ISBN : 97 8 - 9 79 - 19 888 - 1 - 0
Pro sid ing : SEMINA R NA SIO NA L 2012 ”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2 293
Ekstraksi Ciri Warna dan Tekstur Untuk
Temu Kembali Citra Batik
Ade Winarni1, I. K.G Darma Putra2, Ni Md Ary Esta Dewi Wirastuti,3
1
Program Studi Magister Teknik Elektro Bidang Keahlian Manajemen Informasi dan Komputer, Universitas Udayana
2
Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana 3
Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana
1
d3.w1n4@gmail.com 2
duglaire@yahoo.com 3
arydev_02@yahoo.com
Abstrak
Mengidentifikasi sehelai batik dengan teknik visual membutuhkan skil penglihatan dan kemampuan untuk menentukan sebuah pola batik yang berasal dari mana. Sejauh ini teknik visual hanya dapat dilakukan oleh seorang yang mengerti batik. karena itulah dalam penelitian ini dibuat sistem temu kembali citra batik dengan menggunakan ekstraksi ciri warna dan tekstur untuk mengetahui sebuah citra batik berasal dari mana. Metode yang digunakan adalah color momet untuk ekstraksi ciri warna dan menggunakan metode co-occurrence matrix untuk ekstraksi ciri tekstur sedangkan untukmenentukan kedekatan antara citra uji dengan citra yang berada pada basisdata menggunakan euclidean distance. Tingkat kemiripan yang diperoleh dari penelitian ini yang tertinggi sekitar 80% dengan menggunakan ekstraksi ciri warna dan 72% dengan menggunakan ekstraksi ciri tekstur.
Kata kunci : sistem temu kembali, color momet, co-occurrence matrix.
1. Pendahuluan
Indonesia adalah negara kepulauan terbesar dengan letak geografis antara samudra Hindia dan samudra Pasifik yang terkenal akan seni budaya yang tersebar diseluruh wilayah nusantara. Seni budaya Indonesia berkembang hampir diseluruh daerah dan memiliki kekhasan seni dan budaya tersendiri. Hal ini disebabkan oleh situasi dan kondisi lingkungan yang berbeda serta tradisi dan potensi alamnya.
Batik merupakan warisan asli budaya Indonesia yang tidak hanya indah secara visual, lebih jauh batik memiliki nilai filosofi yang tinggi dan sarat akan makna. Indonesia memiliki beragam jenis motif batik yang mencerminkan asal usul daerah dari kain batik tersebut. Hal ini terlihat pada ragam hias maupun tata warnanya. Ragam hias dan tata warna dari kain batik yang berbeda di Indonesia merupakan salah satu aspek yang menarik untuk diteliti. Sehingga fitur kain batik dipergunakan pada penelitian ini.
Sistem temu kembali citra batik merupakan sistem penemuan kembali informasi yang terkandung di dalam citra seperti warna, bentuk dan tekstur, dengan cara mengukur similarity
(kemiripan) antara citra uji yang dimasukan oleh user dan citra yang tersimpan pada basis data sebagai data latih. Ekstraksi ciri merupakan tahapan yang penting pada pengenalan citra, pada tahapan ini citra batik di proses untuk memperoleh vektor fitur dari setiap citra baik. algoritma Gray Level Co-occurrence matrix untuk ekstraksi ciri tekstur, Color moment untuk ekstraksi ciri warna.
Beberapa penelitian yang menggunakan Co-occurrence matrix dan Color moment pada sistem temukembali citra umumnya digunakan untuk merepresentasikan ciri citra sehingga dapat meningkatkan kinerja sistem temukembali. Penelitian tersebut diantaranya adalah Content-Based Satellite Cloud Image Retrieval (Deepak Upreti, 2011), pada penelitaian nya Deepak
menggunakan Co-occurrence matrix sebagai
Pro sid ing : SEM INA R NA SIO NA L 201 2
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n” ISBN : 97 8- 9 79 - 19 888- 1 - 0
294 Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2
dilakukan oleh Veronica Sri Moertini, 2007. Klasifikasi Motif Batik Menggunakan Metode
Transformasi Paket Wavelet oleh Dhani
Pratikaningtyas.
2. Ekstraksi Ciri
Ekstrasi ciri merupakan proses pengindeksan suatu database citra dengan isinya. Komponen vektor ciri dihitung dengan pemrosesan citra dan teknik analisis serta digunakan untuk membandingkan citra yang satu dengan citra yang lainnya.
2.1 Ekstraksi Ciri Warna
Color moment merupakan metode yang digunakan untuk membedakan citra berdasarkan fitur warnanya. metode ini mengasumsikan bahwa distribusi warna pada sebuah citra dapat dinyatakan sebagai distribusi probabilitas. Gambar 2 adalah flow chart dari proses ekstraksi ciri warna dengan menggunakan algoritma Color moment.
Gambar 2. Diagram alir ekstraksi ciri warna
Keterangan Gambar:
1. Langkah petama citra RGB konversikan
kedalam citra YIQ .
2. Langkah kedua setelah dikompersi kedalam
citra YIQ, hitung nilai Moment-1 Mean dengan menggunakan formula,
Mean 1 ,
3. Hitung Standar deviasi, yaitu akar kuadrat dari varians dari distribusi.
Standar devia 1 ,
4. Moment 3-Skewness, hitung dengan
menggunakan formula,
,
5. Didapatkan feature vektor
2.2 Ekstraksi Ciri Tekstur
GLCM adalah tabulasi dari seberapa sering kombinasi yang berbeda dari nilai-nilai kecerahan piksel (tingkat abu-abu) terjadi dalam sebuah citra (Mryka, 2007). Tahapan pada proses ekstraksi ciri citra dengan menggunakan Algoritma Gray Level Co-Occurrence Matrix (GLCM) dapat dilihat pada Gambar 3.
ISBN : 97 ngan Gambar:
Citra RGB Grayscale. Tentukan c menghitung contrast, da setiap Co-O untuk setiap nilai masing
, dan Didapatkan f
etodelogi Peng
Sistem temu uan informasi y
mengukur ke erasal dari use asis data. Gam sistem temu ke
Gambar 9. G
an yang bera r (citra), sistem pan (similarity
ang terdapat p temu kembali iurutkan berda an dan informa erah mana batik
- 0 ”Te Occurrence m p fitur akan g-masing untu
.
feature vektor.
gembangan
kembali c yang terkandun emiripan antar er dengan citra mbar 9 menun embali citra bat
Gambaran umum
asal dari user m akan menc ) antara citra pada basis dat citra adalah b asarkan kemiri asi berupa nam k tersebut bera
e knik Ele ktro Da
Ma ta ra m , 17 J kedalam ci
matrix, ya at arah ,
setiap citra ak rrence matrix. e empat arah c
py, probabili dihitung unt matrix, sehing diperoleh emp uk arah ,
citra merupak ng di dalam ci ra citra masuk a yang tersimp njukan gambar
tik.
m sistem
r adalah beru ari berdasark masukan deng ta. Keluaran d berupa citra ya pan dengan ci ma motif batik d
asal. na setiap dae jenis batik umlah 125 yan ok, semen, sa ang, megamend
Gambar 10. C
Desain Datab
gsi database p nyimpan data tr
rgunakan
ctorC Text
ctorCM Text
skripsi Text
las Varch
Antar Muka P
armuka penggu gguna denga armuka sistem em di jalanka xing, Searchin gguna dalam si
M INA R NA m b a ng a n Te kno
an
k di Indones rah di Indone yang berbed ng terdiri dari asirangan, bun dung).
Contoh motif B
base
pada penelitia raining Berikut
atabase sistem
Ukuran
una berfungsi an sistem d merupakan tam an, terdapat ti ng dan Exit. Ra istem terlihat p
A SIO NA L 20 o lo g i Be rke la nju
sia sangat ber esia memiliki da. Data pene 9 kelas batik ngo jambi, be
Batik Indonesia
an ini adalah t struktur tabel
Keterangan
Nama batik Direktori penyimpanan Vector fitur u GLCM Vector fitur u Color momen Deskripsi setiap citra ba Nama kelas c
sebagai media dapat berinte mpilan sistem k
iga submenu ancangan antar pada Gambar 1
2 latih dari direk Setiap citra l sehingga akan citra untuk nantinya akan fiture dari ci tampilan untuk
upakan proses ktori penyimpa latih dilakukan n dihasilkan v
setiap metode n menjadi pem
itra uji. Gamb k proses indexi
2. Tampilan fo
dalah perinta ra ke dalam itra uji pada si ksi ciri yang ak
NA SIO NA ka Da la m Pe ng e
ram sistem ope
untuk memasu anan (berekstra
n proses ekst vektor fiture d e ekstraksi c mbanding deng
bar 12. ada ing.
orm proses ind
ah untuk m basisdata, u stem kemudian kan digunakan
L 20 12 e m b a ng a n Te k
Ju erasi
ukan citra aksi *.jpg). traksi ciri dari setiap ciri yang gan vektor
alah form 125 citra ya terdiri dari parang, se Perhitungan precision y yang ditem yang ditemu
njuta n”
Ele ktro UNRA M ar 13. Tampilan
rupakan antarm ali citra batik.
a uji yang men data yang relev
a Gambar 14.
ambar 12. Tam
dan Evaluasi
yang dilakuk ang berasal da nitik, kompen emen, bungo n tingkat n form proses i
muka keluaran Keluaran da njadi masukan van dengan citr
mpilan form Re
kan dengan m ari 9 kelas dat
ni, ceplok, me jambi dan
kemiripan m
ngan jumlah m n terhadap ju
9 79 - 19 888- 1- 0
, 17 Juli 201 2 indexing
n dari sistem ri sistem ini n sistem serta
ra uji. Seperti
ISBN : 97 8 - 9 79 - 19 888 - 1 - 0
Pro sid ing : SEMINA R NA SIO NA L 2012 ”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2 297
Tabel 3. Rata-rata kemunculan dalam (%). Dengan menggunakan ekstraksi ciri warna (metode : Color moment).
Kelas Batik
Perubahan
Rotasi Ukuran Cropping kemirip
an kemiripan kemiripan
Nitik 100 92.6 79.6
Ceplok 75 50 50
Kompeni 75 83.3 79.6
Megamendung 60 59.3 64.8
Parang 83.3 74.1 66.7
Semen 65 60 64
Besurek 60 60 55
sasirangan 70 60 50
bungo jambi 65 61.1 64
Gambar 14. adalah grafik untuk rata-rata tingkat kemiripan dengan menggunakan ekstraksi ciri warna
Gambar 14. Grafik rata-rata tingkat kemiripan dengan Color moment
Tabel 5. Rata-rata kemunculan dalam (%). Dengan menggunakan ekstraksi ciri Texstur (metode : Co-Occurrence Matrix).
Kelas Batik
Perubahan
Rotasi Ukuran Cropping
kemiripan kemiripan kemiripan
Nitik 50 68 60
Ceplok 65 67 50
Kompeni 75 83.3 50
Megamendung 60 67 60
Parang 67 74.1 67
Semen 60 65 70
Besurek 60 70 66
sasirangan 70 59 60
bungo jambi 65 61.1 64
Gambar 15. adalah grafik untuk rata-rata tingkat kemiripan dengan menggunakan ekstraksi ciri tekstur.
Gambar 15. Grafik rata-rata tingkat kemiripan dengan Co-Occurrence Matrix
5. Kesimpulan dan Saran
Kesimpulan
Pro sid ing : SEM INA R NA SIO NA L 201 2
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n” ISBN : 97 8- 9 79 - 19 888- 1 - 0
298 Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2
Saran
Hasil sistem temu kembali citra dengan ekstraksi ciri warna dan tekstur cukup baik, disarankan pada penelitian selanjutnya menggunakan metode untuk klasifikasi citra sehingga dapat meningkatkan nilai kedekatan antara citra query dan citra basisdata.
6. Daftar Pustaka
Baeza-Yates, R. & Ribeiro-Neto, B. 1999, Modern Information Retrieval. Addison- Wesley. ISBN 0-201-39829-X
Doellah, Santosa.2010 “Batik Pengaruh Zaman dan Lingkungan” : Danar hadi
Han J, Kamber M, 2001. Data Mining : Concepts and Techniques, Simon Fraser University, Morgan Kaufmann Publisers. Hua X.S., Zhang H.J. 2008. Media Content Jiawei Han, Micheline Kamber. 2001. Data mining: concepts and techniques. Morgan Kaufmann Publishers.
Laksmita Rahadianti, dkk. Clustering Batik Images based on Log-Gabor and Colour Histogram Features, Universitas Indonesia Moertini, Veronica. 2007. Pengembangan Skalabilitas Algoritma Klasifikasi c4.5 Dengan Pendekatan Konsep Operator Relasi (Studi Kasus: Pra-Pengolahan Dan Klasifikasi Citra Batik). Bandung: Institut Teknologi Bandung.
Mojsilovic A, 2002. Method For Color Mining And Description Of Color Composition In Daubechies I. 1995. Ten Lectures on Wavelets. Capital City Press : Montpelier, Vermount Pratikaningtyas Dhani, Klasifikasi Motif Batik Menggunakan Metode Transformasi Paket Wavelet, Universitas Dipenogoro.
