KLASIFIKASI BATIK MENGGUNAKAN KNN BERBASIS WAVELET

Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016

ISSN: 2089-9815

KLASIFIKASI BATIK MENGGUNAKAN KNN BERBASIS WAVELET 1,2

Ignatia Dhian E.K.R.1, Kristian Adi Nugraha2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Duta Wacana Jl. Dr. Wahidin Sudirohusodo 5-25 Yogyakarta 55224 Telp: (0274) 563929 E-mail: [email protected], [email protected]

ABSTRAKS Batik merupakan kekayaan budaya Indonesia yang perlu dilestarikan. Beberapa motif batik sangat bervariasi dan sudah banyak macam hasil modifikasinya. Generasi penerus perlu memperoleh informasi mengenai jenisjenis batik beserta dengan motif-motif yang begitu banyak dan beraneka ragam. Penelitian ini akan melakukan klasifikasi batik menggunakan K-Nearest Neighbor untuk empat kelas jenis batik yaitu Ceplok, Parang, Semen, dan Nitik. Proses klasifikasi diawali dengan melakukan transformasi wavelet Daubechies level 4 (DB-4) dan Gabor terhadap citra awal. Hasil dari transformasi akan dijadikan sebagai ciri atau inti citra yang akan dibandingkan untuk menunjukkan kelas dari citra tersebut. Materi penelitian berupa dataset motif Batik dari sumber pustaka tentang motif Batik. Sedangkan untuk pengukuran kinerja sistem menggunakan data uji motifmotif batik yang diambil dari sumber yang sama yang belum dimasukkan ke dalam dataset. Jumlah data penelitian adalah 200 citra dengan masing-masing 50 citra untuk tiap motif. Pengujian dilakukan dengan menghitung keakuratan proses klasifikasi dari jumlah data latih dibandingkan dengan jumlah total data uji. Sedangkan nilai similaritas dihitung dengan menggunakan nilai RMSE (Root Mean Square Error) terhadap beberapa parameter hasil transformasi seperti nilai asli, local descriptor, mean, dan standar deviasi dari hasil transformasi. Dari hasil pengujian menunjukkan bahwa Daubechies memberikan performa yang lebih baik dengan tingkat akurasi maksimal mencapai 100% dibandingkan dengan Gabor yang hanya memberikan nilai maksimal 54,67%. Kata Kunci: Batik, Daubechies wavelet, Gabor wavelet, KNN 2005), (Mouine, Yahiaoui, & Verroust-Blondet, 2013), (Kamavisdar, Saluja, & Agrawal, 2013). Fitur warna yang bisa dipakai dalam proses klasifikasi antara lain: local statisctical color moment(Malik & Baharudin, 2012), komponen HSV(Hue, Saturation, Value) dan kontras warna (Moertini & Sitohang, 2005), color histogram(Kumar & Saravanan, 2013), (Birgale, Kokare, & Doye, 2006), atau color coherent vector(Kodituwakku & Selvajarah, 2004). Fitur bentuk yang bisa dipakai antara lain: Multiscale Triangular Representation (Mouine, Yahiaoui, & Verroust-Blondet, 2013), Compactness (Achard, Devars, & Lacassagne, 2000), dan Invariant moment (Jain, Sharma, & Sairam, 2013). Fitur tekstur bisa dilakukan dengan menggunakan energy dari hasil proses standar wavelet (Birgale, Kokare, & Doye, 2006), ataupun entropy (Khan, Kumar, & Gupta, 2011). Selain fitur warna dan bentuk beberapa penelitian juga menggunakan hasil transformasi wavelet untuk proses klasifikasi maupun pengenalan citra lainnya {(Zhang and Ma 2007), (Kishore, et al. 2014), (Hartanto, Isnanto and Hidayatno 2010)}. Pada tahun 2014 penulis dan tim telah melakukan penelitian untuk mengklasifikasi motif batik Yogyakarta ke dalam empat kelas pilihan, yaitu: ceplok, parang, semen dan nitik (Hapsari, Haryono, & Nugraha, 2014). Pada penelitian tersebut penulis dan tim mengambil beberapa fitur dari citra secara global yang meliputi warna, bentuk dan tekstur. Penelitian yang kami usulkan saat ini

1. PENDAHULUAN 1.1 Latar Belakang Dalam dunia batik terdapat fenomena yang sama dan dapat diamati. Batik selain sebagai pakaian biasa dalam pemakaian sehari-hari batik juga memiliki peran tradisional yang sangat penting di masyarakat Jawa karena batik memiliki kelompokkelompok pola yang digunakan sebagai simbol dan nilai-nilai budaya untuk peristiwa-peristiwa besar dalam kehidupan seperti kelahiran, pernikahan dan kematian (Nuryanti dan Minarti, 2008). Beberapa motif batik sangat bervariasi dan sudah banyak macam hasil modifikasinya. Salah satu cara melestarikan adalah dengan mempertahankan ciri khusus dari motif batik tradisional di berbagai daerah. Generasi penerus perlu mendapatkan informasi mengenai jenis-jenis batik beserta dengan motif-motif yang begitu banyak dan beraneka ragam. Untuk mempermudah pengenalan batik salah satunya melalui klasifikasi. Untuk proses klasifikasi terdapat beberapa hal yang dilakukan yaitu Artificial Neural Network (ANN), Decision Tree (DT), Support Vector Machine (SVM), dan Fuzzy Classification(Kamavisdar, Saluja, & Agrawal, 2013). Proses klasifikasi citra dapat dilakukan dengan menggunakan fitur-fitur citra seperti warna, bentuk, dan tekstur maupun hasil transformasi wavelet citra. Setiap citra dalam masing-masing kelas diidentifikasi fitur-fiturnya yang membedakan dari kelas citra yang lain (Moertini & Sitohang,

615


adalah klasifikasi Batik berdasarkan hasil transformasi wavelet Daubechies dan Gabor. Proses klasifikasi diawali dengan konversi citra warna ke citra aras keabuan dilanjutkan dengan transformasi wavelet.Materi penelitian berupa kumpulan data motif batik beserta dengan nama-nama kelasnya diambil dari buku motif batik karya (Kusrianto, 2013), buku karya (Ramadhan, 2013), dan buku motif batik Yogya yang disusun oleh Dinas Perindustrian Perdagangan dan Koperasi Provinsi Daerah Istimewa Yogyakarta (Dinas Perindustrian Perdagangan dan Koperasi DIY, 2007). Sedangkan data uji diambil dari sumber yang sama yang belum dimasukkan ke dalam kumpulan data. Tujuan utama penulis adalah untuk mengetahui apakah sebuah sistem yang dibangun dengan algoritma dan metode yang ada dapat melakukan klasifikasi terhadap Batik berdasarkan hasil transformasi wavelet. Terdapat beberapa metode untuk melakukan klasifikasi citra, disini penulis memilih untuk menggunakan metode K-Nearest Neighbour (K-NN) karena dinilai cukup baik dalam mengklasifikasikan citra berdasarkan referensi yang ada. Harapan penulis, dengan adanya penelitian ini dapat turut serta melestarikan budaya Indonesia. Selain itu penelitian ini diharapkan dapat menjadi pemicu munculnya penelitian-penelitian lain tentang Batik yang hasilnya dapat berguna bagi masyarakat.

ISSN: 2089-9815

yang memiliki pola sejenis. Salah satu cara untuk mengurangi masalah yang ditimbulkan dalam klasifikasi pola pada citra adalah dengan melakukan tahap preprocessing. Penelitian yang dilakukan oleh Babu, dan Reddy membahas mengenai preprocessing pada klasifikasi citra, namun metode yang digunakan adalah grey to grey level. Mereka mengasumsikan bahwa pola tekstur dari sebuah citra tidak hanya berdasarkan titik suatu pixel, namun juga ditentukan oleh titik-titik di sekitar pixel tersebut. Mereka menyimpulkan bahwa dari berbagai macam metode preprocessing yang dilakukan pada penelitian tersebut, tidak ada satu pun metode yang dapat mengklasifikasikan seluruh data set dengan benar-benar sempurna. Hal tersebut dikarenakan setiap metode preprocessing memiliki kekurangan yang bermacam-macam ditinjau dari faktor derau, iluminasi, kontras, intensitas, dan blur (Babu, Reddy, & Reddy, 2013). Penelitian lain sejenis yang dilakukan oleh Reddy dkk, yang juga membahas mengenai bagaimana mengklasifikasikan berbagai macam tekstur citra Brodatz yang didahului preprocessing dengan menggunakan metode ekstraksi ciri. Mereka menyimpulkan bahwa proses klasifikasi yang didahului preprocessing berupa metode ekstraksi ciri pada citra memberikan nilai hasil laju klasifikasi yang lebih baik dibandingkan tanpa menggunakan preprocessing (Reddy, Suresh, Mani, & Kumar, 2009). Berdasarkan penjelasan sebelumnya, meskipun tahap preprocessingcukup memakan waktu dan tidak dapat memberikan hasil yang benar-benar sempurna, namun keuntungan yang dihasilkan tetap jauh lebih baik dibandingkan tanpa melalui tahapan preprocessing. Salah satu manfaat klasifikasi citra adalah untuk mempercepat proses pencarian citra. Pencarian citra bisa dilakukan dengan berbasis teks maupun berbasis isi. Penelitian mengenai pencarian citra berbasis isi pernah dilakukan Wasim Khan dan kawan-kawan. Dalam penelitiannya, mereka menggunakan nilai histogram dan tekstur citra untuk melakukan analisis citra. Mereka meneliti sistem pencarian citra berbasis isi menggunakan image descriptor pada warna dan tekstur sebuah citra. Texture descriptors analysis yang digunakan adalah entropy, local range, dan standard deviation. Untuk mengekstrak properti warna digunakan nilai pada histogram. Penggabungan fitur warna dan texture memberikan fitur yang kuat untuk pencarian citra (Khan, Kumar, & Gupta, 2011). Penelitian pencarian citra berbasis isi menggunakan fitur warna juga pernah dilakukan oleh Malik dan Baharudin. Mereka mengatakan bahwa untuk sistem pencarian citra berbasis isi yang efisien dan efektif menggunakan ekstraksi fitur harus memiliki kemampuan kecepatan dan akurasi. Pencarian yang efektif bisa dilakukan berdasarkan ekstraksi yang efisien dari local statistical color moment feature tanpa menggunakan fitur spasial dari citra. Local statistical color moment feature

1.2

Tinjauan Pustaka Klasifikasi pola pada citra dapat dilakukan menggunakan banyak metode. Kamavisdar dkk telah melakukan pengamatan terhadap beberapa metode klasifikasi citra yaitu Artificial Neural Network (ANN), Decision Tree (DT), Support Vector Machine (SVM), dan Fuzzy Classification (Kamavisdar, Saluja, & Agrawal, 2013). Metodemetode yang digunakan untuk klasifikasi citra dapat dikelompokkan berdasarkan pendekatannya, misalnya berdasarkan pendekatan parametric dan non-parametric. Setiap metode memiliki karakteristik tersendiri, seperti ANN dan DT dapat mengakomodasi data yang bersifat non-parametric, sedangkan metode yang lain tidak bisa. Dengan demikian, pemilihan metode klasifikasi citra hendaknya disesuaikan dengan topik permasalahan yang akan dihadapi agar dapat memberikan hasil yang maksimal. Dalam penelitian ini, topik yang dipilih penulis adalah pola motif batik. Penelitian sejenis pernah dilakukan oleh Moertini dan Sitohang tentang klasifikasi batik berdasarkan warna, kontras, dan motifnya. Untuk klasifikasi batik berdasarkan motif, mereka menyimpulkan bahwa algoritma yang baik adalah algoritma yang menggunakan mask (shape-based) dan wavelet (texture-based), tetapi tingkat akurasinya tidak terlalu tinggi (Moertini & Sitohang, 2005). Salah satu permasalahan dalam klasifikasi citra adalah bagaimana membuat citra yang dijadikan sebagai contoh agar dapat mewakili citra-citra lain

616


diperoleh dari blok-blok citra input yang memiliki ukuran berbeda dan overlap. Kemiripan diukur dengan Sum-of-Absolute Difference (SAD). Penelitian ini menghasilkan performance yang tinggi (Malik & Baharudin, 2012). Penelitian serupa mengenai pencarian citra berbasis isi juga dilakukan oleh Ramesh Kumar dan Saravanan. Pada penelitian ini, pemilihan citra dilakukan berdasarkan kesamaan Grid Code yang disusun secara terurut. Selanjutanya histogram disusun berdasarkan warna yang telah dikuantisasi dan dihitung jumlah pixel masing-masing warna tersebut. Dari histogram tersebut akan diperoleh vektor fitur. Grid Code pada citra diperoleh melalui kuantisasi vektor fitu. Agar mendapatkan fitur yang mirip pada citra, Grid Code harus sama untuk semua gambar. Hasil penelitiannya menyatakan bahwa metode ini yang paling efektif (Kumar & Saravanan, 2013). Selain menggunakan fitur bentuk, tekstur dan warna juga dapat menggunakan transformasi wavelet. Salah satu penelitian yang menggunakan wavelet adalah penelitian yang dilakukan oleh Kishore dkk. Pada penelitian ini data yang digunakan adalah Hyperspectral Faces yang dikembangkan oleh The Biometric Research Centre(UGC/CRC). Data yang digunakan sebanyak 47 subjek wajah manusia. Setiap 47 wajah tersebut memiliki orientasi dari kiri, kanan dan tengah. Untuk mempercepat proses pengenalan data yang cukup banyak, maka digunakan preprosesing Waveletbased fusion untuk memperkecil ukuran data. Mereka menggunakan 4 wavelet yang berbeda yaitu ‘Haar’, ‘db2’, ‘sym3’ dan ‘bior3.3’ yang diimplementasikan dalam 4 level. Untuk pengukuran similaritas dalam proses klasifikasi KNN digunakan perhitungan jarak dengan Euclidean antara citra data uji dengan citra database. Terdapat dua model pengujian, pengujian yang pertama menggunakan sampel data wajah depan dengan tingkat akurasi 97,34%. Pengujian kedua menggunakan sampel yang terdiri dari wajah orientasi kanan dan orientasi kiri memberikan akurasi sebesar 96.87% (Kishore, et al. 2014). Penelitian berikutnya adalah penelitian mengenai pengenalan citra iris mata. Data citra iris mata yang digunakan adalah citra iris mata orang asing yang diperoleh dari internet dalam bentuk citra berwarna dengan ukuran 200x200 pixel. Pengambilan citra diambil sedemikian rupa agar titik pusat citra masih berada dalam area pupil. Ekstraksi ciri menggunakan wavelet Daubechies Orde 4. Dari hasil Daubechies diambil persentase energi yang meliputi persentase energi aproksimasi, energi horisontal, energi vertikal dan energi diagonal. Tingkat pengenalan tertinggi adalah wavelet Daubechies orde 4 pada aras 4 sebesar 82,5%. Dengan pemberian nilai ambang sebesar 0,3559 menghasilkan tingkat pengenalan mencapai 96% (Hartanto, Isnanto and Hidayatno 2010).

ISSN: 2089-9815

Gang Zhang melakukan penelitian untuk pencarian gambar medis berbasis konten dengan menggunakan wavelet gabor untuk ekstraksi fitur tekstur. Pencarian dilakukan dengan terlebih dahulu mendeteksi data yang dicari berada dalam kelompok gambar yang mana menggunakan multi-scale dan multi-direction fuzzy set. Selanjutnya pengukuran similaritas tekstur dalam kelompok gambar yang diperoleh digunakan jarak Euclidean. Data yang digunakan adalah 200 gambar CT bagian dada dan 200 gambar CT bagian hati dengan ukuran 310x280. Hasil penelitian menunjukkan bahwa presisi hasil pencarian sebesar 95%. Secara garis besar hasil penelitian mengatakan bahwa metode yang digunakan memberikan hasil kinerja yang baik untuk gambar medis yang normal (Zhang and Ma 2007). 2.

METODOLOGI PENELITIAN Materi penelitian berupa kumpulan data motif batik beserta dengan nama-nama kelasnya diambil dari buku motif batik karya (Kusrianto, 2013), buku karya (Ramadhan, 2013), dan buku motif batik Yogya yang disusun oleh Dinas Perindustrian Perdagangan dan Koperasi Provinsi Daerah Istimewa Yogyakarta (Dinas Perindustrian Perdagangan dan Koperasi DIY, 2007). Setelah discan, citra disimpan dalam format .jpg dengan ukuran 256x256 piksel. Untuk penentuan kelas hanya dipilih 4 motif batik yaitu: Ceplok, Nitik, Semen, dan Parang seperti dalam Gambar 1.

(a) Ceplok

(b) Parang

(c) Nitik

(d) Semen

Gambar 1. Contoh Empat Kelas Motif Batik Berikut ini adalah langkah yang dilakukan untuk melakukan klasifikasi motif batik dengan data yang ada : 2.1

Praproses Praproses citra bertujuan untuk memperbaiki citra dengan cara memanipulasi parameter citra agar mendapatkan kualitas yang lebih baik. Praproses citra adalah mengolah citra inputan dengan meningkatkan kualitas penampakan atau menonjolkan beberapa aspek informasi yang terkandung dalam citra dengan perbaikan atau modifikasi tertentu, selanjutnya mengelompokkan citra ke dalam kelas tertentu sesuai dengan

617


pemiliknya dan menyamakan ukuran pixel dan banyaknya data citra. Praproses yang dilakukan dalam penelitian ini hanya mengubah citra RGB menjadi citra grayscale.

ISSN: 2089-9815

Alihragam wavelet terhadap citra adalah menapis citra dengan tapis wavelet. Hasil dari penapisan ini adalah 4 subbidang citra dari citra asal, keempat subbidang citra ini berada dalam kawasan wavelet. Keempat subbidang citra ini adalah pelewat rendah – pelewat rendah (LL), pelewat rendah – pelewat tinggi (LH), pelewat tinggi – pelewat rendah (HL) dan pelewat tinggi – pelewat tinggi (HH). Wavelet Daubechies orde 4 memiliki filter dengan panjang 8 yang terdiri dari 4 koefisien fungsi skala yang dinotasikan dengan hk dan 4 koefisien fungsi wavelet yang dinotasikan dengan gk. Persamaan untuk menghitung fungsi skala adalah seperti persamaan 1 berikut ini

2.2

Ekstraksi Fitur Ekstraksi fitur merupakan suatu pengambilan ciri/feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. Ekstraksi fitur dilakukan dengan cara menghitung jumlah titik atau pixel yang ditemui dalam setiap pengecekan, di mana pengecekan dilakukan dalam berbagai arah. Tracing pengecekan pada koordinat kartesian dari citra digital yang dianalisis, yaitu vertical, horizontal, diagonal kanan, dan diagonal kiri. Fitur merupakan karakteristik unik dari suatu objek. Fitur dibedakan menjadi dua yaitu fitur alami merupakan bagian dari gambar, misalnya kecerahan dan tepi objek. Sedangkan fitur buatan merupakan fitur yang diperoleh dengan operasi tertentu pada gambar, misalnya histogram tingkat keabuan (Gualtieri et al, 1985). Sehingga ekstraksi fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang membedakan suatu objek dari objek yang lain (Putra, 2010). A. Wavelet Daubechies Wavelet dapat diartikan sebagai sebagai small wave atau gelombang singkat. Transformasi wavelet akan mengkonversi sebuah sinyal ke dalam sederetan wavelet. Transformasi wavelet sendiri tidak mengubah isi informasi di dalam sinyal tersebut. Wavelet dapat digunakan untuk menganalisa suatu bentuk gelombang (sinyal) sebagai kombinasi dari waktu (skala) dan frekuensi. Selain itu perubahan sinyal pada posisi tertentu tidak berdampak banyak terhadap sinyal tersebut (Frazier and Jawerth, 1985). Wavelet Daubechies adalah filter wavelet yang optimum digunakan untuk pemampatan data citra. Wavelet Daubechies dinamakan menurut pencipta/penemunya, yaitu seorang ahli matematika bernama Ingrid Daubechies (Abasi, dkk, n.d.).Proses filtering dengan lowpass filter (scaling function / fungsi skala) akan menghasilkan koefisien subbidang dengan frekuensi rendah. Sedangkan filtering dengan highpass filter (wavelet function / fungsi wavelet) akan menghasilkan subbidang dengan frekuensi tinggi. Wavelet Daubechies memiliki orde di mana orde tersebut menggambarkan jumlah koefisien filternya. Untuk Wavelet Daubechies dengan orde N (db-N), maka Wavelet Daubechies tersebut memiliki ukuran koefisien filter 2N (Hartanto, dkk, 2010).

ci = h0Si + h1Si+1 + h2Si+2 + h3Si+3

(1)

dan persamaan untuk fungsi wavelet adalah sebagai berikut di = g0Si + g1Si+1 + g2Si+2 + g3Si+3 (2) Di mana Si adalah data sinyal input dengan index i. Koefisien fungsi wavelet untuk Wavelet Daubechies orde 4 adalah g0 = h3 = -0,129409 g1 = -h2= -0,224143 g2 =h1 = 0,836516 g3 = -h0 = -0,482962 Setelah melakukan proses dekomposisi Wavelet Daubechies orde 4 level 1, maka akan menghasilkan sebuah citra yang terbagi menjadi 4 subbagian. Jika ingin melakukan proses dekomposisi level 2 maka proses dekomposisinya menggunakan subbagian LL sehingga menghasilkan LL2, HL2, LH2, dan HH2, begitu seterusnya. Ciri – ciri citra hasil dekomposisi dapat diperoleh dengan menghitung energi yang terkandung pada setiap subbagian. Perhitungan energi berfungsi untuk menghitung energi yang dihasilkan setiap citra hasil alihragam wavelet. Energi tersebut yang akan menjadi koefisien masukan perhitungan jarak Euclidean (Pratikaningtyas, dkk, n.d.). Energi setiap subbagian dapat dihitung dengan rumus berikut : (3 ) E adalah nilai energi subbagian d adalah nilai dari titik pada koordinat posisi x dan y n adalah jumlah titik pada setiap subbagian

618


B. Gabor Wavelet Secara umum Gaborwavelet atau yang dapat juga disebut Gaborfilter merupakan fungsi sinus yang dikalikan denganfungsi Gaussian. Pada proses pengenalan motif batik ini, penulis menggunakan gambar 2 dimensi, sehingga proses pengenalan motif batik ini menggunakan gabor filter 2 dimensi pula. Sehingga definisi gabor wavelet adalah fungsi sinus 2 dimensi yang dikalikan dengan gaussian 2 dimensi. Gabor wavelet dalam proses pengenalan motif batik ini digunakan sebagai featureextraction dari gambar yang akan diproses. Gambar yang diproses akan dikenali berdasarkan karakter yang dibangun dari hasil pemrosesan gambar tersebut dengan gabor wavelet. Pengenalan karakter inilah yang saat ini sedang banyak dikembangkan sehingga proses pengenalan gambar motif batik ini menjadi lebih efektif dan efisien dari sisi penggunaan sumber daya pada komputer (Daugman, 1998). Gabor wavelet ini memiliki beberapa versi formula, namun yang penulis gunakan sesuai dengan paper yang menjadi rujukan penulis. Berikut ini merupakan formula gabor yang penulis gunakan dalam tugas akhir ini. (4)

ISSN: 2089-9815

dihitung menggunakan beberapa arah ofset spasial yaitu 0 °, 45 °, 90 ° dan 135 °. Berikut adalah formula yang digunakan dan sebagai fitur-fitur yang akan digunakan dalam pengenalan motif batik: a. Contrast Contrast digunakan untuk menunjukan ukuran penyebaran elemen-elemen matriks citra. Secara, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Persamaan dari contrast adalah (Beyer, 2008). i,j) (5) b.

Correlation Correlation digunakan untuk menunjukan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. (6)

c.

Energy Energy digunakan untuk mengukur konsentrasi pasangan intensitas pada matriks cooccurence.Persamaan dari energy adalah (Beyer, 2008). (7)

d.

Homogeneity Homogeneity digunakan kehomogenan variasi intensitas dalam citra. Persamaan dari homogeneity adalah (Beyer, 2008). (8)

Dimana x’ = x cos ϴ + y sin ϴ y’ = x sin ϴ + y cos ϴ C. Gray Level Co-Occurence Matrix Tekstur merupakan sifat-sifat atau karakteristik dan keteraturan pola-pola tertentu yang terbentuk dari susunan piksel dalam citra digital. Tekstur juga memuat informasi-informasi penting tentang struktur dan relasinya terhadap sekitarnya. Suatu permukaan dikatakan mempunyai suatu informasi tekstur, bila luasannya diperbesar tanpa mengubah skala, maka sifat-sifat permukaan hasil perluasan mempunyai kemiripan dengan permukaan asalnya. Dengan kata lain, pola-pola yang teratur sebelumnya muncul secara berulang-ulang dengan interval dan jarak tertentu. Salah satu bagian penting dalam analisis tekstur adalah menggunakan matriks pasangan intensitas (Gray Level Co-occurence Matrix/GLCM) yang merupakan matriks keterkaitan antara dua dimensi. Matriks pasangan intensitas adalah suatu matriks yang menggambarkan frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalam jarak dan arah tertentu dalam citra. GLCM dapat

2.3

Klasifikasi Proses klasifikasi adalah menampilkan citra sesuai dengan similarity atau kesamaan citra. Similarity bertujuan untuk membandingkan feature vector yang didapatkan dari hasil ekstraksi ciri dengan basisdata acuan. Proses klasifikasi disini menggunakan euclidean distance yang dimulai dengan memindahkan variable array dan membandingkan array basisdata dengan array citra uji. Nilai array setiap citra yang terdekat dengan nilai array basisdata dipilih dan disimpan menjadi template motif batik. Setelah seluruh citra array diekstraksi dan didaftarkan, proses dilanjutkan dengan menghitung nilai terdekat dengan basisdata. Proses ini dilakukan sebanyak basisdata yang telah didaftarkan dimulai dengan memindahkan basisdata

619


ke variable array hingga mendapatkan nilai similarity. Nilai similarity terbesar dinyatakan paling mirip dengan citra (Kurniawan, 2012). A. K-Nearest Neighbor (KNN) Algoritma K-Nearest Neighbor (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. K-Nearest Neighbor berdasarkan konsep ‘learning by analogy’. Data learning dideskripsikan dengan atribut numerik ndimensi. Tiap data learning merepresentasikan sebuah titik, yang ditandai dengan c, dalam ruang n-dimensi. Jika sebuah data query yang labelnya tidak diketahui diinputkan, maka K-Nearest Neighbor akan mencari k buah data learning yang jaraknya paling dekat dengan data query dalam ruang n-dimensi. Jarak antara data query dengan data learning dihitung dengan cara mengukur jarak antara titik yang merepresentasikan data query dengan semua titik yang merepresentasikan data learning dengan rumus euclidean distance(Prihandono, 2013). B. Euclidean Distance Euclidean distance adalah matriks yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Jarak euclidean menghitung akar dari kuadrat perbedaan 2 vektor (root of square differences between 2 vector). Persamaan dari jarak Euclidean adalah(Putra, 2010). (9)

ISSN: 2089-9815

citra yang digunakan sebagai basis-data berjumlah 200 citra batik dengan masing – masing motif batik sejumlah 50 citra. Motif batik yang digunakan ada 4 motif, yaitu Ceplok, Nitik, Parang dan Semen. Tabel 3.1 di bawah ini adalah hasil rekapitulasi klasifikasi KNN menggunakan Wavelet Daubechies pada semua motif yang digunakan. Tabel 3. 1 Hasil Rekapitulasi Klasifikasi KNN Dengan Energi Wavelet Daubechies Untuk Semua Motif Level Nama RataMotif rata 1 2 3 Ceplok

41,25%

77,5%

100%

72,92%

Nitik

37,5%

25%

0%

20,83%

Parang

40%

62,5%

12,5%

38,33%

Semen

32,5%

77,5%

0%

36,67%

Rata-rata

37,81%

60,63%

28,13%

Terlihat pada Tabel 3.1 dan Tabel 3.2 bahwa Wavelet Daubechies memberikan nilai paling baik dalam mengenali batik motif ceplok dengan tingkat pengenalan 100% pada Ordo 4 level 3 baik saat menggunakan energi dekomposisi wavelet maupun energi GLCM. Sedangkan untuk pengenalan motif batik nitik tingkat pengenalan terbaik hanya pada Ordo 4 level 1 dengan persentase rata-rata 37,5% dan terlihat bahwa energi dekomposisi wavelet memberikan hasil lebih baik daripada energi GLCM yang hanya memberikan nilai rata-rata 21,25%. Tabel 3. 2 Hasil Rekapitulasi Klasifikasi KNN Dengan Energi GLCM Untuk Semua Motif Nama Motif

Hasil perhitungan euclidean distance ini akan memperlihatkan seberapa besar tingkat kesamaan antara citra uji dan citra sampel, semakin kecil nilai dari euclidean distance (mendekati nilai nol), maka tingkat kemiripan (similarity) citra semakin baik. 3.

ANALISA Sistem klasifikasi dibangun dengan menggunakan Matlab. Pada penelitian ini menggunakan beberapa fungsi library matlab untuk melakukan tahapan praproses citra antara lain libraryimresize, im2bw, dan rgb2gray. Pada pengujian menggunakan wavelet Daubechies terdapat beberapa pengujian, yaitu dengan menggunakan Wavelet Daubechies orde 4 level 1, 2 dan 3. Dalam pengujian tersebut juga dilakukan analisa terhadap klasifikasi KNN dengan nilai k dengan kelipatan 5 mulai dari nilai k paling rendah adalah 5 sampai dengan 40. Data yang digunakan dalam pengujian 40 citra batik dengan masing – masing motif batik sejumlah 10 citra. Sedangkan

Level 1

2

3

Ratarata

Ceplok

45%

67,5%

100%

70,83%

Nitik

13,75%

21,25%

0%

11,67%

Parang

55%

56,25%

3,75%

38,33%

Semen Ratarata

18,75%

68,75%

0%

29,17%

33,13%

53,44%

25,94%

37,5%

Kemudian untuk mengenali batik motif parang, Wavelet Daubechies memberikan prosentase paling baik sebesar 62,5% di Ordo 4 level 2 dan untuk batik motif semen juga di level yang sama dengan prosentase 77,5% pada saat menggunakan energi dekomposisi wavelet. Secara garis besar dari keempat motif batik yang digunakan dapat dianalisa bahwa Wavelet Daubechies paling baik dalam pengenalan motif batik Ceplok, Semen dan Parang, sedangkan untuk kasus pengenalan motif nitik kurang baik. Kemudian jika dilakukan analisa antara

620


energi yang digunakan dalam pengenalan maka energi dekomposisi wavelet lebih baik dalam melakukan pengenalan dibandingkan energi GLCM. Rata-rata prosentase pengenalan untuk semua nilai k yang digunakan paling tinggi didapatkan pada saat menggunakan Wavelet Daibechies Ordo 4 level 2 hal ini dikarenakan secara garis besar untuk semua motif yang ada prosentase pengenalan di atas 50% hanya untuk motif nitik saja yang jelek yaitu 25%. Kemudian untuk keseluruhan level pada Wavelet Daubechies dan nilai k yang digunakan pada klasifikasi KNN yang digunakan maka pengenalan paling baik didapatkan pada motif batik Ceplok karena memiliki rata-rata prosentase pengenalan sebesar 72,92%. Rata-rata pengenalan menggunakan Wavelet Daubechies dan klasifikasi KNN paling jelek digunakan pada motif batik Nitik. Setelah dilakukan analisis hal ini dikarenakan beberapa hal antara lain : a. Citra batik yang digunakan dalam penelitian ini belum dinormalisasikan sehingga masih memiliki banyak noise yang mempengaruhi proses pengenalan. b. Perhitungan energi yang digunakan hanya pada subbagian LL saja. Sedangkan pada subbagian LH, HL, dan HH tidak dilakukan perhitungan energi c. Pengambilan sampel objek yang hanya 4 objek dari tiap gambar belum bisa mewakili karakteristik dari citra secara keseluruhan. Dalam melakukan klasifikasi KNN dengan menggunakan Wavelet Gabor proses pengenalan dilakukan dengan memasukan ciri-ciri citra berupa nilai contrast, correlation, energy dan homogeneity, yang kemudian dilakukan perhitungan antara ciriciri citra data uji dengan ciri-ciri citra database. Dan hasil perhitungan akan dibandingkan dan dicari hasil terkecil yang nantinya akan mengenali citra uji sebagai citra database yang dihitung. Adapun jumlah citra database dan citra uji yang digunakan sama dengan subbab sebelumnya. Berikut ini hasil pengujian pada semua motif batik yang digunakan.

Tabel 3. 4 Pengenalan Gabor Wavelet Pada Motif Nitik Nama K

K

10

15

20

25

Contrast

24.00

23.00

26.00

27.25

27.80

Correlation

42.00

32.00

36.00

34.25

35.40

Energy

36.00

24.00

27.00

26.75

26.20

Homogeneity

30.00

28.50

33.67

32.25

32.20

RMSE

37.00

36.00

40.67

39.00

38.20

5

10

15

20

25

Contrast

33.00

21.00

26.00

28.50

27.20

Correlation

25.00

19.50

26.33

24.00

24.00

Energy

26.00

21.00

26.00

25.75

24.00

Homogeneity

26.00

21.50

27.00

26.50

26.00

RMSE

35.00

23.00

33.33

32.75

31.40

Tabel 3. 5 Pengenalan Gabor Wavelet Pada Motif Parang Nama K

Parang 5

10

15

20

25

Contrast

60.00

48.50

62.67

57.25

54.40

Correlation

38.00

35.50

46.00

43.75

44.80

Energy

70.00

51.50

61.67

56.00

50.20

Homogeneity

60.00

49.50

59.67

56.75

54.60

RMSE

77.00

54.50

65.00

62.00

57.40

Tabel 3. 5 menunjukkan bahwa pengenalan dengan Gabor Wavelet untuk motif parang paling baik menggunakan Energy dibandingkan fitur lainnya dengan prosentase 70% sedangkan untuk nilai k yang digunakan paling baik pada angka 5, 15 dan 20. Sedangkan untuk pengenalan motif batik Semen dapat dilihat pada Tabel 3. 6, dapat terlihat bahwa fitur homogeneity paling baik dalam mengenali motif parang hingga 49,5% sedangkan untuk nilai k yang paling baik digunakan untuk angka 5, 10, 15 dan 20.

Ceplok 5

Nitik

Tabel 3. 3 memperlihatkan pengenalan motif ceplok dengan Gabor Wavelet memberikan nilai terbaik saat menggunakan fitur correlation walaupun hanya sebesar 42% kemudian untuk beberapa nilai k yang digunakan pada saat klasifikasi KNN didapatkan nilai k=5 dan k=15 merupakan nilai terbaik dalam pengenalan motif ceplok. Sedangkan pada Tabel 3. 4 memperlihatkan untuk kasus pengenalan batik motif Nitik fitur contrast cukup baik digunakan dibandingkan fitur lainnya dengan prosentase 33% adapun nilai k yang digunakan paling baik berada pada angka 5,15, 20 dan 25.

Tabel 3. 3 Pengenalan Gabor Wavelet pada motif Ceplok Nama

ISSN: 2089-9815

621


cenderung lebih akurat untuk motif batik yang memiliki intesitas merata. b. Pengenalan motif batik dengan Gabor Wavelet dan KNN paling baik digunakan pada motif Parang dengan prosentase pengenalan rata-rata mencapai 54,67% dengan menggunakan fitur energy pada GLCM dan nilai k antara 5 sampai dengan 40 dengan kelipatan 5. Dengan demikian, dapat disimpulkan bahwa Gabor Wavelet cenderung lebih akurat untuk motif batik yang memiliki intesitas cenderung ke warna terang. c. Rata-rata keakurasian level dekomposisi wavelet Daubechies untuk level 1, level 2, dan level 3 adalah 37,8125%, 60,625%, dan 28,125% sehingga level dekomposisi wavelet yang lebih baik digunakan untuk mengklasifikasikan motif batik adalah dekomposisi wavelet level 2. Saran untuk pengembangan sistem klasifikasi motif batik ini adalah sebagai berikut : a. Melakukan penambahan tahap preprocessing citra sebelum citra batik dijadikan sebagai input penelitian sehingga dapat dilihat pengaruh penambahan tahap preprocessing tersebut dalam pengenalan motif batik. b. Menambahkan jumlah citra untuk disimpan dalam basis-data supaya hasil klasifikasi motif batik lebih akurat. c. Menggunakan citra batik yang murni motif utama tanpa campuran motif lainnya sehingga dapat terklasifikasikan dengan benar. d. Melakukan normalisasi untuk citra yang disimpan dalam basis-data dan citra yang digunakan untuk pengujian. e. Melakukan perhitungan energi dengan menggunakan 4 subbagian yang dihasilkan dari dekomposisi.

Tabel 3. 6 Pengenalan Gabor Wavelet Pada Motif Semen Nama K

Parang 5

10

15

20

25

Contrast

46.00

47.00

46.00

45.75

43.20

Correlation

20.00

15.50

12.67

13.00

13.80

Energy

36.00

31.50

29.33

31.75

29.60

Homogeneity

44.00

49.50

46.00

46.00

43.00

RMSE

45.00

44.00

41.33

38.75

36.60

ISSN: 2089-9815

Secara garis besar pengenalan motif batik dengan Gabor Wavelet memberikan nilai prosentase paling baik pada saat fitur Energy dan nilai k=5 untuk mengenali motif Parang. Sedangkan untuk motif Ceplok, Nitik dan Semen prosentase yang diberikan sebagian besar di bawah 50% sehingga kurang baik dalam melakukan pengenalan motif tersebut. Pada penelitian ini masih ada beberapa kekurangan yang terjadi pada saat pengujian dilakukan. Kekurangan dalam penelitian antara lain adalah citra batik yang digunakan untuk citra uji dan citra yang disimpan dalam basis-data belum dinormalisasi.Kemudian citra batik yang digunakan memiliki banyak objek sehingga memiliki banyak noise dan sulit untuk dihilangkan. Berdasarkan hasil pengujian yang telah dilakukan oleh penulis, metode Wavelet yang dikombinasikan dengan KNN dapat digunakan untuk melakukan klasifikasi motif batik. Selama ini metode Wavelet dan KNN telah banyak digunakan di berbagai macam penelitian tentang klasifikasi berbagai macam motif tekstur. Meskipun hasil penelitian yang dilakukan oleh penulis belum memberikan hasil yang optimal, tetapi pada dasarnya metode ini dapat digunakan untuk klasifikasi motif batik. Beberapa hal yang mungkin dapat dilakukan untuk optimalisasi klasifikasi adalah memodifikasi tahap preprocessing, menambah jumlah dataset citra batik, atau melakukan filterisasi dataset.

PUSTAKA Achard, Catherine, Jean Devars, and Lionel Lacassagne. "Object Image Retrieval with Image Compactness Vectors." International Conference on Pattern Recognition. Barcelona, 2000. 271-274. Babu, U. Ravi, P. Kiran Kumar Reddy, and B. Eswara Reddy. "Texture Classification based on Texton Patterns using on various Grey to Greylevel Preprocessing Methods." International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 6, No. 4, August, 2013, 2013: 29-40. Birgale, Lenina, Manesh Kokare, and Dharmpal Doye. "Colour and Texture Features for Content Based Image Retrieval." International Conference on Computer Graphics, Imaging and Visualisation. Sydney, Australia, 2006. 146-149. Dinas Perindustrian Perdagangan dan Koperasi DIY. Buku Motif Batik Yogya Ceplok. 1.

4.

KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan, maka didapat beberapa kesimpulan sebagai berikut : a. Pengenalan motif batik dengan Wavelet Daubechies dan KNN paling baik digunakan pada motif Ceplok dengan prosentase pengenalan rata-rata mencapai 100% dengan menggunakan level dekomposisi wavelet 3 dan nilai k antara 5 sampai dengan 40 dengan kelipatan 5. Dengan demikian, dapat disimpulkan bahwa Wavelet Daubechies

622


Yogyakarta: Pena Persada Desktop Publishing, 2007. —. Buku Motif Batik Yogya Nitik. 1. Yogyakarta: Pena Persada Desktop Publishing, 2007. —. Buku Motif Batik Yogya Parang dan Lereng. 1. Yogyakarta: Pena Persada Desktop Publishing, 2007. —. Buku Motif Batik Yogya Semen. 1. Yogyakarta: Pena Persada Desktop Publishing, 2007. Fagan, Jody Condit, Meris Mandernach, Carl S. Nelson, Jonathan R. Paulo, and Grover Saunders. "Usablity Test Result for a Discovery Tool in an Academic Library." Information Technology and Libraries, March 2012: 83-112. Gonzalez, Rafael C., and Richard E. Woods. Digital Image Processing. New Jersey: Pearson Education, Inc., 2008. Hapsari, Widi, Nugroho Agus Haryono, and Kristian Adi Nugraha. "Klasifikasi Citra Motif Batik Menggunakan K-Nearest Neighbor Berbasis pada Warna, Bentuk, dan Tekstur." Laporan Penelitian, LPPM Universitas Kristen Duta Wacana, Yogyakarta, 2014. Hartanto, Antonius Dwi, R.Rizal Isnanto, and Achmad Hidayatno. "Pengenalan citra iris mata menggunakan alihragam Wavelet Daubechies Orde 4." Transmisi, 2010: 145-149. Jain, Neha, Sumit Sharma, and Ravi Mohan Sairam. "Content Base Image Retrieval using Combination of Color, Shape, and Texture Feature." International Journal of Advanced Computer Research 3, no. 8 (March 2013): 7077. Kamavisdar, Pooja, Sonam Saluja, and Sonu Agrawal. "Survey on Image Classification Approaches and Techniques." International Journal of Advanced Research in Computer and Communication Engineering Volume 9, August, 2009, 2013: 1005-1009. Khan, Wasim, Shiv Kumar, and Neetesh, Khan, Nilofar Gupta. "A Proposed Method for Image Retrieval using Histogram values and Texture Descriptor Analysis." International Journal of Soft Computing and Enginnering, 2011: 33-36. Kishore, P.V.V., A.S.C.S. Sastry, T. Krishna Murthy, B. Gowthami, and P. Anjana. "Hyperspectra Face Classification in Wavelet Dumain using KNN Classifier." Journal of Theoritical and Applied Information Technology, 2014: 366-375. Kodituwakku, Saluka Ranasinghe, and S Selvajarah. "Comparison of color Features for Image Retrieval." Indian Journal of Computer Science and Engineering I, no. 3 (2004): 207-211. Kumar, Ramesh, A., and D. Saravanan. "Content Based Image Retrieval Using Color Histogram." International Journal of Computer Science and Information Technology, 2013: 242-245.

ISSN: 2089-9815

Kurniawan, D.E. (2012). Rancang Bangun Sistem Pengenalan Wajah Menggunakan Filter Gabor (Tesis S2, Universitas Diponegoro Semarang, 2012), dari Institutional Repository UNDIP: eprints.undip.ac.id Kusrianto, Adi. Batik Filosofi, Motif dan Kegunaan. Yogyakarta: Andi, 2013. Malik, Fazal, and Baharum Baharudin. "Features Analysis for Content-Based Image Retrieval Based on Color Moments." Research Journal of Applied Sciences, Engineering and Technology, 2012: 1215-1224. Moertini, Veronica S., and Benhard Sitohang. "Algorithms of Clustering and Classifying Batik Images Based on Color, Contrast and Motif." PROC. ITB Eng. Science Vol. 37 B, No. 2, 2005, 2005: 141-160. Mouine, Sofiene, Itheri Yahiaoui, and Anne Verroust-Blondet. "A Shape-based Approach for Leaf Classification using Multiscale Traingular Representation." ACM International Conference on Multimedia Retrieval. Dallas, Texas: ACM, 2013. 127 - 134. Nuryanti, Wiendu, and Helly Minarti. Indonesian Batik : Transforming Tradition into a Modern Trend. Jakarta: The Ministry of Culture and Tourism of The Republic of Indonesia, 2008. Putra, Darma. Pengolahan Citra Digital. Yogyakarta: Andi Offset, 2010. Ramadhan, Iwet. Cerita Batik. Tangerang: Literati, 2013. Reddy, B.V. Ramana, A. Suresh, M. Radhika Mani, and V.Vijaya Kumar. "Classification of Textures Based on Features Extracted from Preprocessing Images on Random Windows." International Journal of Advanced Science and Technology Vol. 2, Issue 1, January 2013, 2009: 9-18. Zhang, Gang, and Zong-Min Ma. "Texture Feature Extraction and Description using Gabor Wavelet in Content-Based Medical Image Retrieval." Proceedings of the 2007 International Conference on Wavelet Analysis and Pattern Recognition. Beijing, China: IEEE, 2007. 169-173.

623

KLASIFIKASI BATIK MENGGUNAKAN KNN BERBASIS WAVELET

Recommend Documents