1.
1. JudulJudul
Sitem Perolehan Citra Berbasis Isi Menggunakan
Sitem Perolehan Citra Berbasis Isi Menggunakan Gray Level Run Leght Gray Level Run Leght Matrix
Matrix BerdasarkaBerdasarkan Ciri n Ciri Tekstur pada Pola Batik Tekstur pada Pola Batik
2.
2. AbstrakAbstrak
Batik adalah kerajinan yang memiliki nilai seni tinggi dan telah menjadi Batik adalah kerajinan yang memiliki nilai seni tinggi dan telah menjadi bagian dari budaya Indonesia (khususnya Jawa) sejak lama. Batik di Indonesia bagian dari budaya Indonesia (khususnya Jawa) sejak lama. Batik di Indonesia mempunyai beragam jenis tekstur batik, warna batik, dan pola batik yang mempunyai beragam jenis tekstur batik, warna batik, dan pola batik yang mencerminkan asal usul daerah dari batik tersebut. Dalam perkembangan zaman mencerminkan asal usul daerah dari batik tersebut. Dalam perkembangan zaman sekarang pola dan tekstur
sekarang pola dan tekstur batik mengalami kemajuan yang pesat sehingga batik mengalami kemajuan yang pesat sehingga munculmuncul beraneka ragam batik yang memiliki tekstur baru ataupun tekstur batik lama di beraneka ragam batik yang memiliki tekstur baru ataupun tekstur batik lama di padu padankan dengan tekstur batik sekarang sehingga mendapat pola tekstur padu padankan dengan tekstur batik sekarang sehingga mendapat pola tekstur batik yang baru. Usulan tugas akhir ini akan membuat suatu Sistem Perolehan batik yang baru. Usulan tugas akhir ini akan membuat suatu Sistem Perolehan Citra Berbasis Isi (SPCI)
Citra Berbasis Isi (SPCI) dengan ciri tekstur. SPCI merupakan metode atau teknik dengan ciri tekstur. SPCI merupakan metode atau teknik pencarian gambar citra yang mirip (
pencarian gambar citra yang mirip (similar similar ) dengan melakukan perbandingan) dengan melakukan perbandingan antara citra
antara citra queryquery dengan citra yang ada dalam basis data. Karakteristik batik yangdengan citra yang ada dalam basis data. Karakteristik batik yang membedakan dari masing- masing daerah dapat dilakukan dengan mengekstraksi membedakan dari masing- masing daerah dapat dilakukan dengan mengekstraksi fitur tekstur batik tersebut. SPCI ini ada dua tahapan, tahap pertama menghitung fitur tekstur batik tersebut. SPCI ini ada dua tahapan, tahap pertama menghitung ekstraksi fitur pada gambar batik menggunakan
ekstraksi fitur pada gambar batik menggunakan Gray Level Run Leght MatrixGray Level Run Leght Matrix untuk menghasilkan pola tekstur batik, tahap kedua menghitung jarak kemiripan untuk menghasilkan pola tekstur batik, tahap kedua menghitung jarak kemiripan menggunakan
menggunakan Euclidean Euclidean distancedistance yaitu semakin rendah nilai jarak suatu citrayaitu semakin rendah nilai jarak suatu citra maka akan semakin tinggi tingkat kemiripannya.Usulan Tugas Akhir ini maka akan semakin tinggi tingkat kemiripannya.Usulan Tugas Akhir ini dilakukan uji coba dari 200 gambar batik dalam basis data yang akan dibagi dilakukan uji coba dari 200 gambar batik dalam basis data yang akan dibagi menjadi 8 kelas yaitu Sumenep, Sampang, Pamekasan, Bangkalan, Jogja, Bali, menjadi 8 kelas yaitu Sumenep, Sampang, Pamekasan, Bangkalan, Jogja, Bali, Solo dan Pekalongan untuk dilakukan ekstraksi fitur menggunakan
Solo dan Pekalongan untuk dilakukan ekstraksi fitur menggunakan Gray LevelGray Level Run
Run leght leght MatrixMatrix dan menghitung kemiripan menggunakandan menghitung kemiripan menggunakan Euclidea Euclidean n distancedistance.. Hasil yang diperoleh diharapkan memiliki kemiripan yang cukup tinggi sesuai Hasil yang diperoleh diharapkan memiliki kemiripan yang cukup tinggi sesuai citra
citra queryquery yang diinginkan.yang diinginkan. Kata kunci :
Kata kunci : Sistem Perolehan Citra Berbasis Isi (SPCI), batik, tekstur,Sistem Perolehan Citra Berbasis Isi (SPCI), batik, tekstur, GrayGray Level Run
3. Latar Belakang
Penggunaan basis data citra saat ini sangat banyak dilakukan. Seiring dengan terus berkembangnya ukuran dari basis data citra, metode tradisional yang biasa digunakan dalam pencarian citra sudah tidak mungkin lagi digunakan. misalnya pencarian citra dengan kata kunci, kadang kata kunci (teks) yang kita masukkan tidak sesuai dengan citra yang kita harapkan sehingga dengan memberikan kata kunci saja tidak cukup, harus dikembangkan metode lain untuk menemukan citra sebagai pengganti atau ditambahkan pada sistem kata kunci. Oleh karena itu, dikembangkan suatu metode baru yaitu Sistem Perolehan Citra Berbasis Isi (SPCI). [1]
SPCI merupakan teknologi pencarian citra dengan membandingkan citra yang ada pada citra query dengan yang ada pada basis data citra. SPCI dilakukan dengan membandingkan nilai jarak citra query dengan citra pada basis data (image distance measure). Pengukuran nilai jarak citra dapat dikelompokkan dengan tiga kelas utama yaitu kemiripan warna, kemiripan bentuk dan kemiripan tekstur.[1]
Dalam usulan Tugas Akhir ini akan dikembangkan SPCI berdasarkan kemiripan tekstur batik yang memiliki keunikan dan mempunyai ciri khas tersendiri dari masing-masing batik. Metode yang akan digunakan adalah Gray Level Run Leght Matrix dan pengukuran kemiripan sehingga menghasilkan pola tekstur batik yang kita inginkan. Tekstur telah menjadi salah satu ciri yang paling penting untuk menggolongkan, mengenali, dan mencari gambar. Tekstur menggambarkan sifat dari permukaan obyek dalam suatu citra. Oleh karena itu, diharapkan metode yang digunakan akan mendapat hasil yang cukup tinggi dari proses pencocokan.
4. Rumusan Masalah
Dari latar belakang tersebut, dapat dirumuskan beberapa permasalahan, diantaranya adalah:
1. Bagaimana menentukan fitur tekstur batik dalam SPCI dengan menggunakan metode Gray Level Run Leght Matrix Method .
2. Bagaimana bisa mendapatkan pencocokan kemiripan citra query dengan citra yang ada dalam basis data dengan menggunakan Euclidean Distance.
5. Tujuan
Tujuan penelitian yang akan dicapai dari usulan Tugas Akhir ini adalah:
1. Untuk menentukan fitur tekstur batik dalam SPCI dengan mendapatkan atribut-atribut dari metode statistikal Gray Level Run Leght Matrix (GLRLM), yaitu Short Run Emphasis (SRE), Long Run Emphasis (LRE), Entropy, Grey level Uniformity (GLU), Run Length
Uniformity (RLU)dan Run Precentage (RPC).
2. Untuk membuktikan pencocokan antara citra query dan citra yang ada dalam basis data dengan menggunakan metode Euclidean Distance sesuai keinginan user .
6. Batasan Masalah
Agar tidak menyimpang jauh dari permasalahan, maka Tugas Akhir ini membatasi masalah sebagai berikut:
1. Data masukan yang menjadi objek adalah beberapa citra batik dari 8 kelas, yaitu: Sumenep, Cirebon, Pamekasan, Bangkalan, Jogja, Bali, Solo dan Pekalongan.
2. Terdapat 200 gambar yang ada di dalam basis data.
3. Citra query dan citra basis data yang digunakan berupa citra tekstur batik dengan format Bitmap (BMP)
5. Fitur yang digunakan fitur tekstur. 7. Tinjauan Pustaka
7.1 Penelitian Sebelumnya
Pada penelitian sebelumnya adalah analisa kayu parket dengan metode statistikal grey level run leght matrix yang diteliti oleh Diah Ayu Septiana. Penelitian ini bertujuan untuk mengenali beberapa jenis parket kayu yang berbeda mempunyai tekstur yang berbeda. Dalam analisa data parket kayu dibagi kedalam delapan jenis kayu Angus, Hevea, Kempas, Mahogany, Mindi, Oceanbangkirai, Palisander dan Teak[2]
Farhatulailla melakukan penelitian yang berjudul Sistem Perolehan Citra Berbasis Isi dengan citra batik menggunakan gray level co-occurence matrix (glcm). Penelitian ini menggunakan metode ekstraksi fitur GLCM dan klasifikasi yang digunakan Euclidean Distance. [3]
Sani Muhammad Isa dan Elsagray Juwita, 2007 melakukan penelitian yang berjudul Aplikasi Image Retrieval Berdasarkan Tekstur Dengan Menggunakan Transformasi Haar Wavelet. Penelitian ini menggunakan metode transformasi Haar Wavelet sedangkan proses jarak kemiripan menggunakan Euclidean
distance. Metode ini sangat tepat untuk proses aplikasi image retrieval.[4]
Pada Tugas Akhir ini mengembangkan sedikit dari penelitian sebelumnya yaitu merancang Sistem Perolehan Citra Berbasis Isi (SPCI) dengan gambar batik menggunakan menggunakan Gray Level Run Leght Matrix berdasarkan ciri tekstur. Metode yang digunakan menggunakan metode Gray Level Run Leght Matrix sedangkan pencocokan jarak kemiripannya menggunakan metode Euclidean Distance. Citra yang dimasukkan mempunyai ukuran citra 200x200 piksel, berupa gambar asli yang nantinya akan melakukan proses keabuan (grayscale) demikian juga dengan citra yang ada dalam basis data.
7.2 Pengolahan Citra
Definisi Citra adalah representasi informasi 2 dimensi yang diciptakan atau dibuat dengan melihat atau lebih tepatnya merasakan sebuah objek. Secara matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada bidang 2D. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik. Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. [3]
7.3 Sistem Perolehan Citra Berbasis Isi (SPCI)
Pada tahun 1970an penelitian awal image retrieval dilakukan dengan menggunakan pendekatan pengindeksan dan informasi gambar berbasis teks. Teknik pencarian berbasis teks menjadi tidak praktis karena dua alasan, yaitu: ukuran basis data gambar yang besar dan subyektif dalam mengartikan gambar dengan teks. Kata kunci yang dikodekan orang terbatas pada beberapa istilah yang dihasilkan untuk masing-masing referensi gambar. [5]
Untuk menghindari teknik tersebut, maka pada tahun 1990an image retrieval dikembangkan lagi menggunakan pendekatan gambar yaitu teknik untuk mencari gambar yang mempunyai kemiripan dengan kriteria gambar dari sekumpulan gambar. Proses secara umum dari image retrieval adalah gambar yang menjadi query dilakukan proses ekstraksi, demikian halnya dengan gambar yang berada pada sekumpulan gambar juga dilakukan proses seperti gambar query.[5]
Beberapa gambar database telah dibuat hanya untuk menunjukkan bagaimana secara khusus sistem retrieval bekerja. IBM dengan Query by Image
Content (QBIC) database proyek adalah contoh dari sistem SPCI ini. QBIC adalah sebuah sistem penelitian yang menghasilkan produk komersial yang dikembangkan dan dijual oleh IBM. Parameter cirri gambar yang dapat digunakan untuk temu kembali pada sistem ini antara lain seperti histogram, susunan warna, tekstur dan bentuk, tipe spesifik dari obyek, tipe event tertentu, nama individu, lokasi, emosi. Gambar query yang digunakan mempunyai beberapa level, yaitu :
Level 1: retrieval dengan ciri primitif, seperti warna, tekstur, bentuk.
Level 2: retrieval dengan ciri logis, seperti tipe obyek, individu obyek atau
orang.
Level 3: retrieval dengan ciri abstrak, seperti nama even, tipe aktifitas,
emosional, religius.[5]
7.4 Batik
Batik atau kata batik berasal dari bahasa Jawa “amba” yang mempunyai arti: “menulis” dan “titik”. Kata batik merujuk pada kain dengan corak atau gambar yang dihasilkan oleh bahan “malam” (wax) yang diaplikasikan ke atas kain, sehingga menahan masuknya bahan pewarna. Tradisi membatik pada mulanya merupakan tradisi yang turun temurun, sehingga kadang kala suatu motif dapat dikenali berasal dari batik keluarga tertentu. Beberapa motif batik dapat menunjukkan status seseorang. Bahkan sampai saat ini, beberapa motif batik tadisional hanya dipakai oleh keluarga keraton Yogyakarta dan Surakarta.[6]
Batik merupakan warisan nenek moyang Indonesia ( Jawa ) yang sampai saat ini masih ada. Batik juga pertama kali diperkenalkan kepada dunia oleh Presiden Soeharto, yang pada waktu itu memakai batik pada Konferensi PBB.
Beragam jenis batik bisa ditemukan dimana-mana, namun kita juga perlu tahu apa saja jenis batik yang beredar di pasaran sekarang ini. Jenis-jenis tersebut antara lain adalah:
1. Batik Tulis adalah kain yang dihias dengan tekstur dan corak batik menggunakan tangan. Pembuatan batik jenis ini memakan waktu kurang lebih 2-3 bulan. Proses pembuatan batik mula-mula batik dibuat di atas
bahan dengan warna putih yang terbuat dari kapas yang dinamakan kain mori. Motif batik dibentuk dengan cairan lilin dengan menggunakan alat yang dinamakan canting untuk motif halus, atau kuas untuk motif berukuran besar, sehingga cairan lilin meresap ke dalam serat kain. Setelah beberapa kali proses pewarnaan, kain yang telah dibatik dicelupkan ke dalam bahan kimia untuk melarutkan lilin.
2. Batik Cap adalah kain yang dihias dengan teksture dan corak batik yang dibentuk dengan cap (biasanya terbuat dari tembaga). Proses pembuatan batik jenis ini membutuhkan waktu kurang lebih 2-3 hari.
3. Batik Printing adalah salah satu jenis hasil proses produksi batik yang teknis pembuatannya melalui proses sablon manual (seperti pembuatan spanduk / kaos), atau printing mesin pabrik.[6]
Contoh gambar batik dari masing-masing daerah dan terdapat perbedaan dari masing-masing daerah tersebut.
a. Sumenep b. Pamekasan c. Cirebon d. Bangkalan
e. Jogja f. Bali g. Solo h. Pekalongan
7.5 Tekstur
Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity) susunan struktural piksel. Tekstur biasa dikenal sebagai kunci untuk memvisualisasikan persepsi atau cara pandang seseorang dan peraturan yang sangat penting pada pekerjaan komputer visi. Tekstur merupakan bawaan dari benda yang terlihat dari muka dan berisi informasi penting tentang struktur rancangan permukaan. Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan piksel-piksel yang bertetangga. Dengan demikian, dapat diketahui bahwa tidak ada definisi umum untuk tekstur. Hal tersebut tergantung pada aplikasi yang digunakan. [7]
Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan yaitu: 1. Makrostruktur
Tekstur makro struktur memiliki perulangan pola secara periodik pada suatu daerah citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung mudah untuk dipresentasikan secara matematis.
2. Mikrostruktur
Tekstur mikrostruktur memilki pola-pola lokal dan perulangan yang tidak begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif.
7.6 Gray Level Run Leght Matrix
Grey level run length matrix yang biasa disingkat dengan GLRLM merupakan salah satu metode yang populer untuk mengekstrak tekstur sehingga diperoleh ciri statistik atau atribut yang terdapat dalam tekstur dengan mengestimasi piksel-piksel yang memiliki derajat keabuan yang sama. Ekstraksi tekstur dengan metode GLRLM dilakukan dengan membuat rangkaian pasangan nilai ( i,j) pada setiap baris piksel. Perlu kita ketahui maksud dari run length itu sendiri adalah jumlah piksel berurutan dalam arah tertentu yang memiliki derajat keabuan/nilai intensitas yang sama. Jika diketahui sebuah matrik run length dengan elemen matrik q ( i, j | θ) dimana i adalah derajat keabuan pada masing-masing piksel, j adalah nilai run length,
Orientasi dibentuk dengan empat arah pergeseran dengan interval 450, yaitu 00, 450, 900, dan 1350. Agar lebih jelas berikut akan dijelaskan cara untuk memasangkan nilai run yang terdapat pada citra 7 x 5 piksel, 8 derajat keabuan, dengan arah pergeseran 0 0 , 45 0 , 90 0 , dan 135 0 .
Gambar 2. Contoh citra masukan dan derajat keabuan
Untuk elemen matriks citra ( i, j | 0
0
) dengan ukuran 7 x 5 piksel seperti tampak pada gambar diatas dapat diketahui bahwa ada 35 nilai intensitas/derajat keabuan yang terdapat di dalam citra tersebut, dan pasangan (i,j) untuk setiap baris yang dihasilkan adalah :
Dengan demikian, dapat diketahui bahwa matrik 7 x 5 dengan arah sudur 0
0
memiliki 15 pasangan nilai run yang dihasilkan.
Untuk elemen matriks citra ( i, j | 45
0
) maka pasangan (i,j) untuk setiap kolom yang dihasilkan adalah :
Dengan demikian, dapat diketahui bahwa matrik 7 x 5 dengan arah sudur 45
0
memiliki 32 pasangan nilai run yang dihasilkan.
Untuk elemen matriks citra ( i, j | 90
0
) maka pasangan (i,j) untuk setiap kolom yang dihasilkan adalah :
Dengan demikian, dapat diketahui bahwa matrik 7 x 5 dengan arah sudur 90
0
memiliki 28 pasangan nilai run yang dihasilkan.
Untuk elemen matriks citra ( i, j | 135
0
) maka pasangan (i,j) untuk setiap kolom yang dihasilkan adalah :
Dengan demikian, dapat diketahui bahwa matrik 7 x 5 dengan arah sudur 135
0
memiliki 27 pasangan nilai run yang dihasilkan.
Atribut tekstur GLRLM
Berdasarkan penelitian yang dilakukan oleh Galloway pada tahun 1975 [1], terdapat beberapa jenis ciri tekstural yang dapat diekstraksi dari matriks run length. Berikut variabel-variabel yang terdapat di dari ekstraksi citra dengan menggunakan metode statistikal Grey Level Run Length Matrix :
i = nilai derajat keabuan
j = piksel yang berurutan (run)
M = Jumlah derajat keabuan pada sebuah gambar N = Jumlah piksel berurutan pada sebuah gambar
r(j) = Jumlah piksel berurutan berdasarkan banyak urutannya (run length) g(i) = Jumlah piksel berurutan berdasarkan nilai derajat keabuannya
s = Jumlah total nilai run yang dihasilkan pada arah tertentu n = jumlah baris * jumlah kolom dalam perhitungan diatas n = 35
Dimana varibel-variabel tersebut akan digunakan untuk mencari nilai dari atribut-atribut tekstur sebagai berikut :
1. Short runs emphasis (SRE)
SRE mengukur distribusi short run. SRE sangat bergantung pada banyaknya short run dan diharapkan bernilai kecil pada tekstur halus dan bernilai besar pada terkstur kasar.
2. Long runs emphasis (LRE) LRE mengukur distribusi long run. LRE sangat bergantung pada banyaknya long run dan diharapkan bernilai besar pada tekstur halus dan bernilai kecil pada tekstur kasar.
3. Grey level non-uniformity (GLN) GLN mengukur persamaan nilai derajat keabuan diseluruh citra dan diharapkan bernilai kecil jika nilai derajat keabuan serupa di seluruh citra.
4. Run length non-uniformity (RLN) RLN mengukur persamaan panjangnya run diseluruh citra dan diharapkan bernilai kecil jika panjangnya run serupa di seluruh citra.
5. Run percentage (RP) RP mengukur keserbasamaan dan distribusi run dari sebuah citra pada arah tertentu. RP bernilai paling besar jika panjangnya run adalah 1 untuk semua derajat keabuan pada arah tertentu.
7.7 Euclidean Distance
Euclidean distance adalah metode yang paling sering digunakan untuk menghitung kesamaan 2 vektor. yang digunakan untuk mencari data antara parameter data referensi atau basis data dengan parameter data baru atau data uji.[9]
√ ∑
……….. (7) Dengan:Di = jarak terhadap tekstur i yang terkecil pada basis data
x1= ciri dari tekstur yan diklasifikasikan
x2 = ciri dari tekstur yang terdapat pada basis-data.Tekstur akan diklasifikasikan
sebagai tekstur i apabila Di merupakan jarak terkecil dibandingkan dengan jarak
yang lainnya.
8. Metodologi (langkah-langkah)
Metode Pelaksanaan Program penelitian adalah sebagai berikut : 1. Studi literatur
Dengan cara mengumpulkan data untuk memperoleh informasi yang diperlukan dan sebagai pedoman yang akan digunakan dalam dasar teori dari berbagai macam referensi seperti buku, informasi dari internet dan sumber lainnya yang berhubungan mengenai metode yang dipakai yaitu, Sistem Perolehan Citra Berbasis Isi (SPCI), Gray Level Run Leght Matrix, Euclidean Distance.
2. Analisa sistem
Analisa meliputi kelebihan dan kelemahan sistem yang akan dibuat. 3. Desain sistem
Setelah data yang dibutuhkan berkaitan dengan malaria telah terkumpul, kemudian dilanjutkan proses selanjutnya. Perancangan ini meliputi flowchart dan desain database tentang sistem yang akan dibuat.
4. Implementasi
Penerapan desain sistem yang dibuat selanjutnya diimplementasikan ke dalam bentuk program.
5. Pengujian sistem
Melakukan pengujian terhadap program serta mengevaluasi apakah program yang dibuat telah sesuai dengan tujuan. Dari hasil uji coba ini dapat dievaluasi dan dilakukan perbaikan seperlunya sehingga menghasilkan output yang diharapkan.
6. Pembuatan laporan
Dari beberapa proses penelitian diatas disimpulkan untuk pengembangan penelitian selanjutnya kemudian membuatan dokumentasi dari setiap tahap dari pembuatan tugas akhir ini ke dalam bentuk laporan.
9. Rancangan System
Dalam perancangan sistem yang dibuat sebuah sistem pencarian citra query batik tekstur yang ada di dalam basis data dengan kemiripan tertinggi dan yang paling mendekati citra yang diinginkan oleh pengguna, terdapat proses- proses yang dilakukan dari awal data dipilih, hingga pada akhirnya data tersebut ditemukan jarak kemiripan.
Dengan blok diagram sebagai berikut:
Citra Database Citra Query
Mengubah citra menjadi citra keabuan
Menghitung nilai sudut atau arah pergeseran
Ekstraksi fitur menggunakan Gray Level Run Leght Matrix
Method
Mengubah citra menjadi citra keabuan
Menghitung nilai sudut atau arah pergeseran
Ekstraksi fitur menggunakan Gray Level Run Leght Matrix
Gambar 3 . Diagram Alur Sistem
Keterangan diagram alur :
1. Citra input berupa citra query batik berupa citra RGB. Untuk menyederhanakan proses perlu diubah aras warnanya menjadi aras keabuan, dimana citra hanya memiliki tingkat atau kadar keabuan.
2. Citra abu-abu diubah terlebih dahulu kedalam bentuk matriks, kemudian diambil
nilai yang dibutuhkan sebagai variabel dalam perhitungan GLRLM. Setelah itu dilakukan analisa GLRLM dari nilai yang telah diperoleh sesuai dengan sudut atau arah pergeseran dari sudut 0°, 45°, 90°, dan 135°.
3. Menentukan fitur tekstur batik dengan mencari nilai atribut dari metode GLRLM yaitu Short Run Emphasis (SRE), Long Range Emphasis (LRE), Grey Level Uniformity (GLU), Run Leght Uniformity (RLU), dan Run Percentage (RPC). 4. Setelah citra di ekstraksi fitur kemudian diuji untuk diambil kemiripan dengan
menggunakan Euclidean Distance.
10. Jadwal Kegiatan
Pengerjaan penelitian ini direncanakan akan dilaksanakan dalam kurun waktu sebagai berikut :
NO KEGIATAN
BULAN
Februari Maret April Mei
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 Studi Literatur
2 Analisa Sistem 3 Desain Sistem 4 Implementasi
5 Pengujian Sistem dan Evaluasi
11. Daftar Pustaka
[1] Ramadijanti, N. 2006. “Content Based Image Retrieval Berdasarkan Ciri Tekstur Menggunakan Wavelet”. Prosiding Seminar Nasional Aplikasi Teknologi Informasi (Snati 2006) ISSN :1907-5022. Yogyakarta.<http://journal.uii.ac.id/index.php/Snati/article/viewFile/1530/13 10 > diakses pada 12 Juni 2011.
[2] Dian ayu Septiana. 2009. ANALISIS TEKSTUR KAYU PARKET DENGAN MENGGUNAKAN METODE STATISTIKAL GREY LEVEL RUN LENGTH MATRIX. Tugas Akhir. Depok : Universitas Gunadarma. [3] Farhatulailla. 2012. Sistem Perolehan Citra Berbasis Isi dengan citra
batik menggunakan gray level co-occurence matrix (glcm). Tugas Akhir. Madura : Universitas Trunojoyo.
[4] Isa ,S. M., Juwita, E. 2007. “Aplikasi Image Retrieval Berdasarkan Tekstur Dengan Menggunakan Transformasi Haar Wavelet”.Prosiding Seminar Nasional Sistem dan Informatika SNSI 06-039. Bali.
[5] Susilo,A. 2007. Web Image Retrieval Untuk Identifikasi Bunga Dengan Pengempokan Content Menggunakan Ciri Warna Dan Bentuk. Tugas Akhir. Surabaya: Institut Teknologi Sepuluh Nopember.
[6] Anonim. 2011. Sejarah Batik Indonesia.
<http://www.pekalongankab.go.id/fasilitas-web/artikel/ekonomi/594-serba-serbi-batik-pekalongan-batik-indonesia-sebagai-warisan-budaya-dunia.html> diakses pada 10 Juni.
[7] Andi Prasetyo. 2009. Analisa Tekstur Tanah Menggunakan Metode Statistikal Gray Level Difference Method (GLDM). Tugas Akhir. Depok : Universitas Gunadarma.
[8] Mita Indriani. 2007. Analisa Tekstur Menngunakan Metode Run Lenght. Tugas Akhir. Semarang : Universitas Diponegoro.
[9] Pratikaningtyas, D. 2003. Klasifikasi Motif Batik Menggunakan Metode Transformasi Paket Wavelet. Tugas Akhir. Semarang : Universitas Diponegoro.
