Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
i
CLUSTERING POLA BATIK YOGYAKARTA
DENGAN ALGORITMA K-MEANS CLUSTERING
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh:
Agnes Retnaningsih
NIM: 065314039
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2011
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
CLUSTERING THE YOGYAKARTA BATIK PATTERN
USING K-MEANS CLUSTERING ALGORITHM
A Thesis
Presented as Partial Fulfillment of The Requirements
To Obtain the Sarjana Komputer Degree
In Department of Informatics Engineering
By:
Agnes Retnaningsih
Student ID: 065314039
INFORMATICS ENGINEERING STUDY PROGRAM
INFORMATICS ENGINEERING DEPARTMENT
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2011
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PERSEMBAHAN
“Apabila kamu punya mimpi,
taruh dia 5 cm di depan keningmu,
jadi tak akan pernah lepas dari matamu.
Dan sehabis itu yang kita perlu :
Hanya kaki yang berjalan lebih jauh dari biasanya,
tangan yang akan berbuat lebih banyak dari biasanya,
dan mata yang akan menatap lebih lama.
Juga lapisan tekad yang seribu kali lebih keras dari baja dan hati yang akan bekerja lebih
keras,
serta mulut yang akan selalu berdoa.”
(quoted from 5cm: Donny Dhirgantoro)
Skripsi ini aku persembahkan untuk:
Yesus Kristus
Keluarga
para sahabat baik
Terimakasih untuk banyak hal…
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
Abstrak
Terdapat keragaman pola batik di Indonesia, baik dalam ragam bentuk
maupun warnanya, seperti pada pola batik Yogyakarta, namun informasi melalui
pola yang ada tersebut tidak banyak diketahui. Pengelompokan pola batik
membantu untuk mengetahui batik yang mempunyai kemiripan informasi baik
bentuk ataupun warna.
Pengelompokan pola batik dapat dilakukan dengan algoritma K-means
clustering. Algoritma ini merupakan salah satu metode pengelompokan yang
sering digunakan karena prosesnya yang cepat dan sederhana. Algoritma K-means
dimulai dengan inisialisasi cluster awal kemudian cluster tersebut diperbaiki
hingga tidak terjadi perubahan anggota atau konvergen. Untuk mengetahui
kualitas clustering yang terbentuk dapat menggunakan nilai dissimilarity. Nilai
dissimilarity diperoleh dengan membandingkan 2 obyek hasil clustering, dimana
ketika nilai kedua obyek itu sama berarti nilai dissimilarity-nya 0 dan jika berbeda
maka nilai dissimilarity-nya 1. Nilai dissimilarity yang rendah berarti obyek-
obyek dalam cluster memiliki nilai kesamaan yang tinggi. Pada dasarnya data
ditentukan similar atau dissimilar, berdasarkan atas kondisi jarak pada data
tersebut.
Terdapat 4 pola batik yang akan dikelompokan dimana masing-masing
batik memiliki 25 citra batik, sehingga terdapat 100 data citra batik. Percobaan
dilakukan dengan k=2,3,4,5,6 dan 7. Dari hasil pengujian diperoleh bahwa ciri
warna merupakan ciri yang paling baik digunakan dalam pengelompokan pola
batik Yogyakarta dengan akurasi sebesar 60% pada 5 kali set percobaan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
There are various Indonesian batik patterns, not only in shape but also its
color, such as Yogyakarta’s batik pattern, but the information of the patterns is not
too much known. Clustering batik pattern helps to know batik which having
similarity information both the shape and color.
Clustering batik pattern can be used K-means clustering algorithm. This
algorithm is one of clustering method that used because its process is quick and
simple process. K-means algorithm started by initializing first cluster then the
cluster is corrected until there’s no alteration of the group or convergence. To
know the quality of clustering made can be used dissimilarity value. The
dissimilarity value is reached from comparing 2 result of clustering which will be
have 0 value if its same object and will be have 1 if its different. The low value of
dissimilarity means the objects in the cluster has high similarity. Basically, data is
similar or dissimilar based on the condition of data distance.
There are 4 batik patterns which are clustered, where each batik pattern
has 25 images so that there are 100 batik images data. The experiment is
conducted with k= 2, 3, 4, 5, 6 and 7. From the experiments resulted that feature
color is the best feature used in Yogyakarta batik pattern clustering with 60%
accuracy for 5 set experiments.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI HALAMAN JUDUL BAHASA INDONESIA ...................................................... i
HALAMAN JUDUL BAHASA INGGRIS .......................................................... ii
HALAMAN PERSETUJUAN ............................................................................iii
HALAMAN PENGESAHAN ............................................................................. iv
HALAMAN PERSEMBAHAN ........................................................................... v
HALAMAN PERNYATAAN KEASLIAN KARYA .......................................... vi
HALAMAN PERSETUJUAN PUBLIKASI ...................................................... vii
ABSTRAK ....................................................................................................... viii
ABSTRACT ....................................................................................................... ix
KATA PENGANTAR ......................................................................................... x
DAFTAR ISI ..................................................................................................... xii
DAFTAR GAMBAR ........................................................................................ xiv
DAFTAR TABEL ............................................................................................. xv
BAB I: PENDAHULUAN………………………………………………………...1
1.1 Latar Belakang .................................................................................... 1
1.2 Rumusan Masalah ............................................................................... 2
1.3 Tujuan ................................................................................................. 2
1.4 Batasan Masalah .................................................................................. 2
1.5 Metodologi Penelitian ......................................................................... 3
1.6 Sistematika Penulisan .......................................................................... 4
BAB II : LANDASAN TEORI .......................................................................... 5
2.1 Batik Yogyakarta ................................................................................. 5
2.2 Clustering………………………………………………..…………….6
2.2.1 Karakteristik Clustering…………….……………………….7
2.2.2 Algoritma Clustering……….......……..………….…………8
2.3 Ciri.....………………….....………………………………..…………17
2.4 Perhitungan validasi cluster………........…….……………………....18
BAB III : ANALISA DAN PERANCANGAN SISTEM .................................... 20
3.1 Perancangan sistem secara umum……………………...…………….20
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
3.1.1 Perancangan proses ekstraksi ciri......….…….……….…….21
3.1.2 Perancangan proses clustering……………………………..27
3.1.3 Perancangan proses evaluasi……………....……………….27
3.2.Perancangan antar muka...…………................... …………….……..30
3.2.1 Halaman home………………….....................……………..30
3.2.2 Halaman clustering…….........……..............……………....31
3.2.3 Halaman help……………………........................…............32
3.2.4 Halaman about…................…................…..……...……….32
3.3 Kebutuhan Perangkat Keras………………...……………………….33
BAB IV : IMPLEMENTASI DAN ANALISA SISTEM………………………..34
4.1 Data…………………………………………………………………..34
4.2. Implementasi Proses…..…………………………………….……….34
4.3. Hasil Penelitian..........……………………………... ……………….42
4.3.1 Set percobaan 1........…………………………... ………….42
4.3.2 Set percobaan 2…………………………………………….44
4.3.3 Set percobaan 3……………………........………………….46
4.3.4 Set percobaan 4……………………………........………….48
4.3.5 Set percobaan 5…………………………………………….50
BAB V : KESIMPULAN DAN SARAN………………………………….…….55
5.1 Kesimpulan……………………....……………………………….….55
5.2 Saran…………………………………………………………………55
DAFTAR PUSTAKA…………………………………………………………....56
LAMPIRAN 1: Coding Program………………………………..……………….59
LAMPIRAN 2 : Hasil………………………………………………..…..………78
LAMPIRAN 3 : Data batik ...………………………………………..…..………92
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR GAMBAR
Gambar 2.1 Contoh pola batik Yogyakarta ........................................................... 6
Gambar 2.2 Ilustrasi Algoritma Hierarchical Clustering. ..................................... 9
Gambar 2.3 Ilustrasi Single Linkage ................................................................... 10
Gambar 2.4 Ilustrasi Centroid Linkage ............................................................... 10
Gambar 2.5 Ilustrasi Complete Linkage .............................................................. 11
Gambar 2.6 Ilustrasi Average Linkage ................................................................ 12
Gambar 2.7 Proses K-means clustering .............................................................. 13
Gambar 3.1 Gambaran sistem secara umum ....................................................... 20
Gambar 3.2 Blok digram sistem ......................................................................... 21
Gambar 3.3 Hasil ciri informasi tepi pada citra batik .......................................... 23
Gambar 3.4 Citra batik dalam 8 vektor vertikal dan 8 vektor horisontal.............. 24
Gambar 3.5 Halaman home ............................................................................... 30
Gambar 3.6. Tampilan halaman clustering ......................................................... 31
Gambar 3.7. Tampilan help ................................................................................ 32
Gambar 3.8. Tampilan about .............................................................................. 32
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR TABEL
Tabel 2.1 Contoh data obat ............................................................................................14
Tabel 2.2 Hasil pengelompokan ...................................................................................17
Tabel 3.1. Matriks Mean 8 Vektor .................................................................................24
Tabel 3.2. Hasil clustering k=2 ......................................................................................28
Tabel 3.3. Perhitungan dissimilaritas .............................................................................29
Tabel 4.1. Contoh hasil dissimilaritas pada percobaan 1 ................................................40
Tabel 4.2. Contoh hasil ekstraksi ciri warna ...................................................................41
Tabel 4.3. Contoh hasil ekstraksi ciri informasi tepi .......................................................41
Tabel 4.4. Contoh hasil ekstraksi ciri warna dan informasi tepi ......................................41
Tabel 4.5. Contoh hasil pengelompokan ........................................................................41
Tabel 4.6. Hasil perhitungan dissimilaritas dengan ciri warna ........................................42
Tabel 4.7. Hasil perhitungan dissimilaritas dengan ciri informasi tepi. ...........................43
Tabel 4.8. Hasil dissimilaritas dengan ciri warna dan informasi tepi. .............................43
Tabel 4.9. Hasil perhitungan dissimilaritas dengan ciri warna. .......................................44
Tabel 4.10. Hasil perhitungan dissimilaritas dengan ciri informasi tepi. .........................45
Tabel 4.11. Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi..........45
Tabel 4.12. Hasil perhitungan dissimilaritas dengan ciri warna. .....................................46
Tabel 4.13. Hasil perhitungan dissimilaritas dengan ciri informasi tepi. .........................47
Tabel 4.14. Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi. ........47
Tabel 4.15. Hasil perhitungan dissimilaritas dengan ciri warna. .....................................48
Tabel 4.16. Hasil perhitungan dissimilaritas dengan ciri informasi tepi. .........................49
Tabel 4.17. Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi. ........49
Tabel 4.18. Hasil perhitungan dissimilaritas dengan ciri warna. .....................................50
Tabel 4.19. Hasil perhitungan dissimilaritas dengan ciri informasi tepi. .........................51
Tabel 4.20. Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi. ........51
Tabel 4.21. Hasil perhitungan percobaan 1 sampai 5......................................................52
Tabel 4.22. Hasil ciri paling ideal dalam pengelompokan ..............................................53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Batik adalah suatu hasil karya asli dari masyarakat Indonesia. Setiap daerah
pembatik mempunyai keunikan dan kekhasan tersendiri, baik dalam ragam hias
maupun tata warnanya. Hal ini mengakibatkan keragaman pola batik di Indonesia,
seperti pada pola batik Yogyakarta, namun informasi melalui pola yang ada
tersebut tidak banyak diketahui. Pengelompokan pola batik atau image clustering
membantu untuk mengetahui batik yang mempunyai kemiripan informasi baik
bentuk, tekstur ataupun warna. Image Clustering merupakan suatu proses
pengelompokan yang bertujuan untuk mengelompokkan gambar menjadi
kelompok-kelompok dimana gambar dalam satu kelompok akan memiliki
karakteristik yang sama, sedangkan gambar dalam kelompok yang berbeda
memiliki karakteristik yang berbeda (Agusta Y,2011).
Dalam pengelompokan dikenal beberapa teknik seperti pengelompokan
berdasarkan partisi, jarak, kepadatan dan hirarki. K-means merupakan salah satu
algoritma pengelompokan berdasarkan partisi dimana setiap data harus masuk ke
cluster tertentu (Zaiane, 1999). K-means memiliki kelebihan dalam kecepatan
memproses pengelompokan data (Wibisono Y dan Khodra, 2006), sehingga
algoritma K-means ini dipilih dalam pengelompokan pola batik daerah
Yogyakarta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
1.2 Rumusan Masalah
Dari latar belakang masalah di atas, maka dapat diperoleh rumusan
masalah pada tugas akhir ini adalah :
a. Bagaimana pengelompokan pola batik Yogyakarta menggunakan
algoritma K-means?
b. Bagaimana unjuk kerja algoritma K-means dalam pengelompokan pola
batik Yogyakarta?
1.3 Tujuan
Mengetahui unjuk kerja pengelompokan pola batik daerah Yogyakarta
dengan algoritma K-means clustering.
1.4 Batasan Masalah
a. Penelitian dilakukan pada 4 pola batik dari daerah Yogyakarta yaitu pola
kawunggalar, nitik cengkeh, parang barong dan parang pancing.
b. Data citra diambil dengan kamera digital dengan jarak rata- rata sekitar
30cm.
c. Setiap satu pola citra batik dibagi menjadi 25 file citra batik.
d. Citra yang diproses adalah citra bertipe JPG (*.jpg) dengan ukuran
200x200 piksel.
e. Algoritma yang digunakan dalam pengelompokan pola batik Yogyakarta
adalah algoritma K-means.
f. Program yang dibuat hanya sebuah prototype untuk membantu
menganalisa penerapan algoritma K-means dalam pengelompokan pola
batik Yogyakarta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.5 Metodologi Penelitian
Metodologi yang digunakan dalam pengelompokan pola batik dengan
algoritma K-means adalah sebagai berikut:
a. Studi Pustaka
Pada tahap ini mengumpulkan informasi baik dengan mencari informasi ke
Museum Batik Yogyakarta, studi literatur dari buku, jurnal ataupun pencarian
informasi lain melalui internet.
b. Perancangan Sistem
Pada tahap ini dilakukan perancangan sistem yang akan dibuat.
c. Implementasi
Tahap untuk membuat aplikasi yang digunakan untuk mempermudah dalam
pengelompokan pola batik.
d. Pengujian dan Analisis Hasil
Tujuan dari tahap ini adalah mengetahui tingkat keakuratan algoritma K-
means dalam mengelompokan batik dan menganalisa hasil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.6 Sistematika Penulisan
Untuk mempermudah penyusunan skripsi, maka berikut ini akan
dijabarkan sistematika penulisan laporan sebagai berikut:
BAB I : PENDAHULUAN
Berisi latar belakang masalah, perumusan masalah, batasan masalah,
tujuan penulisan, metodologi penelitian dan sistematika penulisan.
BAB II : LANDASAN TEORI
Bab ini membahas tentang landasan teori yang digunakan dalam clustering
pola batik Yogyakarta.
BAB III : ANALISA DAN PERANCANGAN SISTEM
Bab ini berisi tentang perancangan sistem yang akan di bangun untuk
mengelompokan pola batik Yogyakarta dan algoritma yang digunakan.
BAB IV : IMPLEMENTASI SISTEM DAN ANALISA HASIL
Bab ini membahas tentang implementasi program serta analisa hasil
pengujian sistem clustering pola batik dengan algoritma K-means.
BAB V : KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan dari keseluruhan proses pembuatan
tugas akhir ini serta saran untuk pengembangan lebih lanjut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
LANDASAN TEORI
2.1 Batik Yogyakarta
Batik Yogyakarta merupakan bagian dari perkembangan sejarah batik di
Jawa Tengah yang telah mengalami gabungan beberapa corak dari daerah lain.
Perjalanan batik Yogyakarta tidak bisa lepas dari perjanjian Giyanti 1755, begitu
Mataram terbelah dua, dan Kraton Yogyakarta berdiri, busana Mataram dibawa
dari Surakarta ke Yogyakarta, maka Sri Susuhunan Pakubuwono II merancang
busana baru dan pakaian adat Kraton Surakarta berbeda dengan busana
Yogyakarta (Anonim, 2009).
Ciri khas batik gaya Yogyakarta adalah ada dua macam latar atau warna
dasar kain yaitu putih dan hitam, sementara warna batik umumnya putih (warna
kain mori), biru tua kehitaman dan coklat soga. Ragam hias pertama geometris
yaitu garis miring lerek atau lereng, garis silang atau ceplok dan kawung, serta
anyaman dan limaran. Ragam hias yang kedua bersifat non-geometris yaitu
semen, lung-lungan dan boketan. Ragam hias yang bersifat simbolis erat
hubungannya dengan falsafah Hindu – Jawa antara lain Sawat melambangkan
mahkota atau penguasa tinggi, Meru melambangkan gunung atau tanah ( bumi ),
Naga melambangkan air, Burung melambangkan angin atau dunia atas dan Lidah
api melambangkan nyala atau geni (Anonim, 2009).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
Contoh batik Yogyakarta :
(a)
(b)
(c)
Gambar 2.1 Contoh pola batik Yogyakarta (a) kawunggalar, (b)parang barong,
(c) nitik cengkeh.
2.2 Clustering
Clustering adalah proses mengelompokkan obyek berdasarkan informasi
yang diperoleh dari data yang menjelaskan hubungan antar obyek dengan prinsip
memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan
kesamaan antar kelas atau cluster (Agus I,2009). Tujuan dari clustering adalah
menemukan cluster yang berkualitas dalam waktu yang tepat. Clustering dalam
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
data mining berguna untuk menemukan pola distribusi di dalam sebuah data set
yang berguna untuk proses analisa data. Kesamaan obyek biasanya diperoleh dari
kedekatan nilai-nilai atribut yang menjelaskan obyek-obyek data, sedangkan
obyek-obyek data biasanya direpresentasikan sebagai sebuah titik dalam ruang
multidimensi.
Dengan menggunakan clustering, dapat diidentifikasi daerah yang padat,
pola-pola distribusi secara keseluruhan dan keterkaitan yang menarik antara
atribut-atribut data. Dalam data mining usaha difokuskan pada metode-metode
penemuan cluster pada basis data berukuran besar secara efektif dan efisien.
Image Clustering merupakan suatu proses pengelompokan yang bertujuan
untuk mengelompokkan gambar menjadi kelompok-kelompok, dimana gambar
dalam satu kelompok akan memiliki karakteristik yang sama, sedangkan gambar
dalam kelompok yang berbeda memiliki karakteristik yang berbeda (Agusta Y,
2011).
2.2.1 Karakteristik clustering
Karakteristik clustering dibagi menjadi 4 (Hasniawati,2007), yaitu :
a. Partitioning clustering
Partitioning clustering disebut juga exclusive clustering, dimana setiap
data harus masuk ke cluster tertentu. Karakteristik tipe ini juga memungkinkan
bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada
tahapan berikutnya berpindah ke cluster yang lain.
Contoh : K-means.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
b. Hierarchical clustering
Pada hierarchical clustering, setiap data harus masuk pada cluster
tertentu dan suatu data yang termasuk pada cluster tertentu pada suatu tahapan
proses, tidak dapat berpindah ke cluster lain pada tahapan berikutnya.
Contoh: Single Linkage, Centroid Linkage,Complete Linkage, Average
Linkage.
c. Overlapping clustering
Dalam overlapping clustering, setiap data memungkinkan termasuk ke
beberapa cluster. Data mempunyai nilai keanggotaan (membership) pada
beberapa cluster.
Contoh: Fuzzy C-means, Gaussian Mixture.
d. Hybrid
Karakteristik hybrid merupakan karakter yang menggabungkan
karakteristik dari partitioning, overlapping dan hierarchical.
2.2.2 Algoritma clustering
Terdapat beberapa algoritma yang sering digunakan dalam clustering
(Zaiane,1999), yaitu :
a. Hierarchical Clustering
Dengan metode ini, data tidak langsung dikelompokkan ke dalam
beberapa cluster dalam 1 tahap, tetapi dimulai dari 1 cluster yang mempunyai
kesamaan, dan berjalan seterusnya selama beberapa iterasi, hingga terbentuk
beberapa cluster tertentu (Barakbah dan Arai,2004).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Gambar 2.2 Ilustrasi Algoritma Hierarchical Clustering (Hasniawati,2007)
Penghitungan jarak antar obyek, maupun antar cluster-nya dilakukan dengan
euclidian distance untuk data numerik (Barakbah dan Arai, 2004). Untuk
data 2 dimensi, digunakan persamaan sebagai berikut :
푑(푥, 푦) = ∑ |푥 −푦 | (2.1)
Algoritma hierarchical clustering banyak diaplikasikan pada metode
pengelompokan berikut :
i. Single Linkage Hierarchical Method (SLHM)
Single Linkage adalah proses pengelompokan yang didasarkan
pada jarak terdekat antar obyeknya atau minimum distance (Karypis dkk,
1999).
Metode SLHM sangat bagus untuk melakukan analisa pada tiap tahap
pembentukan cluster. Metode ini juga sangat cocok untuk dipakai pada
kasus shape independent clustering, karena kemampuannya untuk
membentuk pattern atau pola tertentu dari cluster, sedangkan untuk kasus
condensed clustering, metode ini tidak cocok.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Gambar 2.3 Ilustrasi Single Linkage (Hasniawati,2007).
ii. Centroid Linkage Hierarchical Method
Centroid Linkage adalah proses pengelompokan yang didasarkan
pada jarak antar centroidnya (Barakbah A.R., 2006). Metode ini cocok
untuk memperkecil variance within cluster karena melibatkan centroid
pada saat penggabungan antar cluster. Metode ini juga baik untuk data
yang mengandung outlier.
Gambar 2.4 Ilustrasi Centroid Linkage (Hasniawati, 2007).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
iii. Complete Linkage Hierarchical Method
Complete Linkage adalah proses pengelompokan yang didasarkan
pada jarak terjauh antar obyeknya atau maximum distance (Barakbah,
2006). Metode ini baik untuk kasus clustering dengan normal data set
distribution, akan tetapi metode ini tidak cocok untuk data yang
mengandung outlier.
Gambar 2.5 Ilustrasi Complete Linkage (Hasniawati, 2007),
iv. Average Linkage Hierarchical Method
Average Linkage adalah proses pengelompokkan yang didasarkan
pada jarak rata-rata antar obyeknya (Barakbah, 2006). Metode ini relatif
yang terbaik dari metode-metode hierarchical, namun metode ini
memerlukan waktu komputasi yang paling tinggi dibandingkan dengan
metode-metode hierarchical yang lain.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Gambar 2.6 Ilustrasi Average Linkage (Hasniawati, 2007).
b. Algoritma K-means
Algoritma K-means adalah algoritma untuk mengelompokkan data
kedalam kelompok - kelompok atau cluster sejumlah k. K-means adalah teknik
yang cukup sederhana dan cepat dalam pekerjaan pengelompokkan data
(Wibisono dan Khodra, 2006). Prinsip utama dari teknik ini adalah menyusun k
centroid atau rata-rata (mean) dari sekumpulan data berdimensi tertentu.
Algoritma K-means dimulai dengan pembentukan inisialisasi cluster awal
kemudian secara iteratif cluster tersebut diperbaiki hingga tidak terjadi perubahan
anggota atau konvergen. Untuk perhitungan jarak dapat menggunakan
perhitungan jarak euclidean distance. Euclidean sering digunakan karena
penghitungan jarak dalam distance space ini merupakan jarak terpendek yang bisa
didapatkan antara dua titik yang diperhitungkan (Agusta,2007).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Algoritma K-means:
i.Tentukan jumlah cluster
ii. Menentukan centroid
iii. Hitung jarak data terhadap centroid
iv. Mengelompokan berdasarkan jarak minimum
v. Menentukan centroid yang baru kemudian kembali ke langkah 3, sampai
tidak ada data yang berpindah
Gambar 2.7 Proses K-means clustering (Santoso, 2005)
Start
Jumlah cluster (kelompok)
ya Menentukan centroid
Memeriksa apakah ada kelompok yang berubah dengan cara membandingkan dengan kelompok sebelumnya
Menghitung jarak data terhadap centroid
tidak
end
Mengelompokan berdasarkan jarak minimum
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Contoh penerapan K-means (Teknomo,2006):
Terdapat 4 tipe obat dimana obat tersebut memiliki 2 atribut, x dan y.
Kelompokan data tersebut dalam k=2.
Tabel 2.1 Contoh data obat
Data atribut 1 (X): weight index(x)
atribut 2 (Y): pH(y)
Obat A 1 1 Obat B 2 1 Obat C 4 3 Obat D 5 4
1. Inisialisasi centroid awal : misalkan Obat A and Obat B sebagai centroid
awal, sehingga c1(1,1) dan c2(2,1).
2. Menghitung jarak data terhadap centroid : hitung jarak antara centroid
dengan masing-masing data. Perhitungan jarak dapat menggunakan
euclidean distance, sehingga diperoleh matrik jarak pada iterasi 0 yaitu :
Tiap kolom matrik jarak tersebut melambangkan obyek data. Baris
pertama matrik jarak merupakan hasil perhitungan jarak dengan c1
sedang baris kedua merupakan hasil perhitungan terhadap c2. Contoh :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Jarak obat C = (4, 3) terhadap c1(1,1) adalah ,
dan terhadap c2 (2,1) adalah , dsb.
3. Pengelompokan : menentukan kelompok data berdasarkan jarak terkecil
sehingga obat A dalam kelompok 1, obat B dalam kelompok 2, obat C ke
kelompok 2 dan obat D pada kelompok 2. Matrik dengan elemen 1
menandakan anggota kelompok tersebut.
4. Iterasi-1, menentukan centroid baru : setelah anggota kelompok diketahui
selanjutnya pada tiap kelompok,hitung centroid baru berdasarkan anggota
kelompok tersebut. Kelompok 1 hanya memiliki satu anggota sehingga
titik tersebut merupakan centroid baru pada c1 sedangkan pada kelompok
2 memiliki 3 anggota, sehingga centroid yang baru diperoleh dengan
mencari rata-rata dari ketiga data tersebut:
5. Iterasi-1, menghitung jarak terhadap centroid : langkah berikutnya adalah
menghitung jarak semua data terhadap centroid yang baru. Seperti pada
langkah ke-2, hasil perhitungan dapat kita lihat dalam matrik jarak sebagai
berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
6. Iterasi-1, pengelompokan data: seperti pada langkah 3, kita tandai tiap
data berdasarkan jarak terkecil sehingga diperoleh hasil obat A dan obat
B berada pada kelompok 1 sedangkan obat C dan obat D berada pada
kelompok 2.
7. Iterasi-2, menentukan centroid baru:seperti pada langkah ke-4, maka
tentukan centroid baru berdasarkan perhitungan pengelompokan dari
iterasi sebelumnya.kelompok 1 dan kelompok 2 sama-sama memiliki 2
anggota, sehingga centroid baru diperoleh sebagai berikut:
푐 = , = 1 , 1 dan 푐 = , = 4 , 3
8. Iterasi-2, menghitung jarak terhadap centroid : kembali ulangi langkah 2,
sehingga diperoleh jarak matrik yang baru:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
9. Iterasi-2,pengelompokan : menentukan anggota kelompok berdasarkan
jarak paling kecil.
Hasil di atas menunjukan sehingga tidak ada perubahan anggota
kelompok, berarti proses pengelompokan telah stabil dan tidak memerlukan
iterasi lagi. Hasil akhir pengelompokan sebagai berikut:
Tabel 2.2 Hasil pengelompokan
data atribut 1 (X): weight index
atribut 2 (Y): pH
hasil pengelompokan
obat A 1 1 1 obat B 2 1 1 obat C 4 3 2 obat D 5 4 2
Pada tabel di atas, obat A dan obat B termasuk dalam kelompok satu
sedang obat C dan obat D termasuk dalam kelompok 2.
2.3 Ciri
Ciri mewakili sesuatu yang khas pada citra yang akan di ekstraksi untuk
proses selanjutnya. Pada data citra terdapat beberapa ciri yang dapat digunakan
seperti warna dan bentuk (Herdiyeni, 2008). Pada pengelompokan pola batik
belum terdapat penelitian yang menyebutkan tentang ciri yang tepat, sehingga
penulis mencoba menggunakan ciri warna dan informasi tepi dengan harapan
pilihan tersebut akan menghasilkan hasil yang maksimal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
a) Informasi tepi
Informasi tepi merupakan proses yang menghasilkan tepi-tepi dari
obyek-obyek citra, dimana tujuannya adalah menandai bagian yang menjadi
detail citra dan memperbaiki detail dari citra yang kabur, yang terjadi karena
error atau adanya efek dari proses akuisisi citra (Riyanto, 2006). Dalam
pengambilan informasi tepi ini digunakan metode canny karena merupakan
metode deteksi tepi yang paling baik (Fisher dkk, 2003) serta telah digunakan
dalam pengambilan ekstraksi dalam pengidentifikasian batik berdasarkan pola
batik dan ciri-ciri batik menggunakan ekstraksi ciri tekstur kain (Imanuddin,
2010).
b) Warna
Meneliti citra berdasarkan warna yang dikandungnya adalah salah satu
teknik yang paling banyak digunakan. Perhitungan kadar warna berdasarkan
atas percobaan yang telah dilakukan pada penelitian untuk klasifikasi tingkat
kematangan tomat merah menggunakan metode perbandingan kadar warna
(Noviyanto, 2009). Dalam sebuah citra terdapat 3 komponen warna utama,
yaitu red, green dan blue, atau yang sering disebut RGB. Komponen RGB
dalam setiap citra dapat digunakan sebagai ciri untuk proses pengolahan citra
selanjutnya.
2.4 Perhitungan validasi cluster
Konsistensi hasil clustering dapat di ukur dengan nilai dissimilarity (Adi
dkk, 2008). Jika nilai dissimilarity semakin besar maka kedua obyek yang di
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
evaluasi dianggap semakin berbeda, namun jika semakin kecil nilai dissimilarity,
maka kedua obyek tersebut dianggap semakin mirip (Karhendana,2008).
Pada dasarnya data ditentukan similar atau dissimilar berdasarkan atas
kondisi jarak pada data tersebut, misalnya untuk kondisi similar interval yang
digunakan hanya 2 yaitu keadaan 0 (no similarity), 1(complete similarity).
Rumus Similarity :
푠 = 10
(2.2)
Rumus Dissimilarity
푑 = 01
(2.3)
p and q adalah nilai atribut untuk 2 data yang dibandingkan.
Rumus untuk menghitung rata –rata dissimilarity (Adi dkk, 2008) adalah:
푑 퐿 , 퐿 ∶= ∑ 1 휋 퐿 ≠ 퐿∈ (2.4 )
Dimana Pk adalah permutasi semua label, 1 휋 퐿 ≠ 퐿 = 1 ketika 퐿 ≠ 퐿 dan
bernilai 0 jika 퐿 = 퐿 . L adalah hasil clustering.
Permutasi digunakan untuk mengatasi adanya ketidakunikan label seperti
pada representasi label 1 pada pengelompokkan pertama dan label 2 pada
pengelompokan berikutnya yang terlihat berbeda, padahal kemungkinan kedua
label tersebut sama, sehingga semua data dibandingkan dengan hasil permutasi
untuk mengatasi adanya label yang berbeda yang sebenarnya mungkin sama pada
hasil pengelompokan (Adi dkk, 2008).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
BAB III
ANALISA DAN PERANCANGAN SISTEM
Pada bab analisa dan perancangan sistem ini berisi tentang penjelasan
rancangan dan proses kerja sistem yang akan dibuat. Sistem yang akan dibuat
tersebut digunakan untuk mengelompokan data citra dan menguji keakuratan
metode clustering dengan algoritma K-means dalam pengelompokan pola batik
Yogyakarta.
3.1 Perancangan sistem secara umum
Sistem pengelompokan pola batik ini menggunakan algoritma K-means
untuk mengelompokan pola batik sehingga batik yang mempunyai kemiripan ciri
yang hampir sama akan dikelompokan menjadi satu kelompok. Proses berawal
dengan pembacaan data citra oleh sistem, kemudian data citra yang terbaca di
ekstraksi cirinya yaitu berupa informasi tepi dan warna. Dengan pengelompokan
menggunakan K-means, setiap citra yang telah di ekstraksi cirinya, kemudian
dikelompokkan. Setelah proses pengelompokkan selesai maka akan diperoleh
informasi tentang hasil pengelompokkan yang berupa label cluster untuk setiap
data dimana label yang sama menyatakan kelompok yang sama.
Gambar 3.1 Gambaran sistem secara umum
Pengelompokan citra oleh sistem hasil
User memasukan citra –citra yang akan di kelompokan
Keluaran berupa informasi jumlah kelompok yang ideal
evaluasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Gambar 3.2 Blok diagram sistem
3.1.1 Perancangan proses ekstraksi ciri
Proses ekstraksi ciri merupakan tahap pengambilan komponen –
komponen yang penting dalam citra yang selanjutnya digunakan untuk proses
pengelompokkan. Dalam proses pengelompokkan pola batik ini digunakan tiga
ciri yaitu warna, informasi tepi dan gabungan antara warna dan informasi tepi.
a. Ciri warna
Ciri warna diperoleh dengan mencari rata-rata Red (푅), rata-rata Green
(퐺̅), rata-rata Blue (퐵), kadar Red, kadar Green dan kadar Blue seperti dalam
rumus berikut:
Tiap citra di ekstraksi cirinya
Tiap ciri yang di peroleh di kelompokan dengan menggunakan algoritma K-means
Hasil pengelompokan ditampilkan
Proses ekstraksi ciri
K-means clustering
hasil
evaluasi Hasil kemudian di evaluasi untuk mengetahui jumlah cluster yang ideal
Kumpulan citra batik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
i. Rata – rata R (mean Red)
R = ∑ ∑
(3.1)
ii. Rata – rata G (mean Green)
G = ∑ ∑
(3.2)
iii. Rata – rata B (mean Blue)
B = ∑ ∑
(3.3)
iv. 푘푎푑푎푟푅 = ̅ (3.4)
v. 푘푎푑푎푟퐺 = ̅̅ (3.5)
vi. 푘푎푑푎푟퐵 = ̅ (3.6)
di mana
M = lebar citra (kolom matriks)
N = tinggi citra (baris matriks)
Rij = nilai piksel Red
Gij = nilai piksel Green
Bij = nilai piksel Blue
푅 = rata-rata Red
퐺̅ = rata-rata Green
퐵= rata-rata Blue
Dari ciri warna diperoleh 6 atribut yang berupa matrik dengan ukuran 1x6.
Algoritma ekstraksi ciri warna
Input : matrik dari citra batik berukuran 200x200 piksel
Output : matrik ciri warna berukuran 1x6 untuk setiap citra masukan
for x = 1: jumlah file citra
Membaca citra
Mengambil keping warna merah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Mengambil keping warna hijau
Mengambil keping warna biru
Mencari rata-rata merah
Mencari rata-rata hijau
Mencari rata-rata biru
Kadar Merah = rata-rata merah/(rata-rata merah+rata-rata hijau+rata-
rata biru)
Kadar Hijau = rata-rata hijau/(rata-rata merah+rata-rata hijau+rata-
rata biru)
Kadar Biru = rata-rata biru/(rata-rata merah+rata-rata hijau+rata-rata
biru)
Menyimpan matrik kepadatan
end
b. Ciri informasi tepi
Citra yang digunakan adalah citra dengan ukuran 200 x 200 piksel.
Selanjutnya citra batik dirubah menjadi grayscale, kemudian dikenai proses
deteksi canny, metode ini dipilih karena deteksi canny memiliki hasil deteksi tepi
yang paling baik (Fisher dkk, 2003).
(a) (b) (c)
Gambar 3.3 Hasil ciri informasi tepi pada citra batik. (a) citra asli, (b)
citra setelah proses grayscale, (c) citra setelah proses canny.
Citra selanjutnya dibuat menjadi 8 vektor secara vertikal dan 8 vektor secara
horisontal seperti dalam gambar 3.4. Setiap vektor dari citra tersebut kemudian di
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
hitung rata- ratanya, maka diperoleh nilai rata – rata tiap vektor seperti dalam
tabel 3.1.
1 2 3 4 5 6 7 8
di hitung rata-rata tiap vektor
Gambar 3.4 Citra batik dalam 8 vektor vertikal dan 8 vektor horisontal
Tabel 3.1 Matriks mean 8 Vektor
mean11 mean12 mean13 …. …. …. …. mean18 mean21 …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. …. ….
mean81 …. …. …. …. …. …. mean88
Tabel di atas merupakan hasil perhitungan rata-rata tiap vektor dari citra
yang telah dibagi dalam 8 vektor vertikal dan 8 vektor horisontal. Mean11
merupakan rata – rata vektor pertama, mean12 merupakan rata – rata vektor
kedua, sampai seluruhnya di hitung rata – ratanya.
O Penjumlahan tiap kolom dihitung dengan rumus:
Total1 = Mean11 + Mean21 + Mean31 + … + Mean81
Total2 = Mean12 + Mean22 + Mean32 + … + Mean82
Total3 = Mean13 + Mean23 + Mean33 + … + Mean83
…….
Total8 = Mean18 + Mean28 + Mean38 + … + Mean88
1
7
2 3
5
4
6
8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
O Penjumlahan tiap baris dihitung dengan rumus:
Total1 = Mean11 + Mean12 + Mean13 + … + Mean18
Total2 = Mean21 + Mean22 + Mean23 + … + Mean28
…..…
Total8 = Mean81 + Mean82 + Mean83 + … + Mean88
Matriks mean 8 vektor selanjutnya digunakan untuk penjumlahan tiap kolom dan
penjumlahan tiap baris sehingga 8 ciri diperoleh secara vertikal dan 8 ciri secara
horisontal, sehingga dihasilkan 16 atribut atau matrik dengan ukuran 1x16.
Algoritma ekstraksi tepi
Input : matriks dari citra berukuran 200x200 piksel
Output : matriks ciri berukuran 1x16 untuk setiap citra masukan
for x=1 : jumlah file citra
membaca file batik
membuat 64 atribut untuk menyimpan matrik rata-rata tiap vektor
merubah citra menjadi biner
for a= 1 sampai panjang horizontal vektor pertama
for b= 1 sampai panjang vertikal vector pertama
jika ditemukan obyek, maka di tambah satu
end
ulangi sampai baris terakhir kolom pertama
end
ulangi sampai kolom terakhir
hitung rata-rata tiap vektor
jumlah tiap vektor secara horisontal dan vertikal
simpan informasi kepadatan
end
c. Warna dan informasi tepi
Dari ciri warna diperoleh 6 ciri yaitu rata-rata Red (푅), rata-rata Green (퐺̅),
rata-rata Blue (퐵), kadar Red, kadar Green dan kadar Blue dan dari informasi tepi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
diperoleh 16 ciri sehingga pada gabungan ciri warna dan informasi tepi memiliki
22 ciri yang digunakan untuk pengelompokan pola batik Yogyakarta, atau
diperoleh matrik dengan ukuran 1x22.
Algoritma ekstraksi warna dan informasi tepi
Input : matrik citra berukuran 200x200 piksel
Output : matrik ciri berukuran 1x22 untuk setiap citra masukan.
for x = 1: jumlah file citra
Membaca file citra
membuat 64 atribut untuk menyimpan matrik rata-rata tiap vektor
Mengambil keeping warna merah
Mengambil keeping warna hijau
Mengambil keeping warna biru
Mencari rata-rata merah
Mencari rata-rata hijau
Mencari rata-rata biru
Kadar Merah = rata-rata merah/(rata-rata merah+rata-rata hijau+rata-
rata biru)
Kadar Hijau = rata-rata hijau/(rata-rata merah+rata-rata hijau+rata-
rata biru)
Kadar Biru = rata-rata biru/(rata-rata merah+rata-rata hijau+rata-rata
biru)
merubah citra menjadi biner
for a= 1 sampai panjang horizontal vektor pertama
for b= 1 sampai panjang vertikal vector pertama
jika ditemukan obyek, maka di tambah satu
end
ulangi sampai baris terakhir kolom pertama
end
ulangi sampai kolom terakhir
hitung rata-rata tiap vektor
jumlah tiap vektor secara horisontal dan vertikal
simpan informasi kepadatan
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
3.1.2 Perancangan proses clustering
Setiap hasil ekstrasi ciri, baik warna ataupun informasi tepi pada masing -
masing citra selanjutnya dikelompokan dengan algoritma K-means. Data
dikelompokan menjadi k=2,3,4,5,6 dan 7 dengan nilai centroid awal ditentukan
secara acak atau random.
Algoritma clustering
Input : ciri-ciri dari citra masukan
Output : matrik hasil clustering
mengambil k centroid sacara acak
while menghitung jarak data dengan centroid mengelompokan berdasarkan jarak minimum jika kelompok sementara samadengan kelompok sebelumnya
iterasi dihentikan jika berbeda
maka disimpan dalam variable menentukan centroid baru dengan mencari mean dari kelompok sementara
end menyimpan hasil pengelompokan end
3.1.3 Perancangan proses evaluasi
Evaluasi merupakan tahap untuk mengetahui akurasi K-means clustering
dalam pengelompokan pola batik Yogyakarta. Dalam tahap ini digunakan nilai
dissimilarity untuk mengukur konsistensi hasil clustering. Implementasi
dissimilarity dilakukan pada pengelompokan yang dilakukan beberapa kali
dengan inisialisasi yang berbeda.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Contoh perhitungan dissimilarity pada k=2, dengan proses clustering sebanyak 10
kali sehingga menghasilkan 10 hasil.
Tabel 3.2 Hasil clustering k=2
Percobaan ke- 1 2 3 4 5 6 7 8 9 10 1 1 1 1 2 1 1 2 1 2 1 2 2 1 2 2 1 2 2 2 1 1 2 2 1 1 2 1 1 1 2 1 2 1 2 1 1 2 1 2
Keterangan:
Hasil clustering k=2
Hasil pertama sebagai acuan
Pada kolom pertama digunakan sebagai acuan untuk dibandingkan dengan hasil
clustering yang lain, jika hasil yang dibandingkan sama maka akan bernilai 0
tetapi jika berbeda akan bernilai 1, kemudian data acuan dibandingkan dengan
data hasil permutasi dari label, jika k=2 maka permutasi dari 2 adalah 1,2 dan 2,1
sehingga nilai hasil clustering pembanding di ubah dengan 2 untuk label bernilai 1
dan menjadi 1 untuk label yang bernilai 2, lalu dibandingkan hasilnya. Hal yang
sama dilakukan pada 9 data hasil pengelompokan yang lain. Setelah itu dihitung
nilai dissimilaritas rata-ratanya dengan menjumlah nilai dissimilaritas dan
membaginya dengan jumlah data seperti pada tabel 3.3.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Tabel 3.3 Perhitungan dissimilaritas Hasil 1
(data acuan)
hasil 2 hasil
perbandingan
1 1 0
1 2 1
1 1 0
2 1 1
dissimilaritas
(hasil/jum data)
3/4
hasil 1
(data acuan)
hasil 3 hasil
1 2 1
1 1 0
1 2 1
2 2 0
dissimilaritas
(hasil/jum data)
2/4
Tabel di atas digunakan untuk mencari nilai dissimilaritas dengan
membandingkan dua data hasil pengelompokkan . Langkah tersebut dilakukan
pada semua hasil clustering pada k=2 sampai k=7 untuk memperoleh kelompok
dengan nilai rata – rata dissimilaritas terendah.
Algoritma dissimilarity
Input : matrik hasil clustering
Output : matrik hasil perhitungan disimilaritas
pr = permutasi 1 sampai k
for col = 1 sampai jumlah kolom hasil cluster – 1 for brs =1 sampai jumlah baris hasil pengelompokan
membandingkan acuan dengan hasil pengelompokan berikutnya, jika hasil berbeda maka bernilai 1 jika sama bernilai 0
end for per = 1 sampai jumlah baris permutasi – 1 mengganti pembanding dengan hasil permutasi end
for pjg = 1 sampai jumlah baris hasil pengelompokan membandingkan acuan dengan hasil permutasi, jika hasil berbeda bernilai 1 jika sama bernilai 0
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
jum= jumlah hasil hasil penjumlahan paling kecil di simpan dalam indek nilai = menyimpan hasil berdasarkan indek terkecil
dissimilarity = jumlah((jumlah nilai)/jumlah baris nilai)/jumlah kolom nilai end
3.2 Perancangan antar muka
Alat bantu pengelompokan ini terdiri dari halaman home, clustering,
about, help dan exit.
3.2.1 Halaman home
Gambar 3.5 Halaman home
Sistem pengelompokan pola batik Yogyakarta ini memiliki halaman utama, yang
berisi menu Clustering untuk proses pengelompokan pola batik Yogyakarta, about
yang berisi tentang identitas pembuat, help untuk bantuan dan exit untuk keluar
dari program.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
3.2.2 Halaman clustering
Gambar 3.6 Tampilan halaman clustering
Pada halaman clustering ini digunakan untuk proses pengelompokan pola
batik. Data berupa 100 citra batik yang terdiri dari 4 pola batik Yogyakarta .
Kemudian dilakukan ekstraksi ciri dari data tersebut. Terdapat tiga ciri yang
disediakan, yaitu warna, informasi tepi dan gabungan warna dan informasi tepi.
Selanjutnya proses clustering dimulai dengan menekan tombol clustering. Untuk
evaluasi hasil cluster dapat diketahui dengan menekan tombol validasi.
Terdapat sebuah tabel yang digunakan untuk menampilkan hasil validasi,
sedangkan pada pojok kanan bawah menampilkan hasil proses yaitu informasi
tentang k ideal, jumlah k ideal yang memiliki nilai dissimilaritas minimum,
prosentase k ideal dalam 10 kali percobaan dan jumlah k=4 yang dissimilaritas
terkecil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
3.2.3 Halaman Help
Gambar 3.7 Tampilan help
Halaman help berisi tentang pengelompokan pola batik.
3.2.4 Halaman about
Gambar 3.8 Tampilan about
Halaman ini berisi informasi pembuat sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
3.3 Kebutuhan Perangkat Keras
Kebutuhan perangkat keras dalam menyelesaikan tugas akhir ini adalah
sebuah notebook dengan spesifikasi:
Prosesor : Intel Core2 Duo Prosesor T6400
Sistem Operasi : Windows XP
Memori : 2 Giga Byte
Media Penyimpanan : 250 Giga Byte
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
BAB IV
IMPLEMENTASI DAN ANALISA SISTEM
Bab ini akan membahas hasil implementasi sistem berupa hasil penelitian
yang di lakukan dan analisa hasil yang diperoleh.
4.1 Data
Terdapat 4 pola batik yang akan diteliti yaitu pola batik kawung galar,
nitik cengkeh, parang barong dan parang pancing dimana untuk setiap pola
terdapat 25 citra batik, sehingga total data adalah 100 citra batik. Data yang
digunakan diperoleh dengan memotret kain batik yang terdapat di Museum Batik
Yogyakarta dengan jarak rata-rata 30cm. Untuk setiap hasil citra yang diperoleh
kemudian dilakukan pemotongan pada bagian pola batik yang diharapkan
merupakan ciri dari pola batik tersebut, dan kemudian membuat ukuran hasil
potongan tersebut menjadi 200x200 piksel. Ekstraksi ciri yang digunakan dalam
proses clustering yaitu menggunakan ciri warna, ciri informasi tepi dan ciri
gabungan warna dan informasi tepi.
4.2 Implementasi Proses
a. Implementasi algoritma ekstraksi ciri warna
Ciri warna diperoleh dari perhitungan rata-rata Red (푅), rata-rata Green
(퐺̅), rata-rata Blue (퐵), kadar Red, kadar Green dan kadar Blue sehingga
menghasilkan matrik 1x6. Algoritma ekstraksi ciri warna adalah sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Implementasi algoritma ekstraksi ciri warna
dR = batik(:,:,1); dG = batik(:,:,2); dB = batik(:,:,3); meanR = mean(mean(dR)); meanG = mean(mean(dG)); meanB = mean(mean(dB)); kadarR = meanR/(meanR + meanG + meanB); kadarG = meanG/(meanR+meanG+meanB); kadarB = meanB/(meanR+meanG+meanB); feature(y,:) =[meanR,meanG,meanB,kadarR,kadarG,kadarB];
Setiap komponen warna di ambil kemudian di cari rata- ratanya menggunakan
fungsi yang telah tersedia dalam matlab yaitu mean. Untuk mendapatkan masing -
masing kadar warna dengan membagi hasil rata-rata warna terhadap jumlah rata-
rata ketiga warna. Contoh ekstraksi ciri warna dapat di lihat pada tabel 4.2
b. Implementasi algoritma informasi tepi
Pada ciri informasi tepi diperoleh matrik berukuran 1x16 yang merupakan
penjumlahan matrik secara vertikal dan horisontal dari matrik mean 8 vektor.
Implementasi algoritma ekstraksi ciri informasi tepi dapat dilihat sebagai berikut :
for a =1:25 for b = 1:25 if(tepiGambar(a,b) == putih) sum1 = sum1+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum2 = sum2+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum3 = sum3+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum4 = sum4+1; end end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
for f = 101 : 125 if(tepiGambar(a,f)==putih) sum5 = sum5+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum6 = sum6+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum7 = sum7+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum8 = sum8+1; end end end mean1 = sum1/625; mean2 = sum2/625; mean3 = sum3/625; mean4 = sum4/625; mean5 = sum5/625; mean6 = sum6/625; mean7 = sum7/625; mean8 = sum8/625;
Ciri berupa 8 vektor horisontal dan 8 vektor vertikal di buat dengan cara
menelusuri per piksel dalam satu kolom yang berhenti pada setiap kelipatan 25
(piksel ke-25, 50, 75, 100, 125, 150, 175, dan 200) untuk membaginya menjadi 8
vektor vertikal yang sama besar. Hal yang sama juga dilakukan untuk vektor
horisontal. Tiap menemukan sebuah titik piksel 1 maka menambahkan 1 pada
variabel penghitung. Hal ini dilakukan untuk semua citra batik. Contoh hasil
ekstraksi ciri informasi tepi dapat di lihat pada tabel 4.3
c. Implementasi gabungan ciri warna dan informasi tepi
Gabungan ciri warna dan informasi tepi menghasilkan matrik 1 x 22 yang
merupakan hasil penjumlahan matrik 1 x 6 pada ciri warna dan matrik 1 x 16 pada
ciri informasi tepi. Implementasi algoritma ekstraksi ciri warna dan informasi tepi
adalah sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
dR = batik(:,:,1); dG = batik(:,:,2); dB = batik(:,:,3); meanR = mean(mean(dR)); meanG = mean(mean(dG)); meanB = mean(mean(dB)); kadarR = meanR/(meanR + meanG + meanB); kadarG = meanG/(meanR+meanG+meanB); kadarB = meanB/(meanR+meanG+meanB); meanRGB = (meanR+meanG+meanB)/3; BW =rgb2gray(batik); tepiGambar = edge(BW,'canny'); for a =1:25 for b = 1:25 if(tepiGambar(a,b) == putih) sum1 = sum1+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum2 = sum2+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum3 = sum3+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum4 = sum4+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum5 = sum5+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum6 = sum6+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum7 = sum7+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum8 = sum8+1; end end end mean1 = sum1/625; mean2 = sum2/625;
mean3 = sum3/625; mean4 = sum4/625; mean5 = sum5/625; mean6 = sum6/625;
mean7 = sum7/625; mean8 = sum8/625;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Proses ekstraksi pada ciri gabungan warna dan informasi tepi hampir sama dengan
ekstraksi warna dan ekstraksi informasi tepi, hanya saja kedua proses tersebut di
gabungkan sehingga memperoleh matrik 1x22. Contoh hasil ekstraksi gabungan
ciri warna dan informasi dapat di lihat pada tabel 4.4
d. Implementasi algoritma K-means
Hasil ekstraksi ciri kemudian di kelompokan untuk k=2,3,4,5,6 dan 7.
Implementasi algoritma K-means clustering
[maxRow,maxCol] = size(feature); % p = randperm(size(feature,1)); for i = 1:k c(i,:)= feature(p(i),:); end temp = zeros(maxRow,1); while 1, aa = ListMatrik(feature,c); [z,g]=min(aa,[],2); %mencari nilai minimum if g==temp, break; % menghentikan iterasi else temp=g; % mengcopy feature ke dalam variabel sementara end for i=1:k f=find(g==i); if f c(i,:)=mean(feature(find(g==i),:),1); end end end hasil=g; end
Pada proses clustering, centroid awal ditentukan secara random kemudian
menghitung jarak centroid terhadap data dan mengelompokan berdasarkan jarak
minimum. Dari kelompok tersebut dicari kembali rata-ratanya, kemudian dihitung
jaraknya terhadap data, dikelompokan lagi berdasarkan jarak minimum dan di
bandingkan dengan iterasi sebelumnya. Proses tersebut berulang sampai tidak ada
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
kelompok yang berubah anggotanya atau konvergen. Contoh hasil clustering pada
k=2 untuk 10 kali percobaan yang dapat di lihat dalam tabel 4.5.
e. Implementasi algoritma dissimilarity
Perhitungan nilai dissimilarity dilakukan setelah proses clustering
selesai.
Implementasi algoritma dissimilarity
function [dissimilarity] = hitungDiss(hasilcluster,k) jum=0; pr=perms(1:k); [rowp colp]= size(pr); [rowh colh] = size(hasilcluster); for (colm = 1: colh-1) hasilSem=0; for (brs=1:rowh) if hasilcluster(brs,1) ~= hasilcluster(brs,(colm+1)) hasilSem(brs,1)=1; else hasilSem(brs,1)=0; end end kolomhsl =hasilcluster(:,colm+1); for (per = 1: rowp-1) for(jj = 1 : rowh) for(ii = 1: colp) if kolomhsl(jj) == pr(per,ii) item(jj,:)=pr(per+1,ii); end end end for(pjg=1:rowh) if hasilcluster(pjg,colm)~= item(pjg,1) hasilSem(pjg,per+1)=1; else hasilSem(pjg,per+1)=0; end end kolomhsl=item; end jum=sum(hasilSem); [rowj colj] = size(jum); for(indek =1:colj) if jum(indek)==min(jum) xx=indek; end end nilai(:,colm)=hasilSem(:,xx); end [rown coln]=size(nilai);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
dissimilarity =(sum((sum(nilai))/rown))/coln; end
Program di atas digunakan untuk menghitung nilai disimilaritas. Hasil
clustering pada kolom pertama dijadikan acuan sebagai pembanding dengan hasil
pengelompokan berikutnya. Nilai dissimilaritas diperoleh dengan rata-rata jumlah
perbandingan.
Dalam setiap ciri dilakukan 10 kali percobaan, untuk setiap percobaan
di cari nilai dissimilaritas terkecil yang di tandai dengan warna kuning pada tabel.
Nilai dissimilaritas terkecil menunjukan bahwa kelompok tersebut merupakan
kelompok ideal karena mempunyai nilai simmilaritas besar, yang berarti bahwa
sebagian besar data dalam kelompok tersebut adalah tetap atau tidak berpindah,
misalkan dalam percobaan dengan ciri warna pada percobaan 1, diperoleh hasil
seperti dalam tabel 4.1.
Tabel 4.1 Contoh hasil dissimilaritas pada percobaan 1
k Perc 1 2 0.0836 3 0.4249 4 0.1511 5 0.2498 6 0.2889 7 0.1698
Pada percobaan tersebut terdapat nilai dissimilaritas untuk masing-
masing k=2 sampai 7. Dari nilai tersebut di cari nilai dissimilaritas paling kecil
yaitu 0.0836 pada k=2 sehingga pada percobaan pertama, k =2 merupakan k ideal,
begitu juga untuk percobaan 2 sampai percobaan 10, kemudian di hitung jumlah k
yang memiliki nilai dissimilaritas paling kecil dengan jumlah terbanyak yang
merupakan k ideal dari 10 kali percobaan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
Tabel 4.2 Contoh hasil ekstraksi ciri warna
Matrik ekstraksi warna
Data rata-rata Red
rata-rata Green
rata-rata Blue
kadar Red
kadar Green
kadar Blue
Batik1 Batik2 Batik3
91.1666 82.8614 99.9966
62.4302 56.3780 73.2272
43.5056 40.1346 54.8650
0.4625 0.4619 0.4384
0.3167 0.3143
0.3210
0.2207 0.2237 0.2405
Tabel 4.3 Contoh hasil ekstraksi ciri untuk informasi tepi
Matrik ekstraksi informasi tepi data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Batik1 1x16
1,241 1,22 1,0464 1,1424 1,328 1,1104 1,1632 1,22240 1,04 1,26080 1,292 1,196800 1,246 1,078 1,2736 1,0384
Batik2 1x16
1,170 1,19 1,0992 1,09760 1,273 1,296 1,1230 1,25600 1,1 1,227 1,164 1,3936 1,345 1,129 1,1312 0,9680
Batik3 1x16
1,220 1,220 1,17280 1,3504 1,459 1,200 1,212 0,942 1,27 1,124 1,283 1,3776 1,217 1,251 1,192 1,0144
Tabel 4.4 Contoh hasil ekstraksi ciri untuk warna dan informasi tepi
Matrik ekstraksi warna dan informasi tepi data Batik1 1x24
91.166 62.430 43.505 0.4625 0.3167 1.2416 0.2207 1.2240 1.0464 1.1424 1.3280 1.163 1.222 1.0448 1.2608 1.2928 1.1968 1.2464 1.0784 1.2736
1.2736
1.2736
Batik2 1x24
99.996 73.227 54.864 0.4384 0.3210 82.8614 56.3780 40.1346 0.4619 0.3143 0.2237 1.1904
1.0992 1.0976 1.2736 1.2960 1.1232 1.2560 1.3936 1.3456 1.1296 1.1312
Batik 3 1x24
99.996
73.2272 54.8650 0.4384 0.3210 0.2405 1.2208 1.2112
1.1728 1.3504 1.4592
1.2784
1.1248 1.2832 1.3776 1.2176 1.2512 1.1920 1.1920 1.1920 1.4592 1.3504
Tabel 4.5 Contoh hasil pengelompokan
Data Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc 10 Batik 1 1 2 2 2 2 1 1 2 1 1 Batik 2 1 2 2 2 2 1 1 2 1 1 Batik 3 1 2 2 2 2 1 1 2 1 1 Batik 4 1 2 2 2 2 1 1 2 1 1 Batik 5 1 2 2 2 2 1 1 2 1 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
4.3 Hasil penelitian
a. Implementasi hasil penelitian menggunakan 3 ciri yaitu warna,
informasi tepi, gabungan ciri warna dan informasi tepi.
b. Dari hasil ekstraksi ciri tersebut kemudian dilakukan pengelompokan
untuk k=2, 3, 4, 5, 6 dan 7.
c. Di buat 5 set percobaan dimana untuk setiap set percobaan, setiap ciri
dipakai untuk 10 kali percobaan.
4.3.1 Set percobaan 1
a. Pada percobaan 1 dengan ciri warna diperoleh hasil sebagai berikut :
Tabel 4.6 Hasil perhitungan dissimilaritas dengan ciri warna
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc 10 jum 2 0.2222 0.4444 0.4444 0.3333 0.1111 0.1111 0.2222 0.2222 0.1111 0.4444 3 0.3111 0.2044 0.2689 0.2511 0.2056 0.3122 0.2089 0.1533 0.2578 0.3578 4 0.1278 0.1611 0.0844 0.1511 0.0422 0.0378 0.2567 0.2589 0.2689 0.2456 7 5 0.1733 0.2456 0.2667 0.1944 0.1800 0.2467 0.2089 0.1744 0.1789 0.2556 6 0.3244 0.3589 0.2689 0.2222 0.2111 0.2989 0.2389 0.4378 0.3522 0.3222 7 0.2200 0.3767 0.2956 0.2722 0.2189 0.3011 0.4089 0.3367 0.2900 0.3244
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dilakukan dengan 10 kali
percobaan. Pada k=4 memiliki nilai dissimilaritas paling kecil sebanyak 7 kali,
sehingga k=4 pada percobaan ini merupakan k ideal karena memiliki kemunculan
dissimilaritas yang paling banyak dan sesuai dengan jumlah pola batik sebenarnya
yaitu 4 pola batik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
b. Pada percobaan 2 dengan ciri informasi tepi diperoleh hasil sebagai
berikut :
Tabel 4.7 Hasil perhitungan dissimilaritas dengan ciri informasi tepi.
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc 10 jum 2 0.2400 0.2833 0.2900 0.3067 0.3822 0.1811 0.3478 0.5089 0.2733 0.3200 7 3 0.2844 0.3167 0.3633 0.2967 0.2444 0.2989 0.3667 0.2889 0.3622 0.3511 4 0.3144 0.3656 0.3967 0.4156 0.3044 0.3944 0.4211 0.3822 0.3600 0.3567 0 5 0.3656 0.3844 0.3444 0.4044 0.4044 0.4033 0.4267 0.3811 0.4156 0.4489 6 0.4200 0.4467 0.4333 0.4744 0.4311 0.4711 0.4333 0.4011 0.4378 0.4478 7 0.4878 0.4944 0.4633 0.5078 0.4833 0.4578 0.4744 0.4822 0.4478 0.4411
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri informasi tepi dilakukan dengan
10 kali percobaan. Pada k=2 memiliki nilai dissimilaritas paling kecil sebanyak 7
kali sehingga pada percobaan ini k ideal adalah ketika k=2 karena memiliki
kemunculan dissimilaritas yang paling banyak namun k ideal ini tidak sesuai
dengan jumlah pola batik sebenarnya yaitu 4 pola batik.
c. Pada percobaan 3 dengan ciri warna dan informasi tepi diperoleh hasil
sebagai berikut :
Tabel 4.8 Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc 10 jum 2 0.1867 0.6500 0.3178 0.3144 0.4844 0.2978 0.2344 0.3389 0.3167 0.2978 3 0.2322 0.2644 0.3744 0.4278 0.2978 0.3044 0.3556 0.2422 0.2678 0.3011 4 0.1633 0.3567 0.4000 0.3067 0.4033 0.3256 0.3633 0.2411 0.2456 0.2911 4 5 0.3578 0.4544 0.3111 0.3711 0.3444 0.3189 0.3722 0.3978 0.3278 0.2411 6 0.3767 0.4200 0.3789 0.3789 0.3533 0.3678 0.4456 0.4111 0.3856 0.3722 7 0.4456 0.3656 0.3667 0.4044 0.3400 0.3089 0.3722 0.3500 0.3589 0.3222
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dan informasi tepi
dilakukan dengan 10 kali percobaan. Pada k = 4 memiliki nilai dissimilaritas
paling kecil sebanyak 4 kali sehingga pada percobaan ini k=4 merupakan k ideal
karena memiliki kemunculan dissimilaritas yang paling banyak dan sesuai dengan
jumlah pola batik sebenarnya, yaitu 4 pola batik.
4.3.2 Set Percobaan 2
a. Pada percobaan 1 dengan ciri warna diperoleh hasil sebagai berikut :
Tabel 4.9 Hasil perhitungan dissimilaritas dengan ciri warna
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.4500 0.2400 0.2989 0.2467 0.1789 0.3478 0.2411 0.3556 0.1022 0.3611 4 3 0.3056 0.2811 0.3178 0.3256 0.3500 0.2922 0.3344 0.3667 0.3678 0.3567 4 0.2989 0.2933 0.2911 0.2656 0.1767 0.3178 0.3133 0.4100 0.3111 0.3456 2 5 0.2922 0.4300 0.3500 0.3811 0.3578 0.2544 0.3067 0.2489 0.3100 0.3678 6 0.3078 0.3689 0.4067 0.4389 0.3689 0.3711 0.3744 0.3344 0.3911 0.3489 7 0.3078 0.3433 0.3156 0.3789 0.4344 0.3800 0.3833 0.3989 0.3478 0.3911
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dilakukan dengan 10 kali
percobaan. Pada k = 2 memiliki nilai dissimilaritas paling kecil sebanyak 4 kali
sehingga pada percobaan ini k=2 merupakan k ideal karena karena memiliki
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
kemunculan dissimilaritas yang paling banyak namun tidak sesuai dengan jumlah
pola batik sebenarnya, yaitu 4 pola batik.
b. Pada percobaan 2 dengan ciri informasi tepi diperoleh hasil sebagai
berikut :
Tabel 4.10 Hasil perhitungan dissimilaritas dengan ciri informasi tepi
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.3333 0.3333 0.4444 0.1111 0 0.4444 0 0.2222 0.5556 0.2222 3 0.2033 0.2022 0.2622 0.1033 0.2456 0.1511 0.1222 0.4422 0.2178 0.1567 4 0.1033 0.1767 0.2811 0.2367 0.1622 0.2100 0.2422 0.1922 0.2500 0.0889 4 5 0.1144 0.1800 0.1822 0.1189 0.1967 0.1956 0.2144 0.2089 0.1267 0.1522 6 0.1889 0.2189 0.1600 0.1989 0.2089 0.0756 0.2000 0.1978 0.2178 0.1633 7 0.2289 0.2822 0.2811 0.2289 0.2222 0.2444 0.1744 0.2044 0.2567 0.1867
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri informasi tepi dilakukan dengan
10 kali percobaan. Pada k = 4 memiliki nilai dissimilaritas paling kecil sebanyak 4
kali sehingga pada percobaan k=4 adalah k ideal karena karena memiliki
kemunculan dissimilaritas yang paling banyak dan k ideal tersebut sesuai dengan
jumlah pola batik sebenarnya, yaitu 4 pola batik.
c. Pada percobaan 3 dengan ciri warna dan informasi tepi diperoleh hasil
sebagai berikut :
Tabel 4.11 Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.2300 0.3889 0.2433 0.3144 0.4278 0.3222 0.2956 0.4333 0.4456 0.3411 3 0.3444 0.3033 0.2933 0.3011 0.3267 0.3544 0.2789 0.3433 0.2478 0.3133 4 0.3000 0.2456 0.3756 0.4556 0.3933 0.3189 0.3300 0.2844 0.3533 0.2100 4 5 0.2922 0.3156 0.3533 0.2867 0.3489 0.4844 0.3756 0.2878 0.3022 0.3678 6 0.3811 0.3178 0.3400 0.4200 0.3222 0.3822 0.3811 0.4122 0.3144 0.3900 7 0.4089 0.3689 0.3200 0.4333 0.3333 0.3833 0.3278 0.3800 0.3322 0.4022
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dan informasi tepi
dilakukan dengan 10 kali percobaan. Pada k=4 memiliki nilai dissimilaritas paling
kecil sebanyak 4 kali sehingga k=4 pada percobaan ini merupakan k ideal karena
memiliki kemunculan dissimilaritas yang paling banyak dan sesuai dengan jumlah
pola data sebenarnya, yaitu 4 pola batik.
4.3.3 Set Percobaan 3
a. Pada percobaan 1 dengan ciri warna diperoleh hasil sebagai berikut :
Tabel 4.12 Hasil perhitungan dissimilaritas dengan ciri warna
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0 0.3333 0 0.2222 0.5556 0.3333 0.1111 0.1111 0 0.1111 3 0.2589 0.2056 0.1533 0.3044 0.1556 0.1533 0.3622 0.2556 0.1044 0.2122 4 0.1233 0.1533 0.1367 0.0944 0.1422 0.1700 0.0756 0.0522 0.1556 0.1689 5 5 0.2622 0.2022 0.2189 0.2567 0.2144 0.1911 0.2256 0.2422 0.2611 0.1578 6 0.2789 0.2378 0.3033 0.2733 0.3644 0.3100 0.3000 0.2689 0.3644 0.2367 7 0.3356 0.3311 0.2622 0.2911 0.2567 0.3644 0.3533 0.2767 0.2222 0.3667
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dilakukan dengan 10 kali
percobaan. Pada k = 4 memiliki nilai dissimilaritas paling kecil sebanyak 5 kali
sehingga pada percobaan k=4 merupakan k ideal karena memiliki kemunculan
dissimilaritas yang paling banyak dan k ideal ini sesuai dengan jumlah pola batik
sebenarnya, yaitu 4 pola batik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
b. Pada percobaan 2 dengan ciri informasi tepi diperoleh hasil sebagai
berikut :
Tabel 4.13 Hasil perhitungan dissimilaritas dengan ciri informasi tepi.
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.5300 0.2511 0.3878 0.3500 0.4633 0.2311 0.4311 0.2489 0.3433 0.2333 3 0.3744 0.3078 0.2744 0.3467 0.3100 0.3278 0.2689 0.2344 0.3556 0.3156 5 4 0.3844 0.3944 0.4089 0.3211 0.3333 0.3811 0.4067 0.3067 0.4044 0.3722 1 5 0.4122 0.3933 0.4189 0.4278 0.3778 0.4478 0.4233 0.4511 0.4689 0.4244 6 0.4656 0.4756 0.4567 0.4411 0.4389 0.3978 0.4211 0.4622 0.4500 0.4211 7 0.5100 0.4567 0.4733 0.4811 0.4756 0.4800 0.5033 0.4989 0.4878 0.4067
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri informasi tepi dilakukan dengan
10 kali percobaan. Pada k=3 memiliki nilai dissimilaritas paling kecil sebanyak 5
kali sehingga k=3 merupakan k ideal karena memiliki kemunculan dissimilaritas
yang paling banyak namun tidak sesuai dengan jumlah pola batik sebenarnya,
yaitu 4 pola batik.
c. Pada percobaan 3 dengan ciri warna dan informasi tepi diperoleh hasil
sebagai berikut :
Tabel 4.14 Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi.
k Perc 1
Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum
2 0.3444 0.2289 0.4489 0.1456 0.2933 0.3144 0.4289 0.3833 0.2644 0.4644 3 0.3356 0.1822 0.3000 0.3144 0.2189 0.2778 0.3300 0.2789 0.2889 0.4256 3 4 0.3878 0.2767 0.3467 0.2922 0.3111 0.3456 0.3711 0.2167 0.3533 0.2967 2 5 0.3833 0.3189 0.4111 0.3478 0.3622 0.3844 0.2756 0.3289 0.3589 0.3111 6 0.2989 0.3411 0.2956 0.3822 0.3789 0.3022 0.3600 0.3622 0.3511 0.3300 7 0.3022 0.4233 0.4089 0.4200 0.3756 0.3522 0.2978 0.3033 0.3678 0.4133
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dan informasi tepi
dilakukan dengan 10 kali percobaan. Pada k=3 memiliki nilai dissimilaritas
paling kecil sebanyak 3 kali sehingga k=3 merupakan k ideal karena memiliki
kemunculan dissimilaritas yang paling banyak namun k ideal tersebut tidak sesuai
dengan jumlah pola batik sebenarnya, yaitu 4 pola batik.
4.3.4 Set percobaan 4
a. Pada percobaan 1 dengan ciri warna diperoleh hasil sebagai berikut :
Tabel 4.15 Hasil perhitungan dissimilaritas dengan ciri warna
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.2222 0.2222 0.3333 0.2222 0.2222 0 0.1111 0.2222 0.5556 0.3333 3 0.3278 0.2078 0.2556 0.2089 0.3600 0.2144 0.2056 0.1578 0.2578 0.1556 4 0.1222 0.1767 0.1033 0.1333 0.1200 0.2067 0.1978 0.0422 0.1178 0.1267 8 5 0.2278 0.2611 0.3356 0.2633 0.1967 0.1744 0.1711 0.3489 0.1389 0.2067 6 0.2289 0.3356 0.3300 0.2689 0.3144 0.2611 0.3556 0.2833 0.2944 0.2011 7 0.4100 0.2889 0.2933 0.2400 0.3033 0.3111 0.3122 0.2622 0.2333 0.3100
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dilakukan dengan 10 kali
percobaan. Pada k=4 memiliki nilai dissimilaritas paling kecil sebanyak 3 kali
sehingga k=4 pada percobaan ini merupakan k ideal karena memiliki kemunculan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
dissimilaritas yang paling banyak dan k ideal tersebut sesuai dengan jumlah pola
batik sebenarnya, yaitu 4 pola batik.
b. Pada percobaan 2 dengan ciri informasi tepi diperoleh hasil sebagai
berikut :
Tabel 4.16 Hasil perhitungan dissimilaritas dengan ciri informasi tepi
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 2 0 0.3333 0.2222 0.1111 0.2222 0.2222 0.3333 0.3333 0.3333 0.3333 3 0.1133 0.1200 0.0067 0.1400 0.1267 0.0267 0.0767 0.1400 0.0633 0.0267 6 4 0.1900 0.1044 0.1900 0.1489 0.2667 0.0767 0.1856 0.1067 0.1067 0.0978 2 5 0.1578 0.2244 0.2033 0.1611 0.3000 0.2033 0.2389 0.2067 0.1900 0.1933 6 0.2911 0.2978 0.3122 0.2522 0.2633 0.2189 0.2900 0.2844 0.2378 0.3011 7 0.3011 0.3933 0.3000 0.2589 0.2889 0.2422 0.3544 0.2389 0.3144 0.2578
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri informasi tepi dilakukan dengan
10 kali percobaan. Pada k=3 memiliki nilai dissimilaritas paling kecil sebanyak 6
kali sehingga k=3 pada percobaan merupakan k ideal karena memiliki
kemunculan dissimilaritas yang paling banyak namun k ideal tersebut tidak sesuai
dengan jumlah pola batik sebenarnya, yaitu 4 pola batik.
c. Pada percobaan 3 dengan ciri warna dan informasi tepi diperoleh hasil
sebagai berikut :
Tabel 4.17 Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi.
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.4444 0 0 0.3333 0.2222 0.3333 0.2222 0.2222 0 0.1111 3 0 0.1133 0.0567 0.1133 0.0567 0 0 0 0 0 8 4 0.0878 0.0367 0.0622 0.1567 0.2078 0.1278 0.1100 0.0933 0.1044 0.1400 0 5 0.1678 0.2167 0.1978 0.2078 0.2289 0.1422 0.1611 0.1722 0.1522 0.2478 6 0.2356 0.2278 0.1633 0.2167 0.3111 0.2756 0.1889 0.2900 0.2456 0.2667 7 0.3089 0.3189 0.3256 0.2811 0.2600 0.3622 0.3700 0.2722 0.2667 0.2856
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dan informasi tepi
dilakukan dengan 10 kali percobaan. Pada k=3 memiliki nilai dissimilaritas paling
kecil sebanyak 8 kali sehingga k=3 merupakan k ideal karena memiliki
kemunculan dissimilaritas yang paling banyak namun k ideal tersebut tidak sesuai
dengan jumlah pola batik sebenarnya, yaitu 4 pola batik.
4.3.5 Percobaan 5
a. Pada percobaan 3 dengan ciri warna diperoleh hasil sebagai berikut :
Tabel 4.18 Hasil dissimilaritas dengan ciri warna
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.3333 0.4489 0.3300 0.3233 0.2722 0.2878 0.2600 0.2344 0.1722 0.3756 3 0.2533 0.2622 0.2556 0.2100 0.3267 0.2756 0.2922 0.3067 0.3022 0.3000 5 4 0.3800 0.3289 0.3022 0.2800 0.2500 0.3211 0.3356 0.2344 0.3878 0.3500 2 5 0.3567 0.3033 0.3456 0.3378 0.3567 0.3778 0.4222 0.3511 0.3833 0.2833 6 0.3911 0.3656 0.3878 0.4011 0.4289 0.3178 0.3156 0.3256 0.3544 0.3411 7 0.3500 0.3600 0.3300 0.4178 0.3844 0.3189 0.4267 0.3867 0.3922 0.4100
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dilakukan dengan 10 kali
percobaan. Pada k = 3 memiliki nilai dissimilaritas paling kecil sebanyak 5 kali
sehingga k=3 merupakan k ideal karena memiliki kemunculan dissimilaritas yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
paling banyak namun k ideal tersebut tidak sesuai dengan jumlah pola batik
sebenarnya, yaitu 4 pola batik.
b. Pada percobaan 2 dengan ciri informasi tepi diperoleh hasil sebagai
berikut :
Tabel 4.19 Hasil dissimilaritas dengan ciri informasi tepi.
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 jum 2 0.2822 0.2556 0.3233 0.3544 0.2811 0.1944 0.3944 0.1833 0.2711 0.3967 6 3 0.4011 0.3389 0.2533 0.3533 0.3144 0.2689 0.2889 0.2989 0.3189 0.3167 4 0.4078 0.3189 0.3578 0.3844 0.3522 0.3767 0.3456 0.2922 0.3333 0.4211 0 5 0.2933 0.3233 0.3744 0.3344 0.3944 0.3478 0.3300 0.3833 0.4567 0.3856 6 0.3911 0.4000 0.3511 0.3378 0.3467 0.4544 0.2811 0.3767 0.3133 0.3556 7 0.4367 0.4478 0.3956 0.3544 0.3644 0.3444 0.3478 0.3100 0.4589 0.4489
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri informasi tepi dilakukan dengan
10 kali percobaan. Pada k=2 memiliki nilai dissimilaritas paling kecil sebanyak 6
kali sehingga k=2 merupakan k ideal karena memiliki kemunculan dissimilaritas
yang paling banyak namun k ideal tersebut tidak sesuai dengan jumlah pola batik
sebenarnya, yaitu 4 pola batik.
c. Pada percobaan 3 dengan ciri warna dan informasi tepi diperoleh hasil
sebagai berikut :
Tabel 4.20 Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi.
k Perc 1 Perc 2 Perc 3 Perc 4 Perc 5 Perc 6 Perc 7 Perc 8 Perc 9 Perc10 k 2 0.3278 0.2433 0.2133 0.4200 0.3344 0.1800 0.2844 0.1589 0.3744 0.2567 6 3 0.2689 0.2967 0.4389 0.2300 0.2756 0.4000 0.3889 0.1933 0.2889 0.3033 4 0.2744 0.2678 0.2422 0.3378 0.2356 0.3489 0.2978 0.2944 0.2711 0.3933 2 5 0.3067 0.3311 0.2700 0.3156 0.2744 0.3111 0.3422 0.3678 0.3378 0.3956 6 0.3256 0.3367 0.3678 0.3667 0.3311 0.3933 0.3267 0.2767 0.3800 0.4211 7 0.3700 0.4156 0.3200 0.3456 0.3900 0.4189 0.3367 0.2967 0.3656 0.4122
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Keterangan warna
Nilai dissimilaritas terkecil pada tiap percobaan Jumlah k ideal terbanyak berdasarkan dissimilar terkecil pada ki
jumlah k=4 dalam 10 kali percobaan
Pada tabel di atas, percobaan dengan ciri warna dan informasi tepi
dilakukan dengan 10 kali percobaan. Pada k = 2 memiliki nilai dissimilaritas
paling kecil sebanyak 6 kali sehingga k=2 merupakan k ideal karena memiliki
kemunculan dissimilaritas yang paling banyak namun k ideal tersebut tidak sesuai
dengan jumlah pola batik sebenarnya, yaitu 4 pola batik.
Dari 5 set percobaan tersebut dapat di diperoleh rangkuman hasil sebagai berikut:
Tabel 4.21 Hasil percobaan 1 sampai 5
Set percobaan Ciri k ideal k=4
Percobaan 1
Warna K=4 √
Informasi tepi K=2 ×
Warna dan Informasi tepi K=4 √
Percobaan 2
Warna K=2 ×
Informasi tepi K=4 √
Warna dan Informasi tepi K=4 √
Percobaan 3
Warna K=4 √
Informasi tepi K=3 ×
Warna dan Informasi tepi K=3 ×
Percobaan 4
Warna K=4 √
Informasi tepi K=3 ×
Warna dan Informasi tepi K=3 ×
Percobaan 5
Warna K=3 ×
Informasi tepi K=2 ×
Warna dan Informasi tepi K=2 ×
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Pada tabel di atas diperoleh ciri yang memiliki k ideal yang di tandai
warna hijau untuk ciri warna,warna biru untuk ciri informasi tepi dan warna
kuning untuk gabungan ciri warna dan informasi tepi. Tanda berarti bahwa
pada percobaan tersebut mendapatkan nilai k ideal yang sesuai dengan jumlah
data pola batik sebenarnya, sedangkan tanda × berarti pada percobaan tersebut
mendapatkan nilai k ideal yang tidak sesuai dengan jumlah pola batik sebenarnya.
Selanjutnya dari data yang diperoleh tersebut diperoleh ciri yang paling ideal
seperti dalam tabel 4.22.
Tabel 4.22 Hasil ciri paling ideal dalam pengelompokan
Ciri Frekwensi ideal
Warna 3
Informasi tepi 1
Warna dan Informasi tepi 2
Berdasarkan tabel diatas dapat disimpulkan bahwa ciri yang tepat dalam
pengelompokan pola batik Yogyakarta dengan data 100 gambar adalah ciri warna
dengan kemunculan 3 kali, sehingga prosentase ciri paling ideal diperoleh dari
perhitungan berikut :
Prosentaseciripalingideal =jumlahfrekwensiidealjumlahsetpercobaan X100%
Sehingga diperoleh :
Prosentaseciripalingideal = 35 X100% = 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Dari prosentase ciri diperoleh bahwa ciri warna hanya memiliki akurasi
60% dari 5 kali set percobaan. Beberapa kemungkinan yang mempengaruhi hasil
akurasi yang masih kecil tersebut seperti data yang kurang baik yang terjadi akibat
pengaruh efek cahaya yang berbeda dan posisi pengambilan data sewaktu
pemotretan batik, proses ekstraksi ciri yang kurang tepat untuk clustering pola
batik dan inisialisasi awal cluster dalam proses clustering karena kelemahan K-
means pada proses inisialisasi awal cluster.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
BAB V
KESIMPULAN DAN SARAN
Pada bab V akan dibahas mengenai kesimpulan yang dapat diambil dari
penelitian dan saran – saran demi perkembangan sistem clustering pola batik
Yogyakarta tersebut.
5.1. Kesimpulan
Dari pengamatan pada percobaan 100 data citra batik dengan 4 pola batik
yaitu pola batik kawunggalar, nitik cengkeh, parang barong dan parang pancing
menggunakan algoritma K-means, ciri yang paling baik digunakan adalah ciri
warna dengan prosentase 60% dari 5 set percobaan. Ciri warna diperoleh dengan
menghitung rata-rata Red (푅), rata-rata Green (퐺̅), rata-rata Blue (퐵), kadar Red,
kadar Green dan kadar Blue.
5.2 Saran
a. Proses pengambilan data dapat mempengaruhi hasil kualitas ciri, sehingga
dalam pengambilan data harus benar agar memperoleh data yang baik.
b. Perlu dilakukan percobaan dengan ciri yang lain untuk memperoleh hasil
yang lebih baik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Daftar pustaka
Adi K., Sonstrom K.E., Scheifele P.M., dan Johnson M.T. 2008. Unsupervised
validity measures for vocalisation clustering. Milwaukee. USA. IEEE 1-
4244-1484-9/08.
Agus I. 2009. Clustering. Teknik Informatika Telkom. Bandung.
Agusta, Yudi. 2007. K-Means – Penerapan, Permasalahan dan Metode Terkait.
Jurnal Sistem dan Informatika Vol. 3, 47-60. STIMIK STIKOM. Bali.
Agusta, Yudi. 2011. Image Clustering. http://yudiagusta.wordpress.com. [25 April
2011]
Anonim. 2008. Algoritma K-Means Clustering. http://pebbie.wordpress.com. [9
September 2009]
Anonim. 2009. Batik Indonesia: Mengenal Batik.
http://www.facebook.com/note.php?note_id=53974737372&comments.
[4 November 2009]
Barakbah A.R. 2006. Clustering. Jurusan Teknologi Informasi Politeknik
Elektronika Negeri Surabaya,ITS. Surabaya.
Barakbah A.R dan Arai . 2004. Determining Constraints of Moving Variance to
Find Global Optimum and Make Automatic Clustering, In. IES, Politeknik
Elektronika Negeri Surabaya, ITS. Surabaya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Hasniawati, Helmy. 2007. Image Clustering berdasarkan warna untuk identifikasi
Buah dengan metode valley tracing. Politeknik elektronika Negeri
Surabaya. Surabaya.
Herdiyeni, Yeni. 2008. Image Information Retrieval.Departemen Ilmu Komputer.
IPB. Bandung.
Imanuddin. 2010. Pengindentifikasian Batik Berdasarkan Pola Batik dan Ciri –
ciri Batik Menggunakan Ekstraksi Feature Tekstur Kain. Fakultas
Teknologi Industri. Depok.
Karhendana, Arie. 2008. Pemanfaatan Document Clustering pada Agregator
Berita. ITB. Bandung.
Karypis G., Han E.H., dan Kumar V. 1999. Chameleon: a hierarchical clustering
algorithm using dynamic modeling, IEEE Computer: Special Issue on
Data Analysis and Mining 32(8):68W5.
Noviyanto, Ary. 2009. Klasifikasi tingkat kematangan varietas tomat merah
dengan metode perbandingan kadar warna. Universitas Gajah Mada.
Yogyakarta.
Riyanto. 2006. Deteksi Tepi. Institut Teknologi Sepuluh November. Surabaya.
Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan
Bisnis. Graha Ilmu. Yogyakarta.
Teknomo, Kardi. 2006. Numerical Example of K-Means Clustering.
http://people.revoledu.com/kardi/tutorial/kMean/matlab_kMeans.htm. [29
Juli 2009]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Wibisono Y dan Khodra M.L. 2006. Clustering Berita Berbahasa Indonesia.
Universitas Pendidikan Indonesia. Bandung
Zaiane OL, Eli Hagen, dan Jiawei Han.1999. Word taxonomy for on-line visual
Asset management asest management and mining fourth internasional
workshop on application of natural language to information system.
Department of Computing Science. University of Alberta. Canada.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
LAMPIRAN 1
CODING PROGRAM
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
1. Listing program ekstraksi warna
function [feature]=featureWarna() %ekstraksi tepi dirAsl = {'gambar';}; for x = 1:length(dirAsl) cd(dirAsl{x}); fileGambar = dir ('*.jpg'); jumlahGambar = length(fileGambar); for y =1:length(fileGambar) batik = imread(fileGambar(y).name); % baca citra dR = batik(:,:,1); dG = batik(:,:,2); dB = batik(:,:,3); meanR = mean(mean(dR)); meanG = mean(mean(dG)); meanB = mean(mean(dB)); kadarR = meanR/(meanR + meanG + meanB); kadarG = meanG/(meanR+meanG+meanB); kadarB = meanB/(meanR+meanG+meanB); feature(y,:) =[meanR,meanG,meanB,kadarR,kadarG,kadarB]; end cd ..; end
2. Listing program ekstraksi informasi tepi
function [feature]=featureTepi() %ekstraksi tepi % dirAsl = {'data_1'; 'data_2';'data_3';'data_4';'data_5';}; dirAsl = {'gambar';}; for x = 1:length(dirAsl) cd(dirAsl{x}); fileGambar = dir ('*.jpg'); jumlahGambar = length(fileGambar); for y =1:length(fileGambar) batik = imread(fileGambar(y).name); % baca citra sum1=0; sum2=0; sum3=0; sum4=0; sum5=0; sum6=0; sum7=0; sum8=0; % penghitung kepadatan sum9=0; sum10=0; sum11=0; sum12=0; sum13=0; sum14=0; sum15=0; sum16=0;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
sum17=0; sum18=0; sum19=0; sum20=0; sum21=0; sum22=0; sum23=0; sum24=0; sum25=0; sum26=0; sum27=0; sum28=0; sum29=0; sum30=0; sum31=0; sum32=0; sum33=0; sum34=0; sum35=0; sum36=0; sum37=0; sum38=0; sum39=0; sum40=0; sum41=0; sum42=0; sum43=0; sum44=0; sum45=0; sum46=0; sum47=0; sum48=0; sum49=0; sum50=0; sum51=0; sum52=0; sum53=0; sum54=0; sum55=0; sum56=0; sum57=0; sum58=0; sum59=0; sum60=0; sum61=0; sum62=0; sum63=0; sum64=0; putih = 1; BW =rgb2gray(batik); tepiGambar = edge(BW,'canny'); for a =1:25 for b = 1:25 if(tepiGambar(a,b) == putih) sum1 = sum1+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum2 = sum2+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum3 = sum3+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum4 = sum4+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum5 = sum5+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum6 = sum6+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum7 = sum7+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum8 = sum8+1; end end end mean1 = sum1/625; mean2 = sum2/625; mean3 = sum3/625; mean4 = sum4/625;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
mean5 = sum5/625; mean6 = sum6/625; mean7 = sum7/625; mean8 = sum8/625; for a =26:50 for b = 1:25 if(tepiGambar(a,b) == putih) sum9 = sum9+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum10 = sum10+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum11 = sum11+1; end end for e = 76 :100 if(tepiGambar(a,e)==putih) sum12 = sum12+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum13 = sum13+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum14 = sum14+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum15 = sum15+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum16 = sum16+1; end end end mean9 = sum9/625; mean10 = sum10/625; mean11 = sum11/625; mean12 = sum12/625; mean13 = sum13/625; mean14 = sum14/625; mean15 = sum15/625; mean16 = sum16/625; for a =51:75 for b = 1:25 if(tepiGambar(a,b) == putih) sum17 = sum17+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum18 = sum18+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum19 = sum19+1;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
end end for e = 76 :100 if(tepiGambar(a,e)==putih) sum20 = sum20+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum21 = sum21+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum22 = sum22+1; end end for h = 151 : 175 if(tepiGambar(a,h) ==putih) sum23 = sum23+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum24 = sum24+1; end end end mean17 = sum17/625; mean18 = sum18/625; mean19 = sum19/625; mean20 = sum20/625; mean21 = sum21/625; mean22 = sum22/625; mean23 = sum23/625; mean24 = sum24/625; for a =76:100 for b = 1:25 if(tepiGambar(a,b) == putih) sum25 = sum25+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum26 = sum26+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum27 = sum27+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum28 = sum28+1; end end for f = 101 : 125 if(tepiGambar(a,f)== putih) sum29 = sum29+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum30 = sum30+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum31 = sum31+1;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum32 = sum32+1; end end end mean25 = sum25/625; mean26 = sum26/625; mean27 = sum27/625; mean28 = sum28/625; mean29 = sum29/625; mean30 = sum30/625; mean31 = sum31/625; mean32 = sum32/625; for a =101:125 for b = 1:25 if(tepiGambar(a,b) == putih) sum33 = sum33+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum34 = sum34+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum35 = sum35+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum36 = sum36+1; end end for f = 101 : 125 if(tepiGambar(a,f)== putih) sum37 = sum37+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum38 = sum38+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum39 = sum39+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum40 = sum40+1; end end end mean33 = sum33/625; mean34 = sum34/625; mean35 = sum35/625; mean36 = sum36/625; mean37 = sum37/625; mean38 = sum38/625; mean39 = sum39/625; mean40 = sum40/625; for a =126:150 for b = 1:25
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
if(tepiGambar(a,b) == putih) sum41 = sum41+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum42 = sum42+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum43 = sum43+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum44 = sum44+1; end end for f = 101 : 125 if(tepiGambar(a,f)== putih) sum45 = sum45+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum46 = sum46+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum47 = sum47+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum48 = sum48+1; end end end mean41 = sum41/625; mean42 = sum42/625; mean43 = sum43/625; mean44 = sum44/625; mean45 = sum45/625; mean46 = sum46/625; mean47 = sum47/625; mean48 = sum48/625; for a =151:175 for b = 1:25 if(tepiGambar(a,b) == putih) sum49 = sum49+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum50 = sum50+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum51 = sum51+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum52 = sum52+1; end end for f = 101 : 125
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
if(tepiGambar(a,f)== putih) sum53 = sum53+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum54 = sum54+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum55 = sum55+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum56 = sum56+1; end end end mean49 = sum49/625; mean50 = sum50/625; mean51 = sum51/625; mean52 = sum52/625; mean53 = sum53/625; mean54 = sum54/625; mean55 = sum55/625; mean56 = sum56/625; for a =176:200 for b = 1:25 if(tepiGambar(a,b) == putih) sum57 = sum57+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum58 = sum58+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum59 = sum59+1; end end for e = 76 :100 if(tepiGambar(a,e)==putih) sum60 = sum60+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum61 = sum61+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum62 = sum62+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum63 = sum63+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum64 = sum64+1; end end end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
mean57 = sum57/625; mean58 = sum58/625; mean59 = sum59/625; mean60 = sum60/625; mean61 = sum61/625; mean62 = sum62/625; mean63 = sum63/625; mean64 = sum64/625; %HORIZONTAL meanSatu = mean1+mean2+mean3+mean4+mean5+mean6+mean7+mean8; meanDua = mean9+mean10+mean11+mean12+mean13+mean14+mean15+mean16; meanTiga = mean17+mean18+mean19+mean20+mean21+mean22+mean23+mean24; meanEmpat = mean25+mean26+mean27+mean28+mean29+mean30+mean31+mean32; meanLima = mean33+mean34+mean35+mean36+mean37+mean38+mean39+mean40; meanEnam = mean41+mean42+mean43+mean44+mean45+mean46+mean47+mean48; meanTujuh = mean49+mean50+mean51+mean52+mean53+mean54+mean55+mean56; meanDelapan = mean57+mean58+mean59+mean60+mean61+mean62+mean63+mean64; %VERTICAL meanSembilan = mean1+mean9+mean17+mean25+mean33+mean41+mean49+mean57; meanSepuluh = mean2+mean10+mean18+mean26+mean34+mean42+mean50+mean58; meanSebelas = mean3+mean11+mean19+mean27+mean35+mean43+mean51+mean59; meanDuabelas = mean4+mean12+mean20+mean28+mean36+mean44+mean52+mean60; meanTigabelas = mean5+mean13+mean21+mean29+mean37+mean45+mean53+mean61; meanEmpatbelas = mean6+mean14+mean22+mean30+mean38+mean46+mean54+mean62; meanLimabelas = mean7+mean15+mean23+mean31+mean39+mean47+mean55+mean63; meanEnambelas = mean8+mean16+mean24+mean32+mean40+mean48+mean49+mean64; feature(y,:) = [meanSatu,meanDua,meanTiga,meanEmpat,meanLima,meanEnam, meanTujuh,meanDelapan,meanSembilan,meanSepuluh,meanSebelas,meanDuabelas,meanTigabelas,meanEmpatbelas,meanLimabelas,meanEnambelas]; end cd ..; end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
3. Listing program ekstraksi warna dan informasi tepi
function [feature]=featureTepiDanwarna() dirAsl = {'gambar';}; for x = 1:length(dirAsl) cd(dirAsl{x}); fileGambar = dir ('*.jpg'); jumlahGambar = length(fileGambar); for y =1:length(fileGambar) batik = imread(fileGambar(y).name); % baca citra sum1=0; sum2=0; sum3=0; sum4=0; sum5=0; sum6=0; sum7=0; sum8=0; % penghitung kepadatan sum9=0; sum10=0; sum11=0; sum12=0; sum13=0; sum14=0; sum15=0; sum16=0; sum17=0; sum18=0; sum19=0; sum20=0; sum21=0; sum22=0; sum23=0; sum24=0; sum25=0; sum26=0; sum27=0; sum28=0; sum29=0; sum30=0; sum31=0; sum32=0; sum33=0; sum34=0; sum35=0; sum36=0; sum37=0; sum38=0; sum39=0; sum40=0; sum41=0; sum42=0; sum43=0; sum44=0; sum45=0; sum46=0; sum47=0; sum48=0; sum49=0; sum50=0; sum51=0; sum52=0; sum53=0; sum54=0; sum55=0; sum56=0; sum57=0; sum58=0; sum59=0; sum60=0; sum61=0; sum62=0; sum63=0; sum64=0; putih = 1; dR = batik(:,:,1); dG = batik(:,:,2); dB = batik(:,:,3); meanR = mean(mean(dR)); meanG = mean(mean(dG)); meanB = mean(mean(dB)); kadarR = meanR/(meanR + meanG + meanB); kadarG = meanG/(meanR+meanG+meanB); kadarB = meanB/(meanR+meanG+meanB); meanRGB = (meanR+meanG+meanB)/3; BW =rgb2gray(batik); tepiGambar = edge(BW,'canny'); for a =1:25 for b = 1:25 if(tepiGambar(a,b) == putih) sum1 = sum1+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum2 = sum2+1; end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
end for d = 51:75 if(tepiGambar(a,d) == putih) sum3 = sum3+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum4 = sum4+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum5 = sum5+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum6 = sum6+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum7 = sum7+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum8 = sum8+1; end end end mean1 = sum1/625; mean2 = sum2/625; mean3 = sum3/625; mean4 = sum4/625; mean5 = sum5/625; mean6 = sum6/625; mean7 = sum7/625; mean8 = sum8/625; for a =26:50 for b = 1:25 if(tepiGambar(a,b) == putih) sum9 = sum9+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum10 = sum10+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum11 = sum11+1; end end for e = 76 :100 if(tepiGambar(a,e)==putih) sum12 = sum12+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum13 = sum13+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum14 = sum14+1;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum15 = sum15+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum16 = sum16+1; end end end mean9 = sum9/625; mean10 = sum10/625; mean11 = sum11/625; mean12 = sum12/625; mean13 = sum13/625; mean14 = sum14/625; mean15 = sum15/625; mean16 = sum16/625; for a =51:75 for b = 1:25 if(tepiGambar(a,b) == putih) sum17 = sum17+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum18 = sum18+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum19 = sum19+1; end end for e = 76 :100 if(tepiGambar(a,e)==putih) sum20 = sum20+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum21 = sum21+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum22 = sum22+1; end end for h = 151 : 175 if(tepiGambar(a,h) ==putih) sum23 = sum23+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum24 = sum24+1; end end end mean17 = sum17/625; mean18 = sum18/625; mean19 = sum19/625; mean20 = sum20/625; mean21 = sum21/625; mean22 = sum22/625; mean23 = sum23/625; mean24 = sum24/625;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
for a =76:100 for b = 1:25 if(tepiGambar(a,b) == putih) sum25 = sum25+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum26 = sum26+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum27 = sum27+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum28 = sum28+1; end end for f = 101 : 125 if(tepiGambar(a,f)== putih) sum29 = sum29+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum30 = sum30+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum31 = sum31+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum32 = sum32+1; end end end mean25 = sum25/625; mean26 = sum26/625; mean27 = sum27/625; mean28 = sum28/625; mean29 = sum29/625; mean30 = sum30/625; mean31 = sum31/625; mean32 = sum32/625; for a =101:125 for b = 1:25 if(tepiGambar(a,b) == putih) sum33 = sum33+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum34 = sum34+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum35 = sum35+1; end end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
for e = 76 :100 if(tepiGambar(a,e)== putih) sum36 = sum36+1; end end for f = 101 : 125 if(tepiGambar(a,f)== putih) sum37 = sum37+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum38 = sum38+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum39 = sum39+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum40 = sum40+1; end end end mean33 = sum33/625; mean34 = sum34/625; mean35 = sum35/625; mean36 = sum36/625; mean37 = sum37/625; mean38 = sum38/625; mean39 = sum39/625; mean40 = sum40/625; for a =126:150 for b = 1:25 if(tepiGambar(a,b) == putih) sum41 = sum41+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum42 = sum42+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum43 = sum43+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum44 = sum44+1; end end for f = 101 : 125 if(tepiGambar(a,f)== putih) sum45 = sum45+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum46 = sum46+1; end end for h = 151 : 175
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
if(tepiGambar(a,h) == putih) sum47 = sum47+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum48 = sum48+1; end end end mean41 = sum41/625; mean42 = sum42/625; mean43 = sum43/625; mean44 = sum44/625; mean45 = sum45/625; mean46 = sum46/625; mean47 = sum47/625; mean48 = sum48/625; for a =151:175 for b = 1:25 if(tepiGambar(a,b) == putih) sum49 = sum49+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum50 = sum50+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum51 = sum51+1; end end for e = 76 :100 if(tepiGambar(a,e)== putih) sum52 = sum52+1; end end for f = 101 : 125 if(tepiGambar(a,f)== putih) sum53 = sum53+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum54 = sum54+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum55 = sum55+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum56 = sum56+1; end end end mean49 = sum49/625; mean50 = sum50/625; mean51 = sum51/625; mean52 = sum52/625; mean53 = sum53/625; mean54 = sum54/625; mean55 = sum55/625; mean56 = sum56/625;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
for a =176:200 for b = 1:25 if(tepiGambar(a,b) == putih) sum57 = sum57+1; end end for c = 26:50 if(tepiGambar(a,c)== putih) sum58 = sum58+1; end end for d = 51:75 if(tepiGambar(a,d) == putih) sum59 = sum59+1; end end for e = 76 :100 if(tepiGambar(a,e)==putih) sum60 = sum60+1; end end for f = 101 : 125 if(tepiGambar(a,f)==putih) sum61 = sum61+1; end end for g = 126 : 150 if(tepiGambar(a,g) == putih) sum62 = sum62+1; end end for h = 151 : 175 if(tepiGambar(a,h) == putih) sum63 = sum63+1; end end for i = 176 : 200 if(tepiGambar(a,i) == putih) sum64 = sum64+1; end end end mean57 = sum57/625; mean58 = sum58/625; mean59 = sum59/625; mean60 = sum60/625; mean61 = sum61/625; mean62 = sum62/625; mean63 = sum63/625; mean64 = sum64/625; %HORIZONTAL meanSatu = mean1+mean2+mean3+mean4+mean5+mean6+mean7+mean8; meanDua = mean9+mean10+mean11+mean12+mean13+mean14+mean15+mean16; meanTiga = mean17+mean18+mean19+mean20+mean21+mean22+mean23+mean24; meanEmpat = mean25+mean26+mean27+mean28+mean29+mean30+mean31+mean32; meanLima = mean33+mean34+mean35+mean36+mean37+mean38+mean39+mean40; meanEnam = mean41+mean42+mean43+mean44+mean45+mean46+mean47+mean48;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
meanTujuh = mean49+mean50+mean51+mean52+mean53+mean54+mean55+mean56; meanDelapan = mean57+mean58+mean59+mean60+mean61+mean62+mean63+mean64; %VERTICAL meanSembilan = mean1+mean9+mean17+mean25+mean33+mean41+mean49+mean57; meanSepuluh = mean2+mean10+mean18+mean26+mean34+mean42+mean50+mean58; meanSebelas = mean3+mean11+mean19+mean27+mean35+mean43+mean51+mean59; meanDuabelas = mean4+mean12+mean20+mean28+mean36+mean44+mean52+mean60; meanTigabelas = mean5+mean13+mean21+mean29+mean37+mean45+mean53+mean61; meanEmpatbelas = mean6+mean14+mean22+mean30+mean38+mean46+mean54+mean62; meanLimabelas = mean7+mean15+mean23+mean31+mean39+mean47+mean55+mean63; meanEnambelas = mean8+mean16+mean24+mean32+mean40+mean48+mean49+mean64; feature(y,:) = [meanR,meanG,meanB,kadarR,kadarG,kadarB,meanSatu,meanDua, meanTiga,meanEmpat,meanLima,meanEnam,meanTujuh,meanDelapan, meanSembilan,meanSepuluh,meanSebelas,meanDuabelas, meanTigabelas,meanEmpatbelas,meanLimabelas,meanEnambelas]; end cd ..; end
4. Listing program clustering
function [hasil] = clustering(feature,k) [maxRow,maxCol] = size(feature); % p = randperm(size(feature,1)); for i = 1:k c(i,:)= feature(p(i),:); % c(i,:) = randint(1,20,[50,100]) end temp = zeros(maxRow,1); while 1, aa = ListMatrik(feature,c);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
% aa = dist(feature,c); %menghitung jarak centroid [z,g]=min(aa,[],2); %mencari nilai minimum if g==temp, break; % menghentikan iterasi else temp=g; % mengcopy feature ke dalam variabel sementara end for i=1:k f=find(g==i); if f c(i,:)=mean(feature(find(g==i),:),1); end end end hasil=g; end
5. Listing program dissimilarity
function [dissimilarity] = hitungDiss(hasilcluster,k) jum=0; pr=perms(1:k); [rowp colp]= size(pr); [rowh colh] = size(hasilcluster); %for (hsl = 1: colh) for (colm = 1: colh-1) hasilSem=0; for (brs=1:rowh) if hasilcluster(brs,1) ~= hasilcluster(brs,(colm+1)) hasilSem(brs,1)=1; else hasilSem(brs,1)=0; end end kolomhsl =hasilcluster(:,colm+1); for (per = 1: rowp-1) for(jj = 1 : rowh) for(ii = 1: colp) if kolomhsl(jj) == pr(per,ii) item(jj,:)=pr(per+1,ii); end end end for(pjg=1:rowh) if hasilcluster(pjg,colm)~= item(pjg,1) hasilSem(pjg,per+1)=1; else hasilSem(pjg,per+1)=0; end end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
kolomhsl=item; end jum=sum(hasilSem); [rowj colj] = size(jum); for(indek =1:colj) if jum(indek)==min(jum) xx=indek; end end nilai(:,colm)=hasilSem(:,xx); end [rown coln]=size(nilai); %dissimilarity =min(sum(nilai))/rown; dissimilarity =(sum((sum(nilai))/rown))/coln; end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
LAMPIRAN 2 ISI FILE HASIL PROSES CLUSTERING
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
1. Contoh hasil ekstraksi warna
91.1666 62.4302 43.5056 0.4625 0.3167 0.2207 82.8614 56.3780 40.1346 0.4619 0.3143 0.2237 99.9966 73.2272 54.8650 0.4384 0.3210 0.2405 68.6493 47.5304 36.8185 0.4487 0.3107 0.2406 69.0957 47.7318 36.9706 0.4493 0.3104 0.2404 95.1993 66.8483 49.6366 0.4497 0.3158 0.2345 90.5153 61.9937 44.2512 0.4600 0.3151 0.2249 93.5059 66.1127 49.3676 0.4474 0.3163 0.2362 111.1479 82.4677 65.0682 0.4297 0.3188 0.2515 79.3608 54.6413 38.3031 0.4606 0.3171 0.2223 99.9560 71.9004 55.2061 0.4402 0.3167 0.2431 87.3096 59.7866 41.4514 0.4631 0.3171 0.2198 102.4410 74.8195 56.1028 0.4390 0.3206 0.2404 96.2220 67.8660 49.4468 0.4506 0.3178 0.2316 88.1739 60.5496 42.5849 0.4609 0.3165 0.2226 105.7422 78.7283 61.5460 0.4298 0.3200 0.2502 83.5284 57.5423 41.4631 0.4576 0.3152 0.2272 93.5590 64.3883 45.2118 0.4605 0.3169 0.2225 98.2235 68.5993 50.5401 0.4519 0.3156 0.2325 89.0771 60.9664 43.4443 0.4604 0.3151 0.2245 88.3294 60.3252 42.5879 0.4619 0.3154 0.2227 103.8313 76.5679 58.3465 0.4349 0.3207 0.2444 104.7303 77.2662 58.6596 0.4352 0.3211 0.2437 97.7678 69.0183 50.6599 0.4496 0.3174 0.2330 92.8928 63.7876 44.8266 0.4610 0.3166 0.2225 68.9180 57.3429 51.9193 0.3868 0.3218 0.2914 58.8312 47.2257 41.4815 0.3988 0.3201 0.2812 67.4574 54.5092 48.4894 0.3957 0.3198 0.2845 74.0427 62.1794 57.3714 0.3825 0.3212 0.2963 54.9050 43.9693 38.5012 0.3997 0.3201 0.2803 50.1184 40.2833 35.4267 0.3983 0.3201 0.2815 55.2351 46.4940 41.4339 0.3858 0.3248 0.2894 68.7257 58.3414 53.4046 0.3808 0.3233 0.2959 60.4930 48.8647 42.9129 0.3973 0.3209 0.2818 69.4874 57.4454 52.4054 0.3875 0.3203 0.2922 54.7236 44.0588 39.3425 0.3962 0.3190 0.2848 64.1344 52.3942 46.5845 0.3932 0.3212 0.2856 65.0382 53.3335 47.2171 0.3928 0.3221 0.2851 56.2010 44.5997 39.1998 0.4014 0.3186 0.2800 58.2551 47.8644 42.1379 0.3929 0.3228 0.2842 69.2501 59.6001 55.6158 0.3754 0.3231 0.3015
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
2. Contoh hasil ekstraksi informasi tepi
Columns 1 through 6 1.2416 1.2240 1.0464 1.1424 1.3280 1.1104 1.1760 1.1904 1.0992 1.0976 1.2736 1.2960 1.2208 1.2112 1.1728 1.3504 1.4592 1.2000 1.2064 1.2480 1.0912 1.2272 1.4112 1.2576 1.0288 1.1120 1.1488 1.1008 1.3216 1.2016 1.1056 1.0928 1.0896 1.2752 1.3728 1.1776 1.0336 1.1488 1.2064 1.2400 1.2480 1.2352 1.2736 1.4304 1.2272 1.4528 1.2800 1.2944 1.2272 1.2464 1.1200 1.3072 1.1424 1.0416 1.1792 1.1568 1.1312 1.2736 1.3744 1.1632 1.1120 1.1696 1.2208 1.3408 1.1984 1.1600 Columns 7 through 12 1.1632 1.2224 1.0448 1.2608 1.2928 1.1968 1.1232 1.2560 1.1760 1.2272 1.1648 1.3936 1.2128 0.9424 1.2784 1.1248 1.2832 1.3776 1.2864 1.4128 1.2832 1.1008 1.2944 1.2768 1.4768 1.2064 1.2624 1.2448 1.3040 1.3920 1.1632 0.9632 1.1728 1.1232 1.1536 1.2784 1.2208 1.2816 1.3632 1.2912 1.1472 1.2752 1.1328 1.2064 1.0576 1.2064 1.2528 1.1968 1.2560 1.2224 1.3184 1.1696 1.2528 1.2656 1.1088 1.1376 1.1104 1.2144 1.1216 1.3728 Columns 13 through 16 1.2464 1.0784 1.2736 1.0384 1.3456 1.1296 1.1312 0.9680 1.2176 1.2512 1.1920 1.0144 1.4432 1.2304 1.3328 1.1040 1.2032 1.1328 1.0208 1.0656 1.2960 1.0048 1.1712 1.0080 1.1872 1.1104 1.0528 1.1792 1.5040 1.3040 1.3456 1.0512 1.2432 1.1632 1.1920 1.0752 1.3792 1.1088 1.1504 1.0160 1.2224 1.2528 1.2128 1.0512 1.0736 1.2080 1.2336 1.1584 1.1328 1.3296 1.0448 1.2096
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
3. Contoh hasil ekstraksi feature warna dan informasi tepi
Columns 1 through 7 91.1666 62.4302 43.5056 0.4625 0.3167 0.2207 1.2416 82.8614 56.3780 40.1346 0.4619 0.3143 0.2237 1.1760 99.9966 73.2272 54.8650 0.4384 0.3210 0.2405 1.2208 68.6493 47.5304 36.8185 0.4487 0.3107 0.2406 1.2064 69.0957 47.7318 36.9706 0.4493 0.3104 0.2404 1.0288 95.1993 66.8483 49.6366 0.4497 0.3158 0.2345 1.1056 90.5153 61.9937 44.2512 0.4600 0.3151 0.2249 1.0336 93.5059 66.1127 49.3676 0.4474 0.3163 0.2362 1.2736 111.1479 82.4677 65.0682 0.4297 0.3188 0.2515 1.2272 79.3608 54.6413 38.3031 0.4606 0.3171 0.2223 1.1792 99.9560 71.9004 55.2061 0.4402 0.3167 0.2431 1.1120 87.3096 59.7866 41.4514 0.4631 0.3171 0.2198 1.2064 102.4410 74.8195 56.1028 0.4390 0.3206 0.2404 1.2656 96.2220 67.8660 49.4468 0.4506 0.3178 0.2316 1.1648 88.1739 60.5496 42.5849 0.4609 0.3165 0.2226 1.1216 105.7422 78.7283 61.5460 0.4298 0.3200 0.2502 1.2896 83.5284 57.5423 41.4631 0.4576 0.3152 0.2272 1.1936 93.5590 64.3883 45.2118 0.4605 0.3169 0.2225 1.2336 98.2235 68.5993 50.5401 0.4519 0.3156 0.2325 1.0800 89.0771 60.9664 43.4443 0.4604 0.3151 0.2245 1.2352 88.3294 60.3252 42.5879 0.4619 0.3154 0.2227 1.0944 103.8313 76.5679 58.3465 0.4349 0.3207 0.2444 1.1504 104.7303 77.2662 58.6596 0.4352 0.3211 0.2437 1.3632 97.7678 69.0183 50.6599 0.4496 0.3174 0.2330 1.1376 92.8928 63.7876 44.8266 0.4610 0.3166 0.2225 1.1168 68.9180 57.3429 51.9193 0.3868 0.3218 0.2914 0.7440 58.8312 47.2257 41.4815 0.3988 0.3201 0.2812 0.8304 67.4574 54.5092 48.4894 0.3957 0.3198 0.2845 0.9104 74.0427 62.1794 57.3714 0.3825 0.3212 0.2963 0.7936 54.9050 43.9693 38.5012 0.3997 0.3201 0.2803 0.9456 50.1184 40.2833 35.4267 0.3983 0.3201 0.2815 0.7968 55.2351 46.4940 41.4339 0.3858 0.3248 0.2894 0.8800 68.7257 58.3414 53.4046 0.3808 0.3233 0.2959 0.9104 60.4930 48.8647 42.9129 0.3973 0.3209 0.2818 0.8208 69.4874 57.4454 52.4054 0.3875 0.3203 0.2922 0.7824 54.7236 44.0588 39.3425 0.3962 0.3190 0.2848 0.7824 64.1344 52.3942 46.5845 0.3932 0.3212 0.2856 0.8736 65.0382 53.3335 47.2171 0.3928 0.3221 0.2851 0.9296 56.2010 44.5997 39.1998 0.4014 0.3186 0.2800 0.7664 58.2551 47.8644 42.1379 0.3929 0.3228 0.2842 0.9616 69.2501 59.6001 55.6158 0.3754 0.3231 0.3015 0.8512 62.6949 51.7635 46.0050 0.3907 0.3226 0.2867 0.8032 66.6866 54.7616 48.8650 0.3916 0.3215 0.2869 0.9408 58.9150 47.1540 41.9050 0.3981 0.3187 0.2832 0.7872 65.3256 53.9979 48.2556 0.3898 0.3222 0.2880 0.8192 55.7884 45.3962 39.9130 0.3954 0.3217 0.2829 0.8672 60.9998 49.7623 44.6103 0.3926 0.3203 0.2871 0.8960 56.9869 47.1204 41.9100 0.3903 0.3227 0.2870 0.8208 59.4719 47.4015 41.6332 0.4005 0.3192 0.2803 0.8688 64.1541 52.1348 46.3070 0.3946 0.3206 0.2848 0.9120 138.0185 128.9774 125.6382 0.3515 0.3285 0.3200 0.7088 137.2570 128.6468 124.1532 0.3519 0.3298 0.3183 0.7488 130.9951 121.9651 118.6915 0.3525 0.3282 0.3194 0.7808 130.5567 122.2247 118.9584 0.3512 0.3288 0.3200 0.6064
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
132.0841 123.0736 117.8380 0.3541 0.3300 0.3159 0.7600 134.2894 125.8775 119.8757 0.3534 0.3312 0.3154 0.7744 137.0605 127.6838 123.9847 0.3526 0.3285 0.3189 0.7664 126.4129 116.2514 115.4660 0.3530 0.3246 0.3224 0.8112 139.7617 131.7108 124.1312 0.3533 0.3329 0.3138 0.8608 133.6788 125.3344 119.6507 0.3530 0.3310 0.3160 0.6496 138.9405 130.3782 126.7377 0.3508 0.3292 0.3200 0.7920 140.2430 133.3150 128.5619 0.3488 0.3315 0.3197 0.7664 138.6144 128.3081 118.8689 0.3593 0.3326 0.3081 0.6992 136.9515 126.8881 116.8814 0.3597 0.3333 0.3070 0.6416 138.0835 129.4841 118.3863 0.3578 0.3355 0.3067 0.8784 141.2295 132.8962 123.3443 0.3553 0.3344 0.3103 0.9632 137.3561 128.9843 118.9373 0.3565 0.3348 0.3087 0.7664 138.7477 129.3300 123.0703 0.3547 0.3306 0.3146 0.7360 130.0613 121.3752 110.3848 0.3595 0.3355 0.3051 0.8032 134.3052 126.1824 114.3585 0.3583 0.3366 0.3051 0.8528 132.3190 123.4568 112.9751 0.3588 0.3348 0.3064 0.8464 128.4356 120.1058 114.4144 0.3539 0.3309 0.3152 0.8192 129.9529 120.6501 119.0716 0.3515 0.3264 0.3221 0.7696 135.1426 126.8310 122.8375 0.3512 0.3296 0.3192 0.8416 139.4387 130.9761 125.6509 0.3521 0.3307 0.3172 0.7488 155.5326 112.6783 96.9190 0.4260 0.3086 0.2654 1.0944 152.0315 109.6930 95.4178 0.4257 0.3071 0.2672 1.0848 142.0255 103.0222 87.9099 0.4266 0.3094 0.2640 0.8240 147.4178 108.5089 93.8605 0.4214 0.3102 0.2683 0.8128 147.5297 104.3884 91.1025 0.4301 0.3043 0.2656 1.0928 149.7493 106.6292 93.3844 0.4281 0.3049 0.2670 0.9888 150.2614 108.1266 93.8077 0.4266 0.3070 0.2664 0.9008 154.8237 114.2216 100.4272 0.4190 0.3091 0.2718 1.0480 166.6766 123.0377 106.7963 0.4204 0.3103 0.2693 1.0976 164.6724 121.3014 105.3646 0.4208 0.3100 0.2692 1.1440 161.1984 117.7402 101.4972 0.4237 0.3095 0.2668 1.1184 158.0189 115.7028 99.6852 0.4232 0.3099 0.2670 0.9472 159.4049 116.2955 100.0740 0.4242 0.3095 0.2663 1.0448 153.3180 111.1662 95.1108 0.4264 0.3091 0.2645 1.0608 169.2069 125.3993 109.0190 0.4192 0.3107 0.2701 0.9328 145.8583 102.2322 88.9068 0.4328 0.3034 0.2638 0.9552 164.8790 121.0634 104.7937 0.4220 0.3098 0.2682 0.9728 157.1051 115.1556 100.7302 0.4212 0.3087 0.2701 1.1600 158.3269 115.9058 99.9390 0.4231 0.3098 0.2671 1.0160 154.7039 112.2947 96.3341 0.4258 0.3091 0.2651 1.0768 149.0556 109.5309 94.4937 0.4222 0.3102 0.2676 0.9904 154.5002 113.2835 99.5378 0.4206 0.3084 0.2710 0.7952 148.3574 103.3642 90.0499 0.4341 0.3024 0.2635 1.0784 147.3378 103.4187 90.2542 0.4321 0.3033 0.2647 0.6816 147.9844 103.2283 89.8913 0.4338 0.3026 0.2635 1.0752 Columns 8 through 14 1.2240 1.0464 1.1424 1.3280 1.1104 1.1632 1.2224 1.1904 1.0992 1.0976 1.2736 1.2960 1.1232 1.2560 1.2112 1.1728 1.3504 1.4592 1.2000 1.2128 0.9424 1.2480 1.0912 1.2272 1.4112 1.2576 1.2864 1.4128 1.1120 1.1488 1.1008 1.3216 1.2016 1.4768 1.2064 1.0928 1.0896 1.2752 1.3728 1.1776 1.1632 0.9632 1.1488 1.2064 1.2400 1.2480 1.2352 1.2208 1.2816 1.4304 1.2272 1.4528 1.2800 1.2944 1.2576 1.2784 1.2464 1.1200 1.3072 1.1424 1.0416 1.2256 1.3024 1.1568 1.1312 1.2736 1.3744 1.1632 1.1072 1.0896
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
1.1696 1.2208 1.3408 1.1984 1.1600 1.2480 1.2688 1.2528 1.1440 1.1312 1.3104 1.2176 1.1856 1.1856 1.1424 1.1952 1.3168 1.1760 1.1088 1.3120 1.3904 1.2048 1.0992 1.2784 1.2608 0.9552 1.0960 1.2064 1.2032 1.2624 1.2176 1.2432 1.1456 1.2128 1.0848 1.0400 1.2800 1.2528 1.2064 1.5088 0.9856 1.2384 1.1040 1.1024 1.1008 1.3616 1.2048 1.1152 1.2912 1.2176 1.1248 1.2048 1.2640 1.0112 1.1328 1.2064 1.3024 1.3024 1.1344 1.1712 1.2144 1.2560 1.2224 1.1200 1.2272 1.1968 1.2816 1.1600 1.1088 1.1376 1.2960 1.2512 1.1632 1.1248 1.2832 1.2336 0.9376 1.1312 1.1216 1.3584 1.3472 1.1920 1.2560 1.3728 1.2880 1.2096 1.2752 1.4448 1.1936 1.1664 1.0336 1.1440 1.0128 1.3648 1.2800 0.9984 1.1568 1.1280 1.1648 1.2944 1.2240 1.2272 1.0928 1.3200 1.1200 0.7536 0.7808 0.9040 0.8544 0.7296 0.8016 0.6960 0.8256 0.6512 0.6800 0.6608 0.6896 0.8720 0.6912 0.6544 0.6944 0.6560 0.5968 0.9200 0.4976 0.8080 0.5296 0.7216 0.6016 0.5472 0.7312 0.3424 0.7616 0.6064 0.7232 0.8928 0.5216 0.7936 0.7280 0.6016 0.5440 0.9392 0.5824 0.6736 0.8496 0.5696 0.8096 0.6512 0.5648 0.8992 0.7280 0.5792 0.5936 0.6304 0.7120 0.7312 0.7808 0.9568 0.6528 0.6832 0.8896 0.6256 0.9184 0.6400 0.6048 0.8880 0.6256 0.6480 0.6320 0.6688 0.9056 0.6352 0.7472 0.6720 0.8672 0.7184 0.6000 0.6160 0.8784 0.6464 0.5920 0.7616 0.7296 0.6912 0.7072 0.8016 0.8432 0.7504 0.6144 0.5936 0.8848 0.6912 0.5840 1.0592 0.5696 0.7888 0.5856 0.9536 0.5584 0.7312 0.7872 0.6096 0.7552 0.6480 0.6224 1.0480 0.6304 0.6160 0.8896 0.4416 0.6848 0.6528 0.8448 0.5712 0.8112 0.5952 0.5808 0.4624 0.6848 0.6464 0.5392 0.7616 0.4896 0.6160 0.6848 0.6944 0.8704 0.8192 0.7440 0.6576 0.8736 0.6464 0.7024 0.8272 0.8704 0.7328 0.8064 0.6336 0.8304 0.7264 0.7344 0.7184 0.8656 0.8336 0.6768 0.6640 0.6704 0.7648 0.8912 0.7056 0.7056 0.7040 0.7344 0.6592 0.7072 0.9040 0.8816 0.6400 0.6976 0.8000 0.7168 0.6768 0.8656 0.7920 0.6512 0.5520 0.7840 0.7136 0.6992 0.6880 0.7600 0.8976 0.6944 0.8464 0.7808 0.7376 0.7232 0.8688 0.8688 0.6624 0.7376 0.7536 0.7456 0.8000 0.8192 0.7936 0.7424 0.7856 0.8064 0.8304 0.8304 0.8400 0.8368 0.8048 0.8384 0.7856 0.7888 0.7568 0.7952 0.7040 0.7808 0.7424 0.7520 0.6784 0.6096 0.6080 0.6736 0.6720 0.7280 0.7536 0.7696 0.7408 0.8160 0.7904 0.6688 0.7632 0.7600 0.7728 0.7536 0.7776 0.7664 0.7552 0.9120 0.8528 0.8464 0.7840 0.7504 0.7600 0.8032 0.7872 0.6528 0.6272 0.5968 0.6368 0.6752 0.7552 0.8720 0.8128 0.8208 0.8912 0.9120 0.9328 0.9216 0.6432 0.7456 0.7632 0.7856 0.6912 0.7328 0.6688 0.8128 0.8080 0.8672 0.8176 0.8128 0.8144 0.8736 0.8704 0.9104 0.8992 0.8480 0.8544 0.8368 0.8048 0.7408 0.7248 0.6784 0.6288 0.5984 0.5952 0.6784 0.7472 0.7584 0.7856 0.7072 0.7232 0.7344 0.7408 0.8864 0.9296 0.8976 0.9728 0.8688 0.8320 0.9696 1.0016 0.9040 0.8976 0.9248 0.9952 1.0064 0.9424 0.8096 0.7968 0.8832 0.8640 0.9072 0.8592 0.8224 0.8736 0.7648 0.8448 0.8544 0.8080 0.8512 0.7664 0.8880 0.8944 0.8192 0.8528 0.8928 0.8880 0.8704 0.8784 0.9536 0.9360 0.9056 0.8016 0.8208 0.9104 0.9184 0.9232 0.8944 0.8128 0.8496 0.9472 0.8448
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
0.8368 0.8416 0.9040 0.9120 0.9408 0.8624 0.7920 0.7648 0.7888 0.7392 0.7392 0.7488 0.8304 0.7824 0.8032 0.8352 0.8224 0.9072 0.8640 0.8656 0.8208 0.7984 0.8144 0.7968 0.8096 0.8704 0.8576 0.8640 0.9760 0.8768 0.9008 0.9904 0.9280 0.8576 0.9168 1.2400 1.1520 0.9280 0.8064 0.9072 0.9536 0.7872 0.7824 0.8480 0.8416 0.7616 1.0080 1.1968 1.1216 1.0656 1.1968 0.9840 0.7664 0.7696 0.8016 0.7456 1.0176 0.7488 0.6400 0.4992 0.5744 0.7504 0.9440 0.7856 0.6240 0.4560 0.3744 0.6032 0.8304 1.1792 1.1280 1.0768 0.7360 0.6704 0.6016 0.7840 0.9952 0.8800 0.6928 0.5200 0.4912 0.6656 0.9312 1.0528 1.1824 1.1040 1.0832 1.0848 1.1872 1.1792 1.1584 1.1568 1.1696 1.1760 1.1888 1.1808 1.1840 1.1536 1.0448 0.9904 1.0768 1.0576 0.9520 1.0048 1.0848 1.0624 1.0896 0.9680 0.9728 1.0960 1.1712 1.1232 1.2032 1.1792 1.0080 0.8960 0.9088 1.0432 0.8880 1.1936 1.1360 0.9776 0.8672 0.9232 0.9984 0.8848 1.1184 0.9872 0.9280 1.0192 1.1216 1.1872 1.0960 1.1408 1.0288 0.7648 0.6768 0.6544 0.6976 0.9648 0.9968 1.0768 1.0384 0.9408 1.0224 1.0960 1.1552 1.0048 0.7600 0.6336 0.6640 0.6912 0.9568 1.1376 0.9904 1.1072 1.0112 0.9424 1.0160 1.1456 1.1376 1.1792 1.2048 1.0752 1.0064 0.9680 1.1040 0.9568 1.1520 1.1824 1.1024 0.9200 0.9104 1.0576 0.9728 0.8992 0.8608 0.7824 0.9312 1.1952 1.2736 1.0400 0.9760 0.7664 0.6880 0.7392 0.7232 0.6704 0.6368 0.6768 0.6752 0.6656 0.6800 0.7376 0.9840 1.0832 1.0496 0.8128 0.6928 0.7056 0.6736 0.6848 0.6448 Columns 15 through 21 1.0448 1.2608 1.2928 1.1968 1.2464 1.0784 1.2736 1.1760 1.2272 1.1648 1.3936 1.3456 1.1296 1.1312 1.2784 1.1248 1.2832 1.3776 1.2176 1.2512 1.1920 1.2832 1.1008 1.2944 1.2768 1.4432 1.2304 1.3328 1.2624 1.2448 1.3040 1.3920 1.2032 1.1328 1.0208 1.1728 1.1232 1.1536 1.2784 1.2960 1.0048 1.1712 1.3632 1.2912 1.1472 1.2752 1.1872 1.1104 1.0528 1.3376 1.2464 1.4128 1.3056 1.5040 1.3040 1.3456 1.2432 1.1968 1.2368 1.3008 1.2432 1.1632 1.1920 1.2544 1.1776 1.0688 1.3408 1.3792 1.1088 1.1504 1.2608 1.2832 1.2096 1.2144 1.2224 1.2528 1.2128 1.2784 1.3168 1.1280 1.2480 1.0736 1.2080 1.2336 1.3312 1.2864 1.4256 1.1984 1.2368 1.1792 1.1424 1.1936 1.1520 1.0704 1.2304 1.1088 1.1872 1.1056 1.1808 1.2096 1.1536 1.2400 1.1328 1.3296 1.0448 1.3312 1.0688 1.1856 1.4128 1.2880 1.0352 1.2128 1.1936 1.1696 1.1520 1.4240 1.2944 0.9888 1.0880 1.0576 1.2064 1.2528 1.1968 1.2400 1.0800 1.2208 1.3184 1.1696 1.2528 1.2656 1.2672 1.0720 1.2896 1.1104 1.2144 1.1216 1.3728 1.3008 1.1184 1.2032 1.1584 1.1696 1.0224 1.3376 1.3120 1.1024 1.2928 1.2800 1.3616 1.3472 1.3056 1.2384 1.2288 1.1200 1.4576 1.2240 1.2096 1.2592 1.3904 1.1952 1.1264 1.1168 1.1760 1.1232 1.2672 1.2064 1.0800 1.2032 1.1248 1.2976 1.3008 1.0672 1.2400 1.1152 1.1776 0.7936 0.8480 0.7936 0.7664 0.7008 0.7456 0.7520 0.5136 0.6720 0.8800 0.7792 0.7168 0.6848 0.8112
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
0.7584 0.7552 0.6144 0.6576 0.6960 0.8560 0.6512 0.6512 0.5648 0.8224 0.5376 0.5680 0.7600 0.4976 0.7680 0.7424 0.7488 0.6896 0.6688 0.6896 0.7008 0.6912 0.7984 0.6800 0.7104 0.6864 0.5792 0.7872 0.8800 0.6480 0.5728 0.7744 0.6496 0.5552 0.6256 0.8640 0.7584 0.7424 0.7488 0.7264 0.8224 0.7856 0.7552 0.6784 0.7120 0.6624 0.7440 0.6320 0.8240 0.6848 0.6464 0.6592 0.9392 0.7856 0.6272 0.7712 0.7040 0.6752 0.6656 0.6864 0.8352 0.6720 0.6592 0.6432 0.6704 0.6768 0.8768 0.9536 0.7472 0.7328 0.7872 0.8880 0.7424 0.6640 0.7136 0.7488 0.7184 0.6960 0.6240 0.7296 0.6768 0.6304 0.8080 0.8768 0.8144 0.8080 0.6880 0.7488 0.6992 0.6912 0.7072 0.8416 0.5920 0.5968 0.8608 0.6672 0.5824 0.8528 0.6432 0.5008 0.7696 0.5728 0.4672 0.7152 0.5472 0.7504 0.8736 0.8032 0.7024 0.8048 0.7104 0.7712 0.7920 0.7696 0.7536 0.6720 0.6592 0.7488 0.7520 0.8416 0.8480 0.7616 0.7664 0.6816 0.7120 0.7904 0.6848 0.8384 0.7648 0.7040 0.7184 0.6816 0.6928 0.8192 0.7824 0.6832 0.7152 0.7120 0.7408 0.9120 0.7856 0.8096 0.7072 0.7168 0.5280 0.8000 0.8832 0.8160 0.7488 0.6448 0.7072 0.7824 0.8864 0.7392 0.8832 0.7552 0.7344 0.7072 0.8912 0.9008 0.7296 0.7280 0.7328 0.7504 0.7024 0.8176 0.7360 0.8080 0.6416 0.7120 0.8336 0.8560 0.7776 0.8624 1.0256 0.7008 0.6656 0.7968 0.8560 0.7792 0.8160 0.8000 0.7056 0.6816 0.6784 0.6176 0.7360 0.6848 0.6592 0.6592 0.7056 0.7952 0.8448 0.6784 0.6304 0.9120 0.6144 0.7440 0.8576 0.6896 0.7248 0.8000 0.8800 0.8352 0.8256 0.5920 0.8048 0.7504 0.9024 0.8656 0.5888 0.7232 0.6528 0.5824 0.9024 0.7008 0.6976 0.7824 0.7424 0.8704 0.8608 0.8224 0.9840 0.8560 0.8352 0.7024 0.6128 0.7760 0.7632 0.7856 0.5472 0.8160 0.8560 0.8784 0.9104 0.7504 0.8080 0.8608 0.7120 0.7872 0.8928 0.8896 0.7936 0.8016 0.9936 0.7312 0.5936 0.5840 0.7440 0.5648 0.6848 0.6528 0.8608 0.7616 0.7744 0.6928 0.6144 0.8320 0.5888 0.8912 0.9648 1.0480 0.8912 0.8320 0.9456 0.8912 0.7984 0.8176 0.9088 1.0640 0.9504 1.0416 1.1184 0.8384 0.7728 0.7904 0.8208 0.8592 0.8928 0.9408 0.8000 0.6672 0.7456 0.6976 0.9104 0.9360 0.8736 0.9936 0.9104 0.7888 0.9072 0.8960 0.7920 0.7744 0.9056 0.9488 0.9216 0.9232 0.8080 0.8048 0.9040 1.0336 0.8864 0.9248 0.9136 0.7840 0.7616 0.8720 0.7584 0.8848 0.9216 0.7312 0.8096 1.0560 0.8800 0.7568 0.6784 0.6720 0.8560 0.7408 0.8384 0.7712 0.7392 0.8080 0.7536 0.7232 0.8672 1.0016 0.9152 0.6672 0.7904 0.7424 0.7856 0.8816 0.9360 0.7664 1.1360 0.9984 0.8752 0.9056 0.9568 0.8720 0.8560 1.1040 1.1600 1.0432 0.9504 0.8768 0.8432 0.9728 0.8832 0.9984 0.9552 0.9072 0.8256 0.9184 0.9552 0.8432 0.8976 0.8960 0.9520 0.8752 0.9088 0.8672 0.8240 0.8064 0.7424 0.7648 0.8080 0.7312 0.8032 0.7248 0.6928 0.6960 0.7392 0.7520 0.7408 0.7536 0.7920 0.8288 0.8960 0.9440 0.8944 0.8960 0.7952 0.7712 0.8480 0.7808 0.7184 0.7776 0.8096 0.7856 1.0240 1.1168 1.0592 0.9680 1.0896 1.2480 1.3440 1.1424 1.1440 0.9984 1.1440 1.3152 1.3824 1.2624 1.1392 1.0224 0.9376 0.9728 1.0928 0.9136 1.0128 0.9008 0.9728 1.0288 0.9520 0.9856 1.1232 1.2688 1.0544 1.1680 1.1312 1.0496 0.9168 0.8368 1.0576
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
1.1664 1.2608 1.1648 0.9632 0.8304 0.9248 0.9040 0.8928 1.0640 0.9424 0.8944 0.9568 1.1968 1.2864 0.9232 0.8976 0.9200 0.8208 0.7904 0.8704 0.8752 0.9680 0.9600 1.0608 0.9648 0.9104 0.9920 1.2048 0.8768 0.9280 0.8880 0.8448 0.7952 0.8304 0.9040 0.9344 0.9328 1.0016 1.0336 0.9584 1.0320 1.2208 1.1184 1.2112 1.2048 1.1088 0.9488 0.9424 1.0080 0.9408 1.1488 1.1744 1.0736 0.9904 0.9728 1.0096 0.9312 1.0384 0.8912 0.8096 0.8912 1.0560 1.1040 1.0192 0.9024 0.7392 0.6320 0.7504 0.7824 0.7424 0.6768 0.7968 0.7600 0.7120 0.6912 0.6912 0.8720 1.0544 0.9376 0.8144 0.6544 0.6880 0.7136 0.7568 Column 22 1.0384 0.9680 1.0144 1.1040 1.0656 1.0080 1.1792 1.0512 1.0752 1.0160 1.0512 1.1584 1.2080 1.2304 1.2096 1.2816 1.1040 1.0848 1.1104 1.0544 0.9840 1.0576 1.1440 1.0496 1.1520 0.8448 0.7872 0.7408 0.6288 0.8768 0.7712 0.8560 0.8624 0.7488 0.7968 0.6848 0.6672 0.8400 0.6736 0.7232 0.6384 0.7920 0.8592 0.8208
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
0.8336 0.8800 0.7264 0.6848 0.8496 0.7456 0.7168 0.8064 0.8208 0.6768 0.7264 0.7488 0.9120 0.7280 1.0320 0.6672 0.7200 0.8304 0.8496 0.7728 0.8096 0.9360 0.7936 0.9344 0.8816 0.8240 0.8720 0.8720 0.9488 0.9296 0.9472 0.9040 0.9056 0.8608 0.8496 0.6864 0.7056 0.7968 0.7024 1.1936 1.0928 1.1008 1.0992 0.9600 0.8352 1.1120 0.7232 1.0576 0.8480 1.0992 0.9824 0.9504 1.0912 0.6400 0.8256 0.6800
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
4. Contoh hasil clustering untuk k=2
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
1 2 1 1 1 1 1 1 2 1
5. Contoh hasil clustering untuk k=3
1 1 3 1 3 1 1 3 1 3
1 1 3 1 3 1 1 3 1 3
2 2 3 2 2 2 2 2 2 2
1 1 3 1 3 1 1 3 1 3
1 1 3 1 3 1 1 3 1 3
1 1 3 1 3 1 1 3 1 3
1 1 3 1 3 1 1 3 1 3
1 1 3 1 3 1 1 3 1 3
2 2 2 2 2 2 2 2 2 2
1 1 3 1 3 1 1 3 1 3
2 2 3 2 2 2 2 2 2 2
1 1 3 1 3 1 1 3 1 3
2 2 2 2 2 2 2 2 2 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
6. Contoh hasil clustering untuk k=4
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
1 1 4 4 1 4 1 1 4 1
1 1 4 4 1 4 1 1 4 1
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
1 1 4 4 1 4 1 1 4 1
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
2 2 3 3 2 3 2 2 3 2
7. Contoh hasil clustering untuk k=5
2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 2 4 2 1 1 1 5 5 5 1 1 5 1 1 1 1 5 5 5 1 1 5 1 2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 2 4 2 3 3 3 3 3 3 3 3 3 3 2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 3 4 3 2 2 2 4 4 4 2 2 4 2 2 2 2 4 4 4 2 2 4 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
8. Contoh hasil clustering untuk k=6
3 3 3 5 5 3 5 5 5 3
2 2 2 5 5 2 5 5 5 2
3 3 3 4 4 3 4 4 4 3
1 1 1 6 6 1 6 6 6 1
1 1 1 6 6 1 6 6 6 1
3 3 3 4 4 3 4 4 4 3
3 3 3 5 5 3 5 5 5 3
3 3 3 4 4 3 4 4 4 3
3 3 3 4 4 3 4 4 4 3
2 2 2 5 5 2 5 5 5 2
3 3 3 4 4 3 4 4 4 3
3 3 3 5 5 3 5 5 5 3
3 3 3 4 4 3 4 4 4 3
9. Contoh hasil clustering untuk k=7
3 3 3 3 3 3 5 3 5 3
3 3 3 3 3 3 6 3 6 3
3 3 3 3 3 3 5 3 5 3
2 2 1 2 2 1 7 2 7 1
2 2 1 2 2 1 7 2 7 1
3 3 3 3 3 3 5 3 5 3
3 3 3 3 3 3 5 3 5 3
3 3 3 3 3 3 5 3 5 3
4 4 4 4 4 4 4 4 4 4
3 2 2 2 2 2 6 3 6 2
3 3 3 3 3 3 5 3 5 3
3 3 3 3 3 3 5 3 5 3
3 3 3 3 3 3 5 3 5 3
3 3 3 3 3 3 5 3 5 3
3 3 3 3 3 3 5 3 5 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
10. Contoh hasil dissimilaritas dalam 10 percobaan untuk k=2,3,4,5,6 dan7
0 0.1111 0.1111 0 0.1111 0.1111
0.0200 0.3556 0.1222 0.1022 0.0200 0.0067
0.0700 0.0111 0.0611 0.1178 0.0067 0.0700
0.0889 0.0233 0.0856 0.1911 0.1233 0.0933
0.0922 0.0833 0.0456 0.1022 0.0300 0.0711
0.1533 0.1144 0.0611 0.1144 0.1011 0.1700
Columns 7 through 10
0.1111 0.1111 0.6667 0.2222
0.1933 0.0756 0.0656 0.0178
0.1678 0.1700 0.2722 0.1722
0.0133 0.0678 0.1944 0.0333
0.0367 0.0922 0.2189 0.0522
0.0989 0.1433 0.0811 0.1589
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
LAMPIRAN 3
DATA BATIK
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
Data batik
Pola batik kawunggalar
Pola batik Kawung kembang cempoko hitam
Pola batik Parang Barong
Pola batik Parang pancing
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI