| Abstrak | Segmentasi citra (image segmentation) berfungsi membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya (pada citra grayscale), kemudian hasil dari proses segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses identifikasi objek, yang dapat diterapkan pada berbagai aplikasi seperti robotics, security, machine vision dan analisis pada neural imaging scans.
Salah satu teknik dalam segmentasi citra adalah dengan clustering. Metode clustering ini mengelompokkan atau mempartisi data dalam suatu dataset, dimana dalam segmentasi citra ini datanya adalah berupa pixel citra. Terdapat beberapa algoritma clustering yang dapat digunakan dalam menyelesaikan permasalahan segmentasi citra seperti : K-means, Fuzzy C-Means, ISODATA, dan Snob. Fuzzy C-Means merupakan algoritma yang populer digunakan dalam segmentasi citra menggunakan teknik fuzzy clustering. Pengembangan algoritma Fuzzy C-Means untuk segmentasi citra ini pun telah dilakukan dengan mengkombinasikannya dengan beberapa algoritma metaheuristik atau algoritma optimasi seperti genetic algorithm dan particle swarm optimization untuk mendapatkan hasil yang lebih optimal.
Usulan penelitian ini mencoba menerapkan algoritma Fuzzy C Means dikombinasikan dengan algoritma Statistical Region Merging pada proses segmentasi citra berbasis clustering. Algoritma yang diusulkan ini akan diujikan pada beberapa citra uji standar. Algoritma Fuzzy C-Means ini akan dikombinasikan dengan algoritma Statistical Region Merging yang digunakan untuk mempartisi citra berdasarkan kemiripan karakteristiknya sehingga diharapkan dapat memberikan hasil segmentasi citra yang lebih bagus dan optimal. |
|---|