ekstrasi fitur geometri pada citra batik · pdf fileekstraksi fitur geometri citra batik...

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

mailto:[email protected]



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


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)


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)


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.


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 .


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


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


5

Ukuran : 640 x 480


ekstrasi fitur geometri pada citra batik · pdf fileekstraksi fitur geometri citra batik...

Documents