PENGENALAN POLA UKIRAN TORAJA MENGGUNAKAN

METODE HAMMING NETWORK

James Kambuno Wekin(1) Sri Suwarno(2) Widi Hapsari(3)

James.kambuno@ti.ukdw.ac.id sswn@staff.ukdw.ac.id widi@staff.ukdw.ac.id

Abstraksi

Ukiran Toraja adalah kesenian ukir khas suku Toraja di Sulawesi Selatan. Ukiran
ini memiliki nilai seni tinggi yang terdapat di rumah adat Toraja dan telah menjadi bagian
dari budaya Indonesia (khususnya Toraja) sejak lama. Setiap pola ukiran Toraja memiliki
arti, makna dan cerita tersendiri. Akan tetapi, hanya sebagaian kecil masyarakat Toraja
yang mengetahui arti dari ukiran tersebut sehingga banyak masyarakat tidak dapat
mengenali karena tidak memiliki pengetahuan tentang ukiran Toraja.Untuk mengatasi
permasalah tersebut, maka dibuat sebuah program yang dapat membantu untuk mengenali
pola ukiran Toraja dengan menggunakan metode Hamming Network. Dari hasil pengujian
yang telah dilakukan,program pengenalan dengan menggunakan Hamming Network dapat
mengenali citra ukiran dengan baik dari hasil penelitian menunjukkan tingkat keberhasilan
mencapai 80,39%.

Kata Kunci: Preprocessing, Hamming Network, Ukiran Toraja

1. PENDAHULUAN
Ukiran Toraja adalah kesenian ukir khas suku Toraja di Sulawesi Selatan. Ukiran ini
memiliki nilai seni tinggi yang terdapat di rumah adat Toraja dan telah menjadi bagian dari
budaya Indonesia (khususnya Toraja) sejak lama. Ukiran ini telah menjadi warisan turun-
temurun dari nenek moyang suku bangsa Toraja. Setiap pola ukiran Toraja memiliki arti,
makna dan cerita tersendiri, sehingga kadang-kala pola ukiran Toraja hanya dapat dikenali
masyarakat yang memiliki pengetahuan tentang seni ukiran Toraja. Ukiran Toraja sendiri
sudah sangat terkenal di Indonesia bahkan sampai mancanegara. Akan tetapi, di Indonesia
khususnya masyarakat Toraja masih belum mengenal arti dan makna dari ukiran tersebut
sehingga banyak masyarakat Toraja menganggap ukiran Toraja hanyalah sebuah ukiran biasa
yang tidak memiliki arti. Untuk mengatasi permasalah tersebut, maka dibutuhkan sebuah
program yang dapat membantu untuk mengenal pola ukiran dengan baik. Dalam proses
pengenalan pola dapat digunakan berbagai macam cara, salah satunya menggunakan konsep

(1)
Teknik Informatika, Falkutas Teknologi Informasi, Universitas kristen Duta Wacana
(2)
Teknik Informatika, Falkutas Teknologi Informasi, Universitas kristen Duta Wacana
(3)
Teknik Informatika, Falkutas Teknologi Informasi, Universitas kristen Duta Wacana
Jaringan Syaraf Tiruan yaitu menggunakan metode Hamming Network. Hamming Network
merupakan suatu model neural network yang didesain khusus untuk menyelesaikan masalah
pengenalan pola dengan input dari neural network dalam bentuk bipolar. Dengan demikian
setiap elemen dari vektor input neural network hanya mempunyai dua kemungkinan nilai
input.

2. LANDASAN TEORI
2.1 Ukiran Toraja
Ukiran Toraja merupakan bentuk seni ukiran yang tercetak menggunakan alat ukir
khusus di atas sebuah papan kayu, tiang rumah adat, jendela, atau pintu. Terdapat kurang
lebih 51 ragam hias ukir Toraja yang hingga kini masih dilestarikan dalam kehidupan orang
Toraja. Diantaranya terdapat di dinding-dinding rumah adat Toraja atau peralatan rumah
tangga (K. Kadang, 1960;.T. Tangdilintin, 1975).

Gambar 1. Ukiran Toraja

2.2 Grayscale
Citra akan masuk kedalam tahap awal dari preprocessing, yaitu grayscale. Citra
grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya,
dengan kata lain nilai bagian RED = GREEN = BLUE.

R+G+B
s= [2.1]
3
s = tingkat intensitas / nilai abu-abu piksel
R = intesitas warna merah
G = intesitas warna hijau
B = intesitas warna biru

2.3 Threshold
Citra yang telah melalui tahap grayscale kemudian akan masuk kedalam proses
thresholding. Thresholding atau pengambangan akan menghasilkan citra biner, yaitu citra
yang memiliki dua nilai tingkat keabuan yaitu hitam dan putih. Secara umum meiliki proses
pengembangan citra grayscale untuk menghasilkan citra biner adalah sebagai berikut.
 1 𝑖𝑓 𝑓(𝑥, 𝑦) ≥ 𝑇
𝑔(𝑥, 𝑦) = { [2.2]
0 𝑖𝑓 𝑓(𝑥, 𝑦) < 𝑇
2.4 Image Smoothing
2.3.1. Median Filter
Citra yang telah melalui tahap Thresholding kemudian masuk kedalam proses
median filter. Filter ini mengganti nilai sebuah pixel dengan nilai median dari gray-
level dalam subimage dibawah jendela ketengtanggaan ukuran mxn, sebagaimana
persamaan berikut:
𝑓̂(x,y) = median {g(s,t)} [2.3]

2.3.2. Modus Filter

Citra yang telah melalui tahap Thresholding kemudian masuk kedalam proses median
filter. Modus adalah nilai variable yang memiliki frekeunsi tertinggi (Usman, 2005). Modus
dapat ditemukan pada data yang telah diurutkan maupun yang belum terurut. Untuk
menentukan modus filter ini, pertama-tama ditentukan piksel utama yang akan diproses dari
piksel-piksel disekitarnya

2.5 Thinning
Algoritma zhan-suen method ini menggunakan metode iterasi, berarti nilai yang baru
didapat dari proses sebelumnya. Setiap iterasi dari metode ini terdiri dari dua sub iterasi yang
berurutan yang dilakukan terhadap countour point dari wilayah citra. Countour point adalah
setiap piksel dengan nilai 1 dan memiliki setidaknya satu dari 8-tetangganya memiliki nilai 0.
Dengan informasi ini, langkah pertama adalah mencari countour point p untuk dihapus
jika semua kondisi ini dipenuhi :
1. 2 ≤ 𝑁 (𝑃1 ) ≤ 6
2. 𝑆(𝑃1 ) = 1
3. P2 OR P4 OR P6 = 0
4. P4 OR P6 OR P8 = 0
Dimana N(P1) adalah jumlah tetangga dari P1 yang tidak 0, yaitu
N(P1) = P2 + P3 + P4 + … + P9
Tabel 1
Contoh piksel P1 dengan tetangganya
P9 P2 P3
P8 P1 P4
P7 P6 P5

Dan S(P1) adalah jumlah dari transisi 0 - 1 pada urutan P2, P3, P4, …, P8, P9. Pada
langkah kedua kondisi (1) dan (2) sama dengan langkah pertama, sedangkan kondisi (3) dan
(4) diubah menjadi :
3. P2 OR P4 OR P8 = 0
 4. P2 OR P6 OR P8 = 0

2.6 Hamming Network

Hamming network adalah suatu model neural network yang didesain khusus untuk
menyelesaikan masalah pengenalan pola dengan input dari neural network dalam bentuk
bipolar. Dalam prosesnya, Jaringan Hamming menggunakan jarak hamming sebagai ukuran
kemiripan antara 2 buah vektor, dan Maxnet sebagai subnet untuk menentukan unit yang
memiliki net masukan yang paling besar.

Gambar 2. Arsitektur Hamming Network dan Maxnet

3. HASIL DAN PEMBAHASAN

Penelitian ini menghasilkan sebuah sistem pengenalan pola ukiran Toraja dengan
menggunakan metode Hamming Network. Dalam proses awal akan dilakukan preprocessing.

1 2 3 4 5
Gambar 3. Hasil Implementasi Citra

Citra pada Gambar 3 nomor 1 merupakan contoh hasil dari scanning ukiran Toraja,
nomor 2 merupakan hasil dari proses grayscale yang menghasilkan citra keabuan, nomor 3
merupakan citra hasil dari thresholding yang menghasilkan citra biner, kemudian setelah
menjadi citra biner maka dilanjutkan pada proses penghilangan noise menggunakan median
filter/ modus filter yang ditunjukkan pada citra nomor 4 dan setelah melalui tahap median
filter citra diproses pada tahap penipisan pola (thinning) yang hasilnya ditunjukkan pada citra
nomor 5. Citra yang telah melalui proses penipisan pola akan menghasilkan citra dengan
informasi esensial dari karakter-karakter dengan ketebalan 1 piksel.
Tahap analisis hasil pengenalan merupakan tahap untuk melakukan analisis terhadap
hasil pengenalan citra ukiran Toraja dengan menggunakan metode Hamming Network. Citra
ukiran Toraja hasil scanning akan dilakukan pengujian terhadap nilai threshold dan
pergeseran piksel.
Setiap jenis ukiran akan diuji terhadap 3 nilai batas threshold yaitu 120, 140 dan 160.
Tiap pengujian terhadap nilai threshold akan disertai dengan pengujian terhadap median
filter. Berikut ini tabel pengujian:
Tabel 2
Tingkat keberhasilan
Nilai Dengan Menggunakan Tanpa Menggunakan
Threshold Median Filter Modus Filter Median dan Modus
120 37 72.55% 37 72.55% 41 80.39%
140 35 68.73% 35 68.73% 39 74.47%
160 27 52.34% 27 52.34% 28 54.9%

Berdasarkan pada Tabel 2, tingkat keberhasilan dari median dan modus filter adalah
sama. Ketika pengujian citra tanpa menggunakan median maupun modus tingkat
keberhasilanya lebih tinggi. Persentase keberhasilan dari pengujian citra dapat dilihat di
diagram berikut ini:

90.00%
80.00%
70.00%
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
120 140 160
Median Filter 72.55% 68.73% 52.34%
Modus Filter 72.55% 68.73% 52.34%
Tanpa Median dan
80.39% 74.47% 54.90%
Modus

Gambar 4. Diagram Hasil Pengenalan dengan perubahan nilai threshold

Dari Gambar 4. menunjukkan persentase keberhasilan tertinggi adalah 80.39%. Dari

diagram diatas dapat disimpulkan bahwa tingkat keberhasilan pengenalan citra ukiran Toraja
adalah dengan nilai threshold 120 tanpa menggunakan metode median filter. Penggunaan
metode median maupun modus filter ini dapat mengurangi tingkat keberhasilan dalam
mengenali ukiran Toraja. Pada proses pengenalan ini, nilai threshold sangat berpengaruh
dalam mengenali pola ukiran Toraja. Semakin besar nilai threshold yang diberikan,
persentase keberhasilan akan semakin kecil.
Penulis juga melakukan pengujian terhadapa pergeseran piksel dalam citra ukiran
Toraja. Pergesaran citra berupa pergeseran citra ke kanan sebanyak 4 piksel, 6 piksel dan 8
piksel. Dalam pengujian ini menggunakan nilai threshold 100. Berikut ini tabel pengujian.

Tabel.3
Tingkat keberhasilan terhadap pergeseran piksel citra ukiran
Jumlah Dengan Menggunakan
Pergeseran Tanpa Menggunakan
Piksel ke Median Filter Modus Filter Median dan Modus
kanan
4 20 39.21% 20 39.21% 43 84.31%
6 17 33.33% 17 33.33% 36 70.59%
8 14 27.45% 14 27.45% 30 58.82%

Berdasarkan pada Tabel 3, tingkat keberhasilan pergeseran citra piksel ke kanan

sebanyak 4 lebih baik dari pergeseran piksel sebanyak 6 dan 8. Persentase keberhasilan dari
pengujian citra dapat dilihat di diagram berikut ini:

90.00%
80.00%
70.00%
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
4 6 8
Median Filter 39.21% 33.33% 27.45%
Modus Filter 39.21% 33.33% 27.45%
Tanpa Median dan
84.31% 70.59% 58.82%
Modus

Gambar 5. Diagram Hasil Pengenalan dengan pergeseran piksel

Dari Gambar 5 menunjukkan persentase keberhasilan tertinggi adalah 84,31% . Dari
hasil pengujian ini, dapat disimpulkan bahwa pergeseran piksel dalam citra sangat
berpengaruh dalam proses pengenalan. Hamming Network sangat sensitif dengan
perpindahan piksel, semakin jauh pergeseran piksel maka persentase keberhasilan akan
semakin kecil. Metode median dan modus menunjukkan persentase keberhasilan terendah
yaitu 27,45%. Ini menunjukkan proses pengenalan citra ukiran Toraja tidak dikenali dengan
baik.
4. KESIMPULAN
Setelah melakukan penelitian terhadap sistem pengenalaan ukiran Toraja, dapat
disimpulkan sebagai berikut :
1. Penentuan nilai Threshold sangat berpengaruh dalam proses pengenalan citra
ukiran Toraja. Semakin besar nilai Threshold yang diberikan maka akan
semakin banyak ciri khas dari citra ukiran Toraja yang akan hilang.
2. Metode Hamming Network mampu mengenali citra ukiran Toraja sangat
baik, dari hasil penelitian menunjukkan tingkat keberhasilan mencapai
80,39% dengan nilai Threshold 120.
3. Metode Hamming Network mampu mengenali citra yang mengalami
pergeseran piksel ke kanan sebanyak 4 dan 6 piksel dengan baik tanpa
menggunakan metode pengurangan noise dengan tingkat keberhasilan
mencapai 84,31% dan 70,59%. Namun demikian ketika dalam proses
pengenalan citra menggunakan median atau modus filter maka metode
Hamming Network tidak dapat mengenali citra ukiran Toraja dengan baik.
Hasil keberhasilan hanya mencapai 39,21% dan 33,33%.
4. Dalam proses pengenalan citra ini, metode median atau modus filter dapat
mengurangi ciri khas dari ukiran Toraja. Tingkat keberhasilan dengan tanpa
menggunakan metode median atau modus filter lebih besar dibandingkan
ketika menggunakan median atau modus filter dengan persentase 80,39%
berbanding 72,55%.

DAFTAR PUSTAKA

Faulsett, L. (1994). Fudamentals of Neural Networks - Architectures, Algorithms, and

Applications. Prentice Hall.
Hermawati, F. A. (2013). Pengolahan Citra Digital. Jakarta: Penerbit Andi.
Putra, D. (2010). Pengolahan Citra Digital. Jakarta: Penerbit Andi.
Sande, J. (1991). Toraja in Carving's.
Yuwono, B. (2010). Image Smoothing menggunakan mean filtering, Median filtering, Modus
filtering dan Gaussian Filtering. Telematika, 65-75.