BAB II LANDASAN TEORI

Transkripsi

1 BAB II LANDASAN TEORI.1 Batik Asal kata batik pertama kali berasal dari jawa yang memiliki arti menulis dan titik. Batik adalah kerajinan tangan yang memiliki nilai seni tinggi dan telah menjadi bagian dari budaya Indonesia sejak lama. Keterampilan membatik pada masa lampau sering dijadikan sebagai mata pencaharian dan membatik adalah pekerjaan eksklusif khusus untuk perempuan sampai ditemukannya batik cap yang memungkinkan pria masuk ke dalam bidang ini. lain halnya dengan daerah pesisir dimana membatik adalah hal lazim bagi kaum laki-laki. Beberapa jenis variasi batik dapat ditemukan di beragam daerah di Indonesia. Steelyana and Patriana (010). Ada beragam jenis batik menurut daerah asalnya yaitu: a. Batik Jawa Keraton Keraton Jawa dikenal juga dengan nama batik pedalaman, yang memiliki perbedaan dengan batik pesisiran, batik ini memiliki kombinasi warna yang tidak mencolok seperti hitam,coklat dan kuning muda. Tekstur batik Jawa Keraton memiliki arti simbolik dan bahkan beberapa jenis batik tidak diperbolehkan dipakai oleh orang umum. Dua 7

2 8 kota Keratonan di Jawa Tengah yang terkenal melesatarikan budaya adalah Solo dan Yogyakarta. b. Batik Pekalongan Tempat yang paling terkenal dalam produksi batik pesisir adalah kota Pekalongan. Tekstur pada batik pekalongan mendapat pengaruh oleh tekstil Eropa dan Cina, contohnya buketan yang dipengaruhi tekstur bunga eropa pada tekstil. c. Batik Cirebon Terkenal dengan batik trusmi karena menjadi area utama produksi batik di Cirebon. Salah satu batik Cirebon yang paling terkenal selain batik trusmi adalah mega mendung yang dulu hanya digunakan oleh bangsawan Cirebon. batik ini menunjukkan pengaruh budaya cina yang terlihat pada tekstur awan pada kainnya. d. Batik Madura Batik Madura menunjukkan warna-warna cerah seperti merah dan kuning, salah satu tekstur unik dari batik Madura adalah tekstur pucuk tombak dan juga aneka ragam tekstur flora dan fauna. e. Batik Ciamis Batik Ciamis dikenal dengan gaya teksturnya yang tidak terlalu kompleks. Salah satu yang terkenal adalah tekstur ciamisan yaitu tekstur flora dan fauna yang digambarkan dengan warna hitam, putih atau coklat kekuningan. Secara teknik pembuatan tekstur, batik Ciamis

3 9 memiliki persamaan dengan batik Cirebon tetapi ketebalan dalam pewarnaan lebih mirip dengan batik pedalaman(jawa Keraton). Teknik penebalan dari pewarnaan batik Ciamis disebut sebagai sarian. Berikut beberapa contoh batik beserta gambar dan makna nya: Tabel.1 Contoh Ragam Batik Nama - Batik Kawung Gambar Batik Makna Batik Batik dengan motif kawung dipakai oleh raja dan keluarganya. Kawung menggambarkan keadilan dan kuasa. Truntum Batik dengan pola truntum biasa digunakan oleh orang tua dari pengantin. Truntum sendiri berarti membimbing Parang Parang diartikan sebagai simbol kekuatan dan kekuasaan Perbedaan dari bentuk dan tektur dari batik adalah bentuk adalah komponen dasar penentu jenis batik misalnya adanya gambar kupu-kupu dan bunga teratai yang khas pada batik sidomukti sedangkan tekstur batik sendiri adalah kumpulan-kumpulan pola bentuk yang sama dan bahkan ada batik yang

4 10 merupakan hasil kombinasi dari kedua elemen itu. Contoh gambar dari batik dengan tekstur yang sama: Tabel. Contoh batik dengan tekstur yang sama Batik Tekstur Kawung Batik Tekstur Kawung Tabel.3 Contoh batik dengan bentuk yang sama Batik bentuk Lereng Batik bentuk Lereng

5 11 Tabel.4 Tabel Contoh Batik Kombinasi Batik Kawung+sidomukti Batik parang+sidomukti. Pengukuran Kinerja Sistem Dalam menentukan kinerja sistem temu kembali pada citra akan terhitung benar dan akurat, jika jumlah citra yang berhasil diidentifikasi dengan benar oleh sistem. Walaupun dengan kasat mata keakuratan tersebut dapat ditentukan dari presentase yang dihasilkan. Pengukuran kinerja sistem ini dapat menggunakan persamaan sebagai berikut : A. Citra yang relevant ( X) x ycitrahasilquery X = citradatabase B. Citra yang presisi (Y) Y= x ycitrahasilquery citradatabase

6 1.3 Pengukuran Kedekatan Citra Dalam melakukan pengukuran kedekatan citra, dapat dilakukan berdasarkan fungsi jarak antara dua ciri citra, dimana jarak digunakan untuk mengukur ketidakmiripan antara dua obyek data. Pada penelitian ini akan memakai cara untuk menghitung jarak euclid. a. Jarak euclid Prinsip dasar yang digunakan pada metode jarak Euclid adalah dengan mengukur jarak antar dua titik (x dan y), dengan x adalah sinyal suara yang tidak diketahui (data testing) dengan y adalah pola yang telah diketahui (data training). d ( i, j) = ( xi 1 x j1 + xi x j xip x jp ) b. Citra Terdapat dua parameter citra yang digunakan yaitu jumlah pixel dan warna RGB. Satu parameter tambahan untuk keperluan proses segmentasi warna yaitu warna referensi. Rincian parameter tersebut sebagai berikut : 1. Jumlah Pixel: K = m x n dengan K = jumlah pixel m, n = jumlah pixel vertikal dan horizontal

7 13. Citra RGB (Gonzales dan Woods, 00) r( x, y) crgb ( x, y) = g( x, y) b( x, y) dengan crgb = citra RGB r, g, b = nilai warna R, G, B x, y = koordinat pixel c. Nilai Grade Citra Perhitungan nilai grade citra dilakukan dengan proses fuzzyfikasi terhadap parameter jarak euclid ciri warna dan bentuk sebagai masukan crisp. Proses fuzzyfikasi dilakukan dengan terlebih dahulu sampai terbentuk daftar grade tekstur dan bentuk untuk masing-masing citra. Proses fuzzyfikasi dilakukan dengan menggunakan kurva S sebagai representasi nilai grade tekstur dan bentuk. Sebagai masukan proses fuzzyfikasi adalah : 7 v = 1 D Q Jarak euclid ciri bentuk : ( ) d b = ( ϕ v ϕ ) Dimana H = histogram warna, ϕ = momen invarian D = basisdata, Q = query v 1.4 Pengenalan Pola(Pattern Recognition) Pengenalan pola adalah bidang ilmu komputer yang memiliki tujuan untuk mengklasifikasi objek-objek menjadi suatu kategori (Theodoridis., Koutrumbas,

8 14 006, p.1). Pengenalan pola bertujuan untuk mencapai perkembangan perancangan algoritma yang menghasilkan kemiripan dengan kemampuan manusia dalam mengenali suatu objek. Aplikasi dari pengenalan pola ini sendiri sangat banyak sekali dan berhubungan dengan banyak bidang kegiatan.(j.p Marques, 001, p.1).4.1 Struktur dari Sistem Pengenalan Pola Sistem pengenalan pola terdiri dari sensor,metode pencarian fitur dan algoritma untuk klasifikasi atau pengenalan. Berikut penjelasan masing-masing tahapan tersebut. i. Sensor Sensor memiliki fungsi untuk menangkap objek dari dunia nyata dan dirubah menjadi sinyal digital. ii. Pre-Processing Mempersiapkan citra atau sinyal yang telah ditangkap sensor sebelumnya agar gangguan-gangguan dapat dikurangi dan informasi lebih terlihat di tahapan selanjutnya. iii. Pencari dan Seleksi Fitur Dalam tahap ini ciri yang membedakan satu citra dengan citra lain akan dicari dan dibentuk jadi sekumpulan bilangan yang dapat mewakili sifat utama. iv. Algoritma Klasifikasi Algoritma yang berfungsi untuk mengelompokkan fitur ke dalam kategori-kategori yang sesuai.

9 15 v Algoritma Deskripsi Algoritma ini memiliki fungsi untuk memberikan deskripsi pada sinyal atau citra. Gambar.1 Sistem Pengenalan Pola.5 Content Base Image Retieval(CBIR) Dalam proses temu kembali citra ada beberapa citra yang sudah tersimpan didalam database. Dalam proses ini dibutuhkan sistem yang berisi ratusan kata kunci yang berbeda yang dapat menggambarkan cirri-ciri citra tertentu. Selain itu, dalam penyediaan kata kunci pada setiap data citra dilakukan secara manual oleh pengguna,sehingga bersifat subjektif, sehingga mungkin berbeda persepsi dari satu pengguna dengan pengguna yang lain. Untuk itu dalam mengatasi kekurangan dari sistem berbasis kata kunci (keyword) dalam pencarian citra, maka dibutuhkan teknik pengindeksan otomatis berdasarkan ciri citra, seperti tekstur dan bentuk. Sistem ini yang dikenal content based image retrieval (CBIR), yang mengatur database citra berdasarkan ciri yang secara otomatis dikenali, sekaligus juga memungkinkan proses query dilakukan dengan menggunakan citra query (contoh) atau disebut dengan Query By Example (QBE). QBE

10 16 merupakan tipe metode query dimana proses inputan citra contoh (query) kedalam sistem, kemudian sistem akan menampilkan dan menghasilkan beberapa citra yang mirip dan sudah tersimpan di dalam database. Pengukuran kemiripan didefinisikan berdasarkan ciri warna, teksture dan bentuk. CBIR dilakukan dengan membandingkan nilai jarak citra query dengan citra pada basis data (image distance measure) (A.Harris Rangkuti, Ariandy Ferdinand, David. 01) Kokare (007) mengambarkan satu-satunya cara mencari suatu koleksi citra tersebut adalah dengan menggunakan indeks kata kunci,atau hanya dengan browsing. Namun, perkembangan database tumbuh lebih besar, dan para penguna menyadari bahwa kata kunci tradisional yang didasarkan dari metode mengambil gambar tertentu, dengan banyaknya jumlah yang ada sekarang, akan membuat sistem menjadi tidak efisien. Permasalahan dalam konten berbasis pencarian sistem adalah untuk menemukan fitur yang dapat mewakili unik karakteristik dari citra, sehingga fitur dapat digunakan untuk secara akurat mengidentifikasi citra. Fitur visual yang dapat diekstraksi dari data citra adalah tekstur, warna,dan bentuk. Terkait dengan citra batik,fitur tekstur merupakan fitur penting karena ornamen pada kain batik dapat dilihat sebagai komposisi tekstur yang berbeda. Namun dalam penelitian ini difokuskan juga pada fitur bentuk dan tekstur pada citra batik. Citra secara alami dikaruniai dengan atribut atau konten informasi yang dapat membantu dalam memecahkan masalah pengambilan citra Isi

11 17 informasi yang dapat diperoleh dari sebuah citra diklasifikasikan menjadi tiga tingkatan(a.harris Rangkuti, Ariandy Ferdinand, David. 01). a. Low Level contohnya termasuk ciri visual seperti warna, tekstur, informasi bentuk, ruang dan gerak. b. Middle Level contohnys termasuk keberadaan atau susunan jenis benda tertentu, termasuk peran dan adegan. c. High Level contohnya tampilan seperti emosi dan makna yang terkait dengan kombinasi fitur persepsi. Contohnya termasuk objek atau adegan dengan makna emosional atau keagamaan. Level pada isi citra merupakan ukuran tingkat ekstraksi ciri.pada low level merupakan tingkat dasar ciri citra yang diekstrak(warna, bentuk, tekstur, informasi spasial dan gerak) disebut fitur primitif karena mereka hanya dapat diekstraksi oleh informasi yang diperoleh pada tingkat pixel. Secara lebih jelas dapat lihat gambar dibawah ini : Gambar. Level Level Pada Ekstrasi Citra (Source A.Harris Rangkuti, Ariandy Ferdinand, David. 01)

12 18 Gambaran umum dari tahapan proses CBIR adalah sebagai berikut : Gambar.3 Tahapan Content Base Image Retrieval (CBIR) (Source A.Harris Rangkuti, Ariandy Ferdinand, David. 01) Penjelasan pada gambar 3 untuk konsep CBIR adalah sebagai berikut: User terlebih dahulu memasukkan query yang berupa gambar --> kemudian query tersebut di ekstraksi --> sehingga menghasilkan vektor ciri (ciri khusus suatu gambar), begitu pula data-data gambar yang tersimpan dalam database akan mengalami struktur yang sama seperti query sehingga ditemukan vektor ciri --> kemudian akan dibandingkan satu sama lain untuk mencari kesamaannya. Setelah proses perbandingan tersebut, maka akan terpilih beberapa gambar yang memiliki nilai-nilai vektor yang sama atau hampir sama --> kemudian dilakukan indexing dan retrieval data yang telah terpilih tadi --> sehingga ditemukan urutan gambar yang (dalam database)

13 19 yang memiliki kesamaan dengan formasi gambar (sesuai keinginan user)..5 Decision tree Decision tree adalah salah satu metode klasifikasi berbentuk berkas atau penyimpanan yang mengalami perulangan untuk setiap contoh sample. Decision tree memiliki node-node yang membentuk tree dengan sebuah root yang memiliki input atau parent lebih dari satu. Node dengan satu output disebut sebagai node internal atau node percobaan dan yang lainnya disebut leaves. Dalam decision tree tiap node internal terpisah menjadi dua atau lebih output menurut fungsi diskrit dari nilai input suatu atribut(lior Rokach,Oded Maimon,010). Setiap leaf mewakili satu kelas yang paling dekat dengan target nilai. Leaf memiliki probabilitas vektor yang menunjukkan atribut dari target yang memiliki sebuah nilai tersendiri, seluruhnya akan diklasifikasi dengan mengatur mereka kedalam sebuah tree yang dimulai dari root hingga leaf paling akhir. Berikut contoh penggambaran decision tree: Gambar.4 Decision Tree Gambar.4 Decision tree

14 0 Node internal direpresentasikan dengan bentuk lingkaran, sedangkan leaf direpresentasikan dengan bentuk segitiga..7 Tranformasi Wavelet(Wavelet Transform) Transformasi Wavelet adalah suatu metode yang digunakan menyajikan data atau fungsi ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian mengkaji setiap komponen dengan suatu resolusi sesuai dengan skalanya(krisnawati,007) Wavelet merupakan alat analisis yang biasa digunakan untuk menyajikan data atau fungsi atau pun operator ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian akan dilakukan analisis pada setiap komponen dengan suatu resolusi yang sesuai dengan skalanya.(daubechies,1995) Wavelet juga merupakan fungsi yang dihasilkan oleh wavelet basis atau disebut juga mother wavelet. Dua operasi utama yang mendasari wavelet adalah pergeseran dan penskalaan. Kombinasi kedua operasi ini menghasilkan keluarga wavelet seperti haar, daubechies, symlets dan yang lainnya(sutarno 010). Khusus pada penelitian ini penulis akan menggunakan wavelet haar. Secara umum keluarga wavelet pada umumnya dinyatakan dengan persamaan Dengan a,b a adalah parameter penskalaan

15 1 b adalah parameter pergeseran posisi adalah normalisasi energi yang sama dengan energi induk Source:Sutarno,010 Transformasi Wavelet memiliki kemampuan dalam mengekstraksi ciri khusus yang dimiliki oleh suatu citra. Transformasi wavelet dibagi menjadi bagian besar yakni: a. Transformasi wavelet diskrit b. Transformasi wavelet kontinu.7.1 Transformasi Wavelet Diskrit Transformasi wavelet diskrit merupakan proses dekomposisi citra pada frekuensi sub-band dari citra tersebut. Komponen subband pada transformasi wavelet dihasilkan dengan cara menurunkan level dekomposisi. Implementasi dari wavelet diskrit dilakukan dengan melewatkan sinyal melalui low pass filter dan high pass filter lalu melakukan downsampling pada keluaran masing-masing filter. Pasangan filter high-pass dan low-pass yang digunakan harus merupakan Quadrature Mirror Filter(QMF),yaitu pasangan filter yang memenuhi persamaan berikut: h[l-1-n]= Dengan h[n] adalah high pass filter,g[n] adalah low pass filter dan L adalah panjang dari masing-masing filter. Proses sinyal asal melewati high pass filter dan low pass filter inilah yang disebut proses

16 dekomposisi, proses dekomposisi ini dapat melalui salah satu atau lebih tingkatan. Dekomposisi tingkat satu ditulis dengan persamaan berikut: Y tinggi [k]= Y rendah [k]= y[k] tinggi dan y[k] rendah adalah hasil dari highpass filter dan lowpass filter, x[n] adalah signal,h[n] adalah high pass filter dan g[n] adalah low pass filter. Prosedur ini dapat dilakukan untuk dekomposisi level selanjutnya(ni Wayan Sumartini,010) Gambar.5 Dekomposisi Wavelet Tiga Tingkat Dekomposisi pada citra menghasilkan informasi tentang frekuensi yang berbeda-beda seperti: LL(low-low frequency)

17 3 LH(low-high frequency) HL(high-low frequency) HH(high-high frequency) Gambar.6 Ilustrasi Proses Dekomposisi.7. Transformasi Wavelet Kontinu Source:Wikipedia Cara kerja dari transformasi wavelet kontinu adalah dengan cara menghitung konvolusi sinyal dengan sebuah jendela modulasi pada setiap waktu yang diinginkan. Jendela modulasi yang mempunyai skala fleksibel inilah yang biasa disebut induk wavelet. Dalam transformasi wavelet digunakan istilah translasi dan skala, translasi adalah lokasi jendela modulasi saat digeser sepanjang sinyal,berhubungan dengan informasi waktu, sedangkan skala berhubungan dengan frekuensi. Transformasi wavelet kontinu secara matematis dapat didefiniskan sebagai berikut:

18 4 Dimana adalah fungsi sinyal setelah transformasi, dengan variabel s(skala) dan (translasi) sebagai dimensi baru. f(t) adalah sinyal asli sebelum transformasi. Fungsi dasar * S,T (t) disebut sebagai wavelet, dengan * menunjukkan konjugasi kompleks. Fungsi dasar wavelet secara matematika dapat didefinisikan sebagai berikut:.8 Momen Invariant(Invariant Moment) invariant Moment adalah metode pengenalan objek yang berorientasi dalam hal area, posisi,orientasi yang dapat menghasilkan vektor ciri untuk pengenalan objek(jan Flusser, Barbara Zitova, Tomas Suk.009).8.1 Momen Dalam pemrosesan citra dan bidang yang sejenis, momen dipakai menjadi sebuah ukuran rata-rata dari intensitas sebuah titik (pixel)dari sebuah citra Momen(raw moment)berguna untuk mendeskripsikan objek setelah proses segmentasi dengan mendapatkan informasi tentang titik tengah dan orientasi citra (Jan Flusser, Barbara Zitova, Tomas Suk.009) Untuk fungsi kontinu bidang D memiliki persamaaan Source:Lecture Guido Gerig,010 m pq=

19 5 Untuk fungsi dimana p,q=0,1, M 0,0 =area atau volume,pixel jika citra binary M 1,0 =rerata atas X M 0,1= rerata atas y Cara mendapatkan koordinat titik tengah: =M 10/ M 00 =M 01/ M Extract set of Features Invariant Feature Representative of Shape Class Gambar.7 Proses Penentuan Ciri Dengan Invariant Moment

20 6.8. Hu orthogonal invariants Metode yang diperkenalkan oleh Hu yang didasarkan dari perhitungan momen di tengah bidang, menghasilkan tujuh persamaan yang berguna karena tidak terpengaruh posisi,ukuran dan orientasi(zhihu Huang, Jinson Leng,010) yaitu: φ = + 1 η 0 η 0 ( η + η ) φ + = 0 0 4η 11 φ ( η 3η ) + ( η η ) 3 = ( η + η ) + ( η ) φ + 4 = η 03 φ = 5 { } { } ( η30 3η 1 ) ( η30 + η1 ) ( η30 + η1 ) 3( η 1 + η 03 ) ( 3η η )( η + η ) 3( η + η ) ( η + η ) ( η η ) ( η + η ) ( η + η ) { } + η ( η + η )( η ) φ = η03 φ = 7 ( 3η 1 η 30 )( η30 + η1 ) ( η30 + η1 ) 3( η 1 + η 03 ) ( 3η η )( η + η ) 3( η + η ) ( η + η ) { } { } Dibawah ini adalah contoh gambar dari penelitian pengenalan pesawat dengan metode invariant moment, dimana hasil perhitungan kemiripan tidak mengalami banyak perubahan walaupun citra mengalami rotasi.

21 7 Phantom F104 Mirage Gambar.8 Aplikasi Invariant Moment Pada Pengenalan Pesawat Tabel.5 Tabel Hasil Perhitungan Invariant Moment 1 0 Degree 45 Degree 90 Degree Scale X M1 M M3 M4 M5 M Phantom

22 8 Tabel.6 Tabel Hasil Perhitungan Invariant Moment M1 M M3 M4 M5 M6 0 Degree Degree Degree Scale X F104 Tabel.7 Tabel Hasil Perhitungan Invariant Moment 3 0 Degree 45 Degree 90 Degree Scale X M1 M M3 M4 M5 M Mirage Source:Lecture:Guido Gerig,010