bab i pendahuluandigilib.uinsgd.ac.id/34114/4/4_bab1.pdf · 2020. 10. 9. · 1 bab i pendahuluan...
TRANSCRIPT
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.