Pengenalan Batik Indonesia Menggunakan Ciri Warna dan Tekstur

Ema Rachmawati, Maula Ilma Ahgnia Dwi Anjani, Febryanti Sthevanie

Abstract

Upaya pelestarian budaya bangsa melalui pengenalan batik merupakan hal yang harus selalu ditingkatkan. Terlebih dengan diakuinya budaya batik Indonesia oleh UNESCO sebagai bagian dari warisan budaya tak berwujud (intangible). Hal inilah yang mendasari dilakukannya sejumlah penelitian terkait pengenalan batik. Hasil kinerja yang sangat baik telah dicapai oleh berbagai sistem pengenalan batik. Namun, berbagai penelitian yang dilakukan tersebut masih terbatas pada jumlah motif batik yang sedikit. Oleh karena itu, pada penelitian ini dibangun sistem pengenalan batik dengan menggunakan 114 motif batik dari 14 daerah di propinsi Jawa Barat. Ciri gabungan dibangun dengan mengkombinasikan ciri tekstur dan warna. Ciri tekstur didapatkan dari Gray Level Co-occurrence Matrix (GLCM) sedangkan ciri warna didapatkan dari Color Difference Histogram (CDH). Penulis juga menambahkan variasi dalam dataset yang berupa rotate dan flip untuk memperbesar variasi intra-class. Hasil utama dari kinerja sistem yang dibuat adalah akurasi sebesar 99,128 % dan F1-Score sebesar 98,9999% pada pengenalan batik berdasarkan daerah, sedangkan pada pengenalan batik berdasarkan motif didapatkan akurasi sebesar 98,2456% dan F1-Score  sebesar 98,3208%.  

Keywords

Batik, motif, Gray Level Co-occurrence Matrix, Color Difference Histogram, pengenalan batik

Full Text:

PDF

References

Ministry of Culture and Tourismin collaboration with UNESCO Office, Practical handbook for inventory of intangible cultural heritage of Indonesia. Ministry of Culture and Tourism of the Republic of Indonesia, 2009.

A. E. Minarno and N. Suciati, “Batik Image Retrieval Based on Color Difference Histogram and Gray Level Co-Occurrence Matrix,” TELKOMNIKA (Telecommunication Comput. Electron. Control., vol. 12, no. 3, p. 597, 2014.

A. E. Minarno, A. S. Maulani, A. Kurniawardhani, F. Bimantoro, and N. Suciati, “Comparison of methods for Batik classification using multi texton histogram,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 16, no. 3, pp. 1358–1366, 2018.

S. Sunawar, “Klasifikasi Motif Batik Menggunakan Metode Ekstraksi Gray Level Co-Occurence Matrix ( GLCM ) Pada Platform Android,” Universitas Muhammadiyah Malang, 2017.

Y. Gultom, A. M. Arymurthy, and R. J. Masikome, “Batik Classification using Deep Convolutional Network Transfer Learning,” J. Ilmu Komput. dan Inf., vol. 11, no. 2, p. 59, 2018.

A. Y. Wicaksono, N. Suciati, C. Fatichah, K. Uchimura, and G. Koutaki, “Modified Convolutional Neural Network Architecture for Batik Motif Image Classification,” IPTEK J. Sci., vol. 2, no. 2, pp. 26–30, 2017.

A. E. Minarno, Y. Azhar, F. D. Setiawan Sumadi, and Y. Munarko, “A Robust Batik Image Classification using Multi Texton Co-Occurrence Descriptor and Support Vector Machine,” in 2020 3rd International Conference on Intelligent Autonomous Systems (ICoIAS), 2020, pp. 51–55.

M. Sholihin, “Classification of Batik Lamongan Based on Features of Color, Texture and Shape,” Kursor, vol. 9, no. 1, pp. 25–32, 2018.

R. Fahrizal, R. P. Parlindungan Siahaan, and R. Wiryadinata, “Banten batik classification with backpropagation neural network,” in MATEC Web of Conferences, 2018, vol. 218, pp. 1–9.

R. Andrian, M. A. Naufal, B. Hermanto, A. Junaidi, and F. R. Lumbanraja, “K-Nearest Neighbor (k-NN) Classification for Recognition of the Batik Lampung Motifs,” J. Phys. Conf. Ser., vol. 1338, no. 1, 2019.

M. A. Rasyidi and T. Bariyah, “Batik pattern recognition using convolutional neural network,” Bull. Electr. Eng. Informatics, vol. 9, no. 4, pp. 1430–1437, 2020.

X. Zhang, Y.-H. Yang, Z. Han, H. Wang, and C. Gao, “Object class detection: a survey,” ACM Comput. Surv., vol. 46, no. 1, pp. 1–53, 2013.

R. M. Haralick, K. Shanmugam, and I. Dinstein, “Textural features for image classification,” IEEE Trans. Syst. Man. Cybern., vol. SMC-3, no. 6, pp. 610–621, 1973.

M. Hall-Beyer, GLCM Texture: a Tutorial, vol. 2, no. March. 2017.

S. Di Zenzo, “A note on the gradient of a multi-image,” Comput. Vision, Graph. Image Process., vol. 33, no. 1, pp. 116–125, 1986.

M. Sokolova, N. Japkowicz, and S. Szpakowicz, “Beyond Accuracy, F-score and ROC: a Family of Discriminant Measures for Performance Evaluation,” in Australian Joint Conference on Artificial Intelligence AI 2006: Advances in Artificial Intelligence, 2006, no. c, pp. 1015–1021.

S. K. Atik, Buku Saku Batik Jawa Barat Jilid 2. Yayasan Batik Jawa Barat (YBJB), 2014.

S. Borra and A. Di Ciaccio, “Measuring the Prediction Error. A Comparison of Cross-Validation, Bootstrap and Covariance Penalty Methods,” Comput. Stat. Data Anal., vol. 54, no. 12, pp. 2976–2989, Dec. 2010.

DOI: https://doi.org/10.20961/ijai.v4i2.41591

Refbacks

  • There are currently no refbacks.