halaman judul laporan akhir penelitian disertasi...

HALAMAN JUDUL

LAPORAN AKHIR

PENELITIAN DISERTASI DOKTOR TAHUN ANGGARAN 2014

PENCOCOKAN KEYPOINT SIFT PADA HOUGH SPACE

UNTUK MENINGKATKAN KUALITAS PENGENALAN

MOTIF BATIK

Tahun ke -1 (satu) dari rencana 1 (satu) tahun

IDA NURHAIDA, ST., MT. (NIDN : 0310047103)

Dibiayai Sesuai Surat Perjanjian No 193/K3/KM/2014 tanggal 7 Mei 2014

Direktorat Jendral Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan

dan Berdasarkan Surat Perjanjian Penugasan dalam Rangka Bantuan Penelitian

Desentralisasi Disertasi Doktor Kopertis Wilayah III Jakarta

Tahun Anggaran 2014

FAKULTAS ILMU KOMPUTER

UNIVERSITAS MERCU BUANA

NOVEMBER 2014

HALAMAN PENGESAHAN

PENELITIAN DISERTASI DOKTOR

Judul Kegiatan : Pencocokan Keypoint SIFT pada Hough Space untuk Meningkatkan Kualitas

Pengenalan Motif Batik

Kode/Nama Rumpun Ilmu : Ilmu Komputer

Ketua Peneliti

A. Nama Lengkap : IDA NURHAIDA ST,MT

B. NIDN : 0310047103

C. Jabatan Fungsional : Asisten Ahli

D. Program Studi : Teknik Informatika

E. Nomor HP : 08164820311

F. Surel (e-mail) : [email protected]

G. NIM : 1106127115

H. Semester ke : 4

PT Penyelenggara : Universitas Indonesia

Program Doktor : Ilmu Komputer

Nama Promotor : Prof., Dr., Ir. ANIATI MURNI ARYMURTHY M.Sc

NIDN Promotor : 0029054802

Biaya yang Diusulkan : Rp 49.880.000,00

Mengetahui Jakarta, 18 - 11 - 2014,

Ketua Peneliti,

(Ida Nurhaida ST,MT)

NIP/NIK110710304

Menyetujui,

mailto:[email protected]

iii

Daftar Isi

HALAMAN JUDUL ................................................................................................ i

HALAMAN PENGESAHAN ................................................................................. ii

Daftar Isi................................................................................................................. iii

Daftar Gambar ......................................................................................................... v

Daftar Tabel ........................................................................................................... vi

RINGKASAN ....................................................................................................... vii

Bab 1. Pendahuluan ................................................................................................. 2

1.1. Latar Belakang ................................................................................................. 2

1.2. Perumusan Masalah ......................................................................................... 3

1.3. Tujuan Penelitian ............................................................................................. 3

1.4. Urgensi (Keutamaan) Penelitian ...................................................................... 4

Bab 2. Tinjauan Pustaka .......................................................................................... 7

2.1. State of The Art ............................................................................................... 7

2.2. Peta Jalan Penelitian ......................................................................................... 8

2.2.1. Penelitian Pendahuluan ................................................................................. 9

2.2.2. Fokus Penelitian ............................................................................................ 9

2.2.3. Penyelesaian Penelitian Disertasi .................................................................. 9

2.3. Teori Pendukung ............................................................................................ 10

2.3.1. Ragam Pola Batik ........................................................................................ 10

2.3.2. Scale Invariant Feature Transform (SIFT) ................................................. 11

2.3.3. Metode Pencocokan .................................................................................... 11

Bab 3. Metode Penelitian ...................................................................................... 12

3.1. Input Citra Dijital ........................................................................................... 15

3.2. Ekstraksi Fitur menggunakan SIFT ............................................................... 15

iv

3.3. Metode Pencocokan ....................................................................................... 15

3.4. Proyeksi ke Hough Space............................................................................... 15

3.5. Voting Keypoint pada Hough Space .............................................................. 16

Bab 4. Hasil Yang Dicapai .................................................................................... 17

4.1. Pencocokan Keypoint dari Hasil Ekstraksi Fitur SIFT .................................. 17

4.2. Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan Keypoint

(Skenario 1) ................................................................................................... 23

4.3. Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan Keypoint

(Skenario 2) ................................................................................................... 28

4.4. Menganalisa Karakteristik Keypoint Hasil Voting menggunakan Hough

Transform (Skenario 1) ................................................................................. 33

4.5. Menganalisa Karakteristik Keypoint menggunakan Hough Transform ........ 41

(Skenario 2) ................................................................................................... 41

4.6. Mendeteksi Jumlah Obyek pada Citra ........................................................... 57

Tabel 4.6. Hasil Eksperimen Mendeteksi Jumlah Obyek Motif Batik ................. 57

Bab 5. Rencana Tahapan Berikutnya .................................................................... 62

Bab 6. Kesimpulan dan Saran ............................................................................... 63

6.1. Kesimpulan .................................................................................................... 63

6.2. Saran ............................................................................................................... 63

Bab 7. Daftar Pustaka ............................................................................................ 65

LAMPIRAN

v

Daftar Gambar

Gambar 2.1. Peta Jalan Penelitian ........................................................................... 8

Gambar 3.1. Diagram metodologi penelitian disertasi.......................................... 13

Gambar 3.2. Diagram Hibah Penelitian Disertasi Doktor..................................... 14

Gambar 4.1. Skenario eksperimen 1 ……...……………………………………...

18

vi

Daftar Tabel

Tabel 4.1. Hasil Eksperimen Pencocokan Keypoint ........................................... 18

Tabel 4.2. Hasil Eksperimen Karakteristik Keypoint (Skenario 1) .............. Error!

Bookmark not defined.

Tabel 4.3. Hasil Eksperimen Karakteristik Keypoint (Skenario 2)...................... 28

Tabel 4.4. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough

Transform (Skenario 1) ....................................................................... 34


Transform (Skenario 2) ....................................................................... 42

Tabel 4.6. Hasil Eksperimen Mendeteksi Jumlah Obyek Motif Batik................. 56

vii

RINGKASAN

Batik merupakan warisan budaya Indonesia yang sudah sangat popular

hingga ke mancanegara. Keindahan motif batik yang dikombinasikan dengan

pewarnaan menjadikan batik sebagai karya seni yang sangat dikagumi oleh

masyarakat dunia. Motif dan ragam hias batik memiliki pola tertentu dan

memiliki kesamaan antara motif yang satu dengan motif lainnya. Penelitian ini

merupakan tahap awal dari keseluruhan penelitian disertasi yang bertujuan untuk

melakukan pengenalan motif batik secara otomatis, khususnya untuk motif

geometris. Permasalahan utama yang dihadapi dalam pengenalan motif batik

adalah adanya kemiripan motif dan kemunculan suatu motif secara berulang

dengan lokasi, skala, dan orientasi yang berbeda dapat menyebabkan adanya

kesalahan pengenalan dan kesalahan klasifikasi. Oleh karenanya proses

pencocokan deskriptor citra yang diperoleh melalui ekstraksi citra harus dapat

dilakukan dengan baik sehingga kualitas pengenalan motif batik menjadi lebih

baik. Pencocokan dilakukan melalui pendekatan voting keypoint SIFT yang

diproyeksikan pada Hough Space. Hingga tahap penelitian ini karakteristik

deskriptor telah diobservasi yang memperlihatkan bahwa keypoint bersifat

distinctive dan mampu membedakan obyek dengan latar belakang yang kompleks.

Namun dalam kasus batik masih terdapat kesalahan pencocokan sehingga perlu

dikaji lebih dalam lagi terutama dalam hal penanganan simetri obyek dan

kemunculan suatu motif secara berulang.

Kata Kunci : Ekstraksi fitur, SIFT, pencocokan kepoint, voting keypoint, Hough

Space

2

Bab 1. Pendahuluan

1.1. Latar Belakang

Batik sebagai salah satu warisan budaya nenek moyang Indonesia berhasil

tumbuh dan berkembang dengan baik tidak tersisihkan dengan adanya arus

globalisasi mode dunia. Bahkan batik mampu menjadi tren berbusana untuk

masyarakat lokal maupun dunia. Walau di negara lain juga bisa ditemui batik,

misalnya di Malaysia, Thailand, India, Sri Langka, dan Iran, tetapi batik Indonesia

adalah batik yang cukup terkenal di dunia.

Batik adalah kain tradisional yang menggunakan lilin atau malam sebagai

perintang warna dengan teknik manualnya (Doellah 2003). Kata-kata batik berasal

dari bahasa Jawa yaitu “Mbat” dan “Titik”. Kedua kata ini membentuk makna

membubuhkan beberapa titik secara simultan pada kain sehingga membentuk

garis. Teknik ini dilakukan dengan menggunakan canting dan malam. Seni

membuat batik menggunakan canting dan malam diperkirakan telah berkembang

sejak awal abad ke 18 (Xenia Moeis et al. 2011). Teknik tersebut memanfaatkan

malam sebagai pelindung kain dari pewarnaan parsial (Samsi 2011)

Batik merupakan salah satu kekayaan dan aset budaya yang memiliki nilai

ekonomis dan sejarah bernilai tinggi sehingga perlu dilestarikan. Batik Indonesia

telah diakui secara formal sebagai warisan budaya oleh UNESCO pada tanggal 8

September 2009 di Abu Dhabi. Batik Indonesia memiliki teknik, simbol-simbol,

dan kultur yang tidak dapat dipisahkan dari falsafah hidup bangsa Indonesia.

Keberagaman motif batik datang dari berbagai wilayah propinsi menjadikan

Indonesia layak dijadikan sebagai sumber kultur batik di dunia. Kebanggaan

terhadap budaya dan kearifan lokalnya dapat menjadikan warisan budaya tersebut

akan selalu hidup di tengah-tengah masyarakat. Banyaknya warisan budaya

Indonesia yang perlu dijaga kelestariannya merupakan jati diri dan identitas

bangsa yang perlu diwariskan kepada anak cucu sepertinya halnya batik.

Berdasarkan uraian di atas, penulis memandang perlu untuk melakukan

penelitian yang mendalam berkaitan dengan proses pengenalan pola batik secara

otomatis berdasarkan jenis motifnya. Pengenalan pola motif ini dilakukan melalui

serangkaian proses yang akan dijelaskan secara rinci pada bagian-bagian

selanjutnya.

http://kurniasepta.com/olah-raga-tradisional-sebagai-budaya-dan-identitas-bangsa

http://kurniasepta.com/olah-raga-tradisional-sebagai-budaya-dan-identitas-bangsa

3

1.2. Perumusan Masalah

Secara spesifik permasalahan-permasalahan yang ingin diatasi dalam

penelitian ini adalah sebagai berikut :

1. Bagaimana sistem dapat melakukan pengenalan terhadap suatu motif batik

berdasarkan kelasnya?

2. Bagaimana melakukan ekstraksi fitur-fitur lokal dari motif batik menggunakan

SIFT?

3. Bagaimana melakukan pencocokan keypoint dari citra data query

dibandingkan dengan citra data template?

Klasifikasi dilakukan dengan membandingkan ekstraksi kandungan informasi

antara data citra query dengan data citra template yang telah disimpan pada

basis data. Proses ekstraksi fitur dilakukan menggunakan teknik Scale

Invariant Feature Transform (SIFT). Resultan dari fitur-fitur SIFT yang

berkorespondensi untuk setiap data citra query dan data citra template

diproyeksikan ke dalam Hough space yang bersifat kontinyu. Selanjutnya

hasil proyeksi membentuk kluster fitur-fitur yang cocok untuk setiap obyek

yang ada. Dengan demikian, untuk setiap kelas obyek yang disimpan masing-

masing akan memiliki Hough space.

4. Dengan mengacu kepada karakteristiknya, bagaimana menangani kemunculan

obyek secara berulang-ulang pada motif batik?

Hough space digunakan untuk merepresentasikan multiple instance dari kelas

obyek yang sama. Permasalahan yang timbul dan mempengaruhi keandalan

hasil proses ekstraksi fitur SIFT dan pemetaan Hough space adalah karena

instance yang berbeda pada kelas objek yang sama akan memiliki fitur

deskriptor yang sama. Disamping itu, kemunculan obyek secara berulang

dapat memiliki lokasi, ukuran, maupun orientasi yang berbeda. Kedua

permasalahan tersebut jika tidak ditangani dengan baik akan menurunkan

kualitas sistem pengenalan motif batik.

1.3. Tujuan Penelitian

Penelitian ini merupakan tahap awal dalam membangun sistem pengenalan

motif batik yang handal dan merupakan bagian dari penyelesaian disertasi. Tujuan

4

utama penelitian disertasi secara keseluruhan adalah membangun sistem dengan

model dan algoritma yang mampu meningkatkan akurasi dan efisiensi klasifikasi

motif batik. Tujuan lain yang ingin dicapai adalah mengatasi permasalahan

kemunculan obyek dari kelas yang sama secara berulang pada motif batik.

Adapun tujuan khusus yang ingin dicapai dalam tahap penelitian ini adalah

sebagai berikut :

1. Melakukan pencocokan fitur keypoint dan memproyeksikan pasangan

keypoint ke dalam Hough space.

2. Memecahkan permasalahan dalam mendeteksi adanya obyek-obyek yang

berulang.

3. Mengevaluasi jumlah kluster yang ditemukan. Kluster-kluster tersebut

merepresentasikan banyaknya pengulangan obyek yang terdapat dapat data

citra query.

1.4. Urgensi (Keutamaan) Penelitian

Batik merupakan perpaduan antara seni dan kerajinan yang menjadi milik

bangsa Indonesia sejak lama. Tidak ada yang tahu pasti kapan batik pertama kali

dibuat. Awalnya baju batik hanya digunakan oleh beberapa kalangan untuk

kesempatan-kesempatan yang tertentu pula. Batik memiliki motif yang beraneka

ragam dan makna yang berbeda pula. Khusus untuk batik dari daerah Jawa,

komposisi motif dan warna sangat variatif dan telah menjadi budaya yang

diwariskan secara turun temurun. Desain batik dibuat berdasarkan wilayah. Pada

daerah pesisir desain batik dipengaruhi oleh pendatang dari Cina, koloni Belanda,

dan pedagang dari India dan Arab (Doellah 2003). Batik pesisir memiliki latar

belakang putih dengan motif yang berwarna. Sebaliknya, batik keraton didominasi

dengan warna coklat yang diperoleh dari tanaman soga tingi, soga tangerang,

indigo, hitam dan putih (Xenia Moeis et al., 2011).

Batik terdapat pada 19 propinsi yang tersebar di belahan bumi Indonesia

(Doellah 2003). Setiap wilayah memiliki motif khas dengan makna-makna

tertentu. Motif batik dibagi ke dalam beberapa kelas berdasarkan desainnya.

Elemen-elemen dalam bentuk natural merupakan representasi ornamen yang

selanjutnya dapat diklasifikasikan menjadi motif. Pada awalnya motif batik

5

terinspirasi oleh simbol-simbol dari Jawa, Islam, dan Hindu. Hal ini dapat dilihat

pada motif kawung yang memiliki kesamaan dengan kawung yang terdapat di

patung-patung Hindu. Hingga saat ini para desainer batik terus menciptakan

motif-motif baru dengan mengkombinasikan satu motif dengan motif yang lain.

Hal ini menyebabkan motif batik menjadi makin kompleks. Dengan demikian

sangat diperlukan adanya suatu sistem yang mampu melakukan pengenalan motif

batik khas Indonesia dengan baik. Belum adanya dokumentasi digital tentang

motif-motif batik di Indonesia menjadi motivasi bagi penulis untuk melakukan

riset tentang pengenalan motif batik ini.

Bidang penelitian ini merupakan bagian dari Computer Vision yang

mencakup metode perolehan informasi, pengolahan, analisis, dan memahami

gambar berupa data dimensi tinggi dari dunia nyata untuk menghasilkan informasi

numerik atau simbolis menjadi suatu bentuk keputusan. Permasalahan utama yang

dihadapi dalam pengenalan motif batik adalah adanya bentuk-bentuk motif yang

tidak beraturan sehingga menyulitkan dalam melakukan pengenalan dan

pengelompokan ke suatu kelas tertentu. Disamping itu adanya kemunculan suatu

motif secara berulang-ulang dapat menyebabkan adanya kesalahan pengenalan

dan kesalahan klasifikasi. Meskipun banyak kain batik yang memiliki motif sama,

namun motif-motif tersebut bisa jadi berbeda dari sisi ukuran, posisi, dan

orientasinya. Dengan demikian dibutuhkan suatu metode yang handal untuk

mengatasi permasalahan tersebut. Metode yang dimaksud selayaknya mampu

mengatasi permasalahan terhadap perubahan lokasi, skala, orientasi, dan

pengulangan obyek motif batik dalam rangka melakukan klasifikasi batik

menggunakan motif-motif tertentu. Pada penelitian ini penulis telah melakukan

serangkaian observasi dan menghasilkan metode pendekatan yang akan mengatasi

permasalahan tersebut.

Kontribusi yang diharapkan dari penelitian disertasi ini dijabarkan sebagai

berikut :

1. Kontribusi ilmu pengetahuan dan teknologi informasi :

a) Penggunaan teknologi clustering berdasarkan voting keypoint pada Hough

space untuk sistem pengenalan motif batik.

6

b) Menentukan perkiraan jumlah obyek motif batik yang terdapat pada data

citra query secara otomatis berdasarkan analisis beberapa puncak dalam

Hough space menggunakan algoritma clustering. Identifikasi terhadap

jumlah obyek motif tersebut merupakan indikator penentuan jenis motif

apa saja yang terdapat dalam suatu kain batik.

2. Kontribusi sosial budaya :

a) Sistem ini dirancang agar memiliki kemampuan untuk melakukan

pengenalan terhadap motif batik khas yang berasal dari Indonesia. Hal ini

dapat mencegah terjadinya klaim terhadap motif batik khas Indonesia oleh

Negara lain.

b) Sistem pengenalan motif batik ini merupakan cikal bakal dibentuknya

sistem repositori motif batik khas Indonesia sehingga dapat dijadikan

sebagai media untuk melestarikan warisan budaya.

Target luaran yang ingin dicapai dalam penelitian ini adalah sebagai berikut :

a) Draf disertasi yang telah disetujui pembimbing.

b) Publikasi pada jurnal internasional.

c) Menghasilkan model pencocokan keypoint SIFT pada hough space untuk

meningkatkan kualitas pengenalan motif batik.

7

Bab 2. Tinjauan Pustaka

2.1. State of The Art

Karakter motif batik memiliki kesamaan antara satu dengan yang lain.

Dalam implementasinya tidak aturan khusus yang menentukan cara pembuatan

suatu motif batik. Meskipun dapat dilihat perbedaan antara motif satu dengan

lainnya, namun secara detail banyak terdapat kesamaan bentuk dan pola dari

masing-masing motif. Metode klasifikasi dapat digunakan dalam melakukan

pengenalan motif batik pada citra dijital. Model komputasi untuk klasifikasi dapat

dieksekusi dengan waktu yang relatif singkat melalui beberapa pengujian (Clausi

& Jernigan 2000). Selanjutnya, jumlah kesalahan (error) juga dapat ditentukan

secara kuantitatif.

Saat ini riset mengenai pengenalan motif batik telah dilakukan berdasarkan

kesamaan terhadap fitur-fitur tekstur tingkat rendah dan tingkat tinggi (Akta

2012). (Loke & Cheong 2009) menggunakan dekomposisi metode ekstraksi fitur

tingkat rendah Grey Level Co-occurrence Metrics (GLCM) untuk pengenalan

batik dan songket dari Negara Malaysia. (Sanabila & Manurung 2009)

menggunakan metode keyblock frames dan transformasi Hough untuk pencocokan

template dan mendeteksi kemunculan motif batik tertentu. Hasil yang diperoleh

cukup baik namun biaya komputasi yang diperlukan tinggi. Metode klasifikasi

menggunakan K-mean clustering menggunakan esktraksi fitur Log Gabor filter

dan Color Histogram juga telah dilakukan untuk menambah tingkat perolehan

informasi untuk motif batik berdasarkan asal wilayah (Rahadianti et al. 2009).

Riset (Nurhaida et al. 2012) membandingkan kinerja metode gray level co-

occurrence matrices (GLCM), Canny edge detection, dan Gabor filter terhadap

pengenalan motif batik. Penelitian (Aragon-Camarasa & Siebert 2010) pada active

binocular vision system mampu mendeteksi sampai dengan 6 (enam) obyek

dengan melakukan lokalisasi beberapa obyek pada kelas yang sama. Hal ini

dilakukan dengan memodifikasi pendekatan standard Hough Transform.

(Piccinini et al. 2012) melakukan pendekatan untuk mendeteksi dan melokalisasi

obyek ganda melalui aplikasi pick-and-place menggunakan metode ekstraksi

kkeypoint SIFT dan mean shift clustering. Mean shift clustering mengelompokkan

8

keypoint SIFT yang berkorespondensi antara model obyek dan citra ke dalam

potential object instances yang potensial dengan performa real-time. Sistem ini

memberikan hasil yang baik dari sisi fleksibilitas, akurasi, dan presisi penentuan

posisi obyek.

Berdasarkan penelitian-penelitian yang telah dilakukan sebelumnya,

belum terdapat penelitian yang difokuskan pada kemunculan obyek secara

berulang pada pengenalan motif batik. Dengan demikian penelitian ini memiliki

perbedaan dengan penelitian-penelitian yang telah dilakukan sebelumnya.

Pengenalan motif batik dilakukan secara otomatis menggunakan fitur-fitur yang

diperoleh dari metode ekstraksi Scale Invariant Feature Transform (SIFT).

Kelebihan dari sistem pengenalan motif batik ini adalah jumlah obyek dari suatu

motif tertentu juga dapat ditentukan sehingga meningkatkan akurasi pengenalan

terhadap jenis-jenis motif yang ada.

2.2. Peta Jalan Penelitian

Untuk lebih memperjelas program penelitian berikut gambaran peta jalan

penelitian yang dilakukan :

Gambar 2.1. Peta Jalan Penelitian

Penelitian pendahuluan :

•Perbandingan analisa performansi metode ekstraksi fitur untuk pengenalan motif batik (Nurhaida et. al. 2012)

•Perbandingan kinerja metode ekstraksi fitur terhadap perubahan skala dan orientasi pada motif batik geometris (2013)

•Perbandingan kinerja pengukuran jarak terhadap pengenalan motif batik geometris (2013)

Fokus Penelitian Disertasi Doktor :

•Pencocokan keypoint SIFT pada Hough Space Untuk meningkatkan kualitas pengenalan Motif batik

Penyelesaian Penelitian Disertasi :

Clustering Fitur-fitur SIFT pada Hough Space untuk Pengenalan Motif Batik

9

Berdasarkan peta jalan penelitian yang terdapat pada gambar 2.1. terdapat

3 (tiga) tahap yang dilakukan berkaitan dengan penelitian disertasi doktor yang

akan dilakukan dan 1 (satu) rencana penelitian lanjutan. Penjelasan akan diuraikan

pada sub bab berikut.

2.2.1. Penelitian Pendahuluan

Untuk meningkatkan pemahaman tentang konsep ekstraksi fitur, penulis

telah melakukan riset pendahuluan dan dipublikasikan pada International

Conference on Advance Computer Science and Information System, 2012. Paper

ini mendiskusikan tentang performansi beberapa metode ekstraksi fitur untuk

pengenalan batik yang terdapat pada citra dijital. Perbandingan dilakukan dengan

beberapa skenario pengujian untuk memperoleh tingkat akurasinya. Tujuan utama

penelitian pada paper tersebut adalah melakukan pengenalan motif batik

menggunakan teknik analisa tekstur yang berbeda dan membandingkan setiap

teknik analisa tekstur dalam melakukan pengenalan motif batik. Metode ekstraksi

fitur yang digunakan adalah grey level co-occurrence metrics (GLCM), Gabor

Filter dan Canny Edge detection. Tingkat pengenalan tertinggi diperoleh dari

metode GLCM dengan 80% akurasi untuk motif batik dengan pola geometris.

2.2.2. Fokus Penelitian

Pada peta jalan penelitian gambar 2.1. bagian dengan latar belakang hijau

merupakan fokus Penelitian Disertasi Doktor. Pencocokan keypoint SIFT dari

pasangan keypoint yang stabil dalam proyeksi Hough Space menentukan kualitas

dari pengenalan motif batik.

2.2.3. Penyelesaian Penelitian Disertasi

Setelah pelaksanaan penelitian yang diajukan selesai, penelitian disertasi

dilanjutkan sesuai dengan tahapan metodologi penelitian yang telah diseminarkan

sebelumnya.

10

2.3. Teori Pendukung

Pada sub bab berikut akan diuraikan teori-teori pendukung yang digunakan

dalam penelitian ini, yaitu teori tentang ragam pola batik, deteksi tepi Canny dan

SIFT.

2.3.1. Ragam Pola Batik

Motif batik dapat dibedakan berdasarkan motif geometri dan non geometri

yang dapat dilihat pada Tabel 2.1. (Doellah 2003). Pada pola non geometri

terdapat satu motif pola khusus. Motif ini sedikit berbeda dengan motif yang lain

karena mempertemukan beberapa motif lain menjadi satu motif baru. Hal ini

menyebabkan motif tersebut sulit diklasifikasikan.

Tabel 2.1. Motif batik berdasarkan pola geometri dan non geometri

Motif Geometri

Nama Motif Deskripsi Contoh Batik

Parang Pola ini terdiri dari satu atau lebih

ragam hias yang disusun membentuk

garis-garis sejajar dengan sudut miring

450. Terdapat ragam hias berbentuk

belah ketupat sejajar dengan deretan

ragam hias utaman pola parang, disebut

mlinjon

Parang Barong, Parang

Kesit Barong, Parang

Surakarta

Ceplok Motif batik yang didalamnya terdapat

gambar-gambar segi empat, lingkaran

dan segala variasinya dalam membuat

sebuah pola yang teratur.

Ceplok indramayu,

sidomukti dan sembagen

Lereng Pola dasarnya sama dengan pola parang

namun memiliki perbedaan pada tidak

adanya hiasan mlinjon dan hiasan

gareng.

Liris Cemeng, Lereng

Madura, dan Liris

Indramayu

Motif Non Geometri

Semen Ragam hias utama yanga merupakan

ciri khas pola semen adalah meru.

Hakikat meru adalah lambang gunung

atau tempat tumbuhan bertunas atau

bersemi sehingga disebut semen, yang

diambil dari kata dasar semi

Semen Rante, Semen Gajah

Birawa, Semen Surakarta

Lung-lungan Sebagian besar motif lung-lungan

mempunyai ragam hias utama yang

serupa dengan motif semen. Berbeda

dengan pola semen, ragam hias utama

lung-lungan tidak selalu mengandung

ragam hias meru.

Alas-alasan Kupu, Lung-

lungan Ukel, Lung-lungan

Merak

11

Motif Non Geometri

Nama Motif Deskripsi Contoh Batik

Buketan Pola buketan mudah dikenali melalui

rangkaian bunga atau kelopak bunga

dengan kupu-kupu, burung atau

berbagai satwa kecil yang

mengelilinginya.

Buket Isen Latar, Snow

White, Buketan Pekalongan

Pola Khusus Motif khusus memuat motif yang tidak

dapat dimasukkan ke dalam kelas yang

lain. Motif ini banyak mempertemukan

dua atau lebih motif lain yang

digabungkan menjadi satu motif baru

sehingga sulit untuk diklasifikasikan.

Tambal, Banji, Lung-

lungan dengan Lereng

2.3.2. Scale Invariant Feature Transform (SIFT)

SIFT merupakan salah satu teknik deteksi fitur dalam bidang computer

vision.Teknik ini mendeteksi suatu fitur penting, atau disebut keypoint dan

memilikiproperti yang membuatnya dapat diandalkan untuk melakukan

pencocokan citra. Fitur tersebut invariant terhadap skala dan rotasi, translasi,

sudut pandang, dan pencahayaan.

Lowe membagi SIFT ke dalam empat tahapan besar, yaitu: pendeteksian

nilai ekstrim pada scale-space, lokalisasi keypoints, pemberian nilai orientasi, dan

keypoints deskriptor.

2.3.3. Metode Pencocokan

Pada dasarnya pencocokan dilakukan dengan menghitung jarak Euclidean.

Dengan pendefinisian suatu nilai ambang maka ciri-ciri yang terlalu jauh akan

dapat dihapus, tetapi hal ini tidak memuaskan dikarenakan kekuatan dari masing-

masing descriptor tidak sama. Dengan kata lain, sama-sama keypoint descriptor

yang valid namun kemampuan diskriminatifnya berbeda. Mengatasi permasalahan

ini maka Lowe menggunakan ukuran rasio antara terdekat pertama dan terdekat

kedua. Hal ini bekerja lebih baik karena diasumsikan keypoint deskriptor adalah

ciri yang sangat khusus sehingga hanya ada satu atau dengan kata lain terdekat

pertama secara signifikan akan lebih dekat dari pada terdekat kedua. Dengan

asumsi ini maka membuat hasil pencocokan yang handal. Lowe mendefinisikan

12

nilai ambang untuk dua buah keypoint dianggap cocok adalah kurang dari 0,8

(Lowe 2004).

Bab 3. Metode Penelitian

Blok diagram penelitian disertasi dapat dilihat pada gambar 3.1.

Metodologi penyelesaian masalah dibagi menjadi 4 bagian, yaitu preprocessing,

ekstraksi fitur, pencocokan keypoint, dan clustering.

Citra Dijital

Pre Processing

Ekstraksi Fitur

Keypoint Matching

Clustering Keypoint

Hasil Pengenalan

Motif Batik

Bagian Hibah

Penelitian Disertasi

Doktor

13

Gambar 3.1. Diagram metodologi penelitian disertasi

14

Gambar 3.2. Diagram Hibah Penelitian Disertasi Doktor

Pada gambar 3.2 memperlihatkan metode penyelesaian masalah yang akan dilakukan

pada penelitian ini. Penjelasan mengenai tahapan-tahapan penelitian akan diuraikan sebagai

berikut :

Citra Dijital

Pre Processing

Citra tepi untuk

Template

Citra tepi untuk

Kueri

Ekstraksi Fitur

menggunakan SIFT

Similarity

Measurement

Ekstraksi Fitur

menggunakan SIFT

Keypoint SIFT

Citra Template

Keypoint SIFT

Citra Kueri

Kandidat Keypoint

threshold 1.0

Proyeksi ke

Hough Space

Hasil pencocokan

Keypoint dalam

Hough Space

Voting Keypoint

pada Hough Space

15

3.1. Input Citra Dijital

Data terdiri dari beberapa motif batik geometris yaitu kawung, parang, dan lereng

dalam format grayscale. Keseluruhan data dalam bentuk .JPEG format dengan resolusi

300x300 untuk citra query dan 150x150 untuk citra template.

3.2. Ekstraksi Fitur menggunakan SIFT

Setting parameter yang akan digunakan pada riset ini mengacu pada parameter standar

oleh Lowe sebagai berikut :

Octaves : 3

Intervals : 3

Sigma : 1,6

Image doubled : Yes

Initial sigma : 0,5

Contrast threshold : 0,03

Curvature threshold : 10

Orientation histogram bins : 36

Orientation sigma factor : 1,5

Orientation radius : 3,0 x Orientation Sigma Factor

3.3. Metode Pencocokan

Berdasarkan (Lowe 2004) pengukuran terhadap kemiripan citra dilakukan dengan

korespondensi satu-satu mengacu kepada nilai perbandingan antara jarak terdekat dengan

kedua terdekat memiliki nilai dibawah rasio threshold tertentu yaitu 0.8 (Lowe 2004). Teknik

pengukuran menggunakan Euclidian Distance. Untuk penelitian ini dilakukan pemilihan nilai

threshold yang akan digunakan dengan tujuan untuk mencari nilai threshold yang paling

sesuai dimana nantinya kandidat pasangan keypoint akan diikutkan pada proses voting.

3.4. Proyeksi ke Hough Space

Kandidat keypoint yang diperoleh dari proses sebelumnya diproyeksikan ke Hough

space sebagai berikut :

a. Tentukan sebarang titik referensi pada citra template. Untuk setiap keypoint pada citra

template dilakukan penghitungan untuk setiap vektor dari keypoint ke titik referensi.

b. Selanjutnya dilakukan pencocokan keypoint dari citra template ke citra query.

16

c. Untuk dua set fitur SIFT yang sesuai maka fitur tersebut merepresentasikan obyek

pada citra template dan citra query didefinisikan sebagai (x, y, σ, θ)t dan (x, y, σ, θ)

q

dimana x, y, σ dan θ adalah lokasi, skala dan orientasi. Untuk setiap fitur SIFT pada

citra kueri (x, y, σ, θ)q akan berkorespondensi dengan satu fitur SIFT (x, y, σ, θ)

t.

3.5. Voting Keypoint pada Hough Space

Pada tahap ini dilakukan voting untuk setiap pasangan keypoint yang pada seluruh

lokasi obyek di citra kueri. Voting ini menggunakan vektor yang telah dihitung pada tahap

sebelumnya. Untuk setiap keypoint yang sesuai ditambahkan satu nilai positif. Jika pada citra

terdapat obyek motif batik maka voting akan memiliki nilai lokal maksimum yang tinggi.

17

Bab 4. Hasil Yang Dicapai

Pada penelitian ini kami telah melaksanakan beberapa tahapan penelitian secara

sekuensial sesuai dengan tahapan metodologi penelitian yang telah diuraikan pada bab

sebelumnya.

4.1. Pencocokan Keypoint dari Hasil Ekstraksi Fitur SIFT

1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil pencocokan

antara citra pengujian dan citra pelatihan diperoleh dari ekstraksi fitur SIFT dengan

menggunakan beberapa nilai threshold.

2. Data Input :

a. Data input yang digunakan menggunakan resolusi 300x380 dalam format

JPEG.

b. Citra template yang digunakan adalah motif pada kain batik masing-masing 1

(satu) varian dari kelas ceplok, kawung, parang, lereng, dan nitik.

c. Citra query yang digunakan diambil dari komponen-komponen batik yang

terdapat pada setiap motif kain dengan metode cropping.

3. Skenario Eksperimen SIFT tanpa voting Hough

a. Data query dan data template diekstraksi fitur-fiturnya menggunakan SIFT.

b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah dihasilkan

pada tahap sebelumnya.

4. Skenario eksperimen dapat dilihat pada gambar 4.1.

18

Gambar 4.1. Skenario eksperimen Pencocokan Keypoint

5. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra query dan citra

template adalah sebagai berikut :

Tabel 4.1. Hasil Eksperimen Pencocokan Keypoint

Kelas Motif

Batik

Komponen

Motif Batik

Match Keypoint at Distance Ratio

No

Ratio 0.6 0.7 0.8 0.9 1.0

CPK003-Ceplok

Blibar1

Blibar 1 3.049 24 59 152 441 3.049

Blibar 2 210 47 60 75 102 210

Blibar 3 138 10 10 16 32 138

Blibar 4 218 44 59 77 104 218

Blibar 5 173 14 20 36 68 173

KWG002-

Kawung Beton

Kawung 1 108 25 29 31 35 108

Kawung 2 28 7 7 9 14 28

LRG007-Lereng

Golang Galing

Lereng Golang

galing 308 141 157 184 230 308

NTK005-Nitik

Kapulogo Nitik Kapulogo 147 78 92 103 115 147

PRG007-Parang

Curiga Parang Curiga 88 50 53 57 68 88

Pre Processing

Raw Image Template Raw Image Query

SIFT

Similarity Matching

SIFT

Keypoint SIFT

Template Image

Keypoint SIFT

Query Image

Keypoint Candidate

Threshold

(0.6, 0.7, 0.8,0.9, 1.0, 1.1, 1.2)

Matching Keypoint

Digital Image

19

6. Analisa Hasil Eksperimen

Hasil eksperimen pada tabel 4.1 memperlihatkan bahwa motif citra pengujian

berhasil ditemukan pada citra pelatihan berdasarkan hasil pencocokan keypoint

diantara kedua jenis citra. Kandidat pencocokan terbaik dari setiap keypoint

ditemukan dari identifikasi tetangga terdekatnya pada keypoint dari template. Salah

satu cara menemukan tetangga terdekat adalah dengan menghitung nilai minimum

jarak Euclidean. Namun banyak fitur dari citra pengujian yang tidak memiliki

pencocokan yang tepat pada citra pelatihan sehingga dibutuhkan langkah untuk

menghapus fitur yang tidak memiliki fitur yang cocok dengan citra pelatihan. Salah

satu solusi untuk masalah ini adalah dengan membandingkan jarak tetangga terdekat

terhadap tetangga terdekat kedua. Dengan pendefinisian suatu nilai threshold maka

ciri-ciri yang terlalu jauh akan dapat dihapus, tetapi hal ini bisa jadi tidak memuaskan

dikarenakan kekuatan dari masing-masing descriptor tidak sama. Dengan kata lain,

untuk dua keypoint descriptor yang dinilai valid namun kemampuan diskriminatifnya

bisa jadi berbeda. Mengatasi permasalahan ini maka Lowe menggunakan ukuran rasio

antara terdekat pertama dan terdekat kedua. Hal ini bekerja lebih baik karena

diasumsikan keypoint deskriptor adalah ciri yang sangat khusus sehingga hanya ada

satu atau dengan kata lain terdekat pertama secara signifikan akan lebih dekat dari

pada terdekat kedua. Dengan asumsi ini maka membuat hasil pencocokan yang

handal. Lowe mendefinisikan nilai threshold untuk dua buah keypoint dianggap cocok

adalah kurang dari 0,8 (Lowe 2004).

Berdasarkan hasil eksperimen nilai threshold 0.6 memiliki jumlah matching

keypoint yang paling sedikit. Banyaknya jumlah keypoint tersebut akan bertambah

seiring dengan pertambahan nilai threshold. Pada nilai threshold 1.0, 1.1, dan 1.2

jumlah keypoint akan mencapai jumlah maksimum sesuai dengan banyaknya

keypoint terdapat pada query template yang dihasilkan oleh ekstraksi fitur SIFT. Hal

ini berarti bahwa seluruh keypoint yang terdapat pada query memiliki pasangan

keypoint pada template. Dengan demikian dapat disimpulkan bahwa motif pada query

tersebut dapat ditemukan pada template.

20

Distance

Ratio Lereng Golang Galing Nitik Kapulogo Parang Curiga

No Ratio Lereng Golang galing-nodistratio.jpg

Nitik Kapulogo-nodistratio.jpg

Parang Curiga-nodistratio.jpg

0.6 Lereng Golang galing-distratio.jpg

Nitik Kapulogo-distratio.jpg

Parang Curiga-distratio.jpg

21

Distance

Ratio

Lereng Golang Galing Nitik Kapulogo Parang Curiga

0.7 Lereng Golang galing-distratio1.jpg

Nitik Kapulogo-distratio1.jpg

Parang Curiga-distratio1.jpg




22

Distance

Ratio

Lereng Golang Galing Nitik Kapulogo Parang Curiga







23

4.2. Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan

Keypoint (Skenario 1)

1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil

pencocokan antara citra query dan citra template yang diperoleh dari

ekstraksi fitur SIFT dengan menggunakan beberapa nilai threshold.

2. Data Input :

a. Data input yang digunakan menggunakan resolusi 300x380 dalam

format JPEG.

b. Citra query yang digunakan adalah citra motif kain Ceplok Blibar 1

dan Kawung Beton

c. Data template yang digunakan adalah komponen-komponen motif

pada kain batik Ceplok Blibar 1 dan Kawung Beton dengan metode

cropping


a. Citra query dan citra template diekstraksi fitur-fiturnya

menggunakan SIFT.

b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah

dihasilkan pada tahap sebelumnya.

4. Hasil eksperimen berdasarkan jumlah matching keypoint antara citra

pengujian dan citra template adalah sebagai berikut :

Tabel 4.2. Hasil Eksperimen Karakteristik Keypoint (Skenario 1)

Kelas Motif

Batik

Komponen

Motif

Batik

Jumlah

Keypoint


No

Ratio 0.6 0.7 0.8 0.9 1.0

CPK003-

Ceplok

Blibar1

Blibar 1 3.013 1.773 20 32 70 262 1.773

Blibar 2 210 1.773 60 79 137 337 1.773

Blibar 3 138 1.773 22 42 109 306 1.773

Blibar 4 218 1.773 56 77 116 283 1.773

Blibar 5 173 1.773 28 68 153 368 1.773

KWG002-

Kawung

Beton

Kawung 1 108 1.887 58 107 227 550 1.887

Kawung 2 28 1.887 19 62 172 606 1.887

24


Berdasarkan hasil eksperimen menunjukkan bahwa keypoint SIFT yang

dihasilkan berperan dengan baik disebabkan oleh karakter keypoint yang

bersifat distinctive. Hal tersebut memungkinkan pencocokan keypoint

yang tepat untuk keypoint yang terpilih dari sekian banyak keypoint yang

terdapat pada basis data. Sifat distinctive ini dicapai dengan membentuk

vektor dimensi tinggi yang merepresentasikan gradien di dalam wilayah

lokal citra. Keypoint yang ada bersifat invarian terhadap rotasi citra dan

skala. Sejumlah besar keypoint dapat diekstrak dari citra tertentu yang

nantinya mempengaruhi kehandalan dari ekstraksi obyek berukuran kecil

dengan latar belakang yang kompleks. Pada eksperimen dapat dilihat

bahwa setelah bagian asal dari citra pengujian dihilangkan, keypoint dapat

menemukan pasangan walaupun terdapat beberapa keypoint yang

mengalami kesalahan pencocokan. Faktanya bahwa keypoint mendeteksi

seluruh kemungkinan skala yang tersedia dimana fitur lokal berukuran

kecil digunakan untuk pencocokan obyek berukuran kecil denganlatar

belakang yang kompleks, sedangkan keypoint berjumlah besar bekerja

dengan baik untuk citra yang memiliki banyak noise dan blur (Lowe

2004).

25

Distance

Ratio

Ceplok Blibar (5) Kawung Beton (1) Kawung Beton (2)

No Ratio CPK003-Blibar1-5-nodistratio.jpg

KWG002-Kawung Beton1-

nodistratio.jpg

KWG002-Kawung Beton2-nodistratio.jpg

0.6 CPK003-Blibar1-5-distratio.jpg

KWG002-Kawung Beton1-distratio.jpg

KWG002-Kawung Beton2-distratio.jpg

26

Distance

Ratio


0.7 CPK003-Blibar1-5-distratio1.jpg

KWG002-Kawung Beton1-distratio1.jpg





27

Distance

Ratio





28

4.3. Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan

Keypoint (Skenario 2)


pencocokan antara citra template dan citra query yang diperoleh dari

ekstraksi fitur SIFT dengan menggunakan beberapa nilai threshold.

2. Data Input :

a. Data input yang digunakan menggunakan resolusi 118x118 untuk

citra template dan 450x567 untuk citra query dalam format JPEG.

b. Data citra template yang digunakan adalah komponen-komponen

motif pada kain batik Ceplok Blibar 1 dan Kawung Beton dengan

metode cropping.

c. Data citra query yang digunakan adalah citra motif kain Ceplok

Blibar 1 yang telah di-cropping komponen-komponennya.


a. Untuk eksperimen ini bagian yang di-cropping pada data citra

pengujian dibiarkan kosong.

b. Citra query dan citra template diekstraksi fitur-fiturnya menggunakan

SIFT.

c. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah


4. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra

pengujian dan citra template adalah sebagai berikut :

Tabel 4.3. Hasil Eksperimen Karakteristik Keypoint (Skenario 2)

Kelas

Motif

Batik

Komponen

Motif

Batik

Jumlah

Keypoint

Citra

Query

Jumlah

Keypoint

Citra

Template


No

Ratio

0.6 0.7 0.8 0.9 1.0

CPK003-

Ceplok

Blibar1

Blibar 1 4.500 3.013 3.013 4 21 111 546 3.013

Blibar 2 4.518 210 210 1 3 20 60 210

Blibar 3 4.079 138 138 0 0 0 38 138

Blibar 4 4.573 218 218 6 20 45 98 218

Blibar 5 4.645 173 173 3 4 22 60 173

29


Seperti halnya pada eksperimen skenario 1, hasil eksperimen pada skenario 2 juga

membuktikan bahwa keypoint yang bersifat distinctive menemukan pasangan

keypoint yang cocok pada citra pelatihan. Terdapat beberapa pasangan keypoint

yang mismatch, namun sebagian besar keypoint mampu mengenali obyek yang

dianggap paling mirip. Kesalahan pencocokan dapat terjadi karena kondisi data

yang berbentuk sketsa dan memiliki fitur lokal yang sangat mirip sehingga

keypoint tercocokkan dengan keypoint yang memiliki fitur lokal paling mirip pula

walaupun secara kasat mata terlihat berbeda.

30

Distance

Ratio Ceplok Blibar (1) Ceplok Blibar (2) Ceplok Blibar (3)

No Ratio Blibar1-1-nodistratio.jpg

Blibar1-2-nodistratio.jpg

Blibar1-3-nodistratio.jpg

0.6 Blibar1-1-distratio.jpg

Blibar1-2-distratio.jpg

Blibar1-3-distratio.jpg

31

Distance


0.7 Blibar1-1-distratio1.jpg

Blibar1-2-distratio1.jpg





32

Distance





33

4.4. Menganalisa Karakteristik Keypoint Hasil Voting menggunakan Hough

Transform (Skenario 1)

1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil voting

obyek dengan menggunakan metode Hough Transform yang terdapat pada

citra query dan citra template. Voting keypoint yang digunakan adalah hasil

ekstraksi fitur SIFT dengan menggunakan pencocokan keypoint pada

threshold 0.8.

2. Data Input :

a. Data input yang digunakan menggunakan resolusi 300 x 386 dalam

format JPEG.

b. Data query yang digunakan adalah citra motif kain Ceplok Blibar 1,

Kawung Beton, Lereng Golang Galing, dan Nitik Kapulogo.

c. Data template yang digunakan adalah komponen-komponen motif

pada kain batik Ceplok Blibar 1, Kawung Beton, Lereng Golang

galing, dan Nitik Kapulogo dengan metode cropping

3. Skenario Eksperimen SIFT dengan voting Hough

a. Citra query dan citra template diekstraksi fitur-fiturnya menggunakan

SIFT.



c. Untuk hasil pencocokan keypoint dilakukan voting terhadap posisi

geometris untuk mengelompokkan keypoint dari beberapa obyek yang

sama pada citra query.

d. Hasil akhir yang ditampilkan adalah keypoint hasil voting dengan

jumlah tertinggi (maksimum).

4. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra query

dan citra template dapat dilihat pada Tabel 4.4. sebagai berikut :

34



Kelas Motif

Batik

Jumlah

Keypoint

Citra

Query

Komponen

Motif

Batik

Jumlah

Keypoint

Citra

Template

Jumlah

Matched

Keypoint

CPK003-

Ceplok Blibar1

1.722 Blibar 1 47 22

1.722 Blibar 2 200 13

1.722 Blibar 3 125 3

1.722 Blibar 4 170 0

1.722 Blibar 5 165 6

KWG002-

Kawung Beton

1.652 Kawung 1 72 4

1.652 Kawung 2 34 0

Lereng Golang

Galing

1.984 330 6

Nitik Kapulogo 3.892 117 6


Hough transform mengidentifikasikan fitur-fitur kluster dengan

interpretasi yang konsisten dengan menggunakan setiap fitur yang ada untuk

melakukan voting terhadap kesamaan posisi obyek. Kemungkinan kebenaran

terhadap interpretasi obyek lebih besar apabila dibandingkan dengan hanya

menggunakan 1 (satu) fitur. Setiap keypoint secara spesifik memiliki 4

(empat) parameter yaitu lokasi 2D, skala, dan orientasi. Setiap pasangan

keypoint yang cocok pada basis data memiliki catatan untuk setiap parameter-

parameter keypoint yang bersifat relative terhadap citra template di posisi

mana ditemukan. Transformasi Hough memasukkan prediksi lokasi obyek,

skala, dan orientasi berdasarkan hipotesa pencocokan yang telah dilakukan.

Berbeda dengan umumnya model teknik pencocokan berbasis

korespondensi, jumlah deskriptor yang berkorespondensi antara citra query

dan citra template akan berkurang terkait dengan pencocokan berbasis relasi

spasial dengan membandingkan data descriptor yang ada. Tambahan lagi,

informasi yang diperoleh dengan menggunakan informasi area dibandingkan

dengan titik akan menyebabkan meningkatnya kehandalan sistem pencocokan

terutama untuk citra yang memiliki latar belakang kompleks dimana hanya

35

sedikit fitur pencocokan yang diperlukan. Disamping itu, deteksi keypoint

terkonsentrasi pada karakteristik area citra secara otomatis, tidak diperlukan

asumsi kemunculan obyek yang harus ditentukan di awal. Pada umumnya

deskriptor dihasilkan berdasarkan informasi dari tampilan obyek, namun ada

juga metode lain yang menggunakan deskriptor berdasarkan informasi bentuk

obyek seperti siluet obyek atau deteksi terhadap kontur point.

Berdasarkan hasil eksperimen yang telah dilakukan, dapat dilihat

bahwa voting Hough transform terhadap deskriptor hasil pencocokan antara

citra query dan citra template telah mereduksi pasangan keypoint sebagai hasil

verifikasi geometris yang dapat menunjukkan posisi kemunculan obyek. Pada

citra query dan citra template jumlah pencocokan keypoint dengan threshold

0.8 berdasarkan voting memiliki jumlah yang minimal namun masih dalam

batas yang ditoleransi berdasarkan (Lowe 2004) yaitu sebanyak minimal 3

fitur. Sedangkan mengacu kepada karakteristik motif batik yang memiliki

kemunculan lebih dari satu kali di beberapa lokasi yang berbeda dan simetri

terhadap obyeknya maka diperlukan lebih banyak kandidat keypoint yang

nantinya diikutkan pada proses voting. Dengan demikian nilai threshold yang

diambil berdasarkan hasil eksperimen ini adalah sebesar 1.0. Hal ini

dimaksudkan makin banyak kandidat keypoint yang diikutkan pada proses

voting maka akan makin handal hasil pengenalan obyek motif batik.

36

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

CPK003-

Ceplok

Blibar1

1.722 Blibar 1 47 22

1.722 Blibar 2 200 13

Jumlah Komponen Jumlah Match Gambar

37

Keypoint Motif Batik Keypoint Keypoint

1.722 Blibar 3 125 3

1.722 Blibar 4 170 0


38


1.722 Blibar 5 165 6

KWG002-

Kawung

Beton

1.652 Kawung 1 72 4


39


1.652 Kawung 2 34 0

LRG007-

Lereng

Golang galing

1.984 Lereng

Golang

galing

330 6

Kelas Motif Jumlah Komponen Jumlah Match Gambar

40

Batik Keypoint Motif Batik Keypoint Keypoint

NTK005-

Nitik

Kapulogo

3.892 Nitik

Kapulogo

117 6

41

4.5. Menganalisa Karakteristik Keypoint menggunakan Hough Transform

(Skenario 2)


voting obyek dengan menggunakan metode Hough Transform yang

terdapat pada citra query dan citra template. Voting keypoint yang

digunakan adalah hasil ekstraksi fitur SIFT dengan menggunakan

pencocokan keypoint pada threshold 0.8.

2. Data Input :

a. Data input yang digunakan menggunakan resolusi 300 x 300 untuk

citra template dan 500x500 untuk citra query. Keduanya dalam format

JPEG.

b. Data pengujian yang digunakan adalah citra motif kain Ceplok Huk,

Ceplok Grompol, Ceplok Sida Mukti, Kawung Kemplong, Kawung

Picis, Parang Curiga, Parang Rusak Barong, dan Nitik Sekar Randu

yang merupakan hasil foto dijital.

c. Data template yang digunakan adalah citra template yang diperoleh

dari buku acuan motif batik pada kelas yang sesuai dengan citra

pengujian.

3. Skenario Eksperimen SIFT dengan voting Hough

a. Data query dan data template diekstraksi fitur-fiturnya menggunakan

SIFT.



c. Untuk hasil pencocokan keypoint dilakukan voting terhadap posisi

geometris untuk mengelompokkan keypoint dari beberapa obyek yang

sama pada citra query.

d. Hasil akhir yang ditampilkan adalah keypoint hasil voting dengan

jumlah tertinggi (maksimum).

4. Hasil eksperimen berdasarkan jumlah pencocokan keypoint antara citra

query dan citra template dapat dilihat pada Tabel 4.5.

42



Kelas Motif

Batik

Jumlah

Keypoint

Citra

Pengujian

Citra Template

Jumlah

Keypoint

Citra

Template

Jumlah

Matched

Keypoint

Ceplok Huk 1 7.925 CPK010 - Ceplok

Hok

2.077 5

Ceplok Huk 2 7.218 CPK010 - Ceplok

Hok

2.077 3

Ceplok

Grompol

7.290 Grompol I-1 0 0

7.290 Grompol I-2 74 0

7.290 CPK037-Grompol I 1.809 7

Ceplok Sida

Mukti

10.086 CPK069-Ceplok Sido

Mukti I

1.237 4

10.086 CPK070-Ceplok Sido

Mukti II

1.102 5

Kawung

Kemplong

676 KWG008-Kawung

Kemplong

865 4

Kawung Picis 2.261 KWG012-Kawung

Picis

1.196 3

Parang Curiga 724 PRG007-Parang

Curiga

231 6

Parang Rusak

Barong

783 PRG038-Parang

Rusak Barong

335 4

Lereng Udan

Riris

8.903 LRG017-Lereng

Udan Riris

2.218 10

NTK00-Nitik

Sekar Randu

3.744 Nitik Sekar Randu 2.091 0


Pada eksperimen ini dilakukan pencocokan keypoint dan voting Hough

transform antara citra query dan citra template. Kondisi yang diberlakukan

untuk citra query dan citra template berbeda, dimana citra query

menggunakan format foto digital sedangkan citra template merupakan citra

motif batik dalam bentuk sketsa. Hasil pencocokan yang diperoleh tidak

terlalu baik dengan jumlah hasil voting keypoint yang sangat minim. Hal ini

disebabkan perbedaan karakteristik format foto dijital dan foto sketsa. Pada

foto dijital faktor pencahayaan dan sudut pandang dapat mempengaruhi

kondisi tampilan obyek sehingga juga mempengaruhi lokal deskriptor yang

dihasilkan oleh proses ekstraksi fitur SIFT. Berbeda dengan karakteristik citra

43

sketsa motif batik yang tidak memperhitungkan faktor pencahayaan dan sudut

pandang. Dengan demikian berdasarkan hasil eksperimen ini dapat dilihat

bahwa penggunaan format yang berbeda antara citra query dan citra template

menurunkan kualitas pengenalan obyek motif batik terkait dengan lokal

deskriptor yang dihasilkan oleh masing-masing format citra. Hasil voting

terhadap pencocokan keypoint masih dalam batas toleransi berdasarkan (Lowe

2004) menunjukkan bahwa lokasi obyek masih dapat ditemukan. Hal ini

berarti pula bahwa SIFT cukup handal dan merupakan metode yang sesuai

untuk melakukan pengenalan obyek motif batik.

44

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Ceplok Huk 1 7.925 CPK010 -

Ceplok Hok

2.077 5


Ceplok Hok

2.077 3

45

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Ceplok

Grompol

7.290 Grompol I-1 0 0

Ceplok

Grompol

7.290 CPK037-

Grompol I

1.809 7

46

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Ceplok

Grompol

7.290 Grompol I-2 74 0

Ceplok Sida

Mukti

10.086 CPK069-

Ceplok Sido

Mukti I

1.237 4

47

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Ceplok Sida

Mukti

10.086 CPK070-

Ceplok Sido

Mukti II

1.102 5

Kawung

Kemplong

676 KWG008-

Kawung

Kemplong

865 4

48

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Kawung Picis 2.261 KWG012-

Kawung

Picis

1.196 3

Parang

Curiga

724 PRG007-

Parang

Curiga

231 6

49

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Parang Rusak

Barong

783 PRG038-

Parang

Rusak

Barong

335 4

Lereng Udan

Riris

8.903 LRG017-

Lereng

Udan Riris

2.218 10

50

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar


Ceplok Hok

2.077 5


Ceplok Hok

2.077 3

51

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Ceplok

Grompol

7.290 Grompol I-1 0 0

Ceplok

Grompol

7.290 CPK037-

Grompol I

1.809 7

52

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Ceplok

Grompol

7.290 Grompol I-2 74 0

Ceplok Sida

Mukti

10.086 CPK069-

Ceplok Sido

Mukti I

1.237 4

53

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Ceplok Sida

Mukti

10.086 CPK070-

Ceplok Sido

Mukti II

1.102 5

Kawung

Kemplong

676 KWG008-

Kawung

Kemplong

865 4

54

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Kawung Picis 2.261 KWG012-

Kawung

Picis

1.196 3

Parang

Curiga

724 PRG007-

Parang

Curiga

231 6

55

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

Parang Rusak

Barong

783 PRG038-

Parang

Rusak

Barong

335 4

Lereng Udan

Riris

8.903 LRG017-

Lereng

Udan Riris

2.218 10

56

Kelas Motif

Batik

Jumlah

Keypoint

Komponen

Motif Batik

Jumlah

Keypoint

Match

Keypoint

Gambar

NTK00-Nitik

Sekar Randu

3.744 Nitik Sekar

Randu

2.091 0

57

4.6. Mendeteksi Jumlah Obyek pada Citra

Rangkaian eksperimen yang telah dilakukan belum menunjukkan hasil pengenalan

terhadap jumlah obyek secara akurat. Hal ini disebabkan masih terdapat beberapa error terkait

simetri pada motif batik sehingga sistem aplikasi masih terus dalam proses penyempurnaan.

Disamping itu masih diperlukan pemahaman yang lebih dalam mengenai karakteristik simetri

pada motif batik dan cara menanganinya.

Tabel 4.6. Hasil Eksperimen Mendeteksi Jumlah Obyek Motif Batik

Motif Batik Keypoint Visualisasi

KWG002-

Kawung

Beton

Jumlah object adalah 10

Jumlah match obj 1 = 4










58


59

CPK009-

Ceplok

Gusti Putri

















Motif Batik Keypoint

60

CPK011-

Ceplok

Jelanggrong












61

CPK037-

Ceplok

Grompol I











62

Bab 5. Rencana Tahapan Berikutnya

Pada tahapan ini telah dilaksanakan 6 (enam) skenario eksperimen terhadap karakteristik

keypoint yang dihasilkan oleh proses ekstraksi fitur SIFT tanpa voting maupun dengan voting

Hough transform. Untuk tahapan berikutnya hal-hal yang akan diteliti adalah sebagai berikut :

1. Mengatasi permasalahan simetri dan repetitif obyek pada motif batik

2. Menganalisa Voting Hough Transform pada Pencocokan Keypoint

3. Melakukan perbandingan metode clustering terhadap hasil voting keypoint pada ruang

Hough.

4. Menghitung akurasi pengenalan motif batik dengan menggunakan beberapa data set terdiri

dari motif-motif batik dari kelas Ceplok, Kawung, Parang, dan Nitik.

5. Penulisan makalah untuk publikasi di jurnal internasional.

63

Bab 6. Kesimpulan dan Saran

6.1. Kesimpulan

Pada tahapan ini telah dilakukan beberapa eksperimen terhadap pengenalan obyek motif

batik menggunakan ekstraksi fitur SIFT dan voting Hough transform terhadap keypoint-

keypoint hasil pencocokan antara citra query dan citra template. Kesimpulan yang dapat ditarik

berdasarkan uraian pada bab-bab sebelumnya adalah sebagai berikut :

1. Berdasarkan observasi yang telah dilakukan menunjukkan bahwa ektraksi fitur

menggunakan metode SIFT mampu melakukan pengenalan terhadap motif batik

berdasarkan banyaknya jumlah pencocokan keypoint SIFT yang memiliki nilai diatas 3

(tiga) pasangan (sesuai dengan (Lowe 2004)).

2. Masih terdapat beberapa kesalahan pencocokan (mismatched) keypoint dan jumlah obyek

yang dideteksi antara citra query dan citra template. Hal ini disebabkan keypoint-

keypoint yang dihasilkan merupakan deskriptor lokal dan memiliki kemiripan yang

sangat tinggi sehingga karakteristik motif batik yang bersifat highly symmetry dan

repetitive menyebabkan terjadinya kesalahan pencocokan keypoint yang berpasangan.

3. Nilai threshold yang paling sesuai untuk menentukan pasangan keypoint yang akan

digunakan pada proses voting di ruang Hough adalah 1.0. Hal ini dimaksudkan untuk

mengambil sebanyak mungkin kandidat keypoint yang potensial dalam menjaga akurasi

posisi geometris agar tetap konstan.

4. Voting pada ruang Hough terbukti telah melakukan verifikasi geometris terhadap

pasangan keypoint yang cocok untuk menentukan lokasi tertentu terhadap kemunculan

motif batik.

6.2. Saran

1. Perlu penelitian lebih lanjut untuk mengatasi permasalahan simetri dan kemunculan

obyek yang berulang pada suatu citra sehingga tingkat akurasi pengenalan obyek dapat

lebih baik.

2. Pengujian penggunaan teknik SIFT pada jumlah data yang sangat besar. Hal ini perlu

untuk mengetahui kehandalan dari metode yang diusulkan.

64

3. Pengujian terhadap waktu komputasi diperlukan untuk mengetahui seberapa cepat

penggunaan metode yang diusulkan.

4. Analisa terhadap kebaikan data sehingga dapat dilakukan pengujian seberapa handal

teknik yang diusulkan untuk dapat menangani data yang rusak. Penyaringan data yang

didasarkan pada tingkat kerusakan perlu sehingga tingkat keyakinan terhadap hasil

identifikasi dapat lebih baik.

65

Bab 7. Daftar Pustaka

Akta, R., 2012. Batik Motif Classification using Scale Invariant Feature Transform Method.

University of Indonesia.

Aragon-Camarasa, G. & Siebert, J.P., 2010. Unsupervised clustering in Hough space for

recognition of multiple instances of the same object in a cluttered scene. Pattern

Recognition Letters, 31(11), pp.1274–1284. Available at:

http://linkinghub.elsevier.com/retrieve/pii/S016786551000084X [Accessed April 23, 2013].

Clausi, D.A. & Jernigan, M.E., 2000. Designing Gabor Filters for optimal texture separability.

Pattern Recognition Journal, 33, pp.1835–1849.

Doellah, H.S., 2003. Batik : The Impact of Time and Environment, Danar Hadi Solo.

Loke, K.-S. & Cheong, M., 2009. Efficient textile recognition via decomposition of co-

occurrence matrices. 2009 IEEE International Conference on Signal and Image Processing

Applications, pp.257–261. Available at:

http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=5478606.

Lowe, D.G., 2004. Distinctive Image Features from Scale-Invariant Keypoints. International

Journal of Computer Vision, 60(2), pp.91–110. Available at:

http://link.springer.com/10.1023/B:VISI.0000029664.99615.94.

Nurhaida, I., Manurung, M. & Arymurthi, A.M., 2012. Performance Comparison Analysis

Features Extraction Methods for Batik Recognition. In International Conference on

Advanced Computer Science and Information Systems.

Piccinini, P., Prati, A. & Cucchiara, R., 2012. Real-time object detection and localization with

SIFT-based clustering. Image and Vision Computing, 30(8), pp.573–587. Available at:

http://linkinghub.elsevier.com/retrieve/ pii/S0262885612000923 [Accessed March 9, 2013].

66

Rahadianti, L., Manurung, R. & Murni, A., 2009. Clustering Batik Images based on Log-Gabor

and Colour Histogram Features. In International Conference on Advanced Computer

Science and Information Systems.

Samsi, S.S., 2011. Techniques, Motifs, Patterns Batik Yogya and Solo, Titian Foundation.

Sanabila, H.R. & Manurung, M., 2009. Recognition of Batik Motifs using the Generalized

Hough Transform. In International Conference on Advanced Computer Science and

Information Systems. pp. 1–6.

Xenia Moeis, Ishwara, H. & Yahya, L.R.S., 2011. Batik Pesisir an Indonesian Heritage,

Collection of Hartono Sumarsono, Kepustakaan Populer Gramedia.

67

A. LAMPIRAN 1 :

SURAT PERJANJIAN

68

B. LAMPIRAN 2 :

RINCIAN

PENGGUNAAN

ANGGARAN

69

REKAPITULASI PENGGUNAAN DANA (70%)

PUSAT PENELITIAN

UNIVERSITAS MERCU BUANA

LAPORAN REKAPITULASI PENGGUNAAN DANA TAHAP I (70%)

JUDUL PENELITIAN : Pencocokan Keypoint SIFT Pada Hough Space untuk

Meningkatkan Kualitas Pengenalan Motif Batik

JENIS PENELITIAN : Penelitian Disertasi Doktor

NILAI KONTRAK BERSIH TAHAP I (70%) : Rp 34.916.000,-

JUMLAH DANA YANG TERPAKAI : Rp 35.254.757,-

SISA DANA TAHAP 1 YANG TERPAKAI : (Rp 338.757,-)

TAHUN : 2014

No Uraian Jumlah (Rp)

1 Biaya upah/Honor 6,720,000

2 Biaya bahan habis pakai dan peralatan 23,128,443

3 Biaya perjalanan 5,406,314

4 Biaya operasional lainnya -

T o t a l 35,254,757

Mengetahui,

Kepala Pusat Penelitian UMB, Ketua Penelitian,

Dr. Ir. Anik Herminingsih, M.Si. Ida Nurhaida, ST., MT.

NIDN: 303046302 NIDN: 0310047103

71

B. LAMPIRAN 3 :

LOG BOOK

72

LOG BOOK PELAKSANAAN PENELITIAN TAHUN PERTAMA

Tanggal Kegiatan Hasil Kegiatan

7 – 13 Februari

2014

Peneliti melakukan pendataan

untuk menentukan tahapan-

tahapan dalam melaksanakan

penelitian dan persiapan yang

dilakukan untuk pelaksanaan

proses penelitian

Urutan proses penelitian

yang direncanakan untuk

dilaksanakan dalam

tahun penelitian

berjalan.

Proses digitalisasi

membutuhkan beberapa

perangkat penyimpanan

data digital.

Pembelian perangkat

penyimpanan data dan

pheripheral sebesar

Rp 2.335.000,-

Perbaikan printer Epson

L210 Rp 250.000,-

20 – 24 Februari

2014

Persiapan dalam melakukan

proses digitalisasi data citra

query dan data citra template.

Proses ini membutuhkan alat

tulis kantor yang untuk

menandai jenis-jenis motif apa

saja yang akan diikutkan dalam

proses digitalisasi.

Daftar motif batik untuk

kelas-kelas yang telah

ditentukan untuk proses

digitalisasi

Biaya pembelian alat

tulis kantor sebesar

Rp 190.000,-

22 – 24 Februari

2014

Melakukan pencarian terhadap

sumber referensi mengenai

filosofi batik berdasarkan jenis-

jenis motifnya dan proses

preprocessing citra batik yang

paling sesuai untuk penelitian ini

Buku-buku sumber

referensi yang telah

diterbitkan. Biaya

pembelian buku-buku

sebesar Rp 1.525.000,-

25 Februari – 7

Maret 2014

Proses digitalisasi data citra

query untuk kelas ceplok,

kawung, parang, dan nitik mulai

dari pemilihan motif,

pengambilan gambar,

pembuatan anotasi nama

berdasarkan motif dan lokasi,

hingga proses penyimpanan ke

external HDD

Data digital citra query

selesai dilakukan

pengolahan.

16 – 21 Maret

2014

Melakukan pencarian terhadap

sumber referensi berupa

textbook sebagai langkah

persiapan melakukan proses

Sumber referensi berupa

textbook tentang

pengolahan citra digital

menggunakan MatLab

73

pengkodean aplikasi pengenalan

motif batik berdasarkan

kelasnya.

dan penggunaan aplikasi

dalam bidang computer

vision yang telah


diterbitkan dan masih

dalam rentang waktu

dibawah 5 (lima) tahun.

Biaya pembelian

textbook sebesar Rp

6.988.443,-

25 Maret – 31

Maret 2014

Proses digitalisasi data citra

template untuk kelas ceplok,

kawung, parang, dan nitik mulai

dari pemilihan motif,

pengambilan gambar,

pembuatan anotasi nama

berdasarkan motif dan lokasi,

hingga proses penyimpanan ke

external HDD

Data digital citra

template selesai

dilakukan pengolahan.

1 – 12 April

2014

Proses preprocessing data

berupa modifikasi cropping,

scaling, adjustment¸dan

penyimpanan di media External

HDD

Seluruh data telah siap

digunakan

13 April 2014 Pembayaran biaya proses

digitalisasi data citra query, data

citra template dan preprocessing

data.

Pembayaran untuk

digitalisasi data citra

query Rp 2.400.000,-

Pembayaran untuk

digitalisasi data citra

template Rp 2.400.000,-

Pembayaran untuk

preprocessing Rp

600.000,-

17 April – 30

April

Proses pengkodean program

aplikasi untuk melakukan

ekstraksi fitur menggunakan

metode SIFT untuk citra query

dan citra template

Fitur-fitur yang diingin-

kan berdasarkan hasil

ekstraksi fitur SIFT telah

diperoleh.

4 – 16 Mei 2014 Proses pengkodean program

aplikasi untuk pencocokan

keypoint SIFT antara citra query

dan citra template

Kode aplikasi siap

digunakan untuk

melaksanakan

eksperimen

15 Mei 2014 Melakukan persiapan untuk

pengambilan data tambahan ke

Surabaya dengan menyediakan

external HDD.

Pembelian perangkat

penyimpanan data dan

tinta printer sebesar

Rp 2.805.000,-

74

Melakukan persiapan untuk

pencetakan hasil eksperimen.

18 Mei - 30 Juni

2014

Melakukan serangkaian

eksperimen untuk mengamati

karakteristik keypoint SIFT baik

sebelum maupun dan sesudah

proses voting, mengamati hasil

Berdasarkan hasil-hasil

eksperimen diperoleh

informasi mengenai

beberapa karakteristik

keypoint, efek voting


deteksi obyek yang diperoleh

berdasarkan hasil voting dan

melakukan pengembangan kode

program. Proses pengkodean

program aplikasi,

pengembangan kode, dan

pengujian tetap dilakukan

hingga saat ini.

terhadap pengenalan

obyek, dan

pengembangan kode

program aplikasi.

5 Juni 2014 Melakukan pembelian tiket

pesawat Jakarta – Surabaya –

Jakarta untuk melakukan

kegiatan pengambilan data

tambahan. Data tambahan

diperlukan untuk melakukan

proses pengujian kode aplikasi

sehingga diperoleh akurasi

terhadap keberhasilan

pengenalan obyek motif batik.

Tujuannya adalah Kampung

Batik Surabaya yang merupakan

sentra batik yang memiliki

koleksi cukup lengkap dan

memperoleh penghargaan Rekor

MURI karena pembuatan logo

pembuatan logo kota terbesar

yang terbuat dari batik

berukuran 9,8 meter X 19,4

meter pada bulan Mei 2014 yang

lalu.

Harga tiket pp Rp

951.600,- dibayar lunas.

11 Juni 2014 Berangkat ke Surabaya

Pada saat keberangkatan peneliti

menyewa mobil untuk

mengantarkan ke bandara

Soetta.

Di kota Surabaya peneliti tinggal

di rumah salah seorang kerabat

dekat.

Sewa mobil Avanza Rp

200.000,-

12 – 15 Juni Melakukan pengambilan data Sewa mobil Avanza Rp

75

2014 dengan mengambil foto digital

menggunakan kamera DSLR

Nikon D3100.

Untuk mendukung mobilitas

peneliti selama kegiatan

pengambilan data, peneliti

menyewa mobil Rp 350.000,-

/hari selama 3 (tiga) hari

1.050.000,-

19 Juni 2014 Peneliti kembali ke Jakarta.

Untuk kembali ke rumah peneliti

menyewa mobil.

Sewa mobil Avanza Rp

200.000,-


25 – 30 Juni

2014

Mempersiapkan laporan

perkembangan penelitian dan

laporan realisasi anggaran

Penelitian Disertasi Doktor.

Laporan perkembangan

penelitian dan laporan

realisasi anggaran

Penelitian Disertasi

Doktor telah rampung

dibuat.

30 Juni 2014 Pembayaran honor peneliti

(70%)

Pembayaran biaya transportasi

dari dan menuju ke lokasi

penelitian di Laboratorium

Pengolahan Citra Fasilkom UI

Depok

Peneliti menerima honor

sebesar Rp 6.720.000,-

Peneliti menerima

penggantian biaya

transportasi Rp

2.359.714,-

Jakarta, 30 Juni 2014

Peneliti,

Ida Nurhaida, ST., MT.

76

B. LAMPIRAN 4 :

INSTRUMEN

77

Data Sketsa Motif Batik

Berikut kami tampilkan contoh data motif batik dalam bentuk sketsa. Data orisinal yang

belum dimodifikasi berjumlah 225 motif batik. Variasi data dari skala dan rotasi menghasilkan

lebih dari 500 data.

1. Kelas Ceplok

2. Kelas Kawung

3. Kelas Lereng

4. Kelas Nitik

79

Data Digital Motif Batik

Data berikut merupakan contoh data motif batik berbentuk foto digital yang telah

dimodifikasi dari skala dan rotasinya. Jumlah data orisinal lebih dari 500 data yang nantinya

akan dimodifikasi disesuaikan dengan skenario eksperimen yang akan dilakukan.

80

A. LAMPIRAN 4 :

PERSONALIA

PENELITI BESERTA

KUALIFIKASINYA

81

BIODATA PENELITI

A. Identitas Diri

1. Nama Lengkap (dengan gelar) Ida Nurhaida, ST., MT.

2. Jenis Kelamin Wanita

3. Jabatan Fungsional Asisten Ahli

4. NIP/NIK/Identitas Lainnya 110710304

5. NIDN 0310047103

6. Tempat/Tanggal Lahir Kuantan (Malaysia), 10 April 1971

7. E-mail

[email protected]

[email protected]

[email protected]

8. No. Telepon/HP 0217324545/08164820311, 087876725326

9. Alamat Kantor Jl. Raya Meruya Selatan no. 1

Nomor Telepon/Faks 0215840816

10. Lulusan yang telah dihasilkan Strata 1 = 40

11. Mata Kuliah yang Diampu

1 Komunikasi Data

2 Jaringan Komputer

3 Dasar Router

4 Aplikasi Komputer

5 Manajemen Proyek Perangkat Lunak

6 Sistem Operasi

7 Sistem Multimedia

B. Riwayat Pendidikan

S-1 S-2 S-3

Nama Perguruan

Tinggi

Universitas

Hasanuddin

Universitas

Indonesia

Universitas

Indonesia

Bidang Ilmu Teknik Elektro Teknik Elektro Ilmu Komputer

Tahun Masuk-Lulus 1989 – 1993 2008 – 2010 2011 – sekarang

Judul Skripsi/Tesis/

Disertasi

Sistem Administrasi

Terpadu

Laboratorium dengan

Pemanfaatan Local

Area Network

Pengukuran

Overhead,

Linearitas, Isolasi

Kinerja dan

Penggunaan

Sumber Daya

Perangkat Keras

pada Server

Virtual

Clustering Fitur-

fitur SIFT pada

Hough Space untuk

Pengenalan Motif

Batik

Nama Pembimbing/ Ir. Inggrid Nurtanio Prof. Dr. Ir. Bagio Prof. Dr. Ir. Aniati



82

Promotor Budiardjo, M.Sc. Murni Arymurthi,

M.Sc.

C. Pengalaman Penelitian Dalam 5 Tahun Terakhir

No. Tahun Judul Penelitian

Pendanaan

Sumber Jumlah

(Juta Rp)

1. 2010 Distribusi Dokumen Kerja

Berbasis Jaringan Client –

Server

Univ. Mercu

Buana 3.5

2. 2010

Optimalisasi Penggunaan

Sumber Daya Perangkat Keras

ditinjau dari Kualitas Layanan

dengan Pemanfaatan

Teknologi Virtual

Univ. Mercu

Buana 3.5

3. 2011

Perancangan infrastruktur

teknologi informasi dalam

lingkungan Universitas Mercu

Buana

Univ. Mercu

Buana 3.5

4. 2011 Cetak Biru Perencanaan

Strategis Sistem dan Teknologi

Informasi

Univ. Mercu

Buana 50

D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

No. Tahun Judul Pengabdian Kepada

Masyarakat

Pendanaan

Sumber Jumlah

(Juta Rp)

1. 2011

Pengenalan Aplikasi

Multimedia dalam

Pengembangan Media

Pembelajaran pada TK/PAUD

di Lingkungan RW 03

Kelurahan Meruya Selatan

Univ. Mercu

Buana 3.5

2. 2012

Pengenalan Dasar

Pemrograman menggunakan

Bahasa Pascal untuk Office

Boy Universitas Mercu Buana

Univ. Mercu

Buana 3.5

3. 2013

Pelatihan Animasi dengan

Flash dan Sosialisasi CD

Pembelajaran Matematika SD

Univ. Mercu

Buana 3.5

83

untuk Staf Pengajar Sekolah

Dasar di Wilayah Meruya

Jakarta Barat

E. Publikasi Artikel Ilmiah dalam Jurnal 5 Tahun Terakhir

No. Judul Artikel Ilmiah Nama Jurnal Volume/Nomor/Tahun

1. Aplikasi Pemantau Status

Jaringan Komputer Melalui

SMS

FIFO - UMB Vol II/1/2010

2.

3.

F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir

No. Nama Pertemuan

Ilmiah/Seminar

Judul Artikel Ilmiah Waktu dan

Tempat

1. Makassar International

Conference on Electrical

Engineering and

Informatics (MICEEI),

IEEE Indonesia Section

Quality of Service

Measurement in Virtual

Server

2010, Makassar

2. Seminar Nasional

Pengaplikasian

Telematika

(SINAPTIKA)

Simulasi Disaster

Recovery Plan (DRP)

menggunakan

Teknologi Virtual pada

Server Email dan Server

Basis Data

2011, Jakarta

3. Konferensi Nasional

Sistem Informasi

Efisiensi Distribusi

Dokum Kerja Berbasis

Jaringan Client – Server

Studi Kasus PT XYZ

2011, Medan

4. Konferensi Nasional

Sistem Informasi

Aplikasi Penerjemah

Kalimat ke dalam

Notasi Matematika

menggunakan Konsep

Automata

2012, Denpasar

5. International Conference

on Advanced Computer

Science and Information

Performance

Comparison Analysis

Features Extraction

2012, Jakarta

84

Systems. Methods for Batik Motif

Recognition

halaman judul laporan akhir penelitian disertasi...

Documents