You are on page 1of 14

Jurnal Rekursif, Vol. 3 No.

2 November 2015, ISSN 2303-0755

KLASIFIKASI CITRA BATIK BESUREK


BERDASARKAN EKSTRAKSI FITUR TEKSTUR
MENGGUNAKAN JARINGAN SYARAF TIRUAN
SELF ORGANIZING MAP (SOM)
Yuri Brasilka1, Ernawati2, Desi Andreswari3
1,2,3
Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.

Jl. WR. Supratman Kandang Limun Bengkulu 38371A INDONESIA

(telp: 0736-341022; fax: 0736-341022)

1
yuribrasilka@gmail.com,
2
w_ier_na@yahoo.com,
3
dezieandrez@yahoo.co.id

Abstrak: Motif batik umumnya adalah motif-motif gabungan. Diperlukan suatu cara untuk menentukan suatu
ciri khas dari jenis batik tertentu untuk membedakannya dari jenis-jenis batik lainnya yang ada di Indonesia.
Dengan demikian diperlukan aplikasi pengklasifikasian batik besurek berdasarkan ekstraksi fitur tekstur
menggunakan jaringan syaraf tiruan Self Organizing Map (SOM). Aplikasi ini menggunakan metode Point
Minutiae sebagai pengekstraksi fitur tekstur citra yang mampu mendeteksi persebaran Crossing Number pada
citra. Aplikasi ini menggabungkan metode Point Minutiae dengan algoritma Jaringan Self Organizing Map
(SOM) yang memiliki kemampuan untuk melakukan pembelajaran tanpa pengarahan (unsupervised
learning), sehingga hasil klasifikasi citra yang dihasilkan berdasarkan jarak terpendek dari klaster SOM.
Citra yang digunakan dalam penelitian ini adalah citra batik besurek Bengkulu, citra non-batik besurek, dan
kombinasi dua motif batik besurek. Aplikasi ini dibangun menggunakan bahasa pemrograman Java 8.0.1.
Hasil pengujian menggunakan Point Minutiae dan Self Organizing Map (SOM) pada penelitian ini diperoleh
nilai rasio keberhasilan 100% untuk temu kembali citra dan 60% untuk citra gabungan, sedangkan nilai recall
63.82%, precision 27.78%, dan MRR 67.6%. untuk citra uji. Motif batik besurek yang paling baik hasil
ujinya adalah relung paku dan rembulan, sedangkan yang paling buruk hasil ujinya adalah burung kuau dan
raflesia.
Kata Kunci : Klasifikasi Citra, Fitur Tekstur, Minutiae, Self Organizing Map, Java

Abstract: Batik motifs generally are combined differentiate one batik from others types in
motives. We need a way to specify the Indonesia. The availability of image classifier
characteristic of certain types of batik to application based on texture feature extraction

132 ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

using Self Organizing Map (SOM) is required to batik Indonesia. Jenis dan corak batik tradisional
determine the classification of batik besureks tergolong amat banyak, namun corak dan variasinya
dominant motifs. The application uses the Point sesuai dengan filosofi dan budaya masing-masing
Minutiae method of extracting features image daerah. Khasanah budaya Bangsa Indonesia yang
texture that is able to detect the spread Crossing demikian kaya telah mendorong lahirnya berbagai
Number on the image. This application combines corak dan jenis batik tradisional dengan ciri
the Point Minutiae method with Neural Network kekhususannya sendiri.
Self Organizing Map (SOM) algorithm which the Bengkulu merupakan salah satu kawasan yang
result an image classification based on smallest berada di wilayah Sumatera. Nama Bengkulu sebagai
distance of SOM cluster. The images used in this wilayah penghasil batik belum terkenal secara luas.
research are the images of batik Besurek Namun, provinsi dengan ibu kota Bengkulu ini
Bengkulu, non-batik besurek, and combination memiliki ciri khas batik yang tidak kalah mutunya
motifs of two batik besurek motifs. The dari batik hasil daerah lainnya. Batik Bengkulu
application is built using Java programming tersebut bernama batik besurek.
language 8.0.1. The test results using Point Batik besurek merupakan salah satu warisan
Minutiae and Neural Network Self Organizing budaya dari kota yang dikenal sebagai Gading
Map (SOM) algorithm in this research resulted in Cempaka ini. Besurek merupakan bahasa Bengkulu
a 100% success ratio for the image retrieval yang berarti bersurat atau bertulis. Sehingga batik
system and 60% for the combination images of besurek merupakan batik yang bertulis dan bersurat.
batik besurek, with recall value of 63.82%, Sebagaimana batik-batik dari daerah lainnya, batik
precision value of 27.78%, and MRR of 67.6% for besurek ini mempunyai beberapa motif dasar yang
the test images. The best result of the test is membedakannya dengan jenis batik dari daerah lain.
achieved by relung paku and rembulan, while the Motifnya antara lain yaitu motif kaligrafi, motif
worst result of the test are burung kuau and bunga rafflesia, motif burung kuau, motif relung
raflesia. paku, dan motif rembulan.
Keywords: Image Classification, Feature Texture, Saat ini sudah banyak juga motif lainnya yang
Minutiae, Self Organizing Map, Java merupakan kombinasi dari beberapa motif dasar yang
ada. Dengan kata lain satu batik besurek bisa
I. PENDAHULUAN mempunyai dua atau lebih motif sekaligus. Dengan
Sebagai warisan budaya Indonesia, tepat pada demikian tentu akan muncul kesulitan dalam
tanggal 2 Oktober 2009 batik telah diakui oleh mengklasifikasikan batik besurek yang memiliki
United Nations Educational, Scientific, and Culture motif yang serupa. Dengan melakukan pengolahan
Organization (UNESCO) sebagai salah satu warisan citra digital, citra batik besurek dapat diproses untuk
budaya dunia. Dengan demikian sangatlah penting diklasifikasikan sesuai dengan motif dasar yang
untuk menjaga dan mengembangkan seni budaya dimilikinya. Mengingat bahwa kemungkinan satu

ejournal.unib.ac.id 133
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

jenis batik dapat memiliki dua atau lebih motif mengidentifikasi citra batik besurek saja berdasarkan
setelah adanya perkembangan dibidang seni kreasi jarak nilai Euclidean citra uji dan citra yang ada di
batik. Selain itu, dengan melakukan dalam database, namun aplikasi ini belum dapat
pengklasifikasian batik berdasarkan ekstraksi fitur mengklasifikasikan citra batik besurek berdasarkan
tekstur, maka batik besurek juga akan lebih mudah ekstraksi fitur tekstur. Oleh sebab itu, peneliti ingin
dibedakan dengan batik-batik lainnya. melakukan pengembangan aplikasi sebelumnya,
Algoritma Point Minutiae mempunyai kelebihan sehingga dapat diperoleh sebuah aplikasi baru yang
dalam melakukan ekstraksi fitur tekstur dengan cara bukan hanya dapat melakukan identifikasi citra batik
mendeteksi hasil Crossing Number (CN) pada citra besurek saja, namun dapat melakukan
yang diekstraksi dan mengabaikan hal-hal yang pengklasifikasian batik besurek berdasarkan motif
dianggap suatu noise pada citra, contohnya seperti dasar yang dimiliki. Yang dimaksud dengan motif
guratan-guratan pada citra, sehingga hasil ekstraksi dasar pada batik besurek adalah motif awal
yang dihasilkan oleh algoritma ini merupakan nilai pembentuk seperti burung kuau, raflesia, kaligrafi,
hasil persebaran Point yang dihasilkan oleh rembulan, dan relung paku. Sedangkan jika batik
Crossing Number (CN). Selain itu, peneliti memilih pengembangan contohnya adalah motif pohon hayat
algoritma Jaringan Syaraf Tiruan Sefl Organizing yang bukan dasar batik besurek karena pencampuran
Map (SOM) untuk proses klasifikasi citra batik dari motif-motif lainnya. Batik pengembangan adalah
besurek pada penelitian ini. Algoritma ini memiliki di luar wilayah dari penelitian ini.
kemampuan pembelajaran tanpa pengarahan Penelitian lainnya juga dilakukan oleh Yulianto,
(unsupervised learning), sehingga dalam proses dkk (2010). Penelitiannya berjudul Identifikasi Pola
klasifikasi yang dilakukan tidak membutuhkan target. Batik Parang Dengan Algoritma Point Minutiae
Algoritma ini akan mengklasifikasikan unit-unit Menggunakan Metode K-Means Clustering. Dari
masukan ke dalam kelompok tertentu yang berada data hasil uji coba yang telah dilakukan, para peneliti
pada unit keluaran (cluster units). menyimpulkan bahwa penelitian dengan metode ini
Terkait dengan masalah pengklasifikasian citra, menghasilkan persentase dengan mean dan median
sebelumnya sudah ada beberapa penelitian yang telah mendekati sebesar 100%, berdasarkan titik centroid
dilakukan, salah satunya oleh Fathin (2014) yang dari masing-masing daerah dengan metode K-Means
berjudul Rancang Bangun Aplikasi Pencarian Citra untuk klasifikasi pola batik parang dan Point Minute
Batik Besurek Berbasis Tekstur Dengan Metode untuk ekstraksi fitur gambar [9].
Gray Level Co-Occurrence Matrix dan Euclidean Penelitian lainnya dilakukan oleh Asmadin, dkk
Distance. Penelitian ini menghasilkan nilai (2011) yang berjudul Pengelompokan Habitat
precision dengan citra uji adalah batik besurek 1 Dasar Perairan Dangkal Berbasis Data Satelit
motif sebesar 77% dan batik besurek lebih dari 1 Quickbird Menggunakan Algoritma Self Organizing
motif sebesar 82%. Sistem pencarian citra dengan Map (SOM). Dalam penelitian ini klasifikasi
Gray Level Co-Occurance Matrix ini hanya mampu algoritma Self Organizing Map (SOM) dapat

134 ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

mengklaster citra quickbird dari berbagai kombinasi Proses ekstraksi dimulai dengan proses
kanal dan memperoleh hasil yang relatif baik [1]. penandaan minutiae. Penandaan minutiae dilakukan
Penelitian selanjutnya yang juga menggunakan dengan cara membagi citra menjadi blok-blok citra
SOM kohonen dilakukan oleh Wahyumianto, dkk berukuran 3x3 piksel. Pendeteksian minutiae baik itu
(2010) yang berjudul Identifikasi Tumbuhan titik akhir ataupun percabangan dilakukan
Berdasarkan Minutiae Tulang Daun Menggunakan menggunakan konsep crossing number (CN).
SOM Kohonen. Dalam penelitian ini didapat hasil Point Minutiae dideteksi dengan memindai
rata-rata tingkat keberhasilan aplikasi dalam tetangga lokal pada masing-masing piksel ridge
klasifikasi menggunakan kohonen SOM untuk (percabangan) pada citra menggunakan ukuran
menentukan kelas ketiga daun tumbuhan yakni window 3 x 3. Kemudian nilai CN dihitung, yang
94,386% untuk jambu biji, 89,469% untuk terong didefinisikan sebagai separuh penjumlahan dari
hijau, 85,417% untuk cabai lokal dan 99,731% untuk perbedaan antara pasangan-pasangan piksel yang
ubi jalar [8]. bersebelahan pada eight-neighbourhood, dapat
Berdasarkan permasalahan dan beberapa dilihat pada Tabel 1 berikut ini:
penelitian terkait di atas, penulis ingin Tabel 1. Properti Crossing Number
mengklasifikasikan batik besurek berbasis tekstur CN Properti
0 Isolated Point
dengan melakukan penelitian yang berjudul 1 Ridge ending point
2 Continuing ridge point
Klasifikasi Citra Batik Besurek Berdasarkan 3 Bifurcation point
4 Crossing point
Ekstraksi Fitur Tekstur Menggunakan Jaringan
Nilai CN pada ridge piksel P didapat dari persamaan
Syaraf Tiruan Self Organizing Map (SOM).
berikut :

II. TINJAUAN PUSTAKA = . = + (1)
A. Batik Besurek keterangan :
Kata "batik" berasal dari gabungan dua kata CN = Crossing Number
bahasa Jawa: "amba", yang bermakna "menulis" dan Pt = Piksel tetangga (1-8)
"titik" yang bermakna "titik". Kain Batik Besurek = (2)
adalah batik tulis tradisional khas Bengkulu yang P9 = Pi , karena posisi kesembilan sama dengan posisi
termasuk batik pesisir dengan motif dominan P, dan dimana Pi merupakan nilai tetangga dari .
kaligrafi Arab dihiasi perpaduan flora dan fauna yang Untuk suatu piksel , kedelapan piksel
sarat akan makna simbolis, melambangkan hubungan tetangganya diperiksa dengan arah berlawanan jarum
manusia dan alam dengan sang pencipta. Motif dasar jam seperti pada Tabel 2 berikut ini :
batik besurek adalah motif Raflesia, motif Kaligrafi, Tabel 2. Pemberian Nomor pada 8 Tetangga Piksel P
motif Burung Kuau, motif Relung Paku,dan motif untuk Proses Point Minutiae Detection
Rembulan. P4 P3 P2

B. Ekstraksi Point Minutiae P5 P P1

ejournal.unib.ac.id 135
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

P6 P7 P8 4. Kerjakan jika Epoch < MaxEpoch


a. Epoch = Epoch + 1
C. Jaringan Syaraf Tiruan Self Organizing Map b. Pilih data secara acak, misalnya data
(SOM) terpilih data ke-j.
Kohonen Self Organizing Map (SOM) atau c. Cari jarak antara data ke-j dengan tiap
Jaringan Kohonen pertama kali diperkenalkan oleh bobot input ke-i (Dj) :

D j wij xi
2
Prof. Teuvo Kohonen pada tahun 1982. SOM (4)
merupakan salah satu metoda dalam Jaringan Syaraf i
d. Cari bobot yang terkecil (pemenang)
Tiruan (Neural Network) yang menggunakan
e. Update bobot yang baru :
pembelajaran tanpa pengarahan (unsupervised
(baru) = (lama) + [
learning).
(lama)] ()
Algoritma Self Organizing Map (SOM) adalah
Mengurangi learning rate
sebagai berikut [3] :
(decay_rate), dengan cara :
1. Menetapkan :
= _ lama (5)
a. Input data yang dinormalisasi
b. Jumlah kelas Dalam penelitian ini, penerapan algoritma Self
2. Inisialisasi : Organizing Map (SOM) dicoba dengan
a. Bobot Input ( ) dengan nilai menggunakan nilai epoch maksimum yang
sembarang atau hitung dengan : ditentukan sistem secara random, Learning rate
( )+ ( )
= (3) ()=0.6, nilai learning rate minimal yang diharapkan

dengan : ( )= 0.01, dan nilai laju penurunan

= bobot antara variabel learning rate (decay_rate)= 0.60.

input ke-j Proses klasifikasi akan berhenti apabila sudah

dengan neuron pada mencapai nilai atau mendekati nilai epoch

kelas ke-i. maksimum yang diharapkan, sehingga stop condition


yang digunakan adalah nilai epoch.
( ) = nilai minimum pada
variable input
III. METODOLOGI
ke-i.
A. Jenis Penelitian
( ) = nilai maksimum dari
Penelitian tentang klasifikasi citra batik besurek
variable input
ini termasuk dalam penelitian atau riset dasar
ke-i.
(penelitian murni), karena penelitian ini bersifat
b. Set parameter learning rate
pengembangan dari ilmu pengetahuan yang telah ada
c. Set maksimum epoch (MaxEpoch).
sebelumnya, yaitu melanjutkan sebuah penelitian
3. Set Epoch = 0
oleh Fathin Ulfah Karimah (2014), yang berjudul

136 ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

Rancang Bangun Aplikasi Pencarian Citra Batik Studi kepustakaan dilakukan dengan
Besurek Berbasis Tekstur Dengan Metode Gray mengumpulkan data dan informasi yang digunakan
Level Co-Occurrence Matrix dan Euclidean Distance sebagai acuan dalam pembuatan aplikasi pengenalan
[2]. citra batik besurek. Data dan informasi berupa buku-
Dalam penelitian ini, peneliti berusaha membuat buku ilmiah, laporan penelitian, skripsi, jurnal dan
aplikasi yang mampu mengklasifikasikan citra batik sumber-sumber tertulis lainnya yang berhubungan
besurek berdasarkan ekstraksi fitur tekstur dengan dengan pemahaman metode yang digunakan, desain
menggunakan Jaringan Syaraf Tiruan Self Unified Modelling Language (UML), pembuatan
Organizing Map (SOM). aplikasi dengan Netbeans 8.0.1, dan database dengan
B. Sumber Data MySQL.
Sumber data dalam sebuah penelitian dibedakan
menjadi dua yaitu sumber data primary (primer) dan
sumber data sekunder (sekunder). Sumber data IV. ANALISIS SISTEM
primary adalah suatu objek atau dokumen original. A. Analisis Kebutuhan
Sumber data primary (primer) antara lain meliputi 1) Analisis Kebutuhan Fungsional: Merupakan
dokumen historis dan legal, hasil eksperimen, data paparan mengenai fitur-fitur yang akan
statistik. Sedangkan sumber sekunder (sekunder) dimasukkan ke dalam sistem yang dibuat.
merupakan data yang dikumpulkan dari tangan kedua Adapun fitur-fitur aplikasi pada penelitian ini
atau dari sumber lain yang telah tersedia sebelum adalah:
penelitian dilakukan. Sumber sekunder (sekunder) a. Mampu mengenali dan mengklasifikasikan
meliputi komentar, interprestasi, data yang diambil citra batik besurek 1 motif berdasarkan
tidak secara langsung [6]. motif dasar dengan menggunakan metode
Dalam penelitian ini sumber data yang digunakan Minutiae dan Self Organizing Maps (SOM).
adalah sumber data sekunder (sekunder), yaitu citra Keluaran berupa citra dan tabel hasil
batik besurek yang digunakan oleh Fathin Ulfah pengklasifikasian.
Karimah pada penelitiannya dan dari buku ajar Batik b. Mampu melakukan penambahan citra batik
Besurek. Jumlah sampel citra batik besurek yang besurek baru ke database.
digunakan di dalam penelitian ini ada 70 citra. c. Memberikan informasi tentang aplikasi dan
C. Metode Pengumpulan Data petunjuk penggunaan aplikasi.
Dalam mengumpulan data ada beberapa metode 2) Analisis Non-Fungsional: Terdiri dari:
yang dapat digunakan. Adapun metode yang a. Kebutuhan Perangkat Keras
digunakan dalam penelitian ini adalah metode studi (Hardware)
pustaka dan survei. Berikut ini merupakan penjelasan Perangkat keras yang mendukung
mengenai metode yang digunakan dalam penelitian dalam penelitian ini adalah 1 unit
ini yaitu Studi Pustaka (dokumentasi). Laptop Toshiba L460 dengan

ejournal.unib.ac.id 137
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

spesifikasi monitor VGA atau SVGA tampak dapat dikurangi, erosi yang digunakan untuk
(1366 x 768) dan processor Intel Core penipisan citra, dan cropping citra.
i3, RAM 2 GB, dan Harddisk 500 GB.
b. Kebutuhan Perangkat Lunak
(Software)
Perangkat lunak yang mendukung
aplikasi dalam penelitian ini adalah
berupa Sistem Operasi Windows Seven
(7) 32 bit, Java Netbeans 8.0.1,
MySQL untuk merancang database,
XAMP 2.6, dan Microsoft Office Visio
2007 untuk pembuatan diagram alir
sistem, Unified Modelling Language
(UML) dan merancang diagram alur
sistem.
c. Literatur-Literatur
Literatur-literatur berupa buku
(cetak maupun elektronik) dan jurnal
ilmiah mengenai bahasa pemrograman
Java Netbeans, metode Minutiae,
algoritma Jaringan Syaraf Tiruan Self
Organizing Maps (SOM), pengolahan
citra digital, rekayasa perangkat lunak,
dan analisis sistem.
B. Analisis Alur Kerja Sistem
Berikut alur kerja sistem diperlihatkan pada
Gambar 4.2. Dari gambar ini dapat dilihat bahwa
untuk setiap citra yang akan dikenali akan melalui
sebuah tahap yang disebut dengan preprocessing atau
Gambar 1. Diagram Alur Kerja Sistem
tahap pra-pemrosesan. Pada tahap ini akan dilakukan
beberapa aktifitas, yaitu merubah citra asli (RGB) ke Pra-pemrosesan merupakan langkah awal
citra abu-abu (grayscale), binerisasi untuk merubah sebelum dilakukan ekstraksi ciri terhadap citra batik
citra menjadi nilai biner, deteksi tepi Canny, dilasi yang akan dikenali dan diklasifikasi. Ada beberapa
untuk melakukan penebalan sehingga noise yang proses dalam pra-pemrosesan ini yakni: konversi
citra berwarna ke grayscale, deteksi tepi Canny,

138 ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

dilasi, erosi, dan cropping citra batik besurek. Elemenelemen dalam matriks intensitas
Berikut akan penulis jelaskan lebih mendalam merepresentasikan berbagai nilai intensitas atau
mengenai proses pada implementasi tersebut. derajat keabuan, dimana nilai 0 merepresentasikan
1. Konversi Citra RGB to Grayscale warna hitam dan 255 merepresentasikan intensitas
Citra grayscale merupakan citra digital yang penuh atau warna putih. [7].
mengandung matriks data I yang merepresentasikan
nilai dalam suatu range. Jumlah warna pada citra
grey adalah 28 = 256, karena citra grey jumlah bitnya
2. Binerisasi
adalah 8, dengan nilai berada pada jangkauan 0-255.
Binerisasi digunakan untuk membedakan objek
Pengubahan dari citra warna ke bentuk grayscale
gambar dengan latar belakang pada gambar tersebut.
menggunakan persamaan berikut [5] :
Proses ini akan menghasilkan citra hitam putih yang
, =
bersih dari tingkat keabuan (grayscale), atau dengan
, , + , , +
kata lain metode ini mengkonversi citra gray-level ke
(, , )....
citra bilevel (binary image). Untuk mendapatkan
... (6)
citra grayscale digunakan persamaan (6) sebelumnya
dengan keterangan:
[5].
Igrayscale = citra grayscale
Setelah mendapatkan citra grayscale, citra biner
Icolour = citra RGB
dibentuk dengan teknik thresholding. Jika g(x, y)
(x,y) = koordinat citra
adalah sebuah nilai ambang (threshold) batas dari f(x,
(x,y,c) = piksel pada kordinat (x,y), r untuk
y) dengan nilai threshold T. Nilai T digunakan untuk
merah, g
memisahkan antara objek dengan background-nya,
untuk hijau, dan b untuk biru
hasil threshold dapat ditulis sebagai berikut :
= koefisien untuk warna merah
1 ,
(Red) , = ..(7)
0 , <
= koefisien untuk warna hijau
(Green) 3. Deteksi Tepi Canny

= koefisien untuk warna biru Deteksi tepi Canny ditemukan oleh Marr dan

(Blue) Hildreth yang meneliti pemodelan persepsi visual


manusia. Ada beberapa kriteria pendeteksi tepian
Koefisien , , dan memiliki rentang paling optimum yang dapat dipenuhi oleh algoritma
nilai 0-1 dengan tujuan untuk merubah citra RGB Canny [4] :
menjadi grayscale. Apabila nilai mendekati 0, maka a. Mendeteksi dengan baik (kriteria deteksi)
citra grayscale yang dihasilkan semakin gelap, Kemampuan untuk meletakkan dan
namun apabila nilai mendekati 1 maka citra menandai semua tepi yang ada sesuai
grayscale yang dihasilkan akan semakin terang.

ejournal.unib.ac.id 139
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

dengan pemilihan parameter-parameter menggerakkan (translasi) structuring element piksel


konvolusi yang dilakukan. demi piksel pada citra input.
b. Melokalisasi dengan baik (kriteria Semakin besar ukuran structuring element maka
lokalisasi) semakin besar perubahan yang terjadi. Efek dilasi
Dengan metode Canny dimungkinkan terhadap citra biner adalah memperbesar batas dari
dihasilkan jarak yang minimum antara tepi objek yang ada sehingga objek terlihat semakin besar
yang dideteksi dengan tepi yang asli. dan lubang-lubang yang terdapat di tengah objek
c. Respon yang jelas (kriteria respon). Hanya akan tampak mengecil. Berikut ini notasi operator
ada satu respon untuk tiap tepi, sehingga dilasi :
mudah dideteksi dan tidak menimbulkan = {() (8)
kerancuan pada pengolahan citra Suatu objek (citra input) dinyatakan dengan ,
selanjutnya. structuring element / SE dinyatakan dengan , serta
() menyatakan translasi sedemikian sehingga
4. Dilasi dan Erosi
pusat terletak pada , maka operasi dilasi dengan
Operator erosi merupakan operasi pengecilan
dapat dinyatakan sebagai dan adalah
sedangkan operator dilasi merupakan operasi
himpunan kosong.
ekspansi. Operasi erosi dihasilkan dari perbedaan dan
Sama seperti dilasi, proses erosi dilakukan
interseksi, sedangkan operasi dilasi dihasilkan dari
dengan membandingkan setiap piksel citra input
perbedaan dan gabungan. Transformasi vang melalui
dengan nilai pusat structuring element dengan cara
dilasi tergantung pada erosi. Notasi dari operator
melapiskan structuring element dengan citra
dilasi dan erosi dapat dilihat pada Persamaan (8) dan
sehingga pusat structuring element tepat dengan
Persamaan (9).
posisi piksel citra yang diproses. Jika semua piksel
Proses dilasi dilakukan dengan membandingkan
pada structuring element tepat sama dengan semua
setiap piksel citra input dengan nilai pusat
nilai piksel objek (foreground) citra maka piksel
structuring element dengan cara melapiskan
input diset nilainya dengan piksel foreground. Jika
(superimpose) structuring element dengan citra
tidak, maka piksel input diberi nilai piksel
sehingga pusat structuring element tepat dengan
background. Proses serupa dilanjutkan dengan
posisi piksel citra yang diproses. Jika paling sedikit
menggerakkan structuring element piksel demi piksel
ada 1 piksel pada structuring element sama dengan
pada citra input. Proses erosi akan menghasilkan
nilai piksel objek (foreground) citra, maka piksel
objek yang menyempit (mengecil). Lubang pada
input diset nilainya dengan nilai piksel foreground
objek juga akan membesar seiring menyempitnya
dan bila semua piksel yang berhubungan adalah
batas objek tersebut. Berikut ini notasi erosi :
background maka piksel input diberi nilai piksel
= {() ... (9)
background. Proses serupa dilanjutkan dengan
Operator erosi pada citra digital akan rnencari
titik-titik yang bernilai minimum di dalam

140 ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

lingkungan tetangga, sedangkan operator dilasi akan 1) Pengujian Menggunakan Citra Training
mencari titik-titik yang bernilai maksimum. Pada Database
Pengujian ini dilakukan sebanyak 35 kali
5. Cropping Citra
dengan rincian 7 citra setiap motif dasar batik
Cropping adalah memotong satu bagian citra
besurek. Seperti yang telah dijelaskan
sehingga diperoleh citra yang berukuran lebih kecil.
sebelumnya, bahwa motif dasar batik besurek
Operasi ini pada dasarnya adalah operasi translasi,
ada 5, yaitu motif dasar Kaligrafi, Raflesia,
yaitu menggeser koordinat titik citra. Rumus yang
Burung Kuau, Relung Paku, dan Rembulan.
digunakan untuk operasi ini adalah :
Dari hasil pengujian, diperoleh hasil
= untuk sampai ..
sebagai berikut :
(10)
a. Nilai recall tertinggi diperoleh motif
= untuk sampai ......
relung paku, yaitu 81.6% dan recall
(11)
terendah diperoleh motif rembulan, yaitu
( , ) dan ( , ) masing-masing adalah
28.6%
koordinat titik pojok kiri atas dan pojok kanan bawah
b. Nilai precission tertinggi diperoleh motif
bagian citra yang hendak di-crop. Sehingga,ukuran
rembulan, yaitu 40.7% dan precission
citra berubah menjadi :
terendah diperoleh motif kaligrafi, yaitu
= . (12)
28.92%
dan transformasi baliknya adalah :
c. MRR yang dihasilkan adalah 100% untuk
= untuk = sampai ...... (13) semua citra uji menggunakan citra
= untuk = sampai .. (14) training.
d. Kinerja keseluruhan dari aplikasi, yaitu
V. HASIL DAN PEMBAHASAN recall 51.07% dan precission 32.57%.
A. Hasil Implementasi Nilai recall motif relung paku tinggi
Implementasi yang dilakukan terdiri dari karena motif dasarnya paling jauh berbeda
implementasi antarmuka dan implementasi prosedur. dari motif lainnya. Sedangkan nilai recall
Implementasi antarmuka bertujuan untuk mengetahui motif rembulan rendah karena motif yang
apakah sistem yang dibangun sudah berjalan dengan dimilikinya mempunyai kemiripan dengan
baik dan siap digunakan. Sedangkan implementasi motif raflesia. Selain itu, rembulan tidak ada
prosedur merupakan implementasi pada motif pasti atau terdapat banyak variasi,
pemrograman aplikasi yang menjadi inti dari aplikasi sehingga sering terklasifikasi ke motif
klasifikasi citra batik besurek berdasarkan ekstraksi raflesia.
fitur tekstur menggunakan jaringan syaraf tiruan Self
Organizing Map (SOM). 2) Pengujian Menggunakan Citra yang Belum
B. Hasil Uji Kelayakan Sistem Pernah Dilatihkan ke Database

ejournal.unib.ac.id 141
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

Pada penelitian ini digunakan 15 citra database, terjadi 7 kesalahan klasifikasi dari
yang belum pernah dilatihkan ke sistem untuk 15 uji coba yang dilakukan.
tujuan pengujian. Pengujian ini dilakukan Jika dibandingkan dengan rata-rata selisih
sebanyak 15 kali dengan rincian 3 citra untuk jarak nilai dalam cluster, diperoleh
masing-masing motif dasar batik besurek. kesimpulan bahwa tidak bisa ditetapkan suatu
Dari hasil pengujian, diperoleh hasil sebagai standar rata-rata selisih jarak dalam cluster
berikut : untuk memisahkan antara satu motif citra
a. Nilai recall tertinggi diperoleh motif dengan motif citra lainnya. Hal ini disebabkan
relung paku, yaitu 90.5% dan recall oleh bobot yang digunakan algoritma Self
terendah diperoleh motif rembulan, yaitu Organizing Map (SOM) selalu diinisialisasi
42.86% secara acak pada setiap percobaan, sehingga
b. Nilai precision tertinggi diperoleh motif berpengaruh pada distance atau jarak yang
rembulan, yaitu 51.9% dan precission dihasilkan oleh algoritma Self Organizing
terendah diperoleh motif burung kuau, Map (SOM). Dan lebih jauh lagi, hal ini
yaitu 13.2% mengakibatkan jumlah cluster yang ada pada
c. MRR tertinggi diperoleh motif rembulan, setiap percobaan dimungkinkan untuk berbeda
yaitu 83% dan MRR terendah diperoleh jumlahnya, demikian pula terdapat variasi
motif relung paku, yaitu 19.5% dalam cluster serta jarak antar cluster yang
d. Kinerja keseluruhan dari aplikasi, yaitu selalu berubah-ubah pada setiap percobaan.
recall 51.07%, precision 32.57%, dan Hal ini memberi dampak, sebagai contoh :
MRR 67.6%. sebuah motif pada kondisi ideal seharusnya
Sama seperti hasil pengujian sebelumnya, semuanya terletak pada 1 cluster yang sama
pada pengujian ini nilai recall dan precision akan tetapi motif tertentu tersebut akibat
yang dihasilkan berbanding terbalik bobot yang acak mengakibatkan jarak terlalu
berdasarkan pengujian yang telah dilakukan. jauh untuk digolongkan ke dalam 1 cluster,
Nilai recall motif relung paku tinggi karena melainkan tersebar lebih dari 1 cluster dengan
motif dasarnya paling jauh berbeda dari motif demikian standar rata-rata selisih jarak tidak
lainnya. Sedangkan nilai recall motif dapat ditetapkan dengan suatu nilai tertentu
rembulan rendah karena motif yang untuk memisahkan pola motif dasar dominan
dimilikinya mempunyai kemiripan dengan 1 dengan pola motif dasar dominan lainnya.
motif raflesia. Selain itu, rembulan tidak ada
3) Pengujian Menggunakan Citra Non-Batik
motif pasti atau terdapat banyak variasi,
Besurek
sehingga sering terklasifikasi ke motif
Pada pengujian ini dilakukan 10 kali
raflesia. Dari tabel di atas, dapat dilihat bahwa
pengujian menggunakan citra non-batik
untuk citra yang belum pernah dilatihkan pada

142 ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

besurek. Hasil pengklasifikasian Crossing Number Point Minutiae lalu


menghasilkan selisih jarak yang cukup kecil. diproses oleh Self Organizing Map (SOM),
Tabel 3 di bawah ini adalah tabel hasil jarak yang dihasilkan selalu mendekati suatu
pengujian menggunakan citra non-batik pola motif tertentu dari batik besurek.
besurek.
4) Pengujian Menggunakan Citra Batik Besurek
Tabel 3. Hasil Pengujian Menggunakan Citra
Gabungan
Non-Batik Besurek
Pada pengujian ini diharapkan agar
Rata-
Motif
Rata aplikasi dapat mengklasifikasikan citra uji
No Nama Citra Dasar
Selisih
Dominan
Jarak batik besurek gabungan berdasarkan motif
1 BATIK_abimanyu.jpg Raflesia 2,371.431
Burung
dasar yang dominan dari kedua motif yang
2 BATIK_ceplok.jpg 2,620.728
Kuau digabungkan menjadi satu. Hasil pengujian ini
Burung
3 BATIK_kawung.jpg 494.614
Kuau menunjukkan bahwa 6 dari 10 pengujian
4 BATIK_madura1.jpg Rembulan 3,245.659
Burung
berhasil dilakukan oleh aplikasi, sehingga
5 BATIK_madura2.jpg 2,279.724
Kuau diperoleh rasio keberhasilan sebesar 60%.
Burung
6 BATIK_mendung.jpg 415.743
Kuau Berikut ini adalah Tabel 4 yang
7 BATIK_papua2.jpg Raflesia 3,398.595
Burung
merupakan hasil pengujian menggunakan citra
8 BATIK_solo1.jpg 936.199
Kuau batik besurek gabungan :
Burung
9 BATIK_solo2.jpg 638.232
Kuau Tabel 4. Hasil Pengujian Menggunakan Citra
Burung Batik Besurek Gabungan
10 BATIK_udanliris.jpg 1,352.013
Kuau
Motif Rata-Rata Kesimpulan
No Nama Citra Dasar Selisih
Hasil percobaan pada Tabel 3 akan Dominan Jarak
Burung Klasifikasi
1. Kuau_Kalig.jpg 1,373.811
Kuau Benar
menuju ke cluster dimana rata-rata selisih Burung Klasifikasi
2. Kuau-Kuau.jpg 489.933
Kuau Benar
jaraknya terpendek. Dalam hal ini, fakta yang Kuau_Rembulan.j Burung Klasifikasi
3. 821.395
pg Kuau Benar
ditemui adalah batik-batik non-batik besurek Burung Klasifikasi
4. Raf_Kalig1.jpg 2,726.33
Kuau Salah
dari 10 kali pengujian tidak pernah ter-cluster Burung Klasifikasi
5. Raf_Kalig2.jpg 1,684.119
Kuau Salah
menjadi sebuah cluster dominan pada jenis Burung Klasifikasi
6. Raf_Kalig3.jpg 2,585.424
Kuau Salah
batik non-batik tertentu. Artinya motif-motif Klasifikasi
7. Raf_Kalig4.jpg Kaligrafi 2,559.784
Benar
citra non-batik besurek yang dimasukkan ke 8. Raf_Kalig5.jpg Raflesia 2,576.555
Klasifikasi
Benar
sistem kurang kuat untuk membentuk suatu 9. Raf_Kalig6.jpg
Burung
2,370.899
Klasifikasi
Kuau Salah
cluster tersendiri terpisah dari beragam motif 10. Raf_Kalig7.jpg Kaligrafi 2,591.085
Klasifikasi
Benar
batik besurek. Total Benar 6 Benar

Total Salah 4 Salah


Rasionalisasi dibalik ketidakberhasilan
algoritma Self Organizing Map (SOM) dalam
Pada Tabel 4, citra yang diujikan merupakan
mengenali motif non batik besurek adalah
gabungan dari 2 buah citra, sebagai contoh pada
disebabkan oleh karena dia ketika ditarik oleh

ejournal.unib.ac.id 143
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

percobaan pertama Tabel 4 citra uji gabungan dari tiruan Self Organizing Map (SOM) untuk 35
motif burung kuau dan motif kaligrafi dengan motif citra training yang dijadikan sebagai citra uji
dasar dominan yang ditemukan pada cluster dengan menghasilkan tingkat pencocokan temu kembali
selisih jarak terpendek menunjukkan motif dasar 100%.
dominan burung kuau, menghasilkan kesimpulan 3. Aplikasi pengklasifikasian batik besurek dengan
benar. Artinya pada Tabel 4 ini diberi asumsi jika menerapkan Point Minutiae dan jaringan syaraf
salah satu atau kedua kombinasi gabungan citra uji tiruan Self Organizing Map (SOM) untuk citra
dari citra uji gabungan terpanggil pada motif dasar batik besurek yang belum pernah dilatihkan
dominan cluster pemenang (cluster dengan rata-rata menghasilkan nilai rata-rata recall tertinggi oleh
selisih jarak terpendek), maka kesimpulannya adalah motif relung paku 0.905, dan recall terendah
benar. Selain itu, akan diklasifikasikan sebagai salah. diperoleh motif rembulan, yaitu 0.4286. Nilai
rata-rata precision tertinggi diperoleh motif
VI. KESIMPULAN
rembulan, yaitu 0.519 dan precision terendah
Berdasarkan implementasi dan hasil pengujian
diperoleh motif burung kuau, yaitu 0.132. Nilai
aplikasi yang telah dilakukan, maka peneliti dapat
MRR tertinggi diperoleh motif rembulan, yaitu
menyimpulkan bahwa :
0.83 dan MRR terendah diperoleh motif relung
1. Penelitian ini telah menghasilkan sebuah aplikasi
paku, yaitu 0.195.
klasifikasi citra batik besurek yang dapat
4. Aplikasi pengklasifikasian batik besurek dengan
digunakan sebagai aplikasi pengenalan, temu
menerapkan Point Minutiae dan jaringan syaraf
kembali citra dengan selisih jarak 0 untuk citra
tiruan Self Organizing Map (SOM) untuk citra
training, dan sekaligus sebagai klasifier dengan
non-batik besurek diperoleh nilai selisih jarak
menggunakan ekstraksi fitur tekstur Point
terpendek oleh citra Batik_mendung.jpg, yaitu
Minutiae dan jaringan syaraf tiruan Self
415.743 dan nilai selisih jarak terjauh diperoleh
Organizing Map (SOM) dengan baik. Hasil uji
citra Batik_Madura1.jpg, yaitu 3,245.569.
dengan menggunakan citra non-training
5. Aplikasi pengklasifikasian batik besurek dengan
memiliki nilai recall tertinggi mencapai 0.905
menerapkan Point Minutiae dan jaringan syaraf
untuk citra batik besurek yang belum pernah
tiruan Self Organizing Map (SOM) untuk citra
diujikan, dan nilai precision tertinggi 0.528
gabungan diperoleh rasion keberhasilan 60% .
untuk citra batik yang belum pernah dilatihkan,
6. Tidak bisa ditetapkan suatu standar rata-rata
MRR 0.853 untuk citra yang belum pernah
selisih jarak dalam cluster untuk memisahkan
diujikan. Citra training yang dimaksud adalah
antara satu motif citra dengan motif citra lainnya,
35 sampel citra yang terdiri dari 5 motif masing
untuk mengklasifikasikan citra batik besurek.
masing 7 varian.
Aplikasi pengklasifikasian batik besurek ini
2. Aplikasi pengklasifikasian batik besurek dengan
mampu melakukan klasifikasi motif dasar dominan
menerapkan Point Minutiae dan jaringan syaraf
batik dengan motif relung paku sebagai motif yang

144 ejournal.unib.ac.id
Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

memiliki tingkat relevansi tertinggi (rata-rata recall seperti SVM atau bisa menggunakan model
0.905) dan motif rembulan sebagai motif dengan bertingkat (cascaded model)
tingkat relevansi terendah (rata-rata recall 0.4286). 3. Untuk menaikkan persentase keberhasilan sistem
Motif relung paku memiliki nilai recall tertinggi, pengklasifikasian batik besurek ini, bisa
karena motif dasarnya paling jauh berbeda dari motif dilakukan dengan dengan memperbanyak sampel
lainnya. Sedangkan nilai recall motif rembulan citra dengan instance yang sama, sehingga motif-
rendah karena motif yang dimilikinya mempunyai motif sejenis tapi berbeda style akan terkelompok
kemiripan dengan motif batik besurek lainya, yaitu dalam cluster walaupun tidak dalam cluster besar,
raflesia. Selain itu motif rembulan tidak memiliki tetapi akan menjadi cluster-cluster yang mewakili
motif pasti atau terdapat banyak variasi, sehingga setiap style.
sering terklasifikasi ke dalam motif raflesia.
REFERENSI
VII. SARAN [1] Asmadin, dkk. 2012. Pengelompokan Habitat Dasar Perairan
Dangkal Berbasis Data Satelit Quickbird
Berdasarkan analisis perancangan aplikasi, Menggunakan Algoritma Self Organizing Map. Jurnal
Aquasains, Tahun 2012, Vol 1, No.1, Halaman 9-16.
implementasi dan pengujian yang dilakukan, maka [2] Karimah, Fatin U. 2014. Skripsi Rancang Bangun Aplikasi
Pencarian Citra Batik Besurek Berbasis Tekstur
untuk pengembangan penelitian selanjutnya penulis Dengan Metode Gray Level Coocurrence Matrix dan
Euclidean Distance. Bengkulu : Fakultas Teknik
menyarankan sebagai berikut: Program Studi Teknik Informatika Universitas
1. Aplikasi klasifikasi citra batik besurek ini dapat Bengkulu.
[3] Larose, D. 2004. Discovering Knowledge in Data: An
diselidiki lebih jauh dengan menggunakan Introduction to Data mining. USA: John Wiley & Sons
Inc.
topologi lain pada Self Organizing Map (SOM) [4] Niam, Bahrun., Hadiyatno, Ahmad., Isnanto, Rizal., 2010.
Analisis Deteksi Tepi Citra Berdasarkan Perbaikan
seperti linear array, rectangular grid, atau Kualitas Citra. Jurnal Undergraduated Thesis.
Surabaya : Institut Teknik Surabaya.
hexagonal grid. Pada aplikasi ini peneliti [5] Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta: Andi.
[6] Silalahi, U. 2012. Metode Penelitian Sosial. Bandung: PT.
mencoba menerapkan topologi randtop, karena Refika Aditama.
[7]Wahyu, H. 2013. Perancangan Sistem Perangkat Lunak Untuk
persebaran pola titik pada citra batik besurek Mengklasifikasikan Motif Menggunakan Metode
Klasifikasi K-Nearest Neighbour (KNN).
bersifat acak atau tidak beraturan, sehingga [8]Wahyumianto, Arga., Purnama, I.K.E., Christyowidiasmoro.
topologi yang sesuai adalah topologi randtop. 2012. Identifikasi Tumbuhan Berdasarkan Minutiae
Tulang Daun Menggunakan SOM Kohonen. Jurnal
2. Aplikasi ini dapat terus dikembangkan lebih Undergraduated Thesis Electrical Engineering, Tahun
2012.
lanjut dalam hal metode yang digunakan, ke [9]Yulianto, R., Suprapto, Y.K., Hariadi, M. 2010. Identifikasi
Pola Batik Parang Dengan ALgoritma Point Minutiae
depannya diharapkan untuk dapat menggunakan Menggunakan Metode K-Means Clustering. Jurnal Java
Journal, Tahun 2010, Vol 8, No.2.
metode selain Self Organizing Map (SOM) yang
merupakan metode unsupervised learning karena
hasil dari metode ini kurang memuaskan. Untuk
itu dapat digunakan metode supervised learning

ejournal.unib.ac.id 145