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.