7

BAB II

LANDASAN TEORI

2.1 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 (2010) . 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

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

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 2.1 Contoh Ragam Batik

Nama -Batik

Gambar Batik Makna Batik

Kawung

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

10

merupakan hasil kombinasi dari kedua elemen itu . Contoh gambar dari batik

dengan tekstur yang sama:

Tabel 2.2 Contoh batik dengan tekstur yang sama

Batik Tekstur Kawung Batik Tekstur Kawung

Tabel 2.3 Contoh batik dengan bentuk yang sama

Batik bentuk Lereng Batik bentuk Lereng

11

Tabel 2.4 Tabel Contoh Batik Kombinasi

Batik Kawung+sidomukti Batik parang+sidomukti

2.2 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 =

B. Citra yang presisi (Y)

Y=

∑∑

asecitraDatab

querycitrahasilxy

∑∑

asecitraDatab

querycitrahasilxy

12

2.3 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).

( ) ( )22

22

2

11 ..., jpipjiji xxxxxxjid −++−+−=

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

13

2. Citra RGB (Gonzales dan Woods, 2002)

=),(

),(

),(

),(

yxb

yxg

yxr

yxcrgb

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 :

Jarak euclid ciri bentuk : ( ) 217

1

2 )(∑ =−=

v

Qv

Dvbd ϕϕ

Dimana H = histogram warna , ϕ = momen invarian

D = basisdata, Q = query

2.4 Pengenalan Pola(Pattern Recognition)

Pengenalan pola adalah bidang ilmu komputer yang memiliki tujuan untuk

mengklasifikasi objek-objek menjadi suatu kategori (Theodoridis., Koutrumbas,

14

2006, 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, 2001, p.1)

2.4.1 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.

15

v Algoritma Deskripsi

Algoritma ini memiliki fungsi untuk memberikan deskripsi

pada sinyal atau citra.

Gambar 2.1 Sistem Pengenalan Pola

2.5 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

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. 2012)

Kokare (2007) 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

17

informasi yang dapat diperoleh dari sebuah citra diklasifikasikan menjadi

tiga tingkatan(A.Harris Rangkuti, Ariandy Ferdinand, David. 2012).

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 2.2 Level – Level Pada Ekstrasi Citra

(Source A.Harris Rangkuti, Ariandy Ferdinand, David. 2012)

18

Gambaran umum dari tahapan proses CBIR adalah sebagai berikut :

Gambar 2.3 Tahapan Content Base Image Retrieval (CBIR)

(Source A.Harris Rangkuti, Ariandy Ferdinand, David. 2012)

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)

19

yang memiliki kesamaan dengan formasi gambar (sesuai keinginan

user).

2.5 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,2010).

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 2.4 Decision Tree

Gambar 2.4 Decision tree

20

Node internal direpresentasikan dengan bentuk lingkaran, sedangkan leaf

direpresentasikan dengan bentuk segitiga.

2.7 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,2007)

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

2010). 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

21

b adalah parameter pergeseran posisi

adalah normalisasi energi yang sama dengan energi induk

Source:Sutarno,2010

Transformasi Wavelet memiliki kemampuan dalam mengekstraksi ciri

khusus yang dimiliki oleh suatu citra. Transformasi wavelet dibagi menjadi 2

bagian besar yakni:

a. Transformasi wavelet diskrit

b. Transformasi wavelet kontinu

2.7.1 Transformasi Wavelet Diskrit

Transformasi wavelet diskrit merupakan proses dekomposisi

citra pada frekuensi sub-band dari citra tersebut. Komponen sub-

band 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

22

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,2010)

Gambar 2.5 Dekomposisi Wavelet Tiga Tingkat

Dekomposisi pada citra menghasilkan informasi tentang frekuensi

yang berbeda-beda seperti:

• LL( low-low frequency)

23

• LH(low-high frequency)

• HL(high-low frequency)

• HH(high-high frequency)

Gambar 2.6 Ilustrasi Proses Dekomposisi

2.7.2 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:

24

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:

2.8 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.2009)

2.8.1 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.2009)

Untuk fungsi kontinu bidang 2D memiliki persamaaan

Source:Lecture Guido Gerig,2010

mpq=

25

Untuk fungsi dimana p,q=0,1,2

M0,0=area atau volume,pixel jika citra binary

M1,0=rerata atas X

M0,1=rerata atas y

Cara mendapatkan koordinat titik tengah:

�=M10/M00 �=M01/M

Gambar 2.7 Proses Penentuan Ciri Dengan Invariant Moment

Extract set of Features

Invariant Feature

Representative of Shape Class

26

2.8.2 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,2010) yaitu:

02201 ηηφ +=

( ) 211

202202 4ηηηφ ++=

( ) ( )20321

212303 33 ηηηηφ −+−=

( ) ( )20321

212304 ηηηηφ +++=

( ) ( ) ( ) ( ){ }( )( ) ( ) ( ){ }2

03212

123003210321

20321

21230123012305

33

33

ηηηηηηηη

ηηηηηηηηφ

+−++−

++−++−=

( ) ( ) ( ){ } ( )( )03211230112

03212

123002206 4 ηηηηηηηηηηηφ ++++−+−=

( )( ) ( ) ( ){ }( )( ) ( ) ( ){ }2

03212

123003210321

20321

21230123030217

33

33

ηηηηηηηη

ηηηηηηηηφ

+−++−

++−++−=

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.

27

Gambar 2.8 Aplikasi Invariant Moment Pada Pengenalan Pesawat

Tabel 2.5 Tabel Hasil Perhitungan Invariant Moment 1

M1 M2 M3 M4 M5 M6 0 Degree

0.4036 0.114 0.4023 0.149 0.0361 0.0427

45 Degree

0.4849 0.1647 0.4832 0.2108 0.067 0.0794

90 Degree

0.4036 0.114 0.4023 0.149 0.361 0.0427

Scale 2X

0.4831 0.184 2.2655 1.3179 2.473 0.516

Phantom

Phantom F2104 Mirage

28

Tabel 2.6 Tabel Hasil Perhitungan Invariant Moment 2

M1 M2 M3 M4 M5 M6 0 Degree

0.339 0.0727 0.0742 0.0111 0.0003 0.002

45 Degree

0.4296 0.1207 0.192 0.047 0.0044 0.016

90 Degree

0.339 0.0727 0.0742 0.0111 0.0003 0.002

Scale 2X

0.3323 0.066 0.5063 0.125 0.031 0.0325

F2104 Tabel 2.7 Tabel Hasil Perhitungan Invariant Moment 3

M1 M2 M3 M4 M5 M6 0 Degree

0.6972 0.4452 2.5965 1.8089 3.9139 1.1642

45 Degree

0.8623 0.6836 3.4007 2.351 6.632 1.872

90 Degree

0.6973 0.4453 2.566 1.8089 3.9139 1.1642

Scale 2X

0.6362 0.3661 9.8817 6.9978 58.104 4.0936

Mirage

Source:Lecture:Guido Gerig,2010