penyusun tugas akhir dosen pembimbing diana purwitasari, s...

Penyusun Tugas Akhir

Alvian Adi Pratama [5106100108]

Dosen Pembimbing

Diana Purwitasari, S.Kom, M.Sc.

Dr. Eng. Nanik Suciati, S.Kom., M.Kom.

Latar Belakang Batik merupakan harta kebudayaan Indonesia yang telah

diakui UNESCO dan perlu dilindungi.

Perhatian serius terhadap batik perlu dilakukan untuk mencegah hilangnya batik sebagai warisan budaya karena kurangnya informasi dan dokumentasi yang baik.

Perlu dilakukan pengelompokkan data untuk batik yang mempunyai lebih dari satu motif.

Penggunaan Grey Level Cooccurence Matrix (GLCM), Discrete Wavelet Transform (DWT), dan Rotated Wavelet Filter (RWF) mempunyai akurasi lebih baik dalam pengenalan tekstur dibandingkan dengan metode yang banyak digunakan sebelumnya (Hazra, D. 2011).

Rumusan Masalah Bagaimana mengekstraksi fitur suatu citra

menggunakan GLCM, DWT, dan RWF.

Bagaimana penerapan Fuzzy C-Means untuk klasifikasi citra batik.

Batasan Masalah Data yang digunakan adalah batik Indonesia yang

berasal dari Pulau Jawa dengan motif parang, semen, ceplok, lereng, lung-lungan, dan buketan.

Output dari aplikasi ini adalah tingkat kemiripan suatu citra dengan motif-motif di atas.

Implementasi aplikasi dilakukan menggunakan bahasa Java dengan bantuan program Netbeans 7.1

Tujuan dan Manfaat Tugas akhir ini bertujuan untuk membuat suatu

aplikasi yang mampu mengenali citra batik yang memiliki lebih dari satu motif.

Sistem ini diharapkan mampu membantu pendataan batik multi-label di Indonesia dan mempermudah penyebaran informasinya.

Diagram Alir Sistem Proses Pengklasteran

Pengenalan Data Baru

Informasi Pusat Kelas

Citra Batik Training

Preproses(Greyscaling)

PengklasteranPembuatan Vektor Fitur

Database Fitur pusat Cluster

Ekstraksi Fitur GLCM, DWT dan RWF

Citra Masukan Testing

Ekstraksi Fitur GLCM, DWT dan RWF

Hitung JarakNilai

keanggotaan semua klaster

Preproses(Greyscaling)

Tampilan Amplikasi

Preproses Dalam tahap ini dilakukan proses greyscaling, yaitu

proses pengubahan pixel berwarna menjadi skala abu-abu (greyscale).

Proses greyscaling dilakukan berdasarkan persamaan 𝑔𝑟𝑒𝑦 = 0.299 ∗ 𝑟𝑒𝑑 + 0.587 ∗ 𝑔𝑟𝑒𝑒𝑛 + 0.114 ∗ 𝑏𝑙𝑢𝑒

Ekstraksi Fitur Fitur yang diambil dari setiap citra adalah

1. Homogenitas dari GLCM

2. Energi dari hasil transformasi DWT

3. Energi dari hasil transformasi RWF

Grey Level Coocurrence Matrix Anggota GLCM dengan alamat (i,j) dihitung berdasarkan berapa sering suatu

pixel dengan grey-level i muncul di horisontal, vertikal, atau diagonal berpasangan dengan pixel dengan grey-level j.

Contoh GLCM untuk arah horisontal ke kanan (θ = 0o)

Nilai Homogenitas dari GLCM dihitung berdasarkan persamaan

𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑖𝑡𝑎𝑠 = 𝐺𝐿𝐶𝑀 𝑖, 𝑗

1 + 𝑖 − 𝑗𝑖,𝑗

Setiap citra diambil fitur homogenitasnya dari GLCM untuk empat arah yaitu horisontal ke kanan (θ = 0o), diagonal ke kanan bawah (θ = 45o), vertikal ke bawah (θ = 90o), dan diagonal ke kiri bawah (θ = 135o).

Discrete Wavelet Transform Discrete Wavelet Transform (DWT) adalah transformasi

wavelet dimana data inputnya berupa nilai diskrit (non-kontinyu).

Untuk kasus sinyal pada ruang 2-D biasanya dilakukan dengan menerapkan struktur bank filter secara terpisah terhadap sinyal citra. Digunakan Low-Pass Filter atau LPF (L) dan High-Pass Filter atau HPF (H).

Dua filter diatas dikombinasikan untuk membuat 4 buah filter yang digunakan untuk proses dekomposisi citra sebagai berikut.

1. 𝐻𝐿𝐿 = 𝐿𝑇𝐻 menghasilkan Image Approximation (Ill)

2. 𝐻𝐿𝐻 = 𝐿𝑇𝐻 menghasilkan Image Horizontal Detail (Ilh)

3. 𝐻𝐻𝐿 = 𝐻𝑇𝐿 menghasilkan Image Vertical Detail (Ihl)

4. 𝐻𝐻𝐻 = 𝐻𝑇𝐻 menghasilkan Image Diagonal Detail (Ihh)

Discrete Wavelet Transform Proses dekomposisi suatu citra bisa di gambarkan

sebagai berikut

Citra

Hll

Hhl

Hlh

Hhh

↓2x2

↓2x2

↓2x2

↓2x2

Ill1

Ilh1

Ihl1

Ihh1

Hll

Hhl

Hlh

Hhh

↓2x2

↓2x2

↓2x2

↓2x2

Ill2

Ilh2

Ihl2

Ihh2

Citra Citra yang akan di proses

HllProses konvolusi citra dengan filter Hll

↓2x2Downsampling (Pengambilan nilai matrix berindeks genap)

Rotated Wavelet Filter Rotated Wavelet Filter (RWF) adalah filter transformasi yang dibuat

dari rotasi filter-filter DWT. Dalam tugas akhir ini filter DWT dirotasi sebesar 450.

Proses dekomposisi citra dengan menggunakan RWF langkah-langkahnya sama seperti DWT, yang membedakan adalah filter-filternya saja.

Citra

HRll

HRhl

HRlh

↓2x2

↓2x2

↓2x2

2-D Downsampling

Ill1

Ilh1

Ihl1

HRll

HRhl

HRlh

↓2x2

↓2x2

↓2x2

2-D Downsampling

Ill2

Ilh2

Ihl2

Citra Citra yang akan di proses

HRllProses konvolusi citra dengan filter HRll

↓2x2Downsampling (Pengambilan nilai matrix berindeks genap)

Fitur Energi dari DWT dan RWF Nilai energi setiap subbidang hasil dekomposisi DWT

dan RWF dihitung berdasarkan persamaan

𝐸𝑛𝑒𝑟𝑔𝑖 = 1

𝑀𝑥𝑁 𝑋𝑖𝑗

𝑁

𝑗=1

𝑀

𝑖=1

Dekomposisi dilakukan sebanyak 5 level. Untuk DWT setiap subbidang diambil energinya, sedangkan untuk RWF hanya bidang LH dan HL saja karena hanya dua subband ini yang mengandung informasi diagonal yang dibutuhkan.

Fuzzy C-Means Fuzzy C-Means (FCM) adalah salah satu metode yang

digunakan dalam proses pengelompokan data (Data Clustering).

Data clustering adalah proses membagi elemen-elemen data ke klaster-klaster sehingga elemen-elemen di klaster yang sama menjadi semirip mungkin, sedangkan elemen di klaster yang berbeda menjadi setidak mirip mungkin.

Algoritma FCM digunakan karena dengan FCM sebuah data mempunyai nilai keanggotaan ke semua klaster.

Fuzzy C-Means Algoritma FCM adalah sebagai berikut

1. Tentukan nilai keanggotaan suatu data dengan semua klaster secara random

2. Ulangi langkah-langkah berikut ini sampai terjadi konvergensi nilai keanggotaan

a) Hitung pusat dari masing-masing klaster

b) Hitung keanggotaan setiap data untuk masing-masing klaster

Fuzzy C-Means Pusat klaster cj dengan parameter fuzziness m

dihitung berdasarkan persamaan

𝑐𝑗 = 𝜇𝑖𝑗

𝑚 ∙ 𝑥𝑖𝑛𝑖=1

𝜇𝑖𝑗𝑚𝑛𝑖=1

Sedangkan nilai keanggotaan data ke-i xi dengan klaster ke-j µij menggunakan persamaan

𝜇𝑖𝑗 =1

𝑑𝑖𝑘𝑑𝑖𝑗

2(𝑚−1)

𝑐𝑘=1

Penghitungan Jarak Untuk jarak antara dua vektor x dan y dengan jumlah

anggota p dihitung menggunakan Canberra Distance

𝑑𝑥𝑦 = 𝑥𝑎 − 𝑦𝑎𝑥𝑎 + 𝑦𝑎

𝑝

𝑎=1

Persamaan ini digunakan karena nilai-nilai dalam satu vektor fitur mempunyai skala yang berbeda-beda sehingga diperlukan normalisasi yang sudah diperhitungkan dalam Canberra Distance .

FCM Modifikasi FCM biasa mempunyai kelemahan yang disebabkan

oleh tiap data masih dipengaruhi klaster yang jaraknya jauh.

Yang membedakan dengan FCM biasa adalah persamaan keanggotaan untuk FCM modifikasi menggunakan sebagai berikut.

𝜇𝑖𝑗 = 𝑛

2∗

1𝑑𝑖𝑗

1𝑚−1

1𝑑𝑖𝑘

1𝑚−1𝑐

𝑘=1

Uji Coba Proses uji coba ini adalah setelah proses clustering selesai,

dilakukan penentuan kelas secara manual berdasarkan banyaknya anggota kelompok data yang diketahui sebelumnya paling banyak ikut kelas tersebut.

Setelah kelas-kelas tersebut ditentukan, baru dilakukan proses testing data baru.

Pengukuran kinerja dari aplikasi ini menerapkan beberapa skenario uji coba sebagai berikut: Uji coba variabel fuzziness (m). Uji coba penggunaan FCM. Uji coba penggunaan fitur DWT saja, DWT & RWF, serta

DWT, RWF, & GLCM. Uji coba untuk pengenalan multi-label

Hasil Uji Coba (1) Untuk m = 1.1

Untuk m = 1.5

Untuk m = 2

Parang Ceplok Lereng Semen Lung-Lungan Buketan Total

B 0 17 1 1 2 1 22

S 6 2 2 2 19 5 36

% 0 89.47 33.33 33.33 9.52 16.66 37.93


B 2 17 0 1 9 2 31

S 4 2 3 2 12 4 27

% 33.33 89.47 0.00 33.33 42.86 33.33 53.45


B 0 18 2 2 4 1 27

S 6 1 1 1 17 5 31

% 0.00 94.74 66.67 66.67 19.05 16.67 46.55

Hasil Uji Coba (2) Penggunaan FCM yang dimodifikasi

FCM Normal


B 1 18 2 2 4 1 28

S 5 1 1 1 17 5 30

% 16.67 94.74 66.67 66.67 19.05 16.67 48.28


B 0 18 2 2 4 1 27

S 6 1 1 1 17 5 31

% 0.00 94.74 66.67 66.67 19.05 16.67 46.55

Hasil Uji Coba (3) Penggunaan fitur DWT, RWF, dan GLCM

Penggunaan fitur DWT dan RWF

Penggunaan fitur DWT saja


B 1 18 0 2 4 1 26

S 5 1 3 1 17 5 32

% 16.67 94.74 0.00 66.67 19.05 16.67 44.83


B 2 13 0 1 4 1 21

S 4 6 3 2 17 5 37

% 33.33 68.42 0.00 33.33 19.05 16.67 36.21


B 0 18 2 2 4 1 27

S 6 1 1 1 17 5 31

% 0.00 94.74 66.67 66.67 19.05 16.67 46.55

Uji Coba untuk multi-label Pada percobaan ini digunakan data hasil clustering

dengan fuzziness 1.5 yang merupakan nilai akurasi terbesar.

Percobaan hanya dilakukan berdasarkan pengamatan visual saja, sehingga ada kemungkinan hasilnya tidak objektif.

Hanya contoh 4 buah data dari dataset testing yang ditunjukkan.

Hasil Uji Coba multi-label (1) Dari citra

Diperoleh labelnya adalah Lereng, Ceplok, dan Buketan. Lereng : 0.32000891

Ceplok: 0.29608577

Buketan: 0.16174722

Lung-Lungan: 0.09470890

Parang : 0.07750342

Semen : 0.04994576


Diperoleh labelnya adalah Lung-Lungan, Lereng, dan Buketan. Lung-Lungan : 0.23120019

Lereng : 0.19799454

Buketan : 0.1941992

Semen : 0.15778538

Parang : 0.13752886

Ceplok : 0.08129177


Diperoleh labelnya adalah Lung-Lungan, Semen, dan Buketan. Lung-Lungan : 0.67931820

Semen : 0.15153598

Buketan : 0.12998466

Parang : 0.02508306

Lereng : 0.01055163

Ceplok : 0.00352644


Diperoleh labelnya adalah Semen, Parang, dan Lung-Lungan. Semen : 0.26606910

Parang : 0.24041014

Lung-Lungan : 0.17196684

Buketan : 0.16486041

Lereng : 0.09438052

Ceplok : 0.06231296

Kesimpulan 1. Penggunaan Grey Level Co-occurance Matrix, Discrete

Wavelet Transform, dan Rotated Wavelet Filter dalam ekstraksi fitur memberikan hasil yang cukup efektif dalam mengenali suatu motif.

2. Fuzzy C-Means Clustering tidak terlalu cocok digunakan dalam mengklasifikasikan data yang terlalu tersebar seperti motif batik ini. Tetapi modifikasi dari FCM standar memberikan sedikit bantuan untuk menutupi kelemahan yang dimilikinya. Di sisi lain penggunaan FCM untuk klasifikasi multi-label cukup memuaskan.

3. Penentuan nilai fuzziness mempengaruhi hasil akurasi secara signifikan. Akurasi tertinggi didapat saat penggunaan fuzziness sebesar 1.5 dengan akursai yang di peroleh adalah 53.45%.

TERIMA KASIH

penyusun tugas akhir dosen pembimbing diana purwitasari, s...

Documents