DETEKSI MOTIF BATIK MENGGUNAKAN EKSTRAKSI TEKSTUR DAN JARINGAN SYARAF TIRUAN
Abstract
motif batik menggunakan ekstraksi fitur tekstur serta
klasifikasi menggunakan jaringan syaraf tiruan
(artificial neural network).
Metode ekstraksi fitur tekstur yang digunakan adalah
Discrete Wavelet Transform (DWT), Gray Level CoOccurrence Matrix (GLCM) dan Local Binary Pattern
(LBP). Ekstraksi fitur dengan GLCM dan DWT
menghasilkan 24 fitur yang terdiri dari 5 jenis fitur
GLCM dan 4 koefisien energi dalam setiap sub-band
channel hasil dekomposisi. Sementara ekstraksi fitur
dengan LBP dilakukan dengan membentuk histogram
dari matrik hasil LBP. Fitur-fitur tersebut kemudian
menjadi masukan bagi jaringan syaraf tiruan untuk
kemudian diklasifikasi dalam 5 jenis batik: buketan,
ceplok, kawung, parang dan truntum. Dataset yang
digunakan adalah 50 gambar batik (10 untuk setiap
motif) yang diambil secara acak di internet.
Pengujian dilakukan dengan membandingkan dua
kelompok fitur: DWT-GLCM dan DWT-GLCM-LBP
untuk mengetahui metode ekstraksi fitur yang lebih baik
dalam deteksi motif batik. Metode pengujian yang
digunakan adalah K-Fold Cross Validation dengan hasil
berupa confusion matriks untuk kemudian dihitung nilai
akurasi dan F-Measure-nya. Hasil pengujian
menunjukkan bahwa penggunaan ekstraksi fitur tekstur
DWT-GLCM-LBP mampu mencapai akurasi 74%
dengan jenis dekomposisi Daubechies 4 level 3.
Kata kunci: Batik, Klasifikasi, GLCM, DWT, LBP, ANN
Full Text:
PDFReferences
"Intangible Cultural Heritage," United Nations Educational,
Scientific and Cultural Organization, [Online]. Available:
https://ich.unesco.org/en/RL/indonesian-batik-00170. [Accessed
December 2017].
H. S. Doellah, Batik: Pengaruh Zaman dan Lingkungan, Solo:
Batik Danar Hadi, 2002.
A. E. Minarno, Y. Munarko, A. Kurniawandhani, F. Bimantoro
and N. Suciati, "Texture Feature Extraction Using CoOccurancce Matices of Sub-Band Image For Batik Image
Classification," in International Conference on Information and
Communication Technology (ICoICT), Bandung, 2014.
N. Suciati, A. Kridanto, M. F. Naufal, M. Machmud and A. Y.
Wicaksono, "Fast Discrete Curvelet Transform and HSV Color
Features For Batik Image Classification," in International
Conference on Information, Communication Technology and
System (ICTS), Surabaya, 2015.
R. Azhar, D. Tuwohingide, D. Kamudi, S. and N. Suciati, "Batik
Image Classification Using SIFT Feature Extraction, Bag of
Features and Support Vector Machine," in Information Systems
International Conference, Surabaya, 2015.
E. Prakasa, "Texture Feature Extraction by Using Local Binary
Pattern," Journal of Informatics, Control Systems, and
Computers, vol. 9, no. 2, pp. 45-48, 2015.
L. F. D., Conceptual Wavelets in Digital Signal Processing,
United States of America: Space and Signals Technical
Publisher, 2009.
M. Darshana and B. Asim, "Discrete Wavelet Transform Using
MATLAB," International Journal of Compuiter Engineering
and Technology, vol. 4, no. 2, pp. 252-259, 2013.
R. Polikar, "Index to Series Of Tutorials to Wavelet Transform
By Robi Polikar," [Online]. Available:
http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html.
[Accessed 11 December 2017].
A. U, Pengolahan Citra Digital, Yogyakarta: Penerbit Graha
Ilmu, 2005.
Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data,
Bandung: Penerbit INFORMATIKA, 2017.
S. Haykin, Neural Networks - A Comprehensive Foundation,
nd ed, Delhi: Indian Branch, 1999.
E. Prasetyo, Data Mining: Konsep dan Aplikasi Menggunakan
Matlab, 1st ed,Yogyakarta: ANDI Publisher, 2012.
Refbacks
- There are currently no refbacks.