PENGOLAHAN CITRA DIGITAL

Metode Clustering

KELOMPOK 6:

Fadhlul Fahmi
Rifyal Izzi
Syahrul Azmi
Agus N K
Aufa Nur Istiqlal
Mutia Hanum
Said Fairuz Giana
OUTLINE

 Pengertian Clustering
 Ilustrasi Clustering
 Tahapan Image Clustering
 Metode Clustering
 Pengukuran Jarak
 Kesimpulan
PENGERTIAN CLUSTERING

 Clustering adalah suatu cara menganalisa data dengan

cara mengelompokkan objek ke dalam kelompok-
kelompok berdasarkan suatu kesamaan tertentu.
 Image Clustering adalah proses untuk membagi atau
mengelompokkan suatu image ke dalam beberapa
bagian yang berbeda, dimana pada tiap bagian yang
berbeda tersebut anggotanya mempunyai kesamaan
khusus.
ILUSTRASI CLUSTERING
ILUSTRASI CLUSTERING (2)

 Kesamaan berdasarkan warna

ILUSTRASI CLUSTERING (3)

 Kesamaan berdasarkan bentuk

ILUSTRASI CLUSTERING (4)

 Kesamaan berdasarkan jarak

TAHAPAN IMAGE CLUSTERING

1. Memasukkan semua gambar yang akan

dikelompokkan.
2. Mengekstrak variabel (karakteristik) dari
gambar-gambar yang telah diinputkan.
3. Melakukan clustering (pengelompokan)
menggunakan metode clustering yang
ditentukan.
PENDEKATAN YANG DIGUNAKAN DALAM
MENGEMBANGKAN METODE CLUSTERING
 Pendekatan Partisi
 Pendekatan Hirarki
 Pendekatan automatic mapping (Self-Organising
Map/SOM)
PENDEKATAN PARTISI

 Pendekatan partisi adalah mengelompokkan data

dengan memilah-milah data yang dianalisa ke
dalam cluster-cluster yang ada.
 Contoh :
• K-means

• Mixture Modelling
K-MEANS

K-Means, metode ini melakukan proses pengelompokan

dengan prosedur sebagai berikut :
1. Tentukan jumlah cluster
2. Alokasikan data secara random ke cluster yang ada
3. Hitung rata-rata setiap cluster dari data yang tergabung
di dalamnya
4. Alokasikan kembali semua data ke cluster terdekat
5. Ulang proses nomor 3, sampai tidak ada perubahan atau
perubahan yang terjadi masih sudah di bawah treshold
ALGORITMA K-MEANS (2)
PENDEKATAN HIRARKI

 Pedekatan hirarki adalah mengelompokkan data

dengan membuat suatu hirarki berupa
dendrogram dimana data yang mirip akan
ditempatkan pada hirarki yang berdekatan dan
yang tidak pada hirarki yang berjauhan.
 Contoh :
Single Linkage, Centroid Linkage, Complete
Linkage, dan Average Linkage
ALGORITMA HIRARKI
PENGUKURAN JARAK
SINGLE LINKAGE
CENTROID LINKAGE
COMPLETE LINKAGE
AVERAGE LINKAGE
PENDEKATAN AUTOMATIC MAPPING

 Self-Organising Map (SOM)

merupakan suatu tipe Artificial Neural Networks yang
di-training secara unsupervised. SOM menghasilkan map
yang terdiri dari output dalam dimensi yang rendah (2
atau 3 dimensi). Map ini berusaha mencari property dari
input data. Komposisi input dan output dalam SOM
mirip dengan komposisi dari proses feature scaling
(multidimensional scaling).
KESIMPULAN
 Pada dasarnya tujuan dari metode-metode clustering
tersebut sama, yaitu untuk menghasilkan gambar-
gambar yang dikelompokkan ke masing-masing
kelompok yang sesuai.
 Yang membedakannya adalah basis yang digunakan
untuk mengukur kesamaan masing-masing gambar.
 Pendekatan partisi untuk mengukur komposisi
distribusi masing-masing gambar.
 Pendekatan hirarki untuk mengukur tingkat kesamaan
gambar dari jarak antar variabelnya.
DAFTAR PUSTAKA

 http://yudiagusta.wordpress.com/2011/04/25/ima
ge-clustering/

 Berbagai sumber lainnya