Full PDF

PENGENALAN MOTIF BATIK YOGYAKARTA
DENGAN METODE LINEAR DISCRIMINANT ANALYSIS (LDA)

(STUDI KASUS DI MUSEUM BATIK YOGYAKARTA)
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Informatika
Oleh:
Agatha Widyastuti
NIM: 065314010
PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERISTAS SANATA DHARMA
YOGYAKARTA
2010
i
MOTIF BATIK OF YOGYAKARTA RECOGNITION
USING LINEAR DISCRIMINANT ANALYSIS (LDA) METHOD
(CASE STUDY IN THE MUSEUM BATIK YOGYAKARTA)
A Thesis
Presented as Partial Fullfillment of the Requirements

To Obtain the Sarjana Teknik Degree
In Department of Informatics Engineering
By:
Agatha Widyastuti
Student ID: 065314010
INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2010
ii
iii
iv
HALAMAN PERSEMBAHAN
“APA PUN JUGA YANG KAMU PERBUAT,

PERBUATLAH DENGAN SEGENAP HATIMU
SEPERTI UNTUK TUHAN
DAN BUKAN UNTUK MANUSIA”
(KOLOSE 3: 23)
“Apabila Ia membuka, tidak ada yang dapat menutup,

apabila Ia menutup, tidak ada yang dapat membuka.
Aku tahu segala pekerjaanmu: lihatlah, Aku telah membuka pintu bagimu, yang tidak
dapat ditutup oleh seorang pun.”
(Wahyu 3 : 7-8)
TIADA YANG MUSTAHIL DALAM NAMA-NYA,

DIA SELALU PUNYA CARA UNTUK MENOLONG…
Skripsi ini saya persembahkan untuk:
 Yesus Kristus Penolongku Sahabatku,
 Kedua orang tuaku tercinta,
 Sahabat-sahabatku,
 Kekasihku tercinta…
Terima kasih untuk karunia, kesempatan,

senyuman, perhatian, motivasi dan segalanya …
v
vi
vii
Abstrak
Batik memiliki keanekaragaman motif yang khas. Sebagian besar masyarakat

mengetahui sedikit tentang batik, salah satunya adalah mengenal jenis motif batik.
Dalam tugas akhir ini, penulis akan membahas dan mengatasi masalah tersebut
dengan menggunakan metode Linear Discriminant Analysis karena memiliki daya
pembeda yang lebih besar.
Linear Discriminant Analysis merupakan teknik statistik multivariate yang
terkait dengan pemisahan atau klasifikasi sekelompok obyek ke dalam kelompok
yang telah terlebih dahulu didefinisikan. Dalam tujuan pengenalan obyek, metode ini
mencoba menemukan suatu fungsi diskriminan yang nilainya mampu memisahkan
obyek yang karakteristiknya telah diketahui.
Terdapat 20 jenis motif batik Yogyakarta yang ingin dikenali dan masing-
masing motif ada 25 sampel motif batik. Keseluruhan motif batik Yogyakarta yang
dipakai sebagai data uji diambil menggunakan camera digital pocket Fujifilm tipe
FinePixJ20 10MP dengan ukuran data motif batik hasil crop 200x200 piksel.
Pengenalan motif batik Yogyakarta menggunakan fase pelatihan dan fase
pengujian. Proses pelatihan dilakukan untuk membuat satu model dari setiap motif
dari 25 sampel motif batik dengan membentuk fungsi diskriminan. Fungsi
diskriminan diperoleh dengan menghitung mean dari setiap kelompok dan mean dari
keseluruhan kelompok, menghitung matriks covariance, membentuk pooled within
group covariance matrix, dan menghitung probabilitas vektor.
Proses pengujian dilakukan dengan menguji fungsi diskriminan yang
terbentuk dengan 100 data motif batik untuk mendapatkan angka kemiripan terbesar.
Kemudian, data hasil pengujian dievaluasi menggunakan metode 5-fold cross
validation untuk mendapatkan nilai prosentase akurasi dari 500 data motif.
Pengujian 6 bentuk pengolahan feature yaitu rata-rata keseluruhan edge, rata-
rata edge horizontal, rata-rata edge vertikal, gabungan rata-rata keseluruhan edge
dengan rata-rata edge horizontal dan vertikal, gabungan rata-rata edge horizontal dan
vertikal, dan gabungan warna dengan rata-rata keseluruhan edge dan rata-rata edge
vertikal dan horizontal, ditujukan untuk mendapatkan nilai akurasi yang baik. Dari
pengujian menggunakan feature tersebut, didapati feature terbaik dalam pengenalan
motif batik Yogyakarta dengan metode LDA yaitu feature rata-rata edge horizontal
dengan akurasi sebesar 36.4%. Dari data tersebut dapat disimpulkan bahwa
pengenalan motif batik Yogyakarta dengan metode Linear Discriminant Analysis
menggunakan feature-feature di atas relatif kurang baik.
viii
Abstract
Batik has a unique diversity of motifs. Most people know little about batik,
one of which is known types of batik motifs. In this thesis, the author will discuss and
resolve the issue using Linear Discriminant Analysis because of its distinguishing
features is greater.
Linear Discriminant Analysis is a multivariate statistical technique associated
with the separation or classification of a group of objects into groups that previously
defined. The purpose of object recognition, this method tries to find a discriminant
function capable of separating an object whose value is already known
characteristics.
There are 20 types of Batik Yogyakarta motifs that wants to be recognized
and each motif there are 25 samples of batik motifs. Entire Yogyakarta batik used as
test data was taken using a digital camera Fujifilm type FinePixJ20 10MP pockets
with batik data size 200x200 pixel crop results.
Introduction of Batik Yogyakarta motifs using the training phase and testing
phase. Training process is used to make one model of each motif from the 25 samples
of batik motifs by forming the discriminant function. Discriminant function is
obtained by calculating the mean of each group and the mean of the whole group,
calculate the covariance matrix, forming the pooled within group covariance matrix,
and calculate the probability vector.
Testing process is conducted by examining the discriminant function is
formed by 100 data batik to get the largest number of similarities. Then, data test
results are evaluated using five-fold cross validation to obtain the value of the
percentage of occurrence of 500 data patterns.
Testing six forms processing features are average overall edge, the average
horizontal edge, vertical edge on average, the combined average overall edge to the
average horizontal and vertical edges, the combined average of horizontal and
vertical edges, and the combined color with the overall average and the average edge
vertical and horizontal edge, intended to get the value of good accuracy. Of testing
using these features, the best features found in the introduction to batik of Yogyakarta
with LDA method is the average feature a horizontal edge with an accuracy of 36.4%.
From these data it can be concluded that the introduction of Batik Yogyakarta with
Linear Discriminant Analysis method using features above relatively less well.
ix
Kata Pengantar
Puji syukur kepada Yesus Kristus Sahabat dan Penolongku yang telah
memberikan karunia dan kesempatan, sehingga penulis dapat menyelesaikan skripsi
dengan judul “Pengenalan Motif Batik Yogyakarta dengan Metode Linear
Discriminant Analysis (Studi Kasus di Museum Batik Yogyakarta)”.
Terima kasih yang sebesar-besarnya kepada semua pihak yang turut member
dukungan, semangat dan bantuan hingga selesainya skripsi ini:
1. Bapak Yosef Agung Cahyanta, S.T., M.T., selaku Dekan Fakultas Sains dan
Teknologi Universitas Sanata Dharma.
2. Ibu A. Rita Widiarti, S.Si, M.Kom selaku dosen pembimbing atas kesabaran,
bimbingan, waktu dan saran yang diberikan.
3. Bapak Dr. Ir. Linggo Sumarno, M.T. dan Bapak Ir. Ig. Aris Dwiatmoko,
M.Sc. sebagai dosen penguji atas saran dan kritikan yang diberikan.
4. Romo Drs. C. Kuntoro Adi SJ, M.A, M.S., Ph.D yang telah menjadi
pembimbing dan teman diskusi yang sangat inspiratif.
5. Laboran Komputer dan Staff Sekretariat Fakultas Sains dan Teknologi atas
bantuan kepada penulis ketika melaksanakan ujian akhir.
6. Kedua orang tuaku yang tercinta, bapak Richardus Taryono dan ibu
Bernadetta Retno Palupi untuk doa, dukungan, perhatian, dan pengertian yang
sepenuhnya.
x
7. Kakak dan adikku tersayang, Bernardus Hery Krisno Nugroho dan Ignatia
Yulistyowati untuk dukungan dan canda tawa yang menjadi penyemangat.
8. Kekasihku tercinta Hieronymus Dimas Febrianto untuk senyuman, doa,
semangat, saran dan kritik, perhatian, dan pengertian yang diberikan.
9. Galang Anugerah, S.T yang telah membimbing dan membantu tentang
pemahaman metode Linear Discriminant Analysis.
10. Aprina Sulistia Melantika, Paulina Indah Tiarani, Agnes Retnaningsih, Bagas
Pradipta, A. Cahyo Ridho, Andreas Hermawan, selaku teman yang berjuang
bersama dalam skripsi.
11. Seluruh civitas akademika Teknik Informatika angakatan 2006 dan pihak-
pihak lain yang telah berjuang bersama dari awal masa perkuliahan, proses
belajar, masa penulisan tugas akhir hingga saat wisuda tiba. Terima kasih atas
sejuta inspirasi berharga.
Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada
penulisan tugas akhir ini. Saran dan kritik saya harapkan untuk perbaikan pada masa
yang akan datang. Semoga bermanfaat.
Yogyakarta, 20 September 2010
Penulis
xi
DAFTAR ISI
HALAMAN JUDUL BAHASA INDONESIA ............................................................ i

HALAMAN JUDUL BAHASA INGGRIS ....................................................................... ii
HALAMAN PERSETUJUAN ........................................................................................... iii
HALAMAN PENGESAHAN............................................................................................. iv
HALAMAN PERSEMBAHAN ......................................................................................... v
HALAMAN PERNYATAAN KEASLIAN KARYA ....................................................... vi
HALAMAN PERSETUJUAN PUBLIKASI .................................................................... vii
ABSTRAK ........................................................................................................................... viii
ABSTRACT......................................................................................................................... ix
KATA PENGANTAR......................................................................................................... x
DAFTAR ISI ....................................................................................................................... xii
DAFTAR GAMBAR........................................................................................................... xv
DAFTAR TABEL ............................................................................................................... xvii
BAB I PENDAHULUAN.................................................................................................... 1
1.1. Latar Belakang............................................................................................ 1
1.2. Rumusan Masalah ...................................................................................... 2
1.3. Tujuan ......................................................................................................... 2
1.4. Batasan Masalah ......................................................................................... 2
1.5. Metodologi Penelitian ................................................................................ 3
1.6. Sistematika Penulisan ................................................................................. 4
BAB II LANDASAN TEORI ............................................................................................. 5
2.1. Pengertian Batik ......................................................................................... 5
2.2. Pengenalan Pola.......................................................................................... 7
2.2.1. Deteksi Tepi Canny.......................................................................... 9
2.2.2. Ekstraksi Feature ............................................................................. 12
2.2.3. Proses Training ................................................................................ 13
2.2.4. Proses Testing .................................................................................. 14
xii
2.2.5. Metode Linear Discriminant Analysis (LDA) ................................. 14
2.2.5.1. Algoritma Pemodelan Linear Discriminant Analysis......... 15
2.2.6. Metode Evaluasi 5-Fold Cross Validation ...................................... 22
2.3. Matriks Data Multivariat ............................................................................ 26
2.4. Matlab ......................................................................................................... 27
BAB III ALGORITMA DAN PERANCANGAN SISTEM ............................................ 28
3.1. Pengambilan Data Batik Yogyakarta ......................................................... 28
3.2. Perancangan Sistem Secara Umum ............................................................ 29
3.3. Algoritma yang Digunakan ........................................................................ 33
3.3.1. Algoritma Penyimpanan Informasi Rata-Rata Edge........................ 33
3.3.2. Algoritma Perhitungan Metode Linear Discriminant Analysis ....... 39
3.3.3. Algoritma Metode Evaluasi 5-Fold Cross Validation ..................... 40
3.3.4. Algoritma Proses Training ............................................................... 41
3.3.5. Algoritma Proses Testing ................................................................. 41
3.3.6. Algoritma Fase Pengenalan Motif Batik .......................................... 42
3.3.7. Algoritma Fase Pengujian Akurasi .................................................. 42
3.4. Perancangan Fase Training ........................................................................ 42
3.4.2. Pengolahan Feature ......................................................................... 47
3.4.3. Training............................................................................................ 47
3.5. Perancangan Fase Pengenalan (Testing) .................................................... 48
3.5.2. Pengolahan Feature ......................................................................... 48
3.5.3. Pencocokan Kemiripan .................................................................... 48
3.6. Perancangan Proses Evaluasi ..................................................................... 49
3.7 Perancangan Antar Muka ............................................................................ 52
3.7.1. Halaman Home ................................................................................ 52
3.7.2. Halaman Pengenalan Motif Batik Yogyakarta ................................ 53
xiii
3.7.3. Halaman Pengujian LDA ................................................................. 54
3.7.4. Halaman Konsep Linear Discriminant Analysis.............................. 54
3.7.5. Halaman Identitas Program (About) ................................................ 55
3.7.6. Halaman Bantuan (Help) ................................................................. 55
BAB IV IMPLEMENTASI DAN ANALISA SISTEM ................................................... 57
4.1. Implementasi Antar Muka yang Digunakan pada Sistem .......................... 57
4.1.1. Halaman Utama ............................................................................... 57
4.1.2. Halaman Pengenalan Motif Batik Yogyakarta ................................ 60
4.1.3. Halaman Pengujian Linear Discriminant Analysis .......................... 62
4.1.4. Halaman Konsep Metode ................................................................. 63
4.1.5. Halaman About ................................................................................. 66
4.1.6. Halaman Bantuan (Help) ................................................................. 66
4.2. Hasil Penelitian ........................................................................................... 67
BAB V KESIMPULAN DAN SARAN .............................................................................. 76
5.1. Kesimpulan ................................................................................................. 76
5.2. Saran ........................................................................................................... 78
DAFTAR PUSTAKA.......................................................................................................... 80
LAMPIRAN 1 CODING PROGRAM .............................................................................. 82
LAMPIRAN 2 DATA PENELITIAN ..............................................................................123
xiv
DAFTAR GAMBAR
Gambar2.1. Beberapa motif Batik Yogyakarta (Sumber: Museum Batik Yogyakarta) ....... 6
Gambar2.2. Blok diagram pengenalan motif batik ..................................................... 9
Gambar2.3. Motif batik dikenakan deteksi tepi Canny .............................................. 11
Gambar2.4. Hasil perhitungan fungsi diskriminan ..................................................... 22
Gambar2.5. Gambaran metode evaluasi 5-Fold Cross Validation ............................. 26
Gambar2.6. Matriks data multivariat .......................................................................... 27
Gambar3.1. Alur fase pengenalan motif batik Yogyakarta Secara Umum ................. 30
Gambar3.2. Blok diagram sistem................................................................................ 30
Gambar3.3. Rata-rata keseluruhan edge ..................................................................... 45
Gambar3.4. Matriks persegi 8x8 ................................................................................. 46
Gambar3.5. Contoh pengelompokanmotif batik untuk proses evaluasi ..................... 49
Gambar3.6. Rancangan halaman Home ..................................................................... 52
Gambar3.7. Rancangan halaman pengenalan motif batik Yogyakarta ....................... 53
Gambar3.8. Rancangan halaman pengujian LDA ...................................................... 54
Gambar3.9. Rancangan halaman konsep LDA ........................................................... 54
Gambar3.10. Rancangan halaman identitas program (about)..................................... 55
Gambar3.11. Rancangan halaman bantuan (help) ...................................................... 55
Gambar4.1. Halaman utama sistem pengenalan motif batik Yogyakarta ................... 59
Gambar4.2. Halaman fase pengenalan motif batik Yogyakarta ................................. 60
Gambar4.3. Kotak file selector untuk mengambil gambar ......................................... 60
Gambar4.4. Peringatan tidak ada file yang dipilih...................................................... 61
Gambar4.5. Halaman fase pegujian Linear Discriminant Analysis ............................ 62
Gambar4.6. Halaman penjelasan konsep metode LDA .............................................. 64
Gambar4.7. Halaman penjelasan konsep metode 5-Fold Cross Validation ............... 65
Gambar4.8. Bagan metode 5-Fold Cross Validation.................................................. 65
Gambar4.9. Halaman About ........................................................................................ 66
xv
Gambar4.10. Halaman bantuan fase pengenalan motif batik Yogyakarta .................. 67
Gambar4.11. Halaman bantuan fase pengujian motif batik Yogyakarta .................... 67
xvi
DAFTAR TABEL
Tabel2.1. Data chip rings .......................................................................................... 18

Tabel2.2. Data set chip ring ...................................................................................... 18
Tabel3.1. Contoh tabel confusion matriks ................................................................ 50
Tabel5.1. Rangkuman hasil percobaan ..................................................................... 76
xvii
BAB I
PENDAHULUAN
1.1. Latar Belakang
Indonesia terkenal dengan keanekaragaman budaya mulai dari suku, tari
daerah, pakaian adat, lagu daerah, dan adat istiadat. Salah satu budaya yang dimiliki
oleh negara kita adalah batik. Batik merupakan warisan budaya Indonesia yang
memiliki keanekaragaman motif.
Dahulu batik hanya dikenakan oleh kalangan raja, kerabat dan pekerjanya,
selain itu digunakan juga pada acara ritual budaya Jawa. Seiring dengan
perkembangan zaman batik telah menjadi kebutuhan sekunder. Banyak masyarakat
yang menggunakan batik dalam kesehariannya. Perancang desain busana pun
menjadikan batik sebagai sumber inspirasi untuk membuat model busana modern.
Sebagian besar masyarakat bangga menggunakan batik, tetapi sedikit yang
mengenal motif-motif batik. Untuk mengatasi permasalahan tersebut sebenarnya
terdapat banyak metode, salah satunya adalah metode Linear Discrimant Analysis.
Metode ini akan menjadi alat bantu untuk pengenalan motif batik. Penulis
menggunakan metode ini karena memiliki daya pembeda yang akurat dan lebih besar
dari metode Principal Components Analysis (PCA) (Resmana Lim, 2002).
1
2
1.2. Rumusan Masalah
Rumusan masalah tugas akhir ini berdasarkan latar belakang di atas adalah
“Bagaimana secara otomatis mengenal motif batik Yogyakarta dengan
mempergunakan metode Linear Discriminant Analysis (LDA)?”
1.3. Tujuan
Tujuan dari tugas akhir ini adalah untuk mengenali motif batik Yogyakarta dan
menganalisa serta mengetahui kelebihan dan kekurangan metode Linear Discriminant
Analysis dalam menangani data citra motif batik Yogyakarta.
1.4. Batasan Masalah
Adapun batasan masalah dalam tugas akhir ini, yaitu:
1. Penelitian hanya pada batik Yogyakarta. Penulis hanya menggunakan 20
motif batik Yogyakarta, yaitu Ceplok Kece, Kawung Galar, Nitik
Cengkeh, Parang Barong, Parang Pancing, Parisewuli Seling Pamor,
Truntum, Tambal, Parang Tuding, Parang Keris, Parang Kusumo Ukel,
Parang Curigo, Parang Klitik, Parang Kembang Sawut Cecek, Ceplok
Dempel, Kawung Kembang Cempoko Hitam, Kawung Picis, Lereng
Kusuma, Parang Kawung Picis, Parang Kunci.
2. Metode yang digunakan untuk pengenalan motif batik Yogyakarta adalah
Linear Discriminant Analysis.

3
3. Pembuatan program hanya sebuah prototipe untuk membantu analisa
algoritma Linear Discriminant Analysis dalam menangani pola batik
Yogyakarta.
4. Pada tugas akhir ini sampel motif batik Yogyakarta yang digunakan
berdasarkan:
a. Ukuran citra motif batik Yogyakarta 200 x 200 piksel dengan format
data .jpg.
b. Data batik diambil menggunakan camera digital pocket Fujifilm tipe
FinePixJ20 dengan 10MP.
c. Jarak pengambilan gambar dengan kain batik sekitar 30 cm.
d. Data batik yang didapat dan akan digunakan dalam tugas akhir ini
terlebih dahulu di-crop untuk menghilangkan sinar blitz serta
mengambil bagian pola (motif) batik yang merupakan ciri dari motif
tersebut. Kemudian ukuran data motif batik hasil crop diubah menjadi
200 x 200 piksel.
5. Proses ekstraksi feature berdasarkan warna dan edge information.
1.5. Metodologi Penelitian
a. Survei dengan langsung mendatangi Museum Batik Yogyakarta untuk
mendapatkan data motif batik.
b. Studi literatur dilakukan dengan mempelajari materi dan artikel tentang
metode Linear Discriminant Analysis.

4
c. Wawancara dengan pakar budaya Museum Batik Yogyakarta.
d. Tahap implementasi yang meliputi pembuatan alat bantu berupa suatu
perangkat lunak untuk pengenalan motif batik.
e. Tahap analisa dari data hasil percobaan.
1.6. Sistematika Penulisan
BAB I PENDAHULUAN
Berisi latar belakang, rumusan masalah, tujuan, batasan masalah,
metodologi penelitian, dan sistematika penulisan.
BAB II LANDASAN TEORI
Berisi landasan teori yang dipakai untuk pembahasan tugas akhir.
BAB III PERANCANGAN SISTEM
Berisi gambaran umum mengenai perancangan sistem yang akan
dibangun, yaitu sebuah perangkat lunak yang dapat mengenali motif batik
Yogyakarta dan menerjemahkannya ke dalam sebuah informasi.
BAB IV IMPLEMENTASI DAN ANALISA ALGORITMA
Berisi implementasi sistem dan membahas mengenai analisis algoritma-
algoritma dalam metode Linear Discriminant Analysis (LDA).
BAB V KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran yang diperoleh dari keseluruhan
proses pembuatan tugas akhir ini, serta beberapa saran untuk
pengembangan sistem lebih lanjut.

BAB II
LANDASAN TEORI
2.1. Pengertian Batik
Batik berasal dari Bahasa Jawa ambatik dari kata “ba” dan “tik”, masing-
masing mempunyai padanan kata “bud” dan “am” yang artinya “a-mba-tik” dengan
arti kata membentuk titik (nitik), “tik” berarti kecil. Jadi, batik berarti menulis atau
menggambar atau membuat titik (tulis).
Bunyi am berasal dari kata “ha” pada huruf Jawa merupakan kata imbuhan
pada suatu kata, contoh:
 “ha” + batik  ambatik artinya membuat batik
 “ha” + babar  ambabar artinya membuat babar (membersihkan atau
mencuci)
 “ha” + serat  amserat artinya membuat serat.
Batik merupakan seni karya tulis yang mempunyai arti tersendiri dan mampu
mengungkapkan rasa perasaan indah (setelah melihat atau menangkap) maknanya.
Batik tulis juga mampu mengangkat status sosial seseorang seperti kewibawaan,
kepangkatan, derajat, dan asal usul. Batik juga memiliki nilai ganda yaitu seni, sosial,
dan ekonomi.
Batik merupakan karya seni pada kain dengan perintang warna yang
menggunakan malam (lilin). Batik juga merupakan lukisan atau gambar pada mori
285
6
yang dikerjakan dengan alat canting, dan disebut membatik (Konsensus Nasional,
1996). Beberapa motif batik tulis Yogyakarta sebagai berikut:
Ceplok Kece Kawung Galar Nitik Cengkeh Parang Barong
Parang Pancing Parisewuli Seling Pamor Truntum Tambal
Parang Tuding Parang Keris Parang Kusumo Ukel Parang Curigo
Gambar 2.1. Beberapa motif batik Yogyakarta (Sumber: Museum Batik Yogyakarta)
7
Parang Klitik Parang Kembang Sawut Ceplok Dempel Kawung Kembang

Cecek
Cempoko Hitam
Kawung Picis Lereng Kusuma Parang Kawung Parang Kunci

Picis
Gambar 2.1. (Lanjutan)
2.2. Pengenalan Pola
Pola merupakan kumpulan akan sesuatu (instances) yang memiliki kemiripan
dan keteraturan, ada perulangan, dapat diobservasi baik secara per bagian ataupun
seluruhnya. Ketika sebuah mesin mengenali pola, maka akan memindai pola tersebut
dengan sensor dengan kehadiran derau (noise) dan distorsi pada citra pola itu.
Pengenalan pola adalah suatu disiplin ilmu yang mempelajari cara-cara
mengklasifikasikan obyek ke beberapa kelas atau kategori dan mengenali
kecenderungan data. Tergantung pada aplikasinya, obyek-obyek ini bisa berupa

8
pasien, mahasiswa, pemohon kredit, citra atau sinyal atau pengukuran lain yang perlu
diklasifikasikan atau dicari fungsi regresinya. Biasanya subyek ini disebut dengan
pengenalan pola atau pattern recognition.
Langkah-langkah pengenalan motif batik secara umum adalah sebagai berikut:
1. Data masukan berupa citra .jpg disiapkan. Citra ini masih berisi kumpulan
piksel yang memiliki data warna RGB (Red – Green – Blue).
2. Ekstraksi feature merupakan langkah pemilihan ciri yang ingin diidentifikasi
dari citra batik yang telah dikenai proses pre-processing.
3. Tahap klasifikasi citra merupakan tahap utama dalam pengenalan pola.
Klasifikasi ini bisa berdasarkan unsupervised maupun supervised learning.
Unsupervised learning berarti kategori tercipta dengan sendirinya sesuai
dengan feature yang ditangkap, sedangkan supervised learning berarti sudah
ada batas-batas pengetahuan untuk menentukan kelas dari obyek yang
ditangkap. Pada tahap ini, feature dibandingkan kemiripannya dengan model
yang sudah diketahui oleh mesin.
4. Tahap terakhir yaitu mendapatkan output berupa pengenalan motif batik,
sehingga keputusan dapat diambil dari hasil pengenalan ini.

9
output
mode pengenalan/klasifikasi
ekstraksi feature
Data citra .jpg
Gambar 2.2. Blok diagram pengenalan motif batik
2.2.1 Deteksi Tepi dengan Metode Canny
Tepi (edge) merupakan perubahan intensitas derajat keabuan yang
besar dalam jarak yang singkat. Tepi mencirikan batas-batas objek sehingga
berguna untuk proses segementasi dan identifikasi dalam citra. Tujuan
pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu
daerah atau objek di dalam citra.
Metode Canny merupakan salah satu algoritma deteksi tepi. Metode
Canny akan mendeteksi tepi dengan mencari nilai gradien maksimal lokal dari
sebuah citra. Gradien tersebut dihitung menggunakan turunan dari Gaussian
filter. Metode Canny menggunakan dua thresholds yang berguna untuk
mendeteksi tepian yang terlihat jelas dan tepian yang kurang jelas atau lemah,
termasuk juga tepian yang kurang jelas terlihat pada output yang terhubung
dengan tepian yang jelas. Thresholding digunakan untuk mengatur jumlah

10
derajat keabuan yang ada pada citra. Metode Canny lebih utama akan
mendeteksi tepian yang kurang jelas, yang tidak dapat diperoleh dengan
menggunakan metode lain. Ada beberapa kriteria penteksian tepian paling
optimum yang dapat dipenuhi oleh algoritma Canny:
a. Mendeteksi dengan baik (kriteria deteksi)
Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai
dengan pemilihan parameter-parameter konvolusi yang dilakukan.
Sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam hal
menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan.
b. Melokalisasi dengan baik (kriteria lokalisasi)
Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi
yang dideteksi dengan tepi yang asli.
c. Respon yang jelas (kriteria respon)
Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan
tidak menimbulkan kerancuan pada pengolahan citra selanjutnya.
Penulis menerapkan metode Canny untuk citra motif batik yaitu dengan
menggunakan fungsi yang disediakan dalam Matlab. Sebagai contoh,
motif batik Truntum dikenakan metode Canny menggunakan fungsi
Matlab, yaitu:
batik = imread ('truntum_21.jpg'); % mengambil/membaca motif

gray=rgb2gray(batik); % mengubah RGB menjadi gray
motif=edge(gray,'canny'); % dikenakan fungsi metode Canny
imshow(motif) % menampilkan hasil deteksi tepi
11
Hasil citra motif batik Yogyakarta yang dikenakan metode Canny sebagai
berikut:
Ceplok Kece Kawung Galar Nitik Cengkeh Parang Barong
Parang Pancing Parisewuli Seling Pamor Truntum Tambal
Parang Tuding Parang Kusumo Ukel

Parang Keris Parang Curigo
Gambar2.3. Motif batik dikenakan deteksi tepi Canny

12
Parang Kembang Sawut Ceplok Dempel Kawung Kembang

Parang Klitik Cecek Cempoko Hitam
Kawung Picis Parang Kawung Picis Parang Kunci

Lereng Kusuma
Gambar2.3. (Lanjutan)
2.2.2. Ekstraksi Feature
Feature merupakan suatu hal yang digunakan untuk menjadi model
dalam Linear Discriminant Analysis yang kemudian diekstrak cirinya untuk
diolah dalam perhitungan training maupun testing.
Ekstraksi ciri berfungsi untuk menajamkan perbedaan-perbedaan pola
(motif) sehingga akan sangat memudahkan dalam pemisahan antar kelas pada
proses klasifikasi. Ekstraksi ciri merupakan tahap yang sangat penting dan
sulit dalam teknik klasifikasi pola, bahkan seringkali tingkat keberhasilan dari
sistem pengenalan pola selalu dikaitkan dengan metode ekstraksi ciri yang
digunakan.
13
Ekstraksi yang dapat dilakukan ialah dengan mengolah informasi
piksel secara diskret. Pengolahan diskret dapat dilakukan dengan membagi
suatu motif batik ke dalam zona yang memiliki ukuran yang sama
(Theeramunkong, Wongtapan, Sinthupinyo, 2004). Kemudian, informasi
piksel dari tiap zona digunakan untuk data input dalam membentuk model.
Tidak ada ukuran yang menentukan untuk perhitungan feature, oleh
karena itu penulis mencoba menggunakan feature warna yang terdiri dari
RGB (Red-Green-Blue), dan edge information dengan ukuran 200x200 piksel.
Warna dijadikan feature dalam pengenalan motif batik karena motif
batik Yogyakarta dapat dibedakan dalam warnanya, warna yang berbeda
dengan bentuk motif yang sama maka nama motif batik pun berbeda.
Feature edge information (deteksi tepi) juga merupakan unsur penting
dalam pengenalan motif batik Yogyakarta ini. Edge information berguna
untuk mendeteksi bagian tepi dari motif batik Yogyakarta. Dengan adanya
bagian tepi motif batik maka motif batik pun dapat diketahui. Dalam hal ini
sebelum dikenakan proses edge information, citra dikenakan proses deteksi
tepi dengan menggunakan metode canny, karena pembentukan deteksi tepi
lebih terlihat jelas.
2.2.3. Proses Training
Proses training merupakan proses klasifikasi atau pembentukan model
motif batik. Pada proses ini dari 500 data motif batik yang digunakan,
sebanyak 400 data digunakan untuk training. Proses training menggunakan

14
metode Linear Discriminant Analysis, yaitu membentuk dengan membentuk
fungsi diskriminan.
2.2.4. Proses Testing
Proses testing merupakan proses pencocokan kemiripan dan
pengenalan motif batik Yogyakarta. Data test akan dimasukkan pada fungsi
diskriminan yang terbentuk pada proses training. Pada proses ini data citra
motif batik yang digunakan sebanyak 100 dari 500 data citra motif batik.
2.2.5. Metode Linear Discriminant Analysis (LDA)
Banyak metode yang dapat digunakan untuk klasifikasi pengenalan
pola. Salah satu teknik yang sangat populer dan cukup sederhana untuk
menyelesaikan masalah klasifikasi adalah analisis diskriminan linear (Linear
Discriminant Analysis), selanjutnya disebut dengan LDA. LDA termasuk
dalam kategori supervised learning, karena dalam pemakaian LDA ada
tahapan training untuk menemukan parameter model yang diperlukan.
Selanjutnya model yang diperoleh digunakan untuk melakukan prediksi bila
ada data baru dan harus dilakukan pengelompokan.
Metode LDA memaksimalkan diskriminasi antar kelas dan
meminimalkan persebaran dalam kelas. Metode ini memiliki kegunaan untuk
mengklasifikasikan obyek ke dalam dua grup atau lebih.
Analisis diskriminan berguna ketika ingin membentuk sebuah model
prediktif dari beberapa kelompok (group) berdasarkan pada karakteristik
masing-masing kasus. Prosedur pembentukan fungsi diskriminan (pada lebih

15
dari dua kelompok, serangkaian set dari fungsi diskriminan) berdasarkan pada
kombinasi linear dari variabel-variabel prediktor yang memberikan pembeda
terbaik dari kelompok-kelompok tersebut. Fungsi dibentuk dari sebuah
sampel pada sebuah kasus di dalam sebuah group yang telah diketahui; fungsi
lalu dapat diaplikasikan pada kasus baru dengan pengukuran pada variabel-
variabel prediktor yang tidak diketahui masuk pada kelompok mana.
2.2.5.1. Algoritma Pemodelan Linear Discriminant Analysis
Analisis diskriminan adalah teknik statistik multivariate yang
terkait dengan pemisahan (separating) atau alokasi/klasifikasi
(classification) sekelompok obyek atau observasi ke dalam kelompok
(group) yang telah terlebih dahulu didefinisikan. Dalam tujuan
pengenalan obyek (observasi), metode ini mencoba menemukan suatu
discriminant yang nilainya mampu memisahkan obyek yang
karakteristiknya telah diketahui. Sedangkan dalam tujuan klasifikasi
obyek, metode ini akan mensortir obyek (observasi) ke dalam dua atau
lebih kelas.
Cara kerja Linear Discriminant Analysis yaitu dengan mencari
bobot untuk setiap kelompok. Metode ini memaksimalkan jarak antar
kelas dan meminimalkan jarak dalam kelas. Fungsi diskriminan yang
terbentuk berfungsi untuk memisahkan kelompok.
Setelah feature didapat, maka pemodelan Linear Discrminant
Analysis dapat dibangkitkan. Linear Discriminant Analysis

16
mengasumsikan matriks-matriks kovarians kelas yang sama. Output
dari analisis diskriminan ini yaitu mendapatkan fungsi yang digunakan
untuk mengelompokkan observasi-observasi ke dalam salah satu kelas,
yang kemudian disebut fungsi diskriminan. Model persamaan
diskriminan, yaitu:
𝟏
𝒇𝒊 = 𝝁𝒊 𝑪−𝟏 𝒙𝑻𝒌 − 𝟐 𝝁𝒊 𝑪−𝟏 𝝁𝑻𝒊 + 𝐥𝐨𝐠(𝑷𝒊 ) (2.1)
Dimana: 𝜇𝑖 = rata-rata kelas ke-i,
𝑥𝑘𝑇 = data yang ditranspose,
𝐶 −1 = matriks covariance yang diinverskan,
𝑃𝑖 = probabilitas data dalam kelas i terhadap seluruh data.
Untuk mendapatkan fungsi diskriminan tersebut, terdapat beberapa
langkah yang harus dilakukan, yaitu:
1. Dengan menghitung mean dari setiap kelompok atau kelas dan
mean dari keseluruhan kelompok atau kelas. Perhitungan ini
untuk menghitung bobot setiap kelompok sehingga dapat
meminimalkan jarak dalam kelompok atau kelas.
2. Menghitung matriks covariance kelompok i yang didapati dari:
(𝑥 𝑖0 )𝑇 𝑥 𝑖0
𝐶𝑖 = (2.2)
𝑛𝑖
17
Dimana:
𝑥𝑖0 = mean corrected data, merupakan hasil dari pengurangan
data dari kelompok xi dengan rata-rata keseluruhan
kelompok.
𝑛𝑖 = banyaknya kelompok ke-i.
3. Membentuk pooled within group covariance matrix (matriks
covariance dalam kelompok), rumus yang digunakan:
1 𝑔
𝐶 𝑟, 𝑠 = 𝑖=1 𝑛𝑖 . 𝐶𝑖 (𝑟, 𝑠) (2.3)
𝑛
Dimana:
𝑛 = total dari banyaknya setiap kelompok ke-i,
𝑔 = banyaknya kelompok (kelas),
𝑛𝑖 = banyaknya kelompok ke-i,
𝐶𝑖 (𝑟, 𝑠) = nilai covariance kelompok ke-i pada baris ke-r dan
baris ke-s.
4. Kemudian hasil dari perhitungan dari langkah ke-3 diinverskan,
maka nilai matriks covariance ini yang akan digunakan dalam
perhitungan fungsi diskriminan.
5. Menghitung Pi yang merupakan probabilitas vektor. Setiap baris
merepresentasikan probabilitas dari kelompok ke-i.
𝑛𝑖 (2.4)
𝑃𝑖 =
𝑁
18
Dimana:
𝑛𝑖 = Banyaknya anggota dari kelompok ke-i,
𝑁 = Jumlah anggota dari seluruh kelompok.
Contoh perhitungan menggunakan metode Linear Discriminant
Analysis:
 Berikut merupakan data chip rings yang lulus (passed) dan tidak
lulus (not passed) uji kualitas dari suatu perusahaan yang
memproduksi chip ring berkualitas tinggi dengan pertimbangan
curvature dan diameter.
Tabel2.1 Data chip rings

Curvature Diameter Quality Control Result
2.95 6.63 Passed
2.53 7.79 Passed
3.57 5.65 Passed
3.16 5.47 Passed
2.58 4.46 Not Passed
Terdapat data chip ring baru untuk diuji kualitasnya dengan
menggunakan metode LDA, yaitu:
Tabel2.2 Data test chip ring

Curvature Diameter Quality Control Result
2.81 5.46 ????
Catatan:
???? = hasil data test chip rings termasuk passed atau not passed
19
Penyelesaian:
x = feature seluruh data. Setiap baris merepresentasikan satu kelas;
setiap kolom berdiri untuk satu feature.
y = indeks kelas (passed = 1; not passed = 2).
dan
= data feature untuk kelas i. Setiap baris merepresentasikan satu
kelas; setiap kolom berdiri untuk satu feature. Penulis
memisahkan x ke dalam beberapa kelompok berdasarkan indeks
kelas pada y.
Langkah pertama dalam perhitungan LDA yaitu mencari rata-rata
feature dalam setiap kelas dan menghitung rata-rata keseluruhan kelas,
yaitu:
= rata-rata feature kelas, yang mana merupakan rata-rata dari

20
= rata-rata keseluruhan kelas, mean dari seluruh data.
Langkah kedua yaitu mencari matriks covariance kelas i dengan
menggunakan rumus 2.10, yaitu:
= mean corrected data, dari data feature untuk kelas i.
Sehingga didapat matriks covariance dari kelas i dengan
Langkah ketiga, menghitung pooled within group covariance matrix
(matriks covariance dalam kelompok) dengan menggunakan rumus
2.3, yaitu:
, , dan
21
Maka, pooled covariance matriks yang didapat yaitu:
Langkah keempat, inverse dari pooled covariance matriks, yaitu:

Covariance matriks inilah yang akan digunakan
untuk setiap kelas dalam pembentukan fungsi
diskriminan untuk klasifikasi (membentuk
model).
Langkah kelima, menghitung probabilitas kelas ke-i, dengan
Hasil perhitungan dari setiap langkah-langkah tersebut digunakan pada
fungsi diskriminan (rumus 2.1) untuk setiap kelas, pada contoh ini
akan menghasilkan dua fungsi diskriminan, yaitu:

𝟏
𝒇𝟏 = 𝝁𝟏 𝑪−𝟏 𝒙𝑻𝒌 − 𝟐 𝝁𝟏 𝑪−𝟏 𝝁𝑻𝟏 + 𝐥𝐨𝐠(𝑷𝟏 )
𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏 𝑻 𝟏 𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏 𝟑. 𝟎𝟓

𝒇𝟏 = 𝟑. 𝟎𝟓 𝟔. 𝟑𝟖 𝒙 − 𝟑. 𝟎𝟓 𝟔. 𝟑𝟖 + 𝐥𝐨𝐠(𝟎. 𝟓𝟕𝟏)
𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏 𝒌 𝟐 𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏 𝟔. 𝟑𝟖
𝟏
𝒇𝟐 = 𝝁𝟐 𝑪−𝟏 𝒙𝑻𝒌 − 𝝁𝟐 𝑪−𝟏 𝝁𝑻𝟐 + 𝐥𝐨𝐠(𝑷𝟐 )
𝟐
𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏 𝑻 𝟏 𝟓. 𝟕𝟒𝟓 𝟎. 𝟕𝟗𝟏 𝟐. 𝟔𝟕

𝒇𝟐 = 𝟐. 𝟔𝟕 𝟒. 𝟕𝟑 𝒙 − 𝟐. 𝟔𝟕 𝟒. 𝟕𝟑 + 𝐥𝐨𝐠(𝟎. 𝟒𝟐𝟗)
𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏 𝒌 𝟐 𝟎. 𝟕𝟗𝟏 𝟎. 𝟕𝟎𝟏 𝟒. 𝟕𝟑
Kemudian data-data chip rings setiap baris yang ditranspose
terlebih dahulu (𝑥𝑘𝑇 ) dimasukkan dalam perhitungan tersebut. Untuk
menentukan hasil quality control lulus uji atau tidak yaitu dengan
melihat hasil dari perhitungan 𝑓1 dan 𝑓2 yang memiliki nilai

22
maksimum. Berikut hasil yang diperoleh dari perhitungan fungsi
diskriminan untuk setiap baris data, yaitu:
Gambar2.4. Perhitungan fungsi diskriminan
Dari hasil perhitungan dengan metode LDA di atas, data test
yaitu data baru chip ring yang akan diuji quality control-nya
menghasilkan indeks 2 yaitu termasuk dalam kelas not passed.
2.2.6. Metode Evaluasi 5-Fold Cross Validation
Setelah melakukan proses training dan testing maka metode evaluasi
dengan 5-fold cross validation dapat dilakukan. Metode evaluasi digunakan
untuk mengetahui tingkat akurasi sistem pengenal motif batik. Metode 5-fold
cross validation membagi tiap kelompok motif batik Yogyakarta menjadi
lima kelompok data yang kemudian secara bergantian dijadikan data untuk
training maupun testing dalam lima langkah pengujian yang saling silang.
Dimisalkan terdapat n-buah motif batik untuk satu jenis motif batik
Yogyakarta, sehingga tiap kelompok memiliki n/5 buah anggota. Diberikan
nilai n = 25 data, sehingga pembagiannya ialah:

23
 Kelompok 1:
 data motif “Ceplok Kece” ke 1 hingga 5,
 data motif “Kawung Galar” ke 1 hingga 5,
 data motif “Nitik Cengkeh” ke 1 hingga 5,
 data motif “Parang Barong” ke 1 hingga 5,
 data motif “Parisewuli Seling Pamor” ke 1 hingga 5,
 data motif “Truntum” ke 1 hingga 5,
 data motif “Tambal” ke 1 hingga 5,
 data motif “Parang Tuding” ke 1 hingga ke 5,
………..
 data motif “Parang Kunci” ke 1 hingga 5.
 Kelompok 2:
 data motif “Parang Tuding” ke 6 hingga ke 10,
…………
24
 Kelompok 3:
 data motif “Parang Tuding” ke 11 hingga 15,
…………
 Kelompok 4:

25
…………
 Kelompok 5:
…………
Data masukan dipisah untuk memastikan bahwa evaluasi dilakukan
tanpa memproses data yang sama. Pemrosesan dengan data yang sama dapat
terjadi ketika data masukan berjumlah sangat banyak. Jika data yang sama
diproses dalam training dan testing, maka nilai validasi terhadap evaluasi
akan berkurang walaupun angka akurasi meningkat.

26
Testing Training
Kelompok data no.5
menjadi data training
Pengujian 1 1 bersama dengan
2 3 4 5
kelompok data 2, 3,
4.
Pengujian 2 2 1 3 4 5
1
Kelompok data no.5

menjadi data
testing.
Gambar2.5. Gambaran metode evaluasi 5-Fold Cross Validation
Masing-masing kotak yang terdapat pada gambar merupakan kotak
yang mewakili satu kelompok data. Tiap satu kelompok data bergantian
menjadi data testing pada satu langkah pengujian, sedangkan lainnya menjadi
data training.
2.3. Matriks Data Multivariat
Data multivariate adalah data yang diperoleh dari hasil pengukuran terhadap n
observasi-observasi berdasarkan variabel-variabel random p. Secara umum data
multivariate disajikan dalam bentuk matriks X berukuran p x n sebagai berikut:

27
Gambar2.6. Matriks data multivariat
dimana I = 1, 2, ….., p dan j = 1, 2, ….., n.
Data multivariate dinotasikan dengan X = {Xij}, dengan Xij merupakan pengamatan
terhadap variabel random ke-i pada observasi ke-j.
2.4. Matlab
Studi pengenalan karakter ini membutuhkan sebuah alat bantu untuk
menghitung data matematis yang kompleks. Matlab merupakan sebuah alat bantu
yang dapat menangani permasalahan tersebut. Matlab merupakan bahasa
pemograman sekaligus lingkungan penghitung numerik yang dibuat oleh MathWorks
(Hanselman, 1997).
BAB III
ALGORITMA DAN PERANCANGAN SISTEM
Bab Analisa dan Perancangan Sistem merupakan bab berisi penjelasan
mengenai rancangan dan cara kerja sistem pengenal motif batik yang dibangun.
Sistem ini berfungsi sebagai alat bantu untuk menganalisis cara kerja dan akurasi
metode Linear Discriminant Analysis dalam mengenal motif batik. Analisa
kebutuhan seperti kebutuhan perangkat lunak, perangkat keras, dan perancangan antar
muka juga dijelaskan dalam bab ini.
3.1. Pengambilan Data Batik Yogyakarta
Penulis mendapatkan data batik Yogyakarta yaitu dari Museum Batik
Yogyakarta. Keanekaragaman motif batik Yogyakarta di Museum Batik cukup
banyak, tetapi untuk keperluan tugas akhir ini penulis hanya mengambil 20 motif
batik dengan asumsi 20 motif batik ini sudah mewakili motif batik yang lainnya.
Data batik diambil menggunakan camera digital pocket Fujifilm tipe
FinePixJ20 dengan 10MP. Kemudian hasil pengambilan data-data motif batik
tersebut dimasukkan ke komputer. Ukuran yang didapat dari pengambilan dengan
kamera tersebut yaitu berdimensi 3648 x 2736 piksel. Hasil pengambilan data batik
tersebut tidak sempurna karena terdapat pantulan sinar blitz, ini disebabkan kain batik
yang dipajang terdapat pelindung plastik.
28
29
Data batik yang didapat dan akan digunakan dalam tugas akhir ini terlebih dahulu di-
crop untuk menghilangkan sinar blitz serta meng-crop bagian pola (motif) batik yang
merupakan ciri dari motif tersebut, misalnya pada motif Nitik Cengkeh akan di-crop
bagian motif seperti bunga cengkeh, kemudian ukuran data motif batik hasil crop
diubah menjadi 200 x 200 piksel. Penulis memilih ukuran tersebut karena sudah ada
jurnal yang menggunakan ukuran citra 200 x 200 piksel dalam pengenalan pola
(Riyanto Sigit, 2002) dan (Adhi Surahman, 2006).
3.2. Perancangan Sistem Secara Umum
Sistem pengenalan motif batik ini digunakan metode Linear Discriminant
Analysis dalam menangani motif batik. Data citra yang dimasukkan ke dalam sistem
ialah citra dari satu karakter motif batik Yogyakarta. Sistem mengolah citra karakter
motif batik Yogyakarta tersebut sebagai feature yang digunakan pada saat proses
training model maupun proses pengenalan (testing). Setelah melalui proses pengujian
dalam sistem dengan menggunakan metode Linear Discriminant Analysis, pengguna
mendapatkan hasil keluaran berupa nama dari motif batik Yogyakarta berserta angka
akurasinya.
30
citra motif batik .jpg Beberapa jenis feature

Sistem Pengenal Motif
Ekstraksi feature
Batik Yogyakarta
Pengguna
Nama motif batik Yogyakarta dikenali

Evaluasi
Gambar3.1. Alur fase pengenalan motif batik Yogyakarta secara umum
Sistem Pengenal Motif Batik Yogyakarta dengan Metode LDA
Pengolahan
Ekstraksi feature
[.....] Training
feature
M1 M2 M3 M4 ….. Mn
Motif Batik Yogyakarta
Pengolahan Pencocokan
Ekstraksi feature
feature Kemiripan
Evaluasi
Motif batik dikenali
Gambar3.2. Blok diagram sistem

31
Langkah-langkah perancangan proses pengujian motif batik:
1. Data citra batik berukuran 200x200 piksel dikenakan proses ekstraksi feature.
2. Baca citra motif batik.
3. Ekstraksi feature yaitu memilih feature yang tepat untuk data motif batik
tersebut. Feature yang digunakan yaitu rata-rata keseluruhan edge, rata-rata
edge horizontal, rata-rata edge vertikal, gabungan rata-rata keseluruhan edge
dengan rata-rata edge horizontal dan vertikal, rata-rata edge horizontal dan
vertikal, gabungan warna dengan rata-rata keseluruhan edge, rata-rata edge
vertikal dan horizontal. Misal, data motif batik masukan akan dikenakan
feature rata-rata edge horizontal.
4. Proses pengolahan feature rata-rata edge horizontal yaitu:
a. Citra motif batik akan diubah ke gray.
b. Citra motif batik gray dikenakan deteksi tepi dengan metode canny.
c. Data motif batik berukuran 200x200 piksel dibagi menjadi 8 vektor secara
horizontal dan vertikal, sehingga terdapat 64 unit yang setiap unitnya
berukuran 25x25 piksel.
d. Menjumlahkan object (satu) dalam setiap unit.
e. Jumlah objek (satu) dalam setiap unit dibagi dengan 625 (ukuran 25x25 =
625), sehingga didapat hasil rata-rata dalam satu unit. Hal ini dilakukan
untuk setiap unit.

32
f. Hasil rata-rata setiap unit dijumlahkan secara vektor vertikal kemudian
dibagi 8 (8 merupakan jumlah unit yang dijumlahkan secara vektor
vertikal). Hal ini dilakukan untuk setiap unit.
g. Sehingga didapat matriks hasil rata-rata edge vektor vertikal berukuran
1x8.
5. Proses training dengan metode LDA menggunakan 400 data motif batik dari
500 data motif batik Yogyakarta. Terdapat 20 jenis motif batik Yogyakarta
yang ingin dikenali, pada proses training akan membuat satu model dari 20
sampel motif batik dengan membentuk fungsi diskriminan yang diperoleh
dengan cara menghitung mean dari setiap kelompok dan mean dari
keseluruhan kelompok, menghitung matriks covariance, membentuk pooled
within group covariance matrix, dan menghitung probabilitas vektor.
6. Pencocokan kemiripan merupakan fase testing, yaitu dengan menguji fungsi
diskriminan yang terbentuk dengan 100 data motif batik untuk mendapatkan
angka kemiripan terbesar.
7. Untuk proses evaluasi menggunakan metode 5-fold cross validation. Data
hasil pengujian dievaluasi menggunakan metode 5-fold cross validation untuk
mendapatkan nilai prosentase akurasi dari 500 data motif.

33
3.3. Algoritma yang Digunakan
3.3.1. Algoritma Penyimpanan Informasi Rata-Rata Edge
a. Penyimpanan informasi piksel rata-rata keseluruhan edge.
Input: Citra motif batik berukuran 200 x 200 piksel.
Output: Matriks hasil rata-rata keseluruhan edge berukuran 1x64.
Algoritma:
2. Ubah citra motif batik ke gray 8 bit.
3. Citra motif batik gray dikenakan deteksi tepi menggunakan
Canny.
4. Hitung tinggi dan lebar citra motif batik.
5. Membagi citra motif batik berukuran 200x200 piksel menjadi 8
vektor secara vertikal dan horizontal sehingga mendapatkan 64
unit,setiap unit berukuran 25x25 piksel.
6. Menjumlahkan objek (satu) dalam setiap unit untuk
dijumlahkan.
7. Jumlah objek (satu) keseluruhan dalam setiap unit dibagi
dengan 625 (ukuran 25x25 = 625), sehingga didapat hasil rata-
rata dalam satu unit. Hal ini dilakukan untuk setiap unit.
8. Hasil rata-rata keseluruhan edge disimpan.
9. Sehingga didapat matriks hasil rata-rata edge berukuran 1x64.
b. Penyimpanan informasi piksel vektor horizontal
Output: Matriks hasil rata-rata edge horizontal berukuran 1x8.
Algoritma:

34
Canny.
6. Menjumlahkan objek (satu) dalam setiap unit.
7. Jumlah objek (satu) dalam setiap unit dibagi dengan 625
(ukuran 25x25 piksel = 625), sehingga didapat hasil rata-rata
dalam satu unit. Hal ini dilakukan untuk setiap unit.
8. Hasil rata-rata setiap unit dijumlahkan secara vektor
horizontal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor horizontal). Hal ini dilakukan
untuk setiap unit.
9. Sehingga didapat matriks hasil rata-rata edge vektor
horizontal berukuran 1x8.
c. Penyimpanan informasi piksel vektor vertikal
Input: Citra motif batik berukuran 200 x 200 piksel
Output: Matriks hasil rata-rata edge vertikal berukuran 1x8
Algoritma:
Canny.

35
(ukuran 25x25 piksel = 625), sehingga didapat hasil rata-rata
dalam satu unit. Hal ini dilakukan untuk setiap unit.
vertikal kemudian dibagi 8 (8 merupakan jumlah unit yang
dijumlahkan secara vektor vertikal). Hal ini dilakukan untuk
setiap unit.
9. Sehingga didapat matriks hasil rata-rata edge vektor vertikal
berukuran 1x8.
d. Penyimpanan informasi piksel rata-rata keseluruhan edge, vektor
horizontal, dan vertikal.
Output: Matriks rata-rata keseluruhan edge, rata-rata edge
vektor horizontal, dan vektor vertikal berukuran 1x80.
Algoritma:
Canny.
vektor secara vertikal dan horizontal sehingga mendapatkan
64 unit,setiap unit berukuran 25x25 piksel.

36
(ukuran 25x25 piksel = 625), sehingga didapat hasil rata-
rata dalam satu unit. Hal ini dilakukan untuk setiap unit.
8. Kemudian hasil rata-rata setiap unit dijumlahkan secara
vektor horizontal kemudian dibagi 8 (8 merupakan jumlah unit
yang dijumlahkan secara vektor horizontal). Hal ini
dilakukan untuk setiap unit.
9. Kemudian hasil rata-rata setiap unit dijumlahkan secara
vektor vertikal kemudian dibagi 8 (8 merupakan jumlah unit
yang dijumlahkan secara vektor vertikal). Hal ini dilakukan
untuk setiap unit.
11. Hasil rata-rata edge vektor horizontal disimpan.
12. Hasil rata-rata edge vektor vertikal disimpan.
13. Sehingga didapat matriks hasil rata-rata keseluruhan edge,
rata-rata edge vektor vertikal, dan vektor horizontal
berukuran 1x80.
e. Penyimpanan informasi piksel rata-rata edge vektor horizontal dan
vektor vertikal.
Output: Matriks rata-rata edge vektor horizontal, dan vektor
vertikal berukuran 1x16.
Algoritma:

37
Canny.
7. Jumlah keseluruhan objek (satu) dalam setiap unit dibagi
dengan 625 (ukuran 25x25 piksel = 625), sehingga didapat
hasil rata-rata dalam satu unit. Hal ini dilakukan untuk
setiap unit.
dijumlahkan secara vektor horizontal). Hal ini dilakukan
untuk setiap unit.
dijumlahkan secara vektor vertikal). Hal ini dilakukan untuk
setiap unit.
12. Sehingga didapat matriks hasil rata-rata edge vektor
vertikal dan vektor horizontal berukuran 1x16.
f. Penyimpanan informasi piksel warna RGB, rata-rata keseluruhan edge,
rata-rata edge vektor horizontal, dan vektor vertikal.

38
Output: Matriks warna RGB, rata-rata keseluruhan edge, rata-rata
edge vektor horizontal, dan vektor vertikal berukuran 1x87.
Algoritma:
2. Hitung nilai rata-rata red, rata-rata green, rata-rata blue,
kadar red, kadar green, kadar blue, dan rata-rata hasil
rata-rata red, green, blue.
Canny.
8. Kemudian jumlah objek (satu) dalam setiap unit dibagi dengan
625 (ukuran 25x25 piksel = 625), sehingga didapat hasil
rata-rata dalam satu unit. Ini merupakan rata-rata
keseluruhan edge. Hal ini dilakukan untuk setiap unit.
dijumlahkan secara vektor horizontal). Ini merupakan rata-
rata edge vektor horizontal. Hal ini dilakukan untuk setiap
unit.
dijumlahkan secara vektor vertikal). Ini merupakan rata-rata
edge vektor vertikal. Hal ini dilakukan untuk setiap unit.

39
11. Hasil perhitungan warna RGB disimpan.
15. Sehingga didapat matriks hasil perhitungan warna, rata-rata
keseluruhan edge, rata-rata edge vektor vertikal, dan
horizontal berukuran 1x87.
3.3.2. Algoritma Perhitungan Metode Linear Discriminant Analysis
Input: Nilai hasil perhitungan feature.
Output: Fungsi diskriminan.
Algoritma:
1. Mengambil data nilai hasil perhitungan feature.
2. Menghitung mean setiap kelompok dan mean keseluruhan
kelompok (mean total).
3. Menghitung mean corrected data, yaitu pengurangan data nilai
hasil perhitungan feature dengan mean total.
4. Menghitung matriks covariance setiap kelompok.
5. Membentuk pooled within group covariance matrix (matriks
covariance total). Matriks yang terbentuk hanya 1 buah
matriks.
6. Hasil perhitungan dari langkah ke-5 diinverskan, maka nilai
matriks covariance total ini yang akan digunakan dalam
pembentukan dan perhitungan fungsi diskriminan.
7. Menghitung probabilitas vektor.
8. Membentuk fungsi diskriminan.

40
3.3.3. Algoritma Metode Evaluasi 5-Fold Cross Validation
Input: Angka pencocokan kemiripan.
Output: Akurasi pencocokan kemiripan.
Algoritma:
1. Membagi data keseluruhan citra motif batik menjadi 5
kelompok. Dengan asumsi: masing-masing kelompok terdiri dari
100 data citra motif batik (terdapat 25 motif batik untuk
satu jenis motif batik, sehingga tiap kelompok memiliki 5
buah anggota untuk satu jenis motif batik).
2. Secara bergantian 5 kelompok dijadikan data untuk proses
training dan testing (kelompok 2-4 untuk proses training,
kelompok 1 untuk proses testing ; kelompok 1, 3-5 untuk
training, kelompok 2 untuk testing, ; dan seterusnya).
3. Menjalankan proses training.
4. Menjalankan proses testing.
5. Membaca jumlah angka pencocokan kemiripan.
6. Membentuk tabel confusion matriks sebanyak 5.
7. Memasukkan angka pencocokan kemiripan untuk setiap motif
batik.
8. Membentuk tabel confusion matriks total.
9. Hitung jumlah data yang digunakan.
10. Hitung jumlah motif yang dikenali.
11. Hitung jumlah motif tak dikenali.
12. Hitung akurasi yaitu dengan secara diagonal nilai angka
kemiripan dijumlahkan kemudian dibagi banyaknya data motif
batik dikali 100%.
13. Nilai akurasi pencocokan kemiripan didapat.

41
3.3.4. Algoritma Proses Training
Input: Data feature motif batik.
Output: Fungsi diskriminan sebanyak 20.
Algoritma:
1. Membaca data feature motif batik.
2. Perhitungan dengan metode LDA.
3. Dari perhitungan metode LDA maka terbentuk fungsi
diskriminan sebanyak 20 (kelas (jenis motif batik) ada 20).
Fungsi ini digunakan untuk pembentukan model setiap jenis
motif batik.
3.3.5. Algoritma Proses Testing
Input: Data feature motif batik.
Output: Angka pencocokan kemiripan motif batik.
Algoritma:
1. Membaca data feature motif batik.
2. Memasukan angka data feature motif batik pada fungsi
diskriminan yang terbentuk.
3. Hasil dari perhitungan fungsi diskriminan tersebut dipilih
yang nilainya paling maksimal. Nilai maksimal ini yang
menentukan data testing yang dicoba tergolong jenis motif
batik yang mana dalam bentuk indeks.
4. Indeks motif batik dihitung sebagai jumlah data motif batik
yang dikenali.
5. Diperoleh angka pencocokan kemiripan.

42
3.3.6. Algoritma Fase Pengenalan Motif Batik
Input: Citra motif batik berukuran 200x200 piksel.
Output: Nama motif batik.
Algoritma:
1. Membaca citra motif batik masukan.
2. Menjalankan proses pembentukan feature.
3. Menjalankan proses training.
4. Menjalankan proses testing.
5. Indeks motif batik dicocokkan dengan kamus motif batik.
6. Nama motif batik dikenali.
3.3.7. Algoritma Fase Pengujian Akurasi
Input: Citra motif batik berukuran 200x200 piksel.
Output: Jumlah data, jumlah motif dikenali, jumlah motif tak
dikenali, dan akurasi pencocokan kemiripan.
Algoritma:
1. Menjalankan proses pembentukan feature.
2. Menjalankan proses metode evaluasi 5-fold cross validation.
3. Hasil yang diperoleh yaitu jumlah data, jumlah motif
dikenali, jumlah motif tak dikenali, dan akurasi.
3.4. Perancangan Fase Training
Pada perancangan fase training model motif batik Yogyakarta meliputi
langkah-langkah ekstraksi feature, pengolahan feature dan training. Fase ini
merupakan langkah pembuatan model karakter motif batik Yogyakarta yang akan
43
dijadikan pembanding dengan motif baru yang dimasukkan pada fase pengenalan.
Proses training model dapat dijelaskan sebagai berikut:
3.4.1 Ekstraksi Feature
a. Feature Warna
Ekstraksi feature warna pada motif batik Yogyakarta terdapat 7
macam feature yaitu rata-rata red (𝑅 ), rata-rata green (𝐺 ), rata-rata blue (𝐵 ),
kadar red (R), kadar green (G), kadar blue (B), dan rata-rata hasil rata-rata
red, green, blue (𝑅𝐺𝐵 ). Untuk penjabaran rata-rata tersebut sebagai berikut:
𝑚 𝑛
𝑖=1 𝑗 =1 𝑅 𝑖𝑗
𝑅= (3.1)
𝑚 ×𝑛
𝑚 𝑛
𝑖=1 𝑗 =1 𝐺𝑖𝑗 (3.2)
𝐺=
𝑚×𝑛
𝑚 𝑛
𝑖=1 𝑗 =1 𝐵𝑖𝑗 (3.3)
𝐵=
𝑚×𝑛
𝑅 (3.4)
𝑘𝑎𝑑𝑎𝑟 𝑅 =
𝑅+𝐺+𝐵
𝐺
𝑘𝑎𝑑𝑎𝑟 𝐺 = 𝑅 +𝐺 +𝐵 (3.5)
𝐵
𝑘𝑎𝑑𝑎𝑟 𝐵 = (3.6)
𝑅 +𝐺 +𝐵
𝑅 +𝐺 +𝐵
𝑅𝐺𝐵 = (3.7)
3
dimana, m merupakan banyaknya kolom dan n merupakan banyaknya baris.

44
b. Feature Edge Information
Pada feature edge information ini citra akan dikenakan proses deteksi
tepi (edge detection) dengan menggunakan metode canny. Penulis
menggunalan metode canny karena hasil deteksi tepi terlihat lebih jelas.
Feature edge information yang akan dicobakan yaitu rata-rata
keseluruhan edge yang akan menghasilkan matriks berukuran 1x64, rata-rata
vektor vertikal yang akan menghasilkan matriks berukuran 1x8, dan rata-rata
vektor horizontal yang akan menghasilkan matriks berukuran 1x8, gabungan
rata-rata edge vektor vertikal dan horizontal, gabungan rata-rata keseluruhan
edge 1x64 dengan rata-rata vektor vertikal dan horizontal, dan gabungan rata-
rata warna dengan rata-rata keseluruhan 1x64 dengan rata-rata vektor
horizontal dan vertikal.
1. Rata-rata keseluruhan yang berukuran 1x64.
Citra motif batik berukuran 200x200 piksel dibagi menjadi 8 vektor secara
horizontal dan vertikal, sehingga terdapat 64 unit. Setiap unit berukuran
25x25 piksel dihitung rata-rata (mean) sehingga akan menghasilkan
matriks persegi berukuran 8x8. Rumus untuk perhitungan rata-rata setiap
unit, yaitu
25 25
𝑖=1 𝑖=1 𝑃 𝑖𝑗
𝑅𝑡 = (3.8)
25×25
Rata-rata setiap unit ini berjumlah 64 yang akan dijadikan data input
dalam membentuk model.

45
1--------25 26-------50 51------75 76------100 ---------------------------------------- 176----200
1 Rt1 Rt2 Rt3 Rt4 Rt5 Rt6 Rt7 Rt8

25
26
Rt9 Rt10 Rt11 Rt12 Rt13 Rt14 Rt15 Rt16
50 Rt17 Rt18 Rt19 Rt20 Rt21 Rt22 Rt23 Rt24

|
| Rt25 Rt26 Rt27 Rt28 Rt29 Rt30 Rt31 Rt32
|
| Rt33 Rt34 Rt35 Rt36 Rt37 Rt38 Rt39 Rt40
|
|
|
|
|
|
|
|
200 Gambar3.3. Rata-rata keseluruhan edge
Keterangan:
Rt = hasil perhitungan rata-rata jumlah objek satu dibagi ukuran 1 unit berukuran
25x25 piksel.
2. Rata-rata vektor vertikal dan horizontal yang menghasilkan matriks 1x8
Citra berukuran 200x200 piksel dibuat menjadi 8 vektor secara horizontal
dan vertikal, sehingga terdapat 64 unit. Setiap unit berukuran 25x25
piksel. Kemudian setiap unit dihitung rata-rata sehingga akan
mendapatkan matriks persegi berukuran 8x8. Rumus perhitungan rata-rata
untuk setiap unit dapat dilihat pada rumus 2.8.

46
Satu vektor horizontal
E11 E12 E13 E14 E15 E16 E17 E18

E21 …. …. …. …. …. …. E28
E31 …. …. …. …. …. …. E38
Satu vektor
E41 …. …. …. …. …. …. E48 vertikal
E51 …. …. …. …. …. …. E58
E61 …. …. …. …. …. …. E68
E71 …. …. …. …. …. …. E78
Satu unit E81 E82 E83 E84 E85 E86 E87 E88
berukuran 25x25
Gambar3.4. Matriks persegi 8x8
Keterangan:
E = hasil perhitungan rata-rata jumlah object (satu) dibagi dengan ukuran satu unit
(25x25 piksel).
Vektor = penarikan garis.
Unit = 1 kotak hasil pembagian vektor.
Dari matriks persegi 8x8 di atas akan dilakukan penjumlahan dari rata-rata
setiap unit secara vektor vertikal dan vektor horizontal.
 Penjumlahan rata-rata secara vertikal:
Total1 = E11 + E21 + E31 + E41 + E51 + E61 + E71 + E81
Total2 = E12 + E22 + E32 + E42 + E52 + E62 + E72 + E82
.... …. ….
Total8 = E18 + E28 + E38 + E48 + E58 + E68 + E78 + E88
 Penjumlahan rata-rata secara horizontal:
Total1 = E11 + E12 + E13 + E14 + E15 + E16 + E17 + E18

47
Total2 = E21 + E22 + E23 + E24 + E25 + E26 + E27 + E28
………
Total8 = E81 + E82 + E82 + E84 + E85 + E86 + E87 + E88
3.4.2. Pengolahan Feature
Pada langkah pengolahan feature ini setiap karakter yang memiliki ciri
(feature) akan diolah dengan menggunakan metode Linear Discriminant
Analysis.
3.4.3. Training
Langkah training merupakan langkah pengolahan motif batik
Yogyakarta menjadi suatu fungsi model yang digunakan untuk mewakili satu
motif batik Yogyakarta. Proses training menggunakan metode Linear
Discriminant Analysis. Hasil dari perhitungan fungsi diskriminan yang
terbentuk akan dipilih yang bernilai maksimum, dalam kasus ini hasil
perhitungan fungsi diskriminan berjumlah 25 untuk setiap kelompok motif
batik (terdapat 20 kelompok), dari 25 hasil perhitungan ini akan dipilih nilai
maksimal untuk mewakili satu kelompok motif batik, sehingga akan diperoleh
20 hasil perhitungan fungsi diskriminan untuk 20 motif batik Yogyakarta.
Nilai maksimum ini yang akan menjadi model untuk setiap kelompok motif
batik. Pengkategorian motif batik pada langkah ini ditentukan oleh langkah
ekstraksi feature.
48
3.5. Perancangan Fase Pengenalan (Testing)
Perancangan fase pengenalan motif batik Yogyakarta meliputi langkah
ekstraksi feature, pengolahan feature dan pencocokan kemiripan. Pada fase ini motif
batik Yogyakarta akan diuji untuk dikenali polanya oleh sistem. Langkah-langkah
tersebut dapat dijelaskan sebagai berikut:
3.5.1. Ekstraksi Feature
Langkah ekstraksi feature pada proses testing ini hampir sama pada
proses training.
3.5.2. Pengolahan Feature
Pada langkah pengolahan feature ini setiap pola yang memiliki ciri
(feature) akan diolah dengan menggunakan metode Linear Discriminant
Analysis.
3.5.3. Pencocokan Kemiripan
Langkah pencocokan kemiripan ini merupakan langkah pencocokan
model berupa fungsi-fungsi diskriminan yang memodelkan 20 pola motif
batik yang sebelumnyag telah diproses pada fase training dengan
menggunakan metode Linear Discriminant Analysis. Hasil yang didapat dari
pencocokan kemiripan berupa hasil perhitungan fungsi diskriminan model
input dengan model yang ada dalam sistem. Untuk menentukan model yang
diinputkan termasuk dalam kelompok mana yaitu angka hasil perhitungan
yang paling mendekati dengan salah satu model.

49
3.6. Perancangan Proses Evaluasi
Langkah evaluasi merupakan langkah pengujian akurasi metode Linear
Discriminant Analysis dalam mengenali motif batik Yogyakarta. Proses evaluasi
menggunakan metode 5-fold cross validation dengan confusion matrix. Proses
evaluasi dilakukan pada setiap motif batik Yogyakarta yang hasil pengenalannya
disimpan dalam sebuah matriks confusion matrix. Pengujian akurasi terhadap masing-
masing motif batik Yogyakarta dapat dijelaskan sebagai berikut:
1. Penentuan lima kelompok matif batik Yogyakarta
Terdapat masing-masing 25 model untuk satu motif batik
Yogyakarta untuk satu pengujian akurasi. 25 model ini dibagi menjadi 5
kelompok data yang diberi label “motifbatik_1” sampai “motifbatik_5”.
Motif Parang Barong 1-5 Parang Barong_1
Gambar3.5. Contoh pengelompokan motif batik untuk proses evaluasi

50
2. Pengujian akurasi
Terdapat dua langkah dalam pengujian akurasi, yaitu langkah training dan
testing. Langkah training untuk membentuk model, sedangkan langkah
testing digunakan untuk menguji pengenalan motif batik.
3. Penentuan confusion matrix
Matriks ini menyediakan informasi angka pencocokan kemiripan
pengenalan motif batik untuk setiap motif batik yang telah diuji pada
langkah pengujian akurasi. Setelah melalui proses testing maka angka
pencocokan kemiripan dapat dimasukan ke dalam tabel ini.
Tabel 3.1. Contoh tabel confusion matriks
Motif
a b c d e f g h i j k l m n o p q r s t
batik
a x x x x x x x x x x x x x x x x x x x x
b x x x x x x x x x x x x x x x x x x x x
c x x x x x x x x x x x x x x x x x x x x
d x x x x x x x x x x x x x x x x x x x x
e x x x x x x x x x x x x x x x x x x x x
f x x x x x x x x x x x x x x x x x x x x
g x x x x x x x x x x x x x x x x x x x x
h x x x x x x x x x x x x x x x x x x x x
i x x x x x x x x x x x x x x x x x x x x
j x x x x x x x x x x x x x x x x x x x x
k x x x x x x x x x x x x x x x x x x x x
l x x x x x x x x x x x x x x x x x x x x
m x x x x x x x x x x x x x x x x x x x x
n x x x x x x x x x x x x x x x x x x x x
o x x x x x x x x x x x x x x x x x x x x
51
p x x x x x x x x x x x x x x x x x x x x
q x x x x x x x x x x x x x x x x x x x x
r x x x x x x x x x x x x x x x x x x x x
s x x x x x x x x x x x x x x x x x x x x
t x x x x x x x x x x x x x x x x x x x x
Keterangan:
x = angka pencocokan j = Parang Keris
kemiripan k = Parang Kusumo Ukel
a = Ceplok Kece l = Parang Curigo
b = Kawung Galar m = Parang Klitik
c = Nitik Cengkeh n = Parang Kembang Sawut Cecek
d = Parang Barong o = Ceplok Dempel
e = Parang Pancing p = Kawung Kembang Cempoko Hitam
f = Parisewuli Seling Pamor q = Kawung Picis
g = Trumtum r = Lereng Kusuma
h = Tambal s = Parang Kawung Picis
i = Parang Tuding t = Parang Kunci
4. Perhitungan angka akurasi
Angka akurasi dapat dihitung dengan cara menjumlahkan hasil
pengenalan diagonal dari confusion matrix dibagi dengan keseluruhan
jumlah pengujian.
𝑝𝑒𝑛𝑔𝑒𝑛𝑎𝑙𝑎𝑛 𝑝𝑎𝑑𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑐𝑜𝑛𝑓𝑢𝑠𝑖𝑜𝑛 𝑚𝑎𝑡𝑟𝑖𝑥

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% (3.9)
𝑚𝑜𝑑𝑒𝑙 𝑚𝑜𝑡𝑖𝑓 𝑏𝑎𝑡𝑖𝑘
52
3.7. Perancangan Antar Muka
Alat bantu pengenalan motif batik Yogyakarta memiliki 3 halaman utama
yaitu halaman home, halaman pengenalan motif batik Yogyakarta, dan halaman
pengujian LDA. Terdapat beberapa halaman berisi informasi mengenai sistem yaitu
pada halaman Linear Discriminant Analysis (LDA), About, dan Help.
3.7.1. Halaman Home
Gambar3.6. Rancangan halaman Home sistem pengenal motif batik Yogyakarta
Rancangan halaman „Home‟ berisi pengenalan mengenai judul
program dan identitas penulis.

53
3.7.2. Halaman Pengenalan Motif Batik Yogyakarta
Gambar3.7. Rancangan halaman pengenalan motif batik Yogyakarta
Pada halaman pengenalan motif batik Yogyakarta pengguna dapat
memasukkan citra motif batik hasil pindai dengan menggunakan tombol
„Browse‟, kemudian citra motif batik akan terlihat pada kotak „Preview‟.
Proses pengenalan citra motif batik akan dimulai setelah menekan tombol
„OK‟ yang terletak di kanan bawah dalam kotak preview. Kotak „Proses‟ akan
menampilkan jalannya proses pengenalan motif batik dengan menggunakan
metode LDA. Hasil ekstraksi feature dan perhitungan kemiripan dari citra
motif batik akan ditampilkan pada kotak „Hasil‟.

54
3.7.3. Halaman Pengujian LDA
Gambar3.8. Rancangan halaman pengujian LDA sistem pengenal motif batik
Halaman Pengujian LDA ini merupakan halaman pengujian citra motif
batik hasil pindai dengan menggunakan metode Linear Discriminant Analysis.
Pengguna akan melihat jalannya proses pengenalan dengan memasukkan
parameter berupa feature dari citra motif batik yang akan dilakukan pengujian
kemudian menekan tombol „Test the LDA‟. Data hasil pengenalan citra motif
batik akan terlihat pada kotak „Hasil‟.
3.7.4. Halaman Konsep Linear Discriminant Analysis
Gambar3.9. Rancangan halaman konsep LDA

55
Halaman konsep LDA berisi tentang metode-metode yang digunakan
dalam sistem pengenalan motif batik Yogyakarta ini. Metode yang digunakan
yaitu Linear Discriminant Analysis dan 5-fold cross validation. Pengguna
dapat memilih metode-metode yang ada pada kotak „Daftar Isi‟, kemudian
sistem akan merespon dengan menampilkan informasi pada kotak „Deskripsi‟.
3.7.5. Halaman Identitas Program (About)
Gambar3.10. Rancangan halaman identitas program (about)
Halaman identitas program ini berisi informasi indentitas program
bagi pengguna tentang sistem pengenal motif batik Yogyakarta
3.7.6. Halaman Bantuan (Help)
Gambar3.11. Rancangan halaman bantuan (help)

56
Halaman bantuan (help) berisi tentang cara penggunaan sistem
pengenal motif batik Yogyakarta ini. Pengguna dapat memilih salah satu
menu yang ada pada kotak „Daftar Isi‟ kemudian sistem akan memberikan
informasi tentang halaman sistem beserta fungsi-fungsinya.

BAB IV
IMPLEMENTASI DAN ANALISA SISTEM
Bab ini akan membahas hasil implementasi sistem berupa hasil tangkapan
tampilan tampilan antar muka sistem, pembahasan algoritma yang digunakan dalam
tugas akhir ini, serta hasil penelitian yang merupakan bagian terpenting dari bab ini.
Bagian pertama akan membahas implementasi sistem. Pembahasan ini disertai
juga dengan penjelasan penggunaan tombol dan menu untuk setiap halaman.
Sedangkan dalam bagian kedua berisi penjelasan algoritma beserta kompleksitasnya.
Bagian akhir membahas hasil penelitian untuk setiap percobaan yang
dilakukan. Hasil penelitian ini dituangkan dalam tabel hasil akurasi yang disertai
confusion matriks untuk akurasi terbaik.
4.1. Implementasi Antar Muka yang Digunakan pada Sistem
4.1.1. Halaman Utama
Pada halaman utama, terdapat identitas dan tujuan pembuatan prototipe
sistem pengenalan motif batik Yogyakarta. Terdapat 3 menu editor dan 2 menu
push button, yaitu:
28
57
58
1. Menu Editor Konsep Metode
Menu editor ini berfungsi menampilkan halaman pengenalan konsep Linear
Discriminant Analysis dan konsep 5-fold cross validation yang digunakan
dalam pengenalan motif batik Yogyakarta.
2. Menu Editor About
Menu teks ini berfungsi menampilkan halaman identitas program dan
pembuatnya.
3. Menu Editor Help
Menu berfungsi menampilkan halaman panduan dalam menggunakan fungsi
pengenalan dan pengujian metode LDA.
4. Menu Push Button Fase Pengenalan Batik
Menu yang menampilkan halaman pengenalan motif batik Yogyakarta.
5. Menu Push Button Fase Pengujian Batik
Menu yang berfungsi menampilkan halaman pengujian metode Linear
Discriminant Analysis dalam melakukan training dan testing data motif batik
Yogyakarta.
59
Gambar4.1. Halaman utama (Home) sistem pengenalan motif batik Yogyakarta

60
4.1.2. Halaman Pengenalan Motif Batik Yogyakarta
Gambar4.2. Halaman fase pengenalan motif batik Yogyakarta
Gambar4.3. Kotak file selector untuk mengambil gambar

61
Gambar4.4. Peringatan tidak ada file yang dipilih
Halaman pengenalan motif batik Yogyakarta merupakan
halaman yang berfungsi membaca motif batik Yogyakarta yang
dimasukkan lewat tombol browse. Pengguna dapat memasukkan
gambar yang dipilih melalui jendela file selector yang muncul ketika
tombol browse ditekan. Jika tidak ada file yang dipilih, maupun terjadi
kesalahan pembacaan data, maka akan muncul kotak peringatan
seperti pada gambar4.4.
Button “Process” digunakan untuk menjalankan proses
pengenalan citra masukan, yaitu mulai dari pembuatan feature,
pengenalan dengan metode Linear Discriminant Analysis, dan
pencocokan kemiripan.
Kotak ”Process” merupakan jendela untuk memantau
perkembangan pengenalan motif batik Yogyakarta. Dalam kotak ini
terdapat langkah-langkah proses pengenalan motif batik Yogyakarta.
Hasil pengenalan berupa teks nama motif batik yang dapat langsung
dilihat pada kotak “Output”.

62
Dalam kotak ”Process” menampilkan langkah pengenalan
motif, mulai dari pembentukan feature dan pencocokan model yang
telah dibentuk pada langkah training. Angka kecocokan berupa angka
probabilitas yang memiliki angka kemiripan terbaik. Dalam kotak ini
ditunjukkan pula hasil perhitungan metode analisis dikriminan.
4.1.3. Halaman Pengujian Linear Discriminant Analysis
Gambar4.5. Halaman fase pengujian Linear Discriminant Analysis
Halaman pengujian akurasi merupakan halaman yang
mempresentasikan proses pengujian akurasi metode analisis
diskriminan. Pengguna dapat memilih jenis feature yang ingin diuji
pada pop up menu feature. Button “Uji LDA” digunakan untuk
menjalankan proses pengujian akurasi.
Proses pengujian ini dapat dilihat pada kotak “Process”. Kotak
ini menampilkan detail proses pembentukan feature, pembuatan

63
model, lima langkah training, dan juga etimasi waktu proses
pembuatan feature.
Langkah training dan testing dilakukan sebanyak lima kali,
sesuai dengan metode 5-fold cross validation. Hasil pengujian ini
dapat dilihat pada kotak “Hasil”. Kotak ini menampilkan jumlah data
yang masuk dalam proses pengujian LDA, jumlah motif yang dikenali,
jumlah motif yang tidk dikenali, serta prosentase akurasi.
4.1.4. Halaman Konsep Metode
Halaman konsep metode berfungsi menginformasikan konsep dasar
metode yang digunakan dalam pengenalan motif batik Yogyakarta. Terdapat 2
menu teks pada halaman konsep metode ini yaitu menu teks Linear
Discriminant Analysis dan 5-fold cross validation.
1. Menu Teks Linear Discriminant Anlaysis
Memberikan informasi deskripsi tentang metode Linear Discriminant
Analysis.
64
Gambar4.6. Halaman penjelasan konsep metode Linear Discriminant Analysis
2. Menu Teks 5-fold cross validation
Mengaktifasi halaman yang berisi deskripsi metode 5-fold cross
validation. Dalam menu teks ini terdapat tombol “Gambar” yang berisi
bagan pengujian metode 5-fold cross validation. Pada halaman bagan
konsep metode -fold cross validation terdapat tombol ”Home” yang
berfungsi untuk kembali ke halaman utama.

65
Gambar4.7. Halaman penjelasan konsep metode 5-Fold Cross Validation
Gambar4.8. Bagan metode 5-Fold Cross Validation

66
4.1.5. Halaman About
Halaman about berisi informasi detail program, yaitu aplikasi yang
digunakan dalam membangun program, beserta hak cipta program ini.
Gambar4.9. Halaman About
4.1.6. Halaman Bantuan (Help)
Halaman ini berisi informasi untuk menggunakan fasilitas pengenalan
dan pengujian motif batik Yogyakarta. Terdapat dua bagian yaitu halaman
bantuan untuk fase pengenalan dan fase pengujian dengan menggunakan
menu teks editor, yaitu:
1. Halaman Bantuan Fase Pengenalan
Halaman bantuan ini berisi informasi mengenai fase pengenalan motif
batik Yogyakarta. Penjelasan yang diberikan yaitu fungsi masing-masing
tombol yang terdapat dalam halaman fase pengenalan motif batik
Yogyakarta.
67
Gambar4.10. Halaman bantuan fase pengenalan motif batik Yogyakarta
2. Halaman Bantuan Fase Pengujian LDA
Halaman ini mengaktifasi halaman bantuan yang berisi informasi
mengenai fase pengujian metode Linear Discriminant Analysis dalam
menangani motif batik Yogyakarta. Penjelasan yang diberikan yaitu
fungsi masing-masing tombol yang terdapat dalam halaman fase
pengenalan motif batik Yogyakarta.
Gambar4.11. Halaman bantuan fase pengujian motif batik Yogyakarta

68
4.2. Hasil Penelitian
Pada penelitian ini, dicobakan beberapa variasi data, berupa keberbedaan
bentuk feature. Motif batik Yogyakarta diolah menjadi 6 feature yang berbeda untuk
mendapatkan angka akurasi pada masing-masing percobaan. Hasil dari tiap
percobaan ialah data angka akurasi dan confusion matrix dari akurasi terbaik.
a. Percobaan I
Daftar komponen percobaan:
 20 jenis motif batik Yogyakarta, yaitu Ceplok Kece, Kawung
Galar, Nitik Cengkeh, Parang Barong, Parang Pancing, Parisewuli
Seling Pamor, Truntum, Tambal, Parang Tuding, Parang Keris,
Parang Kusumo Ukel, Parang Curigo, Parang Klitik, Parang
Kembang Sawut Cecek, Ceplok Dempel, Kawung Kembang
Cempoko Hitam, Kawung Picis, Lereng Kusumo, Parang
Kawung Picis, dan Parang Kunci.
 Setiap jenis motif batik memiliki 25 data motif, sehingga total
terdapat 20x25= 500 motif batik.
 Motif batik berukuran 200x200 piksel biner (0 dan 1).
 Motif batik dibagi menjadi 8 vektor vertikal dan 8 vektor
horizontal sehingga terdapat 64 unit masing-masing unit
berukuran 25x25 piksel, kemudian setiap unit dijumlahkan objek
(satu) kemudian dirata-rata, sehingga akan mendapatkan matriks
berukuran 8x8. Kemudian dilakukan perhitungan rata-rata tiap

69
baris (vektor horizontal) sehingga akan menghasilkan rata-rata
edge horizontal berukuran 1x8.
Hasil Percobaan I:
Angka akurasi pada feature rata-rata horizontal = 36.4 %
b. Percobaan II
Cempoko Hitam, Kawung Picis, Lereng Kusumo, Parang Kawung
Picis, dan Parang Kunci.
horizontal sehingga terdapat 64 unit masing-masing unit berukuran
25x25 piksel, kemudian setiap unit dijumlahkan objek (satu)
kemudian dirata-rata, sehingga akan menghasilkan matriks rata-
rata keseluruhan edge berukuran 1x64.

70
Hasil Percobaan II:
Angka akurasi feature rata-rata seluruh edge = 34.8 %
c. Percobaan III
kolom (vektor vertikal) sehingga akan menghasilkan rata-rata
edge vertikal 1x8.

71
Hasil Percobaan III:
Angka akurasi untuk feature rata-rata vertikal = 26.6 %.
d. Percobaan IV
Data komponen percobaan:
baris (vektor horizontal) dan tiap kolom (vektor vertikal) sehingga

72
akan menghasilkan rata-rata keseluruhan edge, rata-rata edge
horizontal dan vertikal berukuran 1x80.
Hasil Percobaan IV:
Angka akurasi untuk feature gabungan rata-rata keseluruhan edge,
rata-rata horizontal dan vertikal = 8.6 %.
e. Percobaan V

73
baris dan kolom sehingga akan menghasilkan rata-rata edge
vertikal dan horizontal berukuran 1x16.
Hasil Percobaan V:
Angka akurasi untuk feature gabungan rata-rata vertikal dan
horizontal = 9.4 %.
f. Percobaan VI
 Motif batik dihitung warna dengan menghitung rata-rata Red,
Blue, dan Green, rata-rata RGB. Dibagi menjadi 8 vektor vertikal
dan 8 vektor horizontal sehingga terdapat 64 unit masing-masing

74
unit berukuran 25x25 piksel, kemudian setiap unit dijumlahkan
objek (satu) kemudian dirata-rata, sehingga akan mendapatkan
matriks berukuran 8x8. Kemudian dilakukan rata-rata tiap baris
(vektor vertikal) dan tiap kolom (vektor horizontal), sehingga
akan mendapatkan matriks perhitungan warna, rata-rata
keseluruhan edge, rata-rata edge vertikal dan horizontal
berukuran 1x87.
Hasil Percobaan VI:
Angka akurasi untuk feature gabungan warna, rata-rata keseluruhan,
rata-rata horizontal dan vertikal = 8.4 %.
g. Percobaan VII

75
horizontal sehingga terdapat 64 unit masing-masing unit berukuran
25x25 piksel, kemudian setiap unit dijumlahkan objek (satu) untuk
setiap kolom, maka akan menghasilkan matriks 1x25 dalam satu
unit. Hasil penjumlahan tersebut dipilih yang bernilai maksimal,
sehingga satu unit terdapat satu nilai penjumlahan edge maksimal
maka keseluruhan menghasilkan mastriks 1x64.
Hasil Percobaan VI:
Angka akurasi untuk feature perhitungan matriks norm = 4 %.

BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
1. Penelitian ini menggunakan data berupa 500 motif batik Yogyakarta yang
telah dikenakan proses training dan testing dengan metode Linear
Discriminant Analysis, dan evaluasi menggunakan metode 5-fold cross
validation. Pengujian akurasi dilakukan terhadap 6 feature. Dari percobaan,
didapati bentuk feature terbaik dalam pengenalan motif batik Yogyakarta
dengan metode Linear Discriminant Analysis yaitu feature rata-rata edge
horizontal, dengan akurasi sebesar 36.4%. Hasil dari pengujian tersebut
dapat dirangkum sebagai berikut:
Tabel 5.1. Rangkuman hasil percobaan
Jenis feature Akurasi (%)

Rata-rata horizontal (1x8 H) 36.4%
Rata-rata keseluruhan edge (64) 34.8%
Rata-rata vertikal (1x8 V) 26.6%
Gabungan rata-rata vertikal dan horizontal 9.4%
Gabungan rata-rata keseluruhan edge, vertikal
8.6%
dan horizontal
Gabungan rata-rata warna, keseluruhan edge,

8.4%
vertikal dan horizontal
76
77
2. Dari hasil pengujian, pengenalan motif batik Yogyakarta dengan metode
Linear Discriminant Analysis dalam menangani data diskret berupa motif
batik Yogyakarta menggunakan 6 bentuk feature di atas relatif kurang baik,
dibuktikan dari hasil akurasi yang kurang baik sekitar 30%.
3. Pengambilan dan pengolahan data motif batik yang kurang maksimal juga
menjadi salah satu penyebab yang mempengaruhi angka akurasi. Warna
motif batik cenderung gelap sehingga pada saat pengolahan feature nilai
yang dihasilkan saling mendekati antara motif batik yang satu dan yang
lainnya.
4. Pengenalan dan pengujian metode Linear Discriminant Analysis dalam
menangani motif batik Yogyakarta membutuhkan langkah-langkah:
- Ekstraksi feature dan pencarian bentuk feature terbaik.
- Membaca hasil dari ekstraksi feature yang nantinya akan dihitung
dalam fungsi analisis diskriminan.
- Membuat model untuk 20 motif batik yang didapat dari perhitungan
fungsi analisis diskriminan.
- Pencocokan kemiripan data masukan dengan model yang telah
dibentuk yaitu dengan membandingkan hasil perhitungan fungsi
diskriminan data masukan dengan model hasil perhitungan fungsi
diskriminan 20 motif batik. Jika angka hasil perhitungan data masukan
mendekati dengan angka hasil perhitungan data model, maka data

78
masukan akan masuk ke kelompok yang angkanya mendekati dengan
model.
5. Evaluasi angka akurasi dapat dihitung dengan algoritma 5-fold cross
validation. Metode evaluasi ini membagi data menjadi 5 bagian, yang
mana 4 bagian menjadi data training dan 1 bagian menjadi data testing.
Algoritma 5-fold cross validation menghasilkan sebuah confusion matrix.
Angka akurasi keseluruhan didapat dari perhitungan diagonal dari
confusion matrix tersebut.
5.2. Saran
Beberapa saran yang dapat diuraikan dalam pengenalan motif batik
Yogyakarta yang didapati pada penelitian ini, yaitu:
1. Penelitian tentang pengenalan motif batik Yogyakarta ini masih sebatas pada
pengenalan 20 motif batik Yogyakarta, sehingga diperlukan studi lanjut untuk
menangani beberapa motif batik Yogyakarta dan terlebih lagi untuk menangani
batik luar Yogyakarta.
2. Pengambilan data citra motif batik Yogyakarta yang kurang maksimal menjadi
salah satu penyebab nilai akurasi tidak tinggi. Dalam pengolahan data motif batik
tidak ada proses image enhancement, yaitu proses perbaikkan peningkatan warna
kontras suatu image. Warna citra motif batik yang diambil cenderung gelap,
sehingga nilai yang dihasilkan dalam proses pengolahan feature sebagian besar
79
mendekati antara motif batik yang satu dan yang lainnya. Oleh karena itu, proses
image enhancement dan proses cropping yang pas sangat penting dalam proses
pengambilan data citra motif batik.
3. Hasil akurasi yang tidak tinggi (sekitar 30%) juga karena feature yang digunakan
masih kurang tepat dalam menangani pengenalan motif batik Yogyakarta ini.
Seluruh kemungkinan feature harus dicoba untuk menghasilkan akurasi LDA
yang terbaik.
80
DAFTAR PUSTAKA
Abdullah. (2007). Pengembangan Sistem Identifikasi Buah-Buahan Menggunakan
Ciri Bentuk. Mean dan Standar Deviasi Warna. Jurnal Teknologi industry Vol.
XI: 237-244.
Hamzahan, A., Santosa, G., dan Widiarto, W. (2002), Klasifikasi Objek dalam Visi
Komputer dengan Analisis Diskriminan, 1 – 3.
Hariani, Meika P. (2007), Pengenalan Wajah Manusia Menggunakan Transformasi
Wavelet dan LDA (Linear Discriminant Analysis),1.
Indira, Merly., dkk. (2008). Perbandingan Metode Pendeteksi tepi Studi Kasus: Citra
USG Janin, 2 - 3.
Ginting, Elias Dianta. (2009). Deteksi Tepi Menggunakan metode Canny dengan
Matlab untuk Membedakan Uang Asli dan Uang Palsu, 1 – 5.
Johnson, R. A. and Wichern, D. W. (1998), Applied Multivariate Statistical Analysis,
Prentice Hall, Fourth Edition.
Li, C., Cao, Q., dan Guo, F. 2009. A Method for Color Classification of FruitsBased
on Machine Vision. Shanghai: Shanghai Jiao Tong University.
Lim, Resmana. (2002), Pengenalan Karakter Tulisan Tangan Menggunakan Ekstrasi
Fitur PCA dan LDA, 1 – 2.
Mei Chan, L., Tan, R., dan Thio, G. 2007. Design of Visual-based Color
Classification System, School of Engineering, UCSI.

81
RiyNto Sigit, dkk. (2002), Aplikasi Neural Network pada Pengenalan Pola Tanda
Tangan, Institut Teknologi Sepuluh November, Surabaya, Indonesia.
Santosa, Budi. (2007), Data Mining Teknik Pemanfaatan Data untuk Keperluan
Bisnis, Graha Ilmu, Yogyakarta, 57 – 66.
Surahman, Adhi, (2006). Penyembunyian Teks pada Citra Dua Warna Menggunakan
Steganografi, Politeknik Elektronika Negeri, Surabaya, Indonesia.
Wastu, Phalita Nari. (2009), Pengenalan Aksara Jawa Menggunakan Metode Hidden
Markov Models.
Witten, Frank. (2005), Data Mining: Practical machine learning Tools and
Techinigues.
Wongtapan, C., Theeramunkong, T., and Sinthupinyo, S. 2001. Off-line Isolated
Handwritten Thai OCR Using Islandbased Projection with N-gram Models and
HMM. IEE.
http://people.revoledu.com/kardi/tutorial/LDA/LinearDiscriminantAnalysis(LDA)
Tutorial.html. Diakses pada tanggal: 31 Mei 2010.

LAMPIRAN I
CODING PROGRAM
82
1. Listing program hal_fase_pengenalan.m
function varargout = hal_fase_pengenalan(varargin)

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn',
@hal_fase_pengenalan_OpeningFcn, ...
'gui_OutputFcn',
@hal_fase_pengenalan_OutputFcn, ...
'gui_LayoutFcn', [], ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
function hal_fase_pengenalan_OpeningFcn(hObject, eventdata,

handles, varargin)
handles.output = hObject;
guidata(hObject, handles);
function varargout = hal_fase_pengenalan_OutputFcn(hObject,

eventdata, handles)
varargout{1} = handles.output;
function button_browse_Callback(hObject, eventdata, handles)

set(handles.textFeature,'string','');
set(handles.text6,'string','');
set(handles.textDikenal,'string','');
[filename, pathname] = uigetfile({'*.jpg'}, 'File Selector');

charfilename = char(filename);
if isequal(filename,0)|isequal(pathname,0)
errordlg('File not found.','Warning');
end;
set(handles.edit_browse,'string',charfilename);
83
image_file = get(handles.edit_browse,'String'); % Get the string

inputs in the inEdit
current_data1=imread(char(image_file)); %read the image
if ~isequal(filename, 0)
handles.data1 = imread(fullfile(pathname, filename));
handles.current_data1=handles.data1;
axes(handles.gambar);
imshow(handles.current_data1);
else
return;
end
function edit_browse_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function edit_browse_Callback(hObject, eventdata, handles)
function pushbutton_proses_Callback(hObject, eventdata, handles)

image_file=get(handles.edit_browse,'String'); %Get the string

inputs in the inEdit
nama_file=char(image_file);
display(nama_file);
if ~isempty(image_file)
set(handles.textFeature,'string','Sedang membentuk
feature...');
createFeatureTest(nama_file);
test2;
set(handles.text6,'string','Mencocokan dengan model...');
LDA_test;
end;
84
2. Listing program hal_ pengujian.m
function varargout = hal_pengujian(varargin)

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @hal_pengujian_OpeningFcn,
...
'gui_OutputFcn', @hal_pengujian_OutputFcn,
...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
function hal_pengujian_OpeningFcn(hObject, eventdata, handles,

varargin)
handles.output = hObject;
function varargout = hal_pengujian_OutputFcn(hObject, eventdata,

handles)
varargout{1} = handles.output;
function popupmenuFeature_Callback(hObject, eventdata, handles)

set(handles.textProses,'string','');
set(handles.textProses2,'string','');
set(handles.textJumData,'string','');
set(handles.textTakDikenal,'string','');
set(handles.textAkurasi,'string','');
function popupmenuFeature_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
85
function pushbuttonUjiLDA_Callback(hObject, eventdata, handles)

set(handles.textProses,'string','');
set(handles.textJumData,'string','');
set(handles.textTakDikenal,'string','');
set(handles.textAkurasi,'string','');
selected_cmd = get(handles.popupmenuFeature,'Value');
set(handles.text23,'string','Sedang membentuk feature, mohon
tunggu...');
pause (1);
switch selected_cmd;
case 1 % user selected feature 1x64
tic
createFeature1x64;
toc
waktu = toc;
array=[num2str(waktu) 'detik'];
pause (1);
set(handles.text40,'string',array);
pause (1);
set(handles.textFeature,'string','Feature rata-rata edge
berhasil dibuat.');
readSemuaDirektori_1x64;
set(handles.textProses,'string','Sedang memproses fase
pengujian...');
pause (1);
TrainingLDA_1x64;
jumlahTotalConfusion;
pause (1);
set(handles.textProses3,'string','Seluruh training
selesai...');
set(handles.textProses4,'string','Proses fase pengujian
selesai.');
case 2 % user selected feature 1x8 Horizontal (H)

tic
createFeature1x8_H;
toc
waktu = toc;
pause (1);
pause (1);
Horizontal (H) berhasil dibuat.');
86
readSemuaDirektori_1x8H;
pengujian...');
pause (1);
TrainingLDA_Horizontal;
pause (1);
selesai...');
selesai.');
case 3 % user selected feature 1x8 Vertikal (V)

tic
createFeature1x8_V;
toc
waktu = toc;
pause (1);
pause (1);
Vertikal (V) berhasil dibuat.');
pause (1);
readSemuaDirektori_1x8V;
pengujian...');
pause (1);
TrainingLDA_Vertikal;
pause (1);
selesai...');
selesai.');
case 4 % user selected feature 1x8H_1x8V

tic
createFeature1x8_V_H();
toc
waktu = toc;
pause (1);
pause (1);
set(handles.textFeature,'string','Feature rata-rata
vertikal dan horizontal berhasil dibuat.');
pause (1);
readSemuaDirektori_1x8VH;
set(handles.textProses,'string','Sedang memproses
fasepengujian...');
87
pause (1);
TrainingLDA_VH;
pause (1);
selesai...');
selesai.');
case 5 % user selected feature 1x64_1x8H_1x8V

tic
createFeature1x64_H_V();
toc
waktu = toc;
pause (1);
pause (1);
set(handles.textFeature,'string','Feature gabungan rata-
rata edge dan rata-rata vertikal horizontal berhasil dibuat.');
pause (1);
readSemuaDirektori_1x64_1x8VH;
pengujian...');
pause (1);
TrainingLDA_1x64_VH;
pause (1);
selesai...');
selesai.');
case 6 % user selected feature Warna_1x8H_1x8V_1x64

tic
createFeatureWarna_H_V();
toc
waktu = toc;
pause (1);
pause (1);
set(handles.textFeature,'string','Feature warna,rata-rata
edge,dan rata-rata vertikal horizontal berhasil dibuat.');
pause (1);
readSemuaDirektori_warna_1x64_1x8VH;
pengujian...');
pause (1);
TrainingLDA_warna1x64_VH;
88
pause (1);
selesai...');
selesai.');
end
3. Listing program createFeature1x64.m

function createFeature1x64()
dirData={'data_1'; 'data_2'; 'data_3'; 'data_4'; 'data_5'; ...

'data_6'; 'data_7'; 'data_8'; 'data_9'; 'data_10'; ...
'data_16'; 'data_17'; 'data_18'; 'data_19'; 'data_20';};
for m=1:length(dirData)
%masuk ke direktori dan membaca file
cd(dirData{m});
fileJpg = dir('*.jpg'); %ambil file *.jpg
jum_jpg = length(fileJpg);
for n=1:length(fileJpg)
batik = imread(fileJpg(n).name);
info=[];
gray=rgb2gray(batik);
motif = edge(gray, 'canny'); %deteksi tepi menggunakan canny
tinggi=size(motif,1);
lebar=size(motif,2);
%penghitung kepadatan
sum1=0; sum2=0; sum3=0; sum4=0; sum5=0; sum6=0; sum7=0; sum8=0;
sum9=0; sum10=0; sum11=0; sum12=0; sum13=0; sum14=0; sum15=0;
sum16=0;
sum24=0;
sum32=0;
sum40=0;
sum48=0;
sum56=0;
sum64=0;
obyek = 1;
for i=1:25
for j=1:25
if (motif(i,j)==obyek) sum1=sum1+1; end %tambahkan 1 tiap
89
menemukan obyek
end
end
for i=1:25
for j=26:50
if (motif(i,j)==obyek) sum2=sum2+1; end
end
end
for i=1:25
for j=51:75
end
end
for i=1:25
for j=76:100
end
end
for i=1:25
for j=101:125
end
end
for i=1:25
for j=126:150
end
end
for i=1:25
for j=151:175
end
end
for i=1:25
for j=176:200
end
end
mean1=sum1/625; mean2=sum2/625; mean3=sum3/625; mean4=sum4/625;

for i=26:50
for j=1:25
menemukan obyek
end
end
for i=26:50
for j=26:50
90

end
end
for i=26:50
for j=51:75
end
end
for i=26:50
for j=76:100
end
end
for i=26:50
for j=101:125
end
end
for i=26:50
for j=126:150
end
end
for i=26:50
for j=151:175
end
end
for i=26:50
for j=176:200
end
end
mean9=sum9/625; mean10=sum10/625; mean11=sum11/625;

mean12=sum12/625;
mean16=sum16/625;
for i=51:75
for j=1:25
menemukan obyek
end
end
......
for i=51:75
for j=176:200
91
end
end

mean20=sum20/625;
mean24=sum24/625;
for i=76:100
for j=1:25
menemukan obyek
end
end
......
for i=76:100
for j=176:200
end
end

mean28=sum28/625;
mean32=sum32/625;
for i=101:125
for j=1:25
menemukan obyek
end
end
......
for i=101:125
for j=176:200
end
end

mean36=sum36/625;
mean40=sum40/625;
for i=126:150
for j=1:25
end
end
.....
92
for i=126:150
for j=176:200
end
end

mean44=sum44/625;
mean48=sum48/625;
for i=151:175
for j=1:25
end
end
.......
for i=151:175
for j=176:200
end
end

mean52=sum52/625;
mean56=sum56/625;
for i=176:200
for j=1:25
end
end
......
for i=176:200
for j=176:200
end
end

mean60=sum60/625;
mean64=sum64/625;
%hasil rata-rata dimasukkan dalam variabel info

info = [info, mean1, mean2, mean3, mean4, mean5, mean6, mean7,
mean8, mean9, mean10,...
mean11, mean12, mean13, mean14, mean15, mean16, mean17, mean18,
mean19, mean20,...
93

mean29, mean30,...
mean39, mean40,...
mean49, mean50,...
mean59, mean60,...
mean61, mean62, mean63, mean64];
%hasil feature ke dalam .nw

nama_file =[num2str(m) '_' num2str(n) '.a'];
fid1=fopen(nama_file,'w');
fwrite(fid1, [num2str(info)]);
fclose(fid1);
end
cd ..;
end
4. Listing program createFeature_1x64_H_V.m
function createFeature1x64_H_V(jum)

cd(dirData{m});
info=[];
sum16=0;
sum24=0;
sum32=0;
94
sum40=0;
sum48=0;
sum56=0;
sum64=0;
obyek = 1;
for i=1:25
for j=1:25
if (motif(j,i)==obyek) sum1=sum1+1; end %tambahkan 1 tiap
menemukan obyek
end
end
for i=1:25
for j=26:50
if (motif(j,i)==obyek) sum2=sum2+1; end
end
end
for i=1:25
for j=51:75
end
end
for i=1:25
for j=76:100
end
end
for i=1:25
for j=101:125
end
end
for i=1:25
for j=126:150
end
end
for i=1:25
for j=151:175
end
end
for i=1:25
for j=176:200
end
end
95

meanTotV1=(mean1+mean2+mean3+mean4+mean5+mean6+mean7+mean8)/8;
for i=26:50
for j=1:25
end
end
.......
for i=26:50
for j=176:200
end
end

mean12=sum12/625;
mean16=sum16/625;
for i=51:75
for j=1:25
end
end
........
for i=51:75
for j=176:200
end
end

mean20=sum20/625;
mean24=sum24/625;
for i=76:100
for j=1:25
end
end
..........
for i=76:100
for j=176:200
96
end
end

mean28=sum28/625;
mean32=sum32/625;
for i=101:125
for j=1:25
end
end
.......
for i=101:125
for j=176:200
end
end

mean36=sum36/625;
mean40=sum40/625;
for i=126:150
for j=1:25
end
end
........
for i=126:150
for j=176:200
end
end

mean44=sum44/625;
mean48=sum48/625;
for i=151:175
for j=1:25
end
end
97
......
for i=151:175
for j=176:200
end
end

mean52=sum52/625;
mean56=sum56/625;
for i=176:200
for j=1:25
end
end
.......
for i=176:200
for j=176:200
end
end

mean60=sum60/625;
mean64=sum64/625;
%rata-rata untuk 1x8 horizontal
meanTotH1=(mean1+mean9+mean17+mean25+mean33+mean41+mean49+mean57)/8;
info = [info, mean1, mean2, mean3, mean4, mean5, mean6, mean7,

mean11, mean12, mean13, mean14, mean15, mean16, mean17,
98

mean61, mean62, mean63, mean64, meanTotV1, meanTotV2,
meanTotV3, meanTotV4, meanTotV5, meanTotV6,...
meanTotV7, meanTotV8, meanTotH1, meanTotH2, meanTotH3,
meanTotH4, meanTotH5, meanTotH6, meanTotH7, meanTotH8];

nama_file =[num2str(m) '_' num2str(n) '.avh'];
fclose(fid1);
end
cd ..;
end
5. Listing program createFeature_1x8H.m
function createFeature1x8_H()

cd(dirData{m});
batik = imread(fileJpg(n).name); %baca citra
info=[];
motif=edge(gray,'canny');
tinggi=size(motif,1); %hitung tinggi citra
lebar=size(motif,2); %hitung lebar citra
sum16=0;
sum24=0;
99
sum32=0;
sum40=0;
sum48=0;
sum56=0;
sum64=0;
obyek = 1;
for i=1:25
for j=1:25
menemukan obyek
end
end
for i=1:25
for j=26:50
end
end
for i=1:25
for j=51:75
end
end
for i=1:25
for j=76:100
end
end
for i=1:25
for j=101:125
end
end
for i=1:25
for j=126:150
end
end
for i=1:25
for j=151:175
end
end
for i=1:25
for j=176:200
100
end
end

meanTot1=(mean1+mean2+mean3+mean4+mean5+mean6+mean7+mean8)/8;
for i=26:50
for j=1:25
end
end
........
for i=26:50
for j=176:200
end
end

mean12=sum12/625;
mean16=sum16/625;
for i=51:75
for j=1:25
end
end
.......
for i=51:75
for j=176:200
end
end

mean20=sum20/625;
mean24=sum24/625;
for i=76:100
for j=1:25
end
end
.......
for i=76:100
101
for j=176:200
end
end

mean28=sum28/625;
mean32=sum32/625;
for i=101:125
for j=1:25
end
end
........
for i=101:125
for j=176:200
end
end

mean36=sum36/625;
mean40=sum40/625;
for i=126:150
for j=1:25
end
end
.......
for i=126:150
for j=176:200
end
end

mean44=sum44/625;
mean48=sum48/625;
for i=151:175
for j=1:25
end
102
end
......
for i=151:175
for j=176:200
end
end

mean52=sum52/625;
mean56=sum56/625;
for i=176:200
for j=1:25
end
end
......
for i=176:200
for j=176:200
end
end

mean60=sum60/625;
mean64=sum64/625;
%hasil rata-rata dimasukkan dalam variabel nfo

info = [info, meanTot1, meanTot2, meanTot3, meanTot4, meanTot5,
meanTot6, meanTot7, meanTot8];

nama_file =[num2str(m) '_' num2str(n) '.h'];
fclose(fid1);
end
cd ..;
end
6. Listing program createFeature_1x8_V.m
function createFeature1x8_V()
103

cd(dirData{m});
batik = imread(fileJpg(n).name); %baca citra

info=[]; % matriks info kepadatan
motif=edge(gray,'canny');
sum16=0;
sum24=0;
sum32=0;
sum40=0;
sum48=0;
sum56=0;
sum64=0;
meanTot1=0; meanTot2=0; meanTot3=0; meanTot4=0; meanTot5=0;
meanTot6=0; meanTot7=0; meanTot8=0;
obyek = 1;
for i=1:25
for j=1:25
menemukan obyek
end
end
for i=1:25
for j=26:50
end
end
for i=1:25
for j=51:75
104
end
end
for i=1:25
for j=76:100
end
end
for i=1:25
for j=101:125
end
end
for i=1:25
for j=126:150
end
end
for i=1:25
for j=151:175
end
end
for i=1:25
for j=176:200
end
end

for i=26:50
for j=1:25
end
end
......
for i=26:50
for j=176:200
end
end

mean12=sum12/625;
mean16=sum16/625;
105
for i=51:75
for j=1:25
end
end
.........
for i=51:75
for j=176:200
end
end

mean20=sum20/625;
mean24=sum24/625;
for i=76:100
for j=1:25
end
end
.........
for i=76:100
for j=176:200
end
end

mean28=sum28/625;
mean32=sum32/625;
for i=101:125
for j=1:25
end
end
.........
for i=101:125
for j=176:200
end
end

mean36=sum36/625;
106

mean40=sum40/625;
for i=126:150
for j=1:25
end
end
.........
for i=126:150
for j=176:200
end
end

mean44=sum44/625;
mean48=sum48/625;
for i=151:175
for j=1:25
end
end
.........
for i=151:175
for j=176:200
end
end

mean52=sum52/625;
mean56=sum56/625;
for i=176:200
for j=1:25
end
end
.........
for i=176:200
for j=176:200
107
end
end

mean60=sum60/625;
mean64=sum64/625;

info = [info, meanTot1, meanTot2, meanTot3, meanTot4, meanTot5,
meanTot6, meanTot7, meanTot8];
%hasil feature ke dalam .v

nama_file =[num2str(m) '_' num2str(n) '.v'];
fclose(fid1);
end
cd ..;
end
7. Listing program createFeature_1x8_V_H.m
function createFeature1x8_V_H()

cd(dirData{m});
info=[];
sum16=0;
sum24=0;
108
sum32=0;
sum40=0;
sum48=0;
sum56=0;
sum64=0;
obyek = 1;
for i=1:25
for j=1:25
menemukan obyek
end
end
for i=1:25
for j=26:50
end
end
for i=1:25
for j=51:75
end
end
for i=1:25
for j=76:100
end
end
for i=1:25
for j=101:125
end
end
for i=1:25
for j=126:150
end
end
for i=1:25
for j=151:175
end
end
for i=1:25
for j=176:200
109
end
end

for i=26:50
for j=1:25
end
end
.........
for i=26:50
for j=176:200
end
end

mean12=sum12/625;
mean16=sum16/625;
for i=51:75
for j=1:25
end
end
.........
for i=51:75
for j=176:200
end
end

mean20=sum20/625;
mean24=sum24/625;
for i=76:100
for j=1:25
end
end
.........
for i=76:100
110
for j=176:200
end
end

mean28=sum28/625;
mean32=sum32/625;
for i=101:125
for j=1:25
end
end
.........
for i=101:125
for j=176:200
end
end

mean36=sum36/625;
mean40=sum40/625;
for i=126:150
for j=1:25
end
end
.........
for i=126:150
for j=176:200
end
end

mean44=sum44/625;
mean48=sum48/625;
for i=151:175
for j=1:25
end
111
end
.........
for i=151:175
for j=176:200
end
end

mean52=sum52/625;
mean56=sum56/625;
for i=176:200
for j=1:25
end
end
.........
for i=176:200
for j=176:200
end
end

mean60=sum60/625;
mean64=sum64/625;
%rata-rata untuk 1x8 horizontal

info = [info, meanTotV1, meanTotV2, meanTotV3, meanTotV4,
112
meanTotV5, meanTotV6, meanTotV7, meanTotV8,...

meanTotH1, meanTotH2, meanTotH3, meanTotH4, meanTotH5,
meanTotH6, meanTotH7, meanTotH8];

nama_file =[num2str(m) '_' num2str(n) '.vh'];
nama_file=[num2str(m) '_' num2str(n) '.lt'];
fclose(fid1);
fclose(fid2);
end
cd ..;
end
8. Listing program createFeature_warna_1x64_H_V.m
function createFeatureWarna_H_V()

cd(dirData{m});
info=[];
dR = batik(:,:,1); %figure, imshow(dR), title('Merah');

dG = batik(:,:,2); %figure, imshow(dG), title('Hijau');
dB = batik(:,:,3); %figure, imshow(dB), title('Biru');
meanR = mean(mean(dR));
meanG = mean(mean(dG));
meanB = mean(mean(dB));
kadarR = meanR/(meanR+meanG+meanB);
kadarG = meanG/(meanR+meanG+meanB);
kadarB = meanB/(meanR+meanG+meanB);
meanRGB = (meanR+meanG+meanB)/3;
113
sum16=0;
sum24=0;
sum32=0;
sum40=0;
sum48=0;
sum56=0;
sum64=0;
obyek = 1;
for i=1:25
for j=1:25
menemukan obyek
end
end
for i=1:25
for j=26:50
end
end
for i=1:25
for j=51:75
end
end
for i=1:25
for j=76:100
end
end
for i=1:25
for j=101:125
end
end
for i=1:25
for j=126:150
end
end
for i=1:25
for j=151:175
114

end
end
for i=1:25
for j=176:200
end
end

for i=26:50
for j=1:25
end
end
.........
for i=26:50
for j=176:200
end
end

mean12=sum12/625;
mean16=sum16/625;
for i=51:75
for j=1:25
end
end
.........
for i=51:75
for j=176:200
end
end

mean20=sum20/625;
mean24=sum24/625;
for i=76:100
for j=1:25
115

end
end
.........
for i=76:100
for j=176:200
end
end

mean28=sum28/625;
mean32=sum32/625;
for i=101:125
for j=1:25
end
end
.........
for i=101:125
for j=176:200
end
end

mean36=sum36/625;
mean40=sum40/625;
for i=126:150
for j=1:25
end
end
.........
for i=126:150
for j=176:200
end
end

mean44=sum44/625;
mean48=sum48/625;
116
for i=151:175
for j=1:25
end
end
.........
for i=151:175
for j=176:200
end
end

mean52=sum52/625;
mean56=sum56/625;
for i=176:200
for j=1:25
end
end
.........
for i=176:200
for j=176:200
end
end

mean60=sum60/625;
mean64=sum64/625;
%rata-rata untuk 1x8 vertikal
117
%hasil rata-rata dimasukkan dalam variabel info

info = [info, meanR, meanG, meanB, kadarR, kadarG, kadarB,
meanRGB,...
mean9, mean10,...
mean61, mean62, mean63, mean64, meanTotH1, meanTotH2,
meanTotH3, meanTotH4, meanTotH5, meanTotH6,...
meanTotH7, meanTotH8, meanTotV1, meanTotV2, meanTotV3,
meanTotV4, meanTotV5, meanTotV6, meanTotV7, meanTotV8];

nama_file =[num2str(m) '_' num2str(n) '.txt'];
nama_file=[num2str(m) '_' num2str(n) '.lt'];
fclose(fid1);
fclose(fid2);
end
cd ..;
end
9. Listing program LDA_train.m
FNM=[]
for i=1:20
fn=readFeature(['data_' num2str(i)]);
FNM=[FNM; fn];
end
k=20; % jumlah hasil kelompok

njenis = 64; % jumlah kelompok ciri
n_train=20;
Q = ones(1,n_train);
for i=2:k
Q=[Q ones(1,n_train)*i];
end
118
n_total=25;
data=FNM(1:n_train,:);
data2=FNM(n_train+1:n_total,:);
for i=2:k
awal=(1+(i-1)*n_total);
akhir=n_train+((i-1)*n_total);
data;
FNM(awal:akhir, :);
data=[data; FNM(awal:akhir,:)];
awal2=1+n_train+((i-1)*n_total);
akhir2=n_total*i;
FNM(awal2:akhir2,:);
data2=[data2; FNM(awal2:akhir2,:)];
end
% U total
u_total=mean(data);
c=zeros(njenis,njenis,k);
for i=1:k
i;
idx=find(Q==i);
n(i)=length(idx);
x= data(idx,:);
mean(x);
U(i,:)= mean(x);
clear x0
for j=1:njenis
x0(:,j)=x(:,j)-u_total(j) ;
end
size(x0);
(x0' * x0) / n(i);
c(:,:,i)=(x0' * x0) / n(i);
end
nt=sum(n); % jumlah ni + n2 + .....

ct=(n(1)/nt)*c(:,:,1); % mencari matriks auto-covariance c1
for i=2:k
ct=ct+(n(i)/nt)*c(:,:,i); % looping c2 dst..
end
ct2=inv(ct);
ct_1x64 = ct2
u_1x64 = U
n_1x64 = n
nt_1x64 = nt
10. Listing program LDA_test.m
nt2 = size(data2,1)
ct2=ct_1x64 ;
U=u_1x64 ;
n=n_1x64;
nt=nt_1x64;
119
for i=1:k
U(i,:)
ct2;
f(i,:)=U(i,:)*ct2;
for j=1:nt2
s=data2(j,:)'-0.5*U(i,:)'; %
h(i,j)=f(i,:)*s+log(n(i)/nt);
end
end
disp (h')
set(handles.text7,'string',h);
set(handles.text13,'string','Menemukan angka kecocokan.');

for j=1:nt2
maks=max(h(:,j));
kel(j)=find(h(:,j)==maks);
end
disp (maks)
set(handles.text10,'string','Nilai maksimal:');
set(handles.text8,'string',maks);
disp (kel)
set(handles.text11,'string','Kelompok:');
set(handles.text12,'string',kel);
Kamus;
nt2;
kel2 = ones(1,nt2/20);
for i=2:k
kel2=[kel2 ones(1,nt2/20)*i];
end
size(kel)
size(kel2)
jumlah_dikenali = sum(kel==kel2)
akurasi = jumlah_dikenali/nt2*100
11. Listing program confusion_matrik.m
k = 20;
nkel=length(kel)/k; %klo data 100, 100/20=5
map=zeros(k,k);
for i=1:k
for j=1:nkel
x=kel((i-1)*nkel+j);
map(i,x)=map(i,x)+1;
end
end
disp(map);
jum=0;
for i=1:k
120
jum=jum+map(i,i);
end
disp(sprintf('Jumlah data yang sesuai = %d ',jum));
12. Listing program TrainingLDA_Horizontal.m
clc
n_rotasi = 5;
n_ciri = 8;
n_data_rotasi= 100;
n_kel = 20;
n_data1kel = 25;
data_rotasi = zeros(n_data_rotasi, n_ciri, n_rotasi);
for ii=1:n_rotasi
for jj=1:n_kel
awal=1+(jj-1)*n_data1kel+(ii-1)*5
akhir=5+(jj-1)*n_data1kel+(ii-1)*5
k=1+(jj-1)*5;
l=5+(jj-1)*5;
data_rotasi(k:l,:,ii)=FNM(awal:akhir,:);
end
end
% A B C D = training ; E = testing
k=20;
mapTotal=zeros(k,k);
for ii=1:5
kata1 = get(handles.textProses2,'String');
kata2 = sprintf ('Sedang memproses training ke-%d', ii);
kata3 = [kata1; kata2];
set(handles.textProses2,'String',kata3);
data1=zeros(400, n_ciri);
data2=zeros(100, n_ciri);
kk=0;
for jj=1:5
if(ii==jj)
data2=data_rotasi(:,:,ii);
else
kk=kk+1;
awal=(kk-1)*100+1;
akhir=kk*100;
data1(awal:akhir,:)=data_rotasi(:,:,jj);
end
end
LDAtrain_1x8H;
LDAtest_1x8H;
confusion_matrik;
sFile=sprintf('conf_%d',ii);
121
save(sFile,'map');
mapTotal=mapTotal+map;
end
load('conf_1.mat');
map1=map;
load('conf_2.mat');
map2=map;
load('conf_3.mat');
map3=map;
load('conf_4.mat');
map4=map;
load('conf_5.mat');
map5=map;
13. Listing program jumlahTotalConfusion.m
%total map confusion matrix

disp ('Matriks 1');
map1
jum=0;
for i=1:k
jum=jum+map1(i,i);
end
%disp(sprintf('Jumlah data = ',
jumlah_data = 100
jumlah_benar=jum
jumlah_salah=jumlah_data-jumlah_benar
akurasi=jumlah_benar/jumlah_data*100
disp ('Matriks 2');

map2
jum=0;
for i=1:k
jum=jum+map2(i,i);
end
jumlah_data = 100
jumlah_benar=jum

disp ('Matriks 3');
map3
jum=0;
for i=1:k
jum=jum+map3(i,i);
122
end
jumlah_data = 100
jumlah_benar=jum

disp ('Matriks 4');
map4
jum=0;
for i=1:k
jum=jum+map4(i,i);
end
jumlah_data = 100
jumlah_benar=jum

disp ('Matriks 5');
map5
jum=0;
for i=1:k
jum=jum+map5(i,i);
end
jumlah_data = 100
jumlah_benar=jum

disp ('Confusion Matrix');
mapTotal
jum=0;
for i=1:k
jum=jum+mapTotal(i,i);
end
jumlah_data = 500
set(handles.textJumData,'string',jumlah_data);
jumlah_benar=jum
set(handles.textDikenal,'string',jumlah_benar);
set(handles.textTakDikenal,'string',jumlah_salah);
set(handles.textAkurasi,'string',akurasi);
disp(sprintf('Jumlah data yang sesuai = %d ',jum));
LAMPIRAN II
DATA PENELITIAN
123
1. Confusion matriks untuk percobaan feature rata-rata edge horizontal.
A B C D E F G H I J K L M N O P Q R S T
A 3 6 1 1 4 0 1 4 0 0 0 0 0 0 4 0 0 0 1 0
B 2 11 0 0 0 0 0 1 1 0 1 4 0 0 0 1 1 1 0 2
C 2 1 10 0 0 0 4 1 0 0 0 0 0 1 0 0 3 1 2 0
D 0 0 0 7 1 0 4 0 0 4 0 0 1 2 0 0 0 3 3 0
E 0 1 2 0 13 0 0 0 0 2 0 3 1 0 0 0 0 2 1 0
F 0 0 0 0 0 14 0 0 2 0 4 0 0 0 0 1 0 0 0 4
G 1 1 3 1 0 0 0 1 0 4 0 0 1 4 1 0 2 1 5 0
H 2 0 0 0 5 0 1 8 4 0 0 0 1 1 0 0 0 0 3 0
I 1 1 0 0 1 0 0 2 7 0 6 5 0 0 0 0 1 1 0 0
J 0 0 0 1 0 0 5 1 0 5 0 0 1 3 0 0 0 6 3 0
K 0 0 0 0 0 2 0 0 1 0 18 2 0 0 0 0 0 0 0 2
L 0 0 0 0 0 0 0 0 1 0 0 14 1 0 0 4 0 0 0 5
M 0 0 0 1 0 0 2 0 0 2 0 0 8 3 0 0 0 7 2 0
N 2 0 1 0 1 0 5 2 0 4 0 0 1 4 1 0 1 2 1 0
O 5 2 0 0 0 0 0 0 2 0 0 2 0 0 5 0 9 0 0 0
P 0 0 0 0 0 0 0 0 0 0 3 1 0 0 3 13 0 0 0 5
Q 0 3 0 0 1 0 1 1 2 0 0 0 0 0 2 0 14 1 0 0
R 1 1 2 2 1 0 0 0 0 5 0 0 1 3 0 0 0 4 5 0
S 0 0 0 1 0 0 2 2 0 4 0 0 0 2 0 0 0 3 11 0
T 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 9 0 0 0 13
Jumlah data dikenali = 182
Jumlah data tak dikenali = 318
𝑗𝑢𝑚𝑙𝑎𝑕 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑚𝑎𝑡𝑟𝑖𝑘𝑠 182
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = × 100% = 36.4%
𝑗𝑢𝑚𝑙𝑎𝑕 𝑠𝑒𝑙𝑢𝑟𝑢𝑕 𝑑𝑎𝑡𝑎 500
2. Confusion matriks untuk percobaan feature rata-rata keseluruhan edge.
A 3 2 0 1 0 2 2 0 0 0 0 0 0 1 4 4 1 2 2 1
B 2 7 0 1 0 0 5 1 0 0 0 0 0 0 0 5 2 0 0 2
C 1 1 13 0 0 0 2 2 0 1 0 0 1 1 0 0 0 0 3 0
D 0 0 2 10 0 0 1 0 0 1 0 0 2 1 0 0 1 4 3 0
E 2 0 0 0 13 0 0 0 2 1 0 0 5 1 0 0 0 0 1 0
F 0 1 0 2 0 7 0 0 1 0 2 0 0 0 0 5 0 0 0 7
124
G 2 0 5 1 0 0 5 0 0 1 0 0 2 2 0 0 4 0 1 2
H 1 4 1 1 1 0 2 2 4 1 0 1 0 0 2 1 0 1 2 1
I 1 1 0 2 0 2 0 0 4 0 3 0 1 3 0 0 6 0 1 1
J 2 0 4 1 1 0 3 1 0 7 0 0 0 5 0 0 0 0 1 0
K 1 1 0 0 0 2 0 0 0 0 14 1 0 0 0 3 1 0 0 2
L 2 1 0 0 1 1 0 1 0 0 1 11 1 0 1 1 1 0 0 3
M 2 0 1 1 3 0 0 0 0 1 0 1 12 2 0 0 0 1 1 0
N 0 0 1 2 0 0 0 2 1 4 0 1 2 6 1 1 1 1 2 0
O 6 1 1 0 0 0 1 0 0 0 0 2 0 0 8 1 4 0 0 1
P 2 1 0 0 0 1 0 0 0 0 1 0 0 0 0 10 3 0 0 7
Q 0 1 0 0 0 0 1 1 1 0 0 0 0 1 2 2 15 0 0 1
R 0 0 0 7 0 0 3 1 0 0 0 0 1 2 0 0 2 5 4 0
S 3 1 0 2 0 0 3 1 0 2 0 0 1 1 1 0 0 1 9 0
T 0 2 0 0 0 0 0 0 0 1 0 1 1 0 0 7 0 0 0 13
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = × 100% = 34.8%
3. Confusion matriks untuk percobaan feature rata-rata edge vertikal.
A 0 4 0 0 4 0 1 4 2 0 0 1 2 0 3 0 2 2 0 0
B 1 14 0 0 0 0 0 1 2 0 0 1 0 0 1 3 1 0 0 1
C 0 0 9 2 4 0 2 2 0 2 0 0 1 1 0 0 0 0 2 0
D 0 0 2 4 1 0 2 1 0 8 0 0 1 2 0 0 0 2 2 0
E 0 0 1 2 13 0 0 0 1 1 0 2 2 1 0 0 0 0 2 0
F 0 0 0 0 0 9 0 0 0 0 9 0 0 0 0 3 0 0 0 4
G 1 0 0 1 0 0 4 0 1 4 0 0 4 1 0 0 7 0 2 0
H 0 3 1 1 3 0 2 3 1 2 2 0 4 1 2 0 0 0 0 0
I 5 3 0 1 5 0 0 1 5 1 1 2 0 0 1 0 0 0 0 0
J 0 0 1 6 3 0 2 0 2 2 0 0 1 3 0 0 0 1 4 0
K 0 1 0 0 0 1 0 0 0 0 14 2 0 0 0 5 0 0 0 2
L 3 3 0 0 2 1 0 0 3 0 2 7 0 0 2 1 0 0 0 1
M 1 1 0 2 7 0 2 3 0 1 0 0 4 3 0 0 0 0 1 0
N 4 0 0 1 2 0 3 0 1 5 0 0 0 2 0 0 1 2 4 0
O 1 3 0 0 0 0 0 3 1 0 1 0 0 0 3 1 10 0 0 2
125
P 0 2 0 0 0 0 0 0 4 0 2 4 0 0 4 4 0 0 0 5
Q 1 1 0 0 0 0 2 0 1 0 0 1 0 0 1 0 18 0 0 0
R 3 0 1 1 1 0 2 3 2 4 0 0 4 3 0 0 0 0 1 0
S 0 0 0 3 1 0 3 1 0 2 0 0 1 5 0 0 0 2 7 0
T 0 1 0 0 0 0 0 0 1 0 0 5 0 0 0 7 0 0 0 11
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = × 100% = 26.6%
4. Confusion matriks untuk percobaan feature rata-rata gabungan edge

horizontal dan vertikal.
A 0 2 5 0 0 1 0 0 5 0 0 0 0 5 0 3 0 0 4 0
B 0 3 0 0 0 0 0 0 5 0 0 4 0 5 0 4 0 0 3 1
C 2 0 9 1 0 0 1 0 2 0 0 0 0 4 0 0 0 0 5 1
D 0 0 6 1 0 0 0 0 5 3 0 0 0 4 0 0 0 1 5 0
E 0 2 2 0 4 0 0 0 5 0 0 2 0 5 0 1 0 0 3 1
F 0 1 0 0 0 1 0 0 5 0 0 5 0 4 0 5 0 0 4 0
G 0 0 6 1 0 0 0 0 5 0 0 0 0 6 1 0 0 0 5 1
H 1 3 2 3 1 0 0 0 4 1 0 2 0 4 0 0 1 0 2 1
I 0 2 2 0 0 1 0 0 6 0 0 2 0 2 0 5 2 0 2 1
J 0 0 5 2 0 0 0 0 4 3 0 0 0 5 0 0 1 0 5 0
K 0 2 2 0 0 0 0 0 5 0 0 3 0 5 0 5 0 0 3 0
L 0 2 0 0 0 0 0 0 5 0 0 5 0 5 0 5 0 0 3 0
M 0 3 5 0 0 0 0 0 5 0 0 1 0 5 0 1 0 0 5 0
N 0 0 5 2 0 0 0 0 5 2 0 0 0 5 0 1 0 0 5 0
O 0 7 1 0 0 0 0 0 5 0 0 3 0 4 0 2 0 0 2 1
P 0 0 1 0 0 0 0 0 5 0 0 2 0 5 0 5 0 0 5 2
Q 0 0 4 0 0 0 0 0 5 0 0 1 0 5 0 5 0 0 5 0
R 0 0 7 1 0 0 0 0 5 2 0 0 0 5 0 0 0 0 5 0
S 1 0 7 3 0 0 0 0 4 0 0 0 0 5 0 0 0 0 5 0
T 0 0 0 0 0 0 0 0 5 0 0 5 0 5 0 5 0 0 5 0
126

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = × 100% = 9.4%
5. Confusion matriks untuk percobaan feature rata-rata gabungan keseluruhan

edge, rata-rata edge horizontal dan vertikal.
A 0 0 0 0 5 5 0 1 0 1 1 0 0 0 5 2 1 1 0 3
B 0 4 0 0 2 0 0 5 0 0 0 0 0 0 5 0 0 0 0 9
C 0 0 0 0 2 0 0 2 0 4 0 1 0 0 3 1 0 3 9 0
D 0 0 0 0 2 0 0 4 0 7 0 0 1 0 2 1 0 3 5 0
E 0 0 0 0 4 2 0 4 2 2 0 0 0 0 4 0 4 1 1 1
F 0 1 0 0 1 0 0 5 0 0 0 0 0 0 6 0 0 0 0 12
G 0 0 0 0 5 0 0 3 0 2 0 0 0 0 7 1 1 2 1 3
H 0 2 0 0 2 1 0 3 1 3 0 1 0 0 5 1 0 2 2 2
I 0 1 0 0 3 0 0 4 0 3 2 0 1 0 2 1 2 1 1 4
J 0 0 0 0 6 1 0 3 1 4 1 0 0 0 1 0 2 2 4 0
K 0 1 0 0 4 2 0 5 0 1 0 0 0 0 5 0 0 0 0 7
L 0 2 0 0 3 0 0 5 0 0 0 0 0 0 7 0 0 0 1 7
M 0 0 0 0 2 0 0 5 0 5 0 0 0 0 2 0 1 3 5 2
N 0 0 0 0 5 1 0 3 0 5 0 0 0 0 3 1 1 1 5 0
O 0 0 0 0 3 1 0 4 0 1 2 0 0 0 8 0 0 0 1 5
P 0 3 0 0 4 0 0 4 0 0 1 0 0 0 8 0 0 0 0 5
Q 0 1 0 0 5 0 0 4 0 2 0 0 0 0 5 1 2 0 1 4
R 0 1 0 0 3 0 0 1 1 1 0 0 1 1 3 1 1 6 3 2
S 0 0 0 0 4 0 0 5 0 7 0 0 1 0 0 0 0 2 6 0
T 0 2 0 0 3 0 0 5 0 0 1 0 0 0 8 0 0 0 0 6
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = × 100% = 8.6%
127
6. Confusion matriks untuk percobaan feature rata-rata gabungan warna,

keseluruhan edge, rata-rata edge horizontal dan vertikal.
A 1 2 0 0 0 0 0 2 6 0 3 2 3 0 0 0 2 2 0 2
B 1 1 0 0 0 0 0 4 5 0 5 4 2 0 0 0 0 0 0 3
C 0 1 2 2 0 3 0 4 3 5 0 0 2 0 0 0 0 0 3 0
D 0 1 0 5 0 1 0 5 0 5 2 0 1 0 0 0 3 0 1 1
E 0 0 0 3 0 1 0 1 2 2 3 3 3 0 1 1 4 0 0 1
F 0 0 0 0 0 0 0 1 5 0 8 6 0 0 0 0 0 0 0 5
G 0 1 0 5 0 0 0 3 0 3 4 0 2 0 0 0 4 1 0 2
H 2 0 0 4 0 1 0 3 1 3 4 1 0 0 0 1 1 1 0 3
I 3 2 0 1 0 1 1 2 3 1 5 3 0 0 0 0 0 1 0 2
J 0 4 0 3 0 0 0 3 1 1 1 0 6 3 0 0 1 1 0 1
K 0 1 0 0 0 0 0 3 5 0 5 4 1 0 0 0 1 0 1 4
L 0 2 0 1 0 0 0 1 2 0 3 9 0 0 0 0 2 1 0 4
M 0 1 0 5 0 0 0 4 0 1 5 1 2 1 0 1 0 2 0 2
N 0 1 0 1 0 0 0 6 3 1 5 0 4 0 0 1 0 1 1 1
O 1 3 0 2 0 0 0 3 2 0 2 5 1 0 0 0 2 0 0 4
P 0 0 0 4 0 0 0 7 1 0 6 5 0 0 0 0 0 0 0 2
Q 0 1 0 5 0 0 0 4 0 0 4 3 1 0 0 0 3 1 1 2
R 0 1 0 1 0 3 0 5 4 3 2 1 1 1 0 0 0 2 1 0
S 1 1 0 5 0 1 0 3 0 2 3 0 5 0 0 0 0 1 2 1
T 1 1 0 0 0 0 0 3 5 0 6 4 1 0 0 0 0 1 0 3
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = × 100% = 8.4%

Full PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGENALAN MOTIF BATIK YOGYAKARTA

DENGAN METODE LINEAR DISCRIMINANT ANALYSIS (LDA)

Diajukan untuk Memenuhi Salah Satu Syarat

PROGRAM STUDI TEKNIK INFORMATIKA

Presented as Partial Fullfillment of the Requirements

INFORMATICS ENGINEERING STUDY PROGRAM

“APA PUN JUGA YANG KAMU PERBUAT,

“Apabila Ia membuka, tidak ada yang dapat menutup,

TIADA YANG MUSTAHIL DALAM NAMA-NYA,

Skripsi ini saya persembahkan untuk:

 Yesus Kristus Penolongku Sahabatku,

 Kedua orang tuaku tercinta,

Terima kasih untuk karunia, kesempatan,

Batik memiliki keanekaragaman motif yang khas. Sebagian besar masyarakat

memberikan karunia dan kesempatan, sehingga penulis dapat menyelesaikan skripsi

dengan judul “Pengenalan Motif Batik Yogyakarta dengan Metode Linear

Discriminant Analysis (Studi Kasus di Museum Batik Yogyakarta)”.

dukungan, semangat dan bantuan hingga selesainya skripsi ini:

Teknologi Universitas Sanata Dharma.

bimbingan, waktu dan saran yang diberikan.

pembimbing dan teman diskusi yang sangat inspiratif.

bantuan kepada penulis ketika melaksanakan ujian akhir.

Yulistyowati untuk dukungan dan canda tawa yang menjadi penyemangat.

8. Kekasihku tercinta Hieronymus Dimas Febrianto untuk senyuman, doa,

semangat, saran dan kritik, perhatian, dan pengertian yang diberikan.

9. Galang Anugerah, S.T yang telah membimbing dan membantu tentang

pemahaman metode Linear Discriminant Analysis.

Pradipta, A. Cahyo Ridho, Andreas Hermawan, selaku teman yang berjuang

bersama dalam skripsi.

sejuta inspirasi berharga.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada

yang akan datang. Semoga bermanfaat.

Yogyakarta, 20 September 2010

HALAMAN JUDUL BAHASA INDONESIA ............................................................ i

Tabel2.1. Data chip rings .......................................................................................... 18

1.1. Latar Belakang

Indonesia terkenal dengan keanekaragaman budaya mulai dari suku, tari

memiliki keanekaragaman motif.

perkembangan zaman batik telah menjadi kebutuhan sekunder. Banyak masyarakat

yang menggunakan batik dalam kesehariannya. Perancang desain busana pun

Sebagian besar masyarakat bangga menggunakan batik, tetapi sedikit yang

mengenal motif-motif batik. Untuk mengatasi permasalahan tersebut sebenarnya

dari metode Principal Components Analysis (PCA) (Resmana Lim, 2002).

1.2. Rumusan Masalah

“Bagaimana secara otomatis mengenal motif batik Yogyakarta dengan

mempergunakan metode Linear Discriminant Analysis (LDA)?”

menganalisa serta mengetahui kelebihan dan kekurangan metode Linear Discriminant

Analysis dalam menangani data citra motif batik Yogyakarta.

1.4. Batasan Masalah

Adapun batasan masalah dalam tugas akhir ini, yaitu:

1. Penelitian hanya pada batik Yogyakarta. Penulis hanya menggunakan 20

motif batik Yogyakarta, yaitu Ceplok Kece, Kawung Galar, Nitik

Cengkeh, Parang Barong, Parang Pancing, Parisewuli Seling Pamor,

Truntum, Tambal, Parang Tuding, Parang Keris, Parang Kusumo Ukel,

Parang Curigo, Parang Klitik, Parang Kembang Sawut Cecek, Ceplok

Dempel, Kawung Kembang Cempoko Hitam, Kawung Picis, Lereng

Kusuma, Parang Kawung Picis, Parang Kunci.

2. Metode yang digunakan untuk pengenalan motif batik Yogyakarta adalah

Linear Discriminant Analysis.

3. Pembuatan program hanya sebuah prototipe untuk membantu analisa

algoritma Linear Discriminant Analysis dalam menangani pola batik

b. Data batik diambil menggunakan camera digital pocket Fujifilm tipe

FinePixJ20 dengan 10MP.