identifikasi motif berbasis citra menggunakan … · implementasi sistem identifikasi motif yang...
TRANSCRIPT
IDENTIFIKASI MOTIF BERBASIS CITRA MENGGUNAKAN
WAVELET DENGAN KLASIFIKASI PROBABILISTIC NEURAL
NETWORK (STUDI KASUS: DIREKTORAT JENDERAL HAK
KEKAYAAN INTELEKTUAL)
RUDI SETIAWAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
ABSTRAK RUDI SETIAWAN. Identifikasi Motif Berbasis Citra Menggunakan Wavelet dengan Klasifikasi
Probabilistic Neural Network (Studi Kasus: Direktorat Jenderal Hak Kekayaan Intelektual).
Dibimbing oleh YENI HERDIYENI.
Seni motif merupakan salah satu dari jenis ciptaan yang patut dihargai dan dilindungi.
Perlindungan yang dimaksud harus tepat sasaran agar tidak ada pihak yang merasa dirugikan.
Direktorat Jenderal Hak Kekayaan Intelektual (Ditjen HKI) adalah lembaga pemerintah yang
bertugas untuk melaksanakan perlindungan tersebut. Salah satu proses atau tahap yang dilakukan
adalah pemeriksaan ciptaan yang didaftarkan. Pemeriksaan masih dilakukan secara manual,
sehingga menghabiskan banyak waktu. Penelitian ini bertujuan untuk membuat suatu desain dan
implementasi sistem identifikasi motif yang sudah ataupun belum pernah terdaftar pada Ditjen
HKI dengan masukkan berupa citra digital. Proses pendeteksian diawali dengan proses ekstrasi ciri
menggunakan Haar wavelet dan proses klasifikasi dengan menggunakan Probabilistic Neural
Network (PNN). Pada penelitian ini citra latih yang digunakan sebanyak 450 citra, yang dibagi
dalam 50 kelas. Citra uji yang digunakan sebanyak 200 citra yang terdiri dari 4 citra untuk masing-
masing kelas. Akurasi yang dihasilkan sistem pada pendeteksian citra motif ini sebesar 65%
dengan haar wavelet level 2 dan 64% dengan haar wavelet level 3.
Kata kunci: Motif, Probabilistic Neural Network (PNN), Wavelet.
ABSTRACT
RUDI SETIAWAN. Image-based Motif Identification Using Wavelet and Probabilistic Neural
Network classification (Case Study: The Directorate General of Intellectual Property Rights).
Supervised by YENI HERDIYENI.
Motif is one creation that should be respected and protected. The protection must be on
target so nobody is aggrieved. The Directorate General of Intellectual Property Rights (DGIP) is a
government institution in charge of implementing that protection. A process or step taken is
examining the registered creation. The examination is still done manually, so DGIP spends a lot of
time. This research aims to create a design and implementation of a system to identify if the motifs
have been registered at DGIP with respectively digital image as the input. Detection process
begins with the extraction process using the Haar wavelet to get the characteristics of the image
and classification process by using the Probabilistic Neural Network (PNN). This study uses 450
training images divided into 50 classes. Testing uses 200 images consisting of 4 images for each
class. The accuracies of the motif identification system are 65% and 64% for Haar wavelet level 2
and level 3, respectively.
Keywords: Motif, Probabilistic Neural Network (PNN), Wavelet.
IDENTIFIKASI MOTIF BERBASIS CITRA MENGGUNAKAN
WAVELET DENGAN KLASIFIKASI PROBABILISTIC NEURAL
NETWORK (STUDI KASUS: DIREKTORAT JENDERAL HAK
KEKAYAAN INTELEKTUAL)
RUDI SETIAWAN
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Judul Skripsi : Identifikasi Motif Berbasis Citra Menggunakan Wavelet dengan Klasifikasi
Probabilistic Neural Network (Studi Kasus: Direktorat Jenderal Hak
Kekayaan Intelektual)
Nama : Rudi Setiawan
NIM : G64086050
Menyetujui,
Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP 19750923 200012 2 001
Mengetahui,
Ketua Departemen
Dr. Ir. Agus Buono, M.Si., M.Kom.
NIP. 196607021993021001
Tanggal Lulus:
RIWAYAT HIDUP
Penulis dilahirkan di Kerinci Desa Kampung Diilir Rawang pada tanggal 02 Maret 1987.
Penulis adalah anak ketiga dari 3 bersaudara, dari pasangan Bapak Zaiyad Sami dan Ibu Erlina.
Pada tahun 2005 penulis lulus dari SMA Negeri 1 Sungai Penuh, kemudian melanjutkan
pendidikan Diploma III pada Program Keahlian Teknik Komputer, Program Diploma Institut
Pertanian Bogor. Lulus Diploma pada tahun 2009, penulis melanjutkan studi di Institut Pertanian
Bogor Program Studi Ilmu Komputer untuk memperoleh gelar sarjana.
PRAKATA
Bismillahirrohmanirrohim,
Segala puji bagi Allah Subhanahuwata’ala atas segala limpahan rahmat dan karunia-Nya
yang telah diberikan, semoga shalawat serta salam tetap tercurahkan kepada nabi Muhammad
Shallallahu alaihi was salam, sehingga penulis dapat menyelesaikan karya ilmiah ini dengan baik.
Judul penelitian ini adalah Identifikasi Citra Motif Menggunakan Wavelet dengan Klasifikasi
Probabilistic Neural Network (Studi Kasus: Direktorat Jenderal Hak Kekayaan Intelektual).
Penelitian ini tidak luput dari bantuan dan dukungan dari banyak pihak. Untuk itu saya
ingin sampaikan terima kasih kepada:
1 Kedua orang tua Penulis, Ibunda Erlina dan ayah Zaiyad Sami yang senantiasa memberikan
do’a dan dukungan,
2 Ibu Dr. Yeni Herdiyeni, M.Kom. selaku pembimbing dalam menjalankan proses pembuatan
karya ilmiah ini,
3 Bapak Aziz Kustiyo, S.Si., M.Kom. dan Bapak Toto Haryanto, S.Kom, M.Kom. atas
kesediaannya menjadi penguji penelitian ini,
4 Bapak Soemardi,S.H.,M.H. Direktur Hak Cipta, Desain Industri, Rahasia Dagang dan Tata
Letak Sirkuit Terpadu (2011),
5 Bapak Timbul Sinaga, S.H., M.H. Direktur Hak Cipta, Desain Industri, Rahasia Dagang
dan Tata Letak Sirkuit Terpadu (2011 - 2012),
6 Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB,
7 Sev Eka Putra, S.Pd., Yandri, S.Pd. saudaraku yang selalu memberikan dukungan dan
inspirasi.
8 Ibu Habibah, M.H. Kabag. Tata Usaha dan Humas, dan Bapak Senen, S.H. Subbag
Persuratan atas dukungan dan izin yang sering diberikan sehingga bisa meninggalkan tugas
kantor.
9 Dzikri Fadilah, Fachran Nazarullah, Azhari Harahap, teman satu rumah selama berada jauh
dari keluarga dari Hanoman sampai Abiyasaraya, Doni Marshal Rangga, Sigit Wibowo,
dan Resti Sintia Ervina teman seperjuangan untuk menjadi pengabdi negara, Ihsan Satria
Rama dan Anriza Julianry, inspirator dan katalisator selesainya karya ilmiah ini.
10 Ikatan Mahasiswa Kerinci Bogor dan seluruh anggota Asrama Mahasiswa Jambi, sebagai
keluarga di perantauan,
11 Teman-teman angkatan 3 HIMAXILKOM,
12 Rekan-rekan kerja pada Direktorat Jenderal Hak Kekayaan Intelektual yang telah memberi
dukungan dan semua pihak yang telah membantu memberikan dukungannya yang belum
disebutkan di atas.
Akhirnya penulis berharap semoga penulisan karya ilmiah ini dapat bermanfaat bagi semua
pihak yang membutuhkan. Amin.
Bogor, Februari 2013
Rudi Setiawan
v
DAFTAR ISI
Halaman
DAFTAR ISI ............................................................................................................................... v DAFTAR TABEL ...................................................................................................................... vi DAFTAR GAMBAR .................................................................................................................. vi DAFTAR LAMPIRAN ............................................................................................................... vi
PENDAHULUAN1 Latar Belakang ......................................................................................................................... 1 Tujuan ...................................................................................................................................... 1 Ruang Lingkup ........................................................................................................................ 1 Manfaat .................................................................................................................................... 1
TINJAUAN PUSTAKA1 Motif ........................................................................................................................................ 1 Citra Digital ............................................................................................................................. 1 Tingkat Abu-abu (Grayscale) .................................................................................................. 1 Wavelet .................................................................................................................................... 2 Transformasi Wavelet .............................................................................................................. 2 Haar Wavelet ........................................................................................................................... 3 Dekomposisi Haar Wavelet ..................................................................................................... 3 Jaringan Saraf Tiruan............................................................................................................... 3 Probabilistic Neural Network .................................................................................................. 4
METODOLOGI ........................................................................................................................... 4 Database Citra Motif ............................................................................................................... 5 Praproses ................................................................................................................................. 5 Pembagian Data ....................................................................................................................... 5 Ekstrasi Ciri Citra Motif dengan Wavelet ................................................................................ 5 Klasifikasi dengan Probabilistic Neural Network ................................................................... 6 Perhitungan Akurasi ................................................................................................................ 6 Lingkungan pengembangan ..................................................................................................... 6
HASIL DAN PEMBAHASAN.................................................................................................... 6 Praproses ................................................................................................................................. 6 Ekstrasi Ciri Wavelet ............................................................................................................... 6 Identifikasi Citra Motif ............................................................................................................ 7 Hasil Pengujian Data Uji Cropping (C) dengan klasifikasi PNN ............................................ 7 Hasil Pengujian Data Uji Rotate 180
0 (R180) dengan Klasifikasi PNN .................................. 7
Hasil Pengujian Data Uji Brightness 15 Poin (B15) dengan Klasifikasi PNN ........................ 8 Hasil Pengujian Data Uji Perbesar 200% + Rotate 90
0 (ZR) dengan Klasifikasi PNN ........... 9
Perbandingan Akurasi Keempat Jenis Data Uji ..................................................................... 10 Perbandingan Akurasi Pengenalan Kelas Citra Motif ........................................................... 11 Analisis Pengaruh Data Motif terhadap Hasil Identifikasi .................................................... 11 Perbandingan Akurasi untuk Wavelet Haar Level 2 dan Level 3 .......................................... 12
KESIMPULAN DAN SARAN.................................................................................................. 12 Kesimpulan ............................................................................................................................ 12 Saran ...................................................................................................................................... 12
DAFTAR PUSTAKA ................................................................................................................ 13
vi
DAFTAR TABEL
Halaman
1 Hasil pengujian data uji Cropping ............................................................................................ 7 2 Hasil pengujian data uji R180................................................................................................... 8 3 Hasil pengujian data uji B15..................................................................................................... 8 4 Hasil pengujian ZR ................................................................................................................... 9
DAFTAR GAMBAR
Halaman
1 Model Piksel Pada Buffer Memori (Rivai 2005) ...................................................................... 2 2 Operasi Pengubahan Citra 24 bit .............................................................................................. 2 3 Ilustrasi Transformasi Wavelet ................................................................................................. 3 4 Bank filter Haar ........................................................................................................................ 3 5 Aristektur Jaringan Saraf Tiruan ............................................................................................. 3 6 Struktur Probabilistic Neural Network ..................................................................................... 4 7 Metodologi Penelitian............................................................................................................... 4 8 Contoh Citra Motif ................................................................................................................... 5 9 Praproses Citra Motif................................................................................................................ 6 10 Ekstrasi Ciri Wavelet level 2 .................................................................................................. 7 11 Contoh Hasil Identifikasi Kasus Pengujian C ....................................................................... 10 12 Contoh Hasil Identifikasi Kasus Pengujian R180 ................................................................. 10 13 Contoh Hasil Identifikasi Kasus Pengujian ZR .................................................................... 10 14 Hasil Pegujian Data Uji ........................................................................................................ 10 15 Motif yang teridentifikasi 100% ........................................................................................... 11 16 Perbandingan Akurasi Setiap Kelas ...................................................................................... 11 17 Citra Motif Kelas 15 dan 24 ................................................................................................. 11 18 Ekstrasi Ciri Wavelet level 3 ................................................................................................ 12 19 Perbandingan Akurasi Wavelet Level 2 dan 3 ...................................................................... 12
DAFTAR LAMPIRAN
Halaman 1 Kelas Data Latih Motif ........................................................................................................... 15
2 Kelas Data Uji Motif .............................................................................................................. 28
3 Hasil Pengujian Citra Motif Akurasi 100% ............................................................................ 37
4 Hasil Pengujian Citra Motif Akurasi 75 % ............................................................................. 37
5 Hasil Pengujia Citra Motif Akurasi 50 % ............................................................................... 39
6 Pemodelan pengujian identifikasi motif dengan sistem .......................................................... 41
1
PENDAHULUAN
Latar Belakang
Sadarnya masyarakat dewasa ini akan
pentingnya nilai ekonomi dan bentuk
penghargaan sebuah karya ciptaan
meningkatkan pendaftaran karya hak cipta di
Direktorat Jenderal Hak Kekayaan Intelektual.
Peningkatan ini semakin tinggi setiap
tahunnya. Pada tahun 2009, jumlah pendaftaran
adalah 6.504 ciptaan (Kemenkumham 2010).
Dalam menentukan sebuah hak cipta layak
untuk dilindungi adalah dengan cara melihat
orisinalitas dari sebuah ciptaan. Oleh sebab itu,
harus ada pemeriksaan secara objektif sehingga
tidak menimbulkan sebuah pelanggaran yang
merugikan pihak lain. Direktorat Jenderal Hak
Kekayaan Intelektual, khususnya Direktorat
Hak Cipta masih melakukan pemeriksaan
secara manual, yakni dengan membandingkan
satu demi satu motif dengan katalog motif yang
tersedia. Hal ini sangat tidak efisien untuk
jumlah pendaftaran yang secara periodik
bertambah dari tahun ke tahun. Waktu dan
ketelitian dalam pemeriksaan juga dirasa tidak
efektif. Salah satu ciptaan yang dilindungi di
lingkungan kerja Direktorat Jenderal Hak
Kekayaan Intelektual adalah motif. Motif
itupun terdiri atas batik, wallpaper, seprai atau
bedcover. Jumlah pendaftaran hak cipta
kategori seni pada bulan Januari sampai dengan
Juni 2010 tercatat 1.834 pendaftaran. Sekitar
65% adalah seni motif (Kemenkumham 2010).
Dalam hal ini, Sistem Identifikasi Motif
sangat diperlukan dalam masalah yang
dihadapi Direktorat Jenderal Hak Kekayaan
Intelektual untuk mempermudah pengerjaan
dan mendapatkan esensi nilai ketepatan yang
tinggi dalam menentukan perlindungan hak
terhadap motif yang telah didaftarkan oleh
masyarakat.
Wavelet merupakan salah satu metode
pengolahan citra yang dapat mengekstraksi
fitur akan tetapi fitur-fitur yang penting tidak
akan hilang ketika dimensi citra mengalami
reduksi. Metode ini pernah diterapkan pada tiga
penelitian sebelumnya. Pertama, Isa dan Juwita
(2007) menerapkan metode ini pada citra
berstruktur nilai precision yang didapat sampai
100%. Penelitian kedua dilakukan oleh
Cahyaningtias (2007) penelitian ini
menerapkan metode yang sama pada citra
wajah sebagai karakteristik fisiologis. Ketiga
penelitian tersebut menggunakan mother Haar
Wavelet. Gusadha (2011) menggunakan
Probabilistic Neural Network (PNN) dalam
penelitian untuk mengidentifikasi jenis
tanaman Aglaonema dan mendapatkan akurasi
55.65% dan Putra (2009) menggunakan
klasifikasi yang sama (PNN) untuk
mengidentifikasi tanda tangan dengan akurasi
87 %.
Penelitian ini menerapkan tansformasi
wavelet, dengan mother wavelet yang
digunakan Haar wavelet sebagai praproses
citra yang akan diuji. Metode klasifikasi citra
yang digunakan ialah probabilistic neural
network (PNN).
Tujuan
Tujuan penelitian ini ialah menerapkan
transformasi Haar wavelet pada praproses citra
dan mengklasifikasikan citra motif dengan
menggunakan PNN.
Ruang Lingkup
Citra yang akan digunakan adalah beberapa
data motif yang telah terdaftar pada Direktorat
Jenderal Hak Kekayaan Intelektual.
Manfaat
Manfaat penelitian ini adalah membantu
pekerjaan pemeriksa pada Direktorat Hak Cipta
khususnya pemeriksaan motif agar efisien,
tepat dan objektif, sehingga meminimalkan
kesalahan pemeriksaan yang mungkin terjadi.
TINJAUAN PUSTAKA
Motif
Motif adalah sebuah gambar dekoratif atau
desain, terutama yang berulang membentuk
pola (Oxford 2012)
Citra Digital
Citra, atau image atau gambar, dapat
didefinisikan sebagai fungsi intensitas cahaya
dua dimensi f(x,y), dengan x dan y merupakan
koordinat spasial dan nilai f pada setiap titik
(x,y) adalah proporsional terhadap brightness
(level keabuan) gambar pada titik tersebut.
Karena f(x,y) merupakan fungsi intensitas
cahaya, f merupakan bentuk energi sehingga
memiliki daerah intensitas dari nol sampai
dengan tak hingga: 0 < f(x,y) < ∞ (Gonzales
dan Wood 1993).
Tingkat Abu-abu (Grayscale)
Citra grayscale merupakan citra digital
yang hanya memiliki satu nilai kanal pada
setiap pikselnya, dengan kata lain bagian
red=green=blue. Nilai tersebut digunakan
untuk menunjukkan tingkat intensitas. Warna
2
yang dimiliki adalah warna dari hitam,
keabuan, dan putih. Tingkatan keabuan di sini
merupakan warna abu dengan berbagai
tingkatan dari hitam hingga mendekati putih
(Darma 2010).
Proses Grayscale ini bertujuan untuk
mengubah citra RGB menjadi citra abu-abu.
Pemrosesan ini dipilih karena lebih sederhana,
yaitu hanya menggunakan sedikit kombinasi
warna dan dengan citra abu-abu dirasakan
sudah cukup untuk memproses citra yang citra
yang semula berupa RGB Colour dengan
tingkat abu-abu.
Mengubah citra RGB ke citra abu-abu YUV
dengan mengambil komponen Y (luminance)
dapat dilakukan dengan mengalikan komponen
R,G,B dari nilai taraf intesitas tiap piksel RGB
dengan konstanta (0.299R,0.587G,0.11B).
Gambar 1 Model piksel pada buffer memori
(Rivai 2005)
Gambar 2 Operasi pengubahan citra 24 bit
Wavelet
Wavelet adalah suatu teknik perhitungan
matematis yang bermanfaat untuk analisis
numerik dan memanipulasi dalam 1 (satu) atau
2 (dua) dimensi sinyal. Transformasinya
beroperasi seperti sebuah mikroskop yang
berfungsi untuk melihat detailpartisi sinyal di
dalam komponen frekuensi dan memetakan ke
koefisien yang memiliki energi yang berbeda
(Jones et al. 1999)
Transformasi Wavelet
Wavelet berasal dari sebuah fungsi
penskalaan atau disebut juga scaling function
karena wavelet didapatkan dari hasil
penskalaan, dilasi, dan pergeseran mother
wavelet (Darma 2010). Fungsi penskalaan memiliki persamaan:
(t) = 2 k h0(k) (2t – k) (1)
h0 menyatakan koefisien pensekalaan atau
koefisien transformasi atau koefisien dari tapis
(filter), sedangkan k menyatakan indeks dari
koefisien penskalaan. Angka 0 pada h0 hanya
menunjukkan jenis koefisien, yang menyatakan
pasangan dari jenis koefisien lainnya. Pasangan
tersebut didefinisikan dalam fungsi wavelet
berikut:
(t) = 2 k h1(k) (2t – k) (2)
h0 dan h1 adalah koefisien transformasi
pasangan. h0 disebut juga sebagai low pass
sedangkan h1 disebut high pass. h0 berkaitan
dengan proses perataan (averages) sedangkan
h1 berkaitan dengan proses pengurangan
(differences).
Perataan dilakukan dengan menghitung
nilai rata-rata dua pasang data dengan
persamaan:
(3)
Pengurangan dilakukan dengan persamaan:
(4)
Koefisien-koefisien h0 dan h1 dapat ditulis
sebagai berikut:
h0 = (h0(0), h0(1)) = ( yang berkaitan
dengan persamaan (3), dan
h1 = h1(0), h1(1)) = (-
berkaitan dengan
persamaan (4).
Dengan kata lain, h0 adalah koefisien
penskalaan karena menghasilkan skala yang
berbeda dari citra aslinya, sedangkan h1 adalah
wavelet yang menyimpan informasi penting
proses rekonstruksi.
Transformasi wavelet mempunyai
kemampuan membawa keluar ciri khusus pada
suatu gambar yang diproses. Pada tranformasi
wavelet, sebuah gambar didekomposisi menjadi
subgambar pada frekuensi dan orientasi yang
berbeda-beda, yaitu low-low (LL), low-high
(LH), high-low (HL), dan high-high (HH)
(Gambar 3).
Titik 1 Titik 2 Titik 3 Titik 4
(0.299R+0.587G+0.11B)
3
Gambar 3 Ilustrasi transformasi wavelet
Haar Wavelet
Haar Wavelet adalah metode wavelet yang
pertama kali diajukan oleh Alfred Haar pada
tahun 1909. Haar wavelet adalah metode
wavelet yang paling sederhana dan mudah
untuk diimplementasikan. Untuk mengekstrak
ciri-ciri tekstur dengan transformasi Haar
Wavelet, dilakukan proses averaging untuk
mendapatkan bagian dari gambar yang
berfrekuensi rendah dan dilakukan proses
differencing untuk mendapatkan bagian dari
gambar yang berfrekuensi tinggi (Darma
2010).
Koefisien h0 (low pas filter) dan h1 (high
pass filter) merupakan fungsi basis Haar
wavelet. Dekomposisi (transformasi) perataan
dan pengurangan sama halnya dengan
melakukan dekomposisi citra dengan Haar
wavelet. Kedua tapis tersebut bersifat ortogonal
namun tidak ortonormal. Tapis Haar yang
bersifat orthogonal dan ortonormal adalah:
h0 ) (5)
h0 ) (6)
Fungsi penskalaan Haar diperoleh dari
subtitusi h0 ke dalam persamaan (1), sehingga
dihasilkan persamaan sebagai berikut:
(t) = (2t) + (2t – 1) (7)
Dimana:
(t)
Subtitusi h1 ke dalam persamaan (2) akan
menghasilkan:
(t) = (2t) + (2t – 1) (8)
Merupakan fungsi wavelet Haar dengan:
Dekomposisi Haar Wavelet
Proses perhitungan wavelet dapat dilakukan
dengan menggunakan bank filter. Bank filter
merupakan kumpulan koefisien untuk
memperoleh nilai rata-rata (average) dan nilai
selisih (differencing) secara berulang-ulang.
Proses dekomposisi Haar menerapkan bank
filter dengan h0 = h1 = 1/ 2 sebagai koefisien
low-pass yang menghasilkan citra pendekatan,
dan g0=1/ 2 ,g1= -1/ 2 sebagai koefisien
high-pass yang menghasilkan citra detil.
Adapun bank filter Haar dapat dilihat pada
Gambar 4.
h0 h1 0 0 …
g0 g1 0 0 …
0 0 h0 h1…
0 0 g0 g1…
. . . . …
: : : : Gambar 4 Bank filter Haar
Stephane Mallat kemudian memper-
kenalkan cara mudah menghitung dekomposisi
wavelet yang dikenal dengan algoritme
piramida Mallat. Mallat memberi nilai
koefisien low-pass, h0 = h1 = 1/2 dan koefisien
high-pass, g0=1/2, g1=-1/2 (Cahyaningtias
2007).
Jaringan Saraf Tiruan
JST dikembangkan sebagai model
matematika yang merupakan penyederhanaan
dari sistem saraf biologis manusia, berdasarkan
asumsi bahwa pengolahan informasi terjadi di
berbagai elemen yang dinamakan neuron,
sinyal dilewatkan di antara neuron melalui
connection link, masing-masing connection link
memiliki weight (bobot) yang akan mengalikan
sinyal yang lewat, dan masing-masing neuron
memiliki fungsi aktivasi yang akan
menentukan nilai sinyal output (Fauset 1994).
Secara umum JST, terdiri atas dua buah
layer yaitu hidden layer dan output layer.
Arsitektur dari JST dapat dilihat pada Gambar
5 berikut:
Gambar 5 Arsitektur jaringan saraf tiruan
4
Probabilistic Neural Network
Probabilistic Neural Networks (PNN)
merupakan salah satu jenis klasifikasi. PNN
merupakan jaringan saraf tiruan yang dirancang
menggunakan ide dari teori probabilitas klasik
seperti pengklasifikasi Bayes dan penduga
kepekatan Parzen.
Struktur PNN terdiri atas empat layer,
yaitu input layer (lapisan masukan), pattern
layer (lapisan pola), summation layer (lapisan
penjumlahan), decision layer (lapisan keluaran)
(Albanis dan Batchelor 2000). Struktur tersebut
dapat dilihat pada Gambar 6.
Gambar 6 Struktur probabilistic neural
network
Lapisan masukan merupakan yang terdiri
atas nilai ciri yang akan diklasifikasikan pada
kelas. Proses-proses yang terjadi setelah
lapisan masukan adalah:
1 Lapisan pola (pattern layer), digunakan
satu node pola untuk setiap data pelatihan
yang digunakan. Setiap node pola
merupakan perkalian titik (dot product) dari
vektor masukan dengan vektor bobot
. Bobot merupakan nilai
data latih ke-i pada kelas ke-j. Nilai
kemudian dibagi dengan bias tertentu σ dan
selanjutnya dimasukkan ke dalam fungsi
radial basis, yaitu radbas(n)=exp(- ).
Dengan demikian persamaan yang
digunakan pada lapisan pola seperti pada
persamaan (9).
f(x) = exp (9)
2 Lapisan penjumlahan (summation layer),
menerima masukan dari node lapisan pola
yang terkait dengan kelas yang ada.
Persamaan yang digunakan pada lapisan ini
adalah:
(10)
dengan merupakan dimensi vektor ciri, σ
merupakan bias dan merupakan jumlah
data latih pada kelas tertentu.
3 Lapisan keluaran (output layer)
menghasilkan keputusan input masuk ke
dalam suatu kelas. Input akan masuk
kelas jika nilai paling besar
dibandingkan kelas yang lainnya.
METODOLOGI
Metode penelitian ini terdiri atas
beberapa tahap, yaitu pengambilan data,
praproses data, ekstrasi ciri data, klasifikasi
dengan PNN, dan perhitungan tingkat akurasi.
Tahap-tahap dalam penelitian ini diilustrasikan
pada Gambar 7.
Citra
Citra LatihCitra
Citra Uji
Identifikasi Citra Motif
Perhitungan
Akurasi
Praproses
Ekstrasi Ciri
Wavelet
Klasifikasi PNN
Model
Ekstrasi Ciri
Wavelet
Proses
Pencocokan
Gambar 7 Metodologi penelitian
5
Database Citra Motif
Citra motif yang menjadi objek dalam
penelitian ini adalah hasil karya cipta dari
masyarakat yang sudah diberikan hak dan
melewati tahap pemeriksaan. Database terdiri
atas 50 (lima puluh) motif bersukuran 512 x
512 piksel. Semua motif berbeda antara satu
sama lain. Walaupun secara objektif terkadang
mirip antara motif satu dan yang lain, namun
dengan melihat lebih teliti lagi tampaklah
perbedaan, baik itu kontur dan warna.
Dalam pemeriksaan, motif yang bentuknya
sama namun warnanya berbeda, terkadang
sudah dianggap berbeda dan tidak melanggar
hak cipta. Beberapa contoh motif yang telah
didaftarkan di Direktorat Hak Cipta
ditunjukkan pada Gambar 8.
Gambar 8 Contoh citra motif
Praproses
Pada tahap awal praproses, dilakukan
pengubahan citra ke mode warna grayscale
untuk selanjutnya diekstrasi ciri menggunakan
wavelet Haar.
Grayscale digunakan untuk
menyederhanakan model gambar. Pada
awalnya gambar terdiri atas 3 layer matriks,
yaitu R-layer, G-layer dan B-layer untuk
melakukan proses-proses selanjutnya tetap
diperhatikan tiga layer tersebut.
Untuk mengubah gambar berwarna yang
mempunyai nilai matriks masing-masing R,G
dan B menjadi gambar Grayscale, konversi
dilakukan dengan pengubahan komposisi
sebagai berikut:
(11)
Dengan nilai α = 0.299, β=0.587 dan
γ=0.11. Fungsi dari format warna gray ini
adalah memudahkan proses selanjutnya karena
apabila format gambar RGB digunakan maka
nilai yang dihasilkan akan bervariasi.
Pada tahap praproses selanjutnya, setiap
citra motif akan divariasikan untuk
mendapatkan sebuah kelas. Adapun variasi
dalam setiap kelas adalah:
1 Orisinil (O) , motif dibiarkan dalam
keadaan awal (tanpa manipulasi)
2 Rotate 900 (R90), motif orisinal diputar
dengan sudut 900
3 Rotate 1800 (R180), motif orisinal diputar
dengan sudut 1800
4 Zooming 200% (Z), konten motif orisinal
diperbesar 200%
5 Zooming 200% + rotate 900 (RZ90). Motif
orisinal diperbesar 200 % dan diputar
dengan sudut 900
6 Zooming 200% + rotate 1800 (RZ180).
Motif orisinal diperbesar 200 % dan diputar
dengan sudut 900
7 Cropping (C). Motif orisinal di-crop
(potong) di bagian tertentu.
8 Cropping 1 (C1). Motif orisinal di-crop
(potong) di bagian tertentu, berbeda posisi
dari croping poin 7
9 Cropping 2 (C2). Motif orisinal di-crop
(potong) di bagian tertentu, berbeda posisi
croping dari poin 8.
10 Cropping 3 (C3). Motif orisinal di-crop
(potong) di bagian tertentu, berbeda posisi
croping dari poin 9.
11 Brigthness 10 poin (B10). Motif orisinal
ditambahkan intensitas keterangan dengan
10 poin.
12 Brigthness 15 poin (B15). Motif original
ditambahkan intensitas keterangan dengan
15 poin t.
13 Brigthness 20 poin (B20). Motif orisinal
ditambahkan intensitas keterangan dengan
20 poin t.
Setelah mendapatkan hasil variasi, didapat 13
(tiga belas) citra yang mewakili suatu kelas.
Citra motif yang digunakan dapat dilihat pada
Lampiran 1 dan 2.
Pembagian Data
Pembagian data dibagi menjadi dua bagian,
yaitu data latih dan data uji. Adapun data uji
dalam penelitian ini adalah C, RZ, B15, R180,
dan data latih adalah O, R90, Z, RZ180, C1,
C2, C3, B10, B20. Dari pembagian data
didapat 450 citra latih dan 200 citra uji.
Ekstrasi Ciri Citra Motif dengan Wavelet
Seluruh citra latih dan citra uji akan
diekstrasi dengan mengunnakan Haar Wavelet.
Dimensi awal citra motif adalah 512 x 512
6
pixel. Dimensi ini terlalu besar, sehingga
direduksi sebanyak 2 level menjadi 128 x 128
pixel.
Pada citra motif dilakukan proses
transformasi yang akan menghasilkan empat
komponen matriks, yaitu komponen diagonal
(CD), komponen horizontal (CH), komponen
vertikal (CV), dan komponen approximation
(CA). Pada komponen-komponen hasil
transformasi ini dilakukan proses kuantisasi
untuk mengurangi jumlah variasi (redudansi)
data pada semua komponen hasil transformasi.
Setelah komponen-komponen hasil
transformasi dikuatintasi, langkah selanjutnya
ialah rekonstruksi wavelet, yakni
mengembalikan citra ke bentuk semula dengan
ukuran yang berbeda, namun masih membawa
ciri yang sama dengan aslinya.
Adapun algoritme rekonstruksi adalah
sebagai berikut:
1 Membaca komponen matriks hasil
transformasi.
2 Melakukan proses dekoding,
mengembalikan data yang sebelumnya
dikuantisasi saat proses kompresi, yakni
mengembalikan komponen-komponen CA,
CV, CD dan CH.
3 Melakukan transformasi invers Wavelet
transformation terhadap komponen-
komponen hasil tahap 2.
4 Proses transformasi linear balik untuk
menghasilkan ruang warna sesuai dengan
citra semula sehingga diperoleh kembali
citra semula dengan sifat lossy.
Klasifikasi dengan Probabilistic Neural
Network
Pada tahap ini, model probabilistic neural
network (PNN) digunakan sebagai
pengklasifikasinya. Sebelum melakukan
klasifikasi, terlebih dahulu dilakukan proses
ekstrasi pada setiap citra motif.
Dari proses ekstrasi citra motif, diperoleh
masing-masing 600 vektor. Data latih yang
akan dijadikan model sebanyak 400 vektor.
Setiap vektor dikombinasikan sesuai dengan
kelas citra motif.
Jumlah kelas target pada penelitian ini
adalah 50. Input layer pada model berukuran
4952 x 400 dan decision layer 1 x 400.
Perhitungan Akurasi
Hasil penelitian akan dihitung dengan
menggunakan parameter generalisasi, yakni
membandingkan persentasi jumlah image yang
dikenal dan keseluruhan image yang ada.
Akurasi = data uji benar klasifikasi x 100 %
Jumlah seluruh data latih
Lingkungan pengembangan
Spesifikasi perangkat keras dan lunak yang
digunakan dalam penelitian ini adalah sebagai
berikut:
Prosesor Intel Pentium dual-core 2.00 GHz.
RAM 1.96 GB.
Harddisk 360 GB.
Windows XP Profesional.
Matlab 7.7.0.
HASIL DAN PEMBAHASAN
Penelitian ini mengimplementasikan
transformasi wavelet Haar 2 level. Citra yang
digunakan dalam penelitian ini adalah citra
motif dengan 50 kelas. Tiap-tiap kelas
memiliki 13 (tiga belas) citra motif yang
didapat dari tahap praproses, dengan dimensi
citra 512 x 512 pixel dan format JPEG.
Praproses
Dari hasil variasi data, didapat 650 citra.
Satu kelas citra motif terdiri atas13 citra motif,
yakni: O, R90, R180, Z, RZ, RZ180, C, C1,
C2, C3, B10, B15, dan B20. Ilustrasi variasi
citra motif dapat dilihat pada Gambar 9.
Gambar 9 Praproses citra motif
Ekstrasi Ciri Wavelet
Hasil dari ekstrasi ciri untuk seluruh citra
yang ada di dalam data latih adalah sebuah
matriks yang berukuran 16384 x 450, karena
terdapat 450 buah citra di data latih (O, R90, Z,
ZR180, C1, C2, C3, B10, B20). Sedangkan
dalam data uji terdapat 49152 x 200 (C, ZR,
B15, R180), karena terdapat 200 buah citra di
7
data latih. Setiap citra direpresentasikan oleh
sebuah vektor yang memiliki elemen 16,384 x
1. Contoh ekstrasi ciri wavelet Haar level 2
dapat dilihat pada Gambar 10.
Gambar 10 Ekstrasi ciri wavelet level 2
Identifikasi Citra Motif
Penelitian ini dilakukan dengan empat data
yaitu, data uji Cropping (C), Brightness 15
point (B15) dan Rotate 1800 (R180), data uji
Perbesar 200% + Rotate 900 (ZR). Dalam setiap
percobaan perbandingan dibagi dengan 70%
sebagai kelas data latih, dan 30% sebagai kelas
data uji. Data uji dan data latih didekomposisi
dengan wavelet Haar level 2. Pengujian
dilakukan dengan klasifikasi PNN.
Hasil Pengujian Data Uji Cropping (C)
dengan klasifikasi PNN
Metode klasifikasi yang digunakan adalah
PNN. Citra uji Cropping (C) yang telah
diekstrasi ciri dipergunakan sebagai basis data
pelatihan. Hasil pengujian citra dengan eksrasi
ciri wavelet Haar dan klasifikasi PNN dapat
dilihat pada Tabel 1.
Tabel 1 Hasil pengujian data uji cropping
Kelas target Kelas output Akurasi
(0/1)
1 20 0
2 21 0
3 20 0
4 31 0
5 21 0
6 6 1
7 7 1
8 8 1
9 9 1
10 10 1
11 11 1
12 12 1
13 43 0
14 43 0
Lanjutan
Kelas target Kelas output
Akurasi
(0/1)
15 15 1
16 16 1
17 17 1
18 18 1
19 19 1
20 20 1
21 21 1
22 31 0
23 20 0
24 24 1
25 25 1
26 26 1
27 27 1
28 28 1
29 29 1
30 30 1
31 31 1
32 32 1
33 33 1
34 34 1
35 35 1
36 36 1
37 37 1
38 38 1
39 39 1
40 40 1
41 31 0
42 42 1
43 43 1
44 44 1
45 45 1
46 46 1
47 47 1
48 48 1
49 49 1
50 50 1
Akurasi rata-rata 80
Berdasarkan tabel tersebut maka dapat
dilihat bahwa sistem mampu mengidentifikasi
40 citra motif dari 50 citra. Dengan spread 500
pada PNN akurasi yang didapat 80%. Dapat
disimpulkan dengan motif yang di-cropping
sistem mampu mengindentifikasi citra dengan
baik.
Hasil Pengujian Data Uji Rotate 1800 (R180)
dengan Klasifikasi PNN
Metode klasifikasi yang digunakan
adalah PNN. Citra latih diputar 1800 (R180)
8
yang telah diekstrasi ciri digunakan sebagai
basis data pelatihan. Hasil pengujian citra
dengan eksrasi ciri wavelet Haar dan klasifikasi
PNN dapat dilihat pada Tabel 2.
Tabel 2 Hasil pengujian data uji R180
Kelas target Kelas
output
Akurasi
(0/1)
1 6 0
2 2 1
3 3 1
4 4 1
5 5 1
6 6 1
7 21 0
8 8 1
9 21 0
10 21 0
11 11 1
12 20 0
13 13 1
14 14 1
15 21 0
16 31 0
17 17 1
18 6 0
19 21 0
20 39 0
21 21 1
22 22 1
23 23 1
24 43 0
25 25 1
26 26 1
27 20 0
28 39 0
29 29 1
30 30 1
31 31 1
32 32 1
33 33 1
34 34 1
35 35 1
36 36 1
37 37 1
38 38 1
39 39 1
40 40 1
41 41 1
42 11 0
43 43 1
44 43 0
Lanjutan
Kelas target Kelas
output
Akurasi
(0/1)
45 21 0
46 17 0
47 34 0
48 39 0
49 49 1
50 31 0
Akurasi 60
Berdasarkan tabel tersebut, dapat dilihat
bahwa sistem mampu mengidentifikasi dengan
baik 30 (tiga puluh) citra motif dari 50 (lima
puluh) citra yang ada. Dengan spread 500 pada
PNN akurasi yang didapat 60 %. Dengan kasus
ini, dapat disimpulkan sistem mampu
mengidentifikasi citra yang posisinya diputar
dengan sudut 1800dengan cukup baik.
Hasil Pengujian Data Uji Brightness 15 Poin
(B15) dengan Klasifikasi PNN
Metode klasifikasi yang digunakan
adalah PNN. Citra uji diberikan penambahan
intensitas keterangan (Brightness) 15 (lima
belas) poin (B15) yang telah diekstraksi ciri
dipergunakan sebagai basis data pengujian.
Hasil pengujian citra dengan ekstraksi ciri
wavelet Haar dan klasifikasi PNN dapat dilihat
pada Tabel 3.
Tabel 3 Hasil pengujian data uji B15
Kelas target Kelas output Akurasi
(0/1)
1 1 1
2 2 1
3 3 1
4 4 1
5 5 1
6 6 1
7 7 1
8 8 1
9 9 1
10 10 1
11 11 1
12 12 1
13 13 1
14 14 1
15 15 1
16 16 1
17 17 1
18 18 1
19 19 1
9
Lanjutan
Kelas target Kelas output Akurasi
(0/1)
20 20 1
21 21 1
22 22 1
23 23 1
24 24 1
25 25 1
26 26 1
27 27 1
28 28 1
29 29 1
30 30 1
31 31 1
32 32 1
33 33 1
34 34 1
35 35 1
36 36 1
37 37 1
38 38 1
39 39 1
40 40 1
41 41 1
42 42 1
43 43 1
44 44 1
45 45 1
46 46 1
47 47 1
48 48 1
49 49 1
50 50 1
Akurasi rata-rata 100
Berdasarkan tabel tersebut, dapat dilihat
bahwa sistem mampu mengidentifikasi dengan
baik 50 (lima puluh) citra motif dari 50 (lima
puluh) citra yang ada. Dengan spread 500 pada
PNN akurasi yang didapat 100 %. Dengan
kasus uji ini, dapat disimpulkan bahwa
perubahan brightness pada data uji tidak
mempengaruhi hasil akurasi yang didapat.
Sistem mampu mengidentifikasi data uji
dengan sangat baik.
Hasil Pengujian Data Uji Perbesar 200% +
Rotate 900 (ZR) dengan Klasifikasi PNN
Metode klasifikasi yang digunakan
adalah PNN. Citra uji Perbesar 200% + Rotate
900 (ZR) yang telah diekstraksi ciri
dipergunakan sebagai basis data pelatihan.
Hasil pengujian citra latih ZR dapat dilihat di
Tabel 4.
Tabel 4 Hasil pengujian ZR
Kelas target Kelas output Akurasi
(0/1)
1 1 1
2 3 0
3 3 1
4 4 1
5 4 0
6 21 0
7 43 0
8 23 0
9 21 0
10 21 0
11 42 0
12 31 0
13 43 0
14 21 0
15 31 0
16 43 0
17 11 0
18 39 0
19 31 0
20 21 0
21 21 1
22 21 0
23 23 1
24 21 0
25 43 0
26 6 0
27 6 0
28 20 0
29 20 0
30 37 0
31 31 1
32 31 0
33 39 0
34 31 0
35 14 0
36 31 0
37 21 0
38 31 0
39 20 0
40 21 0
41 41 1
42 42 1
43 43 1
44 42 0
45 21 0
10
Lanjutan
Kelas target Kelas output Akurasi
(0/1)
46 11 0
47 47 1
48 20 0
49 21 0
50 21 0
Akurasi rata-rata 20
Pada tabel tersebut terlihat penurunan
akurasi dibandingkan dengan percobaan kasus
sebelumnya. Sistem hanya mampu
mengidentifikasi 10 (sepuluh) citra motif
sehingga akurasi yang didapat dengan nilai
spread 750 (tujuh ratus lima puluh) pada PNN
adalah 20%. Dari kasus pengujian ini, dapat
disimpulkan perubahan sebaran warna karena
variasi citra dapat menurunkan akurasi
pengujian. Sistem tidak mampu
mengidentifikasi citra uji dengan baik.
Perbandingan Akurasi Keempat Jenis Data
Uji
Dari keempat jenis data latih yaitu data
Uji C, R180, B15 dan ZR, akurasi terbaik
didapat pada data latih B15, yakni mencapai
100 %. 50 (lima puluh) citra mampu dikenali
oleh sistem tepat pada kelas yang sama.
Berturut-turut C dan R180, dengan nilai akurasi
masing-masing 80 % dan 60 %. Contoh hasil
identifikasi data Uji C dan R180 bisa dilihat
pada Gambar 11 dan Gambar 12.
Gambar 11 Contoh hasil identifikasi kasus
pengujian C
Gambar 12 Contoh Hasil Identifikasi Kasus
Pengujian R180
Akurasi terendah didapat pada kasus
pengujian ZR. Sistem hanya mampu
mengindentifikasi 10 (Sepuluh) citra motif
dengan akurasi 20 %. Contoh hasil identifikasi
ZR bisa dilihat pada Gambar 13 berikut.
Gambar 13 Contoh hasil identifikasi kasus
pengujian ZR.
Bagan perbandingan keempat jenis
pengujian dapat dilihat pada gambar 14.
Gambar 14 Hasil pengujian data uji
0
10
20
30
40
50
60
70
80
90
100
C ZR B15 R180
Aku
rasi
(%
)
Jenis data uji
11
Penggunaan wavelet untuk
mengidentifikasi motif dengan kasus uji yang
telah dilakukan, mengakibatkan akurasi
terendah yang didapat 20 % saja. Ada
beberapa hal yang perlu diperhatikan dalam
menggunakan metode ini. Seperti pada kasus
uji ZR, citra divariasikan dengan membesarkan
gambar dan merotasikannya. Sistem tidak
mampu mengidentifikasi dengan baik,
diakibatkan sistem menganggap perubahan
bentuk yang sangat signifikan dari data latih
yang ada.
Perbandingan Akurasi Pengenalan Kelas
Citra Motif
Dalam kasus pengujian, ada 3 (tiga)
kelas motif yang teridentifikasi sangat baik
antara lain kelas: 21, 31 dan 43, kelas-kelas ini
teridentifikasi 100 % benar, yakni dengan
empat kasus pengujian emua citra
teridentifikasi pada kelas yang diharapkan.
Gambar 15 menunjukkan citra motif yang
teridentifikasi 100% benar.
Gambar 15 Motif yang teridentifikasi 100%.
Berikut kelas-kelas yang teridentifikasi
75 % (3 kasus pengujian benar) antara lain: 3,
4, 6, 8, 11, 17, 23, 25, 26, 29, 30, 32, 33, 34,
35, 36, 37, 38, 39, 40, 41, 42, 47, 49 (Lampiran
4). Kelas yang 50 % benar klasifikasi (2 kasus
pengujian benar) antara lain: 1, 2, 5, 7, 9, 10,
12, 13, 14, 15, 16, 18, 19, 20, 22, 24, 27, 28,
44, 45, 46, 48 dan 50 (Lampiran 5).
Keseluruhan pengujian didapat akurasi 65%.
Bagan hasil penelitian ini dapat dilihat pada
Gambar 16.
Gambar 16 Perbandingan akurasi setiap kelas.
Analisis Pengaruh Data Motif terhadap
Hasil Identifikasi
Arah dan bentuk garis dalam sebuah
motif mengubah hasil identifikasi. Ini terlihat
dalam contoh kelas 15 dan 24, jika dilihat
dengan kasat mata mudah untuk menentukan
hasil uji masuk ke kelas yang dimaksud, tetapi
sistem tidak mampu mengidentifikasinya.
Kelas 15 dan 24 bisa dilihat pada Gambar 17.
Gambar 17 Citra Motif Kelas 15 dan 24
0
10
20
30
40
50
60
70
80
90
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
aku
rasi
(%
)
Kelas
12
Dalam kasus uji ZR, pembesaran
sekaligus mengubah arah kontur citra akan
membuat hasil ekstrasi ciri wavelet tidak
mendapatkan komposisi yang baik sehingga
akurasi yang didapat sangatlah kecil membuat
metode ini kurang akurat dalam membaca
sebaran warna.
Namun, dalam kasus R180 wavelet
mampu memberikan akurasi yang cukup baik.
Perlu dipertimbangkan, jika sudut atau arah
citra diubah, sistem masih mampu
mengidentifikasi dengan cukup baik.
Pada kasus uji C, pemotongan beberapa
bagian dari citra ternyata masih mampu
diidentifikasi oleh sistem. Beberapa ciri yang
dibawa ketika proses ekstrasi ternyata masih
dapat diklasifikasi dengan baik oleh sistem.
Perubahan kecerahan citra dalam hal ini
kasus uji B15 sama sekali tidak mempengaruhi
keakuratan. Jadi perubahan kecerahan citra
sangat ditorelir oleh sistem. Metode ini mampu
mengidentifikasi dengan baik citra yang
mengalami perubahan itensitas cahaya dengan
sangat baik.
Perbandingan Akurasi untuk Wavelet Haar
Level 2 dan Level 3
Dalam membandingkan akurasi untuk level
yang berbeda dari sistem ini, penulis
melakukan proses yang sama, namun dengan
mengektrasi semua citra uji dan latih dalam 3
level. Hasil akurasi yang didapat tidak terlalu
signifikan perbedaannya dengan wavelet Haar
level 2. Contoh ekstrasi ciri wavelet Haar level
3 dapat dilihat pada Gambar 18.
Gambar 18 Ekstraksi ciri wavelet level 3
Hasil uji untuk 4 (empat) kasus uji C, ZR,
B15, dan R180 didapat akurasi 64%.
Perbandingan hasil akurasi dapat dilihat pada
Gambar 19.
Gambar 19 Perbandingan akurasi wavelet level
2 dan 3.
KESIMPULAN DAN SARAN
Kesimpulan
Dari hasil pengujian sistem, dengan 4
(empat) kasus uji coba, identifikasi citra motif
menggunakan wavelet dengan klasifikasi
probabilistic neural network akurasi yang
didapat adalah 65 % untuk wavelet Haar level 2
dan 64% untuk wavelet haar level 3.
Namun ada beberapa kelemahan dalam
perhitungan akurasi, yakni ketika citra motif
mengalami pembesaran dan sekaligus diputar
dengan sudut 900 akurasi yang didapat tidak
begitu baik hanya 20 %. Hal ini disebabkan
vektor ciri dari kelas ZR ini sangat jauh dari
semua vektor ciri data latih, sehingga sistem
kurang mampu mengidentifikasi kelas dengan
kasus ini.
Hasil penelitian menunjukkan bahwa motif-
motif yang berwarna sederhana dan cenderung
dengan corak yang berulang mudah untuk
diidentifikasi dan mendapatkan akurasi yang
cukup tinggi.
Saran
Untuk penelitian selanjutnya, bisa
dikembangkan untuk hal-hal:
1 Memanfaatkan fitur lain dari citra motif,
seperti sebaran warna.
2 Basis wavelet yang digunakan pada
penelitian hanya wavelet Haar.
Pengembangan selanjutnya dapat
dilakukan perbandingan dengan basis
80
20
100
60
78
18
100
60
0
10
20
30
40
50
60
70
80
90
100
C ZR B15 R180
Level 2 Level 3
13
wavelet yang lain seperti Coiflets,
Symlets, Bioortogona, dan Daubechies.
3 Perlu dilakukan penelitian untuk
perbandingan hasil klasifikasi dengan
menggunakan metode klasifikasi yang
lain.
DAFTAR PUSTAKA
Albanis, Batchelor. 2000. Using probabilistic
neural network and rule induction
techniques to predict long-term bond
ratings.
http://staff.city.ac.uk/r.a.batchelor/Bondr
aft.pdf [17 Sep 2010].
Cahyaningtias T. 2007. Pengenalan wajah
dengan praproses transformasi wavelet
[Skripsi]. Bogor: Fakultas Matematika
dan Ilmu Pengetahuan Alam, Institut
Pertanian Bogor
Darma P. 2010. Pengenalan Citra Digital.
Yogyakarta: Andi Offset.
Fauset L. 1994. Fundamental of Neural
Networks. New Jersey: Prentice-Hall.
Gusadha AD. 2011. Identifikasi tanaman
aglonema dengan klasifikasi
probabilistik neural networks [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Gonzales Wood. 1993. Digital Image
Processing. Wangshinton: Addison-
Wesley.
Isa SM, Juwita E. 2007. Aplikasi image
retrieval berdasarkan tekstur dengan
menggunakan transformasi Haar wavelet.
Prosiding Seminar Nasional Sistem dan
Informatika SNSI 06-039. Bali.
Jones C.L, Lonergan G.T., Mainwaring D.E..
1999. Wavelet Packet Computation of
the Hurst Exponent. Swinburne
University of Technology. Melbourne.
[Kemenkumham] Kementerian Hukum dan
Hak Asasi Manusia. 2010. Sekilas
tentang HKI http://dgip.go.id/ebscript/
publicportal.cgi?.ucid=376&ctid=4&typ
e=0&id=139 [5 Juni 2010].
[Oxford] Oxford Dictionaries. 2012.
http://oxforddictionaries.com/definition/
english/motif?q=motif [7 Nov 2012].
Putra ID. 2009. Identifikasi Tanda Tangan
Menggunakan Probabilistic Neural
Networks (PNN) dengan Praproses
Menggunakan Transformasi Wavelet
[skripsi]. Bogor: Fakultas Matematika
dan Ilmu Pengetahuan Alam, Institut
Pertanian Bogor.
Rivai H. 2005. Pengenalan ciri-ciri tekstur
kecacatan kain sutera dengan
menggunakan metode gaussian markov
random field dengan klasifikasi SOM
kohonen [skripsi]. Surabaya: Intitut
Teknologi Sepuluh November.
14
LAMPIRAN
15
Lampiran 1 Kelas Data Latih Motif
Kls
Data Latih
Orisinal rotate 90 perbesar 200 % perbesar 200
%+270 Brightnes (10point) Brightnes (20point) Cropping 1
1
2
3
16
4
5
6
7
Lampiran 1 Lanjutan
17
8
9
10
11
Lampiran 1 Lanjutan
18
12
13
14
15
Lampiran 1 Lanjutan
19
16
17
18
19
Lampiran 1 Lanjutan
20
20
21
22
23
Lampiran 1 Lanjutan
21
24
25
26
27
Lampiran 1 Lanjutan
22
28
29
30
31
Lampiran 1 Lanjutan
23
32
33
34
35
Lampiran 1 Lanjutan
24
36
37
38
39
Lampiran 1 Lanjutan
25
40
41
42
43
Lampiran 1 Lanjutan
26
44
45
46
47
Lampiran 1 Lanjutan
27
48
49
50
Lampiran 1 Lanjutan
28
Lampiran 2 Kelas Data Uji Motif
Kls Cropping Perbesar 200 % +
Rotate 900
Brightness 15 point Rotate 1800
1
2
3
4
5
6
29
7
8
9
10
11
12
Lampiran 2 Lanjutan
30
13
14
15
16
17
18
Lampiran 2 Lanjutan
31
19
20
21
22
23
24
Lampiran 2 Lanjutan
32
25
26
27
28
29
30
Lampiran 2 Lanjutan
33
31
32
33
34
35
36
Lampiran 2 Lanjutan
34
37
38
39
40
41
42
Lampiran 2 Lanjutan
35
43
44
45
46
47
48
Lampiran 2 Lanjutan
36
49
50
Lampiran 2 Lanjutan
37
Lampiran 3 Hasil Pengujian Citra Motif Akurasi 100 %
21
31
43
Lampiran 4 Hasil Pengujian Citra Motif Akurasi 75 %
3
4
6
8
11
17
23
25
26
29
30
32
38
33
34
35
36
37
38
39
40
41
42
47
49
Lampiran 4 Lanjutan
39
Lampiran 5 Hasil Pengujian Citra Motif Akurasi 50 %
1
2
5
7
9
10
12
13
14
15
16
18
19
20
22
24
27
28
40
44
45
46
48
50
Lampiran 5 Lanjutan
41
Lampiran 6 Pemodelan pengujian identifikasi motif dengan sistem