PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/32509/2/065314039_Full.pdf · 2018. 12. 5. · 2.1 Batik Yogyakarta Batik Yogyakarta merupakan bagian dari perkembangan

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


iii


iv


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…


vi


vii


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.


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.


x


xi


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


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


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


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 4.14. Hasil perhitungan dissimilaritas dengan ciri warna dan informasi tepi. ........47







Tabel 4.21. Hasil perhitungan percobaan 1 sampai 5......................................................52

Tabel 4.22. Hasil ciri paling ideal dalam pengelompokan ..............................................53


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.


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.


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.


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.


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).


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


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.


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).


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.


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).


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.


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).


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


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 :


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 :


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:


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.


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


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).


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


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


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


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


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



…….


1

7

2 3

5

4

6

8


25

O Penjumlahan tiap baris dihitung dengan rumus:



…..…


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


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


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.


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.


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


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.


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.


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.


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


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 :


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


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 :


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;


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


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);


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.


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


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.


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



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


44

Keterangan warna



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



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




percobaan. Pada k = 2 memiliki nilai dissimilaritas paling kecil sebanyak 4 kali

sehingga pada percobaan ini k=2 merupakan k ideal karena karena memiliki


45

kemunculan dissimilaritas yang paling banyak namun tidak sesuai dengan jumlah

pola batik sebenarnya, yaitu 4 pola batik.


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




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.


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


46

Keterangan warna




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



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





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.


47


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





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.


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


48

Keterangan warna




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



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




percobaan. Pada k=4 memiliki nilai dissimilaritas paling kecil sebanyak 3 kali

sehingga k=4 pada percobaan ini merupakan k ideal karena memiliki kemunculan


49

dissimilaritas yang paling banyak dan k ideal tersebut sesuai dengan jumlah pola

batik sebenarnya, yaitu 4 pola batik.


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





kali sehingga k=3 pada percobaan merupakan k ideal karena memiliki




sebagai berikut :


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


50

Keterangan warna




dilakukan dengan 10 kali percobaan. Pada k=3 memiliki nilai dissimilaritas paling

kecil sebanyak 8 kali sehingga k=3 merupakan k ideal karena memiliki



4.3.5 Percobaan 5


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





sehingga k=3 merupakan k ideal karena memiliki kemunculan dissimilaritas yang


51

paling banyak namun k ideal tersebut tidak sesuai dengan jumlah pola batik



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





kali sehingga k=2 merupakan k ideal karena memiliki kemunculan dissimilaritas

yang paling banyak namun k ideal tersebut tidak sesuai dengan jumlah pola batik



sebagai berikut :


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


52

Keterangan warna




dilakukan dengan 10 kali percobaan. Pada k = 2 memiliki nilai dissimilaritas

paling kecil sebanyak 6 kali sehingga k=2 merupakan k ideal karena memiliki



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 √


Warna dan Informasi tepi K=3 ×

Percobaan 4

Warna K=4 √



Percobaan 5

Warna K=3 ×




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%


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.


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.


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.


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]


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.


59

LAMPIRAN 1

CODING PROGRAM


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;


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;


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;


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;


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


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


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


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


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


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;


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;


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


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


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;


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;


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);


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


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


78

LAMPIRAN 2 ISI FILE HASIL PROSES CLUSTERING


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


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


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


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


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


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


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


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


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


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


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


89


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


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


90


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


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


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


92

LAMPIRAN 3

DATA BATIK


93

Data batik

Pola batik kawunggalar

Pola batik Kawung kembang cempoko hitam

Pola batik Parang Barong

Pola batik Parang pancing


Documents

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/32509/2/065314039_Full.pdf · 2018. 12. 5. · 2.1 Batik Yogyakarta Batik Yogyakarta merupakan bagian dari perkembangan