presentasi tesis pengembangan sistem temu kembali citra...

29 Juli 2011 Presentasi Tesis 1

Pengembangan Sistem Temu Kembali Citra Batik Menggunakan

Transformasi Wavelet Yang Dirotasi dan Multi-Layer Perceptron

PRESENTASI TESIS

Penyusun Tesis :

Ricky Eka Putra(NRP : 5109.201.004)

Dosen Pembimbing :

Dr. Nanik Suciati, S.Kom, M.Kom

Arya Yudhi Wijaya, S.Kom, M.Kom


A G E N D A P R E S E N T A S I

P E N D A H U L U A N

KAJIAN PUSTAKA

METODE PENELITIAN

U J I C O B A

K E S I M P U L A N

S A R A N

- Latar Belakang Tesis- Perumusan Masalah- Tujuan dan Manfaat Tesis- Batasan Permasalahan

- Sistem Temu Kembali Citra Berbasis Isi- Wavelet- Transformasi Wavelet Yang Dirotasi- Multi Layer Perceptron- Fungsi Aktivasi- Akurasi

- Langkah-langkah Penelitian- Ekstraksi Fitur dan MLP - Evaluasi

- Data uji coba- Pencarian Parameter MLP Terbaik- Perbandingan dengan Sistem Temu Kembali Konvensional

- Kesimpulan Tesis

- Saran untuk pengembangan selanjutnya


P e n d a h u l u a n


LATAR BELAKANG [1]


Batik merupakan kain tradisional yang menjadi salah satukekayaan budaya bangsa Indonesia.

Perhatian serius terhadap batik perlu dilakukan untuk mencegahhilangnya batik sebagai warisan budaya bangsa Indonesia, yangdisebabkan karena tidak adanya informasi/dokumentasi yang baiktentang batik dan/atau karena diakuinya batik sebagai budayabangsa lain. Oleh karena itu, diperlukan pencatatan/inventarisasidata batik.

Selain itu, perlu juga dilakukan promosi secara terus menerusyang memperkenalkan batik sebagai kain tradisional Indonesia kedunia internasional.

Kelompok peneliti dari Universitas Indonesia telahmengembangkan Sistem Temu Kembali Berbasis Isi untuk AplikasiBatik (Sanabila dkk, 2009; Rahadianti dkk, 2009).


LATAR BELAKANG [2]


Pada sistem tersebut, fitur tekstur dari citra batik yang diekstrakmenggunakan filter Log-Gabor digunakan untukmerepresentasikan karakteristik citra.

Pemrosesan query menggunakan citra contoh dilakukan denganmenghitung jarak antara fitur tekstur dari citra contoh dan fiturtekstur dari citra-citra yang tersimpan dalam database.

Hanya citra yang memiliki jarak kurang dari threshold yang akandikembalikan sebagai hasil query.

Pada penelitian ini akan dibangun Sistem Temu Kembali Citra BatikBerbasis Motif.

Fitur tekstur yang merupakan fitur penting pada citra batik,diekstrak menggunakan transformasi wavelet.

Adapun transformasi wavelet yang digunakan merupakangabungan dari Discrete Wavelet Transform dan Rotated WaveletFilter.


LATAR BELAKANG [3]


Selanjutnya, fitur-fitur tekstur digunakan untuk mengenali motifbatik secara otomatis dengan menggunakan algoritmapembelajaran multi-layer perceptron backpropagation.

Pengindeksan citra di dalam database dilakukan berdasarkan jenismotif, seperti “parang”, “ceplok”, “”lereng, “semen”, “lung-lungan”,atau “buketan”.

Dengan adanya pengenalan motif secara otomatis, query tidakhanya bisa dilakukan dengan menggunakan citra contoh, tetapijuga bisa dilakukan dengan memasukkan nama motif.


PERUMUSAN MASALAH


1.

2.

Bagaimana mengekstraksi fitur tekstur dari data citra batik menggunakan filter wavelet ?

Bagaimana mengenali dan mengklasifikasi motif batik berdasarkanfitur tekstur menggunakan metode klasifikasi Multi-Layer Perceptron(Shin dkk, 2010) ?

3.Bagaimana menemukan kembali citra batik yang sesuai dengan query yang dimasukkan dengan pengukuran jarak Canberra, Euclidean dan Manhattan distance ?


TUJUAN DAN MANFAAT TESIS


Dihasilkannya perangkat lunak “Sistem Temu Kembali Data Citra Batik Berbasis Motif”, yang diharapkan dapat menginventarisir data citra batik yang ada di Indonesia sebagai upaya untuk mempromosikan batik secara terus menerus ke masyarakat Indonesia dan dunia Internasional

Tujuan

Manfaat

Membangun sebuah perangkat lunak Sistem Temu Kembali Citra Batik Berbasis Motif, yang mampu mengenali motif dari citra batik secara otomatis dan menggunakan motif tersebut untuk mengindeks data citra batik di dalam database.


BATASAN PERMASALAHAN


1.

2.

Citra batik yang digunakan adalah citra batik yang berwarna hasilscan dari beberapa buku referensi (H. Santosa Doellah. 2002. danHamidin A.S., 2010.).

Seluruh ukuran data batik yang digunakan akan distandarisasi jadi640x640.

3.Pendefinisian motif batik untuk data citra batik dilakukan secara manual pada tahap awal.


Kajian Pustaka


Kemiripan citra dapat diartikan bahwa antara citra query dan citrapada basis data adalah persis sama, dapat juga diartikan mendekatimirip. Contoh citra batik yang mendekati mirip dan tidak miripdapat dilihat pada Gambar 2.1 dan Gambar 2.2.

Aplikasi pencarian suatu citra digital pada basis data citra yangberukuran besar dengan menggunakan ukuran kemiripan citra(Suematsu dkk, 2002). “Berbasis Isi” berarti pencarian tersebutmenggunakan isi dari citra itu sendiri atau yang disebut sebagai citraquery, bukan menggunakan suatu masukan teks

SISTEM TEMU KEMBALI CITRA BERBASIS ISI [1]

K A J I A N P U S T A K A

Jika di dalam basis data terdapat O citra, dan hendak dicari N citrayang paling mirip dengan citra query. Maka hal ini bisa dilakukandengan membandingkan fitur tekstur pada citra query dengan citratarget dalam basis data citra, dan mengambil citra sebanyak N.Simbol N menunjukkan banyaknya citra yang ingin dicari.


SISTEM TEMU KEMBALI CITRA BERBASIS ISI [2]


Gambar 2.1 Beberapa citra batik dengan motif yang mirip

Gambar 2.2 Beberapa citra batik dengan motif yang tidak mirip


W A V E L E T [1]


Representasi wavelet pada citra adalah dengan menggunakan transformasi wavelet diskrit 2 dimensi (2D). Sehingga, dalam hal ini transformasi wavelet diskrit 1D diaplikasikan sepanjang arah horisontal dan vertikal.

Gambar 2.3 Proses dekomposisi pada citra

c0c1 dH;1

dV;1 dD;1

dH;1

dV;1 dD;1

c2 dH;2

dV;2 dD;2

…..


1. Koefisien Approksimasi (c1) atau disebut juga subband LL2. Koefisien Detil Horisontal (dH;1) atau disebut juga subband HL3. Koefisien Detil Vertikal (dV;1) atau disebut juga subband LH4. Koefisien Detil Diagonal (dD;1) atau disebut juga subband HH

W A V E L E T [2]


Seperti yang terlihat pada Gambar 2.3, jika suatu citra dilakukan proses transformasi wavelet diskrit dua dimensi dengan level dekomposisi satu, maka akan menghasilkan empat buah subband


W A V E L E T [3]


Partisi frekuensi dari proses dekomposisi transformasi wavelet 2D untuk satu level dan dua level dapat dilihat pada Gambar 2.4 dan 2.5

Gambar 2.4 Partisi domain frekuensi dari dekomposisi wavelet satu level


W A V E L E T [4]


Gambar 2.5 Partisi domain frekuensi dari dekomposisi wavelet dua level


W A V E L E T [5]


Anggap dan representasikan koefisien low pass dan high pass dari Daubechies eight tab satu dimensi (1D).

08862303778133.052547148465705.029596308807679.016980279837694.0

18881870348117.035990308413818.066980328830116.085000105974017.0

85000105974017.066980328830116.035990308413818.018881870348117.0

16980279837694.029596308807679.052547148465705.008862303778133.0

g

h

Untuk yang 2D, koefisien filter low-low, low-high, high-low, high-highberasal dari dan menggunakan operasi matrik yang ada pada Persamaan 2.1.

ggH

hgH

ghH

hhH

T

HH

T

HL

T

LH

T

LL

(2.1)


Dalam beberapa kasus, karakterisasi dari informasi arah yangspesifik pada suatu citra dapat meningkatkan akurasi dalam suatusistem temu kembali citra. Untuk mendesain filter wavelet yangdirotasi atau Rotated Wavelet Filter (RWF) 2D, diperlukannyakoefisien filter Daubechies eight tab.

TRANSFORMASI WAVELET YANG DIROTASI [1]


Transformasi Wavelet yang Dirotasi merupakan pengembangan dari Discrete Wavelet Transform (DWT) (Kokare dkk, 2007). Subband HH dalam dekomposisi DWT) berisi informasi diagonal dari citra batik. Hal tersebut sangatlah susah untuk membedakan informasi diagonal yang berorientasi sudut 45 derajat atau 135 derajat.

Kumpulan filter wavelet yang dirotasi diperoleh dari merotasi filter discrete wavelet 2D standar sebesar sehingga proses dilakukan sepanjang arah-arah yang baru seperti yang ditunjukkan dalam Gambar 2.7.




Anggap dan merepresentasikan koefisien low pass dan high pass dari Daubechies eight tab satu dimensi (1D).

08862303778133.052547148465705.029596308807679.016980279837694.0

18881870348117.035990308413818.066980328830116.085000105974017.0

85000105974017.066980328830116.035990308413818.018881870348117.0

16980279837694.029596308807679.052547148465705.008862303778133.0

g

h

Untuk yang 2D, koefisien filter low-low, low-high, high-low, high-highberasal dari dan menggunakan operasi matrik yang ada pada Persamaan 2.1.

ggH

hgH

ghH

hhH

T

HH

T

HL

T

LH

T

LL

(2.1)




Koefisien filter wavelet 2D yang dirotasi yang diperoleh dari merotasi koefesien filter wavelet 2D Hj sebesar 45 derajat (dimana j menunjukkan LL, LH, HL atau HH).

Kompleksitas perhitungan dekomposisi RWF 2D sama dengan perhitungan dalam DWT 2D standar, jika keduanya diimplementasikan dalam domain frekuensi 2D. Partisi dalam domain frekuensi yang dihasilkan dari dekomposisi Rotated Wavelet Filter ditunjukkan pada Gambar 2.6 dan 2.7.




Gambar 2.6 Partisi domain frekuensi dari dekomposisi RWF satu level




Gambar 2.7 Partisi domain frekuensi dari dekomposisi RWF dua level




Dengan dekomposisi wavelet yang dirotasi, karakteristik diagonal dalam 45 derajat dan 135 derajat diperoleh dari subband ILH dan IHL

Karakteristik dari RWF set ini memberikan informasi pelengkap pentingdalam filter set DWT standar untuk mengekstraksi fitur pada CBIR.Sebagai contoh, dekomposisi citra satu level menggunakan DWTstandar dan RWF seperti yang telah ditunjukkan dalam Gambar 2.8dan 2.9.




Citra Asli

Gambar 2.8 Empat subband dekomposisi menggunakan DWT standar




Citra Asli

Gambar 2.9 Empat subband dekomposisi menggunakan RWF


DWT FILTER [1]


HLL =

0.000112 -0.00035 -0.00033 0.001982 0.000297 -0.00669 -0.00758 -0.00244

-0.00035 0.001081 0.001014 -0.00615 -0.00092 0.020745 0.023506 0.007576

-0.00033 0.001014 0.000951 -0.00577 -0.00086 0.019457 0.022047 0.007105

0.001982 -0.00615 -0.00577 0.034982 0.005234 -0.118 -0.1337 -0.04309

0.000297 -0.00092 -0.00086 0.005234 0.000783 -0.01765 -0.02 -0.00645

-0.00669 0.020745 0.019457 -0.118 -0.01765 0.398011 0.450983 0.145341

-0.00758 0.023506 0.022047 -0.1337 -0.02 0.450983 0.511006 0.164685

-0.00244 0.007576 0.007105 -0.04309 -0.00645 0.145341 0.164685 0.053074

HLH =

0.002441 -0.00758 0.006686 0.000297 -0.00198 -0.00033 0.000348 0.000112

-0.00758 0.023506 -0.02075 -0.00092 0.00615 0.001014 -0.00108 -0.00035

-0.00711 0.022047 -0.01946 -0.00086 0.005768 0.000951 -0.00101 -0.00033

0.043089 -0.1337 0.117997 0.005234 -0.03498 -0.00577 0.00615 0.001982

0.006447 -0.02 0.017654 0.000783 -0.00523 -0.00086 0.00092 0.000297

-0.14534 0.450983 -0.39801 -0.01765 0.117997 0.019457 -0.02075 -0.00669

-0.16468 0.511006 -0.45098 -0.02 0.133701 0.022047 -0.02351 -0.00758

-0.05307 0.164685 -0.14534 -0.00645 0.043089 0.007105 -0.00758 -0.00244


DWT FILTER [2]


HHL =

HHH =

0.002441 -0.00758 -0.00711 0.043089 0.006447 -0.14534 -0.16468 -0.05307

-0.00758 0.023506 0.022047 -0.1337 -0.02 0.450983 0.511006 0.164685

0.006686 -0.02075 -0.01946 0.117997 0.017654 -0.39801 -0.45098 -0.14534

0.000297 -0.00092 -0.00086 0.005234 0.000783 -0.01765 -0.02 -0.00645

-0.00198 0.00615 0.005768 -0.03498 -0.00523 0.117997 0.133701 0.043089

-0.00033 0.001014 0.000951 -0.00577 -0.00086 0.019457 0.022047 0.007105

0.000348 -0.00108 -0.00101 0.00615 0.00092 -0.02075 -0.02351 -0.00758

0.000112 -0.00035 -0.00033 0.001982 0.000297 -0.00669 -0.00758 -0.00244

0.053074 -0.16468 0.145341 0.006447 -0.04309 -0.00711 0.007576 0.002441

-0.16468 0.511006 -0.45098 -0.02 0.133701 0.022047 -0.02351 -0.00758

0.145341 -0.45098 0.398011 0.017654 -0.118 -0.01946 0.020745 0.006686

0.006447 -0.02 0.017654 0.000783 -0.00523 -0.00086 0.00092 0.000297

-0.04309 0.133701 -0.118 -0.00523 0.034982 0.005768 -0.00615 -0.00198

-0.00711 0.022047 -0.01946 -0.00086 0.005768 0.000951 -0.00101 -0.00033

0.007576 -0.02351 0.020745 0.00092 -0.00615 -0.00101 0.001081 0.000348

0.002441 -0.00758 0.006686 0.000297 -0.00198 -0.00033 0.000348 0.000112


RWF FILTER [1]


HLLR =

0 0 0 0 0 0 0 0.000112 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.00035 0 -0.00035 0 0 0 0 0 0

0 0 0 0 0 -0.00033 0 0.001081 0 -0.00033 0 0 0 0 0

0 0 0 0 0.001982 0 0.001014 0 0.001014 0 0.001982 0 0 0 0

0 0 0 0.000297 0 -0.00615 0 0.000951 0 -0.00615 0 0.000297 0 0 0

0 0 -0.00669 0 -0.00092 0 -0.00577 0 -0.00577 0 -0.00092 0 -0.00669 0 0

0 -0.00758 0 0.020745 0 -0.00086 0 0.034982 0 -0.00086 0 0.020745 0 -0.00758 0

-0.00244 0 0.023506 0 0.019457 0 0.005234 0 0.005234 0 0.019457 0 0.023506 0 -0.00244

0 0.007576 0 0.022047 0 -0.118 0 0.000783 0 -0.118 0 0.022047 0 0.007576 0

0 0 0.007105 0 -0.1337 0 -0.01765 0 -0.01765 0 -0.1337 0 0.007105 0 0

0 0 0 -0.04309 0 -0.02 0 0.398011 0 -0.02 0 -0.04309 0 0 0

0 0 0 0 -0.00645 0 0.450983 0 0.450983 0 -0.00645 0 0 0 0

0 0 0 0 0 0.145341 0 0.511006 0 0.145341 0 0 0 0 0

0 0 0 0 0 0 0.164685 0 0.164685 0 0 0 0 0 0

0 0 0 0 0 0 0 0.053074 0 0 0 0 0 0 0


RWF FILTER [2]


HLHR =

0 0 0 0 0 0 0 0.002441 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 -0.00711 0 0.023506 0 0.006686 0 0 0 0 0

0 0 0 0 0.043089 0 0.022047 0 -0.02075 0 0.000297 0 0 0 0

0 0 0 0.006447 0 -0.1337 0 -0.01946 0 -0.00092 0 -0.00198 0 0 0

0 0 -0.14534 0 -0.02 0 0.117997 0 -0.00086 0 0.00615 0 -0.00033 0 0

0 -0.16468 0 0.450983 0 0.017654 0 0.005234 0 0.005768 0 0.001014 0 0.000348 0

-0.05307 0 0.511006 0 -0.39801 0 0.000783 0 -0.03498 0 0.000951 0 -0.00108 0 0.000112

0 0.164685 0 -0.45098 0 -0.01765 0 -0.00523 0 -0.00577 0 -0.00101 0 -0.00035 0

0 0 -0.14534 0 -0.02 0 0.117997 0 -0.00086 0 0.00615 0 -0.00033 0 0

0 0 0 -0.00645 0 0.133701 0 0.019457 0 0.00092 0 0.001982 0 0 0

0 0 0 0 0.043089 0 0.022047 0 -0.02075 0 0.000297 0 0 0 0

0 0 0 0 0 0.007105 0 -0.02351 0 -0.00669 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 0 0 -0.00244 0 0 0 0 0 0 0


RWF FILTER [3]


HHLR =

0 0 0 0 0 0 0 0.002441 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 0.006686 0 0.023506 0 -0.00711 0 0 0 0 0

0 0 0 0 0.000297 0 -0.02075 0 0.022047 0 0.043089 0 0 0 0

0 0 0 -0.00198 0 -0.00092 0 -0.01946 0 -0.1337 0 0.006447 0 0 0

0 0 -0.00033 0 0.00615 0 -0.00086 0 0.117997 0 -0.02 0 -0.14534 0 0

0 0.000348 0 0.001014 0 0.005768 0 0.005234 0 0.017654 0 0.450983 0 -0.16468 0

0.000112 0 -0.00108 0 0.000951 0 -0.03498 0 0.000783 0 -0.39801 0 0.511006 0 -0.05307

0 -0.00035 0 -0.00101 0 -0.00577 0 -0.00523 0 -0.01765 0 -0.45098 0 0.164685 0

0 0 -0.00033 0 0.00615 0 -0.00086 0 0.117997 0 -0.02 0 -0.14534 0 0

0 0 0 0.001982 0 0.00092 0 0.019457 0 0.133701 0 -0.00645 0 0 0

0 0 0 0 0.000297 0 -0.02075 0 0.022047 0 0.043089 0 0 0 0

0 0 0 0 0 -0.00669 0 -0.02351 0 0.007105 0 0 0 0 0

0 0 0 0 0 0 -0.00758 0 -0.00758 0 0 0 0 0 0

0 0 0 0 0 0 0 -0.00244 0 0 0 0 0 0 0


RWF FILTER [4]


HHHR =

0 0 0 0 0 0 0 0.053074 0 0 0 0 0 0 0

0 0 0 0 0 0 -0.16468 0 -0.16468 0 0 0 0 0 0

0 0 0 0 0 0.145341 0 0.511006 0 0.145341 0 0 0 0 0

0 0 0 0 0.006447 0 -0.45098 0 -0.45098 0 0.006447 0 0 0 0

0 0 0 -0.04309 0 -0.02 0 0.398011 0 -0.02 0 -0.04309 0 0 0

0 0 -0.00711 0 0.133701 0 0.017654 0 0.017654 0 0.133701 0 -0.00711 0 0

0 0.007576 0 0.022047 0 -0.118 0 0.000783 0 -0.118 0 0.022047 0 0.007576 0

0.002441 0 -0.02351 0 -0.01946 0 -0.00523 0 -0.00523 0 -0.01946 0 -0.02351 0 0.002441

0 -0.00758 0 0.020745 0 -0.00086 0 0.034982 0 -0.00086 0 0.020745 0 -0.00758 0

0 0 0.006686 0 0.00092 0 0.005768 0 0.005768 0 0.00092 0 0.006686 0 0

0 0 0 0.000297 0 -0.00615 0 0.000951 0 -0.00615 0 0.000297 0 0 0

0 0 0 0 -0.00198 0 -0.00101 0 -0.00101 0 -0.00198 0 0 0 0

0 0 0 0 0 -0.00033 0 0.001081 0 -0.00033 0 0 0 0 0

0 0 0 0 0 0 0.000348 0 0.000348 0 0 0 0 0 0

0 0 0 0 0 0 0 0.000112 0 0 0 0 0 0 0


Umumnya ada lapisan bobot–bobot yang terletak antara 2 lapisanyang bersebelahan. Jaringan dengan banyak lapisan ini dapatmenyelesaikan permasalahan yang lebih sulit daripada lapisandengan lapisan tunggal, yang tentunya dengan pembelajaran yanglebih rumit.

M U L T I L A Y E R P E R C E P T R O N [1]


Multi-Layer Perceptron adalah salah satu arsitektur jaringan syaraf yang memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output atau dengan kata lain yang memiliki satu atau lebih lapisan tersembunyi (Medsker dkk, 1994).

Namun demikian, pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih baik dalam menyelesaikan masalah. Jaringan syaraf dengan banyak lapisan dapat dilihat pada Gambar 2.10.


Seperti halnya teknik jaringan saraf tiruan lainnya yang memilikijenis pembelajaran terawasi, perceptron multilapis belajarmentransformasikan data input sedemikian rupa sehinggamenghasilkan keluaran atau respon seperti yang diinginkan.



Multi-Layer Perceptron merupakan jaringan yang pembelajarannya terawasi sehingga ke dalam jaringan perlu dimasukkan contoh-contoh respon untuk dikenali.

MLP ini terkenal handal karena proses pembelajaran yang mampu dilakukan secara terarah. Pembelajaran algoritma ini dilakukan dengan peng-update-an bobot balik (backpropagation). Penetapan bobot yang optimal akan berujung pada hasil klasifikasi yang tepat.




Gambar 2.10 Jaringan syaraf dengan multilapis


F U N G S I A K T I V A S I


Fungsi sigmoid bipolar berbentuk kurva S dan merupakan fungsi yang paling umum. Biasanya sigmoid bipolar digunakan dalam jaringan yang menggunakan metode pelatihan backpropagation, karena bentuk fungsi aktivasi dan turunan fungsinya sederhana sehingga mudah dihitung. Fungsi sigmoid bipolar mempunyai nilai dengan interval antara -1 dan 1. Contoh bentuk dari fungsi sigmoid bipolar pada Gambar 2.11.

Gambar 2.11 Fungsi sigmoid bipolar


A K U R A S I


Akurasi yang diukur sebagai evaluasi dalam MLP didapatkan dengan rata-rata antara pembagian jumlah data yang terklasifikasi benar ke dalam satu kelas dengan jumlahnya data dalam satu kelas yang sebenarnya.

%100Re

contoh

benarRatecognition

Akurasi yang diukur dari sistem temu kembali juga didapatkan dengan rata-rata antara pembagian jumlah data yang ter benar ke dalam satu kelas dengan jumlahnya data dalam satu kelas yang sebenarnya.


Metode Penelitian


L A N G K A H – L A N G K A H P E N E L I T I A N [1]

M E T O D E P E N E L I T I A N

Gambar 3.1 Flowchart penelitiandengan masukan citra query

Mulai

INPUT Citra

batik

Mengekstraksi

Fitur Tekstur Dari

Citra Batik

Klasifikasi Batik

Menemukan

Kembali Citra

Batik

Selesai

Database Citra,

Motif dan Fitur

OUTPUT

Citra Batik

Yang

Ditemukan

Kembali




Gambar 3.2 Flowchart langkah-langkah penelitian dengan masukanteks

Mulai

INPUT

Nama motif

Pencocokan nama

motif query

dengan database

Selesai

Database Citra

dan Motif

OUTPUT

Citra Batik

Yang

Ditemukan

Kembali




Tahapan Mengekstraksi Fitur Tekstur Dari CitraBatik

Preprocessing Citra, merubah menjadi citra grayscaledengan menggunakan bobot elemen warna menurutNTSC.

1.

1.1.

bluewgreenwredwgrayscale BG ***R

Dimana WR = 0.2989, WG = 0.5870 dan WB = 0,1140




Ekstraksi Fitur, Fitur didapatkan dari nilai energi danstandar deviasi yang didapatkan dari perbaikan gambarberdasarkan dekomposisi wavelet.

Energi

1.2

Standar deviasi

M

i

N

j

ijXNM 1 1

1

2

1

1 1

21

M

i

N

j

ijijXNM


E K S T R A K S I F I T U R [1]


Menyiapkan filter DWT dan RWF

Konvolusi dan Downsampling.

1.

2.

Downsampling untuk delapan citra dari hasildekomposisi tersebut dengan hanya mengambil posisipiksel yang genap. Sehingga ukuran dari matrikscitranya menjadi (N/2,N/2). Dengan N = ukuran asalcitra.

2.1.

Konvolusi masing-masing filter (HLL, HLH, HHL, HHH,HLLR, HLHR, HHLR, HHHR) terhadap citra grayscale.Sehingga untuk setiap level dekomposisi terdapat 8buah citra hasil konvolusi.

2.2.


E K S T R A K S I F I T U R [2]


Hitung Energy dan Standar Deviasi (fitur).Perhitungan dilakukan dari 40 matriks citra hasildekomposisi. Sehingga untuk setiap citra terdapat 80fitur.

3.

Ulangi langkah 2 sampai lima level dekomposisi.Setiap proses perulangan menggunakan citra hasildekomposisi dengan filter HLL dan HLLR, tidakmenggunakan citra asal lagi. Akhirnya diperoleh 40matriks citra hasil dekomposisi.

4.

3.

Masukkan dalam Database Fitur. Di dalampenelitian ini terdapat 182 data training Sehinggaukuran database-nya adalah 182 x 80.




Tahapan Mengenali dan Mengklasifikasi MotifBatik

Pengenalan motif dan klasifikasi dalam penelitian inimenggunakan multi-layer perceptron dengan prosespembelajaran backpropagation

2.

Dimana motif tiap-tiap citra batik juga disimpan dalamdatabase.

Tahapan Menemukan Kembali Citra Batik YangSesuai3.


MULTI LAYER PERCEPTRON [1]


Gambar 3.3 Flowchart algoritmapembelajaran backpropagation dalamMLP

Mulai

INPUT data

pembelajar

an

Inisialisasi bias

dan bobot

Selesai

INPUT

parameter

Error jaringan <= Emax atau

jumlah iterasi = Epochmax

Proses Umpan

Maju

(feedforward)

Proses Propagasi

Error

(backpropagation

of error)

Proses

Pembaharuan

(Update) bias dan

bobot

OUTPUT

bias dan

bobot akhir


MULTI LAYER PERCEPTRON [2]


Gambar 3.4 Flowchart algoritmapengujian dalam MLP

Mulai

INPUT data

pengujian

Inisialisasi bias

dan bobot

Selesai

INPUT

parameter

Proses Umpan

Maju

(feedforward)

Bias dan bobot

hasil dari tahap

pembelajaran

OUTPUT

hasil

klasifikasi


PEMBELAJARAN MULTI LAYER PERCEPTRON [1]


Menyiapkan database fitur dan kelasnya.

Normalisasi database fitur dan kelasnya tersebut kedalam range -1 sampai 1. Cari nilai minimum danmaksimum dari tiap fitur/kelas sehingga di dapat 80nilai minimum dan maksimum. Lakukan normaliasidengan menggunakan persamaan :

rn = 2.*(r-minp)./(maxp-minp) – 1

Dimana rn = hasil normalisasi dan r = nilai awalsebelum dinormalisasi. Simpan minp dan maxp untukdigunakan menormalisasi data pengujian.

1.

2.


PEMBELAJARAN MULTI LAYER PERCEPTRON [2]


Pembelajaran dari data hasil normalisasi tersebutdengan bobot awal dan bias random. Lakukan sampaimendapatkan bobot dan bias (network) yang terbaik.Adapun struktur jaringannya yang terbaik [40 20 1].

Metode yang digunakan dalam pembelajran adalahMetode Penurunan Gradien dengan Momentum. Metodepembelajaran yang sederhana dengan kecepatan iterasiyang cepat. Dengan adanya momentum, perubahanbobot tidak hanya didasarkan atas error yang terjadisetiap 1 iterasi tetapi juga dengan memperhitungkanperubahan bobot dari iterasi sebelumnya. Setelahselesai pembelajaran, network yang telah terbentukdisimpan.

3.

3.1


PENGUJIAN MULTI LAYER PERCEPTRON [1]


Menyiapkan fitur citra uji dan kelasnya sertanetwork. Network diperoleh dari hasil pembelajaranyang telah dilakukan.

Normalisasi fitur citra dan kelasnya tersebut ke dalamrange -1 sampai 1. Ambil minp dan maxp dari prosesnormalisasi sebelumnya. Lakukan normaliasi denganmenggunakan persamaan :

rn = 2.*(r-minp)./(maxp-minp) – 1

Dimana rn = hasil normalisasi dan r = nilai awalsebelum dinormalisasi.

1.

2.

Pengujian dari hasil normalisasi fitur citra dan kelasnyadengan menggunakan network yang telah disiapkan.

3.


PENGUJIAN MULTI LAYER PERCEPTRON [2]


Denormalisasi hasil dari pengujian yang masih dalamrange -1 sampai 1 ke dalam data sebenarnya denganmenggunakan persamaan:

p = 0.5(pn+1)*(maxp-minp) + minp;

Dimana pn = hasil dari pengujian dan p = hasildenormalisasi.

4.

Penentuan Kelas dan Nama Motif dari citra tersebutdengan melakukan pembulatan (round) dari nilaidesimal tersebut.

5.

Evaluasi MLP dengan menghitung akurasi berdasarkanRecognition Rate

4.




Perhitungan Kemiripan Citra

Canberra distance sebagai perhitungan kemiripanantara dua citra query dengan citra yang ada dalamdatabase. Adapun metode Canberra distance dapatdilihat pada Persamaan 3.5 dengan x dan y adalah duavektor fitur dimensi d dari database citra dan citraquery.

3.1.

d

i ii

ii

yx

yxyxCanb

1

, (3.5)




Selain metode Canberra distance, penelitian ini jugamemakai metode Euclidean distance dan Manhattandistance sebagai alternatif pengukuran jarak.

Adapun metode Euclidean distance dapat dilihat padaPersamaan 3.6 sedangkan metode Manhattan distancedapat dilihat pada Persamaan 3.7.

(3.6)

d

i

ii yxyxEucl1

2,

(3.7) d

i

ii yxyxMan ,




Pengembalian Citra yang Mirip

Pengembalian citra berdasarkan citra query melihathasil perhitungan kemiripan citra query dengan citradalam kelas tertentu yang ada dalam database.Kemudian, hasil dari perhitungan masing-masingtersebut diurutkan dan diambil beberapa citra urutanteratas untuk dikembalikan ke pengguna.

3.2.

Proses pengembalian citra yang kedua adalahberdasarkan teks nama motif dari citra tersebut.Pengembalian citra mempertimbangkan kecocokan teksdari nama motif yang dimasukkan pengguna dengannama motif yang ada pada masing-masing citra.


E V A L U A S I


Evaluasi MLP dilakukan dengan mengukur tingkatakurasinya dalam mengenali motif batik.

Evaluasi dalam sistem ini dilakukan denganmenggunakan perhitungan akurasi. Dimana akurasiyang didapat dari penelitian ini dapat diperoleh darikeberhasilan sistem ini mengembalikan citra batik yangsesuai dengan citra dibanding dengan jumlah citra yangdikembalikan.

Pada dasarnya keberhasilan sistem ini bergantung padakeberhasilan MLP mengklasifikasi citra query. Jika citratersebut berhasil diklasifikasi dengan benar makaakurasi dari sistem ini mencapai 100%.


U j i C o b a


D A T A U J I C O B A

U J I C O B A

Dataset yang digunakan berjumlah 232, yang dibagi menjadi datasettraining 182 buah dengan jumlah kelas 6 dan dataset testing 50 buahdengan jumlah kelas 6 (Hamidin A.S., 2010). Data masukan yangdigunakan dalam penelitian ini berupa vektor fitur dari hasil ekstraksifitur pada citra contoh dan kumpulan data training. Dari hasil ekstraksifitur akan diperoleh Energi dan Standar deviasi dari masing-masinghasil dekomposisi citra menggunakan DWT dan RWF. Dalam penelitianini, digunakan 5 level pendekomposisian citra. Sehingga masing-masingvektor fitur pada sebuah citra batik memiliki panjang vektor 1 x 80.Data fitur tersebut sudah di normalisasi pada waktu pembentukan suatujaringan (dalam tahap pelatihan data). Data training yang diambil dari(H. Santosa Doellah, 2002)


PEMILIHAN PARAMETER MLP – LEARNING RATE [1]

U J I C O B A

Hasil pembelajaran dari learning rate = 0.1


Testing dengan data training Akurasi : 96.1%

Testing dengan data testing Akurasi : 38%

Performance(MSE) 0.001

Testing dengan data training Akurasi : 100%




PEMILIHAN PARAMETER MLP – LEARNING RATE [2]

U J I C O B A


Dari ketiga hasil ujicoba di atas, maka untuk selanjutnya dalampenelitian ini akan memakai learning rate = 0.9.





PEMILIHAN PARAMETER MLP – MOMENTUM [1]

U J I C O B A

Hasil pembelajaran dari momentum = 0.5









PEMILIHAN PARAMETER MLP – MOMENTUM [2]

U J I C O B A

Hasil pembelajaran dari momentum = 0.9

Dari ketiga hasil ujicoba di atas, maka untuk penelitian ini akanmemakai parameter learning rate = 0.9 dan momentum = 0.7.





PEMILIHAN PARAMETER MLP – NODE HIDDEN LAYER [1]

U J I C O B A

Hasil pembelajaran dari jumlah node [100 70]









PEMILIHAN PARAMETER MLP – NODE HIDDEN LAYER [2]

U J I C O B A


Dari ketiga hasil ujicoba di atas, maka untuk penelitian ini akanmemakai parameter learning rate = 0.9 dan momentum = 0.7 sertajumlah node [40 10]





PERBANDINGAN DENGAN SISTEM KONVENSIONAL [1]

U J I C O B A

Hasil akurasi Sistem Temu Kembali Konvensional dengan EuclideanDistance

Nomor Nama Citra Akurasi Waktu

1 a02 – Parang Grendeh 0.25 0.218

2 b_ron telo 0.75 0.164

3 c15 – Lereng Kawung Seling 0.50 0.165

4 e0_BATIK_MADURA_1 0.50 0.140

5 f06 – Snow White 0.75 0.140

Rata-rata 0.45 0.165



U J I C O B A

Hasil akurasi Sistem Temu Kembali Konvensional dengan CanberraDistance



2 b_ron telo 0.75 0.151



5 f06 – Snow White 0.75 0.140

Rata-rata 0.7 0.153



U J I C O B A

Hasil akurasi Sistem Temu Kembali Konvensional dengan ManhattanDistance

Dari ketiga pengukuran jarak di atas dapat diambil kesimpulan bahwapengukuran jarak dengan Canberra distance lebih cocok digunakandalam penelitian yang sejenis.



2 b_ron telo 0.75 0.154

3 c15 – Lereng Kawung

Seling

0.25 0.152


5 f06 – Snow White 0.75 0.156

Rata-rata 0.5 0.156



U J I C O B A

Hasil akurasi Sistem Temu Kembali MLP dengan Euclidean Distance



2 b_ron telo 1.00 0.151



5 f06 – Snow White 1.00 0.149

Rata-rata 0.8 0.155



U J I C O B A

Hasil akurasi Sistem Temu Kembali MLP dengan Canberra Distance



2 b_ron telo 1.00 0.150



5 f06 – Snow White 1.00 0.147

Rata-rata 0.8 0.152



U J I C O B A

Hasil akurasi Sistem Temu Kembali MLP dengan Manhattan Distance



2 b_ron telo 1.00 0.147



5 f06 – Snow White 1.00 0.149

Rata-rata 0.8 0.152


K e s i m p u l a n


K E S I M P U L A N

Keberhasilan dari Sistem Temu Kembali Citra Batik ini sangatbergantung pada keberhasilan MLP dalam mengklasifikasi sebuahcitra query.

1.

MLP dapat dengan digunakan dengan baik dalam penunjangSistem Temu Kembali Citra Batik. Dimana hasil recognition rateyang terbaik yang dihasilkan oleh MLP ini adalah 86%.

2.

Waktu eksekusi dalam pengembalian citra yang mirip lebih pendek0,015 detik dibandingkan dengan Sistem Temu Kembalikonvensional.

3.


S a r a n


S A R A N

Penelitian ini merupakan tahap awal untukpengembangan penelitian selanjutnya. Untuk penelitianselanjutnya, dapat digunakan ANNMBP(Kathirvalavakumar T, 2009) atau metode klasifikasiyang lain. Sehingga dari penelitian berikutnya didapathasil klasifikasi terbaik yang dapat digunakan untukmendukung proses Sistem Temu Kembali Citra Batikyang baru.


Daftar Pustaka


DAFTAR PUSTAKA [1]

D A F T A R P U S T A K A

Achjadi, J., 1999. Batik Spirits of Indonesia. Yayasan Batik Indonesia,PT. Buku Antar Bangsa.

Gonzalez, Rafael C., Woods, R.E., 2002.Digital Image Processing.New Jersey : Prentice-Hall, Inc., Upper Saddle River.

H. Santosa Doellah. 2002. “Batik : Pengaruh Zaman danLingkungan”. Batik Danar Hadi Solo.

Hamidin A.S., 2010. Batik : Warisan Budaya Asli Indonesia. NarasiYogyakarta.

He, Z., You, X., Yuan, Y., 2009. Texture image retrieval based on non-tensor product wavelet filterbanks. Signal Processing, vol. 89, pp1501–1510.

Jhanwar, N., Chaudhuri, S., Seetharaman, G., Zavidovique, B., 2004.Content based image retrieval using motif cooccurrence matrix.Image and Vision Computing, vol. 22, pp. 1211–1220.


DAFTAR PUSTAKA [2]


Jou, C., You, S., Wen, Chang Long.1994. Analysis Of Hidden NodesFor Multi-Layer Perceptron Neural Networks. Department ofComputer Science, National Tsing Hua University, Hsinchu, Taiwan.

Kathirvalavakumar T, dan Subavathi S. J., 2009. Neighborhood basedmodified backpropagation algorithm using adaptive learningparameters for training feedforward neural networks. JournalNeurocomputing, vol. 72, pp. 3915–3921 Elsivier Science Ltd.

Kokare, M., Biswas, P.K., Chatterji, B.N., 2007. Texture imageretrieval using rotated wavelet filters. Pattern Recognition Letter,vol. 28, pp. 1240–1249.

Medsker, L., Liebowitz, J., 1994. Design and Development of ExpertSystem and Neural Networks. McMillan Publishing Co, New York.


DAFTAR PUSTAKA [3]


Rahadianti, L., Manurung, R., Murni, A., 2009. Clustering BatikImages Based on Log-Gabor and Colour Histogram Features.Proceeding of ICACSIS, pp. 85.

Sanabila, H.R., Manurung R., 2009. Recognition of Batik Motifs usingthe Generalized Hough Transform. Proceeding of ICACSIS, pp. 79.

Shin, Y., Kim, Y., Kim, E.Y., 2010. Automatic textile image annotationby predicting emotional concepts from visual features. Image andVision Computing, vol. 28, pp. 526–537.

Suciati, N., Herumurti, D., Buliali, J.L., Kusuma, D.W., Saikhu, A.,Asano, C.M., Asano, A., 2007. Image Retrieval based on ObjectExtraction and Kansei Estimation. Proceeding of 2nd Korean-JapanJoint Workshop on Pattern Recognition (KJPR), pp. 191-196.


DAFTAR PUSTAKA [4]


Suciati, N., Harada, K., 2009. Editing Techniques on Wavelet-basedMultiresolution Surface. Current Development in Theory andApplications of Wavelets, vol. 3, no. 3, pp. 205-217.

Suematsu, N., Ishida, Y., Hayashi, A., dan Kanbara, T., 2002. Region-Based Image Retrieval using Wavelet Transform, Faculty ofInformation Sciences Hiroshima City University.

presentasi tesis pengembangan sistem temu kembali citra...

Documents