KLASIFIKASI POLA TEKSTUR PADA MOTIF BATIK PESISIR DENGAN ALGORITMA

   KOMPUTAKI Vol.3, No.1 Februari 2017 KLASIFIKASI POLA TEKSTUR PADA MOTIF BATIK PESISIR DENGAN ALGORITMA BACKPROPAGASI

  Novita Kurnia Ningrum ¹ , Defri Kurniawan ² , Septian Enggar Sukmana ³ Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang Jl. Nakula I No. 5-11 Semarang Telp. (024) 3517261 E-mail : mailvieta@gmail.com,

  Abstrak Wilayah pesisir pantai pulau Jawa yang meliputi kota Brebes, Cirebon, Pekalongan, Lasem dan Madura memiliki pola motif batik yang beragam. berdasarkan polanya motif batik pesisir dapat dibedakan bakpropagasi dengan menentukan nilai learning rate dan momentum pada saat training data. Data inputan yang digunakan berupa ciri statistik yang diperoleh dari pembentukan nilai GLCM. Ciri statistik yang digunakan antara lain mean, standar deviasi, curtosis, skewness dan enteropy. Sedangkan learning rate terbaik diperoleh pada angka 0,5 dan momentum 1,0 pada motif batik geometri. Sedangkan pada motif batik non geometri learning rate terbaik diperoleh pada angka 0,5 dan momentum 1,0. Jumlah neurons yang digunakan pada training kedua motif tersebut mempengaruhi nilai epoch (jumlah iterasi) dan error yang dihasilkan. Keyword: learning rate, momentum, glcm, backprogation, motif batik pesisir I.

   PENDAHULUAN

  Berdasarkan bidang seni rupa, batik termasuk dalam karya lukis dua dimensi dimana kain yang menjadi media lukisnya. UNESCO telah mengakui batik sebagai karya seni asli warisan budaya masyarakat Indonesia pada tahun 2009 [1]. Di Pulau Jawa batik berkembang pesat di wilayah pesisir utara Pulau Jawa atau biasa disebut batik pesisir dan lingkungan kraton Yogyakarta dan Solo atau biasa disebut batik pedalaman. Batik pesisir berkembang pesat di kota sepanjang pesisr utara pulau Jawa, meliputi Brebes, Cirebon, Pekalongan, Lasem dan Madura. Secara garis besar berdasarkan pola motif terdapat motif geometri, motif non geometri dan motif campuran. Motif batik memiliki empat elemen dasar di dalamnya, yaitu garis, tekstur, warna dan bidang [2]. Dengan pengolahan citra motif pada batik dapat dianalisa untuk kemudian diklasifikasikan berdasarkan empat elemen yang dimilikinya. Dengan adanya klasifikasi akan membantu identifikasi karakter pada objek citra yang tersimpan dalam database, sehingga dapat meminimalkan kesalahan memasukkan objek pada kelompok yang berbeda [3]. Motif batik dapat diklasifikasikan berdasarkan karakteristik teksturnya dengan mencari kesamaan ciri tekstur. Kesamaan ciri diperoleh dengan menghitung nilai piksel yang berdekatan pada matriksnya. Metode gray level co-

  occurance matrix (GLCM) salah satu metode

  untuk ekstraksi fitur berdasarkan karakteristik ciri. Nilai GLCM yang bisa digunakan antara lain

  mean, standar deviasi, curtosis, skewness dan enteropy . Nilai lima variable tersebut dijadikan

  sebagai nilai inputan pada proses klasifikasi dengan algoritma backpropagasi.

  Klasifikasi Pola Tekstur Pada Motif Batik Pesisir Dengan Algoritma Backpropagasi Novita Kurnia Ningrum

  kondisi yang diinginkan belum terpenuhi, hingga mencapai nilai error yang paling kecil. Oleh karenanya backpropagation sesuai untuk mengklasifikasi pola yang kompleks [Puspitaningrum, D. 2006, Pengantar Jaringan Saraf Tiruan. Penerbit Andi. Yogyakarta]. Klasifikasi batik dengan backpropagation berhasil memberikan nilai akurasi 100% untuk mengklasifikasi motif geometri dan 91,9% untuk motif batik non geometri [6].

  dinyatakan sebagai d dan orientasi atau sudut Ɵ

  GLCM ditentukan terlebih dahulu nilai jarak

  matriks grey pixel. Untuk menemukan nilai

  gray scale level dikonversikan dalam bentuk

  C. Ekstraksi Fitur Citra greyscale memiliki tingkat keabuan atau

  Gambar 1. Grayscaling citra motif batik

  greyscalling dengan merubah citra RGB ke bentuk greyscale.

  B. Pra Pengolahan Citra Dilakukan cropping untuk menyamakan ukuran citra dengan resolusi 8 x 8 pixel. Kemudian

  A. Akuisisi citra Pengumpulan data citra digital motif batik pesisir dan disimpan dalam format file extention jpeg.

  data training dan data testing dengan jaringan saraf tiruan backpropagation algorithm.

  Tahapan pada penelitian ini meliputi akuisisi citra, pra pengolahan citra, ekstraksi fitur dengan metode grey level co-occurance matrix dan selanjutnya klasifikasi fitur dengan melakukan

  Learning process akan terus dilakukan selama

  Dengan demikian maka batik sebagai warisan budaya Indonesia dapat dilestarikan tidak hanya dalam bentuk fisik melainkan juga dalam bentuk digital. Sehingga motif batik yang sudah pernah ada tidak hilang dan selanjutnya dapat dikembangkan menjadi motif batik baru.

II. TINJAUAN PUSTAKA

  dijadikan acuan untuk dipetakan ke dalam kelompok yang diinginkan yang sudah ditentukan di output neurons.

  supervised learning . Nilai yang diberikan pada input neurons merupakan pengetahuan yang

  pada manusia. Metode pembelajaran (learning) yang diadopsi backpropagation termasuk dalam

  backpropagation mengadopsi sistm kerja saraf

  Rumehalt dan Mc Celland [7]. Sistem kerja

  neural netwoks yang dipopulerkan oleh oleh

  Yaltha menunjukkan bahwa GLCM memiliki performa baik (Rullist, Irawan, & Osmond). Pada pengujian jarak (distance) dan arah (orientation) dihasilkan data yang akurat pada jarak piksel ke- 2 dan arah pada sudut 45°. Penelitian lain oleh Anita, untuk identifikasi citra batik pada proses ekstraksi digunakan ekstraksi ciri dengan menghitung ciri GLCM yang meliputi nilai kontras (contrast), homogenitas (homogenity), Energi (energy) dan korelasi (korelation). Selanjutnya menggunakan backpropagation untuk mengklasifikasi motif batik berdasarkan pola geometrinya (Kasim & Harjoko, 2014). Algoritma backpropagation termasuk dalam algortima pembelajaran jaringan saraf tiruan atau

  Level Co-occurrance Matrix (GLCM) oleh

  Ekstraksi fitur motif batik dengan metode Gray

  occurrance Matrix (GLCM) [4].

  Pada pengolahan citra, tahapan ekstraksi fitur diperlukan untuk memudahkan analisa citra pada proses selanjutnya. Ekstraksi fitur batik diambil berdasarkan tekstur pola pada motifnya. Setiap pola memiliki ciri spesifik yang dapat diklasifikasikan ke dalam kelompok pola geometri dan pola non geometri. Untuk mendapatkan nilai dari ciri spesifik, dapat dilakukan perhitungan jarak dan sudut antar piksel yang berdekatan dengan pada matriks piksel motif batik. Kemungkinan atau probability piksel bertetanggaan yang sama akan dikelompokkan pada kelompok yang sama metode ini termasuk dalam Gray Level Co-

   KOMPUTAKI Vol.3, No.1 Februari 2017

  data training yang akan dilanjutkan ke output neurons sebagai data output. Setiap jaringan

  Jumlah kookurensi piksel berdekatan pada jarak d=1 Nilai ciri statistik

  Menghitung ciri statistic piksel terdekat d=1; 0°, 45°, 90° dan 135°)

  Terbentuk grey level cooccurance matriks (GLCM)

  Grayscale level piksel Menentukan nilai jarak d dan sudut

  Mulai Citra grayscale

  2. Tahap 1: mengulang tahap 2 sampai 9 hingga terpenuhi kondisi iterasi yang diinginkan;

  1. Tahap 0: Inisiasi penimbang untuk pemberian nilai bobot (w);

  diberi bobot, jika nilai output belum sesuai dengan nilai yang diharapkan maka akan terjadi perbaikan bobot dan dipropagasi balik menyebar ke jaringan neuron sebelumnya. Iterasi terjadi hingga mencapai nilai error yang paling rendah. Berikut ini langkah kerja backpropagation:

  pembelajaran supervised learning dimana proses pembelajaran dilakukan pada saat data training. Data input pada input neurons dijadikan sebagai

  dinyatakan dalam °. Intensitas kejadian kesamaan piksel yang berdekatan pada jarak dan arah yang sudah ditentukan akan membentuk fungsi matriks kookurensi. Selanjutnya menentukan ciri citra berdasarkan jumlah dari kookurensi piksel dengan jarak d=1 dan sudut

  Backpropagation mengadopsi algoritma

  D. Klasifikasi

  Gambar 4. Algoritma Pembentukan Ciri Statistik GLCM

  co-occurancy.

  0° Gambar 3 menunjukkan kejadian munculnya kesamaan piksel dengan jarak piksel =1 dan sudut 0°. Pertama matriks baru dibuat dengan elemen 0 dan dimensi sebesar nilai maksimal pada matriks asal, yaitu 8. Kemudian terjadi perulangan dari indeks (1,1) pada matrik 0 sampai indek (8.8), dimana setiap perulangan dilakukan pengecekan. Semisal indeks (1,1) dicek dengan nilai [1 1] dan muncul 1 kali, maka nilai indeks (1,1) adalah 1. Kemudian pada indeks (1,2) dicek sengan nilai [1 2] dan hasilnya muncul 2 kali maka nilai indeks (1,2) adalah 2. Munculnya nilai indeks yang menunjukkan kesamaan nilai piksel inilah yang disebut sebagai

  Ɵ=

  Gambar 2. Hubungan antara sudut antara dua piksel yang bertetangga pada tetangga [7] Gambar 3. Pembentukan GLCM dengan d=1,

  Ɵ (0°, 45°, 90° dan 135°) yang memiliki kemiripan sebagaimana ditunjukkan pada Gambar 3.

  Selesai mean, standart deviation, skewness, kurtosis enterophy

  Klasifikasi Pola Tekstur Pada Motif Batik Pesisir Dengan Algoritma Backpropagasi Novita Kurnia Ningrum

3. Tahap 2: mengulang langkah 3 sampai 8 untuk menghitung perbaikan koreksi,

  tiap pasangan data training (3.9)

  Feedforward

  Dan menggunakan nilai pada semua layer

  4. Tahap 3: setiap unit masukan (X i=1,2 ) _{i, ,…,n , sebelumnya}

  pada input neurons mendapapat sinyal dan

  8. Tahap 7: setiap nilai penimbang yang diteruskan ke unit-unit berikutnya

• – pada hidden menghubungkan unit output dan unit hidden

  layer neurons;

  layer (Z j, j=1,..p ) dikalikan delta dan

  5. Tahap 4: setiap unit pada hidden layer neurons dijumlahkan sebagai masukan pada unit layer dikalikan dengan bobot dan dijumlahkanfaktor berikutnya, penimbang kemudian ditambahkan dengan nilai biasnya;

  (3.10) ∑ ( )

  (3.1) ∑ ( )

  Kemudian dikalikan dengan turunan fungsi aktifasi untuk nntuk menentukan nilai error, (3.2)

  (3.11) ( ) ( ) jika Z j = f (z_in j ) maka,

  Menghitung perbaikan penimbang untuk memperbaiki (3.3)

  (3.12) Selanjutnya sinyal dikirim ke unit keluaran (output

  neurons ) ;

  Menghitung perbaikan bias untuk memperbaiki V _oj

  6. Tahap 5: setiap unit output (Y _{k, k=1,2,…,m)} (3.13) dikalikan lagi dengan faktor penimbang dan

  Memperbaiki penimbang dan bias

  dijumlahkan

  9. Perbaikan bias dan penimbang (j=0..,p) pada (3.4)

  ∑ setiap unit output (Y k, ,k=1,..,m)

  Kembali ung fungsi aktifasi (3.14)

  y = f (y_in ) (3.5) _{k k}

  Memperbaiki bias dan penimbang (j=0,…,n) pada unit

  Backpropagasi dan perbaikan nilai error

  hiden layer (Zj, j=1,,..,p)

  7. Tahap 6: Setiap unit output (Y k, k=1,2,…,m) (3.15) menerima pola target sesuai nilai masukan pada waktu data training dan menghitung nilai error 10.

  Uji iterasi (3.6)

  Karena menggunakan fungsi aktifasi sigmoid, maka:

  IV. HASIL DAN PEMBAHASAN

  ( ) ( ) ( ) Citra yang diolah sebanyak 100 citra motif batik pesisir, terdiri dari 45 citra geometri dan 55 citra

   y k = (1 k ) (3.7)

• – y

  non geometri. Pembentukan GLCM menghitung faktor penimbang untuk nilai menghasilkan 5 ciri statistik yaitu means,

  (3.8)

  4 134.965 6 10.625 1.0532

  Table 3. Training data dengan learning rate 0,5 dan momentum 0,1 pada motif geometri

  minimum.

  Motif Geometri Jumlah n e u r o n

  Learning rate Momentum Iterasi Net e r r o r

  10

  0.5 0.1 500 0.00998

  12

  0.5 0.1 785 0.00997

  20

  0.5 0.1 2170 0.33776

  22

  0.5 0.1 2584 0.20865

  25

  0.5 0.1 2898 0.12859

  Jumlah n e u r o n Learning r a t e Momentum Iterasi

  Tabel bawah ini menunjukkan hubungan

  Net e r r o r

  10

  1.0 0.1 10233 0.14371

  12

  1.0 0.1 22490 0.1278

  20

  1.0 0.1 24652 0.33569

  22

  1.0 0.1 16155 0.21068 Citra Mean Standar d d e v kurtosi s skewnes s entrop y imgeo 873.375 1319.849 10.1238 2.3325 1.2623 imgeo 938.437

  5 1408.418 3 7.4431 1.793 2.1558 imgeo 821.273

  4 2030.006 17.8547 3.858 1.3951 imgeo 905.25 954.2284 2.7418 0.86953 1.2866 imgeo 895.781

  3 1673.235 7 6.5037 2.1608 1.733 imgeo 930.058

  1339.061 imgeo 896.543 1348.744

  7 2.6609 1.1706 2.1069 imgeo 959.460 9 3156.547

  learning rate dan momentum dengan jumlah neurons untuk menghasilkan nilai net error

  binary sigmoid function yang memiliki range antara 0 hingga 1.

   KOMPUTAKI Vol.3, No.1 Februari 2017 standart deviation, skewness, kurtosis, entrophy.

  9

  Adapun nilai yang dihasilkan sebagai berikut: Table 1. Hasil pembentukan nilai GLCM pada motif batik batik geometri

  Citra Mean Standar d d e v kurtos i s skewne s s entro imgnge o

  1 914.976 6 2076.09

  4

  4 15.261 9 3.5511 2.011 imgnge o

  2 992.710 9 2612.82

  5 18.728 3 4.0037 0.489 imgnge o

  3 986.902 3 2219.89

  9

  1 13.224 5 3.1324 1.235 imgnge o

  4 964.218 8 1925.94

  4

  2 14.909 1 3.0834 1.742 imgnge o

  5 1395.26

  5 2516.77 6.2113 2.1252 0.788 imgnge o

  terhadap input. Dalam hal ini fungsi aktifasi yang digunakan olrh algoritma backpropagasi adalah

  5 760.078 1 1650.86

  3

  5 10.153 8 2.8000 1.231 imgnge o

  7 892.687 5 2233.80

  7

  4 84.142 2 8.3966 2.773 imgnge o

  8 1583.22

  6

  6 2300.17 3 8 3.9668 1.4758

  2.271

  Table 2. Hasil pembentukan nilai GLCM pada motif batik non geometri Lima ciri tersebut kemudian dijadikan nilai masukan pada klasifikasi. Untuk fase training mengggunakan 70% data training yang terdiri dari dan fase testing menggunakan 30% data testing. Algoritma backpropagasi menggunakan konsep

  learning/training dengan tujuan agar input yang

  diinisialisasi pada input layer menghasilkan output yang sesuai atau yang diinginkan. Oleh karena itu dibutuhkan nilai lerning rate yang mana nilai learning rate berkisar antara 0,1

  neuron sesuai dengan proses yang dilakukan

• – 1,0. Selain itu dibuttuhkan adanya fungsi aktifasi,untuk menentukan nilai output suatu

  Klasifikasi Pola Tekstur Pada Motif Batik Pesisir Dengan Algoritma Backpropagasi Novita Kurnia Ningrum

  25

  1.0 0.1 9325 0.19467

  Table 4. Training data dengan learning rate 1,0 Perbaikan nilai bobot dan bias terus dilakukan dan momentum 0.1 pada motif geometri jika masih terdapat nilai error yang dihasilkan oleh keluaran. Jika tidak ada lagi perbaikan dan

  Berdasarkan tabel 2 nilai net error paling kecil nilai bobot tidak lagi berubah (stabil) maka iterasi yaitu 0.00997 diperoleh pada saat nilai learning akan dihentikan. Grafik pada gambar 5 dan

  rate 0,5 dan momentum 0,1 dengan jumlah

  gambar 6 menunjukkan epoch (jumlah iterasi) neuron sebanyak 12. Sedangkan pada tabel 3 yang dicapai pada training validation dan testing nilai net error paling kecil yaitu 0,12 juga pada motif geometri dan non geometri. Epoch diperoleh pada jumlah neurons 12 dengan pada motif batik geometri menunjukkan hasil learning rate 1,0 dan momentum 0,1. terbaik di titik 4 demikian pula untuk validasi.

  Motif Non Geometri

  Sedangkan epoch untuk motif non geometri

  Net stabil pada titik 6.

  E r r Jumlah Learning o neuron rate Momentum Iterasi r

  12

  1.0 0.1 49173 0.355252

  20

  1.0 0.1 3411 0.188532

  22

  1.0 0.1 3848 0.333699

  25

  1.0 0.1 2182 0.340964

  30

  1.0 0.1 55831 0.459814

  40

  1.0 0.1 7056 0.181231

  50

  1.0 0.1 2143 0.11519

  60

  1.0 0.1 829 0.213

  Table 5. Training data dengan learning rate 1,0 dan momentum 0.1 pada motif non geometri Jumlah neurons yang digunakan dalam

  Gambar 5. Grafik titk epoch terbaik motif geometri

  backpropagation mempengaruhi learning/training, jumlah neurons terlalu sedikit

  menghasilkan net error yang kurang akurat dan jumlah neurons terlalu banyak menyebabkan fase

  learning/training tidak stabil. Jumlah data yang

  digunakan juga mempengaruhi seberapa banyak neurons yang akan melakukan training.

  Net E r Learnin r

  J.umlah g Momentu Iteras o Neuron rate m r

  12

  0.5 0.1 2202 0.02247

  Gambar 6. Grafik titik epoch terbaik motif non

  4674 0.01642

  20

  0.5

  0.1 2 geometri

  22

  0.5 0.1 2388 0.09887 1164

  25

  0.5 0.1 0.44773 0.05743

  30

  0.5 0.1 2882

  6 0.07979

  40

  0.5 0.1 8048

  3 0.06529

  50

  0.5 0.1 5058

  6 0.34812

  60

  0.5 0.1 1199

  1

   KOMPUTAKI Vol.3, No.1 Februari 2017

  VI. DAFTAR PUSTAKA

  A. A. Kasim and A. Harjoko, "Klasifikasi Citra Batik Menggunakan Jaringan Syaraf Tiruan berdasarkan Grey Level Co-Occurrance Matrices," Seminar Nasionatl Teknologi Informasi, p. Yogyakarta, 2014.

  [6]

  [5] Y. Rullist, B. Irawan and A. B. Osmond, "Aplikasi Identifikasi Motif Batik Menggunakan Ekstraksi Fitur Gary Level Co-Occurrence Matrix Berbasis Anroid".

  [4] R. Albregtsen , Statistical Texture Measurer Computed from Gary Level Co-Occurrence Matrices, Oslo, 2008.

  Eng Sci, vol. vol. 37 no. 2, p. pp. 141 –160, 2005.

  V. S. Moertini and B. Sitohang, "Algorithms of Clustering and Classifying Batik Images Based on Color, Contrast and Motif," ITB J

  A. M. Arymurthy, "Cbirs pada Aplikasi Warisan Budaya," 2011. [3]

  [2]

  [1] Batik, Balai Besar Penelitian dan Pengembangan Industri Kerajinan dan, Katalog Batik Nasional, Yogyakarta: Departemen Perindustrian dan Perdagangan RI, 1997.

  Nilai ciri statistk yang diperoleh pada penelitian ini masih terlalu generate sehingga membutuhkan proses yang lama untuk mendapatkan nilai akurasi terbaik pada klasifikasi.

  Gambar 5.Grafik hasil klasifikasi motif batik geometri Gambar 6. Grafik hasil klasifikasi motif batik non geometri

  neurons 20, learning rate 0,5 dan momentum 0,1

  untuk motif batik geometri sedangkan motif batik non geometri akurasi terbaik pada jumlah

  neurons 12, learning rate 0,5 dan momentum 0,1

  Klasifikasi dengan backpropagation algorithm menghasilkan akurasi terbaik pada jumlah

V. KESIMPULAN DAN SARAN

  selain itu jumlah neurons yang digunakan menyesuaikan sengan jumlah data yang ditraining. Jumlah neurons yang terlalu banyak atau terlalu sedikit mengakibatkan iterasi semakin lama dan menjadi tidak stabil.

  rate mempengaruhi laju pada proses training.

  dianalisa sebagai nilai input pada klasifikasi dengan algoritma backpropagasi. Nilai learning

  standart deviasion, skewness, kurtosis dan enterophy. Dimana lima ciri terbut dapat

  Berdasarkan uji coba di atas maka kesimpulan yang diperoleh adalah ekstraksi fitur GLCM dengan pencarian ciri statistik pada penelitian ini menghasilkan lima ciri statistik yaitu means,

  Klasifikasi Pola Tekstur Pada Motif Batik Pesisir Dengan Algoritma Backpropagasi Novita Kurnia Ningrum