Journal of Control and Network Systems

JCONES Vol. 4, No. 1 (2015) 22-30

Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone

ANALISIS FITUR CITRA PRASASTI LOGAM MENGGUNAKAN METODE GRAY LEVEL RUN LENGTH MATRIKS I Kadek Dedi Setiawan 1) Susijanto Tri Rasmana 2) Madha Christian Wibowo3) Program Studi/Jurusan Sistem Komputer STMIK STIKOM Surabaya Jl. Raya Kedung Baruk 98 Surabaya, 60298 Email: 1) [email protected], 2)[email protected], 3) [email protected]

Abstract: East java is a center of Majapahit kingdom, who has many inscription. One of them is Adan-adan inscription. It was kept in Mpu Tantular museum. The prehistorical of the inscription was filled with Javanese ancient writing. It finded on few centimeters under land surfaces, because of it many inscription had finded realized broken like rusty on the copper plate line and many of letter scratch then in the others part was lid by rusty, so make the information deliver of the inscription less. The inscription realize texture feature changing on the scratch from Adan-adan plate. This research purpose to classified scratch fiture and inscription plate based on GLRLM feature extract used SVM method in order to differentiate kind of inscription between scratch and brown patina plate and green patina. For decide accuration level in the scratch and brown patina plate and green. It used for SVM classified based on GLRLM feature extract. From GLRLM extract feature trial obtain feature value from the scratch and brown and green patina plate. When feature value from the scratch and brown and green patina plate get different feature, so the scratch and plate can classified. SVM classification based on GLRLM feature extract from scratch get maximum accuration level reached 73,33% and inscription plate get maximum accuration level reached 79,17%. Keyword: Adan-adan inscription, GLRLM, SVM. Jawa Timur merupakan pusat dari Kerajaan Majapahit yang memiliki banyak prasasti, salah satunya adalah prasasti Adan-adan yang tersimpan di Museum Mpu Tantular. Prasasti bersejarah ini berisi tulisan jawa kuno. Prasasti ini ditemukan beberapa sentimeter di bawah permukaan tanah, oleh karena itu kebanyakan prasasti yang ditemukan mengalami kerusakan seperti karatan (patina) pada lapisan lempeng tembaga dan banyaknya guratan huruf serta bagian lainnya yang tertutup patina, prasasti ini juga memiliki nilai sejarah yang tinggi sehingga prasasti ini tidak bisa diperbaiki secara fisik karena bisa menghilangkan nilai sejarahnya. Agar tidak menghilangkan nilai sejarah pada prasasti tersebut maka dilakukan perbaikan melalui gambar atau citra, Akan tetapi dalam perbaikan melalui gambar sering terjadi permasalahan pada citra yaitu penurunan mutu, seperti terdapat noise dan blur. Karena

permasalahan tersebut menyebabkan penyampaian informasi terhadap citra menjadi kurang. Oleh karena itulah diperlukan pengolahan citra. Dalam perkembangan pengolahan citra saat ini dapat dimanfaatkan guna mencari perubahan tekstur citra prasasti yang mengalami patina hijau dan coklat, dimana citra prasasti mengalami perubahan fitur tekstur citra terlihat pada setiap guratan tulisan aksara kuno dari citra lempeng prasasti Adan-adan. Oleh karena itu, dilakukan proses klasifikasi fitur terhadap fitur citra guratan dan fitur citra lempeng berpatina coklat dan hijau tersebut. Penelitian yang berkaitan dengan klasifikasi fitur GLRLM telah dilakukan oleh A.Padma dan R. Sukanesh yaitu melakukan perbandingan berdasarkan ekstraksi fitur tekstur GLRLM, GLCM, dan Wavelet Co-occourence dengan menggunakan metode SVM merupakan

I Kadek Dedi Setiawan, Susijanto Tri Rasmana, Madha Christian Wibowo JCONES Vol 4, No 1 (2015) Hal: 22

salah satu cara untuk mendapatkan fitur statistik orde tinggi dan mendapatkan tingkat akurasi yang baik. Nilai statistik GLRLM dapat menunjukkan tingkat kekasaran dari suatu fitur tekstur pada arah atau jarak tertentu dan juga dapat digunakan untuk membedakan fitur tekstur halus dan fitur tekstur kasar. Berdasarkan penelitian dari A. Padma dan R. Sukanesh yang telah melakukan klasifikasi terhadap SVM menggunakan ekstraksi fitur GLRLM merupakan inovasi dalam melakukan penelitian klasifikasi terhadap SVM menggunakan ekstraksi fitur tekstur GLRLM dengan objek prasasti. maka dari itu, dalam penelitian ini akan membuat aplikasi ekstraksi fitur dengan metode GLRLM bertujuan untuk mengklasifikasikan dan menganalisa citra prasasti logam antara guratan dan lempeng patina coklat serta guratan dan lempeng patina hijau serta mengukur AUC dan tingkat akurasi pada klasifikasi citra prasasti berdasarkan ekstraksi fitur tekstur GLRLM dengan menggunakan metode klasifikasi SVM.

selanjutnya dilakukan sebuah perancangan sistem yang terdiri dari perancangan dan pembuatan perangkat lunak (software) yang nantinya digunakan sebagai sistem yang mampu memproses data-data citra atau gambar prasasti logam dengan menggunakan metode Gray Level Run Length Matrix(GLRLM) dan dilakukan ekstraksi fitur GLRLM yang bertujuan untuk mengidentifikasi nilai statistik yang berasosiasi (berhubungan) dengan ciri dari objek di dalam citra, cara kerja ekstraksi fitur GLRLM dengan mengamati pola ketergantungan antar piksel dalam suatu ruang yang sama, dimana ruang tersebut memiliki batas sesuai dengan piksel dari citra. Agar lebih jelasnya blok diagram keseluruhan sistem Gambar 1.

Tujuan Tujuan

yang diharapkan dari perancangan perangkat lunak ini adalah membuat aplikasi ekstraksi fitur untuk mendapatkan nilai statistik run length pada citra prasasti logam Adan-adan serta mengukur AUC dan tingkat akurasi pada klasifikasi citra prasasti berdasarkan ekstraksi fitur tekstur GLRLM dengan menggunakan metode SVM.

METODE PENELITIAN Metode penelitian yang digunakan dalam perancangan sistem ini adalah studi kepustakaan dan meninjau tempat prasasti logam Adan-Adan disimpan dimana dengan upaya ini penulis berusaha mendapatkan dan mengumpulkan sumber informasi berupa datadata literatur, metode-metode implementasi sistem dan informasi dari internet serta wawancara secara lisan untuk mendapatkan informasi konsep-konsep dasar teoritis yang sesuai dari permasalahan penelitian.

Gambar 1. Blok diagram keseluruhan sistem


Blok diagram pada Gambar 1 adalah blok diagram sistem secara keseluruhan. Sistem ini terdiri dari beberapa tahapan proses. Proses pertama, pengumpulan data-data citra dengan cara digitalisasi citra langsung dari prasasti aslinya dengan di foto menggunakan kamera digital. Format foto hasil dari digitalisasi citra berupa format JPEG (Joint Photographic Expert Group) atau (.jpg) dan tingkat intensitas citra 24 bit, kemudian dipilih daerah uji atau ROI (Region of Interest), Daerah uji yang dipilih terdiri dari 2 bagian yaitu citra guratan dan lempeng dari prasasti patina hijau dan coklat, setiap guratan dari huruf dan setiap lempeng dari citra prasasti di-crop dengan ukuran 25 × 25 piksel secara manual sebanyak masing-masing 200 citra. Proses kedua, citra yang di-crop di konversi menjadi format citra keabuan (grayscale) dengan tingkat keabu-abuan 8 bit. Proses ketiga, masing-masing ROI yang didapat, akan menghasilkan GLRLM untuk ke-empat arah, yakni 0 derajat, 45 derajat, 90 derajat, dan 135 derajat, hasil dari masing-masing GLRLM diekstraksi 7 fitur tekstur, yakni Short Run Emphasis (SRE), Long Run Emphasis (LRE), Gray Level Non-uniformity (GLN), Run Percentage (RP), Run Length Non-uniformity (RLN), Low Gray Level Run Emphasis (LGRE), High Gray Level Run Emphasis (HGRE). Sebanyak 7 × 4 fitur yang diekstrak dari 4 GLRLM.

Citra prasasti patina coklat dan prasasti patina hijau ini terdapat bagian guratan atau goresan yang terukir dalam lempeng prasasti. Masingmasing Citra prasasti patina coklat dan prasasti patina hijau ini dibagi menjadi 10 citra dan dicrop dengan ukuran 25 × 25 piksel sebanyak 20 citra dari masing-masing guratan dan lempeng. Citra yang di-crop ini merupakan input yang digunakan untuk mengklasifikasi data prasasti. Data prasasti terbagi menjadi 4 bagian yaitu citra guratan patina coklat sebanyak 200 ROI, citra lempeng patina coklat sebanyak 200 ROI, citra guratan patina hijau sebanyak 200 ROI dan citra lempeng patina hijau sebanyak 200 ROI. Data dari 4 bagian citra guratan dan citra lempeng tersebut akan dikelompokkan menjadi 2 bagian yaitu 2 bagian berpatina coklat dan 2 bagian berpatina hijau.

ROI Region Of Interest (ROI) merupakan salah satu fitur yang memungkinkan dilakukannya seleksi citra secara berbeda pada area tertentu dari citra digital. , sehingga mempunyai kualitas yang lebih baik dari area sekitarnya. Piksel memiliki nilai intensitas tertinggi dalam seleksi citra, kemudian piksel dibandingkan dengan piksel tetangga. Berikut bagian ROI pada prasasti.

Perancangan Perangkat Lunak

Data Data yang digunakan dalam mengklasifikasikan jenis prasasti logam ini adalah citra guratan dan citra lempeng dari citra prasasti logam Adan-Adan dalam bentuk citra RGB. Data yang digunakan terdiri dari citra guratan patina coklat, lempeng patina coklat, citra guratan patina hijau dan citra lempeng patina hijau. Data awal adalah berupa data prasasti asli yang dipindai dan disimpan dalam format jpg.

(a) (b) Gambar 2. (a) prasasti patina coklat dan (b) prasasti patina hijau.

(a)

(b)

(c) (d) Gambar 3. (a) ROI citra guratan 40, (b) ROI citra guratan 80, (c) ROI citra lempeng 40, dan (d)ROI citra lempeng 80 Data citra ROI tersebut berjumlah 200 citra guratan patina coklat, 200 citra lempeng patina coklat, 200 citra guratan patina hijau, dan 200 citra lempeng patina hijau. Berikut diagram alir pemilihan data citra dapat dilihat pada Gambar 4


Gambar 5. Diagram alir konversi citra Gambar 4. Pemilihan data citra

GLRLM

Konversi Citra Pada tahap konversi citra ini dimulai dengan memilih tekstur citra guratan dan lempeng yang berpatina coklat dan hijau yang akan diklasifikasi, citra masukkan yang berupa RGB 24 bit dikonversi menjadi citra keabuabuan (grayscale) yang memiliki intensitas kecerahan 8 bit atau nilai keabu-abuan yang berkisar antara 0 sampai 255. Berikut rumus mencari nilai RGB dan nilai Grayscale. R = ((Pixels(X, Y) And &HFF0000) / &H10000) Mod &H100 G = ((Pixels(X, Y) And &H00FF00) / &H100) Mod &H100 B = (Pixels(X, Y) And &H00FF00) Mod &H100

Grayscale = R + G + B 3 Hasil konversi citra keabu-abuan ditampilkan dalam bentuk ukuran dari citra masukkan awalnya dengan ukuran 25 × 25 piksel dan masing-masing piksel memiliki nilai keabuabuan, dimana nilai keabu-abuan tiap pikselnya tidak melebihi dari batas 0 sampai 255. Nilai keabu-abuan ini akan menjadi masukkan pada proses esktraksi fitur GLRLM. Diagram alir konversi citra ini dapat dilihat pada Gambar 5.

Tahap ini merupakan kelanjutan dari konversi citra. hasil dari konversi citra yang didapat akan dikonversi ke dalam bentuk matriks guna mengambil nilai matriks yang dibutuhkan sebagai variabel dalam perhitungan GLRLM. Matrik dari inputan piksel citra dan derajat keabuan dapat dilihat pada Gambar 6.

0

1

2

3

0

2

3

3

2

1

1

1

3

0

3

0

(a) (b) Gambar 6. (a) inputan piksel citra () derajat keabuan. Dari nilai yang telah diperoleh akan dilakukan proses GLRLM dengan sudut atau arah pergeseran. Proses ini akan menghasilkan nilai p(i,j | Ө) yang akan digunakan untuk menghitung dan mendapatkan nilai fitur dari citra untuk masing-masing atribut. Sudut arah pergeseran dapat dilihat pada Gambar 7.


Pada Gambar 8. Merupakan diagram alir GLRLM yang dengan proses awal dari citra grayscale dalam bentuk matriks dan selanjutnya diekstraksi berdasarkan empat orientasi sudut pergeseran atau pencarían piksel tetangga. Ekstraksi fitur GLRLM Ekstraksi fitur merupakan tahapan untuk memunculkan ciri atau mereduksi dimensi citra dari dimensi tinggi menjadi dimensi yang rendah dan pada ekstraksi fitur GLRLM memiliki 7 atribut yaitu SRE, LRE, GLN, RP, RLN, LGRE, HGRE. Gambar 7. Empat

orientasi sudut pencarian piksel tetangga.

GLRLM menggunakan empat orientasi sudut pencarian piksel tetangga dengan membandingkan kesamaan derajat keabuan piksel(Nurtanio,2013). Mengenai tahap ini dapat dijabarkan pada diagram alir GLRLM, seperti yang terlihat pada Gambar 8.

1 nr

SRE = 1 LRE = nr 𝐺𝐿𝑁 =

1 𝑛𝑟

𝑅𝑃 = 𝑅𝐿𝑁 =

1 𝑛𝑟

𝐿𝐺𝑅𝐸 =

N

i=0 j=0 M N

p i, j j2

p i, j ∗ j2 i=0 j=0 𝑀 𝑁

𝑝 𝑖, 𝑗 𝑖=0 𝑀 𝑖=0 𝑁

𝑗 =0

1 𝑛𝑟

2

𝑗 =0

𝑛𝑟 𝑁 𝑗 =0 𝑝 𝑀

𝑖, 𝑗 ∗ 𝑗

𝑝 𝑖, 𝑗

1 𝐻𝐺𝑅𝐸 = 𝑛𝑟

Gambar 8. Diagram alir GLRLM

M

𝑖=0 𝑀 𝑁

𝑖=0 𝑗 =0 𝑀 𝑁

2

𝑝 𝑖, 𝑗 𝑖2

𝑝 𝑖, 𝑗 ∗ 𝑖 2 𝑖=0 𝑗 =0

atribut GLRLM tersebut digunakan untuk mengukur distribusi run yang pendek, mengukur distribusi run yang panjang, mengukur kesamaan nilai tingkat keabuan seluruh citra, mengukur homogenitas dan distribusi runs dari sebuah citra, mengukur kesamaan panjang dari runs di seluruh citra, mengukur distribusi dari nilai tingkat keabuan rendah (low gray level values), dan mengukur distribusi dari nilai tingkat keabuan tinggi(Galloway). Berikut diagram alir dari Ekstraksi fitur GLRLM dapat dilihat pada Gambar 9.


akan digunakan adalah data guratan dan lempeng patina coklat serta hijau. PENGUJIAN SISTEM Dalam hal ini pengujian sistem dilakukan mulai dari awal proses yaitu : proses pemilihan data, seleksi ROI, konversi citra, GLRLM, ekstraksi fitur GLRLM hingga proses klasifikasi Support Vektor Machine untuk mendapatkan hasil klasfikasi pada citra guratan dan lempeng patina coklat serta hijau.

HASIL PENGUJIAN Proses evaluasi secara keseluruhan sistem telah dibuat. Pengujian sistem dari beberapa proses diatas dimulai dari awal proses yaitu pemilihan data citra dan seleksi ROI, dimana dalam pemilihan data dan seleksi ROI ini pengujian terhadap 200 citra guratan patina coklat, 200 citra lempeng patina coklat, 200 citra guratan patina hijau, dan 200 citra lempeng patina hijau.

Gambar 9. Ekstraksi fitur GLRLM Dilihat dari Gambar 9 merupakan diagram alir dari ekstraksi fitur GLRLM yang diperoleh dari hasil GLRLM, dimana r(i) difungsikan sebagai jumlah piksel berurutan berdasarkan nilai derajat keabuan, g(j) difungsikan sebagai jumlah piksel berurutan berdasarkan nilai derajat keabuan dan nr didefinisikan sebagai hasil dari jumlah baris dikalikan dengan jumlah kolom.

Klasifikasi Machine)

SVM

(Support

Proses selanjutnya konversi citra dari citra RGB tersebut di konversi dalam bentuk grayscale, dimana nilai grayscale yang di hasilkan berupa matriks dan akan dilanjutkan dalam proses GLRLM. Pada GLRLM dilakukan proses GLRLM berdasarkan empat orientasi sudut pergeseran yaitu 0 derajat, 45 derajat, 90 derajat dan 135 derajat sehingga menghasilkan matriks GLRLM dan kemudian diekstraksi dalam 7 fitur atau atribut yang terdapat pada GLRLM. Pada hasil pengujian terhadap Ekstraksi fitur GLRLM pada citra guratan dan lempeng patina coklat serta hijau berdasarkan atribut dari GLRLM dan keseluruhan sistem dapat berjalan dengan baik dan lancar.

Vector

Klasifikasi SVM merupakan metode klasifikasi yang bertujuan untuk merancang cara komputerisasi yang efisien dalam mencari hyperplane(batas keputusan) terbaik yang berfungsi untuk pemisah antara dua buah kelas data pada ruang fitur dimensi tinggi(Prasetyo, 2012). Dalam klasifikasi SVM penulis menggunakan software matlab 7.0 dan data yang I Kadek Dedi Setiawan, Susijanto Tri Rasmana, Madha Christian Wibowo JCONES Vol 4, No 1 (2015) Hal: 27

TABEL PENGUJIAN GLRLM Tabel 1. Hasil pengujian ekstraksi fitur terhadap citra guratan berdasarkan atribut SER, LRE, GLN.

No Sudut SRE 0 0 1 0.950578 0 90 0.9272 0 45 0.986978 0 135 0.9496 0 0 2 0.924533 0 90 0.925378 0 45 0.9916 0 135 0.9832 0 0 3 0.933778 0 90 0.940356 0 45 0.961778 0 135 0.958978 0 0 4 0.9328 0 90 0.911378 0 45 0.9804 0 135 0.947778 0 0 5 0.9608 0 90 0.950578 0 45 0.9776 0 135 0.9804

LRE 1.0608 1.0832 1.0192 1.0576 1.0992 1.0896 1.0096 1.0192 1.08 1.0768 1.048 1.0512 1.0768 1.1056 1.0224 1.064 1.0448 1.0608 1.0256 1.0224

GLN 5.4928 5.2656 5.6864 5.4512 7.6944 7.7472 8.432 8.3632 5.6272 5.624 5.832 5.8496 7.0864 6.792 7.5104 7.152 6.8944 6.8432 7.1056 7.0912

Pada tabel 1 dapat dilihat hasil pengujian terhadap citra guratan patina coklat berdasarkan atribut SRE, LRE, dan GLN, dimana nilai pada atribut SRE, LRE, dan GLN berbeda-beda akan tetapi perbedaanya tidak jauh. Dari tabel tersebut dapat diuraikan ke dalam bentuk grafik seperti Gambar 10.

Gambar 10. Grafik scatter dari citra guratan patina coklat berdasarkan atribut SER, LRE, GLN Pada Gambar 10 merupakan grafik scatter dari fitur-fitur GLRLM guratan dan lempeng patina coklat. grafik tersebut diperoleh dari nilai-nilai pada pengujian ekstraksi fitur GLRLM, dimana nilai-nilai pada ekstraksi fitur GLRLM memiliki nilai yang hampir sama pada masing-masing atribut dan masing-masing jenis prasasti sehingga mengalami tumpang tindih antara nilai yang satu dengan yang lainnya. Nilai tersebut sebagai Indikasi dari pembagian batas antara guratan dan lempeng yang tidak linear. Nilai fitur antara guratan dan lempeng patina coklat memiliki perbedaan nilai maksimum dan minimum. Nilai fitur minimum dan maksimum antara guratan dan lempeng patina coklat menggunakan metode GLRLM dapat dilihat pada Tabel 2. Tabel 2 Nilai fitur minimum dan maksimum antara guratan dan lempeng patina coklat menggunakan metode GLRLM Atribut SRE LRE GLN RP RLN LGRE HGRE

Guratan Min Max 0.7605 1 1 1.3648 3.7696 12.986 0.0051 0.0106 342.93 625 0.00002402 0.00025218 10640 39309

Lempeng Min Max 0.7 0.92 1 1.5344 4.3184 26.93 0.0048 0.0112 288.36 562 0.00002236 0.000195 8885 43811


Dilihat dari Tabel 2, nilai fitur minimum dan maksimum antara guratan dan lempeng patina coklat pada keseluruhan atribut memiliki nilai yang berbeda-beda, sebagai contoh dari atribut SRE untuk jenis prasasti guratan memiliki nilai min 0.7605 dan nilai maks 1 dan untuk jenis prasasti lempeng memiliki nilai min 0.7 dan nilai maks 0.92, sehingga dapat disimpulkan bahwa memungkinkan untuk melakukan klasifikasi antara guratan dan lempeng patina coklat. PENGUJIAN SVM Dari pengujian ekstraksi fitur GLRLM memperoleh nilai fitur minimum dan maksimum antara guratan dan lempeng patina coklat, sehingga memungkinkan untuk melakukan klasifikasi guratan dan lempeng patina coklat serta hijau. Tabel 3 Hasil klasifikasi SVM citra Prasasti AUC Citra Prasasti

Akurasi

Min

Maks

Min

Maks

0.7273

0.8284

64.38%

73.33%

0.8068

0.8932

70.00%

79.17%

Guratan dan lempeng patina coklat Guratan dan lempeng patina hijau

Tabel 3 merupakan nilai AUC dari citra guratan dan lempeng yang patina coklat dengan nilai minimal 0.7273 hingga mencapai nilai maksimal 0.8284 serta memiliki tingkat akurasi dengan nilai minimal 64.38 % hingga mencapai nilai maksimal 73.33 %. Nilai AUC dan tingkat akurasi yang diperoleh tersebut dapat disimpulkan bahwa pada klasifikasi SVM berdasarkan ekstraksi fitur GLRLM dari guratan dan lempeng yang patina coklat berada pada level klasifikasi tingkat akurasi pada AUC yang baik. Begitu pula dengan nilai AUC yang diperoleh dari citra guratan dan lempeng yang patina hijau dengan nilai minimal 0.8068 hingga mencapai nilai maksimal 0.8932 serta memiliki tingkat akurasi dengan nilai minimal 70.00 % hingga mencapai nilai maksimal 79.17 %. Nilai AUC dan tingkat akurasi yang diperoleh tersebut dapat disimpulkan bahwa pada klasifikasi SVM berdasarkan ekstraksi fitur GLRLM dari guratan dan lempeng yang patina hijau berada pada level

klasifikasi tingkat akurasi memperoleh hasil yang baik.

pada

AUC

KESIMPULAN Berdasarkan hasil evaluasi yang telah dilakukan terhadap ekstraksi fitur GLRLM, sehingga dapat ditentukan pengklasifikasian jenis prasasti sesuai dengan nilai fitur dengan menggunakan metode GLRLM, dapat disimpulkan bahwa Tugas Akhir ini telah sesuai dengan tujuan awal. Berikut adalah beberapa poin kesimpulan dari pengerjaan tugas akhir ini: 1. Pada pembuatan aplikasi ekstraksi fitur dengan metode GLRLM diperlukan beberapa tahap proses yaitu pemilihan citra, konversi citra dari RGB menjadi citra grayscale, ekstraksi GLRLM, dan ekstraksi fitur. Dalam proses ekstraksi fitur dilakukan perhitungan nilai-nilai atribut SRE, LRE, GLN, RP, RLN, LGRE, dan HGRE berdasarkan ekstraksi GLRLM empat arah pergeseran sudut. Nilai fitur yang dihasilkan pada ekstraksi fitur tidak jauh berbeda dengan guratan dan lempeng patina coklat serta patina hijau memiliki nilai yang hampir sama pada masing-masing atribut dan masing-masing jenis prasasti sehingga mengalami tumpang tindih antara nilai yang satu dengan yang lainnya. Nilai tersebut sebagai Indikasi dari pembagian batas antara guratan dan lempeng yang tidak linear. Dalam pembagian batas tersebut antara guratan dan lempeng patina coklat maupun hijau memiliki nilai minimum dan maksimum yang berbeda beda, atribut SRE pada guratan memperoleh nilai minimum 0.848189 dan nilai maksimum 1 dan pada lempeng memperoleh nilai minimum 0.821489 dan nilai maksimum 0.9972 serta atribut LRE pada guratan memperoleh nilai minimum 1 dan nilai maksimum 1.2528 dan pada lempeng memperoleh nilai minimum 1.0032 dan nilai maksimum 1.2496. dari perbedaan tersebut sehingga guratan dan lempeng patina coklat maupun guratan dan lempeng patina hijau dapat dibedakan dan memungkinkan untuk melakukan klasifikasi antara guratan dan lempeng patina coklat serta guratan dan lempeng patina hijau. 2.

Klasifikasi SVM berdasarkan ekstraksi fitur GLRLM pada citra guratan dan lempeng yang berpatina coklat memperoleh nilai I Kadek Dedi Setiawan, Susijanto Tri Rasmana, Madha Christian Wibowo JCONES Vol 4, No 1 (2015) Hal: 29

AUC mencapai 0.8284 dan tingkat akurasi dari AUC 73.33% dan pada citra guratan dan lempeng yang berpatina hijau memperoleh nilai AUC mencapai 0.8932 dan tingkat akurasi dari AUC 79.17%, batas nilai AUC maksimum adalah 1 sehingga dalam hal ini dapat disimpulkan bahwa evaluasi kinerja untuk klasifikasi SVM berdasarkan ekstraksi fitur GLRLM merupakan hasil yang baik untuk AUC dengan nilai 0.8284 dan 0.8932.

SARAN Agar pada penelitian selanjutnya alat ini dapat dikembangkan lebih sempurna, maka penulis memberikan saran: 1.

2.

3.

Ekstraksi fitur memiliki berbagai macam jenis antara lain First Order statistics texture (FO), Gray Level Co-occurrence matrix (GLCM), Wavelet Co-occurrence Texture (WCT), Gray Level Run Length Matrix (GLRLM), Dominant Gray Level Run Length Matrix (DGLRLM) dan lainlain. penelitian terhadap prasasti logam ini sudah pernah dilakukan penelitian menggunakan metode FO dan dalam penelitian ini untuk mengklasifikasi dan menganalisa fitur citra prasasti logam yang digunakan adalah metode GLRLM sehingga untuk penelitian selanjutnya diharapkan dapat mengklasifikasi dan menganalisa fitur citra prasasti logam dengan menggunakan metode yang GLCM, WCT, dan DGLRLM. Dari jenis-jenis ekstraksi fitur yang ada, diharapkan penelitian berikutnya dapat melakukan pengembangan dengan mengkaji hasil ekstraksi fitur dengan metode FO, GLCM, WCT, GLRLM, dan DGLRLM pada citra prasasti Adan-adan, agar nantinya bisa diketahui metode mana yang menghasilkan nilai optimal pada citra prasasti logam. Hasil ekstraksi fitur pada penelitian ini digunakan untuk mengklasifikasikan dan menganalisa guratan dan lempeng patina coklat serta guratan dan lempeng patina hijau secara perhitungan statistikal. untuk penelitian selanjutnya diharapkan dapat mengklasifikasikan guratan dan lempeng patina coklat serta guratan dan lempeng patina hijau secara pencitraan yang nyata dan dalam penelitian selanjutnya diharapkan

dapat mengartikan huruf-huruf terdapat pada prasasti logam.

yang

DAFTAR PUSTAKA Rasmana, Susijanto.T., Suprapto.Yoyon.K, Purnama, Ketut.E. 2014. Accient Copper Inscription Image Classification Based on First Order Texture Feature Extraction Using SVM, (SITIA) Seminar on Intelligent Technology and It’s Applications. hlm. 106-109. Nurtanio, Inggrid, Astuti, E.R.,Purnama, I.K.E., Hariadi, M., Purnomo, M. H., Classifying Cyst and Tumor Lesion Using Support Vector Machine Based on Dental Panoramic Images Texture Feature, IAENG International Journal of Computer Science, Vol. 40, No.1, Feb 2013. Prasetyo, Eko. 2012, data Mining-Konsep dan Aplikasi Menggunakan Mablab, Yogyakarta: C.V.ANDI. Galloway, Mary.M. 1975. Texture Analysis Using Gray Level Run Length Matriks. Computer Science Center ;University of Maryland. Padma, A., Sukanesh, R., Automatic Classification and Segmentation of Brain Tumor in CT Images using Optimal Dominant Gray Level Run Length Texture Feature, (IJASA)International Journal of Advance Computer Science and Aplication, Vol.2, No.10, 2011.


Journal of Control and Network Systems

Recommend Documents