SIMPLE LINEAR ITERATIVE CLUSTERING (SLIC) UNTUK SEGMENTASI MOTIF DASAR CITRA KAIN SASIRANGAN

Finki Dona Marleny, Ihdalhubbi Maulida, Mambang Mambang

Abstract


Kalimantan Selatan merupakan salah satu daerah yang memiliki kain batik khas yang bernama kain sasirangan. Motif kain sasirangan   kian berkembang seiring permintaan pasar dan berkembangnya mode busana disetiap tahunnya. Pola, warna atau motif kain sasirangan terus bertambah. Kain sasirangan memiliki motif dasar yang sering digunakan pada corak kain sasirangan. Dari motif dasar inilah kain sasirangan dapat di klaster. Dalam segmentasi motif dasar citra kain sasirangan yang akan di uji menggunakan metode SLIC dan di bandingkan dengan metode maskSLIC. Motif dasar kain sasirangan yang memiliki pola unik dari jahitan dan ikatan dari proses pewarnaan dapat di segmentasi dengan metode SLIC. Motif dasar kain sasirangan dapat disegmentasi untuk mengelompokan motif dasar yang terdapat pada kain sasirangan. Pada segmentasi citra yang dilakukan menggunakan metode SLIC, pengujian membandingkan segmentasi yang diperoleh menggunakan metode SLIC dan maskSLIC. Dengan metode maskSLIC pemisahan warna lebih lebar dari pada menggunakan metode SLIC. Metode generasi super-pixel berdasarkan algoritma SLIC lebih unggul. Metode segmentasi dan reklasifikasi berbasis wilayah memiliki keunggulan dan efisiensi tinggi.

Kata kunci: Maskslic, Sasirangan, Segmentasi , SLIC


References


M. D. Rosyadi, “Pengenalan Motif Dasar Pada Kain Sasirangan,” Technologia, vol. 8, no. 2, pp. 53–61, 2017.

M. Muharir, “Pengenalan Citra Sasirangan Berbasis Fitur Glcm Dan Median Filter Menggunakan Learning Vector Quantitation,” Technol. J. Ilm., vol. 9, no. 4, p. 255, 2018, doi: 10.31602/tji.v9i4.1541.

T. W. Qur’ana, “Perbaikan Citra Menggunakan Median Filter Untuk Meningkatkan Akurasi Pada Klasifikasi Motif Sasirangan,” Technol. J. Ilm., vol. 9, no. 4, p. 270, 2018, doi: 10.31602/tji.v9i4.1543.

Johan Wahyudi and Ihdahubbi Maulida, “Pengenalan Pola Citra Kain Tradisional Menggunakan Glcm Dan Knn,” J. Teknol. Inf. Univ. Lambung Mangkurat, vol. 4, no. 2, pp. 43–48, 2019, doi: 10.20527/jtiulm.v4i2.37.

N. H. Maulida, B. Hidayat, and S. Sa’idah, “Pengenalan Kain Sasirangan Berdasarkan Tekstur Dengan Filter Gabor, Template Matching dan Klasifikasi Decision Tree,” in e-Proceeding of Engineering, 2019, vol. 6, no. 1, pp. 927–934.

R. Farrahi and M. Cheriet, “AdOtsu : An adaptive and parameterless generalization of Otsu ’ s method for document image binarization,” Pattern Recognit., vol. 45, no. 6, pp. 2419–2431, 2012, doi: 10.1016/j.patcog.2011.12.013.

L. Xiaolong, M. Zhanhong, F. Bienvenido, Q. Feng, W. Haiguang, and J. A. Alvarez-bermejo, “Development of automatic counting system for urediospores of wheat stripe rust based on image processing,” vol. 10, no. 5, pp. 134–143, 2017, doi: 10.25165/j.ijabe.20171005.3084.

J. Ma, X. Wang, and B. Xiao, “An image segmentation method based on Simple Linear Iterative Clustering and graph-based semi-supervised learning,” Proc. 2015 Int. Conf. Orange Technol. ICOT 2015, no. 2014, pp. 10–13, 2016, doi: 10.1109/ICOT.2015.7498477.

L. He and S. Huang, “An efficient krill herd algorithm for color image multilevel thresholding segmentation problem,” Appl. Soft Comput. J., vol. 89, p. 106063, 2020, doi: 10.1016/j.asoc.2020.106063.

Z. Bao, J. Sha, X. Li, T. Hanchiso, and E. Shifaw, “Monitoring of beach litter by automatic interpretation of unmanned aerial vehicle images using the segmentation threshold method,” Mar. Pollut. Bull., vol. 137, no. July, pp. 388–398, 2018, doi: 10.1016/j.marpolbul.2018.08.009.

Finki Dona Marleny and Mambang, “Optimasi Genetic Algorithm Dengan Jaringan Syaraf Tiruan Untuk Klasifikasi Citra,” J. Teknol. Inf. Univ. Lambung Mangkurat, vol. 4, no. 1, pp. 1–6, 2019, doi: 10.20527/jtiulm.v4i1.32.

J. Z. Zhang, Zhanyang; Chen, “SLIC segmentation method for full‐polarised remote‐sensing image,” in IET International Radar Conference (IRC 2018), 2019, pp. 6404–6407.

M. Á. Castillo-martínez, F. J. Gallegos-funes, B. E. Carvajal-gámez, G. Urriolagoitia-sosa, and A. J. Rosales-silva, “Color index based thresholding method for background and foreground segmentation of plant images,” Comput. Electron. Agric., vol. 178, no. April 2019, p. 105783, 2020, doi: 10.1016/j.compag.2020.105783.

E. H. Houssein, K. Hussain, L. Abualigah, and M. Abd, “Knowledge-Based Systems An improved opposition-based marine predators algorithm for global optimization and multilevel thresholding image segmentation,” Knowledge-Based Syst., vol. 229, p. 107348, 2021, doi: 10.1016/j.knosys.2021.107348.

M. M. Suhadi, M. A. Helmi, and W. Setiawan, “Simulasi Klasifikasi Hama Dan Penyakit Pada Jagung Dengan Naive Bayes,” J. Simantec, vol. 10, no. 1, pp. 1–8, 2022, doi: 10.21107/simantec.v10i1.11686.

X. D. Bai, Z. G. Cao, Y. Wang, M. N. Ye, and L. Zhu, “Image segmentation using modified SLIC and Nyström based spectral clustering,” Optik (Stuttg)., vol. 125, no. 16, pp. 4302–4307, 2014, doi: 10.1016/j.ijleo.2014.03.035.

F. Boemer, E. Ratner, and A. Lendasse, “Parameter-free image segmentation with SLIC,” Neurocomputing, vol. 277, pp. 228–236, 2018, doi: 10.1016/j.neucom.2017.05.096.

M. Zerroukat and T. Allen, “SLIC: A Semi-Lagrangian Implicitly Corrected method for solving the compressible Euler equations,” J. Comput. Phys., vol. 421, p. 109739, 2020, doi: 10.1016/j.jcp.2020.109739.

Y. Zhang, K. Liu, Y. Dong, K. Wu, and X. Hu, “Semisupervised Classification Based on SLIC Segmentation for Hyperspectral Image,” IEEE Geosci. Remote Sens. Lett., vol. 17, no. 8, pp. 1440–1444, 2020, doi: 10.1109/LGRS.2019.2945546.

Y. J. Liu, M. Yu, B. J. Li, and Y. He, “Intrinsic Manifold SLIC: A Simple and Efficient Method for Computing Content-Sensitive Superpixels,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 3, pp. 653–666, 2018, doi: 10.1109/TPAMI.2017.2686857.

S. Pan and M. Kudo, “Segmentation of pores in wood microscopic images based on mathematical morphology with a variable structuring element,” Comput. Electron. Agric., vol. 75, no. 2, pp. 250–260, 2011, doi: 10.1016/j.compag.2010.11.010.

Y. Sun, J. Gao, K. Wang, Z. Shen, and L. Chen, “Utilization of Machine Vision to Monitor the Dynamic Responses of Rice Leaf Morphology and Colour to Nitrogen, Phosphorus, and Potassium Deficiencies,” vol. 2018, pp. 16–18, 2018.




DOI: https://doi.org/10.21107/simantec.v11i1.14274

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Finki Dona Marleny, Ihdalhubbi Maulida, Mambang Mambang

Indexed By