SEGMENTASI OBYEK SEMI-OTOMATIS MENGGUNAKAN METODE REGION MERGING MAXIMAL SIMILARITY BERBASIS ALGORITMA MEAN SHIFT DAN NORMALIZED CUTS - UDiNus Repository INDARYANTO BAB VI
BAB VI
PENUTUP
6.1 Kesimpulan
Dari penelitian ini didapatkan hasil bahwa penerapan segmentasi obyek secara semi-otomatis
dengan metode region merging berdasarkan perhitungan maximal similarity dengan
menggunakan hasil segmentasi low level algoritma mean shift plus normalized cuts berhasil
mensegmentasi obyek dengan background yang kompleks secara lebih akurat. Hal ini dibuktikan
dengan nilai bit rate error yang lebih kecil. Nilai rata-rata bit error rate yang didapatkan adalah
0.09454, lebih rendah dibandingkan dengan nilai bit error rate dari proses region merging
menggunakan segmentasi low level algoritma mean shift pada minimum region = 50 yang hanya
mencapai 0.20515. Peningkatan akurasi yang berhasil dicapai adalah 11 %.
Hasil kedua adalah bahwa gabungan algoritma mean shift + normalized cuts berhasil mengurangi
jumlah region menjadi hanya 95 region, lebih kecil daripada jumlah rata-rata region pada
algoritma mean shift pada minimum region 50 yang mencapai 310. Penurunan jumlah region
yang dibentuk mencapai 69%. Kesimpulan yang didapat adalah bahwa penambahan algoritma
normalized cuts kepada algoritma mean shift mampu mengatasi permasalahan over segmentation
pada algoritma mean shift.
6.2 Saran
Di masa mendatang perlu dikembangkan sebuah metode region merging dengan menggunakan
klasifikasi piksel hingga akan mendapatkan hasil akurasi yang lebih baik dibanding yang
berbasis region. Pengembangan yang lain adalah perlu diteliti sebuah optimasi baru dari
algoritma normalized cuts sehingga mampu melakukan pemotongan citra secara adaptif atau
otomatis tergantung dari komposisi warna dari citra, karena sejauh ini jumlah pemotongan yang
dilakukakan normalized cuts tergantung dari input nilai parameter cuts yang diisikan oleh user.
Apabila pemotongan ini dapat dilakukan secara adaptif atau otomatis maka algoritma normalized
cuts akan semakin optimal dan akan termasuk ke dalam algoritma yang cerdas.
80
PENUTUP
6.1 Kesimpulan
Dari penelitian ini didapatkan hasil bahwa penerapan segmentasi obyek secara semi-otomatis
dengan metode region merging berdasarkan perhitungan maximal similarity dengan
menggunakan hasil segmentasi low level algoritma mean shift plus normalized cuts berhasil
mensegmentasi obyek dengan background yang kompleks secara lebih akurat. Hal ini dibuktikan
dengan nilai bit rate error yang lebih kecil. Nilai rata-rata bit error rate yang didapatkan adalah
0.09454, lebih rendah dibandingkan dengan nilai bit error rate dari proses region merging
menggunakan segmentasi low level algoritma mean shift pada minimum region = 50 yang hanya
mencapai 0.20515. Peningkatan akurasi yang berhasil dicapai adalah 11 %.
Hasil kedua adalah bahwa gabungan algoritma mean shift + normalized cuts berhasil mengurangi
jumlah region menjadi hanya 95 region, lebih kecil daripada jumlah rata-rata region pada
algoritma mean shift pada minimum region 50 yang mencapai 310. Penurunan jumlah region
yang dibentuk mencapai 69%. Kesimpulan yang didapat adalah bahwa penambahan algoritma
normalized cuts kepada algoritma mean shift mampu mengatasi permasalahan over segmentation
pada algoritma mean shift.
6.2 Saran
Di masa mendatang perlu dikembangkan sebuah metode region merging dengan menggunakan
klasifikasi piksel hingga akan mendapatkan hasil akurasi yang lebih baik dibanding yang
berbasis region. Pengembangan yang lain adalah perlu diteliti sebuah optimasi baru dari
algoritma normalized cuts sehingga mampu melakukan pemotongan citra secara adaptif atau
otomatis tergantung dari komposisi warna dari citra, karena sejauh ini jumlah pemotongan yang
dilakukakan normalized cuts tergantung dari input nilai parameter cuts yang diisikan oleh user.
Apabila pemotongan ini dapat dilakukan secara adaptif atau otomatis maka algoritma normalized
cuts akan semakin optimal dan akan termasuk ke dalam algoritma yang cerdas.
80