Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : eProceedings of Engineering

Segmentasi Citra Udara dengan Clustering Menggunakan Fireworks Algorithm Muhammad Hariz Arasy; Suyanto Suyanto; Kurniawan Nur Ramadhani
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

AbstrakCitra udara memiliki karakteristik data yang berbeda ketika dibandingkan dengan citra jenis lain. Ci- tra udara biasanya memiliki objek kecil tak berarti yang dapat menyebabkan kesalahan pada metode se- gmentasi unsupervised. K-means clustering, sebagai salah satu metode segmentasi citra unsupervised yang digunakan secara luas, sangat rentan terhadap optimum lokal. Pada penelitian ini, Adaptive Fireworks Algorithm (AFWA) diusulkan sebagai alternatif dari algoritma K-means dalam mengoptimasi proses clus- tering pada metode segmentasi berbasis clustering. AFWA kemudian diaplikasikan untuk permasalahan segmentasi citra udara dan hasilnya dibandingkan dengan K-means. Berdasarkan perbandingan metrik  evaluasi Probabilistic Rand Index (PRI) dan Variation of Information (VI), AFWA secara keseluruhan meng- hasilkan kualitas segmentasi yang lebih baik. Selain itu, AFWA juga menghasilkan clustering yang lebih baik berdasarkan hasil perhitungan Quantization Error.Kata Kunci: Segmentasi citra, citra udara, clustering, K-means, adaptive fireworks algorithm. AbstractAerial images have different data characteristics when compared to other types of images. An aerial  image usually contains small insignificant objects that can cause errors in the unsupervised segmentation method. K-means clustering, one of the widely used unsupervised image segmentation methods, is highly vulnerable to local optima. In this study, Adaptive Fireworks Algorithm (AFWA) is proposed as an alternative to the K-means algorithm in optimizing the clustering process in the cluster-based segmentation method. AFWA is then applied to perform aerial image segmentation and the results are compared with K-means. Based on the comparison using Probabilistic Rand Index (PRI) and Variation of Information (VI) evaluation metrics, in general AFWA produces better segmentation quality. In addition, AFWA also produces better clustering based on the results of Quantization Error calculations. Keywords: Image segmentation, aerial image, clustering, K-means, adaptive fireworks algorithm. Â