KLASIFIKASI POLA BATIK YOGYAKARTA DENGAN ALGORITMA ID3 SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

  KLASIFIKASI POLA BATIK YOGYAKARTA DENGAN ALGORITMA ID3 SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

  Oleh: Paulina Indah Tiarani

  NIM : 065314008

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

  THE YOGYAKARTA BATIK PATTERN CLASSIFICATION USING ID3 ALGORITHM A THESIS Presented as Partial Fulfillment of the Requerements To Ontain the Sarjana Komputer Degree In Department of Informatics Engineering

  By: Paulina Indah Tiarani

  Student ID : 065314008

INFORMATICS ENGINEERING STUDY PROGRAM

  

HALAMAN PERSEMBAHAN

Dalam hidup ini semua ada waktunya.

  Ada waktu menabur… Ada juga waktu menuai.

  Mungkin dalam hidup, badai datang meyerbu.

  Mungkin doa bagai tak terjawab.

  Namun yakinlah tetap. Tuhan tak’kan terlambat! Juga tak akan lebih cepat.

  Semuanya… Dia jadikan indah tepat pada waktuNya.

      

  

ABSTRAK

  Batik merupakan warisan budaya Indonesia yang perlu dilestarikan. Setiap daerah memiliki pola batik yang berbeda-beda. Demikian juga dengan batik Yogyakarta yang awalnya hanya terbatas untuk kalangan keraton saja, tetapi sekarang batik berkembang dengan cepat. Perkembangan ini tidak diimbangi dengan pengetahuan tentang pola batik tersebut. Oleh karena itu dilakukan penelitian dan pembangunan alat bantu untuk mempermudah klasifikasi pola batik tersebut.

  Pada tugas akhir ini akan dilakukan proses klasifikasi pola batik. Klasifikasi adalah sebuah model prediksi dari data mining untuk memprediksi kelas dari suatu variabel. Algoritma yang akan digunakan untuk klasifikasi adalah algoritma ID3. ID3 adalah sebuah algoritma yang digunakan untuk menghasilkan pohon keputusan. Dalam penelitian ini algoritma ID3 akan digunakan untuk mengolah data citra dan juga untuk mengukur seberapa akurat algoritma ID3 dalam proses klasifikasi data citra.

  Dalam tugas akhir ini data yang akan diproses adalah citra pola batik. Pola batik yang digunakan hanya batik yang berasal dari Yogyakarta. Terdapat 10 jenis batik Yogyakarta yang akan dikenali dan setiap batik akan dibuat model dari 40 sampel batik. Data citra dibagi menjadi data training dan data testing. Pohon keputusan akan dibentuk dengan menggunakan data training. Terdapat beberapa atribut yang diperoleh dari ekstraksi feature yaitu feature warna dan rata-rata vektor citra batik. Langkah pembuatan pohon adalah mengambil semua atribut dan menghitung nilai entropy dan nilai gain, memilih atribut yang memiliki nilai

  

gain paling besar sebagai akar, dan membuat cabang yang berisi atribut. Dari

pohon yang terbentuk dibuat rules untuk diuji dengan memasukan data testing.

  Untuk tahap evaluasi digunakan metode k-fold cross validation yang mencari akurasi dari 400 data yang ada. Dari hasil penelitian, diperoleh bentuk

  feature

  terbaik klasifikasi pola batik Yogyakarta menggunakan algoritma ID3

  

ABSTRACT

  Batik was an Indonesia heritage which was needed to be conserved. Each region has a different Batik pattern. Likewise, Yogyakarta’s Batik are initially confined to the palace only, but now Batik developing rapidly. This development was not matched by knowledge of the Batik pattern. Therefore carried out research and development tools to make easier classify Batik pattern.

  This research concerned with the classification process of Batik pattern. Classification was a predictive model of data mining that predicts the class of some other variables. Algorithm that used for this classification was ID3 algorithm. ID3 was an algorithm which was used for providing decision tree. This research used ID3 algorithm to process the data image and to measure the accuracy of ID3 algorithm in processing the data image.

  This research proceed the image of Batik pattern. The pattern of Batik was from Yogyakarta’s Batik. There were ten types of Yogyakarta’s Batik which would be recognized. Every batik was formed a model of 40 samples of Batik. The data were divided into data for training and data for testing. The decision tree would be formed by data training. There were several attributes that is feature of color and the average of vector which were gained from the extraction of feature. The steps of making decision tree were to collect all attributes and to count the value of entropy and the value of gain, to choose the attributes which had the biggest value of gain as a root of tree, and to make branch which contained attributes. After decision tree was formed, rules were made to be tested by entering the data testing.

  The method of k-fold cross validation was used for the evaluation step. It was used for finding out the accuracy of 400 data available. The results showed that the best feature form of introducing Yogyakarta’s Batik classification through

  ID3 algorithm was the feature of color and the average of horizontal vector with the accuracy as 78.75%.

KATA PENGANTAR

  Puji syukur kepada Yesus Kristus atas berkat dan karunia yang telah diberikan sehingga penulis dapat menyelesaikan skripsi dengan judul “Klasifikasi Pola Batik Yogyakarta dengan Algoritma ID3”.

  Dalam penyusunan skripsi ini, banyak sekali pihak yang telah membantu penulis, dan pada kesempatan ini penulis ingin mengucapkan terima kasih sedalam-dalamnya kepada:

  1. Kedua orang tua penulis, Th. Rapih Djiwana dan An. Tinik Hastuti atas dukungan moral, spiritual, dan finansial dalam penyusunan skripsi.

  2. Kedua saudaraku, Natalia Rianingsih dan Maria Priska Brilliana yang selalu memberi semangat dan dukungan kepada penulis.

  3. Ibu A. Rita Widiarti, S.Si., M.Kom selaku dosen pembimbing atas segala waktu, saran, bimbingan, dan kesabaran yang telah diberikan.

  4. Drs. C. Kuntoro Adi S.J, M.A, M.S, Ph.D yang telah menjadi pembimbing dan teman diskusi yang sangat membantu.

  5. Ibu Sri Hartati Wijono, S.Si., M.Kom dan Ibu Ridowati Gunawan, S.Kom, M.T selaku dosen penguji, atas saran dan masukkan yang diberikan dalam perbaikan skripsi.

  6. Pihak pengelola museum batik yang telah bersedia memberikan data-data batik Yogyakarta.

  7. Kekasihku, Gideon Lindu Pamungkas yang setia menjadi teman dan

  DAFTAR ISI

  HALAMAN JUDUL BAHASA INDONESIA ...................................................... i HALAMAN JUDUL BAHASA INGGRIS .......................................................... ii HALAMAN PERSETUJUAN ............................................................................ iii HALAMAN PENGESAHAN ............................................................................. iv HALAMAN PERSEMBAHAN ........................................................................... v HALAMAN PERNYATAAN KEASLIAN KARYA .......................................... vi HALAMAN PERSETUJUAN PUBLIKASI ...................................................... vii ABSTRAK ....................................................................................................... viii ABSTRACT ....................................................................................................... ix KATA PENGANTAR ......................................................................................... x DAFTAR ISI ...................................................................................................... xi DAFTAR GAMBAR ......................................................................................... xv DAFTAR TABEL ........................................................................................... xvii

  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

  II. LANDASAN TEORI ...................................................................................... 6

  2.1. Batik Yogyakarta .......................................................................................... 6

  2.1.1. Sejarah Batik Yogyakarta ........................................................................... 6

  2.1.2. Motif Batik Yogyakarta.............................................................................. 7

  2.2. Pengenalan Pola ............................................................................................ 8

  2.2.1. Pre-Processing......................................................................................... 10

  2.2.2. Ekstraksi Feature ..................................................................................... 11

  2.3. Algoritma ID3 ............................................................................................. 13

  2.3.1. Atribut ..................................................................................................... 14

  2.3.2. Entropy .................................................................................................... 15

  2.3.3. Information Gain ..................................................................................... 16

  2.4. Metode Evaluasi k-Fold Cross Validation ................................................... 16

  2.5. Confusion Matrix ........................................................................................ 18

  2.6. Matlab ........................................................................................................ 18

  2.7. Contoh Perhitungan dengan Algoritma ID3 ................................................. 19

  III. ANALISA DAN PERANCANGAN SISTEM ............................................. 31

  3.1. Perancangan Sistem Secara Umum ............................................................ 31

  3.1.1. Gambaran Sistem ..................................................................................... 33

  3.1.2. Perancangan Fase Training Model ........................................................... 36

  3.1.2.1. Ekstraksi Feature .................................................................................. 36

  3.1.2.2. Training ................................................................................................ 38

  3.1.3. Perancangan Fase Testing......................................................................... 38

  3.1.3.1. Ekstraksi Feature .................................................................................. 38

  3.1.3.2. Pencocokan Kemiripan .......................................................................... 39

  3.1.4. Perancangan Proses Evaluasi .................................................................... 39

  3.2. Perancangan Antar Muka ............................................................................ 41

  3.2.1. Halaman Home ........................................................................................ 41

  3.2.2. Halaman Pengenalan Pola Batik ............................................................... 41

  3.2.3. Halaman Pengujian dengan Algoritma ID3 .............................................. 42

  3.2.4. Halaman Konsep ID3 ............................................................................... 43

  3.2.5. Halaman Help .......................................................................................... 43

  3.2.6. Halaman Identitas Program ...................................................................... 44

  3.3. Kebutuhan Perangkat Lunak ....................................................................... 44

  3.4. Kebutuhan Perangkat Keras ........................................................................ 45

  3.5. Algoritma Pembuatan Program ................................................................... 45

  3.5.1. Modul Ekstraksi Feature .......................................................................... 45

  3.4.4. Modul pembuatan confusion matrix dan perhitungan evaluasi 5-fold cross

  validation

  .......................................................................................................... 49

  IV. IMPLEMENTASI SISTEM ......................................................................... 50

  4.1. Implementasi Algoritma .............................................................................. 50

  4.2. Implementasi Sistem ................................................................................... 56

  4.2.1. Implementasi dengan data sample ............................................................ 56

  4.2.2. Implementasi dengan feature warna dan rata-rata horisontal ..................... 58

  4.3. Implementasi Antar Muka ........................................................................... 63

  4.3.1. Halaman Utama ....................................................................................... 63

  4.3.2. Halaman Pengujian .................................................................................. 65

  4.3.3. Halaman Pengenalan ................................................................................ 67

  4.3.4. Halaman Algoritma ID3 ........................................................................... 68

  4.3.5. Halaman Metode 5-Fold Cross Validation ............................................... 68

  4.3.6. Halaman Bantuan ..................................................................................... 69

  4.3.7. Halaman Identitas Sistem ......................................................................... 70

  V. ANALISA HASIL DAN PEMBAHASAN ................................................... 71

  5.1. Hasil Penelitian ........................................................................................... 71

  5.1.1. Hasil Penelitian Menggunakan Feature Warna dan Rata-rata vektor Horisontal .......................................................................................................... 71

  5.1.2. Hasil Penelitian Menggunakan Feature Warna dan Rata-rata vektor Vertikal ............................................................................................................. 76

  VI. KESIMPULAN DAN SARAN .................................................................... 82

  6.1. Kesimpulan ................................................................................................. 82

  6.2. Saran ........................................................................................................... 83 DAFTAR PUSTAKA ........................................................................................ 84 LAMPIRAN 1 CODING PROGRAM ............................................................... 77 LAMPIRAN 2 DATA HASIL ......................................................................... 102 LAMPIRAN 3 DATA PENELITIAN .............................................................. 104

  DAFTAR GAMBAR

Gambar 2.1 desain dasar sistem klasifikasi pola ................................................... 9Gambar 2.2 Ilustrasi Pembagian Vektor Horisontal ............................................ 12Gambar 2.3 Ilustrasi Pembagian Vektor Vertikal ............................................... 13Gambar 2.4 Ilustrasi pembagian data gambar batik ............................................ 17Gambar 2.5 Ilustrasi 5-fold cross validation ....................................................... 17Gambar 2.6 Pohon keputusan awal .................................................................... 22Gambar 2.7 Pohon keputusan level 1 cabang 2................................................... 24Gambar 2.8 Pohon keputusan level 1 cabang 2 dan 3 ......................................... 25Gambar 2.9 Pohon keputusan level 2 cabang 2, 1 ............................................... 26Gambar 2.10 Pohon keputusan level 2 cabang 2, 2 ............................................. 27Gambar 2.11 Pohon keputusan yang terbentuk ................................................... 28Gambar 3.1 Alur Klasifikasi Pola Batik Secara Umum ...................................... 32Gambar 3.2 Blok Diagram Sistem ...................................................................... 32Gambar 3.3 Gambaran Umum ........................................................................... 33Gambar 3.4 Tahap Training dan Testing ............................................................ 34Gambar 3.5 Tahap Training ............................................................................... 34Gambar 3.6 Tahap Testing ................................................................................. 35Gambar 3.7. Gambar pembagian vektor horisontal ............................................. 37Gambar 3.8. Gambar pembagian vektor vertikal ................................................ 37Gambar 3.9. Pengelompokan Pola Batik untuk proses evaluasi .......................... 39Gambar 3.10. Halaman Home Sistem Klasifikasi Pola Batik .............................. 41Gambar 3.11. Halaman Pengenalan.................................................................... 41Gambar 3.12. Halaman Pengujian ...................................................................... 42Gambar 3.13. Halaman Konsep ID3................................................................... 43Gambar 3.14. Halaman Help .............................................................................. 43Gambar 3.15. Halaman About Sistem Klasifikasi............................................... 44Gambar 4.3 Hasil pada Workspace ..................................................................... 58Gambar 4.4 Ilustrasi pembagian vektor (a)horisontal (b)vertikal ........................ 59Gambar 4.5 Hasil untuk akurasi tertinggi pada Command Window .................... 61Gambar 4.6 Hasil untuk akurasi tertinggi pada Workspace ................................. 62Gambar 4.7 Variabel di dalam struct .................................................................. 62Gambar 4.8 Halaman utama prototipe klasifikasi pola batik Yogyakarta ............ 64Gambar 4.9 Halaman question dialog ................................................................ 64Gambar 4.10 Halaman pengujian pola batik ....................................................... 65Gambar 4.11 Halaman pengenalan pola batik .................................................... 67Gambar 4.12 Kotak file selector untuk membuka gambar .................................. 67Gambar 4.13 Halaman Algoritma ID3 ............................................................... 68Gambar 4.14 Halaman Metode 5-fold cross validation ....................................... 69Gambar 4.15 Halaman Bantuan ......................................................................... 69Gambar 4.16 Halaman About Sistem ................................................................. 70

  

DAFTAR TABEL

Tabel 2.1. Tabel Confusion Matrix ..................................................................... 18Tabel 2.2. Tabel Contoh data hasil ekstraksi feature........................................... 19Tabel 2.3. Tabel Contoh data hasil konversi ....................................................... 20Tabel 2.4. Tabel Contoh data Training ............................................................... 21Tabel 2.5. Tabel Entropy dan Gain .................................................................... 22Tabel 2.6. Tabel Data untuk cabang H3=2 ......................................................... 23Tabel 2.7. Tabel Entropy dan Gain untuk cabang H3=2 ..................................... 24Tabel 2.8. Tabel Data untuk cabang H3=3 ......................................................... 24Tabel 2.9. Tabel Entropy dan Gain untuk cabang H3=3 ..................................... 25Tabel 2.10. Tabel Data untuk cabang H3=2, H1=1 ............................................. 25Tabel 2.11. Tabel Entropy dan Gain untuk cabang H3=2, H1=1 ......................... 26Tabel 2.12. Tabel Data untuk cabang H3=2, H1=2 ............................................. 26Tabel 2.13. Tabel Entropy dan Gain untuk cabang H3=2, H1=2 ......................... 27Tabel 2.14. Tabel Data untuk cabang H3=2, H1=3 ............................................. 27Tabel 2.15. Tabel Entropy dan Gain untuk cabang H3=2, H1=3 ......................... 28Tabel 2.16. Tabel Data Testing .......................................................................... 29Tabel 2.17. Tabel Hasil Klasifikasi .................................................................... 29Tabel 2.18. Tabel Data asli ................................................................................ 30Tabel 2.19. Tabel Confusion Matrix ................................................................... 30Tabel 3.1 Tabel Confusion Matrix ...................................................................... 40Tabel 4.1 Data training ...................................................................................... 56Tabel 4.2 Data testing ........................................................................................ 57Tabel 4.3 Beberapa data hasil ekstraksi feature warna dan rata-rata vektor horisontal ........................................................................................................... 59Tabel 4.4 Data hasil konversi ............................................................................. 60Tabel 5.1. Tabel confution matrix I feature warna+rata-rata horisontal ............... 72Tabel 5.2. Tabel confution matrix II feature warna+rata-rata horisontal ............. 73Tabel 5.5. Tabel confution matrix V feature warna+rata-rata horisontal.............. 75Tabel 5.6. Data angka akurasi feature warna+rata-rata edge horisontal .............. 75Tabel 5.7. Tabel confution matrix I feature warna+rata-rata vertikal .................. 77Tabel 5.8. Tabel confution matrix II feature warna+rata-rata vertikal ................. 77Tabel 5.9. Tabel confution matrix III feature warna+rata-rata vertikal ................ 78Tabel 5.10. Tabel confution matrix IV feature warna+rata-rata vertikal .............. 79Tabel 5.11. Tabel confution matrix V feature warna+rata-rata vertikal ............... 79Tabel 5.12. Data angka akurasi feature warna+rata-rata edge vertikal ................ 80Tabel 5.13. Rangkuman Hasil Percobaan dengan akurasi tertinggi ..................... 80Tabel 5.14. Rangkuman Hasil Percobaan dengan nilai rata-rata akurasi ............. 81

BAB I PENDAHULUAN

1.1. Latar Belakang Indonesia memiliki beragam budaya, salah satunya adalah batik.

  Batik merupakan warisan budaya Indonesia yang perlu dilestarikan. Batik berasal dari berbagai daerah di Indonesia. Setiap daerah memiliki pola batik yang berbeda-beda. Demikian juga dengan batik Yogyakarta yang awalnya hanya terbatas untuk kalangan keraton saja, tetapi sekarang batik berkembang dengan cepat. Perkembangan ini tidak diimbangi dengan pengetahuan tentang motif/pola batik tersebut. Oleh karena itu dilakukan penelitian dan pembangunan alat bantu untuk mengklasifikasikan pola batik tersebut dengan mudah.

  Banyak metode/algoritma yang digunakan untuk klasifikasi pola, salah satunya adalah ID3. ID3 adalah sebuah algoritma yang digunakan untuk menghasilkan pohon keputusan. Pohon keputusan menyediakan sebuah metode praktis untuk konsep belajar/pembelajaran fungsi nilai diskrit. Algoritma ID3 adalah algoritma pohon keputusan yang sederhana yang membentuk pohon keputusan dari akar ke bawah, memilih atribut terbaik berikutnya untuk setiap keputusan cabang baru (Storkey, 2004).

  Dari data di atas, penulis akan menggunakan algoritma ID3 untuk klasifikasi pola batik Yogyakarta dan untuk menganalisa algoritma serta

  “Klasifikasi Pola Batik Yogyakarta dengan Algoritma ID3” disertai dengan pembangunan sebuah sistem pengenal pola batik dalam sistem komputer. Alasan penulis memilih algoritma ID3 karena algoritma ID3 belum pernah digunakan dalam klsifikasi data berupa citra. Ini merupakan penelitian baru yang ingin dikembangkan.

  1.2. Rumusan Masalah

  Dari uraian di atas, rumusan masalah pada tugas akhir ini adalah “Bagaimana unjuk kerja algoritma ID3 untuk klasifikasi pola batik?”

  1.3. Tujuan

  Tujuan yang ingin dicapai dalam tugas akhir ini adalah mengetahui keakuratan algoritma ID3 untuk klasifikasi pola batik Yogyakarta.

  1.4.Batasan Masalah

  Batasan dari masalah tersebut adalah: 1. Pola batik yang diteliti adalah pola batik daerah Yogyakarta.

  2. Ada 10 jenis batik Yogyakarta yang digunakan untuk penelitian ini.

  3. Sampel batik yang digunakan berdasarkan: a. Citra yang dapat diproses adalah citra bertipe JPG (*.jpg).

  b. Jarak kain batik dengan kamera digital waktu pemotretan data batik adalah sekitar 30 cm. d. Ukuran gambar yang dapat diproses adalah 200x200 piksel.

  4. Tahap persiapan dilakukan dengan menggunakan deteksi tepi dengan metode Canny.

  5. Proses ekstraksi feature berdasarkan warna, rata-rata vektor horisontal, dan rata-rata vektor vertikal dari citra batik.

  6. Pembuatan program hanya sebuah prototipe untuk membantu analisa algoritma ID3 dalam menangani pola batik Yogyakarta.

1.5. Metodologi Penelitian

  1. Survei ke museum batik Yogyakarta untuk memperoleh data citra pola batik dan wawancara kepada ahli budaya di museum batik Yogyakarta mengenai macam-macam pola batik.

  2. Studi literatur, membaca jurnal ilmiah maupun mencari informasi di internet tentang macam-macam pola batik yang berasal dari daerah Yogyakarta, tentang pengenalan pola dan juga tentang algoritma ID3.

  3. Mengumpulkan data dengan memotret pola batik menggunakan kamera digital dan memotong citra menjadi 200x200 piksel.

  4. Menghitung rata-rata Red, rata-rata Green, rata-rata Blue, dan rata-rata RGB dari citra batik 200x200 piksel untuk memperoleh feature warna.

  Untuk memperoleh rata-rata vektor pola batik, awalnya citra dikenai deteksi tepi Canny. Citra yang sudah dikenai deteksi tepi akan dibagi menjadi 8 vektor secara horisontal maupun vertical, kemudian dihitung

  5. Mengkonversi data feature dengan mencari nilai min dan max tiap atribut. Selisih min dan max dibagi 3 untuk memperoleh range.

  6. Data yang tersedia dibagi menjadi 5 bagian, 4/5 untuk data training dan 1/5 untuk data testing.

  7. Mengolah data training dengan menggunakan algoritma ID3 untuk membentuk pohon.

  8. Menggunakan pohon yang terbentuk untuk klasifikasi data testing.

  Data testing diambil per baris dan setiap atribut dicocokan dengan kondisi pada pohon keputusan dari akar sampai dengan daun(kelas).

  9. Setelah kelas(pola) pada setiap data testing sudah ditemukan maka akan dibentuk confision matrix. Akurasi diperoleh dari total data diagonal confision matrix dibagi total data testing dikalikan 100%.

  10. Pembuatan alat bantu berupa perangkat lunak.

  11. Pengujian dan analisa hasil.

1.6. Sistematika Penulisan

  Pembahasan keseluruhan tugas akhir ini dibagi menjadi 6 bab, yaitu:

BAB I PENDAHULUAN Berisi tentang pendahuluan yang terdiri dari latar belakang,

  perumusan masalah, tujuan penulisan, batasan masalah, metodologi penelitian, dan sistematika penulisan.

  BAB II LANDASAN TEORI Berisi landasan teori yang akan mendukung studi dari metode yang menjadi dasar analisa permasalahan yang ada. BAB III ANALISA DAN PERANCANGAN SISTEM Berisi analisa dan perancangan sistem yang akan dibangun,

  yaitu sistem klasifikasi dan pegenalan pola batik Yogyakarta.

  BAB IV IMPLEMENTASI SISTEM Berisi implementasi pembangunan sistem/alat bantu dengan algoritma ID3. BAB V ANALISA HASIL DAN PEMBAHASAN Berisi tentang analisa hasil implementasi dan pembahasan. BAB VI KESIMPULAN DAN SARAN Bab ini merupakan penutup dari penulisan tugas akhir,

  yang berisi kesimpulan dari analisa implementasi. Dari kesimpulan tersebut akan dihasilkan saran yang dapat digunakan untuk melanjutkan studi ilmiah ini.

BAB II LANDASAN TEORI

2.1. Batik Yogyakarta 2.1.1. Sejarah Batik Yogyakarta

  Dari kerajaan-kerajaan di Solo, Yogyakarta dan sekitarnya abad 17, 18 dan 19, batik kemudian berkembang luas, khususnya di wilayah Pulau Jawa. Awalnya batik hanya sekadar hobi dari para keluarga raja di dalam berhias lewat pakaian (GKBI.info, 2008). Namun perkembangan selanjutnya oleh masyarakat batik dikembangkan menjadi komoditi perdagangan.

  Asal-usul pembatikan di daerah Yogyakarta dikenal semenjak kerajaan Mataram ke-I dengan rajanya Panembahan Senopati (GKBI.info, 2008). Daerah pembatikan pertama ialah di desa Plered. Pembatikan pada masa itu terbatas dalam lingkungan keluarga kraton yang dikerjakan oleh wanita-wanita pembantu ratu. Dari sini pembatikan meluas pada trap pertama pada keluarga kraton lainnya yaitu istri dari abdi dalem dan tentara-tentara. Pada upacara resmi kerajaan keluarga kraton baik pria maupun wanita memakai pakaian dengan kombinasi batik dan lurik. Oleh karena kerajaan ini mendapat kunjungan dari rakyat dan rakyat tertarik pada pakaian-pakaian yang dipakai oleh keluarga kraton dan ditiru oleh rakyat dan akhirnya meluaslah pembatikan keluar dari tembok kraton.

  Akibat dari peperangan waktu zaman dahulu baik antara keluarga raja-raja maupun antara penjajahan Belanda dahulu, maka banyak keluarga-keluarga raja yang mengungsi dan menetap didaerah-daerah baru antara lain ke Banyumas, Pekalongan, dan kedaerah Timur Ponorogo, Tulungagung dan sebagainya. Meluasnya daerah pembatikan dimulai abad ke-18. Keluarga-keluarga kraton yang mengungsi inilah yang mengembangkan pembatikan seluruh pelosok pulau Jawa yang ada sekarang dan berkembang menurut alam dan daerah baru itu.

  Perang Pangeran Diponegoro melawan Belanda, mendesak sang pangeran dan keluarganya serta para pengikutnya harus meninggalkan daerah kerajaan. Mereka kemudian tersebar ke arah Timur dan Barat. Kemudian di daerah-daerah baru itu para keluarga dan pengikut pangeran Diponegoro mengembangkan batik.

2.1.2. Motif Batik Yogyakarta Pola, motif dan warna dalam batik, dulu mempunyai arti simbolik.

  Ini disebabkan batik dulu merupakan pakaian untuk upacara (kain panjang, dodot, sarung, selendang, kemben, ikat kepala), oleh karena itu harus dapat mencerminkan suasana upacara yang dapat menambah daya magis. Jadi diciptakanlah berbagai model dan motif batik yang mempunyai simbolisme yang mendukung atau menambah suasana religius dan magis dalam upacara itu. Pada motif Batik, Khususnya dari daerah jawa tengah, hubungannya dengan arti atau makna filosofis dalam kebudayaan Hindu- Jawa. Pada motif tertentu ada yang dianggap sakral dan hanya dapat dipakai pada kesempatan atau peristiwa tertentu, diantaranya pada upacara perkawinan (Nagoro,1988).

  Batik Yogyakarta adalah salah satu dari batik Indonesia yang pada awalnya dibuat terbatas hanya untuk kalangan keluarga keraton saja.

  Setiap motif yang terujud dalam goresan canting pada kain batik Yogyakarta adalah sarat akan makna. Hal inilah yang membedakan batik Yogyakarta dengan batik-batik lain, yang menjaga batik Yogyakarta tetap memiliki eksklusifitas dari sebuah mahakarya seni dan budaya Indonesia (mioelgallery.multiply.com, 2005).

  Ada banyak jenis motif batik Yogyakarta, tetapi dalam penelitian ini yang digunakan hanya terbatas pada motif batik tertentu. Terdapat 10 pola yang akan diklasifikasikan dalam tugas akhir ini.

2.2. Pengenalan Pola

  Pengenalan pola adalah disiplin ilmu yang tujuannya adalah klasifikasi terhadap objek ke dalam beberapa kategori kelas. Tergantung pada aplikasi, objek ini dapat berupa gambar atau bentuk gelombang sinyal atau jenis pengukuran yang perlu diklasifikasikan. Pengenalan pola adalah bagian penting sistem untuk membuat keputusan (Theodoridis, 2003).

  Pengenalan karakter (huruf dan angka) adalah bagian lain yang penting dari pengenalan pola dalam menangani automatisasi dan informasi.

  Pengenalan pola biasanya merupakan langkah perantaraan bagi proses lebih lanjut. Langkah ini biasanya merupakan keluaran data (gambar, bunyi, teks, dll.) untuk dikelaskan, pre-pemrosesan untuk menghilangkan gangguan atau menormalkan gambar dalam satu cara, pengiraan ciri-ciri, pengkelasan dan akhirnya post-pemrosesan berdasarkan kelas pengenalan (Richard, 2001).

  Pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan. Dalam kasus tertentu, sebagaimana dalam jaringan syaraf (neural networks), pemilihan ciri-ciri juga dilaksanakan secara semi otomatis atau otomatis sepenuhnya.

Gambar 2.1 Desain dasar sistem klasifikasi pola (Theodoridis, 2003)Gambar 2.1 menunjukkan berbagai tahap untuk desain sistem klasifikasi. Sebagaimana terlihat dari panah umpan balik, tahap ini tidak meningkatkan kinerja secara keseluruhan. Selain itu ada beberapa metode yang mengabungkan tahap, misalnya feature selection dan classifier

  design untuk optimasi sistem secara umum.

2.2.1. Pre-processing

  Pada tahap ini dilakukan dengan deteksi tepi untuk memperoleh pola batik. Edge (tepi) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Sebuah operator deteksi tepi, yaitu sebuah operasi yang memodifikasi nilai keabuan sebuah titik berdasarkan nilai-nilai keabuan dari titik-titik yang ada disekitarnya (tetangganya) yang masing-masing mempunyai bobot tersendiri (Sutoyo, 2009). Tujuan lain operasian pendeteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra.

  Salah satu operator deteksi tepi adalah operator deteksi tepi Canny. Operator deteksi tepi Canny dikembangkan oleh John F. Canny pada tahun 1986 dan menggunakan multi-tahap algoritma untuk mendeteksi berbagai tepi dalam gambar (Canny, 1986).

  John F. Canny menganggap masalah matematika yang berasal dari filter smoothing yang optimal dapat memberi kriteria deteksi, lokalisasi dan meminimalkan tanggapan berganda untuk tepi tunggal. Ia menunjukkan bahwa filter yang optimal diasumsikan sebagai jumlah dapat juga didekati dengan orde pertama turunan dari Gaussians (Canny, 1986).

  Meskipun detector tepi Canny ditemukan pada awal visi komputer, tetapi detector tepi Canny (termasuk variasinya) masih merupakan detektor tepi state-of-the-art. Kecuali pada kondisi tertentu, sulit untuk menemukan detektor tepi yang melakukan signifikan lebih baik daripada detektor tepi Canny (Shapiro, 2001).

  Deferensial tepi detector dapat dilihat sebagai sebuah reformulasi metode Canny dari sudut pandang invariants diferensial dihitung dari skala-ruang representasi yang mengarah ke sejumlah keuntungan baik dari segi analisis teoritis dan sub-piksel implementasi.

2.2.2. Ekstrasi Feature 2.2.2.1. Warna

  Secara umum feature warna hanya memperhatikan distribusi warna piksel-piksel dalam citra tanpa memperhatikan ukuran dan orientasi posisi citra. Distribusi warna dapat direpresentasikan dalam berbagai bentuk, antara lain histogram warna dan momen warna (Noviyanto, 2009). Dalam tugas akhir ini feature yang diambil dari warna adalah rata-rata dari masing-masing keping R, G dan B dan juga rata-rata dari ketiga keping.

  ∑ ∑

  (2.2)

  ̅ = ×

  (2.3)

  ∑ ∑ =

  × ̅ (2.4)

  = m merupakan panjang piksel citra dan n merupakan lebar piksel citra. i merupakan kolom piksel dan j merupakan baris piksel.

2.2.2.2. Rata-rata vektor Citra dibagi menjadi 8 vektor horisontal atau 8 vektor vertikal.

  Setiap vektor dihitung nilai rata-ratanya. Jumlah rata-rata tiap vektor tersebut dijadikan sebagai feature.

  a) Vektor Horisontal

  200 piksel rata-rata horizontal

  meanH1

  ke-1 . .

  . .

  200 piksel . . rata-rata horizontal ke-8

  meanH8

Gambar 2.2 Ilustrasi pembagian vektor horisontal Pada gambar 2.2 citra dibagi secara horisontal menjadi 8 bagian.

  Setiap bagian dihitung rata-ratanya. Akan diperoleh 8 nilai rata-rata yang akan dijadikan feature. b) Vektor Vertikal

  Gambar 2.3

  Ilustrasi pembagian vektor vertical Pada gambar 2.3 citra dibagi secara vertikal menjadi 8 bagian. Setiap bagian dihitung rata-ratanya. Akan diperoleh 8 nilai rata-rata yang akan dijadikan feature.

  Decision Tree adalah salah satu metode yang banyak digunakan

  dan praktis untuk kesimpulan induktif. (Tom M. Mitchell,1997). Salah satu algoritma decision tree adalah algoritma ID3. ID3 pertama kali dikembangkan oleh J. Ross Quinlan di University of Sydney. ID3 pertama kali disajikan pada tahun 1975 dalam sebuah buku, Machine Learning, vol. 1, no. 1. ID3 didasarkan pada Konsep Learning System (CLS) algoritma (Hamilton, 2001).

  . . .

  . . . rata-rata vertical ke-1 rata-rata vertical ke-8

  200 piksel 200 piksel

  m e a n

  V

  1 m e a n

  V

  8

2.3. Algoritma ID3

  Dalam tugas akhir ini penulis menggunakan algoritma ID3 untuk mengolah data image pola batik dan juga untuk mengukur seberapa akurat algoritma ID3 dalam pemrosesan data image tersebut. Cara kerja algoritma ID3 adalah sebagai berikut (Quinlan, J. R., 1986):

  1. Ambil semua atribut dan menghitung entropinya.

  2. Hitung Gain tiap atribut 3. Pilih atribut yang nilai gainnya paling besar.

  4. Buat akar dari atribut yang nilai gainnya paling besar.

  5. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas.

2.3.1. Atribut

  Perkiraan kriteria dalam decision tree adalah pemilihan atribut untuk menguji pada setiap keputusan simpul di pohon. Tujuannya adalah untuk memilih atribut yang paling berguna untuk mengklasifikasi contoh. Ukuran kuantitatif baik dari nilai suatu atribut adalah sebuah sifat yang disebut information gain yang mengukur seberapa baik atribut yang digunakan saat training sesuai dengan target klasifikasi. Langkah ini digunakan untuk memilih kandidat atribut disetiap langkah ketika membangun pohon.

  Pada penelitian ini feature batik yang akan digunakan sebagai atribut. Dari atribut tersebut akan dicari atribut yang memiliki nilai gain

2.3.2. Entropy

  Dalam rangka memperoleh informasi untuk menetapkan atribut secara tepat, maka perlu mendefinisikan ukuran informasi yang biasa digunakan dalam teori, yang disebut entropy. Entropy digunakan untuk menentukan seberapa informasi masukan atribut tertentu tentang atribut output untuk subset dari data pelatihan. Entropy adalah ukuran ketidakpastian dalam komunikasi sistem yang diperkenalkan oleh Shannon tahun 1948. Ini adalah fundamental dalam teori informasi modern (Squire, 2004).

  (2.5) (2.6)

  S = himpunan Kasus(kelas) n = jumlah partisi n pi = peluang dari S i terhadap S Si = himpunan atribut Pada setiap titik memiliki informasi berdasarkan pada proporsi tabel dari masing-masing kelas.

  (2.7) 2.3.3.

   Information Gain Information Gain sebagai pengurangan dari entropy untuk menetapkan atribut ketika membangun node sebuah decision tree.

  S = himpunan Kasus(kelas) A = atribut n = jumlah partisi pada atribut A |S

  i

  | = jumlah kasus pada partisi ke-i |S| = jumlah kasus dalam S

  Dengan kata lain Gain(S,A) menyatakan berapa banyak akan diperoleh percabangan dalam A. Atribut A dengan informasi gain tertinggi, (Gain (A)), dipilih sebagai atribut pada note N.

2.4. Metode Evaluasi k-Fold Cross Validation

  Cross Validation adalah metode statistic evaluasi dan

  membandingkan algoritma dengan membagi data menjadi 2 bagian, satu digunakan untuk training dan yang lain digunakan untuk testing. Dasar bentuk cross validation adalah k-fold cross validation (Payam, 2008).

  Salah satu metode k-fold cross validation adalah 5-fold cross validation.

  Membagi tiap kelompok data gambar batik menjadi 5 kelompok dengan sampai dengan , maka pembagian data diperoleh dari

  5 ⁄ begitu juga dengan gambar pola batik yang lain.

  1

  5

  1

  3

  4

  5

  1

  2

  4

  5

  2

  3

  3

  5

  1

  2

  3

  4

  ……

  Pengujian 1 Pengujian 2

  Pengujian 3 Pengujian 4

  4

  2

  Gambar 2.4

  4

  Ilustrasi pembagian data gambar batik Data dibagi menjadi 5 bagian agar data yang digunakan untuk testing berbeda dengan data yang digunakan untuk training. Lalu secara bergantian data digunakan dalam pengujian. testing training

  1

  2

  3

  4

  5

  1

  2

  3

  5

  5

  1

  2

  3

  4

  5

  1

  2

  3

  4

  Pengujian 5

2.5. Confision Matrix

  Confusion Matrix adalah tabel dengan setiap kolom pada matriks

  merepresentasikan kejadian di kelas yang diprediksi, sementara setiap baris mewakili kejadian di kelas yang sebenarnya. Elemen-elemen diagonal merupakan data yang diklasifikasikan dengan benar sedangkan lintas diagonal mewakili unsur-unsur data salah kesalahan dalam klasifikasi. Tabel ini juga menunjukkan akurasi klasifikasi sebagai persentase data klasifikasi yang benar. Jumlah data diagonal dibagi dengan jumlah data total dalam kelas (Dogra, 2007).

  2.1. Tabel confision matrix ∑

  = 100% (2.8)

  ∗ ∑ 2.6.

   Matlab

  Penelitian pengenalan batik ini membutuhkan alat bantu untuk menghitung data matematis yang kompleks. Matlab merupakan alat bantu yang digunakan untuk permasalahan tersebut. Matlab (Matrix Laboratory) merupakan bahasa pemrograman untuk analisis komputasi numerik, pemrograman matematika lanjutan yang dibentuk dengan dasar pemikiran komersial dari perusahaan Mathworks, Inc. yang dalam perkembangan selanjutnya dikembangkan menggunakan bahasa C++ dan assembler (Arhami, 2005).

2.7. Contoh Perhitungan dengan Algoritma ID3

   Ekstraksi Feature Citra batik yang dimasukkan akan dibaca. Kemudian dengan menggunakan rumus (2.1) maka akan diperoleh rata-rata Red, demikian juga dengan rumus (2.2) dan (2.3) akan diperoleh rata-rata Green, Blue . H1, H2 dan H3 diperoleh dari rata-rata vektor Horisontal. Dari ekstraksi feature didapat data sebagai berikut:

Tabel 2.2 Tabel contoh data hasil ekstraksi feature

   Fase Training Konversi data batik Data batik yang ada di konversi dengan menentukan range tiap atribut. Pada awalnya tiap atribut dicari niali min dan max. max=max(MeanR) dan min=min(MeanR).

  Range per atribut ditentukan dengan:

  nilai1 = min + (max-min)/3 nilai2 = nilai1 + (max-min)/3 nilai3 = nilai2 + (max-min)/3 Maka pada akhirnya akan diperoleh matriks data sebagai berikut:

  Tabel 2.3

  Tabel contoh data hasil konversi