analisis kinerja algoritma ismc (improved split - Repository UNJ

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

i

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


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


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


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

http://www.tatawarna.com/

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.

http://www.pengertianahli.com/2013/11/pengertian-data-dan-jenis-data.html

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%.



35





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


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


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.

49

Gambar 3.5. Alur Program Implementasi ISMC

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

54

Gambar 3.8. Layout Halaman Upload Citra

Gambar 3.9. Layout Halaman Hasil

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


kembali memilih

gambar berfungsi

Ya Ketika terjadi kesalahan

pemilihan format file


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


Brazil

Cluster 141 sebanyak

17910

RGB: 0,146,63

1 menit 31 detik

73


Algoritma ISMC

Waktu Eksekusi

Hasil


Brunei Darussalam


5281

RGB: 249,223,25

1 menit 28 detik


Kiribati


11088

RGB: 206,17,38

1 menit 21 detik

5. Warna

Solid/BenderaKroasia


5055

RGB:

13,170,150

1 menit 18 detik


Lebanon


4416

RGB: 211,34,40

1 menit 10 detik


Myanmar

Cluster 0 sebanyak 5035

RGB: 255,204,1 1 menit


Sri Lanka


4287

RGB: 157,30,60

59 detik


United Kingdom


2510

RGB: 214,7,23

1 menit 9 detik

10. Warna Solid/Logo Coca

Cola


6235

RGB:198,0,23

1 menit 20 detik

11. Warna Solid/Logo Lego


8376

RGB: 209,16,19

1 menit 55 detik

12. Warna Solid/Logo

Nickelodeon


2234

RGB: 227,146,5

2 menit 10 detik


Pepsi


2963

RGB: 246,32,44

1 menit 52 detik


Samsung


3010

RGB: 3,78,161

1 menit 20 detik

15. Warna Solid/Logo Shell


4244

RGB:254,0,0

2 menit 13 detik


Skype


11861

RGB: 0,184,238

1 menit 28 detik


Sturbucks


4700

RGB: 6,118,85

2 menit 12 detik

74


Algoritma ISMC

Waktu Eksekusi

Hasil


Yahoo Mail


9542

RGB: 95,12,142

1 menit 58 detik

19.

Warna Solid/Logo

Batman


2004

RGB: 14,15,17

2 menit 59 detik


Pizza Hut


1302

RGB: 238, 58,67

2 menit 57 detik


Spotify

Cluster 0 sebanyak

14111

RGB: 128, 184,25

3 menit 56 detik

22. Warna Solid/UN


913

RGB: 0, 174, 243

2 menit 44 detik


Youtube


RGB: 230,47,39 1 menit 45 detik


Adobe



25. Warna Solid/Sapi


RGB:

255,255,

255

2 menit 22 detik

26. Warna Gradasi/

Adenium


22

RGB:154,0,0

7 menit 10 detik

27. Warna Gradasi/ Anyelir


15

RGB: 7,1,3

6 menit 37 detik

28. Warna Gradasi/ Dahlia


RGB:

174,0,33

7 menit 30 detik

29. Warna Gradasi/ Kaktus


9

RGB: 243,89,15

6 menit 30 detik

30. Warna Gradasi/

Kamboja


42

RGB: 252,218,6

7 menit 10 detik

31. Warna Gradasi/

Kembang Sepatu


3

RGB: 253,60,189

6 menit 55 detik

32. Warna Gradasi/ Sakura


69

RGB:240,226,226

6 menit 44 detik

75


Algoritma ISMC

Waktu Eksekusi

Hasil

33. Warna Gradasi/ Tulip


109

RGB: 182,61,68

6 menit 50 detik

34. Warna Gradasi/ Anggur


20

RGB: 24,0,32

5 menit 55 detik

35. Warna Gradasi/ Apel Cluster 6902 sebanyak 3


36. Warna Gradasi/

Belimbing


23

RGB: 206,110,0

6 menit 10 detik

37. Warna Gradasi/Buah

Durian


38

RGB: 255,187,2

5 menit 20 detik

38. Warna Gradasi/ Jeruk

Nipis


15

RGB: 225,225,

125

4 menit 3 detik

39. Warna Gradasi/ Pepaya


12

RGB: 247,101,2

4 menit 59 detik

40. Warna Gradasi/

Semangka


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


5

RGB: 8,121,91

5 menit 27 detik

43. Warna Gradasi/ Bora-

bora


61

RGB:

1,133,146

5 menit 11 detik

44. Warna Gradasi/ Ijen

Crater Sulfur


7

RGB: 109,199,199

5 menit 5 detik

45. Warna Gradasi/ Ladang

Bunga Canola


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


Algoritma ISMC

Waktu Eksekusi

Hasil

47. Warna Gradasi/ Palau


45

RGB: 5,182,224

5 menit 6 detik

48. Warna Gradasi/Raja

Ampat


46

RGB: 0,104,219

5 menit 3 detik

49. Warna Gradasi/Red

Beach, China


4

RGB: 175,29,36

4 menit 55 detik

50. Warna Gradasi/Sinar

Aurora, Alaska


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


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.


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.


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.

http://digilib.mercubuana.ac.id/manager/file_artikel_abstrak/Isi_Artikel_132980965986.pdf

http://digilib.mercubuana.ac.id/manager/file_artikel_abstrak/Isi_Artikel_132980965986.pdf

https://yudiagusta.files.wordpress.com/2008/09/157/161-knsi2011-024-implementasi-algoritma-clustering-ismc-dan-fcm.pdf

https://yudiagusta.files.wordpress.com/2008/09/157/161-knsi2011-024-implementasi-algoritma-clustering-ismc-dan-fcm.pdf

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.

http://yourshot.nationalgeographic.com/

http://www.slideshare.net/rizaldex/bab-2-pembentukan-citra

http://www.slideshare.net/rizaldex/bab-2-pembentukan-citra

http://penjagahati-zone.blogspot.co.id/2011/01/pembiasan-cahaya.html

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) {


System.out.print("[");


System.out.print(" " + data[i][j] + " ");

}

System.out.println("]");

}

}

private void cetakRGB(String[][] data, int

width, int height) {


System.out.print("[");


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;



pix[countPix] = data[i][j];

countPix++;

}

countWidth++;

}

int countKlaster = 0;

int row = 0;



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);

}


Integer.parseInt(data[i + 1][j]))

{

int newRow = row + width;

int loc = j + newRow;

obj.add(loc);

}


Integer.parseInt(data[i + 1][j - 1])) {

+ "+ kiri bawah " + i);


int loc = (j - 1) + newRow;

obj.add(loc);

}


Integer.parseInt(data[i + 1][j + 1])) {


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();



jButton1 = new javax.swing.JButton();



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.setText("WARNA PALING

DOMINAN");



ints(60, 390, 180, -1));

jLabel3.setBackground(new

java.awt.Color(255, 255, 255));





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


ints(480, 490, 90, 50));


g.SwingConstants.LEFT);

jLabel4.setText("jLabel4");



ints(270, 450, 210, -1));


g.SwingConstants.LEFT);

jLabel5.setText("jLabel5");



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



EVERE, null, ex);

} catch (IllegalAccessException ex) {



EVERE, null, ex);

} catch

(javax.swing.UnsupportedLookAndFeelExc

eption ex) {



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;





// 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


Coca Cola


Lego


Nickelodeon

88

No

.

Kategori/ Nama

Citra Citra

Warna

Dominan

dengan

Algoritma

Clustering

ISMC

Klaster

Hasil

dengan

Algoritma

ISMC

Warna

Dominan

dengan

Program

Pembanding


Pepsi


Samsung


Shell

16.

Warna Solid/Logo

Skype


Sturbucks


Yahoo Mail

89

No

.

Kategori/ Nama

Citra Citra

Warna

Dominan

dengan

Algoritma

Clustering

ISMC

Klaster

Hasil

dengan

Algoritma

ISMC

Warna

Dominan

dengan

Program

Pembanding


Batman


Pizza Hut


Spotify

22. Warna Solid/UN


Youtube


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”


memilih gambar

berfungsi

Tampilan akan menuju ke

halaman upload

7 Kotak dialog pesan

kesalahan terhadap

format citra berfungsi

Jika memilih format file



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.

Date post:	04-Mar-2023
Category:	Documents
Upload:	khangminh22
View:	0 times
Download:	0 times

analisis kinerja algoritma ismc (improved split - Repository UNJ

Documents