Segmentasi Warna Citra Grayscale Menggunakan K-Means Clustring --Ed. 1

ABSTRAK
Semakin berkembangnya teknologi informasi dan media digital, maka berdampak pula
pada kebutuhan media penyimpanan data. Semakin tingginya kualitas data yang
digunakan maka ukuran dari data juga semakin besar dan membutuhkan media
penyimpanan yang lebih besar pula. Pada penelitian ini metode k-means clustering akan
digunakan untuk segmentasi citra suatu data berupa citra digital. Dengan cara
menggelompokkan warna suatu citra yang ada didalam citra tersebut berdasarkan nilai
pusat cluster (centroid) pada masing-masing anggota cluster. Percobaan dilakukan
sebanyak 5 kali dengan menghasilkan kualitas citra segmentasi terbaik didapat pada
percobaan ke 5 dengan cluster 2,4,6,8,dan10 nilai kualitas terbaik pada gambar lena
dengan nilai MSE sebesar MSE 22,931 dan nilai PSNR 34,229. Sedangakan SSIM
digunakan untuk membandingkan kemiripan citra asli dan citra yang sudah tercluster
diperoleh pada cluster10 dari 5 gambar yang diuji. Karna semakin tinggi jumlah cluster
maka kualitas gambar akan semakin mirip dengan citra asli.
Kata kunci : Segmentasi, K-Means Clustering,SSIM
ABSTRACT
The development of information technology and digital media, it also has an impact on
the needs for data storage media. The higher the quality of the data used, the bigger the
size of the data and requires a larger storage media. In this study, the k-means clustering
method will be used to segment the image of a data in the form of a digital image. By
classifying the color of an image in the image based on the value of the cluster center
(centroid) of each cluster member. Experiments were carried out 5 times by producing
segmentation image quality obtained in the 5th experiment with clusters of 2,4,6,8, and
10 best quality values in flax images with MSE values of MSE 22,931 and PSNR values
of 34,229. While SSIM is used to compare the similarity of the original image and the
clustered image obtained in the cluster10 of the 5 images tested. Because the higher the
number of clusters, the image quality will be more similar to the original image.
Keywords: Digital image, Segmentation, K-Means Clustering