Penerapan K-Means Clustering Untuk Seleksi Frame Dominan Berbasis NTSC Pada Obyek Bergerak

Penulis

Rizka Indah Armianti, Achmad Fanany Onnilita Gaffar, Arief Bramanto Wicaksono Putra

Abstrak

Obyek dinyatakan bergerak jika terjadi perubahan posisi dimensi disetiap frame. Pergerakan obyek menyebabkan obyek memiliki perbedaan bentuk pola disetiap frame-nya. Frame yang memiliki pola terbaik diantara frame lainnya disebut frame dominan. Penelitian ini bertujuan untuk menyeleksi frame dominan dari rangkaian frame dengan menerapkan metode K-means clustering untuk memperoleh centroid dominan (centroid dengan nilai tertinggi) yang digunakan sebagai dasar seleksi frame dominan. Dalam menyeleksi frame dominan terdapat 4 tahapan utama yaitu akuisisi data, penetapan pola obyek, ekstrasi ciri dan seleksi. Data yang digunakan berupa data video yang kemudian dilakukan proses penetapan pola obyek menggunakan operasi pengolahan citra digital, dengan hasil proses berupa pola obyek RGB yang kemudian dilakukan ekstraksi ciri berbasis NTSC dengan menggunakan metode statistik orde pertama yaitu Mean. Data hasil ekstraksi ciri berjumlah 93 data frame yang selanjutnya dikelompokkan menjadi 3 cluster menggunakan metode K-Means. Dari hasil clustering, centroid dominan terletak pada cluster 3 dengan nilai centroid 0.0177 dan terdiri dari 41 data frame. Selanjutnya diukur jarak kedekatan seluruh data cluster 3 terhadap centroid, data yang memiliki jarak terdekat dengan centroid itulah frame dominan. Hasil seleksi frame dominan ditunjukkan pada jarak antar centroid dengan anggota cluster, dimana dari seluruh 41 data frame tiga jarak terbaik diperoleh adalah 0.0008 dan dua jarak bernilai  0.0010 yang dimiliki oleh frame ke-59, ke-36 dan ke-35.

 

Abstract

The object is declared moving if there is a change in the position of the dimensions in each frame. The movement of an object causes the object to have different shapes in each frame. The frame that has the best pattern among other frames is called the dominant frame. This study aims to select the dominant frame from the frame set by applying the K-means clustering method to obtain the dominant centroid (the highest value centroid) which is used as the basis for the selection of dominant frames. In selecting dominant frames, there are 4 main stages, namely data acquisition, determination of object patterns, feature extraction and selection. The data used in the form of video data which is then carried out the process of determining the pattern of objects using digital image processing operations, with the results of the process in the form of an RGB object pattern which is then performed NTSC-based feature extraction using the first-order statistical method, Mean. The data from feature extraction are 93 data frames which are then grouped into 3 clusters using the K-Means method. From the results of clustering, the dominant centroid is located in cluster 3 with a centroid value of 0.0177 and consists of 41 data frames. Furthermore, the proximity of all data cluster 3 to the centroid is measured, the data having the closest distance to the centroid is the dominant frame. The results of dominant frame selection are shown in the distance between centroids and cluster members, where from all 41 data frames the three best distances obtained are 0.0008, 0.0010, and 0.0010 owned by 59th, 36th and 35th frames.


 

Teks Lengkap:

PDF

Referensi


AGGARWAL, C. C. & REDDY, C. K. 2013. Data Clustering : Algorithms and Applications, Boca Raton, Florida, CRC Press.

FIRDAUSY, K., SUTIKNO, T. & PRASETYO, E. 2007. Image Enhancement Using Contrast Stretching On RGB and IHS Digital Image. TELKOMNIKA Indonesian Journal of Electrical Engineering, 5, 45-50.

KADIR, A. & SANTOSO, A. 2013. Teori dan Aplikasi Pengolahan Citra, Yogyakarta, Andi Publisher.

KOTSARENKO, Y. & RAMOS, F. 2010. Measuring Perceived Color Difference Using YIQ NTSC Transmission Color Space In Mobile Applications. Programación Matemática y Software, 2, 27-43.

MUNIR, R. 2004. Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Bandung, Informatika.

PUTRA, A. B. W., GAFFAR, A. F. O., WAJIANSYAH, A. & QASIM, I. H. Feature-Based Video Frame Compression Using Adaptive Fuzzy Inference System. 2018 International Symposium on Advanced Intelligent Informatics (SAIN), 29-30 Aug. 2018 2018. 49-55.

PUTRA, A. B. W., RIHARTANTO & ALHUMAERAH, A. M. 2019. Penerapan K-Means Clustering Dalam Pengelompokan Lipstik Matte Lip Cream Berdasarkan Warna RGB. Jurnal Sains Terapan (JST), 5, 28-35.

PUTRI, E. 2018. Pengujian Citra Jeruk Baby Untuk Mengetahui Area Cacat Menggunakan Klasifikasi Pixel. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 7, 73-79.

PUTRI, M. H. H., PUTRA, A. B. W. & GAFFAR, A. F. O. 2018. Ekstraksi Ciri Citra Wajah Manusia Menggunakan Metode Mean Absolute Error (MAE) Dan Discrete Cosine Transofrm (DCT) Pada Klasifikasi Usia Manusia.

Seminar Nasional Teknologi, Inovasi dan Aplikasi di Lingkungan Tropis. Samarinda: Fakultas Teknik Universitas Mulawarman.

SARI, R. J., GAFFAR, A. F. O. & PUTRA, A. B. W. 2018. Identifikasi Obyek Bergerak Berbasis Segmentasi Warna RGB. Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, Vol. 3.

SHUPING, Y. & XINGGANG, L. 2005. Key Frame Extraction Using Unsupervised Clustering Based on a Statistical Model. Tsinghua Science And Technology, Volume 10, pp169-173.

SYAFI’I, S. I., WAHYUNINGRUM, R. T. & MUNTASA, A. 2015. Segmentasi Obyek Pada Citra Digital Menggunakan Metode Otsu Thresholding. Jurnal Informatika, 13, 1-8.

ZHOU, H., WU, J. & ZHANG, J. 2014a. Digital Image Processing: Part I.

ZHOU, H., WU, J. & ZHANG, J. 2014b. Digital Image Processing: Part II




DOI: http://dx.doi.org/10.25126/jtiik.2020742184