikan menjadi tiga tingkatan(A.Harris Rangkuti, Ariandy Ferdinand, David. 2012).
a. Low Level contohnya termasuk ciri visual seperti warna, tekstur, informasi bentuk, ruang dan gerak.
b. Middle Level contohnys termasuk keberadaan atau susunan jenis benda tertentu, termasuk peran dan adegan.
c. High Level contohnya tampilan seperti emosi dan makna yang terkait dengan kombinasi fitur persepsi. Contohnya termasuk objek atau adegan dengan makna emosional atau keagamaan. Level pada isi citra merupakan ukuran tingkat ekstraksi ciri.Pada low level merupakan tingkat dasar ciri citra yang diekstrak(warna, bentuk, tekstur, informasi spasial dan gerak)disebut fitur primitif karena mereka hanya dapat diekstraksi oleh informasi yang diperoleh pada tingkat pixel. Secara lebih jelas dapat lihat gambardibawah ini :
Gambar 2.2 Level – Level Pada Ekstrasi Citra
Gambaran umum dari tahapan proses CBIR adalah sebagai berikut :
Gambar 2.3 Tahapan Content Base Image Retrieval (CBIR)
(Source A.Harris Rangkuti, Ariandy Ferdinand, David. 2012)
Penjelasan pada gambar 3 untuk konsep CBIR adalah sebagai berikut:
• User terlebih dahulu memasukkan query yang berupa gambar --> kemudian query tersebut di ekstraksi --> sehingga menghasilkan vektor ciri (ciri khusus suatu gambar), begitu pula data-data gambar yang tersimpan dalam database akan mengalami struktur yang sama seperti query sehingga ditemukan vektor ciri --> kemudian akan dibandingkan satu sama lain untuk mencari kesamaannya. Setelah proses perbandingan tersebut, maka akan terpilih beberapa gambar yang memiliki nilai-nilai vektor yang sama atau hampir sama --> kemudian dilakukan indexing dan retrieval data yang telah terpilih tadi --> sehingga ditemukan urutan gambar yang (dalam database)
yang memiliki kesamaan dengan formasi gambar (sesuai keinginan user).
2.5 Decision tree
Decision tree adalah salah satu metode klasifikasi berbentuk berkas atau
penyimpanan yang mengalami perulangan untuk setiap contoh sample. Decision tree memiliki node-node yang membentuk tree dengan sebuah root yang memiliki input atau parent lebih dari satu. Node dengan satu output disebut sebagai node internal atau node percobaan dan yang lainnya disebut
leaves. Dalam decision tree tiap node internal terpisah menjadi dua atau lebih
output menurut fungsi diskrit dari nilai input suatu atribut(Lior Rokach,Oded Maimon,2010).
Setiap leaf mewakili satu kelas yang paling dekat dengan target nilai.
Leaf memiliki probabilitas vektor yang menunjukkan atribut dari target yang
memiliki sebuah nilai tersendiri, seluruhnya akan diklasifikasi dengan mengatur mereka kedalam sebuah tree yang dimulai dari root hingga leaf paling akhir. Berikut contoh penggambaran decision tree:
Gambar 2.4 Decision Tree Gambar 2.4 Decision tree
Node internal direpresentasikan dengan bentuk lingkaran, sedangkan leaf
direpresentasikan dengan bentuk segitiga.
2.7 Tranformasi Wavelet(Wavelet Transform)
Transformasi Wavelet adalah suatu metode yang digunakan menyajikan data atau fungsi ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian mengkaji setiap komponen dengan suatu resolusi sesuai dengan skalanya(krisnawati,2007)
Wavelet merupakan alat analisis yang biasa digunakan untuk menyajikan data atau fungsi atau pun operator ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian akan dilakukan analisis pada setiap komponen dengan suatu resolusi yang sesuai dengan skalanya.(Daubechies,1995)
Wavelet juga merupakan fungsi yang dihasilkan oleh wavelet basis atau disebut juga mother wavelet. Dua operasi utama yang mendasari wavelet adalah pergeseran dan penskalaan. Kombinasi kedua operasi ini menghasilkan keluarga wavelet seperti haar, daubechies, symlets dan yang lainnya(Sutarno 2010). Khusus pada penelitian ini penulis akan menggunakan wavelet haar. Secara umum keluarga wavelet pada umumnya dinyatakan dengan persamaan
Dengan a,b
b adalah parameter pergeseran posisi
adalah normalisasi energi yang sama dengan energi induk Source:Sutarno,2010
Transformasi Wavelet memiliki kemampuan dalam mengekstraksi ciri khusus yang dimiliki oleh suatu citra. Transformasi wavelet dibagi menjadi 2 bagian besar yakni:
a. Transformasi wavelet diskrit b. Transformasi wavelet kontinu 2.7.1 Transformasi Wavelet Diskrit
Transformasi wavelet diskrit merupakan proses dekomposisi citra pada frekuensi band dari citra tersebut. Komponen
sub-band pada transformasi wavelet dihasilkan dengan cara menurunkan level dekomposisi. Implementasi dari wavelet diskrit dilakukan
dengan melewatkan sinyal melalui low pass filter dan high pass
filter lalu melakukan downsampling pada keluaran masing-masing filter. Pasangan filter high-pass dan low-pass yang digunakan harus
merupakan Quadrature Mirror Filter(QMF),yaitu pasangan filter yang memenuhi persamaan berikut:
h[L-1-n]
=Dengan h[n] adalah high pass filter,g[n] adalah low pass filter dan L adalah panjang dari masing-masing filter. Proses sinyal asal melewati high pass filter dan low pass filter inilah yang disebut proses
dekomposisi, proses dekomposisi ini dapat melalui salah satu atau lebih tingkatan. Dekomposisi tingkat satu ditulis dengan persamaan berikut:
Y
tinggi[k]=
Y
rendah[k]=
y[k] tinggi dan y[k] rendah adalah hasil dari highpass filter dan
lowpass filter, x[n] adalah signal,h[n] adalah high pass filter dan g[n]
adalah low pass filter. Prosedur ini dapat dilakukan untuk dekomposisi
level selanjutnya(Ni Wayan Sumartini,2010)
Gambar 2.5 Dekomposisi Wavelet Tiga Tingkat
Dekomposisi pada citra menghasilkan informasi tentang frekuensi yang berbeda-beda seperti:
• LH(low-high frequency)
• HL(high-low frequency)
• HH(high-high frequency)
Gambar 2.6 Ilustrasi Proses Dekomposisi 2.7.2 Transformasi Wavelet Kontinu
Source:Wikipedia
Cara kerja dari transformasi wavelet kontinu adalah dengan cara menghitung konvolusi sinyal dengan sebuah jendela modulasi pada setiap waktu yang diinginkan. Jendela modulasi yang mempunyai skala fleksibel inilah yang biasa disebut induk wavelet.
Dalam transformasi wavelet digunakan istilah translasi dan skala, translasi adalah lokasi jendela modulasi saat digeser sepanjang sinyal ,berhubungan dengan informasi waktu, sedangkan skala berhubungan dengan frekuensi. Transformasi wavelet kontinu secara matematis dapat didefiniskan sebagai berikut:
Dimana adalah fungsi sinyal setelah transformasi, dengan variabel s(skala) dan (translasi) sebagai dimensi baru.
f(t)
adalah sinyal aslisebelum transformasi. Fungsi dasar *S,T
(t) disebut sebagai wavelet,
dengan * menunjukkan konjugasi kompleks. Fungsi dasar wavelet secara matematika dapat didefinisikan sebagai berikut:
2.8 Momen Invariant(Invariant Moment)
invariant Moment adalah metode pengenalan objek yang berorientasi dalam hal area, posisi,orientasi yang dapat menghasilkan vektor ciri untuk pengenalan objek(Jan Flusser, Barbara Zitova, Tomas Suk.2009)
2.8.1 Momen
Dalam pemrosesan citra dan bidang yang sejenis, momen dipakai menjadi sebuah ukuran rata-rata dari intensitas sebuah titik (pixel)dari sebuah citra Momen(raw moment)berguna untuk mendeskripsikan objek setelah proses segmentasi dengan mendapatkan informasi tentang titik tengah dan orientasi citra (Jan Flusser, Barbara Zitova, Tomas Suk.2009) Untuk fungsi kontinu bidang 2D memiliki persamaaan
Source:Lecture Guido Gerig,2010
m
pq=Untuk fungsi dimana p,q=0,1,2
M
0,0=area atau volume,pixel jika citra binaryM
1,0=rerata atas XM
0,1=rerata atas yCara mendapatkan koordinat titik tengah:
=M
10/M
00=M
01/M
Gambar 2.7 Proses Penentuan Ciri Dengan Invariant Moment
Extract set of Features
Invariant Feature
Representative of
Shape Class
2.8.2 Hu orthogonal invariants
Metode yang diperkenalkan oleh Hu yang didasarkan dari perhitungan
momen di tengah bidang, menghasilkan tujuh persamaan yang berguna
karena tidak terpengaruh posisi,ukuran dan orientasi(Zhihu Huang, Jinson
Leng,2010) yaitu: 02 20 1
η
η
φ
= +(
)
2 11 2 02 20 2 η η 4η φ = + +(
) (
)
2 03 21 2 12 30 3 η 3η 3η η φ = − + −(
) (
)
2 03 21 2 12 30 4 η η η η φ = + + +(
) (
) (
{
)
(
)
}
(
)(
) (
{
) (
)
2}
03 21 2 12 30 03 21 03 21 2 03 21 2 12 30 12 30 12 30 5 3 3 3 3 η η η η η η η η η η η η η η η η φ + − + + − + + − + + − =(
) (
{
) (
)
}
11(
30 12)(
21 03)
2 03 21 2 12 30 02 20 6η
η
η
η
η
η
4η
η
η
η
η
φ
= − + − + + + +(
)(
) (
{
)
(
)
}
(
)(
) (
{
) (
)
2}
03 21 2 12 30 03 21 03 21 2 03 21 2 12 30 12 30 30 21 7 3 3 3 3 η η η η η η η η η η η η η η η η φ + − + + − + + − + + − =Dibawah ini adalah contoh gambar dari penelitian pengenalan pesawat
dengan metode invariant moment , dimana hasil perhitungan kemiripan
Gambar 2.8 Aplikasi Invariant Moment Pada Pengenalan Pesawat
Tabel 2.5 Tabel Hasil Perhitungan Invariant Moment 1
M1 M2 M3 M4 M5 M6 0 Degree 0.4036 0.114 0.4023 0.149 0.0361 0.0427 45 Degree 0.4849 0.1647 0.4832 0.2108 0.067 0.0794 90 Degree 0.4036 0.114 0.4023 0.149 0.361 0.0427 Scale 2X 0.4831 0.184 2.2655 1.3179 2.473 0.516 Phantom Phantom F2104 Mirage
Tabel 2.6 Tabel Hasil Perhitungan Invariant Moment 2 M1 M2 M3 M4 M5 M6 0 Degree 0.339 0.0727 0.0742 0.0111 0.0003 0.002 45 Degree 0.4296 0.1207 0.192 0.047 0.0044 0.016 90 Degree 0.339 0.0727 0.0742 0.0111 0.0003 0.002 Scale 2X 0.3323 0.066 0.5063 0.125 0.031 0.0325 F2104
Tabel 2.7 Tabel Hasil Perhitungan Invariant Moment 3
M1 M2 M3 M4 M5 M6 0 Degree 0.6972 0.4452 2.5965 1.8089 3.9139 1.1642 45 Degree 0.8623 0.6836 3.4007 2.351 6.632 1.872 90 Degree 0.6973 0.4453 2.566 1.8089 3.9139 1.1642 Scale 2X 0.6362 0.3661 9.8817 6.9978 58.104 4.0936 Mirage Source:Lecture:Guido Gerig,2010
