Tugas Akhir
Diajukan Untuk Memenuhi Salah Satu Syarat
Sarjana Strata-1 Teknologi Informasi
Oleh
NUR LATHIFAH
NIM. H1G114040
Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat
karya yang pernah diajukan untuk memperoleh gelar akademik di suatu perguruan
tinggi, dan sepanjang pengetahuan saya, juga tidak terdapat karya atau pendapat yang
pernah ditulis atau diterbitkan oleh orang lain, kecuali secara tertulis diacu dalam
naskah ini dan disebutkan dalam daftar rujukan.
Materai 6000
NUR LATHIFAH
NIM. H1G114040
ii
PERSETUJUAN TUGAS AKHIR
OLEH
NUR LATHIFAH
NIM.H1G114040
Pembimbing Utama,
Pembimbing Pendamping,
iii
ABSTRACT
iv
ABSTRAK
v
PERSEMBAHAN
vi
PRAKATA
Dengan memanjatkan puji syukur kehadirat Tuhan Yang Maha Esa, yang
telah melimpahkan Rahmat dan Karunia-Nya sehingga penulis dapat
menyelesaikan Tugas Akhir ini dengan Judul: “Klasifikasi Motif Sasirangan
dengan Scale-Invariant Feature Transform (SIFT) dan Support Vector Machine
(SVM)”
Tugas Akhir ini disusun dalam rangka memenuhi salah satu syarat untuk
memperoleh gelar Sarjana Strata-1 Teknologi Informasi di Fakultas Teknik
Universitas Lambung Mangkurat, Banjarmasin.
Dalam kesempatan ini penulis menyampaikan terimakasih yang sebesar-besarnya
kepada:
1. Ketua Program Studi Teknologi Informasi sekaligus pembimbimbing
utama, bapak Husnul Khatimi, S.T., M.T. yang dalam penulisan laporan
tugas akhir juga memberikan pengarahan dalam pelaksanaan tugas akhir.
2. Pembimbing Pendamping, Bapak Muhammad Alkaff, S.Kom., M.Kom.
yang telah memberikan waktu, pengarahan dan pandangan kepada penulis
dalam penulisan laporan tugas akhir beserta protototype yang dibuat.
3. Dosen-dosen Teknologi Informasi dan pihak-pihak terkait yang telah
mengarahkan dan membantu dalam penulisan laporan tugas akhir dan
pembuatan prototype penelitian ini.
4. Seluruh staff di Program Studi Teknologi Informasi yang telah
memberikan pengarahan serta bimbingan kepada penulis.
Akhir kata, penulis menyampaikan terima kasih kepada semua pihak yang telah
turut membantu dalam upaya penyelesaian laporan ini. Penulis juga
mengharapkan saran dan kritik demi perbaikan dan penyempurnaan laporan ini.
vii
Semoga laporan ini dapat bermanfaat bagi para pembaca dan semua pihak yang
membutuhkan. Dan, semoga Tuhan Yang Maha Esa memberkahi kita semua.
NUR LATHIFAH
viii
DAFTAR ISI
PERNYATAAN ii
PERSETUJUAN TUGAS AKHIR iii
ABSTRACT iv
ABSTRAK v
PERSEMBAHAN vi
PRAKATA vii
DAFTAR ISI ix
DAFTAR GAMBAR xii
BAB I 1
1.1 Latar Belakang...............................................................................................1
1.2 Rumusan Masalah..........................................................................................3
1.3 Tujuan Penelitian............................................................................................4
1.4 Manfaat Penelitian..........................................................................................4
1.5 Ruang Lingkup Penelitian..............................................................................4
BAB II 6
2.1 Landasan Teori...............................................................................................6
2.1.1 Citra........................................................................................................6
2.1.2 Pengolahan Citra Digital.......................................................................7
2.1.3 Scale-Invariant Feature Transform (SIFT)........................................20
2.1.4 Support Vector Machine (SVM)..........................................................21
2.1.5 Sasirangan............................................................................................28
2.2 Penelitian Terkait..........................................................................................35
2.3 Kerangka Pemikiran.....................................................................................37
BAB III 41
3.1 Bahan dan Alat Penelitian............................................................................41
3.1.1 Bahan Penelitian..................................................................................41
3.1.2 Alat Penelitian......................................................................................41
3.2 Prosedur Penelitian.......................................................................................41
3.3 Metode Pengumpulan Data..........................................................................42
3.4 Metode Pengembangan Perangkat Lunak....................................................43
ix
3.5 Analisis Kebutuhan......................................................................................45
3.6 Analisis Data................................................................................................45
3.7 Pembuatan Perancangan...............................................................................47
3.7.1 Perancangan.........................................................................................47
3.7.2 Perancangan Sistem............................................................................47
3.8 Implementasi................................................................................................49
3.9 Tempat Penelitian.........................................................................................49
3.10 Waktu Penelitian.........................................................................................49
3.11 Etika Penelitian...........................................................................................49
BAB IV 51
4.1 Hasil Penelitian............................................................................................51
4.2 Pembahasan..................................................................................................53
4.2.1 Pengolahan Data..................................................................................53
4.2.2 Hasil Prototype Sistem.........................................................................70
BAB V 74
5.1 Simpulan.......................................................................................................74
5.2 Rekomendasi................................................................................................75
DAFTAR PUSTAKA
x
DAFTAR LAMPIRAN
DAFTAR GAMBAR
xi
Gambar 2.1 Citra Lena dan citra kapal....................................................................6
Gambar 2.2 (a) Citra burung nuri yang tampak gelap, dan (b) citra burung nuri
yang melalui proses pengolahan citra pada kontrasnya diperbaiki menjadi lebih
terang dan tajam.......................................................................................................7
Gambar 2.3 Hubungan antara 3 bidang studi yang berkaitan dengan data citra......8
Gambar 2.4 Alur Grafika Komputer........................................................................8
Gambar 2.5 Salah satu contoh grafikka komputer untuk membuat ‘rumah’...........9
Gambar 2.6 Alur Pengolahan Citra..........................................................................9
Gambar 2.7 (a) Citra Lena yang mengandung derau, (b) Hasil operasi
penghilangan derau................................................................................................10
Gambar 2.8 Alur Pengenalan Pola.........................................................................10
Gambar 2.9 Cita karakter A yang digunakan sebagai masukan untuk pengenalan
karakter huruf.........................................................................................................11
Gambar 2.10 Contoh pengScriptan pada citra biner..............................................12
Gambar 2.11 Contoh citra gryscale.......................................................................12
Gambar 2.12 Contoh citra warna...........................................................................13
Gambar 2.13 (a) Citra Lena asli, (b) citra Lena setelah ditajamkan......................15
Gambar 2.14 (a) Citra Lena yang tampak kabur (blur), (b) citra Lena yang telah
ditajamkan..............................................................................................................16
Gambar 2.15 (a) Citra kapal.bmp dengan ukuran 258 KB yang belum
dimampatkan, (b) Citra kapal.jpg dengan ukuran 49 KB setelah dimampatkan...16
Gambar 2.16 (a) Citra kamera dan (b) citra hasil pendektisian seluruh tepi.........17
Gambar 2.17 Proses-proses dalam computer vision..............................................20
Gambar 2.18 (a) Alternatif bidang pemisah, (b) Bidang pemisah terbaik dengan
margin (m) terbesar................................................................................................23
Gambar 2.19 Soft Margin Hyperlane.....................................................................25
Gambar 2.20 Transformasi vektor ke feature space..............................................26
Gambar 2.21 Motif Gigi Haruan [13]....................................................................29
Gambar 2.22 Motif Kulat Kurikit [13]..................................................................29
Gambar 2.23 Motif Hiris Pudak [13].....................................................................29
Gambar 2.24 Motif Ular Lidi [13].........................................................................30
Gambar 2.25 Motif Kambang Kacang [13]...........................................................30
xii
Gambar 2.26 Motif Hiris Gagatas [13]..................................................................30
Gambar 2.27 Motif Kambang Sakaki [13]............................................................31
Gambar 2.28 Motif Daun Jaruju [13]....................................................................31
Gambar 2.29 Motif Tampuk Manggis [13]............................................................31
Gambar 2.30 Motif Bintang [13]...........................................................................32
Gambar 2.31 Motif Kangkung Kaubakan [13]......................................................32
Gambar 2.32 Motif Ombak Sinapur Karang [13]..................................................33
Gambar 2.33 Motif Bayam Raja [13]....................................................................33
Gambar 2.34 Motif Mayang Murai [13]................................................................34
Gambar 2.35 Motif Naga Balimbur [13]...............................................................34
Gambar 2.36 Motif Ramak Sahang [13]................................................................34
Gambar 2.37 Motif Gelombang [13].....................................................................35
Gambar 2.38 Motif Daun Katu [13]......................................................................35
Gambar 2.39 Kerangka Pemikiran.........................................................................38
Gambar 3.1 Model Pengembangan Sistem Waterfall [15]...................................44
Gambar 3.2 Tahapan Analisis Data........................................................................46
Gambar 3.3 Tahapan sederhana perancangan sistem.............................................48
Gambar 4.1 Motif Gigi Haruan pada kain sasirangan...........................................52
Gambar 4.2 Motif Kulat Kurikit pada kain sasirangan..........................................52
Gambar 4.3 Motif Hiris Pudak pada kain sasirangan............................................53
Gambar 4.4 Motif Hiris Gagatas pada kain sasirangan.........................................53
Gambar 4.5 Data Citra Motif Gigi Haruan............................................................55
Gambar 4.6 Data Citra Motif Kulat Kurikit...........................................................56
Gambar 4.7 Data Citra Motif Hiris Pudak.............................................................57
Gambar 4.8 Data Motif Hiris Gegatas...................................................................59
Gambar 4.9 Data citra motif sasirangan difolderkan berdasarkan kategori...........60
Gambar 4.10 Citra asli dengan ukuran 4272x2848 piksel.....................................60
Gambar 4.11 citra setelah di-resize menjadi ukuran 128x128 piksel....................61
Gambar 4.12 Informasi Jumlah Data Training dan Testing..................................66
Gambar 4.13 Proses Training SVM.......................................................................67
Gambar 4.14 Visualisasi Perangkingan pada Citra dan Kurva Recall Transisi pada
Data Training.........................................................................................................68
xiii
Gambar 4.15 Visualisasi Perangkingan pada Citra dan Kurva Recall Transisi pada
Data Testing............................................................................................................69
Gambar 4.16 Informasi Hasil Akurasi dan Jumlah Data yang Benar...................69
Gambar 4.17 Hasil Akurasi pada Motif Gigi Haruan............................................70
Gambar 4.18 Hasil Akurasi pada Motif Kulat Kurikit...........................................71
Gambar 4.19 Hasil Akurasi pada Motif Hiris Pudak.............................................72
Gambar 4.20 Hasil Akurasi pada Motif Hiris Gagatas.........................................73
xiv
xv
BAB I
PENDAHULUAN
1
2
motif sasirangan tanpa mengetahui nama motif tradisional, makna motif bahkan
arti warna dari kain sasirangan tersebut.
Dengan kondisi seperti ini, agar masyarakat mudah mengetahui dan tidak
kehilangan informasi mengenai ke-khas-an motif kain sasirangan Kalimantan
Selatan, khususnya untuk motif tradisional yang ada pada kain sasirangan, maka
perlu adanya sebuah sistem klasifikasi motif kain sasirangan yang dalam
prosesnya membagi citra sasirangan ke dalam kelas-kelas motif sesuai dengan
pola motifnya sehingga mudah untuk dikenali sesuai dengan cirinya.
Seperti yang kita tahu, pemanfaatan dari perkembangan teknologi
komputer dapat dilakukan pada penelitian dan penerapan teknologi pengolahan
citra digital. Saat ini pengolahan citra digital mempunyai peranan penting dalam
berbagai bidang kehidupan. Bentuk pemanfaatan pengolahan citra digital dapat
dilakukan pada pengklasifikasian atau pengenalan motif kain. Dan saat ini belum
ada penelitian yang dipublikasikan untuk pengenalan motif kain sasirangan khas
Kalimantan Selatan, penelitian tentang klasifikasi motif kain yang serupa
umumnya dilakukan pada kain batik Indonesia.
Metode ektraksi fitur yang umum digunakan untuk klasifikasi motif batik
adalah Gray Level Co-Occurrence Matrices (GLCM), hal ini dikaitkan pada salah
satu penelitian yang dilakukan oleh Ida Nurhaida, dkk. yaitu Performance
Comparison Analysis Features Extraction Methods for Batik Recognition, dalam
penelitian ini memberikan perbandingan metode ektraksi fitur antara Gray Level
Co-occurrence Matrices (GLCM), Canny Edge Detection, dan filter Gabor
dengan hasil percobaan menunjukkan bahwa penggunaan fitur GLCM yang
terbaik dengan akurasi klasifikasi mencapai 80% [3]. Namun pada penelitian yang
dilakukan oleh Qiwen Chen dan Emmanuel Agu yaitu Exploring Statistical
GLCM Texture Features for Classifying Food Images, menunjukkan bahwa fitur
GLCM berkinerja lebih baik daripada SIFT secara keseluruhan, dan untuk
makanan satu item atau homogen, sementara SIFT berkinerja baik untuk hidangan
kompleks [4]. Karena motif sasirangan umumnya kompleks maka penulis
menggunakan metode ektraksi fitur scale-invariant feature transform (SIFT).
Dan untuk penelitian mengenai metode klasifikasi motif kain yang pernah
dilakukan sebelumnya, oleh Iwan Setiawan, dkk. pada Automatic Batik Motifs
3
4. Data masukan yang menjadi objek klasifikasi adalah beberapa motif kain
sasirangan khas Banjarmasin, yaitu kulat kurikit, hiris pudak, gigi haruan, dan
hiris gegatas.
5. Output yang dihasilkan berupa akurasi klasifikasi dari proses pengujian data
citra testing terhadap data citra training pada masing-masing motif kain
sasirangan yaitu motif kulat kurikit, hiris pudak, gigi haruan, dan hiris gagatas.
BAB II
TINJAUAN PUSTAKA
41
7
(a)
(b)
Gambar 2.2 (a) Citra burung nuri yang tampak gelap, dan (b) citra burung nuri
yang melalui proses pengolahan citra pada kontrasnya diperbaiki menjadi lebih
terang dan tajam
8
Dalam bidang komputer, ada 3 (tiga) bidang studi yang berkaitan dengan data
citra dan dengan tujuan yang berbeda, yaitu:
1. Grafika Komputer (computer graphics).
2. Pengolahan Citra (image processing).
3. Pengenalan Pola (pattern recognition) [8].
Skema hubungan antara grafika komputer, pengolahan citra dan pengenalan pola
dapat dilihat pada Gmabar 2.3 berikut.
Gambar 2.3 Hubungan antara 3 bidang studi yang berkaitan dengan data citra
Berikut pada Gambar 2.5 merupakan contoh dari grafika komputer dengan
menggambar sebuah ‘rumah’ yang dibentuk dari garis-garis lurus, dengan data
masukan berupa koordinat awal dan koordinat ujung garis.
Gambar 2.5 Salah satu contoh grafikka komputer untuk membuat ‘rumah’
(a) (b)
Gambar 2.7 (a) Citra Lena yang mengandung derau, (b) Hasil operasi
penghilangan derau
Gambar 2.9 Cita karakter A yang digunakan sebagai masukan untuk pengenalan
karakter huruf
2.1.2.1 Jenis-jenis Citra Digital
1. Citra Biner
Citra biner (binary image) adalah citra yang memiliki dua kemungkinan nilai
derajat keabuan yaitu hitam dan putih. Citra biner juga disebut sebagai citra B&W
(black and white) atau citra monokrom. Pixel-pixel objek bernilai 1 dan pixel
latar belakang bernilai 0 atau 0 adalah putih dan 1 adalah hitam. Meskipun
komputer saat ini dapat memproses citra hitam-putih (greyscale) maupun citra
berwarna, namun citra biner masih tetap dipertahankan keberadaannya. Alasan
penggunaan citra biner adalah citra biner memiliki keuntungan antara lain:
1. Memori penyimpanan yang diperlukan kecil saja, karena nilai derajat
keabuannya hanya membutuhkan representasi 1 bit. Dan kebutuhan memori
untuk citra biner masih dapat berkurang dengan metode pemampatan run
length encoding (RLE).
2. Waktu yang digunakan untuk pemprosesan lebih cepat dibandingkan dengan
citra hitam-putih, karena operasi algoritma yang digunakan untuk citra biner
adalah AND, OR, NOT, dan lain-lain.
Citra biner biasanya digunakan sebagai masukan untuk pemprosesan pada
pengenalan objek, misalnya pengenalan karakter secara optik, analisis kromosom,
pengenalan bagian dari komponen industri, dan sebagainya [8]. Berikut Gambar
2.10 merupakan contoh pengScriptan citra biner.
12
b. Hue
Atribut yang menyatakan warna sebenarnya seperti merah, violet dan kuning. Hue
digunakan untuk membedakan warna-warna dan menentukan kemerahan,
kehijauan dan sebagainya dari cahaya. Apabila kita menyebut warna merah, violet
atau kuning kita sebenarnya menspesifikasikan hue, karena hue berasosiasi
dengan panjang gelombang cahaya [8].
c. Saturation
Atribut saturation ini merupakan atribut yang menyatakan kemurnian warna.
Contohnya seperti warna merah adalah 100% warna jenuh, sedangkan warna pink
adalah warna merah dengan tingkat kejenuhan sangat rendah karena ada warna
putih di dalamnya. Jadi saturation menyatakan seberapa dalam warna tersebut.
Model warna RGB digunakan sebagai acuan, tetapi RGB bukan satu-satunya
warna pokok yang dapat digunakan untuk menghasilkan kombinasi warna. Warna
lain yang juga digunakan sebagai warna pokok misalnya cyan (C), magenta (M),
dan yellow (Y) [8].
2.1.2.2 Operasi pengolahan citra
Operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai
berikut:
1. Perbaikan kualitas citra (image enhancement)
Operasi ini bertujuan untuk memperbaiki kualitas ada citra dengan cara
memanipulasi parameter-parameter yang terdapat pada citra. Melalui proses ini
ciri-ciri khusus pada citra lebih menonjol.
Contoh-contoh operasi perbaikan citra yaitu:
a. Perbaikan kontras gelap/terang
b. Perbaikan tepian objek (edge enhancement)
c. Penajaman (sharpening)
d. Pemberian warna semu (pseudocoloring)
e. Penapisan derau (noise filtering) [8].
Berikut Gambar 2.13 merupakan contoh operasi penajaman citra pada tepi-tepi
objek.
15
(a) (b)
Gambar 2.13 (a) Citra Lena asli, (b) citra Lena setelah ditajamkan
2. Pemugaran Citra (image restoration)
Operasi ini bertujuan untuk menghilangkan atau mengurangi cacat pada citra.
Pemugaran citra hampir sama dengan perbaikan citra bedanya pada pemugaran
citra degradasi gambar diketahui. Contoh-contoh dari operasi pemugaran citra
yaitu:
a. Penghilangan kesamaran (deblurring)
b. Penghilangan derau (noise)
Berikut Gambar 2.14 merupakan salah satu contoh operasi untuk menghilangkan
kesamaran dengan citra masukan adalah citra yang tampak kabur (blur), melalui
operasi deblurring kualitas dari citra masukan dapat diperbaiki sehingga citra
terlihat lebih tajam [8].
16
(a) (b)
Gambar 2.14 (a) Citra Lena yang tampak kabur (blur), (b) citra Lena yang telah
ditajamkan
3. Pemampatan Citra (image compression)
Operasi ini dilakukan agar citra direpresentasikan dalam bentuk yang jauh lebih
kompak sehingga cukup memerlukan memori yang sedikit. Tetapi dalam
pemampatan ini citra harus tetap mempunyai kualitas yang bagus. Contoh
pemampatan citra dapat dilihat pada Gambar 2.15 berikut dengan menggunakan
metode JPEG. Citra semula berukuran 258 KB, setelah dimampatkan dengan
metode JPEG ukuran citra dapat direduksi menjadi 49 KB saja [8].
(a) (b)
Gambar 2.15 (a) Citra kapal.bmp dengan ukuran 258 KB yang belum dimampatkan, (b)
Citra kapal.jpg dengan ukuran 49 KB setelah dimampatkan
(a) (b)
Gambar 2.16 (a) Citra kamera dan (b) citra hasil pendektisian seluruh tepi
6. Rekontruksi Citra (image recontruction)
Rekontruksi citra merupakan operasi untuk membentuk ulang objek dari beberapa
citra hasil proyeksi, operasi ini sering digunakan dalam bidang medis seperti pada
foto rontgen dengan sinar X yang digunakan membentuk ulang gambar organ
tubuh [8].
2.1.2.3 Teknik-teknik Pengolahan Citra Digital
Teknik pengolahan citra digital secara umum dapat dikelompokkan ke dalam 3
(tiga) tingkat pengolahan, sebagai berikut:
1. Pengolahan Tingkat Rendah (Low Level Processing)
Pengolahan tingkat rendah merupakan operasi-operasi dasar dalam
pengolahan citra, seperti penggunaan noise, perbaikan citra, dan restorasi citra.
2. Pengolahan Tingkat Menengah (Mid Level Processing)
Pengolahan tingkat menengah merupakan pengolahan citra yang meliputi
segmentasi pada citra, deskripsi objek, dan klasifikasi objek secara terpisah.
3. Pengolahan Tingkat Tinggi (High Level Processing)
Pengolahan tingkat tinggi merupakan pengolahan yang meliputi analisis citra
[8].
18
portable pixmap dan portable network map dengan format berturut-turut adalah
.pbm, .pgm, .ppm, dan .pnm [9].
2.1.2.5 Computer vision dan Hubungannya dengan Pengolahan Citra Digital
Computer vision atau yang disebut juga dengan machine vision merupakan
terminologi yang berkaitan erat dengan pengolahan citra digital. Karena pada
dasarnya, computer vision mencoba meniru cara kerja sistem visual manusia
(human vision). Manusia melihat objek dengan indera penglihatan (mata), lalu
objek tersebut diteruskan ke otak untuk diinterpretasi sehingga manusia dapat
mengerti objek apa yang tampak pada pandangan matanya. Dalam hal ini hasil
interpretasi mungkin digunakan untuk pengambilan keputusan, misalnya dalam
pandangan manusia melihat mobil yang sedang melaju, maka ia akan
menghindarinya.
Computer vision merupakan proses otomatis yang dapat mengintegrasikan
sejumlah besar proses dalam hal persepsi visual, seperti akuisisi citra, pengolahan
citra, klasifikasi, pengenalan pola, dan membuat keputusan.
Teknik-teknik di dalam computer vision terdiri dari mengestimasi ciri-ciri objek di
dalam citra, pengukuran ciri yang berkaitan dengan geometri objek, dan
menginterpretasi informasi geometri objek tersebut.
Proses-proses di dalam computer vision dapat dibagi menjadi 3 (tiga) aktivitas,
yaitu:
1. Mengakuisisi atau memperoleh citra
2. Melakukan operasi-operasi pengolahan citra digital
3. Menganalisis dan menginterpretasi citra, hasil dari pemprosesan digunakan
untuk tujuan tertentu, misalnya sebagai control pada robot, mengontrol
peralatan lainnya, memantau proses manufaktur, dan lain-lain.
Secara hirarki, proses-proses dalam computer vision diklasifikasikan dalam
beberapa hal yang dapat dilihat pada Gambar 2.17 berikut.
Hirarki pemprosesan Contoh Algoritma
Preprocessing Noise removal
Contrast enhancement
Lowest-level feature extraction Edge detection
Texture detection
Intermediate-level feature identification Connectivity
Pattern matching
20
Boundary coding
High-level scene interpretation Model-base
recognition
via images
Gambar 2.17 Proses-proses dalam computer vision
Dari klasifikasi di atas, dapat kita lihat bahwa pengolahan citra dan pengenalan
pola termasuk bagian dari computer vision. Proses awal pada computer vision
adalah pengolahan citra, sedangkan pengenalan pola merupakan proses untuk
menginterpetasi citra. Teknik-teknik pada pengenalan pola memiliki peranan
penting dalam computer vision untuk mengenali pola [8].
2.1.3 Scale-Invariant Feature Transform (SIFT)
Ekstraksi fitur gambar ini dideskripsikan pada tahun 1999 oleh David G. Lowe
yang diteliti dari Universitas British Colombia. Metode ini dinamakan sebagai
Scale-Invariant feature Transform (SIFT). SIFT adalah metode yang invarian
terhadap skala, rotasi, dan kondisi iluminasi. Pendekatan SIFT umumnya ada
empat langkah, yaitu:
1. Pembentukan Gaussian Scale Space dan Difference of Gaussian Scale Space
Hal ini diimplementasikan secara efisien dengan menggunakan perbedaan fungsi
Gaussian untuk mengidentifikasi potensi objek yang invarian ke skala dan
orientasi. Setelah mendapatkan Gaussian Scale Space langkah selanjutnya yaitu
membentuk Difference of Gaussian Scale (DoG).
2. Deteksi Ekstremum
Deteksi ekstremum (nilai maksimum dan minimum) dilakukan dengan
membandingkan nilai setiap piksel pada DoG Scale space dengan delapan piksel
yang berada di sekelilingnya dan 9 piksel yang bersesuaian pada citra DoG
sebelum dan setelahnya. Jika nilai piksel yang dimaksud lebih besar atau lebih
kecil daripada nilai-nilai piksel pembandingnya maka koordinat piksel tersebut
ditandai sebagai ekstremum.
3. Penetapan Orientasi Keypoint
Pada langkah ini, satu (atau lebih) orientasi ditugaskan ke setiap lokasi keypoint
yang berdasarkan arah lokasi gradien gambar yang kemudian digunakan sebagai
dasar untuk semua operasi selanjutnya. Secara khusus, data gambar
21
linier. Misalkan { ,…, } adalah dataset dan ϵ {+1,-1} adalah label kelas dari
data . Pada Gambar 2.18 Berikut dapat dilihat alternatif bidang pemisah yang
dapat memisahkan semua dataset sesuai dengan kelasnya. Bidang pemisah terbaik
tidak hanya memisahkan data tetapi juga memiliki margin paling besar.
(a) (b)
Gambar 2.18 (a) Alternatif bidang pemisah, (b) Bidang pemisah terbaik dengan
margin (m) terbesar
Data yang berada pada bidang pemisah disebut support vector. Pada
contoh di atas, dua kelas dapat dipisahkan oleh sepasang bidang pemisah yang
sejajar. Bidang pemisah pertama membatasi kelas pertama, sedangkan bidang
23
.w + b + 1 for = +1 (2.1)
.w + b + 1 for = -1
(2.2)
Maka pencarian bidang pemisah terbaik dengan nilai margin terbesar dapat
dirumuskan menjadi masalah optimasi konstrain, yaitu
(2.3)
Vektor w seringkali bernilai besar dan bisa saja tak terhingga, tetapi nilai
berikut:
Dari persamaan di atas diperoleh nilai untuk setiap data pelatihan yang
Keterangan:
= support vector
Metode atau cara lain untuk mengklasifikasikan data yang tidak dapat dipisahkan
secara linier adalah dengan mentransformasikan data ke dalam ruang fitur (feature
space) sehingga dapat dipisahkan secara linier. Berikut Gambar 2.20 merupakan
gambaran transformasi vektor ke feature space.
Dalam prakteknya feature space memiliki dimensi yang lebih tinggi dari vektor
input (input space). Hal ini mengakibatkan komputasi pada feature space
mungkin sangat besar, karena kemungkinan jumlah feature menjadi tak terhingga.
Untuk mengatasai hal ini pada support vector machine (SVM) digunakan kernel
trick. Jadi, fungsi yang dihasilkan adalah
Keterangan:
= support vector
(2.12)
d. Sigmoid Kernel
(2.13)
3. Motif variasi, yaitu motif penghias sebagai tambahan dalam motif dalam
lain yang sudah ada. Contoh: motif hiris gagatas yang diberi pinggiran agar
terlihat lebih menarik [13].
Dalam buku Sasirangan: kain khas Banjar yang ditulis oleh Syamsyiar Seman
disebutkan beberapa contoh motif tradisional kain sasirangan, sebagai berikut:
1. Gigi Haruan
3. Hiris Pudak
Oppurtunity
Perlunya sebuah sistem yang
Problem
dapat membantu mengenali
Masih banyak masyarakat Kalimantan
motif kain sasirangan,
Selatan yang belum mengetahui dengan
baik bahwa kain sasirangan memiliki terutama untuk motif yang
nama dan makna pada setiap motifnya. mirip secara visual
Approach
Pengolahan citra digital - Scale-Invariant Feature
Transform (SIFT)
Software Development
Melakukan Coding Menerapkan
pendekatan pada metode Scale-
Software Implementation dengan mengenali Matlab Invariant
Validasi oleh ahli sastra dan budayawan pola motif pada dengan Feature
Banjar citra kain VLFeat Transform
sasirangan Library (SIFT) dan
support vector
machine (SVM)
Software Measurement
Tingkat akurasi
Result
Prototype sistem klasifikasi motif kain
sasirangan dengan Scale-Invariant
Feature Transform (SIFT) dan Support
Vector Machine (SVM)
39
41
42
2. Pengumpulan Data
Pada penelitian ini akan dilakukan pengumpulan data sesuai dengan topik yang
diambil melalui studi pustaka, wawancara dan observasi. Data yang dikumpulkan
berupa citra kain sasirangan yang merupakan data primer.
3. Analisis Data
Pada tahap ini data-data yang digunakan pada penelitian ini akan di analisis untuk
menentukan kebutuhan yang berkaitan dengan fungsionalitas dan fasilitas sistem
yang akan dirancang. Sebuah citra perlu di olah terlebih dahulu agar informasi
yang tersaji lebih mudah diinterpretasikan dan dianalisis lebih lanjut dengan
menggunakan alat-alat analisis yang sesuai, kemudian data tersebut akan diproses
dengan metode ektraksi fitur Scale-Invariant Feature Transform (SIFT) dan
metode klasifikasi Support Vector Machine (SVM) dengan membagi data menjadi
dua yaitu data latih dan data uji.
4. Perancangan Sistem
Perancangan sistem akan disesuaikan dengan kebutuhan awal berdasarkan analisis
data yang telah dilakukan.
5. Pengujian
Pada tahap ini pengujian dilakukan untuk mengetahui hasil kerja sistem dan
tingkat akurasi yang diperoleh dari metode yang digunakan dalam mengenali
motif pada citra kain sasirangan khas Kalimantan Selatan.
3.3 Metode Pengumpulan Data
Untuk mengumpulkan data dalam kegiatan penelitian diperlukan metode
atau cara pengumpulan data tertentu, sehingga proses penelitian dapat berjalan
dengan lancar. Pada penelitian ini metode pengumpulan data yang dilakukan
antara lain, studi pustaka, wawancara, dan observasi.
3.3.1 Studi Pustaka
Studi pustaka dilakukan sebagai teknik pengumpulan data dengan
melakukan penelaahan terhadap berbagai buku, literatur, catatan serta berbagai
laporan yang dijadikan sebagai sumber referensi dan teori-teori dalam penelitian
ini [14]. Studi pustaka yang digunakan dalam penelitian ini tentunya berkaitan
dengan topik yang membahas pengolahan citra digital, pengenalan motif kain,
43
c. Design
Tahap design ini merupakan tahapan mentranlasi kebutuhan perangkat lunak dari
tahap analisis ke representasi desain agar dapat diimplementasikan menjadi
sebuah program pada tahap selanjutnya. Pada tahap ini proses akan fokus pada
desain pembuatan program termasuk struktur data, arsitektur perangkat lunak,
representasi antarmuka, dan prosedur pengScriptan.
d. Implementation
Tahap implementasi ini merupakan tahap menerjemahkan hasil dari pembuatan
desain pada tahap sebelumnya ke dalam sebuah sistem dengan bahasa
pemprograman.
e. System
Tahapan ini adalah tahapan dimana sistem (software) sudah terbentuk, dan dapat
dilakukan pengujian untuk memastikan sistem yang dibuat telah sesuai dengan
tujuan dan kebutuhan pada penelitian.
3.5 Analisis Kebutuhan
Hingga kini masyarakat, khususnya masyarakat Banjarmasin masih
banyak yang tidak mengetahui dengan baik nama motif tradisional, makna dan
arti warna dari kain sasirangan yang beragam ditambah dengan munculnya motif
modern pada kain sasirangan, membuat ke-khas-an kain sasirangan Kalimantan
Selatan mulai dilupakan. Sehingga perlunya sebuah sistem yang memberikan
klasifikasi motif kain sasirangan agar mudah dikenali sesuai dengan cirinya.
3.6 Analisis Data
Pada tahap analisis data ini, sebelum data diklasifikasikan menggunakan
metode support vector machine (SVM), ada beberapa tahapan proses terlebih
dahulu terhadap data citra kain sasirangan yang telah dikumpulkan dengan
menggunakan teknik pengolahan citra digital.
Tahapan pengolahan citra digital yang digunakan dalam penelitian ini
meliputi akuisisi citra batik, pre-processing, segmentasi, ekstraksi fitur
menggunakan Scale-Invariant feature Transform (SIFT) dan proses klasifikasi
citra menggunakan metode support vector machine (SVM). Tahapan analisis data
dengan menggunakan teknik pengolahan digital dalam penelitian ini dapat dilihat
pada Gambar 3.2 berikut.
46
Mulai
Akuisisi Citra
Pre-processing
Segmentasi
Selesa
i
Gambar 3.2 Tahapan Analisis Data
Berdasarkan Gambar 3.2 di atas, tahapan analisis data dalam penelitian ini adalah
sebagai berikut:
a. Akuisisi Citra
Mengumpulkan citra sasirangan dari beberapa motif yang berbeda-beda. Setiap
citra sasirangan disimpan pada file dengan format gambar .jpg.
b. Pre-processing
Pada proses pre-processing dilakukan pengambilan sampel pada bagian tertentu
dari obyek (croping) dengan ukuran 128x128 piksel. Selanjutnya dilakukan
perubahan warna citra dari RGB menjadi grayscale.
c. Ekstraksi Fitur
47
Mula
i
Masukkan Citra
Parameter Ciri
Selesa
ioia
Gambar 3.3 Tahapan sederhana perancangan sistem
Dari Gambar 3.3 di atas, perancangan sistem pada penelitian ini dimulai dari
memasukkan citra latih ke dalam sistem kemudian nanti pada sistem akan
melakukan proses pengolahan citra yaitu melakukan ekstraksi fitur dengan
menerapkan metode Scale-Invariant Feature Transform (SIFT) selanjutnya
dengan parameter ciri yang didapat akan dimasukkan ke Bag of Visual Words
(BoVW) kemudian dilakukan pelatihan dan pengujian citra menggunakan metode
klasifikasi Support Vector Machine (SVM), hingga di dapat hasil klasifikasi
berupa deksripsi nama motif dari citra yang dimasukkan.
49
3.8 Implementasi
Pada tahap implementasi ini nantinya akan dibahas hasil dari analisis data,
desain, dan perancangan sistem yang telah dibuat dan diimplementasikan dengan
menggunakan metode ektraksi fitur Scale-Invariant Feature Transform (SIFT)
dan metode klasifikasi Support Vector Machine (SVM) ke dalam sebuah bahasa
pemprograman. Implementasi pada penelitian ini akan dibangun menggunakan
perangkat lunak Matlab R2017a, dengan bahasa pemprograman C ++,
menggunakan VLFeat Library.
3.9 Tempat Penelitian
Penelitian ini dilakukan di wilayah Kampung Sasirangan, Banjarmasin,
Kalimantan Selatan, pemilihan lokasi tersebut dilakukan secara sengaja, dengan
alasan dan pertimbangan daerah tersebut merupakan salah satu lokasi produksi
kain sasirangan di Banjarmasin.
3.10 Waktu Penelitian
Pada penelitian ini, waktu penelitian dilaksanakan mulai pada bulan Mei 2017 dan
diperkirakan sampai dengan bulan Februari 2017 di Banjarmasin, Kalimantan
Selatan.
3.11 Etika Penelitian
Etika penelitian adalah semacam integritas ilmiah dan prinsip pemikiran ilmiah
yang mengedepankan kejujuran. Etika penelitian dalam penelitian ini meliputi:
1. Kejujuran
Dalam hal ini peneliti harus mengutamakan kejujuran dalam melakukan ha-
hal yang berkaitan dengan penelitian, baik pada saat pengumpulan data,
pengumpulan studi pustaka, pelaksanaan metode, publikasi, melaksanakan
penelitian berdasarkan prosedur, dan jujur terhadap hasil dari penelitian.
2. Ketelitian
Dalam hal ini peneliti harus lebih teliti untuk menghindari kesalahan–
kesalahan yang dapat terjadi di dalam penelitian. Mencatat secara teratur apa
saja hal-hal yang akan dilakukan peneliti dalam melakukan pengumpulan data
maupun penulisan laporan penelitian.
3. Keterbukaan
50
Dalam hal ini diharapkan peneliti dapat saling terbuka dalam berbagi ide,
data, hasil, alat dan sumber daya penelitian. Selain itu, peneliti juga dapat
terbuka terhadap adanya kritik dan ide-ide baru.
4. Obyektivitas
Obyektivitas ini berhubungan dengan upaya peneliti dalam meminimalkan
kesalahan-kesalahan dalam analisis data dan rancangan percobaan dari
penelitian yang akan dilakukan.
5. Penghargaan terhadap Hak Atas Kekayaan Intelektual (HAKI)
Dalam hal ini peneliti harus memperhatikan copyright, hak paten maupun
bentuk hak-hak intelektual lainnya. Dimana peneliti dilarang menggunakan
data, metode ataupun hasil penelitian yang belum dipublikasi tanpa izin
pemilik penelitian. Selain itu juga tidak melakukan plagiarisme dan harus
mencantumkan semua narasumber yang digunakan pada penelitian.
BAB IV
HASIL DAN PEMBAHASAN
51
52
tampilan citra dari motif hiris pudak pada kain sasirangan dapat dilihat pada
Gambar 4.3 berikut.
penerapan metode ekstraksi fitur SIFT dan metode klasifikasi SVM diaplikasikan
pada data citra motif kain sasirangan khas Kalimantan Selatan yang telah didapat.
Data-data citra motif pada kain sasirangan yang telah diambil meliputi:
Script du bawah ini merupakan script function untuk memindai direktori untuk
gambar, dan tipe ekstensi gambar yang dapat ditambahkan.
Function getImages
function names = getImageSet(path)
content = dir(path) ;
names = {content.name} ;
ok = regexpi(names, '.*\.(jpg|png|jpeg|gif|bmp|tiff)$',
'start') ;
names = names(~cellfun(@isempty,ok)) ;
for i = 1:length(names)
names{i} = fullfile(path,names{i}) ;
end
function im = standardizeImage(im)
if isstr(im)
if exist(im, 'file')
fullPath = im ;
else
fullPath = fullfile('data','images',[im '.jpg']) ;
end
im = imread(fullPath) ;
end
im = im2single(im) ;
if size(im,1) > 128, im = imresize(im, [128 NaN]) ; end
im = standardizeImage(im) ;
[keypoints, descriptors] = vl_phow(im, 'step', 4,
'floatdescriptors', true) ;
64
Secara visual contoh hasil pada salah satu kategori motif dari proses SIFT dapat
dilihat pada Gambar 4.12 berikut.
Gambar 4.12 Contoh Hasil dari Proses SIFT pada salah satu kategori motif
Selanjutnya masuk ke tahap pengkodean spasial ke dalam bag of visual words,
pada script di bawah ini, terdapat beberapa function yang digunakan dalam
mengambil hasil pada proses computeFeature (SIFT) kemudian dimasukkan ke
dalam bentuk tabel atau dari SIFT ke Bag of Visual Words.
%encodeImage
function psi = encodeImage(encoder, im, cache)
psi = cell(1,numel(im)) ;
if numel(im) > 1
parfor i = 1:numel(im)
psi{i} = processOne(encoder, im{i}, cache) ;
end
elseif numel(im) == 1
psi{1} = processOne(encoder, im{1}, cache) ;
end
psi = cat(2, psi{:}) ;
%
------------------------------------------------------------
--------
function psi = processOne(encoder, im, cache)
%
------------------------------------------------------------
--------
65
if isstr(im)
if ~isempty(cache)
psi = getFromCache(im, cache) ;
if ~isempty(psi), return ; end
end
fprintf('encoding image %s\n', im) ;
end
%
------------------------------------------------------------
--------
function psi = encodeOne(encoder, im)
%
------------------------------------------------------------
--------
im = standardizeImage(im) ;
imageSize = size(im) ;
psi = {} ;
for i = 1:size(encoder.subdivisions,2)
minx = encoder.subdivisions(1,i) * imageSize(2) ;
miny = encoder.subdivisions(2,i) * imageSize(1) ;
maxx = encoder.subdivisions(3,i) * imageSize(2) ;
maxy = encoder.subdivisions(4,i) * imageSize(1) ;
ok = ...
minx <= keypoints(1,:) & keypoints(1,:) < maxx & ...
miny <= keypoints(2,:) & keypoints(2,:) < maxy ;
switch encoder.type
case 'bovw'
[words,distances] =
vl_kdtreequery(encoder.kdtree, encoder.words, ...
encoder.projection * descriptors(:,ok),
...'MaxComparisons', 15) ;
z = vl_binsum(zeros(encoder.numWords,1), 1,
double(words)) ;
case 'fv'
z = vl_fisher(encoder.projection * descriptors(:,ok),
...
encoder.means, ...
encoder.covariances, ...
encoder.priors) ;
case 'vlad'
[words,distances] =
vl_kdtreequery(encoder.kdtree, encoder.words, ...
encoder.projection * descriptors(:,ok), ...
'MaxComparisons', 15) ;
66
%
------------------------------------------------------------
--------
function psi = getFromCache(name, cache)
%
------------------------------------------------------------
--------
[drop, name] = fileparts(name) ;
cachePath = fullfile(cache, [name '.mat']) ;
if exist(cachePath, 'file')
data = load(cachePath) ;
psi = data.psi ;
else
psi = [] ;
end
%
------------------------------------------------------------
--------
function storeToCache(name, cache, psi)
%
------------------------------------------------------------
--------
[drop, name] = fileparts(name) ;
cachePath = fullfile(cache, [name '.mat']) ;
vl_xmkdir(cache) ;
data.psi = psi ;
save(cachePath, '-STRUCT', 'data') ;
Script di bawah ini digunakan untuk menghitung histogram positive dari data
training yang digunakan, data training yang digunakan dapat dipanggil dari
direktori penyimpanan sendiri yang sebelumnya sudah saya letakkan di dalam
folder data/myImages/(nama folder). Selain itu script di atas juga dapat digunakan
untuk membuat format file .mat yang akan digunakan sebagai directory data
67
testing positive, dan data testing negative yang akan di load pada proses
selanjutnya. File .mat bisa diistilahkan sebagai database pada Matlab, agar pada
proses load data citra tidak terjadi looping yang terlalu lama.
% Menghitung histogram positive dari gambar sendiri
pos.names = getImageSet('data/myImages/Gagatas') ;
if numel(pos.names) == 0, error('Please add some images to
data/myImages before running this exercise') ; end
pos.histograms = encodeImage(encoder, pos.names);
%save ('gagatas_val_bovw.mat', '-struct', 'pos');
%whos -file gagatas_val_bovw.mat
Script di bawah ini digunakan untuk men-generate file .mat menjadi histogram,
dengan me-load atau memanggil data training negative yang sudah dalam bentuk
format file .mat, data training negative ini berisikan gabungan data training dari 3
motif kategori yang sedang tidak dijalankan yang jumlahnya sebanyak 105 buah
citra (35*3).
% Tambahkan gambar latar belakang default
neg =load(sprintf('data/background_train_%s.mat',encoding));
names = {pos.names{:}, neg.names{:}};
histograms = [pos.histograms, neg.histograms] ;
labels = [ones(1,numel(pos.names)), -
ones(1,numel(neg.names))] ;
clear pos neg ;
Script di bawah ini digunakan untuk me-load atau memanggil data yang
digunakan sebagai data testing positive dan data testing negative. Data testing
berjumlah 20 data yang terdiri dari 5 buah citra sebagai data testing positive dan
15 buah citra sebagai data testing negative. Data testing positive merupakan data
testing dari kategori motif kain sasirangan yang sedang diklasifikasikan, dan data
testing negative merupakan data yang diambil dan digabungkan dari data testing
positive pada 3 kategori yang tidak sedang diklasifikasikan.
% Memuat data uji
pos = load(sprintf('data/gagatas_val_%s.mat',encoding)) ;
%pos = load(sprintf('data/car_val_%s.mat',encoding)) ;
neg = load(sprintf('data/gagatasneg_val_%s.mat',encoding)) ;
testNames = {pos.names{:}, neg.names{:}};
testHistograms = [pos.histograms, neg.histograms] ;
testLabels = [ones(1,numel(pos.names)), -
ones(1,numel(neg.names))] ;
clear pos neg ;
Hasil dari script di atas akan muncul pada bagian command window di Matlab dan
dapat dilihat pada Gambar 4.13.
% Kernel Hellinger
histograms = sign(histograms).*sqrt(abs(histograms)) ;
testHistograms =
sign(testHistograms).*sqrt(abs(testHistograms)) ;
Hasil dari script di atas dapat dilihat pada Gambar 4.14 berikut.
69
% SVM linier
C = 10 ;
[w, bias] = trainLinearSVM(histograms, labels, C) ;
Hasil dari script di atas dapat dilihat pada Gambar 4.15 berikut.
70
Gambar 4.15 Visualisasi Perangkingan pada Citra dan Kurva Recall Transisi pada
Data Training
Stage C, Klasifikasi data uji dan nilai kinerjanya
Script pada stage C ini, merupakan Script yang digunakan untuk proses
pencocokan data testing, yang hasilnya juga akan ditampilkan dan dirankingkan
dengan diberi label score. Script yang digunakan seperti di bawah ini.
Hasil dari script di atas dapat dilihat seperti pada Gambar 4.16 berikut.
71
Gambar 4.16 Visualisasi Perangkingan pada Citra dan Kurva Recall Transisi pada
Data Testing
Sedangkan script di bawah merupakan script untuk menampilkan hasil akurasi
dan jumlah data testing yang benar atau yang dapat dikenali.
% Cetak Hasil
[drop,drop,info] = vl_pr(testLabels, testScores) ;
fprintf('Test AP: %.2f\n', info.auc) ;
[drop,perm] = sort(testScores,'descend') ;
fprintf('Correctly retrieved in the top 5: %d\n',
sum(testLabels(perm(1:5)) > 0)) ;
Hasil dari script di atas dapat dilihat seperti pada Gambar 4.17 berikut.
Gambar 4.17 Informasi Hasil Akurasi dan Jumlah Data yang Benar
72
5.1 Simpulan
Dari penelitian yang dilakukan pada Klasifikasi Motif Sasirangan dengan
Scale-Invariant Feature Transform (SIFT) dan Support Vector Machine (SVM)
didapat total 160 buah data citra motif sasirangan dengan 4 kategori motif. Dari
160 data tersebut dilakukan pengujian menggunakan metode SVM dengan kernel
linear pada saat C = 10, didapatkan hasil sebagai berikut:
1. Pada motif gigi haruan, dari 20 data testing yang terdiri dari 15 data testing
negative dan 5 buah data testing positive, 5 data testing positive dapat dikenali
dengan benar sebagai motif gigi haruan, atau dengan akurasi 100%.
2. Pada motif kulat kurikit, dari 20 data testing yang terdiri dari 15 data testing
negative dan 5 buah data testing positive, 5 data testing positive dapat dikenali
atau dinyatakan benar sebagai motif kulat kurikit, atau dengan akurasi 100%.
3. Pada motif hiris gagatas, dari 20 data testing yang terdiri dari 15 data testing
negative dan 5 buah data testing positive, 5 data testing positive dapat dikenali
atau dinyatakan benar sebagai motif hiris gagatas, atau dengan akurasi 100%.
4. Dan pada motif hiris pudak, dari 20 data testing yang terdiri dari 15 data
testing negative dan 5 buah data testing positive, 4 data testing positive dapat
dikenali atau dinyatakan benar sebagai motif hiris pudak, 1 data motif hiris
pudak salah dikenali sebagai motif hiris gagatas atau dengan akurasi sebesar
96%.
Dari hasil yang didapat, metode ekstraksi fitur Scale-Invariant Feature Transform
(SIFT) dan Support Vector Machine (SVM) dapat diterapkan pada kain
sasirangan.
5.2 Rekomendasi
Dari penelitian yang telah dilakukan dan hasil yang didapat, penulis memberikan
beberapa saran yang ditujukan untuk pengembangan prototype sistem Klasifikasi
Motif Sasirangan dengan Scale-Invariant Feature Transform (SIFT) dan Support
Vector Machine (SVM) selanjutnya, yaitu:
74
75
DAFTAR PUSTAKA
[1] T. N. Ganie, Sasirangan Kain Khas dari Tanah Banjar, Tuas Media
(Publishing House), 2016.
[5] D. Putra, Pengolahan Citra Digital, Yogyakarta: CV. ANDI OFFSET, 2010.
[9] A. Dennis, B. H. Wixom and D. Tegarden, Systems Analysis and Design with
UML, vol. 4, John Wiley & Sons, 2012.
[11] Q. Chen and E. Agu, "Exploring Statistical GLCM Texture Features for
Classifying Food Images," Healtcare Informatics (ICHI), International
Conference On, 2015.