LAPORAN AKHIR PENELITIAN DISERTASI DOKTOR TAHUN ANGGARAN 2014

Transkripsi

1 HALAMAN JUDUL LAPORAN AKHIR PENELITIAN DISERTASI DOKTOR TAHUN ANGGARAN 2014 PENCOCOKAN KEYPOINT SIFT PADA HOUGH SPACE UNTUK MENINGKATKAN KUALITAS PENGENALAN MOTIF BATIK Tahun ke -1 (satu) dari rencana 1 (satu) tahun IDA NURHAIDA, ST., MT. (NIDN : ) Dibiayai Sesuai Surat Perjanjian No 193/K3/KM/2014 tanggal 7 Mei 2014 Direktorat Jendral Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan dan Berdasarkan Surat Perjanjian Penugasan dalam Rangka Bantuan Penelitian Desentralisasi Disertasi Doktor Kopertis Wilayah III Jakarta Tahun Anggaran 2014 FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA NOVEMBER 2014

2 HALAMAN PENGESAHAN PENELITIAN DISERTASI DOKTOR Judul Kegiatan : Pencocokan Keypoint SIFT pada Hough Space untuk Meningkatkan Kualitas Pengenalan Motif Batik Kode/Nama Rumpun Ilmu : Ilmu Komputer Ketua Peneliti A. Nama Lengkap : IDA NURHAIDA ST,MT B. NIDN : C. Jabatan Fungsional : Asisten Ahli D. Program Studi : Teknik Informatika E. Nomor HP : F. Surel ( ) : idariyan@yahoo.com G. NIM : H. Semester ke : 4 PT Penyelenggara : Universitas Indonesia Program Doktor : Ilmu Komputer Nama Promotor : Prof., Dr., Ir. ANIATI MURNI ARYMURTHY M.Sc NIDN Promotor : Biaya yang Diusulkan : Rp ,00 Mengetahui Jakarta, , Ketua Peneliti, (Ida Nurhaida ST,MT) NIP/NIK Menyetujui,

3 Daftar Isi HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii Daftar Isi... iii Daftar Gambar... v Daftar Tabel... vi RINGKASAN... vii Bab 1. Pendahuluan Latar Belakang Perumusan Masalah Tujuan Penelitian Urgensi (Keutamaan) Penelitian... 4 Bab 2. Tinjauan Pustaka State of The Art Peta Jalan Penelitian Penelitian Pendahuluan Fokus Penelitian Penyelesaian Penelitian Disertasi Teori Pendukung Ragam Pola Batik Scale Invariant Feature Transform (SIFT) Metode Pencocokan Bab 3. Metode Penelitian Input Citra Dijital Ekstraksi Fitur menggunakan SIFT iii

4 3.3. Metode Pencocokan Proyeksi ke Hough Space Voting Keypoint pada Hough Space Bab 4. Hasil Yang Dicapai Pencocokan Keypoint dari Hasil Ekstraksi Fitur SIFT Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan Keypoint (Skenario 1) Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan Keypoint (Skenario 2) Menganalisa Karakteristik Keypoint Hasil Voting menggunakan Hough Transform (Skenario 1) Menganalisa Karakteristik Keypoint menggunakan Hough Transform (Skenario 2) Mendeteksi Jumlah Obyek pada Citra Tabel 4.6. Hasil Eksperimen Mendeteksi Jumlah Obyek Motif Batik Bab 5. Rencana Tahapan Berikutnya Bab 6. Kesimpulan dan Saran Kesimpulan Saran Bab 7. Daftar Pustaka LAMPIRAN iv

5 Daftar Gambar Gambar 2.1. Peta Jalan Penelitian... 8 Gambar 3.1. Diagram metodologi penelitian disertasi Gambar 3.2. Diagram Hibah Penelitian Disertasi Doktor Gambar 4.1. Skenario eksperimen v

6 Daftar Tabel Tabel 4.1. Hasil Eksperimen Pencocokan Keypoint Tabel 4.2. Hasil Eksperimen Karakteristik Keypoint (Skenario 1)... Error! Bookmark not defined. Tabel 4.3. Hasil Eksperimen Karakteristik Keypoint (Skenario 2) Tabel 4.4. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough Transform (Skenario 1) Tabel 4.5. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough Transform (Skenario 2) Tabel 4.6. Hasil Eksperimen Mendeteksi Jumlah Obyek Motif Batik vi

7 RINGKASAN Batik merupakan warisan budaya Indonesia yang sudah sangat popular hingga ke mancanegara. Keindahan motif batik yang dikombinasikan dengan pewarnaan menjadikan batik sebagai karya seni yang sangat dikagumi oleh masyarakat dunia. Motif dan ragam hias batik memiliki pola tertentu dan memiliki kesamaan antara motif yang satu dengan motif lainnya. Penelitian ini merupakan tahap awal dari keseluruhan penelitian disertasi yang bertujuan untuk melakukan pengenalan motif batik secara otomatis, khususnya untuk motif geometris. Permasalahan utama yang dihadapi dalam pengenalan motif batik adalah adanya kemiripan motif dan kemunculan suatu motif secara berulang dengan lokasi, skala, dan orientasi yang berbeda dapat menyebabkan adanya kesalahan pengenalan dan kesalahan klasifikasi. Oleh karenanya proses pencocokan deskriptor citra yang diperoleh melalui ekstraksi citra harus dapat dilakukan dengan baik sehingga kualitas pengenalan motif batik menjadi lebih baik. Pencocokan dilakukan melalui pendekatan voting keypoint SIFT yang diproyeksikan pada Hough Space. Hingga tahap penelitian ini karakteristik deskriptor telah diobservasi yang memperlihatkan bahwa keypoint bersifat distinctive dan mampu membedakan obyek dengan latar belakang yang kompleks. Namun dalam kasus batik masih terdapat kesalahan pencocokan sehingga perlu dikaji lebih dalam lagi terutama dalam hal penanganan simetri obyek dan kemunculan suatu motif secara berulang. Kata Kunci : Ekstraksi fitur, SIFT, pencocokan kepoint, voting keypoint, Hough Space vii

8 Bab 1. Pendahuluan 1.1. Latar Belakang Batik sebagai salah satu warisan budaya nenek moyang Indonesia berhasil tumbuh dan berkembang dengan baik tidak tersisihkan dengan adanya arus globalisasi mode dunia. Bahkan batik mampu menjadi tren berbusana untuk masyarakat lokal maupun dunia. Walau di negara lain juga bisa ditemui batik, misalnya di Malaysia, Thailand, India, Sri Langka, dan Iran, tetapi batik Indonesia adalah batik yang cukup terkenal di dunia. Batik adalah kain tradisional yang menggunakan lilin atau malam sebagai perintang warna dengan teknik manualnya (Doellah 2003). Kata-kata batik berasal dari bahasa Jawa yaitu Mbat dan Titik. Kedua kata ini membentuk makna membubuhkan beberapa titik secara simultan pada kain sehingga membentuk garis. Teknik ini dilakukan dengan menggunakan canting dan malam. Seni membuat batik menggunakan canting dan malam diperkirakan telah berkembang sejak awal abad ke 18 (Xenia Moeis et al. 2011). Teknik tersebut memanfaatkan malam sebagai pelindung kain dari pewarnaan parsial (Samsi 2011) Batik merupakan salah satu kekayaan dan aset budaya yang memiliki nilai ekonomis dan sejarah bernilai tinggi sehingga perlu dilestarikan. Batik Indonesia telah diakui secara formal sebagai warisan budaya oleh UNESCO pada tanggal 8 September 2009 di Abu Dhabi. Batik Indonesia memiliki teknik, simbol-simbol, dan kultur yang tidak dapat dipisahkan dari falsafah hidup bangsa Indonesia. Keberagaman motif batik datang dari berbagai wilayah propinsi menjadikan Indonesia layak dijadikan sebagai sumber kultur batik di dunia. Kebanggaan terhadap budaya dan kearifan lokalnya dapat menjadikan warisan budaya tersebut akan selalu hidup di tengah-tengah masyarakat. Banyaknya warisan budaya Indonesia yang perlu dijaga kelestariannya merupakan jati diri dan identitas bangsa yang perlu diwariskan kepada anak cucu sepertinya halnya batik. Berdasarkan uraian di atas, penulis memandang perlu untuk melakukan penelitian yang mendalam berkaitan dengan proses pengenalan pola batik secara otomatis berdasarkan jenis motifnya. Pengenalan pola motif ini dilakukan melalui serangkaian proses yang akan dijelaskan secara rinci pada bagian-bagian selanjutnya. 2

9 1.2. Perumusan Masalah Secara spesifik permasalahan-permasalahan yang ingin diatasi dalam penelitian ini adalah sebagai berikut : 1. Bagaimana sistem dapat melakukan pengenalan terhadap suatu motif batik berdasarkan kelasnya? 2. Bagaimana melakukan ekstraksi fitur-fitur lokal dari motif batik menggunakan SIFT? 3. Bagaimana melakukan pencocokan keypoint dari citra data query dibandingkan dengan citra data template? Klasifikasi dilakukan dengan membandingkan ekstraksi kandungan informasi antara data citra query dengan data citra template yang telah disimpan pada basis data. Proses ekstraksi fitur dilakukan menggunakan teknik Scale Invariant Feature Transform (SIFT). Resultan dari fitur-fitur SIFT yang berkorespondensi untuk setiap data citra query dan data citra template diproyeksikan ke dalam Hough space yang bersifat kontinyu. Selanjutnya hasil proyeksi membentuk kluster fitur-fitur yang cocok untuk setiap obyek yang ada. Dengan demikian, untuk setiap kelas obyek yang disimpan masingmasing akan memiliki Hough space. 4. Dengan mengacu kepada karakteristiknya, bagaimana menangani kemunculan obyek secara berulang-ulang pada motif batik? Hough space digunakan untuk merepresentasikan multiple instance dari kelas obyek yang sama. Permasalahan yang timbul dan mempengaruhi keandalan hasil proses ekstraksi fitur SIFT dan pemetaan Hough space adalah karena instance yang berbeda pada kelas objek yang sama akan memiliki fitur deskriptor yang sama. Disamping itu, kemunculan obyek secara berulang dapat memiliki lokasi, ukuran, maupun orientasi yang berbeda. Kedua permasalahan tersebut jika tidak ditangani dengan baik akan menurunkan kualitas sistem pengenalan motif batik Tujuan Penelitian Penelitian ini merupakan tahap awal dalam membangun sistem pengenalan motif batik yang handal dan merupakan bagian dari penyelesaian disertasi. Tujuan 3

10 utama penelitian disertasi secara keseluruhan adalah membangun sistem dengan model dan algoritma yang mampu meningkatkan akurasi dan efisiensi klasifikasi motif batik. Tujuan lain yang ingin dicapai adalah mengatasi permasalahan kemunculan obyek dari kelas yang sama secara berulang pada motif batik. Adapun tujuan khusus yang ingin dicapai dalam tahap penelitian ini adalah sebagai berikut : 1. Melakukan pencocokan fitur keypoint dan memproyeksikan pasangan keypoint ke dalam Hough space. 2. Memecahkan permasalahan dalam mendeteksi adanya obyek-obyek yang berulang. 3. Mengevaluasi jumlah kluster yang ditemukan. Kluster-kluster tersebut merepresentasikan banyaknya pengulangan obyek yang terdapat dapat data citra query Urgensi (Keutamaan) Penelitian Batik merupakan perpaduan antara seni dan kerajinan yang menjadi milik bangsa Indonesia sejak lama. Tidak ada yang tahu pasti kapan batik pertama kali dibuat. Awalnya baju batik hanya digunakan oleh beberapa kalangan untuk kesempatan-kesempatan yang tertentu pula. Batik memiliki motif yang beraneka ragam dan makna yang berbeda pula. Khusus untuk batik dari daerah Jawa, komposisi motif dan warna sangat variatif dan telah menjadi budaya yang diwariskan secara turun temurun. Desain batik dibuat berdasarkan wilayah. Pada daerah pesisir desain batik dipengaruhi oleh pendatang dari Cina, koloni Belanda, dan pedagang dari India dan Arab (Doellah 2003). Batik pesisir memiliki latar belakang putih dengan motif yang berwarna. Sebaliknya, batik keraton didominasi dengan warna coklat yang diperoleh dari tanaman soga tingi, soga tangerang, indigo, hitam dan putih (Xenia Moeis et al., 2011). Batik terdapat pada 19 propinsi yang tersebar di belahan bumi Indonesia (Doellah 2003). Setiap wilayah memiliki motif khas dengan makna-makna tertentu. Motif batik dibagi ke dalam beberapa kelas berdasarkan desainnya. Elemen-elemen dalam bentuk natural merupakan representasi ornamen yang selanjutnya dapat diklasifikasikan menjadi motif. Pada awalnya motif batik 4

11 terinspirasi oleh simbol-simbol dari Jawa, Islam, dan Hindu. Hal ini dapat dilihat pada motif kawung yang memiliki kesamaan dengan kawung yang terdapat di patung-patung Hindu. Hingga saat ini para desainer batik terus menciptakan motif-motif baru dengan mengkombinasikan satu motif dengan motif yang lain. Hal ini menyebabkan motif batik menjadi makin kompleks. Dengan demikian sangat diperlukan adanya suatu sistem yang mampu melakukan pengenalan motif batik khas Indonesia dengan baik. Belum adanya dokumentasi digital tentang motif-motif batik di Indonesia menjadi motivasi bagi penulis untuk melakukan riset tentang pengenalan motif batik ini. Bidang penelitian ini merupakan bagian dari Computer Vision yang mencakup metode perolehan informasi, pengolahan, analisis, dan memahami gambar berupa data dimensi tinggi dari dunia nyata untuk menghasilkan informasi numerik atau simbolis menjadi suatu bentuk keputusan. Permasalahan utama yang dihadapi dalam pengenalan motif batik adalah adanya bentuk-bentuk motif yang tidak beraturan sehingga menyulitkan dalam melakukan pengenalan dan pengelompokan ke suatu kelas tertentu. Disamping itu adanya kemunculan suatu motif secara berulang-ulang dapat menyebabkan adanya kesalahan pengenalan dan kesalahan klasifikasi. Meskipun banyak kain batik yang memiliki motif sama, namun motif-motif tersebut bisa jadi berbeda dari sisi ukuran, posisi, dan orientasinya. Dengan demikian dibutuhkan suatu metode yang handal untuk mengatasi permasalahan tersebut. Metode yang dimaksud selayaknya mampu mengatasi permasalahan terhadap perubahan lokasi, skala, orientasi, dan pengulangan obyek motif batik dalam rangka melakukan klasifikasi batik menggunakan motif-motif tertentu. Pada penelitian ini penulis telah melakukan serangkaian observasi dan menghasilkan metode pendekatan yang akan mengatasi permasalahan tersebut. Kontribusi yang diharapkan dari penelitian disertasi ini dijabarkan sebagai berikut : 1. Kontribusi ilmu pengetahuan dan teknologi informasi : a) Penggunaan teknologi clustering berdasarkan voting keypoint pada Hough space untuk sistem pengenalan motif batik. 5

12 b) Menentukan perkiraan jumlah obyek motif batik yang terdapat pada data citra query secara otomatis berdasarkan analisis beberapa puncak dalam Hough space menggunakan algoritma clustering. Identifikasi terhadap jumlah obyek motif tersebut merupakan indikator penentuan jenis motif apa saja yang terdapat dalam suatu kain batik. 2. Kontribusi sosial budaya : a) Sistem ini dirancang agar memiliki kemampuan untuk melakukan pengenalan terhadap motif batik khas yang berasal dari Indonesia. Hal ini dapat mencegah terjadinya klaim terhadap motif batik khas Indonesia oleh Negara lain. b) Sistem pengenalan motif batik ini merupakan cikal bakal dibentuknya sistem repositori motif batik khas Indonesia sehingga dapat dijadikan sebagai media untuk melestarikan warisan budaya. Target luaran yang ingin dicapai dalam penelitian ini adalah sebagai berikut : a) Draf disertasi yang telah disetujui pembimbing. b) Publikasi pada jurnal internasional. c) Menghasilkan model pencocokan keypoint SIFT pada hough space untuk meningkatkan kualitas pengenalan motif batik. 6

13 Bab 2. Tinjauan Pustaka 2.1. State of The Art Karakter motif batik memiliki kesamaan antara satu dengan yang lain. Dalam implementasinya tidak aturan khusus yang menentukan cara pembuatan suatu motif batik. Meskipun dapat dilihat perbedaan antara motif satu dengan lainnya, namun secara detail banyak terdapat kesamaan bentuk dan pola dari masing-masing motif. Metode klasifikasi dapat digunakan dalam melakukan pengenalan motif batik pada citra dijital. Model komputasi untuk klasifikasi dapat dieksekusi dengan waktu yang relatif singkat melalui beberapa pengujian (Clausi & Jernigan 2000). Selanjutnya, jumlah kesalahan (error) juga dapat ditentukan secara kuantitatif. Saat ini riset mengenai pengenalan motif batik telah dilakukan berdasarkan kesamaan terhadap fitur-fitur tekstur tingkat rendah dan tingkat tinggi (Akta 2012). (Loke & Cheong 2009) menggunakan dekomposisi metode ekstraksi fitur tingkat rendah Grey Level Co-occurrence Metrics (GLCM) untuk pengenalan batik dan songket dari Negara Malaysia. (Sanabila & Manurung 2009) menggunakan metode keyblock frames dan transformasi Hough untuk pencocokan template dan mendeteksi kemunculan motif batik tertentu. Hasil yang diperoleh cukup baik namun biaya komputasi yang diperlukan tinggi. Metode klasifikasi menggunakan K-mean clustering menggunakan esktraksi fitur Log Gabor filter dan Color Histogram juga telah dilakukan untuk menambah tingkat perolehan informasi untuk motif batik berdasarkan asal wilayah (Rahadianti et al. 2009). Riset (Nurhaida et al. 2012) membandingkan kinerja metode gray level cooccurrence matrices (GLCM), Canny edge detection, dan Gabor filter terhadap pengenalan motif batik. Penelitian (Aragon-Camarasa & Siebert 2010) pada active binocular vision system mampu mendeteksi sampai dengan 6 (enam) obyek dengan melakukan lokalisasi beberapa obyek pada kelas yang sama. Hal ini dilakukan dengan memodifikasi pendekatan standard Hough Transform. (Piccinini et al. 2012) melakukan pendekatan untuk mendeteksi dan melokalisasi obyek ganda melalui aplikasi pick-and-place menggunakan metode ekstraksi kkeypoint SIFT dan mean shift clustering. Mean shift clustering mengelompokkan 7

14 keypoint SIFT yang berkorespondensi antara model obyek dan citra ke dalam potential object instances yang potensial dengan performa real-time. Sistem ini memberikan hasil yang baik dari sisi fleksibilitas, akurasi, dan presisi penentuan posisi obyek. Berdasarkan penelitian-penelitian yang telah dilakukan sebelumnya, belum terdapat penelitian yang difokuskan pada kemunculan obyek secara berulang pada pengenalan motif batik. Dengan demikian penelitian ini memiliki perbedaan dengan penelitian-penelitian yang telah dilakukan sebelumnya. Pengenalan motif batik dilakukan secara otomatis menggunakan fitur-fitur yang diperoleh dari metode ekstraksi Scale Invariant Feature Transform (SIFT). Kelebihan dari sistem pengenalan motif batik ini adalah jumlah obyek dari suatu motif tertentu juga dapat ditentukan sehingga meningkatkan akurasi pengenalan terhadap jenis-jenis motif yang ada Peta Jalan Penelitian Untuk lebih memperjelas program penelitian berikut gambaran peta jalan penelitian yang dilakukan : Penelitian pendahuluan : Perbandingan analisa performansi metode ekstraksi fitur untuk pengenalan motif batik (Nurhaida et. al. 2012) Perbandingan kinerja metode ekstraksi fitur terhadap perubahan skala dan orientasi pada motif batik geometris (2013) Perbandingan kinerja pengukuran jarak terhadap pengenalan motif batik geometris (2013) Fokus Penelitian Disertasi Doktor : Pencocokan keypoint SIFT pada Hough Space Untuk meningkatkan kualitas pengenalan Motif batik Penyelesaian Disertasi : Penelitian Clustering Fitur-fitur SIFT pada Hough Space untuk Pengenalan Motif Batik Gambar 2.1. Peta Jalan Penelitian 8

15 Berdasarkan peta jalan penelitian yang terdapat pada gambar 2.1. terdapat 3 (tiga) tahap yang dilakukan berkaitan dengan penelitian disertasi doktor yang akan dilakukan dan 1 (satu) rencana penelitian lanjutan. Penjelasan akan diuraikan pada sub bab berikut Penelitian Pendahuluan Untuk meningkatkan pemahaman tentang konsep ekstraksi fitur, penulis telah melakukan riset pendahuluan dan dipublikasikan pada International Conference on Advance Computer Science and Information System, Paper ini mendiskusikan tentang performansi beberapa metode ekstraksi fitur untuk pengenalan batik yang terdapat pada citra dijital. Perbandingan dilakukan dengan beberapa skenario pengujian untuk memperoleh tingkat akurasinya. Tujuan utama penelitian pada paper tersebut adalah melakukan pengenalan motif batik menggunakan teknik analisa tekstur yang berbeda dan membandingkan setiap teknik analisa tekstur dalam melakukan pengenalan motif batik. Metode ekstraksi fitur yang digunakan adalah grey level co-occurrence metrics (GLCM), Gabor Filter dan Canny Edge detection. Tingkat pengenalan tertinggi diperoleh dari metode GLCM dengan 80% akurasi untuk motif batik dengan pola geometris Fokus Penelitian Pada peta jalan penelitian gambar 2.1. bagian dengan latar belakang hijau merupakan fokus Penelitian Disertasi Doktor. Pencocokan keypoint SIFT dari pasangan keypoint yang stabil dalam proyeksi Hough Space menentukan kualitas dari pengenalan motif batik Penyelesaian Penelitian Disertasi Setelah pelaksanaan penelitian yang diajukan selesai, penelitian disertasi dilanjutkan sesuai dengan tahapan metodologi penelitian yang telah diseminarkan sebelumnya. 9

16 2.3. Teori Pendukung Pada sub bab berikut akan diuraikan teori-teori pendukung yang digunakan dalam penelitian ini, yaitu teori tentang ragam pola batik, deteksi tepi Canny dan SIFT Ragam Pola Batik Motif batik dapat dibedakan berdasarkan motif geometri dan non geometri yang dapat dilihat pada Tabel 2.1. (Doellah 2003). Pada pola non geometri terdapat satu motif pola khusus. Motif ini sedikit berbeda dengan motif yang lain karena mempertemukan beberapa motif lain menjadi satu motif baru. Hal ini menyebabkan motif tersebut sulit diklasifikasikan. Tabel 2.1. Motif batik berdasarkan pola geometri dan non geometri Motif Geometri Nama Motif Deskripsi Contoh Batik Parang Pola ini terdiri dari satu atau lebih ragam hias yang disusun membentuk garis-garis sejajar dengan sudut miring Terdapat ragam hias berbentuk belah ketupat sejajar dengan deretan ragam hias utaman pola parang, disebut mlinjon Ceplok Lereng Semen Motif batik yang didalamnya terdapat gambar-gambar segi empat, lingkaran dan segala variasinya dalam membuat sebuah pola yang teratur. Pola dasarnya sama dengan pola parang namun memiliki perbedaan pada tidak adanya hiasan mlinjon dan hiasan gareng. Motif Non Geometri Ragam hias utama yanga merupakan ciri khas pola semen adalah meru. Hakikat meru adalah lambang gunung atau tempat tumbuhan bertunas atau bersemi sehingga disebut semen, yang diambil dari kata dasar semi Lung-lungan Sebagian besar motif lung-lungan mempunyai ragam hias utama yang serupa dengan motif semen. Berbeda dengan pola semen, ragam hias utama lung-lungan tidak selalu mengandung ragam hias meru. 10 Parang Barong, Parang Kesit Barong, Parang Surakarta Ceplok indramayu, sidomukti dan sembagen Liris Cemeng, Lereng Madura, dan Liris Indramayu Semen Rante, Semen Gajah Birawa, Semen Surakarta Alas-alasan Kupu, Lunglungan Ukel, Lung-lungan Merak

17 Motif Non Geometri Nama Motif Deskripsi Contoh Batik Buketan Pola buketan mudah dikenali melalui rangkaian bunga atau kelopak bunga dengan kupu-kupu, burung atau berbagai satwa kecil yang mengelilinginya. Buket Isen Latar, Snow White, Buketan Pekalongan Pola Khusus Motif khusus memuat motif yang tidak dapat dimasukkan ke dalam kelas yang lain. Motif ini banyak mempertemukan dua atau lebih motif lain yang digabungkan menjadi satu motif baru sehingga sulit untuk diklasifikasikan. Tambal, Banji, Lunglungan dengan Lereng Scale Invariant Feature Transform (SIFT) SIFT merupakan salah satu teknik deteksi fitur dalam bidang computer vision.teknik ini mendeteksi suatu fitur penting, atau disebut keypoint dan memilikiproperti yang membuatnya dapat diandalkan untuk melakukan pencocokan citra. Fitur tersebut invariant terhadap skala dan rotasi, translasi, sudut pandang, dan pencahayaan. Lowe membagi SIFT ke dalam empat tahapan besar, yaitu: pendeteksian nilai ekstrim pada scale-space, lokalisasi keypoints, pemberian nilai orientasi, dan keypoints deskriptor Metode Pencocokan Pada dasarnya pencocokan dilakukan dengan menghitung jarak Euclidean. Dengan pendefinisian suatu nilai ambang maka ciri-ciri yang terlalu jauh akan dapat dihapus, tetapi hal ini tidak memuaskan dikarenakan kekuatan dari masingmasing descriptor tidak sama. Dengan kata lain, sama-sama keypoint descriptor yang valid namun kemampuan diskriminatifnya berbeda. Mengatasi permasalahan ini maka Lowe menggunakan ukuran rasio antara terdekat pertama dan terdekat kedua. Hal ini bekerja lebih baik karena diasumsikan keypoint deskriptor adalah ciri yang sangat khusus sehingga hanya ada satu atau dengan kata lain terdekat pertama secara signifikan akan lebih dekat dari pada terdekat kedua. Dengan asumsi ini maka membuat hasil pencocokan yang handal. Lowe mendefinisikan 11

18 nilai ambang untuk dua buah keypoint dianggap cocok adalah kurang dari 0,8 (Lowe 2004). Bab 3. Metode Penelitian Blok diagram penelitian disertasi dapat dilihat pada gambar 3.1. Metodologi penyelesaian masalah dibagi menjadi 4 bagian, yaitu preprocessing, ekstraksi fitur, pencocokan keypoint, dan clustering. Citra Dijital Pre Processing Ekstraksi Fitur Bagian Hibah Penelitian Disertasi Doktor Keypoint Matching Clustering Keypoint Hasil Pengenalan Motif Batik 12

19 Gambar 3.1. Diagram metodologi penelitian disertasi 13

20 Citra Dijital Pre Processing Citra tepi untuk Template Citra tepi untuk Kueri Ekstraksi Fitur menggunakan SIFT Ekstraksi Fitur menggunakan SIFT Keypoint SIFT Citra Template Similarity Measurement Keypoint SIFT Citra Kueri Kandidat Keypoint threshold 1.0 Proyeksi ke Hough Space Voting Keypoint pada Hough Space Hasil pencocokan Keypoint dalam Hough Space Gambar 3.2. Diagram Hibah Penelitian Disertasi Doktor Pada gambar 3.2 memperlihatkan metode penyelesaian masalah yang akan dilakukan pada penelitian ini. Penjelasan mengenai tahapan-tahapan penelitian akan diuraikan sebagai berikut : 14

21 3.1. Input Citra Dijital Data terdiri dari beberapa motif batik geometris yaitu kawung, parang, dan lereng dalam format grayscale. Keseluruhan data dalam bentuk.jpeg format dengan resolusi 300x300 untuk citra query dan 150x150 untuk citra template Ekstraksi Fitur menggunakan SIFT Setting parameter yang akan digunakan pada riset ini mengacu pada parameter standar oleh Lowe sebagai berikut : Octaves : 3 Intervals : 3 Sigma : 1,6 Image doubled : Yes Initial sigma : 0,5 Contrast threshold : 0,03 Curvature threshold : 10 Orientation histogram bins : 36 Orientation sigma factor : 1,5 Orientation radius : 3,0 x Orientation Sigma Factor 3.3. Metode Pencocokan Berdasarkan (Lowe 2004) pengukuran terhadap kemiripan citra dilakukan dengan korespondensi satu-satu mengacu kepada nilai perbandingan antara jarak terdekat dengan kedua terdekat memiliki nilai dibawah rasio threshold tertentu yaitu 0.8 (Lowe 2004). Teknik pengukuran menggunakan Euclidian Distance. Untuk penelitian ini dilakukan pemilihan nilai threshold yang akan digunakan dengan tujuan untuk mencari nilai threshold yang paling sesuai dimana nantinya kandidat pasangan keypoint akan diikutkan pada proses voting Proyeksi ke Hough Space Kandidat keypoint yang diperoleh dari proses sebelumnya diproyeksikan ke Hough space sebagai berikut : a. Tentukan sebarang titik referensi pada citra template. Untuk setiap keypoint pada citra template dilakukan penghitungan untuk setiap vektor dari keypoint ke titik referensi. b. Selanjutnya dilakukan pencocokan keypoint dari citra template ke citra query. 15

22 c. Untuk dua set fitur SIFT yang sesuai maka fitur tersebut merepresentasikan obyek pada citra template dan citra query didefinisikan sebagai (x, y, σ, θ) t dan (x, y, σ, θ) q dimana x, y, σ dan θ adalah lokasi, skala dan orientasi. Untuk setiap fitur SIFT pada citra kueri (x, y, σ, θ) q akan berkorespondensi dengan satu fitur SIFT (x, y, σ, θ) t Voting Keypoint pada Hough Space Pada tahap ini dilakukan voting untuk setiap pasangan keypoint yang pada seluruh lokasi obyek di citra kueri. Voting ini menggunakan vektor yang telah dihitung pada tahap sebelumnya. Untuk setiap keypoint yang sesuai ditambahkan satu nilai positif. Jika pada citra terdapat obyek motif batik maka voting akan memiliki nilai lokal maksimum yang tinggi. 16

23 Bab 4. Hasil Yang Dicapai Pada penelitian ini kami telah melaksanakan beberapa tahapan penelitian secara sekuensial sesuai dengan tahapan metodologi penelitian yang telah diuraikan pada bab sebelumnya Pencocokan Keypoint dari Hasil Ekstraksi Fitur SIFT 1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil pencocokan antara citra pengujian dan citra pelatihan diperoleh dari ekstraksi fitur SIFT dengan menggunakan beberapa nilai threshold. 2. Data Input : a. Data input yang digunakan menggunakan resolusi 300x380 dalam format JPEG. b. Citra template yang digunakan adalah motif pada kain batik masing-masing 1 (satu) varian dari kelas ceplok, kawung, parang, lereng, dan nitik. c. Citra query yang digunakan diambil dari komponen-komponen batik yang terdapat pada setiap motif kain dengan metode cropping. 3. Skenario Eksperimen SIFT tanpa voting Hough a. Data query dan data template diekstraksi fitur-fiturnya menggunakan SIFT. b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah dihasilkan pada tahap sebelumnya. 4. Skenario eksperimen dapat dilihat pada gambar

24 Digital Image Pre Processing Raw Image Template Raw Image Query SIFT SIFT Keypoint SIFT Template Image Keypoint SIFT Query Image Similarity Matching Keypoint Candidate Threshold (0.6, 0.7, 0.8,0.9, 1.0, 1.1, 1.2) Matching Keypoint Gambar 4.1. Skenario eksperimen Pencocokan Keypoint 5. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra query dan citra template adalah sebagai berikut : Tabel 4.1. Hasil Eksperimen Pencocokan Keypoint Kelas Motif Batik CPK003-Ceplok Blibar1 KWG002- Kawung Beton LRG007-Lereng Golang Galing NTK005-Nitik Kapulogo PRG007-Parang Curiga Match Keypoint at Distance Ratio Komponen Motif Batik No Ratio Blibar Blibar Blibar Blibar Blibar Kawung Kawung Lereng Golang galing Nitik Kapulogo Parang Curiga

25 6. Analisa Hasil Eksperimen Hasil eksperimen pada tabel 4.1 memperlihatkan bahwa motif citra pengujian berhasil ditemukan pada citra pelatihan berdasarkan hasil pencocokan keypoint diantara kedua jenis citra. Kandidat pencocokan terbaik dari setiap keypoint ditemukan dari identifikasi tetangga terdekatnya pada keypoint dari template. Salah satu cara menemukan tetangga terdekat adalah dengan menghitung nilai minimum jarak Euclidean. Namun banyak fitur dari citra pengujian yang tidak memiliki pencocokan yang tepat pada citra pelatihan sehingga dibutuhkan langkah untuk menghapus fitur yang tidak memiliki fitur yang cocok dengan citra pelatihan. Salah satu solusi untuk masalah ini adalah dengan membandingkan jarak tetangga terdekat terhadap tetangga terdekat kedua. Dengan pendefinisian suatu nilai threshold maka ciri-ciri yang terlalu jauh akan dapat dihapus, tetapi hal ini bisa jadi tidak memuaskan dikarenakan kekuatan dari masing-masing descriptor tidak sama. Dengan kata lain, untuk dua keypoint descriptor yang dinilai valid namun kemampuan diskriminatifnya bisa jadi berbeda. Mengatasi permasalahan ini maka Lowe menggunakan ukuran rasio antara terdekat pertama dan terdekat kedua. Hal ini bekerja lebih baik karena diasumsikan keypoint deskriptor adalah ciri yang sangat khusus sehingga hanya ada satu atau dengan kata lain terdekat pertama secara signifikan akan lebih dekat dari pada terdekat kedua. Dengan asumsi ini maka membuat hasil pencocokan yang handal. Lowe mendefinisikan nilai threshold untuk dua buah keypoint dianggap cocok adalah kurang dari 0,8 (Lowe 2004). Berdasarkan hasil eksperimen nilai threshold 0.6 memiliki jumlah matching keypoint yang paling sedikit. Banyaknya jumlah keypoint tersebut akan bertambah seiring dengan pertambahan nilai threshold. Pada nilai threshold 1.0, 1.1, dan 1.2 jumlah keypoint akan mencapai jumlah maksimum sesuai dengan banyaknya keypoint terdapat pada query template yang dihasilkan oleh ekstraksi fitur SIFT. Hal ini berarti bahwa seluruh keypoint yang terdapat pada query memiliki pasangan keypoint pada template. Dengan demikian dapat disimpulkan bahwa motif pada query tersebut dapat ditemukan pada template. 19

26 Distance Ratio Lereng Golang Galing Nitik Kapulogo Parang Curiga No Ratio Lereng Golang galing-nodistratio.jpg Nitik Kapulogo-nodistratio.jpg Parang Curiga-nodistratio.jpg 0.6 Lereng Golang galing-distratio.jpg Nitik Kapulogo-distratio.jpg Parang Curiga-distratio.jpg 20

27 Distance Lereng Golang Galing Nitik Kapulogo Parang Curiga Ratio 0.7 Lereng Golang galing-distratio1.jpg Nitik Kapulogo-distratio1.jpg Parang Curiga-distratio1.jpg 0.8 Lereng Golang galing-distratio2.jpg Nitik Kapulogo-distratio2.jpg Parang Curiga-distratio2.jpg 21

28 Distance Lereng Golang Galing Nitik Kapulogo Parang Curiga Ratio 0.9 Lereng Golang galing-distratio3.jpg Nitik Kapulogo-distratio3.jpg Parang Curiga-distratio3.jpg 1.0 Lereng Golang galing-distratio4.jpg Nitik Kapulogo-distratio4.jpg Parang Curiga-distratio4.jpg 22

29 4.2. Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan Keypoint (Skenario 1) 1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil pencocokan antara citra query dan citra template yang diperoleh dari ekstraksi fitur SIFT dengan menggunakan beberapa nilai threshold. 2. Data Input : a. Data input yang digunakan menggunakan resolusi 300x380 dalam format JPEG. b. Citra query yang digunakan adalah citra motif kain Ceplok Blibar 1 dan Kawung Beton c. Data template yang digunakan adalah komponen-komponen motif pada kain batik Ceplok Blibar 1 dan Kawung Beton dengan metode cropping 3. Skenario Eksperimen SIFT tanpa voting Hough a. Citra query dan citra template diekstraksi fitur-fiturnya menggunakan SIFT. b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah dihasilkan pada tahap sebelumnya. 4. Hasil eksperimen berdasarkan jumlah matching keypoint antara citra pengujian dan citra template adalah sebagai berikut : Tabel 4.2. Hasil Eksperimen Karakteristik Keypoint (Skenario 1) Kelas Motif Batik CPK003- Ceplok Blibar1 KWG002- Kawung Beton Komponen Motif Batik Jumlah Keypoint Match Keypoint at Distance Ratio No Ratio Blibar Blibar Blibar Blibar Blibar Kawung Kawung

30 5. Analisa Hasil Eksperimen Berdasarkan hasil eksperimen menunjukkan bahwa keypoint SIFT yang dihasilkan berperan dengan baik disebabkan oleh karakter keypoint yang bersifat distinctive. Hal tersebut memungkinkan pencocokan keypoint yang tepat untuk keypoint yang terpilih dari sekian banyak keypoint yang terdapat pada basis data. Sifat distinctive ini dicapai dengan membentuk vektor dimensi tinggi yang merepresentasikan gradien di dalam wilayah lokal citra. Keypoint yang ada bersifat invarian terhadap rotasi citra dan skala. Sejumlah besar keypoint dapat diekstrak dari citra tertentu yang nantinya mempengaruhi kehandalan dari ekstraksi obyek berukuran kecil dengan latar belakang yang kompleks. Pada eksperimen dapat dilihat bahwa setelah bagian asal dari citra pengujian dihilangkan, keypoint dapat menemukan pasangan walaupun terdapat beberapa keypoint yang mengalami kesalahan pencocokan. Faktanya bahwa keypoint mendeteksi seluruh kemungkinan skala yang tersedia dimana fitur lokal berukuran kecil digunakan untuk pencocokan obyek berukuran kecil denganlatar belakang yang kompleks, sedangkan keypoint berjumlah besar bekerja dengan baik untuk citra yang memiliki banyak noise dan blur (Lowe 2004). 24

31 Distance Ceplok Blibar (5) Kawung Beton (1) Kawung Beton (2) Ratio No Ratio CPK003-Blibar1-5-nodistratio.jpg KWG002-Kawung Beton1- nodistratio.jpg KWG002-Kawung Beton2-nodistratio.jpg 0.6 CPK003-Blibar1-5-distratio.jpg KWG002-Kawung Beton1-distratio.jpg KWG002-Kawung Beton2-distratio.jpg 25

32 Distance Ceplok Blibar (5) Kawung Beton (1) Kawung Beton (2) Ratio 0.7 CPK003-Blibar1-5-distratio1.jpg KWG002-Kawung Beton1-distratio1.jpg KWG002-Kawung Beton2-distratio1.jpg 0.8 CPK003-Blibar1-5-distratio2.jpg KWG002-Kawung Beton1-distratio2.jpg KWG002-Kawung Beton2-distratio2.jpg 26

33 Distance Ceplok Blibar (5) Kawung Beton (1) Kawung Beton (2) Ratio 0.9 CPK003-Blibar1-5-distratio3.jpg KWG002-Kawung Beton1-distratio3.jpg KWG002-Kawung Beton2-distratio3.jpg 27

34 4.3. Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan Keypoint (Skenario 2) 1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil pencocokan antara citra template dan citra query yang diperoleh dari ekstraksi fitur SIFT dengan menggunakan beberapa nilai threshold. 2. Data Input : a. Data input yang digunakan menggunakan resolusi 118x118 untuk citra template dan 450x567 untuk citra query dalam format JPEG. b. Data citra template yang digunakan adalah komponen-komponen motif pada kain batik Ceplok Blibar 1 dan Kawung Beton dengan metode cropping. c. Data citra query yang digunakan adalah citra motif kain Ceplok Blibar 1 yang telah di-cropping komponen-komponennya. 3. Skenario Eksperimen SIFT tanpa voting Hough a. Untuk eksperimen ini bagian yang di-cropping pada data citra pengujian dibiarkan kosong. b. Citra query dan citra template diekstraksi fitur-fiturnya menggunakan SIFT. c. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah dihasilkan pada tahap sebelumnya. 4. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra pengujian dan citra template adalah sebagai berikut : Tabel 4.3. Hasil Eksperimen Karakteristik Keypoint (Skenario 2) Kelas Motif Batik CPK003- Ceplok Blibar1 Komponen Motif Batik Jumlah Keypoint Citra Query Jumlah Keypoint Citra Template Match Keypoint at Distance Ratio No Ratio Blibar Blibar Blibar Blibar Blibar

35 5. Analisa Hasil Eksperimen Seperti halnya pada eksperimen skenario 1, hasil eksperimen pada skenario 2 juga membuktikan bahwa keypoint yang bersifat distinctive menemukan pasangan keypoint yang cocok pada citra pelatihan. Terdapat beberapa pasangan keypoint yang mismatch, namun sebagian besar keypoint mampu mengenali obyek yang dianggap paling mirip. Kesalahan pencocokan dapat terjadi karena kondisi data yang berbentuk sketsa dan memiliki fitur lokal yang sangat mirip sehingga keypoint tercocokkan dengan keypoint yang memiliki fitur lokal paling mirip pula walaupun secara kasat mata terlihat berbeda. 29

36 Distance Ratio Ceplok Blibar (1) Ceplok Blibar (2) Ceplok Blibar (3) No Ratio Blibar1-1-nodistratio.jpg Blibar1-2-nodistratio.jpg Blibar1-3-nodistratio.jpg 0.6 Blibar1-1-distratio.jpg Blibar1-2-distratio.jpg Blibar1-3-distratio.jpg 30

37 Distance Ratio Ceplok Blibar (1) Ceplok Blibar (2) Ceplok Blibar (3) 0.7 Blibar1-1-distratio1.jpg Blibar1-2-distratio1.jpg Blibar1-3-distratio1.jpg 0.8 Blibar1-1-distratio2.jpg Blibar1-2-distratio2.jpg Blibar1-3-distratio2.jpg 31

38 Distance Ratio Ceplok Blibar (1) Ceplok Blibar (2) Ceplok Blibar (3) 0.9 Blibar1-1-distratio3.jpg Blibar1-2-distratio3.jpg Blibar1-3-distratio3.jpg 32

39 4.4. Menganalisa Karakteristik Keypoint Hasil Voting menggunakan Hough Transform (Skenario 1) 1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil voting obyek dengan menggunakan metode Hough Transform yang terdapat pada citra query dan citra template. Voting keypoint yang digunakan adalah hasil ekstraksi fitur SIFT dengan menggunakan pencocokan keypoint pada threshold Data Input : a. Data input yang digunakan menggunakan resolusi 300 x 386 dalam format JPEG. b. Data query yang digunakan adalah citra motif kain Ceplok Blibar 1, Kawung Beton, Lereng Golang Galing, dan Nitik Kapulogo. c. Data template yang digunakan adalah komponen-komponen motif pada kain batik Ceplok Blibar 1, Kawung Beton, Lereng Golang galing, dan Nitik Kapulogo dengan metode cropping 3. Skenario Eksperimen SIFT dengan voting Hough a. Citra query dan citra template diekstraksi fitur-fiturnya menggunakan SIFT. b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah dihasilkan pada tahap sebelumnya. c. Untuk hasil pencocokan keypoint dilakukan voting terhadap posisi geometris untuk mengelompokkan keypoint dari beberapa obyek yang sama pada citra query. d. Hasil akhir yang ditampilkan adalah keypoint hasil voting dengan jumlah tertinggi (maksimum). 4. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra query dan citra template dapat dilihat pada Tabel 4.4. sebagai berikut : 33

40 Tabel 4.4. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough Transform (Skenario 1) Kelas Motif Batik CPK003- Ceplok Blibar1 Jumlah Keypoint Citra Query Komponen Motif Batik Jumlah Keypoint Citra Template Jumlah Matched Keypoint Blibar Blibar Blibar Blibar Blibar KWG Kawung Kawung Beton Kawung Lereng Golang Galing Nitik Kapulogo Analisa Hasil Eksperimen Hough transform mengidentifikasikan fitur-fitur kluster dengan interpretasi yang konsisten dengan menggunakan setiap fitur yang ada untuk melakukan voting terhadap kesamaan posisi obyek. Kemungkinan kebenaran terhadap interpretasi obyek lebih besar apabila dibandingkan dengan hanya menggunakan 1 (satu) fitur. Setiap keypoint secara spesifik memiliki 4 (empat) parameter yaitu lokasi 2D, skala, dan orientasi. Setiap pasangan keypoint yang cocok pada basis data memiliki catatan untuk setiap parameterparameter keypoint yang bersifat relative terhadap citra template di posisi mana ditemukan. Transformasi Hough memasukkan prediksi lokasi obyek, skala, dan orientasi berdasarkan hipotesa pencocokan yang telah dilakukan. Berbeda dengan umumnya model teknik pencocokan berbasis korespondensi, jumlah deskriptor yang berkorespondensi antara citra query dan citra template akan berkurang terkait dengan pencocokan berbasis relasi spasial dengan membandingkan data descriptor yang ada. Tambahan lagi, informasi yang diperoleh dengan menggunakan informasi area dibandingkan dengan titik akan menyebabkan meningkatnya kehandalan sistem pencocokan terutama untuk citra yang memiliki latar belakang kompleks dimana hanya 34

41 sedikit fitur pencocokan yang diperlukan. Disamping itu, deteksi keypoint terkonsentrasi pada karakteristik area citra secara otomatis, tidak diperlukan asumsi kemunculan obyek yang harus ditentukan di awal. Pada umumnya deskriptor dihasilkan berdasarkan informasi dari tampilan obyek, namun ada juga metode lain yang menggunakan deskriptor berdasarkan informasi bentuk obyek seperti siluet obyek atau deteksi terhadap kontur point. Berdasarkan hasil eksperimen yang telah dilakukan, dapat dilihat bahwa voting Hough transform terhadap deskriptor hasil pencocokan antara citra query dan citra template telah mereduksi pasangan keypoint sebagai hasil verifikasi geometris yang dapat menunjukkan posisi kemunculan obyek. Pada citra query dan citra template jumlah pencocokan keypoint dengan threshold 0.8 berdasarkan voting memiliki jumlah yang minimal namun masih dalam batas yang ditoleransi berdasarkan (Lowe 2004) yaitu sebanyak minimal 3 fitur. Sedangkan mengacu kepada karakteristik motif batik yang memiliki kemunculan lebih dari satu kali di beberapa lokasi yang berbeda dan simetri terhadap obyeknya maka diperlukan lebih banyak kandidat keypoint yang nantinya diikutkan pada proses voting. Dengan demikian nilai threshold yang diambil berdasarkan hasil eksperimen ini adalah sebesar 1.0. Hal ini dimaksudkan makin banyak kandidat keypoint yang diikutkan pada proses voting maka akan makin handal hasil pengenalan obyek motif batik. 35

42 Kelas Motif Batik CPK003- Ceplok Blibar1 Jumlah Komponen Jumlah Match Keypoint Motif Batik Keypoint Keypoint Blibar Gambar Blibar Jumlah Komponen Jumlah Match Gambar 36

43 Keypoint Motif Batik Keypoint Keypoint Blibar Blibar Jumlah Komponen Jumlah Match Gambar 37

44 Keypoint Motif Batik Keypoint Keypoint Blibar KWG002- Kawung Beton Kawung Jumlah Komponen Jumlah Match Gambar 38

45 Keypoint Motif Batik Keypoint Keypoint Kawung LRG007- Lereng Golang galing Lereng Golang galing Kelas Motif Jumlah Komponen Jumlah Match Gambar 39

46 Batik Keypoint Motif Batik Keypoint Keypoint NTK005- Nitik Kapulogo Nitik Kapulogo

47 4.5. Menganalisa Karakteristik Keypoint menggunakan Hough Transform (Skenario 2) 1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil voting obyek dengan menggunakan metode Hough Transform yang terdapat pada citra query dan citra template. Voting keypoint yang digunakan adalah hasil ekstraksi fitur SIFT dengan menggunakan pencocokan keypoint pada threshold Data Input : a. Data input yang digunakan menggunakan resolusi 300 x 300 untuk citra template dan 500x500 untuk citra query. Keduanya dalam format JPEG. b. Data pengujian yang digunakan adalah citra motif kain Ceplok Huk, Ceplok Grompol, Ceplok Sida Mukti, Kawung Kemplong, Kawung Picis, Parang Curiga, Parang Rusak Barong, dan Nitik Sekar Randu yang merupakan hasil foto dijital. c. Data template yang digunakan adalah citra template yang diperoleh dari buku acuan motif batik pada kelas yang sesuai dengan citra pengujian. 3. Skenario Eksperimen SIFT dengan voting Hough a. Data query dan data template diekstraksi fitur-fiturnya menggunakan SIFT. b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah dihasilkan pada tahap sebelumnya. c. Untuk hasil pencocokan keypoint dilakukan voting terhadap posisi geometris untuk mengelompokkan keypoint dari beberapa obyek yang sama pada citra query. d. Hasil akhir yang ditampilkan adalah keypoint hasil voting dengan jumlah tertinggi (maksimum). 4. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra query dan citra template dapat dilihat pada Tabel

48 Tabel 4.5. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough Transform (Skenario 2) Kelas Motif Batik Jumlah Keypoint Citra Pengujian Citra Template Ceplok Huk CPK010 - Ceplok Hok Ceplok Huk CPK010 - Ceplok Hok Ceplok Grompol Jumlah Keypoint Citra Template Jumlah Matched Keypoint Grompol I Grompol I CPK037-Grompol I Ceplok Sida CPK069-Ceplok Sido Mukti Mukti I CPK070-Ceplok Sido Mukti II Kawung Kemplong 676 KWG008-Kawung Kemplong Kawung Picis KWG012-Kawung Picis Parang Curiga 724 PRG007-Parang Curiga Parang Rusak 783 PRG038-Parang Barong Rusak Barong Lereng Udan LRG017-Lereng Riris Udan Riris NTK00-Nitik Sekar Randu Nitik Sekar Randu Analisa Hasil Eksperimen Pada eksperimen ini dilakukan pencocokan keypoint dan voting Hough transform antara citra query dan citra template. Kondisi yang diberlakukan untuk citra query dan citra template berbeda, dimana citra query menggunakan format foto digital sedangkan citra template merupakan citra motif batik dalam bentuk sketsa. Hasil pencocokan yang diperoleh tidak terlalu baik dengan jumlah hasil voting keypoint yang sangat minim. Hal ini disebabkan perbedaan karakteristik format foto dijital dan foto sketsa. Pada foto dijital faktor pencahayaan dan sudut pandang dapat mempengaruhi kondisi tampilan obyek sehingga juga mempengaruhi lokal deskriptor yang dihasilkan oleh proses ekstraksi fitur SIFT. Berbeda dengan karakteristik citra 42

49 sketsa motif batik yang tidak memperhitungkan faktor pencahayaan dan sudut pandang. Dengan demikian berdasarkan hasil eksperimen ini dapat dilihat bahwa penggunaan format yang berbeda antara citra query dan citra template menurunkan kualitas pengenalan obyek motif batik terkait dengan lokal deskriptor yang dihasilkan oleh masing-masing format citra. Hasil voting terhadap pencocokan keypoint masih dalam batas toleransi berdasarkan (Lowe 2004) menunjukkan bahwa lokasi obyek masih dapat ditemukan. Hal ini berarti pula bahwa SIFT cukup handal dan merupakan metode yang sesuai untuk melakukan pengenalan obyek motif batik. 43

50 Kelas Motif Batik Jumlah Keypoint Komponen Motif Batik Ceplok Huk CPK010 - Ceplok Hok Jumlah Match Keypoint Keypoint Gambar Ceplok Huk CPK010 - Ceplok Hok

51 Kelas Motif Batik Ceplok Grompol Jumlah Komponen Jumlah Match Keypoint Motif Batik Keypoint Keypoint Grompol I Gambar Ceplok Grompol CPK037- Grompol I

52 Kelas Motif Batik Ceplok Grompol Jumlah Komponen Jumlah Match Keypoint Motif Batik Keypoint Keypoint Grompol I Gambar Ceplok Sida Mukti CPK069- Ceplok Sido Mukti I

53 Kelas Motif Batik Ceplok Sida Mukti Jumlah Komponen Keypoint Motif Batik CPK070- Ceplok Sido Mukti II Jumlah Match Keypoint Keypoint Gambar Kawung Kemplong 676 KWG008- Kawung Kemplong

54 Kelas Motif Batik Jumlah Keypoint Komponen Motif Batik Kawung Picis KWG012- Kawung Picis Jumlah Match Keypoint Keypoint Gambar Parang Curiga 724 PRG007- Parang Curiga

55 Kelas Motif Batik Parang Rusak Barong Jumlah Komponen Keypoint Motif Batik 783 PRG038- Parang Rusak Barong Jumlah Match Keypoint Keypoint Gambar Lereng Udan Riris LRG017- Lereng Udan Riris

56 Kelas Motif Batik Jumlah Keypoint Komponen Motif Batik Ceplok Huk CPK010 - Ceplok Hok Jumlah Match Keypoint Keypoint Gambar Ceplok Huk CPK010 - Ceplok Hok

57 Kelas Motif Batik Ceplok Grompol Jumlah Komponen Jumlah Match Keypoint Motif Batik Keypoint Keypoint Grompol I Gambar Ceplok Grompol CPK037- Grompol I

58 Kelas Motif Batik Ceplok Grompol Jumlah Komponen Jumlah Match Keypoint Motif Batik Keypoint Keypoint Grompol I Gambar Ceplok Sida Mukti CPK069- Ceplok Sido Mukti I

59 Kelas Motif Batik Ceplok Sida Mukti Jumlah Komponen Keypoint Motif Batik CPK070- Ceplok Sido Mukti II Jumlah Match Keypoint Keypoint Gambar Kawung Kemplong 676 KWG008- Kawung Kemplong

60 Kelas Motif Batik Jumlah Keypoint Komponen Motif Batik Kawung Picis KWG012- Kawung Picis Jumlah Match Keypoint Keypoint Gambar Parang Curiga 724 PRG007- Parang Curiga

61 Kelas Motif Batik Parang Rusak Barong Jumlah Komponen Keypoint Motif Batik 783 PRG038- Parang Rusak Barong Jumlah Match Keypoint Keypoint Gambar Lereng Udan Riris LRG017- Lereng Udan Riris

62 Kelas Motif Batik NTK00-Nitik Sekar Randu Jumlah Komponen Keypoint Motif Batik Nitik Sekar Randu Jumlah Match Keypoint Keypoint Gambar 56

63 4.6. Mendeteksi Jumlah Obyek pada Citra Rangkaian eksperimen yang telah dilakukan belum menunjukkan hasil pengenalan terhadap jumlah obyek secara akurat. Hal ini disebabkan masih terdapat beberapa error terkait simetri pada motif batik sehingga sistem aplikasi masih terus dalam proses penyempurnaan. Disamping itu masih diperlukan pemahaman yang lebih dalam mengenai karakteristik simetri pada motif batik dan cara menanganinya. Tabel 4.6. Hasil Eksperimen Mendeteksi Jumlah Obyek Motif Batik Motif Batik Keypoint Visualisasi KWG002- Kawung Beton Jumlah object adalah 10 Jumlah match obj 1 = 4 Jumlah match obj 2 = 11 Jumlah match obj 3 = 11 Jumlah match obj 4 = 10 Jumlah match obj 5 = 18 Jumlah match obj 6 = 17 Jumlah match obj 7 = 12 Jumlah match obj 8 = 7 Jumlah match obj 9 = 8 Jumlah match obj 10 = 7 57

64 Motif Batik Keypoint Visualisasi 58

65 CPK009- Ceplok Gusti Putri Jumlah object adalah 15 Jumlah match obj 1 = 5 Jumlah match obj 2 = 13 Jumlah match obj 3 = 8 Jumlah match obj 4 = 21 Jumlah match obj 5 = 28 Jumlah match obj 6 = 11 Jumlah match obj 7 = 9 Jumlah match obj 8 = 14 Jumlah match obj 9 = 14 Jumlah match obj 10 = 10 Jumlah match obj 11 = 7 Jumlah match obj 12 = 7 Jumlah match obj 13 = 7 Jumlah match obj 14 = 4 Jumlah match obj 15 = 6 Motif Batik Keypoint 59

66 CPK011- Ceplok Jelanggrong Jumlah object adalah 9 Jumlah match obj 1 = 9 Jumlah match obj 2 = 30 Jumlah match obj 3 = 10 Jumlah match obj 4 = 14 Jumlah match obj 5 = 7 Jumlah match obj 6 = 7 Jumlah match obj 7 = 5 Jumlah match obj 8 = 8 Jumlah match obj 9 = 11 Motif Batik Keypoint Visualisasi 60

67 CPK037- Ceplok Grompol I Jumlah object adalah 9 Jumlah match obj 1 = 17 Jumlah match obj 2 = 11 Jumlah match obj 3 = 27 Jumlah match obj 4 = 22 Jumlah match obj 5 = 39 Jumlah match obj 6 = 11 Jumlah match obj 7 = 5 Jumlah match obj 8 = 8 Jumlah match obj 9 = 4 61

68 Bab 5. Rencana Tahapan Berikutnya Pada tahapan ini telah dilaksanakan 6 (enam) skenario eksperimen terhadap karakteristik keypoint yang dihasilkan oleh proses ekstraksi fitur SIFT tanpa voting maupun dengan voting Hough transform. Untuk tahapan berikutnya hal-hal yang akan diteliti adalah sebagai berikut : 1. Mengatasi permasalahan simetri dan repetitif obyek pada motif batik 2. Menganalisa Voting Hough Transform pada Pencocokan Keypoint 3. Melakukan perbandingan metode clustering terhadap hasil voting keypoint pada ruang Hough. 4. Menghitung akurasi pengenalan motif batik dengan menggunakan beberapa data set terdiri dari motif-motif batik dari kelas Ceplok, Kawung, Parang, dan Nitik. 5. Penulisan makalah untuk publikasi di jurnal internasional. 62

69 Bab 6. Kesimpulan dan Saran 6.1. Kesimpulan Pada tahapan ini telah dilakukan beberapa eksperimen terhadap pengenalan obyek motif batik menggunakan ekstraksi fitur SIFT dan voting Hough transform terhadap keypointkeypoint hasil pencocokan antara citra query dan citra template. Kesimpulan yang dapat ditarik berdasarkan uraian pada bab-bab sebelumnya adalah sebagai berikut : 1. Berdasarkan observasi yang telah dilakukan menunjukkan bahwa ektraksi fitur menggunakan metode SIFT mampu melakukan pengenalan terhadap motif batik berdasarkan banyaknya jumlah pencocokan keypoint SIFT yang memiliki nilai diatas 3 (tiga) pasangan (sesuai dengan (Lowe 2004)). 2. Masih terdapat beberapa kesalahan pencocokan (mismatched) keypoint dan jumlah obyek yang dideteksi antara citra query dan citra template. Hal ini disebabkan keypointkeypoint yang dihasilkan merupakan deskriptor lokal dan memiliki kemiripan yang sangat tinggi sehingga karakteristik motif batik yang bersifat highly symmetry dan repetitive menyebabkan terjadinya kesalahan pencocokan keypoint yang berpasangan. 3. Nilai threshold yang paling sesuai untuk menentukan pasangan keypoint yang akan digunakan pada proses voting di ruang Hough adalah 1.0. Hal ini dimaksudkan untuk mengambil sebanyak mungkin kandidat keypoint yang potensial dalam menjaga akurasi posisi geometris agar tetap konstan. 4. Voting pada ruang Hough terbukti telah melakukan verifikasi geometris terhadap pasangan keypoint yang cocok untuk menentukan lokasi tertentu terhadap kemunculan motif batik Saran 1. Perlu penelitian lebih lanjut untuk mengatasi permasalahan simetri dan kemunculan obyek yang berulang pada suatu citra sehingga tingkat akurasi pengenalan obyek dapat lebih baik. 2. Pengujian penggunaan teknik SIFT pada jumlah data yang sangat besar. Hal ini perlu untuk mengetahui kehandalan dari metode yang diusulkan. 63

70 3. Pengujian terhadap waktu komputasi diperlukan untuk mengetahui seberapa cepat penggunaan metode yang diusulkan. 4. Analisa terhadap kebaikan data sehingga dapat dilakukan pengujian seberapa handal teknik yang diusulkan untuk dapat menangani data yang rusak. Penyaringan data yang didasarkan pada tingkat kerusakan perlu sehingga tingkat keyakinan terhadap hasil identifikasi dapat lebih baik. 64

71 Bab 7. Daftar Pustaka Akta, R., Batik Motif Classification using Scale Invariant Feature Transform Method. University of Indonesia. Aragon-Camarasa, G. & Siebert, J.P., Unsupervised clustering in Hough space for recognition of multiple instances of the same object in a cluttered scene. Pattern Recognition Letters, 31(11), pp Available at: [Accessed April 23, 2013]. Clausi, D.A. & Jernigan, M.E., Designing Gabor Filters for optimal texture separability. Pattern Recognition Journal, 33, pp Doellah, H.S., Batik : The Impact of Time and Environment, Danar Hadi Solo. Loke, K.-S. & Cheong, M., Efficient textile recognition via decomposition of cooccurrence matrices IEEE International Conference on Signal and Image Processing Applications, pp Available at: Lowe, D.G., Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60(2), pp Available at: Nurhaida, I., Manurung, M. & Arymurthi, A.M., Performance Comparison Analysis Features Extraction Methods for Batik Recognition. In International Conference on Advanced Computer Science and Information Systems. Piccinini, P., Prati, A. & Cucchiara, R., Real-time object detection and localization with SIFT-based clustering. Image and Vision Computing, 30(8), pp Available at: pii/s [Accessed March 9, 2013]. 65

72 Rahadianti, L., Manurung, R. & Murni, A., Clustering Batik Images based on Log-Gabor and Colour Histogram Features. In International Conference on Advanced Computer Science and Information Systems. Samsi, S.S., Techniques, Motifs, Patterns Batik Yogya and Solo, Titian Foundation. Sanabila, H.R. & Manurung, M., Recognition of Batik Motifs using the Generalized Hough Transform. In International Conference on Advanced Computer Science and Information Systems. pp Xenia Moeis, Ishwara, H. & Yahya, L.R.S., Batik Pesisir an Indonesian Heritage, Collection of Hartono Sumarsono, Kepustakaan Populer Gramedia. 66

73 A. LAMPIRAN 1 : SURAT PERJANJIAN 67

74 B. LAMPIRAN 2 : RINCIAN PENGGUNAAN ANGGARAN 68

75 REKAPITULASI PENGGUNAAN DANA (70%) PUSAT PENELITIAN UNIVERSITAS MERCU BUANA LAPORAN REKAPITULASI PENGGUNAAN DANA TAHAP I (70%) JUDUL PENELITIAN : Pencocokan Keypoint SIFT Pada Hough Space untuk Meningkatkan Kualitas Pengenalan Motif Batik JENIS PENELITIAN : Penelitian Disertasi Doktor NILAI KONTRAK BERSIH TAHAP I (70%) : Rp ,- JUMLAH DANA YANG TERPAKAI : Rp ,- SISA DANA TAHAP 1 YANG TERPAKAI : (Rp ,-) TAHUN : 2014 No Uraian Jumlah (Rp) 1 Biaya upah/honor 6,720,000 2 Biaya bahan habis pakai dan peralatan 23,128,443 3 Biaya perjalanan 5,406,314 4 Biaya operasional lainnya - T o t a l 35,254,757 Mengetahui, Kepala Pusat Penelitian UMB, Ketua Penelitian, Dr. Ir. Anik Herminingsih, M.Si. Ida Nurhaida, ST., MT. NIDN: NIDN:

76 70

77 B. LAMPIRAN 3 : LOG BOOK 71

78 LOG BOOK PELAKSANAAN PENELITIAN TAHUN PERTAMA Tanggal Kegiatan Hasil Kegiatan 7 13 Februari Peneliti melakukan pendataan Urutan proses penelitian 2014 untuk menentukan tahapantahapan yang direncanakan untuk dalam melaksanakan dilaksanakan dalam penelitian dan persiapan yang tahun penelitian dilakukan untuk pelaksanaan berjalan. proses penelitian Proses digitalisasi membutuhkan beberapa perangkat penyimpanan data digital. Pembelian perangkat penyimpanan data dan pheripheral sebesar Rp ,- Perbaikan printer Epson L210 Rp , Februari Februari Februari 7 Maret Maret 2014 Persiapan dalam melakukan proses digitalisasi data citra query dan data citra template. Proses ini membutuhkan alat tulis kantor yang untuk menandai jenis-jenis motif apa saja yang akan diikutkan dalam proses digitalisasi. Melakukan pencarian terhadap sumber referensi mengenai filosofi batik berdasarkan jenisjenis motifnya dan proses preprocessing citra batik yang paling sesuai untuk penelitian ini Proses digitalisasi data citra query untuk kelas ceplok, kawung, parang, dan nitik mulai dari pemilihan motif, pengambilan gambar, pembuatan anotasi nama berdasarkan motif dan lokasi, hingga proses penyimpanan ke external HDD Melakukan pencarian terhadap sumber referensi berupa textbook sebagai langkah persiapan melakukan proses 72 Daftar motif batik untuk kelas-kelas yang telah ditentukan untuk proses digitalisasi Biaya pembelian alat tulis kantor sebesar Rp ,- Buku-buku sumber referensi yang telah diterbitkan. Biaya pembelian buku-buku sebesar Rp ,- Data digital citra query selesai dilakukan pengolahan. Sumber referensi berupa textbook tentang pengolahan citra digital menggunakan MatLab

79 pengkodean aplikasi pengenalan motif batik berdasarkan kelasnya. dan penggunaan aplikasi dalam bidang computer vision yang telah Tanggal Kegiatan Hasil Kegiatan diterbitkan dan masih dalam rentang waktu dibawah 5 (lima) tahun. 25 Maret 31 Maret April 2014 Proses digitalisasi data citra template untuk kelas ceplok, kawung, parang, dan nitik mulai dari pemilihan motif, pengambilan gambar, pembuatan anotasi nama berdasarkan motif dan lokasi, hingga proses penyimpanan ke external HDD Proses preprocessing data berupa modifikasi cropping, scaling, adjustment dan penyimpanan di media External HDD 13 April 2014 Pembayaran biaya proses digitalisasi data citra query, data citra template dan preprocessing data. 17 April 30 Proses pengkodean program April aplikasi untuk melakukan ekstraksi fitur menggunakan metode SIFT untuk citra query dan citra template 4 16 Mei 2014 Proses pengkodean program aplikasi untuk pencocokan keypoint SIFT antara citra query dan citra template 15 Mei 2014 Melakukan persiapan untuk pengambilan data tambahan ke Surabaya dengan menyediakan external HDD. 73 Biaya pembelian textbook sebesar Rp ,- Data digital citra template selesai dilakukan pengolahan. Seluruh data telah siap digunakan Pembayaran untuk digitalisasi data citra query Rp ,- Pembayaran untuk digitalisasi data citra template Rp ,- Pembayaran untuk preprocessing Rp ,- Fitur-fitur yang diinginkan berdasarkan hasil ekstraksi fitur SIFT telah diperoleh. Kode aplikasi siap digunakan untuk melaksanakan eksperimen Pembelian perangkat penyimpanan data dan tinta printer sebesar Rp ,-

80 Melakukan persiapan untuk pencetakan hasil eksperimen. 18 Mei - 30 Juni Melakukan serangkaian Berdasarkan hasil-hasil 2014 eksperimen untuk mengamati eksperimen diperoleh karakteristik keypoint SIFT baik informasi mengenai sebelum maupun dan sesudah beberapa karakteristik proses voting, mengamati hasil keypoint, efek voting Tanggal Kegiatan Hasil Kegiatan deteksi obyek yang diperoleh terhadap pengenalan berdasarkan hasil voting dan obyek, dan melakukan pengembangan kode pengembangan kode program. Proses pengkodean program aplikasi. program aplikasi, pengembangan kode, dan pengujian tetap dilakukan hingga saat ini. 5 Juni 2014 Melakukan pembelian tiket Harga tiket pp Rp pesawat Jakarta Surabaya ,- dibayar lunas. Jakarta untuk melakukan kegiatan pengambilan data tambahan. Data tambahan diperlukan untuk melakukan proses pengujian kode aplikasi sehingga diperoleh akurasi terhadap keberhasilan pengenalan obyek motif batik. Tujuannya adalah Kampung Batik Surabaya yang merupakan sentra batik yang memiliki koleksi cukup lengkap dan memperoleh penghargaan Rekor MURI karena pembuatan logo pembuatan logo kota terbesar yang terbuat dari batik berukuran 9,8 meter X 19,4 meter pada bulan Mei 2014 yang lalu. 11 Juni 2014 Berangkat ke Surabaya Pada saat keberangkatan peneliti menyewa mobil untuk mengantarkan ke bandara Soetta. Di kota Surabaya peneliti tinggal di rumah salah seorang kerabat dekat. 74 Sewa mobil Avanza Rp , Juni Melakukan pengambilan data Sewa mobil Avanza Rp

81 2014 dengan mengambil foto digital menggunakan kamera DSLR Nikon D3100. Untuk mendukung mobilitas peneliti selama kegiatan pengambilan data, peneliti menyewa mobil Rp ,- /hari selama 3 (tiga) hari 19 Juni 2014 Peneliti kembali ke Jakarta. Untuk kembali ke rumah peneliti menyewa mobil ,- Sewa mobil Avanza Rp ,- Tanggal Kegiatan Hasil Kegiatan Juni Mempersiapkan laporan Laporan perkembangan 2014 perkembangan penelitian dan penelitian dan laporan laporan realisasi anggaran realisasi anggaran Penelitian Disertasi Doktor. Penelitian Disertasi Doktor telah rampung dibuat. 30 Juni 2014 Pembayaran honor peneliti Peneliti menerima honor (70%) sebesar Rp ,- Pembayaran biaya transportasi dari dan menuju ke lokasi penelitian di Laboratorium Pengolahan Citra Fasilkom UI Depok Peneliti penggantian transportasi ,- menerima biaya Rp Jakarta, 30 Juni 2014 Peneliti, Ida Nurhaida, ST., MT. 75

82 B. LAMPIRAN 4 : INSTRUMEN 76

83 Data Sketsa Motif Batik Berikut kami tampilkan contoh data motif batik dalam bentuk sketsa. Data orisinal yang belum dimodifikasi berjumlah 225 motif batik. Variasi data dari skala dan rotasi menghasilkan lebih dari 500 data. 1. Kelas Ceplok 2. Kelas Kawung 3. Kelas Lereng 4. Kelas Nitik 77

84 78

85 Data Digital Motif Batik Data berikut merupakan contoh data motif batik berbentuk foto digital yang telah dimodifikasi dari skala dan rotasinya. Jumlah data orisinal lebih dari 500 data yang nantinya akan dimodifikasi disesuaikan dengan skenario eksperimen yang akan dilakukan. 79