IDENTIFIKASI MOTIF BERBASIS CITRA MENGGUNAKAN WAVELET DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK (STUDI KASUS: DIREKTORAT JENDERAL HAK KEKAYAAN INTELEKTUAL)
RUDI SETIAWAN
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
ABSTRAK RUDI SETIAWAN. Identifikasi Motif Berbasis Citra Menggunakan Wavelet dengan Klasifikasi Probabilistic Neural Network (Studi Kasus: Direktorat Jenderal Hak Kekayaan Intelektual). Dibimbing oleh YENI HERDIYENI. Seni motif merupakan salah satu dari jenis ciptaan yang patut dihargai dan dilindungi. Perlindungan yang dimaksud harus tepat sasaran agar tidak ada pihak yang merasa dirugikan. Direktorat Jenderal Hak Kekayaan Intelektual (Ditjen HKI) adalah lembaga pemerintah yang bertugas untuk melaksanakan perlindungan tersebut. Salah satu proses atau tahap yang dilakukan adalah pemeriksaan ciptaan yang didaftarkan. Pemeriksaan masih dilakukan secara manual, sehingga menghabiskan banyak waktu. Penelitian ini bertujuan untuk membuat suatu desain dan implementasi sistem identifikasi motif yang sudah ataupun belum pernah terdaftar pada Ditjen HKI dengan masukkan berupa citra digital. Proses pendeteksian diawali dengan proses ekstrasi ciri menggunakan Haar wavelet dan proses klasifikasi dengan menggunakan Probabilistic Neural Network (PNN). Pada penelitian ini citra latih yang digunakan sebanyak 450 citra, yang dibagi dalam 50 kelas. Citra uji yang digunakan sebanyak 200 citra yang terdiri dari 4 citra untuk masingmasing kelas. Akurasi yang dihasilkan sistem pada pendeteksian citra motif ini sebesar 65% dengan haar wavelet level 2 dan 64% dengan haar wavelet level 3. Kata kunci: Motif, Probabilistic Neural Network (PNN), Wavelet.
ABSTRACT RUDI SETIAWAN. Image-based Motif Identification Using Wavelet and Probabilistic Neural Network classification (Case Study: The Directorate General of Intellectual Property Rights). Supervised by YENI HERDIYENI. Motif is one creation that should be respected and protected. The protection must be on target so nobody is aggrieved. The Directorate General of Intellectual Property Rights (DGIP) is a government institution in charge of implementing that protection. A process or step taken is examining the registered creation. The examination is still done manually, so DGIP spends a lot of time. This research aims to create a design and implementation of a system to identify if the motifs have been registered at DGIP with respectively digital image as the input. Detection process begins with the extraction process using the Haar wavelet to get the characteristics of the image and classification process by using the Probabilistic Neural Network (PNN). This study uses 450 training images divided into 50 classes. Testing uses 200 images consisting of 4 images for each class. The accuracies of the motif identification system are 65% and 64% for Haar wavelet level 2 and level 3, respectively. Keywords: Motif, Probabilistic Neural Network (PNN), Wavelet.
IDENTIFIKASI MOTIF BERBASIS CITRA MENGGUNAKAN WAVELET DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK (STUDI KASUS: DIREKTORAT JENDERAL HAK KEKAYAAN INTELEKTUAL)
RUDI SETIAWAN
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
Judul Skripsi :
Nama NIM
: :
Identifikasi Motif Berbasis Citra Menggunakan Wavelet dengan Klasifikasi Probabilistic Neural Network (Studi Kasus: Direktorat Jenderal Hak Kekayaan Intelektual) Rudi Setiawan G64086050
Menyetujui, Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Mengetahui, Ketua Departemen
Dr. Ir. Agus Buono, M.Si., M.Kom. NIP. 196607021993021001
Tanggal Lulus:
RIWAYAT HIDUP Penulis dilahirkan di Kerinci Desa Kampung Diilir Rawang pada tanggal 02 Maret 1987. Penulis adalah anak ketiga dari 3 bersaudara, dari pasangan Bapak Zaiyad Sami dan Ibu Erlina. Pada tahun 2005 penulis lulus dari SMA Negeri 1 Sungai Penuh, kemudian melanjutkan pendidikan Diploma III pada Program Keahlian Teknik Komputer, Program Diploma Institut Pertanian Bogor. Lulus Diploma pada tahun 2009, penulis melanjutkan studi di Institut Pertanian Bogor Program Studi Ilmu Komputer untuk memperoleh gelar sarjana.
PRAKATA Bismillahirrohmanirrohim, Segala puji bagi Allah Subhanahuwata’ala atas segala limpahan rahmat dan karunia-Nya yang telah diberikan, semoga shalawat serta salam tetap tercurahkan kepada nabi Muhammad Shallallahu alaihi was salam, sehingga penulis dapat menyelesaikan karya ilmiah ini dengan baik. Judul penelitian ini adalah Identifikasi Citra Motif Menggunakan Wavelet dengan Klasifikasi Probabilistic Neural Network (Studi Kasus: Direktorat Jenderal Hak Kekayaan Intelektual). Penelitian ini tidak luput dari bantuan dan dukungan dari banyak pihak. Untuk itu saya ingin sampaikan terima kasih kepada: 1 2 3 4 5 6 7 8
9
10 11 12
Kedua orang tua Penulis, Ibunda Erlina dan ayah Zaiyad Sami yang senantiasa memberikan do’a dan dukungan, Ibu Dr. Yeni Herdiyeni, M.Kom. selaku pembimbing dalam menjalankan proses pembuatan karya ilmiah ini, Bapak Aziz Kustiyo, S.Si., M.Kom. dan Bapak Toto Haryanto, S.Kom, M.Kom. atas kesediaannya menjadi penguji penelitian ini, Bapak Soemardi,S.H.,M.H. Direktur Hak Cipta, Desain Industri, Rahasia Dagang dan Tata Letak Sirkuit Terpadu (2011), Bapak Timbul Sinaga, S.H., M.H. Direktur Hak Cipta, Desain Industri, Rahasia Dagang dan Tata Letak Sirkuit Terpadu (2011 - 2012), Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB, Sev Eka Putra, S.Pd., Yandri, S.Pd. saudaraku yang selalu memberikan dukungan dan inspirasi. Ibu Habibah, M.H. Kabag. Tata Usaha dan Humas, dan Bapak Senen, S.H. Subbag Persuratan atas dukungan dan izin yang sering diberikan sehingga bisa meninggalkan tugas kantor. Dzikri Fadilah, Fachran Nazarullah, Azhari Harahap, teman satu rumah selama berada jauh dari keluarga dari Hanoman sampai Abiyasaraya, Doni Marshal Rangga, Sigit Wibowo, dan Resti Sintia Ervina teman seperjuangan untuk menjadi pengabdi negara, Ihsan Satria Rama dan Anriza Julianry, inspirator dan katalisator selesainya karya ilmiah ini. Ikatan Mahasiswa Kerinci Bogor dan seluruh anggota Asrama Mahasiswa Jambi, sebagai keluarga di perantauan, Teman-teman angkatan 3 HIMAXILKOM, Rekan-rekan kerja pada Direktorat Jenderal Hak Kekayaan Intelektual yang telah memberi dukungan dan semua pihak yang telah membantu memberikan dukungannya yang belum disebutkan di atas.
Akhirnya penulis berharap semoga penulisan karya ilmiah ini dapat bermanfaat bagi semua pihak yang membutuhkan. Amin.
Bogor, Februari 2013
Rudi Setiawan
DAFTAR ISI Halaman DAFTAR ISI ............................................................................................................................... v DAFTAR TABEL ...................................................................................................................... vi DAFTAR GAMBAR .................................................................................................................. vi DAFTAR LAMPIRAN ............................................................................................................... vi PENDAHULUAN1 Latar Belakang......................................................................................................................... 1 Tujuan ...................................................................................................................................... 1 Ruang Lingkup ........................................................................................................................ 1 Manfaat .................................................................................................................................... 1 TINJAUAN PUSTAKA1 Motif ........................................................................................................................................ 1 Citra Digital ............................................................................................................................. 1 Tingkat Abu-abu (Grayscale) .................................................................................................. 1 Wavelet .................................................................................................................................... 2 Transformasi Wavelet .............................................................................................................. 2 Haar Wavelet ........................................................................................................................... 3 Dekomposisi Haar Wavelet ..................................................................................................... 3 Jaringan Saraf Tiruan............................................................................................................... 3 Probabilistic Neural Network .................................................................................................. 4 METODOLOGI ........................................................................................................................... 4 Database Citra Motif ............................................................................................................... 5 Praproses ................................................................................................................................. 5 Pembagian Data ....................................................................................................................... 5 Ekstrasi Ciri Citra Motif dengan Wavelet ................................................................................ 5 Klasifikasi dengan Probabilistic Neural Network ................................................................... 6 Perhitungan Akurasi ................................................................................................................ 6 Lingkungan pengembangan ..................................................................................................... 6 HASIL DAN PEMBAHASAN.................................................................................................... 6 Praproses ................................................................................................................................. 6 Ekstrasi Ciri Wavelet ............................................................................................................... 6 Identifikasi Citra Motif ............................................................................................................ 7 Hasil Pengujian Data Uji Cropping (C) dengan klasifikasi PNN ............................................ 7 Hasil Pengujian Data Uji Rotate 1800 (R180) dengan Klasifikasi PNN .................................. 7 Hasil Pengujian Data Uji Brightness 15 Poin (B15) dengan Klasifikasi PNN ........................ 8 Hasil Pengujian Data Uji Perbesar 200% + Rotate 900 (ZR) dengan Klasifikasi PNN ........... 9 Perbandingan Akurasi Keempat Jenis Data Uji ..................................................................... 10 Perbandingan Akurasi Pengenalan Kelas Citra Motif ........................................................... 11 Analisis Pengaruh Data Motif terhadap Hasil Identifikasi .................................................... 11 Perbandingan Akurasi untuk Wavelet Haar Level 2 dan Level 3 .......................................... 12 KESIMPULAN DAN SARAN.................................................................................................. 12 Kesimpulan ............................................................................................................................ 12 Saran ...................................................................................................................................... 12 DAFTAR PUSTAKA ................................................................................................................ 13
v
DAFTAR TABEL Halaman 1 Hasil pengujian data uji Cropping ............................................................................................ 7 2 Hasil pengujian data uji R180................................................................................................... 8 3 Hasil pengujian data uji B15..................................................................................................... 8 4 Hasil pengujian ZR ................................................................................................................... 9
DAFTAR GAMBAR Halaman 1 Model Piksel Pada Buffer Memori (Rivai 2005) ...................................................................... 2 2 Operasi Pengubahan Citra 24 bit .............................................................................................. 2 3 Ilustrasi Transformasi Wavelet ................................................................................................. 3 4 Bank filter Haar ........................................................................................................................ 3 5 Aristektur Jaringan Saraf Tiruan ............................................................................................. 3 6 Struktur Probabilistic Neural Network ..................................................................................... 4 7 Metodologi Penelitian............................................................................................................... 4 8 Contoh Citra Motif ................................................................................................................... 5 9 Praproses Citra Motif................................................................................................................ 6 10 Ekstrasi Ciri Wavelet level 2 .................................................................................................. 7 11 Contoh Hasil Identifikasi Kasus Pengujian C ....................................................................... 10 12 Contoh Hasil Identifikasi Kasus Pengujian R180 ................................................................. 10 13 Contoh Hasil Identifikasi Kasus Pengujian ZR .................................................................... 10 14 Hasil Pegujian Data Uji ........................................................................................................ 10 15 Motif yang teridentifikasi 100% ........................................................................................... 11 16 Perbandingan Akurasi Setiap Kelas ...................................................................................... 11 17 Citra Motif Kelas 15 dan 24 ................................................................................................. 11 18 Ekstrasi Ciri Wavelet level 3 ................................................................................................ 12 19 Perbandingan Akurasi Wavelet Level 2 dan 3 ...................................................................... 12
DAFTAR LAMPIRAN Halaman 1 Kelas Data Latih Motif ........................................................................................................... 15 2 Kelas Data Uji Motif .............................................................................................................. 28 3 Hasil Pengujian Citra Motif Akurasi 100% ............................................................................ 37 4 Hasil Pengujian Citra Motif Akurasi 75 % ............................................................................. 37 5 Hasil Pengujia Citra Motif Akurasi 50 % ............................................................................... 39 6 Pemodelan pengujian identifikasi motif dengan sistem .......................................................... 41
vi
1
PENDAHULUAN Latar Belakang Sadarnya masyarakat dewasa ini akan pentingnya nilai ekonomi dan bentuk penghargaan sebuah karya ciptaan meningkatkan pendaftaran karya hak cipta di Direktorat Jenderal Hak Kekayaan Intelektual. Peningkatan ini semakin tinggi setiap tahunnya. Pada tahun 2009, jumlah pendaftaran adalah 6.504 ciptaan (Kemenkumham 2010). Dalam menentukan sebuah hak cipta layak untuk dilindungi adalah dengan cara melihat orisinalitas dari sebuah ciptaan. Oleh sebab itu, harus ada pemeriksaan secara objektif sehingga tidak menimbulkan sebuah pelanggaran yang merugikan pihak lain. Direktorat Jenderal Hak Kekayaan Intelektual, khususnya Direktorat Hak Cipta masih melakukan pemeriksaan secara manual, yakni dengan membandingkan satu demi satu motif dengan katalog motif yang tersedia. Hal ini sangat tidak efisien untuk jumlah pendaftaran yang secara periodik bertambah dari tahun ke tahun. Waktu dan ketelitian dalam pemeriksaan juga dirasa tidak efektif. Salah satu ciptaan yang dilindungi di lingkungan kerja Direktorat Jenderal Hak Kekayaan Intelektual adalah motif. Motif itupun terdiri atas batik, wallpaper, seprai atau bedcover. Jumlah pendaftaran hak cipta kategori seni pada bulan Januari sampai dengan Juni 2010 tercatat 1.834 pendaftaran. Sekitar 65% adalah seni motif (Kemenkumham 2010). Dalam hal ini, Sistem Identifikasi Motif sangat diperlukan dalam masalah yang dihadapi Direktorat Jenderal Hak Kekayaan Intelektual untuk mempermudah pengerjaan dan mendapatkan esensi nilai ketepatan yang tinggi dalam menentukan perlindungan hak terhadap motif yang telah didaftarkan oleh masyarakat. Wavelet merupakan salah satu metode pengolahan citra yang dapat mengekstraksi fitur akan tetapi fitur-fitur yang penting tidak akan hilang ketika dimensi citra mengalami reduksi. Metode ini pernah diterapkan pada tiga penelitian sebelumnya. Pertama, Isa dan Juwita (2007) menerapkan metode ini pada citra berstruktur nilai precision yang didapat sampai 100%. Penelitian kedua dilakukan oleh Cahyaningtias (2007) penelitian ini menerapkan metode yang sama pada citra wajah sebagai karakteristik fisiologis. Ketiga penelitian tersebut menggunakan mother Haar Wavelet. Gusadha (2011) menggunakan Probabilistic Neural Network (PNN) dalam penelitian untuk mengidentifikasi jenis tanaman Aglaonema dan mendapatkan akurasi
55.65% dan Putra (2009) menggunakan klasifikasi yang sama (PNN) untuk mengidentifikasi tanda tangan dengan akurasi 87 %. Penelitian ini menerapkan tansformasi wavelet, dengan mother wavelet yang digunakan Haar wavelet sebagai praproses citra yang akan diuji. Metode klasifikasi citra yang digunakan ialah probabilistic neural network (PNN). Tujuan Tujuan penelitian ini ialah menerapkan transformasi Haar wavelet pada praproses citra dan mengklasifikasikan citra motif dengan menggunakan PNN. Ruang Lingkup Citra yang akan digunakan adalah beberapa data motif yang telah terdaftar pada Direktorat Jenderal Hak Kekayaan Intelektual. Manfaat Manfaat penelitian ini adalah membantu pekerjaan pemeriksa pada Direktorat Hak Cipta khususnya pemeriksaan motif agar efisien, tepat dan objektif, sehingga meminimalkan kesalahan pemeriksaan yang mungkin terjadi.
TINJAUAN PUSTAKA Motif Motif adalah sebuah gambar dekoratif atau desain, terutama yang berulang membentuk pola (Oxford 2012) Citra Digital Citra, atau image atau gambar, dapat didefinisikan sebagai fungsi intensitas cahaya dua dimensi f(x,y), dengan x dan y merupakan koordinat spasial dan nilai f pada setiap titik (x,y) adalah proporsional terhadap brightness (level keabuan) gambar pada titik tersebut. Karena f(x,y) merupakan fungsi intensitas cahaya, f merupakan bentuk energi sehingga memiliki daerah intensitas dari nol sampai dengan tak hingga: 0 < f(x,y) < ∞ (Gonzales dan Wood 1993). Tingkat Abu-abu (Grayscale) Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pikselnya, dengan kata lain bagian red=green=blue. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna
2
yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih (Darma 2010). Proses Grayscale ini bertujuan untuk mengubah citra RGB menjadi citra abu-abu. Pemrosesan ini dipilih karena lebih sederhana, yaitu hanya menggunakan sedikit kombinasi warna dan dengan citra abu-abu dirasakan sudah cukup untuk memproses citra yang citra yang semula berupa RGB Colour dengan tingkat abu-abu. Mengubah citra RGB ke citra abu-abu YUV dengan mengambil komponen Y (luminance) dapat dilakukan dengan mengalikan komponen R,G,B dari nilai taraf intesitas tiap piksel RGB dengan konstanta (0.299R,0.587G,0.11B). Titik 1
Titik 2
Titik 3
Titik 4
Gambar 1 Model piksel pada buffer memori (Rivai 2005)
wavelet (Darma 2010). Fungsi penskalaan memiliki persamaan:
(t) = 2
k
h0(k)
(2t – k)
(1)
h0 menyatakan koefisien pensekalaan atau koefisien transformasi atau koefisien dari tapis (filter), sedangkan k menyatakan indeks dari koefisien penskalaan. Angka 0 pada h0 hanya menunjukkan jenis koefisien, yang menyatakan pasangan dari jenis koefisien lainnya. Pasangan tersebut didefinisikan dalam fungsi wavelet berikut: (t) = 2
k
h1(k)
(2t – k)
(2)
h0 dan h1 adalah koefisien transformasi pasangan. h0 disebut juga sebagai low pass sedangkan h1 disebut high pass. h0 berkaitan dengan proses perataan (averages) sedangkan h1 berkaitan dengan proses pengurangan (differences). Perataan dilakukan dengan menghitung nilai rata-rata dua pasang data dengan persamaan: (3)
(0.299R+0.587G+0.11B)
Gambar 2 Operasi pengubahan citra 24 bit Wavelet Wavelet adalah suatu teknik perhitungan matematis yang bermanfaat untuk analisis numerik dan memanipulasi dalam 1 (satu) atau 2 (dua) dimensi sinyal. Transformasinya beroperasi seperti sebuah mikroskop yang berfungsi untuk melihat detailpartisi sinyal di dalam komponen frekuensi dan memetakan ke koefisien yang memiliki energi yang berbeda (Jones et al. 1999) Transformasi Wavelet Wavelet berasal dari sebuah fungsi penskalaan atau disebut juga scaling function karena wavelet didapatkan dari hasil penskalaan, dilasi, dan pergeseran mother
Pengurangan dilakukan dengan persamaan: (4) Koefisien-koefisien h0 dan h1 dapat ditulis sebagai berikut: h0 = (h0(0), h0(1)) = ( yang berkaitan dengan persamaan (3), dan h1 = h1(0), h1(1)) = ( persamaan (4).
-
berkaitan dengan
Dengan kata lain, h0 adalah koefisien penskalaan karena menghasilkan skala yang berbeda dari citra aslinya, sedangkan h1 adalah wavelet yang menyimpan informasi penting proses rekonstruksi. Transformasi wavelet mempunyai kemampuan membawa keluar ciri khusus pada suatu gambar yang diproses. Pada tranformasi wavelet, sebuah gambar didekomposisi menjadi subgambar pada frekuensi dan orientasi yang berbeda-beda, yaitu low-low (LL), low-high (LH), high-low (HL), dan high-high (HH) (Gambar 3).
3
Gambar 3 Ilustrasi transformasi wavelet Haar Wavelet Haar Wavelet adalah metode wavelet yang pertama kali diajukan oleh Alfred Haar pada tahun 1909. Haar wavelet adalah metode wavelet yang paling sederhana dan mudah untuk diimplementasikan. Untuk mengekstrak ciri-ciri tekstur dengan transformasi Haar Wavelet, dilakukan proses averaging untuk mendapatkan bagian dari gambar yang berfrekuensi rendah dan dilakukan proses differencing untuk mendapatkan bagian dari gambar yang berfrekuensi tinggi (Darma 2010). Koefisien h0 (low pas filter) dan h1 (high pass filter) merupakan fungsi basis Haar wavelet. Dekomposisi (transformasi) perataan dan pengurangan sama halnya dengan melakukan dekomposisi citra dengan Haar wavelet. Kedua tapis tersebut bersifat ortogonal namun tidak ortonormal. Tapis Haar yang bersifat orthogonal dan ortonormal adalah: h0
)
(5)
h0 ) (6) Fungsi penskalaan Haar diperoleh dari subtitusi h0 ke dalam persamaan (1), sehingga dihasilkan persamaan sebagai berikut: (t) = (2t) +
(2t – 1)
(7)
Dimana:
(t) Subtitusi h1 ke dalam persamaan (2) akan menghasilkan: (t) = (2t) +
(2t – 1)
Dekomposisi Haar Wavelet Proses perhitungan wavelet dapat dilakukan dengan menggunakan bank filter. Bank filter merupakan kumpulan koefisien untuk memperoleh nilai rata-rata (average) dan nilai selisih (differencing) secara berulang-ulang. Proses dekomposisi Haar menerapkan bank filter dengan h0 = h1 = 1/ 2 sebagai koefisien low-pass yang menghasilkan citra pendekatan, dan g0=1/ 2 ,g1= -1/ 2 sebagai koefisien high-pass yang menghasilkan citra detil. Adapun bank filter Haar dapat dilihat pada Gambar 4. h0 h1 0 0 … g0 g1 0 0 … 0 0 h0 h1… 0 0 g0 g1… . . . . … : : : : Gambar 4 Bank filter Haar
Stephane Mallat kemudian memperkenalkan cara mudah menghitung dekomposisi wavelet yang dikenal dengan algoritme piramida Mallat. Mallat memberi nilai koefisien low-pass, h0 = h1 = 1/2 dan koefisien high-pass, g0=1/2, g1=-1/2 (Cahyaningtias 2007). Jaringan Saraf Tiruan JST dikembangkan sebagai model matematika yang merupakan penyederhanaan dari sistem saraf biologis manusia, berdasarkan asumsi bahwa pengolahan informasi terjadi di berbagai elemen yang dinamakan neuron, sinyal dilewatkan di antara neuron melalui connection link, masing-masing connection link memiliki weight (bobot) yang akan mengalikan sinyal yang lewat, dan masing-masing neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output (Fauset 1994). Secara umum JST, terdiri atas dua buah layer yaitu hidden layer dan output layer. Arsitektur dari JST dapat dilihat pada Gambar 5 berikut:
(8)
Merupakan fungsi wavelet Haar dengan:
Gambar 5 Arsitektur jaringan saraf tiruan
4
Probabilistic Neural Network Probabilistic Neural Networks (PNN) merupakan salah satu jenis klasifikasi. PNN merupakan jaringan saraf tiruan yang dirancang menggunakan ide dari teori probabilitas klasik seperti pengklasifikasi Bayes dan penduga kepekatan Parzen. Struktur PNN terdiri atas empat layer, yaitu input layer (lapisan masukan), pattern layer (lapisan pola), summation layer (lapisan penjumlahan), decision layer (lapisan keluaran) (Albanis dan Batchelor 2000). Struktur tersebut dapat dilihat pada Gambar 6.
(10) dengan merupakan dimensi vektor ciri, σ merupakan bias dan merupakan jumlah data latih pada kelas tertentu. 3 Lapisan keluaran (output layer) menghasilkan keputusan input masuk ke dalam suatu kelas. Input akan masuk kelas jika nilai paling besar dibandingkan kelas yang lainnya.
METODOLOGI Metode penelitian ini terdiri atas beberapa tahap, yaitu pengambilan data, praproses data, ekstrasi ciri data, klasifikasi dengan PNN, dan perhitungan tingkat akurasi. Tahap-tahap dalam penelitian ini diilustrasikan pada Gambar 7. Citra
Praproses
Gambar 6 Struktur probabilistic neural network Lapisan masukan merupakan yang terdiri atas nilai ciri yang akan diklasifikasikan pada kelas. Proses-proses yang terjadi setelah lapisan masukan adalah: 1 Lapisan pola (pattern layer), digunakan satu node pola untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan perkalian titik (dot product) dari vektor masukan dengan vektor bobot . Bobot merupakan nilai data latih ke-i pada kelas ke-j. Nilai kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas(n)=exp(- ). Dengan demikian persamaan yang digunakan pada lapisan pola seperti pada persamaan (9). f(x) = exp
(9)
2 Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah:
Citra Citra Uji
Citra Latih
Ekstrasi Ciri Wavelet Ekstrasi Ciri Wavelet Klasifikasi PNN
Proses Pencocokan
Model
Identifikasi Citra Motif
Perhitungan Akurasi
Gambar 7 Metodologi penelitian
5
Database Citra Motif Citra motif yang menjadi objek dalam penelitian ini adalah hasil karya cipta dari masyarakat yang sudah diberikan hak dan melewati tahap pemeriksaan. Database terdiri atas 50 (lima puluh) motif bersukuran 512 x 512 piksel. Semua motif berbeda antara satu sama lain. Walaupun secara objektif terkadang mirip antara motif satu dan yang lain, namun dengan melihat lebih teliti lagi tampaklah perbedaan, baik itu kontur dan warna. Dalam pemeriksaan, motif yang bentuknya sama namun warnanya berbeda, terkadang sudah dianggap berbeda dan tidak melanggar hak cipta. Beberapa contoh motif yang telah didaftarkan di Direktorat Hak Cipta ditunjukkan pada Gambar 8.
Gambar 8 Contoh citra motif Praproses Pada tahap awal praproses, dilakukan pengubahan citra ke mode warna grayscale untuk selanjutnya diekstrasi ciri menggunakan wavelet Haar. Grayscale digunakan untuk menyederhanakan model gambar. Pada awalnya gambar terdiri atas 3 layer matriks, yaitu R-layer, G-layer dan B-layer untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer tersebut. Untuk mengubah gambar berwarna yang mempunyai nilai matriks masing-masing R,G dan B menjadi gambar Grayscale, konversi dilakukan dengan pengubahan komposisi sebagai berikut:
apabila format gambar RGB digunakan maka nilai yang dihasilkan akan bervariasi. Pada tahap praproses selanjutnya, setiap citra motif akan divariasikan untuk mendapatkan sebuah kelas. Adapun variasi dalam setiap kelas adalah: 1 Orisinil (O) , motif dibiarkan dalam keadaan awal (tanpa manipulasi) 2 Rotate 900 (R90), motif orisinal diputar dengan sudut 900 3 Rotate 1800 (R180), motif orisinal diputar dengan sudut 1800 4 Zooming 200% (Z), konten motif orisinal diperbesar 200% 5 Zooming 200% + rotate 900 (RZ90). Motif orisinal diperbesar 200 % dan diputar dengan sudut 900 6 Zooming 200% + rotate 1800 (RZ180). Motif orisinal diperbesar 200 % dan diputar dengan sudut 900 7 Cropping (C). Motif orisinal di-crop (potong) di bagian tertentu. 8 Cropping 1 (C1). Motif orisinal di-crop (potong) di bagian tertentu, berbeda posisi dari croping poin 7 9 Cropping 2 (C2). Motif orisinal di-crop (potong) di bagian tertentu, berbeda posisi croping dari poin 8. 10 Cropping 3 (C3). Motif orisinal di-crop (potong) di bagian tertentu, berbeda posisi croping dari poin 9. 11 Brigthness 10 poin (B10). Motif orisinal ditambahkan intensitas keterangan dengan 10 poin. 12 Brigthness 15 poin (B15). Motif original ditambahkan intensitas keterangan dengan 15 poin t. 13 Brigthness 20 poin (B20). Motif orisinal ditambahkan intensitas keterangan dengan 20 poin t. Setelah mendapatkan hasil variasi, didapat 13 (tiga belas) citra yang mewakili suatu kelas. Citra motif yang digunakan dapat dilihat pada Lampiran 1 dan 2. Pembagian Data Pembagian data dibagi menjadi dua bagian, yaitu data latih dan data uji. Adapun data uji dalam penelitian ini adalah C, RZ, B15, R180, dan data latih adalah O, R90, Z, RZ180, C1, C2, C3, B10, B20. Dari pembagian data didapat 450 citra latih dan 200 citra uji.
(11) Dengan nilai α = 0.299, β=0.587 dan γ=0.11. Fungsi dari format warna gray ini adalah memudahkan proses selanjutnya karena
Ekstrasi Ciri Citra Motif dengan Wavelet Seluruh citra latih dan citra uji akan diekstrasi dengan mengunnakan Haar Wavelet. Dimensi awal citra motif adalah 512 x 512
6
pixel. Dimensi ini terlalu besar, sehingga direduksi sebanyak 2 level menjadi 128 x 128 pixel. Pada citra motif dilakukan proses transformasi yang akan menghasilkan empat komponen matriks, yaitu komponen diagonal (CD), komponen horizontal (CH), komponen vertikal (CV), dan komponen approximation (CA). Pada komponen-komponen hasil transformasi ini dilakukan proses kuantisasi untuk mengurangi jumlah variasi (redudansi) data pada semua komponen hasil transformasi. Setelah komponen-komponen hasil transformasi dikuatintasi, langkah selanjutnya ialah rekonstruksi wavelet, yakni mengembalikan citra ke bentuk semula dengan ukuran yang berbeda, namun masih membawa ciri yang sama dengan aslinya. Adapun algoritme rekonstruksi adalah sebagai berikut: 1 Membaca komponen matriks hasil transformasi. 2 Melakukan proses dekoding, mengembalikan data yang sebelumnya dikuantisasi saat proses kompresi, yakni mengembalikan komponen-komponen CA, CV, CD dan CH. 3 Melakukan transformasi invers Wavelet transformation terhadap komponenkomponen hasil tahap 2. 4 Proses transformasi linear balik untuk menghasilkan ruang warna sesuai dengan citra semula sehingga diperoleh kembali citra semula dengan sifat lossy.
Klasifikasi dengan Probabilistic Neural Network Pada tahap ini, model probabilistic neural network (PNN) digunakan sebagai pengklasifikasinya. Sebelum melakukan klasifikasi, terlebih dahulu dilakukan proses ekstrasi pada setiap citra motif. Dari proses ekstrasi citra motif, diperoleh masing-masing 600 vektor. Data latih yang akan dijadikan model sebanyak 400 vektor. Setiap vektor dikombinasikan sesuai dengan kelas citra motif. Jumlah kelas target pada penelitian ini adalah 50. Input layer pada model berukuran 4952 x 400 dan decision layer 1 x 400. Perhitungan Akurasi Hasil penelitian akan dihitung dengan menggunakan parameter generalisasi, yakni membandingkan persentasi jumlah image yang dikenal dan keseluruhan image yang ada.
Akurasi = data uji benar klasifikasi x 100 % Jumlah seluruh data latih Lingkungan pengembangan Spesifikasi perangkat keras dan lunak yang digunakan dalam penelitian ini adalah sebagai berikut: Prosesor Intel Pentium dual-core 2.00 GHz. RAM 1.96 GB. Harddisk 360 GB. Windows XP Profesional. Matlab 7.7.0.
HASIL DAN PEMBAHASAN Penelitian ini mengimplementasikan transformasi wavelet Haar 2 level. Citra yang digunakan dalam penelitian ini adalah citra motif dengan 50 kelas. Tiap-tiap kelas memiliki 13 (tiga belas) citra motif yang didapat dari tahap praproses, dengan dimensi citra 512 x 512 pixel dan format JPEG. Praproses Dari hasil variasi data, didapat 650 citra. Satu kelas citra motif terdiri atas13 citra motif, yakni: O, R90, R180, Z, RZ, RZ180, C, C1, C2, C3, B10, B15, dan B20. Ilustrasi variasi citra motif dapat dilihat pada Gambar 9.
Gambar 9 Praproses citra motif Ekstrasi Ciri Wavelet Hasil dari ekstrasi ciri untuk seluruh citra yang ada di dalam data latih adalah sebuah matriks yang berukuran 16384 x 450, karena terdapat 450 buah citra di data latih (O, R90, Z, ZR180, C1, C2, C3, B10, B20). Sedangkan dalam data uji terdapat 49152 x 200 (C, ZR, B15, R180), karena terdapat 200 buah citra di
7
data latih. Setiap citra direpresentasikan oleh sebuah vektor yang memiliki elemen 16,384 x 1. Contoh ekstrasi ciri wavelet Haar level 2 dapat dilihat pada Gambar 10.
Gambar 10 Ekstrasi ciri wavelet level 2 Identifikasi Citra Motif Penelitian ini dilakukan dengan empat data yaitu, data uji Cropping (C), Brightness 15 point (B15) dan Rotate 1800 (R180), data uji Perbesar 200% + Rotate 900 (ZR). Dalam setiap percobaan perbandingan dibagi dengan 70% sebagai kelas data latih, dan 30% sebagai kelas data uji. Data uji dan data latih didekomposisi dengan wavelet Haar level 2. Pengujian dilakukan dengan klasifikasi PNN. Hasil Pengujian Data Uji Cropping (C) dengan klasifikasi PNN Metode klasifikasi yang digunakan adalah PNN. Citra uji Cropping (C) yang telah diekstrasi ciri dipergunakan sebagai basis data pelatihan. Hasil pengujian citra dengan eksrasi ciri wavelet Haar dan klasifikasi PNN dapat dilihat pada Tabel 1. Tabel 1 Hasil pengujian data uji cropping Akurasi Kelas target Kelas output (0/1) 1 20 0 2 21 0 3 20 0 4 31 0 5 21 0 6 6 1 7 7 1 8 8 1 9 9 1 10 10 1 11 11 1 12 12 1 13 43 0 14 43 0
Lanjutan Kelas target
Kelas output
15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 Akurasi rata-rata
15 16 17 18 19 20 21 31 20 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 31 42 43 44 45 46 47 48 49 50
Akurasi (0/1) 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 80
Berdasarkan tabel tersebut maka dapat dilihat bahwa sistem mampu mengidentifikasi 40 citra motif dari 50 citra. Dengan spread 500 pada PNN akurasi yang didapat 80%. Dapat disimpulkan dengan motif yang di-cropping sistem mampu mengindentifikasi citra dengan baik. Hasil Pengujian Data Uji Rotate 1800 (R180) dengan Klasifikasi PNN Metode klasifikasi yang digunakan adalah PNN. Citra latih diputar 1800 (R180)
8
yang telah diekstrasi ciri digunakan sebagai basis data pelatihan. Hasil pengujian citra dengan eksrasi ciri wavelet Haar dan klasifikasi PNN dapat dilihat pada Tabel 2. Tabel 2 Hasil pengujian data uji R180
Kelas target 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
Kelas output 6 2 3 4 5 6 21 8 21 21 11 20 13 14 21 31 17 6 21 39 21 22 23 43 25 26 20 39 29 30 31 32 33 34 35 36 37 38 39 40 41 11 43 43
Akurasi (0/1) 0 1 1 1 1 1 0 1 0 0 1 0 1 1 0 0 1 0 0 0 1 1 1 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0
Lanjutan Kelas target 45 46 47 48 49 50 Akurasi
Kelas output 21 17 34 39 49 31
Akurasi (0/1) 0 0 0 0 1 0 60
Berdasarkan tabel tersebut, dapat dilihat bahwa sistem mampu mengidentifikasi dengan baik 30 (tiga puluh) citra motif dari 50 (lima puluh) citra yang ada. Dengan spread 500 pada PNN akurasi yang didapat 60 %. Dengan kasus ini, dapat disimpulkan sistem mampu mengidentifikasi citra yang posisinya diputar dengan sudut 1800dengan cukup baik. Hasil Pengujian Data Uji Brightness 15 Poin (B15) dengan Klasifikasi PNN Metode klasifikasi yang digunakan adalah PNN. Citra uji diberikan penambahan intensitas keterangan (Brightness) 15 (lima belas) poin (B15) yang telah diekstraksi ciri dipergunakan sebagai basis data pengujian. Hasil pengujian citra dengan ekstraksi ciri wavelet Haar dan klasifikasi PNN dapat dilihat pada Tabel 3. Tabel 3 Hasil pengujian data uji B15 Akurasi Kelas target Kelas output (0/1) 1 1 1 1 2 2 1 3 3 1 4 4 1 5 5 1 6 6 1 7 7 1 8 8 1 9 9 1 10 10 1 11 11 1 12 12 1 13 13 1 14 14 1 15 15 1 16 16 1 17 17 1 18 18 1 19 19
9
Lanjutan Kelas target
Kelas output
20 20 21 21 22 22 23 23 24 24 25 25 26 26 27 27 28 28 29 29 30 30 31 31 32 32 33 33 34 34 35 35 36 36 37 37 38 38 39 39 40 40 41 41 42 42 43 43 44 44 45 45 46 46 47 47 48 48 49 49 50 50 Akurasi rata-rata
Akurasi (0/1) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 100
Berdasarkan tabel tersebut, dapat dilihat bahwa sistem mampu mengidentifikasi dengan baik 50 (lima puluh) citra motif dari 50 (lima puluh) citra yang ada. Dengan spread 500 pada PNN akurasi yang didapat 100 %. Dengan kasus uji ini, dapat disimpulkan bahwa perubahan brightness pada data uji tidak mempengaruhi hasil akurasi yang didapat. Sistem mampu mengidentifikasi data uji dengan sangat baik. Hasil Pengujian Data Uji Perbesar 200% + Rotate 900 (ZR) dengan Klasifikasi PNN Metode klasifikasi yang digunakan adalah PNN. Citra uji Perbesar 200% + Rotate 900 (ZR) yang telah diekstraksi ciri dipergunakan sebagai basis data pelatihan.
Hasil pengujian citra latih ZR dapat dilihat di Tabel 4. Tabel 4 Hasil pengujian ZR
Kelas target
Kelas output
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
1 3 3 4 4 21 43 23 21 21 42 31 43 21 31 43 11 39 31 21 21 21 23 21 43 6 6 20 20 37 31 31 39 31 14 31 21 31 20 21 41 42 43 42 21
Akurasi (0/1) 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0
10
Lanjutan Kelas target
Kelas output
46 47 48 49 50 Akurasi rata-rata
11 47 20 21 21
Akurasi (0/1) 0 1 0 0 0 20
Pada tabel tersebut terlihat penurunan akurasi dibandingkan dengan percobaan kasus sebelumnya. Sistem hanya mampu mengidentifikasi 10 (sepuluh) citra motif sehingga akurasi yang didapat dengan nilai spread 750 (tujuh ratus lima puluh) pada PNN adalah 20%. Dari kasus pengujian ini, dapat disimpulkan perubahan sebaran warna karena variasi citra dapat menurunkan akurasi pengujian. Sistem tidak mampu mengidentifikasi citra uji dengan baik. Perbandingan Akurasi Keempat Jenis Data Uji Dari keempat jenis data latih yaitu data Uji C, R180, B15 dan ZR, akurasi terbaik didapat pada data latih B15, yakni mencapai 100 %. 50 (lima puluh) citra mampu dikenali oleh sistem tepat pada kelas yang sama. Berturut-turut C dan R180, dengan nilai akurasi masing-masing 80 % dan 60 %. Contoh hasil identifikasi data Uji C dan R180 bisa dilihat pada Gambar 11 dan Gambar 12.
Gambar 12
Contoh Hasil Identifikasi Kasus Pengujian R180
Akurasi terendah didapat pada kasus pengujian ZR. Sistem hanya mampu mengindentifikasi 10 (Sepuluh) citra motif dengan akurasi 20 %. Contoh hasil identifikasi ZR bisa dilihat pada Gambar 13 berikut.
Gambar 13 Contoh hasil identifikasi kasus pengujian ZR. Bagan perbandingan keempat pengujian dapat dilihat pada gambar 14. 100 90
Akurasi (%)
80 70 60 50 40 30
Gambar 11 Contoh hasil identifikasi kasus pengujian C
20 10 0 C
ZR
B15
R180
Jenis data uji
Gambar 14 Hasil pengujian data uji
jenis
11
Penggunaan wavelet untuk mengidentifikasi motif dengan kasus uji yang telah dilakukan, mengakibatkan akurasi terendah yang didapat 20 % saja. Ada beberapa hal yang perlu diperhatikan dalam menggunakan metode ini. Seperti pada kasus uji ZR, citra divariasikan dengan membesarkan gambar dan merotasikannya. Sistem tidak mampu mengidentifikasi dengan baik, diakibatkan sistem menganggap perubahan bentuk yang sangat signifikan dari data latih yang ada. Perbandingan Akurasi Pengenalan Kelas Citra Motif Dalam kasus pengujian, ada 3 (tiga) kelas motif yang teridentifikasi sangat baik antara lain kelas: 21, 31 dan 43, kelas-kelas ini teridentifikasi 100 % benar, yakni dengan empat kasus pengujian emua citra teridentifikasi pada kelas yang diharapkan. Gambar 15 menunjukkan citra motif yang teridentifikasi 100% benar.
Gambar 15 Motif yang teridentifikasi 100%.
Berikut kelas-kelas yang teridentifikasi 75 % (3 kasus pengujian benar) antara lain: 3, 4, 6, 8, 11, 17, 23, 25, 26, 29, 30, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 47, 49 (Lampiran 4). Kelas yang 50 % benar klasifikasi (2 kasus pengujian benar) antara lain: 1, 2, 5, 7, 9, 10, 12, 13, 14, 15, 16, 18, 19, 20, 22, 24, 27, 28, 44, 45, 46, 48 dan 50 (Lampiran 5). Keseluruhan pengujian didapat akurasi 65%. Bagan hasil penelitian ini dapat dilihat pada Gambar 16.
100 90 80
akurasi (%)
70 60 50 40 30 20 10 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
Kelas
Gambar 16 Perbandingan akurasi setiap kelas. Analisis Pengaruh Data Motif terhadap Hasil Identifikasi Arah dan bentuk garis dalam sebuah motif mengubah hasil identifikasi. Ini terlihat dalam contoh kelas 15 dan 24, jika dilihat dengan kasat mata mudah untuk menentukan hasil uji masuk ke kelas yang dimaksud, tetapi sistem tidak mampu mengidentifikasinya. Kelas 15 dan 24 bisa dilihat pada Gambar 17.
Gambar 17 Citra Motif Kelas 15 dan 24
12
Dalam kasus uji ZR, pembesaran sekaligus mengubah arah kontur citra akan membuat hasil ekstrasi ciri wavelet tidak mendapatkan komposisi yang baik sehingga akurasi yang didapat sangatlah kecil membuat metode ini kurang akurat dalam membaca sebaran warna. Namun, dalam kasus R180 wavelet mampu memberikan akurasi yang cukup baik. Perlu dipertimbangkan, jika sudut atau arah citra diubah, sistem masih mampu mengidentifikasi dengan cukup baik. Pada kasus uji C, pemotongan beberapa bagian dari citra ternyata masih mampu diidentifikasi oleh sistem. Beberapa ciri yang dibawa ketika proses ekstrasi ternyata masih dapat diklasifikasi dengan baik oleh sistem. Perubahan kecerahan citra dalam hal ini kasus uji B15 sama sekali tidak mempengaruhi keakuratan. Jadi perubahan kecerahan citra sangat ditorelir oleh sistem. Metode ini mampu mengidentifikasi dengan baik citra yang mengalami perubahan itensitas cahaya dengan sangat baik. Perbandingan Akurasi untuk Wavelet Haar Level 2 dan Level 3 Dalam membandingkan akurasi untuk level yang berbeda dari sistem ini, penulis melakukan proses yang sama, namun dengan mengektrasi semua citra uji dan latih dalam 3 level. Hasil akurasi yang didapat tidak terlalu signifikan perbedaannya dengan wavelet Haar level 2. Contoh ekstrasi ciri wavelet Haar level 3 dapat dilihat pada Gambar 18.
Gambar 18 Ekstraksi ciri wavelet level 3 Hasil uji untuk 4 (empat) kasus uji C, ZR, B15, dan R180 didapat akurasi 64%. Perbandingan hasil akurasi dapat dilihat pada Gambar 19.
100 100
100 90 80
78
80 70
60 60
60 50 40 30 20
20
18
10 0 C
ZR
B15
Level 2
Level 3
R180
Gambar 19 Perbandingan akurasi wavelet level 2 dan 3.
KESIMPULAN DAN SARAN Kesimpulan Dari hasil pengujian sistem, dengan 4 (empat) kasus uji coba, identifikasi citra motif menggunakan wavelet dengan klasifikasi probabilistic neural network akurasi yang didapat adalah 65 % untuk wavelet Haar level 2 dan 64% untuk wavelet haar level 3. Namun ada beberapa kelemahan dalam perhitungan akurasi, yakni ketika citra motif mengalami pembesaran dan sekaligus diputar dengan sudut 900 akurasi yang didapat tidak begitu baik hanya 20 %. Hal ini disebabkan vektor ciri dari kelas ZR ini sangat jauh dari semua vektor ciri data latih, sehingga sistem kurang mampu mengidentifikasi kelas dengan kasus ini. Hasil penelitian menunjukkan bahwa motifmotif yang berwarna sederhana dan cenderung dengan corak yang berulang mudah untuk diidentifikasi dan mendapatkan akurasi yang cukup tinggi. Saran Untuk penelitian selanjutnya, dikembangkan untuk hal-hal: 1 Memanfaatkan fitur lain dari citra seperti sebaran warna. 2 Basis wavelet yang digunakan penelitian hanya wavelet Pengembangan selanjutnya dilakukan perbandingan dengan
bisa motif, pada Haar. dapat basis
13
wavelet yang lain seperti Coiflets, Symlets, Bioortogona, dan Daubechies. 3 Perlu dilakukan penelitian untuk perbandingan hasil klasifikasi dengan menggunakan metode klasifikasi yang lain.
DAFTAR PUSTAKA Albanis, Batchelor. 2000. Using probabilistic neural network and rule induction techniques to predict long-term bond ratings. http://staff.city.ac.uk/r.a.batchelor/Bondr aft.pdf [17 Sep 2010]. Cahyaningtias T. 2007. Pengenalan wajah dengan praproses transformasi wavelet [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Darma P. 2010. Pengenalan Citra Digital. Yogyakarta: Andi Offset. Fauset
L. 1994. Fundamental of Neural Networks. New Jersey: Prentice-Hall.
Gusadha AD. 2011. Identifikasi tanaman aglonema dengan klasifikasi probabilistik neural networks [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Gonzales Wood. 1993. Digital Image Processing. Wangshinton: AddisonWesley. Isa SM, Juwita E. 2007. Aplikasi image retrieval berdasarkan tekstur dengan menggunakan transformasi Haar wavelet. Prosiding Seminar Nasional Sistem dan Informatika SNSI 06-039. Bali. Jones C.L, Lonergan G.T., Mainwaring D.E.. 1999. Wavelet Packet Computation of the Hurst Exponent. Swinburne University of Technology. Melbourne. [Kemenkumham] Kementerian Hukum dan Hak Asasi Manusia. 2010. Sekilas tentang HKI http://dgip.go.id/ebscript/ publicportal.cgi?.ucid=376&ctid=4&typ e=0&id=139 [5 Juni 2010].
[Oxford] Oxford Dictionaries. 2012. http://oxforddictionaries.com/definition/ english/motif?q=motif [7 Nov 2012]. Putra ID. 2009. Identifikasi Tanda Tangan Menggunakan Probabilistic Neural Networks (PNN) dengan Praproses Menggunakan Transformasi Wavelet [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Rivai H. 2005. Pengenalan ciri-ciri tekstur kecacatan kain sutera dengan menggunakan metode gaussian markov random field dengan klasifikasi SOM kohonen [skripsi]. Surabaya: Intitut Teknologi Sepuluh November.
14
LAMPIRAN
15
Lampiran 1 Kelas Data Latih Motif Data Latih Kls
1
2
3
Orisinal
rotate 90
perbesar 200 %
perbesar 200 %+270
Brightnes (10point)
Brightnes (20point)
Cropping 1
16
Lampiran 1 Lanjutan
4
5
6
7
17
Lampiran 1 Lanjutan
8
9
10
11
18
Lampiran 1 Lanjutan
12
13
14
15
19
Lampiran 1 Lanjutan
16
17
18
19
20
Lampiran 1 Lanjutan
20
21
22
23
21
Lampiran 1 Lanjutan
24
25
26
27
22
Lampiran 1 Lanjutan
28
29
30
31
23
Lampiran 1 Lanjutan
32
33
34
35
24
Lampiran 1 Lanjutan
36
37
38
39
25
Lampiran 1 Lanjutan
40
41
42
43
26
Lampiran 1 Lanjutan
44
45
46
47
27
Lampiran 1 Lanjutan
48
49
50
28
Lampiran 2 Kelas Data Uji Motif Kls
1
2
3
4
5
6
Cropping
Perbesar 200 % + Rotate 900
Brightness 15 point
Rotate 1800
29 Lampiran 2 Lanjutan
7
8
9
10
11
12
30 Lampiran 2 Lanjutan
13
14
15
16
17
18
31 Lampiran 2 Lanjutan
19
20
21
22
23
24
32 Lampiran 2 Lanjutan
25
26
27
28
29
30
33 Lampiran 2 Lanjutan
31
32
33
34
35
36
34 Lampiran 2 Lanjutan
37
38
39
40
41
42
35 Lampiran 2 Lanjutan
43
44
45
46
47
48
36 Lampiran 2 Lanjutan
49
50
37
Lampiran 3 Hasil Pengujian Citra Motif Akurasi 100 %
21
31
43
Lampiran 4 Hasil Pengujian Citra Motif Akurasi 75 % 3
4
6
8
11
17
23
26
29
30
25 32
38 Lampiran 4 Lanjutan 33
37
34
38
35
36
39
41
42
47
49 40
39
Lampiran 5 Hasil Pengujian Citra Motif Akurasi 50 % 1
12
19
13
20
14
22
15
24
2
5
7
16 9
10
27
18
28
40 Lampiran 5 Lanjutan 44
46 50
45
48
41
Lampiran 6 Pemodelan pengujian identifikasi motif dengan sistem
