Image Clustering menggunakan BTC-K�LUV dan Hybrid Optimized K-means Algorithm � Genetic Algorithm

ARZIZAL ARDHI IMANU, 081012050 (2014) Image Clustering menggunakan BTC-K�LUV dan Hybrid Optimized K-means Algorithm � Genetic Algorithm. Skripsi thesis, UNIVERSITAS AIRLANGGA.

[img]
Preview
Text (ABSTRAK)
ABSTRAK.pdf

Download (30kB) | Preview
[img] Text (FULLTEXT)
FULLTEXT.pdf
Restricted to Registered users only

Download (2MB) | Request a copy
Official URL: http://lib.unair.ac.id

Abstract

Tujuan dari skripsi ini adalah untuk merancang dan membangun sebuah program aplikasi image clustering dengan menggunakan metode BTC-K’LUV dan hybrid optimized K-means algorithm – genetic algorithm. Image clustering merupakan suatu proses pengelompokan citra, dimana citra yang mempunyai kemiripan akan berada dalam satu kelompok, sedangkan citra yang mempunyai ketidakmiripan akan berada pada kelompok yang berbeda. Optimized K-means algorithm digunakan untuk mengelompokkan citra dan penghitungan bobot pada genetic algorithm. Genetic algorithm digunakan untuk menentukan jumlah kelompok. BTC-K’LUV digunakan untuk ekstraksi karakteristik citra yakni signature of image (SOI). Proses image clustering dengan file citra berjumlah 50 citra dan dengan parameter iterasi maksimal 5, popsize = 30, Pc = 0.6, Pm = 0,1 dan e = 0,01 didapatkan jumlah cluster terbaik sebanyak 2.

Item Type: Thesis (Skripsi)
Additional Information: KKC KK MPM.23/14 Ima i
Uncontrolled Keywords: Image Clustering, BTC-K�UV, Optimized K-Means Algorithm,Genetic Algorithm, Signature Of Image
Subjects: Q Science > QA Mathematics > QA1-939 Mathematics
Q Science > QA Mathematics > QA611-614 Topology
Divisions: 08. Fakultas Sains dan Teknologi > Matematika
Creators:
CreatorsNIM/NIDN
ARZIZAL ARDHI IMANU, 081012050UNSPECIFIED
Contributors:
ContributionNameNIDN/NIDK/NUP
ContributorAuli Damayanti,, S.Si., M.SiUNSPECIFIED
Depositing User: Dwi Prihastuti
Date Deposited: 27 Feb 2014 12:00
Last Modified: 29 Aug 2016 02:42
URI: http://repository.unair.ac.id/id/eprint/27895
Sosial Share:

Actions (login required)

View Item View Item