PELACAKAN OBJEK BERBASIS SEGMENTASI MENGGUNAKAN ALGORITMA KMEANS

Dwi Puji Prabowo, Khoiriya Latifah, Ricardus Anggi Pramunendar

Abstract


Pelacakan objek merupakan langkah awal dalam pengolahan video, dimana akurasi dalam pelacakan objek menjadi hal yang penting karena masih banyak masalah yang timbul (Bhargava and Sharma, 2016) . Dalam proses pelacakan objek banyak masalah yang sering ditemukan seperti gangguan dalam pencahayaan, noise, dan bahkan tingkat eror yang tinggi masih menjadi kendala. Untuk mengatasi hal tersebut, aplikasi pelacakan objek terus dikembangkan untuk menghasilkan deteksi objek yang akurat. Metode clustering merupakan salah satu metode yang efisien dan mampu memberikan hasil segmentasi pada citra dengan lebih baik serta mampu secara adaptif terhadap perubahan lingkungan maupun perubahan sesaat secara cepat. Dalam penerapannya metode kmeans clustering mampu mengelompokan data dengan baik dan dapat digunakan untuk melakukan pelacakan objek. Hasil evaluasi PSNR yang diberikan oleh metode kmeans mencapai nilai 16.55873 db. Hal ini membuktikan bahwa pelacakan objek objek bergerak dapat diperoleh metode kmean dengan cukup baik.

Keywords


kmeans clustering; pelacakan objek; segmentasi

Full Text:

PDF

References


Bhargava, K. and Sharma, S. (2016) ‘A survey on video object tracking , video segmentation

and image clustering methods’, International Journal of Advanced Research in

Electronics and Communication Engineering (IJARECE), 5(5), pp. 1389–1392.

Dhanachandra, N., Manglem, K. and Chanu, Y. J. (2015) ‘Image Segmentation Using K -

means Clustering Algorithm and Subtractive Clustering Algorithm’, Procedia

Computer Science. Elsevier Masson SAS, 54, pp. 764–771. doi:

1016/j.procs.2015.06.090.

E. Prasetyo, Data Mining, vol. 1, no. 1. Gresik: ANDI Yogyakarta, 2014.

Hua, C., Wu, H. and Chen, Q. (2008) ‘K-means Clustering based pixel-wise object tracking’,

IPSJ Online Transactions, 3(4), pp. 820–833. Available at:

http://joi.jlc.jst.go.jp/JST.JSTAGE/ipsjtrans/1.66?from=Google.

Mahadevan, V. and Vasconcelos, N. (2008) ‘Background Subtraction in Highly Dynamic

Scenes’, IEEE Conference Computer Vision and Pattern Recognition, pp. 1–6.

Medeiros, H., Park, J. and Kak, a. (2008) ‘Distributed Object Tracking Using a ClusterBased Kalman Filter in Wireless Camera Networks’, IEEE Journal of Selected Topics

in Signal Processing, 2(4), pp. 448–463. doi: 10.1109/JSTSP.2008.2001310.

N. Malviya, N. Choudhary, and K. Jain, “Content Based Medical Image Retrieval

and Clustering Based Segmentation to Diagnose Lung Cancer,” vol. 10, no. 6,

pp. 1577–1594, 2017. Processing, 2(4), pp. 448–463. doi:

1109/JSTSP.2008.2001310.

P. N. Andono and T. Sutojo, Konsep Pengolahan Citra Digital. Yogyakarta: ANDI Yogyakarta, 2015.

Soeleman, M. A., Hariadi, M. and Purnomo, M. H. (2012) ‘Adaptive threshold for

background subtraction in moving object detection using Fuzzy C-Means clustering’,in TENCON 2012 IEEE Region 10 Conference. IEEE, pp. 1–5. doi:10.1109/TENCON.2012.6412265.


Refbacks

  • There are currently no refbacks.