PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE

(1)

TUGAS AKHIR

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN

JARAK DICE

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Oleh :

ENDRICO ASAN NIM : 105114015

PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

2015

(2)

i

TUGAS AKHIR

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN

JARAK DICE

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Oleh :

ENDRICO ASAN NIM : 105114015

PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

2015

(3)

ii

FINAL PROJECT

RECOGNITION OF YOGYAKARTA BATIK PATTERN USING DCT FEATURE EXTRACTION

AND DICE DISTANCE

In Partial Fulfilment of The Requirements For The Degree of Sarjana Teknik Electrical Engineering Study Program

ENDRICO ASAN NIM : 105114015

ELECTRICAL ENGINEERING STUDY PROGRAM DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015

(4)

iii

HALAMAN PERSETUJUAN

TUGAS AKHIR

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE

(RECOGNITION OF YOGYAKARTA BATIK PATTERN USING DCT FEATURE EXTRACTION AND DICE DISTANCE)

Oleh:

ENDRICO ASAN NIM : 105114015

telah disetujui oleh:

Pembimbing

Dr. Linggo Sumarno Tanggal: _____________

(5)

iv

HALAMAN PENGESAHAN

TUGAS AKHIR

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK DICE

(RECOGNITION OF YOGYAKARTA BATIK PATTERN USING DCT

FEATURE EXTRACTION AND DICE DISTANCE)

(6)

v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, 24 April 2015

Endrico Asan

(7)

vi

HALAMAN PERSEMBAHAN DAN MOTTO HIDUP

MOTTO:

“Kecerdasan bukan penentu kesuksesan, tetapi kerja keras merupakan penentu kesuksesanmu yang sebenarnya”

Skripsi ini kupersembahkan untuk…

☺Yesus Kristus yang selalu setia membimbingku,

☺Keluargaku tercinta,

☺Sahabat-sahabat seperjuanganku,

“Terima kasih untuk karunia, kesempatan,

senyuman, perhatian, motivasi dan segalanya”…

(8)

vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Endrico Asan

Nomor Mahasiswa : 105114015

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PENGENALAN MOTIF BATIK YOGYAKARTA MENGGUNAKAN EKSTRAKSI CIRI DCT DAN JARAK

DICE

beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas dan mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap mencatumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 24 April 2015

(Endrico Asan)

(9)

viii

INTISARI

Kebanyakan orang hanya bisa menggunakan batik dan sangat bangga memperlihatkan kebudayaannya kepada masyarakat tanpa mengetahui nama batik apa yang sedang digunakan, karena kurangnya pengetahuan tentang motif batik yang sangat terbatas. Hal ini sangat penting bagi seorang peminat batik untuk mengetahui apakah batik yang sedang digunakan atau dilihat sudah mengetahui nama batik-batik tersebut dengan tepat. Motif batik di Indonesia bentuk motifnya bermacam-macam, tergantung pada pulau- pulau di seluruh Indonesia dan memiliki ciri khas yang berbeda dengan satu dengan lainnya.

Sistem pengenalan motif batik Yogyakarta pada tugas akhir ini menggunakan laptop untuk mengoperasikannya. Laptop berfungsi untuk memproses sistem aplikasi yang dibangun dengan metode ekstraksi ciri Discrete Cosine Transform (DCT) menggunakan jarak dice dan untuk penentuan keluaran menggunakan k-Nearest Neigbor (k-NN).

Perintah program untuk pengenalan ini menggunakan bahasa pemrograman Matlab dan GUI yang berperan sebagai pusat pengaturan semua proses pengenalan citra.

Hasil dari tugas akhir ini adalah sistem untuk mengetahui nama dari motif batik Yogyakarta. Dengan sistem ini diharapkan masyarakat tidak lagi kebingungan untuk mengetahui nama batik Yogyakarta. Sistem pengenalan motif batik Yogyakarta berbasis ekstraksi ciri Discrete Cosine Transform (DCT) dapat bekerja dengan baik. Berdasarkan hasil pengujian dengan tidak menggunakan k-NN k=1 variasi resizing 128×128 piksel, jendela ekstraksi ciri 10×10 piksel dengan tingkat pengenalan 99,09% dan kelas menggunakan k-Nearest Neigbor (k-NN) k=3 variasi resizing 64×64 piksel, jendela ekstraksi ciri 10×10 piksel dengan tingkat pengenalan 94,55%. Dari hasil pengenalan disetiap kelas pengenalan lebih baik tidak menggunakan k-Nearest Neigbor (k-NN).

Kata kunci: Discrete Cosine Transform (DCT), jarak Dice, k-Nearest Neigbor (k-NN), Motif batik Yogyakarta, Pengenalan citra

(10)

ix

ABSTRACT

Most people can only use batik and very proud of shows cultural matters to the public without knowing the name of batik what is being used, because of lack of knowledge about a batik very limited . This is very important for a batik people interested to know whether the batik being used or seen already know the name of the batik with proper. A batik in Indonesia the form of an assortment of his motives , depending on the islands in all of Indonesia and having specific characteristic which different from one with another.

Recognition systems a batik Yogyakarta at final project this task using laptops to operate it. Laptop serves to process an application features built with the methods of extracting Discrete Cosine Transform (DCT) using the Dice Distance and for the determination of output use k-Nearest Neigbor (k-NN). An order of the program to the recognition of this use of language programming matlab and gui is a role as the center of setting all of the process of the recognition of the image .

Results from final project this task is the system to know the name of a batik Yogyakarta. With this system is hoped that people no longer confusion to know the name of batik Yogyakarta. Recognition systems a batik Yogyakarta based extraction features Discrete Cosine Transform (DCT) can work well. Based on the results of testing without using k-NN k=1 variation resizing 128×128 pixels, the Window feature extraction of 10×10 pixels with the rate up to 99,09% and a class using k-Nearest Neigbor (k-NN) k = 3 variation resizing 64×64 pixels, the Window feature extraction of 10×10 pixels with the recognition rate up to 94,55%. From the results of recognition each class it is better without using k-Nearest Neigbor (k-NN).

Keywords: Discrete Cosine Transform (DCT), Dice distance, k-Nearest Neigbor (k-NN), A batik Yogyakarta, image Recognition

(11)

x

KATA PENGANTAR

Puji dan syukur peneliti panjatkan kehadirat Tuhan Yang Maha Esa atas berkat dan rahmat-Nya sehingga peneliti dapat menyelesaikan Tugas Akhir ini dengan baik. Tujuan penulisan tugas akhir adalah untuk memenuhi persyaratan mencapai Derajat Sarjana Teknik dari Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

Penulisan tugas akhir ini dapat diselesaikan dengan baik tak lepas dari bantuan berbagai pihak. Oleh karena itu peneliti ingin mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus, atas kasih, berkat, dan penyertaannya sehingga penulis mampu menyelesaikan tugas akhir ini dengan baik.

2. Paulina Heruningsih Prima Rosa, S.Si., M.Sc. selaku Dekan Fakultas Sains dan Teknologi.

3. Petrus Setyo Prabowo, S.T., M.T. selaku Ketua Program Studi Teknik Elektro Universitas Sanata Dharma Yogyakarta.

4. Dr. Linggo Sumarno, selaku dosen pembimbing tugas akhir yang telah membimbing penulis selama penulisan tugas akhir serta memberikan arahan dan masukan yang sangat berharga hingga tugas akhir ini dapat diselesaikan.

5. Djoko Untoro Suwarno, S.Si., M.T dan Pius Yozy Merucahyo, S.T.,M,T. dosen penguji yang telah memberikan masukan, bimbingan, dan saran dalam memperbaiki tugas akhir ini.

6. Seluruh dosen dan laboran yang telah mengajarkan banyak ilmu yang bermanfaat selama menempuh pendidikan di Universitas Sanata Dharma Yogyakarta.

7. Seluruh Staff Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta yang telah membantu dalam hal administrasi.

8. Papah Edison H. Asan dan Mamah Ruslaini B. yang selalu memberikan semangat dan perhatian kepada penulis agar penulis dapat menyelesaikan tugas akhir ini dengan baik.

9. Kakakku Edelita Asan yang selalu menjadi teman, penyemangat, dan penghibur di saat penulis mulai jenuh mengerjakan tugas akhir.

10. Seluruh Keluarga penulis yang selalu memberi semangat agar penulis cepat

menyelesaikan studi.

(12)

xi

11. Teman-teman seperjuangan angkatan 2010 Teknik Elektro yang selalu mendukung dan menyemangati dalam menyelesaikan tugas akhir ini.

12. Teman-teman angkatan 2010, 2011, 2012, 2013 yang menjadi teman-teman penulis saat di bangku kuliah.

13. Teman-teman Les bahasa inggris di Lembaga Bahasa Universitas Sanata Dharma Yogyakarta.

14. Teman-teman dan Bapak/Ibu Kos Banana 21.

15. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu dan mendukung penyelesaian tugas akhir ini.

Peneliti menyadari bahwa tugas akhir ini masih jauh dari sempurna. Oleh karena itu segala kritik dan saran yang membangun sangat diharapkan oleh peneliti. Akhirnya peneliti berharap agar tugas akhir ini dapat memberikan manfaat yang sebesar-besarnya bagi para pembaca dalam memperluas wawasan dan pengetahuan.

Yogyakarta, 24 April 2015 Peneliti,

Endrico Asan

(13)

xii

DAFTAR ISI

Halaman Sampul (Bahasa Indonesia) ... i

Halaman Sampul (Bahasa Inggris) ... ii

Halaman Persetujuan ... iii

Halaman Pengesahan ... iv

Pernyataan Keaslian Karya ... v

Halaman Persembahan ... vi

Lembar Persetujuan Publikasi Karya ... vii

Intisari ... viii

Abstract ... ix

Kata Pengantar ... x

Daftar Isi ... xii

Daftar Gambar ... xv

Daftar Tabel ...xviii

BAB I:PENDAHULUAN 1.1. Latar Belakang ... 1

1.2. Tujuan dan Manfaat ... 2

1.3. Batasan Masalah ... 2

1.4. Metodologi Penelitian ... 3

BAB II: DASAR TEORI 2.1. Pengertian Batik ... 4

2.2. Matlab ... 6

2.3. Pengolahan Citra ... 6

2.4. Citra RGB ... 7

2.5. Citra Grayscale ... 7

(14)

xiii

2.6. Resizing Citra ... 8

2.7. Discrete Cosine Transform (DCT 2-D) ... 10

2.8. Window Ekstraksi Ciri ... 12

2.9. Jarak Dice ... 12

2.10. Metode Template Matching ... 13

2.11. Metode k-Nearest Neighbor (KNN) ... 13

BAB III:PERANCANGAN 3.1. Perancangan Sistem ... 14

3.2. Perancangan Database Citra Motif Batik Yogyakarta ... 17

3.3. Gambar Uji ... 18

3.4. Tampilan Program pada GUI Matlab ... 18

3.5. Perancangan Diagram Alir ... 20

BAB IV:HASIL DAN PEMBAHASAN 4.1. Pendahuluan ... 28

4.2. Pengujian Program Software ... 28

4.3. Hasil Pengujian Program Pengenalan Citra Terhadap Tingkat Pengenalan Citra Motif Batik Yogyakarta ... 41

4.3.1. Pengujian Parameter Pengaturan Pengenalan Motif Batik Yogyakarta ... 42

4.4. Pengujian Citra Uji Tanpa Menggunakan Database ... 42

4.4.1 Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Tanpa Menggunakan Nilai k-Nearest Neighbor (k=1) ... 43

4.4.2. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=3) ... 47 4.4.3. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan

Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai

(15)

xiv

k-Nearest Neighbor (k=5) ... 52 4.4.4. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan

Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai

k-Nearest Neighbor (k=7) ... 56 4.5. Pengaruh Dari Berbagai Variasi Untuk Pengenalan

Motif Batik Yogyakarta ... 61 4.6. Hasil Pengenalan Terbaik Dari Setiap Kelas

k-Nearest Neighbor (k-NN) ... 65

4.6.1.Untuk Kelas Tanpa Menggunakan

k-Nearest Neighbor (k-NN) k=1 ... 65 4.6.2. Untuk Kelas Menggunakan

k-Nearest Neighbor (k-NN) k=7 ... 79 4.7. Kesimpulan Umum Dari Semua Yang Terbaik ... 84 BAB V:KESIMPULAN DAN SARAN

5.1. Kesimpulan ... 86 5.2. Saran ... 86 DAFTAR PUSTAKA ... 87 LAMPIRAN

(16)

xv

DAFTAR GAMBAR

Halaman

Gambar 2.1. Beberapa motif batik Yogyakarta ... 5

Gambar 2.2. Pengaturan citra RGB ... 7

Gambar 2.3. Contoh grayscale (a) Citra asli (b) Citra Grayscale ... 8

Gambar 2.4. Contoh resizing (a) Citra Grayscale sebelum di resizing (b) Citra hasil resizing ... 8

Gambar 2.5. Contoh Penskalaan dengan variabel skala sebesar 90% (a) Citra asli (b) Citra dengan ukuran lebih kecil dari citra masukan ... 10

Gambar 2.6. Contoh citra hasil DCT 2-D (a) Citra asli (b) Citra hasil DCT ... 11

Gambar 2.7. Window ekstraksi ciri ... 12

Gambar 3.1. Blok sistem proses pengenalan motif batik Yogyakarta ... 14

Gambar 3.2. Blok diagram perancangan Database Citra motif batik Yogyakarta ... 18

Gambar 3.3. Tampilan utama program pengenalan motif batik Yogyakarta ... 19

Gambar 3.4. Diagram Alir Pembuatan Database ... 21

Gambar 3.5. Diagram Alir Program Keseluruhan ... 22

Gambar 3.6. Diagram Alir Pemasukan dan Pemilihan Citra ... 23

Gambar 3.7. Diagram Alir Pemprosesan (Preprocessing) ... 23

Gambar 3.8. Diagram Alir Ekstraksi Ciri ... 24

Gambar 3.9. Diagram alir perhitungan jarak ... 25

Gambar 3.10. Diagram alir Proses k-Nearest Neighbor (k-NN) ... 26

Gambar 3.11. Diagram alir Penentuan Keluaran ... 27

Gambar 4.1. Icon matlab pada desktop ... 28

Gambar 4.2. Tampilan utama Matlab ... 29

Gambar 4.3. Tampilan interface GUI yang dibuat ... 29

Gambar 4.4. Tampilan interface GUI setelah di-run ... 30

Gambar 4.5. Jendela file selector untuk memasukkan citra ... 30

Gambar 4.6. Proses-proses pada interface GUI (a) Motif batik yang dipilih (b) Nama batik yang dipilih (c) Ukuran variasi resizing (d) Ukuran variasi jendela ekstraksi ciri ... 31

Gambar 4.7. Pengenalan saat tombol “Proses” ditekan ... 33

Gambar 4.8. Grafik tingkat pengenalan kelas k=1 terhadap jendela ekstraksi ciri ... 44

(17)

xvi

Gambar 4.9. Grafik tingkat pengenalan kelas k=1 terhadap

pengaruh masukan variasi rotasi ... 45 Gambar 4.10. Grafik tingkat pengenalan kelas k=1 terhadap

pengaruh masukan variasi Skala ... 47 Gambar 4.11. Grafik tingkat pengenalan kelas k=3 terhadap

jendela ekstraksi ciri ... 49 Gambar 4.12. Grafik tingkat pengenalan kelas k=3 terhadap

pengaruh masukan variasi Skala ... 61 Gambar 4.20. Tingkat pengenalan dari variasi resizing

128×128 piksel terhadap Jendela ekstraksi ciri ... 67 Gambar 4.21. Tingkat pengenalan dengan rotasi dan resizing

128×128 piksel dari k-NN k=1 ... 68 Gambar 4.22. Tingkat pengenalan dengan skala dan resizing

128×128 piksel dari k-NN k=1 ... 70 Gambar 4.23. Tingkat pengenalan dari variasi resizing

64×64 piksel terhadap jendela ekstraksi ciri ... 71 Gambar 4.24. Tingkat pengenalan dengan rotasi dan resizing

(18)

xvii

32×32 piksel dari k-NN k=7 ... 84

(19)

xviii

DAFTAR TABEL

Halaman Tabel 3.1. Keterangan tampilan utama program ... 19 Tabel 4.1. Hasil pengenalan citra motif batik Yogyakarta ... 34 Tabel 4.2. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap Jendela

Ekstraksi Ciri ... 43 Tabel 4.3. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh

masukan variasi Rotasi ... 45 Tabel 4.4. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh

masukan variasi Skala ... 47 Talel 4.5. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap jendela

ekstraksi ciri ... 48 Tabel 4.6. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap pengaruh

masukan variasi rotasi ... 49 Tabel 4.7. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap pengaruh

masukan variasi Skala ... 51 Tabel 4.8. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap jendela

ekstraksi ciri ... 53 Tabel 4.9. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap pengaruh

masukan variasi rotasi ... 54 Tabel 4.10.Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap pengaruh

masukan variasi Skala ... 56 Tabel 4.11.Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap jendela

ekstraksi Ciri ... 57 Tabel 4.12. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap

pengaruh masukan variasi rotasi ... 58 Tabel 4.13. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap

pengaruh masukan variasi Skala ... 60 Tabel 4.14. Gambar dari salah satu citra motif batik Yogyakarta dengan setiap variasi

Resizing dan Jendela ekstraksi ciri ... 62 Tabel 4.15. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=1 ... 66 Tabel 4.16. Tingkat Presentase terbaik dari rotasi 128×128 piksel

(20)

xix

dengan k-NN k=1 ... 67 Tabel 4.17. Tingkat Presentase terbaik dari skala dengan resizing

128×128 piksel dengan k-NN k=1 ... 69 Tabel 4.18. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=3 ... 70 Tabel 4.19. Tingkat Presentase terbaik dari Rotasi 128×128 piksel

128×128 piksel dengan k-NN k=3 ... 74 Tabel 4.21. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=5 ... 75 Tabel 4.22. Tingkat Presentase terbaik dari rotasi 200×200 piksel

128×128 piksel dengan k-NN k=5 ... 78 Tabel 4.24. Tingkat Presentase terbaik dari Jendela Ekstraksi Ciri k-NN k=7 ... 80 Tabel 4.25. Tingkat Presentase terbaik dari rotasi 200×200 piksel

32×32 piksel dengan k-NN k=7 ... 83

(21)

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Batik merupakan karya warisan budaya yang hampir ada di pulau-pulau Indonesia.

Di Indonesia batik merupakan suatu identitas Bangsa Indonesia karena batik sudah ada sejak jaman prasejarah. Batik mempunyai banyak keanekaragaman motif, karena motif batik tergantung pada pulau-pulau di seluruh Indonesia dan memiliki ciri khas yang berbeda dengan satu dengan lainnya.

Awalnya seni kerajinan batik merupakan kebudayaan yang terbatas, hasilnya berupa kain batik untuk pakaian raja dan keluarga serta para pengikutnya, selain itu batik digunakan dalam upacara-upacara adat jawa. Seiring dengan kemajuan peradaban batik sudah dikenal oleh masyarakat, banyak masyarakat yang menggunakan batik dalam kesehariannya dan telah menjadi kebutuhan yang tidak biasa.

Di Indonesia banyak masyarakat yang menggunakan batik dan sangat bangga memperlihatkan kebudayaannya kepada masyarakat, tetapi banyak masyarakat yang tidak mengenal motif-motif batik. Berdasarkan pernyataan diatas, penulis ingin membuat alat bantu untuk mengenali motif batik agar masyarakat dapat mengenali nama-nama motif batik tersebut.

Sejauh penulis membuat penelitian ini, penulis menemukan penelitian mengenai pengenalan motif batik salah satunya yang pernah diteliti oleh Widyastuti [1] yaitu tentang Pengenalan Motif Batik Yogyakarta Dengan Metode Linear Discriminant Analysis (LDA) (Studi Kasus Di Museum Batik Yogyakarta). Pengenalan motif batik menggunakan metode Linear Discriminant Analysis (LDA). Dalam penelitian ini penulis memakai sistem ekstraksi ciri Discrete Cosine Transform (DCT), fungsi jarak Dice, resizing yang bervariasi, dan menggunakan variasi rotasi serta penskalaan dalam proses pengenalan pola motif batik Yogyakarta. Hal ini yang membedakan penelitian mengenai proses pengenalan pola motif batik Yogyakarta yang dibuat oleh penulis dengan proses pengenalan motif batik dengan metode yang lain. Untuk membuat program dari sistem tersebut, penulis memakai software Matlab dan untuk interface menggunakan Graphical user interface (GUI).

(22)

1.2. Tujuan dan Manfaat Penelitian

Tujuan dari tugas akhir ini adalah membuat aplikasi yang dapat mengenali berbagai macam motif batik Yogyakarta menggunakan ekstraksi ciri Discrete Cosine Transform (DCT) dan metode pengukuran jarak Dice. Manfaat Penelitian ini adalah membantu masyarakat atau pengguna aplikasi yang belum mengerti tentang motif batik Yogyakarta, agar dapat mengenali jenis-jenis motif batik Yogyakarta melalui sebuah aplikasi.

1.3. Batasan Masalah

Penulis menetapkan beberapa batasan masalah yang dianggap perlu pada perancangan ini, yaitu sebagai berikut:

a. Pengenalan hanya pada batik Yogyakarta. Batik yang akan dikenali sebanyak 20 motif batik Yogyakarta, seperti: 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, dan Parang Kunci.

b. Ukuran citra motif batik Yogyakarta 200 × 200 piksel dengan format data .BMP [1].

c. Proses pengenalan tidak real time.

d. Menggunakan Perangkat lunak (software) komputasi (Matlab 7.0.4) dalam pembuatan Program.

e. Menggunakan metode Discrete Cosine Transform (DCT) untuk ekstraksi ciri.

f. Gambar citra motif batik Yogyakarta untuk pengujian dengan dimasukkan kedalam database akan menggunakan variasi rotasi -10°, -5°, 0°, 5°, 10° dan penskalaan 90%, 95%, 100%, 105%, 110%. Untuk pengujiannya dengan tidak dimasukkan kedalam database dengan variasi rotasi -2,5°, -7,5°, -12,5°, 2,5°, 7,5°, 12,5° dan variasi skala 92,5%, 97,5%, 102,5%, 107,5%, 112,5%. Lihat contoh di lampiran yang di masukan database 1, dan 2 serta yang tidak dimasukkan ke database 3 dan 4.

g. Menggunakan fungsi jarak Dice.

h. Resizing citra yang digunakan ukurannya bervariasi seperti 200 × 200, 128 × 128, 64 × 64, 32 × 32, dan 16 × 16 piksel.

(23)

i. Window ekstraksi ciri yang digunakan ukurannya bervarisi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel.

j. Selain 20 citra motif batik Yogyakarta diatas akan dikenali secara salah.

k. Keluarannya berupa teks di layar monitor dan suara di speaker.

1.4. Metodologi Penelitian

Langkah-langkah dalam pengerjaan tugas akhir:

a. Pengumpulan dan mempelajari bahan-bahan referensi berupa buku dan jurnal- jurnal, dan mencari bahan-bahan melalui situs internet dan media lain yang berkaitan dengan topik yang diambil.

b. Perancangan subsistem software. Tahap ini bertujuan untuk mencari bentuk model yang optimal dari sistem yang akan dibuat dengan mempertimbangkan berbagai faktor-faktor permasalahan.

c. Pembuatan subsistem software. Sistem akan bekerja apabila user menekan tombol push button yang ditampilkan dalam tampilan visual yang disediakan dalam software. Sejumlah 20 motif batik Yogyakarta telah tersedia dalam interface software, kemudian user memilih salah satu dari motif batik Yogyakarta. Hal ini dilakukan sebelum user menekan tombol push button. Setelah itu, matlab akan melakukan proses pengolahan gambar motif batik Yogyakarta dan akan menampilkan teks pada layar monitor berupa suara pengenalan motif batik Yogyakarta.

d. Tahap analisa yang pertama adalah menyelidiki pengaruh variasi resizing (piksel) dan window ekstraksi ciri terhadap tingkat pengenalan sistem. Dalam tahap ini dilakukan 700 kali percobaan pengenalan (20 motif batik × 35 set database).

Penyimpulan hasil dilakukan dengan mencari ukuran terbaik dari resizing dan window ekstraksi ciri. Tahap analisis yang kedua adalah menyelidiki pengaruh rotasi dan skala. Dalam tahap ini dilakukan 200 kali percobaan pengenalan (20 motif batik × 1 set database × 10 variasi rotasi dan skala) penyimpulan akhir dilakukan untuk mengetahui kinerja sistem pengenalan terhadap pengaruh rotasi dan skala pada citra masukan.

(24)

4

BAB II DASAR TEORI

2.1. Pengertian Batik

Batik berasal dari bahasa jawa “amba” yang berarti menulis dan “nitik”. Batik adalah salah satu cara pembuatan bahan pakaian. Selain itu batik bisa mengacu pada dua hal. Yang pertama adalah teknik pewarnaan kain dengan menggunakan malam untuk mencegah pewarnaan sebagian dari kain.

Batik merupakan karya warisan budaya bangsa bangsa Indonesia yang patut dilestarikan dan telah mengalami perkembangan seiring dengan perjalanan waktu.

Perkembangan yang terjadi telah membuktikan bahwa seni kerajinan batik sangat dinamis dan dapat menyesuaikan dirinya baik dalam dimensi bentuk, ruang, dan waktu [2].

Seni batik adalah kebanggaan bangsa Indonesia. Batik pada awalnya berkembang terutama di pulau Jawa, teristimewa di daerah Solo dan Yogyakarta. Di daerah ini batik menjadi seni tradisional yang turun-menurun hingga sekarang, bahkan sudah sampai keluar negeri.

Pada dasarnya seni batik termasuk seni lukis. Alat yang digunakan untuk melukis adalah canting. Canting memiliki berbagai macam ukuran tergantung pada jenis dan halusnya garis atau titik yang diinginkan.

Batik Indonesia telah ditetapkan oleh United Nations Educational, Scientific and Cultural Organization (UNESCO) sebagai warisan kemanusiaan untuk budaya lisan dan non-bendawi pada tanggal 2 Oktober 2009. Pengakuan UNESCO ini meliputi teknik, teknologi serta motif batik Indonesia.

Ragam hias corak batik umumnya dipengaruhi:

1. Letak geografis daerah pembuat batik;

2. Sifat dan data penghidupan daerah yang bersangkutan;

3. Kepercayaan dan adat istiadat setempat;

4. Keadaan alam, flora, dan fauna;

5. Akulturasi dengan daerah-daerah pembatik lain [3].

(25)

Beberapa motif batik tulis Yogyakarta sebagai berikut [1]:

1. Ceplok Dempel 2. Ceplok Kece 3. Kawung Galar 4. Kawung Kembang Cempoko Hitam

5. Kawung Picis 6. Lereng Kusuma 7. Nitik Cengkeh 8. Parang Barong

9. Parang Curigo 10. Parang Kawung Picis

11. Parang Kembang Sawut Cecek

12. Parang Keris

13. Parang Klitik 14. Parang Kunci 15. Parang Kusumo Ukel

16. Parang Pancing

17. Parang Tuding 18. Parisewuli Seling Pamor

19. Tambal 20. Truntum Gambar 2.1. Beberapa motif batik Yogyakarta (Sumber: Museum Batik Yogyakarta)

(26)

2.2. Matlab

Studi pengenalan citra ini membutuhkan sebuah alat bantu untuk menghitung data matematis yang kompleks. Matlab merupakan sebuah alat bantu yang dapat menangani permasalahan tersebut. Matlab yang merupakan bahasa pemrograman tingkat tinggi berbasis pada matriks sering digunakan untuk teknik komputasi numerik, yang digunakan untuk menyelesaikan masalah-masalah yang melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi dll. Software Matlab dibuat oleh MathWorks sehingga Matlab banyak digunakan pada:

1. Matematika dan Algoritma

2. Pemrograman modeling, simulasi, dan pembuatan prototype 3. Analisa data, eksplorasi dan visualisasi

4. Analisis numerik dan statistik 5. Pengembangan aplikasi teknik [4].

2.3. Pengolahan Citra

Pengolahan citra (image processing) merupakan suatu sistem di mana proses dilakukan dengan masukan berupa citra (image) dan hasilnya juga berupa citra (image).

Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer, serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari suatu citra, maka image processing tidak dapat dilepaskan dengan bidang komputer vision.

Sesuai dengan perkembangan komputer vision itu sendiri, pengolahan citra mempunyai dua tujuan utama, yakni sebagai berikut:

1. Memperbaiki kualitas citra, di mana citra yang dihasilkan dapat menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat informasi yang diharapkan dengan menginterprestasikan citra yang ada. Dalam hal ini interprestasi terhadap informasi yang ada tetap dilakukan oleh manusia (human perception).

2. Mengekstraksi informasi ciri yang menonjol pada suatu citra, dimana hasilnya adalah informasi citra dimana manusia mendapatkan informasi ciri dari citra secara numerik atau dengan kata lain komputer (mesin) melakukan interprestasi terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat dibedakan secara jelas (besaran-besaran ini berupa besaran numerik) [5].

(27)

2.4. Citra RGB

Pada aplikasi pegolahan sinyal digital pada umumnya, suatu citra biasanya mengacu ke citra RGB. Untuk citra berwarna, maka digunakan model RGB (Red-Green- Blue) di mana satu citra berwarna diinyatakan sebagai 3 buah matrik grayscale yang berupa matrik untuk Red (R-layer), matrik untuk Green (G-layer) dan matrik untuk Blue (B-layer).

R-layer adalah matrik yang menyatakan derajat kecerahan untuk warna merah misalkan untuk skala keabuan 0-255, maka nilai 0 menyatakan gelap (hitam) dan 255 menyatakan warna merah. G-layer adalah matrik yang menyatakan derajat kecerahan untuk warna biru [5].

Pada format .bmp, citra setiap piksel pada citra direpresentasikan dengan 24 bit, 8 bit untuk R, 8 bit untuk G dan 8 bit untuk B, dengan pengaturan seperti pada gambar 2.2.

[6].

Gambar 2.2. Pengaturan citra RGB

2.5. Citra Grayscale

Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra grayscale. Hal ini digunakan untuk menyederhanakan model citra.

Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik, yaitu R-layer, G-layer dan B-layer sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Dengan demikian, konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.

Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing R,G, dan B menjadi citra grayscale dengan nilai S, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai R,G, dan B sehingga dapat dituliskan menjadi [5]:

=

(2.1)

(28)

Untuk mencoba proses konversi citra berwarna menjadi citra grayscale ini dapat dibuat program seperti gambar 2.3.

(a) (b)

Gambar 2.3. Contoh grayscale (a) Citra asli (b) Citra Grayscale

2.6. Resizing Citra

Resizing citra artinya adalah mengubah besarnya ukuran citra digital dalam piksel.

Ada kalanya ukurannya berubah menjadi lebih kecil dari file aslinya dan ada kalanya sebaliknya [7]. Ukurannya berubah menjadi kecil atau besar dilakukan secara proporsional baik pada panjang maupun lebar citra. Contoh citra hasil Resizing dapat dilihat pada gambar 2.4.

(a) (b)

Gambar 2.4. Contoh resizing

(a) Citra Grayscale sebelum di resizing (b) Citra hasil resizing

Citra Masukan

50 100 150 200

50

100

150

200

Grayscale

50 100 150 200

50

100

150

200

Grayscale

50 100 150 200

50

100

150

200

Resizing ke 128x128

20 40 60 80 100 120

(29)

Transformasi Affine (Affine Transformation) [8]

Metode transformasi Affine ini menggabungkan proses dasar seperti rotasi, dan penskalaan ke dalam satu proses untuk mendapatkan citra keluaran yang diinginkan.

Rumus perhitungan transformasi Affine dapat menggambarkan hubungan antara kedua proses tersebut. Secara matematis rumus transformasi Affine adalah sebagai berikut.

= × + (2.2)

Proses penskalaan didapat dengan mengganti nilai A dan B dengan nilai sebagai berikut.

= 0

0 (2.3)

= 0

0 (2.4)

Sehingga didapatkan rumus pengganti untuk proses penskalaan adalah sebagai berikut.

= 0

0 × + 0

0 (2.5)

Sehingga:

= 0

0 × (2.6)

Rumus diatas menggambarkan sebuah proses linear rotasi dan penskalaan dalam satu proses.

Penskalaan adalah sebuah operasi geometri yang memberikan efek memperbesar atau memperkecil ukuran citra masukan sesuai dengan variable penskalaan citranya.

Ukuran baru hasil penskalaan didapat melalui perkalian antara ukuran citra masukan dengan variable penskalaan. Proses penskalaan dapat dilakukan dengan rumus:

= × (2.7)

= × (2.8)

Di mana ( , ) adalah ukuran citra masukan, ( , ) adalah ukuran citra keluaran, dan ( , ) adalah variable penskalaan yang diinginkan. Jika variabel

(30)

penskalaan bernilai lebih besar dari 1 maka hasil penskalannya akan memperbesar ukuran citra, sebaliknya apabila variabel penskalaannya lebih kecil dari 1 maka hasilnya akan memperkecil ukuran citra. Gambar 2.5 berikut ini menunjukkan hasil implementasi dari proses penskalaan sebesar 90%.

(a) (b) Gambar 2.5. Contoh Penskalaan dengan variabel skala sebesar 90%.

(a) Citra asli (b) Citra dengan ukuran lebih kecil dari citra masukan

2.7. Discrete Cosine Transform (DCT 2-D)

DCT dimensi satu berguna untuk mengolah sinyal-sinyal dimensi satu seperti bentuk gelombang suara. Sedangkan untuk citra yang merupakan sinyal dua dimensi, diperlukan versi dua dimensi dari DCT. Untuk matriks N x M, 2-D DCT dapat dihitung dengan cara 1-D DCT diterapkan pada setiap baris dari C dan kemudian hasilnya dihitung DCT untuk setiap kolomnya.

Rumus transformasi 2-D DCT untuk C adalah sebagai berikut:

C( , ) = ( ) ( ) ( , ) cos (2 + 1)

2 cos (2 + 1)

2

dengan u = 0, 1, 2, …, N-1, dan v = 0, 1, 2, …, M-1, sedangkan (2.9)

( ) =

√ untuk = 0 untuk ≠ 0

(2.10)

Citra asli

50 100 150 200

50

100

150

200

Citra dengan Penskalaan 90%

50 100 150

50

100

150

(31)

( ) = ^√

untuk = 0 untuk ≠ 0

(2.11)

Ket:

M, N = Banyak kolom dan baris.

C(u,v) = Titik koordinat dari matriks yang telah mengalami transformasi DCT 2 dimensi.

f (x,y) = Nilai piksel dari matriks pada titik (x,y).

( ) dan ( )= Himpunan hasil yang nilainya ditentukan dari nilai koefisien u dan v.

Rumus 2-D DCT diatas sering juga disebut sebagai forward discrete cosine transform (FDCT). 2-D DCT dapat dihitung dengan menerapkan transformasi 1-D secara terpisah pada baris dan kolomnya, sehingga dapat dikatakan bahwa 2-D DCT separable dalam dua dimensi.

Setiap basis matriks dikarakterisasikan oleh frekuensi spasial horizontal dan vertikal. Frekuensi horizontal meningkat dari kiri ke kanan, dan dari atas ke bawah secara vertikal. Dalam konteks citra, hal ini menunjukkan tingkat signifikansi secara perseptual, artinya basis fungsi dengan frekuensi rendah memiliki sumbangan yang lebih besar bagi perubahan penampakan citra dibandingkan basis fungsi yang memiliki frekuensi tinggi.

Nilai konstanta basis fungsi yang terletak di bagian kiri atas sering disebut sebagai basis fungsi DC, dan DCT koefisien yang bersesuaian dengannya disebut sebagai koefisien DC (DC Coefficient) [9].

Contoh citra hasil DCT 2-D dapat dilihat pada gambar 2.6.

(a) (b)

Gambar 2.6. Contoh citra hasil DCT 2-D. (a) Citra asli (b) Citra hasil DCT

Citra asli

20 40 60 80 100 120 20

40 60 80 100 120

Citra hasil DCT

20 40 60 80 100 120 20

40 60 80 100 120

(32)

2.8. Window Ekstraksi Ciri

Window ekstraksi ciri yang digunakan untuk pengenalan, proses pengambilan hasilnya berbentuk bujur sangkar. Window bujur sangkar digunakan untuk dimensi dari ekstraksi ciri DCT. Pengambilan hasil ekstraksi ciri DCT window ini terdapat di sisi kiri atas. Gambar 2.7. menunjukkan urutan dari proses window ekstraksi ciri [10]:

Gambar 2.7. Window ekstraksi ciri Keterangan :

1. Window 1×1 = 1 koefisien DCT 6. Window 6×6 = 36 koefisien DCT 2. Window 2×2 = 4 koefisien DCT 7. Window 7×7 = 49 koefisien DCT 3. Window 3×3 = 9 koefisien DCT 8. Window 8×8 = 64 koefisien DCT 4. Window 4×4 = 16 koefisien DCT 9. Window 9×9 = 81 koefisien DCT 5. Window 5×5 = 25 koefisien DCT 10.Window 10×10 = 100 koefisien DCT

2.9. Jarak Dice

Jarak ini biasanya digunakan untuk pengenalan citra, nada, suara, wajah, sidik jari, dan iris mata. Jarak Dice dirumuskan dengan [11]:

=

_∑ ^∑ ⁽ ^)²

+ ∑ (2.12)

Di mana:

= Jarak Dice

(33)

P,Q = Dua vektor yang akan dicari jaraknya n = Ukuran vektor

2.10. Metode Template Matching

Template matching adalah salah satu teknik dalam pengolahan citra digital yang berfungsi untuk mencocokan tiap-tiap bagian dari suatu citra dengan citra yang menjadi sampel (template). Teknik ini banyak digunakan dalam bidang industri sebagai bagian dari quality control.

Prinsip metode ini adalah membandingkan antara citra objek yang akan dikenali dengan citra sampel (template). Citra objek yang akan dikenali mempunyai tingkat kemiripan sendiri terhadap masing-masing citrasampel (template). Pengenalan dilakukan dengan melihat nilai tingkat kemiripan tertinggi dan nilai batas ambang pengenalan dari citra objek tersebut. Bila nilai tingkat kemiripan berada di bawah nilai batas ambang maka citra objek tersebut dikategorikan sebagai objek tidak dikenal [12].

Pada prinsipnya metode template matching memiliki karakteristik antara lain:

1. Relatif mudah untuk diaplikasikan dalam teknik pengolahan citra digital.

2. Hasilnya relatif sangat akurat karena mendeteksi kesalahan hingga ukuran pixel.

3. Metode ini cukup rentan terhadap perbedaan orientasi antara citra sampel (template) dengan citra yang akan diidentifikasi, yang meliputi: ukuran, posisi dan kualitas citra.

4. Untuk mendapatkan hasil yang maksimal maka metode ini sangat tergantung pada teknik pengolahan citra digital yang lain seperti enhacement, color filtering, dll [13].

2.11. Metode K-Nearest Neighbor (K-NN)

Algoritma K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap obyek berdasarkan data pembelajaran yang jaraknya paling dekat dengan obyek tersebut. Dari gambar yang diberi vector x dan ukuran jarak, maka:

a. Dari vector N, mengidentifikasi k-Nearest Neighbor (K-NN), yang lepas dari label kelas. k adalah yang dipilih untuk menjadi dua kelas bermasalah, dan secara umum tidak menjadi kelipatan dari jumlah kelas M.

b. Dari sampel k, mengidentifikasi untuk jumlah vector, ki, yang termasuk dalam kelas wi, i = 1, 2,…,M. Tentunya ∑ = .

c. Penetapan x untuk kelas wi dengan maksimal jumlah sampel dari ki [14].

(34)

14

BAB III

PERANCANGAN

3.1. Perancangan Sistem

Blok sistem pengenalan motif batik Yogyakarta ditunjukkan pada gambar 3.1.

Gambar 3.1. Blok sistem proses pengenalan motif batik Yogyakarta

Sistem pengenalan citra motif batik Yogyakarta terdiri dari software pada laptop yang berfungsi sebagai user interface dalam proses pengenalan. Software laptop yang dibuat dalam bentuk user interface dengan program Matlab dan GUI berperan sebagai pusat pengaturan semua proses pengenalan citra motif batik Yogyakarta, seperti memasukan citra batik Yogyakarta dan mengenali citra batik yang dipilih user. Pemasukan citra dilakukan oleh laptop melalui citra yang sudah disiapkan sebanyak 20 motif batik Yogyakarta dengan ukuran 200 × 200 piksel.

Sistem pengenalan motif batik ini digunakan metode ekstraksi ciri Discrete Cosine Transform (DCT) dan jarak Dice 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 DCT yang digunakan pada saat proses pengenalan. Setelah melalui proses pengujian dalam sistem dengan menggunakan metode DCT, user mendapatkan hasil keluaran berupa nama dan suara dari motif batik Yogyakarta beserta angka akurasinya. Proses ini semua terdiri dari citra masukan, preprocessing, ekstraksi ciri Discrete Cosine Transform (DCT) , fungsi jarak,

Citra Motif Batik Yogyakarta

Preprocessing Ekstraksi ciri Discrete Cosine Transform (DCT)

Fungsi jarak Dice

Penentuan Citra

Database motif batik Yogyakarta

Keluaran Pengenalan

Citra k-Nearest Neighbor

(35)

penentuan keluaran menggunakan k-Nearest Neighbor (k-NN) dan keluaran pengenalan citra seperti yang ditunjukkan pada gambar 3.1.

a. Citra motif batik Yogyakarta

Proses ini user akan memilih salah satu citra motif batik berukuran 200 × 200 piksel yang akan dikenali dan ada beberapa variasi rotasi dan skala. Motif batik menggunakan format bmp. Berikut contoh program masukan citra:

x0=imread('Nama_Batik.bmp');

Fungsi imread (‘namafile’) digunakan untuk membaca citra gambar yang ada pada komputer, agar bisa dibaca dan ditampilkan, maka file citra gambar itu juga harus sudah ada pada folder work di dalam matlab.

b. Preprocessing

Preprocessing adalah proses pengolahan citra asli sebelum citra tersebut diolah.

Tujuan preprocessing diantaranya menghilangkan noise, memperjelas features (fitur) citra, memperkecil atau memperbesar ukuran citra dan mengkonversi citra asli agar diperoleh citra yang sesuai dengan kebutuhan. Proses preprocessing terdiri dari grayscale, dan resizing. Proses ini juga bertujuan untuk mempersiapkan citra yang akan di ekstraksi ciri agar dapat dilanjutkan ke proses selanjutnya.

Proses grayscale dilakukan dalam image processing untuk mengubah citra berwarna motif batik menjadi grayscale atau keabuan. Hal ini digunakan untuk menyederhanakan model citra dan mempermudah pengolahan citra dalam proses ekstraksi ciri. Berikut contoh program dari grayscale :

x1=double(rgb2gray(x0));

Proses normalisasi dilakukan untuk mengambil nilai maksimum dari citra grayscale. Citra yang dicuplik adalah citra grayscale yang bernilai 0 sampai 255, sehingga pada normalisasi dibagi dengan nilai maksimum yaitu 255. Hasil resizing dinormalisasi dengan cara membagi hasil resizing dengan 255 (nilai maksimum dari grayscale).

(36)

Proses resizing dilakukan agar citra yang akan di ekstrak dari masukan gambar citra dengan resolusi 200 × 200 piksel akan mempunyai ukuran piksel yang lebih kecil dari aslinya sesuai dengan ukuran resizing yang digunakan oleh user. Ekstraksi ciri Discrete Cosine Transform (DCT), akan mempunyai ukuran piksel yang sama dengan ukuran resizing sesuai dengan variasi yang digunakan. Ukuran resizing citra yang digunakan akan bervariasi dan ukuran dari ekstraksi ciri DCT akan menyesuaikan dengan ukuran resizing yang digunakan. Berikut contoh program resizing dengan masukan citra batik berukuran 200 × 200 piksel di resizing menjadi 128 × 128 piksel dan ukuran piksel DCT sama sesuai dengan ukuran resizing:

% Masukan

% ---

x0=imread('Nama_Batik.bmp');

% Preprocessing

% ---

% Konversi rgb ke gray x1=double(rgb2gray(x0));

% Normalisasi x2=x1/255;

% Resizing ke 128x128 piksel x3=imresize(x2,[128 128]);

c. Ekstraksi ciri

Ekstraksi ciri yang digunakan pada pengenalan citra ini yaitu Discrete Cosine Transform Two Dimension (DCT 2-D) yang bekerja dengan memisahkan gambar ke bagian frekuensi yang berbeda atau gambar dibagi menjadi beberapa blok-blok kecil.

Selama langkah kuantisasi disebut, di mana bagian dari kompresi sebenarnya terjadi, frekuensi yang kurang penting dibuang. Kemudian, dikonversikan dari domain spasial ke domain DCT. Hanya frekuensi yang paling penting yang tetap digunakan untuk mengambil gambar dalam proses dekompresi, dengan cara melakukan evaluasi dari variasi jumlah koefisien DCT dari 16, 25, 36, 49, 64, 81, dan 100. Nilai-nilai koefisien DCT tersebut didapatkan dari Window ekstraksi ciri yang digunakan, ukurannya bervariasi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel. Akibat dari pengkompresan tersebut, gambar direkonstruksi mengandung beberapa distorsi.

(37)

d. Fungsi Jarak

Proses ini membandingkan motif batik Yogyakarta yang dipilih oleh user dengan database. Hasil dari perbandingan adalah jarak minimum yang kemudian akan digunakan dalam proses selanjutnya. Dalam sistem ini yang digunakan adalah fungsi jarak Dice seperti pada persamaan (2.12).

e. Penentuan Citra

Proses penentuan citra adalah subproses terakhir dari proses pengenalan motif batik Yogyakarta. Pada proses ini, hasil pengenalan motif batik Yogyakarta ditentukan berdasarkan jarak minimum yang diperoleh setelah proses perhitungan dari semua citra oleh fungsi jarak. Hasil dari perhitungan jarak dari 20 motif batik Yogyakarta beserta variasinya akan dimasukkan kedalam metode penentuan keluaran yaitu k-Nearest Neighbor (k-NN).

f. Keluaran Pengenalan Citra

Hasil akhir software yang akan mengenali motif batik Yogyakarta. Tampilan dalam bentuk visual GUI Matlab yang telah dirancang oleh penulis.

3.2. Perancangan Database Citra Motif Batik Yogyakarta

Citra acuan yang disebut dengan database dibutuhkan sebagai penentu pengenalan motif batik Yogyakarta. Pembentukan database pada penelitian yang akan dilakukan terdiri dari 35 set database, 35 set tersebut adalah 200×200, 128×128, 64×64, 32×32, dan 16×16 piksel serta ukuran window ekstraksi ciri yang digunakan bervariasi seperti 4×4, 5×5, 6×6, 7×7, 8×8, 9×9, dan 10×10 piksel. Database hendaknya memiliki ciri yang sudah diketahui oleh sistem. Untuk memperoleh database, penulis mengambil 20 jenis motif batik Yogyakarta pada setiap citra yang akan dikenali tersebut (Motif batik 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, dan Parang Kunci). Tujuannya untuk menanggulangi perbedaan dalam pengambilan 20 jenis motif batik Yogyakarta. Proses pengambilan dapat dilihat pada gambar 3.2. Pengambilan citra yang akan dijadikan database harus melalui proses dari masukan citra motif batik

(38)

Yogyakarta, preprocessing dan ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D).

Gambar 3.2. Blok diagram perancangan Database Citra motif batik Yogyakarta

Proses pengambilan citra terdiri dari 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, dan Parang Kunci. Kemudian citra motif batik Yogyakarta akan di proses melalui preprocessing yang terdiri dari grayscale dan resizing, ukuran resizing citra akan menyesuaikan dengan ukuran resizing yang digunakan. Setelah citra motif batik Yogyakarta diproses melalui preprocessing, selanjutnya hasil preprocessing citra motif batik Yogyakarta masuk ke dalam proses ekstraksi ciri DCT 2-D untuk diambil data matriknya, kemudian data matrik tersebut disimpan dalam format .mat yang digunakan sebagai database.

3.3. Gambar Uji

Untuk memperoleh gambar uji pada setiap gambar pada pengenalan gambar motif batik Yogyakarta, user menekan tombol “Pencarian” ditampilan GUI. Motif batik atau sampel sudah diatur secara fix dan ukuran citra 200 × 200 piksel dengan beberapa variasi rotasi dan skala dalam pengenalan motif. Proses yang berlangsung meliputi masukan citra motif batik Yogyakarta, preprocessing dan ekstraksi ciri Discrete Cosine Transform (DCT). Hasil proses tersebut disimpan dan kemudian diproses kembali untuk mendapatkan hasil pengenalan motif batik Yogyakarta.

3.4. Tampilan Program pada GUI Matlab

Tampilan interface pada perancangan ini menggunakan GUI Matlab. Tampilan ini digunakan untuk mempermudah dalam menggunakan sistem yang dibuat. Tampilan GUI sistem pengenalan motif batik Yogyakarta yang akan dibuat dapat dilihat pada gambar 3.3.

Citra Motif Batik Yogyakarta

Preprocessing

Ekstraksi ciri Discrete Cosine Transform (DCT)

Database motif batik Yogyakarta

(39)

Gambar 3.3. Tampilan utama program pengenalan motif batik Yogyakarta

Tabel 3.1. Keterangan tampilan utama program

Nama Bagian Deskripsi

Tombol Pencarian Digunakan Untuk memilih citra dari file selector Panel pilih batik Untuk menampilkan nama citra yang dipilih oleh user Axes 1 pada panel Hasil Pencarian Untuk menampilkan citra yang dipilih oleh user Axes 2 pada panel Preprocessing Untuk menampilkan citra hasil grayscale Axes 3 pada panel Preprocessing Untuk menampilkan citra hasil resizing Axes 4 pada panel DCT Untuk menampilkan citra hasil DCT

Axes 5 pada panel Ekstraksi ciri Untuk menampilkan citra hasil ekstraksi ciri

Axes 6 pada keluaran suara Untuk menampilkan simbol suara dan tidak bersuara Pop menu 1 Variasi Resizing Untuk memilih variasi resizing yang digunakan Pop menu 2 Jendela ekstraksi ciri Untuk memilih variasi ekstraksi ciri yang digunakan Tombol Proses Digunakan untuk proses pengenalan citra motif batik

Yogyakarta

(40)

Tabel 3.1. (Lanjutan) Keterangan tampilan utama program

3.5. Perancangan Diagram Alir

Program pengenalan motif batik Yogyakarta akan dieksekusi saat user mulai menjalankan program ini. Setelah tampilan utama terlihat, proses pengujian sudah dapat dilakukan. User pertama kali harus menekan tombol yang digunakan dalam pengujian pada

“Pencarian” untuk memilih motif batik Yogyakarta. User dapat memasukkan motif batik Yogyakarta dari jendela file selector yang akan tampil ketika menekan tombol

“Pencarian”. Setelah memasukkan citra motif batik Yogyakarta dengan memilih salah satu citra di dalam file selector, selanjutnya program akan melakukan proses pengenalan motif batik Yogyakarta dengan menekan tombol “Proses”. Proses pengenalan akan berhenti ketika kolom penentuan citra sudah tampak hasilnya serta keluaran suara sudah berbunyi dan user menekan tombol “Selesai” dan bila ingin memulai proses pengenalan yang baru dapat menekan tombol “Reset”.

Proses pembuatan database motif batik Yogyakarta harus melalui proses dari masukan citra motif batik Yogyakarta, preprocessing yang terdiri dari grayscale dan resizing. Ukuran resizing citra akan menyesuaikan dengan ukuran resizing yang digunakan. Setelah citra motif batik Yogyakarta diproses melalui preprocessing, selanjutnya citra motif batik Yogyakarta hasil preprocessing masuk ke dalam proses ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D) untuk diambil data matriknya, dapat dilihat pada gambar 3.4.

Tombol Reset Digunakan bila ingin memulai proses pengenalan citra yang baru

Tombol Selesai Digunakan Untuk mengakhiri proses dan keluar aplikasi

Panel Keluaran Untuk menampilkan hasil keluaran nama citra dalam bentuk teks dan suara. Ketika ada proses keluaran akan ditampilkan teks keluaran dan simbol suara tanpa tanda silang. Ketika tidak ada proses keluaran akan terlihat simbol suara dengan tanda silang

(41)

Gambar 3.4. Diagram Alir Pembuatan Database

Alur program keseluruhan pengenalan citra motif batik Yogyakarta diperlihatkan pada gambar 3.5. program ini menjalankan 2 macam proses yaitu pemasukan dan pemilihan citra motif batik Yogyakarta, setelah melakukan proses pemilihan citra yang akan diteliti kemudian citra akan divariasikan rotasi dan skalanya. Selanjutnya akan diproses melalui pemprosesan citra (preprocessing) setelah itu kemudian diekstraksi ciri menggunakan ekstraksi ciri Discrete Cosine Transform (DCT). Kemudian citra uji tersebut akan dibandingkan dengan citra database menggunakan fungsi jarak Dice maka akan didapatkan hasil perhitungan jarak yang dimasukkan ke dalam k-Nearest Neighbor (k-NN) untuk diproses kemudian nilai yang paling banyak muncul atau paling minimum dari tiap sampel database kemudian akan ditampilkan dalam text box keluaran berupa suara motif yang dikenali.

Masukan:

Motif batik Yogyakarta

Pemasukan dan Pemilihan citra motif

batik Yogyakarta

Pemrosesan citra (Preprocessing)

Ekstraksi Ciri (DCT 2-D)

Database:

Matrik citra database

Stop Start

(42)

Gambar 3.5. Diagram Alir Program Keseluruhan

Alur program pemasukan dan pemilihan citra motif batik Yogyakarta dapat dilihat pada gambar 3.6. Proses pengenalan citra motif batik Yogyakarta bermula dari laptop menjalankan fungsi untuk pengenalan. Pada saat user menekan tombol “Pencarian” maka akan keluar gambar citra dari motif batik Yogyakarta di dalam file selector. Setelah semua citra motif batik Yogyakarta keluar tampilannya, user harus memilih salah satu dari motif batik yang akan dikenali serta user harus memilih salah satu ukuran variasi motif batik Yogyakarta dengan variasi yang dimasukkan ke dalam database dengan rotasi -10°, -5°, 0°, 5°, 10° dan skala 90%, 95%, 100%, 105%, 110%. Kinerja sistem juga diuji dengan variasi rotasi -2,5°, -7,5°, -12,5°, 2,5°, 7,5°, 12,5° dan variasi skala 92,5%, 97,5%, 102,5%,

Start

Masukan:

Pemasukan dan Pemilihan citra motif batik

Yogyakarta

Stop Keluaran:

Teks dan Suara Penentuan Keluaran Citra

Perhitungan jarak Dice terhadap database

Ekstraksi Ciri (DCT 2-D) Pemrosesan citra

(Preprocessing)

(43)

107,5%, 112,5%, variasi ini tidak dimasukkan ke database. Semua variasi tersebut untuk mengetahui kinerja sistem terhadap pengaruh rotasi dan skala pada citra masukan.

Gambar 3.6. Diagram Alir Pemasukan dan Pemilihan Citra

Setelah user melakukan proses pemilihan dari salah satu citra motif batik Yogyakarta dan memilih variasi dan rotasi, kemudian citra motif batik Yogyakarta tersebut memasuki tahap pemprosesan citra (preprocessing). Preprocessing yang dilakukan terdiri dari proses grayscale, dan resizing yang bervariasi dengan ukuran 200×200, 128×128, 64×64, 32×32, dan 16×16 piksel. User harus memilih salah satu dari ukuran terbaik dari resizing tersebut. Alur program pemprosesan citra dapat dilihat pada gambar 3.7.

Gambar 3.7.Diagram Alir Pemprosesan (Preprocessing) Masukan:

Citra Motif batik Yogyakarta

Grayscale

Resizing

Keluaran:

Citra hasil preprocessing Start

Stop Masukan:

Pemilihan:

Satu Motif Batik Yogyakarta

Keluaran:

Citra motif batik Yogyakarta

Stop Start

(44)

Setelah proses pemprosesan citra (preprocessing) selesai, proses selanjutnya adalah proses ekstraksi ciri Discrete Cosine Transform Two Dimension (DCT 2-D). Tujuan dari DCT 2-D untuk membagi citra dengan ukuran resizing yang bervariasi dan ukuran resizing yang dipilih oleh user dimasukkan ke dalam beberapa blok-blok kecil dengan ukuran tetap yang kemudian dikonversikan dari domain spasial ke domain DCT dan membentuk ukuran window. Untuk mengetahui nilai dari ukuran window tersebut, maka proses yang dilakukan adalah window esktraksi ciri dengan cara melakukan evaluasi dari tiap ukuran window dengan koefisien DCT dari 16, 25, 36, 49, 64, 81, dan 100. Hasil dari nilai koefisien yang terbaik adalah nilai ekstraksi ciri yang diperoleh. Alur program ekstraksi ciri dapat dilihat pada gambar 3.8.

Gambar 3.8. Diagram Alir Ekstraksi Ciri

Diagram alir perhitungan jarak dapat dilihat pada gambar 3.9. Pada proses perhitungan jarak, masukannya adalah hasil perhitungan ekstraksi ciri berupa matriks.

Nilai ekstraksi ciri yang diperoleh dari citra masukan dibandingkan dengan nilai ekstraksi ciri pada database dengan dengan menggunakan rumus pada persamaan (2.12). Kemudian akan menampilkan hasil perhitungan jarak.

Start

Masukan:

Citra Preprocessing

DCT 2-D

Hitung nilai absolute DCT 2-D

Window ekstraksi ciri

Keluaran:

Hasil ekstraksi ciri

Stop

(45)

Gambar 3.9. Diagram alir perhitungan jarak

Selanjutnya hasil perhitungan jarak yang diperoleh dari data citra masukan dengan database kemudian dimasukkan ke dalam k-Nearest Neighbor (k-NN). k-Nearest Neighbor (k-NN) digunakan untuk penentuan keluaran, dimana k-Nearest Neighbor (k-NN) akan mengurutkan hasil perhitungan jarak dari nilai yang paling kecil sampai yang besar. Hasil nilai yang paling terkecil atau paling minimum akan diambil sesuai dengan banyaknya k seperti 1, 3, 5, dan 7. Hasil dari pemilihan k tersebut akan mengeluarkan urutan sampel yang sesuai dengan urutan dari database. Setelah keluarnya hasil urutan sampel dari database akan keluar urutan motif batik Yogyakarta sesuai dengan urutannya seperti pada gambar 2.1. Dari nilai pengurutan motif batik Yogyakarta tersebut maka akan diambil nilai yang sama sesuai dengan urutannya. Nilai kelas yang paling banyak muncul akan menjadi penentuan keluaran motif batik Yogyakarta yang dikenal.

Setelah memperoleh nilai kelas yang paling banyak muncul, subproses yang terakhir dari proses pengenalan citra adalah proses penentuan keluaran. Pada proses penentuan keluaran ini hasil pengenalan citra ditentukan berdasarkan kelas yang paling banyak muncul dengan menggunakan metode k-Nearest Neighbor (k-NN). Proses k- Nearest Neighbor (k-NN) tersebut dapat dilihat pada gambar 3.10.

Masukan:

Hasil Ekstraksi ciri citra masukan, hasil ekstraksi ciri database

Start

Penghitungan jarak: ekstraksi ciri data masukan dengan

ekstraksi ciri database

Keluaran:

Hasil perhitungan jarak

Stop

(46)

Gambar 3.10. Diagram alir Proses k-Nearest Neighbor (k-NN)

Kemudian hasil dari nilai kelas yang paling banyak muncul tersebut akan ditampilkan berupa keluaran teks dan suara dari 20 nama motif batik Yogyakarta seperti (Ceplok_Dempel, Ceplok_Kece, Kawung_Galar, Kawung_Kembang_Cempoko_Hitam, Kawung_Picis, Lereng_Kusuma, Nitik_Cengkeh, Parang_Barong, Parang_Curigo, Parang_Kawung_Picis, Parang_Kembang_Sawut_Cecek, Parang_Keris, Parang_Klitik, Parang_Kunci, Parang_Kusumo_Ukel, Parang_Pancing, Parang_Tuding, Parisewuli_Seling_Pamor, Tambal, dan Truntum). Hasil keluaran adalah nama citra dalam bentuk teks dan suara. Ketika ada proses keluaran akan ditampilkan teks keluaran dan

Diambil sejumlah k jarak terkecil

Masukan:

Hasil Perhitungan Jarak

Start

Pemilihan nilai k=1, 3, 5, dan 7

Sortir jarak dari yang paling kecil ke yang

paling besar

Mencari Modus = Kelas yang paling sering muncul

Keluaran:

Hasil k-Nearest Neighbor (k-NN)

Stop

(47)

simbol suara tanpa tanda silang. Ketika tidak ada proses keluaran akan terlihat simbol suara dengan tanda silang. Proses penentuan keluaran tersebut dapat dilihat pada gambar 3.11.

Gambar 3.11. Diagram alir Penentuan Keluaran Masukan:

Hasil k-Nearest Neighbor (k-NN)

Keluarkan teks dan suara sesuai hasil

keluaran k-NN

Keluaran:

Teks dan Suara

Stop Start