1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Indonesia merupakan negara yang mempunyai beraneka ragam budaya

dari Sabang sampai Merauke yang salah satunya adalah batik. Berbagai

daerah di Indonesia mempunyai motif batik yang berbeda-beda sesuai dengan

karakter daerah masing-masing. Kata batik berasal dari bahasa Jawa, tetapi

belum dapat dipastikan asal terciptanya batik. Pada tanggal 2 Oktober 2009

batik telah diresmikan sebagai warisan budaya Indonesia tak benda oleh

United Nations Educational, Scientific and Cultural Organisation

(UNESCO)[1]. Pada perkembangannya batik memiliki motif yang memiliki

makna atau arti tertentu, dari suatu tanda simbol atau lambang pada motif

tersebut. Perkembangan batik yang paling pesat berada di Yogyakarta [2].

Yogyakarta merupakan daerah istimewa setara provinsi yang terletak di

bagian selatan pulau Jawa. Keraton Mataram yang menguasai panembahan

Senopati di Plered, yang kini berada di wilayah Bantul Yogyakarta

merupakan asal mula datangnya motif-motif tertua batik klasik. Seteah

beberapa keturunan, kerajaan berpindah ke Kartasura, kemudian pindah ke

Surakarta. Pada saat perseteruan para bangsawan di lingkungan kerajaan,

pihak Belanda mengusulkan perjanjian Giyanti yang membelah kerajaan

menjadi Keraton Surakarta dan Keraton Yogyakarta. Setelah penjanjian ini

ditandatangani pada tahun 1755, Sultan Hamengku buwono dari Keraton

2

Yogyakarta memohon agar semua karya batik yang ada di Keraton Solo

dipindah ke Keraton Yogyakarta. Dikarenakan hal tersebut, tumbuh

komunitas-komunitas pengrajin batik di Yogyakarta untuk memenuhi

kebutuhan lingkungan keraton dan para bangsawan, sehingga memunculkan

perkembangan batik yang memadukan motif batik klasik dengan motif batik

pesisiran. Terdapat banyak motif batik klasik Yogyakarta diantaranya, motif

Kawung, motif Parang, motif Semen, motif Ceplok, motif Kothak Nitik

Kasatriyan, motif Semen Ageng, motif Makutha Raja, dan motif Semen Naga

Keraton [3].

Bertambahnya motif batik di Yogyakarta masyarakat luar Yogyakarta

masih memiliki kesulitan dalam mengenali dan membedakan jenis motif

batik, yang mana juga masih banyak salah penggunaan pada suatu motif

tertentu, dikarenakan pada setiap motif batik mempunyai filosofi pada setiap

motifnya [4]. Dalam bidang teknik informatika terdapat teknik pengenalan

pola yang dapat digunakan untuk pengenalan motif batik Yogyakarta. Pada

pengenalan pola terdapat beberapa proses yang dilakukan yaitu

preprocessing, ekstraksi fitur dan proses pengenalan [5].

Pada penelitian sebelumnya telah dilakukan penelitian oleh Syahrial

dkk pada tahun 2016. Membuat aplikasi pengenalan batik Karawo, dengan

membedakan motif tunggal yaitu motif alam, motif fauna, motif flora, motif

geometris dari motif kombinasi yang ada pada motif karawo menggunakan

algortima SIFT, ANN, KD-Tree, dan Best Bin First (BBF), menghasilkan

akurasi 76,36% [5]. Pada tahun 2018 oleh Anggi Wahyu dkk Melakukan

penelitian pengenalan batik Trenggalek dengan menggunakan Deteksi tepi

3

sobel dan K-Mean menghasilkan akurasi 80% [6]. Penelitian mengenai

klasifikasi batik pada jenis pembuatannya oleh M D Firdaus tahun 2019 yang

menggunakan Define kernel, dan Cosine Similarity yang berhasil

mengklasifikasi batik dari jenis pembuatannya yaitu batik cap dan batik cetak

[7].

Kemudian terdapat beberapa penelitian sebelumnya mengenai algoritma

yang digunakan untuk ekstraksi fitur yaitu oleh Amila Jakubovic dkk tahun

2018 melakukan penelitian perbandingan algoritma ekstraksi fitur dari ORB,

BRISK, SIFT, dan SURF, menunjukkan bahwa SIFT merupakan algoritma

ekstraksi fitur terbaik setelah SURF [8]. Pada tahun 2017 oleh Sidheswar

Routray dkk melakukan perbandingan antara SIFT SURF dan HOG deteksi

fitur pada citra yang memiliki banyak noise dan menghasilkan bahwa SIFT

algoritma yang mendapatkan hasil fitur terbanyak [9]. Pada tahun 2018 oleh

M. Sushama yang menggabungkan SIFT dengan Dominant Rotated Local

Binary Pattern (DRLBP) untuk pengelan wajah yang dapat menambah

akurasi dari 48% menjadi 75% [10]. Pada tahun 2018 oleh Zhang Hongyang

dkk meneliti hasil yang didapatkan menggunakan SIFT pada citra yang di

zoom, yang menghasilkan kurang baik jika pixel pada citra berkurang [11].

Pada tahun 2015 oleh Sachin V. Sinkar dkk melakukan perbandingan antara

SIFT dengan ANN untuk ekstraksi fitur pada citra dengan background polos

yang menghasilkan akurasi 98% bahwa SIFT lebih baik dari pada ANN yang

menghasilkan 83,33% [12].

Dilihat dari penelitian sebelumnya yang menunjukkan bahwa algoritma

SIFT dapat digunakan untuk ekstraksi fitur citra dengan akurasi yang tinggi.

4

Kemudian terdapat beberapa penelitian sebelumnya mengenai algoritma yang

digunakan untuk klasifikasi yaitu oleh Aman Singh dkk tahun 2016

melakukan perbandingan algoritma klasfikasi K-NN dengan algoritma LDA,

DLDA, QDA, DQDA, dan CART untuk menentukan level tingkat kerusakan

hati. Algoritma K-NN mendapatkan hasil 92,53% dari mendeteksi pada data

testing dan 100% dari mendeteksi data training [13]. Pada tahun 2018 oleh

Mr. Pratik Aher dkk meneliti agar penggunaan K-NN tidak berfokus pada k

pada database yang besar untuk membatasi jarak data tetangga yang

menghasilkan jangkauan yang lebih luas[14]. Penelitian oleh Mr. pratik Aher

tidak dapat diterapkan karna database yang digunakan pada penelitian ini

berukuran kecil. Kemudian pada tahun 2018 oleh Mirza Ramdhani dkk

melakukan penelitian mengklasifikasikan jenis ikan dengan menggunakan

ORB dan K-NN mendapatkan akurasi 97,5% [15].

Dilihat dari penelitian sebelumnya yang menunjukkan bahwa algoritma

K-NN dapat digunakan untuk klasifikasi dengan akurasi yang tinggi.

Kemudian Algoritma pencocokan fitur yang akan digunakan adalah Brute

Force matching yang berdasarkan dari hasil beberapa penelitian oleh Amila

Jakubovic dkk tahun 2018 yang menggunakan Brute Force matching sebagai

algoritma pencocokan untuk membandingkat kinerja algoritma dari ORB,

BRISK, SIFT, dan SURF [8]. Pada tahun 2019 oleh Noor S. Farhan dkk

peneltian yang menggunakan algoritma Brute Force matching untuk

mengenalkan forgerty detection system (K-Means) yang dapat digunakan

untuk mendeteksi plagiarisme gambar dengan akurasi 90% dan 81% [16].

5

Dilihat dari penelitian sebelumnya menunjukkan bahwa algoritma Brute

Force matching dapat digunakan untuk pencocokan fitur.

Ditarik kesimpulan dari beberapa penelitian diatas peneliti akan

menggunakan algoritma Scale Invariant Feature Transform (SIFT) untuk

mengekstraksi fitur pada citra batik, karena dapat mengekstrasi fitur dengan

akurasi tinggi. Kemudian akan dicocokkan fitur yang sudah di ekstraksi

dengan Brute Force, karena Brute Force biasa digunakan untuk pengetesan

akurasi suatu algoritma [17]. Terakhir, akan dilakukan klasifikasi jarak fitur

serupa tersebut dengan K-Nearest Neighbor (K-NN), karena dapat

mengklasifikasi jarak data tedekat dengan akurasi yang tinggi. Maka

dibuatlah penelitian dengan objek batik Yogyakarta berjudul “Implementasi

Scale Invariant Feature Transform pada Pengenalan Batik Yogyakarta”.

Adapun perbedaan penelitian ini dari penelitian sebelumnya yang juga

meneliti pengenalan motif batik oleh Syahrial dkk pengenalan batik Karawo

[5] dan Anggi Wahyu T pengenalan batik Trenggalek [6] yaitu peneliti

menggunakan data citra berjumlah 183 buah terdiri dari citra training 61 buah

posisi normal 61 buah posisi 5˚, dan 61 buah citra testing. Kemudian peneliti

hanya akan menggunakan Algoritma SIFT, Brute Force matching, dan K-NN

untuk membangun prototype aplikasi Pengenalan Batik Yogyakarta dan

mengetahui akurasi yang didapat algortima tersebut..

1.2. Perumusan Masalah

Berdasarkan latar belakang tersebut, maka dapat dirumuskan

permasalahan sebagai berikut :

6

1. Bagaimana cara mengimplementasikan algoritma Scale Invariant Feature

Transform (SIFT), Brute Force matching, dan K-Nearest Neighbor (K-

NN) pada pengenalan citra batik Yogyakarta?

2. Berapa tingkat akurasi untuk pengenalan citra motif batik Yogyakarta

dengan menggunakan algoritma Scale Invariant Feature Transform

(SIFT), Brute Force matching, dan K-Nearest Neighbor (K-NN)?

1.3. Tujuan Penelitian

Adapun tujuan dari Implementasi Scale Invariant Feature Transform

pada Pengenalan Batik Yogyakarta yaitu :

1. Mengimplementasikan algoritma Scale Invariant Feature Transform

(SIFT), Brute Force matching, dan K-Nearest Neighbor (K-NN) pada

pengenalan citra batik Yogyakarta.

2. Mengetahui tingkat akurasi yang diperoleh algoritma Scale Invariant Feature

Transform (SIFT), Brute Force matching, dan K-Nearest Neighbor (K-

NN) pada pengenalan citra batik Yogyakarta.

1.4. Batasan Masalah

Agar penelitian ini lebih terarah dan sesuai dengan tujuan yang ingin

dicapai maka berikut beberapa batasan masalah dari Implementasi Scale

Invariant Feature Transform pada Pengenalan Batik Yogyakarta yaitu:

1. Aplikasi ini dibuat dengan bahasa pemrograman Python dan pustaka

pengolahan citra Open CV

2. Motif batik yang digunakan adalah motif Grompol, motif Kawung, motif

Parang, dan motif Nitik.

7

3. Sistem hanya melakukan pengenalan dari data training motif ke data

testing motif batik.

4. Aplikasi ini menggunakan algoritma Scale Invariant Feature Transform

(SIFT), Brute Force maching, dan K-Nearest Neighbor (K-NN).

1.5. Kerangka Pemikiran

Kerangka pemikiran dari penelitian tugas akhir ini adalah seperti yang

akan dijelaskan pada kerangka pemikiran dibawah ini, adapun kerangka

pemikiran tersebut sebagai berikut :

Problem

Masyarakat memiliki kesulitan dalam membedakan dan mengenali jenis motif

batik, yang mana pada setiap motif batik mempunyai filosofi dan kegunaan

pada tempat dan waktu yang berbeda.

Approach

Metode yang digunakan dalam pnelitian ini adalah Scale Invariant Feature

Transform (SIFT), pencocokan fitur Brute Force (BF) matching, dan K-NN

sebagai klasifikasi fitur terdekat yang serupa pada kedua citra.

Software Development

Metode Pengenmbangan : Prototype

8

Research Model

Result

Hasil akurasi pengenalan citra motif batik Yogyakarta pada penelitian terkait

dengan menggunakan ekstraksi fitur SIFT dan BF matching.

1.6. Metodologi Penelitian

1.6.1.Model Proses Pengembangan Perangkat Lunak

Untuk pengembangan perangkat penelitian ini menggunakan

model SDLC (Software Development Life Cycle). SDLC merupakan

sebuah metodologi atau alur hidup sistem yang digunakan dalam proses

pengembangan sistem yang meliputi pengembangan, pemeliharaan, dan

penggunaan sistem informasi. Model SDLC yang dipakai dalam penelitian

ini adalah model Prototype. Prototype model merupakan metode

pengembangan perangkat lunak yang berfungsi sebagai versi awal dari

sistem. Dengan metode ini akan menghasilkan prototype sistem sebagai

perantara pengembang dan pengguna agar dapat berinteraksi dalam proses

pengembangan sistem informasi [18]. Berikut merupakan tahapan model

pengembangan Prototype yang dipakai dalam penelitian ini :

Mengimplementasi Metode SIFT, BFmatching, dan K-NN untuk mengenalimotif batik Yogyakarta Karawo,Grompol, Parang dan Nitik.

Dataset Open CV danBahasa Python

Hasil Pengenalan danConfusion Matrix

9

1. Pengumpulan Kebutuhan

Pada tahap ini dilakukan diantaranya dengan cara analisis

masalah dari berbagai jurnal dan dokumen laporan penelitian, analisis

data masukan yang digunakan pada penelitian, dan analisis kebutuhan

sistem.

2. Pengumpulan Data

Pada tahap ini dilakukan pengumpulan data yang akan digunakan

dalam penelitian. Data yang digunakan adalah citra jenis motif batik

Yogyakarta Grompol, Kawung, Parang, dan Nitik. Pengumpulan data

dilakukan dengan mengambil foto langsung pada koleksi batik di

Museum Tekstil Tanah Abang.

3. Perancangan Program

Pada tahap ini akan dilakukan perancangan program yang sesuai

dengan permasalahan yang diangkat pada penelitian ini. Memproses

dan menentukan data yang akan digunakan dalam penelitian ini.

4. Evaluasi Prototyping

Pada tahap ini dilakukan evaluasi pada prototype atau rancangan

perangkat lunak yang dibuat sudah memenuhi tujuan penelitian.

5. Pengkodean Sistem

Setelah tahap evaluasi prototype sudah dilakukan, maka

dilakukan pengkodean sistem atau implementasi dari perancangan

yang sudah dilakukan dengan library Open CV dan Bahasa

Pemrograman Python.

10

6. Evaluasi Sistem

Pada tahapan ini dilakukan evaluasi pada sistem agar berjalan

sesuai dengan perancangan.

1.7. Sistematika Penulisan

Sistematika penulisan dari tiap bab dalam laporan tugas akhir ini

bertujuan untuk mendapatkan keterarahan dan sistemasi dalam penulisan

sehingga mudah untuk dipahami, adapun sistematika secara umum dari

penulisan laporan ini adalah:

BAB I PENDAHULUAN

Bab I merupakan pengantar atau gambaran umum yang menjelaskan

gambaran umum mengenai permasalahan – permasalahan yang kemudian

akan dibahas pada bab setelahnya, yaitu terdiri dari latar belakang,

rumusan masalah, Batasan masalah, tujuan penelitian, metodelogi

penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Berisi penjelasan mengenai tinjauan pustaka dan landasan teori yang

dimana pada bab ini berisi penjelasan dan hasil dari penelitian-penelitian

sebelumnya, sedangkan landasan teori menjelaskan konsep teori yang

digunakana dalam penulisan Tugas Akhir.

BAB III METODOLOGI PENELITIAN

Berisi penjelasan mengenai gambaran umum penelitian, desain penelitian,

analisis kebutuah proses, implementasi perancangan, penjelasan proses,

perancangan antar muka (user interface), dan spesifikasi hardware dan

software yang digunakan dalam melakukan implementasi.

11

BAB IV IMPLEMENTASI DAN PENGUJIAN

Berisi penjelasan mengenai spesifikasi aplikasi, kebutuhan aplikasi,

implementasi aplikasi, dan pengujian yang dilakukan terhadap aplikasi

yang dibangun.

BAB V PENUTUP

Bab ini merupakan kesimpulan yang menjawab dari rumusan masalah

yang ada dan saran yang diperlukan untuk penelitian selanjutnya sehingga

mampu mengembangkan penelitian yang sudah ada pada batasan masalah

penelitian ini.

DAFTAR PUSTAKA

Daftar Pustaka terdiri dari semua sumber tertulis atau cetak yang pernah

digunakan dan dikutip pada dalam proses penyusunan Tugas Akhir.

LAMPIRAN

Berisi dokumen yang digunakan dalam proses penyusunan dan

perancangan seperti kelengkapan dokumen dan lain sebagainya.