Abstrak. Kata Kunci: Batik, Ekstraksi fitur geometri, cardinal spline, representasi kurva

Ekstraksi Fitur Geometri Pada Citra Batik Menggunakan

Representasi Kurva Cardinal Spline

Aris Fanani1, Anny Yuniarti2, Nanik Suciati3

Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember

Surabaya, Indonesia

arisfananie@gmail.com1, anny@if.its.ac.id2, nanik@if.its.ac.id3

Abstrak

Batik merupakan warisan budaya bangsa Indonesia. Batik juga diakui sebagai warisan budaya dunia (world heritage). Dengan diakuinya batik sebagai world heritage, menjadikan batik sebagai bahan pakaian yang sering digunakan. Dengan berkembangnya teknologi, perancangan busana dengan mengoptimalkan bahan dan perancangan tata busana secara otomatis dapat dikembangkan. Untuk mengoptimalkan bahan dibutuhkan informasi geometri dari citra batik. Ekstraksi fitur geometri citra batik digunakan untuk membantu komputer dalam mengenali pola atau motif batik. Pada penelitian ini, diusulkan sistem ekstraksi fitur geometri citra batik dan merepresentasikan fitur geometri tersebut menggunakan kurva Cardinal spline. Ekstraksi fitur geometri dibagi menjadi dua yaitu ekstraksi fitur klowongan dan isen-isen. Fitur klowongan adalah pola dasar objek citra batik sedangkan fitur isen-isen adalah pengisi dari klowongan. Ekstraksi fitur klowongan dilakukan dengan menghapus collinear point dari boundary objek, sehingga didapatkan sekumpulan dominant point. Dominant point tersebut digunakan sebagai titik kontrol. Ekstraksi fitur isen-isen dilakukan dengan menyimpan posisi koordinat untuk setiap connected component yang akan digunakan sebagai titik kontrol. Hasil dari representasi kurva digunakan untuk merekonstruksi kembali citra batik dengan menggunakan representasi kurva Cardinal spline. Hasil uji coba menunjukkan bahwa citra rekonstruksi citra batik secara visual sama dengan citra batik asli.

Kata Kunci: Batik, Ekstraksi fitur geometri, cardinal spline, representasi kurva

Abstract

Batik is an Indonesian national heritage. Batik has also been recognized as a world cultural heritage (world heritage). Being recognized as a world heritage, batik is then widely used as clothing fabric. The role of technology is to develop material optimization and automatization in fashion designing. To optimize material, geometric information of batik pattern is needed. Batik’s geometric feature extraction is used to help the computer to recognize the pattern or motif. This research proposes a Geometry feature extraction and geometry features representation using cardinal spline curve for Batik Image. Geometry Feature extraction is divided into 2 process, feature extraction for Klowongan and Feature extraction for Isen-Isen. Klowongan Feature is the basic pattern from Batik Image whereas Isen-Isen Feature is the content patterns of Klowongan. Extraction Feature for Klowongan is done by deleting collinear points form object boundaries until the dominant point is obtained. The Dominant points are used as control points. Feature Extraction for Isen-Isen is done by saving the coordinate of every connected component which is also used as control points. The result of curve representation is used for reconstruction of batik image by using cardinal spline curve representation. The result shows that reconstructed image is visually the same as original batik image.

1. Pendahuluan

Batik adalah kerajinan yang memiliki nilai seni tinggi dan telah menjadi bagian dari budaya Indonesia (khususnya Jawa) sejak lama. Secara etimologi, batik mempunyai pengertian akhiran “thik” dalam kata “batik” berasal dari kata menitik atau menetes. Kata “mbatik” berasal dari kata “tik” yang berarti kecil (Kuswadji, 1981) Dengan demikian dapat dikatakan bahwa “mbatik” adalah menulis atau menggambar serba rumit (kecil-kecil). Batik sebagai warisan tradisional yang terkenal dan unik di Indonesia juga diakui sebagai warisan budaya dunia (world

heritage). Dengan diakuinya batik sebagai warisan

budaya dunia, menjadikan batik semakin terkenal dan sebagai bahan pakaian yang sering digunakan. Batik memiliki karakteristik pada motifnya. Motif dan ragam hias batik, dibangun dari proses kognitif manusia yang diperoleh dari alam sekitarnya. Hal inilah yang dianggap sebagai salah satu aspek yang menarik untuk diteliti menggunakan sains dan teknologi.

Untuk pengembangan suatu sistem

perancangan busana secara otomatis dan optimasi bahan dengan bahan baku kain batik, dibutuhkan ekstraksi fitur geometri dari citra batik. Ekstraksi fitur geometri citra batik dapat membantu komputer dalam mengenali pola atau objek citra batik. Ekstraksi fitur dari citra batik adalah proses untuk mendapatkan fitur atau penciri dari suatu citra batik. Ekstraksi fitur geometri citra batik memiliki peranan penting dalam memahami bentuk objek di dalam suatu citra batik. Fitur geometri dari suatu objek dibangun oleh satu set elemen geometris seperti titik, garis, kurva atau permukaan. Fitur geometri yang dimaksud pada citra batik disini adalah fitur geometri pola (klowongan dalam bahasa jawa) dan fitur geometri pengisi pola (isen-isen dalam bahasa jawa). Teknik pemrosesan citra digital telah banyak digunakan dalam pengenalan objek (object recognition) dan representasi objek (object

representation).

Pemrosesan citra digital memerlukan suatu proses pre-processing yang selanjutnya akan digunakan untuk proses yang lain. Proses tersebut adalah segmentasi. Segmentasi merupakan langkah pertama dan menjadi kunci yang penting dalam suatu pengenalan objek. Telah banyak metode segmentasi

dikembangkan. Salah satunya adalah metode

thresholding yang sering digunakan untuk segmentasi karena mudah dan intuitif. Hasil dari segmentasi akan berdampak pada proses memahami dan menganalisis citra, seperti klasifikasi objek, deskripsi objek,

representasi objek dan sebagainya. Pendekatan

neutrosophic untuk segmentasi berhasil memisahkan objek dan background (Zang, Zhang, & Cheng, 2009).

Banyak penelitian dilakukan untuk

merepresentasikan objek. Metode yang digunakan

diantaranya adalah polygon approximation, dan representasi kurva. Sekumpulan point dari batas objek (kontur) digunakan untuk mendapatkan polygon

approximation dari bentuk objek itu sendiri (Poyato,

Madrid-Cuaves, & Medina-Carnicer, 2010). Dominant

point didapatkan dari kontur dengan menghapus collinear point. Ketika bentuk objek mengandung unsur

lengkung, maka polygon approximation tidak dapat memberikan hasil yang memuaskan dalam representasi bentuk. Pendekatan lain yang digunakan adalah menggunakan representasi kurva. Kurva Bezier merupakan kurva polinomial berderajat n yang menggabungkan titik kontrol untuk penggambarannya. Kurva Bezier memiliki kelemahan, salah satunya tidak memiliki properti kontrol lokal karena penggeseran satu titik kontrol saja akan mempengaruhi hasil kurva secara keseluruhan. Karena kelemahan tersebut muncul pola pikir penggabungan beberapa segmen kurva Bezier berderajat rendah yang disebut dengan kurva cardinal

spline. Objek grafik dipisah menjadi beberapa segmen

dengan harapan melakukan modifikasi pada suatu wilayah hanya mempengaruhui segmen tersebut.

Beberapa penelitian terkait dengan citra batik adalah sistem temu kembali citra berbasis isi (content-based image retrieval/CBIR) (Eka, 2011), ekstraksi fitur motif batik yang digunakan untuk klasifikasi motif batik (Arisandi & Suciati, 2011). Pada penelitian ini, diusulkan sistem ekstraksi fitur geometri pada citra batik dan merepresentasikan kembali menggunakan representasi kurva cardinal spline. Sistem terdiri dari tiga bagian: ekstraksi fitur geometri, representasi kurva

cardinal spline dari fitur geometri, dan rekonstruksi

citra batik.

2. Studi Literatur

Pada bagian ini, akan dijelaskan mengenai teori-teori yang menjadi landasan dalam melakukan penelitian ini. Adapun teori-teori yang akan dijelaskan

adalah tentang pendekatan neutrosophic untuk

segmentasi dan Cardinal spline. Sedangkan freeman

chain code, deteksi tepi canny, dan connected component labeling tidak dibahas lagi dalam penelitian

ini karena metode tersebut merupakan metode yang sudah umum diketahui dalam pengolahan citra.

2.1. Pendekatan Neutrosophic untuk segmentasi

Neutrosophy merupakan cabang ilmu dari

filsafat yang mempelajari asal usul, sifat dan ruang lingkup neutralities. Neutrosophy dapat dianggap sebagai sebuah proposisi, teori, kejadian, konsep ataupun entity. <A> merupakan kejadian atau entity, <Non-A> merupakan bukan <A>, dan <Anti-A> adalah kebalikan dari <A>. <Neut-A> didefinisikan sebagai selain <A> dan <Anti-A>. Sebagai contoh, jika <A>=putih, kemudian <Anti-A>=hitam. <Non-A> =

(2.4)

biru, kuning, merah (selain warna putih). <Neut-A> =

biru, kuning, merah (selain warna putih dan hitam). Komponen neutrosophic T, I, F menyatakan <A>, <Neut-A>, dan <Anti-A>. Setiap elemen A(T,I,F) termasuk ke dalam set : t true, i indeterminate, f false, dimana t, i, dan f adalah nilai real yang diambil dari set T, I dan F.

Pendekatan neutrosophic untuk segmentasi berdasarkan metode watershed telah dilakukan (Zang, Zhang, & Cheng, 2009). Langkah-langkah pendekatan neutrosophic untuk segmentasi berdasarkan metode watershed dijelaskan sebagai berikut:

2.1.1. Pemetaan dan Penentuan {T,F}

Pada tahap ini dilakukan pemetaan dan penentuan matriks citra pada domain T dan domain F. T adalah objek dan F adalah background. Proses penentuan nilai T dan F yang termasuk komponen dari neutrosophic dengan menggunakan S-function sebagai berikut: 𝑇 𝑥, 𝑦 = 𝑆 𝑔_𝑥𝑦, 𝑎, 𝑏, 𝑐 = 0 0 ≤ 𝑔𝑥𝑦 ≤ 𝑎, 𝑔𝑥𝑦−𝑎 2 𝑏−𝑎 𝑐−𝑎 𝑎 ≤ 𝑔𝑥𝑦 ≤ 𝑏, 1 − 𝑔𝑥𝑦−𝑐 2 𝑐−𝑏 𝑐−𝑎 𝑏 ≤ 𝑔𝑥𝑦 ≤ 𝑐, 1 𝑔_𝑥𝑦 ≥ 𝑐, 𝐹 𝑥, 𝑦 = 1 − 𝑇 𝑥, 𝑦 ,

dimana gxy merupakan nilai intensitas dari piksel P(i,j). variabel a,b, dan c adalah parameter yang menentukan bentuk dari S-function. Nilai variabel a, b, dan c dihitung dengan metode berdasarkan histogram (Cheng

& Wang, 2004)

:

1. Hitung histogram citra

2. Tentukan local maxima dari histogram,

Hismax(g1), Hismax(g2),…, Hismax(gk)

3. Hitung nilai rata-rata local maxima dengan persamaan berikut:

𝐻𝑖𝑠𝑀𝑎𝑥(𝑔)

= 𝑛𝑖=1𝐻𝑖𝑠𝑀𝑎𝑥(𝑔𝑖)

𝑛 4. Tentukan local maxima sebagai puncak yang

tingginya melebihi Hismax(g). Asumsikan

puncak yang pertama kali ditemukan sebagai

gmin dan terakhir ditemukan gmax

5. Tentukan batas bawah gray level B1 dan batas

atas B2: 𝐻𝑖𝑠 𝑖 = 𝑓₁ 𝐵1 𝑖=𝑔𝑚𝑖𝑛 𝐻𝑖𝑠 𝑖 = 𝑓1 𝑔𝑚𝑎𝑥 𝑖=𝐵2

dimana f1=0,01 (didapat dari hasil percobaan).

𝑔_𝑚𝑖𝑛 merupakan nilai gray level yang lebih

besar dari 0 dan pertama kali ditemukan.

Sedangkan 𝑔𝑚𝑎𝑥 merupakan nilai gray level

yang lebih besar dari 0 dan terakhir kali ditemukan.

6. Tentukan nilai parameter a dan c : 𝑎 = 1 − 𝑓₁ 𝑔1− 𝑔𝑚𝑖𝑛 + 𝑔𝑚𝑖𝑛,

jika (a>B1) , a= B1

𝑐 = 𝑓1 𝑔𝑚𝑎𝑥 − 𝑔𝑛 + 𝑔𝑛

jika (c> B2), c= B2

7. Hitung parameter b dengan menggunakan prinsip maksimum entropi :

𝐻 𝑋 = 1 𝑀 × 𝑁 𝑆𝑛(𝑇 𝑥, 𝑦 ) 𝑁 𝑗 =1 𝑀 𝑖=1 ,

dimana Sn ( ) merupakan Shannon function

yang didefiisikan sebagai:

𝑆𝑛 𝑇 𝑥, 𝑦 = −𝑇 𝑥, 𝑦 𝑙𝑜𝑔2𝑇 𝑥, 𝑦 − (1

− 𝑇 𝑥, 𝑦 𝑙𝑜𝑔₂ 1 − 𝑇 𝑥, 𝑦

Parameter nilai b berada antara nilai a dan c. Untuk mendapatkan nilai b yang optimal,

diperlukan pengecekan terhadap seluruh

kemungkinan nilai b. Nilai b yang optimal akan menghasilkan nilai maximum entropy

H(X) yang terbesar:

𝐻𝑀𝑎𝑥 𝑋, 𝑎, 𝑏𝑜𝑝𝑡, 𝑐 = max⁡{𝐻[𝑋, 𝑎, 𝑏, 𝑐]|𝑔𝑚𝑖𝑛 ≤ 𝑎 < 𝑏 < 𝑐 ≤ 𝑔𝑚𝑎𝑥}.

2.1.2. Enhancement

Setelah didapatkan citra baru pada domain neutrosophic, dilakukan proses enhancement. Proses ini bertujuan untuk memperbaiki citra pada domain baru. Proses enhancement dilakukan dengan menggunakan transformasi intensitas. Berikut adalah fungsi yang digunakan untuk melakukan perbaikan pada citra di domain neutrosophic:

𝐸 𝑇 𝑥, 𝑦 = 2𝑇2 _{𝑥, 𝑦 , 0 ≤ 𝑇 𝑥, 𝑦 ≤ 0.5,} 𝐸 𝑇 𝑥, 𝑦 = 1 − 2(1 − 𝑇 𝑥, 𝑦 )2_{, 0,5 < 𝑇 𝑥, 𝑦 ≤ 1}

_.

2.1.3. Thresholding

Salah satu cara untuk mengambil objek dari background-nya adalah dengan memilih nilai threshold T yang dapat memisahkan kelompok satu dengan yang lain. Nilai threshold ditentukan dengan menggunakan pendekatan heuristic (Gonzalez, 2002):

1. Menentukan inisial threshold t0 pada f(x,y)

2. Memisahkan f(x,y) dengan menggunakan t0,

kemudian mengelompokkannya menjadi 2

kelompok piksel baru, F1 dan F2

3. Setiap kelompok pada F1 dan F2 dicari nilai

rata-ratanya μ1 dan μ2

4. Hitung nilai threshold baru dengan persamaan t1= (μ1 +μ2)/2

5. Ulangi langkah ke-2 hingga 4 sehingga selisih nilai dari tn – tn-1 < ε (dimana ε = 0,0001 ).

Jika terpenuhi kondisi ini, tn merupakan nilai

threshold yang ditetapkan.

2.2. Cardinal Spline

Cardinal spline merupakan interpolasi spline yang menggunakan tarikan (tension) untuk membentuk

sebuah kurva. Interpolasi cardinal spline merupakan

modifikasi dari quadratic Bazier spline yang

menggunakan proses penyambungan dengan

kontinuitas C1. Satu segmen dari kurva cardinal spline

didefinisikan oleh 4 titik kontrol, kurva akan menginterpolasi keempat titik kontrol tersebut dan harus memenuhi persamaan berikut:

𝑝 𝑢 = 𝑢3 _𝑢2 _{𝑢 1 𝜏} −1 2 𝜏 − 1 −2 𝜏 − 1 1 2 2 𝜏 − 1 2 𝜏 − 1 − 1 −1 0 1 0 0 1/𝜏 0 0 𝑝𝑖−1 𝑝𝑖 𝑝𝑖+1 𝑝𝑖+2

dimana 𝜏 adalah parameter tarikan atau tension, u adalah

vektor knot, dan pi adalah titik kontrol. Pada penelitian ini, 𝜏 yang digunakan adalah 0,5.

3. Ekstraksi Fitur Geometri Citra Batik

Ekstraksi fitur geometri citra batik memiliki peranan penting dalam memahami bentuk objek di dalam suatu citra batik. Fitur geometri dari suatu objek dibangun oleh satu set elemen geometris seperti titik, garis, kurva atau permukaan. Fitur geometri yang

dimaksud pada citra batik disini adalah fitur geometri

pola (klowongan dalam bahasa jawa) dan fitur geometri pengisi pola (isen-isen dalam bahasa jawa).

3.1. Ekstraksi Fitur Geometri Klowongan

Fitur klowongan pada citra batik adalah pola dasar dari citra batik. Klowongan dari citra batik seperti pada Gambar 3. Ekstraksi fitur geometri klowongan seperti ditunjukkan pada Gambar 4a.

a b

Gambar 3. (a) Citra batik; (b) Klowongan batik Proses ekstraksi fitur geometri dimulai dengan memasukkan citra RGB batik dan mengubah menjadi

grayscale. Setelah citra dirubah menjadi grayscale,

dilakukan denoising dengan mean filtering yang bertujuan untuk menghilangkan noise. Citra hasil denoising selanjutnya akan dilakukan segmentasi dengan threshold berbasis neutosophic seperti yang dijelaskan pada bagian 2.1. Hasil dari segmentasi akan ditentukan connected component labeling dengan

8-neigborhood. Dari hasil connected component labeling

akan dicari data arah dari bentuk setiap objek pada citra dengan metode chain code dan menyimpan posisi koordinatnya. Algoritma chain code yang digunakan dalam ekstraksi chain code 8-connected adalah sebagai

berikut(Amizah & Mohammad Zain, 2009):

a. Tentukan piksel dalam objek yang nilainya paling kiri di baris paling atas, anggap piksel

itu P0 seperti pada Gambar 5 (a).

b. Tentukan variabel dir (untuk arah). Atur dir =7

(karena P0 adalah piksel kiri atas dalam objek,

arah piksel berikutnya harus 7).

c. Jalankan 3x3 neighborhood dari piksel sekarang. Awali pencarian pada piksel dalam arah dir + 7 (mod 8) jika dir genap atau dir + 6 (mod 8) jika dir ganjil (Gambar 5(b-c)). Ini akan berakibat arah pertama berlawanan dengan arah jarum jam dari dir:

dir 0 1 2 3 4 5 6 7

dir+7(mod 8) 7 0 1 2 3 4 5 6

dir+6 (mod 8) 6 7 0 1 2 3 4 5 d. Piksel foreground pertama akan menjadi batas

baru elemen. Dan perbarui dir seperti pada Gambar 5 (d),

e. Berhenti jika batas elemen sekarang Pn sama

dengan elemen kedua P1 dan piksel batas

sebelumnya sama Pn-1 sama dengan elemen

batas pertama P0.

Gambar 5 di bawah ini menunjukkan

penentuan P0 dan penentuan arah menggunakan

algoritma di atas. Citra RGB Batik Segmentasi dengan threshold berbasis neutrosophic Connected Component Labeling Penentuan arah batas objek dengan Chain Code Reduksi fitur geometri klowongan Database fitur geometri klowongan Denoising dengan Mean Filtering Ubah ke Grayscale Citra Grayscale Batik, Citra Segmentasi, Citra RGB

Deteksi Tepi Canny Citra Grayscale batik

Isolasi Interior Citra=Hasil Canny - erosi(Citra Segmentasi) Database fitur geometri isen-isen Reduksi fitur geometri isen-isen Connected Component Labeling

a b

Gambar 4. a. Ekstraksi fitur geometri klowongan citra batik; b. Ekstraksi fitur geometri isen-isen

Gambar 5. (a) Penentuan P0 (b-d) Penentuan arah.

Reduksi fitur geometri klowongan dilakukan dengan mencari dominant point dari setiap bentuk objek berdasarkan arah yang dihasilkan proses chain code. Langkah-langkah menentukan dominant point

dengan cara menghapus collinear point (Poyato,

Madrid-Cuaves, & Medina-Carnicer, 2010):

a. Pilih tiga point (posisi koordinat) pada batas objek, misalkan Pi, Pj, dan Pk

b. Tentukan nilai threshold (dt)

c. Hapus point Pj, dengan nilai distance (d) dari

garis lurus yang dibentuk Pi dan Pk jika d ≤ dt

. Distance (d) dihitung dengan persamaan:

𝑑 = ( 𝑥𝑘− 𝑥𝑖 𝑦𝑗− 𝑦𝑖 − 𝑦𝑘− 𝑦𝑖 𝑥𝑗− 𝑥𝑖 ) 2 (𝑥𝑖− 𝑥𝑗)2_{+ (𝑦𝑖− 𝑦}

𝑗)2

d. Ulangi langkah c, dan berhenti jika Pj = Pi

Gambar 6 ini menunjukkan bagaimana cara mendapatkan dominant point menggunakan algotirma di atas.

Gambar 6. Proses penghapusan collinear point (I) Setelah dominant ponit didapatkan dari proses reduksi, koordinat dominat point dari setiap objek disimpan dalam database yang nantinya akan digunakan untuk rekonstruksi citra batik dengan menggunakan

carrdinal spline.

3.2. Ekstraksi Fitur geometri Isen-isen

Isen-isen citra batik adalah pengisi klowongan dari batik. Contoh isen-isen dari citra batik seperti ditunjukkan pada Gambar 7. Proses ekstraksi fitur geometri isen-isen seperti pada Gambar 4b.

(a) (b)

Gambar 7. (a)Citra batik (b) Isen-isen citra batik.

Ekstraksi fitur geometri isen-isen dilakukan dengan memasukkan citra RGB batik, mengubah menjadi grayscale dan memasukkan citra hasil segmentasi. Citra grayscale dilakukan deteksi tepi dengan metode canny. Untuk mendapatkan isen-isen dari citra batik dilakukan isolasi isen-isen citra batik. Isolasi isen-isen dilakukan dengan cara mengalikan matrik citra hasil deteksi tepi canny dengan matriks citra hasil erosi citra tersegmentasi. Dari hasil isolasi citra isen-isen

dilakukan connected component labeling dan

menyimpan posisi koordinat isen-sen kedalam database yang nantinya akan digunakan sebagai titik kontrol dalam rekonstruksi dengan menggunakan cardinal

spline.

3.3. Rekonstruksi Citra Batik Hasil representasi kurva interpolasi cardinal spline

Hasil dari ekstraksi fitur geometri klowongan dan isen-isen merupakan sekumpulan dari dominant point. Sekumpulan dominant point yang telah disimpan dalam database tersebut nantinya akan digunkan sebagai titik kontrol dalam rekonstruksi citra batik dengan menggunakan cardinal spline.

4. Ujicoba dan Analisis

Data yang digunakan dalam penelitian ini adalah citra batik madura. Citra batik madura didapatkan dengan memfoto secara langsung kain batik dari pengrajin batik madura. Serangkaian uji coba dilakukan untuk mengevaluasi sistem yang diusulkan. Tabel 1 menunjukkan hasil dari uji coba. Citra asli, ukuran dan waktu proses ditunjukkan pada kolom 1. Citra hitam putih sebagai input dari proses ekstraksi klowongan ditunjukkan pada kolom 2. Citra hasil isolasi dari isen-isen ditunjukkan pada kolom 3 dan hasil dari algoritma yang diusulkan seperti pada kolom 4. Hasil dari connected component labeling dari citra klowongan dan citra isen-isen tidak ditunjukkan karena berisi citra hitam putih yang sama dengan citra klowongan dan isen-isen hanya saja citra connected

component labeling berisi satu objek yang terhubung

berdasarkan 8-neighborhood.

Dari semua citra batik yang digunakan untuk ujicoba, algoritma dapat menginterpolasi sekumpulan titik kontrol yang diberikan berdasarkan representasi kurva cardinal spline dari klowongan dan isen-isen. Secara visual hasil rekonstruksi dengan menggunakan representasi kurva cardinal spline memberikan hasil yang hampir sama dengan citra asli. Dari hasil uji coba, citra batik ke-3 memiliki waktu pemrosesan yang paling cepat, yaitu 62,87 detik. Sedangkan citra batik ke-4 memiliki waktu pemrosesan yang paling lama, yaitu 1152.77 detik. Berdasarkan hasil citra klowongan dan isen-isen, citra ke-3 memiliki connected component

paling sedikit yang berakibat semakin sedikit juga sekumpulan titik kontrol. Sedangkan citra ke-4 memiliki connected component paling banyak, yang berakibat semakin banyak juga sekumpulan titik kontrol. Waktu pemrosesan ditentukan oleh banyak sedikitnya sekumpulan dari titik kontrol yang digunakan dalam representasi kurva cardinal spline bukan berdasarkan ukuran citra.

5. Kesimpulan

Hasil uji coba menunjukkan bahwa, sistem yang diusulkan dapat melakukan reduksi fitur geometri citra batik, merepresentasikan ke dalam representasi kurva cardinal spline dan merekonstruksi citra batik dengan titik kontrol yang diberikan berdasarkan representasi kurva cardinal spline. Hasil rekonstruksi citra batik secara visual hampir sama dengan citra asli.

6. Referensi

Amizah, N., & Mohammad Zain, J. (2009). Application of Freeman Chain Codes: An Alternative Recognition Technique for Malaysian Car Plates . IJCSNS International Journal of

Computer Science and Network Security ,

222-227.

Arisandi, B., & Suciati, N. (2011). Pengenalan Motif

Batik dengan Rotated Wavelet Filter dan Neural Network.

Canny, J. (1986). A Computational Approach to Edge Detection. IEEE Transactions On Pattern

Analysis And Machine Intelligence , 679-714.

Cheng, H., & Wang, X. (2004). Microcalcification detection using fuzzy logic and scale space approach. IEEE , 363-375.

Eka, R. (2011). Pengembangan Sistem Temu Kembali

Citra Batik Menggunakan Transformasi Wavelet Yang Dirotasi dan Multi-Layer Perceptron.

Gonzalez, R. C. (2002). Digital Image Processing. New Jersey : Prentice-Hall, Inc., Upper Saddle River.

Kuswadji. (1981). Mengenal Seni Batik di Yogyakarta.

Yogyakarta: Proyek Pengembangan

Permuseuman Yogyakarta.

Poyato, C., Madrid-Cuaves, F., & Medina-Carnicer, R. (2010). Polygonal approximation of digital planar curves through break point suppression.

Pattern Recognition Sciencedirect , 14-25.

Zang, M., Zhang, L., & Cheng, H. (2009). A Neutrosophic Approach To Segmentation

Based On Watershed Method. Signal

0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350 0 100 200 300 400 500 600 0 100 200 300 400 500 600 0 50 100 150 200 250 300 350 0 50 100 150 200 250 0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 0 50 100 150 200 250 300 350 400 450 0 50 100 150 200 250 300 350

Tabel 1. Hasil Uji Coba

No Citra Batik Hasil citra klowongan Hasil citra isen-isen Hasil rekonstruksi

1 Ukuran : 687 x 630 Waktu : 881.98 detik 2 Ukuran : 381 x 392 Waktu : 95.22 detik 3 Ukuran : 376 x 292 Waktu :62.87 waktu 4 Ukuran : 530 x 469 Waktu : 1152.77 detik 5 Ukuran : 640 x 480 Waktu : 342.61 detik