PENGENALAN POLA BATIK YOGYAKARTA MENGGUNAKAN METODE HIDDEN MARKOV MODELS DENGAN STUDI KASUS DI MUSEUM BATIK YOGYAKARTA

(1)

PENGENALAN POLA BATIK YOGYAKARTA MENGGUNAKAN

METODE HIDDEN MARKOV MODELS DENGAN STUDI KASUS

DI MUSEUM BATIK YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Informatika

Oleh:

Aprina Sulistia Melantika NIM: 065314012

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

THE YOGYAKARTA BATIK PATTERN RECOGNITION

USING HIDDEN MARKOV MODELS METHOD

BY OBSERVATION AT MUSEUM BATIK YOGYAKARTA

A Thesis

Presented as Partial Fulfillment of The Requirements

To Obtain the

Sarjana Teknik

Degree

In Department of Informatics Engineering

By:

Aprina Sulistia Melantika

Student ID: 065314012

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

(3)

(4)

(5)

v

HALAMAN PERSEMBAHAN

Jangan sekali-kali putus asa,

Tapi jika engkau putus asa juga,

Teruslah bekerja dalam keputusasaan itu…

Bila Anda berpikir Anda bisa,maka Anda benar. Bila Anda berpikir Anda t idak

bisa, Anda pun benar… karena it u ket ika seseorang berpikir t idak bisa, maka

sesungguhnya dia t elah membuang kesempat an unt uk menjadi bisa.

Terima kasih untuk segalanya…

Untuk keluarga tercinta, kakak-kakak dan adekku terima kasih

untuk doa dan dukungan untukku.

Untuk Sahabatku: A tha, Tiara, dan A gnes terima kasih untuk

dukungan dan semangat untukku selama ini.

Untuk semua anak kos Palem, terutama Monic, Intan, Evy, Vica,

Elok terima kasih untuk semangat dan doa kalian.

Skripsi ini kupersembahkan untuk:

(6)

(7)

(8)

viii

ABSTRAK

Batik Yogyakarta merupakan salah satu warisan budaya Indonesia, namun

sayangnya sedikit orang yang mengetahui tentang pola batik Yogyakarta. Untuk

memudahkan dalam mengenali pola batik Yogyakarta, maka diperlukan sebuah

alat bantu. Alat bantu ini digunakan untuk mengenali gambar batik Yogyakarta

dan menerjemahkannya ke dalam informasi berupa nama batik Yogyakarta.

Hidden Markov Models merupakan metode yang banyak digunakan untuk

pengenalan pola karena keberhasilannya dalam menangani variabilitas data.

Hidden Markov Models (HMM) merupakan metode stokastik. HMM memproses

data diskret batik Yogyakarta menjadi sebuah rantai Markov. Rantai ini terdiri

dari banyak

state

, dengan probabilitas transisi yang menghubungkan

state

satu

dengan

state

lainnya.

Ada 20 jenis batik Yogyakarta yang akan dikenali dan setiap batik dibuat

model dari 25 sampel batik tersebut dengan algoritma Baum-Welch yang mencari

means

dan varians dari data sampel yang didapat. Tahap ini merupakan fase

pelatihan HMM.

Untuk fase pengujian digunakan algoritma Viterbi, dengan mencari angka

kemiripan terbesar dengan cara membandingkan data baru dengan model-model

yang ada. Untuk tahap evaluasi digunakan metode

5-fold cross validation

yang

mencari akurasi dari 500 data yang ada.

(9)

ix

ABSTRACT

Batik Yogyakarta is one of Indonesia's cultural heritage, but unfortunately

few people know about Yogyakarta batik patterns. To facilitate in identifying

pattern batik of Yogyakarta, then needed a tool. This tool is used to recognize

images of batik of Yogyakarta and translate it into information in the form of a

batik of Yogyakarta.

Hidden Markov Models are a widely used method for pattern recognition

because of its success in dealing with data variability. Hidden Markov Models

(HMM) is a stochastic method. It process discrete Yogyakarta batik, to be a

sequence of chain called Markov chain. This chain consists of many states, with

state transition probabilities that connect one with another state.

There are 20 types of batik of Yogyakarta which would be recognized and

each batik made models of 25 samples of batik with Baum-Welch algorithm, the

search for means and variances from sample data obtained. This phase is the

phase of the HMM training.

For the testing phase used Viterbi algorithm, by finding the largest

similarity numbers by comparing new data with existing models. For the

evaluation phase used the method 5-fold cross validation to find the accuracy of

the 500 available data.

(10)

x

KATA PENGANTAR

Puji syukur kepada Yesus Kristus atas berkat dan karunia yang telah

diberikan sehingga penulis dapat menyelesaikan skripsi dengan judul “Pengenalan

Pola Batik Yogyakarta Menggunakan Metode Hidden Markov Models Dengan

Studi Kasus Di Museum Batik Yogyakarta”.

Dalam penyusunan skripsi ini, banyak sekali pihak yang telah membantu

penulis, dan pada kesempatan ini penulis ingin mengucapkan terima kasih

sedalam-dalamnya kepada:

1.

Kedua orang tua penulis, Ciu Kim Su dan Cong Mi Mi atas dukungan

moral, spiritual, dan financial dalam penyusunan skripsi.

2.

Ibu A. Rita Widiarti, S.Si., M.Kom selaku dosen pembimbing atas segala

waktu, saran, bimbingan, dan kesabaran yang telah diberikan.

3.

Drs. C. Kuntoro Adi S.J, M.A, M.S, Ph.D yang telah menjadi pembimbing

dan teman diskusi yang sangat membantu.

4.

Mbak Phalita N. Wastu yang telah meluangkan waktu untuk menjelaskan

tentang konsep Hidden Markov Models.

5.

Pihak pengelola museum batik yang telah bersedia memberikan data-data

batik Yogyakarta.

6.

Teman suka dan dukaku, Yustinus Nugroho yang selalu memberi

semangat, saran, dan nasehat yang sangat berguna.

(11)

(12)

xii

DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA ... i

HALAMAN JUDUL BAHASA INGGRIS ... ii

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

HALAMAN PERSEMBAHAN ... v

HALAMAN PERNYATAAN KEASLIAN KARYA ... vi

HALAMAN PERSETUJUAN PUBLIKASI ... vii

ABSTRAK ... viii

ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xv

DAFTAR TABEL ... xvii

I. PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan ... 2

1.4 Batasan Masalah ... 2

1.5 Metodologi Penelitian ... 4

1.6 Sistematika Penulisan ... 4

II. LANDASAN TEORI ... 6

2.1 Batik Yogyakarta ... 6

2.2

Feature

pada Batik Yogyakarta ... 7

2.3 Pengenalan Pola ... 9

2.4 Metode Hidden Markov Models ... 11

2.4.1 Algoritma Pemodelan Hidden Markov Models ... 13

2.4.2 Algoritma

training

dengan Baum-Welch ... 15

2.4.3 Algoritma

testing

dengan Viterbi ... 17

(13)

xiii

2.6 Matlab ... 18

III. ANALISA DAN PERANCANGAN SISTEM ... 20

3.1 Perancangan Sistem Secara Umum ... 20

3.1.1 Gambaran Sistem ... 22

3.1.2 Perancangan Fase

Training

Model ... 23

3.1.3 Perancangan Fase Pengenalan ... 30

3.1.4 Perancangan Proses Evaluasi... 31

3.2 Perancangan Antar Muka ... 33

3.2.1 Halaman Perancangan

Home

... 33

3.2.2 Halaman Pengenalan Batik... 34

3.2.4 Halaman Konsep Hidden Markov Models ... 36

3.2.5 Halaman Identitas Program ... 36

3.2.6 Halaman Bantuan Pengenalan ... 37

3.2.7 Halaman Bantuan Pengujian ... 38

3.3 Kebutuhan Software dan Hardware ... 38

3.4 Algoritma Pembuatan Program ... 39

3.4.1 Modul Ekstraksi

Feature

... 39

3.4.2 Modul pembuatan

feature

HTK ... 47

3.4.3 Modul pelatihan dengan Baum-Welch ... 47

3.4.4 Modul pengenalan dengan Viterbi ... 48

confusion matrix

dan perhitungan evaluasi

5-fold cross

validation

... 48

IV. IMPLEMENTASI SISTEM ... 49

4.1 Implementasi Antar Muka yang Digunakan pada Sistem ... 49

4.1.1. Halaman Utama ... 49

4.1.2. Halaman Pengenalan Batik ... 50

4.1.3. Halaman Pengujian Batik Yogyakarta ... 52

4.1.4. Halaman Konsep HMM ... 55

4.1.5. Halaman Bantuan ... 57

V. ANALISA HASIL DAN PEMBAHASAN ... 60

(14)

xiv

5.1.1. Hasil Penelitian Menggunakan

Feature Warna

dan

Edge Information

... 60

5.1.2. Hasil Penelitian Menggunakan

Feature Edge Information

... 69

5.2 Kelebihan dan Kekurangan Metode... 77

5.2.1 Kelebihan ... 77

5.2.2 Kekurangan ... 77

VI. KESIMPULAN DAN SARAN ... 78

6.1. Kesimpulan ... 78

6.2. Saran ... 80

DAFTAR PUSTAKA ... 82

LAMPIRAN 1 CODING PROGRAM ... 84

LAMPIRAN 2 ISI FILE HASIL PROSES HMM ... 122

(15)

xv

DAFTAR GAMBAR

Gambar 2.1 Contoh tiga tipe rantai HMM ... 13

Gambar 2.2 Ilustrasi dari operasi pada Baum-Welch. ... 16

Gambar 2.3 Gambaran metode evaluasi

5-fold cross validation

... 18

Gambar 3.1 Alur Pengenalan Batik Yogyakarta Secara Umum ... 21

Gambar 3.2 Blok Diagram Sistem ... 21

Gambar 3.3 Gambaran Umum ... 22

Gambar 3.4 Tahap

Training

dan

Testing

... 22

Gambar 3.5 Tahap

Training

... 22

Gambar 3.6 Tahap

Testing

... 22

Gambar 3.7. Bentuk-bentuk ekstraksi

feature

pada fase pengenalan (

testing

) ... 29

Gambar 3.8. Halaman

Home

Sistem Pengenal Batik Yogyakarta ... 33

Gambar 3.9. Halaman Pengenalan Pola Sistem Pengenal Batik Yogyakarta ... 34

Gambar 3.10. Halaman Pengujian HMM ... 35

Gambar 3.11. Halaman Konsep HMM Sistem Pengenal Batik Yogyakarta ... 36

Gambar 3.12. Halaman Identitas Program ... 36

Gambar 3.13. Halaman Bantuan Sistem Pengenal Batik Yogyakarta ... 37

Gambar 3.14. Halaman Bantuan Sistem Pengenal Batik Yogyakarta ... 38

Gambar 4.1 Halaman utama prototipe pengenalan batik Yogyakarta ... 50

Gambar 4.2 Halaman pengenalan batik Yogyakarta ... 50

Gambar 4.3 Kotak

file selector

untuk mengambil gambar ... 51

Gambar 4.4 Peringatan jika tidak ada file yang dipilih ... 51

Gambar 4.5 Halaman pengujian akurasi Hidden Markov Models ... 52

Gambar 4.6 Peringatan jika terjadi kesalahan input angka state ... 53

Gambar 4.7 Halaman penjelasan konsep Hidden Markov Models ... 55

Gambar 4.8 Halaman penjelasan konsep Baum-Welch ... 56

Gambar 4.9 Halaman penjelasan konsep Viterbi ... 56

Gambar 4.10 Halaman penjelasan konsep

... 57

Gambar 4.11 Halaman bantuan pengenalan batik Yogyakarta ... 58

(16)

xvi

(17)

xvii

DAFTAR TABEL

Tabel 3.1 Matriks Mean 8 Vektor ... 24

Tabel 3.2

Confusion Matrix

... 32

Tabel 5.1. Data angka akurasi

feature

rata-rata

edge

vertikal ... 61

feature

rata-rata

edge

horisontal ... 62

feature

rata-rata

edge

vertikal-horisontal ... 64

feature

rata-rata

edge

... 65

feature

warna + rata-rata

edge

vertikal ... 66

feature

warna + rata-rata

edge

horizontal ... 67

feature

warna + rata-rata

edge

vertikal-horizontal 69

feature

1V (vektor vertikal) ... 70

feature

2V (2 vektor vertikal) ... 71

feature

4V (4 vektor vertikal) ... 72

feature

1H (vektor horizontal) ... 73

feature

2H (2 vektor horizontal) ... 74

feature

4H (4 vektor horizontal) ... 75

feature

VH (vektor vertikal-horizontal) ... 76

Tabel 6.1 Rangkuman Hasil Percobaan

Feature

Warna dan

Edge

... 78

(18)

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Batik merupakan warisan budaya bangsa Indonesia. Batik Yogyakarta

adalah salah satu dari batik Indonesia, yang pada awalnya hanya dibuat terbatas

untuk kalangan keraton saja. Batik di Yogyakarta sekarang ini berkembang sangat

pesat. Namun, perkembangan tersebut tidak diimbangi dengan pengetahuan

tentang pola-pola batik Yogyakarta. Hanya sedikit orang yang mengetahui tentang

pola-pola batik, sehingga diperlukan suatu alat bantu untuk menerjemahkan pola

batik ke dalam sebuah informasi.

Banyak penelitian pengenalan pola dilakukan dengan menggunakan

berbagai metode dan implementasi yang berbeda-beda, seperti metode

cavity

features

dan

neural network

untuk mengenali pola tulisan tangan Thai

(Phokharatkul and Kimpan, 1998), metode pendekatan

Two Stage Classification

untuk mengenali pola tulisan tangan Tamil (S. Hewavitharana dan H. C.

Fernando, 2002), dan sebagainya.

(19)

Thai akurasinya sebesar 81 – 89,3% (Dan Povey dan Roongroj Nopsuwanchai,

2003).

Sehingga dari data di atas, metode Hidden Markov Models akan digunakan

penulis untuk mengenali pola batik Yogyakarta ini dan untuk menganalisa metode

perhitungan serta pengenalan pola batik tersebut, maka penulis mengambil topik

“Pengenalan Pola Batik Yogyakarta Menggunakan Metode Hidden Markov

Models dengan Studi Kasus di Museum Batik Yogyakarta” disertai dengan

pembangunan sebuah sistem pengenal pola batik dalam sistem komputer.

1.2 Rumusan Masalah

Dari latar belakang masalah di atas, rumusan masalah pada tugas akhir ini adalah

“Bagaimana secara otomatis mengenal pola batik Yogyakarta menggunakan

metode

Hidden Markov Models

?” dan “Bagaimana menguji unjuk kerja metode

HMM untuk pengenalan pola batik?”

1.3 Tujuan

Menganalisa dan mengetahui kelebihan serta kekurangan metode

Hidden Markov

Models

dalam menangani data citra pola batik Yogyakarta.

1.4 Batasan Masalah

1.

Pola batik yang diteliti adalah pola batik daerah Yogyakarta.

(20)

3.

Pembuatan program hanya sebuah prototipe untuk membantu analisa

algoritma

dalam menangani pola batik

Yogyakarta.

4.

Ada 20 jenis batik Yogyakarta yang digunakan untuk penelitian ini.

5.

Sampel batik yang digunakan berdasarkan:

a.

Citra yang dapat diproses adalah citra bertipe JPG (*.jpg).

b.

Jarak kain batik dengan kamera digital waktu pemotretan data

batik adalah sekitar 30 cm.

c.

Foto batik diambil menggunakan kamera digital FujiFilm 10 MP.

d.

Ukuran gambar yang dapat diproses adalah 200x200 piksel.

e.

Proses

cropping

yang dilakukan yaitu: dari data batik yang didapat

terlebih dahulu di-

crop

untuk menghilangkan sinar

blitz

, kemudian

meng-

crop

bagian pola batik yang merupakan ciri dari pola batik

tersebut, yang selanjutnya ukuran data pola batik hasil crop diubah

menjadi 200x200 piksel.

6.

Proses ekstraksi

feature

berdasarkan warna dan

edge information

. Untuk

ekstraksi

feature

, data dibagi menjadi beberapa area, yaitu 8 baris dan 8

kolom, sehingga akan terdapat 64 area pengamatan.

(21)

1.5 Metodologi Penelitian

1.

Survei ke museum batik Yogyakarta untuk memperoleh data citra pola

batik.

2.

Wawancara kepada ahli budaya di museum batik Yogyakarta mengenai

macam-macam pola batik.

3.

Studi literatur, yaitu dengan mempelajari materi dan artikel tentang metode

, serta

feature study

untuk menentukan fitur yang

cocok untuk pola batik.

4.

Implementasi, yaitu tahap pelaksanaan yang meliputi pembuatan alat bantu

berupa suatu perangkat lunak untuk memudahkan pengujian pola batik.

5.

Pengujian atau analisa hasil terhadap sistem yang dibuat.

1.6 Sistematika Penulisan

BAB I

PENDAHULUAN

Berisi latar belakang, rumusan masalah, tujuan, batasan masalah,

metodologi penelitian, dan sistematika penulisan.

BAB II

LANDASAN TEORI

Berisi landasan teori yang dipakai untuk pembahasan tugas akhir.

BAB III ANALISA DAN PERANCANGAN SISTEM

(22)

BAB IV IMPLEMENTASI SISTEM

Berisi implementasi sistem menggunakan metode

Hidden Markov

Models

.

BAB V

ANALISA HASIL DAN PEMBAHASAN

Bab ini berisi analisa hasil dan pembahasan mengenai pengenalan dan

pengujian pola batik.

BAB VI KESIMPULAN DAN SARAN

(23)

6

BAB II

LANDASAN TEORI

2.1 Batik Yogyakarta

Batik merupakan warisan budaya yang dewasa ini semakin berkembang.

Jika dahulu batik hanya digunakan untuk acara adat, saat ini batik dapat

digunakan di berbagai tempat. Salah satunya adalah batik Yogyakarta yang sudah

dikenal sejak dahulu kala.

Menurut Sultan Hamengku Buwono X, motif batik Yogyakarta adalah

buatan leluhur sehingga tidak diketahui dengan pasti siapa yang menciptakan

motif-motif tersebut (tempointeraktif.com, 2009). Batik Yogyakarta adalah salah

satu dari batik Indonesia yang pada awalnya dibuat terbatas hanya untuk kalangan

keluarga keraton saja. Setiap motif yang terwujud dalam goresan canting pada

kain batik Yogyakarta sarat akan makna karena memiliki filosofi tersendiri. Hal

inilah yang membedakan batik Yogyakarta dengan batik-batik lain, yang menjaga

batik Yogyakarta tetap memiliki eksklusivitas dari sebuah mahakarya seni dan

budaya Indonesia.

(24)

2.2

Feature

pada Batik Yogyakarta

Feature

merupakan suatu tanda yang khas, yang membedakan antara satu

gambar dengan gambar yang lain.

Feature

digunakan untuk menjadi model dalam

Hidden Markov, yang kemudian diekstrak cirinya untuk diolah dalam proses

training

dan testing. Ekstraksi

feature

berupa data batik Yogyakarta belum

memiliki ukuran yang pasti karena belum ada penelitian percobaan Hidden

Markov Models dalam menangani data batik. Beberapa

feature

yang penting pada

gambar adalah warna,

edge information

, bentuk, dan tekstur. Penulis mencoba

menggunakan

feature

warna dan

edge information

dalam penelitian ini yang

diharapkan dapat menjadi pilihan tepat dalam pengenalan pola batik.

a)

Warna

Warna pada citra merupakan persepsi yang dirasakan oleh sistem visual

manusia terhadap panjang gelombang cahaya yang dipantulkan oleh obyek.

Warna-warna yang dapat ditangkap oleh mata manusia merupakan kombinasi

cahaya dengan panjang berbeda. Kombinasi yang memberikan rentang warna

paling lebar adalah

red (R), green (G)

dan blue

(B).

Perhitungan kadar warna berdasarkan atas percobaan yang telah

dilakukan pada penelitian untuk klasifikasi tingkat kematangan tomat merah

menggunakan metode perbandingan kadar warna (Noviyanto, 2009). Untuk

menghitung rata-rata

Red

( ), rata-rata

Green

(

̅

), rata-rata

Blue

( )

,

kadar

Red

,

kadar

Green

, kadar

Blue

,

dan rata-rata dari ,

̅

, dan digunakan rumus:

R = ∑ ∑

(25)

G = ∑ ∑

(2.2)

B = ∑ ∑

(2.3)

= _̅

(2.4)

= ̅

̅

(2.5)

=

̅

(2.6)

RGB = ̅

(2.7)

di mana

M = lebar citra (kolom matriks)

N = tinggi citra (baris matriks)

R

ij

= nilai piksel

Red

G

ij

= nilai piksel

Green

B

ij

= nilai piksel

Blue

= rata-rata

Red

̅

= rata-rata

Green

=

rata-rata

Blue

= rata-rata dari ,

̅

, dan

b)

Edge Information

(26)

obyek, yang membatasi suatu wilayah obyek satu dengan yang lainnya.

Tujuan lain operasi pendeteksian tepi adalah untuk meningkatkan

penampakan garis batas suatu daerah atau objek di dalam citra (Murinto,

2008)

.

2.3 Pengenalan Pola

Pengenalan pola

(pattern recognition)

sesungguhnya telah lama ada dan

telah mengalami perkembangan terus menerus dimulai dari pengenalan pola

tradisional kemudian menjadi pengenalan pola modern. Pada mulanya pengenalan

pola berbasis pada kemampuan alat indera manusia, di mana manusia mampu

mengingat suatu informasi pola secara menyeluruh hanya berdasarkan sebagian

informasi pola yang tersimpan di dalam ingatannya. Misalnya sebuah nada

pendek yang dibunyikan dapat membuat manusia mengingat sebuah lagu secara

keseluruhan.

Inti dari pengenalan pola adalah proses pengenalan suatu obyek dengan

menggunakan berbagai metode di mana dalam proses pengenalannya memiliki

tingkat akurasi yang tinggi. Memiliki tingkat akurasi yang tinggi mengandung

pengertian bahwa suatu obyek yang secara manual (oleh manusia) tidak dapat

dikenali tetapi bila menggunakan salah suatu metode pengenalan yang

diaplikasikan pada komputer masih dapat dikenali.

(27)

2.

Pada tahap penginderaan, mesin menginderakan teks dengan sensor

kemudian memasukkan citra hasil pindai itu ke dalam aplikasi pemroses

teks. Teks ini masih berupa citra berisi kumpulan piksel yang memiliki

data warna RGB (

Red – Green – Blue

).

3.

Setelah citra ditangkap dengan sensor, maka citra tersebut dikenai

langkah-langkah

pre-processing

, yaitu tahapan yang dilalui untuk

memisahkan obyek dari berbagai derau dan menjadikan obyek ini siap

untuk diklasifikasikan. Seperti ketika manusia menginderakan sesuatu,

maka ia akan berkonsentrasi pada obyek utama.

Pre-processing

meliputi:



Konversi dari citra berwarna (

Red-Green-Blue

/ RGB) menjadi citra

hitam putih yang memiliki matriks informasi warna 0 dan 1 (biner)

saja. Hal ini disebut dengan proses binarisasi citra.



Pada tahap koreksi kemiringan, citra biner dibuat menjadi lurus

sejajar dengan sumbu x. Hal ini dilakukan untuk memperbesar

akurasi dan menghindari kegagalan pengenalan karena citra yang

miring.

(28)



Kemudian citra dikenai segmentasi, yaitu langkah pemisahan citra

utama dari latar belakang yang tidak memiliki andil dalam langkah

pengenalan, serta pemisahan karakter per karakter.

4.

Ekstraksi

feature

merupakan langkah pemilihan ciri

yang ingin

diidentifikasi dari citra aksara yang telah dikenai proses

pre-processing

.

5.

Tahap klasifikasi citra merupakan tahap utama dalam pengenalan pola.

Klasifikasi ini bisa berdasarkan

unsupervised

maupun

supervised learning

.

Unsupervised learning

berarti kategori tercipta dengan sendirinya sesuai

dengan

feature

yang ditangkap, sedangkan

supervised learning

berarti

sudah ada batas-batas pengetahuan untuk menentukan kelas dari obyek

yang ditangkap. Pada tahap ini,

feature

dibandingkan kemiripannya

dengan model yang sudah diketahui oleh mesin.

6.

Post processing

merupakan tahap analisa terhadap hasil klasifikasi.

Beberapa proses dalam tahap ini antara lain penghitungan jumlah

kesalahan untuk menentukan akurasi, penghitungan resiko, analisa

konteks, dan

multiple classifier

.

7.

Tahap terakhir ialah mendapatkan output berupa pengenalan tulisan,

sehingga keputusan dapat diambil dari hasil pengenalan ini.

2.4 Metode Hidden Markov Models

(29)

recognition (speech, face, handwriting), seperti dijelaskan oleh Lawrence R.

Rabiner dalam laporannya yang berjudul “A Tutorial on Hidden Markov Models

and Selected Applications in Speech Recognition”. Pada beberapa penelitian,

sudah dicobakan metode Hidden Markov Models untuk pengenalan pola berupa

citra.

Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah

sistem yang diasumsikan dari rantai Markov dengan parameter yang tak diketahui,

dan tantangannya adalah menentukan parameter-parameter tersembunyi (

hidden

)

dari parameter-parameter yang dapat diamati (Przytycka, 2005).

Parameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih

jauh dalam pengenalan pola. Disebut statistik karena HMM mencari

means

,

varians

, dan probabilitas dari model yang dimasukkan.

HMM didefinisikan sebagai kumpulan lima parameter (N, M, A, B,

π

).

Jika dianggap

λ = {A, B, π} maka HMM mempunyai parameter tertentu N dan M.

Ciri-ciri HMM adalah:



Observasi diketahui tetapi urutan

state

tidak diketahui sehingga

disebut

hidden

.



Observasi adalah fungsi probabilitas

state

.



Perpindahan

state

adalah dalam bentuk probabilitas.

HMM digunakan untuk pembuatan model yang digunakan ketika proses

(30)

data lainnya menggunakan permodelan Hidden Markov diskret, seperti data

berupa citra batik yang selanjutnya diterapkan dalam penelitian ini.

Langkah-langkah dalam permodelan Hidden Markov mencakup langkah

ekstraksi

feature

hingga

testing

, yang dijelaskan secara kronologis pada sub bab

selanjutnya.

2.4.1 Algoritma Pemodelan Hidden Markov Models

Setelah

featur

e didapatkan, maka permodelan Hidden Markov dapat

dibangkitkan. Dari data

feature

diskret, dapat dibuat sebuah rangkaian

state

dengan angka probabilitas transisi sebagai penghubungnya. Bentuk lengkap

model HMM ialah berupa

state

-

state

yang saling berhubungan, yang mana tiap

state

terhubung dari

state

mana pun.

Gambar 2.1 Contoh tiga tipe rantai HMM

(31)

Algoritma Hidden Markov Models dibangkitkan dari beberapa parameter,

yaitu (Rabiner, 1989):

λ

= ( A, B,

π

)

(2.9)

Permodelan dengan parameter di atas dapat dijelaskan sebagai berikut:

1.

Terdapat sebuah parameter N, yaitu banyaknya

state

untuk model. Setiap

state

dinotasikan sebagai S = { S

1

, S

2

, S

3

, ..., S

N

} dan

state

pada waktu

t

ialah

q

t

.

2.

M, banyaknya simbol observasi tiap

state

. Simbol observasi berhubungan

dengan keluaran fisik dari sistem yang dimodelkan. Dinotasikan sebagai

V= { V

1

, V

2

, V

3

, ..., V

M

}.

3.

Matriks transisi probabilitas A = {a

ij

},

di mana

a

ij

= P(q

t+1

= S

j

| q

t

= S

i

), 1 < i, j < N

(2.10)

dan dengan syarat a

ij

> 0 dan

∑

a = 1

4.

Simbol distribusi probabilitas pada

state

j, B = { bj(k) } di mana

b

j

(k) = P ( V

k

pada t | q

t

= S

j

),

1 < j < N

(2.11)

1 < k < M.

5.

Inisialisasi distribusi

state

π

= {

π

i

} di mana

π

i =

P ( q

i

= S

j

),

1 < i < N

(2.13)

(32)

O = O

1

O

2

O

3

... O

t

(2.14)

di mana untuk setiap

observasi Ot ialah satu dari simbol yang ada pada V, dan T

adalah banyaknya observasi yang ada pada sekuens tersebut.

2.4.2 Algoritma

training

dengan Baum-Welch

Masalah utama dalam HMM adalah mengatur parameter model

λ={A,B,π}

agar probabilitas urutan observasi yaitu P(O|

λ

) menjadi maksimal.

Parameter model

λ

={A,B,

π}

yang memaksimalkan P(O|

λ

) dapat dicari dengan

prosedur iterasi yaitu

dengan metode EM (

Expectation Modification

) atau

algoritma

forward-backward

atau sering disebut dengan metode

Baum Welch

.

Diasumsikan

keluaran observasi (O) adalah korespondensi 1 – 1 dengan keadaan

(Q) sehingga

parameter HMM menjadi tidak tersembunyi lagi.

Variabel

forward

didefinisikan sebagai observasi parsial dari probabilitas

state

sekuen yang dilambangkan dengan

O1 , O2 ,…,Ot

(hingga waktu

t

) dan

state

Si

pada waktu

t

, dengan model λ, dan α sebagai

t(i)

. Sedangkan variabel

backward

didefinisikan sebagai observasi parsial dari probabilitas

state

sekuen dari t+1 ke

state

sebelumnya, di mana terdapat

state

Si

pada waktu

t

, dengan model λ, dan α

sebagai

t(i).

Observasi dari probabilitas

state

sekuen ini dihitung dengan

rumus:

(2.15)

Probabilitas pada saat berada pada

state

Si pada waktu t, dan diberikan

sekuens observasi

O

, dan model λ, ialah:

(33)

Gambar 2.2 Ilustrasi dari operasi pada Baum-Welch.

(a) variabel forward

. (b)variabel backward

.

Untuk menghitung model HMM dari kelas yang diberikan, maka kita akan

membutuhkan banyak sampel data dari kelas ini untuk dimodelkan. Karakteristik

dari setiap contoh ini kemudian diekstrak dan disimpan dalam sebuah parameter

vektor sekuens

xt

. Parameter ini yang dipetakan sebagai ekuivalensi dari

O

t

.

Cara kerja metode Baum-Welch:

1.

Estimasikan sebuah model HMM sebagai

.

2.

Dengan nilai λ dan sekuens observasi

O

, hitung sebuah model baru

, seperti

.

(a)

(34)

3.

Jika menghasilkan

| ( | )

( | ) < ℎ ℎ

, maka hentikan langkah

ini. Jika tidak, maka letakkan nilai

untuk menggantikan λ dan ulangi

langkah 1.

2.4.3 Algoritma

testing

dengan Viterbi

Algoritma Viterbi digunakan untuk menghitung sekuens

state

Q={q

1

q

2

... q

T

}

,

yang paling dekat probabilitasnya dari sebuah sekuens observasi

O={O

1

O

2

... O

T

}

yang didefinisikan sebagai:

( ) = max _, _,…, [ … = , … |

λ

]

(2.17)

( )

merupakan nilai probabilitas terbaik pada waktu

t

, yang dihitung

pada observasi

t

pertama dan diakhiri pada

state

S

i

.

2.5 Metode Evaluasi 5-Fold Cross Validation

Tingkat akurasi sebuah sistem pengenalan pol dapat diukur dengan metode

pengukuran

yang membagi tiap kelompok batik menjadi

lima kelompok data yang kemudian bergantian dijadikan data untuk

testing

maupun

training

dalam lima langkah pengujian yang saling silang.

(35)

dalam

training

dan

testing

, maka nilai validasi terhadap evaluasi akan berkurang,

walaupun angka akurasi meningkat.

Gambaran langkah evaluasi dengan metode

dapat

dilihat pada Gambar 2.2. Masing-masing kotak yang terdapat pada gambar ialah

kotak yang mewakili satu kelompok data. Tiap satu kelompok data bergantian

menjadi data

testing

pada satu langkah pengujian, sedangkan lainnya menjadi data

training

.

Gambar 2.3 Gambaran metode evaluasi

5-fold cross validation

2.6 Matlab

(36)

(37)

20

BAB III

ANALISA DAN PERANCANGAN SISTEM

Bab Analisa dan Perancangan Sistem berisi penjelasan tentang rancangan

dan cara kerja sistem pengenal pola batik Yogyakarta yang akan dibangun. Sistem

ini berfungsi sebagai alat bantu untuk menganalisis cara kerja dan akurasi dari

metode Hidden Markov Models dalam mengenali pola batik Yogyakarta.

3.1 Perancangan Sistem Secara Umum

Sistem pengenal pola batik Yogyakarta digunakan untuk memodelkan

metode Hidden Markov Models dalam menangani data gambar pola batik

Yogyakarta, yaitu citra yang datanya diambil dari foto pola batik di Museum

Batik Yogyakarta. Data-data citra pola batik didapat dengan cara memotret pola

batik menggunakan kamera digital. Citra hasil foto yang dimasukkan ke dalam

sistem adalah citra yang sudah dikenai proses ekstraksi

feature

. Sistem akan

menggunakan

feature

untuk melakukan proses

training

maupun

testing

. Akhirnya,

pengguna akan mendapat keluaran berupa nama batik berikut tingkat akurasinya.

(38)

Pengguna

Gambar 3.1 Alur Pengenalan Batik Yogyakarta Secara Umum

Gambar 3.2 Blok Diagram Sistem

nam a bat ik Yogyakarta Citra Bat ik

Yogyakarta bert ipe JPG ber ukuran 200x200

piksel

Pengenalan pola bat ik Yogyakart a m enj adi nam a bat ik

evaluasi Sistem Pengenal Batik Yogyakarta dengan HM M

Bat ik Yogyakart a hasil fot o

evaluasi

Sistem pengenal

pola batik

Yogyakarta

ekst raksi

feat ure

pengolahan

feat ure

pencocokan kemiripan

“ parang barong” Fase Pengenalan (testing)

M em asukkan citra bat ik Yogyakart a dan beber apa

paramet er HM M (jenis

feature dan jum lah st ate)

Pengenalan pola bat ik Yogyakart a m enj adi nam a bat ik Citra Bat ik Yogyakart a

hasil fot o Pengguna

evaluasi

Sistem pengenal

pola batik

Yogyakarta

Parang Bar ong

M1 M2 M3 …. MX ekst raksi

feat ure

pengolahan

f eat ure

t raining

(39)

3.1.1 Gambaran Sistem

Gambar 3.3 Gambaran Umum

Gambar 3.4 Tahap

Training

dan

Testing

Training

Gambar 3.5 Tahap

Training

Testing

Gambar 3.6 Tahap

Testing

Gambar 3.3, Gambar 3.5, dan Gambar 3.6 merupakan gambaran input

output dari sistem pengenalan pola batik Yogyakarta.

(40)

3.1.2 Perancangan Fase

Training

Model

Langkah perancangan

training

model batik Yogyakarta meliputi

langkah-langkah ekstraksi

feature

, pengolahan

feature

, dan

training

. Fase ini merupakan

langkah pembuatan model batik Yogyakarta untuk menjadi pembanding dengan

pola batik baru yang dimasukkan pada fase pengenalan. Proses

training

model

dapat dijelaskan sebagai berikut:

a)

Ekstraksi

Feature

Ekstraksi

feature

menggunakan 2 macam perhitungan, yaitu:

1.

Feature edge

dan warna

Karena tidak ada ukuran tertentu untuk menentukan ekstraksi

feature

untuk mendapatkan hasil akurasi maksimal, maka dalam

percobaan ini penulis mencoba menggunakan ukuran gambar

200x200 piksel. Untuk perhitungan warna didapat dari rata-rata

Red

( ), rata-rata

Green

(

̅

), rata-rata

Blue

( ), kadar

Red

, kadar

Green

,

kadar

Blue

, dan

(rata-rata dari ,

̅

, dan ).

(41)

Tabel 3.1 Matriks Mean 8 Vektor

Mean

11

Mean

12

…

Mean

18

Mean

21

…

Mean

81

…

Mean

88

O

Penjumlahan tiap kolom dihitung dengan rumus:

Total

1

= Mean

11

+ Mean

21

+ Mean

31

+ … + Mean

81

Total

2

= Mean

12

+ Mean

22

+ Mean

32

+ … + Mean

82

Total

3

= Mean

13

+ Mean

23

+ Mean

33

+ … + Mean

83

…

Total

8

= Mean

18

+ Mean

28

+ Mean

38

+ … + Mean

88

O

Penjumlahan tiap baris dihitung dengan rumus:

Total

1

= Mean

11

+ Mean

12

+ Mean

13

+ … + Mean

18

Total

2

= Mean

21

+ Mean

22

+ Mean

23

+ … + Mean

28

Total

3

= Mean

31

+ Mean

32

+ Mean

33

+ … + Mean

38

…

(42)



Feature Rata-Rata Edge Penjumlahan Horisontal

Perhitungan feature ini akan menghasilkan matriks 1x72, yaitu dari

perhitungan:

-

rata-rata nilai edge dari matriks 8 vektor diperoleh matriks

1x64

-

penjumlahan baris horizontal dari matriks 8 vektor diperoleh

matriks 1x8



Feature Rata-Rata Edge Penjumlahan Vertikal

Perhitungan feature ini juga menghasilkan matriks 1x72, yaitu dari

perhitungan:

-

1x64

-

penjumlahan kolom vertikal dari matriks 8 vektor diperoleh

matriks 1x8



Feature Rata-Rata Edge Penjumlahan Vertikal-Horisontal

perhitungan:

-

1x64

(43)

-

penjumlahan kolom vertikal dari matriks 8 vektor diperoleh

matriks 1x8



Feature Rata-Rata Edge

Perhitungan feature ini akan menghasilkan matriks 1x64 dari

perhitungan rata-rata nilai edge.



Feature Warna dan Rata-Rata Edge Penjumlahan

Vertikal-Horisontal

perhitungan:

-

perhitungan rata-rata Red ( ), rata-rata Green (

̅

), rata-rata

Blue ( ), kadar Red, kadar Green, kadar Blue, dan rata-rata

dari

̅

.

-

1x64

-

penjumlahan baris horizontal dari matriks 8 vektor diperoleh

matriks 1x8.

(44)



Feature Warna dan Rata-Rata Edge Penjumlahan Vertikal

Perhitungan feature ini akan menghasilkan matriks 1x79, yaitu dari

perhitungan:

-

̅

), rata-rata

dari

̅

.

-

1x64.

-

penjumlahan baris vertikal dari matriks 8 vektor diperoleh

matriks 1x8.



Feature Warna dan Rata-Rata Edge Penjumlahan Horisontal

Perhitungan feature ini akan menghsilkan matriks 1x79, yaitu dari

perhitungan:

-

̅

), rata-rata

dari

̅

.

-

1x64.

(45)

2.

Feature edge

Untuk ekstraksi

feature edge

, dipilih beberapa variasi

feature

berdasarkan penelitian pengenalan tulisan tangan Thai OCR

(Theeramunkong, Wongtapan, Sinthupinyo, 2004), penelitian tulisan

tangan Thai

off-line

(Nopsuwanchai, Povey, 2003) dan penelitian

tulisan Sinhala

off-line

(Hewavitharana, Fernando, Kodikara).

Adapun beberapa

feature

yang dicobakan, yaitu:



Pembagian citra batik menjadi 200 vektor sumbu x sehingga

menghasilkan 1x200 vektor kolom vertikal (1V).



Pembagian citra batik menjadi 2 vektor vertikal dan 200 vektor

horizontal (2V).



Pembagian citra batik menjadi 4 vektor vertikal dan 200 vektor

horizontal (4V).



Pembagian citra batik menjadi 200 vektor sumbu y sehingga

menghasilkan 200x1 vektor baris/horizontal (1H).



Pembagian citra batik menjadi 2 vektor horizontal dan 200

vektor vertikal (2H).



Pembagian citra batik menjadi 4 vektor horizontal dan 200

vektor vertikal (4H).

(46)

(47)

b)

Pengolahan

Feature

Setiap

feature

yang telah dilakukan ekstraksi akan diolah

menggunakan metode Hidden Markov Models. Pengolahan

feature

ini

menghasilkan satu matriks transisi yang berisi probabilitas urutan state.

Matriks transisi ini menggambarkan Markov model secara numeris.

c)

Training

Langkah

training

merupakan langkah pengolahan model-model pola

batik menjadi satu matriks model untuk mewakili satu pola batik

menggunakan metode Baum-Welch. Pengkategorian pola batik pada langkah

training

ini ditentukan oleh pengguna pada langkah ekstraksi

feature

.

3.1.3 Perancangan Fase Pengenalan

Langkah perancangan pengenalan batik Yogyakarta meliputi

langkah-langkah

ekstraksi feature

, pengolahan

feature

, dan pencocokan kemiripan. Fase

ini disebut juga fase

testing

, karena pada proses ini, batik diuji untuk dikenali

polanya oleh sistem.

a)

Ekstraksi

Feature

Langkah ekstraksi

feature

pada fase pengenalan model ini sama

dengan ekstraksi pada fase

training

.

b)

Pengolahan

Feature

(48)

yang berisi probabilitas urutan state. Matriks transisi ini menggambarkan

Markov model secara numeris.

c)

Pencocokan Kemiripan

Langkah pencocokan kemiripan ini merupakan langkah pencocokan

kemiripan antara matriks transisi dari citra input dengan seluruh matriks

transisi yang ada dalam sistem dengan algoritma Viterbi. Hasil yang didapat

dari pencocokan ini adalah nilai perhitungan kemiripan antara model input

dengan model yang ada dalam sistem. Keputusan pengenalan pola batik

diambil dari hasil perhitungan Viterbi yang memiliki nilai kecocokan terbesar.

3.1.4 Perancangan Proses Evaluasi

Langkah evaluasi merupakan langkah pengujian akurasi metode Hidden

Markov Models dalam mengenali pola batik Yogyakarta yang dimasukkan oleh

pengguna. Langkah evaluasi ini menggunakan metode

5-fold cross validation

dengan

confusion matrix.

Evaluasi dilakukan untuk setiap batik Yogyakarta yang hasil

pengenalannya disimpan dalam sebuah matriks bernama

confusion matrix

. Satu

set pengujian dilakukan terhadap masing-masing batik Yogyakarta dengan metode

, yang dapat dijabarkan sebagai berikut:

1.

Penentuan lima kelompok batik

(49)

2.

Pengujian akurasi

Pengujian akurasi meliputi dua langkah, yaitu langkah

training

dan

testing

. Langkah

training

dikenai untuk membentuk model, sedangkan

langkah

testing

digunakan untuk menguji pengenalan pola batik. Dalam

satu kali pengujian, terdapat lima set

training

dan

testing

yang

masing-masing menghasilkan lima pengenalan batik.

3.

Penentuan

confusion matrix

Confusion matrix

didapat dari hasil pengujian akurasi yang telah

dilakukan terhadap pola batik Yogyakarta. Matriks ini menyediakan

informasi angka pengenalan batik untuk setiap batik yang telah diuji pada

langkah pengujian akurasi.

Tabel 3.2

Confusion Matrix

4.

Perhitungan angka akurasi

Angka akurasi dapat dihitung dengan cara menjumlahkan hasil

pengenalan diagonal dari

confusion matrix

dibagi dengan keseluruhan

jumlah pengujian. Dari perhitungan ini didapat angka akurasi metode

Hidden Markov Models dalam menangani data berupa batik Yogyakarta.

(50)

3.2 Perancangan Antar Muka

Alat bantu pengenal pola batik Yogyakarta ini memiliki tiga halaman

utama, yaitu halaman Home, halaman pengenalan batik, dan halaman pengujian

model dengan metode Hidden Markov Models. Terdapat beberapa halaman berisi

informasi mengenai sistem, yang dapat dijumpai pada halaman

About HMM

,

halaman

Help

, dan Halaman

About Program

.

3.2.1 Halaman Perancangan

Home

Gambar 3.8. Halaman

Home

Sistem Pengenal Batik Yogyakarta

(51)

3.2.2 Halaman Pengenalan Batik

Gambar 3.9. Halaman Pengenalan Pola Sistem Pengenal Batik Yogyakarta

Gambar 3.9 merupakan halaman pengenalan pola batik. Pada halaman ini

pengguna dapat memasukkan data gambar batik dengan menekan tombol

(52)

3.2.3 Halaman Pengujian HMM

Gambar 3.10. Halaman Pengujian HMM

(53)

3.2.4 Halaman Konsep Hidden Markov Models

Gambar 3.11. Halaman Konsep HMM Sistem Pengenal Batik Yogyakarta

Gambar 3.11. merupakan halaman yang berisi informasi tentang

metode-metode yang dipakai pada sistem ini, yaitu metode-metode Hidden Markov Models,

algoritma Baum-Welch, algoritma Viterbi, dan metode 5

fold-cross validation

.

Pengguna dapat memilih salah satu metode pada Menu About, dan sistem akan

menampilkan informasi tentang metode yang dipilih pada kotak Deskripsi.

3.2.5 Halaman Identitas Program

(54)

Gambar 3.12. merupakan halaman identitas program yang berisi identitas

program, yang menyediakan informasi mengenai sistem pengenal batik kepada

pengguna.

3.2.6 Halaman Bantuan Pengenalan

(55)

3.2.7 Halaman Bantuan Pengujian

Gambar 3.14. Halaman Bantuan Sistem Pengenal Batik Yogyakarta

Gambar 3.14. merupakan halaman bantuan untuk menggunakan halaman

pengujian batik Yogyakarta.

3.3 Kebutuhan Software dan Hardware

1.

Processor

: Intel Core 2 Duo processor T7500

2. Sistem operasi: Microsoft Windows XP

3. Media tampilan: VGA 128MB

4. Media masukan: Kamera Digital FujiFilm 10 MP

5.

Memory

: 512 MByte – 2GByte

6. Media penyimpanan: harddisk 80 GByte

(56)

3.4 Algoritma Pembuatan Program

3.4.1. Modul Ekstraksi

Feature

a) Vektor Horisontal (1H)

Input

: matriks dari

image

berukuran 200x200 piksel

Output : matriks kepadatan piksel berukuran 1x200 untuk setiap model

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner.

3.

Untuk setiap baris, dilakukan pengecekan:

a.

Jika ditemukan obyek, maka ditambahkan satu.

b.

Ulangi langkah 2a sampai baris terakhir.

4.

Simpan informasi kepadatan ke dalam file.

b) 2 Vektor Horisontal (2H)

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner.

(57)

a.

b.

5.

c) 4 Vektor Horisontal (4H)

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner.

3.

Bagi citra batik menjadi 4 vektor horizontal dan 200 vektor vertikal.

4.

Untuk setiap vektor, dilakukan pengecekan:

a.

Jika ditemukan obyek, maka ditambahkan satu.

b.

5.

d)

Vertikal-Horisontal (VH)

Input

: matriks dari

image

batik

Algoritma:

(58)

2.

Citra dibuat biner.

3.

Bagi citra batik menjadi 4 vektor horizontal dan 200 vektor vertikal.

4.

Untuk setiap baris, dilakukan pengecekan:

a.

b.

5.

Untuk setiap kolom, dilakukan pengecekan:

a.

Jika ditemukan obyek, maka ditambahkan satu

b.

Ulangi langkah 4a sampai kolom terakhir

6.

Simpan informasi kepadatan ke dalam file.

e)

Vektor Vertikal (1V)

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner.

3.

Untuk setiap kolom, dilakukan pengecekan:

(59)

f)

2 Vektor Vertikal (2V)

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner.

3.

Bagi citra batik menjadi 2 vektor vertikal dan 200 vektor horizontal

4.

Untuk setiap vektor dilakukan pengecekan:

a.

Jika ditemukan obyek, maka ditambahkan satu.

b.

Ulangi langkah 3a sampai kolom terakhir.

5.

g)

4 Vektor Vertikal (4V)

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner.

(60)

4.

Untuk setiap vektor, dilakukan pengecekan:

a.

b.

Ulangi langkah 3a sampai kolom terakhir.

5.

h)

Rata-rata

edge

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner.

3.

Citra dibuat menjadi 8 kolom dan 8 baris (64 area pengamatan)

4.

Untuk setiap area dihitung rata-ratanya.

5.

i)

Rata-rata jumlah horisontal

Input

: matriks dari

image

berukuran 200x200 piksel

batik

Algoritma:

(61)

3.

4.

5.

Untuk setiap baris dihitung jumlahnya.

6.

j)

Rata-rata jumlah vertikal

Input : matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Citra dibuat biner

3.

4.

5.

Untuk setiap kolom dihitung jumlahnya.

6.

k)

Rata-rata edge+jumlah vertikal-horisontal

Input

: matriks dari

image

batik

Algoritma:

(62)

2.

Citra dibuat biner.

3.

4.

Untuk setiap area dihitung rata-ratanya.

5.

6.

Untuk setiap kolom dihitung jumlahnya.

7.

l)

Warna+rata-rata jumlah horisontal

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

Hitung rata-rata Red, rata-rata Green, rata-rata Blue, kadar Red, kadar

Green, kadar Blue, dan rata-rata dari RedGreenBlue.

3.

Citra dibuat biner.

4.

5.

(63)

m) Warna+rata-rata jumlah vertikal

Input

: matriks dari

image

batik

Algoritma:

1.

Baca citra batik.

2.

3.

Citra dibuat biner.

4.

5.

6.

7.

n)

Warna+rata-rata jumlah vertikal-horisontal

Input

: matriks dari

image

berukuran 200x200 piksel

batik

Algoritma:

1.

Baca citra batik.

2.

(64)

4.

5.

Untuk setiap area dihitung rata-ratanya.

6.

7.

8.

feature

HTK

Input

: file ekstraksi

feature.

Output : file berisi bahasa mesin untuk dibaca computer.

Algoritma:

1.

Mengambil seluruh data batik

2.

Untuk setiap file *.nw:

a.

Baca file

b.

Lakukan transpose

c.

Simpan berkas sebagai file .lt

3.4.3 Modul pelatihan dengan Baum-Welch

Input

: file berisi letak direktori data

training

Output : file proto berisi means, varians, dan matriks transisi

Algoritma:

1.

Buat prorotipe baru menggunakan fungsi HCompV.

(65)

3.4.4 Modul pengenalan dengan Viterbi

Input

: file berisi letak direktori data

testing

Output : file berisi means, varians, probabilitas transisi, dan nama batik

Algoritma:

1.

Lakukan pencocokan menggunakan fungsi HVite untuk menghasilkan

file berisi nama batik.

2.

Lakukan pencocokan dengan info lengkap menggunakan fungsi HVite

untuk menghasilkan means, varians, dan probabilitas transisi.

confusion matrix

dan perhitungan evaluasi

5-fold

cross validation

Input

: file hasil pengenalan Viterbi

Output : akurasi

Algoritma:

1.

Baca file hasil pengenalan Viterbi.

2.

Hitung panjang datanya.

3.

Untuk setiap baris data:

a.

Lakukan perhitungan seberapa banyak kemunculan nama batik

yang sama.

b.

Ulangi langkah 3a sampai baris data terakhir.

4.

Buat matriks kecocokan dari perhitungan langkah 3.

5.

Jumlahkan data yang ada pada diagonal matriks.

6.

Hitung akurasi.

(66)

49

BAB IV

IMPLEMENTASI SISTEM

Bab ini akan membahas hasil implementasi sistem, yaitu tampilan antar

muka sistem dan analisa algoritma yang digunakan, serta menjelaskan tentang

penggunaan tombol dan menu untuk setiap halaman.

4.1 Implementasi Antar Muka yang Digunakan pada Sistem

4.1.1. Halaman Utama

Pada halaman utama terdapat identitas penulis dan tujuan pembuatan

prototipe sistem pengenalan pola batik Yogyakarta. Selain itu, terdapat 3

menu teks, yaitu:

1.

Menu Teks File

Menu ini berisi 2 submenu utama, yaitu: menu halaman pengenalan pola

batik dan menu pengujian pola batik Yogyakarta.

2.

Menu Teks Hidden Markov Models

Menu ini berisi submenu yang berfungsi menampilkan halaman

pengenalan konsep HMM dan beberapa algoritma yang digunakan dalam

mengenali pola batik Yogyakarta.

3.

Menu Teks Help

(67)

Gambar 4.1 Halaman utama prototipe pengenalan batik Yogyakarta

4.1.2.

Halaman Pengenalan Batik

(68)

Gambar 4.3 Kotak

file selector

untuk mengambil gambar

Gambar 4.4 Peringatan jika tidak ada file yang dipilih

Halaman pengenalan batik merupakan halaman yang berfungsi

mengenali gambar batik Yogyakarta yang dimasukkan lewat tombol

Browse

.

Pengguna dapat memilih gambar melalui jendela

file selector

yang akan

muncul setelah tombol

Browse

ditekan. Jika tidak ada file yang dipilih atau

terjadi kesalahan pembacaan data, maka akan muncul kotak peringatan seperti

Gambar 4.4.

Kotak “Proses” untuk menampilkan proses dari pengenalan batik.

Dalam kotak ini akan ditampilkan langkah

testing

menggunakan algoritma

Viterbi, serta hasil dari pengenalan batik berupa nama batik dapat dilihat pada

kotak “Hasil”.

(69)

pencocokan dengan algoritma Viterbi, maka sistem mencocokkan batik yang

terdaftar dalam file “

AllTestData1.scpI”

, dengan file definisi HMM

“

hmmdefs”

, daftar model “

model.list

”, jejaring batik “

batiknet

”, dan kamus

batik “

dict

”. Angka kecocokan berupa angka

means

,

varians

, dan probabilitas

yang memiliki kemiripan terbaik dari keseluruhan batik.

4.1.3. Halaman Pengujian Batik Yogyakarta

(70)

Gambar 4.6 Peringatan jika terjadi kesalahan input angka state

Halaman

pengujian

akurasi

merupakan

halaman

yang

merepresentasikan proses

testing

dengan algoritma

Baum-Welch

. Ada 2

bentuk

feature

yang dapat dipilih, yaitu:



Feature

dan

state

yang menggunakan ciri warna dan

edge

, yaitu

feature

rata-rata

edge

vertikal, rata-rata

edge

horizontal, rata-rata

edge

vertikal-horizontal, warna+rata-rata

edge

vertikal, warna+rata-rata

edge

horizontal,

dan warna+rata-rata

edge

vertikal-horizontal.



Feature

dan

state

untuk

feature

yang hanya menggunakan ciri

edge

, yaitu

feature

vektor vertikal (1V), 2 vektor vertikal (2V), 4 vektor vertikal (4V),

vector horizontal (1H), 2 vektor horizontal (2H), 4 vektor horizontal (4H),

dan vektor vertikal-horizontal (VH).

Pengguna dapat memilih jenis

feature

yang ingin diuji, kemudian

memasukkan angka

state

yang dikehendaki. Jika terjadi kesalahan input

state

,

maka akan muncul peringatan seperti Gambar 4.6.

(71)

Detail proses pengujian akurasi adalah sebagai berikut:

a.

Pembuatan jejaring batik “

batiknet

” dengan fungsi HParse yang

mengambil referensi dari “daftarBatik”.

b.

Pemberian label dan jeda yang disimpan dalam ke dalam file

“

batiktypephone.mlf

”, dengan mengolah seluruh batik yang tersimpan

dalam “

allBatik.mlf

”, kamus batik “

dict

”, dan berkas berisi jeda

“

batik2phone.led

”.

c.

Pembuatan prototipe baru “

proto

” yang disimpan dalam direktori hmm1.

Prorotipe baru ini diambil dari batik yang di daftarnya tersimpan dalam

berkas “

AllTrainData1.scp

” dengan bantuan fungsi HCompV.

d.

Pembuatan model dengan Baum-Welch yang hasilnya disimpan dalam

berkas “

hmmdefs

”. Pembuatan model ini mengambil informasi

feature

yang letak berkas

feature

-nya disimpan dalam file “

AllTrainData1.scp

”,

dengan daftar label yang tersimpan dalam file “

batiktypephone.mlf

”,

kemudian mencocokkannya dengan daftar model yang tersimpan dalam

file “

model.list

” dengan bantuan fungsi dari HERest.

e.

Pencocokkan batik dilakukan dengan Viterbi, yaitu mengambil daftar

testing

batik pada file “

AllTestData1.scp

” yang dicocokkan dengan

jejaring batik “

batiknet

”, kamus batik “

dict

”, daftar model “

model.list

”,

dan definisi HMM yang tersimpan dalam file “

hmmdefs

”.

(72)

HMM, jumlah batik yang dikenali, jumlah batik yang tidak dikenali,

prosentase akurasi, serta estimasi waktu secara keseluruhan.

4.1.4. Halaman Konsep HMM

Halaman konsep HMM berfungsi menginformasikan konsep dasar

Hidden Markov Models dan beberapa algoritma yang digunakan dalam

melengkapi proses pengenalan batik. Informasi tersebut terletak pada 4

submenu dari menu Hidden Markov Models (HMM), yaitu:

1.

Teks “Hidden Markov Models”

Menu ini berfungsi menampilkan halaman deskripsi Hidden Markov

Models.

(73)

2.

Teks “Algoritma Baum-Welch”

Menu ini berfungsi menampilkan halaman deskripsi algoritma

Baum-Welch.

Gambar 4.8 Halaman penjelasan konsep Baum-Welch

3.

Teks “Algoritma Viterbi”

Menu ini berfungsi menampilkan halaman yang berisi penjelasan

algoritma Viterbi.

(74)

4.

Teks “Evaluasi”

Menu ini berfungsi menampilkan halaman yang berisi deskripsi metode

evaluasi

5-fold cross validation

.

Gambar 4.10 Halaman penjelasan konsep

4.1.5 Halaman Bantuan

Halaman ini berisi informasi untuk menggunakan fasilitas pengenalan

dan pengujian dengan metode Hidden Markov Models, serta halaman berisi

identitas program. Terdapat 3 submenu pada halaman bantuan, yaitu:

1.

Teks “Help Halaman Pengenalan”

(75)

Gambar 4.11 Halaman bantuan pengenalan batik Yogyakarta

2.

Teks “Help Halaman Pengujian”

Submenu in