Perbandingan Segmentasi Citra Menggunakan Algoritma K-Means Dan Algoritma Fuzzy C-Means

  • Zacky Yaser Malik Gumiwang Universitas Pembangunan Nasional 'Veteran' Jawa Timur
  • Ahmad Haikal Nuqqy Zahhar Universitas Pembangunan Nasional Veteran Jawa Timur
  • Hendra Maulana Universitas Pembangunan Nasional Veteran Jawa Timur
DOI: https://doi.org/10.52362/jmijayakarta.v3i1.992

Abstract

Segmentasi merupakan bagian penting dari analisis citra image/gambar yang diinginkan dianalisis untuk diproses lebih lanjut untuk memudahkan analisis untuk tujuan lain, seperti pengenalan pola. Segmentasi gambar yang menjadi bagian analisis citra digunakan untuk membagi suatu citra menjadi beberapa bagian dan bagian tujuan yang diinginkan. Salah satu teknik segmentasi citra adalah clustering. Kekelompokan merupakan upaya mengelompokkan data berdasarkan kategori dan merupakan metode mengelompokkan atau membagi data menjadi kumpulan data. Segmentasi gambar berbasis cluster penelitian ini menggunakan metode-k dan metode fuzzy. K-Measure adalah sebuah metode yang mudah dan cepat untuk dihitung, sedangkan fuzzy C-Means adalah algoritma yang populer digunakan dalam teknik pengelompokan fuzzy. Tujuan dari penelitian ini adalah untuk menemukan metode yang optimal saat melakukan segmentasi citra. Sebelum melakukan segmentasi, terlebih dahulu tentukan state. Identifikasi data uji menggunakan dua pendekatan yaitu analisis bentuk dan analisis tekstur. Hasil pengujian menunjukkan bahwa algoritma K-Means menghasilkan segmentasi berarti identifikasi yang lebih baik dari fuzzy C karena menghasilkan nilai yang hampir sama atau mendekati nilai cutoff fungsi gambar yang tersedia.

References

[1] Gunawan, F Alim. Erni W. Perangkat Lunak Segmentasi Citra Dengan Metode Watershed. JSIFO STMIK Mikroskil. 2011; vol 12(no 2): Pp.79-88.
[2] Amiya Halder, Soumajit Pramanik. Dynamic Image Segmentation Using Fuzzy C-Means Based Genetic Algorithm. International Journal Of Computer Application. 2011; vol 28(no 6): Pp.15-20.
[3] Arthur, D. dan Vassilvitskii, S. How Slow is the k-Means Method, Stanford University, Stanford, CA. 2006.
[4] Sowmya, B., Rani, B. S., 2010, Colour Image Segmentation Using Fuzzy Clustering Techniques and Competitive Neural Network, Applied Soft Computing, Vol 11, No 3, Hal 3170-3178.
[5] Puspitasari, D., Tjandrasa, H., 2011, Deteksi Kepala Janin pada Gambar USG Menggunakan Fuzzy C-Means (FCM) dengan Informasi Spasial dan Iterative Randomized Hough Transform (IRHT), Tesis, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember, Surabaya
[6] Lu, W., Tan, J., 2008, Detection of Incomplete Ellipse in Images with Strong Noise by Iterative Randomized Hough transform (IRHT), Pattern Recognition, Vol 41, No 4, Hal 1268-1279.
Published
2023-02-02
How to Cite
MALIK GUMIWANG, Zacky Yaser; NUQQY ZAHHAR, Ahmad Haikal; MAULANA, Hendra. Perbandingan Segmentasi Citra Menggunakan Algoritma K-Means Dan Algoritma Fuzzy C-Means. Jurnal Manajamen Informatika Jayakarta, [S.l.], v. 3, n. 1, p. 21-26, feb. 2023. ISSN 2797-0930. Available at: <https://www.journal.stmikjayakarta.ac.id/index.php/JMIJayakarta/article/view/992>. Date accessed: 06 july 2025. doi: https://doi.org/10.52362/jmijayakarta.v3i1.992.
Citation Formats
Issue
Vol 3 No 1 (2023): JMIJAYAKARTA: February 2023
Section
Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.