Pengenalan motif batik Yogyakarta dengan metode Linear Discriminant Analysis (LDA) : studi kasus di Museum Batik Yogyakarta) - USD Repository

(1)

i

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika

Oleh:

Agatha Widyastuti

NIM: 065314010

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERISTAS SANATA DHARMA YOGYAKARTA

(2)

ii

A Thesis

Presented as Partial Fullfillment of the Requirements To Obtain the Sarjana Teknik Degree

In Department of Informatics Engineering

By:

Agatha Widyastuti

Student ID: 065314010

INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

(3)

(4)

(5)

v

“APA PUN JUGA YANG KAMU PERBUAT, PERBUATLAH DENGAN SEGENAP HATIMU

SEPERTI UNTUK TUHAN DAN BUKAN UNTUK MANUSIA”

(KOLOSE 3: 23)

“Apabila Ia membuka, tidak ada yang dapat menutup, apabila Ia menutup, tidak ada yang dapat membuka.

Aku tahu segala pekerjaanmu: lihatlah, Aku telah membuka pintu bagimu, yang tidak dapat ditutup oleh seorang pun.”

(Wahyu 3 : 7-8)

TIADA YANG MUSTAHIL DALAM NAMA-NYA,

DIA SELALU PUNYA CARA UNTUK MENOLONG…

Skripsi ini saya persembahkan untuk:

 Yesus Kristus Penolongku Sahabatku,

 Kedua orang tuaku tercinta,

 Sahabat-sahabatku,

 Kekasihku tercinta…

Terima kasih untuk karunia, kesempatan,

(6)

(7)

(8)

viii

Dalam tugas akhir ini, penulis akan membahas dan mengatasi masalah tersebut dengan menggunakan metode Linear Discriminant Analysis karena memiliki daya pembeda yang lebih besar.

Linear Discriminant Analysis merupakan teknik statistik multivariate yang terkait dengan pemisahan atau klasifikasi sekelompok obyek ke dalam kelompok yang telah terlebih dahulu didefinisikan. Dalam tujuan pengenalan obyek, metode ini mencoba menemukan suatu fungsi diskriminan yang nilainya mampu memisahkan obyek yang karakteristiknya telah diketahui.

Terdapat 20 jenis motif batik Yogyakarta yang ingin dikenali dan masing-masing motif ada 25 sampel motif batik. Keseluruhan motif batik Yogyakarta yang dipakai sebagai data uji diambil menggunakan camera digital pocket Fujifilm tipe FinePixJ20 10MP dengan ukuran data motif batik hasil crop 200x200 piksel.

Pengenalan motif batik Yogyakarta menggunakan fase pelatihan dan fase pengujian. Proses pelatihan dilakukan untuk membuat satu model dari setiap motif dari 25 sampel motif batik dengan membentuk fungsi diskriminan. Fungsi diskriminan diperoleh dengan menghitung mean dari setiap kelompok dan mean dari keseluruhan kelompok, menghitung matriks covariance, membentuk pooled within group covariance matrix,dan menghitung probabilitas vektor.

Proses pengujian dilakukan dengan menguji fungsi diskriminan yang terbentuk dengan 100 data motif batik untuk mendapatkan angka kemiripan terbesar. Kemudian, data hasil pengujian dievaluasi menggunakan metode 5-fold cross validation untuk mendapatkan nilai prosentase akurasi dari 500 data motif.

(9)

ix

resolve the issue using Linear Discriminant Analysis because of its distinguishing features is greater.

Linear Discriminant Analysis is a multivariate statistical technique associated with the separation or classification of a group of objects into groups that previously defined. The purpose of object recognition, this method tries to find a discriminant function capable of separating an object whose value is already known characteristics.

There are 20 types of Batik Yogyakarta motifs that wants to be recognized and each motif there are 25 samples of batik motifs. Entire Yogyakarta batik used as test data was taken using a digital camera Fujifilm type FinePixJ20 10MP pockets with batik data size 200x200 pixel crop results.

Introduction of Batik Yogyakarta motifs using the training phase and testing phase. Training process is used to make one model of each motif from the 25 samples of batik motifs by forming the discriminant function. Discriminant function is obtained by calculating the mean of each group and the mean of the whole group, calculate the covariance matrix, forming the pooled within group covariance matrix, and calculate the probability vector.

Testing process is conducted by examining the discriminant function is formed by 100 data batik to get the largest number of similarities. Then, data test results are evaluated using five-fold cross validation to obtain the value of the percentage of occurrence of 500 data patterns.

(10)

x

memberikan karunia dan kesempatan, sehingga penulis dapat menyelesaikan skripsi

dengan judul “Pengenalan Motif Batik Yogyakarta dengan Metode Linear

Discriminant Analysis(Studi Kasus di Museum Batik Yogyakarta)”.

Terima kasih yang sebesar-besarnya kepada semua pihak yang turut member

dukungan, semangat dan bantuan hingga selesainya skripsi ini:

1. Bapak Yosef Agung Cahyanta, S.T., M.T., selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma.

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

bimbingan, waktu dan saran yang diberikan.

3. Bapak Dr. Ir. Linggo Sumarno, M.T. dan Bapak Ir. Ig. Aris Dwiatmoko,

M.Sc. sebagai dosen penguji atas saran dan kritikan yang diberikan.

4. Romo Drs. C. Kuntoro Adi SJ, M.A, M.S., Ph.D yang telah menjadi

pembimbing dan teman diskusi yang sangat inspiratif.

5. Laboran Komputer dan Staff Sekretariat Fakultas Sains dan Teknologi atas

bantuan kepada penulis ketika melaksanakan ujian akhir.

6. Kedua orang tuaku yang tercinta, bapak Richardus Taryono dan ibu

Bernadetta Retno Palupi untuk doa, dukungan, perhatian, dan pengertian yang

(11)

xi

semangat, saran dan kritik, perhatian, dan pengertian yang diberikan.

9. Galang Anugerah, S.T yang telah membimbing dan membantu tentang

pemahaman metode Linear Discriminant Analysis.

10. Aprina Sulistia Melantika, Paulina Indah Tiarani, Agnes Retnaningsih, Bagas

Pradipta, A. Cahyo Ridho, Andreas Hermawan, selaku teman yang berjuang

bersama dalam skripsi.

11. Seluruh civitas akademika Teknik Informatika angakatan 2006 dan

pihak-pihak lain yang telah berjuang bersama dari awal masa perkuliahan, proses

belajar, masa penulisan tugas akhir hingga saat wisuda tiba. Terima kasih atas

sejuta inspirasi berharga.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada

penulisan tugas akhir ini. Saran dan kritik saya harapkan untuk perbaikan pada masa

yang akan datang. Semoga bermanfaat.

Yogyakarta, 20 September 2010

(12)

xii

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

BAB 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 ... 3

1.6. Sistematika Penulisan ... 4

BAB II LANDASAN TEORI ... 5

2.1. Pengertian Batik ... 5

2.2. Pengenalan Pola... 7

2.2.1. Deteksi Tepi Canny ... 9

2.2.2. Ekstraksi Feature ... 12

2.2.3. Proses Training ... 13

(13)

xiii

2.4. Matlab ... 27

BAB III ALGORITMA DAN PERANCANGAN SISTEM ... 28

3.1. Pengambilan Data Batik Yogyakarta ... 28

3.2. Perancangan Sistem Secara Umum ... 29

3.3. Algoritma yang Digunakan ... 33

3.3.1. Algoritma Penyimpanan Informasi Rata-Rata Edge ... 33

3.3.2. Algoritma Perhitungan Metode Linear Discriminant Analysis ... 39

3.3.3. Algoritma Metode Evaluasi 5-Fold Cross Validation ... 40

3.3.4. Algoritma Proses Training ... 41

3.3.5. Algoritma Proses Testing ... 41

3.3.6. Algoritma Fase Pengenalan Motif Batik ... 42

3.3.7. Algoritma Fase Pengujian Akurasi ... 42

3.4. Perancangan Fase Training ... 42

3.4.2. Pengolahan Feature ... 47

3.4.3. Training ... 47

3.5. Perancangan Fase Pengenalan (Testing) ... 48

3.5.2. Pengolahan Feature ... 48

3.5.3. Pencocokan Kemiripan ... 48

3.6. Perancangan Proses Evaluasi ... 49

3.7 Perancangan Antar Muka ... 52

3.7.1. Halaman Home ... 52

(14)

xiv

BAB IV IMPLEMENTASI DAN ANALISA SISTEM ... 57

4.1. Implementasi Antar Muka yang Digunakan pada Sistem ... 57

4.1.1. Halaman Utama ... 57

4.1.2. Halaman Pengenalan Motif Batik Yogyakarta ... 60

4.1.3. Halaman Pengujian Linear Discriminant Analysis ... 62

4.1.4. Halaman Konsep Metode ... 63

4.1.5. Halaman About ... 66

4.1.6. Halaman Bantuan (Help) ... 66

4.2. Hasil Penelitian ... 67

BAB V KESIMPULAN DAN SARAN ... 76

5.1. Kesimpulan ... 76

5.2. Saran ... 78

DAFTAR PUSTAKA ... 80

LAMPIRAN 1 CODING PROGRAM ... 82

LAMPIRAN 2 DATA PENELITIAN ... 123

(15)

xv

Gambar2.3. Motif batik dikenakan deteksi tepi Canny ... 11

Gambar2.4. Hasil perhitungan fungsi diskriminan ... 22

Gambar2.5. Gambaran metode evaluasi 5-Fold Cross Validation ... 26

Gambar2.6. Matriks data multivariat ... 27

Gambar3.1. Alur fase pengenalan motif batik Yogyakarta Secara Umum ... 30

Gambar3.2. Blok diagram sistem ... 30

Gambar3.3. Rata-rata keseluruhan edge ... 45

Gambar3.4. Matriks persegi 8x8 ... 46

Gambar3.5. Contoh pengelompokanmotif batik untuk proses evaluasi ... 49

Gambar3.6. Rancangan halaman Home ... 52

Gambar3.7. Rancangan halaman pengenalan motif batik Yogyakarta ... 53

Gambar3.8. Rancangan halaman pengujian LDA ... 54

Gambar3.9. Rancangan halaman konsep LDA ... 54

Gambar3.10. Rancangan halaman identitas program (about)... 55

Gambar3.11. Rancangan halaman bantuan (help) ... 55

Gambar4.1. Halaman utama sistem pengenalan motif batik Yogyakarta ... 59

Gambar4.2. Halaman fase pengenalan motif batik Yogyakarta ... 60

Gambar4.3. Kotak fileselector untuk mengambil gambar ... 60

Gambar4.4. Peringatan tidak ada file yang dipilih... 61

Gambar4.5. Halaman fase pegujian Linear Discriminant Analysis ... 62

Gambar4.6. Halaman penjelasan konsep metode LDA ... 64

Gambar4.7. Halaman penjelasan konsep metode 5-Fold Cross Validation ... 65

Gambar4.8. Bagan metode 5-Fold Cross Validation ... 65

(16)

(17)

xvii

(18)

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Indonesia terkenal dengan keanekaragaman budaya mulai dari suku, tari

daerah, pakaian adat, lagu daerah, dan adat istiadat. Salah satu budaya yang dimiliki

oleh negara kita adalah batik. Batik merupakan warisan budaya Indonesia yang

memiliki keanekaragaman motif.

Dahulu batik hanya dikenakan oleh kalangan raja, kerabat dan pekerjanya,

selain itu digunakan juga pada acara ritual budaya Jawa. Seiring dengan

perkembangan zaman batik telah menjadi kebutuhan sekunder. Banyak masyarakat

yang menggunakan batik dalam kesehariannya. Perancang desain busana pun

menjadikan batik sebagai sumber inspirasi untuk membuat model busana modern.

Sebagian besar masyarakat bangga menggunakan batik, tetapi sedikit yang

mengenal motif-motif batik. Untuk mengatasi permasalahan tersebut sebenarnya

terdapat banyak metode, salah satunya adalah metode Linear Discrimant Analysis.

Metode ini akan menjadi alat bantu untuk pengenalan motif batik. Penulis

menggunakan metode ini karena memiliki daya pembeda yang akurat dan lebih besar

(19)

1.2. Rumusan Masalah

Rumusan masalah tugas akhir ini berdasarkan latar belakang di atas adalah

“Bagaimana secara otomatis mengenal motif batik Yogyakarta dengan

mempergunakan metode Linear Discriminant Analysis(LDA)?”

1.3. Tujuan

Tujuan dari tugas akhir ini adalah untuk mengenali motif batik Yogyakarta dan

menganalisa serta mengetahui kelebihan dan kekurangan metode Linear Discriminant

Analysis dalam menangani data citra motif batik Yogyakarta.

1.4. Batasan Masalah

Adapun batasan masalah dalam tugas akhir ini, yaitu:

1. Penelitian hanya pada batik Yogyakarta. Penulis hanya menggunakan 20

motif batik Yogyakarta, yaitu Ceplok Kece, Kawung Galar, Nitik

Cengkeh, Parang Barong, Parang Pancing, Parisewuli Seling Pamor,

Truntum, Tambal, Parang Tuding, Parang Keris, Parang Kusumo Ukel,

Parang Curigo, Parang Klitik, Parang Kembang Sawut Cecek, Ceplok

Dempel, Kawung Kembang Cempoko Hitam, Kawung Picis, Lereng

Kusuma, Parang Kawung Picis, Parang Kunci.

2. Metode yang digunakan untuk pengenalan motif batik Yogyakarta adalah

(20)

3. Pembuatan program hanya sebuah prototipe untuk membantu analisa

algoritma Linear Discriminant Analysis dalam menangani pola batik

Yogyakarta.

4. Pada tugas akhir ini sampel motif batik Yogyakarta yang digunakan

berdasarkan:

a. Ukuran citra motif batik Yogyakarta 200 x 200 piksel dengan format

data .jpg.

b. Data batik diambil menggunakan camera digital pocket Fujifilm tipe

FinePixJ20 dengan 10MP.

c. Jarak pengambilan gambar dengan kain batik sekitar 30 cm.

d. Data batik yang didapat dan akan digunakan dalam tugas akhir ini

terlebih dahulu di-crop untuk menghilangkan sinar blitz serta

mengambil bagian pola (motif) batik yang merupakan ciri dari motif

tersebut. Kemudian ukuran data motif batik hasil crop diubah menjadi

200 x 200 piksel.

5. Proses ekstraksi feature berdasarkan warna dan edgeinformation.

1.5. Metodologi Penelitian

a. Survei dengan langsung mendatangi Museum Batik Yogyakarta untuk

mendapatkan data motif batik.

b. Studi literatur dilakukan dengan mempelajari materi dan artikel tentang

(21)

c. Wawancara dengan pakar budaya Museum Batik Yogyakarta.

d. Tahap implementasi yang meliputi pembuatan alat bantu berupa suatu

perangkat lunak untuk pengenalan motif batik.

e. Tahap analisa dari data hasil percobaan.

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 PERANCANGAN SISTEM

Berisi gambaran umum mengenai perancangan sistem yang akan

dibangun, yaitu sebuah perangkat lunak yang dapat mengenali motif batik

Yogyakarta dan menerjemahkannya ke dalam sebuah informasi.

BAB IV IMPLEMENTASI DAN ANALISA ALGORITMA

Berisi implementasi sistem dan membahas mengenai analisis

algoritma-algoritma dalam metode Linear Discriminant Analysis (LDA).

BAB V KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran yang diperoleh dari keseluruhan

proses pembuatan tugas akhir ini, serta beberapa saran untuk

(22)

28

BAB II

LANDASAN TEORI

2.1. Pengertian Batik

Batik berasal dari Bahasa Jawa ambatik dari kata “ba” dan “tik”,

masing-masing mempunyai padanan kata “bud” dan “am” yang artinya “a-mba-tik” dengan

arti kata membentuk titik (nitik), “tik” berarti kecil. Jadi, batik berarti menulis atau

menggambar atau membuat titik (tulis).

Bunyi am berasal dari kata “ha” pada huruf Jawa merupakan kata imbuhan

pada suatu kata, contoh:

 “ha” + batik  ambatik artinya membuat batik

 “ha” + babar  ambabar artinya membuat babar (membersihkan atau

mencuci)

 “ha” + serat  amserat artinya membuat serat.

Batik merupakan seni karya tulis yang mempunyai arti tersendiri dan mampu

mengungkapkan rasa perasaan indah (setelah melihat atau menangkap) maknanya.

Batik tulis juga mampu mengangkat status sosial seseorang seperti kewibawaan,

kepangkatan, derajat, dan asal usul. Batik juga memiliki nilai ganda yaitu seni, sosial,

dan ekonomi.

Batik merupakan karya seni pada kain dengan perintang warna yang

menggunakan malam (lilin). Batik juga merupakan lukisan atau gambar pada mori

(23)

yang dikerjakan dengan alat canting, dan disebut membatik (Konsensus Nasional,

1996). Beberapa motif batik tulis Yogyakarta sebagai berikut:

Ceplok Kece Kawung Galar Nitik Cengkeh Parang Barong

Parang Pancing Parisewuli Seling Pamor _Truntum _Tambal

Parang Tuding Parang Keris Parang Kusumo Ukel _{Parang Curigo}

(24)

Parang Klitik Parang Kembang Sawut Cecek

Ceplok Dempel Kawung Kembang

Cempoko Hitam

Kawung Picis Lereng Kusuma Parang Kawung

Picis

Parang Kunci

Gambar 2.1. (Lanjutan)

2.2. Pengenalan Pola

Pola merupakan kumpulan akan sesuatu (instances) yang memiliki kemiripan

dan keteraturan, ada perulangan, dapat diobservasi baik secara per bagian ataupun

seluruhnya. Ketika sebuah mesin mengenali pola, maka akan memindai pola tersebut

dengan sensor dengan kehadiran derau (noise) dan distorsi pada citra pola itu.

Pengenalan pola adalah suatu disiplin ilmu yang mempelajari cara-cara

mengklasifikasikan obyek ke beberapa kelas atau kategori dan mengenali

(25)

pasien, mahasiswa, pemohon kredit, citra atau sinyal atau pengukuran lain yang perlu

diklasifikasikan atau dicari fungsi regresinya. Biasanya subyek ini disebut dengan

pengenalan pola atau pattern recognition.

Langkah-langkah pengenalan motif batik secara umum adalah sebagai berikut:

1. Data masukan berupa citra .jpg disiapkan. Citra ini masih berisi kumpulan

piksel yang memiliki data warna RGB (Red – Green – Blue).

2. Ekstraksi feature merupakan langkah pemilihan ciri yang ingin diidentifikasi

dari citra batik yang telah dikenai proses pre-processing.

3. 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.

4. Tahap terakhir yaitu mendapatkan output berupa pengenalan motif batik,

(26)

Gambar 2.2. Blok diagram pengenalan motif batik

2.2.1 Deteksi Tepi dengan Metode Canny

Tepi (edge) merupakan perubahan intensitas derajat keabuan yang

besar dalam jarak yang singkat. Tepi mencirikan batas-batas objek sehingga

berguna untuk proses segementasi dan identifikasi dalam citra. Tujuan

pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu

daerah atau objek di dalam citra.

Metode Canny merupakan salah satu algoritma deteksi tepi. Metode

Canny akan mendeteksi tepi dengan mencari nilai gradien maksimal lokal dari

sebuah citra. Gradien tersebut dihitung menggunakan turunan dari Gaussian

filter. Metode Canny menggunakan dua thresholds yang berguna untuk

mendeteksi tepian yang terlihat jelas dan tepian yang kurang jelas atau lemah,

termasuk juga tepian yang kurang jelas terlihat pada output yang terhubung

dengan tepian yang jelas. Thresholding digunakan untuk mengatur jumlah

pengenalan/klasifikasi output

mode

ekstraksi feature

(27)

derajat keabuan yang ada pada citra. Metode Canny lebih utama akan

mendeteksi tepian yang kurang jelas, yang tidak dapat diperoleh dengan

menggunakan metode lain. Ada beberapa kriteria penteksian tepian paling

optimum yang dapat dipenuhi oleh algoritma Canny:

a. Mendeteksi dengan baik (kriteria deteksi)

Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai

dengan pemilihan parameter-parameter konvolusi yang dilakukan.

Sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam hal

menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan.

b. Melokalisasi dengan baik (kriteria lokalisasi)

Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi

yang dideteksi dengan tepi yang asli.

c. Respon yang jelas (kriteria respon)

Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan

tidak menimbulkan kerancuan pada pengolahan citra selanjutnya.

Penulis menerapkan metode Canny untuk citra motif batik yaitu dengan

menggunakan fungsi yang disediakan dalam Matlab. Sebagai contoh,

motif batik Truntum dikenakan metode Canny menggunakan fungsi

Matlab, yaitu:

batik = imread ('truntum_21.jpg'); % mengambil/membaca motif

gray=rgb2gray(batik); % mengubah RGB menjadi gray

motif=edge(gray,'canny'); % dikenakan fungsi metode Canny

(28)

Hasil citra motif batik Yogyakarta yang dikenakan metode Canny sebagai

berikut:

Ceplok Kece _{Kawung Galar} _{Nitik Cengkeh} _{Parang Barong}

Parang Pancing _{Parisewuli Seling Pamor}

Truntum Tambal

Parang Tuding

Parang Keris Parang Kusumo Ukel Parang Curigo

(29)

Parang Klitik

Parang Kembang Sawut

Cecek

Ceplok Dempel Kawung Kembang

Cempoko Hitam

Kawung Picis _{Lereng Kusuma} Parang Kawung Picis _{Parang Kunci}

Gambar2.3. (Lanjutan) 2.2.2. Ekstraksi Feature

Feature merupakan suatu hal yang digunakan untuk menjadi model

dalam Linear Discriminant Analysis yang kemudian diekstrak cirinya untuk

diolah dalam perhitungan training maupun testing.

Ekstraksi ciri berfungsi untuk menajamkan perbedaan-perbedaan pola

(motif) sehingga akan sangat memudahkan dalam pemisahan antar kelas pada

proses klasifikasi. Ekstraksi ciri merupakan tahap yang sangat penting dan

sulit dalam teknik klasifikasi pola, bahkan seringkali tingkat keberhasilan dari

sistem pengenalan pola selalu dikaitkan dengan metode ekstraksi ciri yang

(30)

Ekstraksi yang dapat dilakukan ialah dengan mengolah informasi

piksel secara diskret. Pengolahan diskret dapat dilakukan dengan membagi

suatu motif batik ke dalam zona yang memiliki ukuran yang sama

(Theeramunkong, Wongtapan, Sinthupinyo, 2004). Kemudian, informasi

piksel dari tiap zona digunakan untuk data input dalam membentuk model.

Tidak ada ukuran yang menentukan untuk perhitungan feature, oleh

karena itu penulis mencoba menggunakan feature warna yang terdiri dari

RGB (Red-Green-Blue), dan edge information dengan ukuran 200x200 piksel.

Warna dijadikan feature dalam pengenalan motif batik karena motif

batik Yogyakarta dapat dibedakan dalam warnanya, warna yang berbeda

dengan bentuk motif yang sama maka nama motif batik pun berbeda.

Feature edge information (deteksi tepi) juga merupakan unsur penting

dalam pengenalan motif batik Yogyakarta ini. Edge information berguna

untuk mendeteksi bagian tepi dari motif batik Yogyakarta. Dengan adanya

bagian tepi motif batik maka motif batik pun dapat diketahui. Dalam hal ini

sebelum dikenakan proses edge information, citra dikenakan proses deteksi

tepi dengan menggunakan metode canny, karena pembentukan deteksi tepi

lebih terlihat jelas.

2.2.3. Proses Training

Proses training merupakan proses klasifikasi atau pembentukan model

motif batik. Pada proses ini dari 500 data motif batik yang digunakan,

(31)

metode Linear Discriminant Analysis, yaitu membentuk dengan membentuk

fungsi diskriminan.

2.2.4. Proses Testing

Proses testing merupakan proses pencocokan kemiripan dan

pengenalan motif batik Yogyakarta. Data test akan dimasukkan pada fungsi

diskriminan yang terbentuk pada proses training. Pada proses ini data citra

motif batik yang digunakan sebanyak 100 dari 500 data citra motif batik.

2.2.5. Metode Linear Discriminant Analysis (LDA)

Banyak metode yang dapat digunakan untuk klasifikasi pengenalan

pola. Salah satu teknik yang sangat populer dan cukup sederhana untuk

menyelesaikan masalah klasifikasi adalah analisis diskriminan linear (Linear

Discriminant Analysis), selanjutnya disebut dengan LDA. LDA termasuk

dalam kategori supervised learning, karena dalam pemakaian LDA ada

tahapan training untuk menemukan parameter model yang diperlukan.

Selanjutnya model yang diperoleh digunakan untuk melakukan prediksi bila

ada data baru dan harus dilakukan pengelompokan.

Metode LDA memaksimalkan diskriminasi antar kelas dan

meminimalkan persebaran dalam kelas. Metode ini memiliki kegunaan untuk

mengklasifikasikan obyek ke dalam dua grup atau lebih.

Analisis diskriminan berguna ketika ingin membentuk sebuah model

prediktif dari beberapa kelompok (group) berdasarkan pada karakteristik

(32)

dari dua kelompok, serangkaian set dari fungsi diskriminan) berdasarkan pada

kombinasi linear dari variabel-variabel prediktor yang memberikan pembeda

terbaik dari kelompok-kelompok tersebut. Fungsi dibentuk dari sebuah

sampel pada sebuah kasus di dalam sebuah group yang telah diketahui; fungsi

lalu dapat diaplikasikan pada kasus baru dengan pengukuran pada

variabel-variabel prediktor yang tidak diketahui masuk pada kelompok mana.

2.2.5.1. Algoritma Pemodelan Linear Discriminant Analysis

Analisis diskriminan adalah teknik statistik multivariate yang

terkait dengan pemisahan (separating) atau alokasi/klasifikasi

(classification) sekelompok obyek atau observasi ke dalam kelompok

(group) yang telah terlebih dahulu didefinisikan. Dalam tujuan

pengenalan obyek (observasi), metode ini mencoba menemukan suatu

discriminant yang nilainya mampu memisahkan obyek yang

karakteristiknya telah diketahui. Sedangkan dalam tujuan klasifikasi

obyek, metode ini akan mensortir obyek (observasi) ke dalam dua atau

lebih kelas.

Cara kerja Linear Discriminant Analysis yaitu dengan mencari

bobot untuk setiap kelompok. Metode ini memaksimalkan jarak antar

kelas dan meminimalkan jarak dalam kelas. Fungsi diskriminan yang

terbentuk berfungsi untuk memisahkan kelompok.

Setelah feature didapat, maka pemodelan Linear Discrminant

(33)

mengasumsikan matriks-matriks kovarians kelas yang sama. Output

dari analisis diskriminan ini yaitu mendapatkan fungsi yang digunakan

untuk mengelompokkan observasi-observasi ke dalam salah satu kelas,

yang kemudian disebut fungsi diskriminan. Model persamaan

diskriminan, yaitu:

𝒇𝒊 =𝝁𝒊𝑪−𝟏𝒙𝒌𝑻−𝟏_𝟐𝝁𝒊𝑪−𝟏𝝁𝒊𝑻+𝐥𝐨𝐠(𝑷𝒊)

Dimana: 𝜇_𝑖 = rata-rata kelas ke-i,

𝑥_𝑘𝑇 = data yang ditranspose,

𝐶−1 = matriks covariance yang diinverskan,

𝑃_𝑖 = probabilitas data dalam kelas i terhadap seluruh data.

Untuk mendapatkan fungsi diskriminan tersebut, terdapat beberapa

langkah yang harus dilakukan, yaitu:

1. Dengan menghitung mean dari setiap kelompok atau kelas dan

mean dari keseluruhan kelompok atau kelas. Perhitungan ini

untuk menghitung bobot setiap kelompok sehingga dapat

meminimalkan jarak dalam kelompok atau kelas.

2. Menghitung matriks covariance kelompok i yang didapati dari:

𝐶

𝑖

=

(𝑥𝑖

0

)𝑇𝑥_𝑖0

𝑛_𝑖

(2.1)

(34)

Dimana:

𝑥_𝑖0₌_{mean corrected data}_, _{merupakan hasil dari pengurangan}

data dari kelompok xi dengan rata-rata keseluruhan

kelompok.

𝑛𝑖 = banyaknya kelompok ke-i.

3. Membentuk pooled within group covariance matrix (matriks

covariance dalam kelompok), rumus yang digunakan:

𝐶 𝑟

,

𝑠

=

1

𝑛

𝑖 𝑔

𝑖=1

.

𝐶

𝑖

(

𝑟

,

𝑠

)

Dimana:

𝑛 = total dari banyaknya setiap kelompok ke-i,

𝑔= banyaknya kelompok (kelas),

𝑛𝑖 = banyaknya kelompok ke-i,

𝐶𝑖(𝑟,𝑠) = nilai covariance kelompok ke-i pada baris ke-r dan

baris ke-s.

4. Kemudian hasil dari perhitungan dari langkah ke-3 diinverskan,

maka nilai matriks covariance ini yang akan digunakan dalam

perhitungan fungsi diskriminan.

5. Menghitung Pi yang merupakan probabilitas vektor. Setiap baris

merepresentasikan probabilitas dari kelompok ke-i.

𝑃

𝑖

=

𝑛

_𝑁

𝑖

(2.3)

(35)

Dimana:

𝑛𝑖 = Banyaknya anggota dari kelompok ke-i,

𝑁 = Jumlah anggota dari seluruh kelompok.

Contoh perhitungan menggunakan metode Linear Discriminant Analysis:

 Berikut merupakan data chip rings yang lulus (passed) dan tidak

lulus (not passed) uji kualitas dari suatu perusahaan yang

memproduksi chip ring berkualitas tinggi dengan pertimbangan

curvature dan diameter.

Tabel2.1 Data chip rings

Curvature Diameter Quality Control Result

2.95 6.63 Passed

2.53 7.79 Passed

3.57 5.65 Passed

3.16 5.47 Passed

2.58 4.46 Not Passed

Terdapat data chip ring baru untuk diuji kualitasnya dengan

menggunakan metode LDA, yaitu:

Tabel2.2 Data test chip ring Curvature Diameter Quality Control Result

2.81 5.46 ????

Catatan:

(36)

Penyelesaian:

x = feature seluruh data. Setiap baris merepresentasikan satu kelas;

setiap kolom berdiri untuk satu feature.

y = indeks kelas (passed = 1; not passed = 2).

dan

,

= data feature untuk kelas i. Setiap baris merepresentasikan satu

kelas; setiap kolom berdiri untuk satu feature. Penulis

memisahkan x ke dalam beberapa kelompok berdasarkan indeks

kelas pada y.

Langkah pertama dalam perhitungan LDA yaitu mencari rata-rata

feature dalam setiap kelas dan menghitung rata-rata keseluruhan kelas,

yaitu:

(37)

,

= rata-rata keseluruhan kelas, mean dari seluruh data.

Langkah kedua yaitu mencari matriks covariance kelas i dengan

menggunakan rumus 2.10, yaitu:

= mean corrected data, dari data feature untuk kelas i.

,

Sehingga didapat matriks covariance dari kelas i dengan

,

Langkah ketiga, menghitung pooled within group covariance matrix

(matriks covariance dalam kelompok) dengan menggunakan rumus

2.3, yaitu:

(38)

Maka, pooled covariance matriks yang didapat yaitu:

Langkah keempat, inverse dari pooled covariance matriks, yaitu:

Langkah kelima, menghitung probabilitas kelas ke-i, dengan

Hasil perhitungan dari setiap langkah-langkah tersebut digunakan pada

fungsi diskriminan (rumus 2.1) untuk setiap kelas, pada contoh ini

akan menghasilkan dua fungsi diskriminan, yaitu:

𝒇𝟏=𝝁𝟏𝑪−𝟏𝒙𝒌𝑻−𝟏_𝟐𝝁𝟏𝑪−𝟏𝝁𝟏𝑻+𝐥𝐨𝐠(𝑷𝟏)

𝒇𝟏= 𝟑.𝟎𝟓 𝟔.𝟑𝟖 𝟓_𝟎._.𝟕𝟒𝟓 𝟎_{𝟕𝟗𝟏 𝟎}_..𝟕𝟗𝟏_{𝟕𝟎𝟏 𝒙}𝒌𝑻−𝟏_𝟐 𝟑.𝟎𝟓 𝟔.𝟑𝟖 𝟓_𝟎._.𝟕𝟒𝟓 𝟎_{𝟕𝟗𝟏 𝟎}._.𝟕𝟗𝟏_𝟕𝟎𝟏_𝟔𝟑._.𝟎𝟓_𝟑𝟖+𝐥𝐨𝐠(𝟎.𝟓𝟕𝟏)

𝒇𝟐=𝝁𝟐𝑪−𝟏𝒙𝒌𝑻−_{𝟐 𝝁}𝟏 𝟐𝑪−𝟏𝝁𝟐𝑻+𝐥𝐨𝐠(𝑷𝟐)

𝒇𝟐= 𝟐.𝟔𝟕 𝟒.𝟕𝟑 𝟓.𝟕𝟒𝟓 𝟎.𝟕𝟗𝟏 𝟎.𝟕𝟗𝟏 𝟎.𝟕𝟎𝟏 𝒙𝒌

𝑻₋𝟏

𝟐 𝟐.𝟔𝟕 𝟒.𝟕𝟑 𝟓

.𝟕𝟒𝟓 𝟎.𝟕𝟗𝟏 𝟎.𝟕𝟗𝟏 𝟎.𝟕𝟎𝟏

𝟐.𝟔𝟕

𝟒.𝟕𝟑 +𝐥𝐨𝐠(𝟎.𝟒𝟐𝟗)

Kemudian data-data chip rings setiap baris yang ditranspose

terlebih dahulu (𝑥𝑘𝑇) dimasukkan dalam perhitungan tersebut. Untuk

menentukan hasil quality control lulus uji atau tidak yaitu dengan

melihat hasil dari perhitungan 𝑓1 dan 𝑓2 yang memiliki nilai

(39)

maksimum. Berikut hasil yang diperoleh dari perhitungan fungsi

diskriminan untuk setiap baris data, yaitu:

Gambar2.4. Perhitungan fungsi diskriminan

Dari hasil perhitungan dengan metode LDA di atas, data test

yaitu data baru chip ring yang akan diuji quality control-nya

menghasilkan indeks 2 yaitu termasuk dalam kelas not passed.

2.2.6. Metode Evaluasi 5-Fold Cross Validation

Setelah melakukan proses training dan testing maka metode evaluasi

dengan 5-fold cross validation dapat dilakukan. Metode evaluasi digunakan

untuk mengetahui tingkat akurasi sistem pengenal motif batik. Metode 5-fold

cross validation membagi tiap kelompok motif batik Yogyakarta menjadi

lima kelompok data yang kemudian secara bergantian dijadikan data untuk

training maupun testing dalam lima langkah pengujian yang saling silang.

Dimisalkan terdapat n-buah motif batik untuk satu jenis motif batik

Yogyakarta, sehingga tiap kelompok memiliki n/5 buah anggota. Diberikan

(40)

 Kelompok 1:

 data motif “Ceplok Kece” ke 1 hingga 5,

 data motif “Kawung Galar” ke 1 hingga 5,

 data motif “Nitik Cengkeh” ke 1 hingga 5,

 data motif “Parang Barong” ke 1 hingga 5,

 _{data motif “Parisewuli Seling Pamor” ke 1 hingga 5,}

 data motif “Truntum” ke 1 hingga 5,

 data motif “Tambal” ke 1 hingga 5,

 data motif “Parang Tuding” ke 1 hingga ke 5,

………..

 _{data motif “Parang Kunci” ke 1 hingga 5.}

 Kelompok 2:

 data motif “Parisewuli Seling Pamor” ke 6 hingga 10,

 data motif “Parang Tuding” ke 6 hingga ke 10,

(41)

 data motif “Parang Kunci” ke 6 hingga 10.

 Kelompok 3:

 _{data motif “Parang Barong” ke 11 hingga 15,}

 data motif “Parang Tuding” ke 11 hingga 15,

…………

 Kelompok 4:

(42)

…………

 Kelompok 5:

 _{data motif “Nitik Cengkeh” ke 16 hingga 25,}

 _{data motif “Parang Tuding” ke 16 hingga} 25,

…………

Data masukan dipisah untuk memastikan bahwa evaluasi dilakukan

tanpa memproses data yang sama. Pemrosesan dengan data yang sama dapat

terjadi ketika data masukan berjumlah sangat banyak. Jika data yang sama

diproses dalam training dan testing, maka nilai validasi terhadap evaluasi

(43)

Gambar2.5. Gambaran metode evaluasi 5-Fold Cross Validation

Masing-masing kotak yang terdapat pada gambar merupakan kotak

yang mewakili satu kelompok data. Tiap satu kelompok data bergantian

menjadi data testing pada satu langkah pengujian, sedangkan lainnya menjadi

data training.

2.3. Matriks Data Multivariat

Data multivariate adalah data yang diperoleh dari hasil pengukuran terhadap n

observasi-observasi berdasarkan variabel-variabel random p. Secara umum data

multivariate disajikan dalam bentuk matriks X berukuran p x n sebagai berikut:

(44)

Gambar2.6. Matriks data multivariat

dimana I= 1, 2, ….., p dan j= 1, 2, ….., n.

Data multivariate dinotasikan dengan X = {Xij}, dengan Xij merupakan pengamatan

terhadap variabel random ke-i pada observasi ke-j.

2.4. Matlab

Studi pengenalan karakter ini membutuhkan sebuah alat bantu untuk

menghitung data matematis yang kompleks. Matlab merupakan sebuah alat bantu

yang dapat menangani permasalahan tersebut. Matlab merupakan bahasa

pemograman sekaligus lingkungan penghitung numerik yang dibuat oleh MathWorks

(45)

28

BAB III

ALGORITMA DAN PERANCANGAN SISTEM

Bab Analisa dan Perancangan Sistem merupakan bab berisi penjelasan

mengenai rancangan dan cara kerja sistem pengenal motif batik yang dibangun.

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

metode Linear Discriminant Analysis dalam mengenal motif batik. Analisa

kebutuhan seperti kebutuhan perangkat lunak, perangkat keras, dan perancangan antar

muka juga dijelaskan dalam bab ini.

3.1. Pengambilan Data Batik Yogyakarta

Penulis mendapatkan data batik Yogyakarta yaitu dari Museum Batik

Yogyakarta. Keanekaragaman motif batik Yogyakarta di Museum Batik cukup

banyak, tetapi untuk keperluan tugas akhir ini penulis hanya mengambil 20 motif

batik dengan asumsi 20 motif batik ini sudah mewakili motif batik yang lainnya.

Data batik diambil menggunakan camera digital pocket Fujifilm tipe

FinePixJ20 dengan 10MP. Kemudian hasil pengambilan data-data motif batik

tersebut dimasukkan ke komputer. Ukuran yang didapat dari pengambilan dengan

kamera tersebut yaitu berdimensi 3648 x 2736 piksel. Hasil pengambilan data batik

tersebut tidak sempurna karena terdapat pantulan sinar blitz, ini disebabkan kain batik

(46)

Data batik yang didapat dan akan digunakan dalam tugas akhir ini terlebih dahulu

di-crop untuk menghilangkan sinar blitz serta meng-crop bagian pola (motif) batik yang

merupakan ciri dari motif tersebut, misalnya pada motif Nitik Cengkeh akan di-crop

bagian motif seperti bunga cengkeh, kemudian ukuran data motif batik hasil crop

diubah menjadi 200 x 200 piksel. Penulis memilih ukuran tersebut karena sudah ada

jurnal yang menggunakan ukuran citra 200 x 200 piksel dalam pengenalan pola

(Riyanto Sigit, 2002) dan (Adhi Surahman, 2006).

3.2. Perancangan Sistem Secara Umum

Sistem pengenalan motif batik ini digunakan metode Linear Discriminant

Analysis dalam menangani motif batik. Data citra yang dimasukkan ke dalam sistem

ialah citra dari satu karakter motif batik Yogyakarta. Sistem mengolah citra karakter

motif batik Yogyakarta tersebut sebagai feature yang digunakan pada saat proses

training model maupun proses pengenalan (testing). Setelah melalui proses pengujian

dalam sistem dengan menggunakan metode Linear Discriminant Analysis, pengguna

mendapatkan hasil keluaran berupa nama dari motif batik Yogyakarta berserta angka

(47)

Pengguna

Sistem Pengenal Motif Batik Yogyakarta

citra motif batik .jpg

Ekstraksi feature

Beberapa jenis feature

Evaluasi

Nama motif batik Yogyakarta dikenali

Gambar3.1. Alur fase pengenalan motif batik Yogyakarta secara umum

[...]Ekstraksi feature Pengolahan

feature Training

Ekstraksi feature Pengolahan feature

Pencocokan Kemiripan

Evaluasi

Sistem Pengenal Motif Batik Yogyakarta dengan Metode LDA

Motif batik dikenali M1 M2 M3 M4 …_.. Mn Motif Batik Yogyakarta

(48)

Langkah-langkah perancangan proses pengujian motif batik:

1. Data citra batik berukuran 200x200 piksel dikenakan proses ekstraksi feature.

2. Baca citra motif batik.

3. Ekstraksi feature yaitu memilih feature yang tepat untuk data motif batik

tersebut. Feature yang digunakan yaitu rata-rata keseluruhan edge, rata-rata

edge horizontal, rata-rata edge vertikal, gabungan rata-rata keseluruhan edge

dengan rata-rata edge horizontal dan vertikal, rata-rata edge horizontal dan

vertikal, gabungan warna dengan rata-rata keseluruhan edge, rata-rata edge

vertikal dan horizontal. Misal, data motif batik masukan akan dikenakan

feature rata-rata edge horizontal.

4. Proses pengolahan feature rata-rata edge horizontal yaitu:

a. Citra motif batik akan diubah ke gray.

b. Citra motif batik gray dikenakan deteksi tepi dengan metode canny.

c. Data motif batik berukuran 200x200 piksel dibagi menjadi 8 vektor secara

horizontal dan vertikal, sehingga terdapat 64 unit yang setiap unitnya

berukuran 25x25 piksel.

d. Menjumlahkan object (satu) dalam setiap unit.

e. Jumlah objek (satu) dalam setiap unit dibagi dengan 625 (ukuran 25x25 =

625), sehingga didapat hasil rata-rata dalam satu unit. Hal ini dilakukan

(49)

f. Hasil rata-rata setiap unit dijumlahkan secara vektor vertikal kemudian

dibagi 8 (8 merupakan jumlah unit yang dijumlahkan secara vektor

vertikal). Hal ini dilakukan untuk setiap unit.

g. Sehingga didapat matriks hasil rata-rata edge vektor vertikal berukuran

1x8.

5. Proses training dengan metode LDA menggunakan 400 data motif batik dari

500 data motif batik Yogyakarta. Terdapat 20 jenis motif batik Yogyakarta

yang ingin dikenali, pada proses training akan membuat satu model dari 20

sampel motif batik dengan membentuk fungsi diskriminan yang diperoleh

dengan cara menghitung mean dari setiap kelompok dan mean dari

keseluruhan kelompok, menghitung matriks covariance, membentuk pooled

within group covariance matrix, dan menghitung probabilitas vektor.

6. Pencocokan kemiripan merupakan fase testing, yaitu dengan menguji fungsi

diskriminan yang terbentuk dengan 100 data motif batik untuk mendapatkan

angka kemiripan terbesar.

7. Untuk proses evaluasi menggunakan metode 5-fold cross validation. Data

hasil pengujian dievaluasi menggunakan metode 5-fold cross validation untuk

mendapatkan nilai prosentase akurasi dari 500 data motif.

(50)

3.3. Algoritma yang Digunakan

3.3.1. Algoritma Penyimpanan Informasi Rata-Rata Edge

a. Penyimpanan informasi piksel rata-rata keseluruhan edge.

Input: Citra motif batik berukuran 200 x 200 piksel.

Output: Matriks hasil rata-rata keseluruhan edge berukuran 1x64.

Algoritma:

2. Ubah citra motif batik ke gray 8 bit.

3. Citra motif batik gray dikenakan deteksi tepi menggunakan

Canny.

4. Hitung tinggi dan lebar citra motif batik.

5. Membagi citra motif batik berukuran 200x200 piksel menjadi 8

vektor secara vertikal dan horizontal sehingga mendapatkan 64

unit,setiap unit berukuran 25x25 piksel.

6. Menjumlahkan objek (satu) dalam setiap unit untuk

dijumlahkan.

7. Jumlah objek (satu) keseluruhan dalam setiap unit dibagi

dengan 625 (ukuran 25x25 = 625), sehingga didapat hasil

rata-rata dalam satu unit. Hal ini dilakukan untuk setiap unit.

8. Hasil rata-rata keseluruhan edge disimpan.

9. Sehingga didapat matriks hasil rata-rata edge berukuran 1x64.

b. Penyimpanan informasi piksel vektor horizontal

Output: Matriks hasil rata-rata edge horizontal berukuran 1x8.

Algoritma:

(51)

Canny.

6. Menjumlahkan objek (satu) dalam setiap unit.

7. Jumlah objek (satu) dalam setiap unit dibagi dengan 625

(ukuran 25x25 piksel = 625), sehingga didapat hasil rata-rata

dalam satu unit. Hal ini dilakukan untuk setiap unit.

8. Hasil rata-rata setiap unit dijumlahkan secara vektor

horizontal kemudian dibagi 8 (8 merupakan jumlah unit yang

dijumlahkan secara vektor horizontal). Hal ini dilakukan

untuk setiap unit.

9. Sehingga didapat matriks hasil rata-rata edge vektor

horizontal berukuran 1x8.

c. Penyimpanan informasi piksel vektor vertikal

Input: Citra motif batik berukuran 200 x 200 piksel

Output: Matriks hasil rata-rata edge vertikal berukuran 1x8

Algoritma:

Canny.

(52)

(ukuran 25x25 piksel = 625), sehingga didapat hasil rata-rata

dalam satu unit. Hal ini dilakukan untuk setiap unit.

vertikal kemudian dibagi 8 (8 merupakan jumlah unit yang

dijumlahkan secara vektor vertikal). Hal ini dilakukan untuk

setiap unit.

9. Sehingga didapat matriks hasil rata-rata edge vektor vertikal

berukuran 1x8.

d. Penyimpanan informasi piksel rata-rata keseluruhan edge, vektor

horizontal, dan vertikal.

Output: Matriks rata-rata keseluruhan edge, rata-rata edge

vektor horizontal, dan vektor vertikal berukuran 1x80.

Algoritma:

Canny.

vektor secara vertikal dan horizontal sehingga mendapatkan

(53)

(ukuran 25x25 piksel = 625), sehingga didapat hasil

rata-rata dalam satu unit. Hal ini dilakukan untuk setiap unit.

8. Kemudian hasil rata-rata setiap unit dijumlahkan secara

vektor horizontal kemudian dibagi 8 (8 merupakan jumlah unit

yang dijumlahkan secara vektor horizontal). Hal ini

dilakukan untuk setiap unit.

9. Kemudian hasil rata-rata setiap unit dijumlahkan secara

vektor vertikal kemudian dibagi 8 (8 merupakan jumlah unit

yang dijumlahkan secara vektor vertikal). Hal ini dilakukan

untuk setiap unit.

11. Hasil rata-rata edge vektor horizontal disimpan.

12. Hasil rata-rata edge vektor vertikal disimpan.

13. Sehingga didapat matriks hasil rata-rata keseluruhan edge,

rata-rata edge vektor vertikal, dan vektor horizontal

berukuran 1x80.

e. Penyimpanan informasi piksel rata-rata edge vektor horizontal dan

vektor vertikal.

Output: Matriks rata-rata edge vektor horizontal, dan vektor

vertikal berukuran 1x16.

Algoritma:

(54)

Canny.

64 unit,setiap unit berukuran 25x25 piksel.

7. Jumlah keseluruhan objek (satu) dalam setiap unit dibagi

dengan 625 (ukuran 25x25 piksel = 625), sehingga didapat

hasil rata-rata dalam satu unit. Hal ini dilakukan untuk

setiap unit.

dijumlahkan secara vektor horizontal). Hal ini dilakukan

untuk setiap unit.

dijumlahkan secara vektor vertikal). Hal ini dilakukan untuk

setiap unit.

12. Sehingga didapat matriks hasil rata-rata edge vektor

vertikal dan vektor horizontal berukuran 1x16.

f. Penyimpanan informasi piksel warna RGB, rata-rata keseluruhan edge,

(55)

Output: Matriks warna RGB, rata-rata keseluruhan edge, rata-rata

edge vektor horizontal, dan vektor vertikal berukuran 1x87.

Algoritma:

2. Hitung nilai rata-rata red, rata-rata green, rata-rata blue,

kadar red, kadar green, kadar blue, dan rata-rata hasil

rata-rata red, green, blue.

Canny.

64 unit,setiap unit berukuran 25x25 piksel.

8. Kemudian jumlah objek (satu) dalam setiap unit dibagi dengan

625 (ukuran 25x25 piksel = 625), sehingga didapat hasil

rata-rata dalam satu unit. Ini merupakan rata-rata

keseluruhan edge. Hal ini dilakukan untuk setiap unit.

dijumlahkan secara vektor horizontal). Ini merupakan

rata-rata edge vektor horizontal. Hal ini dilakukan untuk setiap

unit.

dijumlahkan secara vektor vertikal). Ini merupakan rata-rata

(56)

11. Hasil perhitungan warna RGB disimpan.

15. Sehingga didapat matriks hasil perhitungan warna, rata-rata

keseluruhan edge, rata-rata edge vektor vertikal, dan

horizontal berukuran 1x87.

3.3.2. Algoritma Perhitungan Metode Linear Discriminant Analysis

Input: Nilai hasil perhitungan feature.

Output: Fungsi diskriminan.

Algoritma:

1. Mengambil data nilai hasil perhitungan feature.

2. Menghitung mean setiap kelompok dan mean keseluruhan

kelompok (mean total).

3. Menghitung mean corrected data, yaitu pengurangan data nilai

hasil perhitungan feature dengan mean total.

4. Menghitung matriks covariance setiap kelompok.

5. Membentuk pooled within group covariance matrix (matriks

covariance total). Matriks yang terbentuk hanya 1 buah

matriks.

6. Hasil perhitungan dari langkah ke-5 diinverskan, maka nilai

matriks covariance total ini yang akan digunakan dalam

pembentukan dan perhitungan fungsi diskriminan.

7. Menghitung probabilitas vektor.

8. Membentuk fungsi diskriminan.

(57)

3.3.3. Algoritma Metode Evaluasi 5-Fold Cross Validation

Input: Angka pencocokan kemiripan.

Output: Akurasi pencocokan kemiripan.

Algoritma:

1. Membagi data keseluruhan citra motif batik menjadi 5

kelompok. Dengan asumsi: masing-masing kelompok terdiri dari

100 data citra motif batik (terdapat 25 motif batik untuk

satu jenis motif batik, sehingga tiap kelompok memiliki 5

buah anggota untuk satu jenis motif batik).

2. Secara bergantian 5 kelompok dijadikan data untuk proses

training dan testing (kelompok 2-4 untuk proses training,

kelompok 1 untuk proses testing ; kelompok 1, 3-5 untuk

training, kelompok 2 untuk testing, ; dan seterusnya).

3. Menjalankan proses training.

4. Menjalankan proses testing.

5. Membaca jumlah angka pencocokan kemiripan.

6. Membentuk tabel confusion matriks sebanyak 5.

7. Memasukkan angka pencocokan kemiripan untuk setiap motif

batik.

8. Membentuk tabel confusion matriks total.

9. Hitung jumlah data yang digunakan.

10. Hitung jumlah motif yang dikenali.

11. Hitung jumlah motif tak dikenali.

12. Hitung akurasi yaitu dengan secara diagonal nilai angka

kemiripan dijumlahkan kemudian dibagi banyaknya data motif

batik dikali 100%.

(58)

3.3.4. Algoritma Proses Training

Input: Data feature motif batik.

Output: Fungsi diskriminan sebanyak 20.

Algoritma:

1. Membaca data feature motif batik.

2. Perhitungan dengan metode LDA.

3. Dari perhitungan metode LDA maka terbentuk fungsi

diskriminan sebanyak 20 (kelas (jenis motif batik) ada 20).

Fungsi ini digunakan untuk pembentukan model setiap jenis

motif batik.

3.3.5. Algoritma Proses Testing

Input: Data feature motif batik.

Output: Angka pencocokan kemiripan motif batik.

Algoritma:

1. Membaca data feature motif batik.

2. Memasukan angka data feature motif batik pada fungsi

diskriminan yang terbentuk.

3. Hasil dari perhitungan fungsi diskriminan tersebut dipilih

yang nilainya paling maksimal. Nilai maksimal ini yang

menentukan data testing yang dicoba tergolong jenis motif

batik yang mana dalam bentuk indeks.

4. Indeks motif batik dihitung sebagai jumlah data motif batik

yang dikenali.

(59)

3.3.6. Algoritma Fase Pengenalan Motif Batik

Input: Citra motif batik berukuran 200x200 piksel.

Output: Nama motif batik.

Algoritma:

1. Membaca citra motif batik masukan.

2. Menjalankan proses pembentukan feature.

3. Menjalankan proses training.

4. Menjalankan proses testing.

5. Indeks motif batik dicocokkan dengan kamus motif batik.

6. Nama motif batik dikenali.

3.3.7. Algoritma Fase Pengujian Akurasi

Input: Citra motif batik berukuran 200x200 piksel.

Output: Jumlah data, jumlah motif dikenali, jumlah motif tak

dikenali, dan akurasi pencocokan kemiripan.

Algoritma:

1. Menjalankan proses pembentukan feature.

2. Menjalankan proses metode evaluasi 5-fold cross validation.

3. Hasil yang diperoleh yaitu jumlah data, jumlah motif

dikenali, jumlah motif tak dikenali, dan akurasi.

3.4. Perancangan Fase Training

Pada perancangan fase training model motif batik Yogyakarta meliputi

langkah-langkah ekstraksi feature, pengolahan feature dan training. Fase ini

(60)

dijadikan pembanding dengan motif baru yang dimasukkan pada fase pengenalan.

Proses training model dapat dijelaskan sebagai berikut:

3.4.1 Ekstraksi Feature

(61)

b. Feature Edge Information

Pada feature edge information ini citra akan dikenakan proses deteksi

tepi (edge detection) dengan menggunakan metode canny. Penulis

menggunalan metode canny karena hasil deteksi tepi terlihat lebih jelas.

Feature edge information yang akan dicobakan yaitu rata-rata

keseluruhan edge yang akan menghasilkan matriks berukuran 1x64, rata-rata

vektor vertikal yang akan menghasilkan matriks berukuran 1x8, dan rata-rata

vektor horizontal yang akan menghasilkan matriks berukuran 1x8, gabungan

rata-rata edge vektor vertikal dan horizontal, gabungan rata-rata keseluruhan

edge 1x64 dengan rata vektor vertikal dan horizontal, dan gabungan

rata-rata warna dengan rata-rata-rata-rata keseluruhan 1x64 dengan rata-rata-rata-rata vektor

horizontal dan vertikal.

1. Rata-rata keseluruhan yang berukuran 1x64.

Citra motif batik berukuran 200x200 piksel dibagi menjadi 8 vektor secara

horizontal dan vertikal, sehingga terdapat 64 unit. Setiap unit berukuran

25x25 piksel dihitung rata-rata (mean) sehingga akan menghasilkan

matriks persegi berukuran 8x8. Rumus untuk perhitungan rata-rata setiap

unit, yaitu

𝑅𝑡

=

𝑃𝑖𝑗

25 𝑖=1 25 𝑖=1

25×25

Rata-rata setiap unit ini berjumlah 64 yang akan dijadikan data input

dalam membentuk model.

(62)

1---25 26---50 51---75 76---100 --- 176----200

Gambar3.3. Rata-rata keseluruhan edge

Keterangan:

Rt = hasil perhitungan rata-rata jumlah objek satu dibagi ukuran 1 unit berukuran

25x25 piksel.

2. Rata-rata vektor vertikal dan horizontal yang menghasilkan matriks 1x8

Citra berukuran 200x200 piksel dibuat menjadi 8 vektor secara horizontal

dan vertikal, sehingga terdapat 64 unit. Setiap unit berukuran 25x25

piksel. Kemudian setiap unit dihitung rata-rata sehingga akan

mendapatkan matriks persegi berukuran 8x8. Rumus perhitungan rata-rata

untuk setiap unit dapat dilihat pada rumus 2.8.

(63)

E11 E12 E13 E14 E15 E16 E17 E18

E21 …. …. …. …. …. …. E28

E31 …. …. …. …. …. …. E38

E41 …. …. …. …. …. …. E48

E51 …. …. …. …. …. …. E58

E61 …. …. …. …. …. …. E68

E71 …. …. …. …. …. …. E78

E81 E82 E83 E84 E85 E86 E87 E88

Gambar3.4. Matriks persegi 8x8

Keterangan:

E = hasil perhitungan rata-rata jumlah object (satu) dibagi dengan ukuran satu unit (25x25 piksel).

Vektor = penarikan garis.

Unit = 1 kotak hasil pembagian vektor.

Dari matriks persegi 8x8 di atas akan dilakukan penjumlahan dari rata-rata

setiap unit secara vektor vertikal dan vektor horizontal.

 Penjumlahan rata-rata secara vertikal:

Total1 = E11 + E21 + E31 + E41 + E51 + E61 + E71 + E81

Total2 = E12 + E22 + E32 + E42 + E52 + E62 + E72 + E82

.... …. ….

Total8 = E18 + E28 + E38 + E48 + E58 + E68 + E78 + E88

 Penjumlahan rata-rata secara horizontal:

Total1 = E11 + E12 + E13 + E14 + E15 + E16 + E17 + E18 Satu vektor horizontal

Satu vektor vertikal

(64)

Total2 = E21 + E22 + E23 + E24 + E25 + E26 + E27 + E28

… … …

Total8 = E81 + E82 + E82 + E84 + E85 + E86 + E87 + E88

3.4.2. Pengolahan Feature

Pada langkah pengolahan feature ini setiap karakter yang memiliki ciri

(feature) akan diolah dengan menggunakan metode Linear Discriminant

Analysis.

3.4.3. Training

Langkah training merupakan langkah pengolahan motif batik

Yogyakarta menjadi suatu fungsi model yang digunakan untuk mewakili satu

motif batik Yogyakarta. Proses training menggunakan metode Linear

Discriminant Analysis. Hasil dari perhitungan fungsi diskriminan yang

terbentuk akan dipilih yang bernilai maksimum, dalam kasus ini hasil

perhitungan fungsi diskriminan berjumlah 25 untuk setiap kelompok motif

batik (terdapat 20 kelompok), dari 25 hasil perhitungan ini akan dipilih nilai

maksimal untuk mewakili satu kelompok motif batik, sehingga akan diperoleh

20 hasil perhitungan fungsi diskriminan untuk 20 motif batik Yogyakarta.

Nilai maksimum ini yang akan menjadi model untuk setiap kelompok motif

batik. Pengkategorian motif batik pada langkah ini ditentukan oleh langkah

(65)

3.5. Perancangan Fase Pengenalan (Testing)

Perancangan fase pengenalan motif batik Yogyakarta meliputi langkah

ekstraksi feature, pengolahan feature dan pencocokan kemiripan. Pada fase ini motif

batik Yogyakarta akan diuji untuk dikenali polanya oleh sistem. Langkah-langkah

tersebut dapat dijelaskan sebagai berikut:

3.5.1. Ekstraksi Feature

Langkah ekstraksi feature pada proses testing ini hampir sama pada

proses training.

3.5.2. Pengolahan Feature

Pada langkah pengolahan feature ini setiap pola yang memiliki ciri

(feature) akan diolah dengan menggunakan metode Linear Discriminant

Analysis.

3.5.3. Pencocokan Kemiripan

Langkah pencocokan kemiripan ini merupakan langkah pencocokan

model berupa fungsi-fungsi diskriminan yang memodelkan 20 pola motif

batik yang sebelumnyag telah diproses pada fase training dengan

menggunakan metode Linear Discriminant Analysis. Hasil yang didapat dari

pencocokan kemiripan berupa hasil perhitungan fungsi diskriminan model

input dengan model yang ada dalam sistem. Untuk menentukan model yang

diinputkan termasuk dalam kelompok mana yaitu angka hasil perhitungan

(66)

3.6. Perancangan Proses Evaluasi

Langkah evaluasi merupakan langkah pengujian akurasi metode Linear

Discriminant Analysis dalam mengenali motif batik Yogyakarta. Proses evaluasi

menggunakan metode 5-fold cross validation dengan confusion matrix. Proses

evaluasi dilakukan pada setiap motif batik Yogyakarta yang hasil pengenalannya

disimpan dalam sebuah matriks confusion matrix. Pengujian akurasi terhadap

masing-masing motif batik Yogyakarta dapat dijelaskan sebagai berikut:

1. Penentuan lima kelompok matif batik Yogyakarta

Terdapat masing-masing 25 model untuk satu motif batik

Yogyakarta untuk satu pengujian akurasi. 25 model ini dibagi menjadi 5

kelompok data yang diberi label “motifbatik_1” sampai “motifbatik_5”.

Motif Parang Barong 1-5 Parang Barong_1 Motif Parang Barong 6-10 Parang Barong_2 Motif Parang Barong 11-15 Parang Barong_3 Motif Parang Barong 16-20 Parang Barong_4 Motif Parang Barong 21-25 Parang Barong_5