IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING

Transkripsi

1 IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas Multmeda Fakultas Teknolog Industr, Insttut Teknolog Sepuluh Nopember Surabaya Kampus ITS, Jl. Raya ITS, Sukollo-Surabaya 60111, Indonesa, Telp , Fax Emal :m_mplbn@ yahoo.om Abstrak Cr yang dgunakan dalam dentfkas kematangan buah adalah r warna (ftur R, G, dan B). Selanjutnya dlakukan lusterng dengan metode Sngle Lnkage Herarhal Method (SLHM) terhadap r warna yang dperoleh. Dalam lusterng, umumnya harus dlakukan nsalsas jumlah luster yang dngnkan terlebh dahulu, padahal pada beberapa kasus lusterng, user bahkan tdak tahu berapa banyak luster yang bsa dbangun. Untuk tu, dalam peneltan n daplkaskan metode Valley Trang. Metode n merupakan onstrant yang akan melakukan dentfkas terhadap pergerakan varane dar tap tahap pembentukan luster, dan menganalsa polanya untuk membentuk suatu luster seara otomats (automat lusterng). Jumlah luster yang dperoleh menunjukkan jumlah buah yang ddentfkas, kemudan nama buah dan jens kematangan masng-masng buah dperoleh dengan membandngkan nla entrod tap luster dengan nla entrod data tranng yang sebelumnya telah dsmpan dalam database dan mempunya label nama buah. Kata kun : Pengenalan kematangan buah, SLHM, Image Clusterng, Clusterng Otomats, Valley Trang. 1. PENDAHULUAN 1.1. Latar Belakang Dewasa n perkembangan teknolog nformas berkembang sangat pesat. Hal n dkut pula dengan banyaknya peneltan-peneltan baru dalam bdang tersebut, dantaranya adalah yang berkatan dengan objet reognton (pengenalan objek). Aplkas objet reognton yang telah ada salah satunya adalah proses dentfkas / pengenalan buah berdasarkan r warna. Pada pengenalan buah berdasarkan r warna sebelumnya, sstem hanya mampu mengdentfkas objek buah tunggal. Sstem yang dbangun belum mampu mengenal objek berupa sekumpulan buah. Sehngga dbutuhkan suatu solus untuk permasalahan tersebut. Dalam peneltan n akan dbangun aplkas mage lusterng untuk mengdentfkas buah tomat berdasarkan warna. Dalam lusterng, umumnya harus dlakukan nsalsas jumlah luster yang dngnkan terlebh dahulu, padahal pada beberapa kasus lusterng, user bahkan tdak tahu berapa banyak luster yang bsa dbangun. Untuk tu, dalam peneltan n daplkaskan metode Valley Trang yang mampu menyelesakan masalah tersebut. Metode n bsa melakukan lusterng seara otomats (Automat Clusterng) terhadap ftur warna berupa R,G,B dar buah tomat dengan memanfaatkan Sngle Lnkage Herarhal Method (SLHM), yatu mendeteks pergerakan varan pada tap tahap pembentukan lusternya untuk menemukan global optmum sehngga bsa dbangun luster seara otomats (automat Clusterng). Nla entrod masng-masng hasl lusterng selanjutnya akan dgunakan untuk mengdentfkas jens buah dan kematangannya Perumusan Masalah Permasalahan utama pada peneltan n bagamana membangun sstem dentfkas buah tomat, dar permasalahan n akan dbahas 3 permasalahan yang pentng yatu : - Bagamana mengdentfkas berapa jens kematangan buah tomat dalam gambar nput. - Bagamana mengdentfkas jens buah dan jens kematangannya yang ada pada gambar nput. - Bagamana menerapkan metode Valley Trang untuk membangun luster seara otomats (Automat Clusterng) Tujuan Peneltan Dar rumusan masalah d atas maka peneltan n bertujuan untuk memperbak teknk retrval mage menggunakan lusterng untuk menentukan jumlah buah dan kematangannya yang ada dalam suatu mage Batasan Masalah Batasan pada peneltan n adalah sebaga berkut : 1. Objek yang dgunakan adalah buah tomat. 2. Buah tomat yang ddentfkas adalah buah yang memlk 1 warna dan domnan. 3. Ftur yang dambl dalam objek gambar adalah rr warna dengan ftur R,G,B yang kemudan dolah dalam A-15

2 metode lusterng. 4. Metode lusterng yang dgunakan adalah Sngle Lnkage Hrarhal Method. 5. Ukuran mage atau gambar sama dengan format JPG 6. Warna dasar tempat meletakkan objek tetap (bakground puth) Manfaat Manfaat yang dapat dberkan dalam peneltan n adalah mengembangkan teknk-teknk pengenalan obyek yang telah ada sebelumnya melalu mage lusterng dengan metode Valley Trang sehngga kelemahankelemahan dalam peneltan-peneltan yang dbuat sebelumnya dapat dsempurnakan terutama dalam pengenalan obyek yang memlk karakterstk spesfk, yang sebelumnya belum dapat ddentfkas. 2. TINJAUAN PUSTAKA S. Ray, R.H. Tur, (1999), [1], melakukan peneltan tentang kekurangan utama algortma K-Mean adalah bahwa jumlah luster harus yang dsedakan sebaga parameter. Pada peneltan mereka memperlhatkan suatu valdtas pengukuran sederhana berdasarkan pada pengukuran jarak ntra-luster dan nter-luster yang membolehkan jumlah luster untuk dtentukan seara otomats. Prosedur dasar melbatkan semua segmentas mage untuk lebh dar 2 luster sampa ke Kmax luster, d mana Kmax merepresentaskan batas atas pada jumlah dar luster. Kemudan pengukuran valdtas dhtung untuk menentukan luster terbak dengan menar nla mnmum dar pengukuran Al Rdho Barakhbah, Kohe Ara, (2004), [2], peneltan n mengusulkan pendekatan baru untuk menar global optmum dar lusterng dan menganalsa pergerakan varane dar luster untuk setap tngkat pembentukan luster. Kemudan menganalsa pola untuk menar global optmum untuk menghndar loal optma. Peneltan n juga menganalsa kemungknan untuk membuat luster otomats (aoutomat lusterng) Dasar Teor Pengertan Clusterng Clusterng adalah suatu ara menganalsa data dengan ara mengelompokkan objek kedalam kelompok-kelompok berdasar suatu kesamaan tertentu. Bsa juga dartkan sebaga proses untuk mendefnskan pemetaan/mappng f:d C dar beberapa data D={t 1, t 2, t n } kedalam beberapa luster C={ 1, 2,., n } berdasarkan kesamaan antar t. Sebuah luster adalah sekumpulan obyek yang dgabung bersama karena persamaan atau kedekatannya. Sedangkan Image lusterng ( pengelompokkan gambar ) adalah proses untuk membag atau mengelompokkan suatu mage ke dalam beberapa bagan yang berbeda, dmana pada tap bagan yang berbeda tersebut anggotanya mempunya kesamaan khusus (homogen). Clusterng basa dgunakan pada banyak bdang, sepert : data mnng, pattern reognton (pengenalan pola), mage lassfaton (pengklasfkasan gambar), lmu bolog, pemasaran, perenanaan kota, penaran dokumen, dan lan sebaganya. Clusterng berdasar warna Clusterng berdasar bentuk Gambar 2.1 Ilustras lusterng Karakterstk Clusterng Karakterstk lusterng dbag menjad 4, yatu : 1. Parttonng lusterng Parttonng lusterng dsebut juga exlusve lusterng, dmana setap data harus termasuk ke luster tertentu. Karakterstk tpe n juga memungknkan bag setap data yang termasuk luster tertentu pada suatu tahapan proses, pada tahapan berkutnya berpndah ke luster yang lan. Contoh : K-Means, resdual analyss. 2. Herarhal lusterng Pada herarhal lusterng, Setap data harus termasuk ke luster tertentu. Dan suatu data yang termasuk ke luster tertentu pada suatu tahapan proses, tdak dapat berpndah ke luster lan pada tahapan berkutnya. A-16

3 Contoh: Sngle Lnkage, Centrod Lnkage,Complete Lnkage, Average Lnkage. 3. Overlappng lusterng Dalam overlappng lusterng, setap data memungknkan termasuk ke beberapa luster. Data mempunya nla keanggotaan (membershp) pada beberapa luster. Contoh: Fuzzy C-means, Gaussan Mxture. 4. Hybrd Karakterstk hybrd adalah Mengawnkan karakterstk dar parttonng, overlappng dan herarhal ALgortma Clusterng Ada beberapa algortma yang serng dgunakan dalam lusterng, yatu : 1. K-Means Termasuk parttonng lusterng yang memsahkan data ke k daerah bagan yang terpsah. K-means algorthm sangat terkenal karena kemudahan dan kemampuannya untuk mengklaster data besar dan data outler dengan sangat epat. Sesua dengan karakterstk parttonng lusterng, Setap data harus termasuk ke luster tertentu, dan Memungknkan bag setap data yang termasuk luster tertentu pada suatu tahapan proses, pada tahapan berkutnya berpndah ke luster yang lan. Algortma K-Means : 1. Menentukan k sebaga jumlah luster yang ngn dbentuk 2. Membangktkan k entrods (ttk pusat luster) awal seara random 3. Menghtung jarak setap data ke masng-masng entrods 4. Setap data memlh entrods yang terdekat 5. Menentukan poss entrods baru dengan ara menghtung nla rata-rata dar data-data yang memlh pada entrod yang sama. 6. Kembal ke langkah 3 jka poss entrods baru dengan entrods lama tdak sama. Gambar 2.2 Ilustras Algortma K-means Karakterstk K-Means : K-means sangat epat dalam proses lusterng K-means sangat senstf pada pembangktan entrods awal seara random Memungknkan suatu luster tdak mempunya anggota Hasl lusterng dengan K-means bersfat tdak unk ( selalu berubah-ubah) - terkadang bak, terkadang jelek. K-means sangat sult untuk menapa global optmum Gambar 2.3 Ilustras kelemahan K-means 2. Herarhal Clusterng Dengan metode n, data tdak langsung dkelompokkan kedalam beberapa luster dalam 1 tahap, tetap dmula dar 1 luster yang mempunya kesamaan, dan berjalan seterusnya selama beberapa teras, hngga terbentuk beberapa luster tertentu. Arah herarhal lusterng dbag 2, yatu : a) Dvsve - Dar 1 luster ke k luster - Pembagan dar atas ke bawah (top to down dvson) b) Agglomeratve - Dar N luster ke k luster A-17

4 - Penggabungan dar bawah ke atas (down to top merge). Algortma Herarhal lusterng : 1. Menentukan k sebaga jumlah luster yang ngn dbentuk 2. Setap data danggap sebaga luster. Kalau N = jumlah data dan =jumlah luster, berart ada =N. 3. Menghtung jarak antar luster 4. Car 2 luster yang mempunya jarak antar luster yang palng mnmal dan gabungkan (berart =-1). 5. Jka >k, kembal ke langkah 3. Gambar 2.4 Ilustras Algortma Herarhal Clusterng Penghtungan jarak antar obyek, maupun antar lusternya dlakukan dengan Euldan dstane, khususnya untuk data numerk [2]. Untuk data 2 dmens, dgunakan persamaan sebaga berkut : d ( x, y ) = Algortma herarhal lusterng banyak daplkaskan pada metode peng-lusteran berkut : 1. Sngle Lnkage Herarhal Method (SLHM) Sngle Lnkage adalah proses penglusteran yang ddasarkan pada jarak terdekat antar obyeknya ( mnmum dstane). Metode SLHM sangat bagus untuk melakukan analsa pada tap tahap pembentukan luster. Metode n juga sangat ook untuk dpaka pada kasus shape ndependent lusterng, karena kemampuannya untuk membentuk pattern / pola tertentu dar luster. Sedangkan untuk kasus ondensed lusterng, metode n tdak bagus. Algortma Sngle Lnkage Herarhal Method : 1. Dasumskan setap data danggap sebaga luster. Kalau n=jumlah data dan =jumlah luster, berart ada =n. 2. Menghtung jarak antar luster dengan Euldan dstane. 3. Menar 2 luster yang mempunya jarak antar luster yang palng mnmal dan dgabungkan (merge) kedalam luster baru (sehngga =-1) 4. Kembal ke langkah 3, dan dulang sampa dapa luster yang dngnkan. n = 1 x y 2 (2.1) Jarak luster 1 ke luster 2 = Jarak data 3 ke data 4 Gambar 2.5 Ilustras Sngle Lnkage 2. Centrod Lnkage Herarhal Method Centrod Lnkage adalah proses penglusteran yang ddasarkan pada jarak antar entrodnya. Metode n bagus untuk memperkel varane wthn luster karena melbatkan entrod pada saat penggabungan antar luster. Metode n juga bak untuk data yang mengandung outler. Algortma Centrod Lnkage Herarhal Method : 1. Dasumskan setap data danggap sebaga luster. Kalau n=jumlah data dan =jumlah luster, berart ada =n. 2. Menghtung jarak antar luster dengan Euldan dstane. 3. Menar 2 luster yang mempunya jarak entrod antar luster yang palng mnmal dan dgabungkan (merge) kedalam luster baru (sehngga =-1) A-18

5 4. Kembal ke langkah 3, dan dulang sampa dapa luster yang dngnkan. Jarak luster 1 ke luster 2 = Jarak entrod luster 1 ke entrod luster 2 Gambar 2.6 Ilustras Centrod Lnkage 3. Complete Lnkage Herarhal Method Complete Lnkage adalah proses penglusteran yang ddasarkan pada jarak terjauh antar obyeknya ( maksmum dstane). Metode n bak untuk kasus lusterng dengan normal data set dstrbuton. Akan tetap, metode n tdak ook untuk data yang mengandung outler. Algortma Complete Lnkage Herarhal Method : 1. Dasumskan setap data danggap sebaga luster. Kalau n=jumlah data dan =jumlah luster, berart ada =n. 2. Menghtung jarak antar luster dengan Euldan dstane. 3. Menar 2 luster yang mempunya jarak antar luster yang palng maksmal / terjauh dan dgabungkan (merge) kedalam luster baru (sehngga =-1) 3. Kembal ke langkah 3, dan dulang sampa dapa luster yang dngnkan. Jarak luster 1 ke luster 2 = Jarak data 1 ke data 6 Gambar 2.7 Ilustras Complete Lnkage 4. Average Lnkage Herarhal Method Average Lnkage adalah proses penglusteran yang ddasarkan pada jarak rata-rata antar obyeknya ( average dstane). Metode n relatf yang terbak dar metode-metode herarhal. Namun, n harus dbayar dengan waktu komputas yang palng tngg dbandngkan dengan metode-metode herarhal yang lan. Jarak luster 1 ke luster 2 = Jarak antar data n x m Dmana : n = Jumlah data luster 1 m = Jumlah data luster 2 Gambar 2.8 Ilustras Average Lnkage Analsa Cluster Analsa luster adalah suatu teknk analsa multvarate (banyak varabel) untuk menar dan mengorgansr nformas tentang varabel tersebut sehngga seara relatf dapat dkelompokkan dalam bentuk yang homogen dalam sebuah luster. Seara umum, bsa dkatakan sebaga proses menganalsa bak tdaknya suatu proses pembentukan luster. Analsa luster bsa dperoleh dar kepadatan luster yang dbentuk (luster densty). Kepadatan suatu luster bsa dtentukan dengan varane wthn luster (Vw) dan varane between luster (Vb). Varan tap tahap pembentukan luster bsa dhtung dengan rumus : n V = ( y y ) (2.2) n 1 = 1 A-19

6 Dmana : rumus : Dmana : V 2 = varan pada luster = 1..k, dmana k = jumlah luster n = jumlah data pada luster y = data ke- pada suatu luster y = rata-rata dar data pada suatu luster Selanjutnya dar nla varan datas, kta bsa menghtung nla varane wthn luster (Vw) dengan Vw = ( n 1 ). V (2.3) N = 1 N = Jumlah semua data n = Jumlah data luster V = Varan pada luster Dan nla varane between luster (Vb) dengan rumus : Vb = n( y y) (2.4) 1 = 1 Dmana : y = rata-rata dar y Salah satu metode yang dgunakan untuk menentukan luster yang deal adalah batasan varane, yatu dengan menghtung kepadatan luster berupa varane wthn luster (Vw) dan varane between luster (Vb). Cluster yang deal mempunya Vw mnmum yang merepresentaskan nternal homogenty dan maksmum Vb yang menyatakan external homogenty. 2 Vw V = x100% (2.5) 2 Vb Meskpun mnmum Vw menunjukkan nla luster yang deal, tetap pada beberapa kasus kta tdak bsa menggunakannya seara langsung untuk menapa global optmum. Jka kta paksakan, maka solus yang dhaslkan akan jatuh pada loal optma Identfkas Pola Berdasarkan Pergerakan Varan Identfkas pola pergerakan varan merupakan metode untuk memperoleh luster yang menapa global optmum, yang mampu mengatas masalah dar mnmum V. Gambar 2.9 menunjukkan pergerakan varan pada tap tahap pembentukan luster, dmana dar gambar tersebut terlhat bahwa global optmum berada pada tahap ke 15, dengan 6 total luster. Gambar 2.9 Pergerakan Varane pada taptahap Pembentukan luster Berkut tahap untuk menemukan global optmum dar tahap pembentukan luster : a) Mendeskrpskan semua pola dar pergerakan varan, sepert gambar 2.9 datas. b) Menganalsa kemungknan global optmum yang berada pada tempat yang tepat. ) Melhat poss dar global optmum yang mungkn. Poss yang mungkn untuk menemukan global optmum pada pergerakan varan, dkelompokkan menjad 2, yatu : 1. Hll-lmbng Pada Hll-lmbng ddefnskan bahwa kemungknan menapa global optmum terletak pada tahap ke-, jka memenuh persamaan berkut : A-20

7 v >. + (2.6) Dmana, α adalah nla tngg. Nla tngg dgunakan untuk menentukan seberapa mungkn metode n menapa global optmum. Nla α yang basa dgunakan adalah 2,3, dan 4. Persamaan datas, dperoleh berdasar analsa pergerakan varan pola Hll-lmbng berkut : 1 α v Gambar 2.10 Pola nla beda Hll-lmbng 2. Valley-trang Pada Valley-trang ddefnskan bahwa kemungknan menapa global optmum terletak pada tahap ke-, jka memenuh persamaan berkut : ( v v ) ( v > v ) (2.7) Dmana = 1 n, dan n tahap terakhr pembentukan luster. Persamaan datas, dperoleh berdasar analsa pergerakan varan pola Valley-trang berkut : Gambar 2.11 Pola nla beda Valley-trang Berkut tabel yang menunjukkan pola-pola Valley-trang yang mungkn menapa global optmum. Pola yang mungkn dtanda dengan smbol. Tabel 1. Tabel kemungknan pola Valley-trang menapa global optmum Selanjutnya, bak dengan pendekatan metode valley-trang maupun hll-lmbng dlakukan dentfkas perbedaan nla tngg ( ) pada tap tahap, yang ddefnskan dengan : = = ( v+ v) + ( v 1 v) ( v + v ) ( 2xv) 1 (2.8) Nla dgunakan untuk menghndar loal optma, dmana persamaan n dperoleh dar maksmum yang dpenuh pada persamaan 7. Untuk membentuk luster seara otomats, yatu luster yang menapa global optma, dgunakan nla λ sebaga threshold, sehngga luster seara otomats A-21

8 terbentuk ketka memenuh : ( ) λ max (2.9) Untuk mengetahu keakuratan dar suatu metode pembentukan luster pada herarhal method, bak menggunakan valley-trang maupun hll-lmbng, dgunakan persamaan sebaga berkut : ϕ max( ) = (2.10) nla terdekat ke max Dmana : sebelumnya. Nla φ yang lebh besar dar 2, menunjukkan luster yang terbentuk merupakan luster yang wellseparated (terpsah dengan bak). nla terdekat ke max ( ) adalah nla kanddat max ( ) Konsep Warna Warna pokok [3] dalam pengelolaan tra terdr dar 3 (tga) unsur, yatu merah (R), hjau (H), dan bru (B). Jka warna-warna pokok tersebut dgabungkan, maka akan menghaslkan warna lan. Penggabungan tersebut bergantung pada warna pokok yang tap-tapwarna memlk nla 256 (8 bt). ( ) Warna yang ddeskrpskan dengan RGB adalah pemetaan yang mengau pada panjang gelombang dar RGB. Pemetaan menghaslkan nuansa warna untuk masng-masng R, G, dan B. Masng-masng R, G, dan B ddskrtkan dalam skala 256, sehngga RGB akan memlk ndeks antara 0 sampa METODE PENELITIAN Untuk menapa tujuan dalam peneltan n, dperlukan suatu metode peneltan yang tepat sehngga dapat dgunakan sebaga pedoman dalam pelaksanaannya seara sstemats. Metode peneltan yang akan dgunakan dalam peneltan n nantnya melput tahapan peneltan yang terdr dar : 3.1. Stud Kepustakaan Adapun langkah-langkah yang dlakukan dalam peneltan n dantaranya adalah melakukan pengumpulan serta mempelajar lteratur-lteratur yang berhubungan dengan mage lusterng dar peneltanpeneltan sebelumnya, dasar-dasar mage proessng, lterature pendukung lannya yang berhubungan dengan peneltan n Ranang Bangun Sstem Dalam peneltan n memlk 2 tahap yatu tahap Learnng (learnng proess) dan tahap dentfkas (dentfaton proses). 1. Tahap Learnng (Learnng Proess) Learnng proess adalah tahap pembelajaran kepada komputer untuk mengenal nla RGB dar suatu mage buah tomat, dmana nla RGB tersebut adalah nla entrod dar suatu proses mage lusterng. Yang pertama kal d lakukan dalam learnng proess adalah pengamblan nla RGB dar suatu mage buah. Kemudan nla RGB d setap pxel d mage tersebut d klastersas dengan menggunakan algortma K- Means, sehngga d dapatkan nla-nla entrod dar suatu mage tersebut. 2. Tahap Identfkas (Identfkas Proess) Pertama kal gambar buah tomat yang akan d dentfkas akan dambl nla RGBnya untuk nantnya akan dlakukan proses automat lusterng. Pada proses automat lusterng n akan menggunakan metode valley trang untuk menar berapa luster yang terbentuk seara otomats sehngga akan d dapatkan nla entrodnya dmana nla entrod tersebut akan dgunakan untuk melakukan proses dentfkas. Proses dentfkas n akan merujuk pada database yang ada, dmana program akan menganalsa nla-nla A-22

9 RGB dar mage yang telah d klastersas dengan nla-nla yang terdapat dalam database yang bers nlanla RGB dar hasl luster pada proses learnng sehngga jens buah tomat dan kematangannya yang terdapat dalam mage nput dapat d ketahu Blok Dagram Sstem ( ) λ Gambar 3.1. Blok Dagram Sstem 3.3. Pengujan Unjuk Kerja Sstem Pada pengujan sstem dlakukan mplementas dar ranangan sstem yang telah djelaskan dar blok dagram sstem yang ada. Gambar 3.1 menunjukkan blok dagram sstem dar proses tranng, ekstraks warna, learnng, luster sampa pada dentfkas kematangan buah pada sebuah mage yang bers kumpulan buah Analsa Sstem Penganalsaan yang dlakukan yatu dengan mengambl data tranng dar masng masng mage buah tomat dalam poss yang berbeda, lalu dber nama dengan nama buah serta jens kematangannya kemudan dsmpan dalam database yang djadkan sebaga data tranng. Gambar 3.1 datas menggambarkan blok dagram proses dentfkas, dmana setelah gambar dekstraks warnanya, sehngga ddapat nla R,G,dan B, selanjutnya nla tersebut d-luster oleh system dengan menggunakan algortma Sngle Lnkage Herarhal Method yang juga mengaplkaskan metode valley trang untuk membentuk luster seara otomats. Pada tap tahap pembentukan luster dlakukan penghtungan nla beda tngg. Nla tersebut dhtung dengan ara terlebh dahulu melakukan pengeekan dengan metode valley trang, jka memenuh, maka nla dhtung. Selanjutnya pada nla max tulah luster yang optmal terbentuk. Dar luster yang terbentuk dperolehlah nla entrod. Masuk ke proses dentfkas, nla entrod hasl dhtung kedekatannya dengan nla entrod masng-masng data learnng menggunakan euqldean dstane. Nla jarak yang palng mnmal dplh dengan representas label pada data tranng. 4. KESIMPULAN DAN SARAN 4.1. Kesmpulan 1. Tdak semua dar hasl perobaan yang dlakukan menghaslkan suatu dentfkas yang bak dan benar, karena proses apture yang kurang sempurna, sehngga pada saat klastersas terdapat klaster-klaster lan yang terbentuk. 2. Untuk mendapatkan luster yang tepat pada saat penglusteran otomats terhadap data ftur R,G,B. Kualtas gambar juga menentukan tepat tdaknya hasl luster. A-23

10 4.2. Saran Hasl yang dapa dar peneltan n belum sempurna. Untuk menngkatkan hasl yang dapa, maka dperlukan : 1. Pre-proessng terhadap mage yang akan dproses dengan lusterng, hal n untuk mereduks pxel-pxel yang mengganggu yang mengakbatkan terbentuknya luster yang tdak dngnkan. 2. Penggunaan algortma lusterng yang lebh ampuh untuk membentuk luster, yang mampu menangan data yang mengandung outler (dalam hal n pxel yang mengganggu). 3. Pengamblan gambar dengan penahayaan yang bagus, agar dperoleh kualtas gambar yang bagus. 5. DAFTAR PUSTAKA Al Rdho Barakhbah, Kohe Ara, 2004, Determnng Constrants of Movng Varane to Fnd Global Optmum and Make Automat Clusterng IES Pro. Pp C.J. Veenman, M.J.T. Renders, E. Baker, 2002, A Maxmum Varane Cluster Algorthm, IEEE Transatons on Pattern Analyss and Mahne Intellgene, Vol. 24, No. 9, pp S. Ray, R.H. Tur, 1999, Determnaton of Number of Clusters n K-means Clusterng and Applaton n Colour Image Segmentaton, 4th ICAPRDT Pro., pp A-24