2. Labeling Coding
Setelah ciri region diperoleh dan disimpan dalam basisdata, selanjutnya algoritma clustering dijalankan. Algoritma clustering ini
membutuhkan matrik ciri region sebagai data masukan.
Matrik Keanggotaan
Hasil dari proses clustering adalah matrik keanggotaan region
terhadap cluster yang dihasilkan.
Tabel 5. Matrik Keanggotaan Region berdasarkan hasil clustering
Region C1
C2 C3
C4 C5
C6
1 0.881539
0.118309 2.02E-08
5.15E-05 7.25E-07 9.95E-05
2 3.19E-06
2.99E-07 0.921212
5.53E-08 0.078716 6.86E-05
3 1.64E-11
4.08E-09 5E-15
0.999999 5.5E-14 7.91E-13
4 1.67E-13
2.1E-14 0.999999
5E-15 3.06E-10 2.08E-12
5 0.000184
2.53E-06 7.75E-06
1.92E-07 0.068908 0.930898
- - - - - - -
- - - - - - -
- - - - - - -
717 8.57E-11
1.05E-11 0.99999
2.24E-12 2.28E-07 1.16E-09
718 1.27E-05
0.056199 9.48E-10
0.943788 1.34E-08 2.94E-07
719 3.24E-06
3.04E-07 0.91941
5.61E-08 0.080517 6.98E-05
720 0.853729
4.48E-05 8.37E-08
8.15E-07 1.16E-05 0.146214
Hasil clustering menunjukkan subjek bangunan memiliki jumlah tertinggi pada cluster ke-2, sedangkan pemandangan terbanyak pada
cluster ke-1 dan subjek alam terbanyak pada cluster ke-4.
Total Clus te r pe r Subje k
10 20
30 40
50 60
70 80
1 2
3 4
5 6
Clus te r Tot
a l
Pemandangan Bangunan
Alam
Gambar 26 . Grafik Total Cluster per Subjek
Visualisasi Pelabelan
Nilai maksimum setiap cluster pada setiap citra menyatakan bahwa nilai region ini lebih mendekati cluster yang terbentuk hasil clustering.
Selanjutnya nilai keanggotaan maksimun ini dipetakan secara visual terhadap citra hasil segmentasi. Gambar 27, menunjukkan visualisasi salah
satu citra yang memiliki nilai keanggotaan region.
Gambar 27. Citra contoh labeling coding
Penggabungan Region
Nilai region dengan nilai 0.16107 dan 0.16739, berdasarkan hasil clustering
kemudian dikelompokkan ke dalam satu kelompok. Begitu juga untuk nilai 0.60864 dan 0.65573 juga dikelompokkan dalam satu
kelompok tersendiri. Sedangkan untuk nilai 0.30412 dan 0.47258 dikelompokkan dalam satu kelompok.
Perhitungan nilai ciri baru untuk region dilakukan dengan menghitung nilai rata-rata untuk region-region yang terkelompok dalam
satu kelompok. Gambar 28, menunjukkan visualisasi hasil penggabungan region
bersama dengan nilai keanggotaan region untuk Gambar 27.
Gambar 28. Contoh citra proses penggabungan region
3. Labeling Reuse
Integrasi dari konsep-konsep dalam kamus kata. Informasi yang diperoleh adalah visualisasi pelabelan otomatis citra.
Gambar 29 . Contoh citra hasil pelabelan otomatis
Gambar 29 menunjukkan proses labeling reuse nilai region yang berupa label untuk region yang ada di citra.
Proses pelabelan ini akan digunakan dalam tahapan temu kembali, sedangkan nilai ciri region akan digunakan untuk penghitungan jarak
dalam proses temu kembali.
D. Hasil Temu Kembali
Kategori