<![CDATA[Possibilistic Fuzzy C-Means (PFCM) adalah algoritma clustering yang menggabungkan nilai keanggotaan Fuzzy C-Means (FCM) dan nilai kesesuaian Possibilistic C-Means (PCM) pada fungsi objektifnya. PFCM kemudian mengatur batasan pada nilai keanggotaan dan nilai kesesuaian sehingga dapat mengatasi masalah pada algoritma sebelumnya, yaitu sensitivitas pada noise dan coincidentcluster.Namun PFCM juga masih memiliki kelemahan, utamanya pada inisialisasi pusat clusterawal.Inisialisasi pusat cluster yang kurang tepat akan mengakibatkan masalah local minima, sehingga hasil akhir cluster tidak akan sesuai dengan karakteristik natural cluster yang ada. Untuk mengatasi masalah tersebut, beberapa penelitian mengenai inisialisasi pusat cluster menggunakan metode optimasi telah dilakukan.Salah satunya menggunakan Artificial Bee Colony (ABC).ABC adalah algoritma optimasi yang mengadopsi perilaku cerdas kawanan lebah. Kelebihan algoritma ABC dibandingkan dengan algoritma optimasi lainnya adalah penggunaan parameter kontrol yang lebih sedikit namun tetap memiliki hasil kinerja yang sama dan bahkan lebih baik dari algoritma lain. Oleh karena itu, pada penelitian ini diusulkan metode clustering PFCM dengan inisialisasi pusat cluster menggunakan ABC untuk kasus segmentasi citra.Metode segmentasi citra yang diusulkan tersebut telah dievaluasi menggunakan SSIM (Structural Similarity Index) pada 30 citra dari 6 dataset yang berbeda.Berdasarkan hasil evaluasi diketahui ABC-PFCM memperoleh hasil yang lebih baik daripada PFCM.Hal ini ditandai dengan nilai rata-rata SSIM ABC-PFCM yang lebih tinggi daripada PFCM.Pada citra sintetis ABC-PFCM dan PFCM berturut-turut memperoleh ratarata sebesar 0.9843 dan 0.9699. Selanjutnya, pada citra real, ABC-PFCM dan PFCM dengan berurutan memperoleh rata-rata SSIM 0.8113dan 0.7898.]]>
Copyrights © 2016
