KLASIFIKASI ULOS TRADISIONAL BATAK TOBA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
SKRIPSI
ITA PURNAMA SARI PANGGABEAN 141402101
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2020
KLASIFIKASI ULOS TRADISIONAL BATAK TOBA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
ITA PURNAMA SARI PANGGABEAN 141402101
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2020
PERNYATAAN
KLASIFIKASI ULOS TRADISIONAL BATAK TOBA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Februari 2020
Ita Purnama Sari Panggabean 141402101
UCAPAN TERIMA KASIH
Segala puji dan syukur peneliti persembahkan kepada Tuhan Yang Maha Esa atas berkat dan rahmat-Nya, skripsi ini dapat diselesaikan dengan baik. Penyusunan skripsi ini tidak terlepas dari bantuan dan dukungan dari berbagai pihak, baik secara langsung maupun tidak langsung.
Pada kesempatan ini, penulis menyampaikan rasa terima kasih yang sebesar- besarnya kepada:
1. Bapak prof. Dr. Opim Salim Sitompul, M.Sc. selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
2. Bapak Romi Fadillah Rahmat, B. Comp, Sc. M.Sc. selaku ketua Program Studi Teknologi Informasi Universitas Sumatera Utara.
3. Ibu Sarah Purnamawati, ST., M.Sc. selaku sekretaris Program Sstudi Teknologi Informasi Universitas Sumatera Utara dan dosen pembanding yang telah memberikan kritik dan saran yang membangun dalam proses penyempurnaan skripsi ini.
4. Bapak Baihaqi Siregar,S.Si,M.T selaku Dosen Pembimbing yang telah memberikan bimbingan, petunjuk, dorongan, dan semangat dalam proses penyelesaian skripsi ini.
5. Bapak Ainul Hizriadi, S.Kom., M.Sc. selaku Dosen Pembimbing yang telah memberikan bimbingan dan saran yang membangun dalam proses penulisan skripsi ini.
6. Ibu Dr. Erna Budhiarti Nababan, M.IT. selaku Dosen Pembanding yang telah memberikan kritik dan saran yang membangun dalam proses penyempurnaan skripsi ini.
7. Segenap dosen dan seluruh staf akademik yang selalu membantu dalam memberikan pembelajaran, ilmu pengetahuan, pendidikan, serta fasilitas yang menunjang dalam proses perkuliahan dan penyelesaian skripsi ini.
8. Kedua orang tua, Bapak Binhot Panggabean dan Ibu H. Siregar yang senantiasa sabar dan selalu mendoakan serta memberikan dorongan, semangat, dan nasihat dalam proses perkuliahan dan penyelesaian skripsi ini.
9. Kakak Ns. Anna Wulan Panggabean S.Kep serta adik Lasmarito Panggabean S.ST, Sandrogi Panggabean, Frans Nikola Panggabean, dan Juan Felix Panggabean yang selalu memberi motivasi, dorongan, nasihat, semangat serta doa dalam penyelesaian skripsi ini.
10. Kak Maya Hartina Hutagalung S.Kom sebagai tim Doa yang selalu ada memberi semangat dan dorongan selama proses penulisan skripsi ini.
11. Sahabat penulis, Veni Apriyanti Manalu, Rini Silalahi, Yolanda Natasya Naibaho dan Rosmaini Rosmiani yang telah banyak membantu dan memberi semangat selama menyelesaikan skripsi ini.
12. Sahabat penulis Santa C. Hutabarat, Fiere Purba, Tama Loi Dennis Munthe, Melki Raymondo Nainggolan, Dippos Marolop Sihombing, Tegar N. Siburian, Wandika Piopanni, Rano Sinaga, dan Wesly Situmorang yang telah banyak memberi masukan, saran dan dorongan selama proses penyelesaian skripsi ini.
13. Teman-teman angkatan 2014 yang menjadi teman seperjuangan dalam proses perkuliahan.
14. Semua pihak yang terlibat secara langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu persatu yang telah membantu dalam penyelesaian skripsi ini.
Semoga Tuhan Yang Maha Esa melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Medan, Februari 2019
Penulis
ABSTRAK
Ulos biasa digunakan dalam acara adat Batak. Ulos biasanya terdiri dari beberapa jenis motif yang memiliki motif hampir mirip satu dengan yang lain. Setiap jenis ulos juga memiliki fungsi yang berbeda-beda dalam penggunaannya. Jika dilihat secara langsung, orang akan sering salah dalam menyebutkan nama ulos tersebut karena kemiripan motif antar ulos. Oleh karena itu, penelitian ini melakukan klasifikasi ulos untuk memudahkan pengenalan terhadap ulos batak toba yang ada.
Pada penelitian ini, metode pengklasfikasian yang digunakan adalah Probabilistic Neural Network. Tahapan yang dilakukan sebelum klasifikasi yaitu pre- processing, ekstraksi ciri menggunakan Gray Level Co-Occurance Matrix (GLCM), kemudian diklasifikasi menggunakan metode Probabilistic neural Network. Penelitian ini menggunakan 650 data yang akan digunakan sebagai data latih dan data uji. Setelah dilakukan pengujian pada penelitian dapat disimpulkan bahwa metode Probabilistic Neural Network mampu mengklasifikasikan ulos dengan lima motif yaitu Bintang Maratur, Ragi Hidup, Ragi Hotang, Mangiring and Sibolang. Dan hasil dari penelitian ini menujunkkan bahwa akurasi yang diperoleh adalah sebesar 80%.
Kata kunci : ulos, Gray Level Co-Occurance Matrix, Probabilistic Neural Network
CLASSIFICATION OF TRADITIONAL ULOS OF BATAK TOBA USING PROBABILISTIC NEURAL NETWORK
ABSTRACT
Ulos are commonly used in traditional Batak events. Ulos has many variations of pattern and the pattern almost similar to one another. Ulos also have different functions in its use. So, people are often wrong to call the name of ulos because the similarity of its pattern. Therefore, the research is doing ulos classification to increase the introduction of Batak Toba’s ulos. In this research, the method used in classification is Probabilistic Neural Network method. The stages before classification are pre-processing, extraction feature using Gray Level Co- Occurance Matrix (GLCM), and then classified using Probabilistic neural Network method. The research uses 650 data to be used as training data and test data. After testing in this study, it was concluded that the Probabilistic Neural Network method had the ability to classify ulos into five patterns namely Bintang Maratur, Ragi Hidup, Ragi Hotang, Mangiring and Sibolang. The result showed that the accuracy level is 80%.
Keywords : ulos, Gray Level Co-Occurance Matrix, Probabilistic Neural Network
DAFTAR ISI
PERSETUJUAN ... ii
PERNYATAAN ... iii
UCAPAN TERIMAKASIH ... iv
ABSTRAK ... vi
ABSTRACT ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xii
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Batasan Masalah ... 2
1.4 Tujuan penelitian ... 3
1.5 Manfaat Penelitian ... 3
1.6 Metodologi Penelitian ... 3
1.7 Sistematika Penulisan ... 4
BAB 2 LANDASAN TEORI ... 6
2.1 Ulos ... 6
2.1.1. Ulos Ragi Hotang ... 7
2.1.2. Mangiring ... 7
2.1.3. Ulos Sibolang ... 8
2.1.4. Bintang Maratur ... 8
2.1.5. Ragiidup ... 9
2.2 Citra ... 10
2.2.1. Grayscale ... 11
2.2.2. Contrast limited adaptive histogram equalization (CLAHE) ... 12
2.2.3. Thresholding ... 14
2.3 Ekstraksi Ciri ... 14
2.4 Jaringan Saraf Tiruan ... 17
2.5 Probabilistic Neural Network ... 18
2.6 Penelitian Terdahulu ... 21
BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 23
3.1. Data yang digunakan ... 23
3.2. Sistem Pengklasifikasian Ulos ... 24
3.2.1. Input Data ... 26
3.2.2. Preprocessing ... 26
3.2.3. Feature Extraction (Gray Level Co-occurance Matrix)... 28
3.2.4. Klasifikasi ... 29
3.3. PerancanganSistem ... 30
BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 33
4.1 Implementasi Sistem ... 33
4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak ... 33
4.2 Implementasi Data ... 34
4.2 Prosedur Operasional ... 36
4.3 Pelatihan Sistem ... 40
4.4 Pengujian Sistem ... 44
BAB 5 KESIMPULAN DAN SARAN ... 50
5.1. Kesimpulan ... 50
5.2. Saran ... 50
DAFTAR PUSTAKA ... 51
DAFTAR GAMBAR
Hlm.
Gambar 2.1 Ulos Ragihotang 7
Gambar 2.2 Ulos Mangiring 8
Gambar 2.3 Ulos Sibolang 8
Gambar 2.4 Ulos Bintang Maratur 9
Gambar 2.5 Ulos Ragiidup 9
Gambar 2.6 Sudut yang dibentuk dari nilai piksel citra pada GLCM
15
Gambar 2.7 Struktur Sebuah Sel Saraf (Neuron) 17 Gambar 2.8 Arsitektur Probabilistic Neural Network 19
Gambar 3.1 Arsitektur Umum 25
Gambar 3.2 Citra sebelum dan sesudah proses resize 26
Gambar 3.3 Citra hasil Grayscale 27
Gambar 3.4 Citra hasil CLAHE 27
Gambar 3.5 Citra hasil Tresholding 28
Gambar 3.6 Hasil Perhitungan Nilai feature vector GLCM 29
Gambar 3.7 Tampilan Home Page 31
Gambar 3.8 Tampilan Latih Data 31
Gambar 3.9 Tampilan Testing Images 32
Gambar 4.1 Data citra ulos Bintang Maratur 34
Gambar 4.2 Data citra ulos Mangiring 34
Gambar 4.3 Data citra ulos Ragi Hidup 35
Gambar 4.4 Data citra ulos Ragi Hotang 35
Gambar 4.5 Data citra ulos Sibolang 35
Gambar 4.6 Tampilan Halaman Awal 36
Gambar 4.7 Tampilan Halaman Latih Data 37
Gambar 4. 8 Tampilan memilih Button Ekstrak 37 Gambar 4.9 Tampilan Confusion Matrix hasil dari Pelatihan
Data
38
Gambar 4.10 Tampilan Halaman Prediksi Gambar Ulos 38 Gambar 4.11 Gambar tampilan data yang akan diuji 39
Gambar 4.12 Tampilan Hasil Prediksi 39
DAFTAR TABEL
Hlm.
Tabel 2.1 Statistik pada ekstraksi fitur GLCM 17
Tabel 2.2 Penelitian terdahulu 16
Tabel 4.1 Nilai Parameter pelatihan Sistem 40
Tabael 4.2 Hasil Pelatihan Model 40
Tabel 4.3 Nilai TP, FP dan FN 41
Tabel 4.4 Daftar citra Uji 44
Tabel 4.5 Daftar Citra Uji (Lanjutan) 45
Tabel 4.6 Daftar Citra Uji (Lanjutan) 46 Tabel 4. 7 Daftar Citra Uji (Lanjutan) 47
BAB 1
PENDAHULUAN
Bab ini membahas tentang hal-hal yang berkaitan dengan pembuatan tugas akhir.
Bab ini dibagi menjadi beberapa bagian yaitu latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
1.1 Latar Belakang
Indonesia sebagai negara kepulauan merupakan suatu gugusan terpanjang dan terbesar di dunia yang senantiasa kaya dengan budaya dan masyarakat majemuk yang terdiri dari berbagai macam suku (etnik), agama, dan kepercayaan yang dianut oleh masyarakat. Hampir setiap suku bangsa memiliki bahasa daerah dan adat istiadat yang berbeda satu dengan yang lainnya. Kebudayaan dan masyarakat tidak akan pernah terpisah satu dengan yang lain.
Batak Toba merupakan kelompok etnis Batak tersebar yang secara tradisional hidup di Sumatra Utara. Adat istiadat Batak Toba dalam kehidupan kesehariannya merupakan wujud dari sistem nilai kebudayaan yang masih dijunjung tinggi sampai ini. Buktinya adalah sampai sekarang dimanapun Orang Batak dalam melaksanakan acara adat pastilah mereka akan menggunakan ulos.
Ulos yang digunakan dalam acara adat masyarakat Batak Toba ini terdiri dari beberapa jenis. Dan setiap jenis ulos memiliki fungsi yang berbeda-beda dalam penggunaannya.
Namun walaupun memiliki motif yang berbeda, jika dilihat secara langsung motif ulos hampir mirip satu dengan yang lain. Sehingga membuat orang sulit membedakan nama ulos dan kegunaan dari ulos tersebut. Dan untuk mengenali jenis ulos biasanya harus menanyakan langsung kepada penenun atau orangtua yang lebih paham tentang ulos. Namun pengamatan mata secara langsung dan asumsi dari orangtua membutuhkan waktu yang lama dan memungkinkan adanya tingkat kesalahan yang tinggi. Sebelumnya penelitian untuk pengklasifikasian citra ulos telah ada digunakan, dengan judul “Klasifikasi Kain Ulos menggunakan Metode Ekstraksi Ciri Statistik Dan Klasifikasi Support Vector Machine (SVM)”.
Penelitian ini memaparkan tentang pengklasifikasian motif ulos berbasis pengolahan citra digital yang dapat memberikan informasi berupa nama motif ulos dengan menggunakan Support Vector Machine (SVM) dan menggunakan metode ekstraksi ciri statistik. Namun pengklasifikasian citra motif dengan SVM masih memiliki akurasi dibawah 75.00%. Oleh sebab itu, penelitian saya kali ini yang berjudul “Klasifikasi Ulos dengan Ekstraksi Fitur Warna dan Probabilistic Neural Network” akan menggunakan metode Probabilistic Neural Network yang merupakan metode dengan akurasi yang lebih baik dari SVM.
1.2 Rumusan Masalah
Ulos dapat dikenali secara manual dengan cara menanyakan langsung kepada penenun dan orangtua yang lebih paham tentang ulos atau dengan membaca buku panduan tentang ulos Batak Toba. Namun cara ini dapat memakan waktu yang lama. Oleh karena itu, dibutuhkan suatu sistem yang dapat membantu dalam mengklasifikasi citra motif ulos sehingga mampu mengenali jenis-jenis ulos Batak Toba yang ada.
1.3 Batasan Masalah
Adapun yang manjadi batasan masalah dalam penelitian ini adalah sebagai berikut:
1. Terdapat lima motif ulos yang akan diklasifikasi yaitu ulos Ragi Hotang, Ragiidup, Sibolang, Bintang Maratur dan Mangiring
24
2. Citra Ulos yang diklasifikasi adalah motif ulos hasil tenunan tradisional
3. Citra ulos diambil menggunakan kamera ponsel pintar berbasis sistem operasi Android
4. Jarak pengambilan citra ulos tidak lebih dari satu meter
5. Pengambilan citra harus dengan pencahayaan yang baik, agar motif ulos bisa terlihat dengan jelas.
1.4 Tujuan penelitian
Tujuan dari penelitian ini adalah merancang sebuah sistem untuk melakukan klasifikasi jenis ulos berdasarkan pengolahan citra dengan ekstraksi fitur tekstur GLCM (Gray Level Cooccurrence Matrix) menggunakan Probabilistic Neural Network (PNN).
1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah sebagai berikut:
1. Menerapkan pendekatan pengolahan citra dan neural network untuk membantu mengetahui jenis ulos Batak dilihat dari segi motif.
2. Meningkatkan pengetahuan sebagai bahan pembelajaran dan referensi untuk penelitian-penelitian mengenai pengolahan citra dan Probabilistic Neural Network.
1.6 Metodologi Penelitian
Tahapan-tahapan yang dilakukan dalam penelitian adalah sebagai berikut:
1. Studi Literatur
Studi literatur merupakan tahapan mengumpulkan dan mempelajari literatur dan referensi yang dapat menunjang penelitian. Yang diperoleh dari buku, skripsi, jurnal, dan berbagai sumber informasi lainnya. Informasi-informasi yang diperoleh tentang ulos, grayscale, Gray Level Co-occurrence Matrix, Artificial Neural Network, dan Probabilistic Neural Network.
25
2. Analisis Permasalahan
Analisis permasalahan merupakan tahap menganalisis seluruh referensi yang dikumpulkan pada tahapan sebelumnya.
3. Perancangan Sistem
Perancangan sistem merupakan tahapan merancang arsitektur, pengumpulan data, penentuan training dataset dan testing dataset, serta perancangan antarmuka berdasarkan hasil analisis permasalahan studi literatur.
4. Implementasi Sistem
Implementasi sistem merupakan tahapan mengimplementasikan perancangan sistem yang dihasilkan pada tahapan sebelumnya menjadi kode-kode tersusun sehingga tercipta sistem yang sesuai dengan tujuan penelitian berdasarkan studi literatur dan analisis permasalahan.
5. Pengujian Sistem
Pengujian sistem merupakan tahapan melakukan pengujian terhadap sistem yang sudah dibangun pada tahapan sebelumnya. Tahapan ini berguna untuk memastikan bahwa sistem yang telah dibangun dapat digunakan untuk melakukan klasifikasi ulos sesuai dengan tujuan penelitian.
6. Dokumentasi Sistem dan Penyusunan Laporan
Dokumentasi sistem dan penyusunan laporan merupakan tahapan melakukan dokumentasi dan menyusun laporan hasil analisis dan perancangan sistem serta implementasi dan pengujian sistem klasifikas jenis ulos menggunakan Probabilistic Neural Network.
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
Bab 1: Pendahuluan
Bab ini terdiri dari latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
26
Bab 2: Landasan Teori
Bab ini terdiri dari teori-teori yang digunakan dan berhubungan dalam permasalahan yang dibahas pada penelitian ini.
Bab 3: Analisis dan Perancangan Sistem
Bab ini berisi tentang analisis dari arsitektur umum dan metode yang digunakan dan penerapannya dalam pembuatan sistem untuk mengklasifikasi stadium kanker kolorektal.
Bab 4: Implementasi dan Pengujian Sistem
Bab ini berisi tentang implementasi dari analisis dan perancangan yang telah dilakukan dan pengujian terhadap hasil yang diperoleh apakah sesuai dengan yang diharapkan.
Bab 5: Kesimpulan Dan Saran
Bab ini berisi kesimpulan dari keseluruhan penelitian yang telah di uraikan pada bab- bab sebelumnya serta saran-saran yang diajukan untuk pengembangan dan penelitian selanjutnya.
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Probabilistic Neural Network (PNN) untuk mengklasifikasikan ulos.
2.1 Ulos
Ulos adalah kain tenun khas Batak berbentuk selendang. Benda sakral ini merupakan simbol restu, kasih sayang dan persatuan, sesuai dengan pepatah Batak yang berbunyi Ijuk pangihot ni hodong, ulos pangihot ni holong, yang artinya jika ijuk adalah pengikat pelepah pada batangnya maka ulos adalah pengikat kasih sayang antara sesama. Secara harfiah, ulos berarti selimut yang menghangatkan tubuh dan melindunginya dari terpaan udara dingin. Menurut kepercayaan leluhur suku Batak ada tiga sumber yang memberi panas kepada manusia, yaitu matahari, api dan ulos. Dari ketiga sumber kehangatan tersebut ulos dianggap paling nyaman dan akrab dengan kehidupan sehari-hari. Dahulu nenek moyang suku Batak adalah manusia-manusia gunung, demikian sebutan yang disematkan sejarah pada mereka. Hal ini disebabkan kebiasaan mereka tinggal dan berladang di kawasan pegunungan. Dengan mendiami dataran tinggi berarti mereka harus siap berperang melawan dinginnya cuaca yang menusuk tulang.
Kain ulos tidak langsung menjadi sakral di awal masa kemunculannya. Sesuai dengan hukum alam ulos juga telah melalui proses yang cukup panjang yang memakan waktu cukup lama, sebelum akhirnya menjadi salah satu simbol adat suku Batak seperti sekarang. Berbeda dengan ulos yang disakralkan yang kita kenal, dulu ulos malah dijadikan selimut atau alas tidur oleh nenek moyang suku Batak. Kain ulos saat ini mempunyai peranan yang sangat penting bagi masyarakat Batak. Kain ulos tak hanya digunakan untuk pakaian, tapi juga digunakan dalam beberapa ritual dan rangkaian upacara seperti kelahiran, kematian, dan pernikahan.
Kini kain ulos menjadi bagian yang tidak dapat dipisahkan dari kehidupan adat suku Batak. Kain ulos memiliki beragam corak dan warna yang disesuaikan dengan kegunaan kain tersebut.
2.2.1. Ulos Ragi Hotang
Ulos ragihotang termasuk ulos yang berkedudukan dan berderajat tinggi. Ragihotang berasal dari dua kata yaitu ragi dan hotang, ragi artinya corak dan hotang artinya rotan.
Masyarakat Batak dari jaman dulu merupakan masyarakat pegunungan, di mana hutan merupakan salah satu sumber mata pencaharian mereka. Rotan banyak dan mudah ditemukan di daerah tanah Batak dan menjadi alat pengingkat barang yang paling sering digunakan karena kekuatan dan ketahan dari rotan itu sendiri. Sehingga rotan dijadikan corak pada kain ulos sebagai lambang dari ikatan yang kokoh dalam pernikahan. Citra ulos Ragi Hotang dapat dilihat pada gambar 2.1.
Gambar 2.1 Ulos Ragihotang
2.2.2. Mangiring
Ulos ini memiliki corak saling beriringan yang melambangkan kesuburan dan kesepakatan Pengambaran corak pada kain ulos ini digambarkan secara abstrak dengan melihat dari bentuk- bentuk yang ditemukan di sekitarnya (geometris). Bentuk ini digambarkan secara beriringan untuk melambangkan kesepakatan bersama.
Terutama dalam membentuk keluarga.Biasanya diberikan kepada wanita yang sedang hamil 7 bulan dengan harapan dapat melancarkan proses kelahiran anak. Citra ulos Mangiring dapat dilihat pada gambar 2.2.
24
Gambar 2.2 Ulos Mangiring
2.2.3. Ulos Sibolang
Corak pada ulos ini merupakan motif abstrak yang memiliki runcing. Corak runcing menghadap keatas pada ulos ini melambangkan kalau orang Batak itu selalu menanggung semua bebannya dengan sabar dan begitu banyaknya perjalanan yang tajam ataupun pergumulan, dia selalu kuat menghadapi semua persoalannya dan terus memandang maju ke atas.
Ulos ini diberikan pada saat upacara dukacita. Orang dewasa yang meninggal tetapi belum punya cucu ketika diberikan dinamakan Ulos Saput. Laki-laki yang ditinggal istri maupun perempuan yang ditinggal suami ketika diberikan dinamakan Ulos Tujung. Citra ulos Sibolang dapat dilihat pada gambar 2.3.
Gambar 2.3 Ulos Sibolang
2.2.4. Bintang Maratur
Ulos ini menggambarkan jejeran bintang yang teratur. Jejeran bintang yang teratur didalam ulos ini menunjukkan orang yang patuh, rukun seia dan sekata dalam ikatan kekeluargaan. Juga dalam hal “sinadongan” (kekayaan) atau hasangapon (kemuliaan)
25
tidak ada yang timpang, semuanya berada dalam tingkatan yang rata-rata sama. Dalam hidup sehari-hari dapat dipakai sebagai hande-hande (ampe-ampe), juga dapat dipakai sebagai tali-tali atau saong. Sedangkan nilai danfungsinya sama dengan ulos mangiring. Citra ulos Bintang Maratur dapat dilihat pada gambar 2.4.
Gambar 2.4 Ulos Bintang Maratur 2.2.5. Ragiidup
Ragi berarti corak, sehingga Ragidup berarti lambang kehidupan. Dinamakan demikian karena warna, lukisan serta coraknya memberi kesan seolah-olah ulos ini benar-benar hidup. Ulos jenis ini terdiri atas tiga bagian; dua sisi yang ditenun sekaligus, dan satu bagian tengah yang ditenun tersendiri dengan sangat rumit. Ulos ini biasa digunakan pada upacara adat perkawinan, dan biasanya diberikan oleh orang tua pengantin perempuan kepada ibu lelaki. Citra ulos Ragiidup dapat dilihat pada gambar 2.5.
Gambar 2.5 Ulos Napinunsuan
26
2.2 Citra
Citra adalah representasi spasial dari objek berdimensi dua dalam koordinat kartesian (x, y) dan setiap unit koordinat merepresentasikan satu sinyal terkecil dari objek tersebut yang disebut piksel (Kulkarni, 2001). Sebuah citra didefinisikan dalam sebuah matriks dua dimensi f(x, y) yang terdiri dari M kolom dan N baris.
Perpotongan antara kolom dan baris merupakan elemen matriks yang disebut dengan piksel (Putra, 2010).
Representasi dari matriks dua dimensi adalah sebagai berikut:
f(x,y) = [
f(0,0) f(0,1) f(1,0) f(1,1)
…
⋯
f(0, M − 1) f(1, M − 1)
⋮ ⋮ ⋱ ⋮
f(N − 1,0) f(N − 1,1) ⋯ f(N − 1, M − 1)
] (2.1)
Secara matematis, batasan-batasan matriks dua dimensi f(x,y) didefinisikan sebagai berikut:
0 ≤ x ≤ (N − 1)
0 ≤ y ≤ (M − 1) (2.2) 0 ≤ f(x, y) ≤ (G − 1)
Dengan keterangan sebagai berikut:
x = baris piksel pada citra y = kolom piksel pada citra
f(x,y) = nilai skala derajat keabuan piksel (x,y) pada citra M = jumlah kolom pada matriks dua dimensi
N = jumlah baris pada matriks dua dimensi G = nilai skala derajat keabuan
27
Nilai M, N, dan G umumnya didefinisikan sebagai perpangkatan bilangan bulat positif dengan basis dua. Nilai M × N (ukuran matriks dua dimensi) menyatakan ukuran citra yang umumnya disebut sebagai resolusi. Pada citra 8 bit, nilai G didefinisikan dalam 28 = 256 warna dengan interval [0, 255]. Nilai G bergantung pada proses digitalisasi dengan intensitas hitam dinyatakan dalam nilai 0 dan intensitas putih dinyatakan dalam nilai 255.
Secara umum, aplikasi pengolahan citra menampilkan citra menjadi kumpulan kode warna secara numerik yang disebut mode warna. Mode warna dibuat berdasar pada keterbatasan kemampuan komputer dalam mengenali banyaknya warna yang ada di dunia nyata
2.2.1. Grayscale
Grayscale merupakan warna gradasi hitam dan putih. Setiap piksel pada mode warna grayscale direpresentasikan oleh 8 bit. Citra dengan mode warna RGB dapat dikonversikan menjadi grayscale menggunakan dua metode, yaitu metode rata-rata dan metode bobot (luminositas).
Konversi citra RGB menjadi grayscale menggunakan metode rata-rata didefinisikan dengan persamaan sebagai berikut:
I(x, y) =R(x,y)+G(x,y)+B(x,y)
3 (2.3)
Dengan keterangan sebagai berikut:
I(x,y) = nilai intensitas warna pada citra grayscale
R(x,y) = nilai intensitas warna layer R (red) pada citra RGB G(x,y) = nilai intensitas warna layer G (green) pada citra RGB B(x,y) = nilai intensitas warna layer B (blue) pada citra RGB
28
Terdapat permasalahan yang muncul pada konversi menggunakan metode rata- rata. Hal tersebut karena ketiga warna yang berbeda (merah, hijau, biru) memiliki panjang gelombang yang berbeda sehingga memberikan kontribusi nilai intensitas yang berbeda pula. Pada metode rata-rata, masing-masing warna memberikan kontribusi nilai intensitas sebesar 33%. Pada kenyataannya, warna merah memiliki panjang gelombang terpanjang dan warna hijau memiliki panjang gelombang terpendek namun memberikan efek yang menyenangkan untuk mata. Untuk itu, pada metode bobot, nilai intensitas warna merah diturunkan dan nilai intensitas warna hijau ditingkatkan. Sedangkan, warna biru memberikan kontribusi nilai intensitas di antara keduanya.
Konversi citra RGB menjadi grayscale menggunakan metode bobot (luminositas) didefinisikan dengan persamaan sebagai berikut:
I(x,y) = 0,299 R(x,y) + 0,587 G(x,y) + 0,114 B(x,y) (2.4)
Dengan keterangan sebagai berikut:
I(x,y) = nilai intensitas warna pada citra grayscale
R(x,y) = nilai intensitas warna layer R (red) pada citra RGB G(x,y) = nilai intensitas warna layer G (green) pada citra RGB B(x,y) = nilai intensitas warna layer B (blue) pada citra RGB
2.2.2. Contrast limited adaptive histogram equalization (CLAHE)
Kontras menyatakan sebaran terang dan gelap dalam suatu citra. Kontras dalam citra grayscale sangat diperlukan. CLAHE merupakan metode untuk mengatasi keterbatasan standar pemerataan histogram pada suatu citra. CLAHE merupakan metode kelanjutan dari metode adaptive histogram equalization (AHE). Metode AHE cendrung masih
29
banyak mengalami masalah noise di daerah yang relatif homogen dari suatu citra dan dengan CLAHE dapat mengatasi masalah tersebut dengan membatasi peningkatan contrast khususnya di daerah yang homogen (Sharma, 2013). CLAHE diterapkan untuk mengatur kekontrasan citra sehingga dapat menampilkan bagian yang gelap atau tidak terlihat dengan cara memberikan nilai batas (clip limit) pada citra sehingga citra terlihat lebih jelas dan tidak terjadi peningkatan kontras yang berlebihan. Untuk mengontrol kualitas citra, CLAHE mempunyai dua parameter yaitu block size dan clip limit yang memiliki beberapa nilai default dan juga bisa ditentukan oleh pengguna (Singh et al., 2015). Citra kontras yang bagus memiliki jangkauan nilai keabuan yang lebar dan tidak memiliki nilai keabuan yang mendominasi.
Algoritma CLAHE dapat dijelaskan sebagai berikut (Ramya, 2012):
Langkah 1: Citra asli dibagi menjadi beberapa bagian citra yang tiap bagian citra berukuran MxN.
Langkah 2: Setiap bagian citra dihitung histogramnya.
Langkah 3: Clipped histogram setiap bagian citra. Jumlah piksel dari tiap bagian citra didistribusi pada masing-masing derajat keabuan.
Rata-rata jumlah piksel tersebut dilakukan dengan persamaan 2.5
Navg= NSI−XP.NSI−YP Ngraylevel
(2.5)
Dimana:
𝑁𝑎𝑣𝑔 = rata-rata jumlah piksel
𝑁𝑆𝐼−𝑋𝑃 = jumlah piksel dalam dimensi X dari bagian citra 𝑁𝑆𝐼−𝑌𝑃 = jumlah piksel dalam dimensi Y dari bagian citra 𝑁𝑔𝑟𝑎𝑦𝑙𝑒𝑣𝑒𝑙 = jumlah nilai derajat keabuan dari bagian citra
Langkah 4: Membatasi contrast histogram setiap bagian citra diproses dengan HE kemudian piksel dari bagian citra dipetakan dengan menggunakan
30
2.2.3. Thresholding
Thresholding merupakan suatu proses untuk mengubah citra menjadi biner atau sering disebut dengan proses binerisasi. Proses ini menggunakan nilai batas (threshold) untuk dapat mengubah nilai piksel menjadi warna hitam atau putih. Jika nilai piksel pada citra lebih besar dari nilai threshold yang ditentukan maka nilai piksel tersebutakan diubah menjadi warna putih dan diinisialkan dengan angka biner 1. Sementara apabila nilai piksel lebih kecil dari nilai threshold maka akan diubah menjadi warna hitam dan inisialkan dengan biner 0.
2.3 Ekstraksi Ciri
Ekstraksi fitur atau ciri citra merupakan tahapan mengekstrak ciri atau informasi dari objek di dalam citra yang ingin dikenali atau dibedakan dengan citra lainnya.
Feature extraction adalah proses pengukuran terhadap data yang telah dinormalisasi untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk mengenali unit masukan dengan unit target keluaran dan memudahkan pengklasifikasian karena nilai ini mudah untuk dibedakan (Kartar, 2011). Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa menghilangkan informasi penting (Putra, 2009). Salah satu metode untuk mengekstrak ciri citra adalah Gray Level Co-ocurance Matrix.
Gray Level Co-occurrence merupakan metode analisis tingkat keabuan terhadap piksel suatu citra (Xie et al., 2010). Pengukuran metode berdasarkan tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antarpiksel di dalam citra. Dengan melakukan analisis citra berdasarkan distribusi statistik dari intensitas pikselnya, metode ini dapat dimanfaatkan dalam ekstraksi fitur tekstur (Pullaperuma & Dharmaratne, 2013).
Gray Level Co-occurrence melakukan ekstraksi ciri berbasis statistikal, yang terdiri dari ekstraksi ciri orde pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui tingkat keabuan citra. Sedangkan, ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi. Sedangkan, pada jarak spasial dinyatakan dalam bentuk piksel.
31
Gambar 2.6 Sudut yang dibentuk dari nilai piksel citra pada GLCM (Albregtsen, 2008)
Pada penelitian ini, pengenalan ciri berdasarkan ekstraksi ciri orde pertama tidak dimanfaatkan. Namun, untuk mengenali perbedaan tekstur citra dibutuhkan pengambilan ciri statistik orde dua. Teknik yang digunakan untuk memperoleh ciri statistik orde dua adalah menghitung probabilitas hubungan ketetanggaan antarpiksel pada orientasi sudut dan jarak spasial tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut.
Matriks kookurensi dibentuk dari jumlah kesamaan satu tingkat nilai piksel bertetangga dengan nilai piksel lainnya pada orientasi sudut dan jarak spasial tertentu.
Matriks kookurensi dibentuk dengan ukuran M × M dengan M adalah jumlah tingkat keabuan pada citra. Setiap elemen (I, j) pada matriks ini merupakan jumlah kesamaan piksel bernilai i bertetangga dengan piksel bernilai j pada orientasi sudut (180 - 𝜃) dan jarak spasial d.
Setelah itu, untuk memperoleh matriks yang simetris terhadap sumbu diagonal, matriks kookurensi ditambahkan dengan matriks transposenya. Matriks simetris kemudian dinormalisasi sehingga elemen-elemennya dinyatakan dengan probabilitas.
Normalisasi dilakukan pada nilai tiap elemen matriks dengan membagi nilai elemen dengan jumlah seluruh elemen spasial. Secara ringkas, pengubahan matriks kookurensi menjadi bentuk probabilitas dapat dilakukan menggunakan persamaan 2.10.
32
Dengan keterangan sebagai berikut:
p(i,j) = nilai elemen pada matriks GLCM dalam bentuk probabilitas
Pd (I,j) = nilai elemen pada matriks GLCM i = baris piksel pada matriks
j = kolom piksel pada matriks
N = lebar (jumlah kolom) dan tinggi (jumlah baris) matriks
Setelah memperoleh bentuk probabilitas, ekstraksi fitur diperoleh dengan beberapa statistik. Statistik ini akan menyediakan informasi tekstur pada citra. Statistik berupa feature vector terdiri dari Contrast, Correlation, Homogeneity, dan Energy.
Penjelasan detil keempat feature vector dapat diperhatikan pada Tabel 2.1.
Tabel 2.1 Statistik pada ekstraksi fitur GLCM
No. Statistik Keterangan
1. Contrast Mengukur variasi lokal dalam matriks GLCM 2. Correlation Mengukur kemungkinan terjadinya gabungan dari
pasangan piksel yang ditentukan
3. Energy Menyediakan jumlah dari elemen kuadrat pada matriks GLCM
4. Homogeneity Mengukur kedekatan distribusi elemen pada matriks GLCM terhadap GLCM diagonal.
Secara matematis, perhitungan keempat feature vector diperoleh menggunakan persamaan 2.11, 2.12, 2.13, dan 2.14 (Albregtsen, 2008).
Contrast = ∑G−1 n=0 n2 {∑𝐺𝑖=𝑗∑𝐺𝐺−1𝑃(𝑖, 𝑗) }, |i – j| = n (2.11)
33
Correlation = ∑ ∑ (i− μx) ×(j− μy)
√σx2 × σx2 G−1j=0
G−1i=0 P(i, j) (2.12)
Energy = ∑G− 1i=0 ∑G−1j=0{P(i, j)}2 (2.13)
Homogeneity = ∑ ∑ 1
1+i−j2 G−1j=0
G−1i = 0 P(i, j) (2.14)
Matriks kookurensi diperoleh dengan menghitung jumlah pasangan piksel yang dengan intensitas sama dan memasukkan nilainya ke dalam area kerja matriks GLCM.
Kemudian menghitung nilai matriks simetris. Matriks kookurensi dapat diubah menjadi matriks simetris dengan cara menjumlahkan matriks kookurensi dengan matriks transposenya. Setelah memperoleh nilai matriks simetris, normalisasi dilakukan untuk memperoleh suatu nilai dalam bentuk probabilitas. Setelah matriks probabilitas terbentuk, hal yang dilakukan adalah menghitung ciri statistik orde dua yang merepresentasikan citra menjadi nilai feature vector.
2.4 Jaringan Saraf Tiruan
Jaringan saraf tiruan atau artificial neural network menurut Hammerstone (1993) merujuk pada teknologi komputasi yang dikembangkan berdasarkan cara kerja otak pada makhluk hidup.
Gambar 2.7 Struktur Sebuah Sel Saraf (Neuron) (Hammerstone, 1993) Berdasarkan gambar 2.7 struktur dari sebuah sel saraf atau neuron terdiri dari
34
masuknya sinyal, cell body berfungsi untuk memproses sinyal yang masuk, dan axon merupakan unit output dari sinyal hasil proses cell body. Hubungan antara neuron yang satu dengan yang lain lewat hubungan synapse.
Jaringan syaraf tiruan (JST) memiliki karakteristik yang mirip dengan jaringan saraf biologi yang digambarkan sebagai berikut:
a. Menerima input atau masukan, baik dari data yang dimasukkan atau dari output sel saraf pada jaringan saraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight).
b. Setiap sel saraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel saraf (post synaptic potential, PSP, dari sel saraf). Signal aktivasi kemudian menjadi fungsi aktivasi/fungsi transfer untuk menghasilkan output dari sel saraf.
Jaringan saraf tiruan ditentukan oleh 3 hal:
a. Pola hubungan antar neuron (disebut arsitektur jaringan)
b. Metode untuk menentukan bobot penghubung (metode training/learning/
algoritma) c. Fungsi aktivasi.
2.5 Probabilistic Neural Network
Probabilistic Neural Network (PNN) diperkenalkan pertama kali oleh Donald F.
Specht tahun 1990. PNN menggabungkan teorema Bayes probabilitas bersyarat dan metode Parzen untuk memperkirakan probability density function (fungsi kerapatan probabilitas) dari variabel acak. Tidak seperti model pelatihan neural network lainnya, PNN memiliki kecepatan proses pelatihan (training) yang tinggi dan kemampuan menghasilkan tingkat kepercayaan untuk keputusan klasifikasinya (Hajmeer & Basheer, 2002).
PNN dapat didefnisikan sebagai implementasi dari algoritma statistik yang biasa disebut dengan kernel diskriminasi analisis dimana operasi tersebut akan disusun kedalam multilayered feedforward network dengan empat lapisan yaitu input layer, pattern layer, summation layer, dan output layer. Ada keuntungan utama yang membedakan PNN adalah proses pelatihan yang cepat, struktur paralel yang tidak dapat dipisahkan, dijamin dalam menemukan klasifikasi optimal sesuai
35
dengan peningkatan perwakilan data pelatihan, dan pelatihan dapat ditambahkan atau dihapus tanpa melakukan pelatihan ulang. Dengan demikian, PNN belajar lebih cepat dari pada banyak model jaringan saraf tiruan dan telah sukses dibeberapa aplikasi. Berdasarkan fakta tersebut, PNN dapat dilihat sebagai supervised neural network yang mampu digunakan dalam masalah klasifikasi dan pengenalan pola (Mishra, 2013).
PNN merupakan tipe khusus dari radial basis neural network terutama dalam masalah klasifikasi. Seperi radial basis neural network, PNN menggunakan fungsi aktivasi dilapisan kedua yaitu hidden layer yang bertujuan untuk membuat local decision function yang berpusat pada sampel dari input layer. Setelah pelatihan, fungsi tersebut dijumlahkan pada summation layer. Hasil dari jumlah fungsi tersebut itu merupakan probabilitas. Sehingga probabilitas yang paling maximum masuk kedalam sebuah kelas yang spesifik (Lotfi & Benyettou, 2014).
PNN memiliki beberapa layer, diantaranya yaitu input layer, pattern layer, summation layer, dan output layer. Struktur dari jaringan PNN ini dapat dilihat pada Gambar 2.9.
Gambar 2.8. Arsitektur Probabilistic Neural Network (Sumber: Palomino et al, 2014)
a. Input Layer
Pada lapisan ini terdapat variabel vektor input yang akan dijadikan input kedalam jaringan. Nilai dari variabel ini merupakan hasil dari ekstraksi ciri dari setiap data yang diuji.
36
Pada lapisan ini dilakukan perhitungan kedekatan jarak antara vektor bobot dengan vektor input. Vektor bobot merupakan nilai dari data latih setiap kelasnya sedangkan vektor input merupakan nilai dari ekstraksi ciri data yang akan diuji. Proses yang terjadi pada lapisan ini menggunakan persamaan 2.18.
𝑊𝑖𝑗(𝑥) = 1
2𝜋𝑑/2𝜎𝑑𝑒𝑥𝑝 [−‖(𝑥−𝑥𝑖𝑗)‖
2
2𝜎2 ] (2.15)
Dimana:
𝑊𝑖𝑗(𝑥) = gaussian kernel 𝑑 = dimensi vektor x
𝜎 =spread / smoothing parameter 𝑥 = vektor pengujian
𝑥𝑖𝑗 = vektor pelatihan ke 𝑗 dari kelas 𝑖
Tidak terdapat metode untuk menentukan nilai dari smoothing parameter sehingga digunakan teknik trial and error.
c. Summation Layer
Pada lapisan ini menghitung penjumlahan kemungkinan maksimum dari setiap 𝑖-neuron pada lapisan pattern layer dengan kelas yang sama dan dirata-ratakan dengan jumlah data uji masing-masing kelas. Proses yang terjadi dengan menggunakan persamaan 2.19.
𝑔𝑖(𝑥) =2𝜋𝑑/21 𝜎𝑑𝑁1
𝑖∑ 𝑒𝑥𝑝 [−‖(𝑥−𝑥𝑖𝑗)‖
2
2𝜎2 ]
𝑁𝑖
𝑗=1 (2.16)
Dimana:
𝑔𝑖(𝑥) = fungsi kepadatan probabilitas 𝑑 = dimensi vektor 𝑥
𝜎 = spread / smoothing parameter 𝑁 = jumlah data latih pada kelas 𝑖 𝑥 = vektor pengujian
𝑥𝑖𝑗 = vektor pelatihan ke 𝑗 dari kelas 𝑖
d. Output Layer
37
Pada lapisan terakhir ini dibandingkan nilai antara hasil dari tiap kelas. Nilai probabilitas yang tertinggi maka akan dikelompokkan menjadi kelas tersebut.
Proses yang dilakukan pada lapisan ini dengan menggunakan persamaan 2.17.
𝐺𝑖(𝑥) = 𝑎𝑟𝑔𝑚𝑎𝑥{𝑔𝑖(𝑥)}, 𝑖 = 1,2, … , 𝑚 (2.17)
Dimana: 𝐺𝑖(𝑥) = bayes’s decision
2.6 Penelitian Terdahulu
Sebelumnya penelitian untuk pengklasifikasian citra ulos telah ada digunakan, dengan judul “Klasifikasi Kain Ulos menggunakan Metode Ekstraksi Ciri Statistik Dan Klasifikasi Support Vector Machine (SVM)”. Penelitian ini memaparkan tentang pengklasifikasian motif ulos berbasis pengolahan citra digital yang dapat memberikan informasi berupa nama motif ulos dengan menggunakan Support Vector Machine (SVM) dan menggunakan metode ekstraksi ciri statistik. Hasil simulasi menunjukan bahwa tingkat akurasi yang didapatkan sebesar 70%.
Pengolahan Citra Digital, Ulos, EkstraksiCiriStatistik, Support Vector Machine (Arga Yahya Manalu, 2014).
Penelitian selanjutnya yaitu mengklasifikasi citra melalui citra batik Besurek Bengkulu. Metode ekstraksi ciri dalam penelitian ini menggunakan threshold dan deteksi tepi Robert dan menggunakan metode K-Nearest Neighbor (Westhyma Sibarani, 2015).
Penelitian ini menggunakan wiener filtering untuk menghilangkan noise pada citra, lalu menggunakan contra-lateral symmetry untuk mengubah objek yang tidak simetris pada citra menjadi simetris, menggunakan histogram features pada level pertama klasifikasi untuk menghitung nilai histogram dari citra, dan wavelet-based features pada level kedua klasifikasi untuk menghitung hasil dari nilai histogram sebelumnya.
Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada
38
Tabel 2.6 Penelitian terdahulu N
o Peneliti Tahu
n Metode
1 Aditya
et al.
2015 Backpropogati on neural network,
Statistical Region Merging, Statistical Feature Extraction
Penelitian ini dapat
mengklasifisik an motif batik cukup baik dengan tingkat kinerja 90.66%
dan akurasi 94%
2 Aufar
et al.
2015 Chebysheve distanc, K- nearest neigbor
Penelitian ini menggunakan algoritma k- nearest
neighbour dengan memperoleh akurasi terbesar
pada k=5
dengan perolehan 77.5%.
3 Idati et al.
2017 Fuzzy C-
Means, Gabor Filter
Presentase tingkat keberhasilan sistem klasifikasi tenun pada
Ke t.
39
penelitian ini dapat mencapai 94% untuk citra diluar database atau citra uji.
4 Rizky
Andhik a Sury
2017 Filter gabor Penelitian ini telah
menghasilkan data informasi dari proses ekstraksi ciri baik metode GLCM maupun metode Filter Gabor dan nilai dari GLCM telah diploting dan dapat membedakan antara citra batik satu dengan yang lain
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini membahas tentang implementasi data dan teknik yang digunakan untuk melakukan klasifikasi ulos tradisional Batak Toba. Adapun dua tahap yang dibahas, yaitu tahap analisis dan tahap perancangan sistem. Pada tahap analisis dilakukan analisis terhadap data yang digunakan untuk proses dan analisis terhadap teknik yang digunakan pada setiap langkah pemrosesan data. Pada tahap perancangan sistem dibahas mengenai perancangan tampilan antarmuka sistem.
3.1 Data yang digunakan
Data yang digunakan dalam penelitian ini berupa citra yang diperoleh melalui observasi langsung. Observasi dilakukan pada Galery Ulos di Kota Medan, Provinsi Sumatera Utara dan pasar di Kota Tarutung, Provinsi Sumatera Utara.
Citra yang dipakai adalah citra berupa images dengan format JPEG (Joint Photographic Experts Group) yang diperoleh dengan mengambil langsung citra menggunakan kamera smartphone. Keseluruhan data yang diperoleh berjumlah 650 citra yang terdiri dari 5 kategori, yaitu Bintang Maratur, Mangiring, Ragiidup, Ragi Hotang dan Sibolang.
1. Data Training
Data Training merupakan data-data yang dipakai untuk melakukan proses learning citra ulos. Data yang diapakai untuk proses training yaitu sebanyak 550 citra untuk lima kategori.
24
2. Data Testing
Data Testing merupakan data-data yang dipakai untuk melakukan proses pengujian terhadap hasil training dari citra yang telah disimpan dalam sebuah model. Data testing yang digunakan sejumlah 100 citra yang memiliki mode warna dan ukuran yang berbeda-beda.
3.2 Sistem Pengklasifikasian Ulos
Metode untuk mengklasifikasi ulos Batak Toba pada penelitian ini terdiri dari beberapa tahapan. Tahapan awal yaitu pengumpulan data citra ulos Bintang Maratur, Ragi Hotang, Ragidup, Mangiring dan Sibolang yang digunakan sebagai citra pelatihan dan pengujian. Setelahnya adalah tahapan pre-processing yang terdiri dari tahap cropping yang bertujuan untuk memotong citra agar memudahkan proses komputasi, kemudian data citra ulos yang berupa citra RGB diubah menjadi mode warna grayscale dan kemudian dilakukan proses CLAHE untuk memperbaiki kualitas citra. CLAHE memberikan nilai batas pada histogram sehingga terjadi peningkatan kontras pada citra. Setelah itu, dilakukan proses dilakukan proses ekstraksi ciri tekstur atau feature extraction dengan menggunakan metode Gray Level Co-Occurrence Matrix yang bertujuan untuk mengambil ciri dari objek dalam citra yang selanjutnya akan dianalisis. Gray Level Co-Occurrence Matrix menggunakan distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketengtanggaan antar piksel dalam citra. Setelah itu masuk ke tahap klasifikasi dengan menggunakan metode Probabilistic Neural Network. Setelah seluruh tahap dilakukan maka aplikasi menghasilkan keluaran berupa informasi jenis ulos.
Arsitektur umum dari perancangan yang digunakan pada penelitian ini dapat dilihat pada gambar 3.1.
25
Gambar 3.1. Arsitektur Umum Citra Ulos
Preprocessing
Input
Testing Dataset Training Dataset
Resize
Grayscale
CLAHE
Tresholding
Feature Extraction
Gray Level Co-occurance Matrix
Classification
Probabilistic Neural Network Proses
Hasil Klasifikasi Ulos Tradisional Batak Toba Output
26
3.2.1. Input Data
Data yang dipakai dalam penelitian ini sebanyak 650 citra ulos, yang terdiri 207 Bintang Maratur, 115 Mangiring, 113 Ragi Hidup, 97 Ragi Hotang dan 118 Sibolang.
3.2.2. Preprocessing
Tahapan ini bertujuan untuk menghasilkan citra yang lebih baik untuk diproses ketahapan selanjutnya. Tahapan preprocessing ini terdiri dari proses resizing, grayscaling dan Tresholding.
a. Resizing
Ukuran dimensi citra yang dihasilkan dari pengambilan gambar secara langsung dengan kamera smartphone tidak selalu sama. Tahapan ini dibutuhkan untuk mengatur ukuran pixel dari citra yang akan diolah pada tahap testing. Input citra yang digunakan pada penelitian ini mempunyai ukuran pixel yang berbeda- beda. Karena itu perlu dilakukan resize agar setiap data training dan data testing memiliki ukuran dimensi dan rentang nilai yang sama. Semakin besar jumlah pixel maka akan semakin banyak waktu yang dibutuhkan pada proses pengolahan citra. Contoh citra yang melalui proses resize dapat dilihat pada gambar dibawah ini:
(b)
(a)
27
Gambar 3.2.Citra sebelum (a) dan sesudah (b) proses resize
Dalam penelitian ini, untuk memenuhi kebutuhan sistem, penulis mengubah ukuran citra yang sebelumnya berukuran berbeda-beda menjadi berukuran 200 x 200 pixel.
b. Grayscaling
Tahapan berikutnya adalah melakukan konversi citra yang memiliki mode RGB menjadi mode grayscale, karena ciri warna bukan menjadi topik dalam penelitian ini. Hasil dari proses thresholding dapat dilihat pada gambar 3.3.
Gambar 3.3.Citra hasil Grayscale
c. Contrast limited adaptive histogram equalization (CLAHE)
CLAHE bertujuan untuk mengatur kekontrasan citra sehingga dapat menampilkan bagian yang gelap atau tidak terlihat. Hasil dari proses thresholding dapat dilihat pada gambar 3.4.
Gambar 3.4.Citra sesudah proses CLAHE
28
d. Tresholding
Tahapan selanjutnya yaitu segmentasi yang bertujuan untuk menghasilkan citra biner dengan menggunakan thresholding. Hasil dari proses thresholding dapat dilihat pada gambar 3.5.
Gambar 3.5.Citra hasil Tresholding
3.2.3. Feature Extraction (Gray Level Co-occurrence Matrix)
Tahap ini berupa ekstraksi fitur tekstur pada citra ulos. Pada tahap ini tekstur ulos akan dikenali melalui empat feature vector, yaitu Contrast, Correlation, Homogeneity, dan Energy.
Langkah-langkah ekstraksi fitur tekstur menggunakan Gray Level Co- occurrence Matrix adalah sebagai berikut:
1. Menghitung nilai matriks kookurensi Matriks kookurensi diperoleh dengan menghitung jumlah pasangan piksel yang dengan intensitas sama dan memasukkan nilainya ke dalam area kerja matriks GLCM. Dalam menentukan pasangan piksel, keseluruhan nilai pada matriks grayscale ditempatkan matriks kookurensi dengan merujuk pada ketentuan gray level mode warna grayscale (8-bit image) berupa 28 = 256.
29
2. Menghitung nilai matriks simetris
Langkah yang dilakukan selanjutnya adalah menghitung nilai matriks simetris.
Matriks kookurensi dapat diubah menjadi matriks simetris dengan cara menjumlahkan matriks kookurensi dengan matriks transposenya.
3. Normalisasi nilai matriks simetris
Setelah memperoleh nilai matriks simetris, normalisasi dilakukan untuk memperoleh suatu nilai dalam bentuk probabilitas
4. Menghitung nilai feature vector
Setelah matriks probabilitas terbentuk, hal yang dilakukan adalah menghitung ciri statistik orde dua yang merepresentasikan citra menjadi nilai feature vector.
Ciri yang digunakan berupa Contrast, Correlation, Homogeneity, dan Energy.
Gambar 3.6 Hasil perhitungan normalisasi nilai feature vector GLCM
3.2.4. Klasifikasi
Tahap selanjutnya setelah mendapatkan nilai dari ekstraksi fitur adalah memasukkan nilai hasil ekstraksi fitur ciri, tekstur, dan warna sebagai nilai input pada proses Probabilistic Neural Network. Selanjutnya, hasil klasifikasi didapatkan dengan
30
membandingkan nilai output pada proses training dengan nilai output pada proses testing.
Langkah-langkah klasifikasi ulos menggunakan Probabilistic Neural Network adalah sebagai berikut:
1. Menerima input berupa hasil feature extraction
Hasil dari ekstraksi fitur ciri, tekstur, dan warna menjadi nilai input pada input layer.
2. Menghitung nilai similaritas dengan probability density function
Setelah itu, perhitungan nilai similaritas (jarak vektor bobot data input dengan vektor bobot data training)
3. Menjumlahkan nilai similaritas pada tiap kelas
Nilai similaritas pada tiap kelas ditentukan. Untuk mempermudah perhitungan, jumlah nilai similaritas dinormalisasi menjadi dengan membagikan tiap nilai dengan jumlah nilai terkecil
4. Menentukan nilai maksimum menjadi output atau hasil
Setelah menghitung jumlah nilai similaritas tiap kelas, nilai-nilai tersebut dibandingkan untuk diperoleh nilai maksimum. Nilai maksimum dari vektor output tersebut menjadi kelas keputusan
3.2.5. Output Akhir
Output berupa tampilan data hasil klasifikasi dari ulos tradisional Batak Toba berisi nama dan kegunaan ulos.
3.3 PerancanganSistem
Pada tahapan ini akan dijelaskan tentang perancangan menu sistem dan perancangan antar muka aplikasi pengenalan ekspresi wajah. Perancangan ini bertujuan agar pengguna dapat menjalankan aplikasi dengan mudah.
31
1. Rancangan Tampilan Home
Tampilan ini merupakan tampilan awal dari sistem yang dibangun.Pada tampilan ini pengguna akan diarahkan untuk menuju ke halaman Tambah Data Latih dan Lakukan Prediksi seperti pada gambar 3.7.
Gambar 3.7.Tampilan Home Page
2. Rancangan Tampilan Training Data
Tampilan ini terdiri dari menu training yang digunakan untuk melakukan proses training data. Rancangan Tampilan Latih Data dapat dilihat pada gambar 3.8.
32
.
Gambar 3.8.Tampilan Latih Data
Setelah melakukan training, pengguna dapat melihat hasil training yang berisikan confusion matrix dari training model yang telah disimpan.
3. Rancangan Tampilan Testing Data
Tampilan ini berisikan menu testing untuk single data. Pengguna akan diminta untuk memasukkan sebuah file citra ulos yang akan diklasifikasi oleh sistem. Pengguna kemudian dapat melihat hasil klasifikasi. Rancangan tampilan Prediksi gambar dapat dilihat pada gambar 3.9.
33
Gambar 3.9.Tampilan Testing Image
34
BAB 4
IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem
Pada tahapan implementasi sistem, identifikasi ulos tradisional Batak Toba menggunakan metode Probabilistic Neural Network memerlukan perangkat lunak dan perangkat keras pendukung, antar lain :
4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
Spesifikasi perangkat keras yang digunakan dalam pembangunan sistem ini adalah:
1. Processor Intel® Core™ i3-3217U CPU @ 1.80GHz 1.70GHz 2. Sistem Operasi Windows 8.1 Pro 64 Bit
3. RAM 6GB
4. Kapasitas Harddisk 1TB
Spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut :
1. PyCharm versi 2018.2.1 2. Python Versi 3.7
3. Anaconda Python Distribution versi custom.
4. Library yang digunakan : OpenCV2, neupy, numpy, scikit, Python Image Library), matplotlib.
5. Untuk membangun interface menggunakan tkinter python
35
4.2 Implementasi Data
Data yang digunakan ialah real data yang didapatkan dengan mengambil langsung gambar ulos dengan menggunakan kamera smartphone, yang kemudian dinilai secara manual oleh Bapak Manjunjung Hutabarat yang merupakan seorang penenun dan pemilik galery ulos Batak Toba. Data yang diambil dikelompokkan dalam lima jenis, yaitu Bintang Maratur, Mangiring, Ragi Hotang, Ragi Hidup, dan Sibolang.
Rangkuman data-data yang digunakan pada penelitian ini dapat dilihat pada gambar 4.1, 4.2, 4.3, 4.4 dan 4.5.
Gambar 4.1 Data citra ulos Bintang Maratur
Gambar 4.2 Data citra ulos Mangiring
36
Gambar 4.3 Data citra ulos Ragi Hidup
Gambar 4.4 Data citra ulos Ragi Hotang
Gambar 4.5 Data citra ulos Sibolang
37
4.3 Prosedur Oprasional
Tampilan sistem pada penelitian ini terdiri dari halaman halaman awal, Latih data, dan Prediksi.
Halaman Awal
Halaman awal berisikan navigasi untuk menuju halaman-halaman selanjutnya, yaitu ada 3 button yang fungsinya berbeda-beda. Halaman awal dapat dilihat pada gambar 4.6.
Gambar 4.6 Tampilan Halaman Awal
Jika kita memilih button Tambah Latih Data, maka kita akan masuk ke halaman pelatihan data.
Halaman Latih Data
Halaman latih data berfungsi untuk melakukan pelatihan data. Ada button “Browse”
yang berfungsi untuk mangambil data ulos yang akan dilatih. Data ulos tersebut berupa folder yang berisi file-file ulos yang akan dilatih.
38
Gambar 4.7 Halaman Latih Data
Selanjutnya Button “Latih Data” pada gambar 4.7 akan menjalankan perintah untuk melakukan ektraksi fitur pada seluruh gambar yang ada pada folder tersebut.Gambar 4.8 adalah tampilan untuk melakukan ekstrak pada data.
Gambar 4.8 Tampilan Memilih button Ekstrak
Setelah Sistem melaksanakan pelatihan data, pada yang secara otomatis melakukan pengujian terhadap dirinya sendiri, pengujian dilakukan menggunakan 20% data yang diambil dari total keseluruhan data pada folder gambar untuk pelatihan tersebut.
Sehingga setelah melakukan pelatihan data sistem langsung menguji dirinya sendiri dan menghasil penilaian dengan confusion matrix sehingga user mengetahui apakah
39
pengaturan parameter yang diisi sudah memberikan hasil pelatihan dengan akurasi yang baik, seperti pada gambar 4.9.
Gambar 4.9 Tampilan Confusion Matrix hasil dari Pelatihan Data
Halaman Prediksi Ulos
Halaman ketiga yaitu Prediksi Gambar Ulos yang berfungsi sebagai halaman untuk melakukan pengujian data. Gambar 4.10 merupakan halaman prediksi ulos.
Gambar 4.10 Halaman Prediksi Gambar Ulos
“Masukkan Gambar” merupakan menu yang berisikan path dimana file gambar yang akan kita uji. Pilih Button Browse untuk memilih file gambar yang akan di uji. Gambar 4.11 menunjukkan isi data uji.
40
Gambar 4.11 Tampilan Data yang akan diuji
Setelah memilih file gambar yang akan di uji, secara otomatis akan muncul tampilan gambar tersebut pada bagian sebelah kanan berupa gambar asli, gambar hasil CLAHE, hasil grayscaling dan hasil thresholding. Setelah selesai memasukkan seluruh file model, pilih button “Lakukan Prediksi”, maka sistem akan melaksanakan prediksi ulos kepada citra yang sudah dimasukkan. Gambar 4.12 menampilkan hasil prediksi ulos berupa nama dan kegunaan.
Gambar 4.12 Tampilan Hasil Prediksi 4.4 Pelatihan Sistem
Pada penelitian ini, pelatihan sistem menggunakan metode Probabilistic Neural Network dengan data training 153 citra ulos Bintang Maratur, 91 citra ulos Mangiring, 89 citra Ragi Hidup, 73 citra ulos Ragi Hotang dan 94 citra ulos Sibolang. Tabel 4.1
41
Tabel 4.1 Nilai parameter pelatihan Sistem Parameter Nilai
Standar Deviasi 1 Jumlah Batch 128
Batch size adalah ukuran banyak batch berupa citra yang akan dilatih pada satu satuan waktu (satu kali pelatihan). Nilai 128 dipilih berdasarkan nilai default pada library yang digunakan dan merupakan nilai yang memberikan performa yang optimal selama proses pelatihan. Standard deviation menjadi nilai smoothing atau parameter penghalus Gaussian. Nilai 1 dipilih berdasarkan nilai yang paling akurat berdasarkan hasil pelatihan. Tabel 4.2 akan menunjukkan hasil pelatihan model pada sistem.
Tabel 4.2 Tabel Hasil pelatihan model Bintang
Maratur Mangiring Ragi Hidup Ragi
Hotang Sibolang Bintang
Maratur 123 22 8
Mangiring 14 72 5
Ragi Hidup 12 7 70
Ragi Hotang 5 8 60
Sibolang 2 92
Dari tabel 4.2, dapat diperoleh nilai True Positive (TP), False Positive (FP) dan False Negative (FN). Nilai TP, FP, dan FN dapat dilihat pada table 4.3.
42
Tabel 4.3 Nilai TP, FP, dan FN dari jenis ulos yang dikenali
TP FP FN
Bintang Maratur 123 26 30
Mangiring 72 12 19
Ragi Hidup 70 35 19
Ragi Hotang 60 2 13
Sibolang 92 8 2
Bintang Maratur Recall = TP
TP+FN x 100 %
= 123
(123 + 30) x 100% = 123
153 x 100%
= 80 % Precision = TP
(TP+FP) x 100%
= 123
(123+26) x 100% = 123
149 x 100%
= 82,5 %
Mangiring
Recall = TP
TP+FN x 100%
= 72
(72+19) x 100% = 72
91 x 100%
= 79,1%
Precision = TP
(TP+FP) x 100%
= 72
(72+12) x 100% = 72
84 x 100%
43
Ragi Hidup
Recall = TP
TP+FN x 100%
= 70
(70+19) x 100% = 70
89 x 100%
= 78,7%
Precision = TP
(TP+FP) x 100%
= 70
(70+35) x 100% = 70
105 x 100%
= 67 %
Ragi Hotang
Recall = TP
(TP+FN) x 100%
= 60
(60+13) x 100% = 60
73 x 100%
= 82 % Precision = TP
TP+FP x 100%
= 60
(60+2) x 100 % = 60
62 x 100%
= 96,7 %
Sibolang
Recall = TP
(TP+FN) x 100%
= 92
(92+2) x 100% = 92
94 x 100%
= 97 % Precision = TP
TP+FP x 100%
44
= 92
(92+8) x 100% = 92
100 x 100%
= 92 %
45
4.5 Pengujian Sistem
Pada penelitian ini, pengujian sistem dilakukan dengan menggunakan model telah dilatih sebelumnya. Pengujian dilakukan dengan menggunakan 100 citra acak dengan format citra, ukuran, dan mode yang berbeda – beda. Hasil pengujian yang telah dilakukan dapat dilihat pada tabel 4.4.
Tabel 4.4 Daftar Citra Uji
No. Citra Asli Hasil Tresholding Nama File Prediksi Hasil
1. Rho2.jpg Ragi Hotang Benar
2. S4.jpg Bintang maratur Benar
3. Bm11.png Sibolang Salah
4. Ma2.jpg Mangiring Benar
46
Tabel 4.5 Daftar Citra Uji (Lanjutan)
5. Rh8.jpg Ragi Hidup Benar
6. Bm83.jpg Bintang Maratur Benar
8. Ma3.jpg Mangiring Benar
9. RH1.jpg Bintang Maratur Salah
10. Rho10.jpg Ragi Hotang Benar
47
Tabel 4.6 Daftar Citra Uji (Lanjutan)
11. Ma4.jpg Mangiring Benar
12. RH25.jpg Ragi Hidup Benar
13. Rho1.jpg Ragi Hotang Benar
14. Bm73.jpg Bintang Maratur Benar
15. Ma23.jpg Mangiring Benar
