Ekstraksi Fitur Geometri Pada Citra Batik Menggunakan

Representasi Kurva Cardinal Spline

Aris Fanani1, Anny Yuniarti

2, Nanik Suciati

3

Jurusan Teknik Informatika

Institut Teknologi Sepuluh Nopember

Surabaya, Indonesia

arisfananie@gmail.com1, anny@if.its.ac.id2, nanik@if.its.ac.id3

Abstrak

Batik merupakan warisan budaya bangsa Indonesia. Batik juga diakui sebagai warisan budaya dunia (world

heritage). Dengan diakuinya batik sebagai world heritage, menjadikan batik sebagai bahan pakaian yang sering

digunakan. Dengan berkembangnya teknologi, perancangan busana dengan mengoptimalkan bahan dan perancangan

tata busana secara otomatis dapat dikembangkan. Untuk mengoptimalkan bahan dibutuhkan informasi geometri dari

citra batik. Ekstraksi fitur geometri citra batik digunakan untuk membantu komputer dalam mengenali pola atau motif

batik. Pada penelitian ini, diusulkan sistem ekstraksi fitur geometri citra batik dan merepresentasikan fitur geometri

tersebut menggunakan kurva Cardinal spline. Ekstraksi fitur geometri dibagi menjadi dua yaitu ekstraksi fitur

klowongan dan isen-isen. Fitur klowongan adalah pola dasar objek citra batik sedangkan fitur isen-isen adalah pengisi

dari klowongan. Ekstraksi fitur klowongan dilakukan dengan menghapus collinear point dari boundary objek, sehingga

didapatkan sekumpulan dominant point. Dominant point tersebut digunakan sebagai titik kontrol. Ekstraksi fitur isen-

isen dilakukan dengan menyimpan posisi koordinat untuk setiap connected component yang akan digunakan sebagai

titik kontrol. Hasil dari representasi kurva digunakan untuk merekonstruksi kembali citra batik dengan menggunakan

representasi kurva Cardinal spline. Hasil uji coba menunjukkan bahwa citra rekonstruksi citra batik secara visual sama

dengan citra batik asli.

Kata Kunci: Batik, Ekstraksi fitur geometri, cardinal spline, representasi kurva

Abstract Batik is an Indonesian national heritage. Batik has also been recognized as a world cultural heritage (world

heritage). Being recognized as a world heritage, batik is then widely used as clothing fabric. The role of technology is

to develop material optimization and automatization in fashion designing. To optimize material, geometric information

of batik pattern is needed. Batik’s geometric feature extraction is used to help the computer to recognize the pattern or

motif. This research proposes a Geometry feature extraction and geometry features representation using cardinal

spline curve for Batik Image. Geometry Feature extraction is divided into 2 process, feature extraction for Klowongan

and Feature extraction for Isen-Isen. Klowongan Feature is the basic pattern from Batik Image whereas Isen-Isen

Feature is the content patterns of Klowongan. Extraction Feature for Klowongan is done by deleting collinear points

form object boundaries until the dominant point is obtained. The Dominant points are used as control points. Feature

Extraction for Isen-Isen is done by saving the coordinate of every connected component which is also used as control

points. The result of curve representation is used for reconstruction of batik image by using cardinal spline curve

representation. The result shows that reconstructed image is visually the same as original batik image.

Keywords: Batik, Geometric extraction feature, Cardinal spline, Curve representation.

1. Pendahuluan

Batik adalah kerajinan yang memiliki nilai

seni tinggi dan telah menjadi bagian dari budaya

Indonesia (khususnya Jawa) sejak lama. Secara

etimologi, batik mempunyai pengertian akhiran “thik”

dalam kata “batik” berasal dari kata menitik atau

menetes. Kata “mbatik” berasal dari kata “tik” yang

berarti kecil (Kuswadji, 1981) Dengan demikian dapat

dikatakan bahwa “mbatik” adalah menulis atau

menggambar serba rumit (kecil-kecil). Batik sebagai

warisan tradisional yang terkenal dan unik di Indonesia

juga diakui sebagai warisan budaya dunia (world

heritage). Dengan diakuinya batik sebagai warisan

budaya dunia, menjadikan batik semakin terkenal dan

sebagai bahan pakaian yang sering digunakan. Batik

memiliki karakteristik pada motifnya. Motif dan ragam

hias batik, dibangun dari proses kognitif manusia yang

diperoleh dari alam sekitarnya. Hal inilah yang

dianggap sebagai salah satu aspek yang menarik untuk

diteliti menggunakan sains dan teknologi.

Untuk pengembangan suatu sistem

perancangan busana secara otomatis dan optimasi

bahan dengan bahan baku kain batik, dibutuhkan

ekstraksi fitur geometri dari citra batik. Ekstraksi fitur

geometri citra batik dapat membantu komputer dalam

mengenali pola atau objek citra batik. Ekstraksi fitur

dari citra batik adalah proses untuk mendapatkan fitur

atau penciri dari suatu citra batik. Ekstraksi fitur

geometri citra batik memiliki peranan penting dalam

memahami bentuk objek di dalam suatu citra batik.

Fitur geometri dari suatu objek dibangun oleh satu set

elemen geometris seperti titik, garis, kurva atau

permukaan. Fitur geometri yang dimaksud pada citra

batik disini adalah fitur geometri pola (klowongan

dalam bahasa jawa) dan fitur geometri pengisi pola

(isen-isen dalam bahasa jawa). Teknik pemrosesan citra

digital telah banyak digunakan dalam pengenalan objek

(object recognition) dan representasi objek (object

representation).

Pemrosesan citra digital memerlukan suatu

proses pre-processing yang selanjutnya akan digunakan

untuk proses yang lain. Proses tersebut adalah

segmentasi. Segmentasi merupakan langkah pertama

dan menjadi kunci yang penting dalam suatu

pengenalan objek. Telah banyak metode segmentasi

dikembangkan. Salah satunya adalah metode

thresholding yang sering digunakan untuk segmentasi

karena mudah dan intuitif. Hasil dari segmentasi akan

berdampak pada proses memahami dan menganalisis

citra, seperti klasifikasi objek, deskripsi objek,

representasi objek dan sebagainya. Pendekatan

neutrosophic untuk segmentasi berhasil memisahkan

objek dan background (Zang, Zhang, & Cheng, 2009).

Banyak penelitian dilakukan untuk

merepresentasikan objek. Metode yang digunakan

diantaranya adalah polygon approximation, dan

representasi kurva. Sekumpulan point dari batas objek

(kontur) digunakan untuk mendapatkan polygon

approximation dari bentuk objek itu sendiri (Poyato,

Madrid-Cuaves, & Medina-Carnicer, 2010). Dominant

point didapatkan dari kontur dengan menghapus

collinear point. Ketika bentuk objek mengandung unsur

lengkung, maka polygon approximation tidak dapat

memberikan hasil yang memuaskan dalam representasi

bentuk. Pendekatan lain yang digunakan adalah

menggunakan representasi kurva. Kurva Bezier

merupakan kurva polinomial berderajat n yang

menggabungkan titik kontrol untuk penggambarannya.

Kurva Bezier memiliki kelemahan, salah satunya tidak

memiliki properti kontrol lokal karena penggeseran satu

titik kontrol saja akan mempengaruhi hasil kurva secara

keseluruhan. Karena kelemahan tersebut muncul pola

pikir penggabungan beberapa segmen kurva Bezier

berderajat rendah yang disebut dengan kurva cardinal

spline. Objek grafik dipisah menjadi beberapa segmen

dengan harapan melakukan modifikasi pada suatu

wilayah hanya mempengaruhui segmen tersebut.

Beberapa penelitian terkait dengan citra batik

adalah sistem temu kembali citra berbasis isi (content-

based image retrieval/CBIR) (Eka, 2011), ekstraksi fitur

motif batik yang digunakan untuk klasifikasi motif

batik (Arisandi & Suciati, 2011). Pada penelitian ini,

diusulkan sistem ekstraksi fitur geometri pada citra

batik dan merepresentasikan kembali menggunakan

representasi kurva cardinal spline. Sistem terdiri dari

tiga bagian: ekstraksi fitur geometri, representasi kurva

cardinal spline dari fitur geometri, dan rekonstruksi

citra batik.

2. Studi Literatur

Pada bagian ini, akan dijelaskan mengenai teori-

teori yang menjadi landasan dalam melakukan

penelitian ini. Adapun teori-teori yang akan dijelaskan

adalah tentang pendekatan neutrosophic untuk

segmentasi dan Cardinal spline. Sedangkan freeman

chain code, deteksi tepi canny, dan connected

component labeling tidak dibahas lagi dalam penelitian

ini karena metode tersebut merupakan metode yang

sudah umum diketahui dalam pengolahan citra.

2.1. Pendekatan Neutrosophic untuk segmentasi

Neutrosophy merupakan cabang ilmu dari

filsafat yang mempelajari asal usul, sifat dan ruang

lingkup neutralities. Neutrosophy dapat dianggap

sebagai sebuah proposisi, teori, kejadian, konsep

ataupun entity. <A> merupakan kejadian atau entity,

<Non-A> merupakan bukan <A>, dan <Anti-A>

adalah kebalikan dari <A>. <Neut-A> didefinisikan

sebagai selain <A> dan <Anti-A>. Sebagai contoh, jika

<A>=putih, kemudian <Anti-A>=hitam. <Non-A> =

(2.4)

biru, kuning, merah (selain warna putih). <Neut-A> =

biru, kuning, merah (selain warna putih dan hitam).

Komponen neutrosophic T, I, F menyatakan

<A>, <Neut-A>, dan <Anti-A>. Setiap elemen A(T,I,F)

termasuk ke dalam set : t true, i indeterminate, f false,

dimana t, i, dan f adalah nilai real yang diambil dari set

T, I dan F.

Pendekatan neutrosophic untuk segmentasi

berdasarkan metode watershed telah dilakukan (Zang,

Zhang, & Cheng, 2009). Langkah-langkah pendekatan

neutrosophic untuk segmentasi berdasarkan metode

watershed dijelaskan sebagai berikut:

2.1.1. Pemetaan dan Penentuan {T,F}

Pada tahap ini dilakukan pemetaan dan

penentuan matriks citra pada domain T dan domain F. T

adalah objek dan F adalah background. Proses

penentuan nilai T dan F yang termasuk komponen dari

neutrosophic dengan menggunakan S-function sebagai

berikut:

𝑇 𝑥, 𝑦 = 𝑆 𝑔𝑥𝑦 , 𝑎, 𝑏, 𝑐

=

0 0 ≤ 𝑔𝑥𝑦 ≤ 𝑎,

𝑔𝑥𝑦 −𝑎 2

𝑏−𝑎 𝑐−𝑎 𝑎 ≤ 𝑔𝑥𝑦 ≤ 𝑏,

1 − 𝑔𝑥𝑦 −𝑐

2

𝑐−𝑏 𝑐−𝑎 𝑏 ≤ 𝑔𝑥𝑦 ≤ 𝑐,

1 𝑔𝑥𝑦 ≥ 𝑐,

𝐹 𝑥, 𝑦 = 1 − 𝑇 𝑥, 𝑦 , dimana gxy merupakan nilai intensitas dari piksel P(i,j).

variabel a,b, dan c adalah parameter yang menentukan

bentuk dari S-function. Nilai variabel a, b, dan c

dihitung dengan metode berdasarkan histogram (Cheng

& Wang, 2004): 1. Hitung histogram citra

2. Tentukan local maxima dari histogram,

Hismax(g1), Hismax(g2),…, Hismax(gk)

3. Hitung nilai rata-rata local maxima dengan

persamaan berikut:

𝐻𝑖𝑠𝑀𝑎𝑥 (𝑔) = 𝐻𝑖𝑠𝑀𝑎𝑥 (𝑔𝑖)𝑛

𝑖=1

𝑛

4. Tentukan local maxima sebagai puncak yang

tingginya melebihi Hismax(g). Asumsikan

puncak yang pertama kali ditemukan sebagai

gmin dan terakhir ditemukan gmax

5. Tentukan batas bawah gray level B1 dan batas

atas B2:

𝐻𝑖𝑠 𝑖 = 𝑓1𝐵1𝑖=𝑔𝑚𝑖𝑛

𝐻𝑖𝑠 𝑖 = 𝑓1𝑔𝑚𝑎𝑥𝑖=𝐵2

dimana f1=0,01 (didapat dari hasil percobaan).

𝑔𝑚𝑖𝑛 merupakan nilai gray level yang lebih

besar dari 0 dan pertama kali ditemukan.

Sedangkan 𝑔𝑚𝑎𝑥 merupakan nilai gray level

yang lebih besar dari 0 dan terakhir kali

ditemukan.

6. Tentukan nilai parameter a dan c :

𝑎 = 1 − 𝑓1 𝑔1 − 𝑔𝑚𝑖𝑛 + 𝑔𝑚𝑖𝑛 ,

jika (a>B1) , a= B1

𝑐 = 𝑓1 𝑔𝑚𝑎𝑥 − 𝑔𝑛 + 𝑔𝑛

jika (c> B2), c= B2

7. Hitung parameter b dengan menggunakan

prinsip maksimum entropi :

𝐻 𝑋 =1

𝑀 × 𝑁 𝑆𝑛(𝑇 𝑥, 𝑦 )

𝑁

𝑗=1

𝑀

𝑖=1

,

dimana Sn ( ) merupakan Shannon function

yang didefiisikan sebagai:

𝑆𝑛 𝑇 𝑥, 𝑦 = −𝑇 𝑥, 𝑦 𝑙𝑜𝑔2𝑇 𝑥, 𝑦 − (1

− 𝑇 𝑥, 𝑦 𝑙𝑜𝑔2 1 − 𝑇 𝑥, 𝑦

Parameter nilai b berada antara nilai a dan c.

Untuk mendapatkan nilai b yang optimal,

diperlukan pengecekan terhadap seluruh

kemungkinan nilai b. Nilai b yang optimal

akan menghasilkan nilai maximum entropy

H(X) yang terbesar:

𝐻𝑀𝑎𝑥 𝑋, 𝑎, 𝑏𝑜𝑝𝑡 , 𝑐 = max{𝐻[𝑋, 𝑎, 𝑏, 𝑐]|𝑔𝑚𝑖𝑛 ≤

𝑎 < 𝑏 < 𝑐 ≤ 𝑔𝑚𝑎𝑥 }.

2.1.2. Enhancement

Setelah didapatkan citra baru pada domain

neutrosophic, dilakukan proses enhancement. Proses ini

bertujuan untuk memperbaiki citra pada domain baru.

Proses enhancement dilakukan dengan menggunakan

transformasi intensitas. Berikut adalah fungsi yang

digunakan untuk melakukan perbaikan pada citra di

domain neutrosophic:

𝐸 𝑇 𝑥, 𝑦 = 2𝑇2 𝑥, 𝑦 , 0 ≤ 𝑇 𝑥, 𝑦 ≤ 0.5,

𝐸 𝑇 𝑥, 𝑦 = 1 − 2(1 − 𝑇 𝑥, 𝑦 )2, 0,5 < 𝑇 𝑥, 𝑦 ≤ 1.

2.1.3. Thresholding

Salah satu cara untuk mengambil objek dari

background-nya adalah dengan memilih nilai threshold

T yang dapat memisahkan kelompok satu dengan yang

lain. Nilai threshold ditentukan dengan menggunakan

pendekatan heuristic (Gonzalez, 2002):

1. Menentukan inisial threshold t0 pada f(x,y)

2. Memisahkan f(x,y) dengan menggunakan t0,

kemudian mengelompokkannya menjadi 2

kelompok piksel baru, F1 dan F2

3. Setiap kelompok pada F1 dan F2 dicari nilai

rata-ratanya μ1 dan μ2

4. Hitung nilai threshold baru dengan persamaan

t1= (μ1 +μ2)/2

5. Ulangi langkah ke-2 hingga 4 sehingga selisih

nilai dari tn – tn-1 < ε (dimana ε = 0,0001 ).

Jika terpenuhi kondisi ini, tn merupakan nilai

threshold yang ditetapkan.

2.2. Cardinal Spline

Cardinal spline merupakan interpolasi spline

yang menggunakan tarikan (tension) untuk membentuk

sebuah kurva. Interpolasi cardinal spline merupakan

modifikasi dari quadratic Bazier spline yang

menggunakan proses penyambungan dengan

kontinuitas C1. Satu segmen dari kurva cardinal spline

didefinisikan oleh 4 titik kontrol, kurva akan

menginterpolasi keempat titik kontrol tersebut dan

harus memenuhi persamaan berikut:

𝑝 𝑢 = 𝑢3 𝑢2 𝑢 1 𝜏

−1

2

𝜏 − 1

−2

𝜏 − 1 1

2 2

𝜏 − 1

2

𝜏 − 1 − 1

−1 0 1 0 0 1/𝜏 0 0

𝑝𝑖−1

𝑝𝑖

𝑝𝑖+1

𝑝𝑖+2

dimana 𝜏 adalah parameter tarikan atau tension, u adalah

vektor knot, dan pi adalah titik kontrol. Pada penelitian ini, 𝜏

yang digunakan adalah 0,5.

3. Ekstraksi Fitur Geometri Citra Batik

Ekstraksi fitur geometri citra batik memiliki

peranan penting dalam memahami bentuk objek di

dalam suatu citra batik. Fitur geometri dari suatu objek

dibangun oleh satu set elemen geometris seperti titik,

garis, kurva atau permukaan. Fitur geometri yang

dimaksud pada citra batik disini adalah fitur geometri

pola (klowongan dalam bahasa jawa) dan fitur geometri

pengisi pola (isen-isen dalam bahasa jawa).

3.1. Ekstraksi Fitur Geometri Klowongan

Fitur klowongan pada citra batik adalah pola dasar

dari citra batik. Klowongan dari citra batik seperti pada

Gambar 3. Ekstraksi fitur geometri klowongan seperti

ditunjukkan pada Gambar 4a.

a b

Gambar 3. (a) Citra batik; (b) Klowongan batik

Proses ekstraksi fitur geometri dimulai dengan

memasukkan citra RGB batik dan mengubah menjadi

grayscale. Setelah citra dirubah menjadi grayscale,

dilakukan denoising dengan mean filtering yang

bertujuan untuk menghilangkan noise. Citra hasil

denoising selanjutnya akan dilakukan segmentasi

dengan threshold berbasis neutosophic seperti yang

dijelaskan pada bagian 2.1. Hasil dari segmentasi akan

ditentukan connected component labeling dengan 8-

neigborhood. Dari hasil connected component labeling

akan dicari data arah dari bentuk setiap objek pada citra

dengan metode chain code dan menyimpan posisi

koordinatnya. Algoritma chain code yang digunakan

dalam ekstraksi chain code 8-connected adalah sebagai

berikut (Amizah & Mohammad Zain, 2009):

a. Tentukan piksel dalam objek yang nilainya

paling kiri di baris paling atas, anggap piksel

itu P0 seperti pada Gambar 5 (a).

b. Tentukan variabel dir (untuk arah). Atur dir =7

(karena P0 adalah piksel kiri atas dalam objek,

arah piksel berikutnya harus 7).

c. Jalankan 3x3 neighborhood dari piksel

sekarang. Awali pencarian pada piksel dalam

arah dir + 7 (mod 8) jika dir genap atau dir + 6

(mod 8) jika dir ganjil (Gambar 5(b-c)). Ini

akan berakibat arah pertama berlawanan

dengan arah jarum jam dari dir:

dir 0 1 2 3 4 5 6 7

dir+7(mod 8) 7 0 1 2 3 4 5 6

dir+6 (mod 8) 6 7 0 1 2 3 4 5

d. Piksel foreground pertama akan menjadi batas

baru elemen. Dan perbarui dir seperti pada

Gambar 5 (d),

e. Berhenti jika batas elemen sekarang Pn sama

dengan elemen kedua P1 dan piksel batas

sebelumnya sama Pn-1 sama dengan elemen

batas pertama P0.

Gambar 5 di bawah ini menunjukkan

penentuan P0 dan penentuan arah menggunakan

algoritma di atas.

Citra RGB

Batik

Segmentasi

dengan threshold

berbasis

neutrosophic

Connected

Component

Labeling

Penentuan arah

batas objek

dengan Chain

Code

Reduksi fitur

geometri

klowongan

Database fitur

geometri

klowongan

Denoising dengan

Mean Filtering

Ubah ke

Grayscale

Citra Grayscale

Batik, Citra

Segmentasi,

Citra RGB

Deteksi Tepi Canny

Citra Grayscale batik

Isolasi Interior

Citra=Hasil Canny -

erosi(Citra

Segmentasi)

Database fitur

geometri isen-

isen

Reduksi fitur

geometri isen-isen

Connected

Component

Labeling

a b

Gambar 4. a. Ekstraksi fitur geometri klowongan citra

batik; b. Ekstraksi fitur geometri isen-isen

Gambar 5. (a) Penentuan P0 (b-d) Penentuan arah.

Reduksi fitur geometri klowongan dilakukan

dengan mencari dominant point dari setiap bentuk

objek berdasarkan arah yang dihasilkan proses chain

code. Langkah-langkah menentukan dominant point

dengan cara menghapus collinear point (Poyato,

Madrid-Cuaves, & Medina-Carnicer, 2010):

a. Pilih tiga point (posisi koordinat) pada batas

objek, misalkan Pi, Pj, dan Pk

b. Tentukan nilai threshold (dt)

c. Hapus point Pj, dengan nilai distance (d) dari

garis lurus yang dibentuk Pi dan Pk jika d ≤ dt

. Distance (d) dihitung dengan persamaan:

𝑑 = ( 𝑥𝑘 − 𝑥𝑖 𝑦𝑗 − 𝑦𝑖 − 𝑦𝑘 − 𝑦𝑖 𝑥𝑗 − 𝑥𝑖 )2

(𝑥𝑖 − 𝑥𝑗 )2 + (𝑦𝑖 − 𝑦𝑗 )2

d. Ulangi langkah c, dan berhenti jika Pj = Pi

Gambar 6 ini menunjukkan bagaimana cara

mendapatkan dominant point menggunakan algotirma

di atas.

Gambar 6. Proses penghapusan collinear point (I)

Setelah dominant ponit didapatkan dari proses

reduksi, koordinat dominat point dari setiap objek

disimpan dalam database yang nantinya akan digunakan

untuk rekonstruksi citra batik dengan menggunakan

carrdinal spline.

3.2. Ekstraksi Fitur geometri Isen-isen

Isen-isen citra batik adalah pengisi klowongan dari

batik. Contoh isen-isen dari citra batik seperti

ditunjukkan pada Gambar 7. Proses ekstraksi fitur

geometri isen-isen seperti pada Gambar 4b.

(a) (b)

Gambar 7. (a)Citra batik (b) Isen-isen citra batik.

Ekstraksi fitur geometri isen-isen dilakukan dengan

memasukkan citra RGB batik, mengubah menjadi

grayscale dan memasukkan citra hasil segmentasi. Citra

grayscale dilakukan deteksi tepi dengan metode canny.

Untuk mendapatkan isen-isen dari citra batik dilakukan

isolasi isen-isen citra batik. Isolasi isen-isen dilakukan

dengan cara mengalikan matrik citra hasil deteksi tepi

canny dengan matriks citra hasil erosi citra

tersegmentasi. Dari hasil isolasi citra isen-isen

dilakukan connected component labeling dan

menyimpan posisi koordinat isen-sen kedalam database

yang nantinya akan digunakan sebagai titik kontrol

dalam rekonstruksi dengan menggunakan cardinal

spline.

3.3. Rekonstruksi Citra Batik Hasil representasi

kurva interpolasi cardinal spline

Hasil dari ekstraksi fitur geometri klowongan

dan isen-isen merupakan sekumpulan dari dominant

point. Sekumpulan dominant point yang telah disimpan

dalam database tersebut nantinya akan digunkan

sebagai titik kontrol dalam rekonstruksi citra batik

dengan menggunakan cardinal spline.

4. Ujicoba dan Analisis

Data yang digunakan dalam penelitian ini

adalah citra batik madura. Citra batik madura

didapatkan dengan memfoto secara langsung kain batik

dari pengrajin batik madura. Serangkaian uji coba

dilakukan untuk mengevaluasi sistem yang diusulkan.

Tabel 1 menunjukkan hasil dari uji coba. Citra asli,

ukuran dan waktu proses ditunjukkan pada kolom 1.

Citra hitam putih sebagai input dari proses ekstraksi

klowongan ditunjukkan pada kolom 2. Citra hasil

isolasi dari isen-isen ditunjukkan pada kolom 3 dan

hasil dari algoritma yang diusulkan seperti pada kolom

4. Hasil dari connected component labeling dari citra

klowongan dan citra isen-isen tidak ditunjukkan karena

berisi citra hitam putih yang sama dengan citra

klowongan dan isen-isen hanya saja citra connected

component labeling berisi satu objek yang terhubung

berdasarkan 8-neighborhood.

Dari semua citra batik yang digunakan untuk

ujicoba, algoritma dapat menginterpolasi sekumpulan

titik kontrol yang diberikan berdasarkan representasi

kurva cardinal spline dari klowongan dan isen-isen.

Secara visual hasil rekonstruksi dengan menggunakan

representasi kurva cardinal spline memberikan hasil

yang hampir sama dengan citra asli. Dari hasil uji coba,

citra batik ke-3 memiliki waktu pemrosesan yang

paling cepat, yaitu 62,87 detik. Sedangkan citra batik

ke-4 memiliki waktu pemrosesan yang paling lama,

yaitu 1152.77 detik. Berdasarkan hasil citra klowongan

dan isen-isen, citra ke-3 memiliki connected component

paling sedikit yang berakibat semakin sedikit juga

sekumpulan titik kontrol. Sedangkan citra ke-4

memiliki connected component paling banyak, yang

berakibat semakin banyak juga sekumpulan titik

kontrol. Waktu pemrosesan ditentukan oleh banyak

sedikitnya sekumpulan dari titik kontrol yang

digunakan dalam representasi kurva cardinal spline

bukan berdasarkan ukuran citra.

5. Kesimpulan Hasil uji coba menunjukkan bahwa, sistem

yang diusulkan dapat melakukan reduksi fitur geometri

citra batik, merepresentasikan ke dalam representasi

kurva cardinal spline dan merekonstruksi citra batik

dengan titik kontrol yang diberikan berdasarkan

representasi kurva cardinal spline. Hasil rekonstruksi

citra batik secara visual hampir sama dengan citra asli.

6. Referensi Amizah, N., & Mohammad Zain, J. (2009). Application

of Freeman Chain Codes: An Alternative

Recognition Technique for Malaysian Car

Plates . IJCSNS International Journal of

Computer Science and Network Security , 222-

227.

Arisandi, B., & Suciati, N. (2011). Pengenalan Motif

Batik dengan Rotated Wavelet Filter dan

Neural Network.

Canny, J. (1986). A Computational Approach to Edge

Detection. IEEE Transactions On Pattern

Analysis And Machine Intelligence , 679-714.

Cheng, H., & Wang, X. (2004). Microcalcification

detection using fuzzy logic and scale space

approach. IEEE , 363-375.

Eka, R. (2011). Pengembangan Sistem Temu Kembali

Citra Batik Menggunakan Transformasi

Wavelet Yang Dirotasi dan Multi-Layer

Perceptron.

Gonzalez, R. C. (2002). Digital Image Processing. New

Jersey : Prentice-Hall, Inc., Upper Saddle

River.

Kuswadji. (1981). Mengenal Seni Batik di Yogyakarta.

Yogyakarta: Proyek Pengembangan

Permuseuman Yogyakarta.

Poyato, C., Madrid-Cuaves, F., & Medina-Carnicer, R.

(2010). Polygonal approximation of digital

planar curves through break point suppression.

Pattern Recognition Sciencedirect , 14-25.

Zang, M., Zhang, L., & Cheng, H. (2009). A

Neutrosophic Approach To Segmentation

Based On Watershed Method. Signal

Processing In ScienceDirect .

0 50 100 150 200 250 300 3500

50

100

150

200

250

300

350

0 100 200 300 400 500 6000

100

200

300

400

500

600

0 50 100 150 200 250 300 3500

50

100

150

200

250

0 50 100 150 200 250 300 350 400 450 5000

50

100

150

200

250

300

350

400

450

0 50 100 150 200 250 300 350 400 4500

50

100

150

200

250

300

350

Tabel 1. Hasil Uji Coba

No Citra Batik Hasil citra klowongan Hasil citra isen-isen Hasil rekonstruksi

1

Ukuran : 687 x 630

Waktu : 881.98 detik

2

Ukuran : 381 x 392

Waktu : 95.22 detik

3

Ukuran : 376 x 292

Waktu :62.87 waktu

4

Ukuran : 530 x 469

Waktu : 1152.77 detik

5

Ukuran : 640 x 480

Waktu : 342.61 detik