SEGMENTASI CITRA BETTA FISH MENGGUNAKAN
METODE DENSITY BASED CLUSTERING
(SKRIPSI)
Oleh
FATHUR RAHMI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2019
ABSTRACT
IMAGE SEGMENTATION OF BETTA FISH USING DENSITY BASED
CLUSTERING METHOD
By
FATHUR RAHMI
Betta Fish is one of the ornamental fish favored by Indonesia people. Betta Fish
has interesting shapes and characters, especially on the tail. Because there are a
number of different Betta Fish species that have almost the same shape so that
automatic identification of fish is needed to avoid cost loss due to the mistake of
recognizing Betta Fish species. The identification process has several stage,
namely segmentation, extraction, and classification. This study aims to
segmentation four species of Betta Fish namely Halfmoon, Double Tail, Crown
Tail and Plakat with background. The method used is Density Based Clustering.
Density Based Clustering is a segmentation method by forming clusters based on
the density level of the highest object area. This research used 160 Betta Fish
images. 40 images were used for each species. The segmentation process using
Density Based Clustering method reached an accuracy rate of 92.82%. The cause
of segmentation errors is estimated because the contrast between the Betta Fish
object and the background is not too different.
Keywords : Betta Fish Segmentation, Density Based Clustering, Image
Processing.
ABSTRAK
SEGMENTASI CITRA BETTA FISH MENGGUNAKAN
METODE DENSITY BASED CLUSTERING
Oleh
FATHUR RAHMI
Betta Fish atau yang dikenal sebagai Ikan Cupang merupakan salah satu ikan hias
yang digemari masyarakat Indonesia. Betta Fish memiliki bentuk dan karakter
yang menarik, terutama pada bagian ekornya. Karena ada beberapa Betta Fish
berbeda spesies yang memiliki bentuk yang hampir serupa sehingga diperlukan
identifikasi ikan agar tidak terjadi kerugian biaya akibat kesalahan mengenali
spesies Betta Fish. Proses identifikasi memiliki beberapa tahapan, yaitu
segmentasi, ekstraksi, dan klasifikasi. Penelitian ini bertujuan untuk memisahkan
objek empat spesies Betta Fish yaitu Halfmoon, Double Tail, Serit dan Plakat
dengan background. Metode yang digunakan adalah Density Based Clustering.
Density Based Clustering merupakan metode segmentasi dengan cara membentuk
cluster berdasarkan tingkat kepadatan dari area objek yang paling tinggi. Dataset
yang digunakan berjumlah 160 citra Betta Fish. Jumlah citra setiap spesies adalah
40 citra. Proses segmentasi menggunakan metode Density Based Clustering
mencapai tingkat akurasi sebesar 92,82%. Penyebab kesalahan segmentasi
dikarenakan kontras antara objek Betta Fish dengan background tidak terlalu
berbeda.
Kata Kunci : Segmentasi Betta Fish, Density Based Clustering, Pengolahan
Citra.
SEGMENTASI CITRA BETTA FISH MENGGUNAKAN
METODE DENSITY BASED CLUSTERING
Oleh
FATHUR RAHMI
Skripsi
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar
SARJANA KOMPUTER
pada
Jurusan Ilmu Komputer
Fakultas Matematika Dan Ilmu Pengetahuan Alam
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2019
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 15 Oktober 1996 di Metro
sebagai anak kedua dari tiga bersaudara dengan ayah bernama
Fahendri Zainun dan ibu bernama Yulfina. Penulis
menyelesaikan pendidikan formal pertama kali di SD Negeri
3 Metro Barat Kota Metro dan selesai pada tahun 2008.
Pendidikan menengah pertama di SMP Negeri 4 Metro diselesaikan pada tahun
2011, kemudian melanjutkan ke pendidikan menengah atas di SMA Negeri 1
Metro yang diselesaikan pada tahun 2014.
Pada tahun 2014 penulis terdaftar sebagai mahasiswa Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung melalui
jalur SBMPTN. Selama menjadi mahasiswa beberapa kegiatan yang dilakukan
penulis antara lain:
1. Pada bulan Januari 2017 sampai Maret 2017 penulis melaksanakan Kerja
Praktik di Badan Pengelola Keuangan dan Aset Daerah Kota Bandar Lampung,
bagian Kas Daerah.
2. Pada bulan Juli 2017 sampai dengan September 2017 penulis melaksanakan
Kuliah Kerja Nyata (KKN) di Desa Gandri, Kecamatan Penengahan,
Kabupaten Lampung Selatan, Lampung.
Selama menjadi mahasiswa, penulis aktif dalam beberapa organisasi dan kegiatan
kemahasiswaan, antara lain:
1. Himpunan Mahasiswa Jurusan Ilmu Komputer (Himakom) Universitas
Lampung dengan menjabat sebagai Anggota Bidang Eksternal pada tahun
2014-2015.
2. Unit Kegiatan Mahasiswa (UKM) English Society atau ESo Universitas
Lampung sebagai Anggota pada tahun 2015.
3. Karya Wisata Ilmiah (KWI) pada tahun 2015 sebagai Peserta.
PERSEMBAHAN
Puji dan syukur saya panjatkan kepada Allah SWT atas
segala berkah-Nya sehingga skripsi ini dapat terselesaikan.
Kupersembahkan karya ini kepada :
Teristimewa kedua orang tuaku, ayah dan ibu yang telah
membesarkan, mendidik, memberikan do’a, dukungan, dan
semangat untuk kesuksesanku. Terima kasih atas semua
perjuangan, pengorbanan, kesabaran, dan kasih sayang yang
telah kalian berikan untukku.
Teman-teman tersayang dan sahabat seperjuangan yang
telah memberikan dukungan.
Keluarga Ilmu Komputer 2014
Serta Almamater Tercinta,
Universitas Lampung.
MOTTO
Jika seseorang bepergian dengan tujuan mencari ilmu, maka Allah akan menjadikan
perjalanannya seperti perjalanan menuju surga
– Nabi Muhammad SAW –
Orang-orang yang berhenti belajar akan menjadi pemilik masa lalu. Orang-orang yang
masih terus belajar, akan menjadi pemilik masa depan
– Mario Teguh –
Sukses adalah saat persiapan dan kesempatan bertemu
– Bobby Unser –
Jika kamu tidak dapat berhenti memikirkannya, maka bekerja keraslah untuk
mendapatkannya
– Michael Jordan –
SANWACANA
Segala Puji bagi Allah SWT, Tuhan semesta alam yang telah memberikan
karunia, rahmat, dan anugerah-Nya sehingga penulis dapat menyelesaikan skripsi
yang berjudul: “Segmentasi Citra Betta Fish Menggunakan Metode Density
Based Clustering” yang merupakan salah satu persyaratan akademis dalam
menyelesaikan Program Studi S-1 pada Jurusan Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung. Skripsi ini dapat
diselesaikan dengan berkat kerjasama, bantuan, dan dukungan dari banyak pihak.
Sehubungan dengan hal itu, penulis mengucapkan terima kasih kepada:
1. Kedua orang tua tercinta, Ayah Fahendri dan Ibu Yulfina beserta keluarga
besar yang selalu memberi doa, motivasi, dan kasih sayang yang tak
terhingga.
2. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc. selaku Ketua Jurusan Ilmu Komputer
Universitas Lampung serta pembimbing utama saya dalam penelitian ini,
yang telah memberikan ide, motivasi, pemberi semangat nasihat, serta
keikhlasan beliau yang luar biasa dalam membantu saya menyelesaikan
skripsi ini.
3. Ibu Yunda Heningtyas, S.Kom., M.Kom. selaku pembimbing kedua yang
telah memberikan ide, kritik, dan nasihat sehingga penulis dapat
menyelesaikan skripsi ini.
xiii
4. Bapak RD. Irwan Adi Pribadi, Drs., M.Kom. selaku pembahas yang telah
memberikan banyak masukan, ide, kritik, serta saran yang bermanfaat dalam
perbaikan dalam proses menyelesaikan skripsi ini.
5. Ibu Astria Hijriani, M.Kom. selaku pembimbing akademik yang telah
memberikan motivasi, nasihat, serta saran yang bermanfaat dalam kelancaran
untuk menyelesaikan skripsi ini.
6. Bapak Drs. Suratman, M.Sc. selaku Dekan FMIPA Universitas Lampung.
7. Bapak Didik Kurniawan, S.Si., M.T. selaku Sekretaris Jurusan Ilmu
Komputer FMIPA Universitas Lampung.
8. Bapak dan Ibu Dosen Jurusan Ilmu Komputer FMIPA Universitas Lampung
yang telah memberikan ilmu dan pengalaman dalam hidup untuk menjadi
lebih baik.
9. Ibu Ade Nora Maela dan Mas Ardi Naufal yang telah membantu segala
urusan administrasi penulis di Jurusan Ilmu Komputer.
10. Sahabat terbaik sekaligus kakak dan guru penulis: Venny, Vina, Indah, Tanti
dan Leila yang selalu membuat penulis tersenyum, sangat sabar membantu,
mengajarkan, dan memberikan semangat dan berbagi cerita dan suka duka
bersama penulis. Terima kasih untuk kebersamaannya. Love you. Semoga kita
sukses di dunia dan akhirat.
11. Apip, Dayat, Deja, Dicky, Kadek, Ferly, Ragananda, Rajes, Richi, Rifki,
Tejo, Jayadi, Mardhi yang berjuang bersama dalam menempuh mata kuliah di
Jurusan Ilmu Komputer serta penyusunan skripsi dan canda tawa yang selalu
ada mewarnai hari-hari selama proses menuntut ilmu.
xiv
12. Keluarga Ilmu Komputer 2014 yang tidak bisa disebutkan satu per satu,
terima kasih atas kebersamaannya selama ini.
13. Almamater tercinta, Universitas Lampung.
Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan akan tetapi
sedikit harapan penulis semoga skripsi ini bermanfaat bagi perkembangan ilmu
pengetahuan terutama bagi teman-teman Ilmu Komputer.
Bandar Lampung, 24 Juli 2019
Fathur Rahmi
xv
DAFTAR ISI
Halaman
DAFTAR ISI ......................................................................................................... xv
DAFTAR GAMBAR .......................................................................................... xvii
DAFTAR TABEL .............................................................................................. xviii
I. PENDAHULUAN ............................................................................................. 1
1.1 Latar Belakang .............................................................................................. 1
1.2 Rumusan Masalah ......................................................................................... 4
1.3 Batasan Masalah ............................................................................................ 4
1.4 Tujuan .............................................................................................................4
1.5 Manfaat .......................................................................................................... 4
II. TINJAUAN PUSTAKA .................................................................................. 5
2.1 Betta Fish (Ikan Cupang) ............................................................................. 5
2.2 Pengenalan Pola .............................................................................................9
2.3 Pengolahan Citra ........................................................................................... 9
2.4 Model Warna HSI ....................................................................................... 13
2.5 Density-Based Clustering ............................................................................ 16
2.6 Hasil Penelitian Terkait ............................................................................... 19
III. METODE PENELITIAN .............................................................................. 21
3.1 Waktu dan Tempat Penelitian ..................................................................... 21
xvi
3.2 Alat dan Bahan ............................................................................................ 21
3.3 Tahapan Penelitian ...................................................................................... 22
IV. HASIL DAN PEMBAHASAN ..................................................................... 26
4.1 Pre-Processing ............................................................................................ 26
4.2 Segmentasi Citra Density Based Clustering ................................................ 28
4.3 Hasil dan Evaluasi .......................................................................................30
V. SIMPULAN DAN SARAN ........................................................................... 35
5.1 Simpulan ...................................................................................................... 35
5.2 Saran ...........................................................................................................35
DAFTAR PUSTAKA ........................................................................................... 36
LAMPIRAN ......................................................................................................... 38
DAFTAR GAMBAR
Gambar Halaman
2.1 Betta Fish Jenis Double Tail1..........................................................................6
2.2 Betta Fish Jenis Halfmoon2.............................................................................7
2.3 Betta Fish Jenis Plakat ....................................................................................8
2.4 Betta Fish Jenis Serit .......................................................................................8
2.5 Model HSI (Gonzales dan Woods, 2002) ......................................................14
2.6 Directly density-reachable (Moreira et al, 2005) ...........................................17
2.7 Density-reachable (Moreira et al, 2005) ........................................................17
2.8 Density-connected (Moreira et al, 2005) ........................................................18
3.1 Tahapan Proses Segmentasi Citra ...................................................................23
4.1 Kode Program Penentuan Parameter ..............................................................28
4.2 Kode Program Penempatan Data.....................................................................28
4.3 Kode Program Pusat Cluster ...........................................................................29
4.4 Kode Program Pengelompokkan Data .…….....................…………………..29
4.5 Kode Program Output Hasil Segmentasi ........................................................29
4.6 Hasil Segmentasi Citra …………………...............………………………….29
4.7 Kode Program Penjumlahan Piksel .................................................................31
4.8 Perbandingan Hasil Akurasi.............................................................................32
DAFTAR TABEL
Tabel Halaman
2.1 Hasil Penelitian Terkait ..................................................................................20
3.1 Contoh Akuisisi Data Citra Betta Fish ...........................................................23
4.1 Contoh Hasil Pre-Processing Citra Betta Fish ...............................................26
4.2 Contoh Segmentasi Citra Double Tail, Halfmoon, Serit, dan Plakat .............30
4.3 Contoh Perbandingan Segmentasi Density Based Clustering dan Manual ....31
4.4 Rata-Rata Akurasi ...........................................................................................33
4.5 Analisis Hasil Segmentasi ...............................................................................33
I. PENDAHULUAN
1.1 Latar Belakang
Ikan hias merupakan jenis ikan yang hidup baik di air tawar ataupun laut yang
mempunyai bentuk atau warna tubuh menarik dan indah. Salah satu jenis ikan
hias dengan keunikannya yaitu Betta Fish (ikan cupang). Betta Fish memiliki
corak dan warna yang unik. Salah satu yang menjadi ciri khas keindahan Betta
Fish adalah keberagaman bentuk ekornya. Hal ini yang membuat Betta Fish
banyak digemari masyarakat dari berbagai kalangan usia (Gumilang dkk, 2016).
Namun, masih banyak pecinta Betta Fish yang tidak dapat mengenali spesies
Betta Fish. Hal ini dapat berpengaruh pada harga penjualannya, dimana bisa saja
terjadi kekeliruan karena Betta Fish memiliki perbedaan harga tergantung pada
jenis ikannya. Teknik pengenalan pola dapat digunakan untuk membantu
mengenali jenis Betta Fish, maka dari itu diperlukan sistem yang dapat
mengidentifikasi jenis Betta Fish tersebut.
Pengenalan pola dapat diartikan sebagai proses klasifikasi suatu objek menjadi
beberapa kategori atau kelas. Pengenalan pola memiliki beberapa tahapan, yaitu
segmentasi, ekstraksi fitur, dan tahap pengklasifikasian. Segmentasi citra
merupakan tahapan yang penting dalam proses pengolahan citra. Suatu citra
harus melalui proses segmentasi sebelum masuk ke tahapan ekstraksi fitur dan
2
klasifikasi. Tujuan segmentasi citra adalah untuk memisahkan antara objek
(foreground) dan latar (background). Proses segmentasi citra yang akurat akan
menghasilkan ekstraksi fitur yang maksimal dan berdampak pada hasil klasifikasi
yang optimal (Sutoyo, 2009).
Wang (2012) melakukan penelitian proses segmentasi citra ikan Tuna
menggunakan K-Means dengan Hidden Markov Random Field dan Expectation-
Maximization (HMRF-EM) untuk proses deteksi tepi. Segmentasi K-Means
menunjukkan akurasi yang cukup baik namun belum dapat menghilangkan noise.
Uji coba hasil segmentasi menggunakan K-Means dengan Hidden Markov
Random Field dan Expectation-Maximization (HMRF-EM) menghasilkan
akurasi sebesar 81,17%.
Yao dkk (2013) menggunakan metode K-Means serta Mathematical Morphology
untuk proses segmentasi citra ikan Tuna. Mathematical Morphology digunakan
untuk meningkatkan akurasi dan memperbaiki garis batas, serta menutup lubang
kecil pada hasil segmentasi. Operasi standar yang dilakukan adalah erosion,
dilation, opening, dan closing. Uji coba hasil segmentasi menggunakan K-Means
serta Mathematical Morphology menghasilkan akurasi sebesar 73,81%.
Putra (2013) menggunakan metode Density-Based Clustering untuk proses
segmentasi citra remote sensing laut yang digunakan untuk mengidentifikasi zona
kedalaman laut dari penginderaan jarak jauh. MetodeDensity-Based Clustering
menghasilkan zona kedalaman laut yang ada pada citra yang diujikan. Uji coba
hasil segmentasi menggunakan Density-Based Clustering dengan proses
3
pengolahan citra berupa kuantisasi warna dengan presentase keberhasilan sebesar
96,3%.
Sudana dkk (2018) menggunakan metode Density-Based Clustering untuk proses
segmentasi citra aksara Bali. Segmentasi Density-Based Clustering menunjukkan
akurasi yang baik terhadap citra aksara Bali meskipun bentuk tulisan terdapat
ketidaksamaan antara satu dengan lainnya. Uji coba hasil segmentasi
menggunakan Density-Based Clustering menghasilkan akurasi sebesar 94,2%.
Metode Density-Based Clustering pada ruang warna HSI untuk segmentasi citra
telah dilakukan dalam segmentasi citra ikan Tuna. Azhar dkk (2016) dalam
penelitiannya menggunakan Density-Based Clustering dengan memadukan metode
Hidden Markov Random Field dan Expectation-Maximization (HMRF-EM)
untuk proses deteksi tepi. Segmentasi Density-Based Clustering menunjukkan
akurasi yang baik karena metode ini bisa menangani kluster bentuk acak dan
menghindari noise. Uji coba hasil segmentasi dengan hanya menggunakan
Density-Based Clustering menghasilkan akurasi sebesar 96,69%.
Berdasarkan penelitian-penelitian tersebut, salah satu metode yang mampu
menghasilkan tingkat akurasi yang besar yaitu Density-Based Clustering
(DBSCAN). Metode Density-Based Clustering merupakan sebuah algoritma
clustering yang membagi data ke dalam beberapa klaster berdasarkan tingkat
kerapatan data (Moreira dkk, 2005).
Metode Density-Based Clustering memiliki tingkat akurasi yang cukup tinggi
dalam segmentasi citra. Oleh sebab itu, proses segmentasi citra Betta Fish
4
dilakukan menggunakan metode Density Based Clustering. Keluaran dari
penelitian ini berupa gambar Betta Fish yang sudah terpisah dari background.
1.2 Rumusan Masalah
Rumusan masalah pada penelitian ini adalah bagaimana cara menerapkan metode
Density Based Clustering untuk memisahkan objek ikan dengan background dan
mengetahui tingkat akurasi.
1.3 Batasan Masalah
Batasan-batasan masalah pada penelitian ini adalah sebagai berikut:
a. Spesies Betta Fish yang akan disegmentasi adalah Double Tail, Halfmoon,
Plakat, dan Serit.
b. Perangkat lunak yang digunakan adalah Software Matlab.
c. Ikan yang digunakan merupakan Betta Fish dewasa.
1.4 Tujuan
Penelitian ini bertujuan untuk memisahkan objek ikan dengan background
menggunakan metode Density Based Clustering dan mengetahui tingkat akurasi.
1.5 Manfaat
Manfaat dari penelitian ini adalah untuk mengetahui tingkat akurasi hasil
segmentasi Betta Fish menggunakan metode Density Based Clustering.
II. TINJAUAN PUSTAKA
2.1 Betta Fish (Ikan Cupang)
Ikan hias merupakan jenis ikan yang hidup di air tawar maupun laut yang
mempunyai bentuk atau warna tubuh menarik dan indah. Salah satu jenis ikan
hias dengan keunikan tersendiri dibandingkan ikan hias lainnya adalah Betta Fish
(Betta spp.). Keunikan yang dimaksud adalah kegemarannya bertarung dengan
sesame jenisnya, namun tidak menutup kemungkinan dengan jenis lain namun
masih dalam satu suku. Daya agresifitasnya sangat tinggi sehingga sangat tidak
dianjurkan untuk menempatkan atau memelihara ikan ini dalam satu wadah. Hal
ini dimaksudkan untuk menghindari perkelahian antar sesame individu (Gumilang
dkk, 2016).
Dikhalayak umum, Betta Fish memiliki beberapa nama/istilah diantaranya ikan
laga dan ikan adu, di mancanegara ikan ini dikenal dengan nama fighting fish atau
disebut ikan petarung. Istilah tersebut berarti sifat petarung dari cupang telah
diakui secara luas, dan dikalangan para penggemar atau pecinta ikan hias, cupang
telah mempunyai kalangan pecinta tersendiri. Adapun para pecinta cupang
umumnya terbagi atas dua kelompok, dimana untuk kelompok usia muda dan
remaja lebih menyukai gaya bertarungnya, namun untuk kelompok orang-orang
lebih tertarik dengan keindahan warna tubuhnya (Agus dkk, 2010).
6
Berdasarkan ukuran dan bentuk ekornya, saat ini jenis Betta Fish hias dibedakan
menjadi, double tail (cagak), halfmoon (setengah lingkaran), plakat (ekor pendek),
dan serit (crown tail) (Bintang, 2017).
2.1.1 Double Tail
Sebutan double tail (cagak) diberikan pada ikan yang memiliki sirip ekor
sebanyak dua buah. Akibatnya, ikan ini seperti memiliki sirip ekor yang tebelah
sehingga disebut juga dengan istilah “fin split”. Setiap bagian sirip ekor tersebut
memiliki ukuran yang sama besar dan sama lebar. Selain memiliki sirip ekor yang
terbelah, keistimewaan lain dari cupang ini yaitu memiliki pangkal sirip punggung
dan sirip anal yang sama panjang. Cupang cagak yang baik tidak memiliki celah
atau spasi dia antara ketiga siripnya (sirip anal, sirip kaudal, dan sirip dorsal). Jika
mengembang sempurna, keseluruhan sirip tersebut akan membentuk satu kesatuan
berupa lingkaran utuh yang simetris (Bintang, 2017). Betta Fish Double Tail
dapat dilihat pada Gambar 2.1.
Gambar 2.1 Betta Fish Jenis Double Tail1
7
2.1.2 Halfmoon
Cupang halfmoon berasal dari kawasan Asia Tenggara, kemudian dikembangkan
pada tahun 1982 oleh pembudidaya ikan di Amerika Serikat. Cupang yang
dihasilkan ini memiliki sirip yang lebar dan bentuk sirip ekornya menyerupai
setengah lingkaran, yaitu 180º. Selanjutnya cupang tersebut dikembangbiakkan di
Perancis. Hingga kini, halfmoon tersebar baik ke Asis Tenggara sejak para
peternak dari Thailand turun tangan dalam mengembangbiakkannya. Di Indonesia
cupang ini mulai dikenal pertama kalinya pada tahun 2000 (Bintang, 2017). Betta
Fish Halfmoon dapat dilihat pada Gambar 2.2.
Gambar 2.2 Betta Fish Jenis Halfmoon2
2.1.3 Plakat
Berbeda dengan jenis-jenis sebelumnya, cupang plakat memiliki sirip ekor yang
pendek. Asal-usul cupang ini dari cupang alam dan cupang aduan. Namun, jenis
ini sengaja dikembangkan khusus untuk kontes hias yang terfokus pada keindahan
warna dan bentuk sisiknya. Nama plakat sendiri berasar dari bahasa Thai, yaitu
“plakad”, yang digunakan untuk menyebut cupang aduan. Dalam
perkembangannya, cupang plakat dikawinkan dengan jenis cupang lain seperti
8
halfmoon dan doubletail. Saat ini, ada varian plakat jenis fancy dan koi (Bintang,
2017). Betta Fish Plakat dapat dilihat pada Gambar 2.3.
Gambar 2.3 Betta Fish Jenis Plakat3
2.1.4 Serit
Disebut cupang serit karena panjang tulang sirip-sirip ekor, punggung dan sirip
perut memanjang dan bila terbuka menyerupai serit. Panjang tubuh ikan dari
ujung mulut sampai ujung ekor sekitar 6.5cm. Cupang serit merupakan hasil
perkawinan dari persilangan indukan cupang impor Thailand. Serit pada ekor
cupang crown tail bisa mencapai 16 buah atau bahkan lebih (Huda, 2009). Betta
Fish Serit dapat dilihat pada Gambar 2.4.
Gambar 2.4 Betta Fish Jenis Serit4
9
2.2 Pengenalan Pola
Pengenalan pola merupakan suatu ilmu untuk mengklasifikasikan atau
menggambarkan sesuatu berdasarkan pengukuran kuantitatif ciri atau sifat dari
objek. Pola dapat berupa kumpulan hasil pengukuran yang bias dinyatakan dalam
notasi vector atau matriks. Secara garis besar metode-metode pengenalan pola
dapat dibagi menjadi tiga kelompok yaitu:
a. Metode statistic adalah pengenalan pola dengan mengukur jarak cirri untuk
kemudian diklasifikasikan pada tingkat kesamaan ciri.
b. Metode structural adalah pengenalan pola dengan mencari ciri khas atau fitur
yang unik dari suatu citra tertentu.
c. Metode jaringan syaraf tiruan adalah pengenalan pola dengan melakukan
proses pembelajaran atau pelatihan ciri pada tiap masukan untuk kemudian
dilakukan proses pengenalan (Putra, 2009).
2.3 Pengolahan Citra
Pengolahan citra merupakan sebuah proses untuk meningkatkan kualitas citra dan
mengekstrak informasi penting pada citra tersebut (Saxena dkk, 2013).
Pengolahan citra juga dapat disebut sebuah ilmu pengetahuan yang mempelajari
tentang manipulasi citra digital yang meliputi beberapa teknik dalam
meningkatkan atau bahkan mengubah citra tersebut (Crane, 1997). Pengolahan
citra dapat diaplikasikan ke beberapa kasus dasar, seperti image representation
and modeling, image enhancemen, image restoration, image analysis, image
reconstruction, dan image data compression (Jain, 1989).
10
Image representation and modeling terkait dengan peranan dari kuantitas setiap
piksel yang menggambarkan sebuah citra. Citra merepresentasikan cahaya dari
objek yang berada di alam (seperti memotret pemandangan), penyerapan
karakteristik dari organ tubuh manusia (seperti X-rayimaging), dan lain
sebagainya. Image enhancement terkait dengan peningkatan kontras dan tepi pada
citra, pseudocoloring, noise filtering, sharpening, dan magnifying.Image
restoration berkenaan dengan menghapus atau meminimalisir degradasi dari
sebuah citra. Terkait juga deblurring dari citra yang terdegradasi oleh batas
lingkungan, noise filtering, dan pembetulan dari penyimpangan geometris. Image
analysis terkait dengan membuat ukuran kuantitatif dari sebuah citra untuk
dideskripsikan ke dalam bentuk yang lebih sederhana. Image reconstruction
adalah sebuah kelas yang special dari image restoration, dimana objek dua
dimensi direkonstruksi dari beberapa proyeksi satu dimensi, dan image data
compression adalah banyaknya data yang berhubungan dengan informasi visual
(Jain, 1989).
2.3.1 Citra
Citra adalah gambar pada bidang dwi-matra (dua dimensi). Dalam tinjauan
matematis, citra merupakan fungsi continue dari intensitas cahaya pada bidang
dua dimensi. Ketika sumber cahaya menerangi objek, objek memantulkan
kembali sebagian cahaya tersebut. Pantulan ini ditangkap oleh alat-alat
pengindera optik, misalnya mata manusia, kamera, scanner dan sebagainya.
Bayangan objek tersebut akan terekam sesuai intensitas pantulan cahaya. Ketika
alat optik yang merekam pantulan cahaya itu merupakan mesin digital, misalnya
11
kamera digital, maka citra yang dihasilkan merupakan citra digital. Pada citra
digital, kontinuitas intensitas cahaya dikuantisasi sesuai resolusi alat perekam
(Munir, 2004).
2.3.2 Langkah-Langkah Pengolahan Citra
Langkah-langkah pengolahan citra yaitu (Sutoyo dkk, 2009):
a. Akuisisi citra
Akuisisi citra adalah tahap awal untuk mendapatkan citra digital. Tujuan akuisisi
citra untuk menentukan data yang diperlukan dan memilih metode perekaman
citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya,
persiapan alat-alat, dan pada pencitraannya. Pencitraan adalah kegiatan
transformasi dari citra tampak (foto, gambar, lukisan, dll) menjadi citra digital.
b. Preprocessing
Preprocessing memerlukan tahapan untuk menjamin kelancaran pada proses
berikutnya, antara lain:
• Peningkatan kualitas citra (kontras, kecerahan, dll).
• Menghilangkan noise.
• Perbaikan citra (image restoration).
• Transformasi (image transformation).
• Menentukan bagian citra yang akan diobservasi.
12
c. Segmentasi
Segmentasi bertujuan untuk mempartisi citra menjadi bagian-bagian pokok yang
mengandung informasi penting, misalnya pada pemisahan objek dan
latarbelakang.
d. Representasi dan deskripsi
Representasi adalah suatu proses untuk merepresentasikan suatu wilayah sebagai
suatu daftar titik-titik koordinat dalam kurva yang tertutup, dengan deskripsi
luasan dan perimeternya. Proses selanjutnya dilakukan deskripsi citra dengan cara
seleksi ciri dan ekstrasi ciri (Feature Extraction and Selection). Seleksi ciri
bertujuan untuk memilih informasi kuantitatif dari ciri yang ada, dan dapat
membedakan kelas-kelas objek dengan baik, sedangkan ektrasi ciri mempunyai
tujuan untuk mengukur besaran kuantitatif ciri setiap pixel, misalnya rata-rata,
standar deviasi, dan lain-lain.
e. Pengenalan dan interpretasi
Tahap pengenalan bertujuan untuk memberi label pada sebuah objek yang
informasinya disediakan oleh descriptor, berbeda dengan tahap interpretasi yang
bertujuan untuk memberi arti atau makna kepada kelompok objek-objek yang
dikenali.
f. Basis pengetahuan
Basis pengetahuan bertujuan untuk memandu operasi dari masing-masing modul
proses dan mengkontrol interaksi antara modul-modul tersebut, dan dapat sebagai
referensi pada proses pengenalan pola.
13
2.4 Model Warna HSI
Model warna HSI (hue, saturation, intensity), memisahkan komponen intensitas
dari informasi warna yang dibawa (hue dan saturation) dalam warna citra.
Sebagai hasilnya, model HSI adalah alat yang ideal untuk mengembangkan
algoritma pengolahan citra berdasarkan pada deskripsi warna yang alami dan
intuitif terhadap manusia, pengembang, dan user-nya. Gonzalez dan Woods
(2002) menjelaskan tiga komponen HSI sebagai berikut:
a. Hue
Menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Hue digunakan
untuk membedakan warna-warna dan menentukan kemerahan (redness),
kehijauan (greenness), dan sebagainya dari cahaya. Hue berasosiasi dengan
panjang gelombang cahaya, dan bila menyebut warna merah, violet, atau kuning,
sebenarnya menspesifikasikan nilai hue-nya. Nilai hue merupakan sudut dari
warna yang mempunyai rentang dari 0° sampai 360°. 0° menyatakan warna
merah, lalu memutar nilai-nilai spektrum warna tersebut kembali lagi ke 0° untuk
menyatakan merah lagi.
b. Saturation
Menyatakan tingkat kemurnian warna cahaya, yaitu mengindikasikan seberapa
banyak warna putih diberikan pada warna. Warna merah adalah 100% warna-
warna jenuh (saturated color), sedangkan warna pink adalah warna merah dengan
tingkat kejenuhan sangat rendah (karena ada warna putih di dalamnya). Jadi, jika
hue menyatakan warna sebenarnya, maka saturation menyatakan seberapa dalam
warna tersebut.
14
c. Intensity
Intensitas merupakan atribut yang menyatakan banyaknya cahaya yang diterima
oleh mata tanpa mempedulikan warna. Kisaran nilainya adalah antara gelap
(hitam) dan terang (putih). Tingkatan nilai intensity adalah dari 0% sampai dengan
100%. Model HSI ditunjukkan pada Gambar 2.5.
Gambar 2.5 Model HSI (Gonzalez dan Woods, 2002)5
2.4.1 Konversi Model Warna RGB ke HSI
Gonzalez dan Woods (2002) menggunakan rumus berikut untuk mengkonversi
citra RGB menjadi HSI:
H = {0, 𝑗𝑖𝑘𝑎𝐵 ≤ 𝐺
360 − 𝜃, 𝑗𝑖𝑘𝑎𝐵 > 𝐺
Pada rumus di atas, H menyatakan hue. Adapun 𝜃 diperoleh melalui rumus
berikut:
15
𝜃 = cos−1 {1/2[(𝑅 − 𝐺) + (𝑅 − 𝐵)]
[(R − G)2(R − B)(G − B)]1/2}
Selanjutnya, komponen saturation dihitung dengan menggunakan rumus:
𝑆 = 1 −3
(𝑅 + 𝐺 + 𝐵)[min(𝑅, 𝐺, 𝐵)]
dan komponen intensitas diperoleh melalui:
𝐼 =1
3(𝑅 + 𝐺 + 𝐵)
Untuk memperoleh RGB berdasarkan HSI, diperlukan beberapa aturan. Apabila H
berada dalam sektor RG (0° < H < 120°), komponen R, G, dan B dihitung dengan
menggunakan rumus-rumus berikut:
𝐵 = 𝐼 (1 - 𝑆)
𝑅 = 𝐼(1 +𝑆𝑐𝑜𝑠𝐻
cos(60° − 𝐻))
𝐺 = 3𝐼 - (𝑅 + 𝐵))
Apabila H berada di dalam sektor GB (120° < H < 240°), komponen R, G, dan B
dihitung dengan menggunakan rumus-rumus berikut:
𝐻 = 𝐻 – 120
𝑅 = 𝐼(1 - 𝑆)
𝐺 = 𝐼(1 +𝑆𝑐𝑜𝑠𝐻
cos(60° − 𝐻))
𝐵 = 3𝐼 - (𝑅 + 𝐺))
16
Apabila H berada di dalam sektor GB (240° < H < 360°), komponen R, G, dan B
dihitung dengan menggunakan rumus-rumus berikut:
𝐻 = 𝐻 – 240
𝐺 = 𝐼(1 - 𝑆)
𝐵 = 𝐼(1 +𝑆𝑐𝑜𝑠𝐻
cos(60° − 𝐻))
𝑅 = 3𝐼 - (𝑅 + 𝐺))
Perlu diketahui, mengingat nilai pada HSI berada di dalam jangkauan [0, 1], maka
untuk mendapatkan nilai H yang berkisar antara 0°-360°, H perlu dikalikan
terlebih dulu dengan 360. Dengan demikian, jangkauan H berada dalam [0, 360].
2.5 Density-Based Clustering
Density-Based Clustering merupakan algoritma menumbuhkan area-area dengan
kepadatan yang cukup tinggi ke dalam cluster-cluster dan menemukan cluster-
cluster dalam bentuk yang sembarang dalam suatu database spatial yang memuat
noise. DBSCAN mendefinisikan cluster sebagai himpunan maksimum dari titik-
titik kepadatan yang terkoneksi (density-connected). Semua objek yang tidak
masuk ke dalam cluster manapun dianggap sebagai noise (Moreira dkk, 2005).
Menurut definisi, ada 2 jenis titik (points) dalam suatu cluster yaitu di dalam
cluster (core points) dan di tepian cluster (border points) di mana neighborhood
dari border points berisi jauh lebih sedikit items daripada neighborhood dari core
points (Moreira dkk, 2005).
17
a. Directly density-reachable
Sebuah titik item dikatakan directly density-reachable dari titik lainnya jika jarak
di antara mereka tidak lebih dari nilai Eps. Directly density-reachable = titik q
dikatakan directly density- reachable dari titik p jika titik q adalah Neps(p) dan p
adalah core point. Jarak dari titik ke titik lainnya tidak lebih dari nilai Eps.
Gambar 2.6 Directly density-reachable (Moreira dkk, 2005)
b. Density-reachable
Sebuah titik item dikatakan density-reachable dari titik item yang lain jika ada
suatu rantai yang menghubungkan keduanya yang berisi hanya titik-titik yang
directly density-reachable dari titik-titik sebelumnya.
Gambar 2.7 Density-reachable (Moreira dkk, 2005)
18
c. Density-connected
Sebuah obyek p adalah density-connected terhadap obyek q dengan
memperhatikan Eps dan MinPts dalam set obyek D, jika ada sebuah obyek o
elemen D sehingga p dan q keduanya density-reachable dari o dengan
memperhatikan Eps dan MinPts.
Gambar 2.8 Density-connected (Moreira dkk, 2005)
2.5.1 Algoritma Density-Based Clustering
Moreira dkk (2005) berpendapat bahwa kunci dari algoritma Density Based
Clustering adalah bahwa untuk setiap titik dari sebuah cluster, neighborhood dari
radius yang diberikan harus mengandung setidaknya jumlah minimum poin, yaitu,
kepadatan neighborhood harus melebihi beberapa threshold ditetapkan. Algoritma
ini membutuhkan dua parameter masukan yaitu nilai untuk jarak antar-point yang
menjadi dasar pembentukan neighborhood dan juga jumlah minimum point yang
harus ada dalam suatu cluster.
Menurut Moreira dkk (2005) urutan algoritma dari Density Based Clustering
secara umum memiliki 5 langkah yaitu:
a. Tentukan jumlah parameter cluster.
b. Alokasikan data ke dalam cluster secara acak.
19
c. Hitung pusat cluster dari data yang ada di masing-masing cluster.
d. Alokasikan masing-masing data ke pusat cluster yang terdekat.
e. Lanjutkan proses sampai semua data telah diproses.
DBSCAN mencari region tersegmentasi pada citra berwarna dengan mengecek
jangkauan spasial (SpatialEps) dan jangkauan warna (ColorEps) dari semua pixel
pada citra. Jika terdapat sejumlah minimum point (MinPts) yang termasuk dalam
jangkauan point tersebut, baik secara spasial maupun warna, maka sebuah cluster
baru terbentuk dengan point tersebut sebagai intinya (core point). Kemudian
DBSCAN secara iteratif akan mengumpulkan point yang terkoneksi secara spasial
dan memiliki kesamaan warna dengan point inti. Proses berhenti ketika tidak ada
lagi point yang dapat ditambahkan ke dalam cluster. Metode segmentasi citra
berwarna dengan DBSCAN tidak akan membentuk region tersegmentasi dari point
yang memiliki kesamaan warna namun secara signifikan terpisah dalam spasial
(Moreira dkk, 2005).
2.6 Hasil Penelitian Terkait
Hasil penelitian terkait digunakan sebagai acuan dalam menggunakan metode
Density Based Clustering, dapat dilihat pada Tabel 2.1.
20
Tabel 2.1 Hasil Penelitian Terkait
Peneliti Citra Fitur Algoritma Akurasi
Wang (2012) Ikan Tuna Bentuk
Ikan
K-Means dan
Hidden Markov
Random Field
Tingkat
akurasi
mencapai
81,17%
Yao dkk
(2013)
Ikan Tuna Bentuk
Ikan
K-Means dan
Mathematical
Morphology
Tingkat
akurasi
mencapai
73,81%
Putra (2013) Remote
Sensing
Ocean
(Laut)
Bentuk
Tepi Laut
Density Based
Clustering
Tingkat
akurasi
mencapai
96,32%
Sudana dkk
(2018)
Aksara Bali Bentuk
Tulisan
Density Based
Clustering
Tingkat
akurasi
mencapai
94,2%
Azhar dkk
(2016)
Ikan Tuna Bentuk
Ikan
Density Based
Clustering
Tingkat
akurasi
mencapai
96,69%
Berdasarkan pada penelitian yang telah dilakukan sebelumnya, diketahui bahwa
algoritma Density Based Clustering cukup baik dalam hal segmentasi citra. Hal
tersebut dapat dilihat berdasarkan rata-rata tingkat akurasi yang mencapai lebih
dari 90%.
III. METODE PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada bulan Agustus 2018 – Mei 2019, di Laboratorium
Komputasi Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lampung, Jalan Prof. Dr. Soemantri Brojonegoro No. 1 Gedung
Meneng, Bandarlampung.
3.2 Alat dan Bahan
Alat dan bahan yang dibutuhkan dalam penelitian ini yaitu:
3.2.1 Alat
Alat yang digunakan pada penelitian ini terdiri dari perangkat keras dan perangkat
lunak.
3.2.1.1 Perangkat Lunak
Perangkat lunak yang digunakan untuk membangun system yaitu:
a. Sistem Operasi Windows 8.1 Pro 64-bit
b. Matlab R2016a ( Windows Versions )
c. Adobe Photoshop CS6
22
3.2.1.2 Perangkat Keras
Perangkat keras yang digunakan dalam penelitian ini diantaranya :
a. Laptop dengan spesifikasi:
• Processor : Intel® Core ™ i5-7200U
• RAM : 4.00 GB
• HDD : 500 GB
• VGA : 2.00 GB
b. Kamera Handphone dengan spesifikasi 13 MP.
3.2.2 Bahan Penelitian
Bahan penelitian yang digunakan yaitu citra Betta Fish berjumlah 160 citra. Jenis
Betta Fish Double Tail, Halfmoon, Plakat dan Serit, masing-masing berjumlah 40
citra.
3.3 Tahapan Penelitian
Penelitian ini terdiri dari beberapa tahap diantaranya yaitu akuisisi citra Betta
Fish, pre-processing, segmentasi citra, dan hasil segmentasi citra menggunakan
metode Density-Based Clustering. Tahapan proses segmentasi dapat dilihat pada
Gambar 3.1.
23
Gambar 3.1 Tahapan Proses Segmentasi Citra
6
3.3.1 Akuisisi Citra
Akuisisi citra diperoleh dengan cara mengambil video Betta Fish menggunakan
kamera handphone dengan format .mp4. Selanjutnya, dilakukan screenshot dan
menghasilkan citra Betta Fish bentuk RGB. Citra Betta Fish yang diambil untuk
masing-masing tipe sebanyak 40 citra. Jumlah keseluruhan citra sebanyak 160
citra dengan format .jpg dengan ukuran 2340x4160 piksel. Contoh akuisisi data
citra Betta Fish Double Tail, Halfmoon, Serit, dan Plakat dapat dilihat pada Tabel
3.1 dan selengkapnya dapat dilihat pada Lampiran 1 kolom ke 3.
Tabel 3.1 Contoh Akuisisi Data Citra Betta Fish1
No. Citra Nama Citra
1.
Betta Fish Double
Tail
Akuisisi Citra
Pre-Processing
Segmentasi Citra
Hasil dan
Evaluasi
24
Tabel 3.1 Contoh Akuisisi Data Citra Betta Fish (Lanjutan)
No. Citra Nama Citra
2. Betta Fish Halfmoon
3. Betta Fish Serit
4. Betta Fish Plakat
3.3.2 Pre-Processing
Pada tahap pre-processing, proses pemotongan (crop) pada citra Betta Fish
dilakukan agar objek citra fokus pada bentuk ikan. Selanjutnya, proses resize
dilakukan dengan mengubah ukuran dari 2340x4160 piksel menjadi 1000x1000
piksel. Citra RGB tersebut dikonversi menjadi model warna HSI (hue, saturation,
dan intensity). Namun, penelitian ini hanya menggunakan saturation dan intensity
sebagai input untuk proses segmentasi karena diharapkan intensitas dan tingkat
saturasi yang tinggi pada citra dapat meningkatkan akurasi hasil segmentasinya.
25
3.3.3 Segmentasi Citra
Segmentasi citra dilakukan untuk memisahkan antara objek Betta Fish dan
background. Metode yang digunakan untuk proses segmentasi citra adalah
Density-Based Clustering. Langkah-langkah segmentasi citra Density-Based
Clustering adalah sebagai berikut:
a. Penentuan jumlah parameter cluster.
b. Penempatan data ke dalam cluster dilakukan secara acak.
c. Menghitung pusat cluster dari data yang ada pada masing-masing cluster.
d. Setiap data dengan nilai yang sama akan mengelompok pada cluster terdekat.
e. Lanjutkan setiap proses sampai semua data terproses.
3.3.4 Hasil dan Evaluasi
Output dari proses segmentasi dengan metode Density-Based Clustering adalah
hasil berupa gambar ikan yang terpisah antara objek ikan dan background.
Evaluasi dilakukan dengan membandingkan jumlah nilai pixel Betta Fish yang
disegmentasi secara manual menggunakan Adobe Photoshop dengan jumlah nilai
pixel Betta Fish yang disegmentasi menggunakan metode Density-Based
Clustering. Evaluasi dihitung menggunakan persamaan:
𝐸𝑣𝑎𝑙𝑢𝑎𝑠𝑖 =∑ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑥𝑒𝑙 𝑐𝑖𝑡𝑟𝑎 ℎ𝑎𝑠𝑖𝑙 𝑠𝑒𝑔𝑚𝑒𝑛𝑡𝑎𝑠𝑖
∑ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑖𝑥𝑒𝑙 𝑐𝑖𝑡𝑟𝑎 ℎ𝑎𝑠𝑖𝑙 𝑠𝑒𝑔𝑚𝑒𝑛𝑡𝑎𝑠𝑖 𝑚𝑎𝑛𝑢𝑎𝑙𝑥 100%
35
V. SIMPULAN DAN SARAN
5.1 Simpulan
Berdasarkan penelitian segmentasi Betta Fish dengan menggunakan metode
Density Based Clustering, maka dapat diambil kesimpulan bahwa metode Density
Based Clustering berhasil memisahkan citra Betta Fish dan background dengan
rata-rata tingkat akurasi sebesar 92,82%. Jenis Betta Fish yang digunakan adalah
Double Tail, Halfmoon, Plakat, dan Serit.
5.2 Saran
Dengan melihat hasil yang dicapai pada penelitian ini, hal yang dapat disarankan
untuk pengembangan sistem selanjutnya yaitu menggunakan metode segmentasi
lainnya untuk meningkatkan akurasi sistem.
DAFTAR PUSTAKA
Agus, M., Yusuf, Y., Nafi, B. 2010. Pengaruh Perbedaan Jenis Pakan Alami
Daphnia, Jentik Nyamuk Dan Cacing Sutera Terhadap Pertumbuhan Ikan
Cupang Hias (Betta splendens). PENA Akuatika, Volume2(1):21-29.
Azhar, R., Arifin, A. Z., Khotimah, W. N. 2016. Integrasi Density-Based
Clustering dan HMRF-EM Pada Ruang Warna HSI untuk Segmentasi Citra
Ikan Tuna. Jurnal Inspiration, 6(1).
Bintang, Zachriyar. 2017. Panduan Praktis Budidaya dan Pemeliharaan Ikan
Cupang: diedit oleh Y. Indriani. Jakarta: Penebar Swadaya.
Crane, Randy. 1997. A Simplified Approach to Image Processing. NewJersey:
Prentice Hall.
Gonzalez, R.C., Woods, R.E. 2002. Digital Image Processing. Prentice Hall.
Gumilang, B.I., Artawan, I.K., Widayanti, N.L.P.2016. Variasi Intensitas
Cahaya Mengakibatkan Perbedaan Kecepatan Regenerasi Sirip Kaudal
Ikan Cupang (Betta splendens) Dipelihara Di Rumah Kos. Jurnal Jurusan
Pendidikan Biologi, Volume4 (2):15-21.
Huda, Saiful. 2009. Meraup Uang dari Cupang. Jakarta: PT Gramedia Pustaka
Utama.
Jain, Anil K. 1989. Fundamentals of Image Processing. New Jersey: Prentice-Hall
International.
Moreira, A., Santos M. Y., Carneiro S. 2005. Density-based clustering algorithms
– DBSCAN and SNN. University of Minho, Portugal.
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.
Bandung: Informatika Bandung.
Putra, Darma. 2009. Pengolahan Citra Digital: Yogyakarta: CV Andi Offset.
37
Putra, I Made S. 2013. Segmentasi Citra Remote Sensing Laut Dengan Metode
Clustering DBSCAN. Vol. 12 No. 2.
Saxena, A., Chung, S.H., Ng, A.Y. 2013. Learning Depth From Single Monocular
Images. Neural Information Processing Systems. NIPS.
Sudana, O., Putra, D., Hartati, R., Wirdiani, A. 2018. Image Clustering of
Complex Balinese Character With DBSCAN Algorithm. Jurnal of
Engineering Technology, Volume 6, Issue 1.
Sutoyo, T. 2009. Teori Pengolahan Citra Digital. Yogyakarta: CV Andi Offset.
Wang, Q. 2012. HMRF-EM-Image: Implementation of the Hidden Markov
Random Field Model and Its Expectation-Maximization Algorithm.
arXiv:1207.3510 Volume 2.
Yao, H., Duan, Q., Li, D., Wang, J. 2013. An Improved K-means Clustering
Algorithm for Fish Image Segmentation. Mathematical and Computer
Modelling, 58(3), 790-798.