ekstraksi fitur geometri pada citra batik menggunakan
TRANSCRIPT
Ekstraksi Fitur Geometri Pada Citra Batik Menggunakan
Representasi Kurva Cardinal Spline
Aris Fanani1, Anny Yuniarti
2, Nanik Suciati
3
Jurusan Teknik Informatika
Institut Teknologi Sepuluh Nopember
Surabaya, Indonesia
[email protected], [email protected], [email protected]
Abstrak
Batik merupakan warisan budaya bangsa Indonesia. Batik juga diakui sebagai warisan budaya dunia (world
heritage). Dengan diakuinya batik sebagai world heritage, menjadikan batik sebagai bahan pakaian yang sering
digunakan. Dengan berkembangnya teknologi, perancangan busana dengan mengoptimalkan bahan dan perancangan
tata busana secara otomatis dapat dikembangkan. Untuk mengoptimalkan bahan dibutuhkan informasi geometri dari
citra batik. Ekstraksi fitur geometri citra batik digunakan untuk membantu komputer dalam mengenali pola atau motif
batik. Pada penelitian ini, diusulkan sistem ekstraksi fitur geometri citra batik dan merepresentasikan fitur geometri
tersebut menggunakan kurva Cardinal spline. Ekstraksi fitur geometri dibagi menjadi dua yaitu ekstraksi fitur
klowongan dan isen-isen. Fitur klowongan adalah pola dasar objek citra batik sedangkan fitur isen-isen adalah pengisi
dari klowongan. Ekstraksi fitur klowongan dilakukan dengan menghapus collinear point dari boundary objek, sehingga
didapatkan sekumpulan dominant point. Dominant point tersebut digunakan sebagai titik kontrol. Ekstraksi fitur isen-
isen dilakukan dengan menyimpan posisi koordinat untuk setiap connected component yang akan digunakan sebagai
titik kontrol. Hasil dari representasi kurva digunakan untuk merekonstruksi kembali citra batik dengan menggunakan
representasi kurva Cardinal spline. Hasil uji coba menunjukkan bahwa citra rekonstruksi citra batik secara visual sama
dengan citra batik asli.
Kata Kunci: Batik, Ekstraksi fitur geometri, cardinal spline, representasi kurva
Abstract Batik is an Indonesian national heritage. Batik has also been recognized as a world cultural heritage (world
heritage). Being recognized as a world heritage, batik is then widely used as clothing fabric. The role of technology is
to develop material optimization and automatization in fashion designing. To optimize material, geometric information
of batik pattern is needed. Batik’s geometric feature extraction is used to help the computer to recognize the pattern or
motif. This research proposes a Geometry feature extraction and geometry features representation using cardinal
spline curve for Batik Image. Geometry Feature extraction is divided into 2 process, feature extraction for Klowongan
and Feature extraction for Isen-Isen. Klowongan Feature is the basic pattern from Batik Image whereas Isen-Isen
Feature is the content patterns of Klowongan. Extraction Feature for Klowongan is done by deleting collinear points
form object boundaries until the dominant point is obtained. The Dominant points are used as control points. Feature
Extraction for Isen-Isen is done by saving the coordinate of every connected component which is also used as control
points. The result of curve representation is used for reconstruction of batik image by using cardinal spline curve
representation. The result shows that reconstructed image is visually the same as original batik image.
Keywords: Batik, Geometric extraction feature, Cardinal spline, Curve representation.
1. Pendahuluan
Batik adalah kerajinan yang memiliki nilai
seni tinggi dan telah menjadi bagian dari budaya
Indonesia (khususnya Jawa) sejak lama. Secara
etimologi, batik mempunyai pengertian akhiran “thik”
dalam kata “batik” berasal dari kata menitik atau
menetes. Kata “mbatik” berasal dari kata “tik” yang
berarti kecil (Kuswadji, 1981) Dengan demikian dapat
dikatakan bahwa “mbatik” adalah menulis atau
menggambar serba rumit (kecil-kecil). Batik sebagai
warisan tradisional yang terkenal dan unik di Indonesia
juga diakui sebagai warisan budaya dunia (world
heritage). Dengan diakuinya batik sebagai warisan
budaya dunia, menjadikan batik semakin terkenal dan
sebagai bahan pakaian yang sering digunakan. Batik
memiliki karakteristik pada motifnya. Motif dan ragam
hias batik, dibangun dari proses kognitif manusia yang
diperoleh dari alam sekitarnya. Hal inilah yang
dianggap sebagai salah satu aspek yang menarik untuk
diteliti menggunakan sains dan teknologi.
Untuk pengembangan suatu sistem
perancangan busana secara otomatis dan optimasi
bahan dengan bahan baku kain batik, dibutuhkan
ekstraksi fitur geometri dari citra batik. Ekstraksi fitur
geometri citra batik dapat membantu komputer dalam
mengenali pola atau objek citra batik. Ekstraksi fitur
dari citra batik adalah proses untuk mendapatkan fitur
atau penciri dari suatu citra batik. Ekstraksi fitur
geometri citra batik memiliki peranan penting dalam
memahami bentuk objek di dalam suatu citra batik.
Fitur geometri dari suatu objek dibangun oleh satu set
elemen geometris seperti titik, garis, kurva atau
permukaan. Fitur geometri yang dimaksud pada citra
batik disini adalah fitur geometri pola (klowongan
dalam bahasa jawa) dan fitur geometri pengisi pola
(isen-isen dalam bahasa jawa). Teknik pemrosesan citra
digital telah banyak digunakan dalam pengenalan objek
(object recognition) dan representasi objek (object
representation).
Pemrosesan citra digital memerlukan suatu
proses pre-processing yang selanjutnya akan digunakan
untuk proses yang lain. Proses tersebut adalah
segmentasi. Segmentasi merupakan langkah pertama
dan menjadi kunci yang penting dalam suatu
pengenalan objek. Telah banyak metode segmentasi
dikembangkan. Salah satunya adalah metode
thresholding yang sering digunakan untuk segmentasi
karena mudah dan intuitif. Hasil dari segmentasi akan
berdampak pada proses memahami dan menganalisis
citra, seperti klasifikasi objek, deskripsi objek,
representasi objek dan sebagainya. Pendekatan
neutrosophic untuk segmentasi berhasil memisahkan
objek dan background (Zang, Zhang, & Cheng, 2009).
Banyak penelitian dilakukan untuk
merepresentasikan objek. Metode yang digunakan
diantaranya adalah polygon approximation, dan
representasi kurva. Sekumpulan point dari batas objek
(kontur) digunakan untuk mendapatkan polygon
approximation dari bentuk objek itu sendiri (Poyato,
Madrid-Cuaves, & Medina-Carnicer, 2010). Dominant
point didapatkan dari kontur dengan menghapus
collinear point. Ketika bentuk objek mengandung unsur
lengkung, maka polygon approximation tidak dapat
memberikan hasil yang memuaskan dalam representasi
bentuk. Pendekatan lain yang digunakan adalah
menggunakan representasi kurva. Kurva Bezier
merupakan kurva polinomial berderajat n yang
menggabungkan titik kontrol untuk penggambarannya.
Kurva Bezier memiliki kelemahan, salah satunya tidak
memiliki properti kontrol lokal karena penggeseran satu
titik kontrol saja akan mempengaruhi hasil kurva secara
keseluruhan. Karena kelemahan tersebut muncul pola
pikir penggabungan beberapa segmen kurva Bezier
berderajat rendah yang disebut dengan kurva cardinal
spline. Objek grafik dipisah menjadi beberapa segmen
dengan harapan melakukan modifikasi pada suatu
wilayah hanya mempengaruhui segmen tersebut.
Beberapa penelitian terkait dengan citra batik
adalah sistem temu kembali citra berbasis isi (content-
based image retrieval/CBIR) (Eka, 2011), ekstraksi fitur
motif batik yang digunakan untuk klasifikasi motif
batik (Arisandi & Suciati, 2011). Pada penelitian ini,
diusulkan sistem ekstraksi fitur geometri pada citra
batik dan merepresentasikan kembali menggunakan
representasi kurva cardinal spline. Sistem terdiri dari
tiga bagian: ekstraksi fitur geometri, representasi kurva
cardinal spline dari fitur geometri, dan rekonstruksi
citra batik.
2. Studi Literatur
Pada bagian ini, akan dijelaskan mengenai teori-
teori yang menjadi landasan dalam melakukan
penelitian ini. Adapun teori-teori yang akan dijelaskan
adalah tentang pendekatan neutrosophic untuk
segmentasi dan Cardinal spline. Sedangkan freeman
chain code, deteksi tepi canny, dan connected
component labeling tidak dibahas lagi dalam penelitian
ini karena metode tersebut merupakan metode yang
sudah umum diketahui dalam pengolahan citra.
2.1. Pendekatan Neutrosophic untuk segmentasi
Neutrosophy merupakan cabang ilmu dari
filsafat yang mempelajari asal usul, sifat dan ruang
lingkup neutralities. Neutrosophy dapat dianggap
sebagai sebuah proposisi, teori, kejadian, konsep
ataupun entity. <A> merupakan kejadian atau entity,
<Non-A> merupakan bukan <A>, dan <Anti-A>
adalah kebalikan dari <A>. <Neut-A> didefinisikan
sebagai selain <A> dan <Anti-A>. Sebagai contoh, jika
<A>=putih, kemudian <Anti-A>=hitam. <Non-A> =
(2.4)
biru, kuning, merah (selain warna putih). <Neut-A> =
biru, kuning, merah (selain warna putih dan hitam).
Komponen neutrosophic T, I, F menyatakan
<A>, <Neut-A>, dan <Anti-A>. Setiap elemen A(T,I,F)
termasuk ke dalam set : t true, i indeterminate, f false,
dimana t, i, dan f adalah nilai real yang diambil dari set
T, I dan F.
Pendekatan neutrosophic untuk segmentasi
berdasarkan metode watershed telah dilakukan (Zang,
Zhang, & Cheng, 2009). Langkah-langkah pendekatan
neutrosophic untuk segmentasi berdasarkan metode
watershed dijelaskan sebagai berikut:
2.1.1. Pemetaan dan Penentuan {T,F}
Pada tahap ini dilakukan pemetaan dan
penentuan matriks citra pada domain T dan domain F. T
adalah objek dan F adalah background. Proses
penentuan nilai T dan F yang termasuk komponen dari
neutrosophic dengan menggunakan S-function sebagai
berikut:
𝑇 𝑥, 𝑦 = 𝑆 𝑔𝑥𝑦 , 𝑎, 𝑏, 𝑐
=
0 0 ≤ 𝑔𝑥𝑦 ≤ 𝑎,
𝑔𝑥𝑦 −𝑎 2
𝑏−𝑎 𝑐−𝑎 𝑎 ≤ 𝑔𝑥𝑦 ≤ 𝑏,
1 − 𝑔𝑥𝑦 −𝑐
2
𝑐−𝑏 𝑐−𝑎 𝑏 ≤ 𝑔𝑥𝑦 ≤ 𝑐,
1 𝑔𝑥𝑦 ≥ 𝑐,
𝐹 𝑥, 𝑦 = 1 − 𝑇 𝑥, 𝑦 , dimana gxy merupakan nilai intensitas dari piksel P(i,j).
variabel a,b, dan c adalah parameter yang menentukan
bentuk dari S-function. Nilai variabel a, b, dan c
dihitung dengan metode berdasarkan histogram (Cheng
& Wang, 2004): 1. Hitung histogram citra
2. Tentukan local maxima dari histogram,
Hismax(g1), Hismax(g2),…, Hismax(gk)
3. Hitung nilai rata-rata local maxima dengan
persamaan berikut:
𝐻𝑖𝑠𝑀𝑎𝑥 (𝑔) = 𝐻𝑖𝑠𝑀𝑎𝑥 (𝑔𝑖)𝑛
𝑖=1
𝑛
4. Tentukan local maxima sebagai puncak yang
tingginya melebihi Hismax(g). Asumsikan
puncak yang pertama kali ditemukan sebagai
gmin dan terakhir ditemukan gmax
5. Tentukan batas bawah gray level B1 dan batas
atas B2:
𝐻𝑖𝑠 𝑖 = 𝑓1𝐵1𝑖=𝑔𝑚𝑖𝑛
𝐻𝑖𝑠 𝑖 = 𝑓1𝑔𝑚𝑎𝑥𝑖=𝐵2
dimana f1=0,01 (didapat dari hasil percobaan).
𝑔𝑚𝑖𝑛 merupakan nilai gray level yang lebih
besar dari 0 dan pertama kali ditemukan.
Sedangkan 𝑔𝑚𝑎𝑥 merupakan nilai gray level
yang lebih besar dari 0 dan terakhir kali
ditemukan.
6. Tentukan nilai parameter a dan c :
𝑎 = 1 − 𝑓1 𝑔1 − 𝑔𝑚𝑖𝑛 + 𝑔𝑚𝑖𝑛 ,
jika (a>B1) , a= B1
𝑐 = 𝑓1 𝑔𝑚𝑎𝑥 − 𝑔𝑛 + 𝑔𝑛
jika (c> B2), c= B2
7. Hitung parameter b dengan menggunakan
prinsip maksimum entropi :
𝐻 𝑋 =1
𝑀 × 𝑁 𝑆𝑛(𝑇 𝑥, 𝑦 )
𝑁
𝑗=1
𝑀
𝑖=1
,
dimana Sn ( ) merupakan Shannon function
yang didefiisikan sebagai:
𝑆𝑛 𝑇 𝑥, 𝑦 = −𝑇 𝑥, 𝑦 𝑙𝑜𝑔2𝑇 𝑥, 𝑦 − (1
− 𝑇 𝑥, 𝑦 𝑙𝑜𝑔2 1 − 𝑇 𝑥, 𝑦
Parameter nilai b berada antara nilai a dan c.
Untuk mendapatkan nilai b yang optimal,
diperlukan pengecekan terhadap seluruh
kemungkinan nilai b. Nilai b yang optimal
akan menghasilkan nilai maximum entropy
H(X) yang terbesar:
𝐻𝑀𝑎𝑥 𝑋, 𝑎, 𝑏𝑜𝑝𝑡 , 𝑐 = max{𝐻[𝑋, 𝑎, 𝑏, 𝑐]|𝑔𝑚𝑖𝑛 ≤
𝑎 < 𝑏 < 𝑐 ≤ 𝑔𝑚𝑎𝑥 }.
2.1.2. Enhancement
Setelah didapatkan citra baru pada domain
neutrosophic, dilakukan proses enhancement. Proses ini
bertujuan untuk memperbaiki citra pada domain baru.
Proses enhancement dilakukan dengan menggunakan
transformasi intensitas. Berikut adalah fungsi yang
digunakan untuk melakukan perbaikan pada citra di
domain neutrosophic:
𝐸 𝑇 𝑥, 𝑦 = 2𝑇2 𝑥, 𝑦 , 0 ≤ 𝑇 𝑥, 𝑦 ≤ 0.5,
𝐸 𝑇 𝑥, 𝑦 = 1 − 2(1 − 𝑇 𝑥, 𝑦 )2, 0,5 < 𝑇 𝑥, 𝑦 ≤ 1.
2.1.3. Thresholding
Salah satu cara untuk mengambil objek dari
background-nya adalah dengan memilih nilai threshold
T yang dapat memisahkan kelompok satu dengan yang
lain. Nilai threshold ditentukan dengan menggunakan
pendekatan heuristic (Gonzalez, 2002):
1. Menentukan inisial threshold t0 pada f(x,y)
2. Memisahkan f(x,y) dengan menggunakan t0,
kemudian mengelompokkannya menjadi 2
kelompok piksel baru, F1 dan F2
3. Setiap kelompok pada F1 dan F2 dicari nilai
rata-ratanya μ1 dan μ2
4. Hitung nilai threshold baru dengan persamaan
t1= (μ1 +μ2)/2
5. Ulangi langkah ke-2 hingga 4 sehingga selisih
nilai dari tn – tn-1 < ε (dimana ε = 0,0001 ).
Jika terpenuhi kondisi ini, tn merupakan nilai
threshold yang ditetapkan.
2.2. Cardinal Spline
Cardinal spline merupakan interpolasi spline
yang menggunakan tarikan (tension) untuk membentuk
sebuah kurva. Interpolasi cardinal spline merupakan
modifikasi dari quadratic Bazier spline yang
menggunakan proses penyambungan dengan
kontinuitas C1. Satu segmen dari kurva cardinal spline
didefinisikan oleh 4 titik kontrol, kurva akan
menginterpolasi keempat titik kontrol tersebut dan
harus memenuhi persamaan berikut:
𝑝 𝑢 = 𝑢3 𝑢2 𝑢 1 𝜏
−1
2
𝜏 − 1
−2
𝜏 − 1 1
2 2
𝜏 − 1
2
𝜏 − 1 − 1
−1 0 1 0 0 1/𝜏 0 0
𝑝𝑖−1
𝑝𝑖
𝑝𝑖+1
𝑝𝑖+2
dimana 𝜏 adalah parameter tarikan atau tension, u adalah
vektor knot, dan pi adalah titik kontrol. Pada penelitian ini, 𝜏
yang digunakan adalah 0,5.
3. Ekstraksi Fitur Geometri Citra Batik
Ekstraksi fitur geometri citra batik memiliki
peranan penting dalam memahami bentuk objek di
dalam suatu citra batik. Fitur geometri dari suatu objek
dibangun oleh satu set elemen geometris seperti titik,
garis, kurva atau permukaan. Fitur geometri yang
dimaksud pada citra batik disini adalah fitur geometri
pola (klowongan dalam bahasa jawa) dan fitur geometri
pengisi pola (isen-isen dalam bahasa jawa).
3.1. Ekstraksi Fitur Geometri Klowongan
Fitur klowongan pada citra batik adalah pola dasar
dari citra batik. Klowongan dari citra batik seperti pada
Gambar 3. Ekstraksi fitur geometri klowongan seperti
ditunjukkan pada Gambar 4a.
a b
Gambar 3. (a) Citra batik; (b) Klowongan batik
Proses ekstraksi fitur geometri dimulai dengan
memasukkan citra RGB batik dan mengubah menjadi
grayscale. Setelah citra dirubah menjadi grayscale,
dilakukan denoising dengan mean filtering yang
bertujuan untuk menghilangkan noise. Citra hasil
denoising selanjutnya akan dilakukan segmentasi
dengan threshold berbasis neutosophic seperti yang
dijelaskan pada bagian 2.1. Hasil dari segmentasi akan
ditentukan connected component labeling dengan 8-
neigborhood. Dari hasil connected component labeling
akan dicari data arah dari bentuk setiap objek pada citra
dengan metode chain code dan menyimpan posisi
koordinatnya. Algoritma chain code yang digunakan
dalam ekstraksi chain code 8-connected adalah sebagai
berikut (Amizah & Mohammad Zain, 2009):
a. Tentukan piksel dalam objek yang nilainya
paling kiri di baris paling atas, anggap piksel
itu P0 seperti pada Gambar 5 (a).
b. Tentukan variabel dir (untuk arah). Atur dir =7
(karena P0 adalah piksel kiri atas dalam objek,
arah piksel berikutnya harus 7).
c. Jalankan 3x3 neighborhood dari piksel
sekarang. Awali pencarian pada piksel dalam
arah dir + 7 (mod 8) jika dir genap atau dir + 6
(mod 8) jika dir ganjil (Gambar 5(b-c)). Ini
akan berakibat arah pertama berlawanan
dengan arah jarum jam dari dir:
dir 0 1 2 3 4 5 6 7
dir+7(mod 8) 7 0 1 2 3 4 5 6
dir+6 (mod 8) 6 7 0 1 2 3 4 5
d. Piksel foreground pertama akan menjadi batas
baru elemen. Dan perbarui dir seperti pada
Gambar 5 (d),
e. Berhenti jika batas elemen sekarang Pn sama
dengan elemen kedua P1 dan piksel batas
sebelumnya sama Pn-1 sama dengan elemen
batas pertama P0.
Gambar 5 di bawah ini menunjukkan
penentuan P0 dan penentuan arah menggunakan
algoritma di atas.
Citra RGB
Batik
Segmentasi
dengan threshold
berbasis
neutrosophic
Connected
Component
Labeling
Penentuan arah
batas objek
dengan Chain
Code
Reduksi fitur
geometri
klowongan
Database fitur
geometri
klowongan
Denoising dengan
Mean Filtering
Ubah ke
Grayscale
Citra Grayscale
Batik, Citra
Segmentasi,
Citra RGB
Deteksi Tepi Canny
Citra Grayscale batik
Isolasi Interior
Citra=Hasil Canny -
erosi(Citra
Segmentasi)
Database fitur
geometri isen-
isen
Reduksi fitur
geometri isen-isen
Connected
Component
Labeling
a b
Gambar 4. a. Ekstraksi fitur geometri klowongan citra
batik; b. Ekstraksi fitur geometri isen-isen
Gambar 5. (a) Penentuan P0 (b-d) Penentuan arah.
Reduksi fitur geometri klowongan dilakukan
dengan mencari dominant point dari setiap bentuk
objek berdasarkan arah yang dihasilkan proses chain
code. Langkah-langkah menentukan dominant point
dengan cara menghapus collinear point (Poyato,
Madrid-Cuaves, & Medina-Carnicer, 2010):
a. Pilih tiga point (posisi koordinat) pada batas
objek, misalkan Pi, Pj, dan Pk
b. Tentukan nilai threshold (dt)
c. Hapus point Pj, dengan nilai distance (d) dari
garis lurus yang dibentuk Pi dan Pk jika d ≤ dt
. Distance (d) dihitung dengan persamaan:
𝑑 = ( 𝑥𝑘 − 𝑥𝑖 𝑦𝑗 − 𝑦𝑖 − 𝑦𝑘 − 𝑦𝑖 𝑥𝑗 − 𝑥𝑖 )2
(𝑥𝑖 − 𝑥𝑗 )2 + (𝑦𝑖 − 𝑦𝑗 )2
d. Ulangi langkah c, dan berhenti jika Pj = Pi
Gambar 6 ini menunjukkan bagaimana cara
mendapatkan dominant point menggunakan algotirma
di atas.
Gambar 6. Proses penghapusan collinear point (I)
Setelah dominant ponit didapatkan dari proses
reduksi, koordinat dominat point dari setiap objek
disimpan dalam database yang nantinya akan digunakan
untuk rekonstruksi citra batik dengan menggunakan
carrdinal spline.
3.2. Ekstraksi Fitur geometri Isen-isen
Isen-isen citra batik adalah pengisi klowongan dari
batik. Contoh isen-isen dari citra batik seperti
ditunjukkan pada Gambar 7. Proses ekstraksi fitur
geometri isen-isen seperti pada Gambar 4b.
(a) (b)
Gambar 7. (a)Citra batik (b) Isen-isen citra batik.
Ekstraksi fitur geometri isen-isen dilakukan dengan
memasukkan citra RGB batik, mengubah menjadi
grayscale dan memasukkan citra hasil segmentasi. Citra
grayscale dilakukan deteksi tepi dengan metode canny.
Untuk mendapatkan isen-isen dari citra batik dilakukan
isolasi isen-isen citra batik. Isolasi isen-isen dilakukan
dengan cara mengalikan matrik citra hasil deteksi tepi
canny dengan matriks citra hasil erosi citra
tersegmentasi. Dari hasil isolasi citra isen-isen
dilakukan connected component labeling dan
menyimpan posisi koordinat isen-sen kedalam database
yang nantinya akan digunakan sebagai titik kontrol
dalam rekonstruksi dengan menggunakan cardinal
spline.
3.3. Rekonstruksi Citra Batik Hasil representasi
kurva interpolasi cardinal spline
Hasil dari ekstraksi fitur geometri klowongan
dan isen-isen merupakan sekumpulan dari dominant
point. Sekumpulan dominant point yang telah disimpan
dalam database tersebut nantinya akan digunkan
sebagai titik kontrol dalam rekonstruksi citra batik
dengan menggunakan cardinal spline.
4. Ujicoba dan Analisis
Data yang digunakan dalam penelitian ini
adalah citra batik madura. Citra batik madura
didapatkan dengan memfoto secara langsung kain batik
dari pengrajin batik madura. Serangkaian uji coba
dilakukan untuk mengevaluasi sistem yang diusulkan.
Tabel 1 menunjukkan hasil dari uji coba. Citra asli,
ukuran dan waktu proses ditunjukkan pada kolom 1.
Citra hitam putih sebagai input dari proses ekstraksi
klowongan ditunjukkan pada kolom 2. Citra hasil
isolasi dari isen-isen ditunjukkan pada kolom 3 dan
hasil dari algoritma yang diusulkan seperti pada kolom
4. Hasil dari connected component labeling dari citra
klowongan dan citra isen-isen tidak ditunjukkan karena
berisi citra hitam putih yang sama dengan citra
klowongan dan isen-isen hanya saja citra connected
component labeling berisi satu objek yang terhubung
berdasarkan 8-neighborhood.
Dari semua citra batik yang digunakan untuk
ujicoba, algoritma dapat menginterpolasi sekumpulan
titik kontrol yang diberikan berdasarkan representasi
kurva cardinal spline dari klowongan dan isen-isen.
Secara visual hasil rekonstruksi dengan menggunakan
representasi kurva cardinal spline memberikan hasil
yang hampir sama dengan citra asli. Dari hasil uji coba,
citra batik ke-3 memiliki waktu pemrosesan yang
paling cepat, yaitu 62,87 detik. Sedangkan citra batik
ke-4 memiliki waktu pemrosesan yang paling lama,
yaitu 1152.77 detik. Berdasarkan hasil citra klowongan
dan isen-isen, citra ke-3 memiliki connected component
paling sedikit yang berakibat semakin sedikit juga
sekumpulan titik kontrol. Sedangkan citra ke-4
memiliki connected component paling banyak, yang
berakibat semakin banyak juga sekumpulan titik
kontrol. Waktu pemrosesan ditentukan oleh banyak
sedikitnya sekumpulan dari titik kontrol yang
digunakan dalam representasi kurva cardinal spline
bukan berdasarkan ukuran citra.
5. Kesimpulan Hasil uji coba menunjukkan bahwa, sistem
yang diusulkan dapat melakukan reduksi fitur geometri
citra batik, merepresentasikan ke dalam representasi
kurva cardinal spline dan merekonstruksi citra batik
dengan titik kontrol yang diberikan berdasarkan
representasi kurva cardinal spline. Hasil rekonstruksi
citra batik secara visual hampir sama dengan citra asli.
6. Referensi Amizah, N., & Mohammad Zain, J. (2009). Application
of Freeman Chain Codes: An Alternative
Recognition Technique for Malaysian Car
Plates . IJCSNS International Journal of
Computer Science and Network Security , 222-
227.
Arisandi, B., & Suciati, N. (2011). Pengenalan Motif
Batik dengan Rotated Wavelet Filter dan
Neural Network.
Canny, J. (1986). A Computational Approach to Edge
Detection. IEEE Transactions On Pattern
Analysis And Machine Intelligence , 679-714.
Cheng, H., & Wang, X. (2004). Microcalcification
detection using fuzzy logic and scale space
approach. IEEE , 363-375.
Eka, R. (2011). Pengembangan Sistem Temu Kembali
Citra Batik Menggunakan Transformasi
Wavelet Yang Dirotasi dan Multi-Layer
Perceptron.
Gonzalez, R. C. (2002). Digital Image Processing. New
Jersey : Prentice-Hall, Inc., Upper Saddle
River.
Kuswadji. (1981). Mengenal Seni Batik di Yogyakarta.
Yogyakarta: Proyek Pengembangan
Permuseuman Yogyakarta.
Poyato, C., Madrid-Cuaves, F., & Medina-Carnicer, R.
(2010). Polygonal approximation of digital
planar curves through break point suppression.
Pattern Recognition Sciencedirect , 14-25.
Zang, M., Zhang, L., & Cheng, H. (2009). A
Neutrosophic Approach To Segmentation
Based On Watershed Method. Signal
Processing In ScienceDirect .
0 50 100 150 200 250 300 3500
50
100
150
200
250
300
350
0 100 200 300 400 500 6000
100
200
300
400
500
600
0 50 100 150 200 250 300 3500
50
100
150
200
250
0 50 100 150 200 250 300 350 400 450 5000
50
100
150
200
250
300
350
400
450
0 50 100 150 200 250 300 350 400 4500
50
100
150
200
250
300
350
Tabel 1. Hasil Uji Coba
No Citra Batik Hasil citra klowongan Hasil citra isen-isen Hasil rekonstruksi
1
Ukuran : 687 x 630
Waktu : 881.98 detik
2
Ukuran : 381 x 392
Waktu : 95.22 detik
3
Ukuran : 376 x 292
Waktu :62.87 waktu
4
Ukuran : 530 x 469
Waktu : 1152.77 detik
5
Ukuran : 640 x 480
Waktu : 342.61 detik