Abstrak. Kata Kunci: Batik, Ekstraksi fitur geometri, cardinal spline, representasi kurva

Ekstraksi Fitur Geometri Pada Citra Batik Menggunakan Representasi Kurva Cardinal Spline Aris Fanani1, Anny Yuniarti2, Nanik Suciati3 Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya, Indonesia [email protected], [email protected], [email protected]

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 isenisen 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, Ekstraksi fitur geometri, cardinal spline, 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, Geometric extraction feature, Cardinal spline, Curve representation.

1. 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 (Kuswadji, 1981) 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 (Zang, Zhang, & Cheng, 2009). 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 (Poyato, Madrid-Cuaves, & Medina-Carnicer, 2010). 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 (contentbased image retrieval/CBIR) (Eka, 2011), ekstraksi fitur motif batik yang digunakan untuk klasifikasi motif batik (Arisandi & Suciati, 2011). 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.

2. Studi Literatur Pada bagian ini, akan dijelaskan mengenai teoriteori yang menjadi landasan dalam melakukan penelitian ini. Adapun teori-teori yang akan dijelaskan adalah tentang pendekatan 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.

2.1. Pendekatan Neutrosophic untuk segmentasi Neutrosophy merupakan cabang ilmu dari filsafat yang mempelajari asal usul, sifat dan ruang lingkup neutralities. Neutrosophy dapat dianggap sebagai sebuah proposisi, teori, kejadian, konsep ataupun entity. merupakan kejadian atau entity, merupakan bukan , dan adalah kebalikan dari . didefinisikan sebagai selain dan . Sebagai contoh, jika =putih, kemudian =hitam. =

biru, kuning, merah (selain warna putih). = biru, kuning, merah (selain warna putih dan hitam). Komponen neutrosophic T, I, F menyatakan , , dan . 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 (Zang, Zhang, & Cheng, 2009). Langkah-langkah pendekatan neutrosophic untuk segmentasi berdasarkan metode watershed dijelaskan sebagai berikut:

2.1.1.

𝑔𝑥𝑦 −𝑎

=

2

𝑎 ≤ 𝑔𝑥𝑦 ≤ 𝑏,

𝑏−𝑎 𝑐−𝑎

1−

𝑔𝑥𝑦 −𝑐

2

𝑏 ≤ 𝑔𝑥𝑦 ≤ 𝑐,

𝑐−𝑏 𝑐−𝑎

1 𝑔𝑥𝑦 ≥ 𝑐, 𝐹 𝑥, 𝑦 = 1 − 𝑇 𝑥, 𝑦 , 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 (Cheng & Wang, 2004): 1. Hitung histogram citra 2. Tentukan local maxima dari histogram, Hismax(g1), Hismax(g2),…, Hismax(gk) 3. Hitung nilai rata-rata local maxima dengan persamaan berikut: 𝑛

5.

6.

1 𝐻 𝑋 = 𝑀×𝑁

𝐻𝑖𝑠

(𝑔 )

𝐻𝑖𝑠𝑀𝑎𝑥 (𝑔) = 𝑖=1 𝑀𝑎𝑥 𝑖 𝑛 Tentukan local maxima sebagai puncak yang tingginya melebihi Hismax(g). Asumsikan puncak yang pertama kali ditemukan sebagai gmin dan terakhir ditemukan gmax Tentukan batas bawah gray level B1 dan batas atas B2: 𝐵1 𝑖=𝑔 𝑚𝑖𝑛 𝐻𝑖𝑠 𝑖 = 𝑓1 𝑔𝑚𝑎𝑥 𝑖=𝐵2 𝐻𝑖𝑠 𝑖 = 𝑓1 dimana f1=0,01 (didapat dari hasil percobaan). 𝑔𝑚𝑖𝑛 merupakan nilai gray level yang lebih besar dari 0 dan pertama kali ditemukan. Sedangkan 𝑔𝑚𝑎𝑥 merupakan nilai gray level yang lebih besar dari 0 dan terakhir kali ditemukan. Tentukan nilai parameter a dan c : 𝑎 = 1 − 𝑓1 𝑔1 − 𝑔𝑚𝑖𝑛 + 𝑔𝑚𝑖𝑛 ,

𝑀

𝑁

𝑆𝑛 (𝑇 𝑥, 𝑦 ), 𝑖=1 𝑗 =1

dimana Sn ( ) merupakan Shannon function yang didefiisikan sebagai: 𝑆𝑛 𝑇 𝑥, 𝑦 = −𝑇 𝑥, 𝑦 𝑙𝑜𝑔2 𝑇 𝑥, 𝑦 − (1 − 𝑇 𝑥, 𝑦 𝑙𝑜𝑔2 1 − 𝑇 𝑥, 𝑦 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:

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: 𝑇 𝑥, 𝑦 = 𝑆 𝑔𝑥𝑦 , 𝑎, 𝑏, 𝑐 0 0 ≤ 𝑔𝑥𝑦 ≤ 𝑎,

4.

7.

jika (a>B1) , a= B1 𝑐 = 𝑓1 𝑔𝑚𝑎𝑥 − 𝑔𝑛 + 𝑔𝑛 jika (c> B2), c= B2 Hitung parameter b dengan menggunakan prinsip maksimum entropi :

𝐻𝑀𝑎𝑥 𝑋, 𝑎, 𝑏𝑜𝑝𝑡 , 𝑐 = max⁡ {𝐻[𝑋, 𝑎, 𝑏, 𝑐]|𝑔𝑚𝑖𝑛 ≤ 𝑎 < 𝑏 < 𝑐 ≤ 𝑔𝑚𝑎𝑥 }.

2.1.2.

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: 𝐸 𝑇 𝑥, 𝑦 𝐸 𝑇 𝑥, 𝑦

2.1.3.

= 2𝑇 2 𝑥, 𝑦 ,

0 ≤ 𝑇 𝑥, 𝑦 ≤ 0.5, 2

= 1 − 2(1 − 𝑇 𝑥, 𝑦 ) ,

0,5 < 𝑇 𝑥, 𝑦 ≤ 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. 2.

3. 4. 5.

Menentukan inisial threshold t0 pada f(x,y) Memisahkan f(x,y) dengan menggunakan t0, kemudian mengelompokkannya menjadi 2 kelompok piksel baru, F1 dan F2 Setiap kelompok pada F1 dan F2 dicari nilai rata-ratanya μ1 dan μ2 Hitung nilai threshold baru dengan persamaan t1= (μ1 +μ2)/2 (2.4) Ulangi langkah ke-2 hingga 4 sehingga selisih nilai dari tn – tn-1 < ε (dimana ε = 0,0001 ). Jika terpenuhi kondisi ini, tn merupakan nilai threshold yang ditetapkan.

2.2. Cardinal Spline Cardinal spline merupakan interpolasi spline yang menggunakan tarikan (tension) untuk membentuk

sebuah kurva. Interpolasi cardinal spline merupakan modifikasi dari quadratic Bazier spline yang menggunakan proses penyambungan dengan kontinuitas C1. Satu segmen dari kurva cardinal spline didefinisikan oleh 4 titik kontrol, kurva akan menginterpolasi keempat titik kontrol tersebut dan harus memenuhi persamaan berikut: 2 −2 −1 1 𝑝𝑖−1 𝜏−1 𝜏−1 𝑝𝑖 2 2 3 2 𝑝 𝑢 = 𝑢 𝑢 𝑢1 𝜏 2 −1 𝑝 𝑖+1 𝜏−1 𝜏−1 −1 0 1 0 𝑝𝑖+2 0 1/𝜏 0 0 dimana 𝜏 adalah parameter tarikan atau tension, u adalah vektor knot, dan pi adalah titik kontrol. Pada penelitian ini, 𝜏 yang digunakan adalah 0,5.

3. Ekstraksi Fitur Geometri 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).

3.1. 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.

c.

Tentukan piksel dalam objek yang nilainya paling kiri di baris paling atas, anggap piksel itu P0 seperti pada Gambar 5 (a). Tentukan variabel dir (untuk arah). Atur dir =7 (karena P0 adalah piksel kiri atas dalam objek, arah piksel berikutnya harus 7). Jalankan 3x3 neighborhood dari piksel sekarang. Awali pencarian pada piksel dalam arah dir + 7 (mod 8) jika dir genap atau dir + 6 (mod 8) jika dir ganjil (Gambar 5(b-c)). Ini akan berakibat arah pertama berlawanan dengan arah jarum jam dari dir:

dir dir+7(mod 8) dir+6 (mod 8)

1 0 7

2 1 0

3 2 1

4 3 2

5 4 3

6 5 4

7 6 5

d.

Piksel foreground pertama akan menjadi batas baru elemen. Dan perbarui dir seperti pada Gambar 5 (d), e. Berhenti jika batas elemen sekarang Pn sama dengan elemen kedua P1 dan piksel batas sebelumnya sama Pn-1 sama dengan elemen batas pertama P0. Gambar 5 di bawah ini menunjukkan penentuan P0 dan penentuan arah menggunakan algoritma di atas. Citra RGB Batik

Citra Grayscale Batik, Citra Segmentasi, Citra RGB

Ubah ke Grayscale

Denoising dengan Mean Filtering

Segmentasi dengan threshold berbasis neutrosophic

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 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 8neigborhood. 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 (Amizah & Mohammad Zain, 2009):

0 7 6

Connected Component Labeling

Penentuan arah batas objek dengan Chain Code

Reduksi fitur geometri klowongan

Database fitur geometri klowongan

Deteksi Tepi Canny Citra Grayscale batik

Isolasi Interior Citra=Hasil Canny erosi(Citra Segmentasi)

Connected Component Labeling

Reduksi fitur geometri isen-isen

Database fitur geometri isenisen

a b Gambar 4. a. Ekstraksi fitur geometri klowongan citra batik; b. Ekstraksi fitur geometri isen-isen

Gambar 5. (a) Penentuan P0 (b-d) Penentuan arah. Reduksi fitur geometri klowongan dilakukan dengan mencari dominant point dari setiap bentuk objek berdasarkan arah yang dihasilkan proses chain code. Langkah-langkah menentukan dominant point dengan cara menghapus collinear point (Poyato, Madrid-Cuaves, & Medina-Carnicer, 2010): a. Pilih tiga point (posisi koordinat) pada batas objek, misalkan Pi, Pj, dan Pk b. Tentukan nilai threshold (dt) c. Hapus point Pj, dengan nilai distance (d) dari garis lurus yang dibentuk Pi dan Pk jika d ≤ dt . Distance (d) dihitung dengan persamaan: 𝑑=

d.

( 𝑥𝑘 − 𝑥𝑖 𝑦𝑗 − 𝑦𝑖 − 𝑦𝑘 − 𝑦𝑖 𝑥𝑗 − 𝑥𝑖 )2 (𝑥𝑖 − 𝑥𝑗 )2 + (𝑦𝑖 − 𝑦𝑗 )2

Ulangi langkah c, dan berhenti jika Pj = Pi

Gambar 6 ini menunjukkan bagaimana cara mendapatkan dominant point menggunakan algotirma di atas.

Gambar 6. Proses penghapusan collinear point (I) Setelah dominant ponit didapatkan dari proses reduksi, koordinat dominat point dari setiap objek disimpan dalam database yang nantinya akan digunakan untuk rekonstruksi citra batik dengan menggunakan carrdinal spline.

3.2. Ekstraksi Fitur geometri Isen-isen Isen-isen citra batik adalah pengisi klowongan dari batik. Contoh isen-isen dari citra batik seperti ditunjukkan pada Gambar 7. Proses ekstraksi fitur geometri isen-isen seperti pada Gambar 4b.

(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.

3.3. Rekonstruksi Citra Batik Hasil representasi kurva interpolasi cardinal spline 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.

4. Ujicoba dan Analisis 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 connected component labeling berisi satu objek yang terhubung berdasarkan 8-neighborhood. 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 component paling banyak, yang berakibat semakin 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.

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

6. Referensi Amizah, N., & Mohammad Zain, J. (2009). Application of Freeman Chain Codes: An Alternative Recognition Technique for Malaysian Car Plates . IJCSNS International Journal of Computer Science and Network Security , 222227. Arisandi, B., & Suciati, N. (2011). Pengenalan Motif Batik dengan Rotated Wavelet Filter dan Neural Network. Canny, J. (1986). A Computational Approach to Edge Detection. IEEE Transactions On Pattern Analysis And Machine Intelligence , 679-714. Cheng, H., & Wang, X. (2004). Microcalcification detection using fuzzy logic and scale space approach. IEEE , 363-375. Eka, R. (2011). Pengembangan Sistem Temu Kembali Citra Batik Menggunakan Transformasi Wavelet Yang Dirotasi dan Multi-Layer Perceptron. Gonzalez, R. C. (2002). Digital Image Processing. New Jersey : Prentice-Hall, Inc., Upper Saddle River. Kuswadji. (1981). Mengenal Seni Batik di Yogyakarta. Yogyakarta: Proyek Pengembangan Permuseuman Yogyakarta. Poyato, C., Madrid-Cuaves, F., & Medina-Carnicer, R. (2010). Polygonal approximation of digital planar curves through break point suppression. Pattern Recognition Sciencedirect , 14-25. Zang, M., Zhang, L., & Cheng, H. (2009). A Neutrosophic Approach To Segmentation Based On Watershed Method. Signal Processing In ScienceDirect .

No

Citra Batik

Tabel 1. Hasil Uji Coba Hasil citra klowongan Hasil citra isen-isen

Hasil rekonstruksi 0

0

100

200

300

400

500

600

0

50

100

150

200

250

300

350

0

50

100

150

200

250

300

350

100

200

300

1

400

500

600

Ukuran : 687 x 630 Waktu : 881.98 detik 0 50 100 150 200

2

250 300 350

Ukuran : 381 x 392 Waktu : 95.22 detik 0

50

100

150

3 200

250

Ukuran : 376 x 292 Waktu :62.87 waktu 0

0

50

100

150

200

250

300

350

400

450

500

50 100 150 200 250

4

300 350 400

Ukuran : 530 x 469 Waktu : 1152.77 detik

450

0 50 100 150 200

5

250 300 350

Ukuran : 640 x 480 Waktu : 342.61 detik

0

50

100

150

200

250

300

350

400

450