Klasifikasi Multilabel Motif Citra Batik Menggunakan Boosted Random Ferns Dengan Ekstraksi Fitur Histogram of Oriented Gradient

Fuad, M. Nur (2017) Klasifikasi Multilabel Motif Citra Batik Menggunakan Boosted Random Ferns Dengan Ekstraksi Fitur Histogram of Oriented Gradient. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 5115201022-Master_Thesis.pdf]
Preview
Text
5115201022-Master_Thesis.pdf - Published Version

Download (2MB) | Preview

Abstract

Terdapat banyak penelitian tentang klasifikasi motif batik, namun hanya mengklasifikasi satu motif batik dalam satu citra. Pada beberapa kasus, dalam satu citra terdapat lebih dari satu motif batik. Sehingga dibutuhkan klasifikasi banyak motif batik dalam satu citra. Masing-masing motif batik memiliki bentuk yang unik meskipun berada dalam satu citra. Deteksi bentuk dapat digunakan untuk mengidentifikasi bentuk motif-motif batik. Histogram of oriented gradient (HOG) merupakan ekstraksi bentuk yang telah diaplikasikan pada identifikasi pejalan kaki. Dalam perkembangannya, kombinasi HOG dengan klasifikasi boosted random ferns mampu mengidentifkasi beberapa pejalan kaki dalam satu citra. Kemampuan kombinasi metode tersebut dalam mengidentifikasi multiobject dalam satu label (pejalan kaki) akan dikembangkan untuk mengidentifikasi multiobject dalam multilabel (motif-motif batik).
Berdasarkan hal tersebut disusun sistem klasifikasi multilabel motif batik menggunakan boosted random ferns dengan ekstraksi fitur HOG. Sistem ini terbagi dalam proses training dan testing. Input proses training berupa citra motif parang, kawung, megamendung, nitik, semen dan lunglungan. Fitur HOG diekstraksi dari input training dan diproses dengan boosted random ferns sehingga menghasilkan output berupa enam model klasifikasi motif. Input proses testing berupa citra testing dan enam model klasifikasi motif. Pada proses testing, setiap model klasifikasi motif akan mengidentifikasi masing-masing motif dalam citra testing. Hasil output dari sistem berupa hasil identifikasi dari model-model klasifikasi motif.
Pengujian performa metode menggunakan beberapa skenario pengujian berdasarkan variasi jumlah subset random ferns, jumlah weak classifier dan iterasi boostrapping. Terdapat empat variasi jumlah subset random ferns yakni 5, 10, 15 dan 20 subset, empat variasi jumlah weak classifier yakni 100, 200, 300 dan 400, serta enam variasi iterasi boostrapping yakni 0, 1, 2, 3, 4, dan 5 iterasi. Sedangkan nilai performa metode dihitung menggunakan tanimoto distance. Diperoleh nilai tanimoto distance terbaik yakni 0.0130 dari iterasi boostrapping ke-2. Sedangkan tanpa iterasi boostrapping,diperoleh nilai 0.0469 pada jumlah weak classifier 200 dengan subset ferns 5 dan jumlah weak classifier 300 pada subset ferns ke 5 dan 15.
========================================================================================================================
There are many studies on the classification of the batik pattern, but only classifies one batik pattern in single image. In some cases, there are single image with more than one batik patterns. So it need a classification of some motif in one image. Each pattern has unique shape even within single image. Detection of shapes can be used to identify the form of batik patterns. Histogram of oriented gradient (HOG) is an shape extraction that has been applied to the identification of the pedestrian. During HOG development, combination of HOG and boosted random ferns classification able to identify several pedestrians in single image. Ability of these methods combination in identifying multiobject in one label (pedestrian) will be developed to identify multiobject in multilable (batik patterns).
Based on this, we organized multilable batik patterns classification system using random boosted ferns with HOG feature extraction. System are divided into training and testing process. Input of training process are image of parang, kawung, megamendung, nitik, cement and lunglungan patterns. HOG features extracted from training input and be processed with boosted random ferns to produce output six pattern classification models. Input of testing process are testing image and and six pattern classification models. In testing process, each pattern classification model will identify each patterns in the image testing. Outputs system are identification result from pattern classification models.
Performance testing of proposed method be calculate using multiple test scenarios based on variety numbers of random ferns subsets, number of weak classifier and boostrapping iterations. There are four variety numbers of random subset ferns ie 5, 10, 15 and 20 subsets, four variety numbers of weak classifier ie 100, 200, 300 and 400, and six variety numbers of boostrapping iterations ie 0, 1, 2, 3, 4, and 5 iterations. Whereas performance value of methods be calculate using Tanimoto distance. The best tanimoto distance value is 0.0130 from the 2nd iteration boostrapping. While without boostrapping iteration, the value of 0.0469 is obtained on the 200 weak classifier with 5 subset ferns and the 300 weak classifier with 5 and 15 subset ferns.

Item Type: Thesis (Masters)
Uncontrolled Keywords: histogram of oriented gradient, boosted random ferns, klasifikasi, motif batik, multilabel
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: M. Nur Fuad
Date Deposited: 07 Sep 2017 07:34
Last Modified: 05 Mar 2019 07:07
URI: http://repository.its.ac.id/id/eprint/43440

Actions (login required)

View Item View Item