PENGENALAN POLA TEKSTIL MENGGUNAKAN MATRIKS CHI SQUARED SKRIPSI OLEH : SULISTYA FITRI YULAIKAH

Artikel Skripsi Universitas Nusantara PGRI Kediri

PENGENALAN POLA TEKSTIL MENGGUNAKAN MATRIKS CHI SQUARED

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) pada Program Studi Teknik Informatika Fakultas Teknik Universitas Nusantara PGRI Kediri

OLEH : SULISTYA FITRI YULAIKAH 11.1.03.02.0351

FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA

UN PGRI KEDIRI 2016 Sulistya Fitri Yulaikah |11.1.03.02.0351 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||


Sulistya Fitri Yulaikah |11.1.03.02.0351 Teknik – Teknik Informatika






PENGENALAN POLA TEKSTIL MENGGUNAKAN MATRIKS CHI Sulistya Fitri Yualaikah 11.1.03.02.0351 Teknik – Teknik Informatika [email protected] Dr. M. Anas, S.E, M.M, M.Si dan Dr. Suryo Widodo, M.Pd UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Pengolahan citra digital memiliki peranan sangat luas terhadap kehidupan sehari- hari. Salah satunya dapat digunakan untuk mengidentifikasi citra tekstil untuk mengetahui jenis tekstil tersebut. Pada penelitian ini identifikasi citra tersebut diterapkan pada tekstil combad, milano,viscose, clarify, serat kayu, spandek, dan katun ima. Rumusan masalah pada penelitian ini adalah, (1) Bagaimana mencirikan pola citra tekstil menggunakan deteksi tepi dan DCT? (2) Bagaimana mengklasifikasikan citra tekstil yang beragam hasil kamera DSLR Nikon D3200 menggunakan matrik Chi Squared dengan akurat? Pada penelitian ini matrik jarak yang digunakan adalah matrik jarak Chi Squared dengan objek penelitian citra tekstil. Akan dilakukan tahap pre-processing yaitu greyscale dan deteksi tepi kemudian dilanjutkan pada tahap metode DCT dan pengenalan menggunakan matrik jarak Chi Squared. Penelitian dilakukan dengan pengambilan gambar dari masing- masing jenis tekstil . Dari masing- masing sampel dilakukan pengambilan gambar dengan background warna putih. Kesimpulan dari penelitian ini, yaitu:. Serta denganmenggunakan (1) Matrik jarak Chi Squared dapat menunjukkan hasil pengenalan jenis tekstil dengan akurat. (2) Prosentase akurasi yang didapatkan yaitu mencapai 94,06% . Besarnya tingkat akurasi dipengaruhi oleh banyaknya jumlah data training yang digunakan Kata Kunci : Matrik Chi Squared, DCT, Deteksi Tepi, Grayscale, jenis tekstil, Identifikasi, Pengenalan Pola, RGB.




I.

tekstil/kain. Pengenalan suatu objek

LATAR BELAKANG Menurut

Departemen

merupakan suatu hal yang mudah

Perindustrian (1972:8), tekstil sebagai

dilakukan oleh manusia, namun tidak

bahan

pakaian

demikian bagi sebuah mesin atau

mengalami perkembangan jenis yang

komputer. Seseorang dapat dengan

luar

tahun.

mudah mengenali orang yang pernah

seringkali

dikenal sebelumnya walaupun hanya

dasar

biasa

pembuatan

dari tahun ke

Banyaknya

jenis

tekstil

membuat masyarakat bingung untuk

dengan

membedakan lainnya.

satu

dari

yang

kejauhan tanpa melihat langsung orang

dengan

itu,

tersebut (Duda, Hart, dan Stork, 2000).

pertumbuhan perdagangan tekstil pun perubahan

menjamurnya

suaranya

dengan

Seiring

mengalami

mendengar

cara.

perdagangan

Kian

II.

METODE A. Citra Digital

pakaian

Citra

digital

merupakan suatu

secara Online, membuat masyarakat

matrik yang indeks baris dan kolomnya

harus lebih cerdas dan berhati-hati.

menyatakan suatu titik pada citra

Minimnya

pengetahuan

tersebut dan pixel menyatakan tingkat

masyarakat mengenai jenis-jenis tekstil

keabuan pada titik tersebut. Dalam citra

seringkali

beberapa

digital, satu pixel merupakan elemen

pedagang untuk memberi keterangan

informasi terkecil dari suatu citra.

jenis tekstil dengan kualitas diatas

Normalnya suatu pixel disusun dalam

bahan

sebenarnya.

dua

akan

direpresentasikan dalam bentuk titik (.)

dimanfaatkan

barang

Ketidaktahuan tekstil

pembeli

membuat

konsumen

jenis sering

merasa tertipu ketika pesanan mereka

dimensi

dan

sering

atau kotak kecil. B. Citra RGB (Red, Green, Blue)

telah sampai. Maka edukasi tentang

RGB adalah suatu model warna

jenis tekstil sudah menjadi kebutuhan

yang terdiri dari merah, hijau dan biru,

bagi

tekstil

yang digabungkan dalam membentuk

memiliki ciri dan tekstur tersendiri.

suatu susunan warna yang luas. Setiap

Sehingga memungkinkan bagi kita

warna dasar misalnya merah, dapat

untuk melakukan pengenalan pola pada

diberi

citra tekstil.

komputer inilah rentan paling kecil = 0,

masyarakat.

Setiap

rentan

nilai.

Untuk

nilai

Kemajuan teknologi pengenalan

dan yang paling besar = 225. Pilihan

pola telah mencakup dalam berbagai

skala 256 ini didasarkan pada cara

bidang,

mengungkap

tidak

terkecuali


industri

8

digit

biner

yang



digunakan

oleh

mesin

komputer.

E.

Discrete Cosine Transform (DCT)

Discrete Cosine Transform (DCT)

Dengan cara ini akan diperoleh warna campuran sebanyak 256 x 256 x 256 =

merupakan

salah

1677726 jenis warna (Mukhamad,

digunakan dalam pengolahan citra

2014).

untuk

C. Citra Greyscale

Sedangkan pendapat lain dari definisi

proses

metode

kompresi

yang

citra.

Citra Greyscale menurut Munir

DCT yaitu menurut Mustikaningpuri

(2004), merupakan sebuah jenis citra

dan Juarna (2009: 56), yaitu “Discrete

yang

abu-abu,

Cosine Transform (DCT) merupakan

bervariasi pada warna hitam pada

algoritma lossy image compression

bagian yang intensitas terlemah dan

sebagai bakuan untuk citra JPEG”.

terdiri

atas

warna

warna putih pada intensitas terkuat. Citra greyscale berbeda dengan citra “hitam-putih”, dimana pada konteks komputer, citra hitam terdiri dari atas 2

DCT mempunyai dua sifat utama untuk kompresi citra dan video yaitu: 1.

Mengkonsentrasikan energi citra

warna saja yaitu “hitam” dan ”putih”

ke dalam sejumlah kecil koefisien

saja.

(energi compaction). 2.

D. Deteksi Tepi

Meminimalkan

saling

ketergantungan diantara koefisien-

Menurut Riyanto (2008), deteksi tepi atau edge detection dijelaskan,

koefisien (decorrelation).

“Deteksi tepi (Edge Detection) pada

Sifat dari DCT adalah mengubah

suatu citra adalah suatu proses yang

informasi

menghasilkan tepi-tepi dari obyek-

dikonsentrasikan hanya pada beberapa

obyek citra, tujuannya adalah untuk

koefisien DCT. Oleh karena itu DCT

menandai bagian yang menjadi detail

sering digunakan untuk kompresi citra

citra dan memperbaiki detail dari citra

seperti pada JPEG dengan aslinya

yang kabur, yang terjadi karena error

tanpa cacat.

atau adanya efek dari proses akuisisi citra”.

citra

yang

Kelebihan menggunakan

signifikan

kompresi Discrete

data Cosine

Transform adalah: 1. Gambar 2.1 Sebelum Deteksi Tepi

Gambar 2.2 Setelah Deteksi Tepi


DCT menghitung kuantitas bit-bit data gambar dimana pesan tersebut disembunyikan

didalamnya.



2.

Sehingga tidak akan ada perubahan

Rumus DCT- 2D diatas sering juga

yang terlihat pada cover gambar,

disebut sebagai forward discrete cosine

dan

transform

Kokoh terhadap manipulasi pada

basis fungsi yang terletak di bagian kiri

stego-object.

atas sering disebut sebagai basis fungsi

Kekurangan

kompresi

menggunakan

data

Discrete

Cosine

Transform adalah: 1.

suatu objek dikarenakan pesan dihapus

karena

lokasi

penyisipan data dan pembuatan data

dengan

metode

DCT

koefisien

yang

bersesuaian dengannya disebut sebagai

hasil dari rumus DCT- 2D tersebut kemudian diperoleh fungsi basis DCT2D: 2

𝐶𝑖 ,𝑗 ,𝑢,𝑣

𝑀𝑁

2𝑖+1 𝑢𝜋

𝑐𝑜𝑠

2𝑁

2𝑗 +1 𝑣𝜋

𝑐𝑜𝑠

2𝑀

DCT dengan nilai u dan i = 0, 1, 2, …,

diketahui. 2.

dan

koefisien DC (DC coefficient). Dan

Tidak tahan terhadap perubahan

mudah

DC,

(FDCT). Nilai konstanta

Implementasi

algoritma

yang

panjang dan membutuhkan banyak perhitungan.

N-1, sedangkan v dan j = 0,1,2,,M-1. F. Chi Squared Chi Squared digunakan sebagai

Pada penelitian ini penulis akan

classifier dalam ruang fitur. Pengujian

menggunakan perhitungan DCT- 2D.

pengenalan

DCT- 2D merupakan perbandingan

dengan cara menguji kemiripan dari 2

dari

transformasi

buah distribusi, yaitu distribusi dari

diskrit dapat dinyatakan dalam bentuk

matrik citra test dan distribusi dari

persamaan. Dalam algoritma JPEG,

matrik

sampel gambar I(i , j) dibagi menjadi

2012). Prinsip dasar Chi Squared

blok 8x8. Setiap blok ditransformasi

adalah

menjadi 8x8 matriks koefisien DCT.

minimum dari rata-rata 2 matrik citra

Menurut Tearani (2014: 2) definisi

untuk menentukan kemiripan dari 2

matematis dari masing-masing blok

citra. Rumus Chi Squared :

DCT-1D,

maka

koefisien didefinisikan sebagai berikut: 𝑑𝑢 ,𝑣 =

𝐶𝑢 𝐶𝑣 𝑀𝑁

𝑁−1

i=0

pola

citra-citra

dengan

𝑥 2 𝑦, 𝑧 =

tekstil

dilakukan

training

(Fadlil,

menghitung

𝑥 (𝑦 𝑖 −𝑧 𝑖 ) 𝑖=1 𝑦 +𝑧 𝑖

nilai

2

𝑖

Keterangan : 𝑀−1 𝑗 =0

𝐼𝑖.𝑗

𝑐𝑜𝑠

2𝑖 + 1 𝑢𝜋 2𝑁

𝑐𝑜𝑠

2𝑗 + 1 𝑣𝜋 2𝑀

dengan u = 0, 1, 2, …,n-1, dan v = 0, 1, 2, …, m-1. Sulistya Fitri Yulaikah |11.1.03.02.0351 Teknik – Teknik Informatika

𝑥 2 𝑦, 𝑧

= Chi Squared

𝑦𝑖

= data training

𝑧𝑖

= data testing simki.unpkediri.ac.id || 7||


Skenario Uji Coba

G. Jenis Tekstil Bahan

tekstil

dibuat

dari

Peneliti melakukan 2 skenario uji

perpaduan antara benang lungsi dan

coba, yakni :

pakan yang saling persilangan. Jenis

1.

Skenario A, menggunakan 50 data

bahan tekstil tidak hanya sebatas pada

training dan 20 data testing untuk

selembar kain, tetapi juga berbagai

setiap jenis tekstil.

jenis bahan seperti: kain songket, kain

2.

Skenario B, mengunakan beberapa

tenun, dan kain bordir. Setiap daerah

ketentuan data untuk setiap jenis

memiliki ciri khas corak dan ragam

tekstil seperti dalam tabel 4.1

hias. Proses pembuatan bahan tekstil

berikut ini:

dapat dilakukan dengan pola anyaman

Tabel 3.1 Data Skenario B

berupa jalinan antara benang lungsi dan

No.

benang pakan yang saling bersilangan.

Data

Data

Training

Testing

Alat yang digunakan untuk membuat

1.

50

25

bahan tekstil bisa dilakukan dengan

2.

75

30

alat tenun tradisional maupun yang

3.

100

40

modern

(Departemen

Perindustrian,

1972).

Beberapa

contoh

citra

yang

digunakan pada penelitian ini sebagai

III. HASIL DAN KESIMPULAN

mana ditunjukkan pada Gambar 3.1,

A. EVALUASI

berikut :

Pada implementasi aplikasi, citra dari jenis tekstil yang digunakan sebagai database untuk pengembangan sistem pengenalan pola jenis tekstil dibagi menjadi dua kategori, yaitu : 1.

Data training, digunakan untuk memungkinkan sistem mempunyai

Gambar 3.1 citra combad, milano, ima Berikut ini hasil pemrosesan deteksi tepi, ditunjukkan pada Gambar 3.2 :

pola standart dari masing-masing jenis tekstil. 2.

Data testing, digunakan untuk proses

pengujian

agar

dapat

diketahui unjuk kerja sistem dalam melakukan pengenalan pola jenis

Gambar 3.2 citra deteksi tepi B. Hasil Uji Coba

tekstil. Sulistya Fitri Yulaikah |11.1.03.02.0351 Teknik – Teknik Informatika



Dalam

pengujian

Cla

aplikasi

4

19

2

SK

pengenalan citra tekstil ini dilakukan pada 7 sampel jenis tekstil, yaitu

2

2

Sp

2

2

berdasarkan

kayu, katun ima dan spandek dengan gambar

Ima

table hasil uji coba terhadap masing-

Jenis

Akurasi

Com

Mil

Vis

Cla

SK

Ima

Sp

79,14

98,47

94,68

94,16

94,16

87,16

96

Dari tabel akurasi aplikasi untuk

Skenario A

skenario A dapat diketahui bahwa

Tabel 3.2 Hasil Uji Coba Skenario A Com

Mil

Com

12

Mil

2

18

Vis

2

2

Cla

4

confusion,

Tabel 3.5 Akurasi Aplikasi Skenario B,1

masing sampel tekstil :

Jenis

persamaan

diperoleh akurasi sebagai berikut :

Tekstil

Tekstil

25

berukuran

120x120 piksel. Berikut merupakan

1.

Vis

Cla

SK

Ima

6

3

4

dengan

Sp

akurasi

aplikasi

menggunakan data training 50 dan 25

2

3

14

SK

3

Ima

3

akurasi 91,96%.

1 14

5

2

3.

8

2

20

Skenario B, 2

Tabel 3.6 Hasil Uji Coba Skenario B, 2

Dengan menggunakan perhitungan

Jenis Tekstil

matrik confusion dengan rumus:

Com

Com

27

𝑇𝑃 + 𝑇𝑁 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% 𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁

Mil

1

Tabel 3.3 Akurasi Aplikasi Skenario A

Cla

Mil

Vis

Cla

4

Vis

Akurasi

Com

Mil

Vis

Cla

SK

Ima

Sp

80,05

96

83,47

89,71

87,71

84,95

97,95

SK

Ima

10

9

Sp

30 24

2

1

3

25

2

SK

Tekstil

dengan

data testing menghasilkan rata-rata 10

Sp

Jenis

2 10


combad, milano, viscose, clarify, serat

masing-masing

19

20

Ima

1

2

Sp

1

2

1 15 30



berdasarkan

persamaan

confusion,


diperoleh akurasi sebagai berikut :

dengan

Tabel 3.7 Akurasi Aplikasi Skenario B,2

akurasi

aplikasi

dengan

menggunakan data training 50 dan 20 data testing menghasilkan rata-rata

Akurasi

akurasi 88,48%. 2.

Tekstil

Com

Mil

Vis

Cla

SK

Ima

Sp

86,8

99,42

94,47

95

93,44

90,47

98,84


Skenario B, 1


Tabel 3.4 Hasil Uji Coba Skenario B, 1 Jenis

Jenis Tekstil

dengan Com

Mil

Com

17

Mil

2

25

Vis

2

2

Vis

Cla

7

SK

Ima

6

13

akurasi

aplikasi

dengan

Sp

menggunakan data training 75 dan 30 data testing menghasilkan rata-rata

14

2


akurasi 94,06%. simki.unpkediri.ac.id || 9||


4.

Skenario B, 3

prosentase akurasi 91,96% dengan

Tabel 3.8 Hasil Uji Coba Skenario B, 3 Jenis Tekstil

Com

Com

32

Mil

2

Vis

2

Cla

4

Mil

Vis

Cla

1

perbandingan data training dan data

Sp

testing

sebanyak

2:1,

SK

Ima

12

13

prosentase akurasi 94,06%, dengan

2

perbandingan data training dan

40 32

2 33

SK

4

Ima

3

Sp

1 28

data testing sebanyak 5:2, dan

3

3

21

2

40

Dengan menggunakan perhitungan berdasarkan

persamaan

prosentase

akurasi

93,79%,

dengan

perbandingan

data

training dan data testing sebanyak

confusion,

5:2. Sehingga besarnya tingkat

diperoleh akurasi sebagai berikut:

akurasi

Tabel 3.9 Akurasi Aplikasi Skenario B, 3

dipengaruhi

oleh

banyaknya data training dan data J. T Akur asi

Com

Mil

Vis

Cla

SK

Ima

Sp

86,92

99,12

94,16

94,95

92,24

90,04

99,12

testing yang digunakan. 3.


IV.

Penerapan

perangkat

pendukung Delphi 7 serta citra


objek

dengan

dengan

piksel

120

akurasi

aplikasi

lunak

dengan

dimensi x

ukuran

120

untuk

menggunakan data training 100 dan 40

implementasi metode DCT dan

data testing menghasilkan rata-rata

analisis

akurasi 93,79%.

dengan baik serta mendapatkan

KESIMPULAN

hasil yang maksimal.

Berdasarkan hasil uji coba diatas maka

4.

RGB

Penggunaan

dapat

matriks

berjalan

pola

chi

dapat disimpulkan :

squared

1.

Metode DCT dapat digunakan

yang

untuk melakukan pengenalan pola

banyaknya data training dan data

tekstil.

testing ang digunakan.

2.

Implementasi

matrik

jarak

V.

menghasilkan

tinggi,

akurasi

bergantung

pada

SARAN

pengenalan pola chi squared dapat

Saran

menunjukkan

pengembangan selanjutnya adalah

hasil

pengenalan

dari masing- masing jenis tekstil. Dan

1.

dari

peneliti

untuk

Mengembangkan aplikasi ini pada

rata-rata prosentase akurasi

pengenalan dengan output yang

yang didapatkan yaitu 88,48%

lebih lengkap seperti warna dan

dengan perbandingan data training

karakteristik tekstil.

dan data testing sebanyak 5 : 2,




2.

Melakukan

pengenalan

menggunakan JST sehingga hasil output lebih akurat lagi. 3.

Membuat aplikasi ini secara realtime berbasis android supaya lebih interaktif dan memudahkan user.

DAFTAR PUSTAKA Departemen Perindutrian. 1972. Perkembangan Industri Tekstil di Indonesia. Jakarta: Biro Hubungan Masyarakat Duda R. O., Hart P. E., and Strok D. G., 2000. Pattern Clasification. 2ed., Wiley, USA Mukhamad, N. & Sutejo, Metode Kecerahan Citra Kontras Citra dan Penajaman Citra untuk Peningkatan Mutu Citra, (Online), tersedia: http://www.sinasinderaja. lapan.go.id, diunduh 12 Oktober 2014. Munir, R., 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika. Bandung. Mustikaningpuri, K. R., & Juarna, Asep.2009. Kompresi Citra Jpeg Berbasis Metode Dct (Discrete CosinusTransform), (Online),tersedia:http://hdl.handle.net/123 456789/7014.diunduh14Nopember 2014. Riyanto. 2008, Deteksi Tepi (Edge Detection), (Online), tersedia: http:// riyanto.lecturer.pens.ac.id/citra-bab8.pdf, diunduh 2 Juli 2015. Sulistya Fitri Yulaikah |11.1.03.02.0351 Teknik – Teknik Informatika


PENGENALAN POLA TEKSTIL MENGGUNAKAN MATRIKS CHI SQUARED SKRIPSI OLEH : SULISTYA FITRI YULAIKAH

Recommend Documents