Perbandingan Implementasi Algoritma K-Means++ Dan Fuzzy C-Means Pada Segmentasi Citra Wajah

Nuraeni, Fitri; Susilawati, Helfy; Agustin, Yoga Handoko

doi:10.26798/juti.v1i2.722

Cited by 2 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Jarak Euclidean dapat dinyatakan sebagai akar kuadrat dari total selisih kuadrat antara koordinat objek [16]. Kemudian, nilai Euclidean Distance yang diperoleh digunakan untuk menilai tingkat kesamaan guna menentukan apakah suatu objek termasuk dalam kelas tertentu berdasarkan nilai kedekatan yang diperoleh [17].…”

Section: Euclidean Distanceunclassified

Optimasi Parameter Algoritma K-Means Pada Data Rekam Medis Klinik Ananda Medika Rancah

Alfirda Sofyan,

Kurniawan,

Arie Wijaya

2024

jati

View full text Add to dashboard Cite

Data rekam medis merupakan informasi medis terkait identifikasi pasien, penyakit dan riwayat pengobatan. Peningkatan jumlah data rekam medis dari waktu ke waktu menyulitkan identifikasi pola penting yang tersembunyi dalam dataset. Oleh karena itu, diperlukan teknik analisis data yang tepat untuk mengelola data rekam medis secara optimal. Penelitian ini bertujuan untuk menemukan parameter terbaik yang menghasilkan cluster optimum berdasarkan Davies Bouldin Index (DBI), semakin rendah nilai DBI menunjukan cluster terbaik. Metode yang digunakan dalam penelitian ini adalah clustering dengan Algoritma K-Means. Algoritma K-Means diimplementasikan dengan tools Rapidminer versi 10.3. Parameter yang digunakan dalam melakukan eksperimen terhadap nilai DBI adalah parameter Measure Types Numerical Measure. Dengan tiga kali percobaan Numerical Measure yang berbeda yaitu Euclidean Distance, Manhattan Distance, dan Dynamic Time Warping Distance, serta proses iterasi rmenggunakan parameter Max Optimization dimulai dari 1 hingga 10. Dari hasil eksperimen menunjukan parameter terbaik adalah Measure Types Numerical Measure dengan Manhattan Distance karena menghasilkan nilai DBI terkecil dibandingkan parameter lainnya. Proses iterasi algoritma K-Means berakhir pada iterasi ke-3 karena pada iterasi tersebut diperoleh keanggotaan cluster yang sama dengan iterasi sebelumnya. Hal ini menunjukkan bahwa algoritma telah mencapai nilai konfiden.

show abstract

Section: Euclidean Distanceunclassified

Optimasi Parameter Algoritma K-Means Pada Data Rekam Medis Klinik Ananda Medika Rancah

Alfirda Sofyan,

Kurniawan,

Arie Wijaya

2024

jati

View full text Add to dashboard Cite

show abstract

“…Segmentasi citra adalah langkah penting dalam pengolahan citra dan dapat digunakan dalam berbagai bidang seperti pengenalan pola, analisis medis, dan pengolahan citra [1]. Algoritma Region Growing, K-Means, Fuzzy K dan Otsu Thresholding adalah metode yang umum digunakan untuk segmentasi gambar [2,3,4,5,6,7,8,9,10,11,12]. Metode segmentasi citra yang berbasis pada Region Growing dikenal sebagai algoritma pertumbuhan wilayah.…”

Section: Pendahuluanunclassified

Analisis Perbandingan Algoritma Region Growing Dan Otsu Thresholding Pada Segmentasi Citra Bunga

Siswanto,

Riti,

Herijanto

2023

E-LINK

View full text Add to dashboard Cite

Dalam segmentasi citra digital, segmentasi merupakan proses memisahkan objek dari latar belakang yang bertujuan agar objek hasil segmentasi dapat dianalisis lebih lanjut. Untuk mendapatkan hasil citra segmentasi yang baik tentu diperlukan algoritma yang baik. Dalam penelitian ini dilakukan pengujian terhadap kedua algoritma populer yaitu algoritma Otsu Thresholding dan algoritma Region Growing. Tujuan dari penelitian ini adalah untuk membandingkan seberapa baik kedua algoritma bekerja dan menghasilkan segmentasi yang akurat dan efektif. Segmentasi citra dievaluasi berdasarkan kualitasnya dengan mempertimbangkan parameter-parameter seperti waktu komputasi, akurasi segmentasi, MSE (Mean Square Error), dan PSNR (Peak Signal to Noise Ratio). Hasil pengujian dari Algoritma Otsu dan Algoritma Region Growing diperoleh hasil sebagai berikut: dari segi komputasi, Region Growing unggul dengan nilai 0.03 detik dibandingkan Otsu dengan nilai 0.13 detik. Dari segi akurasi, Region Growing unggul dengan nilai 0.8473 dibandingkan Otsu dengan nilai 0.7980. Dari segi MSE, Region Growing unggul dengan nilai 6.35 dibandingkan 28.95.

show abstract

Perbandingan Implementasi Algoritma K-Means++ Dan Fuzzy C-Means Pada Segmentasi Citra Wajah

Cited by 2 publications

References 12 publications

Optimasi Parameter Algoritma K-Means Pada Data Rekam Medis Klinik Ananda Medika Rancah

Optimasi Parameter Algoritma K-Means Pada Data Rekam Medis Klinik Ananda Medika Rancah

Analisis Perbandingan Algoritma Region Growing Dan Otsu Thresholding Pada Segmentasi Citra Bunga

Contact Info

Product

Resources

About