pengenalan motif kain songket pada citra...

23
PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT PANDANG MENGGUNAKAN CNN Diajukan Sebagai Syarat Untuk Menyelesaikan Pendidikan Program Strata-1 Pada Jurusan Teknik Informatika Oleh : Muhammad Husein Nashr NIM : 09021281520108 JURUSAN TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2019

Upload: others

Post on 08-Nov-2020

35 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

PENGENALAN MOTIF KAIN SONGKET PADA CITRA

KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

PANDANG MENGGUNAKAN CNN

Diajukan Sebagai Syarat Untuk Menyelesaikan

Pendidikan Program Strata-1 Pada

Jurusan Teknik Informatika

Oleh :

Muhammad Husein Nashr

NIM : 09021281520108

JURUSAN TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA

2019

Page 2: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

ii

CERTIFICATE OF APPROVAL

Page 3: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

GRADUATE CERTIFICATE OF FINAL PROJECT SEMINAR

Page 4: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

HALAMAN PERNYATAAN BEBAS PLAGIAT

Page 5: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

Motto :

1% Better Everyday

Kupersembahkan karya tulis ini kepada :

Orangtuaku

Saudara dan Keluargaku

Sahabat dan teman seperjuanganku

Fakultas Ilmu Komputer

Universitas Sriwijaya

Page 6: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

vi

ABSTRACT

Palembang Songket has a variety of pattern, so a classifier or

identification machine is needed to help ordinary people recognize these patterns.

The classifier must be able to recognize pattern with variation in spatial

transformation, noise and blur. In this research, CNN can classify songket patterns

with an accuracy of 93%. The CNN architecture used uses 2.22MB of GPU memory

on inference. Dropout provides a regularization effect, which increases accuracy in

test data and momentum with a value of 0.9 reduces training time to 2x faster. The

traditional SIFT + BoW + FCNN method can classify songket with 100% accuracy.

Reducing the number of points from 400 to 200 increases the extraction time to 2x

faster. The SIFT + BoW + FCNN method is superior than CNN in terms of accuracy

and it does not use GPU on inference. One reason for the worse CNN performance

in this study is the lack of data. The CNN’s convolution layer cannot extract

important features that can distinguish between classes, unlike the pre-trainned

CNN, its convolutional layers have been trained with large datasets, so it can

classify songket with 100% accuracy

Keyword: Songket Pattern Classification, Scale Invariant Feature Transform, Bag

of Words, Fully Connected Neural Network, Convolutional Neural

Network.

Page 7: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

vii

ABSTRAK

Songket Palembang memiliki motif yang beragam sehingga dibutuhkan

mesin pengenal yang dapat membantu orang awam mengenali motif ini. Mesin

pengenal harus mampu mengenali motif dengan variasi transformasi spatial, noise

dan blur. Dalam penelitian ini, CNN mampu mengklasifikasi motif songket dengan

akurasi 93%. Arsitektur CNN yang digunakan menggunakan 2.22 MB memori GPU

saat inference. Penggunaan Dropout memberikan efek regularisasi, yaitu

meningkatkan akurasi pada data uji dan penggunaan momentum dengan nilai 0.9

mengurangi waktu training 2x lebih cepat. Metode tradisional SIFT+BoW+FCNN

mampu mengklasifikasi songket dengan akurasi 100%. Pengurangan jumlah point

dari 400 ke 200 buah meningkatkan waktu ekstraksi 2x lebih cepat. Metode

SIFT+BoW+FCNN lebih unggul dibandingkan CNN dalam hal akurasi dan

inferencenya tidak menggunakan GPU. Salah satu penyebab lemahnya performa

CNN pada penelitian ini adalah kurangnya data. Layer konvolusi CNN pada

penelitian ini tidak dapat mengekstrak fitur penting pembeda antar kelas, tidak seperti

layer konvolusi CNN pretrain yang sudah dilatih dengan dataset yang besar sehingga

menghasilkan akurasi 100% untuk klasifikasi songket.

Kata Kunci: Songket Pattern Classification, Scale Invariant Feature Transform,

Bag of Words, Fully Connected Neural Network, Convolutional

Neural Network.

Page 8: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

viii

KATA PENGANTAR

Puji syukur kepada Allah SWT atas berkat dan rahmat-Nya sehingga

penulis dapat menyelesaikan Tugas Akhir ini dengan baik. Tugas akhir ini disusun

untuk memenuhi salah satu syarat dalam menyelesaikan pendidikan program

Strata-1 pada Fakultas Ilmu Komputer Program Studi Teknik Informatika di

Universitas Sriwijaya.

Dalam menyelesaikan Tugas Akhir ini banyak pihak yang telah

memberikan bantuan dan dukungan baik secara langsung maupun secara tidak

langsung. Penulis ingin menyampaikan rasa terima kasih kepada:

1. Orang tuaku, Muhammad Rizal dan Rahmawati, serta seluruh keluarga besarku

yang selalu mendokan serta memberikan dukungan baik moril maupun materil.

2. Bapak Jaidan Jauhari, S.Pd., M.T. selaku Dekan Fakultas Ilmu Komputer

Universitas Sriwijaya.

3. Bapak Rifkie Primartha, S.T., M.T. selaku Ketua Jurusan Teknik Informatika

4. Bapak M. Fachrurrozi, S.Si., M.T selaku dosen pembimbing I dan Bapak

Kanda Januar Miraswan, M.T selaku dosen pembimbing II, yang telah

membimbing, mengarahkan dan memberikan motivasi penulis dalam

menyelesaikan Tugas Akhir

5. Bapak Firdaus, M.Kom selaku dosen penguji I, dan Bapak M. Naufal

Rachmatullah, M.T selaku dosen penguji II yang telah memberikan masukan

dan dorongan dalam proses pengerjaan Tugas Akhir.

6. Ibu Mastura Diana Marieska, M.T selaku dosen Pembimbing Akademik yang

telah membimbing, mengarahkan dan memberika motivasi kepada penulis

dalam hal kegiatan Akademik.

7. Seluruh dosen dan staff pengajar Program Studi Teknik Informatika Fakultas

Ilmu Komputer Universitas Sriwijaya.

8. Mbak Wiwin Juliani S. SI., selaku staff administrasi Teknik Informatika

Bilingual yang telah membantu dalam hal urusan administrasi akademik.

9. Teman – teman kelas Teknik Informatika Billingual B angkatan 2015 yang

telah mewarnai hari-hari selama perkuliahan.

10. Serta pihak-pihak lainnya yang terlibat selama pelaksanaan Tugas Akhir ini

yang tidak dapat penulis sebutkan satu per satu.

Penulis menyadari dalam penyusunan Tugas Akhir ini masih terdapat

banyak kekurangan disebabkan keterbatasan pengetahuan dan pengalaman, oleh

karena itu kritik dan saran yang membangun sangat diharapkan untuk kemajuan

penelitian selanjutnya.

Akhir kata semoga Tugas Akhir ini dapat berguna dan bermanfaat bagi kita semua.

Palembang, Agustus 2019

Muhammad Husein Nashr

NIM. 09021281520108

Page 9: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

ix

DAFTAR ISI

LEMBAR PENGESAHAN TUGAS AKHIR ...... ERROR! BOOKMARK NOT

DEFINED.

TANDA LULUS UJIAN SIDANG TUGAS AKHIR .... ERROR! BOOKMARK

NOT DEFINED.

HALAMAN PERNYATAAN BEBAS PLAGIAT ............................................. IV

ABSTRACT ......................................................................................................... VI

ABSTRAK .......................................................................................................... VII

KATA PENGANTAR ....................................................................................... VIII

DAFTAR ISI ......................................................................................................... ix

DAFTAR TABEL ............................................................................................... XII

DAFTAR GAMBAR ......................................................................................... XIII

DAFTAR ALGORITMA .................................................................................. XIV

BAB I PENDAHULUAN .................................................................................... I-1

1.1. Pendahuluan ........................................................................................... I-1

1.2. Latar Belakang Masalah ......................................................................... I-1

1.3. Rumusan Masalah .................................................................................. I-4

1.4. Tujuan Penelitian .................................................................................... I-5

1.5. Manfaat Penelitian .................................................................................. I-5

1.6. Batasan Masalah ..................................................................................... I-5

1.7. Sistematika Penulisan ............................................................................. I-6

1.8. Kesimpulan ............................................................................................. I-7

BAB II KAJIAN LITERATUR ... II-ERROR! BOOKMARK NOT DEFINED.

2.1. Pendahuluan ........................................ II-Error! Bookmark not defined.

2.2. Motif Kain Songket ............................. II-Error! Bookmark not defined.

2.3. Citra ..................................................... II-Error! Bookmark not defined.

2.3.1. Citra Grayscale ............................. II-Error! Bookmark not defined.

2.4. Klasifikasi Citra & Ekstraksi Fitur ...... II-Error! Bookmark not defined.

2.5. Klasifikasi Citra Motif dengan SIFT+BoW+FNN ... II-Error! Bookmark

not defined.

2.5.1. Praproses Citra ............................. II-Error! Bookmark not defined.

2.5.2. Ekstraksi Fitur dengan SIFT ........ II-Error! Bookmark not defined.

2.5.3. Transformasi Fitur dengan BoW .. II-Error! Bookmark not defined.

2.5.4. Klasifikasi Fitur dengan FNN ...... II-Error! Bookmark not defined.

2.6. Metode Scale Invariant Feature Transform (SIFT) . II-Error! Bookmark

not defined.

Page 10: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

x

2.7. Feedforward Neural Network ............. II-Error! Bookmark not defined.

2.7.1. Momentum ................................... II-Error! Bookmark not defined.

2.8. Klasifikasi Citra dengan CNN ............. II-Error! Bookmark not defined.

2.8.1. Praproses Citra ............................. II-Error! Bookmark not defined.

2.8.2. Klasifikasi dengan CNN .............. II-Error! Bookmark not defined.

2.9. Convolutional Neural Network ........... II-Error! Bookmark not defined.

2.9.1. Module Spatial Transformer Network (STN) ... II-Error! Bookmark

not defined.

2.10. Data Augmentation .......................... II-Error! Bookmark not defined.

2.11. Bias dan Variance ............................ II-Error! Bookmark not defined.

2.12. Confusion Matrix ............................. II-Error! Bookmark not defined.

2.13. Rational Unified Process (RUP)...... II-Error! Bookmark not defined.

2.14. Penelitian Lain yang Relevan .......... II-Error! Bookmark not defined.

2.14.1. (Azhar et al., 2015) : Batik Image Classification Using SIFT

Feature Extraction, Bag of Features and Support Vector Machine .... II-Error!

Bookmark not defined.

2.14.2. (Willy et al., 2013): Evaluation of SIFT and SURF features in the

songket recognition ..................................... II-Error! Bookmark not defined.

2.14.3. (Gultom et al., 2018): Batik Classification using Deep

Convolutional Network Transfer Learning. II-Error! Bookmark not defined.

2.15. Kesimpulan ...................................... II-Error! Bookmark not defined.

BAB III METODOLOGI PENELITIAN ....... III-ERROR! BOOKMARK NOT

DEFINED.

3.1. Pendahuluan ...................................... III-Error! Bookmark not defined.

3.2. Unit Penelitian ................................... III-Error! Bookmark not defined.

3.3. Pengumpulan Data ............................ III-Error! Bookmark not defined.

3.4. Penelusuran Arsitektur ...................... III-Error! Bookmark not defined.

3.5. Alat dan Bahan untuk Kegiatan Penelitian ....... III-Error! Bookmark not

defined.

3.6. Tahapan Penelitian ............................ III-Error! Bookmark not defined.

3.6.1. Literature Review ....................... III-Error! Bookmark not defined.

3.6.2. Pengumpulan Data ..................... III-Error! Bookmark not defined.

3.6.3. Pembuatan Perangkat Lunak ...... III-Error! Bookmark not defined.

3.6.4. Melakukan Pengujian Penelitian III-Error! Bookmark not defined.

3.6.5. Melakukan Analisis Hasil Pengujian ........ III-Error! Bookmark not

defined.

3.6.6. Membuat Kesimpulan ................ III-Error! Bookmark not defined.

3.7. Metode Pengembangan Perangkat Lunak ........ III-Error! Bookmark not

defined.

3.7.1. Fase Insepsi ................................ III-Error! Bookmark not defined.

Page 11: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

xi

3.7.2. Fase Elaborasi ............................ III-Error! Bookmark not defined.

3.7.3. Fase Konstruksi .......................... III-Error! Bookmark not defined.

3.7.4. Fase Transisi .............................. III-Error! Bookmark not defined.

3.8. Manajemen Proyek Penelitian ........... III-Error! Bookmark not defined.

BAB IV PENGEMBANGAN PERANGKAT LUNAK ................... IV-ERROR!

BOOKMARK NOT DEFINED.

4.1. Pendahuluan ...................................... IV-Error! Bookmark not defined.

4.2. Fase Insepsi ....................................... IV-Error! Bookmark not defined.

4.2.1. Pemodelan Bisnis ....................... IV-Error! Bookmark not defined.

4.2.2. Kebutuhan Sistem ...................... IV-Error! Bookmark not defined.

4.3. Fase Elaborasi .................................... IV-Error! Bookmark not defined.

4.3.1. Pemodelan Bisnis ....................... IV-Error! Bookmark not defined.

4.3.2. Kebutuhan Sistem ...................... IV-Error! Bookmark not defined.

4.4. Fase Konstruksi ................................. IV-Error! Bookmark not defined.

4.4.1. Kebutuhan Sistem ...................... IV-Error! Bookmark not defined.

4.5. Fase Transisi ...................................... IV-Error! Bookmark not defined.

4.5.1. Rencana Pengujian ..................... IV-Error! Bookmark not defined.

4.6. Kesimpulan ........................................ IV-Error! Bookmark not defined.

BAB V HASIL DAN ANALISIS PENELITIAN ...... V-ERROR! BOOKMARK

NOT DEFINED.

5.1. Pendahuluan ....................................... V-Error! Bookmark not defined.

5.2. Data Hasil Percobaan ......................... V-Error! Bookmark not defined.

5.2.1. Data Hasil Pengujian Skenario Pertama .... V-Error! Bookmark not

defined.

5.3. Analisis Hasil Penelitian .................... V-Error! Bookmark not defined.

5.3.1. Analisis Hasil Pengujian Skenario PertamaV-Error! Bookmark not

defined.

5.4. Kesimpulan ......................................... V-Error! Bookmark not defined.

BAB VI KESIMPULAN DAN SARAN ........ VI-ERROR! BOOKMARK NOT

DEFINED.

6.1. Pendahuluan ...................................... VI-Error! Bookmark not defined.

6.2. Kesimpulan ........................................ VI-Error! Bookmark not defined.

6.3. Saran .................................................. VI-Error! Bookmark not defined.

DAFTAR PUSTAKA ......................................................................................... VII

Page 12: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

xii

DAFTAR TABEL

Halaman

II-1. Tabel Skala Gaussian Yang Dipakai Pada Setiap Octave .................. II-7

III-1. WBS Kegiatan Penelitian ................................................................... III-11

IV-1. Rencana Pengujian: Melakukan Proses Pengujian ............................. IV-4

IV-2. Rencana Pengujian: Melakukan Praproses Citra ............................... IV-4

IV-3. Rencana Pengujian: Melakukan Augmentasi Citra ............................ IV-4

Page 13: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

xiii

DAFTAR GAMBAR

Halaman

II-1. Contoh Citra Grayscale ...................................................................... II-3

II-2. Proses klasifikasi citra ........................................................................ II-3

II-3. Pencarian minima dan maxima ........................................................... II-8

II-4. Visualisasi Feedforward Neural Network .......................................... II-9

II-5. Operasi konvolusi pada fitur input ..................................................... II-16

II-6. Backpropagation pada layer konvolusi .............................................. II-16

II-7. Arsitektur Tiny VGGNet .................................................................... II-17

II-8. 2x2 Max Pooling ................................................................................ II-17

II-9. Arsitektur STN ................................................................................... II-18

II-10. Confusion Matrix dengan 3 kelas ....................................................... II-19

II-11. Diagram RUP ..................................................................................... II-21

III-1. Contoh citra kain songket motif cino bunga mawar .......................... III-2

III-2. Arsitektur CNN Sederhana ................................................................. III-3

III-3. Kerangka Kerja Peneitian ................................................................... III-4

III-4. Diagram Activity Training dan Inference .......................................... III-4

III-5. Ghantt Chart Penetapan Ruang Lingkup dan Unit Penelitian ............ III-13

III-6. Ghantt Chart Penetapan Dasar Teori Penelitian ................................. III-13

III-7. Ghantt Chart Penetapan Kriteria Pengujian ....................................... III-14

III-8. Ghantt Chart Pengembangan Perangkat Lunak ................................. III-14

III-9. Ghantt Chart Pengujian Penelitian ..................................................... III-14

III-10. Ghantt Chart Analisis Hasil Pengujian dan Pembuatan Kesimpulan . III-15

Page 14: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

xiv

DAFTAR ALGORITMA

Halaman

II-1. Representasi Citra dalam Matriks 3 dimensi ...................................... II-2

II-2. Konversi RGB ke grayscale ............................................................... II-3

II-3. Filter Gaussian .................................................................................... II-6

II-4. Konvolusi dengan Filter Gaussian ..................................................... II-6

II-5. Difference of Gaussian ....................................................................... II-7

II-6. Magnitude dan Orientasi keypoint ...................................................... II-8

II-7. Transformasi Linear Layer 1 .............................................................. II-10

II-8. Fungsi Nonlinear Relu Layer ............................................................. II-10

II-9. Transformasi Linear Layer 2 .............................................................. II-11

II-10. Fungsi Nonlinear Softmax Layer ....................................................... II-11

II-11. Fungsi Loss Log ................................................................................. II-11

Page 15: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

I-1

BAB I

PENDAHULUAN

1.1. Pendahuluan

Dalam bab pendahuluan ini diuraikan tentang pokok-pokok pikiran yang

melandasi rencana skripsi. Pokok-pokok pikiran dimaksud antara lain latar

belakang masalah penelitian, perumusan masalah/permasalahan penelitian, tujuan

penelitian dan manfaat penelitian.

1.2. Latar Belakang Masalah

Songket Palembang memiliki motif yang beragam, maka dibutuhkan

classifier atau mesin pengenal yang dapat membantu orang awam mengenali motif-

motif ini. Masalah yang muncul adalah citra motif tidak selalu diambil dari sudut

pandang yang sama. Classifier yang dibuat juga harus bisa menerima input citra

kamera smartphone agar bisa digunakan dimana saja dan kapan saja. Masalah yang

muncul adalah citra juga bisa mengandung noise dan blur jika diambil didalam

ruangan. Hal ini disebabkan oleh sensor kamera smartphone yang terlalu kecil.

Untuk itu diperlukan penelitian untuk mencari classifier yang robust terhadap

transformasi spatial, noise dan blur.

Mesin pengenal yang dibuat harus mampu mengenali motif walaupun

dengan sudut kamera yang berbeda, dengan noise atuapun blur. Kemampuan ini

dibutuhkan karena pengguna tidak selalu menempatkan kamera pada posisi yang

Page 16: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

I-2

sama dan juga tidak selalu mendapatkan cahaya yang cukup untuk kamera

smartphone yang kecil sehingga menghasilkan blur.

Penelitian tentang pengenalan motif kain songket pernah dilakukan oleh

Riztyan & Dariska (Riztyan & Dariska, 2013) dan Willy dkk (Willy et al., 2013).

Pada penelitian Riztyan & Dariska, pengujian pengenalan dilakukan dengan variasi

rotasi, sedangkan pada Willy dkk, pengujian dilakukan dengan noise. Walaupun

masing-masing menghasilkan akurasi yang bagus pada pengujian, yakni 90% dan

95%, tetapi constraint pengujian masih tidak cukup. Motif songket tidak selalu

diambil dari sudut pandang dan lokasi yang sama, dan secara bersamaan,

pencahayaan yang kurang untuk sensor kamera smartphone yang kecil membuat

citra menjadi blur & noisy. Oleh karena itu, penelitian untuk mencari Classifier

harus robust terhadap constraint ini masih harus dilakukan.

Penelitian ini menggunakan fitur ekstraktor Scale Invariant Feature

Transform (SIFT) dalam proses pengenalan motif kain songket. SIFT merupakan

fitur ekstraktor yang invariant terhadap variasi skala, rotasi, illuminasi dan sudut

pandang (Lowe, 2004). Fitur ekstraktor ini mampu melakukan klasifikasi citra

dengan akurasi 90% pada pengujian terhadap skala, rotasi, brightness dan noise.

(Li & Wang, 2018). Selain itu, SIFT juga digunakan pada klasifikasi motif kain

songket dengan noise (Willy et al., 2013).

Fitur ekstraktor SIFT akan dikombinasikan dengan feature transformation

Bag of Words (BoW). SIFT dan BoW ini dipakai pada penelitian mengenai

pengenalan batik dengan skala dan rotasi (Azhar et al., 2015) dan pengenalan citra

Page 17: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

I-3

dengan scaling, rotasi, brightness changes, dan noise (Li & Wang, 2018), dengan

rata-rata akurasi sekitar 90% pada skenario uji. Selain itu algoritma Feedforward

Neural Network dipakai sebagai feature classifier karena dapat mengalahkan SVM

dalam mengenali fitur SIFT+BoW (Gultom et al., 2018). Kombinasi algoritma ini

dipilih sebagai benchmark pengenalan memiliki performa di beberapa penelitian

lain dengan masalah yang sama dengan penelitian ini.

Pada penelitian ini juga dikembangkan arsitektur Convolutional Neural

Network (CNN) yang dapat mengenali kain songket dengan variasi transofrmasi

spatial, blur dan noise. Keberhasilan metode tradisional dalam menyelesaikan

masalah computer vision bergantung pada ekstraksi fitur. CNN bisa secara otomatis

belajar mengenali fitur suatu domain permasalahan spesifik, tanpa perlu membuat

fitur ekstraktor handcrafted untuk masalah tersebut (Aloysius & Geetha, 2018).

CNN menunjukkan hasil state of the art pada banyak benchmark klasifikasi yang

menantang, mendominasi metode lain dalam kompetisi klasifikasi, bahkan

mengungguli performa manusia dalam melakukan klasifikasi satu label (Rawat,

2017).

Pengenalan motif traidisional dengan CNN dilakukan oleh Yohanes dkk

pada motif batik (Gultom et al., 2018). Penelitian tersebut menggunakan model

VGG16 yang sudah di-pretrained dengan dataset ImageNet, teknik ini disebut

network based transfer learning. CNN yang digunakan mampu mengenali motif

batik dengan akurasi sebesar 89±7%. Pada pengujian rotasi dan skala CNN mampu

dikalahkan metode lain, tetapi perlu dicatat bahwa Layer convolution CNN tersebut

tidak dilatih dengan dataset motif batik dengan variasi skala dan rotasi. Di sisi lain

Page 18: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

I-4

pelatihan ulang VGG16 juga tidak menjamin performa yang bagus. Pada penelitian

Teny Handhayani dkk, arsitektur CNN dengan 3-layer Convolution & Max Pooling

mampu mengalahkan VGG16 (Handhayani et al., 2018). Untuk itu pada penelitian

ini, dikembangkan arsitektur dimulai dari CNN 3-layer.

Selain itu, CNN yang dikembangkan dilengkapi dengan modul Spatial

Transformer Network (STN). Modul yang dikembangkan oleh DeepMind pada

tahun 2015 ini dipilih karena berhasil mencapai performa state of the art dalam

masalah variasi transformasi spatial (Jaderberg et al., 2015). Selanjutnya digunakan

juga data augmentation untuk melengkapi variasi transformasi spatial, blur dan

noise pada data training. Data training yang sudah di augmentasi ini membuat CNN

robust terhadap variasi translasi (Kauderer-Abrams, 2017) dan noise (Tiago S. et

al., 2018).

Berdasarkan uraian diatas, performa SIFT+BoW+FNN dalam mengenali

motif kain songket akan dijadikan akurasi acuan (benchmark). Convolutional

Neural Network dikembangkan untuk mengenali motif kain songket dengan

variaasi transformasi spatial, blur dan noise. Arsitektur CNN dikembangkan

memiliki 3-layer convolutional dan menggunakan modul Spatial Transformer

Network (STN) untuk mengatasi variasi spatial. Data Augmentation juga

digunakan untuk meningkatkan variance CNN terhadap translasi & noise.

1.3. Rumusan Masalah

Beberapa rumusan masalah yang akan diselesaikan pada penelitian ini

berdasarkan latar belakang yang telah disebutkan adalah:

Page 19: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

I-5

a. Bagaimana performa SIFT+BoW+FNN dalam mengenali motif kain

songket dengan variasi transformasi spatial, blur dan noise?

b. Bagaimana performa CNN dengan modul STN dalam mengenali motif

kain songket dengan variasi transformasi spatial, blur dan noise?

1.4. Tujuan Penelitian

Tujuan dari penelitian pengenalan motif kain songket pada citra kamera

smartphone dengan beragam sudut pandang menggunakan CNN ini adalah:

a. Untuk mengetahui performa SIFT+BoW+FNN dalam mengenali motif

kain songket dengan variasi transformasi spatial, blur dan noise

b. Untuk mengetahui performa CNN dengan modul STN dalam mengenali

motif kain songket dengan variasi transformasi spatial, blur dan noise

1.5. Manfaat Penelitian

Manfaat penelitian ini adalah untuk mengetahui performa CNN

dibandingkan dengan metode tradisional SIFT+BoW+FNN. Selain itu, classifier

yang diteliti dapat menjadi dasar dari sebuah aplikasi yang membantu orang awam

mengenali jenis kain songket sebagai bentuk pelestarian songket, warisan budaya

non-benda.

1.6. Batasan Masalah

Batasan masalah dalam penelitian ini adalah sebagai berikut:

a. Citra yang digunakan adalah citra yang diambil secara offline

Page 20: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

I-6

b. Dalam satu citra diasumsikan hanya ada satu jenis motif saja.

c. Pengujian SIFT dilakukan dengan library silx sedangkan pengujian CNN

dilakukan dengan library PyTorch.

1.7. Sistematika Penulisan

Batasan masalah dalam penelitian ini adalah sebagai berikut:

BAB I. PENDAHULUAN

Pada bab ini diuraikan mengenai latar belakang, perumusan masalah,

tujuan dan manfaat penelitian, batasan masalah/ruang lingkup, metodologi

penelitian, dan sistematika penulisan.

BAB II. KAJIAN LITERATUR

Pada bab ini akan dibahas dasar-dasar teori yang digunakan dalam

penelitian seperti motif kain songket, citra, citra grayscale, klasifikasi citra,

klasifikasi dengan SIFT+BoW+FNN, klasifikasi dengan CNN,

Convolutional Neural Network, data augmentation, confusion matrix dan

RUP dan penelitian lain yang relevan.

BAB III. METODOLOGI PENELITIAN

Hal utama yang dibahas dalam bab ini adalah penjelasan tentang

tahap-tahap yang dipakai dalam penelitian untuk mendapatkan kebenaran.

Tahap-tahap ini mulai dari literature review, pengumpulan data, pembuatan

perangkat lunak, pengujian, eksperimentasi dan analisis hasil. Terdapat juga

pembahasan tentang manajemen proyek penelitian.

Page 21: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

I-7

BAB IV. PENGEMBANGAN PERANGKAT LUNAK

Bab ini membahas hasil implementasi metode RUP dalam

mengembangkan perangkat lunak. Pembahasan dilakukan per-fase, mulai

dari fase insepsi, mengenai bisnis model didapat. Selanjutnya fase elaborasi,

mengenai sistem requirement yang dibuat dari bisnis model dan analisis

desain. Selanjutnya fase konstruksi dimana desain diimplementasikan. Dan

terakhir fase transisi, mengenai pengujian perangkat lunak

BAB V. HASIL DAN ANALISIS PENELITIAN

Pada bab ini akan dibahas mengenai hasil pengujian metode

SIFT+BoW+FNN dan CNN dalam mengenali kain songket dengan beberapa

skenario pengujian yang telah ditentukan pada bab 3. Kemudian, terdapat

juga analisis hasil-hasil pengujian yang didapatkan.

BAB VI. KESIMPULAN DAN SARAN

Pada bab ini terdapat pembahasan tentang kesimpulan yang

didapatkan dari analisis hasil pengujian. Selain itu, terdapat juga beberapa

saran yang bisa digunakan untuk penelitian selanjutnya.

1.8. Kesimpulan

Berdasarkan uraian, pada penelitian ini akan dilakukan pengujian performa

SIFT+ SVM dan CNN dengan STN dalam mengenali motif kain songket dengan

batasan masalah yang telah ditentukan.

Page 22: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

vii

DAFTAR PUSTAKA

Aloysius, N. & Geetha, M. 2018. A review on deep convolutional neural networks.

Proceedings of the 2017 IEEE International Conference on Communication

and Signal Processing, ICCSP 2017, 2018–Janua: 588–592.

Anwar, A. 2014. A Review of RUP (Rational Unified Process). Ashraf Anwar

International Journal of Software Engineering (IJSE), (5): 8.

(https://www.cscjournals.org/manuscript/Journals/IJSE/Volume5/Issue2/IJS

E-142.pdf).

Azhar, R., Tuwohingide, D., Kamudi, D., Sarimuddin & Suciati, N. 2015. Batik

Image Classification Using SIFT Feature Extraction, Bag of Features and

Support Vector Machine. Procedia Computer Science, 72: 24–30.

(http://dx.doi.org/10.1016/j.procs.2015.12.101).

Gultom, Y., Arymurthy, A.M. & Masikome, R.J. 2018. Batik Classification using

Deep Convolutional Network Transfer Learning. Jurnal Ilmu Komputer dan

Informasi, 11(2): 59.

Hamzah, A. 2019. Wawancara Megenai Songket Palembang.

Handhayani, T., Hendryli, J. & Hiryanto, L. 2018. Comparison of shallow and deep

learning models for classification of Lasem batik patterns. Proceedings - 2017

1st International Conference on Informatics and Computational Sciences,

ICICoS 2017, 2018–Janua(March 2018): 11–16.

He, K., Zhang, X., Ren, S. & Sun, J. 2015. Delving deep into rectifiers: Surpassing

human-level performance on imagenet classification. Proceedings of the IEEE

International Conference on Computer Vision, 2015 Inter: 1026–1034.

Hernández-García, A. & König, P. 2018. Do deep nets really need weight decay

and dropout? 1–5. (http://arxiv.org/abs/1802.07042).

Ian Goodfellow, Yoshua Bengio, A.C. 2017. Deep Learning. MIT Press,

521(7553): 785.

Jaderberg, M., Simonyan, K., Zisserman, A. & Kavukcuoglu, K. 2015. Spatial

Transformer Networks. 9.

Janocha, K. & Czarnecki, W.M. 2017. On Loss Functions for Deep Neural

Networks in Classification. 1–10. (http://arxiv.org/abs/1702.05659).

Jindal, R. & Vatta, S. 2014. SIFT: Scale Invariant Feature transform (Review).

International Journal of Advance research Ideas and Innovations in

Technology, 1(1): 1–5.

(https://pdfs.semanticscholar.org/cf79/0a8e9b77b13b44f688e31b47dd6fdb35

c65f.pdf).

Kauderer-Abrams, E. 2017. Quantifying Translation-Invariance in Convolutional

Neural Networks. (http://arxiv.org/abs/1801.01450).

Kumar, G. & Bhatia, P.K. 2014. A detailed review of feature extraction in image

processing systems. International Conference on Advanced Computing and

Communication Technologies, ACCT, 5–12.

Li, Q. & Wang, X. 2018. Image Classification Based on SIFT and SVM.

Proceedings - 17th IEEE/ACIS International Conference on Computer and

Information Science, ICIS 2018, (1): 762–765.

Page 23: PENGENALAN MOTIF KAIN SONGKET PADA CITRA ...repository.unsri.ac.id/6426/1/RAMA_55201_09021281520108...PENGENALAN MOTIF KAIN SONGKET PADA CITRA KAMERA SMARTPHONE DENGAN BERAGAM SUDUT

viii

Li, S. 2017. A review of feature detection and match algorithms for localization and

mapping. IOP Conference Series: Materials Science and Engineering, 231(1).

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

International Journal of Computer Vision, 1–28.

Mishkin, D., Sergievskiy, N. & Matas, J. 2017. Systematic evaluation of

convolution neural network advances on the Imagenet. Computer Vision and

Image Understanding, 161: 11–19.

Munir, R. 2002. Pengolahan Citra Digital. Informatika, Bandung, 229–236.

Nwankpa, C., Ijomah, W., Gachagan, A. & Marshall, S. 2018. Activation

Functions: Comparison of trends in Practice and Research for Deep Learning.

1–20. (http://arxiv.org/abs/1811.03378).

Perez, L. & Wang, J. 2017. The Effectiveness of Data Augmentation in Image

Classification using Deep Learning. (http://arxiv.org/abs/1712.04621).

Rational Software 2004. Rational Unified Process Best Practices for Software.

Development, 1–21.

(http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Rational+

Unified+Process+Best+Practices+for+Software#4).

Rawat, W. 2017. Deep Convolutional Neural Networks for Image Classification :

A Comprehensive Review. 2449: 2352–2449.

Riztyan, A. & Dariska, R.B. 2013. Analisis Pengenalan Motif Songket Palembang

Menggunakan Algoritma Propagasi Balik. 1–8.

(http://eprints.mdp.ac.id/876/1/JURNAL 2009250018 ANDRA_RIZTYAN

DAN 2009250097 REZI_BERLI_DARISKA.pdf).

Sammut, C. & Webb, G.I. 2017. Encyclopedia of machine learning and data

mining. Springer Publishing Company, Incorporated.

Tiago S., N., Gabriel B., P. da C., Welinton A., C. & Moacir, P. 2018. Deep

Convolutional Neural Networks and Noisy Images. Lecture Notes in

Computer Science, 1: 416–424.

(https://link.springer.com/chapter/10.1007/978-3-319-75193-1_50).

Willy, D., Noviyanto, A. & Arymurthy, A.M. 2013. Evaluation of SIFT and SURF

features in the songket recognition. 2013 International Conference on

Advanced Computer Science and Information Systems, ICACSIS 2013, 393–

396.

Zhang, C., Bengio, S., Hardt, M., Recht, B. & Vinyals, O. 2016. Understanding

deep learning requires rethinking generalization.

(http://arxiv.org/abs/1611.03530).

Zhang, Y., Jin, R. & Zhou, Z.H. 2010. Understanding bag-of-words model: A

statistical framework. International Journal of Machine Learning and

Cybernetics, 1(1–4): 43–52.