PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/17918/2/135314055_full.pdf · 2018. 2....

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

vii

ABSTRAK

Tato merupakan suatu tradisi dari suku Dayak Iban khususnya yang berlokasi

di Kabupaten Kapuas Hulu, Kalimantan Barat, Indonesia. Namun banyak pemuda-

pemudi yang belum mengetahui arti dari tato yang di lukis di para tetua saat ini.

Maka dari itu penilitian yang akan dilakukan ini bertujuan untuk membudayakan

suatu tradisi tato yang memiliki arti pada setiap pola dan bentuk ukirannya. Data yang

akan digunakan adalah dalam bentuk gambar format JPG yang diambil dari kamera

smartphone beresolusi 16 megapixel yang berjumlah 50 data sebagai learning.

Rencana penelitian akan diuji menggunakan alat uji yang dibuat menggunakan

aplikasi matlab dengan data testing terdiri dari 30 data, Hasil dari pengujian ini akan

dihitung persentase dengan rumus yang sudah ada. Tujuan akhir dari penelitian ini

adalah melihat apakah metode yang digunakan akan menghasilkan bisa mengenali

motif tato ini dan menghasilkan akurasi yang bagus.

Pada penelitian ini akan di bangun sebuah prototype sistem yang mampu

mengenali gambar tato Dayak Iban dengan data yang diperoleh untuk template

database adalah data yang diambil dari katalog tato Dayak Iban yang ada di

perpustakaan Rumah Betang (Rumah Adat) daerah Sungai Utik, Kapuas Hulu. Data

yang dikumpulkan akan di foto dan di jadikan database. Selain itu, untuk data

sebagai testing akan diambil dari tato yang ada di kulit dan dari foto katalog yang di

ambil dari sudut pengambilan kira-kira 45o. Tahapan dalam penelitian ini adalah

pemotongan gambar dan mengganti ukuran gambar menjadi 400x300 setelah itu akan

di masukan ke tahap preprocessing. Pada tahap preprocessing akan dikenakan proses

grayscaling, binarization, deteksi tepi Canny, dan resizing. Dari hasil preprocessing

untuk data training akan dimasukan kedalam template database dan data uji akan

diidentifikasi. Proses identifikasi menggunakan metode template matching dan hasil

dari pengenalan ini adalah berupa nama yang akan dikenali oleh proses identifikasi.


viii

Dari hasil yang sudah didapat ini akan dihitung nilai akurasi yang akan

menguji kehandalan dari sistem ini. Untuk akurasi yang dihasil kan dari penelitian ini

jika mendahulukan proses Canny sebelum resize, didapat hasil dari segi kaum awam

yaitu 83,33% data ini di didapat dari hasil secara umum dan dari segi seorang citra

yaitu 16,66% data ini didapat dari hasil kemiripan suatu data. Jika menggunakan

resize terlebih dahulu sebelum proses deteksi tepi Canny maka akan menghasilkan

nilai akurasi yaitu dari segi kaum awam atau secara umum menghasilkan 33,33% dan

dari segi seorang citra menghasilkan 6,66%. Untuk hasil yang didapat yang

mempengaruhi ketepatan identifikasi adalah dari segi posisi dan letak gambar, rotasi

gambar, dan pencahayaan.

Kata Kunci: Tato Dayak Iban, Deteksi Tepi Canny, Template Matching, Minimum

Distance, Jarak City Block.


ix

ABSTRACT

Tattoo is a tradition of Iban Dayak tribe especially located in Kapuas Hulu

District, West Kalimantan, Indonesia. But many young people who do not know the

meaning of the tattoo painted in the elders today. Therefore the research that will be

done is aimed to civilize a tattoo tradition that has meaning in every pattern and shape

of carving. the data to be used is in the form of JPG format images taken from the

camera camera 16 megapixel resolution of 50 data as learning. The research plan will

be tested using test tools made using matlab application with data testing consisting

of 30 data, result of this test will be calculated percentage with the existing formula.

The Final destination of this study is to see whether the method used will result in

recognizing this tattoo motif and producing good accuracy.

In this research will be built a prototype system that is able to recognize

images of Dayak Iban tattoos with data obtained for database templates are data taken

from the Iban Dayak tattoo catalog that is in the library of Rumah Betang (Rumah

Adat) Sungai Utik area, Kapuas Hulu. The data collected will be in the photo and in

the database. In addition, for the data as the testing will be taken of the tattoo on the

skin and from the photo catalog are taken from the angle of approximately 45o.

Stages in this research is cutting the image and changing the image size to 400x300

after it will be input to the preprocessing stage. In the preprocessing stage will be

subject grayscaling process, binarization, Canny edge detection, and resizing. From

the preprocessing results to the training data will be entered into the template

database and test data will be identified. The identification process using the template

matching method and the result of this introduction is a name that will be identified

by the identification process.

From the results already obtained this will be calculated the value of accuracy

that will test the reliability of this system. For accuracy resulted from this research if

priority Canny process before resize, got result from facet side that is 83,33% this


x

data obtained from result in general and in terms of an image that is 16,66% this data

obtained from result of likeness. If using resize first before Canny edge detection

process will produce accuracy value that is in terms of the laity or generally produce

33.33% and in terms of an image produces 6.66%. For results that affect the accuracy

of identification is in terms of position and location of the image, image rotation, and

lighting.

Keywords: Iban Dayak Tattoos, Canny Edge Detection, Template Matching,

Minimum Distance, City Block Distance.


xi

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, atas segala

rahmat dan berkat-Nya sehingga penulis dapat menyelesaikan Skripsi yang berjudul

"Pengenalan Motif Tato Dayak Menggunakan Deteksi Tepi Canny dan Template

Matching". Penulisan skripsi ini bertujuan memenuhi salah satu syarat untuk

mendapat gelar sarjana pada Program Studi Teknik Informatika, Fakultas Sains dan

Teknologi, Universitas Sanata Dharma Yogyakarta.

Penulis menyadari bahwa banyak hambatan dan kesulitan yang timbul dalam

menyelesaikan skripsi ini, namun dapat terselesaikan dengan bantuan, dukungan dan

perhatian dari berbagai pihak. Oleh karena itu, pada kesempatan kali ini penulis ingin

mengucapkan terima kasih kepada semua pihak yang secara langsung maupun tidak

langsung memberi bantuan dan dukungan untuk terselesaikannya skripsi ini:

1. Dr. Anastasia Rita Widiarti selaku dosen pembimbing yang telah sabar dan

murah hati dalam membimbing dan memotivasi penulis dalam menyelesaikan

penulisan skripsi.

2. Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik Informatika

Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

3. Raymundus Remang selaku Petinggi Adat Betang Sungai Utik Kapuas Hulu

yang telah berkenan memberikan ijin dan kesempatan kepada penulis untuk


xii

melalukan penelitian.

4. Tim Kreator Pembuat Tatto Dayak Iban Sungai Utik, Kapuas Hulu,

Kalimantan Barat (Apat, Candao, Hendra, Muling, Mundus, Nanang, Yosep

Lampun, dan Mardiana Maria Timah) yang telah membimbing dan memberi

arahan selama penulis melakukan penelitian.

5. Alexander Novan Putra Lamandau, Teguh Dwi Putra dkk dan Katalog Tato

Dayak Iban Perpustakaan Daerah Rumah Betang Sungai Utik yang diteliti

serta bersedia menjadi subyek penelitian serta bersedia membantu dengan

ikhlas membantu demi kelancaran penelitian.

6. Army Purnama Sari selaku teman yang membantu dalam proses bahasa

instrumen penelitian.

7. Kedua orang tua serta adik-adikku atas segala dukungan, kasih sayang, serta

doa kepada penulis.

8. Fransiskus Apeng S.Ag dan Veronika S.Ag selaku motivator dalam

meneyelesaikan penulisan skripsi.

9. Teman-teman (Army, Ezra, Arga, Jovi, Windi, Ujang, Amel, dan Soni) yang

bersedia membantu saya untuk memperbaiki typing error dan membantu

pembuatan program alat uji saat menyelesaikan skripsi di Kost dan Kontrakan

pada saat penulis melakukan perbaikan penulisan dan revisi.

10. Teman-teman Teknik Informatika 2013 atas kebersamaan dalam

menyelesaikan studi di Universitas Sanata Dharma.

11. Semua pihak yang tidak dapat disebutkan satu persatu dalam penyusunan


xiv

DAFTAR ISI

HALAMAN JUDUL ................................................................................................... i

TITLE PAGE ............................................................................................................. ii

HALAMAN PERSETUJUAN .................................................................................. iii

HALAMAN PENGESAHAN ................................................................................... iv

PERNYATAAN KEASLIAN KARYA .................................................................... v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ................................................................. vi

ABSTRAK ............................................................................................................... vii

ABSTRACT .............................................................................................................. ix

KATA PENGANTAR .............................................................................................. xi

DAFTAR ISI ........................................................................................................... xiv

DAFTAR GAMBAR ............................................................................................... xv

DAFTAR TABEL .................................................................................................. xvii

BAB I. PENDAHULUAN ........................................................................................ 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 2

1.3. Tujuan Penelitian .................................................................................... 2

1.4. Batasan Masalah ...................................................................................... 2

1.5. Manfaat Penelitian ................................................................................... 3

1.6. Metode Penelitian .................................................................................... 3

1.7. Sistematika Penulisan Skripsi .................................................................. 4

BAB II. LANDASAN TEORI ................................................................................ 6

2.1. Tato ............................................................................................................ 6

2.2. Citra Digital ............................................................................................... 6

2.3. Pengenalan Pola ......................................................................................... 7

2.4. Template Matching .................................................................................... 7

2.5. Deteksi Tepi ............................................................................................... 8

2.6. Deteksi Garis .............................................................................................. 9

2.7 Operator Canny ........................................................................................ 11

BAB III METODE PENELITIAN ...................................................................... 16

3.1. Bahan Riset .............................................................................................. 16

3.2. Peralatan Penelitian .................................................................................. 16

3.3. Metode Pengumpulan data ....................................................................... 17

3.3.1 Observasi ....................................................................................... 17

3.3.2 Studi literatur ................................................................................. 17

3.4. Tahap-Tahap Penelitian ........................................................................... 17

3.4.1. Identifikasi Masalah ..................................................................... 17

3.4.2. Studi Pustaka ................................................................................ 18


xv

3.4.3. Pengumpulan Data ........................................................................ 18

3.4.4. Pengolahan Data ........................................................................... 19

3.4.5. Deteksi Garis ................................................................................ 21

3.4.6. Rancangan Deteksi Tepi Canny ................................................... 25

3.4.7. Perancangan Alat Uji .................................................................... 32

3.4.8. Implementasi ................................................................................ 32

3.5. Pengujian (Testing) ................................................................................... 32

3.6. Pengukuran Akurasi Sistem ..................................................................... 33

BAB IV HASIL DAN ANALISA ........................................................................ 34

4.1 Input Data ................................................................................................... 34

4.2 Preprocessing ............................................................................................. 36

4.2.1 Grayscaling ...................................................................................... 36

4.2.2 Binarization...................................................................................... 37

4.2.3 Deteksi Tepi Canny .......................................................................... 38

4.2.4 Proses Resize .................................................................................... 45

4.3 Template Database ..................................................................................... 46

4.4 Identifikasi .................................................................................................. 48

4.5 Hasil dan Evaluasi ...................................................................................... 49

4.5.1 Hasil Pengujian Proses Deteksi Tepi Canny Sebelum Resize ........ 49

4.5.2 Hasil Pengujian Proses Deteksi Tepi Canny Sesudah Resize ........ 54

BAB V PENUTUP ................................................................................................ 57

5.1 Kesimpulan ..................................................................................................... 57

5.2 Saran ................................................................................................................ 58

DAFTAR PUSTAKA ............................................................................................ 60

LAMPIRAN ........................................................................................................... 62

DAFTAR GAMBAR

Gambar 2.1 Matrik Citra Digital ............................................................................... 6

Gambar 2.2 Matrik dari C1, T1, T2 dan T3 (Adji, 2017) ......................................... 8

Gambar 2.3 Contoh Deteksi Garis Horizontal (Kadir dan Susanto, 2013) ............... 10

Gambar 2.4 Contoh Hasil Deteksi Garis untuk Empat Arah yang Berbeda

Terhadap Gambar 2.2(a) (Kadir dan Susanto, 2013) ................................................ 10

Gambar 2.5 Contoh Cadar Gaussian dengan Theta 1,4 (Kadir dan Susanto, 2013)

................................................................................................................................... 11

Gambar 2.6 Matrik Piksel Berukuran 5x5 (Kadir dan Susanto, 2013) ..................... 12


xvi

Gambar 2.7 Arah untuk Mengkonversi Arah Tepi Kedalam Kategori Salah Satu

Arah dan (Kadir dan Susanto, 2013) ......................................... 12

Gambar 2.8 Pneghitungan Nonmaksimum (Kadir dan Susanto, 2013) .................... 14

Gambar 2.9 Pengujian untuk Mengubah Nilai 128 Menjadi 255 (Kadir dan Susanto,

2013) ......................................................................................................................... 14

Gambar 2.10 Contoh Hasil Antara Hingga Hasil Akhir pada Pengenalan Operator

Canny (Kadir dan Susanto, 2013) ............................................................................. 15

Gambar 3.1 Blok Diagram ....................................................................................... 19

Gambar 3.2 Preprocessing Model ............................................................................ 20

Gambar 3.3 Contoh Perhitungan 4 Cadar untuk Mendeteksi Keberadaan Garis...... 23

Gambar 3.4 Flowchart Deteksi Tepi Canny ............................................................. 25

Gambar 3.5 Contoh Gambar Citra yang Diinput (Kadir dan Susanto, 2013) ........... 26

Gambar 3.6 Matrik 3x3 hasil Gaussian filtering (Kadir dan Susanto, 2013) ........... 28

Gambar 3.7 Contoh Hasil dari Besaran Gradien (Kadir dan Susanto, 2013) ........... 30

Gambar 3.8 Contoh Hasil dari Penghitungan Nonmaksimum (Kadir dan Susanto,

2013) ......................................................................................................................... 31

Gambar 3.9 Hasil Operator Canny (Kadir dan Susanto, 2013) ................................ 39

Gambar 4.1 Data Training yang Terdiri dari 50 Data............................................... 35

Gambar 4.2 Gambar Sebelum di crop ..................................................................... 35

Gambar 4.3 Data Testing yang Terdiri dari 30 Data ................................................. 36

Gambar 4.4 Hasil Grayscaling Citra ....................................................................... 37

Gambar 4.5 Hasil Binarisasi Citra ............................................................................ 38

Gambar 4.6 Hasil Deteksi Tepi Canny ..................................................................... 44

Gambar 4.7 Hasil Resize ........................................................................................... 45

Gambar 4.8 Isi dari Database Template Berupa matrik dan Nama Citra ................. 47

Gambar 4.9 Hasil Matrik BT 4 setelah dikenakan Canny dan Resize ...................... 52

Gambar 4.10 Hasil Matrik Bunga Terong1 setelah dikenakan Canny dan Resize ... 53

Gambar 4.11 Hasil Matrik Uker Degok 5 setelah dikenakan Canny dan Resize ...... 53


xvii

Gambar 4.12 Gambar dari Masing-Masing Nama di Tabel 4.2................................ 53

Gambar 4.13 Hasil Proses Gambar Canny ............................................................... 54

Gambar 4.14 Hasil Proses Resize Dahulu Kemudian Deteksi Tepi Canny .............. 56

DAFTAR TABEL

Tabel 4.1 Tabel Pengujian Menggunakan Canny Buatan Sendiri ............................ 49

Tabel 4.2 Tabel Nilai Jarak Citra Uji dan Template ................................................. 52

Tabel 4.3 Tabel Pengujian Menggunakan Canny Sesudah di Resize ........................ 55


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Tato adalah suatu tanda yang dibuat dengan memasukan pigmen kedalam

kulit manusia. Pada masa ini banyak anak muda maupun orang dewasa

menggunakan tato pada tubuhnya namun, tidak sedikit juga orang yang

menilai seseorang yang menggunakan tato ditubuhnya dipandang sebagai

preman ataupun penjahat. Banyak juga yang takut ataupun cemas terhadap

orang yang menggunakan tato namun, tidak semua orang yang menggunakan

tato berarti orang yang tidak baik. Seseorang yang menggunakan tato

ditubuhnya bisa saja tato tersebut memiliki makna yang mendalam ataupun

terdapat kenangan yang berharga dari motif tato yang diukir ditubuhnya.

Namun terdapat pandangan lain bagi seseorang yang pencinta seni yang

memiliki pandangan bahwa tato itu sangat indah dan ingin mengekspresikan

kecintaan seni nya itu pada tubuhnya.

Masyarakat asli di Kalimantan Barat Indonesia khususnya juga tidak lepas

dari yang namanya tato meski tidak semua menggunakan tato namun

masyarakat pedalaman memakai tato sebagai tradisi dari adat mereka.

Masyarakat Dayak Kalimantan menggunakan tato sebagai tanda yang

menunjukan siapa dirinya di daerah yang ditinggalinya itu. Ada tato yang

menunjukan tingkatan kepemimpinan, dan juga tato yang menunjukan bahwa

dia adalah perantau. Namun semakin berkembangnya zaman banyak tradisi

itu dilupakan termasuk anak muda suku Dayak sekarang sudah tidak banyak

yang memakai tato khas Dayak.

Menggunakan deteksi Canny untuk pendeteksian tepi dari motif tato

dayak dan menggunakan Template Matching sebagai indetifikasi tato tersebut

adalah langkah untuk pengenalan motif tato Dayak sebagai pelestarian

kebudayaan dan pengenalan nama dari tato tersebut. Pengenalan motif tato

dayak dikhususkan pada motif tato suku Dayak Iban di Kabupaten Kapuas

Hulu, Kalimantan Barat, Indonesia. Dari penelitian sebelumnya dalam


2

mengenali Motif Batik Indonesia Menggunakan Deteksi Tepi Canny dan

Template Matching mendapatkan hasil bahwa ada 9 citra yang menjadi acuan

dan 3 citra di luar citra acuan. Dari 12 kali pengujian maka didapatkan

persentase keberhasilan yaitu 89,44% (Flaurensia dkk, 2016) dari hasil ini

maka metode yang sama akan dipergunakan untuk pengenalan motif dayak

yang diharapkan dapat menghasilkan hasil yang bagus pula.

Dalam penelitian kali ini bertujuan untuk menghasilkan persentase

keberhasilan untuk mengenali motif tato dayak. Proses pengenalan terdiri dari

dua bagian yaitu learning dan testing. Proses learning bermula dari

pengambilan gambar dengan kamera. Selanjutnya akan dimasukan kedalam

alat uji yang akan mendeteksi tepi dan dimasukan kedalam database. Proses

testing akan dimasukan motif batik yang terdiri dari data berbeda dari yang

ada di database dari segi bentuk maupun sudut pengambilan gambar.

Selanjutnya data akan dimasukan kedalam alat uji dan dideteksi

menggunakan Deteksi Tepi Canny dan di identifikasi menggunakan Template

Matching dan hasil output nya berupa text apa nama dari motif dayak

tersebut.

1.2. Rumusan Masalah

Bagaimana hasil dari penggunaan deteksi tepi Canny dan pengenalan

menggunakan Template Matching dalam mengenali motif tato Dayak Iban di

Kabupaten Kapuas Hulu, Kalimantan Barat?

1.3. Tujuan Penelitian

Mengetahui hasil dari pengenalan motif tato dayak Iban di Kabupaten

Kapuas Hulu, Kalimantan Barat menggunakan deteksi tepi Canny dan

Template Matching.

1.4. Batasan Masalah

1. Objek penelitian ini adalah penerapan metode deteksi tepi Canny dan

pengenalan Template Matching pada motif tato dayak.


3

2. Pengenalan ini dikhususkan hanya pada motif tato suku Dayak Iban di

Kabupaten Kapuas Hulu, Kalimantan Barat.

3. Jenis data yang digunakan adalah jenis tato Buah Andu, Bunga

Engkabang, Bunga Terong, dan Uker Degok.

4. Pengambilan data gambar untuk data training adalah gambar yang sudah

digambar dikertas berlatar putih.

5. Hasil dari penelitian ini adalah kemampuan mendeteksi tepi dan

identifikasi motif tato dayak yang diketahui dalam bentuk persentase.

6. Hasil output dari alat uji yang digunakan adalah dalam bentuk teks.

7. Materi yang digunakan adalah pengenalan pola dan pemrosesan citra.

1.5. Manfaat Penelitian

1. Untuk mengenalkan nama dari sebuah tato khas kalimantan kepada

pemuda indonesia khususnya pemuda Dayak Kalimantan.

2. Untuk melestarikan kebudayaan khususnya kebudayaan suku dayak Iban

di Kabupaten Kapuas Hulu, Kalimantan Barat.

1.6. Metode Penelitian

1. Proses pengumpulan data adalah dari wawancara petua-petua masyarakat

asli suku Dayak Iban dan orang dewasa yang mengetahui tentang motif

tato dayak yang berasal dari daerah suku Dayak Iban itu sendiri, museum

museum daerah, buku di perpustakaan daerah yang berkaitan dengan

judul proposal tugas akhir.

2. Refrensi didapat baik dari buku, artikel, jurnal, makalah, dan situs

internet yang berkaitan dengan judul proposal tugas akhir.

3. Proses akuisisi data merupakan proses pengambilan data citra, yang akan

digunakan pada proses learning (database) dan testing (pengujian).

Dengan menggunakan kamera smartphone Xiomi dan file format .JPG

dengan resolusi 16MP(Mega Pixel).


4

4. Melakukan perancangan terhadap sistem yang akan dibangun, mulai dari

perancangan untuk user interface dan juga list program untuk deteksi tepi

canny dan identifikasi menggunakan metode Template Matching.

5. Melakukan implementasi program yang telah ada kedalam suatu bentuk

perangkat lunak untuk pengenalan citra.

6. Dari hasil implemetasi dilanjutkan dengan proses pengujian terhadap

sistem yang telah selesai dibangun dengan analisis hasil keluarannya.

7. Hasil analisis dari keluaran programnya akan di hitung persentase

kebenaran atau keberhasilan dengan rumus yang ditentukan.

8. Setelah semua tahap dalam penelitian selesai dilakukan, seluruh hasil

yang diperoleh akan didokumentasikan dalam bentuk laporan.

1.7. Sistematika Penulisan Skripsi

Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama

yaitu sebagai berikut:

1. BAB I Pendahuluan

Bab ini akan menjelaskan mengenai latar belakang masalah yang akan

dibahas dalam penelitian ini, rumusan masalah, tujuan penelitian,

batasan masalah, manfaat penelitian, metode penelitian, sistematika

penulisan tugas akhir.

2. BAB II Landasan Teori

Bab ini berisi uraian singkat tentang pengertian dari data yang digunakan,

metode-metode penelitian beserta rumus-rumus yang dipergunakan dan

langkah-langkah penelitian serta proses pengujian.

3. BAB III Metodologi Penelitian

Bab ini berisikan gambaran umum teknis persoalan penelitian, alat yang

akan dipergunakan dalam proses penelitian, keterangan rinci tahap-tahap

penelitian, dan gambaran rancangan alat yang akan dibangun.


5

4. BAB IV Hasil dan Analisis

Bab ini menjelaskan tentang implementasi dari konsep yang sudah dibuat

dan memaparkan hasil analisis terhadap langkah-langkah yang sudah

dikerjakan. Semua langkah percobaan dipaparkan secara rinci dan

disertai dengan capture dari output proses atau tahapan yang dilakukan.

5. BAB V Penutup

Bab ini berisi kesimpulan dan percobaan yang telah dikerjakan. Selain itu

juga berisi saran untuk kemajuan dan pengembangan penelitian

berikutnya yang mengulas tentang proses pengenalan motif tato dayak.


6

BAB II

LANDASAN TEORI

2.1 Tato

Konon kata “tato” berasal dari bahasa Tahiti, yakni “tattau” yang berarti

menandai, dalam arti bahwa tubuh ditandai dengan menggunakan alat berburu

yang runcing untuk memasukkan zat pewarna di bawah permukaan kulit (lihat

The American Heritage Desk Dictionary). Dalam bahasa Indonesia, kata tato

merupakan pengindonesiaan dari kata tattoo yang berarti goresan, gambar, atau

lambang yang membentuk sebuah desain pada kulit tubuh. Di dalam

Ensiklopedia Indonesia dijelaskan bahwa tato merupakan lukisan berwarna

permanen pada kulit tubuh (1984:241). (Olong, 2006)

2.2 Citra Digital

Citra digital adalah citra kontinu yang diubah dalam bentuk diskrit, baik

koordinat ruang maupun intensitas cahayanya. Citra digital dapat dinyatakan

dalam matrik dua dimensi f(x,y) dimana ‘x’ dan ‘y’ merupakan koordinat

piksel dalam matrik dan ‘f’ merupakan derajat intensitas pixel tersebut. Citra

digital berbentuk matrik dengan ukuran M x N akan tersusun sebagai berikut

(Kadir dan Susanto, 2013)

(2.1)

Dimana :

M = banyaknya baris pada array citra

N = banyaknya kolom pada array citra


7

2.3 Pengenalan Pola

Perkembangan teknologi baru akan didominasi oleh sistem dan mesin-mesin

dengan kecerdasan buatan (machine intelligence). Teknik pengenalan pola

merupakan salah satu komponen penting dari mesin atau sistem cerdas tersebut

yang digunakan baik untuk pengolahan data maupun pengambilan keputusan.

Secara umum pengenalan pola (pattern recognition) adalah suatu ilmu

untuk mengklasifikasikan atau menggambarkan suatu yang berdasarkan

pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu obyek. Pola

sendiri adalah suatu entitas yang terdefinisi dan dapat diidentifikasikan serta

diberi nama. Sidik jari adalah suatu contoh pola. Pola bisa merupakan

kumpulan hasil pengukuran atau pemantauan dan bisa dinyatakan dalam notasi

vektor atau matriks.(Putra, 2010)

2.4 Template Matching

Template Matching adalah proses mencari suatu objek (template) pada

keseluruhan objek yang berada dalam suatu citra. Template dibandingkan

dengan keseluruhan objek tersebut dan bila template cocok (cukup dekat)

dengan suatu objek yang belum diketahui pada citra tersebut maka objek

tersebut ditandai dengan template. Template ditempatkan pada pusat bagian

citra yang akan dibandingkan dan dihitung seberapa banyak titik yang paling

sesuai dengan template. Langkah ini diulangi terhadap keseluruhan citra

masukan yang akan dibandingkan. Nilai kesesuaian titik yang paling besar

antara citra masukan dan citra template menandakan template tersebut

merupakan citra template yang paling sesuai dengan citra masukan. Secara

umum rumus yang biasa digunakan untuk mengukur jarak antara 2 objek

adalah menggunakan minimum distance dan rumus yang di pergunakan untuk

menghitung jarak menggunakan rumus City-Block. (Kadir dan Susanto, 2013)

Minimum distance merupakan proses identitifikasi apakah sebuah citra

dikenali sebagai template1, template2, atau template-n berdasarkan jarak

minimum antara citra dengan templete. Sebagai contoh, ada citra C1

berukuran 3x3, serta T1, T2 dan T3 di bawah ini:


8

Gambar 2.2 Matrik dari C1, T1, T2 dan T3 (Adji, 2017)

Gambar diatas adalah contoh dari matrik dimana C1 adalah data matrik yang

iakan diujikan dan T1, T2, T3 adalah data template. Nilai minimum distance

dicari menggunakan rumus City-Block seperti pada rumus (2.1). (Kadir dan

Susanto, 2013)

j (v1, v2) (2.1)

j = jarak

v= vektor

k= nilai

n= banyak data

Berdasarkan rumus (2.1) tersebut diperoleh d(C1,T1) = 253, d(C1,T2) = 208

dan d(C1,T3) = 190.

Hal ini berarti bahwa citra C1 diidentifikasi sebagai template T3.

2.5 Deteksi Tepi

Tepian dari suatu citra mengandung informasi penting dari citra

bersangkutan. Tepian citra dapat merepresentasikan objek-objek yang


9

terkandung dalam citra tersebut, bentuk, dan ukurannya serta terkadang juga

informasi tentang teksturnya. Tepian citra adalah posisi di mana intensitas

piksel dari citra berubah dari nilai rendah ke nilai tinggi atau sebaliknya.

Deteksi tepi umumnya adalah langkah awal melakukan segmentasi. (Kadir dan

Susanto, 2013)

2.6 Deteksi Garis

Deteksi garis pada citra dapat diperoleh melalui penggunaan “cadar”

(mask) dengan contoh tercantum di Rumus 2.2(Gonzalez & Woods, 2002).

Cadar (a) berguna untuk memperoleh garis horizontal, cadar (b) untuk

mendapatkan garis berorientasi , cadar (c) untuk memperoleh garis tegak,

dan cadar (d) untuk mendapatkan garis yang berorientasi - .

(a) (b) (c) (d)

Rumus 2.2. Rumus Empat Pasang Cadar untuk Mendeteksi Keberadaan Garis

Fungsi deteksi berikut berguna untuk menguji cadar-cadar yang terdapat di

Rumus 2.2. Fungsi tersebut sekaligus dapat dipakai untuk menguji cadar-cadar

lain.

Dengan menggunakan fungsi diatas, bagian pinggir yang tidak diproses

akan dibuang sekiranya argumen ketiga tidak diberikan. Nilai pada argumen

ketiga akan membuat bagian tepi yang tidak diproses berwarna hitam,

membentuk seperti bingkai. Umumnya hasil deteksi tepi tidak memotong nilai

yang dibawah nol dan yang di atas 255. (Kadir dan Susanto, 2013)

Hasil deteksi garis dapat dilihat di gambar 2.3 Terlihat bahwa garis

vertikal tidak tampak. Namun garis miring dan yang mendatar tetap terdeteksi.


10

(a) Citra Jaring (b) Hasil Deteksi Garis Horizontal

Gambar 2.3 Contoh Deteksi Garis Horizontal (Kadir dan Susanto, 2013)

Gambar 2.4 memperlihatkan perbedaan hasil yang menggunakan masing-

masing satu dari keempat cadar yang tercantum di gambar 2.4.

Gambar 2.4 Contoh Hasil Deteksi Garis untuk Empat Arah yang Berbeda

Terhadap Gambar 2.2(a) (Kadir dan Susanto, 2013)


11

2.7 Operator Canny

Operator Canny, yang dikemukakan oleh John Canny pada tahun 1986,

terkenal sebagai operator deteksi tepi yang optimal. Algoritma ini memberikan

tingkat kesalahan rendah, melokalisasi titik-titik tepi (jarak piksel-piksel tepi

yang ditemukan deteksi dan tepi yang sesungguhnya sangat pendek), dan

hanya memberikan satu tanggapan untuk satu tepi.

Terdapat enam langkah yang dilakukan untuk mengimplementasikan

deteksi tepi Canny (Green, 2002). Keenam langkah tersebut dijabarkan berikut

ini:

1. Pertama-tama dilakukan penapisan terhadap citra dengan tujuan untuk

menghilangkan derau. Hal ini dapat dilakukan dengan menggunakan filter

Gaussian dengan cadar sederhana. Cadar yang digunakan berukuran jauh

lebih kecil daripada ukuran citra. Contoh ditunjukan di gambar 2.5.

Gambar 2.5 Contoh Cadar Gaussian dengan Theta 1,4 (Kadir dan Susanto,

2013)

2. Setelah penghalusan gambar terhadap derau, dilakukan proses untuk

mendapatkan kekuatan tepi (edge strength). Hal ini dilakukan dengan

menggunakan operator Gaussian.

Selanjutnya, gradien citra dapat dihitung melalui rumus 2.3.

(2.3)

3. Langkah ketiga berupa penghitungan arah tepi. Rumus yang digunakan

seperti pada rumus 2.4.

(2.4)


12

4. Setelah arah tepi diperoleh, perlu menghubungkan antara arah tepi dan

dengan sebuah arah yang dapat dilacak dari citra. Sebagai contoh, terdapat

susunan piksel berukuran 5x5 seperti terlihat di gambar 2.6. dengan melihat

piksel “a” tempak bahwa a hanya memiliki 4 arah berupa dan

.

Gambar 2.6 Matrik Piksel Berukuran 5x5. (Kadir dan Susanto, 2013)

Selanjutnya arah tepi yang diperoleh akan dimasukan kedalam salah satu

kategori dari keempat arah tadi berdasarkan area yang tertera digambar 2.6.

berikut adalah konversi yang berlaku:

Gambar 2.7 Area untuk Mengonversi Arah Tepi Kedalam

Kategori Salah Satu dari Arah dan . (Kadir dan Susanto,

2013)

Semua arah tepi yang berkisar antara 0 dan 22,5 serta 157,5 dan 180 derajat

(warna biru) diubah menjadi 0 derajat. Semua arah tepi yang berkisar


13

antara 22,5 dan 67,5 derajat (warna kuning) diubah menjadi 45 derajat.

Semua arah tepi yang berkisar antara 67,5 dan 112,5 derajat (warna merah)

diubah menjadi 90 derajat. Semua arah tepi yang berkisar antara 112,5 dan

157,5 derajat (warna hijau) diubah menjadi 135 derajat.

5. Setelah arah tepi diperoleh, penghilangan nonmaksimum dilaksanakan.

Penghilangan nonmaksimum dilakukan sepanjang tepi pada arah tepi dan

menghilangkan piksel-piksel (piksel diatur menjadi 0) yang tidak dianggap

sebagai tepi. Dengan cara seperti itu, diperoleh tepi tipis.

6. Langkah keenam berupa proses yang disebut hysteresis. Proses ini

menghilangkan garis-garis yang seperti terputus-putus pada tepi objek.

Caranya adalah dengan menggunakan dua ambang T1 dan T2. Lalu semua

piksel citra yang terhubung dengan piksel tersebut dan memiliki nilai lebih

besar dari T2 juga dianggap sebagai piksel tepi.

Bagian penting yang perlu dijelaskan adalah penghilangan

nonmaksimum dilakukan dengan mula-mula menyalin isi larik Grad (yang

berisi besaran gradien) ke Non-Max. Selanjutnya, penghilangan

nonmaksimum delakukan dengan memperhatikan dua titik tetangga yang

terletak pada arah tepi (yang tersimpan dalam Theta). Misalnya, arah tepi

adalah 0. Apabila titik yang menjadi perhatian mempunyai koordinat (r, c),

dua titik tetangga berupa (r, c-1) dan (r, c+1). Apabila gradien titik

perhatian lebih besar daripada gradien kedua tetangga, nilainya akan

dipertahankan. Sebaliknya, jika nilai titik perhatian lebih kecil dari pada

nilai salah satu atau kedua gradien tetangga, nilai akan diabaikan (diubah

menjadi nol). Seluruh kemungkinan proses seperti itu dijabarkan di Gambar

2.8.


14

Gambar 2.8 Penghilangan Nonmaksimum (Kadir dan Susanto, 2013)

Pengambangan histeresys dilakukan dengan melibatkan dua ambang T1

(ambang bawah) dan T2 (ambang atas). Nilai yang kurang dari T1 akan

dirubah menjadi hitam (nilai 0) dan nilai yang lebih dari T2 dirubah

menjadi putih ( nilai 255). Lalu, nilai yang lebih dari atau sama dengan T1

tetapi kurang dari T2 untuk sementara diberi nilai 128, dan yang

menyatakan nilai abu-abu atau belum jelas, akan diubah menjadi 0 atau

255.

Selanjutnya dilakukan pengujian untuk mendapatkan kondisi seperti

tercantum di gambar 2.9. apabila kondisi itu terpenuhi, angka 128 diubah

menjadi 255. Proses pengujian seperti itu dilakukan sampai tidak ada lagi

perubahan dari nilai 128 menjadi 255. Tahap selanjutnya, semua piksel

yang bernilai 128 yang tersisa diubah menjadi 0.(Kadir dan Susanto, 2013)

Gambar 2.9 Pengujian untuk Mengubah Nilai 128 Menjadi 255 (Kadir dan

Susanto, 2013)


15

Contoh Hasil Deteksi :

Gambar 2.10 Contoh Hasil Antara Hingga Hasil Akhir pada Pengenalan

Operator Canny (Kadir dan Susanto, 2013)


16

BAB III

METODE PENELITIAN

3.1. Bahan Riset

Obyek dalam penelitian ini adalah citra tato Dayak Iban suku tetap daerah

Sungai Utik Kabupaten Kapuas Hulu, Kalimantan Barat dimana daerah

tersebut masih kental dengan adat istiadatnya dan pernah didatangi oleh

peneliti sewaktu Kerja Praktek. Jumlah dari tato yang dapat diteliti terbilang

cukup banyak karena terdiri dari beberapa rumpun atau pokok dasar tato

yang apabila distilir dan dilukis pada badan pengguna tato memiliki arti

yang berbeda dengan rumpun pokoknya namun perlu peninjauan kembali

saat pengambilan data dilakukan.

3.2. Peralatan Penelitian

Dalam tugas akhir ini, program dalam tahap perancangan sistem

dinyatakan dengan bahasa pemograman MATLAB. Karena di dalam MATLAB

sudah terdapat toolbox yang merupakan kumpulan dari fungsi-fungsi

MATLAB yang telah dikembangkan ke suatu lingkaran kerja MATLAB untuk

memecahkan masalah dalam kelas particular (Iqbal, 2009).

Analisa kebutuhan hardware merupakan analisa kebutuhan akan perangkat

keras komputer yang diperlukan selama mengembangkan sistem sedangkan

analisa kebutuhan software untuk mendukung pengoperasian dan pembuatan

sistem. Kebutuhan-kebutuhan akan hardware dan software dijelaskan sebagai

berikut:

1. Analisa Kebutuhan Hardware

Satu unit komputer dengan operasi Windows 8.1 Pro, dengan

spesifikasi sebagai berikut:

a. Processor : Intel Core i3

b. Memory : RAM 4 GB

c. VGA : Nvidia Geforce 740m


17

2. Analisa Kebutuhan Sistem

Matlab menggunakan Matlab full version (R2015b).

3.3. Metode Pengumpulan Data

3.3.1 Observasi

Observasi merupakan salah satu metode dalam mengumpulkan

data dengan melakukan pengamatan dan pencatatan langsung

mengenai gejala atau peristiwa yang sedang diteliti. Objek yang

sedang diteliti adalah motif-motif tato Dayak Iban di Desa Sungai

Utik, Kapuas Hulu Kalimantan Barat. Data citra motif tato diambil

dari menyalin data katalog yang ada di perpustakaan Rumah Betang

Desa Sungai Utik dan penggambaran kembali motif tato dari bagian

tubuh seseorang ke media kertas. Setelah itu, yang dilakukan adalah

memotret data tato tersebut untuk di jadikan data.

3.3.2 Studi Literatur

Studi litelatur merupakan saran untuk memperoleh informasi yang

digunakan untuk mencari topik dan teori-teori yang terkait dengan

penelitian yang akan dikerjakan. Teori yang sudah ada dan berbagai

penelitian sejenis yang pernah dilakukan akan digunakan sebagai

acuan dan pedoman dalam melakukan penelitian saat ini. Sumber-

sumber yang dapat dijadikan bahan refrensi antara lain buku-buku

atau jurnal yang berkaitan dengan pembahasan yang akan diteliti.

3.4. Tahap-tahap Penelitian

3.4.1. Identifikasi Masalah

Tahap awal dalam penelitian ini adalah merumuskan masalah

dengan melihat kondisi yang ada disekitar yaitu membuat sistem yang

mampu mengenali data citra motif tato dayak Iban. Data citra motif

tato diambil dari menyalin data katalog yang ada di perpustakaan

Rumah Betang Desa Sungai Utik dan penggambaran kembali motif


18

tato dari bagian tubuh seseorang ke media kertas. Rumusan masalah

yang akan diselesaikan adalah mengukur kemampuan sistem dan

metode yang digunakan dalam mengenali nama motif tato dayak Iban

yang direpresentasikan dengan tingkat akurasi yang dihasilkan.

3.4.2. Studi Pustaka

Dalam penyusunan penelitian ini penulis memerlukan sumber

informasi yang diambil dari beberapa buku refrensi, jurnal ilmiah atau

litelatur lainnya sebagai rujukan ilmiah yang mendukung penulisan

tugas akhir. Melalui studi pustaka ini penulis memperoleh informasi

mengenai penelitian-penelitian yang dijadikan sebagai landasan teori

yang mendasari dalam penulisan laporan tugas akhir. Dengan adanya

studi pustaka ini maka penulis dapat menunjukan relevansi antara

topik tugas akhir yang sedang dikerjakan sehingga penelitian yang

akan dikerjakan dapat diselesaikan dan dapat dipertanggungjawabkan

kebenarannya.

3.4.3. Pengumpulan Data

Pengumpulan data menjadi unsur yang penting dalam

menyelesaikan tugas akhir karena digunakan untuk memperoleh

informasi atau data yang berguna untuk penelitian yang sedang

dikerjakan. Data yang diperoleh nantinya akan diamati dan diolah

secara mendalam sesuai prosedur dan teori yang sudah dirumuskan.

Data yang digunakan untuk penelitian ini bersumber dari hasil foto

objek motif-motif tato dari katalog motif tato dayak Iban yang ada di

Sungai Utik. Jarak mengambilan gambar kurang lebih 30 cm dari

kertas gambar. Objek yang dipilih adalah objek yang sudah diketahui

bahwa itu adalah motif tato dayak Iban.

Teknik yang digunakan dalam mengumpulkan data penelitian

ini adalah teknik observasi. Teknik ini umumnya sering dipakai dalam

penelitian kualitatif. Observasi pada dasarnya melakukan suatu


19

kegiatan menggunakan panca indra kita, bisa berupa penglihatan,

penciuman, pendengaran, untuk memperoleh informasi yang

dibutuhkan dalam menjawab masalah pada penelitian yang sedang

dikerjakan. Dengan menggunakan observasi ini maka data dapat

diperoleh secara riil gambar suatu peristiwa yang berada dilapangan.

3.4.4. Pengolahan Data

Data yang sudah terkumpul sebelum pengolahan akan melalui

proses perbaikan latar gambar menggunakan Paint tool. Data yang

sudah di perbaiki akan diolah. Cara mengolah data dapat dinyatakan

kedalam bentuk blok diagram seperti gambar dibawah ini:

Gambar 3.1. Blok Diagram

Gambar 3.1 diatas memvisualisasikan langkah-langkah dalam

pengolahan data yang dilakukan. Sistem pengenalan motif tato dayak

ini dilakukan berdasarkan nilai hasil ekstraksi fitur motif tato dengan

menggunakan metode deteksi tepi Canny dan pencocokan pola dengan

menggunakan metode template matching. Motif-motif tato yang

digunakan dalam penelitian ini meliputi motif tato sebagai data

training dan motif tato sebagai data testing.

Testing

Input data

Preprocessing

Identifikasi

Hasil

Training

Input data

Preprocessing

Template database


20

Penjelasan rincian dari masing-masing tahapan akan dijelaskan

sebagai berikut :

1. Sistem dimulai dari input citra.

Data untuk template dan penguji merupakan citra tato

dayak Iban masing-masing berjumlah 50 dan 30 citra. Bahan yang

di gunakan untuk pembuatan template adalah gambar tato yang

sudah digambar kembali di kertas HVS putih dan gambar penguji

diambil di atas kertas juga dengan kemiringan sekitar 45o ke

samping kiri maupun kanan, dan pada kulit manusia. Format

gambar yang digunakan adalah JPG.

2. Preprocessing

Sebelum data di masukan ke dalam database ataupun di

kenali maka data tersebut harus disiapkan sedemikian sehingga

data tersebut siap untuk diolah. Adapun tahapan yang dilakukan

pada preprocessing adalah sebagai berikut:

Gambar 3.2 Preprocessing Model

Proses grayscaling dan binarization diperlukan untuk

mengubah citra dari berwarna menjadi abu-abu lalu dari citra abu-

abu diubah menjadi citra hitam putih. Kedua proses tersebut

menggunakan toolbox pada Matlab yaitu fungsi rgb2gray() dan

im2bw(). Langkah selanjutnya adalah proses deteksi tepi pada

Grayscale

Binarization

Deteksi Tepi

Canny

Resize


21

tahap ini deteksi tepi dimasukan dalam proses preprocessing.

Proses preprocessing menggunakan metode Canny. Proses ini

menghasilkan citra dengan nilai piksel berupa 0 dan 255.

Flowchart deteksi tepi bentuk dapat dilihat pada gambar 3.4.

Proses terakhir adalah resizing yaitu mengubah ukuran yang sama

untuk mempermudah proses identifikasi. Dengan menggunakan

toolbox dari matlab yaitu imresize() citra diubah ukurannya

menjadi 88x88 pixels. Pemilihan ukuran tersebut berdasarkan hasil

percobaan untuk mendapatkan ukuran citra terbaik tanpa

kehilangan informasi atau detil penting dari citra.

3. Template Database

Data yang sudah melalui tahap preprocessing akan

menghasilkan keluaran berupa ciri dari objek tersebut. Ciri dari

objek tersebut beruba matrik dari gambar training hasil deteksi

tepi Canny yang sudah di resize dan nama/labeling dari ciri

tersebut. Ciri ini dijadikan sebagai template disimpan ke database

ciri untuk membuat template database. Citra yang digunakan

untuk pembuatan template database sebanyak 50 ciri yang

independen terhadap citra data uji (testing).

4. Identifikasi

Proses Identifikasi merupakan proses testing dimana pada

proses ini untuk mencocokan nilai citra testing dena nilai citra

training yang ada pada template database. Pada tahap ini proses

pengenalan pola menggunakan metode Template Matching. Hasil

dari proses ini berupa text yang menunjukan citra mana yang

mirip dengan citra yang diujikan.

3.4.5. Deteksi Garis

Deteksi tepi berfungsi untuk memperoleh tepi objek.

Deteksi tepi memanfaatkan perubahan nilai intensitas yang drastis

pada batas dua area. Deteksi garis adalah proses penemuan dan


22

memperoleh garis yang terdapat proses pembuangan citra yang

tidak terproses atau membuang argument yang tidak diperlukan.

(a)

(b)


23

(c)

(d)

Gambar 3.3 Contoh Perhitungan 4 Cadar untuk Mendeteksi

Keberadaan Garis.

Contoh sederhana yang dilakukan deteksi tepi dalam menghitung

matrik dari gambar dengan 4 pasang cadar sebagai berikut:

(a) (b) (c) (d)


24

Empat pasang cadar diatas akan di masukan sebuah matrik dari

gambar dan akan melakukan perhitungan perkalian matrik seperti

dibawah ini:

( a ) = ((-1 X 3) + (-1 X 2) + (-1 X 5) + (2 X 4) + (2 X 2) + (2 X

2) + (-1 X 1) + (-1 X 5) + (-1 X 1)

= 3

( b ) = ((-1 X 3) + (-1 X 2) + (2 X 5) + (-1 X 4) + (2 X 2) + (-1

X 2) + (2 X 1) + (-1 X 5) + (-1 X 1)

= -1

( c ) = ((-1 X 3) + (2 X 2) + (-1 X 5) + (-1 X 4) + (2 X 2) + (-1

X 2) + (-1 X 1) + (2 X 5) + (-1 X 1)

= 2

( d ) = ((2 X 3) + (-1 X 2) + (-1 X 5) + (2 X 4) + (-1 X 2) + (-1

X 2) + (-1 X 1) + (-1 X 5) + (2 X 1)

= -7

Citra ditapis dengan setiap kernel diatas, kemudian citra

hasil diperoleh dengan melakukan operasi maksimisasi terhadap

keempat citra yang dihasilkan dari keempat kernel tersebut (Kadir

dan Susanto, 2013). Deteksi garis adalah langkah pembuatan

perhitungan matrik dengan matrik yang akan dimasukan demi

pemerolehan garis tepi yang maksimum.


25

3.4.6. Rancangan deteksi tepi Canny

Dibawah adalah diagram flow untuk setiap proses deteksi

tepi canny.

Gambar 3.4 Flowchart Deteksi Tepi Canny

Penghitungan Arah

Tepi

Konversi Arah Tepi

Penghilangan

Nonmaksimum

Pengambangan

Hyteresis

Citra Hasil

Deteksi Tepi

Input Citra

dan Nilai

Tresshold

Implementasi Filter

Gausian

Mendapatkan

Kekuatan Tepi

Mulai


26

Penjelasan rincian dari masing-masing tahapan akan dijelaskan

sebagai berikut :

1. Proses dimulai.

2. Input citra dan nilai treshold. Pada penelititan ini, nilai low

threshold yang digunakan adalah 0,05 dan nilai high threshold

yang digunakan adalah 0,15.

Gambar 3.5 Contoh Gambar Citra yang Diinput (Kadir dan

Susanto, 2013)

3. Untuk mencegah kesalahan deteksi tepi karena noise, maka noise

tersebut harus dikurangi. Hal ini dapat dilakukan dengan proses

smoothing atau filtering. Pada deteksi tepi Canny, proses ini

menggunakan filter gaussian.

Contoh perhitungan Kernel gaussian yang digunakan adalah

sebagai berikut:

Rumus 3.1 Contoh Cadar Gaussian dengan Theta 1,4

Untuk mengimplementasikan gaussian filtering pada citra

berskala keabuan dapat menggunakan ketetanggaan dari piksel


27

yang akan diuji sehingga membentuk matriks 5x5. Matrik 5x5

pada skala keabuan adalah:

Perhitungan gaussian filtering adalah menerapkan konvolusi

pada matriks citra dengan kernel gaussian. Tidak semua piksel

dikenai konvolusi, yaitu baris dan kolom yang terletak di tepi

citra. Hal ini disebabkan piksel yang berada pada tepi tidak

memiliki tetangga yang lengkap sehingga rumus konvolusi tidak

berlaku pada piksel seperti itu. Bagian yang tidak diproses tidak

diikutkan dalam citra hasil. Akibatnya, ukuran citra hasil

mengecil. Hasil konvolusi berupa:

= ( 59×2 + 70×4 + 64×5 + 56×4 + 53×2 +

85×4 + 56×9 + 67×12 + 59×9 + 63×4 +

79×5 + 84×12 + 107×15 + 93×12 + 85×5 +

54×4 + 54×9 + 78×12 + 83×9 + 51×4 +

71×2 + 58×4 + 61×5 + 61×4 + 57×2) / 115

= 11681 / 115 = 101,57

4. Menghitung gradient magnitude dengan menggunakan operator

gaussian dan menentukan arah tepi. Setelah proses penentuan

gradient magnitude, gambar terlihat telah menunjukkan tepinya

dengan cukup jelas, namun demikian, tepi-tepinya terlalu lebar

sehingga tidak menunjukkan dimana letak dari tepi-tepinya. Untuk

mengatasi hal tersebut arah tepi harus ditentukan.


28

Untuk menghitung gradien magnitude pada penelitian ini

digunakan operator gaussian. Kernel matrik gaussian yang

digunakan adalah:

(a) (b)

Rumus 3.2 Kernel Matrik Operator Gaussian

Untuk menghitung gradien magnitude dari citra hasil

gaussian filtering dapat menggunakan ketetanggaan dari piksel

yang akan diuji sehingga membentuk matriks 3x3. Matrik 3x3

pada citra hasil gaussian filtering adalah:

Gambar 3.6 Matrik 3x3 Hasil Gaussial Filtering (Kadir dan

Susanto, 2013)

Perhitungan manual gradien magnitude adalah dengan

menerapkan konvolusi pada matriks citra hasil gaussian filtering

dengan kernel matriks Gaussian. Penerapan konvolusi

menyebabkan penambahan masing-masing satu piksel pada tepi

matrik.


29

| | =√ 2+ 2

Gy = (102 – 72) + (121 – 94) = 57

Gx = (121 – 102 ) + (94 – 72) = 41

=√(41)2+(57)2

=√1681+3249

= 70,21

Rumus 3.3 Perhitungan Nilai Piksel Hasil Konvolusi

5. Tahap selanjutnya adalah menghitung arah tepian dengan

mengunakan Gx dan Gy pada proses perhitungan gradien

magnitude. Arah tepi ditentukan dengan menggunakan persamaan:

Rumus 3.4 Rumus Theta

Penghitungan arah tepi dari gradien magnitude:

= 1 ( 57/41 )

= 1 (1,39)

=54.27

Rumus 3.5 Perhitungan Theta

Setelah arah tepi diperoleh, Perlu menghubungkan antara arah tepi

dengan sebuah arah yang dapat dilacak dari citra. Selanjutnya arah

tepi yang diperoleh akan dimasukkan ke dalam salah satu kategori

berikut:


30

- Jika theta > 0 dan theta < 22,5 atau theta > 157,5 dan < -157,5

maka diubah menjadi 0°

- Jika theta > 22,5 dan theta < 67,5 atau theta > -157,5 dan < -

112,5 maka diubah menjadi 45°





Nilai theta yang didapat adalah 54,27 maka theta ini akan diubah

menjadi 45o.

Gambar 3.7 Contoh Hasil dari Besaran Gradien (Kadir dan

Susanto, 2013)

6. Langkah selanjutnya adalah proses NonMaximum Supression.

Tujuan dari langkah ini adalah untuk mengubah tepi yang kabur

pada citra gradien menjadi tepi yang tajam. Selanjutnya

menetukan arah gradien terdekat sesuai dengan arah 8

ketetanggaan. Selanjutnya besar gradien piksel (x,y) dengan besar

piksel pada titik dari dua arah yg ditentukan pada langkah


31

sebelumnya. Jika besar gradien piksel (x,y) lebih besar dari kedua

titik tadi, maka piksel tersebut dipertahankan. Tetapi jika

gradiennya lebih kecil dari salah satu saja dari kedua titik tadi,

maka piksel tersebut diubah menjadi 0.

Gambar 3.8 Contoh Hasil dari Penghilangan Nonmaksimum

(Kadir dan Susanto, 2013)

7. Melakukan proses hysteresis thresholding dengan menggunakan

dua nilai ambang yaitu low treshold dan high treshold.

Sederhananya hysteresis thresholding bertujuan untuk klasifikasi

dua buah nilai high threshold dan low threshold suatu piksel untuk

dijadikan sebagai piksel tepi atau tidak jika nilainya lebih besar

atau sama dengan ambang batas tersebut. Selanjutnya penentuan

tepi dilakukan dengan cara mengganti piksel angka 0 atau 255 jika

telah melewati syarat ambang batas yang ditentukan.

8. Menampilkan citra hasil deteksi tepi menggunakan metode deteksi

Canny telah selesai.


32

Gambar 3.9 Hasil Operator Canny (Kadir dan Susanto, 2013)

3.4.7. Perancangan Alat Uji

Kebutuhan fungsional dari prototype sistem yang akan

dibuat adalah sistem mampu mengenali gambar tato dayak iban

sesuai database. Input yang dimasukan kedalam sistem berupa

citra tato dayak iban kemudian akan memberikan output berupa

tulisan nama dari tato yang diujikan. Sistem dibuat menggunakan

Matlab sebagai tool untuk membangun alat uji.

3.4.8. Implementasi

Pada tahap implementasi, tahapan pengolahan data dan

perancangan alat uji akan diimplementasikan menjadi sebuah code

dengan memanfaatkan Matlab sebagai tool untuk membuat

prototype sistem.

3.5. Pengujian (Testing)

Pada tahap pengujian, citra tato Dayak Iban akan digunakan

sebagai input untuk sistem dalam mengenali nama dari tato tersebut.

Jumlah pengujian yang dilakukan sebanyak 30 kali yang dimana citra

uji terdiri dari citra yang diambil dari kemiringan sekitar 45o

dan citra

yang diambil dari badan manusia langsung. Dari 30 citra yang

diujikan akan dihitung berapa banyak hasil pengenalan yang benar


33

kemudian menghitung tingkat akurasi sistem dalam mengenali nama

tato tersebut.

3.6. Pengukuran Akurasi Sistem

Kemampuan sistem dalam mengenali citra tato Dayak Iban harus

bisa diukur dengan menghitung nilai akurasinya. Cara mengukur

tingkat akurasi yaitu dengan membandingkan objek yang dikenali

dengan benar oleh sistem dengan jumlah data testing dikalikan 100

persen. Nilai tingkat akurasi yang tinggi menunjukan bahwa sistem

yang dibuat cukup baik untuk mengenali jenis tato Dayak Iban

tersebut.


34

BAB IV

HASIL DAN ANALISA

Pada bab ini akan diuraikan masing-masing tahapan dari langkah-langkah

yang sudah diuraikan pada bab sebelumnya tentang pengenalan tato dayak Iban.

Secara umum tahapan yang dikerjakan seperti Gambar 3.1 tentang blok diagram

yang terdiri dari input data, preprocessing, template database, identifikasi,dan

hasil.

4.1 Input Data

Data berupa citra tato dayak Iban yang digunakan pada penelitian

ini diambil menggunakan smartphone dengan resolusi 4608 x 3456 pixels.

Data terdiri dari data training dan data testing. data training diambil

sebanyak 50 data yang diambil pada siang hari dengan pencahayaan cukup

terang. Pengolahan data dimulai dari resize ke ukuran 400 x 300 pixels

secara manual dengan tujuan meringankan dalam proses input pada

program. Selanjutnya data yang sudah di resize kemudian perbaikan latar

gambar yang dimana proses resize dan perbaikan latar menggunakan

aplikasi paint. Data yang sudah diproses secara manual di masukan ke

dalam folder dan akan diinput oleh program alat uji.


35

Gambar 4.1 Data Training yang Terdiri dari 50 Data

Data testing adalah citra gambar tato Dayak Iban yang terdiri dari

30 data citra dimana data tersebut diambil dari database namun sudut

pengambilannya di miringkan sebesar kurang lebih 45o, data yang diambil

dari internet kemudian di potong, dan data yang digambar di badan dan di

foto menggunakan smartphone dan di resize dan di edit latar foto

menggunakan aplikasi paint.

Gambar 4.2 Gambar Sebelum di Crop

Data 4.2 adalah data awal yang diawal sebelum dilakukan croping yang

akan digunakan sebagai data uji. Data yang diambil adalah data yang

berada di badan namun ada juga yang sudah terkena efek editan seperti

efek warna yang sudah tidak asli lagi.


36

Gambar 4.3 Data Testing yang Terdiri dari 30 Data

Gambar 4.3 adalah gambar yang sudah di kenakan proses croping dari

data 4.2 dan ada juga data yang diambil dari gambar yang ada di database

namun diambil dari sudut kemiringan kira-kira 45o. data training

berjumlah 30 dengan variasi pencahayaan.

4.2 Preprocessing

Tahap preprocessing dilakukan untuk mempersiapkan data agar

siap untuk diolah untuk tahap deteksi tepi Canny dan pengenalan pola.

Proses ini dibagi menjadi beberapan bagian yaitu:

4.2.1 Grayscaling

Proses yang pertama adalah mengubah citra berwarna menjadi

keabuan. Langkah ini bertujuan memudahkan dalam proses

selanjutnya yaitu mengubah data asli menjadi data hitam putih.

Proses ini menggunakan tool yang sudah ada pada Matlab yaitu

rgb2gray( ).

...

Img1=rgb2gray(img); ...


37

Gambar 4.4 Hasil Grayscaling Citra

Gambar 4.4 merupakan representasi dari citra greyscale yang

diperoleh dengan mengubah citra warna menjadi citra abu-abu.

Hal tersebut dapat dibuktikan dengan nilai variabel img adalah

287x333x3 uint8 menjadi 287x333 uint8 yang artinya citra

tersebut menjadi 1 komponen warna.

4.2.2 Binarization

Proses binarisasi merupakan lanjutan dari proses

grayscaling yang bertujuan untuk mendapatkan objek citra

terhadap latar. Untuk mengubah citra abu-abu ke citra biner dapat

dilakukan dengan menggunakan fungsi im2bw( ) pada Matlab.


38

Dengan melakukan konversi ke citra biner ini maka objek citra

dapat dinyatakan sebagai bagian dari citra yang berwarna hitam

sedangkan bagian latar merupakan bagian dari citra yang berwarna

putih.

... Img2=im2bw(img1); ...

Gambar 4.5 Hasil Binarisasi Citra

Gambar 4.5 merupakan representasi dari citra binarisasi yang

diperoleh dengan mengubah citra abu-abu menjadi citra hitam

putih. Hal tersebut dapat dibuktikan dengan nilai variable img

adalah 287x333 uint8 menjadi 287x333 logical yang artinya citra

tersebut terdiri dari nilai 0 dan 1. Nilai 1 merepresentasikan warna

hitam dan 0 merepresentasikan warna putih.

4.2.3 Deteksi Tepi Canny

Langkah selanjutnya setelah binarisasi adalah deteksi tepi

Canny. Deteksi tepi Canny dimasukan kedalam langkah

preprocessing supaya mempersingkat proses pembuatan

template database dan identifikasi. Dalam langkah deteksi Canny


39

adalah deteksi Garis tujuannya untuk menguji cadar-cadar demi

memperoleh garis pinggir citra dengan matrik yang dimasukan dan

membuang sekiranya bagian pinggir citra yang tidak dapat diproses

oleh dateksi garis. Code dibawah adalah untuk penghitungan

gambar citra yang di input kan dengan matrik yang sudah ada di

dalam program.

function[G]=deteksi(F, H, potong, pembulatan) .... if nargin<3 potong=false; end

if nargin<4 pembulatan=true; end

[tinggi_f,lebar_f]=size(F); [tinggi_h,lebar_h]=size(H);

if rem(lebar_h,2)==0 || rem(tinggi_h,2)==0 disp('Lebar dan tinggi H harus ganjil'); return; end m2=floor(tinggi_h/2); n2=floor(lebar_h/2);

%menentukan ukuran hasil beserta penentu ofset

koordinat if potong==true sisi_m2=m2; sisi_n2=n2; G=zeros(tinggi_f-2*m2, lebar_f-2*n2); else sisi_m2=0; sisi_n2=0; G=zeros(size(f)); end

F2=double(F);

for y=m2+1 : tinggi_f-m2 for x=n2+1 : lebar_f-n2 %pelaksanaan korelasi F (baris, kolom) jum=0; for p=-m2:m2 for q=-n2:n2 jum=jum+H(p+m2+1,q+n2+1)*F2(y+p,x+q); end end


40

G(y-sisi_m2, x-sisi_n2)=jum; end end

if pembulatan==true G=uint8(G); ...

Selanjutnya proses Canny akan di lakukan. Langkah-langkah dalam

metode deteksi tepi Canny adalah:

1. Input citra dan nilai treshold. Pada penelititan ini, nilai low

threshold yang digunakan adalah 0,05 dan nilai high threshold

yang digunakan adalah 0,15.

function[G]=deteksi(F, H, potong, pembulatan)

... if nargin < 2 ambang_bawah = 0.1; end

if nargin < 2 ambang_atas = 0.3;

...

2. Untuk mencegah kesalahan deteksi tepi karena noise, maka

noise tersebut harus dikurangi. Hal ini dapat dilakukan dengan

proses smoothing atau filtering. Pada deteksi tepi Canny, proses

ini menggunakan filter gaussian.


...

HG = [ 2 4 5 4 2 4 9 12 9 12 5 12 15 12 5 4 9 12 9 12 2 4 5 4 2 ] / 115.0;

[hHG, wHG] = size(HG);

h2 = floor(hHG / 2);

w2 = floor(wHG / 2);

% Kenakan operasi Gaussian G = double(deteksi(F, HG, true));


41

% Pastikan hasilnya berada antara 0 sampai

dengan 255 [m, n] = size(G); for i = 1 : m for j = 1 : n G(i, j) = round(G(i, j));

if G(i, j) > 255 G(i, j) = 255; else if G(i, j) < 0 G(i, j) = 0;

...

3. Menghitung gradient magnitude dengan menggunakan operator

gaussian dan menentukan arah tepi. Setelah proses penentuan

gradient magnitude, gambar terlihat telah menunjukkan tepinya

dengan cukup jelas, namun demikian, tepi-tepinya terlalu lebar

sehingga tidak menunjukkan dimana tepatnya tepi-tepinya.

Untuk mengatasi hal tersebut arah tepi harus ditentukan.


... % Kenakan perhitungan gradien dan arah tepi Theta = zeros(m, n); Grad = zeros(m, n); for i = 1 : m-1 for j = 1 : n-1 gx = (G(i,j+1)-G(i,j) + ... G(i+1,j+1)-G(i+1,j)) / 2; gy = (G(i,j)-G(i+1,j) + ... G(i,j+1)-G(i+1,j+1)) / 2; Grad(i, j) = sqrt(gx.^2 + gy.^2); ...

4. Tahap selanjutnya adalah menghitung arah tepian dengan

mengunakan Gx dan Gy pada proses perhitungan gradien

magnitude.


...

Theta(i,j) = atan2(gy, gx); % Konversi arah tepi menjadi 0, 45, 90, atau 135 derajat [r c] = size (Theta);

if Theta < 0


42

Theta = Theta + pi; % Jangkauan menjadi 0

s/d pi end

for i = 1 : r for j = 1 : c if (Theta(i,j) < pi/8 || Theta(i,j) >=

7/8*pi) Theta(i,j) = 0; elseif (Theta(i,j)>=pi/8 && Theta(i,j) <

3*pi/8 ) Theta(i,j) = 45; elseif (Theta(i,j) >=3*pi/8 &&

Theta(i,j) < 5*pi/8 ) Theta(i,j) = 90; else Theta(i,j) = 135; ...

5. Langkah selanjutnya adalah proses NonMaximum Supression.

Tujuan dari langkah ini adalah untuk mengubah tepi yang kabur

pada citra gradien menjadi tepi yang tajam.


... % penghilangan non-maksimum Non_max = Grad;

for i = 1+h2 : r-h2 for j = 1+w2 : c-h2 if Theta(i,j) == 0 if (Grad(i,j) <= Grad(i,j+1)) || ... (Grad(i,j)<= Grad(i,j-1)) Non_max(i,j) = 0; end elseif Theta(i,j) == 45 if (Grad(i,j) <= Grad(i-1,j+1)) ||

... (Grad(i,j) <= Grad(i+1,j-1)) Non_max(i,j) = 0; end elseif Theta(i,j) == 90 if (Grad(i,j) <= Grad(i+1,j) ) ||

... (Grad(i,j) <= Grad(i-1,j)) Non_max(i,j) = 0; end else if (Grad(i,j) <= Grad(i+1,j+1)) ||

... (Grad(i,j) <= Grad(i-1,j-1)) Non_max(i,j) = 0; ...


43

6. Melakukan proses hysteresis thresholding dengan

menggunakan dua nilai ambang yaitu low treshold dan high

treshold.


... % Pengambangan histeresis ambang_bawah = ambang_bawah * max(max(Non_max)); ambang_atas = ambang_atas * max(max(Non_max));

Histeresis = Non_max;

% ----- Penentuan awal untuk memberikan nilai % ----- 0, 128, dan 255 for i = 1+h2 : r-h2 for j = 1+w2 : c-w2 if (Histeresis(i,j) >= ambang_atas) Histeresis(i,j) = 255; end

if (Histeresis(i,j) < ambang_atas) &&

... (Histeresis(i,j) >= ambang_bawah) Histeresis(i,j)= 128; end

if (Histeresis(i,j) < ambang_bawah) Histeresis(i,j) = 0; end end end

% ----- Penggantian angka 128 menjadi 255 % ----- Berakhir kalau tidak ada lagi yang

berubah ulang = true; while ulang ulang = false; for i = 1+h2 : r-h2 for j = 1+w2 : c-w2 if (Histeresis(i,j) == 128) if (Histeresis(i-1, j-1) == 255)

&& ... (Histeresis(i-1, j) == 255)

&& ... (Histeresis(i, j+1) == 255)

&& ... (Histeresis(i, j-1) == 255)

&& ... (Histeresis(i, j+1) == 255)

&& ...


44

(Histeresis(i+1, j-1) == 255)

&& ... (Histeresis(i+1, j) == 255)

&& ... (Histeresis(i+1, j+1) == 255) Histeresis(i,j) = 255;

ulang = true; end end end end end

% ----- Penggantian angka 128 menjadi 0 % ----- untuk yang tersisa for i = 1+h2 : r-h2 for j = 1+w2 : c-w2 if (Histeresis(i,j) == 128) Histeresis(i,j) = 0;

...

Diatas adalah code pembuatan metode Canny yang

langkah-langkah seperti pada gambar 3.3 pada bab sebelumnya. ...

img=canny(img, 0.05, 0.15);

...

Gambar 4.6 Hasil Deteksi Tepi Canny


45

Gambar 4.6 merupakan representasi dari citra Canny yang

diperoleh dengan mengubah citra hitam putih menjadi citra Canny.

Hal tersebut dapat dibuktikan dengan nilai variable img adalah

300x400 logical menjadi 293x393 double yang artinya citra

tersebut menjadi matrik yang berisi nilai 0 dan 255. Nilai 0 adalah

nilai yang berwarna hitam dan nilai 255 adalah garis yang

ditemukan oleh Canny yang berwarna putih.

4.2.4 Proses Resize

Untuk mempermudah proses identifikasi nya maka semua citra,

baik data training maupun testing akan ditentukan ukurannya

sehingga setiap aksara mempunyai ukuran yang sama.

... Img3=imresize(img2,[88 88]); ...

Gambar 4.7 Hasil Resize

Gambar 4.7 merupakan representasi dari citra yang sudah di resize

yang diperoleh dengan mengubah ukuran citra Canny. Hal tersebut


46

dapat dibuktikan dengan nilai variable img adalah 293x393

double menjadi 88x88 double.

4.3 Template Database

Metode pengenalan pola pada penelitian ini menggunakan pendekatan

Template Matching. Pendekatan Template Matching dipilih karena paling

mudah untuk diterapkan. Prinsip pendekatan Template Matching untuk

mengklasifikasi adalah pengukuran kedekatan / kesamaan antar objek atau

entities yang diperbandingkan. Objek yang dibandingkan adalah data uji

yang akan dikenali dengan template yang sudah disimpan.

Data yang akan digunakan dalam pembuatan template database adalah

citra tato dayak Iban namun data yang dipakai berbeda dengan data yang

digunakan unuk data uji (testing). jumlah data yang digunakan unutk

pembuatan template database ini adalah berjumlah 50 data. Langkah-

langkah pembuatan template database seperti pada blok diagram pada

gambar 3.1.

Data pertama-tama sudah diurutkan berdasarkan nama jenis tato

yang akan dimasukan kedalam template database kemudian membaca data

sesuai urutan dan pengelompokan berbagai motif yang sejenis dan jumlah

sesuai yang ada di dalam folder database nya.

function [template1]=identifikasi(img); ...

temp = 'F:\semester 9\alat uji\data\'; files = dir([ temp '*.jpg']); m=struct2cell(files);

...

Code diatas adalah code untuk membaca data citra yang berada di folder

dengan format citra yaitu .jpg .

function [template1]=identifikasi(img);

...

for k=1:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur


47

database{k,2} = 'Buah Andu' end for k=9:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur database{k,2} = 'Bunga Engkabang' end for k=23:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur database{k,2} = 'Bunga Terong' end for k=39:size(m,2) I = imread([temp m{1,k}]); fitur = Preprocessing(I); database{k,1} = fitur database{k,2} = 'Uker Degok' end save database;

...

Gambar 4.8 Isi dari Database Template Berupa

Matrik dan Nama Citra

gambar 4.8 adalah isi dari template database yang dibuat dengan matrik

81x81 hasil deteksi tepi Canny, dan label untuk pembuatan template

database tersebut. Template database berisikan 4 jenis citra tato dayak


48

Iban yaitu 8 citra Buah Andu, 14 citra Bunga Engkabang, 16 citra Bunga

Terong, dan 12 citra Uker Degok. Data tersebut digambar di atas kertas

putih dan di foto menggunakan kamera smartphone dengan resoluasi 16

mega pixel dengan jarak pengambilan gambar kurang lebih 30cm dengan

pencahayaan sedang.

4.4 Identifikasi

Setelah pembuatan setelah pembuatan template database maka kita

akan mendapatkan nilai future dari nilai testing dan pada template

(training). Nilai future dari data uji tersebut akan dihitung jaraknya

terhadap semua template database. Proses perhitungan jarak ini

menggunakan minimum distance, seperti pada persamaan 2.2.

Model identifikasi yang digunakan dalam penelitian ini adalah

menggunakan Template Matching. Prinsip kerja pendekatan Template

Matching adalah mengukur kedekatan atau kesamaan (similarity) antar

objek atau entities yang diperbandingkan. Ketika sebuah data uji akan

dibandingkan dengan database template kemudian diperoleh nilai jarak

yang relatif kecil maka secara langsung objek baru tersebut dapat

diklasifikasikan atau dikenali sesuai template perbandingannya. Nilai

yang diperbandingkan adalah nilai feature atara data testing dan template

yang kemudian kita hitung nilai jarak terhadap kedua objek tersebut.

function [template1]=identifikasi(img);

...

fitur = Preprocessing(img); jum_dbase=size(database,1); min_beda=sum(sum(abs(fitur-database{k,1}))); ind_min=1 for i=2:jum_dbase beda=sum(sum(abs(fitur-database{i,1}))); if beda <min_beda min_beda=beda; ind_min=i; ...


49

Ketika nilai awal jarak antara data uji dengan template sudah diperoleh

maka proses loop (perulangan) akan dilakukan untuk menguji pada semua

template dengan menghitung jarak yang baru kemudian dibandingkan pada

setiap iterasinya untuk mencari nilai jarak terkecil. Ketika nilai jarak

terkecil sudah ditemukan maka program akan menyimpan nilai indeksnya

kemudian mengembalikan nilai label template pada indeks tersebut.

Proses looping akan berhenti ketika semua objek citra pada data uji sudah

dibandingkan dengan semua template yang ada.

4.5 Hasil dan Evaluasi

Setelah sistem selesai dibuat maka diperlukan pengujian untuk

menilai seberapa handal kinerja dari sistem untuk mengidentifikasi data-

data yang diambil dan dipersiapkan. Jika sistem memiliki nilai akurasi

yang tinggi maka sistem dapat dikatakan handal. Sebaliknya jika nilai

akurasi kecil maka sistem tidak cukup handal untuk melakukan proses

pengenalan pada tato ini. Performa dari sistem ini dapat diukur dengan

memberikan data testing menggunakan suatu objek baru untuk dikenali

dengan jumlah 30 data.

4.5.1 Hasil Pengujian Proses Deteksi Tepi Canny Sebelum Resize

Hasil dari pengujian terhadap 30 data uji baru dapat dilihat

dalam tabel dibawah ini.

Tabel 4.1 Tabel Pengujian Menggunakan Canny Buatan Sendiri

No Data Hasil

idetifikasi

Mirip dengan

data ke-

Nilai

kemiripan

Hasil

menurut

awam

Hasil

menurut

orang

citra

1 BA 1 Buah Andu Buah Andu 3 162726 benar Salah

2 BA 2 Bunga terong Bunga terong

6

77078.3 Salah Salah

3 BA 3 Buah andu Buah andu 3 107786 Benar Benar

4 BA 4 Buah andu Buah andu 3 114685 Benar Salah

5 BE 1 Bunga Bunga 79870.5 Benar Salah


50

engkabang engkabang 3

6 BE 2 Bunga

engkabang

Bunga

engkabang 4

78136.5 Benar Benar

7 BE 3 Uker degok Uker degok 5 91688.7 Salah Salah

8 BE 4 Bunga

engkabang

Bunga

engkabang 3

72017.7 Benar Benar

9 BE 5 Bunga

engkabang

Bunga

engkabang 3

78215.6 Benar salah

10 BE 6 Bunga

engkabang

Bunga

engkabang 3

130180 Benar Salah

11 BT 1 Bunga terong Bunga terong

12

112523 Benar Salah

12 BT 2 Buah andu Buah andu 6 71898.5 Salah Salah


12

143889 Benar Salah

14 BT 4 Uker degok Uker degok 5 105687 Salah Salah


11

96739.4 Benar Salah


12

128890 Benar Salah


6

105081 Benar Benar


7

208315 Benar Benar


11

201354 Benar Salah


7

157774 Benar Salah


12

187936 Benar Salah


11

181122 Benar Salah


7

122445 Benar Salah

24 BT 14 Buah andu Buah andu 7 103402 Salah Salah


15

162699 Benar Salah


11

113130 Benar Salah


15

115734 Benar Salah

28 UD 1 Uker degok Uker degok 9 92611.1 Benar Salah

29 UD 2 Uker degok Uker degok 9 88978.5 Benar Salah

30 UD 3 Uker degok Uker degok 6 136434 Benar Salah


51

Berdasarkan rumus menghitung akurasi yaitu persamaan 3.6 maka nilai

akurasi dari hasil tabel 4.1 adalah sebagai berikut:

Hasil akurasi dari kaum awam:

x 100 %= 83.33%

Hasil akurasi Citra :

x 100 % = 16,66 %

Dari hasil perhitungan diatas terdapat dua jenis perhitungan yaitu tingkat

akurasi berdasarkan kaum awam yaitu tingkat akurasi dari citra tato secara

umum yang setiap tato yang menjadi testing akan dikenali sebagai jenis

tato yang mana. Dari perhitungan di atas hasil akurasi dari 30 data yang

diperoleh sebesar 83.33% untuk yang tingkat akurasi secara kaum awam.

Dan perhitungan yang kedua adalah berdasarkan seorang citra yang artinya

data yang diuji benar-benar mirip sebagai data yang ada di template

database tersebut, dimana data yang sebagai data testing sama dengan

yang ada di data template namun berbeda objek latar pengambilan gambar

nya. Data yang dianggap benar di pengujian ini adalah data yang menjadi

data testing adalah sama bentuk dan jenis data yang ada di template

database nya. Dari perhitungan akurasi diatas didapat nilai akurasi yang

sangat rendah yaitu hanya 5 dari 30 data atau 16,66 % tingkat ke handalan

sistem mengenali setiap data.

Demi mengetahui mengapa sebuah data uji dibaca dibuat sebuah tabel

yang dari alat uji dari data no 14 yaitu BT 4 yang seharusnya dibaca

Bunga Terong (BT) namun terbaca uker degok, dari hasil perhitungan

perbedaan kemiripan dapat dilihat dari tabel di 4.2.


52

Tabel 4.2 Tabel Nilai Jarak Citra Uji dan Template

Citra Template Citra Uji

BT 4

Uker degok 5 1.0549e+05

Bunga terong 1 1.0721 e+05

Berdasarkan hasil hitung jarak antara citra uji dengan template database

maka dapat disimpulkan bahwa kesalahan dalam proses identifikasi

disebabkan karena diperoleh jarak minimum dengan yang tidak sesuai

dengan label citra yang sebenarnya. Citra BT 4 justru memiliki jarak

minimum dengan citra uker degok 5. Hal tersebut bisa terjadi karena

tahapan yang dilakukan dalam preprocessing dimana pada saat proses

Canny nilai pada matrik gambar terdiri dari 0 dan 255 kemudian saat di

resize nilai berubah menjadi angka yang bevariasi seperti gambar di bawah

ini.

Gambar 4.9 Hasil Matrik BT 4 setelah dikenakan Canny dan Resize


53

Gambar 4.10 Hasil Matrik Bunga Terong1 setelah dikenakan Canny dan

Resize

Gambar 4.11 Hasil Matrik Uker Degok 5 setelah dikenakan Canny dan

Resize

(a) BT 4 (b) Bunga Terong 1 (c) Uker Degok 5

Gambar 4.12 Gambar dari Masing-Masing Nama di Tabel 4.2

Ada beberapa hal yang menyebabkan kemungkinan terjadi nya

kesalahan diantaranya yang pertama adalah program alat uji yang


54

digunakan tidak memakai ekstraksi ciri karena dalam program alat uji ini

hanya menggunakan deteksi tepi dan langsung pada pengenalan atau

identifikasi. Yang kedua adalah besar kecil nya gambar yang berbeda-beda

dimana antara gambar uji (gambar (a) pada gambar 4.12) yang bisa dilihat

memiliki spasi dari tepi gambar yang lebih agak sedikit dari pada dengan

jarak antara gambar ke tepi gambar yang lebih sedikit dikanan kiri dan

lebih banyak di atas bawahnya. Yang ketiga dari segi cahaya atau

penerangan dalam pengambilan gambar, dapat dilihat pada gambar 4.12

yang merupakan gambar Bunga Terong1 dalam pengambilan gambar ada

yang redup cahaya di pojok kanan atas sehingga ketika dikenakan proses

Canny mendapat garis tepi yang pastinya memiliki nilai dan akan dihitung

dalam perbandingan perbedaan setiap data uji dan data template sehingga

mempengaruhi dalam sistem identifikasi.

(a) Gambar Awal (b) Gambar Canny (c) Setelah di Resize

Gambar 4.13 Hasil Proses Gambar Canny

4.5.2 Hasil Pengujian Proses Deteksi Tepi Canny Sebelum Resize

Untuk melakukan perbandingan mengapa diangkat proses

menggunakan dekteksi tepi Canny dahulu sebelum di resize maka

akan diuji menggunakan proses resize dahulu kemudian baru

dikenakan deteksi tepi Canny. Hasil dari pengujian terhadap 30


55

data uji baru namun data sama dengan pengujian pada tabel 4.1

dapat dilihat dalam tabel dibawah ini.

function [newimg]=Preprocessing(img)

...

% preproccesing img=rgb2gray(img); img=im2bw(img); img=imresize(img,[88 88]); img=canny(img, 0.05, 0.15); % img=edge(img,'canny'); %code untuk menggunakan canny

buatan matlab % img=imresize(img,[88 88]); newimg=img; ...

Tabel 4.3 Tabel Pengujian Menggunakan Canny Sesudah di Resize

No Data Hasil idetifikasi

Mirip dengan data ke-

Nilai kemiripan

Hasil menurut awam

Hasil menurut orang citra


2 BA 2 Buah andu Buah andu 7 195330 Benar Benar



5 BE 1 Buah andu Buah andu 5 200685 Salah Salah













18 BT 8 Buah Terong Buah Terong 11 242760 Benar Benar

19 BT 9 Buah Ande Buah Andu 7 252450 Salah Salah

20 BT 10 Bunga Terong Bunga Terong 12 237915 Benar Salah

21 BT 11 Bunga Terong Bunga Terong12 261120 Benar Salah






56



28 UD 1 Buah andu Buah andu 4 208590 Salah Salah



Hasil akurasi dari kaum awam:

x 100 %= 33,33 %

Hasil akurasi Citra :

x 100 % = 6,66 %

Hanya terdapat 2 data yang benar menurut seorang citra dan 10 data yang

benar menurut kaum awam dengan hasil presentase masing-masing

33,33% dari hasil menurut kaum awam dan 6,66% dari hasil menurut

seorang citra. Dari hasil ini nilai kehandalan dalam proses resize terlebih

dahulu lebih kecil dibandingkan dengan proses resize setelah proses

deteksi tepi Canny .

Gambar 4.14 Hasil Proses Resize Dahulu Kemudian Deteksi Tepi Canny


57

BAB V

PENUTUP

5.1 KESIMPULAN

Berdasarkan penelitian tentang pengenalan motif tato dayak Iban

menggunakan deteksi tepi Canny dan Template Matching maka dapat

ditarik kesimpulan sebagai berikut:

1. Penelitian ini menggunakan pengenalan Template Matching dengan

data training atau template sebanyak 50 data citra tato dayak iban asli

dan data uji berjumlah 30 data terdiri dari data yang diambil dari latar

kulit manusia dan dari latar kertas namun sudut pengambilan kira-kira

45o. Untuk akurasi yang dihasil kan dari penelitian ini jika

mendahulukan proses Canny sebelum resize, didapat hasil dari segi

kaum awam yaitu 83,33% data ini di didapat dari hasil secara umum

dan dari segi seorang citra yaitu 16,66% data ini didapat dari hasil

kemiripan suatu data. Jika menggunakan resize terlebih dahulu

sebelum proses deteksi tepi Canny maka akan menghasilkan nilai

akurasi yaitu dari segi kaum awam atau secara umum menghasilkan

33,33% dan dari segi seorang citra menghasilkan 6,66%.

2. Kelemahan identifikasi menggunakan model template matching

adalah sangat bergantung pada jumlah template yang disimpan dan

terbatasnya variasi data uji yang digunakan sehingga kurang cocok

ketika data uji yang digunakan beragam. Perbedaan posisi, letak dan

pencahayaan citra akan sangat berpengaruh terhadap ketepatan suatu

objek dalam mengenali, sehingga diperlukan cukup banyak data

template untuk mengakomodasi berbagai posisi dan letak citra

demikian pun pencahayaan pada citra juga akan mempengaruhi proses

deteksi tepi yang akan menimbulkan noice. Namun, jika data template

terlalu banyak tentu saja akan mempengaruhi kecepatan suatu sistem

dalam melakukan proses identifikasi dan data penyimpanan juga


58

cukup besar. disisi lain kelebihan menggunakan template matching

adalah relatif mudah diimplementasikan dan masih cukup relevan

diterapkan pada kasus penelitian ini jika menggunakan deteksi canny

yang dibuat sendiri.

3. Dalam penelitian ini proses yang dikerjakan adalah pemotongan citra

secara manual dan kemudian diinputkan kedalam sistem kemudian

sistem akan melakukan proses preprocessing yaitu proses grayscaling,

binaritation, proses deteksi tepi canny, dan rezising, setelah proses

preprocessing hasil akan diproses selanjutnya yaitu data training yang

akan di masukan ke dalam template database dan data uji yang akan

di identifikasi berdasarkan citra yang ada di template database

kemudian hasil dari proses ini berupa text yang berupa hasil dari nama

inputan citra uji yang sudah diidentifikasi, citra yang mana yang

paling mirip dari data template dan nilai perbedaan yang

menggunakan rumus perhitungan Minimum distance dengan rumus

jarak City-Block. Hasil dari seluruh data uji akan dihitung persentasi

keberhasilannya dengan menggunkana rumus yang ada.

5.2 SARAN

Untuk penelitian selanjutnya tentang pengenalan motif tato dayak

Iban, terdapat beberapa saran untuk memperbaiki kekurangan pada

penelitian tersebut, antara lain:

1. Mengembangkan proses deteksi secara otomatis citra tato dayak iban

sehingga proses cropping yang dilakukan dapat secara otomatis

mengambil citra tato saja.

2. Penambahan citra pada template database, penggunaan ekstraksi ciri,

serta menggunakan metode lain seperti deteksi tepi menggunakan

operasi sobel, LoG, dll sehingga kemungkinan tingkat keberhasilan

identifikasi bisa lebih besar. Diperlukan juga penambahan proses pada

tahap preprocessing untuk gambar yang diambil tidak normal seperti


59

pencahayaan yang gelap atau ada sebagian yang terlalu terang karena

efek cahaya lain, dan deteksi kemiringan citra yang mampu merotasi

citra sehingga dalam proses identifikasinya proses keberhasilannya

lebih besar.

3. Suatu kelemahan proses identifikasi menggunakan template matching

adalah bergantung pada banyaknya template dan cara membandingkan

objek dengan setiap template yang ada sehingga diperlukan model

identifikasi yang lebih efisien dalam hal komputasi untuk

mempercepat proses eksekusi program dan tidak memakan begitu

banyak ruang penyimpanan dan waktu yang lama.

4. Melanjutkan penelitian pengenalan motif tato Dayak Iban

menggunakan deteksi tepi canny dan template matching namun

diaplikasikan menggunakan perangkat smartphone sehingga

pengambilan data testing lebih mudah langsung melakukan

pengambilan gambar pada kulit atau media lain dan dengan output

berupa suara atau nama dari tato yang diujikan.

5. Mengembangkan penelitian ini untuk mengenali dan dalam output

terdapat penjelasan arti serta informasi lain dari tato yang diujikan

sehingga membantu pelestarian tradisi budaya Dayak Iban Kalimantan

Barat.


60

DAFTAR PUSTAKA

Adhitya, W,. W,. and Yudi, P,. (2008), Penggunaan Metode Template Matching

Untuk Identifikasi Kecacatan Pada PCB. Dalam SNATI 2008.

Yogyakarta.

Adji, S. F. K., (2017), Identifikasi Penyakit Tanaman Padi Berdasarkan

Segmentasi Citra Pada Daun Padi, Tugas Akhir Teknik Informatika,

Universitas Sanata Dharma Yogyakarta.

Fahmi. (2007), Perancangan Algoritma Pengolahan CItra Mata Menjadi Citra

Polar Iris Sebagai Bentuk Antara Sistem Biometri, Karya Ilmiah

Teknik Elektro, Universitas Sumatra Utara Medan. Diakses dari

http://repository.usu.ac.id/bitstream/123456789/1407/1/07001529.pdf

tanggal 10 November 2016.

Flaurensia, F., Rismawan, T., Hidayati, R.(2016), Pengenalan Motif Batik

Indonesia Menggunakan Deteksi Tepi Canny dan Template

Matching, Jurnal Coding Sistem Komputer, Universitas Tanjungpura

Pontianak. Volume 4, No. 2, Hal. 130-140.

Gonzales, Rafael C. ; Woods, Richard E. 2002. Digital Image Processing. New

Jersey : Prentice-Hall, Inc.

Green, Timothy D, dan Brown, A. (2002). Multimedia Projects in the Clasroom

United States of America : Corwin Press, Inc.

Handoyo, K.,(2017) Transliterasi Nama Jalan Beraksara Jawa, Tugas Akhir

Teknik Informatika, Universitas Sanata Dharma Yogyakarta.

Iqbal, Muhammad, (2009). Dasar Pengolahan Citra Menggunakan Matlab,

Matlab Tutorial. Departemen Ilmu dan Teknologi Kelautan Fakultas

Perikanan dan Ilmu Kelautan Institut Pertanian Bogor.


61

Kadir, A., Susanto, A.,(2013) Teory dan Aplikasi Pengolahan Citra, CV. Andi

Offset, Yogyakarta.

Olong, H. A. K. (2006), TATO, Yogyakarta,LKiS Yogyakarta, 83 – 84. Diakses

dari

https://books.google.co.id/books?hl=id&lr=&id=iGZkuAEuShIC&oi=

fnd&g=PA59&dq=tato+dayak+&ots=ZA4MUU3oYi&sig=eyD-

dG5U4DDbXkMAc IG684FF_Ro&redir_esc=y#v=onepage&q&f=f

alse kamis 10 November 2016.

Putra, D. (2010), Pengolahan Citra Digital, Yogyakarta, Andi Offset, 201 – 303.


62

LAMPIRAN

A. Dokumentasi

Design Alat Uji

Buku katalog motif tato dayak iban “JEJAK PANTANG IBAN”


63

Desa Sungai Utik dimana terdapat rumah adat Betang


64

Rumah Betang Sungai Utik

Proses tato dayak iban pada acara PSBDK 2017 di Yogyakarta.


65

B. Proses tato di Betang Sungai Utik


66


67

C. Data Tato

Buah Andu

Bunga Engkabang


68

Bunga Terong

Uker Degok


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/17918/2/135314055_full.pdf · 2018. 2....

Documents

Transcript of PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/17918/2/135314055_full.pdf · 2018. 2....