Aplikasi Ciri Tekstur berdasarkan pendekatan Grey Level Coucurance Matrix (GLCM) : Kasus Citra Wayang Golek Punakawan Tri Daryanto , Harwikarya Informatika Fasilkom Universitas Mercu Buana Jakarta
Abstract
Puppet is a haritage of Indonesia, but now many Childs did not know the character of each one of them there are punakawan puppet character. This research find about image of punakawan puppet character used Grey Level Coucurance Matrix (GLCM) Method. The testing is get contast matrix data dan homogenity data from Derived from the test results in the form of data contrast and homogenity different from each still so that a puppet character traits or distinctive character that can be in the know the differences each of the puppet characters. Words: GLCM, Contast, Homogenity, puppet, punakawan and Image
BAB I. PENDAHULUAN
1.1.
Latar Belakang Wayang merupakan warisan budaya leluhur yang semakin lama terkikis oleh
perkembangan zaman. Semakin derasnya teknologi 3 Dimensi dalam dunia hiburan seperti Film dan Game, anak-anak Indonesia semakin tidak mengenal budaya pewayangan. Berdasarkan hal tersebut membuat penulis ingin membuat sebuah pola wajah berbentuk avatar dari pola pewayangan contohnya wayang Golek. Dalam wayang golek kita mengenal beberapa tokoh karakter pewayangan baik sebagai tokoh dewa, pandita, kesatria dan juga punukawan. Untuk punakawan dalam tokoh wayang golek yang kita kenal adalah Cepot. Dawala, Gareng dan Semar. Masing-masing tokoh tersebut memiliki karakter yang berbeda. Untuk memahami jalan cerita wayang golek relatif agak sulit karena harus memiliki wayang goleknya sendiri yang harganya relatif mahal dan tidak dapat dimainkan oleh anak-anak. Untuk mempermudah pengenalan bentuk, karakter, serta jalan cerita wayang golek kepada anak-anak sudah sepantasnya dibuat wayang golek dalam bentuk digital.
Sehingga
nantinya semua orang dapat memainkan membuat sebuah cerita film tentang pewayangan dengan bentuk avatar wayang golek.
Penelitian ini akan mengusulkan pembuatan aplikasi ciri tekstur citra gambar wayang golek punakawan berdasarkan Metode GLCM ( Grey Level Coucurance Matrix) yang akan mendapatkan nilai matriks Homogenity dan nilai kontras dari masing-masing karakter tokoh wayang golek Punakawan.
1.2.
Perumusan Masalah Masalah yang akan dibahas di penelitian ini adalah: 1. Bagaimana membedakan pola masing-masing tektur wajah pada tokoh-tokoh wayang golek punakawan dengan menggunakan metode GLCM 2. Berapa ciri tekstur pada masing tokoh pewayangan
punakawan dengan
menggunakan corelation, Homoginity, Diffrence everst moment dan Energy yang berbeda 3. Bagaimana merancang sebuah aplikasi yang dapat membedakan pola masingmasing karakter tokoh pewayangan punakawan?
BAB II. TUJUAN DAN MANFAAT PENELITIAN
Tujuan penelitian ini adalah sebagai berikut: 1. Menentukan ekstraksi ciri wajah Karakter wayang golek berdasakan Grey Level Coucurance Matrix (GLCM) dengan memilih ciri yang cocok yaitu: Contrast dan Homoginity yang menghasilkan nilai keluaran berupa matrik yang berbeda pada masin-masing citra 2. Membuat Aplikasi yang menerapkan metode GLCM yang menghasilkan nilai matriks Kontras dan Homoginity.
Sedangkan Manfaat dari penelitian ini adalah mendapatkan pola matriks yang berbeda sehingga komputer dapat membedakan masing pola citra tersebut berdasarkan matriks keluaran.
BAB III. METODOLOGI PENELITIAN
1.1 Metodologi Penelitian 1. Menggunakan Literatur yang memiliki keterkaitan dengan penelitian yang dibuat. 2. Melakukan percobaan dari pola wajah masing-masing tokoh wayang golek punakawan dengan metode GLCM 3. Merancang algoritma dan aplikasi klasifikasi citra berdasarkan GLCM
1.2 Tinjauan Pustaka Untuk membuat wayang golek digital maka diperlukan langkah-langkah pengenalan pola
masing-masing karakter dan mentrasformasinya menjadi bentuk avatar.
Proses
ekstraksi ciri satu tokoh wayang golek merupakan domain pattern Recognation sedangakan pembentukan wajah avatar merupakan domain Komputer Grafik. Beberapa metoda ada pattern recognation ialah: (1) generic method base; (2) feature tempalate based; (3) structural matching [1]. Rhee dalam risetnya dengan objek wajah manusia mengemukaan bahwa metoda baru kombinasi dari shape varition dan texture. Way mengatakan untuk pengenalan wajah dikenal dua metode ekstraksi ciri wajah yaitu, Active Shape Model (ASM) dan Active Apperance Model (AAM). Dua metode ini sama-sama berbasiskan variasi bentuk dan variasi texture menggunakan pendekatan Principle Component Analyze (PCA). Metode PCA ini akan mendapatkan matriks eigen faces, menggunakan eigen faces ini foto wajah yang mengandung noise dapat di bersihakan. Koefesien faces ini merupakan parameter untuk mempresentasikan bentuk wajah dan teksture wajah. Dengan mengatur parameter ini akan di dapatakan bentuk wajah yang mendekati wajah aslinya. Bentuk wajah yang didapat dengan mengubah parameter ini disebut landmark point. Parameter yang digunakan untuk menggamabr wajah adalah facila feuture points, size feature, shape feature, aspect ratio, distantace between feature dan curvature property dari masing-masing segment [3]. Model ASM melakukan pelatihan secara otomatis terhadapa beberapa masukan gambar. Metode AAM dan ASM telah dikombinasikan oleh Chen menjadi satu metode baru dan mendapatkan hasil yang cukup baik. Untuk pembentukan pola wajah masing penelitian[1],[2] dan [3] menggunakan metode feature land and mark. GLCM adalah matriks yang menjelaskan dan mencitrakan frekuensi level abu- abu (grayscale) yang muncul dalam ruang linier tertentu yang mempunyai hubungan dengan level abu-abu lainnya dalam bidang investigasi. Di sini, co-occurrence matrix dihitung berdasarkan dua parameter, yaitu jarak relatif antara pasangan piksel d yang diukur dalam angka piksel dan orientasi relatif φ.
GLCM merupakan metode statistik untuk menghitung probabilitas co-occurance dari fitur tekstural. Misalkan diberikan citra dengan f(x,y) berukuran Lr x Lc dengan set tingkat keabu-abuan Ng, menetapkan matriks p(i,j,d, φ)sebagai P(i,j,d, φ) = card { ((x1,y1),(x2,y2)) ∈(Lr x Lc) x (Lr x Lc) (x2,y2) = (x1,y1) + (d cos 0, d sin 0) f(x1,y1) = i, f((x2,y2) = j,,0 ≤i,j < Ng}
dimana d menunjukkan jarak antara piksel (x1,y1) dan (x2,y2) di dalam φ menunjukkan orientasi jajaran (x1,y1) dan (x2,y2), dan card { }ڄmenunjukkan
citra
nomor dari elemen-elemen di dalam set.[5]
Gambar 3.1. Proses untuk mendapatkan matriks GLCM [5]
Citra I pada citra di atas diubah menjadi matriks GLCM, di mana nilai matriks GLCM didapat
dengan
mengkalkulasikan
jumlah
setiap
pasangan
nilai
piksel
bertetangga pada citra I dengan jarak d. Contoh di atas nilai piksel pada sudut kiri atas bernilai 1 dan di sampingnya bernilai 1, kemudian dihitung banyaknya pasangan piksel yang bernilai [1 1]. Dimensi matriks GLCM adalah sebesar n x n, di mana n adalah nilai. Piksel terbesar citra I. Berdasarkan contoh di atas, pasangan nilai piksel [1 1] berjumlah 1, lalu dibuat matriks GLCM pada titik (1, 1) dengan nilai 1. Demikian pula titik (1,2) yang berasal dari jumlah pasangan [1 2] bernilai 2.
1.3 Landasan Teori Dari matriks C inilah dapat dihitung empat ciri tekstur yang disarankan Kandaswamy [4] yaitu: 1. Energy. Energy menunjukkan keseragaman tekstur atau homogenitas. n
n
i 1
j 1
c
i, j
2. Correlation. m adalah harga rata-rata element matriks C n
n
i 1
i 1
(i m)( j m)ci , j
3. Entropy. Entropy menunjukan derajat keacakan dari tekstur. n
n
i 1
j 1
c
i, j
log ci , j
4. Second Order Element Difference Moment, disebut juga kontras tekstur. n
n
(i j) i 1
j 1
2
ci , j
BAB IV. HASIL DAN PEMBAHASAN Hasil proses penggunaan ektraksi Ciri menggunakan GLCM diharuskan mengubah pola gambar yang memiliki warna dengan kedalam warna(Colour depth) sebanyak 8 bit di ubah kedalam bentuk warna hitam putih. Pada peneneltian ini penulis menggunakan pola image Gareng, Dawala, Cepot dan Semar. Masing image tersebut . pada penelitian ini di laukan pengujian sample masing-masing image tersebut menggunakan metode GLCM berupa nilai kontras dan Homogenity. Pada percobaan pertama digunakan pola image dari cepot yang memiliki karakteristik wajah merah dengan gigi tengah yang terlihat. Terlihat pada gambar 4.1.
Gambar 4.1. Image Cepot Awal
Pada gambar cepot tersebut di ubah kedalam gambar hitam putih terlihat pada gambar 4.2 dengan nilai Contrast: 2.8947, Correlation: 0.0783, Energy: 0.1191, Homogeneity: 0.5658 setelah dilakukan proses GLCM didapatkan nilai matriks kontras: [0.5166 0.5010] dan Homogeneity: [0.9189 0.9153]. untuk nilai grafik korelasi dan horisontal offset terlihat pada gambar 4.3
Gambar 4.2. Image Cepot hitam putih
Gambar 4.3 perbandinga antara nilai korelasi dengan nilai horizontal offset
Selanjutnya untuk pengujian sebelum dilakukan proses ekstarsi ciri tekstur dengan metode GLCM, untuk Semar, dawala dan Gareng nilai semua bagian dalam citri tekstur memilki nilai yang sama dengan pengujian pada Cepot, antara lain nilai Contrast: 2.8947, Correlation: 0.0783, Energy: 0.1191, Homogeneity: 0.5658. setelah di berikan perubahan ekstraksi ciri dengan menggunakan metode GLCM di dapat kan nilai rata-rata matriks kontras dan homogenity yang beda satu sama lain, yang terlihat pada tabel 3.1.
Tabel 3.1 Hasil Perbandingan Nilai Matriks Kontras dan Homogenity pada masing-masing tokoh dengan menggunakan metode GLCM Tokoh Wayang
Nilai Matriks Kontras
Nilai Matrik Homogenity
Cepot
[0.5166 0.5010]
[0.9189 0.9153]
Semar
[1.0077 1.0874]
[0.8794 0.8766]
Dawala
[0.8131 0.7647]
[0.8566 0.8528]
Gareng
[0.7445 0.6600]
[0.8482 0.8479]
Berdasarkan tabel 3.1 tersebut dapat disimpulkan bahwa masing-masing tokoh wayang memiliki nilai yang berbeda setelah data masing-masing gambar diolah menggunakan metode GLCM. Sehingga nantinya komputer dapat mengetahui sebuah gambar merupakan tokoh dari wayang tertentu berdasarkan matriks yang sudah diolah menjadi data yang berbeda pada masing-masing citra.
BAB V. KESIMPULAN DAN SARAN
5.1.KESIMPULAN 1. Ciri tekstur wayang golek punakawan dengan klasifikasi berdasarkan klasifikasi GLCM berupa keluaran Matriks untuk kontras dan Homogenity. Sehingga dapat dirancangan sebuah aplikasi yang dapat mendeteksi ciri tekstur dari sebuah citra. 2. Keluaran Ciri dari sebuah wayang golek berupa matriks keluaran pada GLCM belum dapat memetakan bentuk pola wayang sesungguhnnya sehingga akan sulit dalam membuat model wayang akan di bentuk.
5.2.SARAN Perlu dilakukan penelitian lanjutan adalah memnambahkan metode yang dapat membuat sebuah pola dari represntasi matriks kontras dan Homogenity. Sehingga nantinya dapat dibuat aplikasi yang dapat membuat model wayang punakawan tersebut.
BAB VI. DAFTAR PUSTAKA [1]. Chi-Hyoung Rhee, Chang Ha lee, “ Cartoon-like Avatar Generation Using Facial Component Matching”, International Journal of Multimedia and Ubiquitous Engineering, vol 8, No. 4 (2013), pp. 69-78 [2]. T.F. Cootes, C.J. Ytaylor, D.H Copper and J. Graham, “ Active shape Models-their training and their applications”, Computer Vision and Image Understanding, vol. 61, (1995), pp. 103-108 [3]. Der-Lor Way, Chiao-Kai Juan, Wen-Kai Tai, Chin-Chen Chang, “ A Realistic Style Facial Comic Generation”, ICIC International, Volume 9 (2013), pp 4205-4214 [4]. Works, The Math, Image Processing,1993 Toolbox For Use with MATLABÒ, The Math Works Inc. [5]. Gonzalez, Rafael C.,1997, Digital Image Processing, Addison-Wesley
LAMPIRAN
Gambar wayang tokoh semar Gambar Wayang tokoh Dawala Gambar Wayang Dawala
Grafik wayang Semar
Grafik wayang Dawala
Grafik wayang Gareng
