plagiat merupakan tindakan tidak terpuji · 2018. 2. 9. · gambar 2.2 matrik dari c1, t1, t2 dan...
TRANSCRIPT
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
ABSTRAK
Tato merupakan suatu tradisi dari suku Dayak Iban khususnya yang berlokasi
di Kabupaten Kapuas Hulu, Kalimantan Barat, Indonesia. Namun banyak pemuda-
pemudi yang belum mengetahui arti dari tato yang di lukis di para tetua saat ini.
Maka dari itu penilitian yang akan dilakukan ini bertujuan untuk membudayakan
suatu tradisi tato yang memiliki arti pada setiap pola dan bentuk ukirannya. Data yang
akan digunakan adalah dalam bentuk gambar format JPG yang diambil dari kamera
smartphone beresolusi 16 megapixel yang berjumlah 50 data sebagai learning.
Rencana penelitian akan diuji menggunakan alat uji yang dibuat menggunakan
aplikasi matlab dengan data testing terdiri dari 30 data, Hasil dari pengujian ini akan
dihitung persentase dengan rumus yang sudah ada. Tujuan akhir dari penelitian ini
adalah melihat apakah metode yang digunakan akan menghasilkan bisa mengenali
motif tato ini dan menghasilkan akurasi yang bagus.
Pada penelitian ini akan di bangun sebuah prototype sistem yang mampu
mengenali gambar tato Dayak Iban dengan data yang diperoleh untuk template
database adalah data yang diambil dari katalog tato Dayak Iban yang ada di
perpustakaan Rumah Betang (Rumah Adat) daerah Sungai Utik, Kapuas Hulu. Data
yang dikumpulkan akan di foto dan di jadikan database. Selain itu, untuk data
sebagai testing akan diambil dari tato yang ada di kulit dan dari foto katalog yang di
ambil dari sudut pengambilan kira-kira 45o. Tahapan dalam penelitian ini adalah
pemotongan gambar dan mengganti ukuran gambar menjadi 400x300 setelah itu akan
di masukan ke tahap preprocessing. Pada tahap preprocessing akan dikenakan proses
grayscaling, binarization, deteksi tepi Canny, dan resizing. Dari hasil preprocessing
untuk data training akan dimasukan kedalam template database dan data uji akan
diidentifikasi. Proses identifikasi menggunakan metode template matching dan hasil
dari pengenalan ini adalah berupa nama yang akan dikenali oleh proses identifikasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
Dari hasil yang sudah didapat ini akan dihitung nilai akurasi yang akan
menguji kehandalan dari sistem ini. Untuk akurasi yang dihasil kan dari penelitian ini
jika mendahulukan proses Canny sebelum resize, didapat hasil dari segi kaum awam
yaitu 83,33% data ini di didapat dari hasil secara umum dan dari segi seorang citra
yaitu 16,66% data ini didapat dari hasil kemiripan suatu data. Jika menggunakan
resize terlebih dahulu sebelum proses deteksi tepi Canny maka akan menghasilkan
nilai akurasi yaitu dari segi kaum awam atau secara umum menghasilkan 33,33% dan
dari segi seorang citra menghasilkan 6,66%. Untuk hasil yang didapat yang
mempengaruhi ketepatan identifikasi adalah dari segi posisi dan letak gambar, rotasi
gambar, dan pencahayaan.
Kata Kunci: Tato Dayak Iban, Deteksi Tepi Canny, Template Matching, Minimum
Distance, Jarak City Block.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Tattoo is a tradition of Iban Dayak tribe especially located in Kapuas Hulu
District, West Kalimantan, Indonesia. But many young people who do not know the
meaning of the tattoo painted in the elders today. Therefore the research that will be
done is aimed to civilize a tattoo tradition that has meaning in every pattern and shape
of carving. the data to be used is in the form of JPG format images taken from the
camera camera 16 megapixel resolution of 50 data as learning. The research plan will
be tested using test tools made using matlab application with data testing consisting
of 30 data, result of this test will be calculated percentage with the existing formula.
The Final destination of this study is to see whether the method used will result in
recognizing this tattoo motif and producing good accuracy.
In this research will be built a prototype system that is able to recognize
images of Dayak Iban tattoos with data obtained for database templates are data taken
from the Iban Dayak tattoo catalog that is in the library of Rumah Betang (Rumah
Adat) Sungai Utik area, Kapuas Hulu. The data collected will be in the photo and in
the database. In addition, for the data as the testing will be taken of the tattoo on the
skin and from the photo catalog are taken from the angle of approximately 45o.
Stages in this research is cutting the image and changing the image size to 400x300
after it will be input to the preprocessing stage. In the preprocessing stage will be
subject grayscaling process, binarization, Canny edge detection, and resizing. From
the preprocessing results to the training data will be entered into the template
database and test data will be identified. The identification process using the template
matching method and the result of this introduction is a name that will be identified
by the identification process.
From the results already obtained this will be calculated the value of accuracy
that will test the reliability of this system. For accuracy resulted from this research if
priority Canny process before resize, got result from facet side that is 83,33% this
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
data obtained from result in general and in terms of an image that is 16,66% this data
obtained from result of likeness. If using resize first before Canny edge detection
process will produce accuracy value that is in terms of the laity or generally produce
33.33% and in terms of an image produces 6.66%. For results that affect the accuracy
of identification is in terms of position and location of the image, image rotation, and
lighting.
Keywords: Iban Dayak Tattoos, Canny Edge Detection, Template Matching,
Minimum Distance, City Block Distance.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, atas segala
rahmat dan berkat-Nya sehingga penulis dapat menyelesaikan Skripsi yang berjudul
"Pengenalan Motif Tato Dayak Menggunakan Deteksi Tepi Canny dan Template
Matching". Penulisan skripsi ini bertujuan memenuhi salah satu syarat untuk
mendapat gelar sarjana pada Program Studi Teknik Informatika, Fakultas Sains dan
Teknologi, Universitas Sanata Dharma Yogyakarta.
Penulis menyadari bahwa banyak hambatan dan kesulitan yang timbul dalam
menyelesaikan skripsi ini, namun dapat terselesaikan dengan bantuan, dukungan dan
perhatian dari berbagai pihak. Oleh karena itu, pada kesempatan kali ini penulis ingin
mengucapkan terima kasih kepada semua pihak yang secara langsung maupun tidak
langsung memberi bantuan dan dukungan untuk terselesaikannya skripsi ini:
1. Dr. Anastasia Rita Widiarti selaku dosen pembimbing yang telah sabar dan
murah hati dalam membimbing dan memotivasi penulis dalam menyelesaikan
penulisan skripsi.
2. Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik Informatika
Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.
3. Raymundus Remang selaku Petinggi Adat Betang Sungai Utik Kapuas Hulu
yang telah berkenan memberikan ijin dan kesempatan kepada penulis untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
melalukan penelitian.
4. Tim Kreator Pembuat Tatto Dayak Iban Sungai Utik, Kapuas Hulu,
Kalimantan Barat (Apat, Candao, Hendra, Muling, Mundus, Nanang, Yosep
Lampun, dan Mardiana Maria Timah) yang telah membimbing dan memberi
arahan selama penulis melakukan penelitian.
5. Alexander Novan Putra Lamandau, Teguh Dwi Putra dkk dan Katalog Tato
Dayak Iban Perpustakaan Daerah Rumah Betang Sungai Utik yang diteliti
serta bersedia menjadi subyek penelitian serta bersedia membantu dengan
ikhlas membantu demi kelancaran penelitian.
6. Army Purnama Sari selaku teman yang membantu dalam proses bahasa
instrumen penelitian.
7. Kedua orang tua serta adik-adikku atas segala dukungan, kasih sayang, serta
doa kepada penulis.
8. Fransiskus Apeng S.Ag dan Veronika S.Ag selaku motivator dalam
meneyelesaikan penulisan skripsi.
9. Teman-teman (Army, Ezra, Arga, Jovi, Windi, Ujang, Amel, dan Soni) yang
bersedia membantu saya untuk memperbaiki typing error dan membantu
pembuatan program alat uji saat menyelesaikan skripsi di Kost dan Kontrakan
pada saat penulis melakukan perbaikan penulisan dan revisi.
10. Teman-teman Teknik Informatika 2013 atas kebersamaan dalam
menyelesaikan studi di Universitas Sanata Dharma.
11. Semua pihak yang tidak dapat disebutkan satu persatu dalam penyusunan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR ISI
HALAMAN JUDUL ................................................................................................... i
TITLE PAGE ............................................................................................................. ii
HALAMAN PERSETUJUAN .................................................................................. iii
HALAMAN PENGESAHAN ................................................................................... iv
PERNYATAAN KEASLIAN KARYA .................................................................... v
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS ................................................................. vi
ABSTRAK ............................................................................................................... vii
ABSTRACT .............................................................................................................. ix
KATA PENGANTAR .............................................................................................. xi
DAFTAR ISI ........................................................................................................... xiv
DAFTAR GAMBAR ............................................................................................... xv
DAFTAR TABEL .................................................................................................. xvii
BAB I. PENDAHULUAN ........................................................................................ 1
1.1. Latar Belakang ......................................................................................... 1
1.2. Rumusan Masalah .................................................................................... 2
1.3. Tujuan Penelitian .................................................................................... 2
1.4. Batasan Masalah ...................................................................................... 2
1.5. Manfaat Penelitian ................................................................................... 3
1.6. Metode Penelitian .................................................................................... 3
1.7. Sistematika Penulisan Skripsi .................................................................. 4
BAB II. LANDASAN TEORI ................................................................................ 6
2.1. Tato ............................................................................................................ 6
2.2. Citra Digital ............................................................................................... 6
2.3. Pengenalan Pola ......................................................................................... 7
2.4. Template Matching .................................................................................... 7
2.5. Deteksi Tepi ............................................................................................... 8
2.6. Deteksi Garis .............................................................................................. 9
2.7 Operator Canny ........................................................................................ 11
BAB III METODE PENELITIAN ...................................................................... 16
3.1. Bahan Riset .............................................................................................. 16
3.2. Peralatan Penelitian .................................................................................. 16
3.3. Metode Pengumpulan data ....................................................................... 17
3.3.1 Observasi ....................................................................................... 17
3.3.2 Studi literatur ................................................................................. 17
3.4. Tahap-Tahap Penelitian ........................................................................... 17
3.4.1. Identifikasi Masalah ..................................................................... 17
3.4.2. Studi Pustaka ................................................................................ 18
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
3.4.3. Pengumpulan Data ........................................................................ 18
3.4.4. Pengolahan Data ........................................................................... 19
3.4.5. Deteksi Garis ................................................................................ 21
3.4.6. Rancangan Deteksi Tepi Canny ................................................... 25
3.4.7. Perancangan Alat Uji .................................................................... 32
3.4.8. Implementasi ................................................................................ 32
3.5. Pengujian (Testing) ................................................................................... 32
3.6. Pengukuran Akurasi Sistem ..................................................................... 33
BAB IV HASIL DAN ANALISA ........................................................................ 34
4.1 Input Data ................................................................................................... 34
4.2 Preprocessing ............................................................................................. 36
4.2.1 Grayscaling ...................................................................................... 36
4.2.2 Binarization...................................................................................... 37
4.2.3 Deteksi Tepi Canny .......................................................................... 38
4.2.4 Proses Resize .................................................................................... 45
4.3 Template Database ..................................................................................... 46
4.4 Identifikasi .................................................................................................. 48
4.5 Hasil dan Evaluasi ...................................................................................... 49
4.5.1 Hasil Pengujian Proses Deteksi Tepi Canny Sebelum Resize ........ 49
4.5.2 Hasil Pengujian Proses Deteksi Tepi Canny Sesudah Resize ........ 54
BAB V PENUTUP ................................................................................................ 57
5.1 Kesimpulan ..................................................................................................... 57
5.2 Saran ................................................................................................................ 58
DAFTAR PUSTAKA ............................................................................................ 60
LAMPIRAN ........................................................................................................... 62
DAFTAR GAMBAR
Gambar 2.1 Matrik Citra Digital ............................................................................... 6
Gambar 2.2 Matrik dari C1, T1, T2 dan T3 (Adji, 2017) ......................................... 8
Gambar 2.3 Contoh Deteksi Garis Horizontal (Kadir dan Susanto, 2013) ............... 10
Gambar 2.4 Contoh Hasil Deteksi Garis untuk Empat Arah yang Berbeda
Terhadap Gambar 2.2(a) (Kadir dan Susanto, 2013) ................................................ 10
Gambar 2.5 Contoh Cadar Gaussian dengan Theta 1,4 (Kadir dan Susanto, 2013)
................................................................................................................................... 11
Gambar 2.6 Matrik Piksel Berukuran 5x5 (Kadir dan Susanto, 2013) ..................... 12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 2.7 Arah untuk Mengkonversi Arah Tepi Kedalam Kategori Salah Satu
Arah dan (Kadir dan Susanto, 2013) ......................................... 12
Gambar 2.8 Pneghitungan Nonmaksimum (Kadir dan Susanto, 2013) .................... 14
Gambar 2.9 Pengujian untuk Mengubah Nilai 128 Menjadi 255 (Kadir dan Susanto,
2013) ......................................................................................................................... 14
Gambar 2.10 Contoh Hasil Antara Hingga Hasil Akhir pada Pengenalan Operator
Canny (Kadir dan Susanto, 2013) ............................................................................. 15
Gambar 3.1 Blok Diagram ....................................................................................... 19
Gambar 3.2 Preprocessing Model ............................................................................ 20
Gambar 3.3 Contoh Perhitungan 4 Cadar untuk Mendeteksi Keberadaan Garis...... 23
Gambar 3.4 Flowchart Deteksi Tepi Canny ............................................................. 25
Gambar 3.5 Contoh Gambar Citra yang Diinput (Kadir dan Susanto, 2013) ........... 26
Gambar 3.6 Matrik 3x3 hasil Gaussian filtering (Kadir dan Susanto, 2013) ........... 28
Gambar 3.7 Contoh Hasil dari Besaran Gradien (Kadir dan Susanto, 2013) ........... 30
Gambar 3.8 Contoh Hasil dari Penghitungan Nonmaksimum (Kadir dan Susanto,
2013) ......................................................................................................................... 31
Gambar 3.9 Hasil Operator Canny (Kadir dan Susanto, 2013) ................................ 39
Gambar 4.1 Data Training yang Terdiri dari 50 Data............................................... 35
Gambar 4.2 Gambar Sebelum di crop ..................................................................... 35
Gambar 4.3 Data Testing yang Terdiri dari 30 Data ................................................. 36
Gambar 4.4 Hasil Grayscaling Citra ....................................................................... 37
Gambar 4.5 Hasil Binarisasi Citra ............................................................................ 38
Gambar 4.6 Hasil Deteksi Tepi Canny ..................................................................... 44
Gambar 4.7 Hasil Resize ........................................................................................... 45
Gambar 4.8 Isi dari Database Template Berupa matrik dan Nama Citra ................. 47
Gambar 4.9 Hasil Matrik BT 4 setelah dikenakan Canny dan Resize ...................... 52
Gambar 4.10 Hasil Matrik Bunga Terong1 setelah dikenakan Canny dan Resize ... 53
Gambar 4.11 Hasil Matrik Uker Degok 5 setelah dikenakan Canny dan Resize ...... 53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
Gambar 4.12 Gambar dari Masing-Masing Nama di Tabel 4.2................................ 53
Gambar 4.13 Hasil Proses Gambar Canny ............................................................... 54
Gambar 4.14 Hasil Proses Resize Dahulu Kemudian Deteksi Tepi Canny .............. 56
DAFTAR TABEL
Tabel 4.1 Tabel Pengujian Menggunakan Canny Buatan Sendiri ............................ 49
Tabel 4.2 Tabel Nilai Jarak Citra Uji dan Template ................................................. 52
Tabel 4.3 Tabel Pengujian Menggunakan Canny Sesudah di Resize ........................ 55
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Tato adalah suatu tanda yang dibuat dengan memasukan pigmen kedalam
kulit manusia. Pada masa ini banyak anak muda maupun orang dewasa
menggunakan tato pada tubuhnya namun, tidak sedikit juga orang yang
menilai seseorang yang menggunakan tato ditubuhnya dipandang sebagai
preman ataupun penjahat. Banyak juga yang takut ataupun cemas terhadap
orang yang menggunakan tato namun, tidak semua orang yang menggunakan
tato berarti orang yang tidak baik. Seseorang yang menggunakan tato
ditubuhnya bisa saja tato tersebut memiliki makna yang mendalam ataupun
terdapat kenangan yang berharga dari motif tato yang diukir ditubuhnya.
Namun terdapat pandangan lain bagi seseorang yang pencinta seni yang
memiliki pandangan bahwa tato itu sangat indah dan ingin mengekspresikan
kecintaan seni nya itu pada tubuhnya.
Masyarakat asli di Kalimantan Barat Indonesia khususnya juga tidak lepas
dari yang namanya tato meski tidak semua menggunakan tato namun
masyarakat pedalaman memakai tato sebagai tradisi dari adat mereka.
Masyarakat Dayak Kalimantan menggunakan tato sebagai tanda yang
menunjukan siapa dirinya di daerah yang ditinggalinya itu. Ada tato yang
menunjukan tingkatan kepemimpinan, dan juga tato yang menunjukan bahwa
dia adalah perantau. Namun semakin berkembangnya zaman banyak tradisi
itu dilupakan termasuk anak muda suku Dayak sekarang sudah tidak banyak
yang memakai tato khas Dayak.
Menggunakan deteksi Canny untuk pendeteksian tepi dari motif tato
dayak dan menggunakan Template Matching sebagai indetifikasi tato tersebut
adalah langkah untuk pengenalan motif tato Dayak sebagai pelestarian
kebudayaan dan pengenalan nama dari tato tersebut. Pengenalan motif tato
dayak dikhususkan pada motif tato suku Dayak Iban di Kabupaten Kapuas
Hulu, Kalimantan Barat, Indonesia. Dari penelitian sebelumnya dalam
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
mengenali Motif Batik Indonesia Menggunakan Deteksi Tepi Canny dan
Template Matching mendapatkan hasil bahwa ada 9 citra yang menjadi acuan
dan 3 citra di luar citra acuan. Dari 12 kali pengujian maka didapatkan
persentase keberhasilan yaitu 89,44% (Flaurensia dkk, 2016) dari hasil ini
maka metode yang sama akan dipergunakan untuk pengenalan motif dayak
yang diharapkan dapat menghasilkan hasil yang bagus pula.
Dalam penelitian kali ini bertujuan untuk menghasilkan persentase
keberhasilan untuk mengenali motif tato dayak. Proses pengenalan terdiri dari
dua bagian yaitu learning dan testing. Proses learning bermula dari
pengambilan gambar dengan kamera. Selanjutnya akan dimasukan kedalam
alat uji yang akan mendeteksi tepi dan dimasukan kedalam database. Proses
testing akan dimasukan motif batik yang terdiri dari data berbeda dari yang
ada di database dari segi bentuk maupun sudut pengambilan gambar.
Selanjutnya data akan dimasukan kedalam alat uji dan dideteksi
menggunakan Deteksi Tepi Canny dan di identifikasi menggunakan Template
Matching dan hasil output nya berupa text apa nama dari motif dayak
tersebut.
1.2. Rumusan Masalah
Bagaimana hasil dari penggunaan deteksi tepi Canny dan pengenalan
menggunakan Template Matching dalam mengenali motif tato Dayak Iban di
Kabupaten Kapuas Hulu, Kalimantan Barat?
1.3. Tujuan Penelitian
Mengetahui hasil dari pengenalan motif tato dayak Iban di Kabupaten
Kapuas Hulu, Kalimantan Barat menggunakan deteksi tepi Canny dan
Template Matching.
1.4. Batasan Masalah
1. Objek penelitian ini adalah penerapan metode deteksi tepi Canny dan
pengenalan Template Matching pada motif tato dayak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
2. Pengenalan ini dikhususkan hanya pada motif tato suku Dayak Iban di
Kabupaten Kapuas Hulu, Kalimantan Barat.
3. Jenis data yang digunakan adalah jenis tato Buah Andu, Bunga
Engkabang, Bunga Terong, dan Uker Degok.
4. Pengambilan data gambar untuk data training adalah gambar yang sudah
digambar dikertas berlatar putih.
5. Hasil dari penelitian ini adalah kemampuan mendeteksi tepi dan
identifikasi motif tato dayak yang diketahui dalam bentuk persentase.
6. Hasil output dari alat uji yang digunakan adalah dalam bentuk teks.
7. Materi yang digunakan adalah pengenalan pola dan pemrosesan citra.
1.5. Manfaat Penelitian
1. Untuk mengenalkan nama dari sebuah tato khas kalimantan kepada
pemuda indonesia khususnya pemuda Dayak Kalimantan.
2. Untuk melestarikan kebudayaan khususnya kebudayaan suku dayak Iban
di Kabupaten Kapuas Hulu, Kalimantan Barat.
1.6. Metode Penelitian
1. Proses pengumpulan data adalah dari wawancara petua-petua masyarakat
asli suku Dayak Iban dan orang dewasa yang mengetahui tentang motif
tato dayak yang berasal dari daerah suku Dayak Iban itu sendiri, museum
museum daerah, buku di perpustakaan daerah yang berkaitan dengan
judul proposal tugas akhir.
2. Refrensi didapat baik dari buku, artikel, jurnal, makalah, dan situs
internet yang berkaitan dengan judul proposal tugas akhir.
3. Proses akuisisi data merupakan proses pengambilan data citra, yang akan
digunakan pada proses learning (database) dan testing (pengujian).
Dengan menggunakan kamera smartphone Xiomi dan file format .JPG
dengan resolusi 16MP(Mega Pixel).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
4. Melakukan perancangan terhadap sistem yang akan dibangun, mulai dari
perancangan untuk user interface dan juga list program untuk deteksi tepi
canny dan identifikasi menggunakan metode Template Matching.
5. Melakukan implementasi program yang telah ada kedalam suatu bentuk
perangkat lunak untuk pengenalan citra.
6. Dari hasil implemetasi dilanjutkan dengan proses pengujian terhadap
sistem yang telah selesai dibangun dengan analisis hasil keluarannya.
7. Hasil analisis dari keluaran programnya akan di hitung persentase
kebenaran atau keberhasilan dengan rumus yang ditentukan.
8. Setelah semua tahap dalam penelitian selesai dilakukan, seluruh hasil
yang diperoleh akan didokumentasikan dalam bentuk laporan.
1.7. Sistematika Penulisan Skripsi
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama
yaitu sebagai berikut:
1. BAB I Pendahuluan
Bab ini akan menjelaskan mengenai latar belakang masalah yang akan
dibahas dalam penelitian ini, rumusan masalah, tujuan penelitian,
batasan masalah, manfaat penelitian, metode penelitian, sistematika
penulisan tugas akhir.
2. BAB II Landasan Teori
Bab ini berisi uraian singkat tentang pengertian dari data yang digunakan,
metode-metode penelitian beserta rumus-rumus yang dipergunakan dan
langkah-langkah penelitian serta proses pengujian.
3. BAB III Metodologi Penelitian
Bab ini berisikan gambaran umum teknis persoalan penelitian, alat yang
akan dipergunakan dalam proses penelitian, keterangan rinci tahap-tahap
penelitian, dan gambaran rancangan alat yang akan dibangun.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
4. BAB IV Hasil dan Analisis
Bab ini menjelaskan tentang implementasi dari konsep yang sudah dibuat
dan memaparkan hasil analisis terhadap langkah-langkah yang sudah
dikerjakan. Semua langkah percobaan dipaparkan secara rinci dan
disertai dengan capture dari output proses atau tahapan yang dilakukan.
5. BAB V Penutup
Bab ini berisi kesimpulan dan percobaan yang telah dikerjakan. Selain itu
juga berisi saran untuk kemajuan dan pengembangan penelitian
berikutnya yang mengulas tentang proses pengenalan motif tato dayak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB II
LANDASAN TEORI
2.1 Tato
Konon kata “tato” berasal dari bahasa Tahiti, yakni “tattau” yang berarti
menandai, dalam arti bahwa tubuh ditandai dengan menggunakan alat berburu
yang runcing untuk memasukkan zat pewarna di bawah permukaan kulit (lihat
The American Heritage Desk Dictionary). Dalam bahasa Indonesia, kata tato
merupakan pengindonesiaan dari kata tattoo yang berarti goresan, gambar, atau
lambang yang membentuk sebuah desain pada kulit tubuh. Di dalam
Ensiklopedia Indonesia dijelaskan bahwa tato merupakan lukisan berwarna
permanen pada kulit tubuh (1984:241). (Olong, 2006)
2.2 Citra Digital
Citra digital adalah citra kontinu yang diubah dalam bentuk diskrit, baik
koordinat ruang maupun intensitas cahayanya. Citra digital dapat dinyatakan
dalam matrik dua dimensi f(x,y) dimana ‘x’ dan ‘y’ merupakan koordinat
piksel dalam matrik dan ‘f’ merupakan derajat intensitas pixel tersebut. Citra
digital berbentuk matrik dengan ukuran M x N akan tersusun sebagai berikut
(Kadir dan Susanto, 2013)
(2.1)
Dimana :
M = banyaknya baris pada array citra
N = banyaknya kolom pada array citra
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
2.3 Pengenalan Pola
Perkembangan teknologi baru akan didominasi oleh sistem dan mesin-mesin
dengan kecerdasan buatan (machine intelligence). Teknik pengenalan pola
merupakan salah satu komponen penting dari mesin atau sistem cerdas tersebut
yang digunakan baik untuk pengolahan data maupun pengambilan keputusan.
Secara umum pengenalan pola (pattern recognition) adalah suatu ilmu
untuk mengklasifikasikan atau menggambarkan suatu yang berdasarkan
pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu obyek. Pola
sendiri adalah suatu entitas yang terdefinisi dan dapat diidentifikasikan serta
diberi nama. Sidik jari adalah suatu contoh pola. Pola bisa merupakan
kumpulan hasil pengukuran atau pemantauan dan bisa dinyatakan dalam notasi
vektor atau matriks.(Putra, 2010)
2.4 Template Matching
Template Matching adalah proses mencari suatu objek (template) pada
keseluruhan objek yang berada dalam suatu citra. Template dibandingkan
dengan keseluruhan objek tersebut dan bila template cocok (cukup dekat)
dengan suatu objek yang belum diketahui pada citra tersebut maka objek
tersebut ditandai dengan template. Template ditempatkan pada pusat bagian
citra yang akan dibandingkan dan dihitung seberapa banyak titik yang paling
sesuai dengan template. Langkah ini diulangi terhadap keseluruhan citra
masukan yang akan dibandingkan. Nilai kesesuaian titik yang paling besar
antara citra masukan dan citra template menandakan template tersebut
merupakan citra template yang paling sesuai dengan citra masukan. Secara
umum rumus yang biasa digunakan untuk mengukur jarak antara 2 objek
adalah menggunakan minimum distance dan rumus yang di pergunakan untuk
menghitung jarak menggunakan rumus City-Block. (Kadir dan Susanto, 2013)
Minimum distance merupakan proses identitifikasi apakah sebuah citra
dikenali sebagai template1, template2, atau template-n berdasarkan jarak
minimum antara citra dengan templete. Sebagai contoh, ada citra C1
berukuran 3x3, serta T1, T2 dan T3 di bawah ini:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
Gambar 2.2 Matrik dari C1, T1, T2 dan T3 (Adji, 2017)
Gambar diatas adalah contoh dari matrik dimana C1 adalah data matrik yang
iakan diujikan dan T1, T2, T3 adalah data template. Nilai minimum distance
dicari menggunakan rumus City-Block seperti pada rumus (2.1). (Kadir dan
Susanto, 2013)
j (v1, v2) (2.1)
j = jarak
v= vektor
k= nilai
n= banyak data
Berdasarkan rumus (2.1) tersebut diperoleh d(C1,T1) = 253, d(C1,T2) = 208
dan d(C1,T3) = 190.
Hal ini berarti bahwa citra C1 diidentifikasi sebagai template T3.
2.5 Deteksi Tepi
Tepian dari suatu citra mengandung informasi penting dari citra
bersangkutan. Tepian citra dapat merepresentasikan objek-objek yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
terkandung dalam citra tersebut, bentuk, dan ukurannya serta terkadang juga
informasi tentang teksturnya. Tepian citra adalah posisi di mana intensitas
piksel dari citra berubah dari nilai rendah ke nilai tinggi atau sebaliknya.
Deteksi tepi umumnya adalah langkah awal melakukan segmentasi. (Kadir dan
Susanto, 2013)
2.6 Deteksi Garis
Deteksi garis pada citra dapat diperoleh melalui penggunaan “cadar”
(mask) dengan contoh tercantum di Rumus 2.2(Gonzalez & Woods, 2002).
Cadar (a) berguna untuk memperoleh garis horizontal, cadar (b) untuk
mendapatkan garis berorientasi , cadar (c) untuk memperoleh garis tegak,
dan cadar (d) untuk mendapatkan garis yang berorientasi - .
(a) (b) (c) (d)
Rumus 2.2. Rumus Empat Pasang Cadar untuk Mendeteksi Keberadaan Garis
Fungsi deteksi berikut berguna untuk menguji cadar-cadar yang terdapat di
Rumus 2.2. Fungsi tersebut sekaligus dapat dipakai untuk menguji cadar-cadar
lain.
Dengan menggunakan fungsi diatas, bagian pinggir yang tidak diproses
akan dibuang sekiranya argumen ketiga tidak diberikan. Nilai pada argumen
ketiga akan membuat bagian tepi yang tidak diproses berwarna hitam,
membentuk seperti bingkai. Umumnya hasil deteksi tepi tidak memotong nilai
yang dibawah nol dan yang di atas 255. (Kadir dan Susanto, 2013)
Hasil deteksi garis dapat dilihat di gambar 2.3 Terlihat bahwa garis
vertikal tidak tampak. Namun garis miring dan yang mendatar tetap terdeteksi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
(a) Citra Jaring (b) Hasil Deteksi Garis Horizontal
Gambar 2.3 Contoh Deteksi Garis Horizontal (Kadir dan Susanto, 2013)
Gambar 2.4 memperlihatkan perbedaan hasil yang menggunakan masing-
masing satu dari keempat cadar yang tercantum di gambar 2.4.
Gambar 2.4 Contoh Hasil Deteksi Garis untuk Empat Arah yang Berbeda
Terhadap Gambar 2.2(a) (Kadir dan Susanto, 2013)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
2.7 Operator Canny
Operator Canny, yang dikemukakan oleh John Canny pada tahun 1986,
terkenal sebagai operator deteksi tepi yang optimal. Algoritma ini memberikan
tingkat kesalahan rendah, melokalisasi titik-titik tepi (jarak piksel-piksel tepi
yang ditemukan deteksi dan tepi yang sesungguhnya sangat pendek), dan
hanya memberikan satu tanggapan untuk satu tepi.
Terdapat enam langkah yang dilakukan untuk mengimplementasikan
deteksi tepi Canny (Green, 2002). Keenam langkah tersebut dijabarkan berikut
ini:
1. Pertama-tama dilakukan penapisan terhadap citra dengan tujuan untuk
menghilangkan derau. Hal ini dapat dilakukan dengan menggunakan filter
Gaussian dengan cadar sederhana. Cadar yang digunakan berukuran jauh
lebih kecil daripada ukuran citra. Contoh ditunjukan di gambar 2.5.
Gambar 2.5 Contoh Cadar Gaussian dengan Theta 1,4 (Kadir dan Susanto,
2013)
2. Setelah penghalusan gambar terhadap derau, dilakukan proses untuk
mendapatkan kekuatan tepi (edge strength). Hal ini dilakukan dengan
menggunakan operator Gaussian.
Selanjutnya, gradien citra dapat dihitung melalui rumus 2.3.
(2.3)
3. Langkah ketiga berupa penghitungan arah tepi. Rumus yang digunakan
seperti pada rumus 2.4.
(2.4)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
4. Setelah arah tepi diperoleh, perlu menghubungkan antara arah tepi dan
dengan sebuah arah yang dapat dilacak dari citra. Sebagai contoh, terdapat
susunan piksel berukuran 5x5 seperti terlihat di gambar 2.6. dengan melihat
piksel “a” tempak bahwa a hanya memiliki 4 arah berupa dan
.
Gambar 2.6 Matrik Piksel Berukuran 5x5. (Kadir dan Susanto, 2013)
Selanjutnya arah tepi yang diperoleh akan dimasukan kedalam salah satu
kategori dari keempat arah tadi berdasarkan area yang tertera digambar 2.6.
berikut adalah konversi yang berlaku:
Gambar 2.7 Area untuk Mengonversi Arah Tepi Kedalam
Kategori Salah Satu dari Arah dan . (Kadir dan Susanto,
2013)
Semua arah tepi yang berkisar antara 0 dan 22,5 serta 157,5 dan 180 derajat
(warna biru) diubah menjadi 0 derajat. Semua arah tepi yang berkisar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
antara 22,5 dan 67,5 derajat (warna kuning) diubah menjadi 45 derajat.
Semua arah tepi yang berkisar antara 67,5 dan 112,5 derajat (warna merah)
diubah menjadi 90 derajat. Semua arah tepi yang berkisar antara 112,5 dan
157,5 derajat (warna hijau) diubah menjadi 135 derajat.
5. Setelah arah tepi diperoleh, penghilangan nonmaksimum dilaksanakan.
Penghilangan nonmaksimum dilakukan sepanjang tepi pada arah tepi dan
menghilangkan piksel-piksel (piksel diatur menjadi 0) yang tidak dianggap
sebagai tepi. Dengan cara seperti itu, diperoleh tepi tipis.
6. Langkah keenam berupa proses yang disebut hysteresis. Proses ini
menghilangkan garis-garis yang seperti terputus-putus pada tepi objek.
Caranya adalah dengan menggunakan dua ambang T1 dan T2. Lalu semua
piksel citra yang terhubung dengan piksel tersebut dan memiliki nilai lebih
besar dari T2 juga dianggap sebagai piksel tepi.
Bagian penting yang perlu dijelaskan adalah penghilangan
nonmaksimum dilakukan dengan mula-mula menyalin isi larik Grad (yang
berisi besaran gradien) ke Non-Max. Selanjutnya, penghilangan
nonmaksimum delakukan dengan memperhatikan dua titik tetangga yang
terletak pada arah tepi (yang tersimpan dalam Theta). Misalnya, arah tepi
adalah 0. Apabila titik yang menjadi perhatian mempunyai koordinat (r, c),
dua titik tetangga berupa (r, c-1) dan (r, c+1). Apabila gradien titik
perhatian lebih besar daripada gradien kedua tetangga, nilainya akan
dipertahankan. Sebaliknya, jika nilai titik perhatian lebih kecil dari pada
nilai salah satu atau kedua gradien tetangga, nilai akan diabaikan (diubah
menjadi nol). Seluruh kemungkinan proses seperti itu dijabarkan di Gambar
2.8.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Gambar 2.8 Penghilangan Nonmaksimum (Kadir dan Susanto, 2013)
Pengambangan histeresys dilakukan dengan melibatkan dua ambang T1
(ambang bawah) dan T2 (ambang atas). Nilai yang kurang dari T1 akan
dirubah menjadi hitam (nilai 0) dan nilai yang lebih dari T2 dirubah
menjadi putih ( nilai 255). Lalu, nilai yang lebih dari atau sama dengan T1
tetapi kurang dari T2 untuk sementara diberi nilai 128, dan yang
menyatakan nilai abu-abu atau belum jelas, akan diubah menjadi 0 atau
255.
Selanjutnya dilakukan pengujian untuk mendapatkan kondisi seperti
tercantum di gambar 2.9. apabila kondisi itu terpenuhi, angka 128 diubah
menjadi 255. Proses pengujian seperti itu dilakukan sampai tidak ada lagi
perubahan dari nilai 128 menjadi 255. Tahap selanjutnya, semua piksel
yang bernilai 128 yang tersisa diubah menjadi 0.(Kadir dan Susanto, 2013)
Gambar 2.9 Pengujian untuk Mengubah Nilai 128 Menjadi 255 (Kadir dan
Susanto, 2013)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Contoh Hasil Deteksi :
Gambar 2.10 Contoh Hasil Antara Hingga Hasil Akhir pada Pengenalan
Operator Canny (Kadir dan Susanto, 2013)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
BAB III
METODE PENELITIAN
3.1. Bahan Riset
Obyek dalam penelitian ini adalah citra tato Dayak Iban suku tetap daerah
Sungai Utik Kabupaten Kapuas Hulu, Kalimantan Barat dimana daerah
tersebut masih kental dengan adat istiadatnya dan pernah didatangi oleh
peneliti sewaktu Kerja Praktek. Jumlah dari tato yang dapat diteliti terbilang
cukup banyak karena terdiri dari beberapa rumpun atau pokok dasar tato
yang apabila distilir dan dilukis pada badan pengguna tato memiliki arti
yang berbeda dengan rumpun pokoknya namun perlu peninjauan kembali
saat pengambilan data dilakukan.
3.2. Peralatan Penelitian
Dalam tugas akhir ini, program dalam tahap perancangan sistem
dinyatakan dengan bahasa pemograman MATLAB. Karena di dalam MATLAB
sudah terdapat toolbox yang merupakan kumpulan dari fungsi-fungsi
MATLAB yang telah dikembangkan ke suatu lingkaran kerja MATLAB untuk
memecahkan masalah dalam kelas particular (Iqbal, 2009).
Analisa kebutuhan hardware merupakan analisa kebutuhan akan perangkat
keras komputer yang diperlukan selama mengembangkan sistem sedangkan
analisa kebutuhan software untuk mendukung pengoperasian dan pembuatan
sistem. Kebutuhan-kebutuhan akan hardware dan software dijelaskan sebagai
berikut:
1. Analisa Kebutuhan Hardware
Satu unit komputer dengan operasi Windows 8.1 Pro, dengan
spesifikasi sebagai berikut:
a. Processor : Intel Core i3
b. Memory : RAM 4 GB
c. VGA : Nvidia Geforce 740m
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
2. Analisa Kebutuhan Sistem
Matlab menggunakan Matlab full version (R2015b).
3.3. Metode Pengumpulan Data
3.3.1 Observasi
Observasi merupakan salah satu metode dalam mengumpulkan
data dengan melakukan pengamatan dan pencatatan langsung
mengenai gejala atau peristiwa yang sedang diteliti. Objek yang
sedang diteliti adalah motif-motif tato Dayak Iban di Desa Sungai
Utik, Kapuas Hulu Kalimantan Barat. Data citra motif tato diambil
dari menyalin data katalog yang ada di perpustakaan Rumah Betang
Desa Sungai Utik dan penggambaran kembali motif tato dari bagian
tubuh seseorang ke media kertas. Setelah itu, yang dilakukan adalah
memotret data tato tersebut untuk di jadikan data.
3.3.2 Studi Literatur
Studi litelatur merupakan saran untuk memperoleh informasi yang
digunakan untuk mencari topik dan teori-teori yang terkait dengan
penelitian yang akan dikerjakan. Teori yang sudah ada dan berbagai
penelitian sejenis yang pernah dilakukan akan digunakan sebagai
acuan dan pedoman dalam melakukan penelitian saat ini. Sumber-
sumber yang dapat dijadikan bahan refrensi antara lain buku-buku
atau jurnal yang berkaitan dengan pembahasan yang akan diteliti.
3.4. Tahap-tahap Penelitian
3.4.1. Identifikasi Masalah
Tahap awal dalam penelitian ini adalah merumuskan masalah
dengan melihat kondisi yang ada disekitar yaitu membuat sistem yang
mampu mengenali data citra motif tato dayak Iban. Data citra motif
tato diambil dari menyalin data katalog yang ada di perpustakaan
Rumah Betang Desa Sungai Utik dan penggambaran kembali motif
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
tato dari bagian tubuh seseorang ke media kertas. Rumusan masalah
yang akan diselesaikan adalah mengukur kemampuan sistem dan
metode yang digunakan dalam mengenali nama motif tato dayak Iban
yang direpresentasikan dengan tingkat akurasi yang dihasilkan.
3.4.2. Studi Pustaka
Dalam penyusunan penelitian ini penulis memerlukan sumber
informasi yang diambil dari beberapa buku refrensi, jurnal ilmiah atau
litelatur lainnya sebagai rujukan ilmiah yang mendukung penulisan
tugas akhir. Melalui studi pustaka ini penulis memperoleh informasi
mengenai penelitian-penelitian yang dijadikan sebagai landasan teori
yang mendasari dalam penulisan laporan tugas akhir. Dengan adanya
studi pustaka ini maka penulis dapat menunjukan relevansi antara
topik tugas akhir yang sedang dikerjakan sehingga penelitian yang
akan dikerjakan dapat diselesaikan dan dapat dipertanggungjawabkan
kebenarannya.
3.4.3. Pengumpulan Data
Pengumpulan data menjadi unsur yang penting dalam
menyelesaikan tugas akhir karena digunakan untuk memperoleh
informasi atau data yang berguna untuk penelitian yang sedang
dikerjakan. Data yang diperoleh nantinya akan diamati dan diolah
secara mendalam sesuai prosedur dan teori yang sudah dirumuskan.
Data yang digunakan untuk penelitian ini bersumber dari hasil foto
objek motif-motif tato dari katalog motif tato dayak Iban yang ada di
Sungai Utik. Jarak mengambilan gambar kurang lebih 30 cm dari
kertas gambar. Objek yang dipilih adalah objek yang sudah diketahui
bahwa itu adalah motif tato dayak Iban.
Teknik yang digunakan dalam mengumpulkan data penelitian
ini adalah teknik observasi. Teknik ini umumnya sering dipakai dalam
penelitian kualitatif. Observasi pada dasarnya melakukan suatu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
kegiatan menggunakan panca indra kita, bisa berupa penglihatan,
penciuman, pendengaran, untuk memperoleh informasi yang
dibutuhkan dalam menjawab masalah pada penelitian yang sedang
dikerjakan. Dengan menggunakan observasi ini maka data dapat
diperoleh secara riil gambar suatu peristiwa yang berada dilapangan.
3.4.4. Pengolahan Data
Data yang sudah terkumpul sebelum pengolahan akan melalui
proses perbaikan latar gambar menggunakan Paint tool. Data yang
sudah di perbaiki akan diolah. Cara mengolah data dapat dinyatakan
kedalam bentuk blok diagram seperti gambar dibawah ini:
Gambar 3.1. Blok Diagram
Gambar 3.1 diatas memvisualisasikan langkah-langkah dalam
pengolahan data yang dilakukan. Sistem pengenalan motif tato dayak
ini dilakukan berdasarkan nilai hasil ekstraksi fitur motif tato dengan
menggunakan metode deteksi tepi Canny dan pencocokan pola dengan
menggunakan metode template matching. Motif-motif tato yang
digunakan dalam penelitian ini meliputi motif tato sebagai data
training dan motif tato sebagai data testing.
Testing
Input data
Preprocessing
Identifikasi
Hasil
Training
Input data
Preprocessing
Template database
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Penjelasan rincian dari masing-masing tahapan akan dijelaskan
sebagai berikut :
1. Sistem dimulai dari input citra.
Data untuk template dan penguji merupakan citra tato
dayak Iban masing-masing berjumlah 50 dan 30 citra. Bahan yang
di gunakan untuk pembuatan template adalah gambar tato yang
sudah digambar kembali di kertas HVS putih dan gambar penguji
diambil di atas kertas juga dengan kemiringan sekitar 45o ke
samping kiri maupun kanan, dan pada kulit manusia. Format
gambar yang digunakan adalah JPG.
2. Preprocessing
Sebelum data di masukan ke dalam database ataupun di
kenali maka data tersebut harus disiapkan sedemikian sehingga
data tersebut siap untuk diolah. Adapun tahapan yang dilakukan
pada preprocessing adalah sebagai berikut:
Gambar 3.2 Preprocessing Model
Proses grayscaling dan binarization diperlukan untuk
mengubah citra dari berwarna menjadi abu-abu lalu dari citra abu-
abu diubah menjadi citra hitam putih. Kedua proses tersebut
menggunakan toolbox pada Matlab yaitu fungsi rgb2gray() dan
im2bw(). Langkah selanjutnya adalah proses deteksi tepi pada
Grayscale
Binarization
Deteksi Tepi
Canny
Resize
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
tahap ini deteksi tepi dimasukan dalam proses preprocessing.
Proses preprocessing menggunakan metode Canny. Proses ini
menghasilkan citra dengan nilai piksel berupa 0 dan 255.
Flowchart deteksi tepi bentuk dapat dilihat pada gambar 3.4.
Proses terakhir adalah resizing yaitu mengubah ukuran yang sama
untuk mempermudah proses identifikasi. Dengan menggunakan
toolbox dari matlab yaitu imresize() citra diubah ukurannya
menjadi 88x88 pixels. Pemilihan ukuran tersebut berdasarkan hasil
percobaan untuk mendapatkan ukuran citra terbaik tanpa
kehilangan informasi atau detil penting dari citra.
3. Template Database
Data yang sudah melalui tahap preprocessing akan
menghasilkan keluaran berupa ciri dari objek tersebut. Ciri dari
objek tersebut beruba matrik dari gambar training hasil deteksi
tepi Canny yang sudah di resize dan nama/labeling dari ciri
tersebut. Ciri ini dijadikan sebagai template disimpan ke database
ciri untuk membuat template database. Citra yang digunakan
untuk pembuatan template database sebanyak 50 ciri yang
independen terhadap citra data uji (testing).
4. Identifikasi
Proses Identifikasi merupakan proses testing dimana pada
proses ini untuk mencocokan nilai citra testing dena nilai citra
training yang ada pada template database. Pada tahap ini proses
pengenalan pola menggunakan metode Template Matching. Hasil
dari proses ini berupa text yang menunjukan citra mana yang
mirip dengan citra yang diujikan.
3.4.5. Deteksi Garis
Deteksi tepi berfungsi untuk memperoleh tepi objek.
Deteksi tepi memanfaatkan perubahan nilai intensitas yang drastis
pada batas dua area. Deteksi garis adalah proses penemuan dan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
memperoleh garis yang terdapat proses pembuangan citra yang
tidak terproses atau membuang argument yang tidak diperlukan.
(a)
(b)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
(c)
(d)
Gambar 3.3 Contoh Perhitungan 4 Cadar untuk Mendeteksi
Keberadaan Garis.
Contoh sederhana yang dilakukan deteksi tepi dalam menghitung
matrik dari gambar dengan 4 pasang cadar sebagai berikut:
(a) (b) (c) (d)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Empat pasang cadar diatas akan di masukan sebuah matrik dari
gambar dan akan melakukan perhitungan perkalian matrik seperti
dibawah ini:
( a ) = ((-1 X 3) + (-1 X 2) + (-1 X 5) + (2 X 4) + (2 X 2) + (2 X
2) + (-1 X 1) + (-1 X 5) + (-1 X 1)
= 3
( b ) = ((-1 X 3) + (-1 X 2) + (2 X 5) + (-1 X 4) + (2 X 2) + (-1
X 2) + (2 X 1) + (-1 X 5) + (-1 X 1)
= -1
( c ) = ((-1 X 3) + (2 X 2) + (-1 X 5) + (-1 X 4) + (2 X 2) + (-1
X 2) + (-1 X 1) + (2 X 5) + (-1 X 1)
= 2
( d ) = ((2 X 3) + (-1 X 2) + (-1 X 5) + (2 X 4) + (-1 X 2) + (-1
X 2) + (-1 X 1) + (-1 X 5) + (2 X 1)
= -7
Citra ditapis dengan setiap kernel diatas, kemudian citra
hasil diperoleh dengan melakukan operasi maksimisasi terhadap
keempat citra yang dihasilkan dari keempat kernel tersebut (Kadir
dan Susanto, 2013). Deteksi garis adalah langkah pembuatan
perhitungan matrik dengan matrik yang akan dimasukan demi
pemerolehan garis tepi yang maksimum.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
3.4.6. Rancangan deteksi tepi Canny
Dibawah adalah diagram flow untuk setiap proses deteksi
tepi canny.
Gambar 3.4 Flowchart Deteksi Tepi Canny
Penghitungan Arah
Tepi
Konversi Arah Tepi
Penghilangan
Nonmaksimum
Pengambangan
Hyteresis
Citra Hasil
Deteksi Tepi
Input Citra
dan Nilai
Tresshold
Implementasi Filter
Gausian
Mendapatkan
Kekuatan Tepi
Mulai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Penjelasan rincian dari masing-masing tahapan akan dijelaskan
sebagai berikut :
1. Proses dimulai.
2. Input citra dan nilai treshold. Pada penelititan ini, nilai low
threshold yang digunakan adalah 0,05 dan nilai high threshold
yang digunakan adalah 0,15.
Gambar 3.5 Contoh Gambar Citra yang Diinput (Kadir dan
Susanto, 2013)
3. Untuk mencegah kesalahan deteksi tepi karena noise, maka noise
tersebut harus dikurangi. Hal ini dapat dilakukan dengan proses
smoothing atau filtering. Pada deteksi tepi Canny, proses ini
menggunakan filter gaussian.
Contoh perhitungan Kernel gaussian yang digunakan adalah
sebagai berikut:
Rumus 3.1 Contoh Cadar Gaussian dengan Theta 1,4
Untuk mengimplementasikan gaussian filtering pada citra
berskala keabuan dapat menggunakan ketetanggaan dari piksel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
yang akan diuji sehingga membentuk matriks 5x5. Matrik 5x5
pada skala keabuan adalah:
Perhitungan gaussian filtering adalah menerapkan konvolusi
pada matriks citra dengan kernel gaussian. Tidak semua piksel
dikenai konvolusi, yaitu baris dan kolom yang terletak di tepi
citra. Hal ini disebabkan piksel yang berada pada tepi tidak
memiliki tetangga yang lengkap sehingga rumus konvolusi tidak
berlaku pada piksel seperti itu. Bagian yang tidak diproses tidak
diikutkan dalam citra hasil. Akibatnya, ukuran citra hasil
mengecil. Hasil konvolusi berupa:
= ( 59×2 + 70×4 + 64×5 + 56×4 + 53×2 +
85×4 + 56×9 + 67×12 + 59×9 + 63×4 +
79×5 + 84×12 + 107×15 + 93×12 + 85×5 +
54×4 + 54×9 + 78×12 + 83×9 + 51×4 +
71×2 + 58×4 + 61×5 + 61×4 + 57×2) / 115
= 11681 / 115 = 101,57
4. Menghitung gradient magnitude dengan menggunakan operator
gaussian dan menentukan arah tepi. Setelah proses penentuan
gradient magnitude, gambar terlihat telah menunjukkan tepinya
dengan cukup jelas, namun demikian, tepi-tepinya terlalu lebar
sehingga tidak menunjukkan dimana letak dari tepi-tepinya. Untuk
mengatasi hal tersebut arah tepi harus ditentukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Untuk menghitung gradien magnitude pada penelitian ini
digunakan operator gaussian. Kernel matrik gaussian yang
digunakan adalah:
(a) (b)
Rumus 3.2 Kernel Matrik Operator Gaussian
Untuk menghitung gradien magnitude dari citra hasil
gaussian filtering dapat menggunakan ketetanggaan dari piksel
yang akan diuji sehingga membentuk matriks 3x3. Matrik 3x3
pada citra hasil gaussian filtering adalah:
Gambar 3.6 Matrik 3x3 Hasil Gaussial Filtering (Kadir dan
Susanto, 2013)
Perhitungan manual gradien magnitude adalah dengan
menerapkan konvolusi pada matriks citra hasil gaussian filtering
dengan kernel matriks Gaussian. Penerapan konvolusi
menyebabkan penambahan masing-masing satu piksel pada tepi
matrik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
| | =√ 2+ 2
Gy = (102 – 72) + (121 – 94) = 57
Gx = (121 – 102 ) + (94 – 72) = 41
=√(41)2+(57)2
=√1681+3249
= 70,21
Rumus 3.3 Perhitungan Nilai Piksel Hasil Konvolusi
5. Tahap selanjutnya adalah menghitung arah tepian dengan
mengunakan Gx dan Gy pada proses perhitungan gradien
magnitude. Arah tepi ditentukan dengan menggunakan persamaan:
Rumus 3.4 Rumus Theta
Penghitungan arah tepi dari gradien magnitude:
= 1 ( 57/41 )
= 1 (1,39)
=54.27
Rumus 3.5 Perhitungan Theta
Setelah arah tepi diperoleh, Perlu menghubungkan antara arah tepi
dengan sebuah arah yang dapat dilacak dari citra. Selanjutnya arah
tepi yang diperoleh akan dimasukkan ke dalam salah satu kategori
berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
- Jika theta > 0 dan theta < 22,5 atau theta > 157,5 dan < -157,5
maka diubah menjadi 0°
- Jika theta > 22,5 dan theta < 67,5 atau theta > -157,5 dan < -
112,5 maka diubah menjadi 45°
- Jika theta > 67,5 dan theta < 112,5 atau theta > -112,5 dan < -
67,5 maka diubah menjadi 90°
- Jika theta > 112,5 dan theta < 157,5 atau theta > -67,5 dan < -
22,5 maka diubah menjadi 135°
Nilai theta yang didapat adalah 54,27 maka theta ini akan diubah
menjadi 45o.
Gambar 3.7 Contoh Hasil dari Besaran Gradien (Kadir dan
Susanto, 2013)
6. Langkah selanjutnya adalah proses NonMaximum Supression.
Tujuan dari langkah ini adalah untuk mengubah tepi yang kabur
pada citra gradien menjadi tepi yang tajam. Selanjutnya
menetukan arah gradien terdekat sesuai dengan arah 8
ketetanggaan. Selanjutnya besar gradien piksel (x,y) dengan besar
piksel pada titik dari dua arah yg ditentukan pada langkah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
sebelumnya. Jika besar gradien piksel (x,y) lebih besar dari kedua
titik tadi, maka piksel tersebut dipertahankan. Tetapi jika
gradiennya lebih kecil dari salah satu saja dari kedua titik tadi,
maka piksel tersebut diubah menjadi 0.
Gambar 3.8 Contoh Hasil dari Penghilangan Nonmaksimum
(Kadir dan Susanto, 2013)
7. Melakukan proses hysteresis thresholding dengan menggunakan
dua nilai ambang yaitu low treshold dan high treshold.
Sederhananya hysteresis thresholding bertujuan untuk klasifikasi
dua buah nilai high threshold dan low threshold suatu piksel untuk
dijadikan sebagai piksel tepi atau tidak jika nilainya lebih besar
atau sama dengan ambang batas tersebut. Selanjutnya penentuan
tepi dilakukan dengan cara mengganti piksel angka 0 atau 255 jika
telah melewati syarat ambang batas yang ditentukan.
8. Menampilkan citra hasil deteksi tepi menggunakan metode deteksi
Canny telah selesai.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Gambar 3.9 Hasil Operator Canny (Kadir dan Susanto, 2013)
3.4.7. Perancangan Alat Uji
Kebutuhan fungsional dari prototype sistem yang akan
dibuat adalah sistem mampu mengenali gambar tato dayak iban
sesuai database. Input yang dimasukan kedalam sistem berupa
citra tato dayak iban kemudian akan memberikan output berupa
tulisan nama dari tato yang diujikan. Sistem dibuat menggunakan
Matlab sebagai tool untuk membangun alat uji.
3.4.8. Implementasi
Pada tahap implementasi, tahapan pengolahan data dan
perancangan alat uji akan diimplementasikan menjadi sebuah code
dengan memanfaatkan Matlab sebagai tool untuk membuat
prototype sistem.
3.5. Pengujian (Testing)
Pada tahap pengujian, citra tato Dayak Iban akan digunakan
sebagai input untuk sistem dalam mengenali nama dari tato tersebut.
Jumlah pengujian yang dilakukan sebanyak 30 kali yang dimana citra
uji terdiri dari citra yang diambil dari kemiringan sekitar 45o
dan citra
yang diambil dari badan manusia langsung. Dari 30 citra yang
diujikan akan dihitung berapa banyak hasil pengenalan yang benar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
kemudian menghitung tingkat akurasi sistem dalam mengenali nama
tato tersebut.
3.6. Pengukuran Akurasi Sistem
Kemampuan sistem dalam mengenali citra tato Dayak Iban harus
bisa diukur dengan menghitung nilai akurasinya. Cara mengukur
tingkat akurasi yaitu dengan membandingkan objek yang dikenali
dengan benar oleh sistem dengan jumlah data testing dikalikan 100
persen. Nilai tingkat akurasi yang tinggi menunjukan bahwa sistem
yang dibuat cukup baik untuk mengenali jenis tato Dayak Iban
tersebut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
BAB IV
HASIL DAN ANALISA
Pada bab ini akan diuraikan masing-masing tahapan dari langkah-langkah
yang sudah diuraikan pada bab sebelumnya tentang pengenalan tato dayak Iban.
Secara umum tahapan yang dikerjakan seperti Gambar 3.1 tentang blok diagram
yang terdiri dari input data, preprocessing, template database, identifikasi,dan
hasil.
4.1 Input Data
Data berupa citra tato dayak Iban yang digunakan pada penelitian
ini diambil menggunakan smartphone dengan resolusi 4608 x 3456 pixels.
Data terdiri dari data training dan data testing. data training diambil
sebanyak 50 data yang diambil pada siang hari dengan pencahayaan cukup
terang. Pengolahan data dimulai dari resize ke ukuran 400 x 300 pixels
secara manual dengan tujuan meringankan dalam proses input pada
program. Selanjutnya data yang sudah di resize kemudian perbaikan latar
gambar yang dimana proses resize dan perbaikan latar menggunakan
aplikasi paint. Data yang sudah diproses secara manual di masukan ke
dalam folder dan akan diinput oleh program alat uji.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Gambar 4.1 Data Training yang Terdiri dari 50 Data
Data testing adalah citra gambar tato Dayak Iban yang terdiri dari
30 data citra dimana data tersebut diambil dari database namun sudut
pengambilannya di miringkan sebesar kurang lebih 45o, data yang diambil
dari internet kemudian di potong, dan data yang digambar di badan dan di
foto menggunakan smartphone dan di resize dan di edit latar foto
menggunakan aplikasi paint.
Gambar 4.2 Gambar Sebelum di Crop
Data 4.2 adalah data awal yang diawal sebelum dilakukan croping yang
akan digunakan sebagai data uji. Data yang diambil adalah data yang
berada di badan namun ada juga yang sudah terkena efek editan seperti
efek warna yang sudah tidak asli lagi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Gambar 4.3 Data Testing yang Terdiri dari 30 Data
Gambar 4.3 adalah gambar yang sudah di kenakan proses croping dari
data 4.2 dan ada juga data yang diambil dari gambar yang ada di database
namun diambil dari sudut kemiringan kira-kira 45o. data training
berjumlah 30 dengan variasi pencahayaan.
4.2 Preprocessing
Tahap preprocessing dilakukan untuk mempersiapkan data agar
siap untuk diolah untuk tahap deteksi tepi Canny dan pengenalan pola.
Proses ini dibagi menjadi beberapan bagian yaitu:
4.2.1 Grayscaling
Proses yang pertama adalah mengubah citra berwarna menjadi
keabuan. Langkah ini bertujuan memudahkan dalam proses
selanjutnya yaitu mengubah data asli menjadi data hitam putih.
Proses ini menggunakan tool yang sudah ada pada Matlab yaitu
rgb2gray( ).
...
Img1=rgb2gray(img); ...
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Gambar 4.4 Hasil Grayscaling Citra
Gambar 4.4 merupakan representasi dari citra greyscale yang
diperoleh dengan mengubah citra warna menjadi citra abu-abu.
Hal tersebut dapat dibuktikan dengan nilai variabel img adalah
287x333x3 uint8 menjadi 287x333 uint8 yang artinya citra
tersebut menjadi 1 komponen warna.
4.2.2 Binarization
Proses binarisasi merupakan lanjutan dari proses
grayscaling yang bertujuan untuk mendapatkan objek citra
terhadap latar. Untuk mengubah citra abu-abu ke citra biner dapat
dilakukan dengan menggunakan fungsi im2bw( ) pada Matlab.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Dengan melakukan konversi ke citra biner ini maka objek citra
dapat dinyatakan sebagai bagian dari citra yang berwarna hitam
sedangkan bagian latar merupakan bagian dari citra yang berwarna
putih.
... Img2=im2bw(img1); ...
Gambar 4.5 Hasil Binarisasi Citra
Gambar 4.5 merupakan representasi dari citra binarisasi yang
diperoleh dengan mengubah citra abu-abu menjadi citra hitam
putih. Hal tersebut dapat dibuktikan dengan nilai variable img
adalah 287x333 uint8 menjadi 287x333 logical yang artinya citra
tersebut terdiri dari nilai 0 dan 1. Nilai 1 merepresentasikan warna
hitam dan 0 merepresentasikan warna putih.
4.2.3 Deteksi Tepi Canny
Langkah selanjutnya setelah binarisasi adalah deteksi tepi
Canny. Deteksi tepi Canny dimasukan kedalam langkah
preprocessing supaya mempersingkat proses pembuatan
template database dan identifikasi. Dalam langkah deteksi Canny
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
adalah deteksi Garis tujuannya untuk menguji cadar-cadar demi
memperoleh garis pinggir citra dengan matrik yang dimasukan dan
membuang sekiranya bagian pinggir citra yang tidak dapat diproses
oleh dateksi garis. Code dibawah adalah untuk penghitungan
gambar citra yang di input kan dengan matrik yang sudah ada di
dalam program.
function[G]=deteksi(F, H, potong, pembulatan) .... if nargin<3 potong=false; end
if nargin<4 pembulatan=true; end
[tinggi_f,lebar_f]=size(F); [tinggi_h,lebar_h]=size(H);
if rem(lebar_h,2)==0 || rem(tinggi_h,2)==0 disp('Lebar dan tinggi H harus ganjil'); return; end m2=floor(tinggi_h/2); n2=floor(lebar_h/2);
%menentukan ukuran hasil beserta penentu ofset
koordinat if potong==true sisi_m2=m2; sisi_n2=n2; G=zeros(tinggi_f-2*m2, lebar_f-2*n2); else sisi_m2=0; sisi_n2=0; G=zeros(size(f)); end
F2=double(F);
for y=m2+1 : tinggi_f-m2 for x=n2+1 : lebar_f-n2 %pelaksanaan korelasi F (baris, kolom) jum=0; for p=-m2:m2 for q=-n2:n2 jum=jum+H(p+m2+1,q+n2+1)*F2(y+p,x+q); end end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
G(y-sisi_m2, x-sisi_n2)=jum; end end
if pembulatan==true G=uint8(G); ...
Selanjutnya proses Canny akan di lakukan. Langkah-langkah dalam
metode deteksi tepi Canny adalah:
1. Input citra dan nilai treshold. Pada penelititan ini, nilai low
threshold yang digunakan adalah 0,05 dan nilai high threshold
yang digunakan adalah 0,15.
function[G]=deteksi(F, H, potong, pembulatan)
... if nargin < 2 ambang_bawah = 0.1; end
if nargin < 2 ambang_atas = 0.3;
...
2. Untuk mencegah kesalahan deteksi tepi karena noise, maka
noise tersebut harus dikurangi. Hal ini dapat dilakukan dengan
proses smoothing atau filtering. Pada deteksi tepi Canny, proses
ini menggunakan filter gaussian.
function[G]=deteksi(F, H, potong, pembulatan)
...
HG = [ 2 4 5 4 2 4 9 12 9 12 5 12 15 12 5 4 9 12 9 12 2 4 5 4 2 ] / 115.0;
[hHG, wHG] = size(HG);
h2 = floor(hHG / 2);
w2 = floor(wHG / 2);
% Kenakan operasi Gaussian G = double(deteksi(F, HG, true));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
% Pastikan hasilnya berada antara 0 sampai
dengan 255 [m, n] = size(G); for i = 1 : m for j = 1 : n G(i, j) = round(G(i, j));
if G(i, j) > 255 G(i, j) = 255; else if G(i, j) < 0 G(i, j) = 0;
...
3. Menghitung gradient magnitude dengan menggunakan operator
gaussian dan menentukan arah tepi. Setelah proses penentuan
gradient magnitude, gambar terlihat telah menunjukkan tepinya
dengan cukup jelas, namun demikian, tepi-tepinya terlalu lebar
sehingga tidak menunjukkan dimana tepatnya tepi-tepinya.
Untuk mengatasi hal tersebut arah tepi harus ditentukan.
function[G]=deteksi(F, H, potong, pembulatan)
... % Kenakan perhitungan gradien dan arah tepi Theta = zeros(m, n); Grad = zeros(m, n); for i = 1 : m-1 for j = 1 : n-1 gx = (G(i,j+1)-G(i,j) + ... G(i+1,j+1)-G(i+1,j)) / 2; gy = (G(i,j)-G(i+1,j) + ... G(i,j+1)-G(i+1,j+1)) / 2; Grad(i, j) = sqrt(gx.^2 + gy.^2); ...
4. Tahap selanjutnya adalah menghitung arah tepian dengan
mengunakan Gx dan Gy pada proses perhitungan gradien
magnitude.
function[G]=deteksi(F, H, potong, pembulatan)
...
Theta(i,j) = atan2(gy, gx); % Konversi arah tepi menjadi 0, 45, 90, atau 135 derajat [r c] = size (Theta);
if Theta < 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
Theta = Theta + pi; % Jangkauan menjadi 0
s/d pi end
for i = 1 : r for j = 1 : c if (Theta(i,j) < pi/8 || Theta(i,j) >=
7/8*pi) Theta(i,j) = 0; elseif (Theta(i,j)>=pi/8 && Theta(i,j) <
3*pi/8 ) Theta(i,j) = 45; elseif (Theta(i,j) >=3*pi/8 &&
Theta(i,j) < 5*pi/8 ) Theta(i,j) = 90; else Theta(i,j) = 135; ...
5. Langkah selanjutnya adalah proses NonMaximum Supression.
Tujuan dari langkah ini adalah untuk mengubah tepi yang kabur
pada citra gradien menjadi tepi yang tajam.
function[G]=deteksi(F, H, potong, pembulatan)
... % penghilangan non-maksimum Non_max = Grad;
for i = 1+h2 : r-h2 for j = 1+w2 : c-h2 if Theta(i,j) == 0 if (Grad(i,j) <= Grad(i,j+1)) || ... (Grad(i,j)<= Grad(i,j-1)) Non_max(i,j) = 0; end elseif Theta(i,j) == 45 if (Grad(i,j) <= Grad(i-1,j+1)) ||
... (Grad(i,j) <= Grad(i+1,j-1)) Non_max(i,j) = 0; end elseif Theta(i,j) == 90 if (Grad(i,j) <= Grad(i+1,j) ) ||
... (Grad(i,j) <= Grad(i-1,j)) Non_max(i,j) = 0; end else if (Grad(i,j) <= Grad(i+1,j+1)) ||
... (Grad(i,j) <= Grad(i-1,j-1)) Non_max(i,j) = 0; ...
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
6. Melakukan proses hysteresis thresholding dengan
menggunakan dua nilai ambang yaitu low treshold dan high
treshold.
function[G]=deteksi(F, H, potong, pembulatan)
... % Pengambangan histeresis ambang_bawah = ambang_bawah * max(max(Non_max)); ambang_atas = ambang_atas * max(max(Non_max));
Histeresis = Non_max;
% ----- Penentuan awal untuk memberikan nilai % ----- 0, 128, dan 255 for i = 1+h2 : r-h2 for j = 1+w2 : c-w2 if (Histeresis(i,j) >= ambang_atas) Histeresis(i,j) = 255; end
if (Histeresis(i,j) < ambang_atas) &&
... (Histeresis(i,j) >= ambang_bawah) Histeresis(i,j)= 128; end
if (Histeresis(i,j) < ambang_bawah) Histeresis(i,j) = 0; end end end
% ----- Penggantian angka 128 menjadi 255 % ----- Berakhir kalau tidak ada lagi yang
berubah ulang = true; while ulang ulang = false; for i = 1+h2 : r-h2 for j = 1+w2 : c-w2 if (Histeresis(i,j) == 128) if (Histeresis(i-1, j-1) == 255)
&& ... (Histeresis(i-1, j) == 255)
&& ... (Histeresis(i, j+1) == 255)
&& ... (Histeresis(i, j-1) == 255)
&& ... (Histeresis(i, j+1) == 255)
&& ...
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
(Histeresis(i+1, j-1) == 255)
&& ... (Histeresis(i+1, j) == 255)
&& ... (Histeresis(i+1, j+1) == 255) Histeresis(i,j) = 255;
ulang = true; end end end end end
% ----- Penggantian angka 128 menjadi 0 % ----- untuk yang tersisa for i = 1+h2 : r-h2 for j = 1+w2 : c-w2 if (Histeresis(i,j) == 128) Histeresis(i,j) = 0;
...
Diatas adalah code pembuatan metode Canny yang
langkah-langkah seperti pada gambar 3.3 pada bab sebelumnya. ...
img=canny(img, 0.05, 0.15);
...
Gambar 4.6 Hasil Deteksi Tepi Canny
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Gambar 4.6 merupakan representasi dari citra Canny yang
diperoleh dengan mengubah citra hitam putih menjadi citra Canny.
Hal tersebut dapat dibuktikan dengan nilai variable img adalah
300x400 logical menjadi 293x393 double yang artinya citra
tersebut menjadi matrik yang berisi nilai 0 dan 255. Nilai 0 adalah
nilai yang berwarna hitam dan nilai 255 adalah garis yang
ditemukan oleh Canny yang berwarna putih.
4.2.4 Proses Resize
Untuk mempermudah proses identifikasi nya maka semua citra,
baik data training maupun testing akan ditentukan ukurannya
sehingga setiap aksara mempunyai ukuran yang sama.
... Img3=imresize(img2,[88 88]); ...
Gambar 4.7 Hasil Resize
Gambar 4.7 merupakan representasi dari citra yang sudah di resize
yang diperoleh dengan mengubah ukuran citra Canny. Hal tersebut
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
dapat dibuktikan dengan nilai variable img adalah 293x393
double menjadi 88x88 double.
4.3 Template Database
Metode pengenalan pola pada penelitian ini menggunakan pendekatan
Template Matching. Pendekatan Template Matching dipilih karena paling
mudah untuk diterapkan. Prinsip pendekatan Template Matching untuk
mengklasifikasi adalah pengukuran kedekatan / kesamaan antar objek atau
entities yang diperbandingkan. Objek yang dibandingkan adalah data uji
yang akan dikenali dengan template yang sudah disimpan.
Data yang akan digunakan dalam pembuatan template database adalah
citra tato dayak Iban namun data yang dipakai berbeda dengan data yang
digunakan unuk data uji (testing). jumlah data yang digunakan unutk
pembuatan template database ini adalah berjumlah 50 data. Langkah-
langkah pembuatan template database seperti pada blok diagram pada
gambar 3.1.
Data pertama-tama sudah diurutkan berdasarkan nama jenis tato
yang akan dimasukan kedalam template database kemudian membaca data
sesuai urutan dan pengelompokan berbagai motif yang sejenis dan jumlah
sesuai yang ada di dalam folder database nya.
function [template1]=identifikasi(img); ...
temp = 'F:\semester 9\alat uji\data\'; files = dir([ temp '*.jpg']); m=struct2cell(files);
...
Code diatas adalah code untuk membaca data citra yang berada di folder
dengan format citra yaitu .jpg .
function [template1]=identifikasi(img);
...
for k=1:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
database{k,2} = 'Buah Andu' end for k=9:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur database{k,2} = 'Bunga Engkabang' end for k=23:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur database{k,2} = 'Bunga Terong' end for k=39:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur database{k,2} = 'Uker Degok' end save database;
...
Gambar 4.8 Isi dari Database Template Berupa
Matrik dan Nama Citra
gambar 4.8 adalah isi dari template database yang dibuat dengan matrik
81x81 hasil deteksi tepi Canny, dan label untuk pembuatan template
database tersebut. Template database berisikan 4 jenis citra tato dayak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Iban yaitu 8 citra Buah Andu, 14 citra Bunga Engkabang, 16 citra Bunga
Terong, dan 12 citra Uker Degok. Data tersebut digambar di atas kertas
putih dan di foto menggunakan kamera smartphone dengan resoluasi 16
mega pixel dengan jarak pengambilan gambar kurang lebih 30cm dengan
pencahayaan sedang.
4.4 Identifikasi
Setelah pembuatan setelah pembuatan template database maka kita
akan mendapatkan nilai future dari nilai testing dan pada template
(training). Nilai future dari data uji tersebut akan dihitung jaraknya
terhadap semua template database. Proses perhitungan jarak ini
menggunakan minimum distance, seperti pada persamaan 2.2.
Model identifikasi yang digunakan dalam penelitian ini adalah
menggunakan Template Matching. Prinsip kerja pendekatan Template
Matching adalah mengukur kedekatan atau kesamaan (similarity) antar
objek atau entities yang diperbandingkan. Ketika sebuah data uji akan
dibandingkan dengan database template kemudian diperoleh nilai jarak
yang relatif kecil maka secara langsung objek baru tersebut dapat
diklasifikasikan atau dikenali sesuai template perbandingannya. Nilai
yang diperbandingkan adalah nilai feature atara data testing dan template
yang kemudian kita hitung nilai jarak terhadap kedua objek tersebut.
function [template1]=identifikasi(img);
...
fitur = Preprocessing(img); jum_dbase=size(database,1); min_beda=sum(sum(abs(fitur-database{k,1}))); ind_min=1 for i=2:jum_dbase beda=sum(sum(abs(fitur-database{i,1}))); if beda <min_beda min_beda=beda; ind_min=i; ...
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Ketika nilai awal jarak antara data uji dengan template sudah diperoleh
maka proses loop (perulangan) akan dilakukan untuk menguji pada semua
template dengan menghitung jarak yang baru kemudian dibandingkan pada
setiap iterasinya untuk mencari nilai jarak terkecil. Ketika nilai jarak
terkecil sudah ditemukan maka program akan menyimpan nilai indeksnya
kemudian mengembalikan nilai label template pada indeks tersebut.
Proses looping akan berhenti ketika semua objek citra pada data uji sudah
dibandingkan dengan semua template yang ada.
4.5 Hasil dan Evaluasi
Setelah sistem selesai dibuat maka diperlukan pengujian untuk
menilai seberapa handal kinerja dari sistem untuk mengidentifikasi data-
data yang diambil dan dipersiapkan. Jika sistem memiliki nilai akurasi
yang tinggi maka sistem dapat dikatakan handal. Sebaliknya jika nilai
akurasi kecil maka sistem tidak cukup handal untuk melakukan proses
pengenalan pada tato ini. Performa dari sistem ini dapat diukur dengan
memberikan data testing menggunakan suatu objek baru untuk dikenali
dengan jumlah 30 data.
4.5.1 Hasil Pengujian Proses Deteksi Tepi Canny Sebelum Resize
Hasil dari pengujian terhadap 30 data uji baru dapat dilihat
dalam tabel dibawah ini.
Tabel 4.1 Tabel Pengujian Menggunakan Canny Buatan Sendiri
No Data Hasil
idetifikasi
Mirip dengan
data ke-
Nilai
kemiripan
Hasil
menurut
awam
Hasil
menurut
orang
citra
1 BA 1 Buah Andu Buah Andu 3 162726 benar Salah
2 BA 2 Bunga terong Bunga terong
6
77078.3 Salah Salah
3 BA 3 Buah andu Buah andu 3 107786 Benar Benar
4 BA 4 Buah andu Buah andu 3 114685 Benar Salah
5 BE 1 Bunga Bunga 79870.5 Benar Salah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
engkabang engkabang 3
6 BE 2 Bunga
engkabang
Bunga
engkabang 4
78136.5 Benar Benar
7 BE 3 Uker degok Uker degok 5 91688.7 Salah Salah
8 BE 4 Bunga
engkabang
Bunga
engkabang 3
72017.7 Benar Benar
9 BE 5 Bunga
engkabang
Bunga
engkabang 3
78215.6 Benar salah
10 BE 6 Bunga
engkabang
Bunga
engkabang 3
130180 Benar Salah
11 BT 1 Bunga terong Bunga terong
12
112523 Benar Salah
12 BT 2 Buah andu Buah andu 6 71898.5 Salah Salah
13 BT 3 Bunga terong Bunga terong
12
143889 Benar Salah
14 BT 4 Uker degok Uker degok 5 105687 Salah Salah
15 BT 5 Bunga terong Bunga terong
11
96739.4 Benar Salah
16 BT 6 Bunga terong Bunga terong
12
128890 Benar Salah
17 BT 7 Bunga terong Bunga terong
6
105081 Benar Benar
18 BT 8 Bunga terong Bunga terong
7
208315 Benar Benar
19 BT 9 Bunga terong Bunga terong
11
201354 Benar Salah
20 BT 10 Bunga terong Bunga terong
7
157774 Benar Salah
21 BT 11 Bunga terong Bunga terong
12
187936 Benar Salah
22 BT 12 Bunga terong Bunga terong
11
181122 Benar Salah
23 BT 13 Bunga terong Bunga terong
7
122445 Benar Salah
24 BT 14 Buah andu Buah andu 7 103402 Salah Salah
25 BT 15 Bunga terong Bunga terong
15
162699 Benar Salah
26 BT 16 Bunga terong Bunga terong
11
113130 Benar Salah
27 BT 17 Bunga terong Bunga terong
15
115734 Benar Salah
28 UD 1 Uker degok Uker degok 9 92611.1 Benar Salah
29 UD 2 Uker degok Uker degok 9 88978.5 Benar Salah
30 UD 3 Uker degok Uker degok 6 136434 Benar Salah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Berdasarkan rumus menghitung akurasi yaitu persamaan 3.6 maka nilai
akurasi dari hasil tabel 4.1 adalah sebagai berikut:
Hasil akurasi dari kaum awam:
x 100 %= 83.33%
Hasil akurasi Citra :
x 100 % = 16,66 %
Dari hasil perhitungan diatas terdapat dua jenis perhitungan yaitu tingkat
akurasi berdasarkan kaum awam yaitu tingkat akurasi dari citra tato secara
umum yang setiap tato yang menjadi testing akan dikenali sebagai jenis
tato yang mana. Dari perhitungan di atas hasil akurasi dari 30 data yang
diperoleh sebesar 83.33% untuk yang tingkat akurasi secara kaum awam.
Dan perhitungan yang kedua adalah berdasarkan seorang citra yang artinya
data yang diuji benar-benar mirip sebagai data yang ada di template
database tersebut, dimana data yang sebagai data testing sama dengan
yang ada di data template namun berbeda objek latar pengambilan gambar
nya. Data yang dianggap benar di pengujian ini adalah data yang menjadi
data testing adalah sama bentuk dan jenis data yang ada di template
database nya. Dari perhitungan akurasi diatas didapat nilai akurasi yang
sangat rendah yaitu hanya 5 dari 30 data atau 16,66 % tingkat ke handalan
sistem mengenali setiap data.
Demi mengetahui mengapa sebuah data uji dibaca dibuat sebuah tabel
yang dari alat uji dari data no 14 yaitu BT 4 yang seharusnya dibaca
Bunga Terong (BT) namun terbaca uker degok, dari hasil perhitungan
perbedaan kemiripan dapat dilihat dari tabel di 4.2.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Tabel 4.2 Tabel Nilai Jarak Citra Uji dan Template
Citra Template Citra Uji
BT 4
Uker degok 5 1.0549e+05
Bunga terong 1 1.0721 e+05
Berdasarkan hasil hitung jarak antara citra uji dengan template database
maka dapat disimpulkan bahwa kesalahan dalam proses identifikasi
disebabkan karena diperoleh jarak minimum dengan yang tidak sesuai
dengan label citra yang sebenarnya. Citra BT 4 justru memiliki jarak
minimum dengan citra uker degok 5. Hal tersebut bisa terjadi karena
tahapan yang dilakukan dalam preprocessing dimana pada saat proses
Canny nilai pada matrik gambar terdiri dari 0 dan 255 kemudian saat di
resize nilai berubah menjadi angka yang bevariasi seperti gambar di bawah
ini.
Gambar 4.9 Hasil Matrik BT 4 setelah dikenakan Canny dan Resize
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Gambar 4.10 Hasil Matrik Bunga Terong1 setelah dikenakan Canny dan
Resize
Gambar 4.11 Hasil Matrik Uker Degok 5 setelah dikenakan Canny dan
Resize
(a) BT 4 (b) Bunga Terong 1 (c) Uker Degok 5
Gambar 4.12 Gambar dari Masing-Masing Nama di Tabel 4.2
Ada beberapa hal yang menyebabkan kemungkinan terjadi nya
kesalahan diantaranya yang pertama adalah program alat uji yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
digunakan tidak memakai ekstraksi ciri karena dalam program alat uji ini
hanya menggunakan deteksi tepi dan langsung pada pengenalan atau
identifikasi. Yang kedua adalah besar kecil nya gambar yang berbeda-beda
dimana antara gambar uji (gambar (a) pada gambar 4.12) yang bisa dilihat
memiliki spasi dari tepi gambar yang lebih agak sedikit dari pada dengan
jarak antara gambar ke tepi gambar yang lebih sedikit dikanan kiri dan
lebih banyak di atas bawahnya. Yang ketiga dari segi cahaya atau
penerangan dalam pengambilan gambar, dapat dilihat pada gambar 4.12
yang merupakan gambar Bunga Terong1 dalam pengambilan gambar ada
yang redup cahaya di pojok kanan atas sehingga ketika dikenakan proses
Canny mendapat garis tepi yang pastinya memiliki nilai dan akan dihitung
dalam perbandingan perbedaan setiap data uji dan data template sehingga
mempengaruhi dalam sistem identifikasi.
(a) Gambar Awal (b) Gambar Canny (c) Setelah di Resize
Gambar 4.13 Hasil Proses Gambar Canny
4.5.2 Hasil Pengujian Proses Deteksi Tepi Canny Sebelum Resize
Untuk melakukan perbandingan mengapa diangkat proses
menggunakan dekteksi tepi Canny dahulu sebelum di resize maka
akan diuji menggunakan proses resize dahulu kemudian baru
dikenakan deteksi tepi Canny. Hasil dari pengujian terhadap 30
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
data uji baru namun data sama dengan pengujian pada tabel 4.1
dapat dilihat dalam tabel dibawah ini.
function [newimg]=Preprocessing(img)
...
% preproccesing img=rgb2gray(img); img=im2bw(img); img=imresize(img,[88 88]); img=canny(img, 0.05, 0.15); % img=edge(img,'canny'); %code untuk menggunakan canny
buatan matlab % img=imresize(img,[88 88]); newimg=img; ...
Tabel 4.3 Tabel Pengujian Menggunakan Canny Sesudah di Resize
No Data Hasil idetifikasi
Mirip dengan data ke-
Nilai kemiripan
Hasil menurut awam
Hasil menurut orang citra
1 BA 1 Buah andu Buah andu 7 225675 Benar Salah
2 BA 2 Buah andu Buah andu 7 195330 Benar Benar
3 BA 3 Buah andu Buah andu 3 232050 Benar Salah
4 BA 4 Buah andu Buah andu 5 215475 Benar Salah
5 BE 1 Buah andu Buah andu 5 200685 Salah Salah
6 BE 2 Buah andu Buah andu 5 187425 Salah Salah
7 BE 3 Buah andu Buah andu 7 203235 Salah Salah
8 BE 4 Buah andu Buah andu 7 190740 Salah Salah
9 BE 5 Buah andu Buah andu 7 191505 Salah Salah
10 BE 6 Buah andu Buah andu 1 262140 Salah Salah
11 BT 1 Buah andu Buah andu 1 239190 Salah Salah
12 BT 2 Buah andu Buah andu 7 141015 Salah Salah
13 BT 3 Buah andu Buah andu 7 260355 Salah Salah
14 BT 4 Buah andu Buah andu 2 251175 Salah Salah
15 BT 5 Buah andu Buah andu 7 244545 Salah Salah
16 BT 6 Buah andu Buah andu 2 252705 Salah Salah
17 BT 7 Buah andu Buah andu 7 2169830 Salah Salah
18 BT 8 Buah Terong Buah Terong 11 242760 Benar Benar
19 BT 9 Buah Ande Buah Andu 7 252450 Salah Salah
20 BT 10 Bunga Terong Bunga Terong 12 237915 Benar Salah
21 BT 11 Bunga Terong Bunga Terong12 261120 Benar Salah
22 BT 12 Bunga Terong Bunga Terong 6 223380 Benar Salah
23 BT 13 Buah andu Buah andu 7 220320 Salah Salah
24 BT 14 Buah andu Buah andu 7 211905 Salah Salah
25 BT 15 Bunga Terong Bunga Terong 11 231540 Benar Salah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
26 BT 16 Bunga Terong Bunga Terong 11 211140 Benar Salah
27 BT 17 Buah andu Buah andu 7 239700 Salah Salah
28 UD 1 Buah andu Buah andu 4 208590 Salah Salah
29 UD 2 Buah andu Buah andu 2 227715 Salah Salah
30 UD 3 Buah andu Buah andu 7 265710 Salah Salah
Hasil akurasi dari kaum awam:
x 100 %= 33,33 %
Hasil akurasi Citra :
x 100 % = 6,66 %
Hanya terdapat 2 data yang benar menurut seorang citra dan 10 data yang
benar menurut kaum awam dengan hasil presentase masing-masing
33,33% dari hasil menurut kaum awam dan 6,66% dari hasil menurut
seorang citra. Dari hasil ini nilai kehandalan dalam proses resize terlebih
dahulu lebih kecil dibandingkan dengan proses resize setelah proses
deteksi tepi Canny .
Gambar 4.14 Hasil Proses Resize Dahulu Kemudian Deteksi Tepi Canny
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
BAB V
PENUTUP
5.1 KESIMPULAN
Berdasarkan penelitian tentang pengenalan motif tato dayak Iban
menggunakan deteksi tepi Canny dan Template Matching maka dapat
ditarik kesimpulan sebagai berikut:
1. Penelitian ini menggunakan pengenalan Template Matching dengan
data training atau template sebanyak 50 data citra tato dayak iban asli
dan data uji berjumlah 30 data terdiri dari data yang diambil dari latar
kulit manusia dan dari latar kertas namun sudut pengambilan kira-kira
45o. Untuk akurasi yang dihasil kan dari penelitian ini jika
mendahulukan proses Canny sebelum resize, didapat hasil dari segi
kaum awam yaitu 83,33% data ini di didapat dari hasil secara umum
dan dari segi seorang citra yaitu 16,66% data ini didapat dari hasil
kemiripan suatu data. Jika menggunakan resize terlebih dahulu
sebelum proses deteksi tepi Canny maka akan menghasilkan nilai
akurasi yaitu dari segi kaum awam atau secara umum menghasilkan
33,33% dan dari segi seorang citra menghasilkan 6,66%.
2. Kelemahan identifikasi menggunakan model template matching
adalah sangat bergantung pada jumlah template yang disimpan dan
terbatasnya variasi data uji yang digunakan sehingga kurang cocok
ketika data uji yang digunakan beragam. Perbedaan posisi, letak dan
pencahayaan citra akan sangat berpengaruh terhadap ketepatan suatu
objek dalam mengenali, sehingga diperlukan cukup banyak data
template untuk mengakomodasi berbagai posisi dan letak citra
demikian pun pencahayaan pada citra juga akan mempengaruhi proses
deteksi tepi yang akan menimbulkan noice. Namun, jika data template
terlalu banyak tentu saja akan mempengaruhi kecepatan suatu sistem
dalam melakukan proses identifikasi dan data penyimpanan juga
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
cukup besar. disisi lain kelebihan menggunakan template matching
adalah relatif mudah diimplementasikan dan masih cukup relevan
diterapkan pada kasus penelitian ini jika menggunakan deteksi canny
yang dibuat sendiri.
3. Dalam penelitian ini proses yang dikerjakan adalah pemotongan citra
secara manual dan kemudian diinputkan kedalam sistem kemudian
sistem akan melakukan proses preprocessing yaitu proses grayscaling,
binaritation, proses deteksi tepi canny, dan rezising, setelah proses
preprocessing hasil akan diproses selanjutnya yaitu data training yang
akan di masukan ke dalam template database dan data uji yang akan
di identifikasi berdasarkan citra yang ada di template database
kemudian hasil dari proses ini berupa text yang berupa hasil dari nama
inputan citra uji yang sudah diidentifikasi, citra yang mana yang
paling mirip dari data template dan nilai perbedaan yang
menggunakan rumus perhitungan Minimum distance dengan rumus
jarak City-Block. Hasil dari seluruh data uji akan dihitung persentasi
keberhasilannya dengan menggunkana rumus yang ada.
5.2 SARAN
Untuk penelitian selanjutnya tentang pengenalan motif tato dayak
Iban, terdapat beberapa saran untuk memperbaiki kekurangan pada
penelitian tersebut, antara lain:
1. Mengembangkan proses deteksi secara otomatis citra tato dayak iban
sehingga proses cropping yang dilakukan dapat secara otomatis
mengambil citra tato saja.
2. Penambahan citra pada template database, penggunaan ekstraksi ciri,
serta menggunakan metode lain seperti deteksi tepi menggunakan
operasi sobel, LoG, dll sehingga kemungkinan tingkat keberhasilan
identifikasi bisa lebih besar. Diperlukan juga penambahan proses pada
tahap preprocessing untuk gambar yang diambil tidak normal seperti
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
pencahayaan yang gelap atau ada sebagian yang terlalu terang karena
efek cahaya lain, dan deteksi kemiringan citra yang mampu merotasi
citra sehingga dalam proses identifikasinya proses keberhasilannya
lebih besar.
3. Suatu kelemahan proses identifikasi menggunakan template matching
adalah bergantung pada banyaknya template dan cara membandingkan
objek dengan setiap template yang ada sehingga diperlukan model
identifikasi yang lebih efisien dalam hal komputasi untuk
mempercepat proses eksekusi program dan tidak memakan begitu
banyak ruang penyimpanan dan waktu yang lama.
4. Melanjutkan penelitian pengenalan motif tato Dayak Iban
menggunakan deteksi tepi canny dan template matching namun
diaplikasikan menggunakan perangkat smartphone sehingga
pengambilan data testing lebih mudah langsung melakukan
pengambilan gambar pada kulit atau media lain dan dengan output
berupa suara atau nama dari tato yang diujikan.
5. Mengembangkan penelitian ini untuk mengenali dan dalam output
terdapat penjelasan arti serta informasi lain dari tato yang diujikan
sehingga membantu pelestarian tradisi budaya Dayak Iban Kalimantan
Barat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
DAFTAR PUSTAKA
Adhitya, W,. W,. and Yudi, P,. (2008), Penggunaan Metode Template Matching
Untuk Identifikasi Kecacatan Pada PCB. Dalam SNATI 2008.
Yogyakarta.
Adji, S. F. K., (2017), Identifikasi Penyakit Tanaman Padi Berdasarkan
Segmentasi Citra Pada Daun Padi, Tugas Akhir Teknik Informatika,
Universitas Sanata Dharma Yogyakarta.
Fahmi. (2007), Perancangan Algoritma Pengolahan CItra Mata Menjadi Citra
Polar Iris Sebagai Bentuk Antara Sistem Biometri, Karya Ilmiah
Teknik Elektro, Universitas Sumatra Utara Medan. Diakses dari
http://repository.usu.ac.id/bitstream/123456789/1407/1/07001529.pdf
tanggal 10 November 2016.
Flaurensia, F., Rismawan, T., Hidayati, R.(2016), Pengenalan Motif Batik
Indonesia Menggunakan Deteksi Tepi Canny dan Template
Matching, Jurnal Coding Sistem Komputer, Universitas Tanjungpura
Pontianak. Volume 4, No. 2, Hal. 130-140.
Gonzales, Rafael C. ; Woods, Richard E. 2002. Digital Image Processing. New
Jersey : Prentice-Hall, Inc.
Green, Timothy D, dan Brown, A. (2002). Multimedia Projects in the Clasroom
United States of America : Corwin Press, Inc.
Handoyo, K.,(2017) Transliterasi Nama Jalan Beraksara Jawa, Tugas Akhir
Teknik Informatika, Universitas Sanata Dharma Yogyakarta.
Iqbal, Muhammad, (2009). Dasar Pengolahan Citra Menggunakan Matlab,
Matlab Tutorial. Departemen Ilmu dan Teknologi Kelautan Fakultas
Perikanan dan Ilmu Kelautan Institut Pertanian Bogor.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Kadir, A., Susanto, A.,(2013) Teory dan Aplikasi Pengolahan Citra, CV. Andi
Offset, Yogyakarta.
Olong, H. A. K. (2006), TATO, Yogyakarta,LKiS Yogyakarta, 83 – 84. Diakses
dari
https://books.google.co.id/books?hl=id&lr=&id=iGZkuAEuShIC&oi=
fnd&g=PA59&dq=tato+dayak+&ots=ZA4MUU3oYi&sig=eyD-
dG5U4DDbXkMAc IG684FF_Ro&redir_esc=y#v=onepage&q&f=f
alse kamis 10 November 2016.
Putra, D. (2010), Pengolahan Citra Digital, Yogyakarta, Andi Offset, 201 – 303.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
LAMPIRAN
A. Dokumentasi
Design Alat Uji
Buku katalog motif tato dayak iban “JEJAK PANTANG IBAN”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Desa Sungai Utik dimana terdapat rumah adat Betang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Rumah Betang Sungai Utik
Proses tato dayak iban pada acara PSBDK 2017 di Yogyakarta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
B. Proses tato di Betang Sungai Utik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
C. Data Tato
Buah Andu
Bunga Engkabang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Bunga Terong
Uker Degok
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI