Pengenalan motif batik Yogyakarta dengan metode Linear Discriminant Analysis (LDA) : studi kasus di Museum Batik Yogyakarta) - USD Repository
i
PENGENALAN MOTIF BATIK YOGYAKARTA
DENGAN METODE LINEAR DISCRIMINANT ANALYSIS (LDA)
(STUDI KASUS DI MUSEUM BATIK YOGYAKARTA)
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Informatika
Oleh:
Agatha Widyastuti
NIM: 065314010
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERISTAS SANATA DHARMA
YOGYAKARTA
2010
ii
MOTIF BATIK OF YOGYAKARTA RECOGNITION
USING LINEAR DISCRIMINANT ANALYSIS (LDA) METHOD
(CASE STUDY IN THE MUSEUM BATIK YOGYAKARTA)
A Thesis
Presented as Partial Fullfillment of the Requirements
To Obtain the Sarjana Teknik Degree
In Department of Informatics Engineering
By:
Agatha Widyastuti
Student ID: 065314010
INFORMATICS ENGINEERING STUDY PROGRAM
INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2010 iii
ivHALAMAN PERSEMBAHAN “APA PUN JUGA YANG KAMU PERBUAT, PERBUATLAH DENGAN SEGENAP HATIMU
SEPERTI UNTUK TUHAN
DANBUKAN UNTUK MANUSIA” (KOLOSE 3: 23) “Apabila Ia membuka, tidak ada yang dapat menutup, apabila Ia menutup, tidak ada yang dapat membuka. Aku tahu segala pekerjaanmu: lihatlah, Aku telah membuka pintu bagimu, yang tidak dapat ditutup oleh seorang pun.”
(Wahyu 3 : 7-8) TIADA YANG MUSTAHIL DALAM NAMA-NYA, DIA SELALU PUNYA CARA UNTUK MENOLONG…
Skripsi ini saya persembahkan untuk:
Yesus Kristus Penolongku Sahabatku,
Kedua orang tuaku tercinta,
Sahabat-sahabatku,
Kekasihku tercinta …
Terima kasih untuk karunia, kesempatan, senyuman, perhatian, motivasi dan segalanya … v vi
vii
Abstrak
Batik memiliki keanekaragaman motif yang khas. Sebagian besar masyarakatmengetahui sedikit tentang batik, salah satunya adalah mengenal jenis motif batik.
Dalam tugas akhir ini, penulis akan membahas dan mengatasi masalah tersebut
dengan menggunakan metode Linear Discriminant Analysis karena memiliki daya
pembeda yang lebih besar.Linear Discriminant Analysis merupakan teknik statistik multivariate yang
terkait dengan pemisahan atau klasifikasi sekelompok obyek ke dalam kelompok
yang telah terlebih dahulu didefinisikan. Dalam tujuan pengenalan obyek, metode ini
mencoba menemukan suatu fungsi diskriminan yang nilainya mampu memisahkan
obyek yang karakteristiknya telah diketahui.Terdapat 20 jenis motif batik Yogyakarta yang ingin dikenali dan masing-
masing motif ada 25 sampel motif batik. Keseluruhan motif batik Yogyakarta yang
dipakai sebagai data uji diambil menggunakan camera digital pocket Fujifilm tipe
FinePixJ20 10MP dengan ukuran data motif batik hasil crop 200x200 piksel.Pengenalan motif batik Yogyakarta menggunakan fase pelatihan dan fase
pengujian. Proses pelatihan dilakukan untuk membuat satu model dari setiap motif
dari 25 sampel motif batik dengan membentuk fungsi diskriminan. Fungsi
diskriminan diperoleh dengan menghitung mean dari setiap kelompok dan mean dari
keseluruhan kelompok, menghitung matriks covariance, membentuk pooled within
group covariance matrix , dan menghitung probabilitas vektor.Proses pengujian dilakukan dengan menguji fungsi diskriminan yang
terbentuk dengan 100 data motif batik untuk mendapatkan angka kemiripan terbesar.
Kemudian, data hasil pengujian dievaluasi menggunakan metode 5-fold cross
validation untuk mendapatkan nilai prosentase akurasi dari 500 data motif.Pengujian 6 bentuk pengolahan feature yaitu rata-rata keseluruhan edge, rata-
rata edge horizontal, rata-rata edge vertikal, gabungan rata-rata keseluruhan edge
dengan rata-rata edge horizontal dan vertikal, gabungan rata-rata edge horizontal dan
vertikal, dan gabungan warna dengan rata-rata keseluruhan edge dan rata-rata edge
vertikal dan horizontal, ditujukan untuk mendapatkan nilai akurasi yang baik. Dari
pengujian menggunakan feature tersebut, didapati feature terbaik dalam pengenalan
motif batik Yogyakarta dengan metode LDA yaitu feature rata-rata edge horizontal
dengan akurasi sebesar 36.4%. Dari data tersebut dapat disimpulkan bahwa
pengenalan motif batik Yogyakarta dengan metode Linear Discriminant Analysis
menggunakan feature-feature di atas relatif kurang baik.viii
Abstract
Batik has a unique diversity of motifs. Most people know little about batik,one of which is known types of batik motifs. In this thesis, the author will discuss and
resolve the issue using Linear Discriminant Analysis because of its distinguishing
features is greater.Linear Discriminant Analysis is a multivariate statistical technique associated
with the separation or classification of a group of objects into groups that previously
defined. The purpose of object recognition, this method tries to find a discriminant
function capable of separating an object whose value is already known
characteristics.There are 20 types of Batik Yogyakarta motifs that wants to be recognized
and each motif there are 25 samples of batik motifs. Entire Yogyakarta batik used as
test data was taken using a digital camera Fujifilm type FinePixJ20 10MP pockets
with batik data size 200x200 pixel crop results.Introduction of Batik Yogyakarta motifs using the training phase and testing
phase. Training process is used to make one model of each motif from the 25 samples
of batik motifs by forming the discriminant function. Discriminant function is
obtained by calculating the mean of each group and the mean of the whole group,
calculate the covariance matrix, forming the pooled within group covariance matrix,
and calculate the probability vector.Testing process is conducted by examining the discriminant function is
formed by 100 data batik to get the largest number of similarities. Then, data test
results are evaluated using five-fold cross validation to obtain the value of the
percentage of occurrence of 500 data patterns.Testing six forms processing features are average overall edge, the average
horizontal edge, vertical edge on average, the combined average overall edge to the
average horizontal and vertical edges, the combined average of horizontal and
vertical edges, and the combined color with the overall average and the average edge
vertical and horizontal edge, intended to get the value of good accuracy. Of testing
using these features, the best features found in the introduction to batik of Yogyakarta
with LDA method is the average feature a horizontal edge with an accuracy of 36.4%.
From these data it can be concluded that the introduction of Batik Yogyakarta with
Linear Discriminant Analysis method using features above relatively less well.ix
Kata Pengantar
Puji syukur kepada Yesus Kristus Sahabat dan Penolongku yang telahmemberikan karunia dan kesempatan, sehingga penulis dapat menyelesaikan skripsi
dengan judul “Pengenalan Motif Batik Yogyakarta dengan Metode Linear
Discriminant Analysis (Studi Kasus di Museum Batik Yogyakarta)”.Terima kasih yang sebesar-besarnya kepada semua pihak yang turut member dukungan, semangat dan bantuan hingga selesainya skripsi ini:
1. Bapak Yosef Agung Cahyanta, S.T., M.T., selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.
2. Ibu A. Rita Widiarti, S.Si, M.Kom selaku dosen pembimbing atas kesabaran, bimbingan, waktu dan saran yang diberikan.
3. Bapak Dr. Ir. Linggo Sumarno, M.T. dan Bapak Ir. Ig. Aris Dwiatmoko, M.Sc. sebagai dosen penguji atas saran dan kritikan yang diberikan.
4. Romo Drs. C. Kuntoro Adi SJ, M.A, M.S., Ph.D yang telah menjadi pembimbing dan teman diskusi yang sangat inspiratif.
5. Laboran Komputer dan Staff Sekretariat Fakultas Sains dan Teknologi atas bantuan kepada penulis ketika melaksanakan ujian akhir.
6. Kedua orang tuaku yang tercinta, bapak Richardus Taryono dan ibu Bernadetta Retno Palupi untuk doa, dukungan, perhatian, dan pengertian yang sepenuhnya.
x
7. Kakak dan adikku tersayang, Bernardus Hery Krisno Nugroho dan Ignatia Yulistyowati untuk dukungan dan canda tawa yang menjadi penyemangat.
8. Kekasihku tercinta Hieronymus Dimas Febrianto untuk senyuman, doa,
semangat, saran dan kritik, perhatian, dan pengertian yang diberikan.
9. Galang Anugerah, S.T yang telah membimbing dan membantu tentang pemahaman metode Linear Discriminant Analysis.
10. Aprina Sulistia Melantika, Paulina Indah Tiarani, Agnes Retnaningsih, Bagas Pradipta, A. Cahyo Ridho, Andreas Hermawan, selaku teman yang berjuang bersama dalam skripsi.
11. Seluruh civitas akademika Teknik Informatika angakatan 2006 dan pihak- pihak lain yang telah berjuang bersama dari awal masa perkuliahan, proses belajar, masa penulisan tugas akhir hingga saat wisuda tiba. Terima kasih atas sejuta inspirasi berharga.
Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada
penulisan tugas akhir ini. Saran dan kritik saya harapkan untuk perbaikan pada masa
yang akan datang. Semoga bermanfaat.Yogyakarta, 20 September 2010 Penulis
xi
DAFTAR ISI
HALAMAN JUDUL BAHASA INDONESIA ............................................................ iHALAMAN JUDUL BAHASA INGGRIS ....................................................................... ii
HALAMAN PERSETUJUAN ........................................................................................... iii
HALAMAN PENGESAHAN ............................................................................................. iv
HALAMAN PERSEMBAHAN ......................................................................................... vHALAMAN PERNYATAAN KEASLIAN KARYA ....................................................... vi
HALAMAN PERSETUJUAN PUBLIKASI .................................................................... vii
ABSTRAK ........................................................................................................................... viii
ABSTRACT ......................................................................................................................... ix
KATA PENGANTAR ......................................................................................................... xDAFTAR ISI ....................................................................................................................... xii
DAFTAR GAMBAR ........................................................................................................... xv
DAFTAR TABEL ............................................................................................................... xvii
BAB I PENDAHULUAN ....................................................................................................1
1.1. Latar Belakang............................................................................................ 1
1.2. Rumusan Masalah ...................................................................................... 2
1.3. Tujuan ......................................................................................................... 2
1.4. Batasan Masalah ......................................................................................... 2
1.5. Metodologi Penelitian ................................................................................ 3
1.6. Sistematika Penulisan ................................................................................. 4
BAB II LANDASAN TEORI ............................................................................................. 5
2.1. Pengertian Batik ......................................................................................... 5
2.2. Pengenalan Pola.......................................................................................... 7
2.2.1. Deteksi Tepi Canny .......................................................................... 9
2.2.2. Ekstraksi Feature ............................................................................. 12
2.2.3. Proses Training ................................................................................ 13
2.2.4. Proses Testing .................................................................................. 14
xii
2.2.5. Metode Linear Discriminant Analysis (LDA) ................................. 14
2.2.5.1. Algoritma Pemodelan Linear Discriminant Analysis......... 15
2.2.6. Metode Evaluasi 5-Fold Cross Validation ...................................... 22
2.3. Matriks Data Multivariat ............................................................................ 26
2.4. Matlab ......................................................................................................... 27
BAB III ALGORITMA DAN PERANCANGAN SISTEM ............................................ 28
3.1. Pengambilan Data Batik Yogyakarta ......................................................... 28
3.2. Perancangan Sistem Secara Umum ............................................................ 29
3.3. Algoritma yang Digunakan ........................................................................ 33
3.3.1. Algoritma Penyimpanan Informasi Rata-Rata Edge ........................ 33
3.3.2. Algoritma Perhitungan Metode Linear Discriminant Analysis ....... 39
3.3.3. Algoritma Metode Evaluasi 5-Fold Cross Validation ..................... 40
3.3.4. Algoritma Proses Training ............................................................... 41
3.3.5. Algoritma Proses Testing ................................................................. 41
3.3.6. Algoritma Fase Pengenalan Motif Batik .......................................... 42
3.3.7. Algoritma Fase Pengujian Akurasi .................................................. 42
3.4. Perancangan Fase Training ........................................................................ 42
3.4.1. Ekstraksi Feature ............................................................................. 43
3.4.2. Pengolahan Feature ......................................................................... 47
3.4.3. Training ............................................................................................ 47
3.5. Perancangan Fase Pengenalan (Testing) .................................................... 48
3.5.1. Ekstraksi Feature ............................................................................. 48
3.5.2. Pengolahan Feature ......................................................................... 48
3.5.3. Pencocokan Kemiripan .................................................................... 48
3.6. Perancangan Proses Evaluasi ..................................................................... 49
3.7 Perancangan Antar Muka ............................................................................ 52
3.7.1. Halaman Home ................................................................................ 52
3.7.2. Halaman Pengenalan Motif Batik Yogyakarta ................................ 53
xiii
3.7.3. Halaman Pengujian LDA ................................................................. 54
3.7.4. Halaman Konsep Linear Discriminant Analysis .............................. 54
3.7.5. Halaman Identitas Program (About) ................................................ 55
3.7.6. Halaman Bantuan (Help) ................................................................. 55
BAB IV IMPLEMENTASI DAN ANALISA SISTEM ................................................... 57
4.1. Implementasi Antar Muka yang Digunakan pada Sistem .......................... 57
4.1.1. Halaman Utama ............................................................................... 57
4.1.2. Halaman Pengenalan Motif Batik Yogyakarta ................................ 60
4.1.3. Halaman Pengujian Linear Discriminant Analysis .......................... 62
4.1.4. Halaman Konsep Metode ................................................................. 63
4.1.5. Halaman About ................................................................................. 66
4.1.6. Halaman Bantuan (Help) ................................................................. 66
4.2. Hasil Penelitian ........................................................................................... 67
BAB V KESIMPULAN DAN SARAN .............................................................................. 76
5.1. Kesimpulan ................................................................................................. 76
5.2. Saran ........................................................................................................... 78
DAFTAR PUSTAKA .......................................................................................................... 80
LAMPIRAN 1 CODING PROGRAM .............................................................................. 82
LAMPIRAN 2 DATA PENELITIAN .............................................................................. 123
xiv
DAFTAR GAMBAR
(Sumber: Museum Batik Yogyakarta)
Gambar2.1. Beberapa motif Batik Yogyakarta ....... 6
Gambar2.2. Blok diagram pengenalan motif batik ..................................................... 9
Gambar2.3. Motif batik dikenakan deteksi tepi Canny .............................................. 11
Gambar2.4. Hasil perhitungan fungsi diskriminan ..................................................... 22
Gambar2.5. Gambaran metode evaluasi 5-Fold Cross Validation ............................. 26
Gambar2.6. Matriks data multivariat .......................................................................... 27
Gambar3.1. Alur fase pengenalan motif batik Yogyakarta Secara Umum ................. 30
Gambar3.2. Blok diagram sistem ................................................................................ 30
Gambar3.3. Rata-rata keseluruhan edge ..................................................................... 45
Gambar3.4. Matriks persegi 8x8 ................................................................................. 46
Gambar3.5. Contoh pengelompokanmotif batik untuk proses evaluasi ..................... 49
Gambar3.6. Rancangan halaman Home ..................................................................... 52
Gambar3.7. Rancangan halaman pengenalan motif batik Yogyakarta ....................... 53
Gambar3.8. Rancangan halaman pengujian LDA ...................................................... 54
Gambar3.9. Rancangan halaman konsep LDA ........................................................... 54
Gambar3.10. Rancangan halaman identitas program (about)..................................... 55
Gambar3.11. Rancangan halaman bantuan (help) ...................................................... 55
Gambar4.1. Halaman utama sistem pengenalan motif batik Yogyakarta ................... 59
Gambar4.2. Halaman fase pengenalan motif batik Yogyakarta ................................. 60
Gambar4.3. Kotak file selector untuk mengambil gambar ......................................... 60
Gambar4.4. Peringatan tidak ada file yang dipilih...................................................... 61
Gambar4.5. Halaman fase pegujian Linear Discriminant Analysis ............................ 62
Gambar4.6. Halaman penjelasan konsep metode LDA .............................................. 64
Gambar4.7. Halaman penjelasan konsep metode 5-Fold Cross Validation ............... 65
Gambar4.8. Bagan metode 5-Fold Cross Validation .................................................. 65
Gambar4.9. Halaman About ........................................................................................ 66
xv
Gambar4.10. Halaman bantuan fase pengenalan motif batik Yogyakarta .................. 67
Gambar4.11. Halaman bantuan fase pengujian motif batik Yogyakarta .................... 67
xvi
DAFTAR TABEL
Tabel2.1. Data chip rings .......................................................................................... 18
Tabel2.2. Data set chip ring ...................................................................................... 18
Tabel3.1. Contoh tabel confusion matriks ................................................................ 50
Tabel5.1. Rangkuman hasil percobaan ..................................................................... 76
xvii
BAB I PENDAHULUAN 1.1. Latar Belakang Indonesia terkenal dengan keanekaragaman budaya mulai dari suku, tari
daerah, pakaian adat, lagu daerah, dan adat istiadat. Salah satu budaya yang dimiliki
oleh negara kita adalah batik. Batik merupakan warisan budaya Indonesia yang
memiliki keanekaragaman motif.Dahulu batik hanya dikenakan oleh kalangan raja, kerabat dan pekerjanya,
selain itu digunakan juga pada acara ritual budaya Jawa. Seiring dengan
perkembangan zaman batik telah menjadi kebutuhan sekunder. Banyak masyarakat
yang menggunakan batik dalam kesehariannya. Perancang desain busana pun
menjadikan batik sebagai sumber inspirasi untuk membuat model busana modern.Sebagian besar masyarakat bangga menggunakan batik, tetapi sedikit yang
mengenal motif-motif batik. Untuk mengatasi permasalahan tersebut sebenarnya
terdapat banyak metode, salah satunya adalah metode Linear Discrimant Analysis.
Metode ini akan menjadi alat bantu untuk pengenalan motif batik. Penulis
menggunakan metode ini karena memiliki daya pembeda yang akurat dan lebih besar
dari metode Principal Components Analysis (PCA) (Resmana Lim, 2002).
1
2
1.2. Rumusan Masalah Rumusan masalah tugas akhir ini berdasarkan latar belakang di atas adalah
“Bagaimana secara otomatis mengenal motif batik Yogyakarta dengan
mempergunakan metode Linear Discriminant Analysis (LDA)?”1.3. Tujuan Tujuan dari tugas akhir ini adalah untuk mengenali motif batik Yogyakarta dan
menganalisa serta mengetahui kelebihan dan kekurangan metode Linear Discriminant
Analysis dalam menangani data citra motif batik Yogyakarta.
1.4. Batasan Masalah Adapun batasan masalah dalam tugas akhir ini, yaitu:
1. Penelitian hanya pada batik Yogyakarta. Penulis hanya menggunakan 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, Parang Kunci.
2. Metode yang digunakan untuk pengenalan motif batik Yogyakarta adalah Linear Discriminant Analysis .
3
3. Pembuatan program hanya sebuah prototipe untuk membantu analisa algoritma Linear Discriminant Analysis dalam menangani pola batik Yogyakarta.
4. Pada tugas akhir ini sampel motif batik Yogyakarta yang digunakan berdasarkan: a. Ukuran citra motif batik Yogyakarta 200 x 200 piksel dengan format data .jpg.
b. Data batik diambil menggunakan camera digital pocket Fujifilm tipe FinePixJ20 dengan 10MP.
c. Jarak pengambilan gambar dengan kain batik sekitar 30 cm.
d. Data batik yang didapat dan akan digunakan dalam tugas akhir ini terlebih dahulu di-crop untuk menghilangkan sinar blitz serta mengambil bagian pola (motif) batik yang merupakan ciri dari motif tersebut. Kemudian ukuran data motif batik hasil crop diubah menjadi 200 x 200 piksel.
5. Proses ekstraksi feature berdasarkan warna dan edge information.
1.5. Metodologi Penelitian
a. Survei dengan langsung mendatangi Museum Batik Yogyakarta untuk mendapatkan data motif batik.
b. Studi literatur dilakukan dengan mempelajari materi dan artikel tentang metode Linear Discriminant Analysis.
4 c. Wawancara dengan pakar budaya Museum Batik Yogyakarta.
d. Tahap implementasi yang meliputi pembuatan alat bantu berupa suatu perangkat lunak untuk pengenalan motif batik.
e. Tahap analisa dari data hasil percobaan.
1.6. Sistematika Penulisan
BAB I PENDAHULUAN Berisi latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan. BAB II LANDASAN TEORI Berisi landasan teori yang dipakai untuk pembahasan tugas akhir. BAB III PERANCANGAN SISTEM Berisi gambaran umum mengenai perancangan sistem yang akan dibangun, yaitu sebuah perangkat lunak yang dapat mengenali motif batik
Yogyakarta dan menerjemahkannya ke dalam sebuah informasi.
BAB IV IMPLEMENTASI DAN ANALISA ALGORITMA Berisi implementasi sistem dan membahas mengenai analisis algoritma-
algoritma dalam metode Linear Discriminant Analysis (LDA).
BAB V KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dan saran yang diperoleh dari keseluruhan proses pembuatan tugas akhir ini, serta beberapa saran untuk pengembangan sistem lebih lanjut.BAB II LANDASAN TEORI
2.1. Pengertian Batik
Batik berasal dari Bahasa Jawa ambatik dari kata “ba” dan “tik”, masing- masing mempunyai padanan kata “bud” dan “am” yang artinya “a-mba-tik” dengan arti kata membentuk titik (nitik), “tik” berarti kecil. Jadi, batik berarti menulis atau menggambar atau membuat titik (tulis).
Bunyi am berasal dari kata “ha” pada huruf Jawa merupakan kata imbuhan pada suatu kata, contoh: “ha” + batik ambatik artinya membuat batik
“ha” + babar ambabar artinya membuat babar (membersihkan atau
mencuci) “ha” + serat amserat artinya membuat serat.
Batik merupakan seni karya tulis yang mempunyai arti tersendiri dan mampu
mengungkapkan rasa perasaan indah (setelah melihat atau menangkap) maknanya.
Batik tulis juga mampu mengangkat status sosial seseorang seperti kewibawaan,
kepangkatan, derajat, dan asal usul. Batik juga memiliki nilai ganda yaitu seni, sosial,
dan ekonomi.Batik merupakan karya seni pada kain dengan perintang warna yang
menggunakan malam (lilin). Batik juga merupakan lukisan atau gambar pada mori
28
6
yang dikerjakan dengan alat canting, dan disebut membatik (Konsensus Nasional,
1996). Beberapa motif batik tulis Yogyakarta sebagai berikut:Kawung Galar Parang Barong Ceplok Kece Nitik Cengkeh
Parisewuli Seling Pamor
Parang Pancing Truntum Tambal
Parang Kusumo Ukel
Parang Tuding Parang Keris Parang Curigo
Gambar 2.1. Beberapa motif batik Yogyakarta (Sumber: Museum Batik Yogyakarta)7
Parang Kembang Sawut
Parang Klitik Kawung Kembang Ceplok Dempel
Cecek
Cempoko Hitam Kawung Picis Lereng Kusuma Parang Kawung
Parang Kunci Picis
Gambar 2.1. (Lanjutan)2.2. Pengenalan Pola
Pola merupakan kumpulan akan sesuatu (instances) yang memiliki kemiripan
dan keteraturan, ada perulangan, dapat diobservasi baik secara per bagian ataupun
seluruhnya. Ketika sebuah mesin mengenali pola, maka akan memindai pola tersebut
dengan sensor dengan kehadiran derau (noise) dan distorsi pada citra pola itu.Pengenalan pola adalah suatu disiplin ilmu yang mempelajari cara-cara
mengklasifikasikan obyek ke beberapa kelas atau kategori dan mengenali
kecenderungan data. Tergantung pada aplikasinya, obyek-obyek ini bisa berupa
8
pasien, mahasiswa, pemohon kredit, citra atau sinyal atau pengukuran lain yang perlu
diklasifikasikan atau dicari fungsi regresinya. Biasanya subyek ini disebut dengan
pengenalan pola atau pattern recognition. Langkah-langkah pengenalan motif batik secara umum adalah sebagai berikut:1. Data masukan berupa citra .jpg disiapkan. Citra ini masih berisi kumpulan piksel yang memiliki data warna RGB (Red
- – Green – Blue).
2. Ekstraksi feature merupakan langkah pemilihan ciri yang ingin diidentifikasi dari citra batik yang telah dikenai proses pre-processing.
3. Tahap klasifikasi citra merupakan tahap utama dalam pengenalan pola.
Klasifikasi ini bisa berdasarkan unsupervised maupun supervised learning.
Unsupervised learning berarti kategori tercipta dengan sendirinya sesuai dengan feature yang ditangkap, sedangkan supervised learning berarti sudah ada batas-batas pengetahuan untuk menentukan kelas dari obyek yang ditangkap. Pada tahap ini, feature dibandingkan kemiripannya dengan model yang sudah diketahui oleh mesin.
4. Tahap terakhir yaitu mendapatkan output berupa pengenalan motif batik, sehingga keputusan dapat diambil dari hasil pengenalan ini.
9 output pengenalan/klasifikasi mode ekstraksi feature
Data citra .jpg
Gambar 2.2. Blok diagram pengenalan motif batik2.2.1 Deteksi Tepi dengan Metode Canny
Tepi (edge) merupakan perubahan intensitas derajat keabuan yang
besar dalam jarak yang singkat. Tepi mencirikan batas-batas objek sehingga
berguna untuk proses segementasi dan identifikasi dalam citra. Tujuan
pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu
daerah atau objek di dalam citra.Metode Canny merupakan salah satu algoritma deteksi tepi. Metode
Canny akan mendeteksi tepi dengan mencari nilai gradien maksimal lokal dari
sebuah citra. Gradien tersebut dihitung menggunakan turunan dari Gaussian
filter . Metode Canny menggunakan dua thresholds yang berguna untuk
mendeteksi tepian yang terlihat jelas dan tepian yang kurang jelas atau lemah,
termasuk juga tepian yang kurang jelas terlihat pada output yang terhubung
dengan tepian yang jelas. Thresholding digunakan untuk mengatur jumlah
10
derajat keabuan yang ada pada citra. Metode Canny lebih utama akan
mendeteksi tepian yang kurang jelas, yang tidak dapat diperoleh dengan
menggunakan metode lain. Ada beberapa kriteria penteksian tepian paling
optimum yang dapat dipenuhi oleh algoritma Canny: a. Mendeteksi dengan baik (kriteria deteksi) Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan pemilihan parameter-parameter konvolusi yang dilakukan. Sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan.b. Melokalisasi dengan baik (kriteria lokalisasi) Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi yang dideteksi dengan tepi yang asli.
c. Respon yang jelas (kriteria respon) Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan citra selanjutnya. Penulis menerapkan metode Canny untuk citra motif batik yaitu dengan menggunakan fungsi yang disediakan dalam Matlab. Sebagai contoh, motif batik Truntum dikenakan metode Canny menggunakan fungsi Matlab, yaitu:
batik = imread ('truntum_21.jpg'); % mengambil/membaca motif gray=rgb2gray(batik); % mengubah RGB menjadi gray motif=edge(gray,'canny'); % dikenakan fungsi metode Canny imshow(motif) % menampilkan hasil deteksi tepi
11 Hasil citra motif batik Yogyakarta yang dikenakan metode Canny sebagai berikut:
Ceplok Kece Kawung Galar Nitik Cengkeh Parang Barong Parang Pancing
Parisewuli Seling Pamor
Truntum Tambal Parang Tuding
Parang Kusumo Ukel
Parang Curigo Parang Keris Gambar2.3. Motif batik dikenakan deteksi tepi Canny
12
Kawung Kembang Parang Kembang Sawut
Ceplok Dempel Parang Klitik
Cempoko Hitam Cecek
Parang Kawung Picis
Parang Kunci Kawung Picis Lereng Kusuma
Gambar2.3. (Lanjutan)
2.2.2. Ekstraksi Feature
Feature merupakan suatu hal yang digunakan untuk menjadi model dalam Linear Discriminant Analysis yang kemudian diekstrak cirinya untuk diolah dalam perhitungan training maupun testing.
Ekstraksi ciri berfungsi untuk menajamkan perbedaan-perbedaan pola (motif) sehingga akan sangat memudahkan dalam pemisahan antar kelas pada proses klasifikasi. Ekstraksi ciri merupakan tahap yang sangat penting dan sulit dalam teknik klasifikasi pola, bahkan seringkali tingkat keberhasilan dari sistem pengenalan pola selalu dikaitkan dengan metode ekstraksi ciri yang digunakan.
13 Ekstraksi yang dapat dilakukan ialah dengan mengolah informasi
piksel secara diskret. Pengolahan diskret dapat dilakukan dengan membagi
suatu motif batik ke dalam zona yang memiliki ukuran yang sama
(Theeramunkong, Wongtapan, Sinthupinyo, 2004). Kemudian, informasi
piksel dari tiap zona digunakan untuk data input dalam membentuk model.Tidak ada ukuran yang menentukan untuk perhitungan feature, oleh
karena itu penulis mencoba menggunakan feature warna yang terdiri dari
RGB (Red-Green-Blue), dan edge information dengan ukuran 200x200 piksel.
Warna dijadikan feature dalam pengenalan motif batik karena motif
batik Yogyakarta dapat dibedakan dalam warnanya, warna yang berbeda
dengan bentuk motif yang sama maka nama motif batik pun berbeda.Feature edge information (deteksi tepi) juga merupakan unsur penting
dalam pengenalan motif batik Yogyakarta ini. Edge information berguna
untuk mendeteksi bagian tepi dari motif batik Yogyakarta. Dengan adanya
bagian tepi motif batik maka motif batik pun dapat diketahui. Dalam hal ini
sebelum dikenakan proses edge information, citra dikenakan proses deteksi
tepi dengan menggunakan metode canny, karena pembentukan deteksi tepi
lebih terlihat jelas.2.2.3. Proses Training
Proses training merupakan proses klasifikasi atau pembentukan model
motif batik. Pada proses ini dari 500 data motif batik yang digunakan,
sebanyak 400 data digunakan untuk training. Proses training menggunakan
14
metode Linear Discriminant Analysis, yaitu membentuk dengan membentuk
fungsi diskriminan.2.2.4. Proses Testing
Proses testing merupakan proses pencocokan kemiripan dan
pengenalan motif batik Yogyakarta. Data test akan dimasukkan pada fungsi
diskriminan yang terbentuk pada proses training. Pada proses ini data citra
motif batik yang digunakan sebanyak 100 dari 500 data citra motif batik.2.2.5. Metode Linear Discriminant Analysis (LDA)
Banyak metode yang dapat digunakan untuk klasifikasi pengenalan
pola. Salah satu teknik yang sangat populer dan cukup sederhana untuk
menyelesaikan masalah klasifikasi adalah analisis diskriminan linear (Linear
Discriminant Analysis ), selanjutnya disebut dengan LDA. LDA termasuk
dalam kategori supervised learning, karena dalam pemakaian LDA ada
tahapan training untuk menemukan parameter model yang diperlukan.
Selanjutnya model yang diperoleh digunakan untuk melakukan prediksi bila
ada data baru dan harus dilakukan pengelompokan.Metode LDA memaksimalkan diskriminasi antar kelas dan
meminimalkan persebaran dalam kelas. Metode ini memiliki kegunaan untuk
mengklasifikasikan obyek ke dalam dua grup atau lebih.Analisis diskriminan berguna ketika ingin membentuk sebuah model
prediktif dari beberapa kelompok (group) berdasarkan pada karakteristik
masing-masing kasus. Prosedur pembentukan fungsi diskriminan (pada lebih
15
dari dua kelompok, serangkaian set dari fungsi diskriminan) berdasarkan pada
kombinasi linear dari variabel-variabel prediktor yang memberikan pembeda
terbaik dari kelompok-kelompok tersebut. Fungsi dibentuk dari sebuah
sampel pada sebuah kasus di dalam sebuah group yang telah diketahui; fungsi
lalu dapat diaplikasikan pada kasus baru dengan pengukuran pada variabel-
variabel prediktor yang tidak diketahui masuk pada kelompok mana.2.2.5.1. Algoritma Pemodelan Linear Discriminant Analysis
Analisis diskriminan adalah teknik statistik multivariate yang terkait dengan pemisahan (separating) atau alokasi/klasifikasi (classification) sekelompok obyek atau observasi ke dalam kelompok (group) yang telah terlebih dahulu didefinisikan. Dalam tujuan pengenalan obyek (observasi), metode ini mencoba menemukan suatu discriminant yang nilainya mampu memisahkan obyek yang karakteristiknya telah diketahui. Sedangkan dalam tujuan klasifikasi obyek, metode ini akan mensortir obyek (observasi) ke dalam dua atau lebih kelas.
Cara kerja Linear Discriminant Analysis yaitu dengan mencari bobot untuk setiap kelompok. Metode ini memaksimalkan jarak antar kelas dan meminimalkan jarak dalam kelas. Fungsi diskriminan yang terbentuk berfungsi untuk memisahkan kelompok.
Setelah feature didapat, maka pemodelan Linear Discrminant Analysis dapat dibangkitkan. Linear Discriminant Analysis
16
mengasumsikan matriks-matriks kovarians kelas yang sama. Output