Deteksi Motif Batik Menggunakan Ekstraksi Tekstur dan Jaringan Syaraf Tiruan

Raynaldi Fatih Amanullah, Ade Pujianto, Bayu Trisna Pratama, Kusrini Kusrini

Sari


Penelitian ini mengajukan sebuah metode klasifikasi batik menggunakan ekstraksi fitur tekstur serta klasifikasi menggunakan jaringan syaraf tiruan (artificial neural network). Metode ekstraksi fitur tekstur yang digunakan adalah DWT, GLCM dan Local Binary Pattern (LBP). Ekstraksi fitur dengan GLCM dan DWT menghasilkan 24 fitur yang terdiri dari 5 fitur GLCM dan koefisien energi dalam 4 sub-band channel hasil dekomposisi. Sementara ekstraksi fitur dengan LBP dilakukan dengan membangun histogram dari matriks hasil LBP. Fitur-fitur tersebut kemudian menjadi masukan bagi jaringan syaraf tiruan untuk kemudian diklasifikasi dalam 5 jenis batik: buketan, ceplok, kawung, parang dan truntum. Dataset yang digunakan adalah 50 gambar batik (10 untuk setiap motif) yang diambil secara acak di internet. Pengujian dilakukan dengan membandingkan dua kelompok fitur: DWT-GLCM dan DWT-GLCM-LBP untuk mengetahui metode ekstraksi fitur yang lebih baik dalam deteksi motif batik. Metode pengujian yang digunakan adalah K-Fold Cross Validation dengan hasil berupa confusion matriks untuk kemudian dihitung nilai akurasi dan F-Measure-nya. Hasil pengujian menunjukkan bahwa penggunaan ekstraksi fitur tekstur DWT-GLCM-LBP mampu mencapai akurasi 74% dengan jenis dekomposisi Daubechies 4 level 3.


Kata Kunci


Batik; Klasifikasi Batik; ANN; GLCM; LBP; DWT; Artificial Neural Network; Greyscale Level Co-Occurrance Matrix; Discrete Wavelet Transform; Local Binary Pattern

Teks Lengkap:

PDF

Referensi


UNESCO, 2009, Intangible Cultural Heritage, https://ich.unesco.org/en/RL/indonesian-batik-00170, diakses tanggal 11 December 2017.

H. S. Doellah, 2002, Batik: Pengaruh Zaman dan Lingkungan, Batik Danar Hadi,

Solo.

A. E. Minarno, Y. Munarko, A. Kurniawandhani, F. Bimantoro and N. Suciati, 2014 Texture Feature Extraction Using Co-Occurancce Matices of Sub-Band Image For Batik Image Classification, International Conference on Information and Communication Technology (ICoICT), Bandung.

N. Suciati, A. Kridanto, M. F. Naufal, M. Machmud and A. Y. Wicaksono, 2015, Fast Discrete Curvelet Transform and HSV Color Features For Batik Image Classification, International Conference on Information, Communication Technology and System (ICTS), Surabaya.

R. Azhar, D. Tuwohingide, D. Kamudi, S. and N. Suciati, "Batik Image Classification, 2015, Using SIFT Feature Extraction, Bag of Features and Support Vector Machine, Information Systems International Conference, Surabaya.

E. Prakasa, 2015, Texture Feature Extraction by Using Local Binary Pattern, Journal of Informatics, Control Systems, and Computers, vol. 9, no. 2, pp. 45-48.

L. F. D., 2009, Conceptual Wavelets in Digital Signal Processing, Space and Signals Technical Publisher, United States of America.

M. Darshana and B. Asim, 2013, Discrete Wavelet Transform Using MATLAB, International Journal of Compuiter Engineering and Technology, vol. 4, no. 2, pp. 252-259.

R. Polikar, 2001, Index to Series Of Tutorials to Wavelet Transform By Robi Polikar, http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html, diakses tanggal 11 December 2017.

A. U, 2005, Pengolahan Citra Digital, Penerbit Graha Ilmu, Yogyakarta.

Suyanto, 2017, Data Mining untuk Klasifikasi dan Klasterisasi Data, Penerbit INFORMATIKA, Bandung.

S. Haykin, 1999, Neural Networks - A Comprehensive Foundation, 2nd ed, Indian Branch, Delhi.

E. Prasetyo, 2012, Data Mining: Konsep dan Aplikasi Menggunakan Matlab, 1st ed, ANDI Publisher, Yogyakarta.




DOI: http://dx.doi.org/10.22303/csrid.10.2.2018.69-79

Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

##submission.license.cc.by4.footer##

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License

Kantor Redaksi CSRID. Universitas Potensi Utama. Jl. K.L. Yos Sudarso Km 6,5 No.3-A Telp. (061) 6640525 Ext. 214 Tanjung Mulia Medan 20241