Klasterisasi Citre Liburan Secara Otomatis Berbasis Segmentasi Area Menggunakan Metode K-Means
Article Sidebar
Main Article Content
Abstract
Mengabadikan momen liburan merupakan hal yang biasa dilakukan wisatawan atau wisatawan domestik. Pada kamera digital citra tersimpan dalam bentuk file yang disimpan pada memori. Dalam memori citra yang tersimpan tidak tertata dengan rapi. Banyak dan beragamnya lokasi atau momen yang diabadikan menyulitkan dalam pengelompokan citra. Dalam hal ini diperlukannya pengelompokan citra liburan untuk mempermudal dalam pengelompokkan citra berdasarkan lokasi. Dataset yang digunakan merupakan dataset citra liburan berjumlah 5000 data dari 49 lokasi wisata. Algoritma yang digunakan dalam penelitian ini adalah K-means. Kmeans merupakan salah satu teknik clustering yang terkenal mudah dan mampu mengklaster data besar dengan cepat. Pada penelitian ini citra disegmentasi menjadi 5 area, segmentasi digunakan pada pengujian untuk membandingkan dengan citra tanpa menggunakan segmentasi, untuk melihat keakuratan yang diperoleh pada penelitian. Penelitian ini dilakukan untuk membuktikan model yang diusulkan mampu mengklaster citra liburan dengan baik. Hal ini dapat dibuktikan bahwa dalam 4 kali pengujian 3 diantaranya model segmentasi 5 lebih unggul dibandingkan model tanpa segmentasi.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
H. A. Devy, “Pengembangan Obyek Dan Daya Tarik Wisata Alam Sebagai Daerah Tujuan Wisata Di Kabupaten Karanganyar,” J. Sosiol. DILEMA, vol. 32, no. 1, pp. 34–44, 2017. [2] I. P. G. Parma, “Kontribusi Pariwisata Alternatif Dalam Kaitannya Dengan Kearifan Lokal dan Keberlangsungan Lingkungan Alam,” J. Media Komun. FIS Univ. Pendidik. Ganesha, vol. 9, no. 2, pp. 45–57, 2010. [3] N. Asma, L. P. Utomo, and I. A. Saputra, “Partisipasi masyarakat dalam pengelolaan obyek wisata pantai nalera di desa uwevolo kecamatan siniu kabupaten parigi moutong,” E-Journal Geo-Tadulako UNTAD Email:, 2016. [4] A. Trisnawan and W. Harianto, “Klasifikasi Beras Menggunakan Metode K-Means Clustering Berbasis Pengolahan Citra Digital,” vol. 1, no. 1, pp. 16–24. [5] M. N. Reza, I. S. Na, S. W. Baek, and K. H. Lee, “Rice Yield Estimation Based on K-means Clustering with Graph-cut Segmentation Using Low-altitude UAV Images,” Biosyst. Eng.,vol. 177, no. 2018, pp. 109–121, 2019. [6] K. Tian, J. Li, J. Zeng, A. Evans, and L. Zhang, “Segmentation of Tomato Leaf Images Based on Adaptive Clustering Number of K-means Algorithm,” Comput. Electron. Agric., vol. 165, no. March, p. 104962, 2019. [7] S. Agustina, D. Yhudo, H. Santoso, N. Marnasusanto, A. Tirtana, and F. Khusnu, “Clustering Kualitas Beras Berdasarkan Ciri Fisik Menggunakan Metode K-Means Algoritma,” Clust. K-Means, 2012. [8] M. Anggara, H. Sujiani, and N. Helfi, “Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness,” J. Sist. dan Teknol. Inf., vol. 1, no. 1, pp. 1–6, 2016. [9] R. C. Wihandika and M. A. Fauzi, “Implementasi Algoritma Improved K-Means Pada Portal Jurnal Implementasi Algoritma Improved K-Means Pada Portal,” no. April 2018, pp. 1–9, 2017. [10] R. Handoyo, R. Rumani, and S. M. Nasution, “Perbandingan Metode Clustering Menggunakan Metode Single Linkage Dan K-Means Pada Pengelompokan Dokumen,” JSM STMIK Mikroskil, vol. 15, no. 2, pp. 73–82, 2014. [11] “Applications,” p. 167. [12] J. Lv, H. Ni, Q. Wang, B. Yang, and L. Xu, “A Segmentation Method of Red Apple Image,” Sci. Hortic. (Amsterdam)., vol. 256, no. July, p. 108615, 2019.