halaman judul laporan akhir penelitian disertasi...
TRANSCRIPT
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,
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
Tabel 4.5. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough
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.
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
0.8 Lereng Golang galing-distratio2.jpg
Nitik Kapulogo-distratio2.jpg
Parang Curiga-distratio2.jpg
22
Distance
Ratio
Lereng Golang Galing Nitik Kapulogo Parang Curiga
0.9 Lereng Golang galing-distratio3.jpg
Nitik Kapulogo-distratio3.jpg
Parang Curiga-distratio3.jpg
1.0 Lereng Golang galing-distratio4.jpg
Nitik Kapulogo-distratio4.jpg
Parang Curiga-distratio4.jpg
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
3. Skenario Eksperimen SIFT tanpa voting Hough
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
Match Keypoint at Distance Ratio
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
5. Analisa Hasil Eksperimen
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
Ceplok Blibar (5) Kawung Beton (1) Kawung Beton (2)
0.7 CPK003-Blibar1-5-distratio1.jpg
KWG002-Kawung Beton1-distratio1.jpg
KWG002-Kawung Beton2-distratio1.jpg
0.8 CPK003-Blibar1-5-distratio2.jpg
KWG002-Kawung Beton1-distratio2.jpg
KWG002-Kawung Beton2-distratio2.jpg
27
Distance
Ratio
Ceplok Blibar (5) Kawung Beton (1) Kawung Beton (2)
0.9 CPK003-Blibar1-5-distratio3.jpg
KWG002-Kawung Beton1-distratio3.jpg
KWG002-Kawung Beton2-distratio3.jpg
28
4.3. Menganalisa Karakteristik Fitur SIFT terhadap Proses Pencocokan
Keypoint (Skenario 2)
1. Tujuan eksperimen ini adalah menganalisa karakteristik keypoint hasil
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.
3. Skenario Eksperimen SIFT tanpa voting Hough
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
dihasilkan pada tahap sebelumnya.
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
Match Keypoint at Distance Ratio
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
5. Analisa Hasil Eksperimen
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
Ratio Ceplok Blibar (1) Ceplok Blibar (2) Ceplok Blibar (3)
0.7 Blibar1-1-distratio1.jpg
Blibar1-2-distratio1.jpg
Blibar1-3-distratio1.jpg
0.8 Blibar1-1-distratio2.jpg
Blibar1-2-distratio2.jpg
Blibar1-3-distratio2.jpg
32
Distance
Ratio Ceplok Blibar (1) Ceplok Blibar (2) Ceplok Blibar (3)
0.9 Blibar1-1-distratio3.jpg
Blibar1-2-distratio3.jpg
Blibar1-3-distratio3.jpg
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.
b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah
dihasilkan pada tahap sebelumnya.
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
Tabel 4.4. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough
Transform (Skenario 1)
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
5. Analisa Hasil Eksperimen
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
Jumlah Komponen Jumlah Match Gambar
38
Keypoint Motif Batik Keypoint Keypoint
1.722 Blibar 5 165 6
KWG002-
Kawung
Beton
1.652 Kawung 1 72 4
Jumlah Komponen Jumlah Match Gambar
39
Keypoint Motif Batik Keypoint Keypoint
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)
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 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.
b. Proses pencocokan dilakukan untuk keypoint-keypoint yang telah
dihasilkan pada tahap sebelumnya.
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
Tabel 4.5. Hasil Eksperimen Karakteristik Keypoint Hasil Voting Hough
Transform (Skenario 2)
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
5. Analisa Hasil Eksperimen
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 Huk 2 7.218 CPK010 -
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 Huk 1 7.925 CPK010 -
Ceplok Hok
2.077 5
Ceplok Huk 2 7.218 CPK010 -
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
Jumlah match obj 2 = 11
Jumlah match obj 3 = 11
Jumlah match obj 4 = 10
Jumlah match obj 5 = 18
Jumlah match obj 6 = 17
Jumlah match obj 7 = 12
Jumlah match obj 8 = 7
Jumlah match obj 9 = 8
Jumlah match obj 10 = 7
58
Motif Batik Keypoint Visualisasi
59
CPK009-
Ceplok
Gusti Putri
Jumlah object adalah 15
Jumlah match obj 1 = 5
Jumlah match obj 2 = 13
Jumlah match obj 3 = 8
Jumlah match obj 4 = 21
Jumlah match obj 5 = 28
Jumlah match obj 6 = 11
Jumlah match obj 7 = 9
Jumlah match obj 8 = 14
Jumlah match obj 9 = 14
Jumlah match obj 10 = 10
Jumlah match obj 11 = 7
Jumlah match obj 12 = 7
Jumlah match obj 13 = 7
Jumlah match obj 14 = 4
Jumlah match obj 15 = 6
Motif Batik Keypoint
60
CPK011-
Ceplok
Jelanggrong
Jumlah object adalah 9
Jumlah match obj 1 = 9
Jumlah match obj 2 = 30
Jumlah match obj 3 = 10
Jumlah match obj 4 = 14
Jumlah match obj 5 = 7
Jumlah match obj 6 = 7
Jumlah match obj 7 = 5
Jumlah match obj 8 = 8
Jumlah match obj 9 = 11
Motif Batik Keypoint Visualisasi
61
CPK037-
Ceplok
Grompol I
Jumlah object adalah 9
Jumlah match obj 1 = 17
Jumlah match obj 2 = 11
Jumlah match obj 3 = 27
Jumlah match obj 4 = 22
Jumlah match obj 5 = 39
Jumlah match obj 6 = 11
Jumlah match obj 7 = 5
Jumlah match obj 8 = 8
Jumlah match obj 9 = 4
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
70
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
Tanggal Kegiatan Hasil Kegiatan
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
Tanggal Kegiatan Hasil Kegiatan
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,-
Tanggal Kegiatan Hasil Kegiatan
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
78
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
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