Algoritma Backpropagation Untuk Pengenalan Pola Batik Studi Kasus: Batik Madura

Abstract

Pengenalan Pola Batik telah banyak dilakukan, dengan tujuan untuk mengenali pola suatu kelas tertentu dan mengklasifikasikannya kedalam kelasnya masing-masing. Dalam penelitian kali ini, pengenalan pola batik dilakukan menggunakan algoritma Backpropagation dalam tahap klasifikasi. Data yang digunakan merupakan 5 motif batik Madura berbeda, yaitu motif Bunga Satompok, Manuk Poter, Pecah Beling, Rumput Laut, dan Sekar Jagat. Setiap motif diambil 30 citra dengan pembagian 20 citra untuk pelatihan dan 10 citra untuk pengujian. Pengambilan gambarnya juga dilakukan sedemikianrupa sehingga dari 30 citra yang diambil dari setiap motif, tidak ada satupun citra yang sama persis. Sebelum dilakukan klasifikasi dengan backpropagation, dilakuakn tahapan preprocessing yaitu tahap scalling atau perubahan ukuran piksel suatu citra dan tahap grayscalling atau perubahan warna citra yang awalnya RGB menjadi keabu-abuan. Setelah citra menjadi citra keabu-abuan selanjutnya dilakukan tahapan ekstraksi ciri (Feature Extraction). Tahap ini bertujuan untuk mengenali ciri dari suatu citra yang tidak dimiliki oleh citra lain. Dalam tahap ini digunkan metode GLCM (Gray Level Co-occurence Matrix). GLCM merupakan suatu matriks yang elemen-elemennya merupakan jumah pasangan piksel yang memiliki tingkat kecerahan tertentu, dimana pasangan piksel tersebut terpisah dengan jarak yang diinialisasikan dengan (d), dan sudut inklisasi (𝜃 = [0°, 45°, 90°, 135°]). GLCM melakukan perhitungan hubungan antar piksel dengan mengacu kepada arah sudut 𝜃 dan jarak d untuk diinputkan kedalam area kerja matriks dan didapatkan matriks koonkurensi. Area kerja matriks merupakan matriks persegi yang berukuran sesuai dengan tingkat keabuan suatu citra. Setelah didapatkan matriks koonkurensi, selanjutnya matriks koonkurensi dijumlahkan dengan tranposenya untutk didapatkan matriks yang simetris. Setelah itu dilakukan normalisasi matriks dengan membagi setiap elemen yang ada dengan jumlah nilai dari seluruh elemen matriks simetris. GLCM memiliki 14 fitur yang digunakan dalam pengukuran nilai tekstur dari suatu citra. Tetapi dalam penelitian ini hanya digunakan 4 fitur saja, yaitu Energy, Contrast, Hommogeneity, dan Correlation. Nilai yang dihasilkan dari 4 fitur tersebut yang akan digunakan dalam proses klasifikasi denga Backpropagation. Dalam tahapan klasifikasi data menggunakan algoritma Backpropagation, digunakan data sebanyak 150 citra dari semua motif dengan pembagian 100 citra untuk pelatihan (training) dan 50 citra untuk pengujian (testing). Tahap pelatihan menghasilkan akurasi sebesar 100% dari semua percobaan yang dilakukan, sedangakan tahap pengujian dilakukan dengan mengacu kepada pelatihan yang sudah dilakukan. Penelitian ini menunjukan hasil bahwa Algoritma Backpropagation yang dibantu dengan metode GLCM pada tahap ekstraksi ciri dapat diguakan untuk mengenali pola dari 5 motif batik yang berbeda dengan dihasilkan akurasi tertinggi pada saat pengujian yaitu sebesar 98%.