ekstrasi fitur geometri pada citra batik · pdf fileekstraksi fitur geometri citra batik...
TRANSCRIPT
Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri …
9
EKSTRASI FITUR GEOMETRI PADA CITRA BATIK
MENGGUNAKAN REPRESENTASI KURVA
CARDINAL SPLINE
Aris Fanani1), Anny Yuniarti2), Nanik Suciati3) Jurusan Teknik Informatika
Institut Teknologi Sepuluh Nopember
Surabaya, Indonesia 1)[email protected], 2)[email protected], 3)[email protected]
ABSTRAK
Batik merupakan warisan budaya bangsa Indonesia. Batik juga diakui sebagai warisan
budaya dunia (world heritage). Dengan diakuinya batik sebagai world heritage, menjadikan
batik sebagai bahan pakaian yang sering digunakan. Dengan berkembangnya teknologi,
perancangan busana dengan mengoptimalkan bahan dan perancangan tata busana secara otomatis
dapat dikembangkan. Untuk mengoptimalkan bahan dibutuhkan informasi geometri dari citra
batik. Ekstraksi fitur geometri citra batik digunakan untuk membantu komputer dalam mengenali
pola atau motif batik. Pada penelitian ini, diusulkan sistem ekstraksi fitur geometri citra batik
dan merepresentasikan fitur geometri tersebut menggunakan kurva Cardinal spline. Ekstraksi
fitur geometri dibagi menjadi dua yaitu ekstraksi fitur klowongan dan isen-isen. Fitur klowongan
adalah pola dasar objek citra batik sedangkan fitur isen-isen adalah pengisi dari klowongan.
Ekstraksi fitur klowongan dilakukan dengan menghapus collinear point dari boundary objek,
sehingga didapatkan sekumpulan dominant point. Dominant point tersebut digunakan sebagai
titik kontrol. Ekstraksi fitur isen-isen dilakukan dengan menyimpan posisi koordinat untuk setiap
connected component yang akan digunakan sebagai titik kontrol. Hasil dari representasi kurva
digunakan untuk merekonstruksi kembali citra batik dengan menggunakan representasi kurva
Cardinal spline. Hasil uji coba menunjukkan bahwa citra rekonstruksi citra batik secara visual
sama dengan citra batik asli.
Kata Kunci: Batik, Cardinal spline,Ekstraksi fitur geometri, representasi kurva
ABSTRACT
Batik is an Indonesian national heritage. Batik has also been recognized as a world
cultural heritage (world heritage). Being recognized as a world heritage, batik is then widely
used as clothing fabric. The role of technology is to develop material optimization and
automatization in fashion designing. To optimize material, geometric information of batik
pattern is needed. Batik’s geometric feature extraction is used to help the computer to recognize
the pattern or motif. This research proposes a Geometry feature extraction and geometry
features representation using cardinal spline curve for Batik Image. Geometry Feature
extraction is divided into 2 process, feature extraction for Klowongan and Feature extraction for
Isen-Isen. Klowongan Feature is the basic pattern from Batik Image whereas Isen-Isen Feature
is the content patterns of Klowongan. Extraction Feature for Klowongan is done by deleting
collinear points form object boundaries until the dominant point is obtained. The Dominant
points are used as control points. Feature Extraction for Isen-Isen is done by saving the
coordinate of every connected component which is also used as control points. The result of
curve representation is used for reconstruction of batik image by using cardinal spline curve
representation. The result shows that reconstructed image is visually the same as original batik
image.
Keywords: Batik, Cardinal spline, Geometric extraction feature, Curve representation.
Vol. 4, No. 1 Juni 2014 ISSN 2088-2130
Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014
10
PENDAHULUAN
Batik adalah kerajinan yang memiliki nilai
seni tinggi dan telah menjadi bagian dari budaya
Indonesia (khususnya Jawa) sejak lama. Secara
etimologi, batik mempunyai pengertian akhiran
“thik” dalam kata “batik” berasal dari kata menitik
atau menetes. Kata “mbatik” berasal dari kata
“tik” yang berarti kecil [1]. Dengan demikian
dapat dikatakan bahwa “mbatik” adalah menulis
atau menggambar serba rumit (kecil-kecil). Batik
sebagai warisan tradisional yang terkenal dan unik
di Indonesia juga diakui sebagai warisan budaya
dunia (world heritage). Dengan diakuinya batik
sebagai warisan budaya dunia, menjadikan batik
semakin terkenal dan sebagai bahan pakaian yang
sering digunakan. Batik memiliki karakteristik
pada motifnya. Motif dan ragam hias batik,
dibangun dari proses kognitif manusia yang
diperoleh dari alam sekitarnya. Hal inilah yang
dianggap sebagai salah satu aspek yang menarik
untuk diteliti menggunakan sains dan teknologi.
Untuk pengembangan suatu sistem
perancangan busana secara otomatis dan optimasi
bahan dengan bahan baku kain batik, dibutuhkan
ekstraksi fitur geometri dari citra batik. Ekstraksi
fitur geometri citra batik dapat membantu
komputer dalam mengenali pola atau objek citra
batik. Ekstraksi fitur dari citra batik adalah proses
untuk mendapatkan fitur atau penciri dari suatu
citra batik. Ekstraksi fitur geometri citra batik
memiliki peranan penting dalam memahami
bentuk objek di dalam suatu citra batik. Fitur
geometri dari suatu objek dibangun oleh satu set
elemen geometris seperti titik, garis, kurva atau
permukaan. Fitur geometri yang dimaksud pada
citra batik disini adalah fitur geometri pola
(klowongan dalam bahasa jawa) dan fitur geometri
pengisi pola (isen-isen dalam bahasa jawa).
Teknik pemrosesan citra digital telah banyak
digunakan dalam pengenalan objek (object
recognition) dan representasi objek (object
representation).
Pemrosesan citra digital memerlukan
suatu proses pre-processing yang selanjutnya akan
digunakan untuk proses yang lain. Proses tersebut
adalah segmentasi. Segmentasi merupakan
langkah pertama dan menjadi kunci yang penting
dalam suatu pengenalan objek. Telah banyak
metode segmentasi dikembangkan. Salah satunya
adalah metode thresholding yang sering digunakan
untuk segmentasi karena mudah dan intuitif. Hasil
dari segmentasi akan berdampak pada proses
memahami dan menganalisis citra, seperti
klasifikasi objek, deskripsi objek, representasi
objek dan sebagainya. Pendekatan neutrosophic
untuk segmentasi berhasil memisahkan objek dan
background [2].
Banyak penelitian dilakukan untuk
merepresentasikan objek. Metode yang digunakan
diantaranya adalah polygon approximation, dan
representasi kurva. Sekumpulan point dari batas
objek (kontur) digunakan untuk mendapatkan
polygon approximation dari bentuk objek itu
sendiri [3]. Dominant point didapatkan dari kontur
dengan menghapus collinear point. Ketika bentuk
objek mengandung unsur lengkung, maka polygon
approximation tidak dapat memberikan hasil yang
memuaskan dalam representasi bentuk.
Pendekatan lain yang digunakan adalah
menggunakan representasi kurva. Kurva Bezier
merupakan kurva polinomial berderajat n yang
menggabungkan titik kontrol untuk
penggambarannya. Kurva Bezier memiliki
kelemahan, salah satunya tidak memiliki properti
kontrol lokal karena penggeseran satu titik kontrol
saja akan mempengaruhi hasil kurva secara
keseluruhan. Karena kelemahan tersebut muncul
pola pikir penggabungan beberapa segmen kurva
Bezier berderajat rendah yang disebut dengan
kurva cardinal spline. Objek grafik dipisah
menjadi beberapa segmen dengan harapan
melakukan modifikasi pada suatu wilayah hanya
mempengaruhui segmen tersebut.
Beberapa penelitian terkait dengan citra
batik adalah sistem temu kembali citra berbasis isi
(content-based image retrieval/CBIR) [4],
ekstraksi fitur motif batik yang digunakan untuk
klasifikasi motif batik [5]. Pada penelitian ini,
diusulkan sistem ekstraksi fitur geometri pada citra
batik dan merepresentasikan kembali
menggunakan representasi kurva cardinal spline.
Sistem terdiri dari tiga bagian: ekstraksi fitur
geometri, representasi kurva cardinal spline dari
fitur geometri, dan rekonstruksi citra batik.
METODE
Pada bagian ini, akan dijelaskan mengenai
teori-teori yang menjadi landasan dalam
melakukan penelitian ini. Adapun teori-teori yang
akan dijelaskan adalah tentang pendekatan
Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri …
11
neutrosophic untuk segmentasi dan Cardinal
spline. Sedangkan freeman chain code, deteksi
tepi canny, dan connected component labeling
tidak dibahas lagi dalam penelitian ini karena
metode tersebut merupakan metode yang sudah
umum diketahui dalam pengolahan citra.
Pendekatan Neutrosophic untuk segmentasi
Neutrosophy merupakan cabang ilmu dari
filsafat yang mempelajari asal usul, sifat dan ruang
lingkup neutralities. Neutrosophy dapat dianggap
sebagai sebuah proposisi, teori, kejadian, konsep
ataupun entity. <A> merupakan kejadian atau
entity, <Non-A> merupakan bukan <A>, dan
<Anti-A> adalah kebalikan dari <A>. <Neut-A>
didefinisikan sebagai selain <A> dan <Anti-A>.
Sebagai contoh, jika <A>=putih, kemudian <Anti-
A>=hitam. <Non-A> = biru, kuning, merah (selain
warna putih). <Neut-A> = biru, kuning, merah
(selain warna putih dan hitam).
Komponen neutrosophic T, I, F
menyatakan <A>, <Neut-A>, dan <Anti-A>.
Setiap elemen A(T,I,F) termasuk ke dalam set : t
true, i indeterminate, f false, dimana t, i, dan f
adalah nilai real yang diambil dari set T, I dan F.
Pendekatan neutrosophic untuk
segmentasi berdasarkan metode watershed telah
dilakukan (2). Langkah-langkah pendekatan
neutrosophic untuk segmentasi berdasarkan
metode watershed dijelaskan sebagai berikut:
Pemetaan dan Penentuan {T,F}
Pada tahap ini dilakukan pemetaan dan
penentuan matriks citra pada domain T dan
domain F. T adalah objek dan F adalah
background. Proses penentuan nilai T dan F yang
termasuk komponen dari neutrosophic dengan
menggunakan S-function sebagai berikut:
𝑇(𝑥, 𝑦) = 𝑆(𝑔𝑥𝑦, 𝑎, 𝑏, 𝑐)
=
{
0 0 ≤ 𝑔𝑥𝑦 ≤ 𝑎,
(𝑔𝑥𝑦−𝑎)2
(𝑏−𝑎)(𝑐−𝑎) 𝑎 ≤ 𝑔𝑥𝑦 ≤ 𝑏,
1 −(𝑔𝑥𝑦−𝑐)
2
(𝑐−𝑏)(𝑐−𝑎) 𝑏 ≤ 𝑔𝑥𝑦 ≤ 𝑐,
1 𝑔𝑥𝑦 ≥ 𝑐,
𝐹(𝑥, 𝑦) = 1 − 𝑇(𝑥, 𝑦), dimana gxy merupakan nilai intensitas dari piksel
P(i,j). variabel a,b, dan c adalah parameter yang
menentukan bentuk dari S-function. Nilai variabel
a, b, dan c dihitung dengan metode berdasarkan
histogram(6):
1. Hitung histogram citra
2. Tentukan local maxima dari histogram,
Hismax(g1), Hismax(g2),…, Hismax(gk)
3. Hitung nilai rata-rata local maxima
dengan persamaan berikut:
𝐻𝑖𝑠𝑀𝑎𝑥(𝑔)̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ =∑ 𝐻𝑖𝑠𝑀𝑎𝑥(𝑔𝑖)𝑛𝑖=1
𝑛
4. Tentukan local maxima sebagai puncak
yang tingginya melebihi Hismax(g).
Asumsikan puncak yang pertama kali
ditemukan sebagai gmin dan terakhir
ditemukan gmax
5. Tentukan batas bawah gray level B1 dan
batas atas B2:
∑ 𝐻𝑖𝑠(𝑖) = 𝑓1
𝐵1
𝑖=𝑔𝑚𝑖𝑛
∑ 𝐻𝑖𝑠(𝑖) = 𝑓1𝑔𝑚𝑎𝑥𝑖=𝐵2
dimana f1=0,01 (didapat dari hasil
percobaan). 𝑔𝑚𝑖𝑛 merupakan nilai gray
level yang lebih besar dari 0 dan pertama
kali ditemukan. Sedangkan 𝑔𝑚𝑎𝑥
merupakan nilai gray level yang lebih
besar dari 0 dan terakhir kali ditemukan.
6. Tentukan nilai parameter a dan c :
𝑎 = (1 − 𝑓1)(𝑔1 − 𝑔𝑚𝑖𝑛) + 𝑔𝑚𝑖𝑛,
jika (a>B1) , a= B1
𝑐 = 𝑓1(𝑔𝑚𝑎𝑥 − 𝑔𝑛) + 𝑔𝑛
jika (c> B2), c= B2
7. Hitung parameter b dengan menggunakan
prinsip maksimum entropi :
𝐻(𝑋) =1
𝑀 ×𝑁∑∑𝑆𝑛(𝑇(𝑥, 𝑦))
𝑁
𝑗=1
𝑀
𝑖=1
,
dimana Sn ( ) merupakan Shannon function
yang didefiisikan sebagai:
𝑆𝑛(𝑇(𝑥, 𝑦)) = −𝑇(𝑥, 𝑦)𝑙𝑜𝑔2𝑇(𝑥, 𝑦) − (1 −
𝑇(𝑥, 𝑦)𝑙𝑜𝑔2(1 − 𝑇(𝑥, 𝑦)) Parameter nilai b berada antara nilai a dan
c. Untuk mendapatkan nilai b yang
optimal, diperlukan pengecekan terhadap
seluruh kemungkinan nilai b. Nilai b yang
optimal akan menghasilkan nilai maximum
entropy H(X) yang terbesar:
𝐻𝑀𝑎𝑥(𝑋, 𝑎, 𝑏𝑜𝑝𝑡, 𝑐) =
max {𝐻[𝑋, 𝑎, 𝑏, 𝑐]|𝑔𝑚𝑖𝑛 ≤ 𝑎 < 𝑏 < 𝑐 ≤𝑔𝑚𝑎𝑥}.
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014
12
Enhancement
Setelah didapatkan citra baru pada domain
neutrosophic, dilakukan proses enhancement.
Proses ini bertujuan untuk memperbaiki citra pada
domain baru. Proses enhancement dilakukan
dengan menggunakan transformasi intensitas.
Berikut adalah fungsi yang digunakan untuk
melakukan perbaikan pada citra di domain
neutrosophic:
𝐸(𝑇(𝑥, 𝑦)) = 2𝑇2(𝑥, 𝑦),
0 ≤ 𝑇(𝑥, 𝑦) ≤ 0.5,
𝐸(𝑇(𝑥, 𝑦)) = 1 − 2(1 − 𝑇(𝑥, 𝑦))2,
0,5 < 𝑇(𝑥, 𝑦) ≤ 1.
Thresholding
Salah satu cara untuk mengambil objek
dari background-nya adalah dengan memilih nilai
threshold T yang dapat memisahkan kelompok
satu dengan yang lain. Nilai threshold ditentukan
dengan menggunakan pendekatan heuristic
(Gonzalez, 2002):
1. Menentukan inisial threshold t0 pada f(x,y)
2. Memisahkan f(x,y) dengan menggunakan
t0, kemudian mengelompokkannya
menjadi 2 kelompok piksel baru, F1 dan
F2
3. Setiap kelompok pada F1 dan F2 dicari
nilai rata-ratanya μ1 dan μ2
4. Hitung nilai threshold baru dengan
persamaan t1= (μ1 +μ2)/2
5. Ulangi langkah ke-2 hingga 4 sehingga
selisih nilai dari tn – tn-1 < ε (dimana ε =
0,0001 ). Jika terpenuhi kondisi ini, tn
merupakan nilai threshold yang
ditetapkan.
Cardinal Spline
Cardinal spline merupakan interpolasi
spline yang menggunakan tarikan (tension) untuk
membentuk sebuah kurva. Interpolasi cardinal
spline merupakan modifikasi dari quadratic Bazier
spline yang menggunakan proses penyambungan
dengan kontinuitas C1. Satu segmen dari kurva
cardinal spline didefinisikan oleh 4 titik kontrol,
kurva akan menginterpolasi keempat titik kontrol
tersebut dan harus memenuhi persamaan berikut:
𝑝(𝑢) =
[𝑢3 𝑢2 𝑢 1]𝜏
[ −1
2
𝜏−1
−2
𝜏−1 1
2 2
𝜏−1
2
𝜏−1 − 1
−1 0 1 0 0 1/𝜏 0 0]
[
𝑝𝑖−1𝑝𝑖𝑝𝑖+1𝑝𝑖+2
]
dimana 𝜏 adalah parameter tarikan atau tension, u
adalah vektor knot, dan pi adalah titik kontrol.
Pada penelitian ini, 𝜏 yang digunakan adalah 0,5.
METODOLOGI
Ekstraksi fitur geometri citra batik
memiliki peranan penting dalam memahami
bentuk objek di dalam suatu citra batik. Fitur
geometri dari suatu objek dibangun oleh satu set
elemen geometris seperti titik, garis, kurva atau
permukaan. Fitur geometri yang dimaksud pada
citra batik disini adalah fitur geometri pola
(klowongan dalam bahasa jawa) dan fitur geometri
pengisi pola (isen-isen dalam bahasa jawa).
Ekstraksi Fitur Geometri Klowongan
Fitur klowongan pada citra batik adalah pola
dasar dari citra batik. Klowongan dari citra batik
seperti pada Gambar 3. Ekstraksi fitur geometri
klowongan seperti ditunjukkan pada Gambar 4a.
a b
Gambar 3. (a) Citra batik; (b) Klowongan batik
Proses ekstraksi fitur geometri dimulai dengan
memasukkan citra RGB batik dan mengubah
menjadi grayscale. Setelah citra dirubah menjadi
grayscale, dilakukan denoising dengan mean
filtering yang bertujuan untuk menghilangkan
noise. Citra hasil denoising selanjutnya akan
dilakukan segmentasi dengan threshold berbasis
neutosophic seperti yang dijelaskan pada bagian
2.1. Hasil dari segmentasi akan ditentukan
connected component labeling dengan 8-
neigborhood. Dari hasil connected component
labeling akan dicari data arah dari bentuk setiap
objek pada citra dengan metode chain code dan
menyimpan posisi koordinatnya. Algoritma chain
code yang digunakan dalam ekstraksi chain code
8-connected adalah sebagai berikut (8):
(11)
(12)
(13)
Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri …
13
a. Tentukan piksel dalam objek yang
nilainya paling kiri di baris paling atas,
anggap piksel itu P0 seperti pada Gambar
5 (a).
b. Tentukan variabel dir (untuk arah). Atur
dir =7 (karena P0 adalah piksel kiri atas
dalam objek, arah piksel berikutnya harus
7).
c. Jalankan 3x3 neighborhood dari piksel
sekarang. Awali pencarian pada piksel
dalam arah dir + 7 (mod 8) jika dir genap
atau dir + 6 (mod 8) jika dir ganjil
(Gambar 5(b-c)). Ini akan berakibat arah
pertama berlawanan dengan arah jarum
jam dari dir: dir 0 1 2 3 4 5 6 7
dir+7(mod 8) 7 0 1 2 3 4 5 6
dir+6 (mod 8) 6 7 0 1 2 3 4 5
d. Piksel foreground pertama akan menjadi
batas baru elemen. Dan perbarui dir
seperti pada Gambar 5 (d),
e. Berhenti jika batas elemen sekarang Pn
sama dengan elemen kedua P1 dan piksel
batas sebelumnya sama Pn-1 sama dengan
elemen batas pertama P0.
Gambar 5 menunjukkan penentuan P0 dan
penentuan arah menggunakan algoritma di atas. Citra RGB
Batik
Segmentasi
dengan threshold
berbasis
neutrosophic
Connected
Component
Labeling
Penentuan arah
batas objek
dengan Chain
Code
Reduksi fitur
geometri
klowongan
Database fitur
geometri
klowongan
Denoising dengan
Mean Filtering
Ubah ke
Grayscale
Citra Grayscale
Batik, Citra
Segmentasi,
Citra RGB
Deteksi Tepi Canny
Citra Grayscale batik
Isolasi Interior
Citra=Hasil Canny -
erosi(Citra
Segmentasi)
Database fitur
geometri isen-
isen
Reduksi fitur
geometri isen-isen
Connected
Component
Labeling
a b
Gambar 4. a. Ekstraksi fitur geometri klowongan citra
batik; b. Ekstraksi fitur geometri isen-isen
Gambar 5. (a) Penentuan P0 (b-d) Penentuan arah.
Reduksi fitur geometri klowongan
dilakukan dengan mencari dominant point dari
setiap bentuk objek berdasarkan arah yang
dihasilkan proses chain code. Langkah-langkah
menentukan dominant point dengan cara
menghapus collinear point (3):
a. Pilih tiga point (posisi koordinat) pada
batas objek, misalkan Pi, Pj, dan Pk
b. Tentukan nilai threshold (dt)
c. Hapus point Pj, dengan nilai distance (d)
dari garis lurus yang dibentuk Pi dan Pk
jika d ≤ dt . Distance (d) dihitung dengan
persamaan:
𝑑
= √((𝑥𝑘 − 𝑥𝑖)(𝑦𝑗 − 𝑦𝑖) − (𝑦𝑘 − 𝑦𝑖)(𝑥𝑗 − 𝑥𝑖))
2
(𝑥𝑖 − 𝑥𝑗)2 + (𝑦𝑖 − 𝑦𝑗)
2
d. Ulangi langkah c, dan berhenti jika Pj = Pi
Gambar 6 ini menunjukkan bagaimana
cara mendapatkan dominant point menggunakan
algotirma di atas.
Gambar 6. Proses penghapusan collinear point (I)
Setelah dominant ponit didapatkan dari
proses reduksi, koordinat dominat point dari setiap
objek disimpan dalam database yang nantinya
akan digunakan untuk rekonstruksi citra batik
dengan menggunakan carrdinal spline.
Ekstraksi Fitur geometri Isen-isen
Isen-isen citra batik adalah pengisi klowongan
dari batik. Contoh isen-isen dari citra batik seperti
ditunjukkan pada Gambar 7. Proses ekstraksi fitur
geometri isen-isen seperti pada Gambar 4b.
Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014
14
(a) (b)
Gambar 7. (a)Citra batik (b) Isen-isen citra batik.
Ekstraksi fitur geometri isen-isen dilakukan
dengan memasukkan citra RGB batik, mengubah
menjadi grayscale dan memasukkan citra hasil
segmentasi. Citra grayscale dilakukan deteksi tepi
dengan metode canny. Untuk mendapatkan isen-
isen dari citra batik dilakukan isolasi isen-isen
citra batik. Isolasi isen-isen dilakukan dengan cara
mengalikan matrik citra hasil deteksi tepi canny
dengan matriks citra hasil erosi citra
tersegmentasi. Dari hasil isolasi citra isen-isen
dilakukan connected component labeling dan
menyimpan posisi koordinat isen-sen kedalam
database yang nantinya akan digunakan sebagai
titik kontrol dalam rekonstruksi dengan
menggunakan cardinal spline.
Rekonstruksi Citra Batik Hasil
representasi kurva interpolasi cardinal
spline
Hasil dari ekstraksi fitur geometri
klowongan dan isen-isen merupakan sekumpulan
dari dominant point. Sekumpulan dominant point
yang telah disimpan dalam database tersebut
nantinya akan digunkan sebagai titik kontrol
dalam rekonstruksi citra batik dengan
menggunakan cardinal spline.
UJICOBA DAN ANALISIS
Data yang digunakan dalam penelitian ini
adalah citra batik madura. Citra batik madura
didapatkan dengan memfoto secara langsung kain
batik dari pengrajin batik madura. Serangkaian uji
coba dilakukan untuk mengevaluasi sistem yang
diusulkan. Tabel 1 menunjukkan hasil dari uji
coba. Citra asli, ukuran dan waktu proses
ditunjukkan pada kolom 1. Citra hitam putih
sebagai input dari proses ekstraksi klowongan
ditunjukkan pada kolom 2. Citra hasil isolasi dari
isen-isen ditunjukkan pada kolom 3 dan hasil dari
algoritma yang diusulkan seperti pada kolom 4.
Hasil dari connected component labeling dari citra
klowongan dan citra isen-isen tidak ditunjukkan
karena berisi citra hitam putih yang sama dengan
citra klowongan dan isen-isen hanya saja citra
connected component labeling berisi satu objek
yang terhubung berdasarkan 8-neighborhood.
Dari semua citra batik yang digunakan
untuk ujicoba, algoritma dapat menginterpolasi
sekumpulan titik kontrol yang diberikan
berdasarkan representasi kurva cardinal spline
dari klowongan dan isen-isen. Secara visual hasil
rekonstruksi dengan menggunakan representasi
kurva cardinal spline memberikan hasil yang
hampir sama dengan citra asli. Dari hasil uji coba,
citra batik ke-3 memiliki waktu pemrosesan yang
paling cepat, yaitu 62,87 detik. Sedangkan citra
batik ke-4 memiliki waktu pemrosesan yang
paling lama, yaitu 1152.77 detik. Berdasarkan
hasil citra klowongan dan isen-isen, citra ke-3
memiliki connected component paling sedikit yang
berakibat semakin sedikit juga sekumpulan titik
kontrol. Sedangkan citra ke-4 memiliki connected
component paling banyak, yang berakibat semakin
banyak juga sekumpulan titik kontrol. Waktu
pemrosesan ditentukan oleh banyak sedikitnya
sekumpulan dari titik kontrol yang digunakan
dalam representasi kurva cardinal spline bukan
berdasarkan ukuran citra.
SIMPULAN Hasil uji coba menunjukkan bahwa, sistem
yang diusulkan dapat melakukan reduksi fitur
geometri citra batik, merepresentasikan ke dalam
representasi kurva cardinal spline dan
merekonstruksi citra batik dengan titik kontrol
yang diberikan berdasarkan representasi kurva
cardinal spline. Hasil rekonstruksi citra batik
secara visual hampir sama dengan citra asli.
DAFTAR PUSTAKA
[1] Kuswadji. 1981. Mengenal Seni Batik di
Yogyakarta. Yogyakarta: Proyek
Pengembangan Permuseuman Yogyakarta.
[2] Zang, M., Zhang, L., & Cheng, H. (2009). A
Neutrosophic Approach To Segmentation Based
On Watershed Method. Signal Processing In
ScienceDirect .
Aris Fanani, dkk, Ekstraksi Fitur Geometriitur Geometri …
15
[3] Poyato, C., Madrid-Cuaves, F., & Medina-
Carnicer, R. (2010). Polygonal approximation
of digital planar curves through break point
suppression. Pattern Recognition Sciencedirect
, 14-25.
[4] Eka, R. (2011). Pengembangan Sistem Temu
Kembali Citra Batik Menggunakan
Transformasi Wavelet Yang Dirotasi dan Multi-
Layer Perceptron.
[5] Arisandi, B., & Suciati, N. (2011). Pengenalan
Motif Batik dengan Rotated Wavelet Filter dan
Neural Network.
[6] Gonzalez, R. C. (2002). Digital Image
Processing. New Jersey : Prentice-Hall,
Inc., Upper Saddle River.
[7] Amizah, N., & Mohammad Zain, J. (2009).
Application of Freeman Chain Codes: An
Alternative Recognition Technique for
Malaysian Car Plates . IJCSNS International
Journal of Computer Science and Network
Security , 222- 227.
[8] Cheng, H., & Wang, X. (2004).
Microcalcification detection using fuzzy
logic and scale space approach. IEEE , 363-375
Jurnal Ilmiah SimanteC Vol. 4, No. 1 Juni 2014
16
0 50 100 150 200 250 300 3500
50
100
150
200
250
300
350
0 100 200 300 400 500 6000
100
200
300
400
500
600
0 50 100 150 200 250 300 3500
50
100
150
200
250
0 50 100 150 200 250 300 350 400 450 5000
50
100
150
200
250
300
350
400
450
0 50 100 150 200 250 300 350 400 4500
50
100
150
200
250
300
350
Tabel 1. Hasil Uji Coba
No Citra Batik Hasil citra klowongan Hasil citra isen-isen Hasil rekonstruksi
1
Ukuran : 687 x 630
Waktu : 881.98 detik
2
Ukuran : 381 x 392
Waktu : 95.22 detik
3
Ukuran : 376 x 292
Waktu :62.87 waktu
4
Ukuran : 530 x 469
Waktu : 1152.77 detik
5
Ukuran : 640 x 480
Waktu : 342.61 detik