Deteksi Motif Batik Menggunakan Ekstraksi Tekstur dan Jaringan Syaraf Tiruan

Abstract

Penelitian ini mengusulkan sebuah metode klasifikasi motif batik menggunakan ekstraksi fitur tekstur serta klasifikasi menggunakan jaringan syaraf tiruan (artificial neural network). Metode ekstraksi fitur tekstur yang digunakan adalah Discrete Wavelet Transform (DWT), Gray Level CoOccurrence Matrix (GLCM) dan Local Binary Pattern (LBP). Ekstraksi fitur dengan GLCM dan DWT menghasilkan 24 fitur yang terdiri dari 5 jenis fitur GLCM dan 4 koefisien energi dalam setiap sub-band channel hasil dekomposisi. Sementara ekstraksi fitur dengan LBP dilakukan dengan membentuk histogram dari matrik hasil LBP. Fitur-fitur tersebut kemudian menjadi masukan bagi jaringan syaraf tiruan untuk kemudian diklasifikasi dalam 5 jenis batik: buketan, ceplok, kawung, parang dan truntum. Dataset yang digunakan adalah 50 gambar batik (10 untuk setiap motif) yang diambil secara acak di internet. Pengujian dilakukan dengan membandingkan dua kelompok fitur: DWT-GLCM dan DWT-GLCM-LBP untuk mengetahui metode ekstraksi fitur yang lebih baik dalam deteksi motif batik. Metode pengujian yang digunakan adalah K-Fold Cross Validation dengan hasil berupa confusion matriks untuk kemudian dihitung nilai akurasi dan F-Measure-nya. Hasil pengujian menunjukkan bahwa penggunaan ekstraksi fitur tekstur DWT-GLCM-LBP mampu mencapai akurasi 74% dengan jenis dekomposisi Daubechies 4 level 3. Kata kunci: Batik, Klasifikasi, GLCM, DWT, LBP, ANN