Vol. 4, No. 1, Tahun Jurnal Aksara Komputer Terapan Politeknik Caltex Riau

Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 1, Tahun 2015

150

Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : https://jurnal.pcr.ac.id/index.php/jakt/about/index Email : [email protected]

Aplikasi Pendeteksi Jenis Motif Batik Menggunakan Principal Component Analysis (Pca) Dan Euclidean Distance Berbasis Android Lodia Windari1, Meilany Dewi2 dan Ananda3 1Program

Studi Teknik Informatika, Politeknik Caltex Riau, email: : [email protected] 2Program Studi Teknik Informatika, Politeknik Caltex Riau, email: [email protected] 3Program Studi Teknik Informatika, Politeknik Caltex Riau, email: [email protected]

Abstrak Batik adalah seni kerajinan yang memiliki nilai seni tinggi yang telah menjadi bagian dari kebudayan Indonesia. Dibutuhkan suatu cara yang dapat mendeteksi jenis motif batik tanpa harus belajar langsung ke sumber asli atau mencari referensinya terlebih dahulu. Salah satu cara yaitu mengenalkan batik dengan menggunakan android. Pada proses pengenalan batik menggunakan android akan dilakukan ekstraksi ciri yang mampu mengindentifikasi ciri batik untuk mendapatkan karakteristik suatu citra batik dengan menggunakan metode Principal Component Analysis (PCA). Selanjutnya akan dilakukan perhitungan jarak kedekatan dengan membandingkan citra training dan citra testing menggunakan Euclidean Distance. Motif batik yang diuji adalah batik banji, ceplok, kawung, parang, megamendung, tabir riau dan semen. Motif batik terbaik dengan tingkat keakuratan 53.3% adalah motif batik parang dan jenis motif batik terbaik dengan tingkat keakuratan 39.2% adalah motif batik geometris.

Kata kunci: Batik, Android, Principal Componet Analysis (PCA), Euclidean Distance.

Abstract Batik is a craft that has high artistic value that has been part of Indonesian culture. We need a way to detect the type of motif without having to learn directly to the original source or search reference first. One way is to introduce batik to use android. In the process of introducing batik using the android will be the feature extraction which is able to identify the characteristics of batik to obtain the characteristics of an image of batik using Principal Component Analysis (PCA). Next will be calculated by comparing the image of the proximity distance training and testing images using Euclidean Distance. Motif tested were batik latticework, fried, kawung, machetes, megamendung, Riau and cement veil. Motif best with 53.3% accuracy rate is parang batik and batik motifs best with 39.2% accuracy rate is a geometric motif.

Keywords: Batik , Android , Principal Componet Analysis ( PCA ) , Euclidean Distance . Aplikasi Pendeteksi Jenis Motif Batik Menggunakan Principal Component Analysis (Pca) Dan Euclidean Distance Berbasis Android Lodia Windari, Meilany Dewi dan Ananda


1. Pendahuluan Pada tanggal 2 Oktober 2009 UNESCO menetapkan batik sebagai world heritage sebagai identitas dan warisan budaya bangsa Indonesia. Dalam berita di harian Suara Merdeka dikatakan bahwa, banyak orang yang tidak mengetahui makna motif atau gambar yang terlukis di kain batik. Oleh karena itu maka dibutuhkan suatu cara yang dapat mengetahui makna motif atau gambar yang terlukis di kain batik tanpa harus belajar langsung ke sumber asli atau mencari referensinya terlebih dahulu. Salah satu cara yaitu mengenalkan batik dengan menggunakan android. Pada proses pengenalan batik menggunakan android akan dilakukan ekstraksi ciri yang mampu mengindentifikasi ciri batik untuk mendapatkan karakteristik suatu citra batik dengan menggunakan metode Principal Component Analysis (PCA). Selanjutnya akan dilakukan perhitungan jarak kedekatan dengan membandingkan citra training dan citra testing menggunakan Euclidean Distance. Aplikasi ini dapat mendeteksi dan mencari informasi jenis motif batik. Aplikasi ini juga dapat mengenalkan dan menampikan informasi jenis motif batik yang ada diIndonesia. 2. Landasan Teori 2.1

Penelitian Terdahulu

Penelitian tentang klasifikasi motif batik yang dilakukan Rangkuti (2013), Proses klasifikasi dari citra batik, yang berbasis pada kemiripan ciri, dengan mengabungkan metode Wavelet Transform jenis Daubechies 2 level 2, untuk memproses ciri tekstur yang terdiri dari standard deviasi, mean dan energi sebagai variabel input, dengan mengunakan metode Fuzzy Neural Network (FNN). Penelitian oleh Wardani (2013), Klasifikasi dimulai dengan melakukan grayscale pada citra batik masukan dilanjutkan dengan proses dekomposisi untuk mendapatkan koefisen wavelet yang kemudian dihitung nilai energi dan entropi dari masing-masing

151

gambar dan disimpan kedalam database. Selanjutnya membandingkan energi dan entropi antara citra yang akan diklasifikasi dengan citra pada database. Langkah terakhir adalah melakukan klasifikasi dengan menggunakan metode k-nearest neighbor. 2.2

Batik

Arti batik dalam Kamus Umum Bahasa Indonesia adalah kain bergambar yang dibuat secara khusus dengan menukiskan atau menerapkan malam (lilin) pada kain, kemudian pengolahannya diproses dengan cara tertentu. [1] Motif batik adalah sebuah kerangka gambar yang mewujudkan batik secara keseluruhan. Motif Geometris adalah motif-motif batik yang ornamen-ornamennya merupakan susunan geometris. Ciri ragam hias geometris ini adalah motif tersebut mudah dibagi-bagi menjadi bagian-bagian yang disebut satu “raport”. Termasuk dalam motif geometris adalah motif banji, motif ceplok, motif kawung dan motif parang. Motif non geometris adalah motif-motif batik yang tidak geometris. Termasuk dalam motif ini adalah motif Semen, Buketan, Terang Bulan. Motif-motif golongan non geometris tersusun dari ornamen-ornamen tumbuhan, Meru, Pohon Hayat, Candi, Binatang, Burung, Garuda, Ular (Naga) dalam susunan tidak teratur menurut bidang geometris meskipun dalam bidang luas akan terjadi berulang kembali susunan motif tersebut. [2] 2.3

Citra Digital

Citra digital merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu. [3] Citra RGB disebut juga citra true color, citra ini mengandung matriks data berukuran m x n x 3 yang menepresentasikan warna merah, hijau, dan biru untuk setiap pikselnya. Warna dari tiap piksel ditentukan oleh intensitas merah, hijau dan biru. [4] Citra grayscale merupakan citra digital yang

Aplikasi Pendeteksi Jenis Motif Batik Menggunakan Principal Component Analysis (Pca) Dan Euclidean Distance Berbasis Android Lodia Windari, Meilany Dewi dan Ananda

Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 1, Tahun 2015 hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian Red,Green, dan Blue adalah sama. Nilai tersebut digunakan untuk menunjukan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. [3] 2.4

2.7

MySQL

Mysql adalah database yang cepat, mudah untuk digunakan (easy-to-use) dan juga berfungsi sebagai Relational Database Management System (RDBMS) yang digunakan untuk database pada beberapa website. MySQL menggunakan bahasa SQL. SQL (Structured Query Language) adalah bahasa standar yang digunakan untuk mengakses server database.[8]

Euclidean Distance

Euclidean Distance adalah salah satu metode yang digunakan untuk mengukur nilai kesamaan antar objek-objek yang dibandingkan. Euclidean Distance menghitung jarak dua buah point dengan mengetahui nilai dari masing-masing atribut pada kedua point tersebut. Jarak adalah pendekatan yang umum dipakai untuk menentukan kesamaan atau ketidaksamaan dua vector fitur yang dinyatakan dengan rangking. Apabila nilai rating yang dihasilkan semakin kecil nilainya maka semakin dekat/tinggi kesamaan antar kedua vector tersebut. [6]

2.6

dibutuhkan komponen penting yang harus diketahui yaitu SDK (software develpoment kit). SDK (software development kit) sebagai alat bantu dan API menggunakan bahasa pemrograman Java. Android SDK terdiri dari debugger, libraries, handset emulator, dokumentasi, contoh kode, dan tutorial. Aplikasi android ditulis dalam bahasa pemrograman Java. [7]

Principal Component Analysis

Principal Component Analysis (PCA) adalah teknik statistik yang berguna untuk aplikasi dibidang seperti pengenalan wajah dan kompresi gambar, dan merupakan teknik umum untuk menemukan pola dalam data berdimensi tinggi. Keuntungan dari PCA adalah saat mendapatkan pola dalam data mengkompresi data yaitu dengan mengurangi jumlah dimensi, tanpa banyak kehilangan informasi.[5] 2.5

152

3. Metodologi Penelitian 3.1

Rancangan Sistem

Java Android

Andorid adalah sistem operasi mobile berbasis kernel Linux yang dikembangkan oleh Andorid Inc dan kemudian diakusisi oleho Google. Sistem operasi ini bersifat open source sehingga para programmer dapat membuat aplikasi secara mudah. Java merupakan bahasa pemrograman dengan menggunakan konsep oop (object oriented programming). Dalam memulai pemrograman Android,

Gambar 3. 1 Deskripsi Umum Sistem

3.2

Usecase Diagram

Usecase Diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem.



153

Gambar 3. 2 Usecase Diagram

3.3

Entity Relationship Diagram

Entity Relationship Diagram digunakan untuk menggambarkan hubungan antara objek-objek yang ada pada sistem yang dirancang.

4.2

Pengujian

4.2.1

Pengujian Terhadap Sistem

Tabel 4.2. 1 Pengujian Terhadap Sistem

Gambar 3. 3 Entity Relationship Diagram

4. Hasil dan Pembasan 4.1

Interface Website

4.1.1

Admin/Training

Tampilan Menu Admin yang terletak pada sudut kiri atas menu utama.

4.1.2

Pengguna/Testing

Tampilan ketika pengguna menekan tombol capture.

4.2.2 Pengujian Terhadap Motif Batik Pengujian yang dilakukan adalah pengujian pengambilan gambar batik sebanyak 30 kali percobaan menggunakan kamera handphone Samsung Grand Prime beresolusi 8 MP. Motif batik yang diuji yaitu, batik banji, batik ceplok, batik kawung, batik mega mendung, batik parang, batik semen dan batik tabir riau. Hasil pengujian dapat dilihat pada Table 4.2.2 Tabel 4.2. 2 Pengujian Terhadap Motif Batik



154

parang dan batik tabir riau, batik parang memiliki tingkat persentase keakuratan paling tinggi yaitu sebesar 53.3% dan batik semen memiliki tingkat persentase keakuratan paling rendah yaitu hanya 20%. 4.3.3

4.2.3 Pengujian Terhadap Jenis Batik Pengujian ini dilakukan untuk mengetahui apakah perbedaan jenis batik mempengaruh akurasi pada sistem dalam pendeteksi. Pengujian ini dilakukan pada jenis batik geometris dan non geometris. Jenis batik geometris seperti batik banji, batik ceplok, batik kawung dan batik parang. Sedangkan batik non geometris yaitu batik mega mendung, batik semen dan batik tabir riau. Pada pengujian ini menggunakan handphone Samsung Grand Prime beresolusi 8 MP. Pengujian menggunakan alat bantu lazypod untuk menahan handphone agar tetap pada kondisi yang sama.

4.3

Analisa BlackBox

4.3.1

Analisa Black Box

Berdasarkan hasil pengujian yang telah dilakukan sebelumnya, diperoleh hasil bahwa sistem berjalan dengan baik. Seperti pengguna dapat mengambil citra batik menggunakan camera atau gallery, Admin dapat menginputkan data training baru, Sistem memproses inputan citra batik RGB menjadi citra batik grayscale, Sistem memproses inputan citra batik grayscale menjadi hasil PCA dan Sistem memproses perhitungan jarak kedekatan training dan testing dengan Euclidean Distance. 4.3.2

Analisa Terhadap Jenis Batik

Berdasarkan pengujian yang dilakukan terhadap jenis batik geometris dan jenis batik non geometris terlihat bahwa tingkat akurasi dari jenis batik geometris lebih baik dibanding jenis batik non geometris. Jenis batik geometris memiliki persentase keakuratan sebesar 39.2%. Motif batik yang termasuk kedalam jenis batik geometris diantaranya adalah batik ceplok, banji, kawung dan parang. Sedangkan jenis batik non geometris yang terdiri dari batik semen, batik megamendung dan batik tabir riau memiliki persentase keakuratan sebesar 26.7%. Dari pengujian yang telah dilakukan dapat diketahui jenis motif batik geometris yang merupakan motif-motif batik yang ornamen-ornamennya merupakan susunan geometris. Pola pada batik geometris yang berulang-ulang dan tersusun rapi menjadikan jenis ini memiliki tingkat persentase keakuratan lebih tinggi dibanding jenis batik non geometris yang merupakan motif-motif batik yang ornamennya tidak tersusun teratur menurut geometris. 5. Kesimpulan dan Saran 5.1

Kesimpulan

Kesimpulan yang dapat diambil dari pengujian dan analisa adalah sebagai berikut :

Analisa Terhadap Motif Batik

Berdasarkan pengujian yang dilakukan terhadap motif batik yang terdiri dari batik banji, batik ceplok, batik kawung, batik megamendung, batik semen, batik Aplikasi Pendeteksi Jenis Motif Batik Menggunakan Principal Component Analysis (Pca) Dan Euclidean Distance Berbasis Android Lodia Windari, Meilany Dewi dan Ananda

Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 1, Tahun 2015 1. Aplikasi pendeteksi motif batik menggunakan metode Principal Component Analysis (PCA) dan Eculidean Distance berbasis android dapat mendeteksi jenis motif batik. 2. Motif batik terbaik dengan tingkat keakuratan sebesar 53.3% adalah motif batik parang. 3. Jenis motif batik terbaik dengan tingkat keakuratan sebesar 39.2% adalah motif batik geometris. 5.2

Saran

[4]

Ardiansyah, R. F. (2014). PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA). Semarang: Universitas Dian Nuswantoro.

[5]

Smith, L. I. (2002). A tutorial on Principal Components Analysis .

[6]

Faisal, M dan Irwansyah, E (2015). Advanced Clustering – Teori dan Aplikasi

[7]

Enterprise, J. (2010). Step by Step Ponsel Android. Jakarta: Penerbit PT Elex Media Komputindo Kompas Gramedia, Anggota IKAPI.

[8]

Rahardjo, A. S. (2001). Membangun Database dengan MySQL sebagai Data-base Server pada Website Ecommerce Komputeronline.com, Universitas Kristen Petra, 3(2), 88– 95.

Adapun saran yang diajukan penulis untuk pengembangan aplikasi ini adalah : 1. Dalam identifikasi motif batik menggunakan metode Principal Component Analysis (PCA) dan Eculidean Distance belum memberikan hasil yang maksimal, untuk itu perlu ditingkatkan nilai akurasi identifikasi agar mendapatkan hasil yang lebih baik dari sekarang.

155

2. Objek yang digunakan berbeda dari yang sekarang seperti tenun dan songket. 3. Aplikasi dapat dikembangkan menggunakan platform lain seperti iOS.

Daftar Pustaka [1]

Kurnia, A. S. (2007). Kamus Besar Bahasa Indonesia. Jakarta: Penerbit Balai Pustaka.

[2]

Sugiyem. (2008). WUNY. Makna Filosofi Batik , Tahun X, Nomor 3.

[3]

Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI.


Vol. 4, No. 1, Tahun Jurnal Aksara Komputer Terapan Politeknik Caltex Riau

Recommend Documents