3. Dari matriks fitur, gambar input tersebut dibandingkan dengan matriks fitur
model segitiga, persegi dan lingkaran dengan menghitung jarak kedekatan matriks menggunakan Eucllidean Distance.
4. Dari hasil perhitungan similaritas sebelumnya, didapat hasil similaritas dari
perhitungan jarak Euclidean dengan nilai terkecil yang kemudian dipakai untuk membandingkan matriks fitur input dengan jenis-jenis dari model
segitiga, persegi, atau lingkaran yang didapat sebelumnya. 5.
Sistem menampilkan hasil pencarian berupa keterangan dan rumus dari geometri bangun datar yang sesuai dengan hasil pengukuran similaritas
terbesar jenis-jenis model.
3.2 Data
Data yang akan digunakan oleh aplikasi ini meliputi jenis-jenis geometri bangun datar pada pelajaran Matematika tingkat Sekolah Menengah Pertama
SMP dengan keterangan dan rumus dari bangun datar tersebut. Gambar bangun datar yang digunakan sebagai pemodelan cluster adalah gambar bangun datar
yang dibuat menggunakan paint dengan jumlah gambar sebanyak 50. Sedangkan gambar lain yang digunakan sebagai testing adalah file gambar berekstensi .jpg
dari hasil gambar tangan di-scan, gambar scan dari buku materi dan beberapa sumber lain di internet.
Data training yang digunakan merupakan gambar paint dengan ukuran canvas 397x296px. Dari 50 gambar tersebut, terdapat 16 bangun segitiga, 26
bangun segi empat, dan 8 bangun lingkaran.
Gambar 3.5. Gambar file training
3.3 Ekstrak Fitur
Untuk dapat diproses menggunakan Agglomerative Hierarchical Clustering, setiap gambar akan melalui proses ekstrak fitur untuk mendapatkan
informasi unik dari masing-masing gambar yang digunakan untuk membedakan gambar yang satu dengan yang lain. Proses ini merupakan proses terpenting dalam
penelitian. Kualitas gambar antara lain kontras, pencahayaan, dan noise sangat berperan penting dalam ekstraksi fitur. Selain itu jumlah data bisa yang terlalu
sedikit maupun banyak juga dapat mempengaruhi ketepatan anggota dari masing- masing cluster. Langkah untuk mendapatkan matriks fitur adalah sebagai berikut :
1. Load folder data gambar bangun datar bertipe .jpg.
2. Untuk masing-masing gambar dalam folder yang telah di-load, lakukan
looping : 1.
Baca gambar dengan fungsi imread.
2. Ubah data matriks gambar ke dalam citra keabuan dengan fungsi
rgb2gray. 3.
Lakukan proses thresholding dengan fungsi graythresh. 4.
Ubah citra ke dalam „black and white’ dengan fungsi im2bw. 5.
Resize gambar input dengan crop gambar fokus setelah menemukan titik pertama setiap dari kiri ke kanan dan sebaliknya, juga setiap kolom dari
atas ke bawah dan sebaliknya. Titik noise sangat mempengaruhi.
3. Putar gambar dengan fungsi imrotate supaya gambar yang didapatkan lebih
dalam posisi normal. Langkah merotasi gambar sendiri adalah sebagai berikut: 1.
Lakukan looping dari 1-180 dimana nilai ini adalah parameter yang digunakan dalam fungsi imrotate nilai derajat.
2. Untuk masing-masing nilai derajat, cari ukuran gambar dengan dimensi
terkecil. Kemudian bandingkan dengan nilai dimensi gambar sebelum dirotasi. Nilai dimensi terkecil dianggap sebagai posisi normal dari
gambar. Maka pilih gambar dengan nilai dimensi terkecil. 4.
Lakukan looping masing-masing gambar untuk memindahkan gambar fokus yang telah dicrop ke dalam matriks berukuran maksimum panjang dan lebar
supaya ukuran ekstrak fitur sama. 5.
Untuk masing-masing gambar yang telah diproses dan di-resize, lakukan looping :
Gambar 3.6. Contoh pemotongan gambar
1. Bagi gambar menjadi 25 bagian : 5 baris dan 5 kolom, matriks 5x5.
1 2
3 4
5
6 7
8 9
10
11 12
13 14
15
16 17
18 19
20
21 22
23 24
25
Gambar 3.7.
Membagi menjadi 5x5 untuk ekstrak fitur 2.
Untuk sub bagian dari masing-masing bagian, jumlahkan nilai biner di setiap kolom dan barisnya setelah melalui proses thinning.
3. Jumlahkan kembali nilai jumlah biner setiap kolom dan baris yang sudah
didapat sehingga didapat fitur berukuran 1 x 25. 4.
Urutkan dari nilai ekstrak fitur terkecil yang didapat sampai nilai maksimal menggunakan fungsi sort. Didapatkan asumsi bahwa posisi
sudut masing-masing gambar berbeda, sehingga dengan membuat urutan fitur secara acak melalui proses sorting didapatkan lebih banyak
kemiripan. Ilustrasi sorting dapat dilihat pada Tabel 3.3 di lampiran.
5. Bagi nilai matriks ekstrak fitur yang sudah diurutkan dengan nilai
maksimal ekstrak fitur yang didapat sehingga didapat nilai terkecil 0 dan nilai terbesar 1. Hal ini dilakukan supaya range fitur tidak terlalu besar,
yaitu hanya antara 0 sampai 1.
3.4 Proses Agglomerative Hierarchical Clustering
