Abstract:
Gambar dapat digunakan sebagai media untuk menyampaikan informasi. Informasi dari sebuah
gambar didapat melalui objek-objek yang terkandung di dalam gambar. Seringkali objek-objek
yang terdapat di dalam gambar kurang dapat dibedakan antara satu dengan lainnya. Untuk
mengatasi hal ini, diperlukan teknik segmentasi gambar. Salah satu cara yang dapat dilakukan
untuk melakukan segmentasi gambar yaitu dengan menggunakan clustering. Algoritma clustering
yang digunakan pada penelitian ini yaitu PSO (Particle Swarm Optimization). Selain PSO,
digunakan juga algoritma clustering menggunakan K-means sebagai perbandingan. Untuk
melakukan segmentasi gambar diperlukan objek-objek berupa piksel. Setiap piksel terdiri dari
komponen red (merah), green (hijau), dan blue (biru). Perangkat lunak yang dibuat dapat
menerima masukan gambar dengan format file JPG/JPEG, PNG, dan GIF. Tipe gambar
yang dapat diproses yaitu tipe gambar skala keabuan dan tipe gambar berwarna. Sebelum
dilakukan segmentasi gambar ada dua buah proses yang dilakukan yaitu automatic contrast
adjustment agar range nilai setiap piksel lebih besar dan konversi ruang warna ke CIE L*a*b
untuk gambar berwarna agar variasi warna lebih banyak. Setelah dilakukan segmentasi gambar,
selanjutnya dapat dilakukan median filter pada gambar untuk menghilangkan noise yang ada.
Pada penelitian ini juga dilakukan percobaan segmentasi untuk rata-rata nilai piksel pada window
berukuran 3×3. Hasil pengujian terhadap perangkat lunak menunjukkan bahwa seluruh proses
berjalan dengan baik. Namun ada proses yang cukup memakan waktu yaitu proses menghitung
nilai silhouette dari hasil clustering. Proses ini berjalan dengan lama dikarenakan diperlukan
perhitungan silhouette dari setiap piksel. Semakin tinggi resolusi gambar maka waktu yang
dibutuhkan untuk menghitung nilai silhouette akan lebih banyak. Hasil perbandingan antara
kedua algoritma menunjukkan bahwa algoritma PSO lebih baik dibanding K-means pada gambar
skala keabuan, namun keduanya seimbang pada gambar berwarna.