Klasifikasi Citra Songket Aceh Menggunakan Metode Probabilistic Neural Network

Klasifikasi Citra Songket Aceh Menggunakan Metode Probabilistic Neural Network

Ismi Amalia¹, Indra Mawardi¹, Indrawati^2*, Muhammad Arhami², Muhammad^3,, Guntur Syahputra²

1Jurusan Teknik Mesin, Politeknik Negeri Lhokseumawe, Lhokseumawe

2Jurusan Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Lhokseumawe

3Program Studi Teknik Kimia, Universitas Serambi Mekkah, Banda Aceh

*Koresponden email: indrawati@pnl.ac.id

Diterima: 15 Mei 2023 Disetujui: 22 Mei 2023

Abstract

The purpose of this study is to classify the image of the Acehnese Songket. The research data uses ten Acehnese Songket motifs and the data was obtained from the Nyak Mu Songket weaving business. The stages of this research are image acquisition, preprocessing, feature extraction, classification and evaluation. Texture feature extraction of the Aceh Songket image uses the Gray Level Co-occurrence Matrix (GLCM) method. The features used in this study are entropy, energy, sum of squares: variance, difference entropy and autocorrelation. The Probabilistic Neural Network (PNN) method is used to classify the Aceh Songket image. The Leave-One-Out Cross Validation (LOOCV) method is used to share training data and test data. The result of the classification of the Aceh Songket image using the PNN method is 93%.

Keywords:GLCM, classification, LOOCV, PNN, songket aceh

Abstrak

Tujuan penelitian ini untuk mengklasifikasikan citra Songket Aceh. Data penelitian menggunakan sepuluh motif Songket Aceh dan data diperoleh dari tempat usaha tenun Songket Nyak Mu. Tahapan penelitian ini adalah akuisisi citra, pra-proses, ekstraksi fitur, klasifikasi dan evaluasi. Ekstraksi fitur tekstur citra Songket Aceh menggunakan metode Gray Level Co-occurrence Matrix (GLCM). Fitur-fitur yang digunakan pada penelitian ini adalah entropy, energy, sum of squares: variance, difference entropy dan autocorrelation.

Metode Probabilistic Neural Network (PNN) diaplikasikan untuk klasifikasi citra Songket Aceh. Metode Leave-One-Out Cross Validation (LOOCV) digunakan untuk pembagian data latih dan data uji. Hasil klasifikasi citra Songket Aceh dengan metode PNN adalah sebesar 93%.

Kata Kunci:GLCM, klasifikasi, LOOCV, PNN, songket aceh

1. Pendahuluan

Indonesia terdiri atas banyak suku serta adat istiadat. Budaya yang berbeda-beda dimiliki tiap wilayah di Indonesia. Kerajinan tenun seperti Songket dari Sumatra, ulos dari Batak, serta kain lurik dari Jawa Tengah adalah bukti keragaman budaya di Indonesia [1]. Songket adalah salah satu kreasi tenun yang dihasilkan dengan proses yang rumit, teliti dan membutuhkan waktu yang cukup lama [2]. Salah satu tempat pengrajin kain Songket secara turun temurun di Aceh adalah Tenun Songket Nyak Mu di Gampong Siem, Kecamatan Darussalam, Aceh Besar.

Di Aceh, tidak banyak perajin mempunyai kemampuan menenun Songket. Pengrajin yang ada, seperti Jasmani, terkendala dengan peralatan, modal serta bahan baku sehingga tidak sanggup memproduksi dalam jumlah besar. Satu helai kain tenun dengan motif simpel, dapat dihasilkan dalam waktu 2 pekan sampai satu bulan. Mempunyai kain Songket untuk masyarakat di Aceh merupakan sebuah kebanggaan.

Tenun Songket Aceh dijadikan sebagai hantaran untuk pengantin atau digunakan dalam acara-acara adat dan budaya [3]. Songket adalah kain yang dipadu dengan benang sutera. Kain ini memiliki nilai budaya tinggi, terbukti dari nama, jenis dan motif tiap Songket punya makna dan filosofi tersendiri [4]. Kesadaran masyarakat untuk melestarikan dan memberdayakan Songket harus ditingkatkan. Salah satu caranya adalah

Linear Discriminant Analysis (LDA) yang menghasilkan akurasi 98,33%. Penelitian lain tentang klasifikasi kain tenun Songket khas Lombok dengan metode ekstraksi fitur GLCM dan metode klasifikasi Back- propagation Artificial Neural Network (ANN) menggunakan 100 neuron diperoleh tingkat keberhasilan 100% [17]. Penelitian lain yang banyak dilakukan adalah klasifikasi Songket Palembang oleh [18] [19] dan [20].

Penelitian ini merupakan kelanjutan dari penelitian sebelumnya [21]. Pada penelitian sebelumnya, dihasilkan data dari proses ekstraksi fitur GLCM. Berdasarkan hasil analisis grafik dari fitur entropy, sum average, difference entropy serta autocorrelation, fitur-fitur ini dapat digunakan untuk membedakan antara citra Songket yang satu dengan yang lainnya.

Penelitian ini difokuskan pada pengenalan pola citra Songket berdasarkan motif dari kain Songket.

Penelitian ini menggunakan metode ekstraksi fitur GLCM. Pengenalan pola untuk proses klasifikasi Songket Aceh menggunakan jaringan syaraf tiruan dengan metode PNN. Tujuan penelitian ini adalah untuk mengenali pola kain Songket berdasarkan hasil ekstraksi fitur GLCM menggunakan jaringan syaraf tiruan PNN. Dengan pengolahan citra, motif Songket dapat dianalisa untuk kemudian diklasifikasikan berdasarkan jenis motif yang dimilikinya.

2. Metode Penelitian

Klasifikasi motif Songket Aceh berbasis citra menggunakan metode PNN terdiri atas beberapa tahap, yaitu akuisisi citra, pra-proses, ekstraksi fitur dengan metode GLCM, klasifikasi dengan metode PNN dan evaluasi. Tahapan penelitian seperti pada Gambar 1.

Gambar 1. Tahapan penelitian

Akuisisi Citra

Tahap awal dalam pemrosesan citra adalah akuisisi citra. Tujuan akuisisi citra adalah untuk penentuan data dan pemilihan metode perekaman citra digital [22]. Citra motif Songket Aceh berukuran 3168×4752 piksel diperoleh menggunakan kamera digital. Data diambil dari tempat pengrajin Songket Aceh Nyak Mu di Gampong Siem, Kecamatan Darussalam, Aceh Besar. Informasi nama-nama motif Songket Aceh didapatkan dari hasil wawancara langsung dengan Ibu Dahlia Zainun, anak Nyak Mu.

Sepuluh motif Songket Aceh digunakan dalam penelitian ini. Motif-motif tersebut adalah Bungong Meulu, Kertas Canden, Ek Ulat, Bungong Ie Tawon, Pucok Aron, Bungong Lam Rante, Bungong Meurante, Pinto Aceh Punoh, Mata Mie dan Bungong Campli. Setiap motif terdiri atas 10 citra, dengan total data sebanyak 100 citra. Contoh dataset yang digunakan ditunjukkan pada Gambar 2.

Gambar 2. Citra motif Songket Aceh Sumber: Data Penelitian (2018) Pra-proses

Pra-proses bertujuan untuk memudahkan sistem dalam mengenali objek. Proses ini dilakukan setelah akuisisi citra [23]. Tahap pra-proses citra yaitu cropping, resize dan grayscale. Tahap yang dilakukan dalam pra-proses seperti ditunjukkan pada Gambar 3.

Gambar 3. Praproses Sumber: [21]

Region of interest (ROI) dipilih dengan cropping dan resize. Cropping ialah suatu metode untuk memberikan batas yang lebih jelas serta terencana guna memperoleh citra dengan dimensi yang serupa [23]. Resize adalah proses mengubah dimensi sebuah citra digital. Resize dilakukan untuk menyelaraskan dimensi pada seluruh data citra dengan membuat citra memiliki dimensi yang serupa antara baris dan kolomnya [24].

Citra hasil cropping dan resize selanjutnya diubah menjadi citra grayscale. Proses ini mengubah citra tiga dimensi menjadi satu dimensi sehingga proses komputasinya tidak memerlukan waktu yang lama [23].

Konversi citra RGB menjadi citra grayscale menggunakan Persamaan 1.

𝑔𝑟𝑎𝑦𝑠𝑐𝑎𝑙𝑒 = 0.299𝑅 + 0.587𝐺 + 0.114𝐵 (1)

Gambar 4. Ekstraksi Fitur menggunakan GLCM Sumber: [21]

Fitur-fitur yang diekstraksi dari GLCM yaitu entropy, energy, sum of squares: variance, difference entropy dan autocorrelation. Setiap fitur dihitung pada jarak 𝑑 = 1 piksel dengan 4 sudut, yaitu 0º, 45º, 90º dan 135º. Persamaan 2 sampai 6 digunakan untuk ekstraksi fitur GLCM.

1. Entropy

𝑓1 = − ∑ ∑ 𝑝(𝑖, 𝑗) ∙ log 𝑝(𝑖, 𝑗)𝑖 𝑗 (2) 2. Energy

𝑓₂ = ∑ ∑ 𝑝(𝑖, 𝑗)_{𝑖 𝑗} ² (3) 3. Sum of squares: variance

𝑓₃= ∑ ∑ (𝑖 − 𝜇)_{𝑖 𝑗} ²𝑝(𝑖, 𝑗) (4) 4. Difference entropy

𝑓₄ = − ∑^𝑁_𝑖=0^𝑔−1𝑝_𝑥−𝑦(𝑖) log{𝑝_𝑥−𝑦(𝑖)} (5) 5. Autocorrelation

𝑓₅ = ∑ ∑ (𝑖𝑗)𝑝(𝑖, 𝑗)_{𝑖 𝑗} (6)

Klasifikasi Citra Kain Songket dengan PNN

Proses klasifikasi diawali dengan ekstraksi fitur citra masukan menggunakan metode GLCM. Fitur citra yang diperoleh dibandingkan dengan fitur yang telah diperoleh pada proses pelatihan. Klasifikasi menggunakan metode Probabilistic Neural Network (PNN). Tahapan algoritma PNN ditunjukkan pada Gambar 5.

Data latih dan uji pada penelitian ini dibagi menggunakan metode Leave-One-Out Cross Validation (LOOCV). Menurut Borovicka et al. dalam [28], metode LOOCV memanfaatkan 1 data uji saja untuk membuktikan sebuah kesalahan metode yang diujikan. Dilakukan 𝑁 kali eksperimen untuk pengujian yang memiliki 𝑁 buah data. Digunakan 𝑁 − 1 data latih dan sisanya untuk pengujian dalam setiap eksperimen.

Gambar 5. Klasifikasi PNN

Evaluasi

Evaluasi dilakukan untuk mengetahui performa metode yang diusulkan. Performa diukur berdasarkan ketepatan dalam mengenali input yang diberikan dan menghasilkan output yang benar.

Persamaan 7 digunakan untuk menghitung akurasi [29].

(7)

3. Hasil dan Pembahasan

Pengujian dilakukan pada tahap klasifikasi. Tujuan pengujian adalah untuk mengetahui keberhasilan metode yang digunakan dalam mengklasifikasikan motif Songket. Hasil ekstraksi fitur digunakan sebagai input pada metode klasifikasi. Data latih dan data uji dibagi menggunakan metode LOOCV. Hasil klasifikasi dibandingkan dengan data sebenarnya kemudian dihitung akurasi.

Hasil Pra-proses

Tahap awal pra-proses adalah proses cropping dan resize untuk menyeragamkan ukuran data. Proses cropping dilakukan untuk menghilangkan label nama motif pada citra Songket. Citra hasil cropping digunakan untuk proses resize. Hasil akuisisi citra motif Songket Aceh berformat Joint Photographic Group (jpg) dengan resolusi 3168×4752 piksel di-resize untuk mendapatkan citra dengan ukuran yang sama yaitu 100×100 piksel. Citra ini kemudian diubah menjadi citra grayscale untuk proses ekstraksi fitur.

Contoh citra RGB dan grayscale ditunjukkan pada Gambar 6. Pada tahap pra-proses ini, dilakukan proses penyimpanan dataset dengan jumlah keseluruhan 100 citra.

Gambar 6. Citra RGB diubah menjadi grayscale Sumber: Data Penelitian (2018)

Sumber: Data Penelitian (2018) Hasil Klasifikasi

Pemilihan data latih dan data uji untuk proses klasifikasi dengan menggunakan teknik Leave-One Out Cross Validation (LOOCV). Satu citra dari setiap motif Songket dipilih sebagai data uji, dan sisanya sebagai data latih. Secara keseluruhan terdapat sepuluh percobaan yang dilakukan. Pada setiap percobaan ada 90 data latih dan 10 data uji dari 10 kelas. Data uji diklasifikasikan menggunakan metode PNN. Hasil klasifikasi motif Songket berdasarkan lima fitur GLCM ditunjukkan pada Tabel 2.

Tabel 2. Klasifikasi dengan PNN

Data aktual Prediksi

P1 P2 P3 P4 P5 P6 P7 P8 P9 P10

Bungong Meulu 1 1 1 1 1 1 1 1 9 1

Ek Ulat 2 2 2 2 2 2 2 2 2 9

Pucok Aron 3 3 3 3 3 3 3 3 3 10

Kertas Canden 4 4 4 4 4 4 4 4 4 4

Bungong Ie Tawon 5 5 5 5 5 5 5 5 5 5

Bungong Lam Rante 6 6 6 6 6 6 6 6 7 6

Pinto Aceh Punoh 7 7 7 7 7 7 7 7 7 7

Bungong Campli 8 8 8 8 8 8 8 8 8 10

Bungong Meurante 9 9 9 9 9 9 9 1 9 9

Mata Mie 10 10 10 10 10 10 10 10 3 10

Hasil pengujian menunjukkan bahwa dari 10 percobaan didapatkan 93 obyek terklasifikasi dengan benar dan 7 obyek salah terklasifikasi. Semua data motif Kertas Canden, Bungong Ie Tawon dan Pinto Aceh Punoh dapat terklasifikasi dengan benar. Data yang salah terklasifikasi yaitu motif Bungong Meulu, Ek Ulat, Pucok Aron, Bungong Lam Rante, Bungong Campli, Bungong Meurante dan Mata Mie masing- masing sebanyak satu citra. Citra yang salah terklasifikasi ditunjukkan pada Tabel 3.

Tabel 3. Hasil citra yang salah terklasifikasi Motif yang salah

terklasifikasi

Citra yang salah

terklasifikasi Diklasifikasi sebagai

Bungong Meulu Bungong Meurante

Ek Ulat Bungong Meurante

Pucok Aron Mata Mie

Bungong Lam

Rante Pinto Aceh Punoh

Motif yang salah terklasifikasi

Citra yang salah

terklasifikasi Diklasifikasi sebagai

Bungong Campli Mata Mie

Bungong

Meurante Bungong Meulu

Mata Mie Pucok Aron

Evaluasi Hasil Klasifikasi Citra Songket

Hasil klasifikasi citra motif Songket Aceh dengan metode PNN dievaluasi dengan confusion matrix.

Confusion matrix hasil penelitian ini ditunjukkan pada Tabel 4.

Tabel 4. Confusion Matrix Prediksi

1 2 3 4 5 6 7 8 9 10

Aktual

1 9 0 0 0 0 0 0 0 1 0

2 0 9 0 0 0 0 0 0 1 0

3 0 0 9 0 0 0 0 0 0 1

4 0 0 0 10 0 0 0 0 0 0

5 0 0 0 0 10 0 0 0 0 0

6 0 0 0 0 0 9 1 0 0 0

7 0 0 0 0 0 0 10 0 0 0

8 0 0 0 0 0 0 0 9 0 1

9 1 0 0 0 0 0 0 0 9 0

10 0 0 1 0 0 0 0 0 0 9

Hasil pengujian ini diperoleh akurasi metode yang diusulkan sebesar 93%. Metode yang digunakan dalam penelitian ini menunjukkan hasil yang baik.

4.Kesimpulan

Hasil pengujian menunjukkan bahwa fitur-fitur entropy, energy, sum of squares: variance, difference entropy dan autocorrelation dapat mengklasifikasikan motif Songket Aceh. Klasifikasi dengan menggunakan metode PNN diperoleh akurasi sebesar 93%. Metode PNN mampu mengklasifikasikan citra Songket Aceh dengan baik.

5. Referensi

[1] B. Robi’in, “Analisis Dekomposisi Wavelet Pada Pengenalan Pola Lurik Dengan Metode Learning Vector Quantization,” Ilk. J. Ilm., vol. 9, no. 2, pp. 153–160, 2017, doi:

10.33096/ilkom.v9i2.133.153-160.

[2] S. Devi, “Sejarah Dan Nilai Songket Pandai Sikek,” J. Ilmu Sos. Mamangan, vol. 4, no. 1, pp. 17–

28, 2015, doi: 10.22202/mamangan.v4i1.1189.

[3] D. Y. Zamzami, “Menjaga Songket Aceh Tak Mati di Kampung SendiriNo Title,” Kompas.com, 2016.

https://travel.kompas.com/read/2016/01/25/210900227/Menjaga.Songket.Aceh.Tak.Mati.di.Kamp ung.Sendiri?page=all

[4] R. Mudassir, “Menjaga Buah Karya Songket Aceh,” Okezone.com, 2016.

https://news.okezone.com/read/2016/04/22/340/1369710/menjaga-buah-karya-songket-aceh

Fis., vol. 10, no. 3, pp. 332–338, 2022.

[11] Y. Rullist, B. Irawan, and A. B. Osmond, “Aplikasi Identifikasi Motif Batik Menggunakan Metode Ekstraksi Fitur Gray Level Co-Occurrence Matrix (Glcm) Berbasis Android,” e-Proceeding Eng., vol. 2, no. 2, pp. 3684–3692, 2015.

[12] R. K. Tjondrowiguno, R. Intan, and K. Gunadi, “Aplikasi Pengenalan Pola Batik Dengan Menggunakan Metode Gray-Level Cooccurrence Matrix,” Infra, vol. 5, no. 1, pp. 186–191, 2017, [Online]. Available: https://publication.petra.ac.id/index.php/teknik-informatika/article/view/5156 [13] H. Wijayanto, “Klasifikasi Batik Menggunakan Metode K-Nearest Neighbour Berdasarkan Gray

Level Co-Occurrence Matrices ( GLCM ),” Jur. Tek. Inform. FIK UDINUS, pp. 1–7, 2015.

[14] F. Maharani, B. Hidayat, and H. Fauzi, “Perancangan Sistem Pola Kain Sarung Khas Makassar dengan Metode GLCM Berbasis Android,” e-Proceeding Eng., vol. 2, no. 2, pp. 2638–2645, 2015.

[15] Hayaturrachmah, M. Nasir, and Indrawati, “Pengenalan Motif Kain Songket Berdasarkan Tekstur Menggunakan Metode Gray Level Co-Occurrence Matrix (GLCM),” eProceeding TIK, vol. 1, no.

1, 2021, [Online]. Available: http://e-jurnal.pnl.ac.id/eProTIK/article/view/2242%0Ahttp://e- jurnal.pnl.ac.id/index.php/eProTIK/article/download/2242/1910

[16] Nurhalimah, I. G. P. S. Wijaya, and F. Bimantoro, “Classification of Lombok Songket Using GLCM and Invariant Moment Features and Linear Discriminant Analysis (LDA),” Jtika, vol. 2, no. 2, pp.

173–183, 2020, [Online]. Available: http://jtika.if.unram.ac.id/index.php/JTIKA/

[17] B. Imran and M. M. Efendi, “the Implementation of Extraction Feature Using Glcm and Back- Propagation Artificial Neural Network To Clasify Lombok Songket Woven Cloth,” J. Techno Nusa Mandiri, vol. 17, no. 2, pp. 131–136, 2020, doi: 10.33480/techno.v17i2.1680.

[18] M. A. Hasan and D. Y. Liliana, “Pengenalan Motif Songket Palembang Menggunakan Deteksi Tepi Canny, PCA dan KNN,” Multinetics, vol. 6, no. 1, pp. 1–7, 2020, doi:

10.32722/multinetics.v6i1.2700.

[19] N. Sari, “Simulasi dan Analisis Sistem Klasifikasi Songket Palembang Menggunakan Statistic, Color Histogram, dan Euclidean Distance pada Citra Digital,” Pap. Knowl. . Towar. a Media Hist.

Doc., vol. 4, no. 1, pp. 96–105, 2017.

[20] A. Khadafi and M. Iqbal, “Implementation of Random Forest for Motif Classification Based on Sift,” J. Mantik, vol. 5, no. 36, pp. 2660–2666, 2022.

[21] I. Amalia, Indrawati, and Y. M. Amin, “Ekstraksi Fitur Citra Songket Berdasarkan Tekstur Menggunakan Metode Gray Level Co-occurrence Matrix (GLCM),” J. Infomedia, vol. 3, no. 2, pp.

64–68, 2018, doi: 10.30811/jim.v3i2.715.

[22] R. A. Setiaji, B. Hidayat, and Suhardjo, “Sintesis Penelitian Deteksi Penyakit Abses Pada Gigi Manusia Melalui Citra Periapikal Radiograf Domain Spasial,” eProceedings of Engineering. vol. 5, no. 3, pp. 5554–5561, 2018.

[23] F. Zikra, K. Usman, and R. Patmasari, “Deteksi Penyakit Cabai Berdasarkan Citra Daun Menggunakan Metode Gray Level Co-Occurence Matrix Dan Support Vector Machine,” Semin.

Nas. Has. Penelit. dan Pengabdi. Masy., pp. 105–113, 2021.

[24] S. R. Djampi, S. Tena, and A. A. Maggang, “Pengenalan Citra Garis Telapak Tangan Dengan Metode Discrete Wavelet Transform Dan Mahalanobis Distance,” Sainstek, vol. 4, no. 1, pp. 440–

449, 2019, [Online]. Available:

https://www.conference.undana.ac.id/sainstek/article/view/75%0Ahttps://www.conference.undana .ac.id/sainstek/article/download/75/62

[25] L. Hakim, S. P. Kristanto, D. Yusuf, and F. N. Afia, “Pengenalan Motif Batik Banyuwangi Berdasarkan Fitur Grey Level Co-Occurrence Matrix,” J. Teknoinfo, vol. 16, no. 1, pp. 1–7, 2022, doi: 10.33365/jti.v16i1.1320.

[26] E. P. Purwandari, D. Andreswari, and U. Faraditha, “Ekstraksi Fitur Warna dan Tekstur Untuk Temu Kembali Citra Batik Besurek,” Pseudocode, vol. 7, no. 1, pp. 17–25, 2020, doi:

10.33369/pseudocode.7.1.17-25.

[27] Z. Y. Lamasigi, S. -, H. -, and Y. Lasena, “Identifikasi Tingkat Kesegaran Ikan Tuna Menggunakan Metode GLCM dan KNN,” Jambura J. Electr. Electron. Eng., vol. 4, no. 1, pp. 70–76, 2022, doi:

10.37905/jjeee.v4i1.12045.

[28] F. Fredicia, A. Buono, and E. P. Giri, “Pengembangan Model Pengenalan Wajah Manusia dengan Teknik Reduksi Dimensi Bi2DPCA dan Support Vector Machine sebagai Classifier,” J. Ultim., vol.

8, no. 1, pp. 11–15, 2017, doi: 10.31937/ti.v8i1.497.

[29] A. Maulana, R. Hariyanto, and A. Aris Widodo, “Klasifikasi Kelayakan Telur Ayam Ras (Broiler) Menggunakan Metode Naïve Bayes Classifier,” RAINSTEK J. Terap. Sains Teknol., vol. 2, no. 3, pp. 245–252, 2020, doi: 10.21067/jtst.v2i3.4915.