2. EKSTRAKSI FITUR GEOMETRI PADA CITRA BATIK MENGGUNAKAN REPRESENTASI KURVA CARDINAL SPLINE

  Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri …

   Vol. 4, No. 1 Juni 2014

ISSN 2088-2130 EKSTRASI FITUR GEOMETRI PADA CITRA BATIK MENGGUNAKAN REPRESENTASI KURVA

  1) 2) 3) Aris Fanani , Anny Yuniarti , Nanik Suciati

  Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember

  Surabaya, Indonesia

  1

  

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

  Kata Kunci: Batik, Cardinal spline,Ekstraksi fitur geometri, representasi kurva ABSTRACT

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

  Keywords: Batik, Cardinal spline, Geometric extraction feature, Curve representation. Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014 PENDAHULUAN

  Batik adalah kerajinan yang memiliki nilai seni tinggi dan telah menjadi bagian dari budaya Indonesia (khususnya Jawa) sejak lama. Secara etimologi, batik mempunyai pengertian akhiran “thik” dalam kata “batik” berasal dari kata menitik atau menetes. Kata “mbatik” berasal dari kata “tik” yang berarti kecil [1]. Dengan demikian dapat dikatakan bahwa “mbatik” adalah menulis atau menggambar serba rumit (kecil-kecil). Batik sebagai warisan tradisional yang terkenal dan unik di Indonesia juga diakui sebagai warisan budaya dunia (world heritage). Dengan diakuinya batik sebagai warisan budaya dunia, menjadikan batik semakin terkenal dan sebagai bahan pakaian yang sering digunakan. Batik memiliki karakteristik pada motifnya. Motif dan ragam hias batik, dibangun dari proses kognitif manusia yang diperoleh dari alam sekitarnya. Hal inilah yang dianggap sebagai salah satu aspek yang menarik untuk diteliti menggunakan sains dan teknologi.

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

  recognition ) dan representasi objek (object representation ).

  Pemrosesan citra digital memerlukan suatu proses pre-processing yang selanjutnya akan digunakan untuk proses yang lain. Proses tersebut adalah segmentasi. Segmentasi merupakan langkah pertama dan menjadi kunci yang penting dalam suatu pengenalan objek. Telah banyak metode segmentasi dikembangkan. Salah satunya adalah metode thresholding yang sering digunakan untuk segmentasi karena mudah dan intuitif. Hasil dari segmentasi akan berdampak pada proses memahami dan menganalisis citra, seperti klasifikasi objek, deskripsi objek, representasi objek dan sebagainya. Pendekatan neutrosophic untuk segmentasi berhasil memisahkan objek dan

  background [2].

  Banyak penelitian dilakukan untuk merepresentasikan objek. Metode yang digunakan diantaranya adalah polygon approximation, dan representasi kurva. Sekumpulan point dari batas objek (kontur) digunakan untuk mendapatkan

  polygon approximation dari bentuk objek itu

  sendiri [3]. Dominant point didapatkan dari kontur dengan menghapus collinear point. Ketika bentuk objek mengandung unsur lengkung, maka polygon

  approximation tidak dapat memberikan hasil yang memuaskan dalam representasi bentuk.

  Pendekatan lain yang digunakan adalah menggunakan representasi kurva. Kurva Bezier merupakan kurva polinomial berderajat n yang menggabungkan titik kontrol untuk penggambarannya. Kurva Bezier memiliki kelemahan, salah satunya tidak memiliki properti kontrol lokal karena penggeseran satu titik kontrol saja akan mempengaruhi hasil kurva secara keseluruhan. Karena kelemahan tersebut muncul pola pikir penggabungan beberapa segmen kurva Bezier berderajat rendah yang disebut dengan kurva cardinal spline. Objek grafik dipisah menjadi beberapa segmen dengan harapan melakukan modifikasi pada suatu wilayah hanya mempengaruhui segmen tersebut.

  Beberapa penelitian terkait dengan citra batik adalah sistem temu kembali citra berbasis isi

  (content-based image retrieval /CBIR) [4],

  ekstraksi fitur motif batik yang digunakan untuk klasifikasi motif batik [5]. Pada penelitian ini, diusulkan sistem ekstraksi fitur geometri pada citra batik dan merepresentasikan kembali menggunakan representasi kurva cardinal spline. Sistem terdiri dari tiga bagian: ekstraksi fitur geometri, representasi kurva cardinal spline dari fitur geometri, dan rekonstruksi citra batik.

  METODE

  Pada bagian ini, akan dijelaskan mengenai teori-teori yang menjadi landasan dalam melakukan penelitian ini. Adapun teori-teori yang akan dijelaskan adalah tentang pendekatan Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri … neutrosophic untuk segmentasi dan Cardinal spline. Sedangkan freeman chain code, deteksi

  tepi canny, dan connected component labeling tidak dibahas lagi dalam penelitian ini karena metode tersebut merupakan metode yang sudah umum diketahui dalam pengolahan citra.

  ( ( , ))

  level yang lebih besar dari 0 dan pertama

  kali ditemukan. Sedangkan merupakan nilai gray level yang lebih besar dari 0 dan terakhir kali ditemukan.

  6. Tentukan nilai parameter a dan c : = (1 −

  1

  )(

  1

  − ) +

  , jika (a>B ^{1 ) , a= B 1} =

  1

  ( − ) + jika (c> B ^{2 ), c= B 2}

  7. Hitung parameter b dengan menggunakan prinsip maksimum entropi : ( ) =

  1 × ∑ ∑

  =1 =1

  1 = 2

  , dimana S n ( ) merupakan Shannon function yang didefiisikan sebagai:

  ( ( , )) = − ( , )

  2

  ( , ) − (1 − ( , )

  2

  (1 − ( , )) Parameter nilai b berada antara nilai a dan

  c. Untuk mendapatkan nilai b yang

  optimal, diperlukan pengecekan terhadap seluruh kemungkinan nilai b. Nilai b yang optimal akan menghasilkan nilai maximum

  entropy H(X) yang terbesar:

  ( , , , ) = max { [ , , , ]| ≤ < < ≤ }.

  (1) (2) (3) (4) (5)

  (6) (7) (8) (9)

  dimana f ^{1 = 0,01 (didapat dari hasil} percobaan). merupakan nilai gray

  ∑ ( ) =

  Pendekatan Neutrosophic untuk segmentasi Neutrosophy merupakan cabang ilmu dari

  2 ( − )( − )

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

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

  Pendekatan neutrosophic untuk segmentasi berdasarkan metode watershed telah dilakukan (2). Langkah-langkah pendekatan neutrosophic untuk segmentasi berdasarkan metode watershed dijelaskan sebagai berikut:

  Pemetaan dan Penentuan {T,F}

  Pada tahap ini dilakukan pemetaan dan penentuan matriks citra pada domain T dan domain F. T adalah objek dan F adalah

  background . Proses penentuan nilai T dan F yang

  termasuk komponen dari neutrosophic dengan menggunakan S-function sebagai berikut: ( , ) = ( , , , )

  = { 0 0 ≤ ≤ ,

  ( − )

  2 ( − )( − )

  ≤ ≤ , 1 −

  ( − )

  ≤ ≤ , 1 ≥ , ( , ) = 1 − ( , ), dimana gxy merupakan nilai intensitas dari piksel P(i,j). variabel a,b, dan c adalah parameter yang menentukan bentuk dari S-function. Nilai variabel a, b, dan c dihitung dengan metode berdasarkan histogram(6):

  1 =

  1. Hitung histogram citra

  2. Tentukan local maxima dari histogram,

  His max (g ^{1 ), His max (g 2} ),…, His ^{max (g k )}

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

  ̅̅̅̅̅̅̅̅̅̅̅̅̅̅ =

  ∑ ( ) =1

  4. Tentukan local maxima sebagai puncak yang tingginya melebihi His max (g) .

  Asumsikan puncak yang pertama kali ditemukan sebagai g ^min dan terakhir ditemukan g max

  5. Tentukan batas bawah gray level B ^{1 dan} batas atas B ²

  :

  ∑ ( ) =

  1

  (10)

  3

  2

  1] [ −1

  2 −1 −2 −1

  1

  2

  2 −1 2 −1

  − 1 −1 0 1 0 0 1/ 0 0]

  [

  −1

  ] dimana adalah parameter tarikan atau tension, u adalah vektor knot, dan p i adalah titik kontrol. Pada penelitian ini, yang digunakan adalah 0,5.

• 1
• 2

  Ekstraksi fitur geometri citra batik memiliki peranan penting dalam memahami bentuk objek di dalam suatu citra batik. Fitur geometri dari suatu objek dibangun oleh satu set elemen geometris seperti titik, garis, kurva atau permukaan. Fitur geometri yang dimaksud pada citra batik disini adalah fitur geometri pola (klowongan dalam bahasa jawa) dan fitur geometri pengisi pola (isen-isen dalam bahasa jawa).

  METODOLOGI

  Ekstraksi Fitur Geometri Klowongan

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

  Gambar 3. (a) Citra batik; (b) Klowongan batik

  Proses ekstraksi fitur geometri dimulai dengan memasukkan citra RGB batik dan mengubah menjadi grayscale. Setelah citra dirubah menjadi grayscale, dilakukan denoising dengan mean filtering yang bertujuan untuk menghilangkan

• – t ^n-1

  noise . Citra hasil denoising selanjutnya akan

  dilakukan segmentasi dengan threshold berbasis

  neutosophic seperti yang dijelaskan pada bagian

  2.1. Hasil dari segmentasi akan ditentukan

  connected component labeling dengan 8- neigborhood . Dari hasil connected component labeling akan dicari data arah dari bentuk setiap

  objek pada citra dengan metode chain code dan menyimpan posisi koordinatnya. Algoritma chain code yang digunakan dalam ekstraksi chain code 8-connected adalah sebagai berikut (8):

  kurva akan menginterpolasi keempat titik kontrol tersebut dan harus memenuhi persamaan berikut: ( ) = [

  cardinal spline didefinisikan oleh 4 titik kontrol,

  2. Memisahkan f(x,y) dengan menggunakan

  Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014 Enhancement

  Setelah didapatkan citra baru pada domain neutrosophic, dilakukan proses enhancement. Proses ini bertujuan untuk memperbaiki citra pada domain baru. Proses enhancement dilakukan dengan menggunakan transformasi intensitas. Berikut adalah fungsi yang digunakan untuk melakukan perbaikan pada citra di domain neutrosophic: ( ( , )) = 2

  2

  ( , ), 0 ≤ ( , ) ≤ 0.5, ( ( , )) = 1 − 2(1 − ( , ))

  2

  , 0,5 < ( , ) ≤ 1.

  Thresholding

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

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

  t , kemudian mengelompokkannya

  membentuk sebuah kurva. Interpolasi cardinal spline merupakan modifikasi dari quadratic Bazier spline yang menggunakan proses penyambungan dengan kontinuitas C ¹ . Satu segmen dari kurva

  menjadi 2 kelompok piksel baru, F ^{1 dan}

  F ²

  3. Setiap kelompok pada F ^{1 dan F 2 dicari} nilai rata-ratanya

  μ ^{1 dan} μ ²

  4. Hitung nilai threshold baru dengan persamaan t ¹ = (μ ¹ +μ ^{2 )/2}

  5. Ulangi langkah ke-2 hingga 4 sehingga selisih nilai dari t n

  < ε (dimana ε = 0,0001 ). Jika terpenuhi kondisi ini, tn merupakan nilai threshold yang ditetapkan.

  Cardinal Spline

  Cardinal spline merupakan interpolasi

  spline yang menggunakan tarikan (tension) untuk

  (11) (12) (13)

  Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri …

  a. Tentukan piksel dalam objek yang nilainya paling kiri di baris paling atas, anggap piksel itu P seperti pada Gambar _. 5 (a)

  b. Tentukan variabel dir (untuk arah). Atur

  dir =7 (karena P adalah piksel kiri atas Gambar 5. (a) Penentuan P (b-d) Penentuan arah.

  dalam objek, arah piksel berikutnya harus 7).

  Reduksi fitur geometri klowongan

  c. Jalankan 3x3 neighborhood dari piksel dilakukan dengan mencari dominant point dari sekarang. Awali pencarian pada piksel setiap bentuk objek berdasarkan arah yang dalam arah dir + 7 (mod 8) jika dir genap dihasilkan proses chain code. Langkah-langkah atau dir + 6 (mod 8) jika dir ganjil menentukan dominant point dengan cara (Gambar 5(b-c)). Ini akan berakibat arah menghapus collinear point (3): pertama berlawanan dengan arah jarum

  a. Pilih tiga point (posisi koordinat) pada jam dari dir: batas objek, misalkan P i, P j, dan P k

  dir

  1

  2

  3

  4

  5

  6

  7

  b. Tentukan nilai threshold (d t )

  dir+7( mod 8)

  7

  1

  2

  3

  4

  5

  6

  c. Hapus point P j , dengan nilai distance (d)

  dir+6 ( mod 8)

  6

  7

  1

  2

  3

  4

  5

  dari garis lurus yang dibentuk P i dan P k

  d. Piksel foreground pertama akan menjadi jika t . Distance (d) dihitung dengan

  d ≤ d

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

  e. Berhenti jika batas elemen sekarang P n

  2

  (( − )( − ) − ( − )( − )) sama dengan elemen kedua P ^{1 dan piksel} = √ _n-1

  2

  2

  batas sebelumnya sama P sama dengan ( − ) + ( − ) elemen batas pertama P ^0.

  d. Ulangi langkah c, dan berhenti jika P j = P i Gambar 5 menunjukkan penentuan P dan penentuan arah menggunakan algoritma di atas. _{Citra RGB Batik cara mendapatkan dominant point menggunakan Citra Grayscale Segmentasi, Batik, Citra} Gambar 6 ini menunjukkan bagaimana _{Denoising dengan Mean Filtering Grayscale Ubah ke Citra Grayscale batik Deteksi Tepi Canny Citra RGB} algotirma di atas. _{dengan threshold neutrosophic} Segmentasi _{berbasis Citra=Hasil Canny - Isolasi Interior Connected Segmentasi) erosi(Citra} Gambar 6. Proses penghapusan collinear point (I) _{Component Labeling}

  Setelah dominant ponit didapatkan dari _{Component Connected} proses reduksi, koordinat dominat point dari setiap _{Penentuan arah batas objek Labeling} objek disimpan dalam database yang nantinya _{dengan Chain Code} akan digunakan untuk rekonstruksi citra batik _{Reduksi fitur geometri isen-isen Reduksi fitur} dengan menggunakan carrdinal spline. _{klowongan geometri} Ekstraksi Fitur geometri Isen-isen Isen-isen citra batik adalah pengisi klowongan _{Database fitur geometri geometri isen- Database fitur} dari batik. Contoh isen-isen dari citra batik seperti _{klowongan isen} ditunjukkan pada Gambar 7. Proses ekstraksi fitur geometri isen-isen seperti pada Gambar 4b.

  a b Gambar 4. a. Ekstraksi fitur geometri klowongan citra batik; b. Ekstraksi fitur geometri isen-isen Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014 (a) (b) Gambar 7. (a)Citra batik (b) Isen-isen citra batik.

  Ekstraksi fitur geometri isen-isen dilakukan dengan memasukkan citra RGB batik, mengubah menjadi grayscale dan memasukkan citra hasil segmentasi. Citra grayscale dilakukan deteksi tepi dengan metode canny. Untuk mendapatkan isen- isen dari citra batik dilakukan isolasi isen-isen citra batik. Isolasi isen-isen dilakukan dengan cara mengalikan matrik citra hasil deteksi tepi canny dengan matriks citra hasil erosi citra tersegmentasi. Dari hasil isolasi citra isen-isen dilakukan connected component labeling dan menyimpan posisi koordinat isen-sen kedalam database yang nantinya akan digunakan sebagai titik kontrol dalam rekonstruksi dengan menggunakan cardinal spline.

  Rekonstruksi Citra Batik Hasil representasi kurva interpolasi cardinal spline

  Zang, M., Zhang, L., & Cheng, H. (2009). A Neutrosophic Approach To Segmentation Based On Watershed Method. Signal Processing In ScienceDirect .

  [2]

  Yogyakarta. Yogyakarta: Proyek Pengembangan Permuseuman Yogyakarta.

  Kuswadji. 1981. Mengenal Seni Batik di

  [1]

  cardinal spline. Hasil rekonstruksi citra batik secara visual hampir sama dengan citra asli.

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

  SIMPULAN

  banyak juga sekumpulan titik kontrol. Waktu pemrosesan ditentukan oleh banyak sedikitnya sekumpulan dari titik kontrol yang digunakan dalam representasi kurva cardinal spline bukan berdasarkan ukuran citra.

  component paling banyak, yang berakibat semakin

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

  connected component labeling berisi satu objek yang terhubung berdasarkan 8-neighborhood.

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

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

UJICOBA DAN ANALISIS

DAFTAR PUSTAKA

  Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri …

  Poyato, C., Madrid-Cuaves, F., & Medina-

  [3]

  Carnicer, R. (2010). Polygonal approximation of digital planar curves through break point suppression. Pattern Recognition Sciencedirect , 14-25.

  [4] Eka, R. (2011). Pengembangan Sistem Temu Kembali Citra Batik Menggunakan Transformasi Wavelet Yang Dirotasi dan Multi- Layer Perceptron.

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

  [5] Motif Batik dengan Rotated Wavelet Filter dan Neural Network.

  Gonzalez, R. C. (2002). Digital Image

  [6] Processing. New Jersey : Prentice-Hall, Inc., Upper Saddle River.

  Amizah, N., & Mohammad Zain, J. (2009).

  [7]

  Application of Freeman Chain Codes: An Alternative Recognition Technique for Malaysian Car Plates . IJCSNS International

  Journal of Computer Science and Network Security , 222- 227.

  [8] Cheng,

  H., & Wang, X. (2004). detection using fuzzy

  Microcalcification logic and scale space approach. IEEE , 363-375

  Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014

Tabel 1. Hasil Uji Coba

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

_{200 100 100 200 300 400 500 600} 300

  1 ⁴⁰⁰ _{600 500} Ukuran : 687 x 630 Waktu : 881.98 detik _{150 100 50 50 100 150 200 250 300 350}

  200

  2 _{250 350 300} Ukuran : 381 x 392 Waktu : 95.22 detik _{100 50 50 100 150 200 250 300 350}

  150

  3 _{250 200} Ukuran : 376 x 292 Waktu :62.87 waktu _{100 150 250 200 50 50 100 150 200 250 300 350 400 450 500}

  300

  4 _{450 400 350} Ukuran : 530 x 469 Waktu : 1152.77 detik _{50 100 150 200 250 300 350 400 450}

  5 _{100 150 250 200 50 350} 300 Ukuran : 640 x 480 Waktu : 342.61 detik