Date post: | 04-Mar-2023 |
Category: |
Documents |
Upload: | khangminh22 |
View: | 0 times |
Download: | 0 times |
ANALISIS KINERJA ALGORITMA ISMC (IMPROVED SPLIT
AND MERGE CLASSIFICATION) DENGAN CLUSTERING
UNTUK MENENTUKAN WARNA DOMINAN PADA CITRA
SITI HAJAR RISKA ARIYANTI
5235117160
Skripsi Ini Disusun Sebagai Salah Satu Syarat Untuk Memperoleh Gelar
Sarjana Pendidikan
PENDIDIKAN TEKNIK INFORMATIKA DAN KOMPUTER
JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS NEGERI JAKARTA
2015
ii
HALAMAN PERNYATAAN
Dengan ini saya menyatakan bahwa:
1. Karya tulis skripsi saya ini adalah asli dan belum pernah diajukan untuk
mendapatkan gelar akademik sarjana, baik di Universitas Negeri Jakarta
maupun di perguruan tinggi lain.
2. Karya tulis ini adalah murni gagasan, rumusan, dan penelitian saya sendiri
dengan arahan dosen pembimbing.
3. Dalam karya tulis ini tidak terdapat karya atau pendapat yang telah ditulis
atau dipublikasikan orang lain, kecuali secara tertulis dengan jelas
dicantumkan sebagai acuan dalam naskah dengan disebutkan nama
pengarang dan dicantumkan dalam daftar pustaka.
4. Pernyataan ini saya buat dengan sesungguhnya dan apabila di kemudian
hari terdapat penyimpangan dan ketidakbenaran dalam pernyataan ini,
maka saya bersedia menerima sanksi akademik berupa pencabutan gelar
yang telah diperoleh karena karya tulis ini, serta sanksi lainnya sesuai
dengan norma yang berlaku di Universitas Negeri Jakarta.
Jakarta, 20 November 2015
Yang Membuat Pernyataan
Siti Hajar Riska Ariyanti
5235117160
iii
ANALISIS KINERJA ALGORITMA ISMC (IMPROVED SPLIT
AND MERGE CLASSIFICATION) DENGAN CLUSTERING
UNTUK MENENTUKAN WARNA DOMINAN PADA CITRA
SITI HAJAR RISKA ARIYANTI
ABSTRAK
Warna dominan dapat digunakan untuk menunjukkan sebuah identitas atau
karakteristik sebuah objek pada citra. Namun, karena adanya perbedaan persepsi
terhadap warna, diperlukannya sebuah cara untuk menentukan warna dominan
yang pasti secara matematis. Pada penelitian ini, clustering digunakan dalam
pengelompokan data berupa piksel-piksel warna pada citra untuk menghasilkan
warna dominan. Hasil warna dominan pada citra adalah sebuah cluster dengan
anggota piksel warna homogen terbanyak. Algoritma yang dapat digunakan untuk
clustering pada citra adalah algoritma ISMC dengan metode split dan merge.
Dalam penelitian ini, peneliti menganalisis kinerja algoritma ISMC dengan
clustering untuk menentukan warna dominan pada citra dengan metode penelitian
eksperimen. Analisis kinerja algoritma didapat dari hasil akurasi keberhasilan dan
tingkat kesalahan algoritma ISMC, dengan mencocokkan hasil warna dominan
dari program clustering algoritma ISMC, dan hasil warna dominan dari program
pembanding dengan proses perhitungan jumlah piksel setiap warna. Dari hasil
penelitian, diperoleh kesimpulan bahwa persentase keberhasilan algoritma ISMC
dengan clustering untuk menentukan warna dominan pada citra sebesar 80%.
Adanya tingkat kesalahan sebesar 20%, menunjukkan bahwa penggunaan
clustering dengan implementasi algoritma ISMC tidak dapat dijadikan acuan
utama untuk menentukan warna dominan pada citra. Algoritma ISMC dapat
dijadikan bahan penelitian selanjutnya agar proses clustering dengan metode split
dan merge dapat dikembangkan.
Kata Kunci: ISMC, split, merge, clustering, warna dominan, citra
iv
THE ANALYSIS OF PERFORMANCE AN ISMC (IMPROVED
SPLIT AND MERGE CLASSIFICATION) ALGORITHM WITH
CLUSTERING TO DETERMINE THE DOMINANT COLOR IN
THE IMAGE
SITI HAJAR RISKA ARIYANTI
ABSTRACT
The dominant color can be used to show an identity or characteristics of an object
in the image. However, because of differences in perception of color, need a way
to determine the dominant color in the image with a mathematically exact. In this
study, clustering is used for grouping color pixels in the image to produce a
dominant color. The dominant color result is a cluster with the highest members
of the same color pixels in the image. A clustering algorithm that used is ISMC
algorithm with split and merge methods. In this study, the researcher will analyze
the performance an ISMC algorithm with clustering to determine the dominant
color in the image with the experimental research methods. The analysis of the
performance an algorithm obtained from the accuracy of the success and error rate
test results from programs that use an ISMC algorithm, with test results from a
comparison program to determine the dominant color. From the results of the
research, concluded that the success of ISMC clustering algorithm determines the
dominant colors in the image by 80%. The presence of 20% error rate indicates
that the ISMC clustering algorithm cannot be used as the main reference for
determining the dominant color in the image. ISMC algorithm can be used as
further research in order to process clustering with split and merge can be
developed.
Keywords: ISMC, split, merge, clustering, dominant color, image
v
KATA PENGANTAR
Ucapan syukur kepada Tuhan Yang Maha Esa, atas kasih sayang, rahmat,
dan ridho-Nya, penulis dapat menyelesaikan skripsi ini dengan judul “Analisis
Kinerja Algoritma ISMC (Improved Split and Merge Classification) dengan
Clustering untuk Menentukan Warna Dominan pada Citra”. Tidak lupa shalawat
serta salam penulis panjatkan kepada uswatun khasanah, Nabi Muhammad SAW.
Penulis menyadari bahwa penulisan skripsi ini tidak lepas dari bimbingan
dan bantuan dari berbagai pihak, untuk itu penulis menyampaikan ucapan terima
kasih yang sebesar-besarnya kepada:
1. Ibu Yuliatri Sastrawijaya, M.Pd, selaku Ketua Program Studi Pendidikan
Teknik Informatika dan Komputer, Jurusan Teknik Elektro, Fakultas Teknik,
Universitas Negeri Jakarta.
2. Bapak Widodo, M.Kom, selaku dosen pembimbing pertama skripsi yang telah
memberikan bimbingan, pencerahan, motivasi, saran dan dukungan selama
penulis menyusun skripsi.
3. Bapak Bambang Prasetya Adhi, M.Kom, selaku dosen pembimbing kedua
skripsi yang telah memberikan bimbingan, pencerahan, motivasi, saran dan
dukungan selama penulis menyusun skripsi.
4. Seluruh dosen dan staf tata usaha Program Studi Pendidikan Teknik
Informatika dan Komputer yang telah memberikan kelancaran dalam
administrasi skripsi.
5. Alm. H. Zakaria Idris, S.Sos, Papa saya tercinta yang selalu menjadi motivasi
saya untuk terus melangkah dan membahagiakan keluarga. Hj. Sri Sulastika,
Mama saya yang telah sabar merawat, mendidik, dan membesarkan saya
dengan penuh pengorbanan dan kasih sayang.
6. Achmad Reza Fadillah, Miranti Dwi Ria Rezeki, Muhammad Ikrar Idris, dan
Achmad Meiza S.N.I, saudara/i saya yang selalu memberikan motivasi untuk
selalu tetap berjuang dalam kondisi apapun.
7. Fadel Muhammad Ikhwan, yang selalu menemani dalam suka dan duka, yang
selalu memberikan dukungan, semangat, motivasi dan tujuan untuk terus
melangkah ke masa depan.
vi
8. Teman-teman Program Studi Pendidikan Teknik Informatika dan Komputer
kelas reguler dan non reguler yang sudah menemani selama 4 tahun terakhir.
Akhir kata, penulis meminta maaf atas segala kesalahan dalam skripsi ini,
dan penulis berharap semoga skripsi ini dapat memberikan manfaat bagi semua
pihak serta dapat dikembangkan menjadi lebih baik lagi.
Jakarta, 20 November 2015
Penulis
Siti Hajar Riska Ariyanti
5235117160
vii
DAFTAR ISI
Halaman
HALAMAN PENGESAHAN ……………………………………………….. i
HALAMAN PERNYATAAN ……………………………………………….. ii
ABSTRAK ………………………………………………………………….… iii
ABSTRACT …………………………………………………………………... iv
KATA PENGANTAR ….……………………………………………………... v
DAFTAR ISI ………………………………………………………….………. vii
DAFTAR TABEL ………………………………………………………..…… x
DAFTAR GAMBAR …………………………………………………………. xi
DAFTAR LAMPIRAN ………………………………………………………. xii
BAB I PENDAHULUAN …………………………………………………….. 1
1.1. Latar Belakang ………………………………………………………… 1
1.2. Identifikasi Masalah …………………………………………………... 4
1.3. Batasan Masalah ………………………………………………………. 4
1.4. Rumusan Masalah …………………………………………………….. 5
1.5. Tujuan Penelitian ……………………………………………………… 5
1.6. Manfaat Penelitian ……………………………………..……………… 5
BAB II KERANGKA TEORITIK DAN KERANGKA BERPIKIR …………. 7
2.1. Kerangka Teoritik …………………………………….……….………... 7
2.1.1. Warna ...………………………………………….………………. 7
2.1.1.1. Definisi Warna …………………………………………….. 7
2.1.1.2. Fungsi Warna ……………………………………………… 8
2.1.1.3. Kelompok Warna ……………………………….……….… 9
2.1.2. Warna Dominan …………………………………………………. 13
2.1.3. Citra …………………...………………………………………… 14
2.1.3.1. Definisi Citra ……………………………………………… 14
2.1.3.2. Jenis Citra …………………………………………………. 15
2.1.4. Analisis ………………………………………………………….. 17
2.1.5. Kinerja …………………………………………………………... 18
2.1.6. Data Mining ……………………………………………………... 19
2.1.6.1. Definisi Data Mining .…………………………………...… 19
viii
2.1.6.2. Operasi Data Mining …….………………………………... 19
2.1.6.3. Teknik Data Mining ………………………………………. 20
2.1.7. Clustering ……………………………………………………….. 21
2.1.7.1. Definisi Clustering ………………………………………... 21
2.1.7.2. Metode Clustering ………………………………………… 22
2.1.8. Algoritma ISMC (Improved Split and Merge
Classification) …………………………………………………... 23
2.1.8.1. Definisi Algoritma ISMC (Improved Split and Merge
Classification) …………………………………………….. 23
2.1.8.2. Langkah Implementasi Algoritma ISMC
(Improved Split and Merge Classification) ……………….. 24
2.1.9. Akurasi …………………………….……………………………. 27
2.1.10. Black Box Testing …………………………………………….…. 28
2.1.10.1. Definisi Black Box Testing ………………………………... 28
2.1.10.2. Klasifikasi Black Box Testing ……………………………... 29
2.1.11. Referensi Jurnal yang Relevan …………………….……………. 33
2.2. Kerangka Berpikir …………………….………………………………… 37
BAB III METODE PENELITIAN …………..…………………………...….. 40
3.1. Tempat dan Waktu Penelitian ……….……………………………….…. 40
3.2. Metode Penelitian ……………………………………………….………. 40
3.3. Definisi Operasional …………………………………………………….. 41
3.4. Instrumen Penelitian ……………………………………….……………. 42
3.5. Prosedur Penelitian …………………….………………………………... 42
3.5.1. Pengumpulan Data …………………………………….………….. 44
3.5.2. Pengelompokkan Secara Manual …………………………………. 44
3.5.3. Pra Proses Data ………………………………..………………….. 44
3.5.4. Implementasi Algoritma ISMC (Improved Split and Merge
Classification) …………………………………………………….. 45
3.5.5. Menampilkan Hasil ……………………………………………….. 49
3.5.6. Evaluasi dan Analisis Menggunakan Teknik Perhitungan
Akurasi ……………………………………………………………. 50
ix
3.6 Rancangan Program …………………………………………………… 50
3.6.1. Deskripsi Umum program ………………………………………… 51
3.6.2. Kebutuhan Fungsional Program dan Analisis Risiko …………….. 51
3.6.3. Perancangan Alur Program ……………………………………….. 52
3.6.4. Perancangan Desain Program …………………………………….. 53
3.6.5. Pengujian Program ………………………………………………... 55
BAB IV HASIL DAN PEMBAHASAN ……………………………………... 56
4.1. Hasil Penelitian …………………………………………………………. 56
4.1.1. Hasil Warna Dominan pada Citra Uji …………………………….. 56
4.1.2. Akurasi Keberhasilan dan Tingkat Kesalahan ………….………... 64
4.1.3. Hasil Pengujian Program ………………………………………….. 65
4.1.3.1. Pengujian Black Box dengan Functional Test ………………. 66
4.2. Pembahasan ……………………………………………………………... 67
4.2.1. Implementasi Algoritma Clustering ISMC pada Program ……….. 67
4.2.2. Pembahasan Hasil Citra Uji ……………………………………….. 70
4.2.3. Waktu Eksekusi Hasil ……………………………………………... 72
BAB V KESIMPULAN DAN SARAN ……………………………………... 77
5.1. Kesimpulan ……………………………………………………………… 77
5.2. Saran …………………………………………………………………….. 78
DAFTAR PUSTAKA ……………………………………………………….... 79
LAMPIRAN …………………………………………………………………... 81
DAFTAR RIWAYAT HIDUP
x
DAFTAR TABEL
Halaman
Tabel 3.1. Daftar Kebutuhan Fungsional Program dan Analisis Risiko ……... 51
Tabel 4.1. Hasil Warna Dominan pada Citra Uji …………….…………. ….... 56
Tabel 4.2. Nilai Akurasi Hasil Pengujian …………………………………….. 65
Tabel 4.3. Scenario Test Pengujian Fungsional pada Halaman Awal …….….. 66
Tabel 4.4. Scenario Test Pengujian pada Halaman Proses ………………..….. 67
Tabel 4.5. Scenario Test Pengujian pada Halaman Hasil ……………….……. 67
Tabel 4.6. Eksekusi Waktu Hasil .…………………………………………….. 72
xi
DAFTAR GAMBAR
Halaman
Gambar 1.1. Citra Laut ………………………………………………………. 2
Gambar 2.1. Pembentukan Spektrum Warna ………………………………… 7
Gambar 2.2. Golongan Warna ……………………………………………….. 10
Gambar 2.3. Komposisi Warna RGB ………………………………………… 11
Gambar 2.4. Komposisi Warna CYMK ……………………………………… 11
Gambar 2.5. Warna Solid …………………………………………………….. 12
Gambar 2.6. Warna Gradasi ………………………………………………….. 12
Gambar 2.7. Pembentukan Citra ……………………………………………... 14
Gambar 2.8. Contoh Piksel pada Gambar ……………………………………. 16
Gambar 2.9. Proses KDD ……………………………………………………. 20
Gambar 2.10. Proses Clustering……………………………………………….. 21
Gambar 2.11. Akurasi dan Presisi …………………………………….………. 28
Gambar 2.12. Skema Black Box Testing …………………………….………... 29
Gambar 2.13. Bagan Kerangka Berpikir …………………………………….... 39
Gambar 3.1. Bagan Prosedur Penelitian …………………………….……….. 43
Gambar 3.2. Ilustrasi Konversi Gambar Menjadi Data Kode Piksel Warna … 45
Gambar 3.3. Proses Split Cluster ………………………………………….…. 46
Gambar 3.4. Hasil Merge Cluster ………………………………………….… 48
Gambar 3.5. Alur Program Algoritma ISMC dengan Clustering …………… 49
Gambar 3.6. Rancangan Alur Program …………………………………….… 52
Gambar 3.7. Layout Halaman Utama …………………………………….….. 53
Gambar 3.8. Layout Halaman Upload Citra ……………………………….… 54
Gambar 3.9. Layout Halaman Hasil …………………………………………. 54
Gambar 4.1. Pengujian pada Citra ……………………………….…………... 68
Gambar 4.2. Hasil Pengujian Citra …………………………………………... 69
Gambar 4.3. Citra Warna Solid ………………………………………………. 70
Gambar 4.4. Citra Warna Gradasi…………………………………………….. 71
Gambar 4.5. Hasil Citra Warna Gradasi ……………………………………... 71
Gambar 4.6. Citra Aurora dengan Warna Gradasi ………………………….... 72
xii
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Source Code Program Algoritma ISMC (Improved Split and
Merge Classification) dengan Clustering untuk Menentukan
Warna Dominan pada Citra ……………………………………... 81
Lampiran 2. Tabel Pengujian Citra Uji untuk Menentukan
Warna Dominan pada Citra ……………………………………... 86
Lampiran 3. Scenario Test Pengujian Secara Fungsional
pada Program ……………………………………………………. 94
Lampiran 4. Langkah-langkah Penggunaan dan Pengujian Program
Algoritma Clustering ISMC untuk Menentukan Warna Dominan
pada Citra ………………………………………………………... 96
1
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Dalam melihat sebuah warna, manusia memiliki pendapat yang
berbeda secara emosional dan bergantung pada kemampuan penglihatannya
masing-masing. Salah satu fungsi warna pada citra, yaitu dapat digunakan
untuk menunjukkan sebuah identitas atau karakteristik suatu objek. Namun,
perbedaan persepsi terhadap warna mengakibatkan perbedaan dalam
memaknai suatu objek, sehingga warna akan kehilangan fungsinya.
Contoh fungsi warna untuk menunjukkan karakteristik suatu objek
pada citra, terdapat pada citra logo dengan warna solid. Pada produk
minuman A, memiliki citra logo dengan warna dominan merah. Secara
psikologis, warna merah menunjukkan bahwa perusahaan tersebut memiliki
produk dengan warna hangat yang berarti aksi, agresif, energi, semangat dan
kekuatan. Contoh fungsi warna untuk menunjukkan identitas suatu objek
pada citra, terdapat pada citra kenampakan alam dengan warna gradasi
seperti pada Gambar 1.1. Dalam ilmu kelautan (oseanografi), warna
dominan dapat digunakan untuk memperkirakan kedalaman laut, semakin
gelap warna biru pada laut, maka akan semakin dalam kedalamannya.
2
Sumber: National Geographic, 2015
Gambar 1.1. Citra Laut
Perbedaan persepsi terhadap warna dominan, terjadi jika objek
pada citra hanya dilihat secara visual oleh mata manusia secara subjektif,
maka diperlukannya suatu cara yang dapat memberikan informasi sebuah
warna dominan dari data citra yang berisi sejumlah piksel warna.
Kemampuan untuk mengekstraksi informasi dari suatu data,
melatarbelakangi kehadiran data mining. Data mining tidak hanya dalam
bentuk database, bahkan pengolahan citra (image processing) juga
digunakan dalam rangka melakukan data mining terhadap data
image/spatial. Suatu teknik dari data mining untuk pengelompokkan data
disebut dengan clustering (Hermawati, 2013: 16).
Clustering menjadi salah satu cara yang mungkin dapat digunakan
untuk menangani masalah dalam menentukan warna dominan dengan
pengelompokkan data berupa piksel warna yang terdapat pada citra. Sudah
terdapat beberapa penelitian mengenai clustering terhadap citra, namun
penelitian mengenai clustering menggunakan algoritma ISMC (Improved
3
Split and Merge Classification) belum pernah dilakukan untuk menentukan
warna dominan pada citra.
Algoritma ISMC (Improved Split and Merge Classification)
merupakan algoritma yang digunakan untuk clustering pada citra dengan
metode split dan merge cluster. Pengembangan algoritma ini dilakukan oleh
Agus Zainal Arifin dan Aniati Murni, sebagai dosen Jurusan Teknik
Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
November pada tahun 2002. Dalam penelitianya, diimplementasikan
algoritma ISMC (Improved Split and Merge Classification) untuk klasifikasi
citra penginderaan jauh multispektral. Setelah penelitiannya, beberapa
peneliti lain menggunakan implementasi algoritma ISMC (Improved Split
and Merge Classification) sebagai bahan penelitian. Seperti yang dilakukan
oleh Erlangga Al Farozi sebagai mahasiswa Program Studi Ilmu Komputer,
Universitas Gajah Mada pada tahun 2010, Ia meneliti unjuk kerja algoritma
ISMC (Improved Split and Merge Classification) pada citra jarak jauh.
Implementasi algoritma ISMC (Improved Split and Merge
Classification) dengan clustering ini, diharapkan dapat menyelesaikan
permasalahan–permasalahan yang timbul mengenai perbedaan persepsi
terhadap warna pada citra, sehingga dapat diketahui analisis kinerja
algoritma ISMC (Improved Split and Merge Classification) sebagai
algoritma clustering untuk menentukan warna dominan pada citra.
4
1.2. Identifikasi Masalah
Dari latar belakang masalah yang telah dikemukakan di atas dapat
diidentifikasi beberapa masalah sebagai berikut:
1. Adanya perbedaan persepsi terhadap warna jika hanya dilihat secara
visual oleh mata manusia secara subjektif.
2. Masih sedikitnya penelitian menggunakan teknik clustering dalam
pengelompokkan warna untuk menentukan warna dominan pada citra.
3. Masih sedikitnya penelitian mengenai kinerja algoritma ISMC
(Improved Split and Merge Classification) untuk clustering terhadap
citra.
4. Algoritma ISMC (Improved Split and Merge Classification) belum
pernah diimplementasikan dalam proses clustering untuk menentukan
warna dominan pada citra.
1.3. Batasan Masalah
Agar penelitian ini tidak terlalu luas dan menjadi lebih mudah
dipahami, dengan mengingat keterbatasan waktu dan pengetahuan penulis,
maka penelitian dibatasi pada:
1. Algoritma clustering yang digunakan adalah algoritma ISMC (Improved
Split and Merge Classification).
2. Fokus penelitian hanya pada analisis kinerja algoritma ISMC (Improved
Split and Merge Classification).
3. Data yang digunakan sebagai bahan pengujian algoritma ISMC
(Improved Split and Merge Classification) adalah berupa beberapa citra.
5
4. Sebagai bahan untuk pengujian, citra yang dipakai adalah citra yang
memiliki ukuran maksimal 200 x 200 piksel.
5. Parameter analisis unjuk kerja adalah cluster yang memiliki jumlah
anggota piksel warna homogen terbanyak pada citra dengan proses
clustering menggunakan algoritma ISMC (Improved Split and Merge
Classification).
1.4. Rumusan Masalah
Berdasarkan latar belakang, identifikasi, dan pembatasan masalah
diatas, maka rumusan permasalahan pada penelitian ini adalah bagaimana
analisis kinerja algoritma ISMC (Improved Split and Merge Classification)
untuk menentukan warna dominan pada citra?
1.5. Tujuan Penulisan
Tujuan yang ingin dicapai dari penelitian ini adalah mengetahui
analisis kinerja algoritma ISMC (Improved Split and Merge Classification)
dalam menentukan warna dominan terhadap citra dengan membangun
program yang dapat menunjang kebutuhan analisis cluster data.
1.6. Manfaat Penelitian
Manfaat yang ingin dicapai dari penelitian ini yaitu:
1. Bagi Mahasiswa
a. Menjadi acuan bagi pengembangan penelitian selanjutnya.
b. Menambah pengetahuan bagi mahasiswa dalam bidang data mining.
6
c. Mahasiswa mengetahui bagaimana clustering atau pengelompokkan
dalam bidang data mining untuk menentukan warna dominan pada
citra.
2. Bagi Dosen
a. Menjadi bahan referensi dalam mengajar data mining, sebagai bahan
studi pertimbangan dan pengembangan lebih lanjut mengenai
clustering menggunakan algoritma ISMC (Improved Split and Merge
Classification).
3. Bagi Program Studi Pendidikan Informatika dan Komputer UNJ
a. Hasil penelitian ini dapat digunakan sebagai fasilitas pendukung
dalam proses belajar-mengajar peminatan Rekayasa Perangkat
Lunak.
b. Pihak prodi PTIK dapat meningkatkan kualitas penelitian mengenai
pengimplementasian data mining dengan mengacu pada penelitian
ini.
c. Menjadi salah satu informasi yang bermanfaat dan dapat diterapkan
dalam pengembangan mata kuliah Data Mining untuk teknik
clustering dengan unjuk kerja algoritma ISMC (Improved Split and
Merge Classification).
7
BAB II
KERANGKA TEORITIK DAN KERANGKA BERPIKIR
2.1. Kerangka Teoritik
2.1.1. Warna
2.1.1.1. Definisi Warna
Warna adalah persepsi yang dirasakan oleh program visual manusia
terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Warna
merupakan salah satu unsur yang tidak bisa berdiri sendiri. Penampilan warna
selalu dipengaruhi dan ditentukan oleh warna yang lain. Warna merupakan
tampilan fisik pertama yang sampai ke mata kita guna membedakan ragam
sesuatu, baik benda mati atau benda hidup (Syafrizal, 2015:24).
Warna dapat didefinisikan secara objektif atau fisik sebagai sifat
cahaya yang dipancarkan, atau secara subjektif dan psikologis sebagai bagian
dari pengalaman indera penglihatan. Warna dapat kita lihat karena ada
interaksi atau adanya saling mempengaruhi antar warna itu sendiri, warna
yang paling dasar adalah warna merah, biru, dan hijau (RGB) (Wibowo,
2015:131). Proses pembentukan spektrum warna digambarkan pada Gambar
2.1.
Sumber : Wenny, 2015
Gambar 2.1. Pembentukan Spektrum Warna
8
2.1.1.2. Fungsi Warna
Fungsi identitas warna, warna memiliki kegunaan mempermudah
manusia mengenal identitas suatu kelompok masyarakat, organisasi atau
Negara seperti seragam, bendera, logo perusahaan, dan lain-lain. Fungsi warna
sebagai isyarat atau media komunikasi, warna memberi tanda-tanda atau sifat
dan/atau kondisi. Fungsi psikologis warna dilihat dari sudut pandang
kejiwaan, warna dikaitkan dengan karakter-karakter manusia. Fungsi warna
secara alamiah, warna adalah properti benda tertentu, dan merupakan
penggambaran sifat objek secara nyata, atau secara umum warna mampu
menggambarkan sifat objek secara nyata (Wibowo, 2015:133).
Menurut Wibowo (2015:148), warna juga dapat mewakili sebuah
emosi kemarahan, kehangatan, kakuatan, kemurnian dan emosi-emosi lainnya.
Berikut ini contoh-contoh warna dan maknanya:
a. Hitam : Memiliki makna kekuasaan, kekuatan, namun juga terkadang
memiliki arti misterius.
b. Putih : Memiliki arti kepolosan dan kemurnian.
c. Merah : Semangat dan berani.
d. Biru : Memiliki arti damai, tenang dan kesetiaan.
e. Hijau : Segar dan baik untuk relaksasi.
f. Ungu : Memiliki arti royal, mewah dan kekayaan.
g. Kuning : Optimisme, harapan, senang, berubah-ubah, dan santai.
9
2.1.1.3. Kelompok Warna
Warna dibagi ke beberapa kelompok warna, seperti yang ditunjukkan
pada Gambar 2.2, menggambarkan warna berdasarkan golongannya. Menurut
Ibnu Teguh Wibowo (2015:138-139), dijelaskan bahwa warna dibagi menjadi
5 kelompok warna, yaitu:
1. Warna primer
Merupakan warna dasar yang tidak merupakan campuran dari warna-
warna lain. Warna yang termasuk dalam golongan warna primer adalah
merah, biru, dan kuning.
2. Warna sekunder
Merupakan hasil pencampuran warna-warna primer dengan proporsi 1:1.
Misalnya warna jingga merupakan hasil campuran warna merah dengan
kuning, hijau adalah campuran biru dan kuning, dan ungu adalah
campuran merah dan biru.
3. Warna tersier
Merupakan campuran salah satu warna primer dengan salah satu warna
sekunder. Misalnya warna jingga kekuningan didapat dari pencampuran
warna kuning dan jingga.
4. Warna netral
Merupakan hasil campuran ketiga warna dasar dalam proporsi 1:1:1.
Warna ini sering muncul sebagai penyeimbang warna-warna kontras di
alam. Biasanya hasil campuran yang tepat akan menuju hitam.
10
Sumber: Afandi, 2015
Gambar 2.2. Golongan Warna
5. Warna hangat dan warna dingin
Warna hangat adalah warna–warna yang mengarah pada warna kuning dan
jingga, terkesan semangat dan dinamis.
Warna dingin adalah warna-warna yang mengarah pada biru dan hijau,
terkesan lembut dan tenang.
Menurut Feri Sulianta (2014:121-122), warna dibagi menjadi
beberapa mode berdasarkan:
1. Mode RGB
Dalam image 8 bit/channel, nilai intensitas warna ini berkisar dari 0
hingga 255 untuk setiap komponen, baik itu Red (R), Green (G) dan Blue
(B), ilustrasi pembagian warna RGB ditunjukkan pada Gambar 2.3.
11
Sumber : Sulianta, 2014:121
Gambar 2.3. Komposisi Warna RGB
2. Mode CMYK
Dalam mode CMYK, setiap piksel dikenakan persentase nilai untuk setiap
tinta proses. Warna-warna terang memiliki persentase nilai tinta yang
kecil, sedangkan warna–warna yang lebih gelap memiliki persentase yang
lebih besar. Komposisi model warna CMYK ditunjukkan pada Gambar
2.4.
Sumber : Sulianta, 2014:122
Gambar 2.4. Komposisi Warna CYMK
Menurut Wahana Komputer (2010:23), terdapat 2 jenis warna yang
dapat diaplikasikan ke dalam sebuah citra yang dikategorikan sebagai berikut:
12
1. Warna Solid
Warna solid adalah warna yang hanya tersusun dari satu warna tunggal,
warna yang di berikan pada suatu objek atau desain berupa warna blok
atau pemberian 1 warna pada objek seperti yang digambarkan pada
Gambar 2.5.
Gambar 2.5. Warna Solid
2. Warna Gradasi
Warna gradasi merupakan warna yang tersusun dari berbagai warna pada
satu tampilan objek. Warna Gradasi adalah proses perubahan dari satu
warna ke warna lain dalam satu objek. Proses warna gradasi bisa terjadi
dengan perubahan lebih dari 2 warna berbeda atau lebih seperti yang
digambarkan pada Gambar 2.6, terdapat gradasi warna kuning dengan
warna biru.
Gambar 2.6. Warna Solid
13
2.1.2. Warna Dominan
Dalam Kamus Besar Bahasa Indonesia (KBBI) online (2015), dominan
diartikan sebagai sesuatu yang bersifat sangat menentukan karena kekuasaan
atau sifat menguasai, sesuatu yang sangat berpengaruh kuat dan sangat
menonjol. Seperti contoh, warna biru sangat dominan (berpengaruh, sering
terlihat) pada lukisan laut.
Sehingga, warna dominan dapat diartikan sebagai warna yang paling
terlihat atau menonjol pada suatu objek. Seperti contoh, jika kita pergi ke suatu
taman, akan terlihat bunga–bunga dan tanaman hijau. Jika warna yang paling
terlihat atau menonjol adalah warna hijau, maka warna dominan hijau tersebut
menunjukkan bahwa taman didominasi oleh tanaman hijau, rumput dan daun-
daun.
Warna dominan juga dapat terlihat pada sebuah objek di dalam sebuah
citra. Namun, untuk menentukan warna dominan pada citra, tidak cukup hanya
dengan pendapat manusia secara subjektif. Hal ini dikarenakan manusia
memiliki perbedaan persepsi terhadap warna secara emosional dan kemampuan
penglihatannya masing-masing. Setiap gambar memiliki piksel yang dapat
dikelompokan dan diberi nama, hal ini dapat memberikan suatu nilai dominan
dari warna yang terdapat pada satu gambar (Vina C. dan Eko Sediyono, 2011:1).
Maka, dapat disimpulkan bahwa warna dominan pada citra dapat
dihitung dengan pencacahan setiap piksel warna pada citra (dengan
sistem/program pencacah), dan piksel warna yang memiliki jumlah terbanyak
merupakan satu warna dominan yang terdapat pada citra.
14
2.1.3. Citra
2.1.3.1. Definisi Citra
Kata “citra” atau yang dikenal secara luas dengan kata “gambar”,
dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris N kolom, dengan x
dan y adalah koordinat spasial, dan amplitudo d di titik koordinat (x,y)
dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut, proses
pembentukkan citra dapat dilihat pada Gambar 2.7. Apabila nilai x,y, dan nilai
amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka
dapat dikatakan bahwa citra tersebut adalah citra digital (Putra, 2010:19).
Sumber : Syafrizal, 2015
Gambar 2.7. Pembentukan Citra
Citra adalah suatu reprentasi (gambaran), kemiripan, atau imitasi
dari suatu objek. Citra sebagai keluaran suatu program perekaman data dapat
bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti
gambar pada monitor televisi, atau bersifat digital yang dapat langsung
disimpan pada suatu media penyimpan (Sutoyo, 2009:9).
Citra (image) adalah gambar pada bidang dua dimensi. Ditinjau dari
sudut pandang matematis, citra merupakan fungsi menerus (continue) dari
15
intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek,
objek memantulkan kembali sebagian dari berkas cahaya. Pantulan cahaya ini
ditangkap oleh alat-alat optik, seperti mata pada manusia, kamera, pemindai
(scanner), dan lain-lain sehingga bayangan objek dalam bentuk citra dapat
terekam (Sawaluddin et al, 2006:12). Citra sebagai output dari suatu program
perekaman data dapat bersifat:
1. Optik, berupa foto.
2. Analog berupa sinyal video, seperti gambar pada monitor televisi.
3. Digital yang dapat langsung disimpan pada suatu pita magnetic.
2.1.3.2. Jenis Citra
Menurut R.H. Sianipar (2013:200-202), berikut ini dijelaskan
beberapa jenis citra:
1. Citra Biner : Setiap piksel hitam atau putih. Karena hanya ada dua
kemungkinan nilai pada setiap piksel, maka yang diperlukan hanya satu bit
per piksel.
2. Citra abu-abu : Setiap piksel merupakan bayangan abu-abu, yang memiliki
nilai intensitas 0 (hitam) sampai 255 (putih). Rentang ini berarti bahwa
setiap piksel dapat direprentasikan oleh delapan bit, atau satu byte.
3. Citra warna atau RGB : Disini setiap piksel memiliki suatu warna khusus.
Warna tersebut dideskripsikan oleh jumlah warna merah (R, red), hijau (G,
green), dan biru (B, blue). Jika setiap komponen warna tersebut memiliki
rentang intensitas 0-255, maka terdapat sejumlah 2563 = 16.777.216
16
kemungkinan jenis warna pada citra ini. Karena dibutuhkan 24 bit per
piksel, maka citra ini disebut pula dengan citra warna 24-bit.
4. Citra indeks : Kebanyakan citra warna memiliki lebih dari enam belas juta
kemungkinan jenis warna. Untuk kepentingan penyimpanan dan
penanganan file, citra indeks memiliki peta warna atu color palette, yang
memuat semua warna pada citra.
Menurut Jubilee Enterprise (2013:34), setiap gambar yang dihasilkan
dari sebuah kamera memiliki kualitas yang berbeda – beda, dan kualitas suatu
gambar ditentukan oleh 3 faktor:
1. Piksel
Piksel adalah jaringan berbentuk kotak-kotak kecil yang dapat
mereprentasikan warna dan identitas pada suatu gambar. Setiap piksel
mempunyai satu warna dan bergabung dengan piksel-piksel lainnya
sehingga membentuk suatu pola dan menghasilkan gambar seperti yang
terlihat pada Gambar 2.8.
Sumber: Dokumentasi Penulis
Gambar 2.8. Contoh Piksel pada Gambar
17
2. Resolusi
Jumlah piksel perdaerahnya disebut dengan resolusi. Resolusi itulah yang
menentukan kualitas dari gambar. Jika suatu gambar diperbesar, maka
resolusi gambar menjadi kecil dan gambar menjadi tidak tajam. Semakin
tinggi resolusi gambar, maka semakin tinggi kemampuan perbesarannya.
3. Intensitas
Piksel yang membentuk suatu gambar memiliki warna-warna tertentu.
Jumlah warna yang dimiliki suatu gambar disebut intensitas. Intensitas
gambar mempunyai beberapa jenis istilah yaitu 256 warna, high color, 16
juta warna (true color), gradasi abu-abu (grayscale), dan hitam-putih
(black & white). Semakin banyak jumlah warna dalam suatu gambar maka
akan semakin baik. Jumlah warna maksimum dari gambar dapat dilihat
dari jenis (ekstensi) datanya. Data gambar berekstensi *.jpg memiliki
jumlah warna maksimum 16 juta warna, data gambar berekstensi .gif
memiliki jumlah warna maksimum 265 warna.
2.1.4. Analisis
Menurut Kamus Besar Bahasa Indonesia Online, analisis diartikan
sebagai suatu “penyelidikan” terhadap suatu peristiwa (karangan, perbuatan, dan
sebagainya) untuk mengetahui keadaan yang sebenarnya dengan penjabaran
cara kerja atau proses kerja, serta identifikasi hal-hal yang mempengaruhi proses
kerja dan hasil. Seperti contoh pada penyelidikan kimia dengan menguraikan
sesuatu untuk mengetahui zat bagiannya dan sebagainya dengan penjabaran
18
sesudah dikaji sebaik-baiknya, sehingga mendapatkan sebuah pemecahan
persoalan atau jawaban kebenarannya.
Jadi, dari pengertian analisis diatas, dapat disimpulkan bahwa analisis
adalah sekumpulan aktivitas dan proses dengan merangkum sejumlah
besar data yang masih mentah menjadi informasi yang dapat diinterpretasikan.
Semua bentuk analisis berusaha menggambarkan pola-pola secara konsisten
dalam data sehingga hasilnya dapat dipelajari dan diterjemahkan dengan singkat
dan penuh arti.
2.1.5. Kinerja
Menurut Kamus Besar Bahasa Indonesia Online, kata “kinerja” berasal
dari bahasa Inggris (performance), yang berarti pertunjukan; perbuatan; daya
guna, hasil, prestasi; pelaksanaan, penyelenggaraan; pergelaran. Pertunjukan
berarti sesuatu yang dipertunjukkan; perbuatan berarti tindakan; daya guna
berarti efisien/tepat guna; hasil berarti sesuatu yang diadakan oleh usaha,
prestasi berarti hasil yang telah dicapai; pelaksanaan berarti proses, cara,
perbuatan melaksanakan; penyelenggaraan berarti proses, cara, perbuatan
menyelenggarakan dalam berbagai-bagai arti; dan pergelaran yang berarti
pertunjukan. Dilihat dari berbagai artinya di atas, kata “kinerja” lebih mengacu
ke dalam arti “hasil”.
Sedangkan dalam Kamus Bahasa Indonesia lama, kata kinerja berarti
unjuk kerja (Inggris: performance) (Suharto dan Tata Iryanto, 1996:139). Di
edisi terbaru, kata “kinerja”, dalam Kamus Besar Bahasa Indonesia, mempunyai
arti sesuatu yang dicapai; prestasi yang diperlihatkan; kemampuan kerja.
19
2.1.6. Data Mining
2.1.6.1. Definisi Data Mining
Data mining adalah proses yang mempekerjakan satu atau lebih
teknik pembelajaran komputer (machine learning) untuk menganalisis dan
mengekstrasi pengetahuan (knowledge) secara otomatis. Data mining berisi
pencarian trend atau pola yang diinginkan dalam database besar untuk
membantu pengambilan keputusan di waktu yang akan datang. Pola-pola ini
dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data
yang berguna dan berwawasan yang kemudian dapat dipelajari lebih teliti,
yang mungkin saja menggunakan perangkat pendukung keputusan yang
lainnya (Prasetyo, 2014:2).
Database bukan satu-satunya bidang ilmu yang mempengaruhi data
mining, banyak lagi bidang ilmu yang turut memperkaya data mining seperti:
information science (ilmu informasi), high performance computing,
visualisasi, machine learning, statistik, neural networks (jaringan syaraf
tiruan), pemodelan matematika, information retrieval dan information
extraction serta pengenalan pola. Bahkan pengolahan citra (image processing)
juga digunakan dalam rangka melakukan data mining terhadap data
image/spatial termasuk menangani masalah penggolongan warna dominan
pada image atau citra (Hermawati, 2013:16).
2.1.6.2. Operasi Data Mining
Menurut Fajar Astuti Hermawati (2013:15), tahapan proses operasi
dalam penggunaan data mining yang merupakan proses Knowledge Discovery
20
in Databases (KDD) seperti yang terlihat pada Gambar 2.9 dapat diuraikan
sebagai berikut:
1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan
awal serta apa sasaran pengguna.
2. Membuat target data-set yang meliputi pemilihan data dan fokus pada sub
data.
Sumber : Hermawati, 2013:15
Gambar 2.9. Proses KDD
3. Pembersihan dan transformasi data meliputi eliminasi derau, outliers,
missing value serta pemilihan fitur dan reduksi dimensi.
4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial,
klasifikasi, clusterisasi, dll.
5. Interpretasi, evaluasi dan visualisasi pola untuk melihat apakah ada
sesuatu yang baru dan menarik serta dilakukan iterasi jika diperlukan.
2.1.6.3. Teknik Data Mining
Teknik data mining adalah serangkaian proses untuk menggali nilai
tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak
diketahui secara manual. Beberapa teknik yang sering dibicarakan dalam
21
literatur data mining antara lain yaitu association rule mining, clustering,
klasifikasi, neural network, genetic algorithm dan lain-lain. Model maupun
hasil analisanya, salah satunya dengan kemampuan pembelajaran yang
dimiliki beberapa teknik data mining seperti klasifikasi (Hermawati, 2013:14).
2.1.7. Clustering
2.1.7.1. Definisi Clustering
Clustering atau analisis cluster adalah proses pengelompokan satu
set benda - benda fisik atau abstrak ke dalam kelas objek yang sama (Han,
2006:443). Cluster-cluster tersebut berisikan titik-titik yang lebih serupa
dengan titik pada cluster yang berbeda. Record data dibagi secara rekursif
hingga semua bagian mengandung seluruh titik dari cluster yang sama seperti
yang digambarkan pada Gambar 2.10 (Zalilia, 2007:32).
Sumber : Lia Zalilia, 2007:32
Gambar 2.10. Proses Clustering
22
Clustering merupakan sebuah proses untuk mengelompokkan data ke
dalam beberapa cluster atau kelompok sehingga data dalam satu cluster
memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki
kemiripan yang minimum. Tujuan dari clustering adalah menemukan cluster
data yang serupa didasarkan pada beberapa ukuran kemiripan yang digunakan
untuk menentukan cluster dari sebuah data baru (Moertini, 2002: 52).
2.1.7.2. Metode Clustering
Menurut Jiawei Han, Micheline Kamber & Jian Pei (2012:448-450),
dijelaskan metode utama clustering dapat diklasifikasikan ke dalam kategori
berikut:
1. Partitioning Method
Setiap partisi mewakili cluster dan k ≤ n. Artinya, membagi data ke dalam
kelompok k yang sedemikian rupa sehingga masing-masing kelompok
harus mengandung setidaknya satu objek. Dengan kata lain, membangun
berbagai partisi dan kemudian mengevaluasi partisi tersebut dengan
beberapa kriteria. Algoritma yang termasuk dalam metode ini adalah K-
Means, K-Medoids dan CLARANS.
2. Hierarchical Method
Membuat suatu penguraian secara hiearkikal dari himpunan data dengan
menggunakan beberapa kriteria. Metode ini terdiri atas dua macam, yaitu
agglomerative yang menggunakan strategi bottom-up dan disisive yang
menggunakan strategi top-down. Metode ini meliputi algoritma Birch,
Cure dan Chameleon.
23
3. Density-based Method
Metode berbasis density membagi satu set objek menjadi beberapa cluster
eksklusif, atau hirarki cluster. Metode ini berdasarkan konektifitas dan
fungsi densitas. Metode ini meliputi algoritma Dbscan, Optic, dan Denclu.
4. Grid-based Clustering
Metode berbasis grid merupakan kuantitas ruang objek ke dalam jumlah
terbatas sel-sel yang membentuk struktur grid. Semua operasi
pengelompokan dilakukan pada struktur grid. Metode ini berdasarkan
suatu struktur granularitas multi-level. Metode clustering ini meliputi
algoritma Sting, Wave Cluster, dan Clique.
2.1.8. Algoritma ISMC (Improved Split and Merge Classification)
2.1.8.1. Definisi Algoritma Improved Split and Merge Classification
Algoritma ISMC (Improved Split and Merge Classification)
merupakan algoritma hasil pengembangan dari algoritma SMC (Split and
Merge Classification). Algoritma ISMC menghasilkan cluster yang lebih
homogen, kondisi antar cluster yang lebih heterogen, dan mampu mencapai
konvergensi yang lebih cepat dari pada algoritma SMC dan ISODATA.
(Arifin dan Aniati, 2002:2).
Prosedur split pada ISMC berusaha membagi sebuah cluster secara
rekursif. Pembagian sebuah cluster menjadi 2 sub cluster dilakukan
berdasarkan pasangan piksel yang terjauh (2 piksel kutub). Tiap cluster yang
terbentuk dipecah lagi dengan proses yang sama hingga ukurannya melampaui
threshold untuk split. Kemudian dilakukan proses merging antar cluster yang
24
berdekatan. Proses selanjutnya adalah partitional, yakni assignment pixel
terhadap tiap pusat cluster untuk menentukan pusat cluster baru. Proses split,
merge, dan partitional ini diulang hingga konvergen (Arifin dan Aniati,
2006:3).
2.1.8.2. Langkah Implementasi Algoritma Improved Split and Merge
Classification
Menurut Agus Zainal Arifin dan Aniati (2006:2), dijelaskan langkah-
langkah algoritma ISMC (Improved Split and Merge Classification) adalah
sebagai berikut:
1. Penentuan nilai threshold
Threshold merupakan nilai awal yang diperlukan untuk memulai algoritma
perhitungan algoritma ISMC. ISMC memerlukan 3 nilai threshold, yaitu
τm (merge), τs (split) dan Toleransi. Penetapan nilai threshold yang optimal
akan mampu mengurangi redundansi (langkah-langkah yang tidak
diperlukan). Dalam hal ini threshold untuk split dan merge disesuaikan
dengan karakteristik data. Penghitungan τm dan τs adalah sebagai berikut:
𝜏𝑠=𝑆𝑃𝐿𝐼𝑇 𝑥 𝑠.................................................(2.1)
𝜏𝑚=𝑀𝐸𝑅𝐺𝐸 𝑥 𝑠...............................................(2.2)
Variabel s dihitung berdasarkan:
……….……………….(2.3)
Dimana β = 1.0 x 10-4
, n adalah jumlah dimensi, maxi dan min
i adalah
nilai maksimum dan minimum pada elemen ke-i dari seluruh vektor.
25
Sedangkan nilai default split dan merge ditetapkan berdasarkan
eksperimen.
2. Split cluster
Langkah split dimulai dengan pencarian nilai maksimum dan minimum
untuk tiap dimensi yang dilakukan berdasarkan component-wise.
Kemudian dilakukan bounding hingga semua vektor berada dalam batasan
tersebut. Jika jumlah dimensi adalah n, maka jumlah titik sudut yang
dihasilkan adalah 2n. Setiap sudut boundary akan dilakukan pencarian
vektor yang terdekat dan terjauh dari tiap titik sudut. Jumlah vektor yang
dihasilkan adalah 2 x 2n dan setiap vektor diukur jaraknya. Pasangan
vektor yang jaraknya paling jauh, akan dijadikan sebagai kutub. Pasangan
vektor ini dapat dinamakan sebagai ymax
dan ymin
. Proses split dapat
dilakukan, jika dm
melebihi splitting threshold τs. Jika tidak, maka program
akan menghapus seluruh cluster yang tidak mempunyai elemen. Adapun
nilai dm
ditentukan oleh rumus:
dm
= (ymax
– ymin
)T
(ymax
– ymin
)…………………………..(2.4)
Proses split akan menghasilkan 2 cluster dengan cara mengukur jarak
seluruh vektor pada cluster terhadap kedua vektor kutub. Kutub yang
terdekat itulah yang akan diikuti sebagai cluster yang baru. Proses split
akan diulang hingga tidak terjadi split lagi
3. Merge Cluster (Penggabungan cluster)
Pada proses ini, tiap cluster yang sudah terbentuk akan diukur jarak mean
vektornya. Rumus untuk menghitung jarak antar cluster adalah:
26
dm
= (mi – m
j)T
(mi – m
j)………………………………(2.5)
Jika dm kurang dari merging threshold (τm), maka semua vektor yang
terdapat didalam kedua cluster tersebut disatukan, sehingga menjadi 1
cluster. Merging dilakukan hingga tidak ada cluster yang dapat digabung
atau nilai τm selalu kurang dari dm. Hasil akhirnya adalah K buah cluster.
4. Penentuan keanggotaan tiap vektor
Pengukuran selanjutnya adalah memasukkan vektor yang tersedia kedalam
cluster- cluster yang saling berdekatan. Tiap vektor akan diperiksa dan
diputuskan untuk menjadi anggota salah satu cluster yang terdekat dari
vektor yang diperiksa. Pengukuran vektor menggunakan Euclidean
distance dengan rumus:
dk
= (y – mk)T
(y – mk), dimana k = 1,…,K ……….……(2.6)
K adalah jumlah seluruh cluster. Tiap vektor diputuskan sebagai anggota
cluster yang menghasilkan nilai dk
terkecil.
5. Penghitungan statistik cluster
Penghitungan angka statistik ini meliputi trace dari matriks between-
cluster scatter (Sb), mean m, dan konvergensi. Rumus yang digunakan
untuk mencari Sb adalah:
……………………(2.7)
Dimana nk
adalah jumlah vektor dalam cluster ke-k, sedangkan m adalah
mean vektor dari seluruh data set. Sedangkan rumus untuk penghitungan
mean vektor untuk seluruh data set adalah:
……………………………..(2.8)
27
Selanjutnya adalah pemeriksaan nilai konvergensi. Nilai konvergensi
bertujuan untuk menyatakan bahwa tiap cluster berbeda satu sama lain.
Konvergensi diperoleh, bila pada iterasi berikutnya, Sb
tidak mengalami
perubahan yang signifikan. Rumus yang digunakan adalah:
……………………………..(2.9)
S`b
adalah matriks between-cluster scatter dari iterasi sebelumnya,
sedangkan tol adalah nilai toleransi yang defaultnya diset 0.05. Oleh
karena jumlah cluster awal pada ISMC ini hanya 1, maka nilai awal Sb
adalah 0.
2.1.9. Akurasi
Ketelitian atau akurasi dapat didefinisikan sebagai perbandingan dari
informasi yang benar dengan jumlah seluruh informasi yang dihasilkan pada
satu proses pengolahan data tertentu. Akurasi digunakan sebagai analisis
seberapa baik hasil pekerjaan suatu subjek. Sehingga, dari definisi akurasi
tersebut, didapatkan perhitungan akurasi dengan rumus:
Akurasi (%) = n x 100……………..………………….(2.10)
N
Akurasi metode yang lebih baik adalah yang memberikan nilai R yang
mendekati 100%. Hasil pengukuran dikatakan akurat bila nilai rata-rata hasil
pengukuran mendekati/ hampir sama dengan nilai yang benar dengan n sebagai
data hasil dan N sebagai banyak data yang diuji (Amsyah, 2005:316).
Akurasi adalah ukuran seberapa dekat suatu hasil pengukuran dengan
nilai yang benar atau diterima dari kuantitas besaran yang diukur seperti yang
28
digambarkan pada Gambar 2.11. Maka, akurasi dapat digunakan sebagai suatu
pengukuran, yang hasilnya dapat dianalisis berdasarkan kinerja suatu objek yang
diukur.
Sumber: Amsyah, 2005:317
Gambar 2.11.Akurasi dan Presisi
2.1.10. Black box Testing
2.1.10.1. Definisi Black box Testing
Black box testing adalah menguji perangkat lunak dari segi
spesifikasi fungsional tanpa menguji desain dan kode program (Shalahuddin
dan Rosa, 2011:13). Pada black box testing, cara pengujian hanya dilakukan
dengan menjalankan atau mengeksekusi unit atau modul, kemudian diamati
apakah hasil dari unit itu sesuai dengan proses bisnis yang diinginkan seperti
yang digambarkan pada skema Gambar 2.12 (Al Fatta, 2007:172).
29
Sumber: Al Fatta, 2007:172
Gambar 2.12. Skema Black Box Testing
Ujicoba black box berusaha untuk menemukan kesalahan dalam
beberapa kategori, diantaranya:
1. Fungsi-fungsi yang salah atau hilang.
2. Kesalahan interface.
3. Kesalahan dalam struktur data atau akses database eksternal.
4. Kesalahan performa.
5. Kesalahan inisialisasi dan terminasi.
6. Batasan dari suatu data.
7. Validitas fungsional.
2.1.10.2. Klasifikasi Black Box Testing
Menurut Janner Simarmata (2010:316), klasifikasi black-box
testing adalah sebagai berikut:
30
1. Pengujian Fungsional (Functional Testing)
Pengujian dilakukan dalam bentuk tertulis untuk memeriksa apakah
aplikasi berjalan seperti yang diharapkan. Pengujian fungsional meliputi
seberapa baik program melaksanakan fungsinya.
2. Pengujian Tegangan (Stress Testing)
Pengujian tegangan berkaitan dengan kualitas aplikasi didalam
lingkungan.
3. Pengujian Beban (Load Testing)
Pada pengujian beban, aplikasi diuji dengan beban berat atau masukan,
seperti yang terjadi pada pengujian situs web, untuk mengetahui apakah
aplikasi atau situs gagal atau kinerjanya menurun.
4. Pengujian Khusus (Ad-hoc Testing)
Jenis pengujian ini dilakukan tanpa penciptaan rencana pengujian atau
kasus pengujian. Salah satu penggunaan terbaik dari pengujian khusus
adalah untuk penemuan. Pengujian ini membaca persyaratan atau
spesifikasi (jika ada) jarang memberikan panduan yang jelas mengenai
bagaimana sebuah program benar-benar bertindak, bahkan dokumentasi
pengguna tidak menangkap “look and feel” dari sebuah program.
5. Pengujian Penyelidikan (Exploratory Testing)
Pengujian penyelidikan mirip dengan pengujian khusus dan dilakukan
untuk mempelajari/mencari aplikasi.
6. Pengujian Usabilitas (Usability Testing)
Pengujian usabilitas adalah proses yang bekerja dengan pengguna akhir
secara langsung maupun tidak langsung untuk menilai bagaimana
31
pengguna merasakan paket perangkat lunak dan bagaimana mereka
berinteraksi dengannya.
7. Pengujian Asap (Smoke Testing)
Pengujian ini dilakukan untuk memeriksa apakah aplikasi tersebut sudah
siap untuk pengujian yang lebih besar dan bekerja dengan baik tanpa cela
sampai tingkat yang paling diharapkan.
8. Pengujian Pemulihan (Recovery Testing)
Pada dasarnya dilakukan untuk memeriksa seberapa cepat dan baiknya
aplikasi bisa pulih terhadap semua crash atau kegagalan hardware
masalah bencana, dan lain-lain.
9. Pengujian Volume (Volume Testing)
Pengujian volume adalah pengujian sebuah program (baik perangkat keras
dan perangkat lunak) untuk serangkaian pengujian dengan volume data
yang diproses adalah sebjek dari pengujian.
10. Pengujian Domain (Domain Testing)
Pengujian domain merupakan penjelasan yang paling sering menjelaskan
teknik pengujian.
11. Pengujian Skenario (Scenario Testing)
Pengujian skenario adalah pengujian yang realistis, kredibel dan
memotivasi stakeholder, tantangan untuk program dan mempermudah
penguji untuk melakukan evaluasi.
12. Pengujian Regresi (Regression Testing)
Pengujian regresi adalah pengujian yang berfokus pada pengujian ulang
setelah ada perubahan. Pada pengujian regresi berorientasi risiko.
32
13. Penerimaan Pengguna (User Acceptance)
Pada jenis pengujian ini, perangkat lunak diserahkan kepada pengguna
untuk mengetahui apakah perangkat lunak memenuhi harapan pengguna
dan bekerja seperti yang diharapkan.
14. Pengujian Alfa (Alpha Testing)
Pada jenis pengujian ini, pengguna diundang ke pusat pengembangan.
Pengguna menggunakan aplikasi dan pengembang mencatat setiap
masukan atau tindakan yang dilakukan oleh pengguna.
15. Pengujian Beta (Beta Testing)
Pada jenis pengujian ini, perangkat lunak didistribusikan sebagai sebuah
versi beta dengan pengguna yang menguji aplikasi di situs mereka.
Pengecualian/cacat yang terjadi dilaporkan kepada pengembang.
2.1.11. Referensi Jurnal yang Relevan
Proses clustering dalam bentuk data sebuah citra sebelumnya sudah
pernah digunakan dalam berbagai penelitian, namun dengan alat bantu dan
proses yang berbeda-beda. Berikut ini beberapa penelitian clustering data yang
telah dibuat menggunakan algoritma Improved Split and Merge Classification,
yaitu:
1. Analisis Clustering Data Menggunakan Algoritma Improved Split and
Merge Classification
a. Penelitian dilakukan oleh Erlangga Al Farozi, seorang mahasiswa di
Universitas Gajah Mada, Yogyakarta, Indonesia pada tahun 2010.
33
b. Penelitian bertujuan menganalisis cluster data menggunakan algoritma
Improved Split and Merge Classification terhadap citra jarak jauh.
c. Data yang digunakan adalah citra jarak jauh yang digunakan berasal dari
hasil capturing satelit Landsat-TM.
d. Bahasa pemrograman yang digunakan adalah bahasa pemrograman
JAVA.
e. Hasil dari penelitian berupa akurasi nilai cluster dari setiap citra yang di
proses dan tingkat keberhasilan algoritma ISMC dalam proses clustering
pada citra.
f. Kesimpulan dari hasil perancangan program, implementasi dan
pembahasan dapat ditarik kesimpulan sebagai berikut:
Keberhasilan proses pembentukan cluster sangat bergantung pada
karakteristik citra itu sendiri. Semakin besar jumlah piksel dan
semakin bervariasi warna citra, maka semakin besar kemungkinan
proses pembentukan cluster berhasil.
Semakin rendah nilai split dan merge, maka semakin lama waktu
eksekusi programnya.
Parameter split akan membentuk cluster yang lebih banyak jika
parameter split kecil, sedangkan jika parameter split besar maka
pembentukan cluster menjadi sedikit.
Jika jumlah cluster banyak dan memiliki parameter merge yang kecil
maka jumlah cluster menjadi lebih sedikit dibanding dengan
parameter merge yang memiliki nilai besar.
34
2. Implementasi Algoritma Clustering ISMC dan FCM
a. Penelitian dilakukan oleh Ri Handayani, Erwin Budi Setiawan, dan
Arie Ardiyanti Suryani, Fakultas Teknik Informatika, Institut
Teknologi Telkom, tahun 2011.
b. Penelitian bertujuan untuk menampilkan hasil clustering data
akademik mahasiswa dengan metode clustering menggunakan
algoritma ISMC dan FCM yang digunakan untuk pengelompokan
mahasiswa berdasarkan data histori mahasiswa tersebut, sehingga bisa
didapatkan kelompok–kelompok mahasiswa dengan pola tertentu.
c. Data yang diujikan yaitu data set bunga iris dan data mahasiswa. Data
bunga iris tersebut terdiri dari 4 (empat) field yaitu sepallength,
sepalwidth, petallength, petalwidth. Data uji yang kedua yaitu data
mahasiwa terdiri dari 4 (empat) field yaitu IPK, TAK, status, dan jalur.
d. Bahasa pemrograman yang digunakan adalah Visual Basic
e. Hasil dari clustering sangat tergantung pada data, dari percobaan yang
telah dilakukan terbukti bahwa algoritma FSMC dapat digunakan
untuk mengelompokkan data mahasiswa, dari percobaan yang telah
dilakukan dengan membandingkan hasil cluster dari masing-masing
angkatan data maka diperoleh persentase sebagai berikut:
Data angkatan 2005: UT sebesar 72%, JPPAN sebesar 17%,
JPPAU sebesar 0%, dan USM sebesar 10%.
Data angkatan 2006: UT sebesar 72%, JPPAN sebesar 16%,
JPPAU sebesar 3%, dan USM sebesar 9%.
35
Data angkatan 2007: UT sebesar 78%, JPPAN sebesar 12%,
JPPAU sebesar 1%, dan USM sebesar 9%.
Data angkatan 2008: UT sebesar 67%, JPPAN sebesar 20%,
JPPAU sebesar 1%, dan USM sebesar 12%.
f. Kesimpulan dari hasil clustering algoritma ISMC dan FCM adalah:
Performansi algoritma FCM ditentukan oleh inisialisasi jumlah
cluster, koefisien fuzzy, serta batasan error terkecil yang
diharapkan. Ketiga nilai tersebut didapatkan dengan cara trial and
error dari beberapa percobaan.
Pada algoritma ISMC dalam menentukan keanggotaan tiap-tiap
cluster menggunakan hard clustering dimana 1 data hanya boleh
masuk ke dalam cluster tertentu. Hal tersebut dapat diantisipasi
dengan menggunakan fuzzy clustering (FCM) dimana 1 data dapat
menjadi anggota beberapa cluster tergantung dari derajat
keanggotaan dari data tersebut.
3. Algoritma Clustering Adaptif Untuk Klasifikasi Citra Penginderaan Jauh
Multispektral
a. Agus Zainal Arifin, Fakultas Teknologi Informasi, Institut Teknologi
Sepuluh Nopember, dan Aniati Murni, Universitas Indonesia, tahun
2002.
b. Penelitian ini bertujuan membangun sebuah program yang mampu
melakukan unsupervised classification (klasifikasi tak terawasi)
terhadap citra multispektral dengan lebih akurat, dalam artian kondisi
cluster yang lebih kompak dan perbedaan antar cluster yang lebih
36
meningkat, serta ketepatan pengenalan kelas yang lebih tinggi.
Algoritma yang dikembangkan ini, diharapkan mampu melakukan
clustering secara otomatis, yakni tanpa meminta pemakai untuk
menentukan jumlah cluster dan posisi awal masing-masing pusatnya.
c. Sampel dari Landsat TM sebenarnya adalah 7 band, oleh karena
perbedaan resolusi, maka band 6 tidak digunakan, sehingga jumlahnya
menjadi 6 band. Sedangkan pada GOES-8, dari 5 band tersedia, hanya
band 2, 4, dan 5 yang digunakan, agar lebih relevan dengan uji coba
ISMC [15] yang menggunakan AVHRR band 2, 3, dan 4.
d. Bahasa pemrograman yang digunakan adalah Java Netbeans.
e. Hasil Pada uji coba berdasarkan kesamaan parameter, nampak bahwa
algoritma CA memiliki kelebihan dalam hal heterogenitas antar cluster
yang berkisar antara 0,86 % (F) hingga 47,10 % (B). Kelebihan
lainnya dalam hal homogenitas keanggotaan tiap cluster yang berkisar
antara 32,99 % (F) hingga 79,43 % (F). Peningkatan kecepatan
ternyata hanya terjadi pada sampel A (76,5 %), B (65,9 %), dan C (2,8
%), lainnya justru lebih lambat. Sedangkan pada uji coba berdasarkan
kesamaan jumlah cluster, peningkatan heterogenitas berkisar antara
1,26 % (D) hingga 42,15 % (B). Namun sampel F justru mengalami
penurunan -1,18 %. Dalam hal homogenitas, peningkatan berkisar
antara 20,70 % (G) hingga 61,44 % (B). Namun penurunan juga
terjadi, yakni pada sampel D (-13,94 %) dan F (-8,97 %).
f. Kesimpulan Berdasarkan uji coba ISMC dan CA dengan nilai
parameter yang sama, ternyata terbukti bahwa algoritma CA mampu
37
menghasilkan susunan cluster yang lebih kompak dan lebih
menampakkan heterogenitas antar cluster. Terjadi peningkatan
kecepatan sangat tajam pada sampel berdimensi tinggi, yang dalam hal
ini Landsat TM. Proses split bisa dilakukan dengan cepat, bila
mempertimbangkan juga faktor distribusi gray level. Penggunaan PCT
untuk histogram sangat dipengaruhi oleh korelasi, oleh karena itu
algoritma ini sangat sesuai untuk sampel yang tiap dimensinya saling
berkorelasi.
2.2. Kerangka Berpikir
Warna dominan dapat digunakan untuk menunjukkan identitas atau
karakteristik sebuah objek pada citra. Namun karena perbedaan persepsi
terhadap warna, diperlukannya sebuah cara untuk menentukan warna
dominan secara pasti untuk mendapatkan hasil warna dominan pada citra.
Untuk menentukan warna dominan pada citra, tidak cukup hanya
dengan pendapat manusia secara subjektif. Citra memiliki sejumlah piksel
warna yang beragam, sehingga kepastian warna dominan pada citra dapat
dihitung berdasarkan jumlah piksel warna dengan jumlah terbanyak atau
sering muncul dalam satu kelompok warna. Salah satu teknik yang
digunakan untuk pengelompokan data disebut dengan clustering. Algoritma
yang dapat digunakan untuk clustering pada citra adalah algoritma ISMC
(Improved Split and Merge Classification) dengan metode split dan merge.
Dengan hal ini, clustering dengan implementasi algoritma ISMC mungkin
akan menjadi salah satu cara untuk menentukan warna dominan pada citra
38
dengan mengelompokan data berupa piksel-piksel warna yang terdapat pada
sebuah citra, dan hasil warna dominan adalah sebuah kelompok piksel warna
dengan jumlah terbanyak.
Kinerja algoritma ISMC dengan clustering untuk menentukan
warna dominan pada citra, akan dianalisis berdasarkan nilai akurasi
keberhasilan dan tingkat kesalahan yang dihasilkan melalui pengujian yang
dilakukan dengan mencocokkan hasil warna dominan citra pada program
clustering menggunakan algoritma ISMC, dengan hasil uji warna dominan
citra pada program pembanding melalui proses pencacahan piksel dan
perhitungan jumlah piksel warna terbanyak pada citra tanpa algoritma
clustering. Penelitian ini diharapkan dapat menganalisis kinerja algoritma
ISMC (Improved Split and Merge Classification) dengan clustering untuk
menentukan warna dominan pada citra. Bagan dari kerangka berpikir
penelitian ini diilustrasikan pada Gambar 2.13.
39
Gambar 2.13. Bagan Kerangka Berpikir
Identifikasi Masalah
Perbedaan persepsi terhadap
warna jika hanya dilihat secara
visual oleh mata manusia secara
subjektif.
Masih sedikitnya penelitian
mengenai kinerja algoritma
ISMC (Improved Split and
Merge Classification) untuk
clustering (pengelompokan)
terhadap citra.
Masih sedikitnya penelitian
menggunakan teknik clustering
dalam pengelompokan warna
untuk menentukan warna
dominan pada citra.
Algoritma ISMC (Improved
Split and Merge Classification)
belum pernah
diimplementasikan dalam
proses clustering untuk
menentukan warna dominan
pada citra.
Teori
Warna, Warna
Dominan, Citra,
Analisis, Kinerja, Data
Mining, Clustering,
Algoritma Improved
Split and Merge
Classification, Akurasi,
Black Box Testing.
Rumusan Masalah
Bagaimana analisis kinerja
algoritma ISMC (Improved Split
and Merge Classification) dengan
clustering untuk menentukan
warna dominan pada citra?
Tujuan
Mengetahui analisis kinerja
algoritma Improved Split and
Merge Classification dengan
clustering untuk menentukan
warna dominan pada citra.
Metodologi
Menggunakan metode eksperimen algoritma
dengan menguji dan menganalis kinerja
algoritma ISMC (Improved Split and Merge
Classification) dengan clustering untuk
menentukan warna dominan pada citra.
Kesimpulan
Analisis
Pengujian program menggunakan Blackbox,
pengujian kinerja algoritma dengan akurasi
berdasarkan pengujian dengan mencocokkan
hasil warna dominan program ISMC dan
program lain dengan tujuan yang sama.
Data
Beberapa citra dengan warna
solid dan gradasi yang didapat
melalui pencarian
menggunakan Google search
engine
Latar Belakang
Pentingnya pengelompokan warna dominan
pada citra serta masih sedikit penggunaan
algoritma ISMC untuk clustering
(mengelompokkan) dalam menentukan
warna dominan pada citra.
40
BAB III
METODOLOGI PENELITIAN
3.1. Tempat dan Waktu Penelitian
Penelitian dilakukan di Jurusan Elektro, Fakultas Teknik,
Universitas Negeri Jakarta. Waktu penelitian dilakukan pada semester genap
(102) tahun ajaran 2014/2015.
3.2. Metode Penelitian
Metode penelitian yang digunakan adalah metode eksperimen
dengan teknik pengumpulan data dalam bentuk citra yang didapat dari
pencarian citra menggunakan Google search engine. Metode eksperimen
dalam penelitian ini dengan melakukan pengujian dan identifikasi hal-hal
yang dapat mempengaruhi proses dan hasil, untuk menganalisis kinerja
algoritma ISMC (Improved Split and Merge Classification) dengan
clustering untuk menentukan warna dominan pada citra. Penelitian ini
didukung dengan program yang dirancang khusus untuk menentukan warna
dominan citra dengan implementasi algoritma ISMC (Improved Split and
Merge Classification).
Jenis desain eksperimen yang paling tepat untuk penelitian ini
adalah eksperimen kuasi atau eksperimen semu, yaitu suatu desain
eksperimen yang memungkinkan peneliti mengendalikan variabel sebanyak
mungkin dari situasi yang ada.
41
3.3. Definisi Operasional
Analisis merupakan penyelidikan terhadap suatu hal yang ingin
diselidiki, dengan penjabaran proses kerja, serta identifikasi hal-hal yang
mempengaruhi proses kerja dan hasil. Kinerja adalah kemampuan kerja
terhadap sesuatu yang ingin dicapai. Maka, analisis kinerja merupakan suatu
penyelidikan terhadap suatu hal tertentu, untuk mengetahui kemampuan
kerja suatu hal tersebut melalui beberapa percobaan atau pengujian dengan
penjabaran proses kerja serta identifikasi hal-hal yang mempengaruhi proses
kerja dan hasil.
Dapat disimpulkan, bahwa pengertian analisis kinerja algoritma
ISMC dengan clustering untuk menentukan warna dominan pada citra
adalah suatu penyelidikan melalui penjabaran cara kerja, identifikasi hal-hal
yang mempengaruhi proses kerja serta hasil, dan melalui nilai akurasi
keberhasilan dan tingkat kesalahan dari pengujian, untuk mengetahui
kemampuan kerja algoritma ISMC, yaitu sebuah algoritma yang
menggunakan metode split dan merge pada tiap iterasinya, dengan proses
clustering atau pengelompokan data berupa piksel-piksel warna, untuk
menentukan satu kelompok atau cluster warna dengan anggota piksel
terbanyak sebagai warna dominan pada citra.
42
3.4. Instrumen Penelitian
Instrumen penelitian merupakan alat yang digunakan dalam
penelitian untuk mempermudah proses pengumpulan data. Berdasarkan
pengumpulan data dokumentasi dalam bentuk citra, maka instrumen yang
digunakan dalam penelitian ini yaitu tabel.
3.5. Prosedur Penelitian
Penelitian dilakukan dengan memfokuskan pada pengujian
clustering dengan algoritma ISMC (Improved Split and Merge
Classification) untuk menentukan warna dominan pada citra menggunakan
program yang dibangun dengan bahasa pemograman JAVA. Prosedur
penelitian clustering citra digambarkan pada Gambar 3.1.
43
Gambar 3.1. Bagan Prosedur Penelitian
Evaluasi dan
analisis hasil
menggunakan
teknik perhitungan
Akurasi
Hasil
Merge clustering
Split clustering
Program Algoritma
ISMC dengan
JAVA
Konversi citra ke data
angka piksel warna
Penginputan data
Pengelompokan kategori
citra secara manual
Pengumpulan data
Proses clustering
warna dominan
Mencocokkan hasil warna dominan
program clustering
ISMC, dengan hasil warna dominan
program pembanding
pencacah piksel
Tahapan pra-proses
data
Citra didapat melalui
pencarian
menggunakan Google search
engine
Alur program
dan penjelasan implementasi
algoritma
ISMC terdapat pada Gambar
3.5
44
3.5.1. Pengumpulan Data
Data yang digunakan sebagai bahan pengujian adalah 50 citra yang
didapat melalui pencarian menggunakan Google search engine. Citra yang
digunakan memiliki 3 elemen warna dasar, yaitu merah (red), hijau (green), dan
biru (blue). Citra uji maksimalnya memiliki ukuran 200 x 200 piksel.
3.5.2. Pengelompokkan Secara Manual
Proses pengelompokkan secara manual, yaitu dengan membagi 50 citra
dengan 2 kategori, yaitu 25 citra dengan warna solid dan 25 citra dengan warna
gradasi. Warna solid berupa warna blok atau pemberian 1 warna pada citra
sedangkan warna gradasi merupakan proses perubahan dari satu warna ke warna
lain pada citra.
3.5.3. Pra Proses Data
Tahapan pra proses data meliputi:
a. Penginputan data
Proses penginputan data adalah menginput semua data ke dalam program
warna dominan citra. Data yang diinput berupa citra dengan ukuran 200x200
piksel.
b. Konversi citra ke dalam bentuk data angka piksel warna
Citra yang sesuai untuk bahan pengujian, selanjutnya dilakukan proses
clustering dengan program untuk menentukan warna dominan citra dengan
menggunakan algoritma ISMC (Improved Split and Merge Classification).
45
Sebelumya, citra di konversikan kedalam bentuk data angka yang
merupakan kode warna setiap piksel yang terdapat pada citra.
Dalam hal menentukan warna dominan, warna dengan kode piksel yang
sama akan membentuk menjadi sebuah cluster, tidak diperkenankan warna
yang hampir sama atau mirip karena pada penelitian ini tidak ditentukan
threshold sebagai batas tolerasi setiap piksel dalam satu cluster. Ilustrasi
konversi citra ke dalam data angka kode warna setiap piksel, digambarkan
pada Gambar 3.2.
Gambar 3.2. Ilustrasi Konversi Gambar Menjadi Data Piksel Kode Warna
3.5.4. Implementasi Algoritma Improved Split and Merge Classification
Proses penentuan threshold (selisih) dan penentuan vektor (jarak) citra
tidak dilakukan dalam proses clustering algoritma ISMC (Improved Split and
Merge Classification) untuk menentukan warna dominan. Hal ini dilakukan
karena hasil warna dominan adalah satu kelompok warna yang spesifik sama.
Implementasi algoritma ISMC (Improved Split and Merge
Classification) pada program ini meliputi:
1. Split Cluster (Pemisahan Klaster)
Proses split adalah proses dimana pembentukan beberapa cluster awal dari
setiap piksel yang terdapat pada citra, dengan memisahkan piksel-piksel
46
warna menjadi cluster yang memiliki anggota dengan kode piksel warna
yang sama dan berdekatan secara horizontal, vertical dan diagonal. Ilustrasi
proses split cluster ini akan digambarkan pada Gambar 3.3. Proses split akan
diulang hingga tidak terjadi split lagi.
Gambar 3.3. Proses Split Cluster
Dari contoh data piksel gambar dan petunjuk proses split cluster diatas,
maka hasil dari proses cluster tersebut, seperti berikut:
cluster 0 [0] ; 1
cluster 1 [1,2,4] ; 3
cluster 2 [2] ; 3
cluster 3 [3] ; 5
cluster 4 [4,6,7] ; 3
cluster 5 [5] ; 2
cluster 6 [6,7] ; 3
cluster 7 [7] ; 3
cluster 8 [8] ; 7
47
Hasil dari proses split cluster ini merupakan pemisahan setiap piksel warna
pada citra menjadi cluster, dan cluster yang terbentuk sebanyak jumlah
piksel yang terdapat pada citra.
2. Merge Cluster (Penggabungan Klaster)
Merge cluster adalah proses pembentukan cluster baru, yang merupakan
penggabungan antar cluster yang terbentuk dari proses split cluster dengan
anggota piksel warna yang sama. Merging dilakukan hingga tidak ada
cluster yang dapat di merge lagi. Contoh penggabungan dari proses split
cluster ini diaplikasikan dari hasil split cluster pada pembahasan
sebelumnya. Proses split cluster ini diilustrasikan pada Gambar 3.4.
Setelah melakukan proses split, maka selanjutnya akan dilakukan proses
proses merge sebagai berikut:
cluster 0 [0] ; 1
cluster 1 [1,2,4] ; 3
cluster 2 [2] ; 3
cluster 3 [3] ; 5
cluster 4 [4,6,7] ; 3
cluster 5 [5] ; 2
cluster 6 [6,7] ; 3
cluster 7 [7] ; 3
cluster 8 [8] ; 7
cluster 0 [0] ; 1
cluster 1 [1,2,4,6,7] ; 3
cluster 2 [ ] ; 3
cluster 3 [3] ; 5
cluster 4 [ ] ; 3
cluster 5 [5] ; 2
cluster 6 [6,7] ; 3
cluster 7 [ ] ; 3
cluster 8 [8] ; 7
Cluster yang memiliki anggota kode piksel warna yang sama, akan
digabungkan membentuk satu cluster, dan cluster yang “kehilangan”
anggota, dibiarkan kosong.
48
Gambar 3.4. Hasil Merge Cluster
3.5.5. Menampilkan Hasil
Sesuai dengan konsep clustering, hasil warna dominan pada citra adalah
sebuah cluster yang memiliki anggota berupa piksel warna terbanyak
(dominan). Ketika selesai di merge, program akan menentukan hasil warna
dominan dengan cluster warna yang memiliki anggota piksel terbanyak.
Setelah melakukan proses implementasi algoritma ISMC (Improved Split
and Merge Classification), program menghasilkan data dalam bentuk kode
piksel warna berdasarkan interpretasi RGB sebagai warna dominan, kode piksel
warna tersebut tersebut akan di konversikan kembali menjadi sebuah citra warna
dominan dari citra yang diuji.
Alur program dengan implementasi algoritma ISMC (Improved Split and
Merge Classification) menggunakan teknik clustering untuk menentukan warna
dominan pada citra, digambarkan pada Gambar 3.5.
50
3.5.6. Evaluasi dan Analisis Menggunakan Teknik Perhitungan Akurasi
Pengujian algoritma dilakukan dengan teknik perhitungan akurasi, yaitu
mengukur presentase akurasi keberhasilan dan tingkat kesalahan dari hasil
warna dominan yang dihasilkan program dengan implementasi algoritma ISMC
(Improved Split and Merge Classification). Pengujian ini dilakukan dengan
mencocokkan hasil uji warna dominan yang dihasilkan sebuah program Java
yang proses kerjanya menghitung jumlah kode piksel warna terbanyak pada
citra. Citra yang diujikan sebanyak 50 citra dengan warna solid dan gradasi yang
terdapat pada Lampiran 2.
Nilai akurasi menunjukan kedekatan hasil terhadap nilai sebenarnya
yang telah ditentukan sebagai nilai benar yaitu dengan presentase keberhasilan
100 %. Rumus akurasi:
Akurasi Keberhasilan (%) = n x 100..……………...……….(3.1)
N
Akurasi keberhasilan dihitung dengan n sebagai hasil benar pada
pengujian, dan N adalah banyak data yang diuji. Kemudian tingkat kesalahan (%)
didapat dengan rumus:
Tingkat Kesalahan (%) = 100% - Akurasi Keberhasilam (%) ……. (3.2)
Kemudian hasil yang didapat akan dianalisis keberhasilan dan
kegagalannya, serta mengidentifikasi hal-hal yang dapat mempengaruhi
kemampuan kerja dari algoritma ISMC.
51
3.6. Rancangan Program
3.6.1. Deskripsi Umum program
Perangkat lunak akan dirancang khusus dan akan dibangun sebagai alat
bantu dalam menghasilkan sebuah warna dominan pada citra, untuk
menganalisis kinerja algoritma clustering ISMC (Improved Split and Merge
Classification) untuk menentukan warna dominan pada citra. Perangkat lunak
ini menghasilkan kelompok atau cluster dari citra yang sudah dipilih dan siap
untuk diproses.
3.6.2. Kebutuhan Fungsional Program dan Analisis Risiko
Kebutuhan fungsional harus mendefinisikan kerja yang diambil oleh
program untuk menerima dan memproses input sehingga menghasilkan output
yang diharapkan, sedangkan analisis risiko mendefinisikan kemungkinan
kesalahan yang terjadi pada program sehingga program tidak bisa bekerja secara
optimal. Pada penelitian ini, kebutuhan fungsional utama yang dapat dilihat
seperti pada Tabel 3.1.
Tabel 3.1. Daftar Kebutuhan Fungsional Program dan Analisis Risiko
No. Kebutuhan
Fungsional
Analisis Risiko
1. Halaman awal a) Gagal menampilkan kotak dialog halaman
2. Upload gambar a) Gagal menampilkan kotak dialog folder file
b) Gagal filtering ekstensi file foto.
c) Gagal upload file foto
d) Gagal menampilkan foto yang akan di upload
3. Format file salah a) Gagal menampilkan kotak dialog pesan error
4. Batal Proses a) Gagal kembali ke halaman awal
5. Proses a) Gagal running program
b) Gagal menampilkan hasil pada program
6. Ulangi a) Gagal kembali ke halaman awal
52
selesai
3.6.3. Perancangan Alur Program
Secara umum, program dirancang agar dapat mengambil citra dari folder
komputer dengan format *.jpg atau *.png sebagai bahan pengujian. Jika gambar
berhasil di upload, maka proses dilanjutkan untuk memilih apakah user ingin
meneruskan proses yang dilakukan oleh program untuk menentukan warna
dominan atau batal dan kembali ke halaman upload. Jika terjadi kesalahan pada
pemilihan format citra yang dipilih, program menampilkan kotak dialog pesan
kesalahan bahwa format file salah.
Ketika citra berhasil di upload dan user ingin melanjutkan proses, maka
pilih pilihan “Proses”, jika tidak, user dapat memilih pilihan “Batal”, dan proses
kembali ke halaman awal program. Ketika proses dilanjutkan, program bekerja
dengan proses implementasi clustering dengan menggunakan algoritma ISMC
(Improved Split and Merge Classification).
Jika proses sudah selesai, program menghasilkan warna dominan pada
citra. Gambar 3.6 mengilustrasikan arsitektur program untuk menganalisis
kinerja algoritma ISMC (Improved Split and Merge Classification).
Batal
Ulangi
Proses
Gambar 3.6. Rancangan Alur Program ISMC
user
menjalankan program
Halaman Utama
Hasil
Upload citra
53
3.6.4. Perancangan Desain Program
Ketika program dijalankan, tampilan yang muncul adalah halaman
utama yang digunakan untuk menentukan citra yang akan di proses. Gambar 3.7
menunjukan layout pada halaman utama, halaman utama sebagai fasilitas untuk
upload sebuah citra.
Selanjutnya disediakan tampilan citra yang di upload dan akan di
clustering. Halaman ini menyediakan fasilitas untuk menentukan apakah proses
ingin dilanjutkan atau batal seperti yang di gambarkan pada Gambar 3.8.
Hasil clustering berupa informasi dalam bentuk tampilan gambar baru
dengan satu warna, yang merupakan gambar warna dominan pada citra yang di
upload. Halaman hasil digambarkan pada Gambar 3.9.
Gambar 3.7. Layout Halaman Utama
55
3.6.5. Pengujian Program
Pengujian program menggunakan metode black box testing dengan
teknik fungsional test, yaitu pengujian yang digunakan untuk menguji fungsi-
fungsi dari program yang telah dirancang. Pengujian ini dilakukan tanpa melihat
source code yang terdapat pada program. Kebenaran program yang diuji dilihat
berdasarkan kriteria keberhasilan program secara fungsional, sehingga
kesalahan dari program dalam memenuhi kebutuhan pengguna (user) dapat
diketahui. Pengujian kebutuhan fungsional dilakukan proses dengan scenario
test yang telah ditentukan seperti pada Lampiran 3.
56
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1. Hasil Penelitian
4.1.1. Hasil Warna Dominan pada Citra Uji
Dengan penelitian yang terdiri dari pengumpulan dan pengelompokkan
data, konversi citra menjadi kode piksel warna, proses split cluster, merge
cluster, hingga menampilkan hasil warna dominan, sebanyak 50 citra diuji
dengan program implementasi algoritma clustering ISMC untuk menentukan
warna dominan pada citra. Hasil warna dominan dari program clustering
algoritma ISMC akan dicocokkan dengan hasil warna dominan sebuah program
pembanding dengan proses pencacahan dan penjumlahan piksel setiap warna
untuk menentukan warna dominan pada citra. Hasil warna dominan dapat dilihat
pada Tabel 4.1.
Tabel 4.1. Hasil Warna Dominan pada Citra Uji
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
1.
Warna
Solid/Bendera
Australia
Cluster 56
sebanyak
13294
RGB:
0,0,139
RGB: 0,0,139
2.
Warna
Solid/Bendera
Brazil
Cluster 141
sebanyak
17910
RGB:
0,146,63
RGB: 0,146,63
57
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
3.
Warna
Solid/Bendera
Brunei
Darussalam
Cluster 604
sebanyak
5281
RGB:
249,223,25
RGB: 249,223,25
4.
Warna
Solid/Bendera
Kiribati
Cluster 134
sebanyak
11088
RGB:
206,17,38
RGB: 206,17,38
5.
Warna
Solid/Bendera
Kroasia
Cluster
12340
sebanyak
5055
RGB:
13,170,
150
RGB:154,0,0
6.
Warna
Solid/Bendera
Lebanon
Cluster
1168
sebanyak
4416
RGB:
211,34,40
RGB: 211,34,40
7.
Warna
Solid/Bendera
Myanmar
Cluster 0
sebanyak
5035
RGB:
255,204,1
RGB: 255,204,1
8.
Warna
Solid/Bendera
Sri Lanka
Cluster
11469
sebanyak
4287
RGB:
157,30,60
RGB: 157,30,60
9.
Warna
Solid/Bendera
United
Kingdom
Cluster 460
sebanyak
2510
RGB:
214,7,23
RGB: 214,7,23
58
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
10.
Warna
Solid/Logo
Coca Cola
Cluster 285
sebanyak
6235
RGB:198,
0,23
RGB:198,0,23
11.
Warna
Solid/Logo
Lego
Cluster
1408
sebanyak
8376
RGB:
209,16,19
RGB: 209,16,19
12.
Warna
Solid/Logo
Nickelodeon
Cluster
2804
sebanyak
2234
RGB:
227,146,5
RGB: 227,146,5
13.
Warna
Solid/Logo
Pepsi
Cluster 469
sebanyak
2963
RGB:
246,32,44
RGB: 246,32,44
14.
Warna
Solid/Logo
Samsung
Cluster
5427
sebanyak
3010
RGB:
3,78,161
RGB: 3,78,161
15.
Warna
Solid/Logo
Shell
Cluster
1077
sebanyak
4244
RGB:
254,0,0
RGB:
254,0,0
16.
Warna
Solid/Logo
Skype
Cluster 807
sebanyak
11861
RGB:
0,184,238
RGB: 0,184,238
59
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
17.
Warna
Solid/Logo
Sturbucks
Cluster
1283
sebanyak
4700
RGB:
6,118,85
RGB: 6,118,85
18.
Warna
Solid/Logo
Yahoo Mail
Cluster 436
sebanyak
9542
RGB:
95,12,142
RGB: 95,12,142
19.
Warna
Solid/Logo
Batman
Cluster
5953
sebanyak
2004
RGB:
14,15,17
RGB: 14,15,17
20.
Warna
Solid/Logo
Pizza Hut
Cluster
14680
sebanyak
1302
RGB: 238,
58,67
RGB: 238,58,67
21.
Warna
Solid/Logo
Spotify
Cluster 0
sebanyak
14111
RGB: 128,
184,25
RGB: 128,184,25
22. Warna
Solid/UN
Cluster
129
sebanyak
913
RGB: 0,
174, 243
RGB:
0,174,243
60
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
23.
Warna
Solid/Logo
Youtube
Cluster 48
sebanyak
881
RGB:
230,47,39
RGB: 230,47,39
24.
Warna
Solid/Logo
Adobe
Cluster 0
sebanyak
1260
RGB:
254,0,0
RGB: 254,0,0
25 Warna
Solid/Sapi
Cluster 0
sebanyak
4965
RGB:
255,255,
255
RGB:
255,255,255
26.
Warna
Gradasi/
Adenium
Cluster
14221
sebanyak
22
RGB:
154,0,0
RGB:254,0,2
27.
Warna
Gradasi/
Anyelir
Cluster
18360
sebanyak
15
RGB: 7,1,3
RGB: 7,1,3
28.
Warna
Gradasi/
Dahlia
Cluster
3894
sebanyak 5
RGB:
174,0,33
RGB:
179,1,21
61
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
29.
Warna
Gradasi/
Kaktus
Cluster
21579
sebanyak 9
RGB:
243,89,15
RGB: 243,89,15
30.
Warna
Gradasi/
Kamboja
Cluster
9159
sebanyak
42
RGB:
252,205,5
RGB: 252,205,5
31.
Warna
Gradasi/
Kembang
Sepatu
Cluster
29963
sebanyak 3
RGB:
253,60,189
RGB: 252,66,193
32.
Warna
Gradasi/
Anggur
Cluster
21160
sebanyak
20
RGB:
24,0,32
RGB: 69,0,55
33.
Warna
Gradasi/ Jeruk
Nipis
Cluster
2042
sebanyak
15
RGB:
225,225,
125
RGB:
202,219,113
34. Warna
Gradasi/ Tulip
Cluster
16167
sebanyak
109
RGB:
182,61,68
RGB: 161,40,47
62
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
35. Warna
Gradasi/ Apel
Cluster
6902
sebanyak 3
RGB:
209,3,3
RGB: 209,3,3
36.
Warna
Gradasi/
Belimbing
Cluster
6550
sebanyak
23
RGB:
206,110,0
RGB: 206,110,0
37.
Warna
Gradasi/Buah
Durian
Cluster
3577
sebanyak
38
RGB:
255,187,2
RGB: 255,187,2
38.
Warna
Gradasi/
Sakura
Cluster
34055
sebanyak
69
RGB:
240,226,
226
RGB:
240,226,226
39.
Warna
Gradasi/
Pepaya
Cluster
12371
sebanyak
12
RGB:
249,101,3
RGB: 249,101,3
40.
Warna
Gradasi/
Semangka
Cluster
18807
sebanyak 3
RGB:
198,28,41
RGB: 198,28,41
63
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
41.
Warna
Gradasi/
Aerial Land
Sea
Cluster
28467
sebanyak 5
RGB:
8,121,91
RGB: 6,98,91
42.
Warna
Gradasi/
Stroberi
Cluster
22472
sebanyak 4
RGB:
203,0,29
RGB: 203,0,29
43.
Warna
Gradasi/ Ijen
Crater Sulfur
Cluster
13876
sebanyak 7
RGB:
109,199,
199
RGB: 43,170, 163
44.
Warna
Gradasi/
Bora-bora
Cluster
28129
sebanyak
61
RGB:
1,133,146
RGB:
1,133,146
45.
Warna
Gradasi/
Ladang
Bunga Canola
Cluster
23112
sebanyak
12
RGB:
238,215,25
RGB: 238,215,25
46.
Warna
Gradasi/ Lut
Desert
Cluster
2289
sebanyak
39
RGB:
230,170,58
RGB:
230,170,58
64
No. Kategori/
Nama Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna Dominan
dengan Program
Pembanding
47.
Warna
Gradasi/
Palau
Cluster
10738
sebanyak
45
RGB:
5,182,224
RGB: 6,179,213
48.
Warna
Gradasi/Raja
Ampat
Cluster
14622
sebanyak
46
RGB:
0,104,219
RGB: 0,104,219
49.
Warna
Gradasi/Red
Beach, China
Cluster
19412
sebanyak 4
RGB:
175,29,36
RGB: 175,29,36
50.
Warna
Gradasi/Sinar
Aurora,
Alaska
Cluster
15154
sebanyak 9
RGB:
RGB:
7,96,92
RGB: 8,150,90
4.1.2. Akurasi Keberhasilan dan Tingkat Kesalahan
Nilai dari hasil akurasi keberhasilan akan menentukan kinerja dari
algoritma clustering ISMC (Improved Split and Merge Classification) dalam
menentukam warna dominan citra. Besarnya nilai akurasi keberhasilan dan
tingkat kesalahan, akan menunjukan apakah algoritma ISMC (Improved Split
and Merge Classification) dapat digunakan untuk clustering untuk menentukan
warna dominan pada citra. Berdasarkan keterangan data hasil warna dominan
citra uji pada Tabel 4.1, nilai persentase akurasi keberhasilan dan tingkat
65
kesalahan dengan mencocokkan hasil warna kedua program, nilai akurasi
terdapat pada Tabel 4.2.
Tabel 4.2. Nilai Akurasi Hasil Pengujian
Warna Solid Warna Gradasi Keseluruhan
Data berhasil 24 16 40
Data tidak berhasil 1 9 10
Akurasi keberhasilan (%) 96 64 80
Tingkat Kesalahan (%) 4 36 20
Berdasarkan keterangan data pada tabel diatas, nilai persentase akurasi
keberhasilan:
Pada Warna Solid = 96%
Pada Warna Gradasi = 64%
Secara Keseluruhan = 80%
Presentase Tingkat Kesalahan:
Pada Warna Solid = 4%
Pada Warna Gradasi = 36%
Secara Keseluruhan = 20%
4.1.3. Hasil Pengujian Program
Pengujian program dengan implementasi algoritma clustering ISMC
(Improved Split and Merge Classification), menggunakan metode black box
testing secara fungsional, yaitu menguji fungsi-fungsi dari program yang telah
dibangun. Langkah-langkah penggunaan dan pengujian secara fungsional dari
66
fitur-fitur yang terdapat pada program ISMC untuk menentukan warna dominan
pada citra, terdapat pada Lampiran 4.
4.1.3.1. Pengujian Black Box dengan Functional Test
Hasil dari pengujian black box testing secara fungsional terdapat
pada Tabel 4.3 untuk hasil pengujian halaman awal, Tabel 4.4 untuk halaman
upload, dan Tabel 4.5 untuk halaman hasil.
Tabel 4.3. Scenario Test Pengujian Fungsional pada Halaman Awal
No.
Skenario Proses
Program
Bekerja
(Ya/Tidak)*
Keterangan
1. Running program ke
halaman awal berfungsi
Ya Tampilan berupa kotak
dialog dengan header
upload dan button
“upload”
2. Button “Upload”
berfungsi
Ya Menampilkan kotak dialog
folder data
3. Kotak dialog Open File
berfungsi
Ya Menampilkan folder dan
file pada komputer
4. Button “Open”
berfungsi
Ya Menampilkan
pemberitahuan apakah
gambar ingin diupload
5. Kotak dialog
persetujuan untuk
upload gambar
berfungsi
Ya
Terdapat button “Ok”
6 Button “Ok” untuk
memilih gambar
berfungsi
Ya Tampilan akan menuju ke
halaman upload
7 Kotak dialog pesan
kesalahan terhadap
format yang di upload
berfungsi
Ya Jika memilih format file
selain *.jpg dan *.png
8 Button “Ok” untuk
kembali memilih
gambar berfungsi
Ya Ketika terjadi kesalahan
pemilihan format file
selain *.jpg dan *.png
67
Tabel 4.4. Scenario Test Pengujian pada Halaman Proses
No. Skenario Proses Program
Bekerja
(Ya/Tidak)*
Keterangan
1. Tampilan halaman
hasil upload
berfungsi
Ya Tampilan halaman terdapat
citra yang di upload, button
“Proses”, dan”Batal”
2. Button “Proses”
berfungsi
Ya Menuju pada halaman hasil
3. Button “Batal”
berfungsi
Ya Tampilan kembali ke halaman
awal
Tabel 4.5. Scenario Test Pengujian pada Halaman Hasil
No.
Skenario Proses
Program
Bekerja
(Ya/Tidak)*
Keterangan
1. Muncul tampilan halaman hasil Ya Tampilan halaman
hasil terdiri dari
citra yang di
upload, citra warna
dominan, dan
button ulangi
2. Terdapat tampilan gambar yang
di upload
Ya
3. Terdapat tampilan gambar hasil
warna dominan dari citra yang di
upload
Ya
4. Button ulangi berfungsi Ya Tampilan akan
kembali ke
halaman utama
4.2. Pembahasan
4.2.1. Implementasi Algoritma Clustering ISMC pada Program
Berikut ini adalah salah satu proses citra uji dalam proses implementasi
algoritma ISMC (Improved Split and Merge Classification) untuk menentukan
warna dominan pada citra dengan program. Program dibangun menggunakan
pemograman Java, dan source code implementasi algoritma ISMC (Improved
Split and Merge Classification) dengan clustering untuk menentukan warna
68
dominan pada citra, terdapat pada Lampiran 1. Berikut ini adalah penjelasan
proses citra dalam menghasilkan warna dominan menggunakan program.
1. Citra dengan ukuran maksimal 200 x 200 piksel dipilih dan dilakukan proses
pengujian seperti yang terlihat pada Gambar 4.1.
Gambar 4.1. Pengujian pada Citra
2. Sebelum melakukan tahapan clustering dengan implementasi algoritma
ISMC (Improved Split and Merge Classification), citra akan diproses
menjadi bentuk angka berupa kode piksel warna yang terdapat pada citra.
3. Setelah itu, proses implementasi algoritma ISMC (Improved Split and
Merge Classification) dilakukan. Pada proses pengujian, tahap split cluster
menghasilkan ribuan data sebagai cluster yang dibentuk dengan proses
pemisahan piksel satu dengan piksel lainnya. Dan setiap cluster yang
terbentuk, dibentuk dengan mengumpulkan anggota yang memiliki kode
piksel warna yang sama dan berdekatan. Jumlah cluster yang terbentuk pada
69
tahap split cluster, bergantung pada jumlah piksel sebuah citra. Dan proses
split akan terus berjalan sampai tidak ada piksel yang harus split lagi.
4. Setelah proses splitting selesai, dilanjutkan proses merging dengan
melakukan penggabungan antar cluster yang terbentuk melalui proses split,
yang memiliki anggota dengan kode piksel warna yang sama. Proses
penggabungan cluster ini akan membentuk cluster baru, dan proses merge
akan diulang samapai tidak ada cluster yang di merge lagi.
5. Hasil warna dominan didapat setelah proses merge cluster selesai. Hasil
warna dominan pada citra adalah sebuah cluster yang memiliki anggota
berupa kode piksel warna terbanyak yang telah digabung. Sebagai hasil,
program akan menampilkan citra yang diproses, warna dominan citra,
cluster hasil warna dominan citra, dan kode RGB untuk warna dominan
yang dihasilkan seperti pada Gambar 4.2.
Gambar 4.2. Hasil Pengujian Citra
70
4.2.2. Pembahasan Hasil Citra Uji
Dari 50 gambar yang diuji, menghasilkan presentase akurasi
keberhasilan sebesar 80%. Dengan 80% keberhasilan, menunjukan bahwa
algoritma clustering ISMC (Improved Split and Merge Classification) dengan
clustering dapat digunakan untuk menentukan warna dominan pada citra.
Namun, adanya 20% tingkat kesalahan, menunjukkan bahwa penggunaan
clustering tidak dapat dijadikan acuan utama untuk menentukkan warna
dominan pada citra.
Pada citra dengan warna solid menghasilkan nilai akurasi sebesar 96%
dan tingkat kesalahan sebesar 4%. Citra dengan warna solid seperti Gambar
4.3, lebih banyak menghasilkan hasil benar pada pengujian warna dominan.
Hal ini dikarenakan, piksel warna yang berdekatan pada citra warna solid
adalah sama dan dapat dijadikan satu cluster dengan mudah.
Bendera Negara Myanmar Piksel Citra
Gambar 4.3 Citra Warna Solid
Ketika sebuah citra memiliki piksel-piksel warna yang sama, namun
terpisah jauh atau dibatasi dengan piksel warna lain, maka piksel- piksel warna
sama tersebut tidak dapat dijadikan sebagai satu cluster, ilustrasi dapat dilihat
pada Gambar 4.4. Hal ini yang menyebabkan nilai akurasi keberhasilan warna
dominan pada citra warna gradasi lebih rendah dari citra warna solid. Pada citra
71
dengan warna gradasi menghasilkan akurasi keberhasilan sebesar 64% dengan
tingkat kesalahan sebesar 36%.
Citra Pengujian Piksel Citra
Gambar 4.4. Citra Warna Gradasi
Gambar tersebut menunjukkan, bahwa setiap piksel yang berdekatan
secara horizontal, vertical dan diagonal memiliki warna yang berbeda atau
tidak sama. Meskipun warna – warna piksel tersebut termasuk satu warna
golongan “abu-abu”, namun pada penelitian ini langkah penentuan threshold
tidak dilakukan, dan kelompok piksel warna yang akan menjadi warna
dominan adalah warna asli atau spesifik dari citra, misalnya warna biru dengan
kode piksel warna 110, akan menjadi 1 cluster dengan piksel 110 pula seperti
pada Gambar 4.5.
Citra Pengujian Piksel Warna
Gambar 4.5. Hasil Citra Warna Gradasi
72
Kesalahan warna dominann terbanyak terdapat pada citra dengan warna
gradasi seperti pada Gambar 4.6.
Citra Pengujian Piksel Citra
Gambar 4.6. Citra Aurora dengan Warna Gradasi
Terihat pada Gambar 4.6, bahwa warna dominan yang diberikan oleh
penguji secara kasat mata yaitu “Hijau terang”, dibatasi oleh warna – warna lain,
sehingga warna hijau terang tersebut tidak dapat menjadi satu cluster sebagai
hasil warna dominan.
4.2.3. Waktu Eksekusi Hasil
Pada pengujian ini, untuk mengeksekusi warna dominan pada citra
dengan program membutuhkan waktu untuk proses dan dan bekerja. Setiap jenis
atau kategori citra mendapatkan hasil dengan waktu eksekusi yang berbeda.
Lama waktu eksekusi hasil warna dominan citra terdapat pada Tabel 4.6.
Tabel 4.6. Waktu Eksekusi Hasil Warna Dominan
No. Kategori/ Nama Citra Klaster Hasil dengan
Algoritma ISMC
Waktu Eksekusi
Hasil
1. Warna Solid/Bendera
Australia
Cluster 56 sebanyak
13294
RGB : 0,0,139
1 menit 20 detik
2. Warna Solid/Bendera
Brazil
Cluster 141 sebanyak
17910
RGB: 0,146,63
1 menit 31 detik
73
No. Kategori/ Nama Citra Klaster Hasil dengan
Algoritma ISMC
Waktu Eksekusi
Hasil
3. Warna Solid/Bendera
Brunei Darussalam
Cluster 604 sebanyak
5281
RGB: 249,223,25
1 menit 28 detik
4. Warna Solid/Bendera
Kiribati
Cluster 134 sebanyak
11088
RGB: 206,17,38
1 menit 21 detik
5. Warna
Solid/BenderaKroasia
Cluster 12340 sebanyak
5055
RGB:
13,170,150
1 menit 18 detik
6. Warna Solid/Bendera
Lebanon
Cluster 1168 sebanyak
4416
RGB: 211,34,40
1 menit 10 detik
7. Warna Solid/Bendera
Myanmar
Cluster 0 sebanyak 5035
RGB: 255,204,1 1 menit
8. Warna Solid/Bendera
Sri Lanka
Cluster 11469 sebanyak
4287
RGB: 157,30,60
59 detik
9. Warna Solid/Bendera
United Kingdom
Cluster 460 sebanyak
2510
RGB: 214,7,23
1 menit 9 detik
10. Warna Solid/Logo Coca
Cola
Cluster 285 sebanyak
6235
RGB:198,0,23
1 menit 20 detik
11. Warna Solid/Logo Lego
Cluster 1408 sebanyak
8376
RGB: 209,16,19
1 menit 55 detik
12. Warna Solid/Logo
Nickelodeon
Cluster 2804 sebanyak
2234
RGB: 227,146,5
2 menit 10 detik
13. Warna Solid/Logo
Pepsi
Cluster 469 sebanyak
2963
RGB: 246,32,44
1 menit 52 detik
14. Warna Solid/Logo
Samsung
Cluster 5427 sebanyak
3010
RGB: 3,78,161
1 menit 20 detik
15. Warna Solid/Logo Shell
Cluster 1077 sebanyak
4244
RGB:254,0,0
2 menit 13 detik
16. Warna Solid/Logo
Skype
Cluster 807 sebanyak
11861
RGB: 0,184,238
1 menit 28 detik
17. Warna Solid/Logo
Sturbucks
Cluster 1283 sebanyak
4700
RGB: 6,118,85
2 menit 12 detik
74
No. Kategori/ Nama Citra Klaster Hasil dengan
Algoritma ISMC
Waktu Eksekusi
Hasil
18. Warna Solid/Logo
Yahoo Mail
Cluster 436 sebanyak
9542
RGB: 95,12,142
1 menit 58 detik
19.
Warna Solid/Logo
Batman
Cluster 5953 sebanyak
2004
RGB: 14,15,17
2 menit 59 detik
20. Warna Solid/Logo
Pizza Hut
Cluster 14680 sebanyak
1302
RGB: 238, 58,67
2 menit 57 detik
21. Warna Solid/Logo
Spotify
Cluster 0 sebanyak
14111
RGB: 128, 184,25
3 menit 56 detik
22. Warna Solid/UN
Cluster 129 sebanyak
913
RGB: 0, 174, 243
2 menit 44 detik
23. Warna Solid/Logo
Youtube
Cluster 48 sebanyak 881
RGB: 230,47,39 1 menit 45 detik
24. Warna Solid/Logo
Adobe
Cluster 0 sebanyak 1260
RGB: 254,0,0 2 menit 20 detik
25. Warna Solid/Sapi
Cluster 0 sebanyak 4965
RGB:
255,255,
255
2 menit 22 detik
26. Warna Gradasi/
Adenium
Cluster 14221 sebanyak
22
RGB:154,0,0
7 menit 10 detik
27. Warna Gradasi/ Anyelir
Cluster 18360 sebanyak
15
RGB: 7,1,3
6 menit 37 detik
28. Warna Gradasi/ Dahlia
Cluster 3894 sebanyak 5
RGB:
174,0,33
7 menit 30 detik
29. Warna Gradasi/ Kaktus
Cluster 21579 sebanyak
9
RGB: 243,89,15
6 menit 30 detik
30. Warna Gradasi/
Kamboja
Cluster 9159 sebanyak
42
RGB: 252,218,6
7 menit 10 detik
31. Warna Gradasi/
Kembang Sepatu
Cluster 29963 sebanyak
3
RGB: 253,60,189
6 menit 55 detik
32. Warna Gradasi/ Sakura
Cluster 34055 sebanyak
69
RGB:240,226,226
6 menit 44 detik
75
No. Kategori/ Nama Citra Klaster Hasil dengan
Algoritma ISMC
Waktu Eksekusi
Hasil
33. Warna Gradasi/ Tulip
Cluster 16167 sebanyak
109
RGB: 182,61,68
6 menit 50 detik
34. Warna Gradasi/ Anggur
Cluster 21160 sebanyak
20
RGB: 24,0,32
5 menit 55 detik
35. Warna Gradasi/ Apel Cluster 6902 sebanyak 3
RGB: 209,3,3 6 menit 22 detik
36. Warna Gradasi/
Belimbing
Cluster 6550 sebanyak
23
RGB: 206,110,0
6 menit 10 detik
37. Warna Gradasi/Buah
Durian
Cluster 3577 sebanyak
38
RGB: 255,187,2
5 menit 20 detik
38. Warna Gradasi/ Jeruk
Nipis
Cluster 2042 sebanyak
15
RGB: 225,225,
125
4 menit 3 detik
39. Warna Gradasi/ Pepaya
Cluster 12371 sebanyak
12
RGB: 247,101,2
4 menit 59 detik
40. Warna Gradasi/
Semangka
Cluster 18807 sebanyak
3
RGB: 198,28,41
4 menit 2 detik
41. Warna Gradasi/Stroberi
Cluster 22472
sebanyak 4
RGB: 203,0,29
5 menit 43 detik
42. Warna Gradasi/ Aerial
Land Sea
Cluster 28467 sebanyak
5
RGB: 8,121,91
5 menit 27 detik
43. Warna Gradasi/ Bora-
bora
Cluster 28129 sebanyak
61
RGB:
1,133,146
5 menit 11 detik
44. Warna Gradasi/ Ijen
Crater Sulfur
Cluster 13876 sebanyak
7
RGB: 109,199,199
5 menit 5 detik
45. Warna Gradasi/ Ladang
Bunga Canola
Cluster 23112 sebanyak
12
RGB: 238,215,25
5 menit 4 detik
46. Warna Gradasi/ Lut
Desert
Cluster 2289
sebanyak 39
RGB:
230,170,58
5 menit 34 detik
76
No. Kategori/ Nama Citra Klaster Hasil dengan
Algoritma ISMC
Waktu Eksekusi
Hasil
47. Warna Gradasi/ Palau
Cluster 10738 sebanyak
45
RGB: 5,182,224
5 menit 6 detik
48. Warna Gradasi/Raja
Ampat
Cluster 14622 sebanyak
46
RGB: 0,104,219
5 menit 3 detik
49. Warna Gradasi/Red
Beach, China
Cluster 19412 sebanyak
4
RGB: 175,29,36
4 menit 55 detik
50. Warna Gradasi/Sinar
Aurora, Alaska
Cluster 15154 sebanyak
9
RGB: RGB: 7,96,92
4 menit 48 detik
Dari keterangan pada tabel diatas, dalam menenentukan warna dominan,
citra dengan warna solid memiliki waktu eksekusi lebih cepat dibandingkan waktu
eksekusi hasil pada citra dengan warna gradasi. Kinerja algoritma clustering
ISMC (Improved Split and Merge Classification) pada citra warna solid,
menghasilkan waktu lebih cepat. Hal ini dikarenakan, pada citra dengan warna
solid, piksel-piksel warna yang berdekatan adalah sama, sehingga cluster yang
terbentuk dengan proses merge tidak sebanyak cluster yang terbentuk pada citra
dengan warna gradasi. Citra dengan warna gradasi memiliki beragam piksel warna
yang berbeda-beda, sehingga dalam proses implementasi algoritma clustering
ISMC (Improved Split and Merge Classification), proses merge akan
menghasilkan cluster yang beragam.
77
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dari hasil perancangan sistem, implementasi dan pembahasan
dapat ditarik kesimpulan sebagai berikut:
1. Presentase akurasi keberhasilan analisis kinerja algoritma ISMC
(Improved Split and Merge Classification) untuk menentukan warna
dominan pada citra sebesar 80%.
2. Adanya tingkat kesalahan sebesar 20%, menunjukan bahwa analisis
kinerja algoritma ISMC (Improved Split and Merge Classification)
dengan clustering tidak dapat dijadikan acuan utama untuk menentukkan
warna dominan pada citra.
3. Analisis kinerja algoritma ISMC (Improved Split and Merge
Classification) dalam menghasilkan cluster yaitu, semakin banyak
jumlah piksel warna yang beragam pada citra, maka semakin banyak
cluster yang terbentuk pada proses split dan merge.
4. Analisis kinerja algoritma ISMC (Improved Split and Merge
Classification) pada nilai akurasi keberhasilan dalam menentukan warna
dominan pada citra yaitu, semakin banyak jumlah piksel warna yang
beragam pada citra, maka akan semakin rendah nilai persentase akurasi
keberhasilan yang dihasilkan.
5. Analisis kinerja algoritma ISMC (Improved Split and Merge
Classification) pada lama waktu eksekusi hasil warna dominan, yaitu
78
semakin banyak cluster yang terbentuk, maka semakin lama waktu
eksekusi hasil warna dominan pada citra.
5.2. Saran
Dari seluruh pengujian yang telah dilakukan, dapat disarankan
beberapa hal yang dapat dijadikan bahan penelitian lebih lanjut diantaranya
adalah:
1. Penentuan threshold mungkin dapat digunakan dalam implementasi
algoritma ISMC (Improved Split and Merge Classification) dengan
clustering untuk menentukan warna dominan pada citra dengan piksel
warna yang beragam (warna gradasi).
2. Mengurangi persentase kesalahan dari implementasi algoritma ISMC
(Improved Split and Merge Classification) pada proses clustering.
3. Variasi parameter split dan merge dapat digunakan untuk memodifikasi
waktu dan jumlah klaster yang terbentuk.
4. Implementasi algoritma ISMC (Improved Split and Merge
Classification) dapat dijadikan pengembangan penelitian dalam
pengelompokkan jenis suatu objek yang terdapat pada citra berdasarkan
warna dominan.
79
DAFTAR PUSTAKA
[FT] Fakultas Teknik. 2012. Buku Pedoman Skripsi/Komprehensif/Karya Inovatif
(S1). Jakarta: Fakultas Teknik, Universitas Negeri Jakarta.
A.S, Rosa dan Shalahuddin, M. 2011. Modul Pembelajaran Rekayasa Perangkat
Lunak (Terstruktur dan Berorientasi Objek). Bandung: Modula.
Afandi, Fafan Tri. 2015. Kelompok Warna.
https://vasthuintipersada.wordpress.com. Diakses pada tanggal 12 Juli
2015.
Al Farozi, Erlangga. 2010. Analisis Clustering Data Menggunakan Algoritma
Improved Split and Merge Classification. Skripsi Mahasiswa Program
Studi Ilmu Komputer, Universitas Gajah Mada: tidak diterbitkan.
Al Fatta, Hanif. 2007. Analisis dan Perancangan Sistem Informasi untuk
keunggulan Bersaing Perusahaan dan Organisasi Modern. Yogyakarta:
Andi.
Amsyah, Zulkifli. 2005. Manajemen Sistem Informasi. Jakarta: Gramedia Pustaka
Utama.
Arifin, Agus Zainal, dan Murni, Aniati. 2002. Algoritma Clustering Adaptif untuk
Klasifikasi Citra Penginderaan Jauh Multispektral. Institut Teknologi
Sepuluh November, Surabaya.
DeAngelis, Gina. 2004. Pakistan. Minnesota: Capstone Press.
Epifania, Vina Chopan, & Sediyono, Eko. 2011. Pencarian File Gambar
Berdasarkan Dominasi Warna. Jurnal Buana Informatika, Volume 2,
Nomor 1.
http://digilib.mercubuana.ac.id/manager/file_artikel_abstrak/Isi_Artikel_1
32980965986.pdf. Diakses pada tanggal 11 Oktober 2015.
Han, Jiawei, et al. 2012. Data Mining Concepts and Techniques 3rd Edition. USA:
Morgan Kaufmann Publishers.
Handayani, Ri, et al. 2011. Implementasi Algoritma Clustering ISMC dan FCM.
Konferensi Nasional Sistem dan Informatika.
https://yudiagusta.files.wordpress.com/2008/09/157/161-knsi2011-024-
implementasi-algoritma-clustering-ismc-dan-fcm.pdf. Diakses pada
tanggal 10 Juli 2015.
Hermawati, Fajar Astuti. 2013. Data Mining. Yogyakarta: Andi.
Jubilee Enterprise. 2013. Mengupas rahasia: Warna Photoshop. Jakarta: Elex
Media Komputido.
80
Kamus Besar Bahasa Indonesia. Definisi Kinerja. http://kbbi.web.id/. Diakses
pada tanggal 15 September 2015.
Moertini, Veronika. 2002. Data Mining Sebagai Solusi Bisnis. Volume: 7,
Nomor 1.
National Geographic. 2013. Blue Lines.
http://yourshot.nationalgeographic.com/photos. Diakses pada tanggal 10
Agustus 2015.
Prasetyo, Eko. 2014. Data Mining - Mengolah menjadi informasi menggunakan
Matlab. Yogyakarta: Andi.
Putra, Darma. 2009. Pengolahan Citra Digital. Yogyakarta: Andi.
Sawaluddin, et.al. 2006. Pengolahan Citra Digital. Medan: Ilmu Komputer
FMIPA USU. h 12.
Sianipar, R.H. 2013. Pemograman Matlab dalam contoh dan terapan. Bandung:
Informatika Bandung. h 200-202.
Simarmata, Janner. 2010. Rekayasa Perangkat Lunak. Yogyakarta: Andi.
Suharto, dan Iryanto, Toto. 1996. Kamus Bahasa Indonesia. Surabaya: Indah.
Sulianta, Feri. 2014. Rahasia Teknik Warna. Jakarta: Elex Media Komputido.
Sutoyo, T. Mulyanto, et.al. 2009. Teori Pengolahan Citra Digital. Semarang:
Andi.
Syafrizal. 2015. Pembentukan Citra. http://www.slideshare.net/rizaldex/bab-2-
pembentukan-citra. Diakses pada tanggal 1 September 2015.
Wahana Komputer. 2010. Panduan Praktis: Adobe Illustrator CS4. Yogyakarta:
Andi.
Wenny. 2011. Pembiasan Cahaya.
http://penjagahati-zone.blogspot.co.id/2011/01/pembiasan-cahaya.html.
Diakses pada tanggal 12 Agustus 2015.
Wibowo, Ibnu Teguh. 2015. Belajar Desain Grafis: Cara Cepat dan Mudah
Belajar Desain Grafis untuk Pemula. Yogyakarta: Notebook.
Zalilia, Lia, 2007, Penerapan Data Mining untuk IDS. Institut Teknologi
Bandung.
81
Lampiran 1. Source Code Program Algoritma ISMC (Improved Split and
Merge Classification) dengan Clustering untuk Menentukan
Warna Dominan pada Citra
1. Baca Input Data
public void imgProcess() {
try {
height = image.getHeight();
width = image.getWidth();
data = new String[width][height];
klaster = new long[width][height];
Map m = new HashMap();
String raw = null;
for (int i = 0; i < width; i++) {
for (int j = 0; j < height; j++) {
int rgb = image.getRGB(i, j);
int[] rgbArr = getRGBArr(rgb);
raw = Integer.toString(rgb);
if (!isGray(rgbArr)) {
Integer counter = (Integer) m.get(rgb);
if (counter == null) {
counter = 0;
}
counter++;
m.put(rgb, counter);
}
data[i][j] = raw;
+ ", " + rgbArr[1] + ", "+ rgbArr[2] + ",
"+ raw);
}
}
System.out.println(width + "x" + height);
startTime = System.currentTimeMillis();
}
catch (Exception e) {
e.printStackTrace();
}
}
private void cetak(String[][] data, int
width, int height) {
for (int i = 0; i < width; i++) {
System.out.print("[");
for (int j = 0; j < height; j++) {
System.out.print(" " + data[i][j] + " ");
}
System.out.println("]");
}
}
private void cetakRGB(String[][] data, int
width, int height) {
for (int i = 0; i < width; i++) {
System.out.print("[");
for (int j = 0; j < height; j++) {
int[] rgbArr =
getRGBArr(Integer.parseInt(data[i][j]));
System.out.print(" " + rgbArr[0] +
+rgbArr[1] + +rgbArr[2] + " ");
}
System.out.println("]");
}
}
82
2. PROSES SPLIT
public void split(String[][] data, int
width, int height)
{
Map<Integer, ArrayList<Object>> m =
new HashMap<Integer,
ArrayList<Object>>();
int countAnggota = 0;
pix = new String[width * height];
int countPix = 0;
int countWidth = 0;
int x = 0;
for (int i = 0; i < width; i++) {
for (int j = 0; j < height; j++) {
pix[countPix] = data[i][j];
countPix++;
}
countWidth++;
}
int countKlaster = 0;
int row = 0;
for (int i = 0; i < width; i++) {
for (int j = 0; j < height; j++) {
ArrayList obj = new ArrayList();
try {
obj.add(data[i][j]);
obj.add(j + row);
if (Integer.parseInt(data[i][j]) ==
Integer.parseInt(data[i][j + 1]))
{
obj.add((j + 1) + row);
}
if (Integer.parseInt(data[i][j]) ==
Integer.parseInt(data[i + 1][j]))
{
int newRow = row + width;
int loc = j + newRow;
obj.add(loc);
}
if (Integer.parseInt(data[i][j]) ==
Integer.parseInt(data[i + 1][j - 1])) {
+ "+ kiri bawah " + i);
int newRow = row + width;
int loc = (j - 1) + newRow;
obj.add(loc);
}
if (Integer.parseInt(data[i][j]) ==
Integer.parseInt(data[i + 1][j + 1])) {
int newRow = row + width;
int loc = (j + 1) + newRow;
obj.add(loc);
} else {
//System.out.println("none");
}
}
catch (Exception e) {
//System.out.println(" exception ");
}
m.put(countKlaster, obj);
countAnggota +=
m.get(countKlaster).size();
countKlaster++;
}
row += width;
}
average = countAnggota / countKlaster
merge(m);
long endTime
System.currentTimeMillis();
long totalTime = (endTime -
startTime)/1000;
System.out.println(totalTime + " detik");
}
public void cetak2(ArrayList values, String
key)
{
System.out.println("key: " + key);
System.out.println(values.get(0) + " " +
values.get(1) + " " + values.get(2) + " " +
values.get(3) + " " + values.get(4));
}
83
3. PROSES MERGE
public void merge(Map x) {
Map<Integer, ArrayList<Object>> m =
new HashMap<Integer,
ArrayList<Object>>();
m = x;
int max = 0;
int dom = 0;
for (int i = 0; i < m.size(); i++) {
for (int j = 0; j < m.size(); j++) {
try {
if (i != j) {
if (m.get(i).isEmpty() != true) {
if (m.get(j).isEmpty() != true) {
Set set = new LinkedHashSet();
ArrayList newSet = new ArrayList();
if (m.get(i).contains(m.get(j).get(1)) ==
true) {
set.addAll(m.get(i));
set.addAll((m.get(j)));
newSet.addAll(set);
m.remove(i);
m.get(j).clear();
m.put(i, newSet);
if (max < m.get(i).size()) {
max = (m.get(i).size() - 1);
dom = i;
}}} else {
}} else {
}}} catch (Exception e)
{
System.out.println("exception at " + i + "
and " + j);
e.printStackTrace();
}
}
}
//System.out.println(m);
String label = "Klaster " + dom + "
sebanyak " + (m.get(dom).size() - 1);
4. HITUNG JUMLAH ANGGOTA CLUSTER
//System.out.println(label);
int[] rgbArr =
getRGBArr(Integer.parseInt(m.get(dom).get
(0).toString()));
//String colCode = "RGB: " + rgbArr[0] +
"," + rgbArr[1] + "," + rgbArr[2] + " " +
m.get(dom).get(0).toString();
String colCode = "RGB: " + rgbArr[0] + ","
+ rgbArr[1] + "," + rgbArr[2];
//System.out.println(colCode);
color = new Color(rgbArr[0], rgbArr[1],
rgbArr[2]);
jLabel3.setBackground(color);
jLabel3.setOpaque(true);
jLabel5.setText(label);
jLabel4.setText(colCode);
}
public void cetakMap(ArrayList val,
String key) {
System.out.println(key);
for (int i = 1; i < val.size(); i++) {
System.out.println(val.get(i).toString());
}
}
public static int[] getRGBArr(int pixel) {
int red = (pixel >> 16) & 0xff;
int green = (pixel >> 8) & 0xff;
int blue = (pixel) & 0xff;
return new int[]{red, green, blue};
}
public static boolean isGray(int[] rgbArr)
{
int rgDiff = rgbArr[0] - rgbArr[1];
int rbDiff = rgbArr[0] - rgbArr[2];
int tolerance = 10;
if (rgDiff > tolerance || rgDiff < -tolerance) {
if (rbDiff > tolerance || rbDiff < -tolerance) {
return false;
}}
return true;
}
@SuppressWarnings("unchecked")
// <editor-fold defaultstate="collapsed"
desc="Generated Code">
private void initComponents() {
84
jLabel1 = new javax.swing.JLabel();
jLabel2 = new javax.swing.JLabel();
jLabel3 = new javax.swing.JLabel();
jButton1 = new javax.swing.JButton();
jLabel4 = new javax.swing.JLabel();
jLabel5 = new javax.swing.JLabel();
setDefaultCloseOperation(javax.swing.Wind
owConstants.EXIT_ON_CLOSE);
setBackground(new java.awt.Color(255,
255, 255));
setMinimumSize(new
java.awt.Dimension(600, 600));
setResizable(false);
getContentPane().setLayout(new
org.netbeans.lib.awtextra.AbsoluteLayout(
));
jLabel1.setFont(new
java.awt.Font("Tahoma", 1, 18)); // NOI18N
jLabel1.setHorizontalAlignment(javax.swin
g.SwingConstants.CENTER);
jLabel1.setText("HASIL PROSES");
getContentPane().add(jLabel1, new
org.netbeans.lib.awtextra.AbsoluteConstra
ints(180, 50, 250, 20));
jLabel2.setFont(new
java.awt.Font("Tahoma", 1, 12)); //
NOI18N
jLabel2.setHorizontalAlignment(javax.swin
g.SwingConstants.CENTER);
jLabel2.setText("WARNA PALING
DOMINAN");
getContentPane().add(jLabel2, new
org.netbeans.lib.awtextra.AbsoluteConstra
ints(60, 390, 180, -1));
jLabel3.setBackground(new
java.awt.Color(255, 255, 255));
jLabel3.setHorizontalAlignment(javax.swin
g.SwingConstants.CENTER);
getContentPane().add(jLabel3, new
org.netbeans.lib.awtextra.AbsoluteConstra
ints(70, 420, 160, 90));
jButton1.setText("ULANGI");
jButton1.addActionListener(new
java.awt.event.ActionListener() {
public void
actionPerformed(java.awt.event.ActionEv
ent evt) {
jButton1ActionPerformed(evt);
}
});
getContentPane().add(jButton1, new
org.netbeans.lib.awtextra.AbsoluteConstra
ints(480, 490, 90, 50));
jLabel4.setHorizontalAlignment(javax.swin
g.SwingConstants.LEFT);
jLabel4.setText("jLabel4");
getContentPane().add(jLabel4, new
org.netbeans.lib.awtextra.AbsoluteConstra
ints(270, 450, 210, -1));
jLabel5.setHorizontalAlignment(javax.swin
g.SwingConstants.LEFT);
jLabel5.setText("jLabel5");
getContentPane().add(jLabel5, new
org.netbeans.lib.awtextra.AbsoluteConstra
ints(270, 420, 210, -1));
pack();
}
private void
jButton1ActionPerformed(java.awt.event.Ac
tionEvent evt) {
this.dispose();
index index = new index();
index.setVisible(true);
}
public static void main(String args[]) {
try {
for (
javax.swing.UIManager.LookAndF
eelInfo info :
javax.swing.UIManager.getInstalle
dLookAndFeels()) {
if ("Nimbus".equals(info.getName())) {
javax.swing.UIManager.setLookAndFeel(
info.getClassName());
break;
}}
} catch (ClassNotFoundException ex) {
java.util.logging.Logger.getLogger(proses.cl
ass.getName()).log(java.util.logging.Level.S
EVERE, null, ex);
} catch (InstantiationException ex) {
85
java.util.logging.Logger.getLogger(proses.cl
ass.getName()).log(java.util.logging.Level.S
EVERE, null, ex);
} catch (IllegalAccessException ex) {
java.util.logging.Logger.getLogger(proses.cl
ass.getName()).log(java.util.logging.Level.S
EVERE, null, ex);
} catch
(javax.swing.UnsupportedLookAndFeelExc
eption ex) {
java.util.logging.Logger.getLogger(proses.cl
ass.getName()).log(java.util.logging.Level.S
EVERE, null, ex);
}
java.awt.EventQueue.invokeLater(new
Runnable() {
public void run() {
new proses().setVisible(true);
}
});
}
// Variables declaration - do not modify
private javax.swing.JButton jButton1;
private javax.swing.JLabel jLabel1;
private javax.swing.JLabel jLabel2;
private javax.swing.JLabel jLabel3;
private javax.swing.JLabel jLabel4;
private javax.swing.JLabel jLabel5;
// End of variables declaration
}
86
Lampiran 2. Tabel Pengujian Citra Uji untuk Menentukan Warna Dominan
pada Citra
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
1.
Warna
Solid/Bendera
Australia
2.
Warna
Solid/Bendera
Brazil
3.
Warna
Solid/Bendera
Brunei Darussalam
4.
Warna
Solid/Bendera
Kiribati
5.
Warna
Solid/BenderaKroa
sia
6.
Warna
Solid/Bendera
Lebanon
87
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
7.
Warna
Solid/Bendera
Myanmar
8.
Warna
Solid/Bendera Sri
Lanka
9.
Warna
Solid/Bendera
United Kingdom
10. Warna Solid/Logo
Coca Cola
11. Warna Solid/Logo
Lego
12. Warna Solid/Logo
Nickelodeon
88
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
13. Warna Solid/Logo
Pepsi
14. Warna Solid/Logo
Samsung
15. Warna Solid/Logo
Shell
16.
Warna Solid/Logo
Skype
17. Warna Solid/Logo
Sturbucks
18. Warna Solid/Logo
Yahoo Mail
89
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
19. Warna Solid/Logo
Batman
20. Warna Solid/Logo
Pizza Hut
21. Warna Solid/Logo
Spotify
22. Warna Solid/UN
23. Warna Solid/Logo
Youtube
24. Warna Solid/Logo
Adobe
90
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
25 Warna Solid/Sapi
26. Warna Gradasi/
Adenium
27. Warna Gradasi/
Anyelir
28. Warna Gradasi/
Dahlia
29. Warna Gradasi/
Kaktus
91
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
30. Warna Gradasi/
Kamboja
31. Warna Gradasi/
Kembang Sepatu
32. Warna Gradasi/
Jeruk Nipis
33. Warna Gradasi/
Tulip
34. Warna Gradasi/
Anggur
92
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
35. Warna Gradasi/
Apel
36. Warna Gradasi/
Belimbing
37.
Warna
Gradasi/Buah
Durian
38. Warna Gradasi/
Sakura
39. Warna Gradasi/
Pepaya
93
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
40. Warna Gradasi/
Semangka
41. Warna Gradasi/
Aerial Land Sea
42. Warna Gradasi/
Stroberi
43. Warna Gradasi/
Ijen Crater Sulfur
44. Warna Gradasi/
Bora-bora
94
No
.
Kategori/ Nama
Citra Citra
Warna
Dominan
dengan
Algoritma
Clustering
ISMC
Klaster
Hasil
dengan
Algoritma
ISMC
Warna
Dominan
dengan
Program
Pembanding
45.
Warna Gradasi/
Ladang Bunga
Canola
46. Warna Gradasi/
Lut Desert
47. Warna Gradasi/
Palau
48.
Warna
Gradasi/Raja
Ampat
49.
Warna
Gradasi/Red
Beach, China
50.
Warna
Gradasi/Sinar
Aurora, Alaska
95
Lampiran 3. Scenario Test Pengujian Secara Fungsional pada Program
Scenario Test Pengujian Fungsional pada Halaman Awal
No.
Skenario Proses
Program
Bekerja
(Ya/Tidak)*
Keterangan
1. Running program ke
halaman awal
berfungsi
Tampilan berupa kotak
dialog dengan header upload
dan button “Upload”
2. Button “Upload”
berfungsi
Menampilkan kotak dialog
folder data
3. Kotak dialog Open
File berfungsi
Menampilkan folder dan file
pada komputer
4. Button “Open”
berfungsi
Menampilkan pemberitahuan
apakah gambar ingin di
upload
5. Kotak dialog
persetujuan untuk
upload gambar
berfungsi
Terdapat button “Ok”
6 Button “Ok” untuk
memilih gambar
berfungsi
Tampilan akan menuju ke
halaman upload
7 Kotak dialog pesan
kesalahan terhadap
format citra berfungsi
Jika memilih format file
selain *.jpg dan *.png
8 Button “Ok” untuk
kembali memilih
gambar berfungsi
Ketika terjadi kesalahan
pemilihan format file selain
*.jpg dan *.png
Scenario Test Pengujian pada Halaman Upload Gambar
No. Skenario Proses Program
Bekerja
(Ya/Tidak)*
Keterangan
1. Tampilan halaman
hasil upload
berfungsi
Tampilan halaman terdapat
citra yang di upload, button
proses, dan batal
2. Button “Proses”
berfungsi
Menuju pada halaman hasil
3. Button “Batal”
berfungsi
Tampilan kembali ke halaman
awal
96
Scenario Test Pengujian pada Halaman Hasil
No.
Skenario Proses
Program
Bekerja
(Ya/Tidak)*
Keterangan
1. Muncul tampilan halaman hasil Tampilan halaman
hasil terdiri dari
citra yang di
upload, citra
warna dominan,
dan button
“Ulangi”
2. Terdapat tampilan gambar yang di
upload
3. Terdapat tampilan gambar hasil
warna dominan dari citra yang di
upload
4. Button “Ulangi” berfungsi Tampilan akan
kembali ke
halaman utama
97
Lampiran 4. Langkah-langkah Penggunaan dan Pengujian Program
Algoritma Clustering ISMC untuk Menentukan Warna
Dominan pada Citra
1. Pengujian Fungsional pada Halaman Awal
1. Setelah kita running atau menjalankan program, tampilan yang terdapat
pada halaman utama.
Tampilan Program pada Halaman Awal
2. Untuk memproses citra yang dipilih, pilih button “Upload”. Setelah
memilih button “Upload”, akan keluar tampilan folder file pada komputer.
98
Tampilan Program Folder File
3. Pilih file dengan format *.jpg dan *.png untuk dapat memproses citra pada
program. Lalu pilih button “Open”. Jika file berhasil untuk di upload,
maka program akan menampilkan message.
Upload Message
99
4. Setelah muncul upload message, pilih button “Ok”. Jika file berhasil di
upload, maka program akan menuju pada halaman proses
Halaman Proses Upload
5. Jika format file yang dipilih memiliki format file selain *.jpg dan *.png,
maka akan muncul kotak dialog pesan kesalahan. Pilih button “Ok” untuk
kembali ke tampilan folder file pada komputer dan program akan
mengulang dari langkah pada b.
100
Warning Message
2. Pengujian Fungsional pada Halaman Proses
Halaman Proses adalah halaman kedua yang tampil pada saat
setelah memilih citra yang akan di proses. Di halaman ini adalah halaman
menuju citra akan diproses dengan menggunakan algoritma ISMC
(Improved Split and Merge Classification). Berikut ini adalah tampilan
dan pengujian secara fungsional dari fitur-fitur yang terdapat pada
halaman proses.
1. Setelah kita running atau menjalankan program, tampilan yang terdapat
pada halaman utama.
101
Tampilan Program pada Halaman Proses
2. Jika setuju untuk memproses citra yang telah dipilih pilih Button “Proses”.
Ketika diproses, program akan berkerja kurang lebih 1 sampai 6 menit
sesuai ukuran piksel yang terdapat pada citra. Kemudian program akan
menuju pada tampilan hasil.
Halaman Hasil setelah Proses
102
3. Jika ingin mengulang proses pemilihan citra, maka pilih Button “Batal”
dan akan kembali menuju tampilan halaman utama. Setelah itu user dapat
menggunakan program dimulai dari langkah awal.
Tampilan Awal Setelah Batal Proses
3. Pengujian Fungsional pada Halaman Hasil
Halaman awal adalah halaman akhir yang keluar sebagai hasil
warrna dominan citra yang diproses oleh program menggunakan algoritma
ISMC (Improved Split and Merge Classification). Berikut ini adalah
langkah-langkah penggunaan dan pengujian secara fungsional dari fitur-
fitur yang terdapat pada halaman hasil.
103
1. Setelah memilih pilihan button “proses”, program akan menampilkan
halaman hasil.
Halaman Hasil
2. Jika ingin mengulang pemrosesan citra untuk mencari warna dominan,
pilih button “Ulangi” untuk kembali ke halaman awal
Mengulang Proses
DAFTAR RIWAYAT HIDUP
Siti Hajar Riska Ariyanti, lahir di Jakarta 2 Mei 1994, merupakan
anak kelima dari lima bersaudara pasangan Alm. H. Zakaria Idris,
S.Sos dan Hj. Sri Sulastika. Telah menempuh pendidikan formal
di SD Negeri 02 Duren Sawit, melanjutkan ke SMP Negeri 27
Jakarta, lalu meneruskan pendidikan di SMA Negeri 54 Jakarta. Pada tahun 2011,
penulis diterima sebagai mahasiswa Program Studi Pendidikan Teknik
Informatika dan Komputer, Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Negeri Jakarta. Dalam menyelesaikan studinya, penulis melakukan penelitian
dalam penyusunan skripsi dengan judul “Analisis Kinerja Algoritma ISMC
(Improved Split and Merge Classification) dengan Clustering untuk Menentukan
Warna Dominan pada Citra” sebagai syarat mendapatkan gelar sarjana
pendidikan.