LAPORAN AKHIR

PENELITIAN UNGGULAN PERGURUAN TINGGI

PENGEMBANGAN APLIKASI REPOSITORI PENGENALAN MOTIF

BATIK INDONESIA BERBASIS CLUSTERING KEYPOINT PADA

RUANG HOUGH

Tahun ke 1 dari rencana 2 tahun

Ketua Tim Peneliti

Prof. Dr. Ir. Aniati M. Arymurthy, M.Sc/ 0029054802

Ida Nurhaida, Dr., MT / 0310047103

Mohamad Ivan Fanany, Dr.Eng./ 0314027102

UNIVERSITAS INDONESIA

2

HALAMAN PENGESAHAN

PENELITIAN UNGGULAN PERGURUAN TINGGI

Judul : Pengembangan Aplikasi Repositori Pengenalan Motif

Batik Indonesia berbasis Clustering Keypoint Pada

Ruang Hough

Peneliti/Pelaksana

A. Nama Lengkap : Prof. Dr. Ir. ANIATI MURNI ARYMURTHY, M.Sc

B. NIDN : 0029054802

C. Jabatan Fungsional : Guru Besar

D. Program Studi : Ilmu Komputer

E. Nomor HP : 0811888154

F. Surel (e-mail) : aniati@cs.ui.ac.id

Anggota Peneliti (1)

A. Nama Lengkap : IDA NURHAIDA, Dr., MT.

B. NIDN : 0310047103

C. Perguruan Tinggi : Universitas Mercu Buana

Anggota Peneliti (2)

A. Nama Lengkap : MOHAMAD IVAN FANANY, Dr.Eng.

B. NIDN : 0314027102

C. Perguruan Tinggi : Universitas Indonesia

Tahun Pelaksanaan : Tahun ke 1 dari Rancana 2 Tahun

Biaya Tahun Berjalan : Rp 209.200.000,00

Biaya Keseluruhan : Rp 428.400.000,00

Mengetahui,

Dekan, Ketua Peneliti,

(Mirna Andriani, Ph.D) (Prof. Dr. Ir. Aniati Murni Arymurthy, M.Sc.)

NIP/NIK. NIP/NIK 194805291975012001

3

RINGKASAN

Batik adalah metode dekorasi tekstil yang telah dilakukan sejak lama di beberapa

bagian negara Asia. Indonesia termasuk salah satu pelopor bagi teknik membatik yang

bermula dari Pulau Jawa, hingga akhirnya menyebar ke negara-negara Eropa. Perpaduan

antara motif batik dengan kreasi teknik pewarnaan menghasilkan hasil karya seni batik

yang indah dan menjadikan industri batik Indonesia berkembang pesat hingga merambah

pasar manca negara. Hal ini mendorong kreatifitas para desainer untuk memadu padankan

dengan motif-motif batik yang sudah ada sehingga banyak bermunculan motif-motif baru

dan diaplikasikan pada karya seni batik. Untuk menjaga kelestarian budaya batik sangat

diperlukan adanya dokumentasi digital yang memuat motif-motif batik dari pola geometris

dan non geometris. Pemanfaatan teknologi informasi dalam bentuk sistem repositori motif

batik dapat mendukung industri kreatif karena sistem ini nantinya dapat dijadikan sebagai

acuan bagi perkembangan elemen-elemen desain motif batik.

Laporan akhir ini berisi penjelasan tentang hasil yang telah dicapai terkait

penelitian pengenalan motif batik dengan luaran berupa prototype sistem dan aplikasi

repositori motif batik, khususnya pola geometris. Tahapan penelitian yang telah dicapai

mencakup hasil studi mendalam tentang karakteristik motif batik. Pengembangan

algoritma berdasarkan metode ekstraksi fitur dan post processing didasarkan pada

permasalahan utama yang dihadapi dalam pengenalan motif batik. Adanya kemiripan motif

dan kemunculan suatu motif secara berulang dengan lokasi, skala, dan orientasi yang

berbeda dapat menyebabkan adanya kesalahan pengenalan dan kesalahan klasifikasi. Oleh

karenanya proses pencocokan deskriptor citra yang diperoleh melalui ekstraksi fitur, harus

dapat dilakukan dengan baik sehingga kualitas pengenalan motif batik menjadi lebih baik.

Hasil yang diharapkan pada penelitian tahun pertama ini adalah luaran berupa

publikasi ilmiah, prototype aplikasi berbasis web dan pengembangan basis data citra motif

batik Indonesia. Kehandalan sistem dalam melakukan pengenalan diindikasikan dengan

ketepatan dalam menentukan jumlah obyek yang terdapat pada citra query dan mampu

mengenali obyek motif walaupun telah mengalami transformasi geometris melalui

perpindahan posisi, rasio skala, dan perubahan orientasi.

Kata Kunci : Batik, motif, ekstraksi fitur, SIFT, pencocokan keypoint, voting keypoint,

ruang Hough, clustering, DBSCAN

4

PRAKATA

Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah SWT. karena atas

rahmat dan karunia-Nya kami dapat menyelesaikan laporan kemajuan Hibah Penelitian

Terapan Kemenristekdikti dengan skema Penelitian Unggulan Perguruan Tinggi (PUPT).

Penelitian ini dilakukan sebagai bagian dari upaya kontribusi terhadap bidang seni dan

budaya Batik yang memiliki nilai ekonomis dan sejarah bernilai tinggi, serta Ilmu

Komputer/Informatika. Kontribusi utama yang kami lakukan terutama terkait

dokumentasi digital motif batik dengan konsep pengenalan motif batik yang belum

pernah dibangun sebelumnya.

Hingga saat laporan kemajuan ini dibuat, penelitian ini berjalan sesuai dengan

tahapan-tahapan yang telah direncanakan. Penulis menyadari bahwa dalam proses

penelitian ini telah melibatkan berbagai pihak. Untuk itu dalam kesempatan ini penulis

ucapkan terima kasih kepada:

1. Ibu Asti Suryo Astuti, SH., M.Kn, PT. Danar Hadi Indonesia, yang telah memberikan

kesempatan dan bantuan sebagai penyedia data citra riil motif batik.

2. Kemenristekdikti dan DRPM UI atas kesempatan yang telah diberikan untuk mengikuti

kegiatan Penelitian Terapan dengan skema PUPT ini.

3. Semua pihak yang tidak dapat kami sebutkan satu per satu dan telah memberikan

dukungan dan bantuan pelaksanaan penelitian ini.

Penulis berharap semoga Allah SWT memberikan balasan atas kebaikan yang telah

diberikan. Semoga disertasi ini dapat bermanfaat bagi pengembangan ilmu pengetahuan

khususnya dalam bidang computer vision.

Depok, Oktober 2016

Tim Peneliti

5

DAFTAR ISI

RINGKASAN ................................................................................................................. 2

PRAKATA ..................................................................................................................... 4

DAFTAR ISI .................................................................................................................. 5

DAFTAR GAMBAR ...................................................................................................... 7

BAB 1 PENDAHULUAN ............................................................................................. 9

1.1 Latar Belakang ................................................................................................... 9

1.2 Perumusan Masalah .......................................................................................... 14

BAB 2 TINJAUAN PUSTAKA .................................................................................. 16

2.1 Pengenalan Obyek ............................................................................................ 16

2.2 Deteksi Simetri ................................................................................................. 18

2.3 Ekstraksi Fitur .................................................................................................. 21

2.3.1 Gabor Filter ............................................................................................... 21

2.3.2 Log Gabor Filter ........................................................................................ 22

2.3.3 Grey Level Cooccurrence Metrices ........................................................... 23

2.3.4 Local Binary Pattern .................................................................................. 24

2.3.5 Scale Invariant Feature Transform............................................................. 25

2.4 Metode Pencocokan ......................................................................................... 25

2.5 Voting Hough Transform ................................................................................. 26

2.6 Clustering ......................................................................................................... 27

BAB 3 TUJUAN DAN MANFAAT PENELITIAN .................................................... 29

3.1 Tujuan Penelitian.............................................................................................. 29

3.2 Keutamaan Penelitian ....................................................................................... 29

BAB 4 METODOLOGI PENELITIAN ....................................................................... 31

4.1 Dataset.............................................................................................................. 32

4.2 Ekstraksi Fitur menggunakan SIFT .................................................................. 32

4.3 Metode Pencocokan ......................................................................................... 33

4.4 Proyeksi ke Ruang Hough ................................................................................ 33

4.5 Menentukan Multiple Peaks berdasarkan Voting Keypoint pada Ruang Hough

......................................................................................................................... 34

4.6 Penentuan Jumlah Obyek Motif Batik .............................................................. 34

4.7 Evaluasi Jumlah Obyek yang Ditemukan ......................................................... 34

4.8 Future Work - Membangun Sistem Pengenalan Motif Batik Indonesia............ 35

4.9 Uji Coba Implementasi Aplikasi ...................................................................... 35

6

4.10 Luaran yang ingin dicapai ................................................................................ 36

BAB 5 HASIL YANG DICAPAI ................................................................................ 38

5.1 Kegiatan yang dilakukan pada Tahun 1 ............................................................ 38

5.2 Hasil yang telah dicapai per Oktober 2016 ....................................................... 38

5.2.1 Hasil analisis terhadap Karakteristik Motif Batik ...................................... 38

5.2.2 Penentuan Metode Ekstraksi Fitur ............................................................. 39

5.2.3 Metode Pencocokan Keypoint ................................................................... 39

5.2.4 Metode Voting dan Clustering pada Ruang Hough ................................... 39

5.2.5 Model Pengenalan Motif Batik .................................................................. 40

5.2.6 Data dan Implementasi .............................................................................. 45

5.3 Hasil dan Diskusi ............................................................................................. 50

5.4 Pengembangan Aplikasi Repositori Motif Batik Indonesia .............................. 58

5.4.1 Pengambilan Data Motif Batik Indonesia di Museum Batik Kuno Danar

Hadi ........................................................................................................... 58

5.4.2 Pengembangan Basis Data Batik. .............................................................. 60

5.4.3 Progres Pengembangan Aplikasi Web untuk Pengenalan Batik. ............... 65

5.5. Luaran yang telah dicapai ................................................................................... 66

BAB 6 RENCANA TAHAPAN BERIKUTNYA ........................................................ 68

6.1 Taksonomi Motif Batik Indonesia .................................................................... 68

6.2 Analisis dan perancangan aplikasi Sistem Repository Digital Motif Batik

Indonesia .......................................................................................................... 68

6.3 Luaran yang ingin Dicapai pada Penelitian Tahun 2 ........................................ 69

BAB 7 KESIMPULAN ................................................................................................ 70

7.1 Kesimpulan ...................................................................................................... 70

7.2 Saran ................................................................................................................ 71

DAFTAR PUSTAKA ................................................................................................... 72

FORMULIR EVALUASI ATAS CAPAIAN LUARAN KEGIATAN ......................... 77

LAMPIRAN BUKTI LUARAN ................................................................................... 82

PERSONALIA TIM PENELITI ................................................................................. 150

BIODATA PENELITI ................................................................................................ 153

7

DAFTAR GAMBAR

Gambar 1.1 Alat-Alat Pembuat Motif Batik..................................................................... 10

Gambar 1.2 Motif (a) Ceplok Blibar (b) Kawung Picis (c) Lereng Udan Riris [3]........... 12

Gambar 1.3 Motif (a) Nitik (b) Parang Curiga ................................................................. 13

Gambar 2.1 Komponen-komponen sistem pengenalan obyek .......................................... 17

Gambar 2.2 Perbandingan fungsi Gabor dan Log Gabor filter (Field, 1987) ................... 23

Gambar 2.3 Contoh perhitungan LBP .............................................................................. 25

Gambar 2.4. Tahapan Clustering [40] .............................................................................. 27

Gambar 4.1. Tahapan penelitian yang diusulkan .............................................................. 31

Gambar 4.2. Diagram aplikasi repositori motif batik Indonesia ....................................... 32

Gambar 4.3. Representasi numerik keypoint SIFT........................................................... 33

Gambar 4.4. Perencanaan tahapan keluaran yang dihasilkan ........................................... 37

Gambar 5.1. Blok diagram pengenalan motif batik .......................................................... 41

Gambar 5.2. Proses pengurutan hasil voting pada akumulator array ................................ 43

Gambar 5.3. Data set eksperimen deteksi motif batik ...................................................... 46

Gambar 5.4. Contoh data set Skenario 1 .......................................................................... 47

Gambar 5.5. Data set skenario 2 citra kueri dengan 5 obyek motif batik ......................... 47

Gambar 5.6. Data set skenario 3 citra kueri 125-LRG011-Lereng Prana

Jiwo_randommotif_5.jpg ............................................................................ 48

Gambar 5.7. Data set skenario 4 citra kueri 001-CPK001-Arum Dalu-scen4-16.jpg ....... 49

Gambar 5.8. Data set skenario 1 – noise citra kueri 010-CPK005-Budi Luhur1-noise-

0.4.png ........................................................................................................ 49

Gambar 5.9. Data set skenario 2 – noise citra kueri 098-KWG002-Kawung

Beton_randomscalerot_noise_5 .................................................................. 50

Gambar 5.10. Suasana di Museum Batik Kuno Danar Hadi............................................. 59

Gambar 5.11. Ibu Asti dan Ibu Ida dalam kunjungan ke Museum Batik Kuno Danar Hadi

.................................................................................................................... 59

Gambar 5.12. Kegiatan membatik dengan canting ........................................................... 60

Gambar 5.13. Ilustrasi kemunculan 3 kategori data batik dalam sebuah kain .................. 62

Gambar 5.14. ERD basis data citra batik.......................................................................... 64

Gambar 5.15. Rancangan sistem perolehan citra batik ..................................................... 63

Gambar 5.16. Arsitektur aplikasi Pengenalan Motif Batik Indonesia ............................... 65

Gambar 5.17. Antar muka aplikasi Pengenalan Motif Batik Indonesia ............................ 65

8

Gambar 5.18. Antar muka hasil pengenalan batik ............................................................ 66

Gambar 7.1. Rancangan ERD Data Citra Batik ............................................................. 140

Gambar 7.2. Sistem Basis Data untuk Data Citra Batik ................................................. 140

Gambar 7.3. Halaman utama aplikasi pengenalan batik ................................................. 142

Gambar 7.4. Conotoh hasil pengenalan .......................................................................... 142

Gambar 7.5. Halaman login pengguna ........................................................................... 142

Gambar 7.6. Halaman daftar motif batik ........................................................................ 143

Gambar 7.7 Arsitektur umum aplikasi pengenalan batik ................................................ 145

Gambar 7.8. Arsitektur client dan server aplikasi pengenalan batik ............................... 146

Gambar 7.9. Antarmuka halaman utama fitur pengenalan motif batik ........................... 147

Gambar 7.10. Menampilkan gambar pilihan user........................................................... 148

Gambar 7.11. Hasil pengenalan gambar batik ................................................................ 148

Gambar 7.12. Halaman daftar motif batik ...................................................................... 149

Gambar 7.13. Halaman login ......................................................................................... 149

9

BAB 1

PENDAHULUAN

Latar Belakang

Pada sebagian besar masyarakat Asia, Indonesia memberikan pengaruh

yang sangat besar pada teknik dekorasi tekstil [1]. Industri garmen dan tekstil

lainnya sering kali menggunakan simbol-simbol yang bernilai filosofi dan

diekspresikan dalam bentuk warna dan ornamen-ornamen tertentu yang digunakan

pada desain kain [2]. Pola-pola tersebut berkaitan dengan fungsi-fungsi religi atau

menunjukkan tingkat sosial pemiliknya. Berbeda halnya dengan desain tekstil,

material yang digunakan juga memegang peranan penting. Kain sutra memiliki nilai

yang lebih tinggi apabila dibandingkan dengan katun. Disamping itu penggunaan

hiasan tambahan, seperti benang emas dan motif prada, menunjukkan tingkat sosial

yang lebih tinggi.

Batik Indonesia merupakan pelopor dalam industri dekorasi tekstil yang

memiliki variasi jumlah ragam yang banyak di Asia Tenggara [3], [4]. Pengaruh ini

dirasakan hingga ke manca negara. Sarung batik dan kain panjang sudah diproduksi

selama beberapa abad dan umum dikenakan sebagai pakaian sehari-hari. Namun

batik menunjukkan tingkatan eksklusif berdasarkan aturan-aturan tertentu pihak

keraton di Cirebon, Surakarta, dan Yogyakarta dengan membatasi penggunaan

motif-motif tertentu untuk kalangan umum. Setelah kemerdekaan Indonesia

diproklamirkan, pihak keraton tetap menduduki posisi sebagai kalangan terhormat

dan masih menunjukkan pengaruh sosial walaupun otoritas secara hukum sudah

jauh berkurang. Pembatasan penggunaan batik sudah tidak berlaku lagi sehingga

setiap orang dapat menggunakan kain batik berikut desainnya secara bebas. Akan

tetapi pihak generasi muda keraton tetap dididik untuk mempertahankan desain

klasik yang merupakan elemen-elemen utama pada kekayaan budaya yang berasal

dari keraton tersebut. Salah satu cara untuk meningkatkan rasa cinta dan rasa

persatuan terhadap identitas nasional pemerintah menerapkan strategi dengan

menyatakan kain panjang dengan kebaya dan selendang merupana kostum nasional

bagi wanita indonesia. Baju batik, walaupun berpotongan dipengaruhi mode barat,

10

(a) Alat stamp batik cap (b) Canting

Gambar 1.1 Alat-Alat Pembuat Motif Batik

namun menjadi sangat populer di Indonesia dan negara-negara lainnya sebagai

pakaian informal untuk pria.

Proses pembuatan batik dilakukan dengan mengaplikasikan malam

menggunakan canting. Canting terdiri dari berbentuk seperti pensil yang terbuat

dari tembaga dengan wadah penampung malam cair panas pada kain katun.

Seniman batik menggambar motif dengan canting sehingga dapat menuangkan

imajinasi secara bebas pada selembar kain. Peralatan canting pertama kali

ditemukan pada awal abad ke 17 dan menjadi bagian penting dalam perkembangan

teknik dan desain batik. Selain canting, penggunaan cap juga merupakan penemuan

revolusioner dalam teknik membatik. Alat ini terbuat dari tembaga dengan bentuk

tertentu yang disolder ke pelat besi.

Batik merupakan salah satu kekayaan dan aset budaya yang memiliki nilai

ekonomis dan sejarah bernilai tinggi sehingga perlu dilestarikan. Desain batik

bersifat dinamis dan selalu berkembang seiring dengan trend mode. Perkembangan

pesat dimulai pada pertengahan era abad ke 20 di lingkungan industri mode lokal.

Para desainer mulai sering menggunakan elemen-elemen desain batik menjadi

pakaian. Perkembangan industri mode dunia juga mempengaruhi industri tekstil

regional. Kemiripan desain motif batik yang berasal Indonesia dibandingkan

dengan negara-negara lain seperti Malaysia, Singapura, Thailand, dan India dapat

11

menimbulkan kerancuan antara motif batik asli Indonesia dengan motif yang

berasal dari negara lain. Negara Malaysia dan Singapura juga telah menggunakan

elemen-elemen desain batiknya sebagai identitas lokal. Disamping itu tidak adanya

dokumentasi digital motif batik Indonesia mengancam kelestarian budaya batik

karena berpotensi dapat diklaim oleh negara lain. Batik Indonesia telah diakui

secara formal sebagai warisan budaya oleh UNESCO pada tanggal 8 September

2009 di Abu Dhabi. Batik Indonesia memiliki teknik, simbol-simbol, dan kultur

yang tidak dapat dipisahkan dari falsafah hidup bangsa Indonesia. Keberagaman

motif batik datang dari berbagai wilayah propinsi menjadikan Indonesia layak

dijadikan sebagai sumber kultur batik di dunia. Kebanggaan terhadap budaya dan

kearifan lokalnya dapat menjadikan warisan budaya tersebut akan selalu hidup di

tengah-tengah masyarakat. Banyaknya warisan budaya Indonesia yang perlu dijaga

kelestariannya merupakan jati diri dan identitas bangsa yang perlu diwariskan

kepada anak cucu sepertinya halnya batik.

Teknologi informasi sangat mendukung program pemerintah dalam

melestarikan budaya batik. Perkembangan bidang teknologi informasi menjadi

pemicu bagi wacana industri kreatif yang saat ini telah menjadi fenomena global.

Pengembangan sistem repositori digital motif batik dapat menjadi acuan dalam

pengembangan desain motif batik yang nantinya diaplikasikan dalam berbagai

bentuk produk kerajinan dan industri mode yang mampu merambah pangsa pasar

manca negara. Penelitian yang mendalam berkaitan dengan proses pengenalan pola

batik secara otomatis berdasarkan jenis motifnya sangat perlu dikembangkan

mengingat beragam jenis motif batik dengan karakteristik khusus yang dimilikinya

menjadikan proses pengenalan menjadi sangat rumit. Proses pengenalan ini

dilakukan berdasarkan karakteristik dasar tiap motif sebagai instance individual

yang berbeda-beda. Pada computer vision, identifikasi secara individu dilakukan

dengan pengenalan yang mengacu kepada persepsi obyek secara spesifik menurut

kelas tertentu [5]. Hal ini dilakukan terhadap citra yang berbeda namun

menggambarkan obyek yang sama walaupun dari sudut pandang yang berbeda.

Pengelompokan dan pengenalan dapat dilakukan di dalam benak manusia secara

alamiah namun sangat sulit jika dilakukan dengan menggunakan model komputasi

dan sistem tiruan [6].

12

Pada batik memiliki ornamen tertentu yang bersifat geometris dan non

geometris. Terdapat beberapa kelompok dalam pola geometris yaitu ceplok,

Kawung, Parang, Lereng, dan Nitik. Sedangkan motif non geometris terdiri dari

motif Lung lungan, Semen, Pagersari, Taplak Meja dan Wayang. Penelitian ini

difokuskan pada pengenalan motif batik geometris. Dalam ragam hias motif batik

geometris selalu ada unsur simetri dari motif yang merupakan pola bentukan garis-

garis silang, bintang, persegi panjang, persegi sama sisi, jajaran genjang, bentuk

segitiga tumpul, dan bentuk-bentuk lain yang disusun dalam tatanan garis [3].

Bentuk motif batik kelompok ceplok pada umumnya disusun dalam tatanan persegi.

Motif kawung merupakan ornamen geometris lingkaran yang dijajarkan dan

ditumpuk membentuk potongan elips. Motif lereng dan parang digambar pada

bidang diantara garis-garis miring. Untuk membuat pola lereng atau parang dibuat

garis kotak yang ukuran sisi-sisinya sama panjang dengan posisi diagonal miring

450. Pola nitik mirip dengan gambar tenun dan anyaman berupa titik dan garis

pendek berbentuk segi empat secara simetris.

Permasalahan yang ingin diselesaikan terhadap motif batik tidak dapat

dilakukan dengan pendekatan klasifikasi. Hal ini mengingat bahwa dalam satu kain

batik bisa terdiri dari beberapa motif batik sehingga pendekatan klasifikasi tidak

sesuai karena sulit menentukan kelas dari motif kain tersebut jika berdasarkan

kandungan motifnya. Pendekatan yang dilaksanakan pada penelitian ini adalah

pengenalan obyek motif batik tertentu berdasarkan kemunculannya pada suatu kain

batik.

(a) (b) (c)

Gambar 1.2 Motif (a) Ceplok Blibar (b) Kawung Picis (c) Lereng Udan Riris [3]

13

(a) (b)

Gambar 1.3 Motif (a) Nitik (b) Parang Curiga

Secara keseluruhan motif-motif tersebut memiliki pengulangan yang

muncul di beberapa bagian kain. Adanya karakteristik batik yang memiliki unsur

simetri dan kemunculan pola-pola tertentu yang sama pada batik secara berulang

merupakan permasalahan yang harus diatasi dalam melakukan pengenalan motif

batik. Disamping itu, adanya perbedaan ukuran obyek motif dan obyek motif yang

telah berotasi menambah tingkat kompleksitas system. Kemiripan fitur-fitur yang

dihasilkan oleh metode ekstraksi fitur dalam bentuk deskriptor lokal dalam

melakukan penemuan motif tertentu antara citra dan citra query sangat

memungkinkan terjadinya kesalahan pencocokan yang berujung kepada

pengenalan motif batik yang tidak tepat. Permasalahan pengenalan yang telah

diuraikan tersebut memberikan motivasi bagi kami untuk mengatasi permasalahan

menghilangkan simetri pada motif batik, dan menangani kemunculan beberapa pola

batik secara berulang.

Penelitian terkait dengan klasifikasi batik telah dilakukan. Riset [7]

membandingkan kinerja fitur texture tunggal pada domain citra digital motif batik.

Pada studi tersebut motif batik yang telah diidentifikasi dibandingkan dengan motif

batik pada basis data. Akurasi tertinggi diperoleh melalui metode Grey Level

Cooccurrence Matrices (GLCM) mencapai 80%. Riset [8] menggunakan kesamaan

bentuk dan karakteristik tekstur untuk menampilkan motif batik. Paper ini

menggunakan deteksi tepi dan momen invarian bentuk sebagai fiturnya. Algoritma

14

ambang (threshold) digunakan untuk melakukan proses retrieve citra berdasarkan

nilai tertinggi dari representasi setiap citra query. Kinerja terbaik dari precision dan

recall mencapai 70% dan 75%. Pada studi selanjutnya batik motif retrieval, hasil

terbaik untuk precision dan recall secara berturut-turut adalah 74% dan 89% [9].

Studi ini menggunakan fitur orientasi tepi yang dikombinasikan dengan deskriptor

struktur mikro untuk meningkatkan kinerja proses retrieval. Rangkuti, et al [10]

melaporkan penggunaan deteksi tepi pada citra input, wavelet sebagai fitur tekstur,

dan metode invarian moment sebagai fitur bentuk. Kinerja yang dihasilkan rata-rata

mencapai 90% - 92%. Loke [11] menggunakan dekomposisi metode ekstraksi fitur

tingkat rendah Grey Level Co-occurrence Metrics (GLCM) untuk pengenalan batik

dan songket dari Negara Malaysia. Sanabila [12] menggunakan metode keyblock

frames dan transformasi Hough untuk pencocokan template dan mendeteksi

kemunculan motif batik tertentu. Hasil yang diperoleh cukup baik namun biaya

komputasi yang diperlukan tinggi. Metode klasifikasi menggunakan K-mean

clustering menggunakan esktraksi fitur Log Gabor filter dan Color Histogram juga

telah dilakukan untuk menambah tingkat perolehan informasi untuk motif batik

berdasarkan asal wilayah [13].

Perumusan Masalah

Permasalahan yang akan diselesaikan pada penelitian ini dirumuskan dalam

bentuk pertanyaan-pertanyaan penelitian sebagai berikut :

1. Bagaimana mendefinisikan pola batik yang akan diidentifikasi secara otomatis

berbasis komputer?

2. Terkait pola dasar dan komponen pembentuk motif batik, bagaimana

melakukan karakterisasi terhadap suatu pola batik yang memiliki detail dengan

elemen-elemen penyusun motif terdiri dari beberapa motif tertentu? Dianggap

perlu ada persamaan persepsi dalam memandang suatu motif dan komponen-

komponen yang ada di dalamnya, apakah akan dianggap sebagai satu template

secara utuh, atau dipandang berdasarkan elemen-elemen penyusun dari

template tersebut.

3. Bagaimana melakukan ekstraksi terhadap fitur lokal dari citra template dan citra

query batik menggunakan metode Scale Invariant Feature Transform (SIFT)?

15

4. Bagaimana melakukan pencocokan keypoint dari citra query dibandingkan

dengan citra template yang disimpan pada basis data? Apakah SIFT memiliki

kemampuan untuk menemukan pola yang sama antara citra query dan citra

template mengingat motif batik dapat memiliki bermacam-macam varian?

Konten yang tidak diketahui dari citra query akan diklasifikasikan dimana fitur-

fitur SIFT yang telah diekstraksi dari citra query dibandingkan fitur-fitur SIFT

yang telah disimpan di basis data.

5. Berdasarkan karakteristik motif batik, bagaimana menangani kemunculan

beberapa obyek yang sama secara berulang pada motif batik? Jumlah

korespondensi fitur-fitur SIFT antara setiap citra template dan citra query yang

telah disimpan diproyeksikan ke ruang Hough dan menghasilkan cluster yang

merupakan hasil pencocokan fitur untuk setiap instance obyek yang terdapat

pada citra. Oleh karena itu setiap kelas obyek masing-masing memiliki ruang

Hough. Kondisi voting terhadap transformasi geometri untuk suatu konfigurasi

tertentu bisa jadi terpecah karena masuk ke dalam bin yang berbeda sehingga

diperlukan penanganan khusus untuk menyatukan voting dengan konfigurasi

terdekat untuk memperkuat hasil voting terhadap keberadaan suatu obyek.

6. Bagaimana melakukan deteksi terhadap beberapa puncak yang

merepresentasikan banyaknya obyek dalam rangka melokalisir informasi yang

berasal dari beberapa instance obyek yang sama?

7. Bagaimana menghilangkan outlier berdasarkan kondisi-kondisi yang telah

ditetapkan sebelumnya?

8. Bagaimana mengatasi permasalahan perbedaan representasi obyek untuk jenis

data yang berbeda? Data sintetik motif batik dan data citra digital dapat

memberikan representasi yang berbeda terhadap hasil ekstraksi fitur SIFT. Oleh

karena itu diperlukan cara khusus untuk mengatasi permasalahan tersebut.

9. Bagaimana mengembangkan aplikasi pengenalan motif batik dalam bentuk

sistem repositori yang menampung dokumentasi digital motif batik dengan pola

geometris? Aplikasi repositori ini dapat menyimpan citra motif batik dalam

jumlah ribuan dan memiliki user interface yang memungkinkan untuk

dilakukan tag dengan kata kunci yang efektif, seperti halnya browse images

dengan menggunakan kata kunci (tag). Disamping itu, aplikasi ini dapat diakses

melalui PC, laptop, smartphone, dan gadget lainnya.

16

BAB 2

TINJAUAN PUSTAKA

Pengenalan Obyek

Pengelompokan secara visual merupakan representasi obyek berdasarkan

karateristik dasar yang telah diekstraksi menggunakan metode komputasional yang

ada. Secara umum proses pengenalan diawali dengan proses ekstraksi fitur-fitur

dari citra. Fitur-fitur tersebut digunakan selama fase pembelajaran untuk

membentuk representasi obyek yang baru. Selanjutnya obyek-obyek akan

diklasifikasikan dan dikenali berdasarkan representasi fiturnya masing-masing

[14][15].

Pemilihan fitur dan representasi obyek merupakan aspek yang sangat

penting dalam melakukan pengenalan. Proses ini memfasilitasi aspek-aspek

identifikasi yang terdapat pada obyek di kelas yang sama. Meskipun sangat

bervariasi, namun pemilihan tetap mendukung diskriminasi antar obyek dan antar

kelas walaupun bisa jadi sangat mirip. Pengenalan terhadap suatu obyek dilakukan

dengan mencari obyek-obyek tertentu pada citra dengan menggunakan model-

model yang sudah ditentukan sebelumnya. Hal ini dilakukan dengan memberikan

label pada obyek yang ingin diketahui. Apabila pada citra terdapat satu atau lebih

obyek dengan latar belakang dan sekumpulan label yang yang berkorespondensi

dengan serangkaian model yang ada pada sistem, maka sistem akan memberikan

label yang tepat pada setiap area pada gambar.

Informasi visual yang sepenuhnya diakui penting telah digunakan oleh

praktisi dan peneliti sebagai kakas untuk mendefinisikan area tertentu. Hal ini

berarti bahwa perkembangan teknologi komputer secara terus menerus, baik dari

sisi kecepatan prosesor, kapasitas penyimpanan, maupun perangkat akuisisi yang

makin baik (misalnya kamera dan scanner), merupakan cara untuk melakukan

diseminasi teknik pencitraan melalui sejumlah besar aplikasi-aplikasi praktis pada

berbagai area penelitian. Hal tersebut diikuti pula dengan konsep dan algoritma

yang makin baik sehingga mengurangi biaya komputasi.

17

Beberapa sistem pengenalan obyek telah dikembangkan dan dievaluasi

dengan kondisi dimana model obyek disimpan pada basis data dengan jumlah yang

besar [16]. Umumnya sistem menyimpan model secara independen dan selanjutnya

waktu pengenalan dapat diperkirakan akan bertambah seiring dengan

bertambahnya jumlah obyek model. Terdapat beberapa sistem yang secara eksplisit

menggunakan simetri model obyek untuk membangun sistem pengenalan obyek

yang efisien. Gambar 2.1. memperlihatkan alur informasi antar komponen dalam

sistem pengenalan obyek.

Gambar 2.1 Komponen-komponen sistem pengenalan obyek

Sistem pengenalan obyek harus memiliki komponen-komponen berikut dalam

melaksanakan fungsinu sebagai berikut :.

• Ekstraksi Fitur

Fitur berisi atribut obyek yang digunakan untuk melakukan pengenalan

obyek tertentu. Ukuran, warna, dan bentuk adalah fitur-fitur yang sering

digunakan. Proses ekstraksi fitur diimplementasikan pada citra dan

mengidentifikasi letak dimana fitur berada. Informasi ini digunakan untuk

membuat hipotesa tentang obyek.

• Pembentukan Hipotesa

Fitur-fitur yang digunakan oleh sistem bergantung kepada jenis obyek yang

akan dikenal dana pengaturan dari basis data template. Dengan

menggunakan fitur-fitur yang telah dideteksi pada citra, maka hypothesizer

menentukan tingkat kemiripan obyek yang ada pada scene. Tahapan ini

Ekstraksi

Fitur

Pembentukan

hipotesa Verifikasi

Hipotesa

Template yang

disimpan pada

basis data

Citra

Fitur Citra Kandidat

Obyek

Kelas

Obyek

18

digunakan untuk mengurangi ruang lingkup pencarian bagi pengenalan

yang menggunakan fitur-fitur tertentu.

• Verifikasi Hipotesa

Tahapan ini menggunakan template obyek yang melakukan verifikasi

terhadap hipotesa dan memperjelas probabilitas terhadap hipotesa obyek.

Sistem memilih obyek dengan probabilitas tertinggi berdasarkan fakta-fakta

terkait dengan obyek yang benar. Seluruh sistem pengenalan obyek secara

eksplisit maupun implisit menggunakan template dan pendeteksi fitur pada

seluruh template obyek. Pembentukan hipotesa dan verifikasi komponen

bervariasi berdasarkan keutamaan pendekatan-pendekatan yang berbeda

pada pengenalan obyek.

• Template yang disimpan pada basis data

Basis data template berisi seluruh template yang telah diketahui oleh sistem.

Informasi yang disimpan bergantung pada pendekatan yang digunakan

dalam melakukan pengenalan obyek. Basis data template menggunakan

skema index.

Penelitian [17] pada active binocular vision system mampu mendeteksi

sampai dengan 6 (enam) obyek dengan melakukan lokalisasi beberapa obyek pada

kelas yang sama. Hal ini dilakukan dengan memodifikasi pendekatan standard

Hough Transform. [18] melakukan pendekatan untuk mendeteksi dan melokalisasi

obyek ganda melalui aplikasi pick-and-place menggunakan metode ekstraksi

kkeypoint SIFT dan mean shift clustering. Mean shift clustering mengelompokkan

keypoint SIFT yang berkorespondensi antara model obyek dan citra ke dalam

potential object instances yang potensial dengan performa real-time. Sistem ini

memberikan hasil yang baik dari sisi fleksibilitas, akurasi, dan presisi penentuan

posisi obyek.

Deteksi Simetri

Permasalahan simetri merupakan fenomena yang terjadi secara natural pada

bentuk-bentuk terkait dengan artefak dan arsitektur, Simetri bersifat atraktif baik

secara estetika maupun sebagai bagian yang menarik perhatian secara visual [19].

Simetri menyeimbangkan dan menampilkan obyek dalam bentuk kesatuan atau

19

pun tersebar. Dengan beberapa skala dan bentuk yang berbeda, kondisi simetri

merupakan struktur yang banyak ditemukan pada berbagai obyek natural dan scene

buatan manusia [20]. Manusia memiliki kemampuan untuk memahami simetri pada

obyek dan gambar. Adanya kecenderungan untuk membangun bangunan dan

benda-benda lain menunjukkan cakupan simetri baik secara lokal maupun simetri

global. Dalam visi komputer, analisis simetri merupakan masalah yang menarik

untuk diteliti karena menjadi suatu cara untuk mewakili gambar [21]. Secara

khusus, simetri adalah fitur yang berpotensi stabil dan kuat dari suatu gambar ketika

diterapkan di berbagai skala dan lokasi karena simetri bersifat deskriptif.

Keberhasilan metode-metode yang menggunakan feature point dalam computer

vision dilakukan dengan membuat mekanisme untuk mengelompokkan fitur-fitur

yang telah dihasilkan. Secara natural simetri juga melakukan hal yang sama [19].

Riset [19] melakukan metode pencocokan berbasis fitur menggunakan pasangan

poin simetri untuk pencocokan dengan menentukan sumbu simetri bilateral atau

pusat rotasi simetri. Pasangan ini dikelompokkan ke dalam fitur dengan fokus

simetri dominan yang mengidentifikasikan dominan simetri yang ada dan

kumpulan fitur-fitur yang berhubungan dengan setiap fokus simetri. Metode ini

menggunakan fitur descriptor dan detector yang bersifat independen sehingga

membutuhkan perhitungan yang seksama terhadap pencocokan yang bersifat

invarian rotasi dan orientasi untuk setiap fitur. Simetri pada seluruh orientasi dan

radius diperhitungkan secara simultan dan metode ini dapat mendeteksi beberapa

sumbu simetri, simetri rotasi, dan simetri figur pada latar belakang yang kompleks.

Permasalahan klasifikasi terhadap berbagai jenis simetri secara mayoritas

diatasi dengan menggunakan metode deteksi terhadap simetri pada citra difokuskan

kepada pencerminan, rotasi, dan translasi simetri. Pendekatan yang paling popular

digunakan untuk mendeteksi simetri adalah prosedur voting, seperti Hough

Transform, yang menghasilkan pasangan simetri dari fitur poin [22]. Permasalahan

simetri merupakan permasalahan yang menarik minat sejak lama. Dalam literature

computer vision penelitian yang mendeteksi simetri pada citra telah banyak

dilakukan sejak era 1970 [19]. Deteksi simetri telah digunakan untuk berbagai

aplikasi, termasuk analisa raut wajah, mendeteksi kendaraan, rekonstruksi,

mengindex citra pada basis data secara visual, menyempurnakan bentuk,

20

mendeteksi obyek dan mendeteksi tumor pada citra medis [23]. Yang menjadi

permasalahan pada deteksi simetri adalah bagaimana menemukan cakupan obyek

dengan ukuran yang tidak diketahui, ketika obyek flipped dengan posisi sumbu

yang tidak diketahui ataupun diputar dengan titik yang juga tidak diketahui, maka

apakah akan sama dengan area lain dengan jarak yang juga tidak diketahui. Dengan

begitu banyaknya parameter yang tidak diketahui maka deteksi simetri merupakan

permasalahan yang kompleks.

Permasalahan simetri merupakan permasalahan yang menarik minat sejak

lama. Dalam literature computer vision penelitian yang mendeteksi simetri pada

citra telah banyak dilakukan sejak era 1970 [19]. Deteksi simetri telah digunakan

untuk berbagai aplikasi, termasuk analisa raut wajah, mendeteksi kendaraan,

rekonstruksi, mengindex citra pada basis data secara visual, menyempurnakan

bentuk, mendeteksi obyek dan mendeteksi tumor pada citra medis. Yang menjadi

permasalahan pada deteksi simetri adalah bagaimana menemukan cakupan obyek

dengan ukuran yang tidak diketahui, ketika obyek flipped dengan posisi sumbu

yang tidak diketahui ataupun diputar dengan titik yang juga tidak diketahui, maka

apakah akan sama dengan area lain dengan jarak yang juga tidak diketahui. Dengan

begitu banyaknya parameter yang tidak diketahui maka deteksi simetri merupakan

permasalahan yang kompleks.

Beberapa peneliti telah melakukan beberapa pendekatan global terhadap

permasalahan tersebut dengan memperlakukan keseluruhan citra sebagai sinyal

yang berasal dari posisi simetri melalui analisa frekuensi. Riset [19] melakukan

pendekatan berdasarkan ide mencocokkan pasangan fitur poin yang simetris. Hal

ini dilakukan dengan menggunakan metode fitur poin modern yang efisien dan

handal. Jumlah simetri yang ditunjukkan oleh setiap pasangan akan diukur

berdasarkan lokasi relatif, orientasi dan skala dari pasangan fitur. Pasangan yang

simetri ini kemudian diakumulasikan ke dalam Hough voting space untuk

menentukan simetri dominan yang terdapat pada citra. Metode poin fitur secara

tipikal menentukan orientasi dan skala untuk setiap fitur dan menormalisasi

berdasarkan parameter-parameter untuk menghitung pencocokan orientasi dan

skala secara independen. Sifat fitur yang distinctive berdasarkan hasil pencocokan

21

yang telah diperoleh, bersama dengan karakter invariant terhadap rotasi membuat

metode pencocokan fitur poin paling sesuai untuk mendeteksi fitur simetri. Rotasi

dan translasi pasangan simteri dapat dideteksi dengan pencocokan langsung dari

fitur poin di dalam citra, dan potential mirror symmetric matches dapat diperoleh

dengan membangun 1 (satu) set mirrored feature descriptor dan mencocokkannya

dengan fitur orisinal deskriptor. Mirrored feature descriptor didefinisikan sebagai

duplikat deskriptor dari local image patches yang berhubungan dengan fitur poin

orisinal (pemilihan sumbu pencerminan secara acak). Pencocokan pasangan fitur

mirrored menghasilkan sekumpulan fitur poin yang sesuai. Setiap fitur akan

direpresentasikan dengan poin vektor yang menggambarkan lokasi dalam koordinat

x, y, orientasi , dan skala s. Simetri kemudian dihitung secara langsung dari

pasangan-pasangan vektor poin.

Riset [20] menggunakan simetri untuk pencocokan citra melalui fitur lokal

yang diperoleh dari lokal simetri. Baik detektor fitur maupun deskriptor terlebih

dahulu didesain untuk architectural scenes berdasarkan skoring terhadap simetri

lokal pada seluruh lokasi dan skala pada citra. Fitur simetri tetap mempertahankan

lokal fitur yang ada, namun dengan tingkatan deskripsi yang lebih tinggi

dibandingkan dengan fitur standar. Untuk menghitung fitur tersebut digunakan

perhitungan sederhana dari lokal simetri berdasarkan perbedaan analisis citra

melalui sumbu simetri. Perhitungan ini secara seksama dilakukan pada citra, dan

dilakukan pada skala yang berbeda, sedangkan skor setiap image patch berdasarkan

pada tiga jenis simetri: horizontal, vertical, dan rotasional. [20] mengusulkan

metode mendeteksi skala dari perhitungan lokal simetri dan menggunakannya

untuk mendefinisikan fitur detektor dengan memaksimalkan kelompok posisi

simetri dan skala. Pada penelitian tersebut diusulkan pula pembentukan fitur

deskriptor pada perhitungan simetri yang sama.

Ekstraksi Fitur

2.3.1 Gabor Filter

Frekuensi spasial dan orientasinya merupakan karakteristik penting dari tekstur pada

citra. Karakteristik frekuensi dari citra dapat dianalisa menggunakan metode dekomposisi

spektral seperti analisa Fourier. Gabor filter digunakan untuk pemodelan spasial yang

menyajikan sifat simple cell pada visual cortex (Mirmehdi et al., 2008; Clausi & Deng,

22

2005; Clausi & Jernigan, 2000). Operasi filtering dilakukan dengan melakukan konvolusi

citra dari citra asal dengan Gabor filter untuk menghasilkan citra yang baru yang

berkorelasi dengan jumlah filter yang digunakan. 2D Gaussian envelop dimodulasikan

dengan filter Gabor 2D pada gelombang sinusoidal yang kompleks. Filter Gabor 2D dapat

dibagi menjadi dua komponen yaitu : bagian riil sebagai komponen simetri dan bagian

imajiner sebagai bagian komponen asimetri. Secara matematis fungsi Gabor 2D dapat

diformulasikan sebagai (Clausi & Deng, 2005):

𝐺(𝑥, 𝑦, 𝑓, 𝜑) = 𝑓2

𝜋𝛾𝜂 𝑒

−(𝑓2

𝛾2𝑥′2+𝑓2

𝜂2𝑦′2)𝑒𝑖2𝜋𝑓𝑥′

(2.1)

dimana :

𝑥′ = 𝑥 cos𝜑 + 𝑦 𝑠𝑖𝑛 𝜑

𝑦′ = −𝑥 sin 𝜑 + 𝑦 𝑐𝑜𝑠 𝜑

Pada persamaan 2.1. f adalah frekuensi gelombang sinusoidal, 𝜑 merepresentasikan

orientasi yang berlawanan arah jarum jam dari Gaussian envelope dan sinusoidal,

melambangkan parameter smoothing dari Gaussian envelope, dan 𝜂 mengindikasikan

posisi orthogonal dari arah gelombang.

Jumlah total frekuensi 𝑛𝑓 dan jumlah total orientasi 𝑛𝑜 dari Gabor filter ditentukan

untuk melakukan desain Gabor filter bank. Kombinasi frekuensi dan orientasi

menghasilkan bank Gabor filter. Clausi & Deng (2005) memilih frekuensi tertinggi 𝑓𝑚 =

√2/4 , empat frekuensi 𝑛𝑓 (22.63, 11.31, 5.66, dan 2.83 pixel per cycle) dan enam

orientasi 𝑛𝑜 (00, 300, 600, 900, 1200, dan 1500) untuk memfilter setiap citra kueri.

Keseluruhan filter ini bertujuan untuk melokalisir penghitungan informasi lokal.

2.3.2 Log Gabor Filter

Field mengusulkan Log Gabor filter sebagai modifikasi dari fungsi dasar Gabor [27].

Fungsi log ganjil dari Log Gabor filters pada dasarnya didefinisikan dalam domain

frekuensi sebagai fungsi Gaussian yang mengalami perubahan (proses shifting) dari

asalnya (Nava et. al., 2012). Gabor filter memerlukan waktu komputasi yang cukup lama

karena beberapa arah orientasi dan frekuensi harus digunakan untuk menangani beragam

karakteristik ukuran dan orientasi. Gabor filter memiliki kekurangan dalam hal bandwidth

yang hanya memiliki maksimum 1 oktaf yang dapat didesain (Gosselin, 2006; Lajevardi

& Lech, 2008; Nava et. al., 2011). Gambar 2.2. menunjukkan perbandingan fungsi Gabor

dan Log Gabor filter. Log Gabor menjadi bagian dalam transformasi logaritma dari domain

Gabor yang mengeliminasi komponen DC yang mengganggu pada medium dan high-pass

23

filter. Respon frekuensi berupa Gaussian pada sumbu log frekuensi. Null DC component

selalu ditemukan dan dapat dioptimalkan untuk membentuk filter dengan tingkatan spasial

minimum di dalam satu oktaf skala dengan skema multi resolusi. Log-Gabor filter terdiri

atas dua komponen yaitu radial dan angular filter (Nava et. al., 2011).

Gambar 2.2 Perbandingan fungsi Gabor dan Log Gabor filter (Field,

1987)

Respon frekuensi Log Gabor filter dapat didefinisikan sebagai :

𝐺(𝑓) = exp (− [𝑙𝑜𝑔 (𝑓

𝑓0)]

2/2 [𝑙𝑜𝑔 (

𝑠

𝑓0)]

2) (2.2)

dimana 𝑓0 adalah frekuensi tengah dari filter dan 𝑠 adalah faktor skala dari radian

bandwidth [27].

2.3.3 Grey Level Cooccurrence Metrices

Grey Level Co-occurrence Matrices (GLCM) adalah metode yang sering digunakan

untuk menganalisa tekstur citra (Mirmehdi et al., 2008). Ide dasar metode ini diusulkan

oleh Haralick (1973) untuk membuat karakteristik homogen citra. Proses ekstraksi fitur

GLCM memiliki dua tahapan utama yaitu pembentukan matriks co-occurrence dan proses

penghitungan deskriptor terhadap matriks co-occurrence yang dihasilkan [34]. Statistik

24

orde dua diakumulasikan menjadi set matriks 2D dimana setiap perhitungan dua tingkat

keabuan, i dan j, bergantung secara spasial. Jumlah atau frekuensi kemunculan dari i dan j,

yang dipisahkan oleh jarak 𝛿 , memberikan kontribusi terhadap entri (i,j) matriks co-

occurrence. Terdapat 3 (tiga) parameter yang perlu diperhatikan yaitu jarak (), arah (𝜗)

dan ukuran jendela ketetanggaan yang digunakan untuk pembentukan matriks co-

occurrence. Fitur tekstur seperti homogeneity, energy, entropy, contrast, dan correlation,

berasal dari matriks co-occurrence.

• Contrast

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑ (𝑃𝑖,𝑗)(𝑖 − 𝑗)2𝑘𝑗=1

𝑘𝑖=1 (2.3)

dimana k = jumlah baris dan kolom. Kemungkinan dua piksel 𝑃(𝑖, 𝑗) diindikasikan

memiliki tingkat keabuan yang berbeda (Aksoy & Haralick, 2002). Contrast

mengukur invarian intensitas lokal dan bernilai tinggi ketika terdapat perbedaan

tekstur yang kontras.

• Homogeneity atau Angular Second Moment (ASM)

𝐴𝑆𝑀 = ∑ ∑ (𝑃𝑖,𝑗)2𝑘

𝑗=1𝑘𝑖=1 (2.4)

Homogenitas citra diukur dengan menggunakan Angular Second Moment

berdasarkan derajat keseragaman suatu tekstur pada sebuah citra.

• Inverse Difference Moment (IDM)

𝐼𝐷𝑀 = ∑ ∑1

1+(𝑖−𝑗)2𝑘𝑗=1

𝑘𝑖=1 𝑃(𝑖, 𝑗) (2.5)

Homogenitas akan mempengaruhi nilai IDM. Nilai IDM akan kecil jika citra tidak

homogen, sedangkan untuk citra homogen maka nilai IDM akan tinggi.

• Correlation

Correlation mengukur tingkat keabuan yang secara linier bergantung kepada

spesifik posisi relatif piksel satu dengan yang lainnya.

𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ ∑ 𝑃(𝑖,𝑗)(𝑖−𝜇𝑖)(𝑗−𝜇𝑗)

𝜈𝑖𝜈𝑗

𝑘𝑗=1

𝑘𝑖=1 (2.6)

dimana𝜇𝑥 dan 𝜇𝑦 adalah nilai rata-rata dari baris i dan kolom j, dan 𝜈𝑥 dan 𝜈𝑦

adalah standar deviasi baris i dan kolom j.

2.3.4 Local Binary Pattern

Konsep dasar Local Binary Pattern (LBP) menyatakan bahwa dua aspek yang

mempengaruhi tekstur citra adalah piksel dan ketetanggaannya (Pietikäinen, et al. 2011).

25

Operator LBP menggunakan nilai tengah sebagai referensi pada ketetanggaan berukuran

3×3. Nilai ambang adalah dari piksel tengah dimana nilai piksel akan diberikan nilai “0”

apabila bernilai di bawah nilai ambang. Sedangkan jika nilai piksel di atas nilai ambang

piksel tengah maka akan diberikan label nilai “1”. Terdapat total 256 label yang berbeda

dihasilkan dari nilai relatif keabuan di titik tengah dan ketetanggaan piksel ketika nilai

keabuan citra memiliki 8 bit integer. Nilai biner yang berkorespondensi dengan

ketetanggaan akan dibaca secara berturutan searah jarum jam (lihat gambar 2.3).

Selanjutnya bilangan biner akan dibentuk untuk mengkarakterisasi tekstur lokal. Kemudian

pengurangan tingkat keabuan rata-rata di bawah piksel tengah dari tingkat keabuan diatas

atau sama dengan piksel tengah akan menghasilkan contrast.

(a) Contoh (b) Nilai ambang (c) Pembobotan (d) Perhitungan LBP

Gambar 2.3 Contoh perhitungan LBP

2.3.5 Scale Invariant Feature Transform

SIFT merupakan salah satu teknik deteksi fitur dalam bidang computer

vision. Teknik ini mendeteksi suatu fitur penting, atau disebut keypoint dan

memiliki properti yang membuatnya dapat diandalkan untuk melakukan

pencocokan citra. Fitur tersebut invariant terhadap skala dan rotasi, translasi, sudut

pandang, dan pencahayaan. Lowe [37] membagi SIFT ke dalam empat tahapan

besar, yaitu: pendeteksian nilai ekstrim pada scale-space, lokalisasi keypoints,

pemberian nilai orientasi, dan keypoints deskriptor.

Berdasarkan implementasi standar Scale Invariant Feature Transform

(SIFT) yang diperkenalkan pertama kali oleh David Lowe pada tahun 2004, metode

SIFT menambahkan strategi pencarian secara visual pada tingkat tinggi [17]. Pada

bentuk asalnya sistem ini mampu melakukan pencarian secara otomatis untuk kelas

obyek tunggal dan melakukan pengenalan obyek pada citra dengan latar belakang

yang kompleks.

Metode Pencocokan

26

Pada dasarnya pencocokan dilakukan dengan menghitung jarak Euclidean.

Dengan pendefinisian suatu nilai ambang maka ciri-ciri yang terlalu jauh akan dapat

dihapus,tetapi hal ini tidak memuaskan dikarenakan kekuatan dari masing-masing

descriptor tidak sama. Dengan kata lain, sama-sama keypoint descriptor yang valid

namun kemampuan diskriminatifnya berbeda. Mengatasi permasalahan ini maka

Lowe menggunakan ukuran rasio antara terdekat pertama dan terdekat kedua. Hal

ini bekerja lebih baik karena diasumsikan keypoint deskriptor adalah ciri yang

sangat khusus sehingga hanya ada satu atau dengan kata lain terdekat pertama

secara signifikan akan lebih dekat dari pada terdekat kedua. Dengan asumsi ini

maka membuat hasil pencocokan yang handal. Lowe mendefinisikan nilai ambang

untuk dua buah keypoint dianggap cocok adalah kurang dari 0.8

Voting Hough Transform

Hough Transform digunakan untuk mengidentifikasi seluruh kluster dengan

paling sedikit 3 (tiga) entri pada bin [37][38]. Setiap kluster ditujukan sebagai

prosedur verifikasi dimana dilakukan solusi least-squares untuk memperoleh

proyeksi parameter terbaik berkaitan dengan citra query dan citra template. Pada

penelitian ini penulis menggali dan mengembangkan kemampuan sistem untuk

mendeteksi dan melakukan lokalisasi beberapa instances pada kelas obyek yang

sama. Sistem ini memanfaatkan prinsip Generalised Hough Transform (GHT)

untuk mendeteksi keberadaan obyek dengan menemukan fitur-fitur lokal pada

obyek yang disimpan sebagai template dan mendeteksi keberadaan obyek.

Pendekatan standar [37] secara implisit mengasumsikan bahwa terdapat instance

tunggal pada kelas obyek dari data observasi yang ada. Keterbatasan ini karena

ruang Hough Transform biasanya merepresentasikan histogram multi dimensi yang

dikuantisasi untuk menghasilkan satu puncak yang signifikan. Puncak ini

diinterpretasikan sebagai korespondensi pose transformasi diantara hasil

pencocokan fitur-fitur lokal yang telah disimpan dengan obyek yang dideteksi.

Kemampuan untuk mendeteksi dan melakukan lokalisasi secara simultan beberapa

instance dari kelas obyek yang sama menunjukkan bahwa pendekatan dengan

Hough Transform harus dimodifikasi untuk mengurangi granularitas dari kuantisasi

Hough Transform untuk memungkinkan formasi beberapa kluster dari kelas yang

sama di dalam ruang Hough. Selanjutnya, deteksi harus dibuat secara otomatis

27

untuk mendeteksi beberapa puncak yang bersifat distinctive dalam rangka

melakukan lokalisasi beberapa instances obyek yang sama. Berdasarkan riset [17]

Hough space dapat digunakan untuk merepresentasikan beberapa instances dari

kelas obyek yang sama menggunakan lokal informasi dan deteksi di dalam scene

yang kompleks baik kuantisasi maupun kontinyu. Kinerja sangat dipengaruhi oleh

proses ekstraksi fitur SIFT, pencocokan keypoint SIFT yang terdapat pada citra

template dan citra query, dan kehandalan pemetaan ke ruang Hough. Hal ini

disebabkan pada instances berbeda pada kelas obyek yang sama akan memiliki

deskriptor fitur yang sangat mirip [39]. Ruang Hough yang bersifat kontinyu

berdasarkan pada pemetaan point-to-point dari citra template dan citra query ke

dalam ruang analog. Oleh karena itu ruang Hough pada penelitian ini tidak

mengikuti skema voting dan akumulasi Generalized Hough Transform, namun

dengan menyimpan setiap pasangan titik yang telah dilakukan pencocokan ke ruang

Hough dalam suatu daftar struktur data. Titik-titik yang terdapat di dalam daftar

dikelompokkan dengan menggunakan algoritma clustering untuk mendeteksi

beberapa instances obyek.

Clustering

Clustering adalah proses klasifikasi unsupervised terhadap suatu pola data

(observasi, data items, atau vektor fitur) menjadi grup (cluster) [40]. Hubungan

antar obyek direpresentasikan ke dalam bentuk proximity matrix dimana baris dan

kolomnya berkorespondensi dengan obyek [41].

Gambar 2.4. Tahapan Clustering [40]

Feedback Loop

Patterns Feature

Selection/

Extraction

Patterns Interpattern

Similarity Grouping

Representation

Cluster

28

Clustering dilakukan berdasarkan pengelompokan obyek pada basis data

menjadi sub klas yang lebih memiliki makna merupakan salah satu metode utama

pada metode data mining [42]. Diantara banyak jenis algoritma clustering,

clustering berdasarkan densitas merupakan cara yang lebih efisien dalam

mendeteksi cluster dengan tingkat densitas yang bervariasi. Fitur-fitur clustering

yang dimiliki oleh obyek yang sama dan membuang bagian yang tidak sama dalam

proses clustering akan meningkatkan kehandalan identifikasi obyek.

29

BAB 3

TUJUAN DAN MANFAAT PENELITIAN

Tujuan Penelitian

Berdasarkan tujuan penelitian yang ingin dicapai adalah :

1. Membangun model dan algoritma yang mampu melakukan pengenalan motif

batik geometris secara akurat dan efisien berdasarkan karakteristik motif batik

dengan kemunculan obyek motif yang berulang di berbagai lokasi, obyek motif

yang bersifat simetri, obyek yang telah mengalami pergeseran, perbedaan skala,

dan perubahan rotasi.

2. Menganalisa metode ekstraksi fitur SIFT untuk mengambil fitur-fitur yang

sesuai dari citra batik.

3. Menganalisa algoritma clustering yang paling sesuai dan memiliki kinerja

terbaik. Hal ini perlu dilakukan dalam penerapannya pada keypoint yang telah

melalui proses voting dan diproyeksikan pada ruang Hough.

4. Melakukan evaluasi terhadap beberapa cluster yang ditemukan melalui proses

sebelumnya dan merepresentasikan banyaknya obyek yang terkandung pada

citra batik.

5. Membangun aplikasi repository pengenalan motif batik berdasarkan konsep

Content Based Image Retrieval System. Sistem ini harus mampu bekerja pada

berbagai kondisi dan mampu beradaptasi terhadap perubahan lingkungan sistem

aplikasi. Lebih jauh lagi metode ini haruslah handal untuk melakukan

pengenalan motif batik yang bersifat invarian terhadap lokasi, skala, rotasi, dan

pengulangan obyek yang sama. Aplikasi ini diakses menggunakan koneksi

internet melalui PC, laptop, dan gadget-gadget lainnya.

Keutamaan Penelitian

Keutamaan dari penelitian ini adalah untuk mendukung program pemerintah

dalam melestarikan kekayaan budaya batik melalui kontribusi teknologi informasi.

Hasil penelitian diharapkan berupa aplikasi repositori pengenalan motif batik yang

mampu menampung citra motif batik pola geometris dalam jumlah besar. Sistem

ini handal dalam menangani pengenalan obyek motif batik yang bersifat invarian

30

terhadap posisi translasi, simetri, perubahan skala, perubahan rotasi dan dapat

menangani permasalahan yang timbul karena ditemukannya beberapa obyek motif

yang sama pada citra query. Keluaran berupa jumlah obyek yang ditemukan

digunakan sebagai masukan untuk menentukan komposisi obyek motif batik pada

satu citra query. Sistem pengenalan yang menemukan obyek pada citra

menggunakan model obyek yang telah disimpan pada basis data. Hal ini sulit

dilakukan oleh komputer. Jika manusia melakukan pengenalan obyek secara cepat,

maka algoritma yang mendeskripsikan pengenalan ini pada komputer merupakan

hal yang sangat sulit. Dengan demikian, algoritma dan metode yang dikembangkan

pada penelitian ini dapat memberikan kontribusi dari sisi keilmuan dalam bidang

computer vision.

Lebih jauh lagi, untuk jangka panjang, sistem pengenalan motif batik ini

menjadi cikal bakal sistem informasi basis data terpadu yang berfungsi sebagai

dokumentasi aset budaya motif batik. Sistem ini dapat digunakan sebagai acuan

dalam melakukan pengembangan desain motif batik dengan tetap memperhatikan

elemen-elemen desain batik yang memiliki nilai-nilai historis dan religi. Dukungan

teknologi informasi melalui aplikasi repositori motif batik yang diakses melalui

internet dengan perantaraan berbagai gadget akan memudahkan pengguna dalam

memperoleh informasi dengan cepat. Dengan demikian luaran penelitian ini dapat

mendukung perkembangan industri kreatif yang saat ini sedang gencar

dikembangkan dan sangat diminati oleh pasar manca negara.

31

BAB 4

METODOLOGI PENELITIAN

Kerangka kerja (frame work) global penelitian pengembangan aplikasi

pengenalan motif batik dilaksanakan sesuai gambar 4.1. Secara keseluruhan

penelitian direncanakan akan diselesaikan dalam waktu dua tahun dengan tahapan

seperti keterangan gambar.

Gambar 4.1. Tahapan penelitian yang diusulkan

Query Image

Feature

Extraction

SIFT

Keypoint Query

Feature

Similarity Matching

Keypoint Template

Feature

Template Image

Hough space projection

Keypoint

Matching

(𝑥, 𝑦, 𝜎, 𝜃)𝑞𝑢𝑒𝑟𝑦

(𝑥, 𝑦, 𝜎, 𝜃)𝑡𝑒𝑚𝑝

(𝑥, 𝑦, 𝜎, 𝜃)𝐻𝑜𝑢𝑔ℎ

Display

Finding

multiple peaks

Clustering voting keypoint in Hough

Space

Final Result =

number of object

found

Evaluation number of object found

Tahun I

1

Membangun

Aplikasi Sistem

Repositori Batik

Motif Indonesia

Uji Coba Implementasi

Aplikasi Sistem

Repositori Batik Motif

Indonesia

Tahun II

2

3

4

5 6 7

8 9

32

Gambar 4.2. Diagram aplikasi repositori motif batik Indonesia

Dataset

Pada penelitian ini template dataset terdiri dari 211 pola primitif citra motif

batik dari 5 kelas yaitu ceplok (97), kawung (17), lereng (22), nitik (42), dan parang

(34). Citra template di-crop dari pola geometris motif batik [3] dalam format JPG

dengan resolusi 150 x 150.

Ekstraksi Fitur menggunakan SIFT

Setting parameter yang akan digunakan pada riset ini mengacu pada

parameter standar oleh Lowe sebagai berikut :

Octaves : 3

Intervals : 3

Sigma : 1,6

Image doubled : Yes

Initial sigma : 0,5

Contrast threshold : 0,03

33

Curvature threshold : 10

Orientation histogram bins : 36

Orientation sigma factor : 1,5

Orientation radius : 3,0 x Orientation Sigma Factor

Proses ekstraksi fitur menghasilkan keypoint yang merupakan deskriptor lokal baik

untuk citra query maupun citra template dengan konfigurasi seperti pada gambar

2.2. Pada setiap keypoint terdapat informasi lokasi koordinat spasial, skala, dan

rotasi yang merepresentasikan pose geometris masing-masing keypoint.

Keypoint

Number X Y

Gambar 4.3. Representasi numerik keypoint SIFT

Metode Pencocokan

Pencocokan fitur adalah permasalahan fundamental dalam bidang computer

vision. Proses ini memegang peranan penting dalam beberapa hal seperti

pengenalan obyek dan lokalisir informasi [43]. Permasalahan dalam pencocockan

fitur adalah bagaimana mendefinisikan dan membentuk pemetaan terhadap fitur-

fitur pada satu citra dan fitur-fitur yang mirip citra yang lain. Dalam melakukan

pengukuran terhadap kemiripan citra dilakukan dengan korespondensi satu-satu

mengacu kepada threshold sesuai dengan eksperimen Lowe yaitu 0.8 [37]. Proses

pencocokan menghasilkan pasangan keypoint yang sesuai antara citra query dan

citra template. Pasangan-pasangan keypoint ini nantinya dijadikan sebagai kandidat

untuk proses selanjutnya. Pencocokan keypoint dilakukan dengan membandingkan setiap

fitur dari citra query dengan setiap fitur dari citra template menggunakan Euclidian distance

dari masing-masing fitur vektornya. Kandidat terbaik untuk pencocokan keypoint

diidentifikasi berdasarkan nearest neighbor antara keypoint di citra query dengan keypoint

yang terdapat pada citra template.

Proyeksi ke Ruang Hough

Kandidat keypoint yang diperoleh dari proses sebelumnya diproyeksikan ke

Hough space. Untuk dua set fitur SIFT yang sesuai maka fitur tersebut

merepresentasikan obyek pada citra template dan citra query didefinisikan sebagai

(x, y, σ, θ)t dan (x, y, σ, θ)q dimana x, y, σ dan θ secara berturut-turut adalah

34

lokasi, skala dan orientasi. Untuk setiap fitur SIFT pada citra query (x, y, σ, θ)q akan

berkorespondensi dengan satu fitur SIFT (x, y, σ, θ)t pada citra template.

Menentukan Multiple Peaks berdasarkan Voting Keypoint pada Ruang

Hough

Pada tahap ini dilakukan voting untuk setiap pasangan keypoint yang pada

seluruh lokasi obyek citra query. Voting ini menggunakan vektor yang telah

dihitung pada tahap sebelumnya. Untuk setiap keypoint yang sesuai ditambahkan

satu nilai positif. Jika pada citra query terdapat obyek motif batik maka voting akan

memiliki nilai lokal maksimum yang tinggi. Mekanisme ini akan mencari natural

cluster yang terbentuk selama proses voting. Selanjutnya setiap cluster yang

ditemukan dievaluasi untuk menentukan peak yang benar merepresentasikan satu

atau lebih obyek.

Penentuan Jumlah Obyek Motif Batik

Voting fitur untuk pose obyek bersifat konsisten dengan fiturnya. Setiap

keypoint menspesifikasikan 4 parameter yaitu 2-D lokasi spasial, skala dan

orientasi dari citra template. Probabilitas kebenaran terhadap interpretasi menjadi

lebih tinggi dibandingkan dengan fitur tunggal. Setiap keypoint melakukan voting

untuk setiap set pose obyek yang konsisten dengan lokasi, skala, dan orientasi

keypoint. Riset [37] menyarankan untuk mengidentifikasi obyek dengan minimum

3 fitur untuk memaksimalkan kinerja pengenalan obyek dengan latar belakang

scene yang kompleks. Bin yang mengakumulasi paling sedikit 3 vote diidentifikasi

sebagai kandidat obyek atau pose yang sesuai. Selanjutnya, setiap cluster diperiksa

dengan melakukan pencocokan detail model geometri ke template dan hasilnya

menunjukkan apakah diterima atau ditolak.

Evaluasi Jumlah Obyek yang Ditemukan

Dalam penelitian ini terdapat dua hal yang mempengaruhi kinerja sistem yaitu

representasi citra yang harus sesuai dengan karakter obyek dan kehandalan proses

pencocokan dan algoritma pengenalan [44]–[46]. Evaluasi kinerja diukur berdasarkan

jumlah correct matches dan jumlah false matches yang diperoleh dari pasangan citra.

Precision dan Recall adalah dua indikator perolehan hasil yang benar [47]–[49]. Precision

menggambarkan kemampuan sistem untuk mengabaikan cluster yang tidak relevan. Nilai

35

terbaik precision 1.0 berarti setiap hasil yang diperoleh dari proses pencarian adalah

relevan. Sedangkan nilai terbaik recall adalah 1.0 yang berarti semua citra yang relevan

telah ditampilkan berdasarkan proses pencarian. Pada penelitian ini juga dilakukan

perhitungan yang menggabungkan precision dan recall yaitu harmonic mean dari precision

dan recall. Perhitungan ini disebut dengan F-measure atau balanced F-score.

Proses validasi untuk hasil eksperimen ditentukan berdasarkan pengukuran dari titik

referensi yang terdapat di ground truth dibandingkan dengan keluaran sistem. Karena

domain titik rujukan merupakan koordinat spasial yang bersifat kontinyu, sementara motif

merupakan suatu ruang, maka perlu diberikan toleransi. Toleransi yang dimaksud diatur

dengan penunjukan titik rujukan yang masih dianggap benar jika berada maksimum 10

piksel di sekitar titik rujukan yang sesungguhnya. Precision dan Recall pada sistem

pengenalan motif batik didefinisikan sebagai:

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑜𝑟𝑟𝑒𝑐𝑡 𝑑𝑒𝑡𝑒𝑐𝑡𝑒𝑑 𝑜𝑏𝑗𝑒𝑐𝑡 𝑏𝑦 𝑠𝑦𝑠𝑡𝑒𝑚

𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑙𝑢𝑠𝑡𝑒𝑟 (1)

𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑜𝑟𝑟𝑒𝑐𝑡 𝑑𝑒𝑡𝑒𝑐𝑡𝑒𝑑 𝑜𝑏𝑗𝑒𝑐𝑡 𝑏𝑦 𝑠𝑦𝑠𝑡𝑒𝑚

𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑜𝑟𝑟𝑒𝑐𝑡 𝑜𝑏𝑗𝑒𝑐𝑡 𝑖𝑛 𝑔𝑟𝑜𝑢𝑛𝑑 𝑡𝑟𝑢𝑡ℎ (2)

𝐹 − 𝑚𝑒𝑎𝑠𝑢𝑟𝑒 = 2 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛×𝑟𝑒𝑐𝑎𝑙𝑙

𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑟𝑒𝑐𝑎𝑙𝑙 (3)

Future Work - Membangun Sistem Pengenalan Motif Batik Indonesia

Pada tahapan ini dilakukan pengembangan sistem untuk Aplikasi

Pengenalan Motif Batik Indonesia khususnya untuk pola geometris dengan model

pengembangan berbentuk sistem repositori data citra. Sistem ini memanfaatkan

algoritma pengenalan motif batik yang telah dikembangkan pada tahap-tahap

sebelumnya.

Uji Coba Implementasi Aplikasi

Setelah Aplikasi Pengenalan Motif Batik Indonesia selesai dibangun,

langkah selanjutnya adalah melakukan pengujian terhadap implementasi aplikasi

tersebut. Uji coba ini bermaksud untuk melihat sejauh mana aplikasi yang telah

dibangun dapat digunakan dan manfaat yang diperoleh pihak-pihak yang

berkepentingan.

36

Luaran yang ingin dicapai

Pada penelitian ini keluaran yang diharapkan direncanakan dibagi menjadi

tiga tahapan seperti gambar 4.3. Masing – masing keluaran tersebut terdiri dari:

1. Publikasi ilmiah algoritma dan teknik penentuan jumlah obyek motif batik

menggunakan deteksi simetri dengan pendekatan hirarkhi. Artikel ilmiah akan

dipublikasikan pada jurnal internasional terindeks Scopus.

2. Publikasi ilmiah metode fusion feature untuk sistem pengenalan motif batik

Indonesia menggunakan konsep Content Based Information Retrieval (CBIR).

Makalah ini dipublikasikan pada jurnal internasional terindeks Scopus.

3. Publikasi ilmiah pada konferensi internasional The Fifth International

Conference on Network, Communication and Computing, di Kyoto, Japan,

pada tanggal 17-21 Desember, 2016. Makalah yang dipublikasikan berjudul

Feature Selection and Reduction for Batik Image Retrieval.

4. Pada tahapan berikutnya dilakukan persiapan untuk pengembangan aplikasi

pengenalan motif batik Indonesia dengan membangun basis data untuk citra

motif batik. Hasil dari tahapan ini adalah prototipe aplikasi dan pengembangan

basis data motif batik Indonesia khususnya pola geometris yang akan

digunakan pada aplikasi pengenalan motif batik Indonesia.

5. Pada akhir penelitian tahun pertama akan dihasilkan dokumen – dokumen:

• Dokumentasi laporan pelaksanaan penelitian

• Dokumentasi teknis pengembangan perangkat lunak prototipe seperti :

Dokumentasi kebutuhan fitur/fungsi, dokumentasi perancangan aplikasi,

dan dokumentasi program sumber

6. Pada penelitian tahun kedua, dilakukan tahapan kegiatan pengembangan

aplikasi pengenalan motif batik Indonesia menggunakan sistem repositori.

Pada tahapan ini akan dihasilkan publikasi tentang pengembangan sistem

dalam bentuk jurnal internasional computer vision atau pattern recognition.

7. Pada tahap berikutnya dilakukan uji coba untuk membandingkan kinerja sistem

pengenalan motif batik dengan sistem yang telah dikembangkan oleh Aragon

[17] sebagai jurnal acuan. Hasil dari aktivitas tahap ini adalah publikasi ilmiah

pada jurnal internasional bidang computer vision atau pattern recognition.

37

Gambar 4.4. Perencanaan tahapan keluaran yang dihasilkan

Publikasi ilmiah

metode fusion

feature untuk sistem pengenalan motif

batik Indonesia

menggunakan konsep Content Based

Information Retrieval

(CBIR).

Bulan 8

Publikasi ilmiah

algoritma dan

teknik penentuan

jumlah obyek

menggunakan

pendekatan

simetri

Bulan ke 10 Akhir Bulan ke 11

Basis Data Motif

Batik Indonesia

Dokumentasi

laporan

pelaksanaan

penelitian

38

BAB 5

HASIL YANG DICAPAI

Kegiatan yang dilakukan pada Tahun 1

Pada tahun 1 terdapat beberapa kegiatan yang menjadi target pencapaian tim peneliti.

Berikut adalah penjelasan kegiatan-kegiatan yang telah dilakukan :

1. Melakukan analisis terhadap karakteristik motif batik berdasarkan posisi spasial,

simetri, perubahan skala, dan orientasi.

2. Berdasarkan analisis yang dilakukan pada poin 1, selanjutnya menentukan metode

ekstraksi fitur yang tepat untuk melakukan pengenalan motif batik.

3. Menentukan metode pencocokan keypoint yang paling handal terhadap citra kueri ke

citra template.

4. Menentukan metode voting dan clustering pada Ruang Hough yang mampu

merepresentasikan jumlah obyek pada citra kueri

5. Mengembangkan model pengenalan motif batik berdasarkan karakteristik batik yang

invarian terhadap posisi spasial, skala, dan orientasi.

6. Persiapan data set

Melakukan proses digitalisasi template motif batik dengan melalui serangkaian

preprocessing dengan sumber data pola geometris motif batik [3].

7. Ekstraksi fitur citra template dan citra kueri

Pada tahapan ini seluruh citra template maupun citra kueri diberlakukan proses

ekstraksi fitur.

8. Pengumpulan data citra riil motif batik yang termasuk dalam motif geometris.

9. Mengembangkan prototipe aplikasi pengembangan motif batik berbasis web.

10. Mengembangkan perancangan basis data motif batik Indonesia dari pola geometris

berdasarkan kelas.

Hasil yang telah dicapai per Oktober 2016

Pada sub bab ini dijabarkan tentang kegiatan yang telah dilakukan dan hasil yang telah

dicapai per Oktober 2016.

5.2.1 Hasil analisis terhadap Karakteristik Motif Batik

Permasalahan utama dalam deteksi obyek motif batik adalah karakteristik motif

batik yang sangat spesifik. Berdasarkan uraian pada bagian terdahulu, dapat diamati bahwa

untuk pola geometris obyek yang terdapat pada pola batik merupakan obyek yang memiliki

39

bagian yang simetri antar bagian dalam satu obyek pola. Obyek yang memiliki simetri

tersebut terdapat di beberapa bagian gambar secara berulang seiring dengan kemunculan

beberapa obyek dalam satu citra kueri. Disamping itu sering kali ditemukan pada satu motif

kain terdapat kemunculan motif-motif tertentu yang telah mengalami transformasi

geometri berupa perubahan skala dan perubahan orientasi obyek motif batik. Karakteristik

batik yang demikian tersebut menjadikan proses deteksi obyek batik menjadi hal yang

sangat menarik. Hal ini mengingat dari beberapa penelitian yang telah dilakukan

sebelumnya dalam hal deteksi obyek penulis melihat aspek permasalahan yang belum

sepenuhnya menangani permasalahan kemunculan obyek secara berulang dimana obyek-

obyek tersebut juga telah mengalami beberapa perubahan skala dan perubahan rotasi dalam

satu citra kueri.

5.2.2 Penentuan Metode Ekstraksi Fitur

Fitur yang dideteksi pada citra oleh detektor fitur dan deskriptor hanya akan

berfungsi dengan baik apabila benar-benar dalam kondisi yang baik. Dalam hal ini berarti

informasi pada fitur merepresentasikan informasi tentang obyek dengan benar. Fitur tetap

dapat dideteksi walaupun kondisi obyek sedikit berbeda. SIFT merupakan metode yang

sesuai untuk menemukan lokasi obyek motif batik pada sebuah citra, dimana obyek-obyek

tersebut tetap dapat ditemukan walaupun mengalami perubahan transformasi pada citra.

Sebagai tambahan, fitur-fitur SIFT bersifat invarian terhadap rotasi dan skala. Hal ini

berarti apabila suatu obyek muncul dengan skala dan orientasi maka tetap masih dapat

dikenali sebagai obyek tersebut.

5.2.3 Metode Pencocokan Keypoint

Permasalahan umum terkait motif batik adalah karakteristik motif batik yang

memiliki sifat simetri, kemunculan obyek secara berulang pada beberapa lokasi yang

berbeda, multi skala, dan multi orientasi. Permasalahan ini dapat diatasi dengan

memodifikasi proses voting keypoint pada ruang Hough dan clustering konfigurasi

keypoint yang dihasilkan dari proses voting.

5.2.4 Metode Voting dan Clustering pada Ruang Hough

Pembentukan hipotesa untuk deteksi obyek dilakukan dengan memanfaatkan

korespondensi berdasarkan voting pada ruang Hough. Algoritma yang memproyeksikan

voting keypoint ke ruang Hough memberikan estimasi jumlah obyek yang ditemukan pada

citra kueri. Pada deteksi obyek motif batik, permasalahan utama yang timbul terutama

karena adanya bagian simetri pada obyek motif dan adanya kemunculan beberapa obyek

40

motif yang sama. Hal ini dapat menyebabkan jumlah pencocokan keypoint yang signifikan

di antara relasi yang terjadi sehingga sangat sulit untuk menemukan pose obyek yang tepat.

Obyek motif batik dapat muncul di beberapa lokasi yang berbeda. Pada pendekatan

yang penulis usulkan, jumlah obyek motif batik ditentukan berdasarkan deteksi peak yang

signifikan pada ruang Hough. Dengan demikian, pada tahapan ini hipotesa deteksi obyek

berupa koordinat spasial (𝑥, 𝑦)ℎ𝑜𝑢𝑔ℎ , skala ℎ𝑜𝑢𝑔ℎ , dan orientasi 𝜃ℎ𝑜𝑢𝑔ℎ dibentuk

berdasarkan hasil voting dimana hanya lokasi keypoint yang konsisten dari sisi geometris

dianggap memadai untuk mendukung hipotesa. Hough Transform dipilih untuk

membentuk hipotesa karena Hough Transform bersifat intoleran terhadap keberadaan

outlier dimana estimasi berdasarkan transformasi secara geometris akan memiliki

korespondensi yang konsisten dan membentuk sebuah cluster pada ruang Hough [16].

5.2.5 Model Pengenalan Motif Batik

Pada tahapan penelitian ini kami mengusulkan model pengenalan motif batik yang

mampu mengenali komponen-komponen motif yang terdapat pada sebidang kain (lihat

Gambar 5.1.). Tujuannya adalah menentukan jumlah obyek motif batik melalui prosedur

pengelompokan konfigurasi keypoint yang diperoleh dari proses voting. Selanjutnya,

berdasarkan jumlah obyek yang dihasilkan maka komposisi motif batik diidentifikasi

sesuai dengan kelasnya melalui pencocokan dengan template yang disimpan pada basis

data. Data fitur SIFT yang sama akan dikonfigurasi berdasarkan spesifikasi yang telah

ditentukan [17], [50].

Pada fase pelatihan dilakukan proses ektraksi fitur citra template. Pada penelitian ini

deskriptor SIFT digunakan sebagai deskriptor utama patch citra batik. Alasan utamanya

adalah SIFT mampu mengambil dan menyimpan informasi lokasi spasial, skala, dan

orientasi obyek dalam citra. Pendekatan yang diusulkan memanfaatkan informasi-

informasi tersebut untuk mendeteksi letak spasial obyek motif batik pada lokasi yang

berbeda, rasio skala, dan perbedaan orientasi. Fase pelatihan terdiri dari proses ekstraksi

fitur untuk citra kueri. Untuk melakukan deteksi obyek, deskriptor SIFT harus melalui

proses pelatihan terlebih dahulu sebelum dilakukan proses deteksi obyek. Pembentukan

model basis data dilakukan berdasarkan citra template dan keypoint citra template secara

otomatis selama fase pelatihan.

Scale Invariant Feature Transform (SIFT) merupakan metode yang menggunakan

pendekatan berbasis fitur lokal untuk melakukan deteksi obyek. SIFT melakukan ekstraksi

41

KeypointCitra Kueri

Citra TemplateKeypoint

Citra Template

Pencocokan Keypoint Citra Kueri dan Citra

Template

Proyeksi ke Ruang Hough

Menentukan jumlah peak yang terbentuk pada Ruang Hough

Mengalokasikan jumah obyek berdasarkan pose

obyek

Evaluasi Jumlah Obyek yang ditemukan

Menampilkan hasil pengenalan obyek motif

batik

Citra Kueri

Ekstraksi Fitur

Keterangan : Fase Pelatihan

Fase Pengenalan

Gambar 5.1. Blok diagram pengenalan motif batik

terhadap karakteristik poin-poin fitur yang berulang pada suatu citra dan menghasilkan

deskriptor yang menggambarkan tekstur di sekitar poin fitur. Poin-poin fitur ini bersifat

invarian terhadap ukuran obyek citra dan rotasi, sehingga memungkinkan pencocokan yang

handal pada kasus distorsi akibat transformasi affine.

Ekstraksi fitur merupakan tahapan pre-processing yang penting untuk permasalahan

pengenalan pola dan pembelajaran mesin [51]. Proses ekstraksi fitur terdiri dari dua

tahapan yang terpisah yaitu pre-processing dan proses ekstraksi fitur itu sendiri. Pada tahap

pelatihan ini dilakukan proses ekstraksi fitur untuk citra template. Proses ekstraksi fitur ini

menghasilkan deskriptor SIFT berupa keypoint.

Fase pengenalan diawali dengan proses ekstraksi fitur terhadap citra kueri. Proses

yang dilakukan sama dengan citra template, dimana akuisi citra kueri dan proses ekstraksi

fitur yang dilakukan sama dengan yang telah dilakukan terhadap citra template. Selanjutnya

deskriptor hasil ekstraksi citra kueri dicocokkan dan dibandingkan dengan representasi

deskriptor citra template [16], [17], [52].

42

Obyek motif batik dapat muncul di beberapa lokasi yang berbeda. Jumlah obyek

motif batik ditentukan berdasarkan deteksi peak yang signifikan pada ruang Hough.

Dengan demikian, pada tahapan ini hipotesa deteksi obyek berupa koordinat spasial

(𝑥, 𝑦)ℎ𝑜𝑢𝑔ℎ, skala ℎ𝑜𝑢𝑔ℎ, dan orientasi 𝜃ℎ𝑜𝑢𝑔ℎ dibentuk berdasarkan hasil voting dimana

hanya lokasi keypoint yang konsisten dari sisi geometris dianggap memadai untuk

mendukung hipotesa. Hough Transform dipilih untuk membentuk hipotesa karena Hough

Transform bersifat intoleran terhadap keberadaan outlier dimana estimasi berdasarkan

transformasi secara geometris akan memiliki korespondensi yang konsisten dan

membentuk sebuah cluster pada ruang Hough [16].

Setiap estimasi pose (𝑥, 𝑦, 𝜎, 𝜃)ℎ𝑜𝑢𝑔ℎ akan dilakukan voting pada ruang Hough 4D.

Hipotesa tersebut menempati setiap ruang sel akumulator yang berisi minimum 3 voting

yang berarti paling sedikit 3 pasang korepondensi deskriptor secara konsisten harus

memiliki pose geometris yang sama. Berdasarkan hipotesa tersebut, keempat parameter

transformasi diantara lokasi keypoint pada template dan lokasi pada kueri dapat ditentukan

dengan mengambil seluruh korespondensi yang berkontribusi terhadap hipotesa. Hasil

konfigurasi yang diperoleh dari proses voting dimasukkan ke dalam bin-bin yang

bersesuaian. Pada saat tersebut keputusan yang diambil adalah hipotesa-hipotesa

keberadaan obyek yang dapat diterima sebagai obyek yang valid atau pun tidak valid

berdasarkan kriteria yang telah ditentukan.

Hasil voting pada ruang Hough merepresentasikan pose obyek motif batik yang

berhasil dideteksi pada citra kueri. Keluaran hasil voting ini selanjutnya diurutkan dengan

cara merekonstruksi berdasarkan koordinat spasial (x,y) dengan arah mulai dari sudut kiri

atas hingga kanan bawah citra. Hal ini dilakukan untuk memperoleh peak yang signifikan

dan mengisolir dari peak- peak yang bernilai rendah. Gambar 5.2. (a) menunjukkan hasil

voting sebelum proses pengurutan. Pada gambar tersebut dapat dilihat bahwa terdapat

beberapa peak yang saling tumpang tindih sehingga sulit untuk menyatakan estimasi

jumlah obyek yang terdapat pada citra kueri. Setelah diurutkan (lihat Gambar 5.2. (b))

jumlah peak dapat dilihat dengan jelas karena peak-peak tersebut terlihat sangat signifikan

dibandingkan dengan perolehan nilai voting yang ada di sekitarnya. Hal ini menunjukkan

proses pengurutan berhasil melakukan isolasi informasi peak berdasarkan hasil voting.

43

Jumlah

Voting

Konfigurasi Hasil Voting

(a) Sebelum proses pengurutan

Jumlah

Voting

Konfigurasi Hasil Voting

(b) Setelah proses pengurutan

Gambar 5.2. Proses pengurutan hasil voting pada akumulator array

Penentuan terhadap validitas deteksi motif batik dilakukan terhadap hasil voting Hough.

Hal ini dilakukan untuk mengetahui kebenaran keluaran yang diperoleh sebagai

representasi obyek motif batik. Kriteria yang diambil berdasarkan beberapa kondisi sebagai

berikut :

44

1. Metode Deteksi Obyek Thresholding

Metode deteksi obyek thresholding, selanjutnya disebut dengan MDOThresh, adalah

metode deteksi obyek yang diusulkan dengan kriteria perhitungan berdasarkan rentang

nilai hingga 80% dari nilai maksimum peak

2. Metode Deteksi Obyek Nilai Ambang Rata-rata

Metode deteksi obyek nilai ambang rata-rata (MDOAverage) ditentukan dengan

rumusan sebagai berikut :

𝑁𝑖𝑙𝑎𝑖 𝑎𝑚𝑏𝑎𝑛𝑔 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 =𝑁𝑖𝑙𝑎𝑖 𝑝𝑒𝑎𝑘 𝑡𝑒𝑟𝑡𝑖𝑛𝑔𝑔𝑖−𝑁𝑖𝑙𝑎𝑖 𝑝𝑒𝑎𝑘 𝑡𝑒𝑟𝑒𝑛𝑑𝑎ℎ

2 (1)

3. Metode Deteksi Obyek Top k

Pada metode deteksi obyek Top k, yang selanjutnya disebut MDOTopk, adalah

kriteria deteksi obyek dimana terlebih dahulu dilakukan penentuan jumlah riil obyek

yang terdapat pada citra kueri berdasarkan jumlah obyek di groundtruth. Penentuan

jumlah obyek luaran sistem dilakukan dengan mengambil nilai peak tertinggi yang

terdapat pada ruang Hough yang disesuaikan dengan data groundtruth. MDOTopk

merupakan gold standard yang ditetapkan sebagai pembanding untuk kondisi ideal.

4. Metode Deteksi Obyek Minimum Voting

Pada kriteria metode deteksi obyek Minimum Voting (MDOMin), pengambilan

keputusan tidak berdasarkan nilai ambang tertentu, melainkan berdasarkan jumlah

anggota voting pada setiap sel akumulator pada ruang Hough minimal sebanyak 3

anggota.

5. Metode Deteksi Obyek Clustering DBSCAN

Metode deteksi obyek Clustering DBSCAN, selanjutnya disebut MDOScan,

memiliki prinsip kerja berdasarkan clustering DBSCAN. Beberapa fitur hasil

pencocokan selanjutnya akan membentuk cluster, dimana setiap fitur yang berasosiasi

dengan instance obyek pada citra kueri akan dikelompokkan berdasarkan nilai rata-

rata dari algoritma unsupervised clustering. Algoritma clustering tidak mengevaluasi

berapa banyak multiple distinct peaks yang terdapat pada ruang Hough yang bersifat

kontinyu. Mekanisme pemilihan potensial jumlah obyek yang ada dilakukan dengan

45

menentukan poin cluster yang berada di dalam radius cluster dan poin cluster yang

berada di luar radius secara iteratif menggunakan DBSCAN. DBSCAN menghasilkan

clustering yang terpartisi dimana jumlah cluster akan terbentuk secara otomatis

berdasarkan prinsip kerja algoritma. Algoritma akan dimulai dengan menggunakan

inisial MinPts = jumlah anggota cluster dan Epsilon = adalah spesifikasi minimum

jangkauan cluster. Namun dalam melakukan eksperimen deteksi obyek motif batik,

digunakan nilai MinPts = 3. Algoritma clustering dilakukan secara iteratif mulai dari

1 sampai dengan 100.000 hingga diperoleh konfigurasi dengan nilai Epsilon yang

terbaik.

6. Metode Deteksi Obyek Minimum Voting + Gaussian

Metode deteksi obyek Minimum Voting + Gaussian (MDOGauss) menggunakan

kriteria minimum terdapat 3 voting pada setiap konfigurasi yang terbentuk sebagai

hasil voting. Setelah itu diberlakukan post processing berupa smoothing menggunakan

filter Gaussian.

5.2.6 Data dan Implementasi

Data pengujian terdiri dari citra kueri dengan beragam kompleksitas data dan citra

kueri dengan noise. Fase pelatihan dilakukan dengan melakukan ekstraksi fitur terhadap

kedua jenis data pengujian dan data citra template. Fase pengenalan diawali dengan proses

pencocokan keypoint yang dilakukan berdasarkan rasio 0.8 yang diusulkan oleh Lowe

[37] dan metode pencocokan keypoint yang diusulkan pada penelitian ini. Proses

dilanjutkan dengan voting keypoint pada ruang Hough menggunakan parameter- parameter

bin yang sudah ditentukan. Setelah dilakukan voting, proses selanjutnya adalah

menentukan keberadaan obyek berdasarkan voting dengan post processing maupun tanpa

post processing. Pada akhir eksperimen dilakukan perhitungan untuk pengukuran kinerja

menggunakan precision, recall dan F-measure.

Data sintetik yang digunakan pada penelitian ini dibedakan atas 2 (dua) jenis data

yaitu data dengan keragaman kompleksitas data dan data dengan noise (lihat Gambar 5.3).

Masing-masing data dibuat sedemikian rupa sehingga mewakili kondisi motif batik yang

sesungguhnya. Tujuan utama dari pembuatan data sintetik yang dibedakan berdasarkan

skenario adalah untuk melakukan pengujian kehandalan metode yang diusulkan terhadap

berbagai kemungkinan adanya transformasi geometris motif batik pada sebidang kain.

46

Data Set Citra Kueri

Pengenalan Motif Batik

Data set citra kueri dengan

beragam kompleksitas data

Data set citra kueri dengan

ukuran noise 30%, 40%, 50%

dan 60% dari ukuran obyek

Skenario 1

1. Jumlah obyek 1

2. Terdiri dari kombinasi :

• Translasi – Skala

• Translasi – Orientasi

• Translasi – Skala –

Orientasi

Skenario 2

• Jumlah obyek 2 sd 5

• Motif dari kelas obyek yang

sama

• Kombinasi Translasi – Skala –

Orientasi

Skenario 3

• Jumlah obyek 2 sd 5

• Motif dari kelas obyek yang

berbeda

• Kombinasi Translasi – Skala –

Orientasi

Skenario 4

• Jumlah obyek 2, 4, 8, dan 16

dengan posisi teratur

• Motif obyek dari kelas yang

sama dan kelas yang berbeda

• Kombinasi Translasi – Skala –

Orientasi

Skenario 1

• Jumlah obyek 1

• Obyek memiliki noise yang

berukuran 30%, 40%,

50%, dan 60% dari ukuran

obyek template

Skenario 2

• Jumlah obyek 2 sd 5 yang

memiliki noise sebesar

30%, 40%, 50% dan 60%

dari ukuran obyek

template

• Motif dari kelas obyek

yang sama

• Kombinasi Translasi –

Skala – Orientasi

Gambar 5.3. Data set eksperimen deteksi motif batik

Skenario eksperimen terdiri dari 2 bagian eksperimen yaitu eksperimen menggunakan

dataset dengan beragam kompleksitas data dan data set dengan noise. Adapun penjelasn

terinci adalah sebagai berikut :

1. Data set dengan beragam kompleksitas data

• Skenario eksperimen 1 bertujuan untuk menemukan dan mengidentifikasi obyek

tunggal pada citra kueri dengan kombinasi translasi, skala, dan orientasi. Data set

skenario 1 digunakan untuk melakukan evaluasi terhadap metode deteksi motif

batik yang diusulkan (lihat Gambar 5.4). Disamping itu pada eksperimen ini juga

dilakukan perbandingan kinerja metode deteksi motif batik dalam hal pencocokan

keypoint antara rasio 0.8 yang diusulkan oleh Lowe [37] dengan model pencocokan

yang diusulkan pada penelitian ini.

47

(a) Motif Lereng Dana Tirta yang

telah berotasi 2100

(b) Motif Kawung Brendhi yang telah

berotasi 600

Gambar 5.4. Contoh data set Skenario 1

• Skenario eksperimen 2 dilakukan untuk menentukan jumlah obyek pada motif

batik sejenis dengan kombinasi translasi, skala, dan orientasi. Data set skenario 2

digunakan untuk melakukan evaluasi terhadap metode deteksi motif batik yang

diusulkan terhadap kemunculan beberapa obyek pada citra kueri (lihat Gambar 5.5).

Tujuan eksperimen ini adalah untuk menentukan beberapa obyek yang memiliki

variasi skala dan orientasi yang terdapat pada citra kueri dengan motif sejenis

berdasarkan hasil pencocokan dengan citra template. Pada skenario ini dilakukan

pula perbandingan kinerja dengan model pencocokan keypoint menggunakan Rasio

0.8 sesuai usulan Lowe.

(a) Citra template

001-CPK001-

Arum Dalu.png

(b) Citra kueri 001-CPK001-Arum

Dalu_randomscalerot_5.jpg.

Gambar 5.5. Data set skenario 2 citra kueri dengan 5 obyek motif batik

48

• Skenario eksperimen 3 untuk menentukan jumlah, klasifikasi, dan komposisi

obyek motif batik dengan kombinasi translasi, skala, dan orientasi. Dataset skenario

3 memiliki motif yang terdiri dari 2 sampai dengan 5 motif dalam satu citra kueri

(lihat Gambar 5.6). Perbandingan kinerja pengenalan sesuai usulan Lowe dengan

metode deteksi motif batik pada penelitian ini juga dilakukan menggunakan data set

skenario 3.

• Skenario eksperimen 4 untuk menentukan jumlah dan klasifikasi obyek motif

batik dengan komposisi teratur. Data set skenario 4 memiliki motif yang terdiri dari

dua (1x2 dan 2x1), empat (2x2), delapan (4x2 dan 2x4), dan enam belas (4x4)

obyek dalam satu citra kueri dengan posisi yang teratur. Dataset ini terdiri dari dua

bagian yaitu dataset yang memiliki obyek motif batik sejenis dan dataset yang

memiliki obyek motif campuran dari beberapa kelas (lihat Gambar 5.7). Tujuan

eksperimen ini adalah untuk menentukan jumlah obyek yang terdapat pada citra

kueri. Selanjutnya ditentukan pula klasifikasi motif yang terdapat pada citra kueri

berdasarkan hasil pencocokan dengan citra template.

Gambar 5.6. Data set skenario 3 citra kueri 125-LRG011-Lereng Prana

Jiwo_randommotif_5.jpg

49

Gambar 5.7. Data set skenario 4 citra kueri 001-CPK001-Arum Dalu-scen4-16.jpg

2. Data Set Motif Batik dengan Noise

• Skenario eksperimen 1 dengan noise bertujuan untuk menemukan dan

mengidentifikasi obyek tunggal pada citra kueri dengan variasi noise. Seperti

halnya skenario eksperimen data tanpa noise, pada eksperimen skenario 1 noise

bertujuan untuk melakukan evaluasi terhadap metode deteksi motif batik yang

Gambar 5.8. Data set skenario 1 – noise citra kueri 010-CPK005-Budi Luhur1-

noise-0.4.png

diusulkan berdasarkan hasil pencocokan antara citra kueri dengan citra template

(lihat Gambar 5.8). Obyek tunggal pada citra kueri tersebut telah diberikan noise

sebesar 30%, 40%, 50% dan 60% dari ukuran citra template.

• Skenario eksperimen 2 dengan noise digunakan untuk melakukan evaluasi

metode deteksi motif batik yang diusulkan terhadap kemunculan beberapa obyek

pada citra kueri walaupun telah diberikan noise dengan ukuran tertentu (lihat

50

Gambar 5.9). Masukan berupa citra kueri berisi beberapa obyek dengan berbagai

variasi translasi, skala, rotasi, dan kombinasi skala dan rotasi, sedangkan luaran

adalah jumlah obyek motif batik.

Gambar 5.9. Data set skenario 2 – noise citra kueri 098-KWG002-Kawung

Beton_randomscalerot_noise_5

Hasil dan Diskusi

Secara umum serangkaian eksperimen yang telah dilakukan bertujuan untuk menguji

kehandalan sistem terhadap berbagai kemungkinan kombinasi kemunculan obyek motif

batik pada sebidang kain. Beberapa kombinasi tersebut mencakup pose geometris dalam

hal perubahan posisi obyek, perubahan skala, perubahan orientasi, dan variasi noise yang

menutupi sebagian obyek motif batik. Disamping itu komposisi obyek motif batik juga

memiliki variasi yaitu komposisi obyek teratur dan komposisi obyek yang tidak teratur.

Untuk menangani permasalahan terkait dengan deteksi obyek motif batik, metode yang

diusulkan telah diujicobakan melalui skenario-skenario eksperimen yang telah disusun

sedemikian rupa sehingga menyerupai dengan kondisi kain batik yang sebenarnya. Metode

usulan ini terdiri dari tahapan ekstraksi fitur, pencocokan deskriptor, dan voting Hough

Transform. Rangkuman hasil eksperimen yang telah dilakukan adalah sebagai berikut :

1. Perbandingan kinerja metode pencocokan keypoint yang telah dilakukan pada

penelitian ini dirangkum pada Tabel 5.1. Untuk skenario data set dengan beragam

kompleksitas data dapat dilihat bahwa pendekatan Rasio 0.8 pada Skenario 1, 2,

51

dan 3 melebihi kinerja metode usulan. Selisih kinerja terbesar terdapat pada

Skenario 3 yang mencapai 11.38%. Namun pada Skenario 4 dan data set yang

memiliki noise hasil kinerja yang diperoleh nilai ambang jumlah keypoint 1%

meraih persentasi terbanyak. Berbeda halnya dengan pendekatan Rasio 0.8 yang

mengalami penurunan kinerja cukup signifikan dan apabila dibandingkan dengan

metode usulan maka selisih terbesar adalah 5.96% untuk metode usulan. Pada

Skenario 4 data set memiliki karakteristik obyek yang berulang secara teratur tanpa

adanya transformasi geometris. Nilai ambang jumlah keypoint sebesar 1% telah

berhasil melakukan seleksi terhadap pasangan-pasangan keypoint yang memiliki

rasio jarak paling dekat. Hal ini menunjukkan bahwa keypoint-keypoint tersebut

benar memiliki kemampuan diskriminatif yang baik mengingat informasi lokal

yang disimpan bisa jadi memiliki banyak kesamaan. Pada Skenario 1 dan 2 dengan

noise dapat dilihat bahwa noise yang terdapat pada citra kueri juga berasal dari

salah satu citra template motif batik yang berbeda dengan obyek utama citra kueri.

Kondisi ini dapat memicu kesalahan pencocokan karena motif-motif batik tersebut

memiliki kesamaan bentuk dan bersifat simetris. Secara keseluruhan kinerja

metode pencocokan keypoint menggunakan nilai ambang jumlah keypoint 1% dan

pendekatan Rasio 0.8 adalah seimbang.

Tabel 5.1 Perbandingan kinerja metode pencocokan keypoint

Skenario

Kinerja Rata-rata

Metode Pencocokan Keypoint

Nilai Ambang Jumlah Keypoint Rasio 0.8

1% 5% 10%

1 69.58% 61.53% 56.98% 72.33%

2 51.95% 48.07% 44.57% 53.45%

3 62.52% 48.06% 73.90%

4 65.83% 62.60% 60.42% 60.64%

1 - Noise 61.03% 51.50% 50.66% 55.50%

2 - Noise 57.31% 45.03% 36.76% 51.35%

Rata-rata 52.75% 45.97% 43.23% 65.81%

Selisih rata-rata dengan

pendekatan Rasio 0.8 0.17% -15.22% -17.96%

52

2. Kombinasi parameter terbaik untuk metode deteksi obyek yang diusulkan pada

penelitian ini berdasarkan skenario eksperimen dapat dilihat pada Tabel 5.2. Setiap

kombinasi parameter memiliki karakteristik sebagai berikut :

a. Nilai ambang jumlah keypoint yang memberikan kinerja terbaik dalam

melakukan deteksi obyek motif batik adalah sebesar 1%. Fitur-fitur citra yang

handal dan memiliki sifat diskriminatif yang tinggi sangat diperlukan mengingat

kondisi primitif motif batik yang sangat mirip, kemunculannya terdapat di

berbagai lokasi spasial, dan memiliki bagian-bagian yang simetri. Nilai ambang

jumlah keypoint 1% yang berarti bahwa hanya mengambil 1% dari jumlah seluruh

pasangan keypoint hasil pencocokan antara deskriptor citra kueri dan citra

template yang memiliki jarak paling dekat telah berhasil memilah kandidat

pasangan-pasangan keypoint yang benar-benar mirip untuk diikutkan dalam

proses selanjutnya.

Nilai skala sebesar 0.5×, 1×, dan 2× ukuran obyek template berdampak kepada

jumlah keypoint yang dihasilkan, dimana makin besar ukuran obyek maka makin

besar pula jumlah keypoint yang dihasilkan dan semakin lama proses ekstraksi fitur

yang dibutuhkan. Metode deteksi motif batik mampu mengenali ketiga skala obyek

tersebut dengan baik. Permasalahan penanganan terhadap perubahan skala dari

metode yang dikembangkan masih terbatas hanya untuk skala pada interval dengan

bilangan kepangkatan 2. Hal ini mengingat algoritma SIFT mendeteksi

kemungkinan skala berdasarkan proses decimation terhadap citra asal dengan

konsep per oktaf. Mengacu kepada penelitian yang telah dilakukan oleh Lowe,

53

Tabel 5.2 Kombinasi parameter yang memberikan kinerja terbaik pada metode deteksi motif batik

Skenario Keterangan

Nilai

Ambang

Jumlah

Keypoint

Skala Orientasi Bin

Metode

Deteksi

Obyek

F-Measure

1 Obyek tunggal, variasi translasi,

skala, orientasi 1%

0.5×, 1×,

2×

00 - 3600

interval 300

Translasi : 2

pixel,

Skala: 2-1, 20, 21;

Rotasi: 20

MDOThres

86.80%

2 Multi obyek, multi translasi,

multi skala, multi orientasi 1%

0.5×, 1×,

2×

00 - 3600

interval 300

Translasi : 2

pixel,

Skala: 2-1, 20, 21;

Rotasi: 20

MDOScan

79.21%

3

Luaran jumlah voting absolut -

multi obyek, multi translasi,

multi skala, multi orientasi

1% 0.5×, 1×,

2×

00 - 3600

interval 300

Translasi : 2

pixel,

Skala: 2-1, 20, 21;

Rotasi: 20

MDOThres 82.24%

4 Multi obyek, multi translasi,

komposisi motif teratur 1%

0.5×, 1×,

2× 00

Translasi : 2

pixel,

Skala: 2-1, 20, 21;

Rotasi: 20

MDOAverage 100.00%

54

Skenario Keterangan

Nilai Ambang

Jumlah

Keypoint

Skala Orientasi Bin

Metode

Deteksi

Obyek

F-

Measure

Multi motif, multi obyek, multi

translasi,komposisi motif teratur 1%

0.5×, 1×,

2× 00

Translasi : 2

pixel,

Skala: 2-1, 20,

21;

Rotasi: 20

MDOThres,

MDOAverage 82.64%

1 - Noise Obyek tunggal, multi translasi,

variasi noise 1%

0.5×, 1×,

2× 00

Translasi : 2

pixel,

Skala: 2-1, 20,

21;

Rotasi: 20

MDOThres,

MDOAverage 100%

2 -Noise

Multi obyek, multi translasi,

multi skala, multi orientasi,

variasi noise

1%

0.5×, 1×,

2× 00 - 3600

interval 300

Translasi : 2

pixel,

Skala: 2-1, 20,

21;

Rotasi: 20

MDOScan 63.55%

55

interval skala yang digunakan mulai dari 2-8 - 28. Sejatinya metode deteksi motif

batik pun mampu mendeteksi perubahan skala pada interval yang sama, namun

dengan syarat bahwa sumber daya komputasi yang dibutuhkan terpenuhi.

b. Pada penelitian ini digunakan orientasi 00 - 3600 interval 300 sebagai studi

komprehensif yang bertujuan untuk mengetahui dampak perubahan orientasi

obyek terhadap kehandalan metode deteksi motif batik. Berdasarkan hasil

eksperimen menunjukkan transformasi geometris termasuk perubahan orientasi

akan mempengaruhi pencocokan keypoint. Keypoint yang dihasilkan oleh obyek

yang bertransformasi tidak dalam posisi vertikal atau horizontal (misalnya, 300,

600,…) kemungkinan memiliki keypoint yang sama sekali berbeda dengan obyek

motif aslinya. Hal ini disebabkan adanya efek interpolasi dan perubahan kontras

pada beberapa bagian obyek motif batik. Karakteristik data juga sangat

mempengaruhi mengingat data citra motif batik ini merupakan data sintetik yang

berbentuk seperti sketsa. Kondisi ini selanjutnya berdampak kepada hasil voting

yang memperhitungkan konsistensi pose geometris obyek pada citra kueri. Untuk

obyek yang mengalami perubahan orientasi akan memiliki jumlah voting yang

jauh menurun apabila dibandingkan dengan obyek yang tidak mengalami

perubahan geometris atau pun bertransformasi geometris dengan posisi vertikal

dan horizontal.

3. Parameter-parameter bin yang digunakan pada penelitian ini sangat sempit sehingga

menghasilkan perhitungan terhadap pencocokan obyek motif pada citra kueri yang

sangat presisi. Penentuan parameter ini berbeda dengan yang telah dilakukan oleh

Lowe, dimana Lowe memilih untuk menggunakan bin-bin yang berukuran besar. Hal

ini terkait dengan karakteristik data yang digunakan. Lowe menggunakan data riil citra

dengan obyek yang berbeda-beda, sedangkan pada data citra batik terdapat kemunculan

obyek-obyek yang sama pada beberapa lokasi yang berbeda. Nilai ambang minimum

jumlah voting berarti bahwa konfigurasi yang dihasilkan harus memenuhi syarat

jumlah voting tertentu yang terdapat pada satu konfigurasi untuk merepresentasikan

keberadaan obyek. Pada penelitian ini digunakan nilai ambang minimum jumlah voting

sebesar 3.

4. Kinerja metode deteksi obyek yang diperoleh pada penelitian ini disajikan pada Tabel

5.3. Berdasarkan tabel tersebut dapat dilihat bahwa MDOThres, walaupun cukup

selektif dalam memilih dan menentukan kandidat keberadaan obyek berdasarkan

rentang 80% dari nilai maksimum peak yang berhasil dideteksi namun memperlihatkan

kinerja yang paling baik.

56

Tabel 5.3 Perbandingan kinerja metode deteksi obyek

Skenario Metode Deteksi Obyek Kinerja

1

MDOThres 86.81%

MDOAverage 72.31%

MDOTopk 91.62%

MDOMin 63.10%

MDOScan 69.85%

MDOGauss 43.41%

2

MDOThres 56.41%

MDOAverage 63.28%

MDOTopk 69.72%

MDOMin 18.35%

MDOScan 79.21%

MDOGauss 18.59%

3

MDOThres 82.24%

MDOAverage 81.23%

MDOTopk 88.99%

MDOMin 66.31%

MDOScan 61.18%

MDOGauss 77.01%

4

MDOThres 91.42%

MDOAverage 91.56%

MDOTopk 88.69%

MDOMin 31.55%

MDOScan 47.43%

MDOGauss 37.00%

1 - Noise

MDOThres 100.00%

MDOAverage 100.00%

MDOTopk 100.00%

MDOMin 14.39%

MDOGauss 14.47%

2 - Noise

MDOThres 44.65%

MDOAverage 50.45%

MDOTopk 52.53%

MDOMin 17.37%

MDOScan 63.54%

MDOGauss 26.95%

57

Skenario Metode Deteksi Obyek Kinerja

Rata-rata Kinerja

Metode Deteksi

Obyek

MDOThres 76.92%

MDOAverage 76.47%

MDOTopk 81.93%

MDOMin 35.18%

MDOScan 64.24%

MDOGauss 40.59%

MDOAverage juga menunjukkan kinerja yang hampir sama baiknya karena memiliki

rentang yang lebih lebar dalam mendeteksi peak sehingga mampu menjangkau nilai

peak yang lebih rendah bila dibandingkan dengan MDOThres. MDOTopk sudah

diprediksi di awal bahwa akan memperoleh nilai tertinggi, karena MDOTopk

merupakan gold standard yang mengambil semua peak tertinggi sesuai jumlah obyek

yang terdapat di data groundtruth. MDOMin memiliki perolehan yang lebih rendah

disebabkan banyaknya jumlah cluster yang diikutkan dalam proses perhitungan

precision sehingga berakibat perolehan total kinerjanya menjadi menurun. MDOScan

pada awalnya diharapkan dapat memiliki kinerja yang baik, namun terdapat temuan

berdasarkan hasil eksperimen dimana proses clustering tidak berhasil membentuk

cluster yang sesuai dengan perkiraan sebelumnya. Hal ini kemungkinan disebabkan

konsep ruang skala yang diterapkan pada saat ekstraksi fitur SIFT menyebabkan

terdapat sejumlah keypoint yang berada pada octave yang lebih tinggi sehingga

memiliki informasi yang berbeda dan nilainya cukup jauh. Kondisi ini menimbulkan

kesulitan dalam pengelompokan keypoint sehingga oleh MDOScan dikategorikan

sebagai noise. Dengan demikian perlu dilakukan observasi lebih lanjut untuk

menentukan parameter (saat ini nilai MinPts = 3 dan Epsilon = 1 – 100.000) yang

paling sesuai pada metode deteksi motif batik berdasarkan karakteristik keypoint.

Sedangkan MDOGauss pada dasarnya adalah melakukan smoothing terhadap hasil

yang diperoleh dari konfigurasi yang memiliki voting minimal 3 buah. Proses

smoothing ini juga dapat mereduksi jumlah cluster yang terbentuk dari hasil voting

dan meningkatkan nilai precision sehingga hasil yang diperoleh menjadi lebih baik.

Kinerja MDOMin menggunakan usulan Lowe yang menyarankan bahwa minimal 3

voting sudah dianggap valid untuk menyatakan keberadaan obyek. Namun kondisi

tersebut tidak sesuai dengan karakteristik batik. Motif batik memiliki sifat simetri,

kemunculan obyek yang berulang dan mengalami transformasi geometris sehingga

menyebabkan banyak cluster yang terbentuk. Cluster-cluster tersebut kemungkinan

adalah noise yang terbentuk karena kesamaan motif walaupun sebenarnya bukan

58

berasal dari bagian obyek yang tepat. Jumlah cluster tersebut yang menyebabkan

perolehan nilai precision menjadi kecil.

Pengembangan Aplikasi Repositori Motif Batik Indonesia

5.4.1 Pengambilan Data Motif Batik Indonesia di Museum Batik Kuno

Danar Hadi

Museum Batik Kuno Danar Hadi merupakan kompleks wisata terpadu mengenai

batik yang dikelola swadaya dan menjadi bagian dalam kompleks House of Danar Hadi.

Museum ini didirikan oleh perusahaan batik PT. Danar Hadi pada tahun 2008 dan

diresmikan oleh Wakil Presiden Megawati Soekarnoputri. Museum ini secara khusus

menjadikan batik dan segala aspek sosial serta budaya yang menyertainya sebagai objek

wisatanya. Pada tahun 2010, museum batik Danar Hadi mendapatkan penghargaan dari

MURI (Museum Rekor Indonesia) atas koleksinya terdiri lebih dari 10000 lembar batik.

Sedangkan pada tahun 2013, museum ini termasuk dalam tiga museum terbaik di Indonesia

berdasarkan Travellers Choice Award yang diberikan oleh TripAdvisor.

Koleksi yang dimiliki oleh Museum Batik Kuno Danar Hadi merupakan kerja keras

dari pendiri perusahaan batik Danar Hadi yaitu H. Santosa Doellah S.E. Lembar demi

lembar kain batik dikumpulkan selama lebih dari 40 tahun baik batik yang dihasilkan oleh

bumiputera maupun oleh pengusaha asing seperti Belanda, Jepang, dan Tiongkok. Batik

yang dipajang dalam museum ini dikategorikan dalam beberapa kelompok yaitu kelompok

batik keraton, batik danar hadi (keluarga), batik pesisiran, batik belanda, batik jawa

hokokai, dan batik sodagaran.

Dalam penelitian mengenai batik ini, telah dilakukan konsultasi dan kerjasama

dengan pihak batik Danar Hadi. Pada tanggal 16 dan 17 Juni 2016 team riset berkunjung

ke museum batik Danar Hadi di Surakarta untuk bertemu dengan Ibu Asti Suryo Astuti

SH.KN selaku Assistant Manager dari Museum Batik Kuno Danar Hadi. Dalam pertemuan

ini dibahas mengenai peluang-peluang kerjasama yang akan dilakukan di masa mendatang.

Pihak Danar Hadi menyambut dengan baik dan sangat antusias dengan inisiatif yang

dilakukan oleh tim dalam rangka melestarikan keluhuran budaya Indonesia.

59

Gambar 5.10. Suasana di Museum Batik Kuno Danar Hadi

Gambar 5.11. Ibu Asti dan Ibu Ida dalam kunjungan ke Museum Batik Kuno Danar Hadi

60

Gambar 5.12. Kegiatan membatik dengan canting

Salah satu kerjasama yang dilakukan adalah pengumpulan data citra batik dari koleksi

Museum Kuno Batik Danar Hadi. Data citra batik ini akan menjadi materi utama dalam

pengembangan algoritma pengenalan motif batik pada penelitian ini. Data citra batik

dengan resolusi tinggi dari 500 lembar kain telah berhasil dikumpulkan. Selanjutnya, data

citra batik yang berjumlah 814 ini diberikan anotasi berupa jenis motif dan ragam hias yang

terkandung di dalamnya.

Selain kerjasama dalam pengumpulan data, juga akan dilakukan kerjasama dalam

konsultasi mengenai motif dan ragam hias batik. Selain mengembangkan sistem repositori

dan pengenalan motif batik, kami juga mengusulkan taksonomi dan pengkategorian motif

batik. Diharapkan dengan adanya taksonomi ini, akan diperoleh klasifikasi dari motif batik

dan keterhubungan antara satu motif dengan motif yang lain. Hasil dari taksonomi ini akan

dikonsultasikan kembali kepada Ibu Asti Suryo Astuti selaku pakar ahli pengamat batik.

Masukan yang berharga dari Ibu Asti Suryo Astuti akan digunakan untuk membentuk

taksonomi batik yang lebih baik dan komprehensif.

5.4.2 Pengembangan Basis Data Batik.

Basis data merupakan komponen penting dalam sebuah sistem informasi. Basis

data akan menyimpan data citra batik yang akan menjadi rujukan dalam sistem pengenalan

batik. Data citra batik terdiri dari motif batik dan isen batik. Motif batik merupakan

kerangka gambar yang memadukan titik, garis, dan bentuk untuk mewujudkan sebuah

corak batik. Sedangkan isen batik adalah ragam bentuk yang melengkapi sebuah motif

61

batik dan biasanya digunakan untuk mengisi corak di kain batik yang masih kosong.

Perpaduan dari motif batik dan isen dapat membentuk sebuah ragam hias batik.

Tabel 5.4 Ornamen isen dalam sebuah kain batik

62

Perbedaan yang mendasar pada ketiga kategori tersebut adalah kemunculannya

dalam sebuah kain batik. Sebuah kain batik dapat terdiri dari beberapa motif batik dan atau

beberapa isen yang selanjutnya akan membentuk sebuah ragam hias. Ada beberapa ragam

hias yang mempunyai nama tersendiri dan ada yang belum mempunyai nama. Biasanya,

ragam hias yang mempunyai nama merupakan kain batik klasik yang berasal dari keraton.

Selain itu, kain batik juga dapat hanya berisi satu saja motif batik. Namun, sebuah kain

batik tidak dapat terdiri dari isen saja (isen harus muncul bersama motif batik). Sebagai

ilustrasi, pembaca dapat melihat Gambar 5.13.

Gambar 5.13. Ilustrasi kemunculan 3 kategori data batik dalam sebuah kain

Dalam perancangan basis data batik, kami membagi corak batik menjadi 3 bagian

yaitu ragam hias hias, motif batik, dan isen batik. Dari masing-masing kelompok tersebut

akan dibentuk sebuah table basis data yang saling memiliki relasi. Pada Gambar 5.15

dapat dilihat skema basis data yang akan digunakan untuk menyimpan data citra. Selain

sebagai repositori atau penyimpanan citra batik, sistem yang akan dikembangkan juga

dapat digunakan sebagai sistem perolehan citra (image retrieval system). Sistem ini akan

mengembalikan informasi mengenai data citra yang di-query oleh user. Informasi ini antara

lain berisi nama motif, nama isen, dan tingkat kemiripannya terhadap data citra yang di-

query. Dari data yang disimpan di basis data, akan dilakukan relation generation yaitu

sebuah mekanisme untuk mencari kemiripan corak antara satu data citra batik dengan data

citra batik yang lainnya. Data citra yang memiliki kemiripan/keterhubungan yang tinggi

63

akan direpresentasikan dalam sebuah graph yang saling terhubung. Dari setiap graph yang

terhubung selanjutnya dikelompokkan ke dalam sebuah cluster. Dari masing-masing data

citra dalam satu cluster akan masuk ke dalam tahapan feature extraction. Satu buah cluster

akan diwakili oleh sebuah hyperimage (data citra yang memiliki kesamaan teksture dan

SIFT keypoint). Dari masing-masing hyperimage akan diindex untuk meningkatkan

kecepatan dan performa ketika dilakukan query. Bila ada query data citra, maka akan

dicocokkan dengan hyperimage index yang ada di dalam database. Selanjutnya, data citra

batik yang termasuk dalam hyperimage yang memiliki kemiripan paling tinggi dengan

query, akan dijadikan sebagai hasil query. Ilustrasi dari rancangan ini dapat dilihat pada

Gambar 5.14.

Gambar 5.14. Rancangan sistem perolehan citra batik

64

Gambar 5.15. ERD basis data citra batik

65

5.4.3 Progres Pengembangan Aplikasi Web untuk Pengenalan Batik.

Aplikasi web pengenalan batik dikembangkan menggunakan bahasa PHP pada sisi

server. Aplikasi tersebut akan menggunakan library OpenCV untuk melakukan pengolahan

citra dan proses matching dengan database. Library OpenCV tersebut akan diakses sebagai

web service, di mana proses yang dilakukan adalah proses ekstraksi fitur dan pencocokan

fitur (matching) dengan data batik yang sudah tersimpan di basis data. Arsitektur aplikasi

web yang dikembangkan addapat dilihat pada Gambar 5.16.

Database Batik

PHP Server

Aplikasi Web

Ekstrak Fitur

Matching

OpenCV

Gambar 5.16. Arsitektur aplikasi Pengenalan Motif Batik Indonesia

Antarmuka dari aplikasi web dikembangkan menggunakan HTML5, CSS3, dan

Javascript. Contoh prototipe awal dapat dilihat pada

halaman http://pripgis.cs.ui.ac.id/batik/batik.html. Halaman utama dari web tersebut

adalah halaman untuk melakukan pengenalan motif batik yang dimasukkan oleh pengguna.

Gambar 5.17. Antar muka aplikasi Pengenalan Motif Batik Indonesia

66

Hasil pengenalannya akan ditampilkan 5 pola motif yang paling mirip dan

diinformasikan pula tingkat kemiripannya dengan gambar query. Gambar 5.18.

menunjukkan hasil antar muka yang dihasilkan dari proses pencarian motif batik dengan

pola geometris parang.

Gambar 5.18. Antar muka hasil pengenalan batik

Menu lainnya adalah fitur untuk mendaftarkan pola batik baru yang akan disimpan

ke dalam basis data motif batik. Fitur ini hanya bisa diakses oleh pengguna yang memiliki

hak akses sebagai administrator. Fitur tersebut digunakan untuk menambahkan data batik

baru ke dalam basis data. Disamping itu terdapat pula menu untuk melihat motif-motif

batik yang ada di Indonesia sesuai koleksi yang ada di museum batik. Pada aplikasi ini data

yang digunakan adalah data motif batik yang diperoleh dari museum batik kuno Danar Hadi

di Solo.

5.5. Luaran yang telah dicapai

Luaran yang telah dicapai pada penelitian ini sesuai rencana adalah sebagai

berikut :

1. Publikasi ilmiah metode fusion feature untuk sistem pengenalan motif batik

Indonesia menggunakan konsep Content Based Information Retrieval (CBIR).

Makalah ini dipublikasikan pada jurnal internasional IJECE (International

Journal of Electronic and Computer Engineering) yang terindeks Scopus.

2. Publikasi ilmiah algoritma dan teknik penentuan jumlah obyek motif batik

menggunakan deteksi simetri dengan pendekatan hirarkhi. Draft artikel ilmiah

akan dipublikasikan pada jurnal internasional JOCCH (Journal of Computation

and Cultural Heritage) yang terindeks Scopus.

67

3. Publikasi ilmiah pada konferensi internasional The Fifth International

Conference on Network, Communication and Computing, di Kyoto, Japan,

pada tanggal 17-21 Desember, 2016. Makalah yang dipublikasikan berjudul

Feature Selection and Reduction for Batik Image Retrieval.

4. Sistem basis data dan taksonomi untuk citra motif batik geometris batik

Indonesia berdasarkan kelas ceplok, kawung, lereng dan nitik.

5. Prototipe aplikasi pengenalan motif batik Indonesia, khususnya pola geometris,

berbasis web.

6. Dokumentasi teknis pengembangan perangkat lunak prototipe yang berisi

dokumentasi kebutuhan fitur/fungsi, dokumentasi perancangan aplikasi, dan

dokumentasi program sumber.

68

BAB 6

RENCANA TAHAPAN BERIKUTNYA

Berdasarkan pemaparan hasil yang telah dicapai perihal kemajuan penelitian di bab

5, dapat dituliskan rencana tahapan berikutnya yang disesuaikan dengan kegiatan jadwal

penelitian yang diusulkan.

Taksonomi Motif Batik Indonesia

Dalam rangka melakukan pengenalan motif batik diperlukan taksonomi yang

diterapkan terhadap motif batik untuk menampilkan hasil klasifikasi. Taksonomi ini

berfokus pada pengkategorian batik berdasarkan motif, pola dan ciri yang terkandung di

dalamnya. Sehubungan dengan hal tersebut perlu dilakukan proses anotasi terhadap data

motif batik secara seksama. Metode yang diusulkan adalah dengan membagi batik ke dalam

beberapa kategori utama dimana masing-masing kategori utama tersebut akan dibagi lagi

menjadi beberapa sub kategori. Hasil proses anotasi ini nantinya akan digabungkan dengan

algoritma pengenalan yang telah dikembangkan dan menjadi dasar bagi analisis dan

perancangan aplikasi sistem repositori motif batik Indonesia. Metode taksonomi ini akan

diimplementasikan pada basis data motif batik Indonesia yang telah dibangun pada tahun

1.

Analisis dan perancangan aplikasi Sistem Repository Digital Motif Batik

Indonesia

Setelah didapatkan analisis karakteristik motif batik dan identifikasi permasalahan

yang dapat mempengaruhi kualitas pengenalan motif batik, maka rencana tahapan

selanjutnya adalah pengembangan aplikasi sistem repositori motif batik Indonesia.

Terdapat 2 tahapan yang akan dilakukan :

1. Melakukan implementasi algoritma pengenalan yang telah dihasilkan menjadi

aplikasi pengenalan motif batik berbasis web berdasarkan prototipe yang telah

dikembangkan di tahun 1. Kegiatan yang dilakukan adalah perancangan

fungsional sistem, mengintegrasikan basis data motif batik ke dalam aplikasi

pengenalan motif batik, uji coba aplikasi, evaluasi kinerja, dan lainnya.

Metodologi pengembangan perangkat lunak menggunakan pendekatan

prototype karena diharapkan dapat dibangun dengan cepat dan sesuai

kebutuhan.

69

2. Melakukan integrasi basis data motif batik yang telah dibangun pada tahun 1.

Basis data berisi data-data citra motif batik dengan sumber data utama berasal

dari Museum Batik Kuno Danar Hadi, Solo.

3. Melakukan uji coba aplikasi Pengenalan Motif Batik dan mengukur kinerja

aplikasi berdasarkan keberhasilan sistem aplikasi menampilkan perolehan

motif batik berdasarkan kelasnya.

Luaran yang ingin Dicapai pada Penelitian Tahun 2

1. Publikasi tentang pengembangan algoritma pengenalan motif batik dalam

bentuk makalah yang akan dipublikasikan pada jurnal Computer Vision and

Image Understanding terindeks Scopus.

2. Publikasi ilmiah pengembangan aplikasi repositori pengenalan motif batik

Indonesia yang akan dipublikasikan pada konferensi internasional.

3. Pada tahap berikutnya akan dilakukan uji coba untuk membandingkan kinerja

algoritma pengenalan motif batik dengan algoritma yang telah dikembangkan

pada paper rujukan (Aragon, 2010). Hasil dari aktivitas tahap ini adalah

publikasi ilmiah pada jurnal internasional bidang computer vision atau pattern

recognition terindeks Scopus.

4. Pendaftaran HKI terhadap aplikasi pengenalan motif batik Indonesia yang akan

dilakukan pada akhir tahun 2.

70

BAB 7

KESIMPULAN

Kesimpulan

Beberapa kesimpulan yang dapat diambil pada penelitian ini adalah sebagai berikut:

1. Pengembangan metode deteksi motif batik yang mampu mengenali komponen-

komponen obyek motif batik berdasarkan kelasnya telah berhasil dikembangkan.

Untuk melakukan pemilihan fitur-fitur citra yang handal dilakukan seleksi terhadap

kandidat pasangan keypoint yang diurutan berdasarkan jarak yang terdekat dengan

asumsi bahwa bahwa makin kecil jaraknya maka semakin besar kesamaan antara

deskriptor citra kueri dengan citra template.

2. Permasalahan utama deteksi obyek motif batik berdasarkan karakteristiknya yang

bersifat simetri, kemunculan obyek yang berulang pada beberapa lokasi, dan telah

mengalami transformasi secara geometris. Oleh karena itu diperlukan fitur-fitur yang

sifatnya diskriminatif dan mampu menyimpan informasi terkait dengan posisi spasial,

skala, dan orientasi. Metode SIFT merupakan metode ekstraksi fitur yang sesuai

dengan karakteristik yang terdapat pada motif batik.

3. Proses clustering digunakan untuk mengelompokkan fitur-fitur yang bersesuaian

sehingga mampu merepresentasikan keberadaan motif batik dari kelas tertentu. Proses

clustering dilakukan berdasarkan posisi spasial keypoint pada ruang Hough,

perbandingan skala keypoint, dan perbedaan orientasi antara keypoint obyek motif

batik pada citra query dan citra template.

4. Pada penelitian ini diusulkan beberapa metode deteksi obyek yang bertujuan untuk

menentukan jumlah obyek secara otomatis berdasarkan peak-peak yang dihasilkan

oleh konfigurasi voting yaitu MDOThres, MDOAverage, MDOTopk, MDOMin,

MDOScan, dan MDOGauss. Masing-masing pendekatan memiliki kriteria tertentu

dalam melakukan pengambilan keputusan terhadap keberadaan obyek.

5. Prototipe Aplikasi Pengenalan Motif Batik Indonesia berbasis web dan basis data yang

menampung data-data citra motif batik Indonesia telah dikembangkan. Pada tahapan

selanjutnya, kedua komponen aplikasi ini diintegrasikan sehingga membentuk sistem

repositori digital motif batik Indonesia yang mampu mengenali kandungan motif batik

yang terdapat pada citra batik.

6. Target luaran yang telah ditentukan hingga saat ini berupa artikel ilmiah yang akan

diterbitkan pada jurnal internasional maupun konferensi internasional telah terpenuhi

71

dimana artikel-artikel ilmiah tersebut sedang dalam tahapan revisi. Harapan kami pada

akhir tahun ini seluruh artikel tersebut sudah bisa diterbitkan.

Saran

Beberapa saran yang dapat diberikan untuk penelitian selanjutnya adalah sebagai

berikut:

1. Waktu komputasi untuk proses setiap skenario cukup lama, terutama pada proses

ekstraksi fitur SIFT dan voting Hough Transform. Untuk mengatasi hal tersebut perlu

dipertimbangkan penggunaan teknologi komputasi paralel, terutama untuk deteksi

motif batik yang memiliki beberapa obyek motif dari kelas yang berbeda. Namun hal

ini dapat dilakukan dengan terlebih dahulu mempertimbangkan faktor-faktor teknis

seperti alur aplikasi dan algoritma.

2. Data sintetik yang telah dibuat terdiri dari satu atau lebih template motif batik dengan

beberapa tingkatan resolusi. Permasalahan resolusi obyek menjadi isu terkait dengan

proses decimation pada ekstraksi fitur SIFT. Oleh karena itu perlu dikaji lebih lanjut

mengenai resolusi minimal obyek template motif batik yang akan digunakan untuk

eksperimen berikutnya, namun tetap memperhitungkan waktu komputasi yang

dibutuhkan dalam proses deteksi obyek motif batik.

72

DAFTAR PUSTAKA

[1] Pepin van Roojen, Batik Design. Singapore: The Pepin Press BV, 2001.

[2] J. Achjadi, The Glory of Batik: The Danar Hadi Collection, 1st ed. Central Java:

PT. Batik Danar Hadi, 2011.

[3] S. S. Samsi, Techniques, Motifs, Patterns Batik Yogya and Solo. Titian Foundation,

2011.

[4] H. S. Doellah, Batik : The Impact of Time and Environment. Danar Hadi Solo, 2003.

[5] X. Zhang, Y.-H. Yang, Z. Han, H. Wang, and C. Gao, “Object Class Detection: A

Survey,” ACM Comput. Surv., vol. 46, no. 1, pp. 10:1–10:53, 2013.

[6] S. Ullman, “Object recognition and segmentation by a fragment-based hierarchy.,”

Trends Cogn. Sci., vol. 11, no. 2, pp. 58–64, Feb. 2007.

[7] I. Nurhaida, M. Manurung, and A. M. Arymurthi, “Performance Comparison

Analysis Features Extraction Methods for Batik Recognition,” in International

Conference on Advanced Computer Science and Information Systems, Depok, 2012.

[8] A. H. Rangkuti, R. B. Bahaweres, and A. Harjoko, “Batik Image Retrieval Based

on Similarity of Shape and Texture Characteristics,” in International Conference

on Advanced Computer Science and Information Systems, Depok, 2012, pp. 978–

979.

[9] A. E. Minarno, Y. Munarko, F. Bimantoro, A. Kurniawardhani, and N. Suciati,

“Batik image retrieval based on enhanced micro-structure descriptor,” 2014 Asia-

Pacific Conf. Comput. Aided Syst. Eng. (APCASE), Bali, vol. 1, no. c, pp. 65–70,

Feb. 2014.

[10] H. Rangkuti, A. Harjoko, and A. E. Putro, “Content Based Batik Image Retrieval,”

J. Comput. Sci., vol. 10, no. 6, pp. 925–934, Jun. 2014.

[11] K.-S. Loke and M. Cheong, “Efficient textile recognition via decomposition of co-

occurrence matrices,” 2009 IEEE Int. Conf. Signal Image Process. Appl. Kuala

Lumpur, pp. 257–261, 2009.

[12] H. R. Sanabila and M. Manurung, “Recognition of Batik Motifs using the

Generalized Hough Transform,” in International Conference on Advanced

73

Computer Science and Information Systems, Depok, 2009, pp. 1–6.

[13] L. Rahadianti, R. Manurung, and A. Murni, “Clustering Batik Images based on Log-

Gabor and Colour Histogram Features,” in International Conference on Advanced

Computer Science and Information Systems, Depok, 2009.

[14] R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, Second. John Wiley

& Sons, Inc, 2000.

[15] M. Jamieson, Y. Eskin, A. Fazly, S. Stevenson, and S. J. Dickinson, “Discovering

hierarchical object models from captioned images,” Comput. Vis. Image Underst.,

vol. 116, no. 7, pp. 842–853, 2012.

[16] M. Treiber, An Introduction to Object Recognition. Springer-Verlag London

Limited, 2010.

[17] G. Aragon-Camarasa and J. P. Siebert, “Unsupervised clustering in Hough space

for recognition of multiple instances of the same object in a cluttered scene,”

Pattern Recognit. Lett., vol. 31, no. 11, pp. 1274–1284, Aug. 2010.

[18] P. Piccinini, A. Prati, and R. Cucchiara, “Real-time object detection and localization

with SIFT-based clustering,” Image Vis. Comput., vol. 30, no. 8, pp. 573–587, Aug.

2012.

[19] G. Loy and J. Eklundh, “Detecting Symmetry and Symmetric Constellations of

Features,” pp. 508–521, 2006.

[20] D. C. Hauagge and N. Snavely, “Image matching using local symmetry features,”

2012 IEEE Conf. Comput. Vis. Pattern Recognit., pp. 206–213, Jun. 2012.

[21] A. Zingoni, “Symmetry recognition in group-theoretic computational schemes for

complex structural systems,” Comput. Struct., vol. 94–95, pp. 34–44, 2012.

[22] P. Viorica, R. G. Von Gioi, and E. N. S. Cachan, “Detection of Mirror – Symmetric

Image Patches.”

[23] L. Nanni, S. Brahnam, and A. Lumini, “Expert Systems with Applications Random

interest regions for object recognition based on texture descriptors and bag of

features,” Expert Syst. Appl., vol. 39, no. 1, pp. 973–977, 2012.

[24] M. Mirmehdi, X. Xie, and J. Suri, Handbook of Texture Analysis. London: Imperial

74

College Press, 2008.

[25] D. A. Clausi and H. Deng, “Design-Based Texture Feature Fusion Using Gabor

Filters and Co-Occurrence Probabilities,” Image Process. IEEE Trans., vol. 14, no.

7, pp. 925–936, 2005.

[26] D. A. Clausi and M. E. Jernigan, “Designing Gabor Filters for optimal texture

separability,” Pattern Recognit. J., vol. 33, pp. 1835–1849, 2000.

[27] D. J. Field, “Relations between the statistics of natural images and the response

properties of cortical cells,” J. Opt. Soc. Am. A Opt. Image Sci., vol. 4, no. 12, 1987.

[28] R. Nava, B. Escalante-ram, and G. Crist, “Texture Image Retrieval Based on Log-

Gabor Features,” CIARP, pp. 414–421, 2012.

[29] S. M. Lajevardi and M. Lech, “Facial Expression Recognition Using Neural

Networks and Log-Gabor Filters,” 2008 Digit. Image Comput. Tech. Appl., pp. 77–

83, 2008.

[30] B. Gosselin, “Character Segmentation-by-Recognition Using Log-Gabor Filters,”

in Pattern Recognition 18th International Conference on, 2006, pp. 901 – 904.

[31] R. Nava, B. Escalante-ram, and G. Crist, “A Comparison Study of Gabor and Log-

Gabor Wavelets for Texture Segmentation,” in International Symposium on Image

and Signal Processing and Analysis, 2011, no. Ispa, pp. 189–194.

[32] R. Nava, G. Cristóbal, and B. Escalante-Ramírez, “Invariant texture analysis

through Local Binary Patterns,” Nov. 2011.

[33] R. M. Haralick, K. Shanmugam, and I. Dinstein, “Textural Features for Image

Classification,” IEEE Trans. Syst. Man. Cybern., vol. 3, no. 6, pp. 610–621, Nov.

1973.

[34] R. Kusumaningrum, “Top Down Hierachical Latent Dirichlet Allocation (THLDA):

Sebuah Model Klasifikasi Tutupan Lahan Bertingkat dan Aplikasinya untuk

Anotasi per Piksel,” University of Indonesia, 2014.

[35] S. Aksoy and R. M. Haralick, “A Classification Framework for Content-Based

Image Retrieval,” in International Conference on Pattern Recognition - ICPR Vol.

2, Seattle, 2002, pp. 503–506.

75

[36] M. Pietikäinen, A. Hadid, G. Zhao, and T. Ahonen, Computer Vision Using Local

Binary Patterns, vol. 40. London: Springer London, 2011.

[37] D. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” Int. J.

Comput. Vis., vol. 60, no. 2, pp. 91–110, Nov. 2004.

[38] P. Yarlagadda and A. Monroy, “Voting by Grouping Dependent Parts,” in ECCV’10

Proceedings of the 11th European conference on Computer vision: Part V, 2010,

pp. 97–210.

[39] E. Ardizzone, A. Bruno, and G. Mazzola, “Scale detection via keypoint density

maps in regular or near-regular textures,” Pattern Recognit. Lett., vol. 34, no. 16,

pp. 2071–2078, 2013.

[40] Jain A. K., M. N. Murty, and P. J. Flynn, “Data Clustering : A Review,” ACM

Comput. Surv., vol. 31, no. 3, 2000.

[41] K. Jain Anil and C. Dubes Richard, Algorithms for Clustering Data. Prentice-Hall,

Inc., 1988.

[42] M. Parimala, D. Lopez, and N. C. Senthilkumar, “A Survey on Density Based

Clustering Algorithms for Mining Large Spatial Databases,” Int. J. Adv. Sci.

Technol., vol. 31, pp. 59–66, 2011.

[43] M. F. Demirci, Y. Osmanlioglu, A. Shokoufandeh, and S. Dickinson, “Efficient

many-to-many feature matching under the l 1 norm,” Comput. Vis. Image Underst.,

vol. 115, no. 7, pp. 976–983, 2011.

[44] K. Mikolajczyk and C. Schmid, “Performance evaluation of local descriptors.,”

IEEE Trans. Pattern Anal. Mach. Intell., vol. 27, no. 10, pp. 1615–30, Oct. 2005.

[45] Y. Jiang, Y. Xu, and Y. Liu, “Performance evaluation of feature detection and

matching in stereo visual odometry,” Neurocomputing, vol. 120, pp. 380–390, Nov.

2013.

[46] Y. Tao, M. Skubic, T. Han, Y. Xia, and X. Chi, “Performance Evaluation of SIFT-

Based Descriptors for Object Recognition,” IMECS, vol. II, no. 2, pp. 17–20, 2010.

[47] R. Hu and J. Collomosse, “A performance evaluation of gradient field HOG

descriptor for sketch based image retrieval,” Comput. Vis. Image Underst., Feb.

76

2013.

[48] B. Yang and S. Chen, “A comparative study on local binary pattern (LBP) based

face recognition: LBP histogram versus LBP image,” Neurocomputing, vol. 120,

pp. 365–379, Nov. 2013.

[49] B. Özdemir, S. Aksoy, S. Eckert, M. Pesaresi, and D. Ehrlich, “Performance

measures for object detection evaluation,” Pattern Recognit. Lett., vol. 31, no. 10,

pp. 1128–1137, 2010.

[50] P. J. Kaufman, L., Rousseeuw, “Finding groups in data: An introduction to cluster

analysis.,” Wiley Ser. Probab. Math. Stat., 1990.

[51] A. Suresh, “Image Texture Classification using Gray Level Co-Occurrence Matrix

Based Statistical Features,” Eur. J. Sci. Res., vol. 75, no. 4, pp. 591–597, 2012.

[52] J. S. Hare and P. H. Lewis, “Efficient clustering and quantisation of SIFT features :

Exploiting characteristics of the SIFT descriptor and interest region detectors under

image inversion Categories and Subject Descriptors, California,” in ICMR, 2011.

77

FORMULIR EVALUASI ATAS CAPAIAN LUARAN

KEGIATAN

PENELITIAN UNGGULAN PERGURUAN TINGGI

Nama : Prof. Dr. Aniati Murni Arymurthi, M.Sc.

Fakultas : Fakultas Ilmu Komputer

Judul Penelitian : Pengembangan Aplikasi Repositori Pengenalan Motif Batik

Indonesia Berbasis Clustering Keypoint Pada Ruang Hough

Waktu Kegiatan : tahun ke 1 tahun dari rencana 2 tahun

Luaran yang direncanakan dan capaian tertulis dalam proposal awal:

No Luaran yang direncanakan Capaian

1 Publikasi ilmiah pada jurnal terindeks

Scopus

Publikasi ilmiah pada jurnal terindeks

Scopus

2 Publikasi ilmiah pada International

Conference

Publikasi ilmiah pada jurnal terindeks

Scopus

3 Publikasi ilmiah pada International

Conference

Publikasi ilmiah pada International

Conference

4 Rancangan Basis Data Batik Motif

Geometris Indonesia

Sistem Basis Data Batik Motif

Geometris Indonesia

5 Rancangan Aplikasi Pengenalan Motif

Batik Indonesia

Prototipe Aplikasi Pengenalan Motif

Batik Indonesia

6 Dokumentasi teknik berisi

dokumentasi kebutuhan fitur/fungsi,

dokumentasi perancangan aplikasi,

dan dokumentasi program sumber

Dokumentasi teknik prototipe Aplikasi

Pengenalan Motif Batik Indonesia berisi

dokumentasi kebutuhan fitur/fungsi,

dokumentasi perancangan aplikasi,

dan dokumentasi program sumber

CAPAIAN (Lampirkan bukti-bukti luaran dari kegiatan penelitian dengan judul

yang tertulis di atas, bukan dari kegiatan penelitian dengan judul lainnya)

1. PUBLIKASI ILMIAH

Jurnal nasional

terakreditasi

Jurnal bereputasi internasional

ARTIKEL JURNAL KE-1*1

Nama jurnal yang dituju International Journal of Electrical

and Computer Engineering

(IJECE)

Impact factor untuk jurnal 0.164

Judul artikel Texture Fusion for Batik Motif

Retrieval System

Status naskah (beri tanda )**

78

Jurnal nasional

terakreditasi

Jurnal bereputasi internasional

- Draf artikel

- Sudah dikirim ke jurnal

- Sedang ditelaah

- Sedang direvisi

- Revisi sudah dikirim ulang

- Sudah diterima

- Sudah terbit

ARTIKEL JURNAL KE-2*1

Nama jurnal yang dituju Journal of Computing and Cultural

Heritage

Impact factor untuk jurnal 0.336

Judul artikel Determining the Numbers of Batik

Motif Object based on Symmetry

Detection based on Hierarchical

Approach

Status naskah (beri tanda )**

- Draf artikel

- Sudah dikirim ke jurnal

- Sedang ditelaah

- Sedang direvisi

- Revisi sudah dikirim ulang

- Sudah diterima

- Sudah terbit

*1 Jika masih ada artikel ke-2 dan seterusnya, mohon dituliskan pada lembar tambahan

** Lampirkan dokumen status naskah

1. BUKU AJAR

Buku ke-1*2

Judul:

Penulis:

Penerbit:

*2 Jika masih ada buku ke-2 dan seterusnya, mohon dituliskan pada lembar tambahan

79

2. PEMBICARA PADA PERTEMUAN ILMIAH (SEMINAR/SIMPOSIUM)

Nasional Internasional

Judul Makalah Feature Selection and

Reduction for Batik

Image Retrieval

Nama Pertemuan Ilmiah The Fifth International

Conference on Network,

Communication and

Computing

Tempat Pelaksanaan Kyoto, Jepang

Waktu Pelaksanaan 17 – 21 Desember 2016

- Draft makalah

- Sudah dikirim

- Sedang direview

- Sudah dilaksanakan

2 Jika masih ada buku ke-2 dan seterusnya, mohon dituliskan pada lembar tambahan

4. SEBAGAI PEMBICARA KUNCI (KEYNOTE SPEAKER)

Nasional Internasional

Bukti undangan dari Panitia

Judul Makalah

Penulis

Penyelenggara

Tempat Pelaksanaan

Waktu Pelaksanaan

80

- Draft makalah

- Sudah dikirim

- Sedang direview

- Sudah dilaksanakan

Jika masih ada buku ke-2 dan seterusnya, mohon dituliskan pada lembar tambahan

5. UNDANGAN SEBAGAI VISITING SCIENTIST PADA PERGURUAN TINGGI

LAIN

Nasional Internasional

Bukti undangan dari Panitia

Perguruan Tinggi

Pengundang

Lama kegiatan

Kegiatan penting yang

dilakukan

Jika masih ada buku ke-2 dan seterusnya, mohon dituliskan pada lembar tambahan

6. CAPAIAN LUARAN LAINNYA

HKI

TEKNOLOGI

TEPAT GUNA

REKAYASA

SOSIAL

JEJARING KERJA

SAMA

81

PENGHARGAAN

PROTOTIPE Prototipe Aplikasi Pengenalan Motif Batik Indonesia

LAINNYA (Tuliskan)

Sistem Basis Data Aplikasi Pengenalan Motif Batik Indonesia

Depok, 28 Oktober 2016

Ketua Peneliti,

(Prof. Dr. Ir. Aniati M. Arymurthy, M. Sc.)

NB.

Lampirkan bukti luaran :

1. Draft artikel,

2. Artikel yang sudah disubmit dengan bukti submitted,

3. Artikel yang sudah published

4. Buku Ajar (Halaman depan, identitas buku dan daftar isi)

5. Draft HKI atau bukti pendaftaran

6. Foto atau gambar produk

LAMPIRAN BUKTI LUARAN

Submitted/In Review Process

Makalah pada International

Journal of Electrical and

Computer Engineering (IJECE)

terindeks Scopus

Bukti Submitted International Journal of Electrical and Computer

Engineering

Texture Fusion for Batik Motif Retrieval System

Ida Nurhaida*, Hong Wei**, Remmy A. M. Zen***, Ruli Manurung***, Aniati M.

Arymurthy*** * Computer Science Faculty, Universitas Mercu Buana

** School of System Engineering, University of Reading

**** Computer Science Faculty, Universitas Indonesia

Article Info ABSTRACT

Article history:

Received Jun 12th, 201x

Revised Aug 20th, 201x

Accepted Aug 26th, 201x

This paper systematically investigates the effect of image texture

features on batik motif retrieval performance. The retrieval process

uses a query motif image to find matching motif images in a database.

In this study, feature fusion of various image texture features such as Gabor, Log-Gabor, Grey Level Co-Occurrence Matrices (GLCM), and

Local Binary Pattern (LBP) features are attempted in motif image

retrieval. With regards to performance evaluation, both individual

features and fused feature sets are applied. Experimental results show that optimal feature fusion outperforms individual features in batik

motif retrieval. Among the individual features tested, Log-Gabor

features provide the best result. The proposed approach is best used in

a scenario where a query image containing multiple basic motif objects is applied to a dataset in which retrieved images also contain multiple

motif objects. The retrieval rate achieves 84.54% for the rank 3

precision when the feature space is fused with Gabor, GLCM and Log-

Gabor features. The investigation also shows that the proposed method does not work well for a retrieval scenario where the query image

contains multiple basic motif objects being applied to a dataset in

which the retrieved images only contain one basic motif object.

Keyword:

Batik

Content Based Image

Retrieval Feature Fusion

Motif

Batik Motif Retrieval

System

Copyright © 2016 Institute of Advanced Engineering and Science.

All rights reserved.

Corresponding Author:

Ida Nurhaida,

Computer Science Faculty,

Universitas Mercu Buana,

Jalan Raya Meruya Selatan no. 1, Kembangan Jakarta Barat, Indonesia 16550.

Email: ida.nurhaida@mercubuana.ac.id

1. INTRODUCTION

Batik is fabric ornamented with figures of a specific natures. Batik is a famous

cultural heritage from Indonesia, originally reserved as an art form for Javanese royalty.

The word batik originates from the Javanese tik and means to dot. Batik is a method of

dyeing designs on cloth by coating the parts that are not to be dyed with removable wax

[1], [2]. The patterns are drawn using a spoon–like tool (canting), stamping block, or brush.

Bees wax (malam) patterns are applied to fabric during an immersion process. The parts

covered in wax resist the dye and remain in the original colour. The wax is removed after

the dyeing process. The ornamentations on a piece of batik arranged so as a total

composition called motif [3]. The waxing and dyeing process can be repeated to create

more motifs and designs.

Batik plays a meaningful role in Indonesia’s cultural heritage. Batik gives

significant contribution to global art as well. The philosophy of batik is related to the

cultural identity of the Indonesian people and the symbolic meanings that express their

creativity and spirituality. While various other countries also have their own varieties of

batik, UNESCO has designated Indonesian batik as a Masterpiece of Oral and Intangible

Heritage of Humanity in 2009. Indonesia’s Batik patterns are classified as geometric

patterns and non-geometric patterns. There are several groups of geometric patterns namely

ceplok, kawung, parang, lereng, and nitik, while variety designs of non-geometric patterns

consist of four classes namely Lung-lungan and Semen, Pagersari, Taplak Meja and

Wayang. Each group have its own variations and distinctive features. Samples of real

images batik motifs from geometric patterns can be seen in Figure 1.

Fig. 1.a. Truntum Sogan of Ceplok

class

Fig. 1.b. Kawung Picis of Kawung

class

Fig. 1.c. Lereng Udan Liris of

Lereng class

Fig. 1.d. Parang Rusak of Parang

class

Fig. 1.e. Nitik Randu of Nitik

class

Figure 1. Batik motif from geometric patterns. Ceplok motif has repetitive geometric ornaments

based on circular shapes, stars, squares, cubes and other geometric lines. Kawung motif

is the oldest known batik pattern. Kawung motif consists of the repetition of circles or

elliptical shapes that that touch or overlap. Lereng motif has diagonal rows of patterns in

between filled with small patterns. Parang motif consists of some parallel lines in

diagonal form filled with small ornaments. Nitik motif is created with small dots and

dashes imitating the original woven fabric. (Reference: Batik Museum Jakarta, Indonesia

and Sakundria Collection).

The craft of batik must be conserved and preserved. To that end, our main goal is

the documentation of batik in a large digital repository system. Batik Motif Retrieval

System (BMRS) will retrieve images which are visually similar to the query image in a

database. BMRS systems perform feature extraction as a preprocessing step. To retrieve

specific batik motifs from this repository, a user can place a query to the system, which

then automatically provides related information. Processing of query image involves

extraction of image features and search in the visual feature space for similar images. The

Top-N most similar batik motif images are retrieved and presented to the user. BMRS

systems perform feature extraction as a preprocessing step. Once obtained, image features

act as inputs to subsequent image analysis tasks as similarity estimation. However, content-

based retrieval systems have limitations between the human representation of an image and

the low level features stored in the database, often called the Semantic Gap [4]–[6]. The

reduction of the semantic gap and how to achieve accurate retrieval results are a challenging

problem in Content Based Image Retrieval (CBIR) systems. The key problem in a batik

motif retrieval system is the nature of object in batik motif, which consists of geometric

ornaments with circle shape like flower or star, ellipse, and series of such objects in the

form of dots and small lines in parallel position. The ornaments are placed in decorative

area with variations in position, scale, and rotation. It is our hypothesis that these features

complement each other in representing the batik motif properties in an image format.

Experimental results have shown that the fusion of features extracted by different methods

increases recognition rate in the batik motif retrieval system.

In this article, we first show that combining multiple texture description methods

significantly improves the performance compared to using the single texture method alone

for Batik Motif Retrieval. The idea is that the theoretical properties of each feature is

examined in order to select the robust and reliable features for fusion. We particularly focus

on discussing and evaluating how the single feature and fusion features perform in the

retrieval of batik motif. Finally, we provide a comprehensive evaluation of both multiple

features and single feature for the task of image retrieval batik motif. This will contribute

towards the development of a digital image repository system of batik motifs for cultural

heritage preservation solutions.

We investigate feature fusion effect on batik motif retrieval performance. The aim

is to obtain the best fusion compositions which have a better result for batik motif

recognition in a retrieval process. Furthermore, we apply feature fusion to enhance the

reliability of batik motif recognition in comparison with a single feature applied approach.

It is our hypothesis that several features, derived from different feature extraction methods,

will complement each other in representing the batik motif properties. There are two

reasons for this. Firstly, the features extracted from several methods will provide

considerable information to represent the image. Secondly, the fusion of features which

extracted from images is more powerful than the single one. If one source input data is

noisy, the system can still rely on the other input data.

2. BACKGROUND AND PRIOR WORK

Hardware technology have developed rapidly since the last decade especially for memory,

storage, and processing speed. The technology has been utilized to store a large scale of

digital images in database. The main problem raised from those situations is how to manage

the database system so that users will be able to find the desired image in a limited time.

The display result must be true and the response time should be as fast as possible. Content

Based Image Retrieval (CBIR) is the most famous method to retrieve image from database.

CBIR is a computer vision application which convey some visual information based on

similarity from a large database [7], [8]. Similarity between images is compared by image

characterization that is obtained from feature extraction process. Initial image retrieval was

based on image labeled manually by keywords for describing each image. The manual label

to images is quite difficult. In addition, image contents may be influenced by the ambiguity

for different people with different perceptions. People may use the same word for different

meanings in different context, or use different words for similar or even the same concepts.

CBIR aims to diminish the usage of textual description and to find the most related image

in an automatic way. Images will be retrieved upon the visual content within an image such

as color, texture, and shape [9]–[11]. Texture features characterize the intensity variations

that typically originate from roughness of object surfaces [12]. The spatial distribution of

pixels employs features extracted from first and second order histogram. The resulted

process will be used to build texture modeling as two dimensional gray level [13]. Shape

features are extracted from image to represent certain object. Segmentation process and

edge detection are usually used for determined the typical shape. These attributes or

features are then used for representing and matching images without the use of any text

keywords [4].

This paper builds on earlier work [14] in which a comparison was conducted based

on a single texture feature in the domain of a batik image database. It studied batik motif

identification in comparing with other labeled batik motif in the database. The highest

performance of classification accuracy achieved nearly 80% using Grey Level Co-

occurrence Matrix features. Shape similarity and texture characteristics have also been

employed for batik image retrieval [15]. This research utilized edge detection and shape

invariant moment as a feature. A thresholding approach is used to retrieve the images based

on the value of the highest grade representation on each image query. The best performance

achieved a precision and recall of 70% and 75% respectively. In another study of batik

image retrieval, similar values of 74% and 89% were obtained [16]. This study applied

edge feature orientation combined with micro structure descriptor for enhancing retrieval

performance. Rangkuti, et al [17] reported using Canny edge detection to an input image,

wavelets as texture features and invariant moment as shape features method. The

performance results achieved optimal precision of average 90% - 92%.

In this paper, we conduct systematical analysis to investigate the influence of

image texture feature fusion to the performance on a batik motif retrieval system. The paper

is organized as follows. In Section 4, the algorithm of feature extraction methods, fusion

method, and similarity distance are elaborated. In Section 5, the performance of feature

fusion using similarity distance is tested and compared in a series of experiments. Finally,

the result of CBIR experiments are discussed in Section 6 and conclusions are given in

Section 7.

3. METHODOLOGIES

3.1. Feature Extraction Methods and Performance Evaluation

In this paper, we use various texture features, i.e. Gabor filters, log Gabor filters,

Grey Level Co-occurrence Matrices, and Local Binary Patterns; and analyze their

combination in batik motif image retrieval applications. The spatial locality, orientation

selectivity, and frequency are captured as the main characteristics for representation of

salient visual properties [18], [19].

3.1.1. Gabor Filter

Gabor filters are used to model the spatial summation properties of simple cell in the visual

cortex [12], [20]. Filtering operation is conducted by image convolution of an original

image with a Gabor filter to generate a new image. The number of new images are

correlated to the number of filters used. A 2D Gaussian envelop is modulated a 2D Gabor

filter in complex sinusoidal wave. The 2D Gabor filters can be categorized into two

components: a real part as symmetric component and an imaginary part as the asymmetric

component. The 2D Gabor function can be mathematically formulated as [20]:

𝐺(𝑥, 𝑦, 𝑓, 𝜃) = 𝑓2

𝜋𝛾𝜂 𝑒

−(𝑓2

𝛾2𝑥′2+𝑓2

𝜂2𝑦′2)𝑒𝑖2𝜋𝑓𝑥′

(1)

where :

𝑥′ = 𝑥 cos 𝜃 +𝑦 𝑠𝑖𝑛 𝜃

𝑦′ = −𝑥 sin 𝜃 + 𝑦 𝑐𝑜𝑠 𝜃

In equation (1), f is the frequency of sinusoidal wave, represents the anti-clockwise

rotation of the Gaussian envelope and the sinusoid, denotes the smoothing parameters of

the Gaussian envelope, and 𝜂 indicates the orthogonal to the direction of the wave,

respectively.

The total number of frequencies 𝑛𝑓 and the total number of orientations 𝑛𝑜 of the

Gabor filters are determined to design Gabor filter bank. The combination of frequency and

orientation generates the Gabor filter bank (Mirmehdi, Xie, and Suri 2008). Research by

Clausi [20] selected highest frequency 𝑓𝑚 = √2/4, four number of frequency 𝑛𝑓 (22.63,

11.31, 5.66, and 2.83 pixel per cycle) and six orientations 𝑛𝑜 (00, 300, 600, 900, 1200, and

1500) to filter each test image. These filters are purposed to well-localized measure of the

local information.

3.1.2. Grey Level Co-occurrence Matrices

Grey Level Co-occurrence Matrix (GLCM) is a common method used for

analyzing image textures (Mirmehdi, Xie, and Suri 2008). The basic idea from this method

is to extract homogeneous characteristics from image textures [8]. The second order

statistics are accumulated into a set of 2D matrices, 𝑃(𝑖, 𝑗|𝑑), each of which measures the

spatial dependency of two gray levels, i and j, given a displacement vector = (𝑑, 𝜃) =

(𝑑𝑥, 𝑑𝑦) (Mirmehdi, Xie, and Suri 2008). The number of occurrences (frequencies) of i

and j, separated by distance d, contributes the (i,j) entry in the co-occurrence matrix

𝑃(𝑖, 𝑗|𝑑). A co-occurrence matrix is given as:

𝑃(𝑖, 𝑗|𝑑) = ‖{((𝑥1,𝑦1), (𝑥2, 𝑦2)) : Ι(𝑥1, 𝑦1) = 𝑖, Ι(𝑥2, 𝑦2) = 𝑗}‖

(𝑥1, 𝑦1), (𝑥2, 𝑦2)𝜖 𝑤×ℎ, (𝑥2, 𝑦2) = (𝑥1 ± 𝑑𝑥, 𝑦1 ± 𝑑𝑦) (2)

Where:

𝑃(𝑖, 𝑗|𝑑) = Number of occurrences of the pair of grey levels i and j

(𝑥1,𝑦1) and (𝑥2,𝑦2) = coordinates of pixels in two position

= displacement vector

𝑑 = distance

𝜃 = orientation

‖. ‖ = Cardinality of a set

Texture features, such as homogeneity, energy, entropy, contrast, and correlation,

are then derived from the co-occurrence matrix.

• Contrast :

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑ (𝑃𝑖,𝑗)(𝑖 − 𝑗)2𝑘𝑗=1

𝑘𝑖=1 (3)

Where:

k = the number of rows or columns

The probability of two pixels 𝑃(𝑖, 𝑗) indicated the separation of two pixels

with different grey level i and j [6]. Contrast measures local intensity of

invariance.

• Homogeneity or Angular Second Moment (ASM) :

𝐴𝑆𝑀 = ∑ ∑ (𝑃𝑖,𝑗)2𝑘

𝑗=1𝑘𝑖=1 (4)

The homogeneity of an image is measured by using Angular Second

Moment. The sum of squares will be high if homogeneous scene contains

only a few gray levels but relatively high values of 𝑃(𝑖, 𝑗).

• Inverse Difference Moment (IDM) :

𝐼𝐷𝑀 = ∑ ∑1

1+(𝑖−𝑗)2𝑘𝑗=1

𝑘𝑖=1 𝑃(𝑖, 𝑗) (5)

The homogeneity of the image affected the IDM’s value. IDM value will be

low if the image is not homogeny. Otherwise, for homogeneous image, the

IDM value is high.

Correlation

Correlation is a measure of gray level linear dependence between the pixels

at the specified positions relative to each other.

𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ ∑ 𝑃(𝑖,𝑗)(𝑖−𝜇𝑖)(𝑗−𝜇𝑗)

𝜎𝑖𝜎𝑗

𝑘𝑗=1

𝑘𝑖=1 (6)

Where 𝜇𝑥 and 𝜇𝑦 are mean value of row i and column j and 𝜎𝑥 and 𝜎𝑦 are

standard deviation of row i and column j.

3.1.3. Log Gabor Filter

Field proposed Log-Gabor filters as a modification to the basic Gabor

function [22] (Field 1987). The singularity of the log function Log Gabor filters

basically are defined in the frequency domain as Gaussian functions that shift from

the origin [23]. Gabor filters present a limitation in the bandwidth where only

bandwidth of 1 octave maximum could be designed [24]–[26]. Log Gabor consists

of a logarithmic transformation in the Gabor domain which eliminates the DC-

component allocated in medium and high-pass filters. The frequency response is a

Gaussian on a log frequency axis. The comparison between Gabor and Log Gabor

functions can be seen in Figure 2.

Fig. 2.a. Gabor function Fig. 2.b. Log Gabor function

Figure. 2. Comparison of Gabor and Log Gabor functions [22]

The frequency response of Log Gabor filter can be defined as :

𝐺(𝑓) = exp (− [𝑙𝑜𝑔 (𝑓

𝑓0)]

2

/2 [𝑙𝑜𝑔 (𝜎

𝑓0)]

2) (7)

Where 𝑓0 is a center frequency of a filter and 𝜎 is a scaling factor of a radian

bandwidth [22].

3.1.4. Local Binary Pattern (LBP)

The Local Binary Pattern (LBP) operator utilizes the center value as a

reference in a 3×3 pixel neighborhood [27]. The threshold value is from the center

pixel while the pixel value of a neighbor is marked as “0” when it is below the

threshold, and “1” otherwise. A binary number is formed to characterize the local

texture (see Figure 3). Then, subtracting the average grey levels below the center

pixel from the grey level above or equal to the center pixel will result in Contrast

(C).

Fig. 3. a. Example Fig. 3.b. Thresholder Fig.3.c.Weights Fig.3.d. LBP

Calculation

Figure 3. An example of Local Binary Pattern calculation

A binary number is represented as follow:

𝐿𝐵𝑃𝑅,𝑁(𝑥, 𝑦) = ∑ 𝑠(𝑛𝑖 − 𝑛𝑐)2𝑖 , 𝑠(𝑥) = {

1,0 𝑁−1

𝑖=0𝑥 ≥ 0,

𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 (8)

Where:

𝑛𝑐 = the gray level of the center pixel of a local neighborhood

𝑛𝑖 = the gray levels of N evenly spaced pixels on a circle of radius R.

3.2. Feature Fusion

Feature fusion integrates information from all available features into a

unified representation [28]. Data fusion can be conducted at three distinct levels,

i.e. feature level fusion, matching/score level, and decision level [29]. Feature level

fusion is performed by concatenating the features resulting from feature extraction

process. It is more complicated since a set of features probably have different

dimension. However, feature level fusion has been considered preferable because

fused features may contain additional distinct information to individual features.

On the other hand, it is possible to select features for eliminating redundant

information from a feature set.

Implementation for fusion at matching/score level is most frequently used

compared to feature fusion in the lower level. Fusion at decision level gathers

information after a decision is taken by a matcher based on its delivered input [30].

The final decision is made by a majority vote scheme, behavior knowledge space,

weighted voting, and AND rule and OR rule. Fusion at the higher level may

decrease the recognition performance since some information will be lost in the

course of fusion process.

3.3. Feature Matching

Feature matching is a fundamental problem in computer vision, and plays a

critical role in many tasks such as object recognition and localization [31]. A

similarity measure for content-based retrieval should be efficient enough to match

similar images as well as being able to discriminate dissimilar ones [6]. Feature

vectors usually exist in a very high-dimensional space. The problem of matching

can be defined as establishing a mapping between features in one image and similar

features in another image. Similarity measure on this research was conducted using

a Euclidian distance function. The Euclidean distance is a distance function most

widely used to measure the distance of two vectors. If the two vectors are vectors

A and B, where:

𝐴 =

[ 𝑎1

𝑎2

𝑎3

⋮𝑎𝑛]

𝑎𝑛𝑑 𝐵 =

[ 𝑏1

𝑏2

𝑏3

⋮𝑏𝑛]

(9)

The Euclidian Distance is defined as:

𝐸𝑢𝑐𝑙𝑖𝑑𝑖𝑎𝑛 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = √∑ (𝑎𝑖 − 𝑏𝑖)2𝑛𝑖=1 (10)

3.4. Performance Evaluation

Precision and Recall are two indicators of the correctness retrieval result [9],

[11]. Recall means a ratio between the number of correctly retrieved image by the

system and the number of all images in the database which have the same class with

the query. In other words, recall describes the system’s capability to retrieve

relevant images, whereas precision is the number of relevant images found

compared to the number of all images found in a query process. Precision depicts

the ability of the system to reject irrelevant image. Perfect precision score of 1.0

means that every result retrieved by a search was relevant whereas a perfect recall

score of 1.0 means that all relevant images were retrieved by the search. Recall and

precision are inversely related and can be defined as:

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑜𝑟𝑟𝑒𝑐𝑡 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒𝑑 𝑖𝑚𝑎𝑔𝑒𝑠

𝑡𝑜𝑡𝑎𝑙 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒𝑑 𝑖𝑚𝑎𝑔𝑒𝑠

𝑅𝑒𝑐𝑎𝑙𝑙 =𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑐𝑜𝑟𝑟𝑒𝑐𝑡 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒𝑑 𝑖𝑚𝑎𝑔𝑒𝑠

𝑡ℎ𝑒 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑖𝑚𝑎𝑔𝑒𝑠 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑡𝑖𝑣𝑒 𝑜𝑓 𝑡ℎ𝑒 𝑞𝑢𝑒𝑟𝑦

4. EXPERIMENT

4.1. Data set Preparation

The dataset consists of 210 templates (150 x 150 pixels) motifs of batik

images from 5 classes of geometric pattern. The images were firstly grouped into 5

classes based on the nature batik motifs. The 5 classes are ceplok, kawung, lereng,

nitik, and parang. These templates were cropped into primitive patterns. The query

dataset is generated from each template based on translation, scale and rotation. The

total number of generating query images is 3,165 in JPG format and they have a

size of 450 x 450 pixels. The query images are generated based on the relevant

template with variation of translation, scale, and rotation. There is a number of

templates in each query image ranging from 1 to 9 objects. Examples are shown in

Figure 4.

4.2. Experimental Design

In this research, we use Gabor filter, GLCM, Log Gabor filter, and Local

Binary Pattern as texture features. For the Gabor filter bank, we choose 6 values of

orientation: 00, 300, 600, 900, 1200, and 1500 and 4 frequencies are selected: 22.63,

11.31, 5.66, and 2.83 following [10], [20]. GLCM was computed over distance d =

1 and 4 directions (00, 450, 900, and 1350). For Log Gabor, following [22], we

choose four numbers of wavelet scales and six numbers of filter orientations. Local

Binary Pattern (LBP) features are extracted using invariant parameter set to 1 which

means every LBP label is computed using the minimal chain by rotating

neighboring pixels. It should be noted that we use the same parameter used by [14]

Fig. 4.a. Template

image 002-

CPK003-

Blibar11.png with

scale 1.0.

Fig. 4.b. Query image with

3 objects, scale 0.5 and

rotation 0 degree with

random position

Fig. 4.c. Query data with 9

objects, scale 0.5 and rotation

0 degree with regular pattern

Fig. 4. Experiment dataset generated from template image.

for GLCM and Gabor feature extraction. The purpose is to compare our results with

previous work. [14] discovered that using single GLCM feature with raw image

input gave the best accuracy for batik motif classification. However, we will use

the feature for our Batik Motif retrieval system task.

The proposed method consists of feature extraction process, data

normalization, fusion at feature level, and the measurement of similarity matching

between query images against images in the database. In order to get the best

retrieval result, the two types of dataset used as a query are explained below:

Dataset 1 : Image dataset which contained one basic motif object template

from a particular class.

Dataset 2 : Image dataset which contained multiple objects.

In this research we attempt three scenarios as follows:

Scenario 1 : One image containing one object is selected as a query image, while

the rest images in dataset 1 are used as template images.

Scenario 2 : One image containing multiple objects is selected from the dataset 2,

while the images in dataset 1 are used as template images.

Scenario 3 : One image containing multiple objects is selected from the dataset 2,

while the rest image in dataset 2 will are as template images.

Where:

Template images : images in database

Query images : images referring to user’s task of searching for batik motif

objects that are relevant to a query within images in

database

Each image in a dataset is used as a query image and template image alternately.

The purpose of these scenarios is to find out whether the feature fusion will improve

retrieval rate if the number of motif objects is added to template and query data

incrementally. Furthermore, we investigate whether the system can discover the

primitive motif that is contained in query image against template dataset. We first

represent the images in the grey scale and then employ the feature extraction

methods to gain the feature vector for each image. In particular, the image

retrieval process is based on fusion process which utilized features

resulted from feature extraction processes respectively. The feature

vector is achieved as follows:

𝐹 = {𝑓𝑚1, 𝑓𝑚2,, 𝑓𝑚3

, 𝑓𝑚4}

= {{𝑓1,1, 𝑓1,2, … , 𝑓1,𝑛}, {𝑓2,1, 𝑓2,2, … , 𝑓2,𝑛}, {𝑓3,1, 𝑓3,2, … , 𝑓3,𝑛}, {𝑓4,1, 𝑓4,2, … , 𝑓4,𝑛} }

Where:

𝑓𝑚 = feature vector resulted from each feature extraction method

Each type of features represents some image characteristic, so that the fusion

process will integrate image characteristics to fulfill image retrieval. Specifically,

the feature vector is represented as a single vector. Therefore, we apply the

normalization process which transforms all features into a comparable range of

values. In other words, this normalization process changes the range of pixel

intensity values between [0 – 1]. The query dataset and template dataset from the

databases are used by the system to obtain the best 1, 3, 5, 7, 42 and 632 matched

images ordered by their similarity, i.e. Euclidean distance. The Top-42 and Top-

632 are the average number of template images and query images which distributed

in each class consecutively. The aim is to achieve the best performance of the

system that can retrieve up to those numbers of images. The framework of feature

extraction fusion is shown in Figure 5.

The similarity calculation of a single feature vector is as follows:

1) Calculate the average value of the feature vector 𝜇𝑓𝑚and variance 𝜎𝑓𝑚.

2) Calculate Euclidian distance 𝐷𝑖𝑠𝑡(𝑖, 𝑗) where (i≠j) between query image and

template images in database

𝐷𝑖𝑠𝑡(𝑖, 𝑗) = √∑(𝑟𝑖𝑘 − 𝑟𝑗𝑘)2

𝑚

𝑘=1

Where:

r = corresponding descriptor of feature 𝑓𝑚

Query Image

Template

Feature

Database

Query

Image

Feature Extraction

Gabor/

GLCM/ Log Gabor/

Local Binary

Pattern

Feature

Database

Template Display Result

Normalization

Similarity Matching

Fusion Feature

Gabor/Log Gabor/

GLCM/LBP

Fusion at Feature

Extraction Level

Fusion Feature

Gabor/Log Gabor/

GLCM/LBP

Fusion at Feature

Extraction Level

Feature Extraction

Gabor/

GLCM/

Log Gabor/ Local Binary

Pattern

Normalization

Template image

Fig. 5. Framework of feature extraction fusion for Batik Motif Retrieval System

3) For given query image q, calculate Euclidian distance with all image in template

database

Dist(1,q), Dist(2,q), Dist(3,q), … Dist(mtotal,q)

Where:

mtotal = total template images in database

The performance of successful retrieval image is evaluated by the two measures,

precision and recall.

5. RESULT AND ANALYSIS

Table 1 compares the precision and recall results obtained from the system

on top-N similar images from each class. Based on the experimental results using

scenario 1, all single-feature and feature fusion methods are able to retrieve the

same image from the image database. The fusion of Gabor, GLCM, LBP, and Log

Gabor features gained the highest retrieval performance for the top 3 retrieval

images, whereas the fusion of Gabor, Log Gabor, and GLCM features achieves the

highest value for the top 5, 7, and 42. The best precision is 73.93% for the top 3 and

the best recall is 32.53% for top 42. The best precision and recall using a single

feature is obtained using Log Gabor feature with precision of 72.83% for the top 3

and recall of 31.88% for the top 42. From Figure 6, it is apparent that the first rank

of the retrieved images from the template database is exactly the same image as a

query image.

Figure 6. The retrieved images at top 5 based on 1 motif template as a query

image against to template images in database (scenario 1)

Table 1. Precision and recall of the batik motif retrieval system for template to template

scenario 1

Feature Extraction Method TOP

1 3 5 7 42

Prec Rec Prec Rec Prec Rec Prec Rec Prec Rec

Gabor 100% 2.37% 69.98% 4.53% 59.05% 6.02% 54.16% 7.48% 35.47% 26.23%

GLCM 100% 2.37% 58.61% 3.90% 48.91% 5.21% 44.41% 6.41% 34.04% 26.62%

LBP 100% 2.37% 57.50% 3.55% 48.34% 4.86% 42.99% 5.82% 31.79% 22.86%

Log-Gabor 100% 2.37% 72.83% 4.50% 63.51% 6.33% 58.90% 7.94% 43.55% 31.88%

Gabor GLCM 100% 2.37% 65.56% 4.30% 55.45% 5.84% 50.64% 7.24% 36.40% 28.15%

Gabor LBP 100% 2.37% 64.61% 4.16% 55.17% 5.64% 50.85% 7.01% 35.14% 26.11%

Gabor Log-Gabor 100% 2.37% 72.83% 4.52% 64.27% 6.45% 59.38% 8.09% 44.01% 32.48%

GLCM LBP 100% 2.37% 60.66% 3.99% 52.23% 5.41% 47.12% 6.63% 34.18% 26.21%

GLCM Log-Gabor 100% 2.37% 72.99% 4.53% 63.41% 6.36% 58.36% 7.97% 43.42% 32.19%

LBP Log-Gabor 100% 2.37% 73.46% 4.51% 63.89% 6.30% 59.44% 8.04% 43.75% 31.98%

Gabor GLCM LBP 100% 2.37% 66.35% 4.33% 55.55% 5.78% 50.98% 7.29% 36.77% 28.23%

Gabor GLCM Log-Gabor 100% 2.37% 73.14% 4.57% 63.60% 6.42% 58.97% 8.07% 43.55% 32.47%

Gabor LBP Log-Gabor 100% 2.37% 73.14% 4.57% 64.93% 6.49% 60.19% 8.21% 44.18% 32.53%

GLCM LBP Log-Gabor 100% 2.37% 73.46% 4.56% 63.60% 6.37% 58.90% 8.08% 43.47% 32.08%

Gabor GLCM LBP Log-Gabor 100% 2.37% 73.93% 4.61% 63.98% 6.46% 59.24% 8.14% 43.73% 32.48%

As seen in Table 2, the feature fusion performance outperforms single-feature

performance. Feature fusion from GLCM and Log Gabor achieves the best precision of

54.68%, 46.15%, 43.71% for top 1, 3, and 5, respectively. However, retrieval of image for

the top 42 obtains from feature fusion of LBP and Log Gabor at 36.40%. Furthermore,

Table 2. Precision and recall of the batik motif retrieval system for query to template scenario 2

Feature Extraction Method TOP

1 3 5 7 42

Prec Rec Prec Rec Prec Rec Prec Rec Prec Rec

Gabor 29.84% 0.61% 29.33% 1.81% 29.25% 2.96% 29.28% 4.12% 28.95% 21.93%

GLCM 32.59% 0.61% 31.46% 1.78% 31.19% 2.96% 30.37% 4.07% 28.91% 22.39%

LBP 18.43% 0.45% 15.00% 1.38% 21.80% 2.32% 27.08% 3.25% 30.56% 19.91%

Log-Gabor 53.51% 1.15% 46.04% 2.76% 43.45% 4.25% 41.57% 5.55% 36.08% 25.24%

Gabor GLCM 32.24% 0.65% 31.23% 1.99% 30.42% 3.18% 29.96% 4.43% 28.62% 23.17%

Gabor LBP 20.13% 0.51% 30.01% 1.56% 33.12% 2.57% 33.61% 3.56% 32.87% 20.73%

Gabor Log-Gabor 52.15% 1.14% 44.99% 2.76% 42.49% 4.24% 40.85% 5.52% 35.81% 25.49%

GLCM LBP 31.45% 0.59% 33.02% 1.69% 34.06% 2.75% 32.27% 3.76% 30.25% 20.65%

GLCM Log-Gabor 54.68% 1.18% 46.15% 2.80% 43.71% 4.32% 41.27% 5.61% 35.79% 25.33%

LBP Log-Gabor 48.96% 0.95% 44.23% 2.44% 42.66% 3.87% 41.56% 5.15% 36.40% 24.90%

Gabor GLCM LBP 29.90% 0.61% 32.80% 1.77% 33.40% 2.86% 33.46% 3.89% 32.32% 21.62%

Gabor GLCM Log-Gabor 53.41% 1.17% 45.15% 2.77% 42.54% 4.31% 40.62% 5.60% 35.64% 25.58%

Gabor LBP Log-Gabor 48.70% 0.93% 44.58% 2.47% 42.84% 3.92% 41.58% 5.15% 36.22% 25.08%

GLCM LBP Log-Gabor 51.14% 1.00% 45.00% 2.55% 43.02% 3.95% 41.11% 5.18% 36.18% 24.92%

Gabor GLCM LBP Log-Gabor 49.94% 0.99% 45.11% 2.55% 42.52% 3.96% 41.26% 5.24% 36.12% 25.13%

retrieval rate from feature fusion outperforms the best single feature performance from Log

Gabor feature which shows precision at 53.61%, 46.04%, 43.45%, and 36.08% for top

1, 3, 5, and 42, respectively. In this scenario, the results of recall are significantly lower

than recall values from scenario 1. It is due to insufficient information located in template

dataset compared to the greater numbers of motif contained in the query image dataset. It

means the query images have more complicated characteristic. Therefore, it is hard to find

the relevant image in the template database. The retrieved images based on scenario 2 is

shown in Figure 7.

Figure 7. The retrieved images based on query image at top 5 that contained more than 1 motif as a

query image against to template images in database (scenario 2).

Table 3 illustrates some characteristics of image retrieval results from the

system for scenario 3. A positive correlation was found between an increase in the

number of motifs in query images and template image in precision. Furthermore, it

can be seen from Table 3 that feature fusion outperforms single features for

precision at 3, 5, and 7. The best precision is 84.36% achieved from feature fusion

of Gabor, GLCM, and Log Gabor for top 3; while the single feature achieves 83.28%

from Log Gabor as the best. Meanwhile, recall gets 0.38%, 0.56%, 0.71%, and

23.88% for top 3, 5, 7, and 632 consecutively. These results are likely to be related

to adequate information found in both query image and image in database to find

the similar image. The retrieved images based on scenario 3 can be seen in Figure

8.

Table 3. Precision and recall of the batik motif retrieval system for query to query (scenario 3)

Feature Extraction Method TOP

1 3 5 7 632 (rata2)

Prec Rec Prec Rec Prec Rec Prec Rec Prec Rec

Gabor 100% 2.37% 74.94% 0.33% 64.67% 0.46% 59.02% 0.58% 30.38% 21.36%

GLCM 100% 2.37% 67.80% 0.30% 58.09% 0.41% 51.87% 0.50% 29.73% 21.44%

LBP 100% 2.37% 59.06% 0.25% 48.93% 0.33% 44.51% 0.41% 28.83% 19.99%

Log-Gabor 100% 2.37% 83.28% 0.38% 75.34% 0.55% 69.56% 0.69% 35.36% 23.79%

Gabor GLCM 100% 2.37% 75.00% 0.34% 64.85% 0.47% 58.38% 0.58% 30.20% 21.92%

Gabor LBP 100% 2.37% 70.66% 0.31% 59.72% 0.41% 54.20% 0.51% 29.68% 20.83%

Gabor Log-Gabor 100% 2.37% 83.87% 0.38% 75.80% 0.56% 70.07% 0.70% 35.30% 23.88%

GLCM LBP 100% 2.37% 64.36% 0.28% 54.00% 0.38% 48.98% 0.47% 29.14% 21.02%

GLCM Log-Gabor 100% 2.37% 83.90% 0.38% 76.00% 0.55% 70.33% 0.69% 35.20% 23.82%

LBP Log-Gabor 100% 2.37% 82.49% 0.37% 73.84% 0.53% 68.21% 0.67% 34.05% 23.20%

Gabor GLCM LBP 100% 2.37% 69.90% 0.31% 59.06% 0.42% 53.81% 0.52% 29.44% 21.29%

Gabor GLCM Log-Gabor 100% 2.37% 84.36% 0.38% 76.16% 0.56% 70.81% 0.70% 35.07% 23.88%

Gabor LBP Log-Gabor 100% 2.37% 83.07% 0.37% 74.75% 0.54% 68.94% 0.68% 34.07% 23.29%

GLCM LBP Log-Gabor 100% 2.37% 82.99% 0.37% 74.94% 0.54% 69.17% 0.68% 33.85% 23.22%

Gabor GLCM LBP Log-

Gabor

100% 2.37% 83.54% 0.38% 75.43% 0.55% 69.67% 0.69% 33.82% 23.29%

Figure 8. The retrieved images based on query image at top 5 that contained more than 1 motifs

against to query images in image database (scenario 3).

Based on the result above, we can see that in all of experiments our method

by fusing several texture feature gave better performance than single feature GLCM

used in previous work [14]. The comparison and the difference between our work

and previous work can be seen in Table 4. We sample the best Top-3 results from

Table 4. Precision and recall comparison for each scenario (Top-3)

Our work Prev. Work [14] Differences

Prec Recall Prec Recall Prec Recall

Scenario 1 73.93% 4.61% 58.61% 3.90% 15.32% 0.71%

Scenario 2 46.15% 2.80% 31.46% 1.78% 14.69% 1.02%

Scenario 3 84.36% 0.38% 76.16% 0.30% 8.20% 0.08%

each experiments and compare it with previous work. Overall, our method improve

the previous work result by 15.32%, 14.69%, and 8.20% for scenario 1, 2, and 3

(Top-3) respectively.

Batik motifs have complex behavior like natural images. Our datasets

contain similarity patterns, periodical motifs and random features within images

where motifs look like unstructured noise (see Figure 9). The fusion process

integrates the nature of each feature to increase the retrieval rate. The most

significant finding is that Log Gabor features outperformed other methods, not only

as a single feature, but also as part of feature fusion. Gabor filters are able to

Fig. 9.a. Nitik Sekar Rumpuk

Fig. 9.b. Parang Curiga

Figure 9. The geometric patterns are recognizable due to the symmetry and repetition in

horizontal, vertical, and diagonal directions that form angles between shapes.

Nitik motif has classified into geometric design which created with small dots

and dashes imitating the original woven fabric. Parang Curiga motif takes the

form of a gently curved design in a powerful rhythm.

texture information in low and medium frequencies but the filters become

inconsistent in measurement for the high frequency information [20], thus

becoming more sensitive to noise. The high frequency filter has larger spatial-

frequency bandwidth which covers relatively more energy from the noise that is

evenly distributed in the spatial domain. This distortion may cause poor accuracy

for pattern retrieval. Log Gabor can cover a large frequency space while still

maintaining a zero DC component in the even symmetric filter [11]. Log Gabor

filter is preferred if the bandwidth increases with high frequency. The information

will be equally spread by Log Gabor across the scale. GLCM is not as sensitive to

noise as Gabor Filter. However, GLCM is not proper for estimating lower

frequency features (Clausi and Deng 2005). The fusion of low and medium

frequency Gabor filter features, Log Gabor features and high frequency from

GLCM features is the best combination to generate an improved feature set.

Conversely, Local Binary Patterns have the lowest performance in the case

of Batik Motif Retrieval. The LBP depicts texture image from small symmetric

neighborhoods using local structure. Thus, it may not capture key texture

characteristics. The binary information will be preserved while the local intensity

difference is ignored. A larger region size will result in a decreased recognition rate

because of the loss of spatial information. The pairs of neighbors are compared only

if their connecting lines pass through the center pixel. LBP may not cover for the

multi-resolution technique since the correlation of patterns under different scales is

also discarded.

6. CONCLUSION

A systematic investigation was conducted into the impact of image texture features

on a batik motif retrieval system. Feature fusion was attempted to improve the

retrieval rate. A large amount of experimental work has been carried out. The

following conclusions can be drawn:

• If only using an individual feature, log-Gabor should be considered since it

provides a relatively high retrieval rate.

• Feature fusion can significantly improve the retrieval rate when combining log-

Gabor, GLCM, and Gabor features in the feature space.

• LBP shows less contribution to batik motif retrieval.

• The proposed approach is best used in the scenario where a query image

containing multiple basic motif objects is applied to a dataset in which retrieved

images also contain multiple motif objects.

• The proposed method does not work well for a retrieval scenario where the

query image contains multiple basic motif objects being applied to a dataset in

which the retrieved images only contain one basic motif object.

• The proposed method also works for a scenario where the query image contains

only one basic motif object and the retrieved images are also contain one motif

object.

It is important to fuse features that complement information naturally in the feature

space. In this study, the careful selection of log-Gabor features, GLCM, and Gabor

features gives a full cover of spatial frequency spectrum for batik motif retrieval.

REFERENCES

[1] S. S. Samsi, Techniques, Motifs, Patterns Batik Yogya and Solo. Titian

Foundation, 2011.

[2] H. S. Doellah, Batik : The Impact of Time and Environment. Danar Hadi

Solo, 2003.

[3] J. Achjadi, The Glory of Batik: The Danar Hadi Collection, 1st ed. Central

Java: PT. Batik Danar Hadi, 2011.

[4] A. K. Jain, J.-E. Lee, J. Rong, and N. Gregg, “CONTENT-BASED IMAGE

RETRIEVAL : AN APPLICATION TO TATTOO IMAGES,” in ICIP’09

Proceedings of the 16th IEEE international conference on Image processing,

2009, no. Fig 1, pp. 2745–2748.

[5] M. S. Lew, “Content-based Multimedia Information Retrieval : State of the

Art and Challenges,” ACM Trans. Multimed. Comput. Commun. Appl., 2006.

[6] S. Aksoy and R. M. Haralick, “A Classification Framework for Content-

Based Image Retrieval,” in International Conference on Pattern Recognition

- ICPR Vol. 2, Seattle, 2002, pp. 503–506.

[7] N. Gupta, “A New Approach for CBIR Feedback based Image Classifier,”

Int. J. Comput. Appl., vol. 14, no. 4, pp. 14–18, 2011.

[8] R. M. Haralick, K. Shanmugam, and I. Dinstein, “Textural Features for

Image Classification,” IEEE Trans. Syst. Man. Cybern., vol. 3, no. 6, pp.

610–621, Nov. 1973.

[9] D. Hou, X. Wang, and J. Liu, “A Content-Based Retrieval Algorithm for

Document Image Database,” in 2010 International Conference on

Multimedia Technology, 2010, pp. 1–5.

[10] D. A. Clausi and M. E. Jernigan, “Designing Gabor Filters for optimal

texture separability,” Pattern Recognit. J., vol. 33, pp. 1835–1849, 2000.

[11] R. Hu and J. Collomosse, “A performance evaluation of gradient field HOG

descriptor for sketch based image retrieval,” Comput. Vis. Image Underst.,

Feb. 2013.

[12] M. Mirmehdi, X. Xie, and J. Suri, Handbook of Texture Analysis. London:

World Scientific Publishing, 2008.

[13] X. Xie, Q. Bai, L. Hou, and X. Wu, “Study and application of semantic-based

image retrieval,” J. China Univ. Posts Telecommun., vol. 20, no. December,

pp. 136–142, Dec. 2013.

[14] I. Nurhaida, M. Manurung, and A. M. Arymurthi, “Performance Comparison

Analysis Features Extraction Methods for Batik Recognition,” in

International Conference on Advanced Computer Science and Information

Systems, Depok, 2012.

[15] A. H. Rangkuti, R. B. Bahaweres, and A. Harjoko, “Batik Image Retrieval

Based on Similarity of Shape and Texture Characteristics,” in International

Conference on Advanced Computer Science and Information Systems,

Depok, 2012, pp. 978–979.

[16] A. E. Minarno, Y. Munarko, F. Bimantoro, A. Kurniawardhani, and N.

Suciati, “Batik image retrieval based on enhanced micro-structure

descriptor,” 2014 Asia-Pacific Conf. Comput. Aided Syst. Eng. (APCASE),

Bali, vol. 1, no. c, pp. 65–70, Feb. 2014.

[17] H. Rangkuti, A. Harjoko, and A. E. Putro, “Content Based Batik Image

Retrieval,” J. Comput. Sci., vol. 10, no. 6, pp. 925–934, Jun. 2014.

[18] M. Bartels and H. Wei, “Unsupervised Segmentation Using Gabor Wavelets

and Statistical Features in LIDAR Data Analysis,” in 18th International

Conference on Pattern Recognition (ICPR’06), 2006, pp. 667–670.

[19] A. K. Jain and F. Farrokhnia, “Unsupervised Texture Segmentation Using

Gabor Filters,” in IEEE International Conference onSystems, Man and

Cybernetics, 1990, vol. 000, pp. 14–19.

[20] D. A. Clausi and H. Deng, “Design-Based Texture Feature Fusion Using

Gabor Filters and Co-Occurrence Probabilities,” Image Process. IEEE

Trans., vol. 14, no. 7, pp. 925–936, 2005.

[21] M. Mirmehdi, X. Xie, and J. Suri, Handbook of Texture Analysis. London:

Imperial College Press, 2008.

[22] D. J. Field, “Relations between the statistics of natural images and the

response properties of cortical cells,” J. Opt. Soc. Am. A Opt. Image Sci., vol.

4, no. 12, 1987.

[23] R. Nava, B. Escalante-ram, and G. Crist, “Texture Image Retrieval Based on

Log-Gabor Features,” in CIARP, 2012, pp. 414–421.

[24] S. M. Lajevardi and M. Lech, “Facial Expression Recognition Using Neural

Networks and Log-Gabor Filters,” 2008 Digit. Image Comput. Tech. Appl.,

pp. 77–83, 2008.

[25] B. Gosselin, “Character Segmentation-by-Recognition Using Log-Gabor

Filters,” in Pattern Recognition 18th International Conference on, 2006, pp.

901 – 904.

[26] R. Nava, B. Escalante-ram, and G. Crist, “A Comparison Study of Gabor and

Log-Gabor Wavelets for Texture Segmentation,” in International

Symposium on Image and Signal Processing and Analysis, 2011, no. Ispa,

pp. 189–194.

[27] M. Pietikäinen, A. Hadid, G. Zhao, and T. Ahonen, Computer Vision Using

Local Binary Patterns, vol. 40. London: Springer London, 2011.

[28] N. Liu, E. Dellandréa, L. Chen, C. Zhu, Y. Zhang, C. E. Bichot, S. Bres, and

B. Tellez, “Multimodal recognition of visual concepts using histograms of

textual concepts and selective weighted late fusion scheme,” Comput. Vis.

Image Underst., vol. 117, no. 5, pp. 493–512, 2013.

[29] Z.-H. Huang, W.-J. Li, J. Wang, and T. Zhang, “Face recognition based on

pixel-level and feature-level fusion of the top-level’s wavelet sub-bands,”

Inf. Fusion, vol. 22, pp. 95–104, Mar. 2015.

[30] A. Jain, K. Nandakumar, and A. Ross, “Score normalization in multimodal

biometric systems ଁ,” J. Pattern Recognit., vol. 38, pp. 2270–2285, 2005.

[31] M. F. Demirci, Y. Osmanlioglu, A. Shokoufandeh, and S. Dickinson,

“Efficient many-to-many feature matching under the l 1 norm,” Comput. Vis.

Image Underst., vol. 115, no. 7, pp. 976–983, 2011.

[32] D. A. Clausi and H. Deng, “Fusion of Gabor Filter and Co-occurrence

Probability Features for Texture Recognition Co-occurrence Probabilities,”

IEEE Trans. Image Process., 2005.

BIOGRAPHIES OF AUTHORS

Ida Nurhaida achieved her undergraduate degree in Department of

Electrical Engineering from Hasanuddin University, Makassar,

Indonesia, in 2003. She is currently working toward as lecturer in

Department of Informatics, Mercu Buana University, Jakarta, Indonesia.

She earned her Ph.D degree in Faculty of Computer Science from

University of Indonesia, Depok, Indonesia, in 2010. Her current research

activities are in image processing, pattern recognition and image retrieval

system.

Dr Hong Wei received her first and Master degrees from Tianjin

University, China, in 1983 and 1986, respectively, and the PhD degree

from Birmingham University, UK, in 1996. She is author/co-author of

over 60 refereed research papers and two text books. She is currently an

associate professor in the School of Systems Engineering, University of

Reading, UK. Her research areas cover biometrics, image-based pattern

classification, and computer vision.

Remmy A. M. Zen was born in Jakarta, Indonesia in 1991. He received

his Bachelor Degree in Computer Science from Universitas Indonesia in

2013 and Master Degree in Computer Science from Universitas Indonesia

in 2014. He is currently working as a teaching assistant for undergraduate

degree and also research assistant at Machine Learning and Computer

Vision Lab at Faculty of Computer Science, Universitas Indonesia. His

research interests includes Machine Learning, Image Processing,

Computational Intelligence, Information Retrieval, and Software

Technology.

Ruli Manurung is a faculty member at Universitas Indonesia, where he

currently serves as the Coordinator for the various computer science study

programs. His research interests vary between natural language

processing, computational creativity, and machine learning. He obtained

his Ph.D from the University of Edinburgh in 2004 for his work on the

automatic generation of poetry. He was a Research Fellow at the

University of Edinburgh on an EPSRC research project that concerned the

development of an innovative system that provided language-impaired

children with the ability to tell novel jokes

Aniati Murni Arymurthy is a Professor in Faculty of Computer Science,

University of Indonesia. She graduated from Department of Electrical

Engineering, University of Indonesia, Jakarta, Indonesia. She earned her

Master of Science in Department of Computer and Information Sciences,

The Ohio State University (OSU), Columbus, Ohio, USA. She also holds

Doktor from Department of Opto-Electronics and Laser Applications,

University of Indonesia, Jakarta, Indonesia. Her main research activities

are image processing and pattern recognition

Draf Makalah yang akan

disubmit pada Journal of

Computation and Cultural

Heritage (JOCCH) terindeks

Scopus

Determining the Numbers of Batik Motif

Object based on Symmetry Detection based on

Hierarchical Approach

IDA NURHAIDA, Universitas Mercu Buana

HONG WEI, University of Reading

REMMY A. M. ZEN, M. IVAN FANANY, ANIATI M. ARYMURTHY, Universitas

Indonesia

• Information systems➝Database management system engines • Computing methodologies➝Massively parallel and

high-performance simulations. This is just an example, please use the correct category and subject descriptors for your

submission. The ACM Computing Classification Scheme:

http://www.acm.org/about/class/class/2012. Please read the HOW TO CLASSIFY WORKS USING ACM'S COMPUTING

CLASSIFICATION SYSTEM for instructions on how to classify your document using the 2012 ACM Computing

Classification System and insert the index terms into your Microsoft Word source file.

Additional Key Words and Phrases: Contour perception, flow visualization, perceptual theory, visual cortex,

visualization

ACM Reference Format:

Daniel Pineo, Colin Ware and Sean Fogarty. 2010. Neural Modeling of Flow Rendering Effectiveness. ACM

Trans. Appl. Percept. 2, 3, Article (May 2010), 12 pages.

DOI:http://dx.doi.org/10.1145/0000000.0000000

1. INTRODUCTION

The word Batik comes from Javanese languages and consists of two parts namely

“Mbat” and “Titik” [1]. Batik is a piece of cloth that made in the traditional manner

and contained ornaments of precise nature utilizing particular technique [2]. The

technique used for decorating woven fabric with colored patterns. Batik is made using

a manual wax-resist dyeing technique [3]. Canting (a pen-like device to draw the batik

pattern in wax) and malam (beeswax) have used probably since the early eighteenth

century [4]. Canting with little spouts are using to make delicate lines while a wide

spout allows the wax to flow quickly over background areas. Fabric coloring using

malam is intended to cover up or blocking the entry of dyes into the motif pattern.

Batik worked initially conducted in Keraton (Javanese Kingdom). Batik has a lot of

motifs. Each motif consists of several pattern which has a rule and deep meaning. Batik

motif are limited to ornaments and stripes. The main reason is that the adversity of

weaving detailed and irregular ornamental compositions into cloth. Batik patterns are

divided into several groups of designs template class. Each class has hundreds of

variations of pattern within them. Even though similarities between the batik motifs

can be identified, nevertheless there are slight differences in detail, such as the use of

color. There are two main batik motifs: geometric and non-geometric.

The geometric patterns can be recognized based on the particular shape in horizontally,

vertically, and diagonally direction which formed an angle between forms. On the

other hand, the non-geometric patterns have free design without any attempt at

symmetry. The geometric patterns may be divided into five main classes namely ceplok,

kawung, parang, lereng, and nitik. Otherwise, the non-geometric patterns can be

grouped into four major patterns including Lung-lungan, Semen, Pagersari, and

Taplak Meja. Each group has particular variety and distinctive characteristics.

Fig. 1.a. Canting stamp Fig. 1.b. Canting

Fig. 1. Drawing batik pattern using canting and malam [1], [2]

Recently, batik from Indonesia is the most well-known served as the inspiration for the

batik tradition in the world. This situation has inspired the batik artists to produce

many types of batik motif designs. On the other hand, the western style has influenced

cutting of tailored dresses and men’s shirt to be more fashionable applications. The

design may contain several motifs from a different class, color variations, and pattern

combination in one fabric. Batik designers are often placing motif in a new context and

making it into the luxury textile.

Fig. 2.a. Ceplok Sekar Fig. 2.b Kawung Fig. 2.c. Parang Fig. 2.d. Nitik Sekar Fig.2.e.Lereng Udan

Bangah Beton Rusak Barong Rumpuk Liria

Fig. 2. Primitive motifs from geometric pattern namely Ceplok, Kawung, Parang, Nitik and Lereng [1].

Batik Motif Recognition System (BMRS) has been developed based on high-level

features of batik motif which are invariant to scale, rotation, and other transformations.

The primary goal of a Batik Motif Recognition System (BMRS) is to identify batik motif

based on its class and to specify the composition of batik motif in the image. The key

problem in batik motif recognition is according to the nature of batik motif. Batik

motifs have some object with a highly symmetrical part in one object motif. The

symmetrical parts are repeated in several locations. Furthermore, a combination of

batik motif from a different class in one fabric will increase the complexity of

recognition’s process. Therefore, we have to analyze each component of the basic

primitive motif within an image. The specific objective of this study is determining the

number of object occurrences in batik motif based on symmetry detection using

hierarchical approach. The argument is due to the motif’s composition which has a

forming object from a different class of batik motif. Therefore, in batik motif recognition,

the system must have some knowledge of the desired object.

Fig. 3.1. Kawung and Nitik Fig. 3.2. Kawung and Ceplok Fig. 3.3. Parang and Kawung

Figure 3. The combination of batik motif from real image batik cloth. Reference: Batik Museum Jakarta,

Indonesia

In some cases, symmetries are suitable for describing shape because symmetry in an

image allows it to be described economically. For example, if one-half of an object is the

mirror image of the other half, then one-half need not be described. Symmetry may be

defined regarding three linear transformations in n-dimensional Euclidean space i.e.

translation and rotation. Symmetries are good candidates for defining the shape. It is

a powerful concept that facilitates object detection and recognition in many situations.

In this study, we investigate symmetry effect for determining the number of object in

batik motif. Hence, we exploit symmetry detection by [5] for each object of batik motif.

Hereafter, the resulted process will be used for determining intersection object of batik

motif recursively and detecting the number of multiple objects.

Fig. 4.1. Kawung Beton Fig. 4.2. Nitik Kartika

Figure 4. Symmetry pattern in batik motif

2. Background and Related Work

In recent years, there has been an increasing interest in the problem of transformation

object from object recognition area. Some approaches proved to be robust to noise

addition, compression, and retouching, however only a few of them are effectively

reliable over multiple objects geometrical disruption such as rotation, scaling, and

translation. The key aspect in batik motif recognition is according to batik motif

transformation within the image. The typical properties of batik motif are highly

symmetrical between sections in one object. In addition, the symmetrical objects are

found in some parts of the image repeatedly. Therefore, the symmetrical property and

multiple occurrences objects of batik pattern make the recognition process will be more

complicated. The characteristic is illustrated in Figure 4. This issue has received

considerable critical attention in this study. Although many batiks share the same

motif, they may be different regarding the position, size, and direction. Therefore, to

classify a batik cloth using a particular motif, a robust method is required to overcome

this problem. The method must resolve the issue of suitable features that will be

utilized for batik motif recognition. It should be invariant to translation, scale, rotation,

and multiple objects as well.

More recent attention has focused on the classification and retrieval of batik image

based on texture features. Nurhaida [6] discuss a batik motif identification that

compared to another batik motif in the database. The highest performance of

classification accuracy reached nearly 80% from Grey Level Co-occurrence Metrics

method. Research such as that conducted by Rangkuti [7] showed that similarity

shape and texture characteristics for batik image retrieval gain the best performance

of precision and recall value at 70% and 75% from threshold algorithm. In a study of

batik retrieval image, Minardo [8] have acquired the best performance of precision by

74% while recall at 89%. This study applied feature edge orientation combined to

microstructure descriptor for enhancing retrieval performance. Research by Rangkuti

[9] reported using the Canny edge as the input image, wavelet transform as texture

features and invariant moment as shape features method. The performance results

achieved optimal precisions in average 90% - 92%. SIFT and Invariant Generalized

Hough Transform (IGHT) are compared regarding the performance for classification

batik cloth using a particular motif [10]. The best accuracy resulted from SIFT reached

between 80% - 87%. Therefore, it is concluded that SIFT appropriate for batik motif

classification. Research by Bouty [11] discusses implementation Invariant Generalized

Hough Transform method for calculating the rotation angle of batik motifs. The

extraction accumulator array is performed using the Hill Climbing method and

combined with Low Pass Filter method for smoothing. This implementation gained

better accuracy to find occurrence object position with a value of precision and recall

by 42% and 94%.

There have been some researchers that have reported involving multiple objects

detection. Research [12] employed Hough space for representing multiple instances

of the same object class. It allows their localization and detection within a cluttered

scene under occlusion and self-occlusion. The image features representation affected

performance of an object recognition system. The main weakness of Hough transform

is treated object properties independently by voting. Yarlagadda et al. [13] have

overcome its weakness by combining independent features based on sliding windows

and votes into probabilistic Hough voting. Rabin et al. in [14] utilized SIFT-like

descriptor and Earth Mover’s Distance to reduce time complexity. The matching

procedure is applied using a statistical approach to discover multiple occurrences object.

This paper is organized in the following way. In Section 2, we present the theory behind

the object recognition. Section 3 discusses the feature extraction methods and

symmetry detection that are used in this paper. Section 4 presents the experimental

scenarios. Section 5 describes the experimental results and discusses the findings. This

article is closed by a conclusion in Section 6.

3. Feature Extraction and symmetry detection

Feature Extraction Scale Invariant Feature Transform (SIFT)

Localization of reference position in corner object, called interest points, is

important information which required for a real application such as object recognition,

object tracking, and image alignment [15]. However, there is a drawback from the

utilization of corner points to find the similar object. Information provided by corner

points is not adequate to represent the object. The corner points only gave information

about the position and the power of each corner point. Lowe proposed an image feature

named Scale Invariant Feature Transform (SIFT) [16]. The SIFT method has drawn

attention from researchers. It represents an object using regional descriptors around

interest point to perform object recognition. The followings main steps to extract

invariant features using SIFT are:

1. Scale-space extrema detection.

The candidate keypoints can be obtained by detecting extrema from Difference

of Gaussian (DoG) pyramid which is an approximation of Laplace of Gaussian

(LoG).

2. Keypoints localization.

In this step, three processes are applied to get good keypoints. The first process

is to find the accurate location of keypoints using the 3rd order Taylor

polynomial, the second process is eliminating keypoints which have low

contrast, and the third process is to remove the keypoints which are in the edge

using principal curvature.

3. Orientation assignment.

The direction of keypoint will be calculated based on the gradient and

orientation of a region around the keypoint. A keypoint may have more than

one orientation.

4. Keypoint descriptor.

A window with the size of 16x16 centered each keypoint is defined. The

orientation and gradient magnitude are calculated at each point in the window.

The window is divided into 4x4 subregions. An orientation histogram which

represents eight cardinal directions is calculated for each sub-region based on

a gradient magnitude which firstly are weighted by a Gaussian window

centered in the middle of the window. The keypoint descriptor consists of 128

elements which are from 16 sub regions where each sub-regions consists of 8

features.

Matching the SIFT features extracted above can be achieved by comparing two sets of

feature descriptors from query image against to template image with the nearest

neighbor method (Lowe, 2004; Sun et al., 2014; Wilhelm Burger, 2013). The

correspondences can be found when the ratio between the shortest distance and the

second shortest distance is smaller than a given threshold. Lowe suggested threshold

ratio 0.8. Considering the effect of image scale, rotation and affine distortion, the SIFT

algorithm uses the 128- dimension descriptors to conduct feature matching. The SIFT

feature descriptors represent image gradient magnitudes and orientations in a 4x4

sub-region around the candidate feature. The descriptors can describe both the shape

and the orientation of a feature. Features with different rotations between two images

can be easily matched. For reliable and accurate corresponding features, it is necessary

to use pyramid images and 128-dimension descriptors to conduct SIFT extraction and

matching. Unfortunately, this strategy needs high computational power and memory

consumption, which limit the use of SIFT in real-time implementations with large

images.

The process to achieve matching is as follows [15]:

1. From the in pairs of descriptor sets,

𝑆(𝑎) = (𝑠1(𝑎), 𝑠2(𝑎), … , 𝑠𝑁𝑎(𝑎)) and 𝑆(𝑏) = (𝑠1(𝑏), 𝑠2(𝑏), … , 𝑠𝑁𝑏(𝑏)) (1)

2. The similarity between a given pair of descriptors, 𝑠𝑖 = ⟨𝑥𝑖, 𝑦𝑖 , 𝜎𝑖 , 𝜃𝑖 , 𝒇𝑖⟩ and 𝑠𝑗 =

⟨𝑥𝑗, 𝑦𝑗, 𝜎𝑗, 𝜃𝑗 , 𝒇𝑗⟩ is measured by the distance between corresponding feature

vectors 𝒇𝑖 and 𝒇𝑗 that is,

𝑑𝑖𝑠𝑡(𝑠𝑖 , 𝑠𝑗) = ‖𝑓𝑖 − 𝑓𝑗‖ (2)

Where ‖…‖ denotes the appropriate norm of Euclidean distance.

3. The meaningful matches should be demonstrated small feature distances.

However, some descriptors are more discriminative than others [15]. For a

given reference descriptor 𝑠𝑟 ∈ 𝑆(𝑎), the best match is defined as the descriptor

𝑠1 ∈ 𝑆(𝑏) which has the smallest distances from 𝑠𝑡 in the multi-dimensional

feature space, that is,

𝑠1 = 𝑎𝑟𝑔 min𝑑𝑖𝑠𝑡𝑠𝑗∈𝑆(𝑏)

(𝑠𝑟 , 𝑠𝑗) (3)

Moreover, the first distance is 𝑑𝑟,1 = 𝑑𝑖𝑠𝑡(𝑠𝑟 , 𝑠1) . The second best-matching

descriptor is

𝑠2 = 𝑎𝑟𝑔 min𝑑𝑖𝑠𝑡𝑠𝑗∈𝑆(𝑏)

𝑠𝑗≠𝑠1

(𝑠𝑟 , 𝑠𝑗) (4)

The corresponding distance is 𝑑𝑟,2 = 𝑑𝑖𝑠𝑡(𝑠𝑟 , 𝑠2) with 𝑑𝑟,1 ≤ 𝑑𝑟,2 . Reliable

matches are expected to have distance to the primary feature 𝑠1 that is

considerably smaller than distances to any other feature in the target set.

4. The feature distance ratio that is,

𝜌𝑚𝑎𝑡𝑐ℎ(𝑠𝑟 , 𝑠1, 𝑠2) =𝑑𝑖𝑠𝑡(𝑠𝑟,𝑠1)

𝑑𝑖𝑠𝑡(𝑠𝑟,𝑠2)=

𝑑𝑟,1

𝑑𝑟,2 (5)

such that 𝜌𝑚𝑎𝑡𝑐ℎ ∈ [0,1].

Symmetry Detection

Symmetry is often found in human art, in cultures throughout the ages and around

the world. Symmetry is an important part of the designs seen in quilts and mosaics.

The human brain has an ability to create and to recognize the symmetrical pattern.

This ability may come about to help us recognize and remember the batik motif based

on its class. In this study, the method proposed by [5] was implemented in Matlab,

with feature points detected and described using Lowe’s SIFT code [16], and applied to

identify bilateral and rotational symmetries in a batik motif images. Bilateral

symmetry just means that one side is the mirror image of the other side. They

essentially look just like their mirror images, although a bit of rotating may be

necessary to superimpose the two shapes exactly upon each other if the proper mirror

plane is not chosen. The rotational symmetry is likely looked the same after being

rotated by 180° around its center. However, it does not have mirror symmetry. In

contrast, batik motif also can display both rotational and bilateral symmetries.

Symmetry detection by [5] is based on matching symmetric pairs of feature points.

Each pair of feature point indicated the numbers of symmetry exhibited by each pair

is quantified by the relative location, orientation and scale of the features in the pair.

The main reason we choose this algorithm since it can detect multiple symmetry

detections from the non-segmented real image. Furthermore, the source code is shared

and available publically. These pair-wise symmetries are then accumulated in a

Hough-style voting space to determine the dominant symmetries present in the image.

Feature point methods typically define the orientation and scale of each feature and

normalize on these parameters to compute matches independent of orientation and

scale. The distinctiveness of the matches obtained, together with their invariance to

rotation make these methods well suited to detecting pairs of symmetric features.

Rotational and translational symmetric pairs can be identified by directly matching

the feature points within an image, and potential mirror symmetric matches can be

obtained by constructing a set of mirrored feature descriptors and matching these

against the original feature descriptors. Mirrored feature descriptors are defined as

descriptors of mirrored copies of the local image patches associated with the original

feature points (the choice of mirroring axis is arbitrary). Matching pairs of features,

mirrored or otherwise, generates a collection of matched pairs of feature points. Each

feature can be represented by a point vector describing its location in x, y coordinates,

its orientation , and scale s. Symmetry can then be computed directly from these pairs

of point vectors.

Fig. 5.1. Bilateral symmetry Fig. 5.2. Rotational symmetry Fig 5.3. Both bilateral and

rotational symmetry

Figure 5. Symmetry in Batik motif

4. Proposed Algorithm

The algorithm takes the image as input and returns the number of template

occurrences in the image. The algorithm works in a recursive manner. We assume that

we have several template that has the same size. The base case of the function is when

the size of the image input is the same as template size then the algorithm must stop

and return one object found. First, we apply symmetry detection to the image using

symmetry function provided by [5]. The example result of the symmetry detection

using batik image can be seen in Figure 6. We use image in Figure 6.1 as a template

and created a 2 x 1 (row x column) input image in Figure 6.2. Figure 6.3 show the

result of symmetry function by [5]. The dots indicates the keypoint, while the white

lines indicates the symmetry line. We modified the function so it will return two

coordinates ([𝑥1, 𝑦1]; [𝑥2, 𝑦2]) at the end of each symmetry line found. We can get the

equation of a line from two points by using 𝑦 = 𝑚𝑥 − 𝑚𝑥1 + 𝑦1 where m is the

gradient and 𝑚 = (𝑦2 − 𝑦1)

(𝑥2 − 𝑥1)⁄ . Then we can find the intersection point between

two line equations by finishing this equation:

[−𝑚1 1−𝑚2 1

] [𝑥0

𝑦0] = [

−𝑚1𝑥1,1 + 𝑦1,1

−𝑚2𝑥1,2 + 𝑦1,2]

where 𝑚𝑖 means gradient from equation i, 𝑥𝑖,𝑗 means 𝑥𝑖 from equation j, and [𝑥0, 𝑦0] is

the intersection point.

Fig 6.1 Template Image Fig. 6.2. Input image (2 x 1 template)

Fig. 6.3. Result of Symmetry Detection to Input Image Fig. 6.4. Split the image evenly into two parts

according to the intersection point

Fig 6. Symettry Detection Result

In case input image width is the same as input image height, we use the intersection

point to crop the image into four parts evenly, and each image becomes the input of

this function recursively. If the input image width differs from the height, this is the

case where the number of the object is 2 or 8, so we divided the image into two parts

evenly. In case there is no keypoint found, the algorithm will be terminated. The final

value returned from this function is the number of template occurrences in the image.

Pseudocode of the algorithm explained above can be seen in Algorithm 1.

Algorithm I

func split_rec (image)

if image size equals template image size

return 1

end

lineq = symmetry(image)

if lineq is empty

return 0

end

intersect = find_intersection(lineq)

object = 0

if image width equals image height

object = object + split_rec(upper left image)

object = object + split_rec(upper right image)

object = object + split_rec(lower left image)

object = object + split_rec(lower right image)

elseif image width greater than image height

object = object + split_rec(left image)

object = object + split_rec(right image)

elseif image height greater than image width

object = object + split_rec(upper image)

object = object + split_rec(lower image)

end

return object

endfunc

5. Experiment

Dataset

The experiment conducted using a dataset which generated from 211 templates (150 x

150 pixels) motifs of batik images. These templates were cropped into primitive

patterns. The images were firstly grouped into five groups based on the motif

composition. Each primitive patterns is formed into images with some symmetry

objects from 2 (1 x 2; 2 x 1), 4 (2 x 2), and 8 (4 x 2; 2 x 4). The total number of generated

query images is 1,055 in JPG format, and they have a size of from 150 x 300 pixels to

600 x 600 pixels. The query images are generated based on composition object in a

regular pattern. In this experiment, the data set only for a primitive pattern from a

geometric pattern based on [1]. The geometric pattern consists of five major geometric

Indonesian batik motifs from class Ceplok, Kawung, Nitik, Lereng, and Parang.

Example of each motif compositions can be seen in Figure 7.

Table 1. Generated Dataset Batik Motif

No. Motif Composition

(row x column)

Number of data set Size

(height x width)

1 1 x 2 211 150 x 300

2 2 x 1 211 300 x 150

3 2 x 2 211 300 x 300

4 2 x 4 211 300 x 600

5 4 x 2 211 600 x 300

T o t a l 1.055 -

Fig 7.1. 1 x 2 Batik Motif

Composition (Ceplok)

Fig 7.2. 2 x 1 Batik Motif

Composition (Kawung)

Fig 7.3. 2 x 2 Batik Motif

Composition (Lereng)

Fig 7.4. 2 x 4 Batik Motif Composition (Nitik) Fig 7.4. 4 x 2 Batik Motif Composition (Parang)

Fig 7. Motif Composition Examples

Result and Analysis

We evaluate the algorithm by matching the number of objects returned by the

algorithm with the real number of objects in the image. If the number of objects is

equal, we say the answer is correct or 1 and wrong or 0 otherwise. Then, we can get

the accuracy with these equation:

𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 (%) = ∑ 𝑐𝑜𝑟𝑟𝑒𝑐𝑡 𝑖𝑚𝑎𝑔𝑒𝑠

𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑖𝑚𝑎𝑔𝑒𝑠∗ 100

The results matrix grouped by the motif composition and class can be seen in Table 2.

Table 2. Accuracy by Motif Composition

Composition

Class

1 x 2 2 x 1 2 x 2 2 x 4 4 x 2 Average

Ceplok 86.46% 88.76% 94.79% 59.38% 60.17% 77.91%

Kawung 97.06% 96.32% 100% 64.71% 61.39% 83.90%

Lereng 33.33% 35.12% 42.86% 37.50% 36.53% 37.07%

Nitik 90.36% 88.75% 98% 55.95% 51.38% 76.81%

Parang 53.13% 50.65% 54.84% 47.06% 43.82% 49.90%

Average 72.07% 71.92% 78.02% 52.92% 50.66% 65.12%

Figure 8 gave the graphic of average accuracy divided by the motif composition and

class. Overall our method gave 65.12% accuracy. As we can see in Figure 9.1 that the

accuracy slowly decreased as the number of objects in the image increase. It is trivial

that detecting symmetry in small image with few objects are easier than larger image

with many objects. Distinguished by its class, Lereng motif gave the worst accuracy.

This is due to the nature of Lereng motif that is harder to identify and more complex

than other motifs.

Fig 8.1. Average Accuracy divided by Motif Composition Fig 8.2. Average Accuracy divided by Motif Class

Fig 8. Average Accuracy Graphic

We identified and divided the errors in the experiments by four cases: 1) Symmetry

Detection Function by [5] gave symmetry lines that are not the symmetry of the whole

image but symmetry lines for each individual batik template. These errors occurred

mostly because the batik template data are symmetry by nature. 2) The intersection

coordinate could not be found because no symmetry lines are intersecting with each

other. In other words, symmetry lines formed a parallel line. The error also occurred

when the intersection coordinate located outside the image boundaries. If the

intersection coordinate could not be found, the process stopped and return object found

as zero. 3) There also cases that only one-line equation found. So, no intersection can

be found to split the image. 4) The symmetry lines are not centered so it led to a wrong

splitting process and gave a wrong number of objects. Visualization of each error

respectively are shown in Figure 8.

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

1 x 2 2 x 1 2 x 2 2 x 4 4 x 2

Motif Composition Average

Accuracy

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

Ceplok Kawung Lereng Nitik Parang

Motif Class Average Accuracy

Fig 9.1. Symmetry Lines not for the

Whole Object (Case 1)

Fig 9.2. Symmetry Lines Form a

Parallel Line (Case 2)

Fig 9.3. Only One Symmetry Line and

Not Centered (Case 3 & 4)

Fig 9. Visualization of Errors in the Experiments

Some of Case 2 and 3 errors can be handled with this additional rule: if no intersection

coordinate or only one lineq found, then take the main line equation and take the

midpoint from that equation. This additional rule improves the accuracy significantly.

The algorithm with this new rule can be seen in Algorithm II. However, the error can

still happen if the rule chooses the wrong line equation. For example, in Figure 9.2 if

the main equation line is the top one, then we will have Case 4 error and gave wrong

result.

Algorithm II func split_rec (image) if image size equals template image size return 1

end lineq = symmetry(image) if lineq is empty return 0 end intersect = find_intersection(lineq) // the new rule to handle case 2 and 3 error if lineq length == 1 or intersect == null intersect = midpoint(lineq[0]) end object = 0 if image width equals image height object = object + split_rec(upper left image) object = object + split_rec(upper right image) object = object + split_rec(lower left image) object = object + split_rec(lower right image) elseif image width greater than image height object = object + split_rec(left image) object = object + split_rec(right image) elseif image height greater than image width object = object + split_rec(upper image) object = object + split_rec(lower image) end return object endfunc

The results of the improvement can be seen in Table 3. Figure 10 gave the graphic of

average accuracy divided by the motif composition and class. Our improved method

gave 94.31% accuracy. It differs 29.19% from the result without the improvement.

Table 3. Accuracy by Motif Composition (after Improvement)

Composition

Class

1 x 2 2 x 1 2 x 2 2 x 4 4 x 2 Average

Ceplok 98.96% 100.00% 100.00% 95.83% 89.58% 96.87%

Kawung 100.00% 94.12% 100.00% 100.00% 94.12% 97.65%

Lereng 95.00% 100.00% 90.00% 75.00% 75.00% 87.00%

Nitik 100.00% 100.00% 100.00% 92.86% 90.48% 96.67%

Parang 96.97% 100.00% 94.12% 87.88% 87.88% 93.37%

Average 98.19% 98.82% 96.82% 90.31% 87.41% 94.31%

Fig 10.1. Average Accuracy divided by Motif Composition Fig 10.2. Average Accuracy divided by Motif Class

Fig 10. Average Accuracy Graphic (after Improvement)

6. Conclusion

In this paper we presented different methods to detect number of object motif batik

based on symmetry detection usng hierarchical approach. With this method, it is

possible to detect local as well as global symmetries. They can also detect the number

and position of the axes of symmetry. Scale, rotational and partial symmetry has been

detected successfully. Our method provides a top-down hierarchical approach for

estimating the number of symmetry objects structure. The algorithm has better

80.00%

85.00%

90.00%

95.00%

100.00%

1 x 2 2 x 1 2 x 2 2 x 4 4 x 2

Motif Composition Average

Accuracy

80.00%

85.00%

90.00%

95.00%

100.00%

Ceplok Kawung Lereng Nitik Parang

Motif Class Average Accuracy

detection performance in highly curved or distorted symmetry structures based on

motif batik class.

REFERENCES

[1] S. S. Samsi, Techniques, Motifs, Patterns Batik Yogya and Solo. Titian Foundation, 2011.

[2] J. Achjadi, The Glory of Batik: The Danar Hadi Collection, 1st ed. Central Java: PT. Batik Danar

Hadi, 2011.

[3] H. S. Doellah, Batik  : The Impact of Time and Environment. Danar Hadi Solo, 2003.

[4] Xenia Moeis, H. Ishwara, and L. R. S. Yahya, Batik Pesisir an Indonesian Heritage, Collection of

Hartono Sumarsono. Kepustakaan Populer Gramedia, 2011.

[5] G. Loy and J. Eklundh, “Detecting Symmetry and Symmetric Constellations of Features,” pp. 508–

521, 2006.

[6] I. Nurhaida, M. Manurung, and A. M. Arymurthi, “Performance Comparison Analysis Features

Extraction Methods for Batik Recognition,” in International Conference on Advanced Computer

Science and Information Systems, Depok, 2012.

[7] A. H. Rangkuti, R. B. Bahaweres, and A. Harjoko, “Batik Image Retrieval Based on Similarity of

Shape and Texture Characteristics,” in International Conference on Advanced Computer Science

and Information Systems, Depok, 2012, pp. 978–979.

[8] A. E. Minarno, Y. Munarko, F. Bimantoro, A. Kurniawardhani, and N. Suciati, “Batik image

retrieval based on enhanced micro-structure descriptor,” 2014 Asia-Pacific Conf. Comput. Aided

Syst. Eng. (APCASE), Bali, vol. 1, no. c, pp. 65–70, Feb. 2014.

[9] H. Rangkuti, A. Harjoko, and A. E. Putro, “Content Based Batik Image Retrieval,” J. Comput. Sci.,

vol. 10, no. 6, pp. 925–934, Jun. 2014.

[10] R. Akta, “Batik Motif Classification using Scale Invariant Feature Transform method,” Thesis,

Universitas Indonesia, 2012.

[11] A. A. Bouty, “Accumulator Array Extraction for Rotation Measurement using Hill Climbing and

Low Pass Filter in Batik Digital Image,” Thesis, Universitas Indonesia, 2012.

[12] G. Aragon-Camarasa and J. P. Siebert, “Unsupervised clustering in Hough space for recognition of

multiple instances of the same object in a cluttered scene,” Pattern Recognit. Lett., vol. 31, no. 11,

pp. 1274–1284, Aug. 2010.

[13] P. Yarlagadda and A. Monroy, “Voting by Grouping Dependent Parts,” in ECCV’10 Proceedings of

the 11th European conference on Computer vision: Part V, 2010, pp. 97–210.

[14] J. Rabin, J. Delon, and Y. Gousseau, “A Statistical Approach to the Matching of Local Features,”

SIAM J. Imaging Sci., vol. 2, no. 3, pp. 931–958, Jan. 2009.

[15] M. J. B. Wilhelm Burger, Priciples of Digital Image Processing. Springer-Verlag London Limited,

2013.

[16] D. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” Int. J. Comput. Vis., vol.

60, no. 2, pp. 91–110, Nov. 2004.

Submitted/In Review Process

Makalah pada The 5th

International Conference on

Network, Communication and

Computing, Kyoto Jepang

Bukti Submitted Paper pada The 5th International Conference on Network,

Communication and Computing, Kyoto Jepang tanggal 17 – 21

Desember 2016

Feature Selection and Reduction for Batik Image Retrieval

Hisyam Fahmi

Universitas

Indonesia

Kampus UI

Depok hisyam@cs.ui.

ac.id

Remmy A.M. Zen

Universitas

Indonesia

Kampus UI

Depok remmy.zen@gma

il.com

H.R Sanabila

Universitas Indonesia

Kampus UI Depok

hadaiq@cs.ui.ac.id

Ida Nurhaida

Universitas Mercu

Buana

Jl. Meruya Selatan,

Jakarta Barat ida.nurhaida@mercubua

na.ac.id

A. M. Arymurthy

Universitas

Indonesia

Kampus UI

Depok

aniati@cs.ui.

ac.id

ABSTRACT

Batik is the fabric which is truly unique to

Indonesia. Batik image retrieval is the research

area which focuses on image processing and

image retrieving based on its characteristics.

This study investigated the performance of the

feature selection and reduction on the batik

retrieval process. The feature employed in this

experiment is the combination of four feature

extraction methods, which are Gabor filter, log-

Gabor filter, GLCM, and LBP. SFFS methods

is used to carry out the selection of features,

meanwhile, PCA is used to perform the

reduction feature. Based on the experiment,

PCA can increase the precision about 17%.

Meanwhile, SFFS can improve the execution

time 1800 times faster.

CCS Concepts

• Computing methodologies➝

Machine learning➝ Machine learning

algorithms➝ Feature selection.

• Information systems➝ Information

retrieval➝ Specialized information

retrieval➝ Multimedia and

multimodal retrieval➝ Image search.

Keywords

Batik retrieval; Feature selection; Feature

reduction; Principal Component

Analysis; Sequential Forward Floating

Selection.

1. INTRODUCTI

ON

Batik is the fabric which is truly unique to

Indonesia. Several studies have been done for

the retrieval system to find similar batik

image, known as batik image retrieval. This

area of research focuses on image processing

based on characteristic of batik motifs. The

uniqueness of batik motifs can be analyzed

based on its texture and shape characteristics,

different motif has a different shape pattern.

Rangkuti et al. [1] developed Content-based

Batik Image Retrieval (CBBIR) which based

on texture and shape characteristics using

edge detection and wavelet transform

method. However, this technique didn’t work

optimally for batik with complicated motifs.

In general, Indonesian batik motifs can

contain geometric or non-geometric pattern.

Non-geometric batik motif is motif that has

irregular ornament composition like plants,

animal, bird, naga (snakes), pohon hayat

(tree of life), and so on. Geometric batik motif

composed from dots, lines, curves, spirals,

and other geometrical shapes. There are

several types of geometric batik motifs, such

as ceplok, kawung, lereng, parang, and nitik.

Ceplok motif has repetitive geometric

ornaments based on circular shapes, stars,

squares, cubes and other geometric lines.

Kawung motif is the oldest known batik

pattern. It consists of the repetition of circles

or elliptical shapes that that touch or overlap.

Lereng motif has diagonal rows of patterns in

between filled with small patterns. Parang

motif consists of a parallel lines in diagonal

form filled with small ornaments. Nitik motif

is created with small dots and dashes

imitating the original woven fabric [2]. The

instance of batik motif can be seen in Figure

1.

Motif Instances

Ceplok

Kawung

Lereng

Parang

Nitik

Figure 1. The instances of batik motif

Main goal of this research is to create

Batik Motif Retrieval System (BMRS) that

will retrieve images which are visually

similar to the query image. Processing of

query image involves extraction of image

features and search in the visual feature space

for similar images. The Top-N most similar

batik motif images are retrieved and

presented to the user.

Combining multiple texture description

methods significantly improves the

performance compared to using the single

texture method alone for Batik Motif

Retrieval. We combine four texture features

of batik motifs. We try to combine various

image texture features such as Gabor, Log-

Gabor, Grey Level Co-Occurrence Matrices

(GLCM), and Local Binary Pattern (LBP)

features. These feature are robust to represent

the texture characteristics.

It is promising to add some feature

selection or feature reduction process to

decrease the processing time. Feature

selection can be defined as a search problem

to detect an optimal feature subset based on

the selected measure. The best feature set is

obtained by adding and/or removing a feature

to the current feature set, which is called as

forward or backward selection process. One

of the most promising feature selection

methods is the Sequential Forward Floating

Selection (SFFS). The SFFS consists of a

forward (insertion) step and a conditional

backward (deletion) step that partially avoids

the local optima [3]. Principal Component

Analysis (PCA) is a variable reduction

procedure. It can be used to decrease number

of variables from high dimensional datasets

without losing more information [4].

Technically, a principal component can be

defined as a linear combination of optimally-

weighted observed variables.

2. PREVIOUS

WORK

In the initial work, Sanabila [5] using

template matching approach by applying

Hough Transform for recognizing the batik’s

motif. Based on the experiment, this approach

has a good performance but quite time

consuming. Meanwhile, Rahadianti [6]

employed image texture approach using Log

Gabor and Color Histogram feature for batik

image clustering. This works shows that Log

Gabor and color histogram feature is

relatively poor for batik clustering when the

granularity of details was increased. Based on

the previous research, employing a template

matching is not a reasonable solution for a

batik image retrieval because it will take large

computational resource. Furthermore, feature

fusion is quite promising approach for

improving batik image retrieval performance

system.

This paper builds on earlier work [7] in

which a comparison was conducted based on

a single texture feature in the domain of a

batik image database. It studied batik motif

identification in comparing with another

labeled batik motif in the database. The

highest performance of classification

accuracy achieved nearly 80% using Grey

Level Co-occurrence Matrix features. Shape

similarity and texture characteristics have

also been employed for batik image retrieval

[8]. This research utilized edge detection and

shape invariant moment as a feature. A

thresholding approach is used to retrieve the

images based on the value of the highest

grade representation on each image query.

The best performance achieved a precision

and recall of 70% and 75% respectively. In

another study of batik image retrieval, similar

values of 74% and 89% were obtained [9].

This study applied edge feature orientation

combined with micro structure descriptor for

enhancing retrieval performance. Rangkuti,

et al [1] reported using Canny edge detection

to an input image, wavelets as texture features

and invariant moment as shape features

method. The performance results achieved

optimal precision of average 90% - 92%

3. METHODOL

OGY

The proposed method consists of feature extraction process, data

normalization, fusion at feature level, feature

selection or feature reduction, and the

measurement of similarity matching between

query images against images in the database.

The data used in this experiment is image

dataset which contained one basic motif

object template from a particular class. For

each image data, 4 texture features have been

extracted, which are Gabor filters, log Gabor

filters, GLCM, and LBP. These 4 features

contain a vector each type that represents the

motif characteristics. From these 4 feature

vectors then normalized and combined to

form one feature vector. Feature fusion at this

level will integrate the image motif

characteristics to improve retrieval process.

The addition of feature selection or reduction

is to get performance improvement with less

number of dimensions. Feature selection and

reduction is added separately in the

experiment to see the impact of each

approach on the retrieval process. SFFS

method is used as feature selection while

PCA is used as feature reduction method.

Finally we analyze the precision and

performance of retrieval process by

comparing the process with addition of

feature selection or reduction and without

addition. Precision is used in this experiment

to measure the batik retrieval correctness.

Precision is one of the retrieval indicator that

shows the ability of the system to reject

irrelevant data. Precision score is between 0

and 1.0, which 1.0 is the perfect score that

indicates relevancies of search result with the

image query.

3.1 Gabor Filter Gabor filters are used to model the spatial

summation properties of simple cell in the

visual cortex [10], [11]. Filtering operation is

conducted by image convolution of an

original image with a Gabor filter to generate

a new image. The number of new images are

correlated to the number of filters used. The

2D Gabor filters can be categorized into two

components: a real part as symmetric

component and an imaginary part as the

asymmetric component. The 2D Gabor

function can be mathematically formulated

as:

𝐺(𝑥, 𝑦, 𝑓, 𝜃) = 𝑓2

𝜋𝛾𝜂 𝑒

−(𝑓2

𝛾2𝑥′2+𝑓2

𝜂2𝑦′2)𝑒𝑖2𝜋𝑓𝑥′

(1)

where:

𝑥′ = 𝑥 cos 𝜃 +𝑦 𝑠𝑖𝑛 𝜃, and

𝑦′ = −𝑥 sin 𝜃 + 𝑦 𝑐𝑜𝑠 𝜃 In equation (1), 𝑓 is the frequency of

sinusoidal wave, 𝜃 represents the anti-

clockwise rotation of the Gaussian envelope

and the sinusoid, 𝛾 denotes the smoothing

parameters of the Gaussian envelope, and 𝜂

indicates the orthogonal to the direction of the

wave, respectively.

The total number of frequencies 𝑛𝑓 and the

total number of orientations 𝑛𝑜 of the Gabor

filters are determined to design Gabor filter

bank. The combination of frequency and

orientation generates the Gabor filter bank

[10].

3.2 Log Gabor Filter

The singularity of the log function Log Gabor

filters basically are defined in the frequency

domain as Gaussian functions that shift from

the origin. Log Gabor consists of a

logarithmic transformation in the Gabor

domain which eliminates the DC-component

allocated in medium and high-pass filters

[12]. The frequency response is a Gaussian on

a log frequency axis.

The frequency response of Log Gabor filter

can be defined as:

𝐺(𝑓) = exp (− [𝑙𝑜𝑔 (𝑓

𝑓0)]

2

/2 [𝑙𝑜𝑔 (𝜎

𝑓0)]

2

)

(2)

where 𝑓0 is a center frequency of a filter and

𝜎 is a scaling factor of a radian bandwidth

[13].

3.3 Gray Level Co-occurrence Matrix

Grey Level Co-occurrence Matrix

(GLCM) is a common method used for

analyzing image textures [10]. The basic idea

from this method is to extract homogeneous

characteristics from image textures. The

second order statistics are accumulated into a

set of 2D matrices, 𝑃(𝑖, 𝑗|𝑑), each of which

measures the spatial dependency of two gray

levels, 𝑖 and 𝑗 , given a displacement vector

= (𝑑, 𝜃) = (𝑑𝑥, 𝑑𝑦) [10]. The number of

occurrences (frequencies) of 𝑖 and 𝑗 ,

separated by distance 𝑑, contributes the (𝑖, 𝑗) entry in the co-occurrence matrix 𝑃(𝑖, 𝑗|𝑑). A

co-occurrence matrix is given as:

𝑃(𝑖, 𝑗|𝑑) = ‖{((𝑥1,𝑦1), (𝑥2, 𝑦2)) : Ι(𝑥1, 𝑦1)

= 𝑖, Ι(𝑥2, 𝑦2) = 𝑗}‖

(𝑥1, 𝑦1), (𝑥2, 𝑦2)𝜖 𝑤×ℎ, (𝑥2, 𝑦2) = (𝑥1 ±𝑑𝑥, 𝑦1 ± 𝑑𝑦)

(3)

where 𝑃(𝑖, 𝑗|𝑑) represents the number of

occurrences of the pair of grey levels 𝑖 and 𝑗, (𝑥1,𝑦1) and (𝑥2,𝑦2) are coordinates of pixels

in two position, ‖. ‖ is a cardinality of a set.

, d, θ are displacement vector, distance, and

orientation respectively.

Texture features, such as homogeneity,

energy, entropy, contrast, and correlation, are

then derived from the co-occurrence matrix.

a. Contrast

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑ (𝑃𝑖,𝑗)(𝑖 − 𝑗)2𝑘𝑗=1

𝑘𝑖=1

(4)

where 𝑘 is the number of rows or columns.

The probability of two pixels 𝑃(𝑖, 𝑗)

indicated the separation of two pixels with

different grey level 𝑖 and 𝑗 . Contrast

measures local intensity of invariance.

b. Homogeneity or Angular Second

Moment (ASM):

𝐴𝑆𝑀 = ∑ ∑ (𝑃𝑖,𝑗)2𝑘

𝑗=1𝑘𝑖=1

(5)

The homogeneity of an image is measured by

using Angular Second Moment. The sum of

squares will be high if homogeneous scene

contains only a few gray levels but relatively

high values of 𝑃(𝑖, 𝑗).

c. Inverse Difference Moment (IDM):

𝐼𝐷𝑀 = ∑ ∑1

1+(𝑖−𝑗)2𝑘𝑗=1

𝑘𝑖=1 𝑃(𝑖, 𝑗)

(6)

The homogeneity of the image affected the

IDM’s value. IDM value will be low if the

image is not homogeny. Otherwise, for

homogeneous image, the IDM value is high.

d. Correlation

Correlation is a measure of gray level linear

dependence between the pixels at the

specified positions relative to each other.

𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ ∑ 𝑃(𝑖,𝑗)

(𝑖−𝜇𝑖)(𝑗−𝜇𝑗)

𝜎𝑖𝜎𝑗

𝑘𝑗=1

𝑘𝑖=1

(7)

where 𝜇𝑥 and 𝜇𝑦 are mean value of

row 𝑖 and column 𝑗 and 𝜎𝑥 and 𝜎𝑦 are

standard deviation of row 𝑖 and column

𝑗.

3.4 Local Binary Pattern

The Local Binary Pattern (LBP)

operator utilizes the center value as a

reference in a 3×3 pixel neighborhood [14]. It

proceeds thus, as illustrated in Figure 22.

a. Example b. Thresholder c. LBP codes

Figure 2. An example of basic LBP operator

Each pixel is compared with its eight

neighbors in a 3x3 neighborhood by

subtracting the center pixel value. The

threshold value is from the center pixel

while the pixel value of a neighbor is

marked as “0” when it is below the

threshold, and “1” otherwise. A binary

number is obtained by concatenating

all these binary codes in a clockwise

direction starting from the top-left one

and its corresponding decimal value is

used for labeling. The derived binary

numbers are referred to as Local

Binary Patterns or LBP codes. A binary

number is represented as follow:

𝐿𝐵𝑃𝑅,𝑁(𝑥, 𝑦) = ∑ 𝑠(𝑛𝑖 − 𝑛𝑐)2𝑖,

𝑁−1

𝑖=0

𝑠(𝑥) = {1, 𝑥 ≥ 00, 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒

(8)

where 𝑛𝑐 and 𝑛𝑖 are the gray level of the

center pixel of a local neighborhood and the

gray levels of 𝑁 evenly spaced pixels on a

circle of radius 𝑅 respectively.

3.5 Sequential Forward Feature

Selection

SFFS algorithm finds the optimal

feature set by inclusions, which combines a

new feature with the current feature set,

followed by exclusions, which removes the

worst feature from the feature set [15]. The

SFFS algorithm can be considered as

extension of the simpler SFS algorithm. In

contrasts to SFS, the SFFS algorithm can

remove features once they were included. It

is important to emphasize that the removal of

included features is conditional. The

Conditional Exclusion in SFFS only occurs if

the result in feature subset is assessed as

better by the criterion function after removal

of a particular feature.

Let k be the number of current feature, Y is

the complete set of feature, 𝑋𝑘 is the current

feature set. Initially 𝑘 = 0, 𝑋𝑘 is the empty

set, and the maximum score of the optimal

feature set is 𝐽(𝑋𝑘) = 0.

Step 1: Inclusion. Find a feature 𝑥+ ∈ 𝑌 −𝑋𝑘 to include in 𝑋𝑘, 𝑥+ is the most significant

feature in 𝑌 − 𝑋𝑘 with respect to the 𝑋𝑘 .

Once 𝑥+ is selected, it is combined with 𝑋𝑘

to form a new feature set 𝑋𝑘+1 , so 𝑋𝑘+1 =𝑋𝑘 + 𝑥+. Set 𝑘 = 𝑘 + 1 and proceed to step

2.

Step 2: Conditional exclusion. To avoid the

local optima, after the inclusion of a feature,

a conditional deletion step is examined. In

exclusion step, we find the least significant

feature 𝑥− ∈ 𝑋𝑘+1 . If 𝐽(𝑋𝑘+1 − 𝑥−) >𝐽(𝑋𝑘), then exclude 𝑥− from 𝑋𝑘+1 to form a

new feature set 𝑋′𝑘, which 𝑋′𝑘 = 𝑋𝑘+1 − 𝑥−,

and then proceed to step 3. Otherwise, if

𝐽(𝑋𝑘+1 − 𝑥−) <= 𝐽(𝑋𝑘), return to step 1.

Step 3: Termination. Set 𝑘 = 𝑘 − 1, if 𝑘 is

equal the desired number of feature, then

stop. Otherwise, set 𝑋𝑘 = 𝑋′𝑘 , 𝐽(𝑋𝑘) =𝐽(𝑋′𝑘) and return to step 1.

3.6 Principal Component Analysis (PCA)

The central idea of principal component

analysis is to reduce the dimensionality of a

data set in which there are a large number of

interrelated variables, while retaining as

much as possible of the variation present in

the data set. This reduction is achieved by

transforming to a new set of variables, the

principal components, which are

uncorrelated, and which are ordered so that

the first few retain most of the variation

present in all of the original variables [16].

PCA is a classical statistical method.

This linear transform has been widely used in

data analysis and compression. It is based on

the statistical representation of a random

variable. Suppose we have a random vector

population 𝑥 , where 𝑥 = (𝑥1, 𝑥2, … , 𝑥𝑛)𝑇 ,

and the mean of that population is denoted by

𝜇𝑥 = 𝐸{𝑥} , and the covariance matrix is

𝐶𝑥 = 𝐸{(𝑥 − 𝜇𝑥)(𝑥 − 𝜇𝑥)𝑇}.

From a symmetric matrix such as the

covariance matrix, we can calculate an

orthogonal basis by finding its eigenvalues

and eigenvectors. The eigenvectors 𝑒𝑖and the

corresponding eigenvalues 𝜆𝑖 are the

solutions of the equation.

|𝐶𝑥 − 𝜆𝐈| = 0 (9)

where 𝐈 is the identity matrix having the same

order than 𝐶𝑥 , and |. | denotes the

determinant of the matrix.

By ordering the eigenvectors in the

order of descending eigenvalues, we can

create an ordered orthogonal basis with the

first eigenvector having the direction of

largest variance of the data. In this way, we

can find directions in which the data set has

the most significant amounts of energy.

In PCA there are three common criteria

of Component selection, which you can

choose base on them [4], [17]. These criteria

are:

1. Eigenvalue one criterion: based on this

criterion you choose the first components

with eigenvalues higher than 1.

2. Amount of explained variance: based on

this, the chosen factors should explain 70

to 80% of your variance at least.

3. Scree plot: this is a graphical method in

which you choose the factors until a break

in the graph.

4. EXPERIMENT

The scenario for the experiment is done by

selecting one image as a query image, while

the rest images in dataset are used as template

images. The default template dataset consists

of 210 templates (150 x 150 pixels) motifs of

batik images from 5 classes of geometric

pattern. The images were grouped into 5

classes based on the nature batik motifs,

which are ceplok, kawung, lereng, nitik, and

parang. These templates were cropped into

primitive patterns that contain only one object

without repetition. The final datasets has been

expanded from each template based on its

translation, scale, and rotation. Total number

of generating datasets images is 3,165 in JPG

format with a size of 450 x 450 pixels each.

The example of dataset shown in Figure 33.

In this experiment, we use Gabor filter, Log

Gabor filter, GLCM, and LBP as texture

features. For the Gabor filter bank, we choose

6 values of orientation: 00, 300, 600, 900,

1200, and 1500 and 4 frequencies are

selected: 22.63, 11.31, 5.66, and 2.83

following [11]. GLCM was computed over

distance d = 1 and 4 directions (00, 450, 900,

and 1350). For Log Gabor, we choose four

numbers of wavelet scales and six numbers of

filter orientations. Local Binary Pattern

(LBP) features are extracted using invariant

parameter set to 1 which means every LBP

label is computed using the minimal chain by

rotating neighboring pixels.

The image retrieval process is based on

fusion of the features resulted from feature

extraction processes respectively. The feature

fusion result is represented as a single vector

called as a feature vector. The feature vector

is achieved as follows:

𝐹 = {𝑓𝑚1, … , 𝑓𝑚4}

= {{𝑓1,1, 𝑓1,2, … , 𝑓1,𝑛 }, … , {𝑓4,1, 𝑓4,2, … , 𝑓4,𝑛 } }

where 𝑓𝑚 is a feature resulted from each

feature extraction method.

a. default

template, scale

1.0

b. 2 objects, scale

0.5, and random

position

c. 9 objects, scale

0.5, and regular

pattern

d. 1 object, scale 0.5,

and rotation 45

degree

Figure 3. Example of experiment dataset

generated from template image (CPK019-

Ceplok Mawar Sari.jpg)

The query and template dataset from the

databases are used by the system to obtain the

best 3, 5, 7, and 42 matched batik images

ordered by their similarity using Euclidean

distance. The Top-42 is the average number

of template images and query images which

distributed in each class. The aim is to

achieve the best performance of the system

that can retrieve up to those numbers of

images. The similarity calculation of a single

feature vector using Euclidean distance is as

follows:

1. Calculate the average value of the feature

vector 𝜇𝑓𝑚 and variance 𝜎𝑓𝑚.

2. Calculate Euclidian distance 𝐷𝑖𝑠𝑡(𝑖, 𝑗)

where (𝑖 ≠ 𝑗) between query image and

template images in database.

3. For each query image q, calculate

Euclidian distance with all image in

template database.

𝐷𝑖𝑠𝑡(1, 𝑞), 𝐷𝑖𝑠𝑡(2, 𝑞), 𝐷𝑖𝑠𝑡(3, 𝑞),… 𝐷𝑖𝑠𝑡(𝑚𝑡𝑜𝑡𝑎𝑙 , 𝑞)

where 𝑚𝑡𝑜𝑡𝑎𝑙 is total template images in

database.

From this feature vector, the process of

selection feature were added using SFFS to

get the most relevant feature. Also from the

same feature vector, PCA were used to reduce

the feature vector size. We want to examine

the effect of these selection or reduction

feature in batik retrieval performance. The

performance of successful retrieval image is

evaluated by the precision value and

execution time.

5. RESULT AND

ANALYSIS

From the feature extraction process and

feature fusion, we got a feature vector with

length of 217 for each image. Then we do the

feature selection and reduction process

separately. Feature selection using SFFS

gives 7 features, there are feature index 109,

209, 188, 213, 199, 198, and 191. And we get

a new feature with length of 18 from feature

reduction using PCA. So, with this new

feature vector from selection or reduction

process, the processing time will be

decreased with less effect on the retrieval

result. The example of batik retrieval result

with addition of SFFS and PCA shown in

Figure 44 and Figure 55 respectively. Table 1

shows the average precision, in percentage, of

retrieval result using feature vector without

addition feature selection or reduction

compare to the retrieval result using selected

feature vector with SFFS and reduced feature

vector using PCA. The most promising

retrieval result achieved with the reduction

feature process using PCA, which in all

experiment with different top, it gives the best

precision compared to process with selection

feature using SFFS or process without both.

The result also show that retrieval process

using SFFS selection give better precision

than using basic feature vector combination

in most of all top except in top 42. In top 42

experiment, basic feature combination gives

better result than SFFS selection feature,

which is 43.73% compared to 39.81%.

Table 2 shows the average execution

time, in seconds, of retrieval process using

feature vector without addition of feature

selection or reduction compare to the retrieval

process using selected feature vector with

SFFS and reduced feature vector using PCA.

Retrieval process using SFFS selection gives

the fastest time to compare the query with

database.

a. query image b. retrieved image 1

c. retrieved image 2 d. retrieved image 3

e. retrieved image 4 f. retrieved image 5

Figure 4. The example of retrieved image

based on query image at top 5 using SFFS

feature selection.

a. query image b. retrieved image 1

c. retrieved image 2 d. retrieved image 3

e. retrieved image 4 f. retrieved image 5

Figure 5. The example of retrieved image

based on query image at top 5 using PCA

feature reduction.

Table 1. Precision (%) comparison without

and with feature selection and feature

reduction

TOP

Features (Gabor,

GLCM, LBP, Log-

Gabor) 3 5 7 42

Without

selection/reduction 73.93 63.98 59.24 43.73

Selection with SFFS 77.64 70.77 64.83 39.81

Reduction with PCA 86.25 79.75 75.33 55.72

Table 2. Time (second) comparison without

and with feature selection and feature

reduction

TOP

Features

(Gabor,

GLCM,

LBP,

Log-

Gabor)

3 5 7 42

Without

selection

/reduction

1.06341 1.09451 1.08759 1.06383

Selection

with

SFFS 0.00058 0.00058 0.00058 0.00064

Reduction

with PCA 0.00160 0.00160 0.00160 0.00180

6. CONCLUSION

Batik image retrieval process is influenced by

the characteristic texture of a particular motif

pattern. From the many methods of texture

feature extraction, we cannot determine

which features are most representative

texture to match the motif from query image.

Therefore, we need to perform feature

selection or feature reduction. From the

experiments conducted, using SFFS feature

selection can improve the execution time up

to 1800 times faster. While, feature reduction

using PCA can improve retrieval precision

results with a relatively faster.

7. REFERENCES

[1] A. H. Rangkuti, A. Harjoko, and A. E.

Putro, “Content Based Batik Image

Retrieval,” J. Comput. Sci., vol. 10, no.

6, pp. 925–934, Jun. 2014.

[2] “Batik, the Traditional Fabric of

Indonesia.” [Online]. Available:

http://www.expat.or.id/info/batik.html.

[3] J. Pohjalainen, O. Räsänen, and S.

Kadioglu, “Feature selection methods

and their combinations in high-

dimensional classification of speaker

likability, intelligibility and personality

traits,” Comput. Speech Lang., vol. 29,

pp. 145–171, 2015.

[4] J. R. King and D. A. Jackson, “Variable

selection in large environmental data sets

using principal components analysis,”

Environmetrics, vol. 10, no. 1, pp. 67–

77, 1999.

[5] H. R. Sanabila and R. Manurung,

“Recognition of Batik Motifs using the

Generalized Hough Transform,” in

International Conference on Advanced

Computer Science and Information

Systems (ICACSIS), 2009, pp. 1–6.

[6] L. Rahadianti, R. Manurung, and A.

Murni, “Clustering Batik Images based

on Log-Gabor and Colour Histogram

Features,” in International Conference

on Advanced Computer Science and

Information Systems (ICACSIS), 2009.

[7] I. Nurhaida, R. Manurung, and A. M.

Arymurthy, “Performance Comparison

Analysis Features Extraction Methods

for Batik Recognition,” Icacsis 2012, pp.

207–212, 2012.

[8] A. H. Rangkuti, R. B. Bahaweres, and A.

Harjoko, “Batik Image Retrieval Based

on Similarity of Shape and Texture

Characteristics,” Icacsis 2012, pp. 267–

273, 2012.

[9] A. E. Minarno, Y. Munarko, A.

Kurniawardhani, F. Bimantoro, and N.

Suciati, “Texture feature extraction

using co-occurrence matrices of sub-

band image for batik image

classification,” in 2014 2nd

International Conference on Information

and Communication Technology

(ICoICT), 2014, pp. 249–254.

[10] M. Mirmehdi, X. Xie, and J. S. Suri,

Handbook of texture analysis. Imperial

College Press, 2008.

[11] D. A. Clausi and H. Deng, “Design-

based texture feature fusion using Gabor

filters and co-occurrence probabilities,”

IEEE Trans. Image Process., vol. 14, no.

7, pp. 925–936, Jul. 2005.

[12] P. P. Kumar and I. K. Rao, “Log Gabor

Filter Based Feature Detection in Image

Verification Application,” vol. 3, no. 12,

pp. 703–707, 2014.

[13] D. J. Field, “What is the goal of sensory

coding?,” Neural Comput., vol. 6, pp.

559–601, 1994.

[14] D. Huang, C. Shan, M. Ardabilian, Y.

Wang, and L. Chen, “Local Binary

Patterns and Its Application to Facial

Image Analysis: A Survey,” Syst. Man,

Cybern. Part C Appl. Rev. IEEE Trans.,

vol. 41, no. 6, pp. 765–781, 2011.

[15] P. Pudil, J. Novovičová, and J. Kittler,

“Floating search methods in feature

selection,” Pattern Recognit. Lett., vol.

15, pp. 1119–1125, 1994.

[16] I. T. Jolliffe, Principal Component

Analysis, 2nd ed. New York: Springer,

2002.

[17] SAS, “Introduction : The Basics of

Principal Component Analysis,” in SAS /

STAT Guide, SAS Institute, 1989, pp. 1–

56.

Authors’ background

Your Name Title* Research Field Personal website

Hisyam Fahmi Junior Lecture Image Processing and Pattern Recognition

Remmy Augusta Menzatta Zen

Research assistant

Machine Learning, Image Processing, Computer Vision, Artificial Intelligence

Hadaiq Rolis Sanabila

Lecture Artificial Intelligence and Computational Intelligence

Ida Nurhaida Lecture Image Processing and Pattern Recognition

Aniati Murni Arymurthy

Professor Image Processing and Pattern Recognition

*This form helps us to understand your paper better, the form itself will not be published.

*Title can be chosen from: master student, Phd candidate, assistant professor, lecture, senior lecture, associate professor, full professor

Sistem Basis Data untuk

Aplikasi Pengenalan

Motif Batik Indonesia

Basis data yang digunakan dalam penelitian ini menggunakan MySQL. Terdapat 5 buah

tabel yaitu Ragam Hias, Motif, Isen, User dan ImageQuery. Dari masing-masing tabel

terdapat beberapa field yang menyimpan data dari citra batik. Rancangan Entity

Relationship Diagram (ERD) dapat dilihat pada Gambar 7.1.

Gambar 7.1. Rancangan ERD Data Citra Batik

Setelah dilakukan normalisasi terhadap rancangan ERD, maka akan dikembangkan

basis data dengan membuat DDL (Data Definition Language). DDL akan

mendefinisikan tipe data field dan panjang tipe data. Selanjutnya DDL akan

dieksekusi dan akan menghasilkan basis data seperti Gambar 7.2 di bawah ini.

Gambar 7.2. Sistem Basis Data untuk Data Citra Batik

Prototipe Aplikasi

Pengenalan Motif Batik

Indonesia

Prototipe Aplikasi Pengenalan Motif Batik Indonesia

Gambar 7.3. Halaman utama aplikasi pengenalan batik

Gambar 7.4. Conotoh hasil pengenalan

Gambar 7.5. Halaman login pengguna

Gambar 7.6. Halaman daftar motif batik

Contoh prototype awal dapat diakses pada halaman

http://pripgis.cs.ui.ac.id/batik/batik.html.

Dokumentasi Teknik

Prototipe Aplikasi

Pengenalan Motif Batik

Indonesia

Dokumentasi Teknik Prototipe Aplikasi Pengenalan Motif Batik Indonesia

• Deskripsi Umum Sistem

Aplikasi sistem pengenalan batik Indonesia merupakan sebuah sistem untuk

mengenali jenis motif batik dari sebuah gambar atau foto batik. Keluaran yang

dikembalikan oleh sistem adalah 5 gambar motif di database yang paling mirip

dengan gambar input yang diberikan beserta jenis batik dan nilai kemiripannya.

Diagram alur dari sistem ditunjukkan pada Gambar 7.7.

User

Antarmuka sistem

Input gambar untuk query

Database fitur batik

Ekstrak fitur

Ekstrak fitur

Proses matching

Urutkan paling mirip

Ambil gambar 5 termirip

Input data baru ke database

Database image batik

Kembalikan 5 gambar tebmirip

Gambar 7.7 Arsitektur umum aplikasi pengenalan batik

• Kebutuhan Aplikasi

Kebutuhan aplikasi pengenalan batik ini ada dibagi menjadi 3 fitur sebagai

berikut :

1. Fitur pengenalan motif batik

Fitur ini merupakan fitur utama dari aplikasi. Fitur ini berfungsi untuk

mengembalikan 5 gambar motif batik paling mirip dengan gambar query yang

diberikan. Fitur ini adalah implementasi sistem temu kembali gambar batik,

dimana di dalamnya ada proses untuk melakukan ekstraksi fitur dan proses

matching antara gambar query dengan database.

2. Fitur registrasi data motif batik baru

Fitur ini digunakan untuk menambahkan data motif batik yang baru ke dalam

database. Fitur ini hanya bisa diakses oleh user admin saja. Gambar batik yang

diberikan akan diekstrak fiturnya, kemudian gambar dan fitur tersebut akan

disimpan di dalam database.

3. Fitur untuk melihat motif batik yang ada

Fitur ini merupakan fitur tambahan bagi user umum untuk mlihat motif-motif

batik yang sudah ada. Motif batik yang ditampilkan adalah motif batik yang

sudah diregistrasi ke dalam database. Data batik yang ada di database kita

dapatkan dari museum batik, dalam hal ini museum batik yang sudah kita ambil

datanya adalah museum batik Danar Hadi di Solo.

• Arsitektur Sistem

Aplikasi web pengenalan batik dikembangkan menggunakan bahasa PHP pada sisi

server. Aplikasi tersebut akan menggunakan library OpenCV untuk melakukan

pengolahan citra dan proses matching dengan database. Library OpenCV tersebut

akan diakses sebagai web service, di mana proses yang dilakukan adalah proses

ekstraksi fitur dan pencocokan fitur (matching) dengan data batik yang sudah

tersimpan di basis data. Arsitektur aplikasi web yang dikembangkan adalah seperti

ditunjukkan pada Gambar 7.8.

Database Batik

PHP Server

Aplikasi Web

Ekstrak Fitur

Matching

OpenCV

Gambar 7.8. Arsitektur client dan server aplikasi pengenalan batik

• Antarmuka Sistem

Antarmuka dari aplikasi web dikembangkan menggunakan HTML5, CSS3, dan

javascript. Contoh prototipe awal dapat dilihat pada

halaman http://pripgis.cs.ui.ac.id/batik/batik.html. Halaman utama dari web tersebut

adalah helaman untuk melakukan pengenalan motif batik yang dimasukkan oleh

pengguna.

Gambar 7.9. Antarmuka halaman utama fitur pengenalan motif batik

Hasil pengenalannya akan ditampilkan 5 pola motif yang paling mirip dan

diinformasikan pula tingkat kemiripannya dengan gambar query.

• Deskripsi Penggunaan Fitur

Berikut adalah tata cara penggunaan beberapa fitur pada aplikasi pengenalan batik

ini.

Fitur Pengenalan Batik

1. Pengguna mengakses halaman aplikasi dari browser, dan memilih menu

“Pengenalan”.

2. Pengguna menekan field file untuk memilih gambar batik yang ingin

dikenali. Gambar yang dipilih akan muncul pada area yang disediakan.

Gambar 7.10. Menampilkan gambar pilihan user

3. Pengguna menekan tombol “Kenali” untuk memulai proses pengenalan

motif batik.

4. Setelah beberapa saat, hasil pengenalan akan muncul pada area di sebelah

kanan, dan menampilkan hasil pengenalan diurutkan berdasarkan

kemiripan. Informasi yang ditampilkan adalah terkait jenis ragam hias,

motif batik, isen batik, dan prosentase kemiripan.

Gambar 7.11. Hasil pengenalan gambar batik

Fitur Melihat Motif Batik

1. Pengguna mengakses halaman aplikasi dari browser, dan memilih menu

“Motif Batik”.

2. Pada halaman tersebut akan ditampilkan beberapa contoh motif batik yang

ada.

Gambar 7.12. Halaman daftar motif batik

Fitur Registrasi Data Motif Batik

1. Pengguna mengakses halaman aplikasi dari browser, dan masuk sebagai

“admin”.

Gambar 7.13. Halaman login

1. Setelah berhasil masuk sebagai admin, pengguna mengakses menu

“Tambah Pola”.

2. Pengguna memilih file gambar yang akan ditambahkan ke database.

3. Pengguna menekan tombol “Tambah” untuk memulai proses registrasi

motif batik.

PERSONALIA TIM PENELITI

Dalam pelaksanaan penelitian ini, kami tim peneliti membagi kegiatan penelitian

berdasarkan kesesuaian keahlian dan mengedepankan kerjasama tim untuk

mencapai hasil riset yang maksimal. Berikut adalah deskripsi dari masing-masing

dari ketua dan anggota periset serta pembantu periset.

No Nama

NIP

Instansi

Asal Bidang Ilmu

Jabatan

dalam Tim

Alokasi

Waktu

(Jam/Minggu)

Tugas dalam Tim

1. Prof. Dr. Aniati M.

Arymurthy

NIDN: 0029054802

Fasilkom

UI

Image

Processing,

Remote

Sensing, Data

Mining

Ketua Team

Peneliti, 9 jam

• Merumuskan karakteristik

data batik yang digunakan

• Merumuskan metode

preprocessing yang sesuai

dengan karakteristik batik.

• Melakukan evaluasi

terhadap kinerja sistem

aplikasi yang

dikembangkan.

2. Ida Nurhaida, ST.,

MT.

NIDN: 0310047103

Fasilkom

Universitas

Mercu

Buana

Image

Processing,

Pattern

Recognition,

Multimedia

Anggota, 11

jam

• Membuat analisis terhadap

algoritma dan teknik

ekstraksi fitur untuk

protoype sistem

pengenalan motif batik

Indonesia

• Membuat analisis terhadap

alur aplikasi untuk

pengembangan aplikasi

pengenalan motif batik

Indonesia menggunakan

sistem repositori

• Membuat program

prototype aplikasi sistem

pengembangan motif batik

Indonesia

• Membuat program aplikasi

untuk pengembangan

aplikasi pengenalan motif

batik Indonesia

menggunakan sistem

repositori

3. Dr.Eng. Mohamad

Ivan Fanany.

NIDN: 0314027102

Fasilkom

UI

Machine

Learning,

Computer

Vision, Data

Mining

Anggota, 9

jam

• Mengkoordinir kegiatan

penelitian

• Merumuskan pemilihan

ekstraksi fitur yang

digunakan pada

pengolahan citra

• Merumuskan metode

clustering keypoint pada

No Nama

NIP

Instansi

Asal Bidang Ilmu

Jabatan

dalam Tim

Alokasi

Waktu

(Jam/Minggu)

Tugas dalam Tim

ruang Hough yang akan

digunakan pada

pengembangan sistem

• Melakukan evaluasi

terhadap kinerja sistem

aplikasi yang

dikembangkan.

4. Hadaiq Rolis

Sanabila

Asisten Riset

Laboratorium Pattern

Recognition dan

Image Processing

Fasilkom

UI

Image

Processing,

Basis Data,

Pemrograman

Android

Pembantu

Periset, 24

jam

• Melakukan proses

preprocessing dataset

motif batik Indonesia

• Generate dataset motif

batik Indonesia

• Membuat program

prototype aplikasi sistem

pengembangan motif batik

Indonesia

• Membuat program aplikasi

repositori motif batik

Indonesia berbasis

web/android

5. Remmy A. M. Zen

Asisten Riset

Laboratorium Pattern

Recognition dan

Image Processing

Fasilkom

UI

Image

Processing,

Remote

Sensing,

Machine

Learning,

Pemrograman

Web

Pembantu

Periset, 24 Jam

• Melakukan proses

preprocessing dataset

motif batik Indonesia

• Generate dataset motif

batik Indonesia

• Membuat program

prototype aplikasi sistem

pengembangan motif batik

Indonesia

• Membuat program aplikasi

repositori motif batik

Indonesia berbasis

web/android

6. Hisyam Fahmi

Asisten Riset

Laboratorium Pattern

Recognition dan

Image Processing

Fasilkom

UI

Image

Processing,

Machine

Learning,

Pemrograman

Web

Pembantu

Periset, 24 Jam

• Melakukan proses

preprocessing dataset

motif batik Indonesia

• Generate dataset motif

batik Indonesia

• Membuat program

prototype aplikasi sistem

pengembangan motif batik

Indonesia

• Membuat program aplikasi

repositori motif batik

Indonesia berbasis

web/android

No Nama

NIP

Instansi

Asal Bidang Ilmu

Jabatan

dalam Tim

Alokasi

Waktu

(Jam/Minggu)

Tugas dalam Tim

7. Titi Supartinah Fasilkom

UI

Administrasi Administrasi

Keuangan

• Melakukan pencatatan dan

dokumentasi transaksi

laporan keuangan riset

BIODATA PENELITI

A. Identitas Diri

1 Nama Lengkap (dengan gelar) Prof. Dr. Ir. Aniati Murni Arymurthy M.Sc

2 Jenis Kelamin L/P

3 Jabatan Fungsional Guru Besar

4 NIP/NIK/No. identitas lainnya 194805291975012001

5 NIDN 029054802

6 Tempat dan Tanggal Lahir Magelang, 29 Mei 1948

7 E-mail aniati@cs.ui.ac.id

8 Nomor Telepon/HP 0811888154

9 Alamat Kantor Fakultas Ilmu Komputer, Kampus UI, Depok

10 Nomor Telepon/Faks +62 21 786 3415 / +62 21 786 3419

11 Lulusan yg telah dihasilkan S-1= 30 orang; S-2= 20 orang; S-3= 8 orang

12 Mata Kuliah yg diampu

1Pengolahan Citra

2Analisis Data Spasial

3Metodologi Penelitian

B. Riwayat Pendidikan

Program: S-1 S-2 S-3

Nama PT Universitas

Indonesia

The Ohio State

University

Universitas

Indonesia

Bidang Ilmu Listrik

Computer and

Information

Sciences

Opto Elektro

Teknika &

Aplikasi Laser

Tahun Masuk-Lulus 1968-1973 1979-1981 1994-1997

Judul Skripsi/Tesis/Disertasi Sistem Radar Course Based

Multisensor

Multitemporal

Classifiers

Nama Pembimbingan/Promotor Dr. Sudarmadi - Prof.Dr. A.Jain

C. Pengalaman Penelitian dalam 5 Tahun Terakhir

(Bukan Skripsi, Tesis, maupun Disertasi)

No. Tahun Judul Penelitian Pendanaan

Sumber* Jml (Juta Rp)

1 2012 Model dan Prototipe E-Livestock

Indonesia Sebagai Suatu Sistem e-

Government untuk Ketahanan dan

Keamanan Sumberdaya Sapi Potong

Nasional

Menriste

k

250 juta

2 2011 EKG Device and Analysis UI 1M

154

No. Tahun Judul Penelitian Pendanaan

Sumber* Jml (Juta Rp)

3 2010 Cultural Heritage Menriste

k

200 juta

4 2009 Content-Based Image Retrieval System MenDik

Nas

100 juta

*Tuliskan sumber pendanaan baik dari skema penelitian DIKTI maupun dari

sumber lainnya

D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun

Terakhir

No. Tahun Judul Pengabdian Kepada Masyarakat Pendanaan

Sumber* Jml (Juta Rp)

1

2

3

Dst

*Tuliskan sumber pendanaan baik dari skema pengabdian kepada masyarakat

DIKTI maupun dari sumber lainnya

E. Publikasi Artikel Ilmiah Dalam Jurnal dalam 5 Tahun Terakhir

No. Tahun Judul Artikel Ilmiah Nama Jurnal Volume/

Nomor/Tahun

1 2012 E-Livestock: its Definition for

Indonesia

European

Journal of

Scientific

Research

84/2/2012

2 2012 The Relationships of Soft Systems

Methodology (SSM), Business

Process Modeling and e-Government

International

Journal of

Advanced

Computer

Science and

Applications

3/1/2012

3 2012 Enriching Soft Systems

Methodology (SSM) With

Hermeneutic in e-Government

Systems Development Process

International

Journal of

Computer

Science

Issues

9/1/2012

4 2011 e-Government Ethics : a Synergy of

Computer Ethics, Information Ethics,

and Cyber Ethics

International

Journal of

Advanced

Computer

Science and

Applications

2/8/2011

155

No. Tahun Judul Artikel Ilmiah Nama Jurnal Volume/

Nomor/Tahun

5 2011 Postmodernism in e-Government International

Journal of

Computer

Science

Issues

8/4/2011

6 2011 Color and Texture Feature for

Remote Sensing Image Retrieval

System: A Comparative Study

International

Journal of

Computer

Science

Issues

8/5/2011

7 2011 Selecting Features of Single Lead

ECG Signal for Automatic Sleep

Stages Classification using

Correlation-based Feature Subset

Selection

International

Journal of

Computer

Science

Issues

8/5/2011

8 2011 Geographic Spatiotemporal Dynamic

Model Using Cellular Automata and

Data mining Techniques

International

Journal of

Computer

Science

Issues

8/3/2011

9 2011 Kernel Dimensionality Reduction on

Sleep Stage Classification using

ECG Signal

International

Journal of

Computer

Science

Issues

8/3/2011

10 2011 Transition Rule Mining of Cellular

Geography Model Using Map

Sequence and Spatiotemporal Series

Analysis Approach

International

Journal ATC

1/2/2011

F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun

Terakhir

No. Nama Pertemuan Ilmiah/Seminar Jurnal Artikel Ilmiah Waktu dan

Tempat

1 ICACSIS 2012 Cattle Beef

Segmentation &

Recognition

Jakarta

2

3

Dst

156

G. Karya Buku dalam 5 Tahun Terakhir

No. Judul Buku Tahun Jumlah

Halaman Penerbit

1.

Feature Selection Methods in

Radar Image Classification, Data

Management and Modeling

Using Remote Sensing and GIS

for Tropical Forest Land

Inventory, Y. Laumonier, B.

King, C. Legg and K. Rennolls

(editors),

1999

pp. 231-239,

European

Union (Book

Section)

Rodeo

International

Publishers,

ISBN 979-

95696-0-5,

Jakarta

2.

A. Murni, N. Darwis, M. Mastur,

D. Hardianto, A texture

classification experiment for

SAR radar images, Pattern

Recognition in Practice IV:

Multiple Paradigms,

Comparative Studies and Hybrid

Systems, E.S. Gelsema and L.N.

Kanal (editors),

1994

pp. 213-225,

ISBN 0 4444

81892 8, 1994

(Book

Section)

Elsevier,

North-

Holland

3.

A. Murni dan S. Setiawan,

Pengantar Pengolahan Citra,

1992 (Book)

PT. Elex

Media

Komputindo

, Kelompok

Gramedia,

Jakarta,

ISBN 979-

537-090-1,

1992

H. Perolehan HKI dalam 5-10 Tahun Terakhir

No. Judul/Tema HKI Tahun Jenis Nomor P/ID

1

2

Dst

I. Pengalaman Merumuskan Kebijakan Publik/Rekayasa Sosial Lainnya

dalam 5 Tahun Terakhir

157

No.

Judul/Tema/Jenis Rekayasa

Sosial Lainnya yang Telah

Diterapkan

Tahun Tempat

Penerapan

Respon

Masyarakat

J. Penghargaan dalam 10 Tahun Terakhir (dari pemerintah, asosiasi atau

institusi lainnya)

No. Jenis Penghargaan Institusi Pemberi

Penghargaan Tahun

1

2

3

Dst

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan

dapat dipertanggungjawabkan secara hukum.Apabila di kemudian hari ternyata

dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sanksi.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu

persyaratan dalam pengajuan Penelitian Desentralisasi Perguruan Tinggi skema

Penelitian Unggulan Perguruan Tinggi tahun 2016.

Depok, 28 Oktober 2016

Ketua,

(Prof. Dr. Ir. Aniati M. Arymurthy, M. Sc.)

158

A. Identitas Diri

1. Nama Lengkap (dengan gelar) Ida Nurhaida, Dr., MT.

2. Jenis Kelamin Wanita

3. Jabatan Fungsional Asisten Ahli

4. NIP/NIK/Identitas Lainnya 110710304

5. NIDN 0310047103

6. Tempat/Tanggal Lahir Kuantan (Malaysia), 10 April 1971

7. E-mail ida.nurhaida@mercubuana.ac.id

ida.nurhaida11@ui.ac.id

8. No. Telepon/HP 0217324545/08164820311,

087876725326

9. Alamat Kantor Jl. Raya Meruya Selatan no. 1,

Kembangan Jakarta Barat

Nomor Telepon/Faks 0215840816

10. Lulusan yang telah dihasilkan S-1= 25

11. Mata Kuliah yang Diampu

1 Sistem Multimedia

2 Komunikasi Data

3 Jaringan Komputer

4 Dasar Router

5 Manajemen Proyek Perangkat

Lunak

6 Teknologi Pusat Data

B. Riwayat Pendidikan

S-1 S-2 S-3

Nama Perguruan

Tinggi

Universitas

Hasanuddin

Universitas

Indonesia

Universitas

Indonesia

Bidang Ilmu Teknik Elektro Teknik Elektro Ilmu Komputer

Tahun Masuk-

Lulus

1989 – 1993 2008 – 2010 2011 – sekarang

Judul

Skripsi/Tesis/

Disertasi

Sistem

Administrasi

Terpadu

Laboratorium

dengan

Pengukuran

Overhead,

Linearitas, Isolasi

Kinerja dan

Penggunaan

Sumber Daya

Clustering Fitur-

fitur SIFT pada

Hough Space

untuk Pengenalan

Motif Batik

159

Pemanfaatan Local

Area Network

Perangkat Keras

pada Server

Virtual

Nama

Pembimbing/

Promotor

Ir. Inggrid Nurtanio Prof. Dr. Ir.

Bagio Budiardjo,

M.Sc.

Prof. Dr. Ir. Aniati

Murni Arymurthi,

M.Sc.

C. Pengalaman Penelitian Dalam 5 Tahun Terakhir

No. Tahun Judul Penelitian

Pendanaan

Sumber Jumlah

(Juta Rp)

1. 2010 Distribusi Dokumen Kerja

Berbasis Jaringan Client –

Server

Univ. Mercu

Buana 7

2. 2010

Optimalisasi Penggunaan

Sumber Daya Perangkat

Keras ditinjau dari Kualitas

Layanan dengan Pemanfaatan

Teknologi Virtual

Univ. Mercu

Buana 7

3. 2011

Perancangan infrastruktur

teknologi informasi dalam

lingkungan Universitas Mercu

Buana

Univ. Mercu

Buana 7

4. 2011 Cetak Biru Perencanaan

Strategis Sistem dan

Teknologi Informasi

Univ. Mercu

Buana 50

5. 2014

Pencocokan Keypoint SIFT

Pada Hough Space Untuk

Meningkatkan Kualitas

Pengenalan Motif Batik

DIKTI 50

6. 2016

Pengembangan Aplikasi

Repositori Pengenalan Motif

Batik Indonesia Berbasis

Clustering Keypoint Pada

Ruang Hough

RISTEK

DIKTI 418

160

D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

No. Tahun Judul Pengabdian Kepada

Masyarakat

Pendanaan

Sumber Jumlah

(Juta Rp)

1. 2011

Pengenalan Aplikasi

Multimedia dalam

Pengembangan Media

Pembelajaran pada TK/PAUD

di Lingkungan RW 03

Kelurahan Meruya Selatan

Univ. Mercu

Buana 6

2. 2012

Pengenalan Dasar

Pemrograman menggunakan

Bahasa Pascal untuk Office

Boy Universitas Mercu Buana

Univ. Mercu

Buana 6

3. 2013

Pelatihan Animasi dengan

Flash dan Sosialisasi CD

Pembelajaran Matematika SD

untuk Staf Pengajar Sekolah

Dasar di Wilayah Meruya

Jakarta Barat

Univ. Mercu

Buana 6

2014

Pelatihan Toko Online pada

Karang Taruna RW. 09

Kelurahan Kembangan

Selatan

Univ. Mercu

Buana 6

2016

Pelatihan Design Dengan

Photoshop Untuk Karang

Taruna Kelurahan Palmerah

Jakarta Barat

Univ. Mercu

Buana 6

161

E. Publikasi Artikel Ilmiah dalam Jurnal 5 Tahun Terakhir

No. Judul Artikel Ilmiah Nama Jurnal Volume/Nomor/Tahun

1. Aplikasi Pemantau Status

Jaringan Komputer

Melalui SMS

FIFO - UMB Vol II/1/2010

2. IS Strategic Plan for

Higher Education Based

on COBIT Assessment: A

Case Study

International

Journal of

Information and

Education

Technology

Vol 5/8/2015

F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir

No. Nama Pertemuan

Ilmiah/Seminar

Judul Artikel Ilmiah Waktu dan

Tempat

1. Makassar International

Conference on Electrical

Engineering and

Informatics (MICEEI),

IEEE Indonesia Section

Quality of Service

Measurement in Virtual

Server

2010, Makassar

2. Seminar Nasional

Pengaplikasian Telematika

(SINAPTIKA)

Simulasi Disaster

Recovery Plan (DRP)

menggunakan Teknologi

Virtual pada Server Email

dan Server Basis Data

2011, Jakarta

3. Konferensi Nasional

Sistem Informasi

Efisiensi Distribusi Dokum

Kerja Berbasis Jaringan

Client – Server Studi Kasus

PT XYZ

2011, Medan

4. Konferensi Nasional

Sistem Informasi

Aplikasi Penerjemah

Kalimat ke dalam Notasi

Matematika menggunakan

Konsep Automata

2012, Denpasar

5. International Conference

on Advanced Computer

Science and Information

Systems.

Performance Comparison

Analysis Features

Extraction Methods for

Batik Motif Recognition

2012, Jakarta

162

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan

dapat dipertanggungjawabkan secara hukum.Apabila di kemudian hari ternyata

dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sangsi.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu

persyaratan dalam pengajuan hibah Penelitian Desentralisasi Perguruan Tinggi

skema Penelitian Unggulan Perguruan Tinggi tahun 2016.

Depok, 28 Oktober 2016

Ida Nurhaida, Dr., MT.

163

A. Identitas Diri

1 Nama Lengkap (dengan

gelar)

Mohamad Ivan Fanany, Dr. Eng.

2 Jenis Kelamin L/P

3 Jabatan Fungsional Lektor

4 NIP/NIK/No. identitas

lainnya

121003005

5 NIDN 0314027102

6 Tempat dan Tanggal Lahir Jakarta, 14 Februari 1971

7 E-mail ivan@cs.ui.ac.id

8 Nomor Telepon/HP 081315109262

9 Alamat Kantor Universitas Indonesia, Depok

10 Nomor Telepon/Faks 021-7863419/021*7863415

11 Lulusan yg telah dihasilkan S-1= 9 orang; S-2= 8 orang; S-3= 2 orang

12 Mata Kuliah yg diampu

1. Business Intelligence

2. Data Mining

3. Advanced Machine Learning

4. Biomedical Signal Analysis and

Processing

5. Probability and Statistic

6. Bussiness Intelligence

7. Topics in Machine Learning

8. Biomedical Imaging

B. Riwayat Pendidikan

Program: S-1 S-2 S-3

Nama PT Universitas

Indonesia

Universitas

Indonesia

Tokyo Institute

of Technology

Bidang Ilmu MIPA Ilmu

Komputer Ilmu Komputer

Tahun Masuk-Lulus 1989-1994 1995-1997 2001-2004

Judul

Skripsi/Tesis/Disertasi

Penghitungan

FFT2D

menggunakan

transputer untuk

pengolahan citra

Digital

Bispectrum

Vector

Quantitation

for Speaker

Identification

Recovering

3D-Shape from

erroneous and

view shading

images

Nama

Pembimbingan/Promotor

Dr. Syamsa Ardi

Sasmita

Dr.

Benyamin K.

dan Prof.

Yukio

Kosugi

Prof. Itsuo

Kumazawa

164

C. Pengalaman Penelitian dalam 5 Tahun Terakhir

(Bukan Skripsi, Tesis, maupun Disertasi)

No. Tahun Judul Penelitian Pendanaan

Sumber* Jml (Juta Rp)

1. 2015

Sistem Pendeteksi Kecurangan dalam

Ujian Berbasis Multi Kamera dan

Komputasi Awan

DIKTI 190

No. Tahun Judul Penelitian Pendanaan

Sumber* Jml (Juta Rp)

2. 2015

Sistem Informasi Geografis Lahan

Sawah dan Produksi Beras Nasional

Berdasarkan Citra Inderaja Multi Sensor

DRPM UI 150

3. 2014 Hierarchical Deep Extreme Learning for

Human Activity and Biometry

Recognition

DRPM UI 200

4. 2012 Peningkatan Kapasitas Produksi

Animasi 3D dengan Antarmuka Alami

yang

didukung oleh Teknologi dan Media

Penyiaran Televisi Digital

Menristek 300

5. 2012 Rice Yield and Rice Quality Estimations

for West Java Areas from Compressed

Hyperspectral Images

DRPM UI 200

6. 2011 Sistem Rekonstruksi dan Penangkap

Gerak Otomatis Terintegrasi untuk

Pembuatan

Animasi 3D yang Lebih Cepat dan

Murah

Menristek 200

7. 2010 Sleep Waker Time Controller Device

Development

DRPM UI 1000

*Tuliskan sumber pendanaan baik dari skema penelitian DIKTI maupun dari

sumber lainnya

D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

No. Tahun Judul Pengabdian Kepada Masyarakat Pendanaan

Sumber* Jml (Juta Rp)

1

*Tuliskan sumber pendanaan baik dari skema pengabdian kepada masyarakat

DIKTI maupun dari sumber lainnya

E. Publikasi Artikel Ilmiah Dalam Jurnal dalam 5 Tahun Terakhir

No. Tahun Judul Artikel Ilmiah Nama Jurnal Volume/

Nomor/Tahun

1 2016 A Data Representation Trick

Based on Training Data

Computational and

Mathematical

(under

review)

165

No. Tahun Judul Artikel Ilmiah Nama Jurnal Volume/

Nomor/Tahun

Characteristics to Extract Drug

Named-Entity in Medical Text

Methods in

Medicine

2 2016 Adaptive Online Sequential ELM

for Concept Drift Tackling

Computational

Intelligence and

Neuro Science

(under

review)

3 2016 Metaheuristic Algorithms for

Convolution Neural Network

Computational

Intelligence and

Neuro Science

(under

review)

4 2016 A Comparison of SVM and RVM

for Human Action Recognition

Internetworking

Indonesia Journal

Volume 8,

No. 1. 2016

5 2015 A Sparse Encoding Symmetric

Machines Pre-Training for

Temporal Deep Belief Networks

Journal of

Advanced

Theoretical and

Applied

Information

Technology

Volume 72,

No. 1,

pp. 86-93.

February

2015

6 2015 A New Heuristic Decision Tree

and Time-Invariant Detection of

Paddy Growth Stages from

MODIS Data

Journal of

Advanced

Theoretical and

Applied

Information

Technology

Volume 71,

No. 3,

pp. 430–439.

January 2015

7 2014 Deep Extreme Tracker based on

Bootstrap Particle Filter

Journal of

Advanced

Theoretical and

Applied

Information

Technology

Volume 66,

No. 3,

pp. 857–863

8 2014 Paddy Growth Stages

Classification based on

Hyperspectral

Image Using Modified Fuzzy

Logic

Journal of Remote

Sensing and Digital

Image Processing

Volume 10,

Issue 1, June

2014

F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir

No. Nama Pertemuan Ilmiah/Seminar Jurnal Artikel Ilmiah

Waktu

dan

Tempat

1. International Conference on

Information and Communication

Technology

Classifying Abnormal

Activities in Exam Using

Multi-class Markov Chain LDA

Based on Modec Features

Bandung,

Mei 2016

166

No. Nama Pertemuan Ilmiah/Seminar Jurnal Artikel Ilmiah

Waktu

dan

Tempat

2. Kinematic Features For Human

Action Recognition Using

Restricted Boltzmann Machines

Classifying Abnormal

Activities in Exam Using

Multi-class Markov Chain LDA

Based on Modec Features

Bandung,

Mei 2016

3 International Conference on

Aerospace Electronics and

Remote Sensing Technology

Remote Sensing Big Data

Utilization for Paddy Growth

Stages Detection

Bali,

December

2015

4. Information Systems

International Conference

Twitter Sentiment to Analyze

Net Brand Reputation of

Mobile Phone Providers

Surabaya,

November

2015

5. Information Systems

International Conference

Distribution-Sensitive Learning

on Relevance Vector Machines

for Pose-Based Human Gesture

Recognition

Surabaya,

November

2015

6. Information Systems

International Conference

Simulated Annealing

Algorithm for Deep Learning

Surabaya,

November

2015

7. International Conference on

Advanced Computer Science and

Information Systems

Sleep Stages Classification

using Shallow Classifiers

Depok,

October

2015

8. International Conference on

Advanced Computer Science and

Information Systems

Online Marginalized Linear

Stacked Denoising

Autoencoders for Learning

from Big Data Stream

Depok,

October

2015

9. International Conference on

Computer Science and

Computational Intelligence

Cattle Race Classification

Using Gray Level Co-

occurence Matrix

Convolutional Neural Netrowks

Jakarta,

July, 2015

10. Asian Conference on Intelligent

Information and Database

Systems

Kernel-Based Regularized

Learning for Time-Invariant

Detection of Paddy Growth

Stages from MODIS Data

Bali,

Maret

2015

11. Proceedings of International

Conference of Advanced

Informatics (ICAICTA)

Adaptive DE based on chaotic

sequences and random

adjustemnt for image contrast

enhancement

Bandung,

August

2014

12. Proceedings of International

Conference of Industrial

Automation, Information and

Communication

(IAICT)

Constructive, Robust, and

Adaptive OS-ELM in Human

Action Recognition

Bali,

August

2014.

13. Global Conferences on

Consumers Electronics (GCCE

2014)

Application of Metaheuristic

Algorithms for Optimal

Smartphone

Image Enhancement

Tokyo,

October

2014

167

No. Nama Pertemuan Ilmiah/Seminar Jurnal Artikel Ilmiah

Waktu

dan

Tempat

14. Global Conferences on

Consumers Electronics (GCCE

2014)

A Method for Dance Motion

Recognition and Scoring Using

Two-Layer Classifier Based on

Conditional Random Field and

Stochastic Error-Correcting

Context-free Grammar

Tokyo,

October

2014

15. Global Conferences on

Consumers Electronics (GCCE

2014)

Stacked Denoising Auto-

Encoder for Feature

Representation Learning in

Pose-Based Action Recognition

Tokyo,

October

2014

16. Global Conferences on

Consumers Electronics (GCCE

2013)

Pose-based 3D Human Motion

Analysis Using Extreme

Learning Machine

Makuhari

Messe,

Tokyo

October

2013

17. International of Advanced

Computer Science and

Information Systems (ICACSIS)

A Multiclass ELM Strategy in

Pose-Based 3D Human Motion

Analysis

Bali,

Indonesia,

September

2013

18. International of Advanced

Computer

Science and Information Systems

(ICACSIS)

Particle Filter for 3D Fingertips

Tracking from Color and Depth

Images with Occlusion

Handling

Bali,

Indonesia,

September

2013

19. International of Advanced

Computer

Science and Information Systems

(ICACSIS)

Stochastic Regular Grammar-

based Learning for Basic Dance

Motion Recognition

Bali,

Indonesia,

September

2013

20. International of Advanced

Computer

Science and Information Systems

(ICACSIS)

Ensemble Incremental

Approach of Extreme Learning

Machine (ELM) For Paddy

Growth Stages Classification

Using MODIS Remote Sensing

Images

Bali,

Indonesia,

September

2013

21. International of Advanced

Computer

Science and Information Systems

(ICACSIS)

A syntactical modeling and

classification for performance

evaluation of Bali traditional

dance

Depok,

Indonesia,

2012

22. International of Advanced

Computer

Science and Information Systems

(ICACSIS)

A paddy growth stages

classification using MODIS

remote

sensing images with balanced

branches support vector

machines

Depok,

Indonesia,

2012

168

No. Nama Pertemuan Ilmiah/Seminar Jurnal Artikel Ilmiah

Waktu

dan

Tempat

23. IEEE International Symposium

on Geoscience and Remote

Sensing Symposium (IGARSS)

Genetic algorithm based new

sequence of principal

component regression (GA-

NSPCR) for feature selection

and yield prediction using

hyperspectral remote sensing

data

Munich,

Germany,

July 2012

24. International Workshop on Agent

Based Modeling and Simulation

for Policy Development, held in

cooperation between President’s

Delivery Unit for Development

Monitoring and Oversight of The

Republic of Indonesia and ITB

School of Business and

Management

Agents Based Modeling and

Simulation of Indonesian Rice

Price System from

Decentralized

Bilateral Exchange

Jakarta,

Indonesia,

March

2012

25. International of Advanced

Computer

Science and Information Systems

(ICACSIS)

Enriching time series datasets

using Nonparametric kernel

regression to improve

forecasting accuracy

Bali,

Indonesia,

December

2012

26. International Conference on

Digital Information

Management (ICDIM)

Technology Forecastingin the

Field of Apnea from Online

Publications:

Time Series Analysis on Latent

Semantic

Melbourn

e,

Australia,

2012

27. International Conference on

Digital Information Management

(ICDIM)

Maintaining Imbalance Highly

Dependent Medical Data

Using Dirichlet Process Data

Generation

G. Karya Buku dalam 5 Tahun Terakhir

No. Judul Buku Tahun Jumlah

Halaman Penerbit

1

H. Perolehan HKI dalam 5-10 Tahun Terakhir

No. Judul/Tema HKI Tahun Jenis Nomor P/ID

1

169

I. Pengalaman Merumuskan Kebijakan Publik/Rekayasa Sosial Lainnya dalam 5

Tahun Terakhir

No.

Judul/Tema/Jenis Rekayasa

Sosial Lainnya yang Telah

Diterapkan

Tahun Tempat

Penerapan

Respon

Masyarakat

1. Peranan remote sensing

menuju swasembada beras

2012 UKP4

J. Penghargaan dalam 10 Tahun Terakhir (dari pemerintah, asosiasi atau

institusi lainnya)

No. Jenis Penghargaan Institusi Pemberi

Penghargaan Tahun

1 Outstanding Student Paper Award

Winner

Global Conferences

on Consumers

Electronics

2013

2 Japan Society for Promotion of

Science

JSPS 2005

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan

dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata

dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu

persyaratan dalam pengajuan Hibah Penelitian Unggulan Perguruan Tinggi.

Depok, 28 Oktober 2016

Pengusul,

Mohamad Ivan Fanany, Dr.Eng.