Bab III ANALISIS&PERANCANGAN 3.1 Analisis Masalah Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus; 2012) Penelitian ini Memiliki kerangka pemikiran untuk analisis sistem temu kembali ciri citra batik berdasarkan kemiripan bentuk dan tekstur dengan implementasi logika fuzzy yang terdapat pada algoritma threshold. Pada dasarnya terdapat 5 tahap yang akan dilakukan yaitu: (1) persiapan (pengumpulan dan pengolahan data citra), (2) Praproses (3) Segmentrasi bentuk dan tekstur, (4) Perhitungan Kemiripan Citra, (5) Perhitungan nilai Grade bentuk dan tekstur (6) Perbandingan hasil ciri. Penyusunan prototipe sistem. Secara umum gambaran dari kerangka pemikiran dari penelitian tersebut dapat dilihat sebagai berikut:
Gambar 3.1 Gambar Kerangka Pikir Penelitian Sebelumnya
29
30
Berikut ini adalah penjelasan dari tahap-tahap pada Gambar 3.1 diatas yaitu meliputi: 1. Tahap persiapan atau pengumpulan data pada penelitian ini dilakukan melalui beberapa cara seperti: pengambilan citra batik melalui internet, pengambilan, photo digital ataupun melalui kumpulan cd-motif citra batik.
Citra yang sudah
didapatkan akan dirubah ekstension nya menjadi ekstension JPG atau BMP (*.jpg dan *.bmp). 2. Tahap Praproses Analisis temu kembali citra motif batik terdiri dari dua bagian setelah adanya pembacaan data warna citra RGB yaitu reduksi dimensi citra dan transformasi warna. Reduksi dimensi citra dilakukan jika dimensi citra RGB lebih besar dari jumlah piksel maksimum dengan dimensi 200 x 200. 3. Tahap ekstraksi ciri bentuk Proses dimana citra batik diubah menjadi tujuh vektor momen invarian dan citra yang digunakan adalah citra dengan format grayscale. proses ekstraksi ciri bentuk dimulai dengan menghitung momen dan momen pusat citra grayscale. Selanjutnya momen pusat ini dinormalisasi untuk mendapatkan vektor momen invarian citra. Sedangkan untuk citra tekstur merupakan salah satu elemen dasar citra. Elemen citra ini berupa ciri-ciri atau sifat-sifat yang terdapat di dalam citra, dan membentuk suatu pola-pola dengan interval jarak dan arah tertentu secara berulang-ulang yang memenuhi sebagian besar atau seluruh bidang citra .
31
4. Tahap ekstraksi ciri tekstur Proses ekstraksi ciri tekstur dilakukan dengan pendeteksi tepi canny yang akan menandai piksel-piksel yang mengalami perubahan intensitas gradien yang cukup signifikan dan memberi nilai nol pada piksel-piksel lain yang tidak mengalami perubahan intensitas gradien secara signifikan. Tiap piksel yang ditandai oleh pendeteksi tepi atau yang bernilai 1 kemudian diperiksa untuk mencari kemungkinan kurva yang melalui piksel tersebut. Setiap piksel pada citra yang dilalui representasi bentuk diberi voting 1. Begitu seterusnya sampai semua piksel pada citra biner diperiksa. 5.
Perhitungan nilai grade bentuk dan tekstur Pada tahapan ini akan dilakukan perhitungan citra batik berdasarkan kemiripan ciri bentuk dan tekstur, proses ini terbagi menjadi 4 tahapan yang akan dilakukan yaitu : a.
Melakukan perhitungan gradeness pada setiap ciri citra.
b.
Melakukan sortasi secara menaik untuk setiap nila gradeness ciri citra.
c.
Melakukan agregasi terhadap gradeness ciri citra.
d.
Menampilkan sejumlah citra yang sangat relevan (Top – k).
6. Perbandingan hasil ciri bentuk dan tekstur Pada tahap ini akan dihasilkan urutan dari yang mirip sekali hingga yang kurang mirip dengan citra input-an, mengunakan algoritma threshold yang merupakan turunan dari algoritma fagin. Nilai threshold (ambang) yang diambil dari citra query, akan
32
dibandingkan dengan nilai ambang pada semua citra yang ada di database citra melalui pengunaan fungsi euclid. Berdasarkan nilai ambang, maka citra dengan nilai ambang yang mirip, akan ditampilkan secara berurutan (sorting). Tampilan citra dimulai dari yang mirip dengan
input-an
hingga
yang
kurang
mirip.
Karena
proses
perbandingan nilai ambang berdasarkan tekstur dan bentuk, maka akan dilakukan proses fuzzy logic dengan hitungan :
µ A∩ B = min(µ A [ x],µ B [ y ] dimana a= bentuk b = Tekstur. 7. Pengukuran Kinerja Temu Kembali Citra Motif Batik Dengan adanya perbedaan sudut pandang (edge detection) dan pencahayaan (lighting) menyebabkan citra yang dihasilkan bervariasi warna dan bentuknya untuk setiap tema citra. Database citra batik yang digunakan dalam penelitian ini adalah citra dengan tema dan ornamen yang beragam dan unik.
Dalam menentukan kinerja sistem temu
kembali pada citra batik yang berdasarkan tekstur dan bentuk dengan menggunakan Algoritma Threshold, akan menjadi benar dan akurat, jika jumlah motif citra yang mirip terhadap pola berhasil diidentifikasi dengan benar oleh sistem. Walaupun dengan kasat mata keakuratan tersebut dapat ditentukan dari prosentase yang dihasilkan. Dengan demikian jika diketahui dasar motif dari suatu daerah, maka akan diketahui motif – motif yang menyerupai / hampir sama, termasuk asal dari batik tersebut. Sebagai contoh :
33
X = motif bulat kecil – kecil dan bulat yang tidak beraturan besarnya, maka pengembangan motif tersebut dapat berupa : X1 = motif bulat besar dan kecil X2 = motif bulat yang besar dan kecil secara acak X3 = motif bulat namun bentuk yang tidak beraturan Xn = motif lainnya namun masih berhubungan dengan lingkaran Untuk mencari kemiripan motif, maka dilakukan pengukuran kinerja kemiripan dengan menggunakan persamaan sebagai berikut : A. Citra yang relevant ( X)
∑ citrahasil kuery X = ∑ citraDatab ase x y
B. Citra yang presisi (Y)
∑ citrahasil query ∑ citradatab ase x y
Y=
Dalam penelitian ini untuk kemiripan motif citra batik, difokuskan tidak hanya presisi tetapi yang utama juga citra yang relevan kemiripannya baik yang berdasarkan bentuk dan tekstur. Terlampir tabel hasil penlitian terhadap perhitungan nilai presisi untuk Kemiripan Citra Batik (%)
34
Tabel 1.0 Tabel Perhitungan Nilai Presisi Citra Batik Nilai Presisi untuk Kemiripan Citra Batik (%)
Kurva Pemulus Kurva Pusat
0,1
0,3
0,5
0,7
0,9
-10
40
60
70
60
50
-8
40
50
75
70
60
Dengan melihat tabel diatas, bahwa nilai presisi tertinggi jika menggunakan nilai kurva pusat adalah -8 dan nilai pemulus adalah 0,5 sebesar 75 %. Hal ini menyimpulkan bahwa dari 200 kali percobaan dengan mengunakan kurva pusat – 10 dan -8 dan kurva pemulus 0.1, 0.3, 0.5, 0.7 dan 0.9 maka hampir semua citra batik yang tersimpan pada Basis Data, sanga sesuai dengan citra batik yang ada dikueri dan mempunyai rata – rata nilai presisi antara 70 % - 75%.
35
Gambar 3.2 Hasil Ouput Protipe Sebelumnya
Dari analisis terhadap penelitian tersebut dan dari latar belakang yang sudah dijabarkan pada bab pertama, maka penulis mencoba menawarkan beberapa solusi yaitu: 1. Membuat klasifikasi untuk mengoptimalkan kinerja pencarian bentuk dan tekstur. 2. Menggunakan metode wavelet transform sebagai metode pengenal ciri bentuk.
36
3.2 Kerangka Pemikiran Penelitian
Proses Pengumpulan Batik
Preproses Ekstraksi Motif Build Decision Tree
db_citra.mat QueryIndeksBentuk.mat Decision.mat QueryIndeksMotif.mat
Sorting hasil Euclid
Citra batik inputan dari user
Ekstraksi Motif
Explore Decision tree
Euclidean Distance
Ekstraksi Bentuk
Visualisasi
Gambar 3.3 Gambar Kerangka Pikir Penelitian
Berdasarkan Gambar 3.3 penulis akan menjabarkan cara kerja dari aplikasi dan penjelasan dari tiap-tiap proses, yaitu sebagai berikut: 1. Cara Kerja
Pada saat pertama kali pengguna menggunakan aplikasi ini, pengguna harus meng-input dahulu citra batik yang sudah diketahui klasifikasinya ke dalam folder-folder klasifikasi pada database sesuai dengan klasifikasinya. Semakin banyak citra yang dimasukan ke dalam database maka akan semakin tinggi tingkat ketepatan aplikasi ini untuk mengenali citra batik nantinya, penulis menyarankan minimal 15 citra pada masing-masing folder-folder klasifikasi pada database yang sesuai dengan ketentuannya masing-masing, setelah pengisian citra data pada
37
database selesai, dilanjutkan dengan proses training / praproses, dengan menekan tombol segmentasi pada GUI utama. Proses training akan selesai setelah mendengar bunyi alert, barulah pengguna dapat menggunakan aplikasi untuk mengenali citra batik yang diinginkan. Citra batik yang sudah di-input untuk dikenali, akan bertambah secara otomatis kedalam database. Setiap citra akan masuk ke dalam masingmasing folder klasifikasi pada database yang sesuai dengan hasil pengenalan klasifikasi. Apabila pengguna merasa aplikasi sudah mengenali banyak citra batik dan memiliki output yang sesuai atau benar, lebih baik aplikasi ini dilatih kembali atau training kembali yang bertujuan untuk meningkatkan ketepatan pengenalan citra batik. Hal ini dilakukan untuk meng-update database aplikasi ini.
2.
Proses pengumpulan,seleksi dan klasifikasi citra batik Citra batik untuk penelitian ini didapatkan dari data mentah yang sudah ada yang didapatkan dengan cara mengambil beberapa foto kain batik dan pengumpulan data citra dari internet. Setelah itu akan dilakukan proses seleksi citra batik yang tidak memiliki banyak noise contoh blur dan kemudian setelah diseleksi data citra batik akan di-resize menjadi ukuran 200x200 piksel dengan format *jpg. Citra batik hasil dari pengeditan akan diklasifikasikan menurut teksturnya yaitu kawung,parang,ceplok dan pola khsusus setelah itu proses terakhir yaitu data citra akan dimasukkan kedalam database klasifikasi.
38
Gambar 3.4 Gambar Proses Pengumpulan Citra
3.
Praproses Didalam tahap ini akan dijalankan proses training. Proses training ini terdiri dari beberapa proses yaitu: A.
Proses ekstraksi bentuk Tahap awal dalam proses ini adalah mendeklarasikan path database. Pada masing-masing folder database akan di-scan seluruh atribut file yang memiliki format jpg. Data hasil scan akan disimpan dengan nama db_citra.mat dan diberi kolomnya diberi nama ifile. File db_citra.mat tersebut kembali di-load untuk dipakai pada proses selanjutnya.
Kemudian
dilakukan
perulangan
untuk
mengambil nama file pada setiap element-nya. Nama ini digunakan sebagai penunjuk file yang akan diolah dengan metode invariant moment. Setelah semua element berhasil
39
diolah oleh invariant moment hasil perhitungan tersebut di simpan dengan nama QueryIndexBentuk.mat. hal ini dilakukan pada seluruh folder klasifikasi pada database. Scan Attribute dari file db_citra.mat
File diolah menggunakan invariant moment sesuai dengan nama status citra
Disimpan sebagai QueryIndeksBentuk
Gambar 3.5 Gambar Proses Pengumpulan Citra B.
Proses ekstraksi motif Tahap awal dalam proses ini adalah mendeklarasikan path
database,
load
db_citra.mat
dan
mengambil
banyaknya data citra. Kemudian dilakukan perulangan untuk mengambil nama file pada setiap element-nya. Nama ini digunakan sebagai penunjuk file yang akan diolah dengan metode 2D - wavelet transform. Perhitungan 2D wavelet transform ini membutuhkan input berupa citra grayscale. Output-nya berupa hasil perhitungan rumus 2D - wavelet transform dengan berbagai macam derajat rotasi. Perulangan ini akan dilakukan di seluruh folder klasifikasi pada database. Setelah semua proses selesai, masingmasing citra akan diberi status klasifikasi sesuai dengan folder klasifikasinya.
40
Scan Attribute dari file db_citra.mat
File diolah menggunakan wavelet transformsesuai dengan nama status citra
Disimpan sebagai QueryIndeks
Build Decision Tree sesuai dengan queryindeks motif dan folder klasifikasinya
Gambar 3.6 Gambar Proses Pengumpulan Citra
C.
Proses Explore decision tree Hasil perhitungan dari citra yang di-input akan di bandingkan dengan decision tree yang sudah ada. Hasil penelusuran decision tree akan menghasilkan status klasifikasi dari citra yang di-input.
E.
Euclidean distance Disini akan menghitung jarak kemiripan antar citra yang di input dengan database, pertama deklarasi path database setelah citra input di klasifikasi, baca QueryIndexBentuk.mat pada folder tersebut, untuk setiap element pada QueryIndexBentuk.mat tersebut dilakukan perhitungan jarak euclid dengan rumus "rumus euclid" seletah itu melakukan transformasi nilai dengan rumus transofrmasi nilai = (nilai transpose - nilai minimal transpose)/(nilai maksimum transpose - nilai minimum transpose) setelah itu di hitung sigmoid-nya dan di- save kedalam variabel.
41
F.
Sorting hasil Pada tahap ini akan dilakukan proses men-sorting atau mengurutkan hasil perhitungan dari jarak Euclid.
G.
Visualisasi Pada tahap ini hasil dari sorting akan ditampilkan sebanyak 8 citra mulai dari yang memiliki kemiripan tertinggi sampai yang paling rendah.
