penyusun tugas akhir dosen pembimbing diana purwitasari, s...
TRANSCRIPT
Penyusun Tugas Akhir
Alvian Adi Pratama [5106100108]
Dosen Pembimbing
Diana Purwitasari, S.Kom, M.Sc.
Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Latar Belakang Batik merupakan harta kebudayaan Indonesia yang telah
diakui UNESCO dan perlu dilindungi.
Perhatian serius terhadap batik perlu dilakukan untuk mencegah hilangnya batik sebagai warisan budaya karena kurangnya informasi dan dokumentasi yang baik.
Perlu dilakukan pengelompokkan data untuk batik yang mempunyai lebih dari satu motif.
Penggunaan Grey Level Cooccurence Matrix (GLCM), Discrete Wavelet Transform (DWT), dan Rotated Wavelet Filter (RWF) mempunyai akurasi lebih baik dalam pengenalan tekstur dibandingkan dengan metode yang banyak digunakan sebelumnya (Hazra, D. 2011).
Rumusan Masalah Bagaimana mengekstraksi fitur suatu citra
menggunakan GLCM, DWT, dan RWF.
Bagaimana penerapan Fuzzy C-Means untuk klasifikasi citra batik.
Batasan Masalah Data yang digunakan adalah batik Indonesia yang
berasal dari Pulau Jawa dengan motif parang, semen, ceplok, lereng, lung-lungan, dan buketan.
Output dari aplikasi ini adalah tingkat kemiripan suatu citra dengan motif-motif di atas.
Implementasi aplikasi dilakukan menggunakan bahasa Java dengan bantuan program Netbeans 7.1
Tujuan dan Manfaat Tugas akhir ini bertujuan untuk membuat suatu
aplikasi yang mampu mengenali citra batik yang memiliki lebih dari satu motif.
Sistem ini diharapkan mampu membantu pendataan batik multi-label di Indonesia dan mempermudah penyebaran informasinya.
Diagram Alir Sistem Proses Pengklasteran
Pengenalan Data Baru
Informasi Pusat Kelas
Citra Batik Training
Preproses(Greyscaling)
PengklasteranPembuatan Vektor Fitur
Database Fitur pusat Cluster
Ekstraksi Fitur GLCM, DWT dan RWF
Citra Masukan Testing
Ekstraksi Fitur GLCM, DWT dan RWF
Hitung JarakNilai
keanggotaan semua klaster
Preproses(Greyscaling)
Preproses Dalam tahap ini dilakukan proses greyscaling, yaitu
proses pengubahan pixel berwarna menjadi skala abu-abu (greyscale).
Proses greyscaling dilakukan berdasarkan persamaan 𝑔𝑟𝑒𝑦 = 0.299 ∗ 𝑟𝑒𝑑 + 0.587 ∗ 𝑔𝑟𝑒𝑒𝑛 + 0.114 ∗ 𝑏𝑙𝑢𝑒
Ekstraksi Fitur Fitur yang diambil dari setiap citra adalah
1. Homogenitas dari GLCM
2. Energi dari hasil transformasi DWT
3. Energi dari hasil transformasi RWF
Grey Level Coocurrence Matrix Anggota GLCM dengan alamat (i,j) dihitung berdasarkan berapa sering suatu
pixel dengan grey-level i muncul di horisontal, vertikal, atau diagonal berpasangan dengan pixel dengan grey-level j.
Contoh GLCM untuk arah horisontal ke kanan (θ = 0o)
Nilai Homogenitas dari GLCM dihitung berdasarkan persamaan
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑖𝑡𝑎𝑠 = 𝐺𝐿𝐶𝑀 𝑖, 𝑗
1 + 𝑖 − 𝑗𝑖,𝑗
Setiap citra diambil fitur homogenitasnya dari GLCM untuk empat arah yaitu horisontal ke kanan (θ = 0o), diagonal ke kanan bawah (θ = 45o), vertikal ke bawah (θ = 90o), dan diagonal ke kiri bawah (θ = 135o).
Discrete Wavelet Transform Discrete Wavelet Transform (DWT) adalah transformasi
wavelet dimana data inputnya berupa nilai diskrit (non-kontinyu).
Untuk kasus sinyal pada ruang 2-D biasanya dilakukan dengan menerapkan struktur bank filter secara terpisah terhadap sinyal citra. Digunakan Low-Pass Filter atau LPF (L) dan High-Pass Filter atau HPF (H).
Dua filter diatas dikombinasikan untuk membuat 4 buah filter yang digunakan untuk proses dekomposisi citra sebagai berikut.
1. 𝐻𝐿𝐿 = 𝐿𝑇𝐻 menghasilkan Image Approximation (Ill)
2. 𝐻𝐿𝐻 = 𝐿𝑇𝐻 menghasilkan Image Horizontal Detail (Ilh)
3. 𝐻𝐻𝐿 = 𝐻𝑇𝐿 menghasilkan Image Vertical Detail (Ihl)
4. 𝐻𝐻𝐻 = 𝐻𝑇𝐻 menghasilkan Image Diagonal Detail (Ihh)
Discrete Wavelet Transform Proses dekomposisi suatu citra bisa di gambarkan
sebagai berikut
Citra
Hll
Hhl
Hlh
Hhh
↓2x2
↓2x2
↓2x2
↓2x2
Ill1
Ilh1
Ihl1
Ihh1
Hll
Hhl
Hlh
Hhh
↓2x2
↓2x2
↓2x2
↓2x2
Ill2
Ilh2
Ihl2
Ihh2
Citra Citra yang akan di proses
HllProses konvolusi citra dengan filter Hll
↓2x2Downsampling (Pengambilan nilai matrix berindeks genap)
Rotated Wavelet Filter Rotated Wavelet Filter (RWF) adalah filter transformasi yang dibuat
dari rotasi filter-filter DWT. Dalam tugas akhir ini filter DWT dirotasi sebesar 450.
Proses dekomposisi citra dengan menggunakan RWF langkah-langkahnya sama seperti DWT, yang membedakan adalah filter-filternya saja.
Citra
HRll
HRhl
HRlh
↓2x2
↓2x2
↓2x2
2-D Downsampling
Ill1
Ilh1
Ihl1
HRll
HRhl
HRlh
↓2x2
↓2x2
↓2x2
2-D Downsampling
Ill2
Ilh2
Ihl2
Citra Citra yang akan di proses
HRllProses konvolusi citra dengan filter HRll
↓2x2Downsampling (Pengambilan nilai matrix berindeks genap)
Fitur Energi dari DWT dan RWF Nilai energi setiap subbidang hasil dekomposisi DWT
dan RWF dihitung berdasarkan persamaan
𝐸𝑛𝑒𝑟𝑔𝑖 = 1
𝑀𝑥𝑁 𝑋𝑖𝑗
𝑁
𝑗=1
𝑀
𝑖=1
Dekomposisi dilakukan sebanyak 5 level. Untuk DWT setiap subbidang diambil energinya, sedangkan untuk RWF hanya bidang LH dan HL saja karena hanya dua subband ini yang mengandung informasi diagonal yang dibutuhkan.
Fuzzy C-Means Fuzzy C-Means (FCM) adalah salah satu metode yang
digunakan dalam proses pengelompokan data (Data Clustering).
Data clustering adalah proses membagi elemen-elemen data ke klaster-klaster sehingga elemen-elemen di klaster yang sama menjadi semirip mungkin, sedangkan elemen di klaster yang berbeda menjadi setidak mirip mungkin.
Algoritma FCM digunakan karena dengan FCM sebuah data mempunyai nilai keanggotaan ke semua klaster.
Fuzzy C-Means Algoritma FCM adalah sebagai berikut
1. Tentukan nilai keanggotaan suatu data dengan semua klaster secara random
2. Ulangi langkah-langkah berikut ini sampai terjadi konvergensi nilai keanggotaan
a) Hitung pusat dari masing-masing klaster
b) Hitung keanggotaan setiap data untuk masing-masing klaster
Fuzzy C-Means Pusat klaster cj dengan parameter fuzziness m
dihitung berdasarkan persamaan
𝑐𝑗 = 𝜇𝑖𝑗
𝑚 ∙ 𝑥𝑖𝑛𝑖=1
𝜇𝑖𝑗𝑚𝑛𝑖=1
Sedangkan nilai keanggotaan data ke-i xi dengan klaster ke-j µij menggunakan persamaan
𝜇𝑖𝑗 =1
𝑑𝑖𝑘𝑑𝑖𝑗
2(𝑚−1)
𝑐𝑘=1
Penghitungan Jarak Untuk jarak antara dua vektor x dan y dengan jumlah
anggota p dihitung menggunakan Canberra Distance
𝑑𝑥𝑦 = 𝑥𝑎 − 𝑦𝑎𝑥𝑎 + 𝑦𝑎
𝑝
𝑎=1
Persamaan ini digunakan karena nilai-nilai dalam satu vektor fitur mempunyai skala yang berbeda-beda sehingga diperlukan normalisasi yang sudah diperhitungkan dalam Canberra Distance .
FCM Modifikasi FCM biasa mempunyai kelemahan yang disebabkan
oleh tiap data masih dipengaruhi klaster yang jaraknya jauh.
Yang membedakan dengan FCM biasa adalah persamaan keanggotaan untuk FCM modifikasi menggunakan sebagai berikut.
𝜇𝑖𝑗 = 𝑛
2∗
1𝑑𝑖𝑗
1𝑚−1
1𝑑𝑖𝑘
1𝑚−1𝑐
𝑘=1
Uji Coba Proses uji coba ini adalah setelah proses clustering selesai,
dilakukan penentuan kelas secara manual berdasarkan banyaknya anggota kelompok data yang diketahui sebelumnya paling banyak ikut kelas tersebut.
Setelah kelas-kelas tersebut ditentukan, baru dilakukan proses testing data baru.
Pengukuran kinerja dari aplikasi ini menerapkan beberapa skenario uji coba sebagai berikut: Uji coba variabel fuzziness (m). Uji coba penggunaan FCM. Uji coba penggunaan fitur DWT saja, DWT & RWF, serta
DWT, RWF, & GLCM. Uji coba untuk pengenalan multi-label
Hasil Uji Coba (1) Untuk m = 1.1
Untuk m = 1.5
Untuk m = 2
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 0 17 1 1 2 1 22
S 6 2 2 2 19 5 36
% 0 89.47 33.33 33.33 9.52 16.66 37.93
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 2 17 0 1 9 2 31
S 4 2 3 2 12 4 27
% 33.33 89.47 0.00 33.33 42.86 33.33 53.45
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 0 18 2 2 4 1 27
S 6 1 1 1 17 5 31
% 0.00 94.74 66.67 66.67 19.05 16.67 46.55
Hasil Uji Coba (2) Penggunaan FCM yang dimodifikasi
FCM Normal
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 1 18 2 2 4 1 28
S 5 1 1 1 17 5 30
% 16.67 94.74 66.67 66.67 19.05 16.67 48.28
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 0 18 2 2 4 1 27
S 6 1 1 1 17 5 31
% 0.00 94.74 66.67 66.67 19.05 16.67 46.55
Hasil Uji Coba (3) Penggunaan fitur DWT, RWF, dan GLCM
Penggunaan fitur DWT dan RWF
Penggunaan fitur DWT saja
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 1 18 0 2 4 1 26
S 5 1 3 1 17 5 32
% 16.67 94.74 0.00 66.67 19.05 16.67 44.83
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 2 13 0 1 4 1 21
S 4 6 3 2 17 5 37
% 33.33 68.42 0.00 33.33 19.05 16.67 36.21
Parang Ceplok Lereng Semen Lung-Lungan Buketan Total
B 0 18 2 2 4 1 27
S 6 1 1 1 17 5 31
% 0.00 94.74 66.67 66.67 19.05 16.67 46.55
Uji Coba untuk multi-label Pada percobaan ini digunakan data hasil clustering
dengan fuzziness 1.5 yang merupakan nilai akurasi terbesar.
Percobaan hanya dilakukan berdasarkan pengamatan visual saja, sehingga ada kemungkinan hasilnya tidak objektif.
Hanya contoh 4 buah data dari dataset testing yang ditunjukkan.
Hasil Uji Coba multi-label (1) Dari citra
Diperoleh labelnya adalah Lereng, Ceplok, dan Buketan. Lereng : 0.32000891
Ceplok: 0.29608577
Buketan: 0.16174722
Lung-Lungan: 0.09470890
Parang : 0.07750342
Semen : 0.04994576
Hasil Uji Coba multi-label (2) Dari citra
Diperoleh labelnya adalah Lung-Lungan, Lereng, dan Buketan. Lung-Lungan : 0.23120019
Lereng : 0.19799454
Buketan : 0.1941992
Semen : 0.15778538
Parang : 0.13752886
Ceplok : 0.08129177
Hasil Uji Coba multi-label (3) Dari citra
Diperoleh labelnya adalah Lung-Lungan, Semen, dan Buketan. Lung-Lungan : 0.67931820
Semen : 0.15153598
Buketan : 0.12998466
Parang : 0.02508306
Lereng : 0.01055163
Ceplok : 0.00352644
Hasil Uji Coba multi-label (4) Dari citra
Diperoleh labelnya adalah Semen, Parang, dan Lung-Lungan. Semen : 0.26606910
Parang : 0.24041014
Lung-Lungan : 0.17196684
Buketan : 0.16486041
Lereng : 0.09438052
Ceplok : 0.06231296
Kesimpulan 1. Penggunaan Grey Level Co-occurance Matrix, Discrete
Wavelet Transform, dan Rotated Wavelet Filter dalam ekstraksi fitur memberikan hasil yang cukup efektif dalam mengenali suatu motif.
2. Fuzzy C-Means Clustering tidak terlalu cocok digunakan dalam mengklasifikasikan data yang terlalu tersebar seperti motif batik ini. Tetapi modifikasi dari FCM standar memberikan sedikit bantuan untuk menutupi kelemahan yang dimilikinya. Di sisi lain penggunaan FCM untuk klasifikasi multi-label cukup memuaskan.
3. Penentuan nilai fuzziness mempengaruhi hasil akurasi secara signifikan. Akurasi tertinggi didapat saat penggunaan fuzziness sebesar 1.5 dengan akursai yang di peroleh adalah 53.45%.