Perbandingan Algoritme K-Means dan Fuzzy C-Means untuk Clustering Citra Daun Melon

Abstract

Tanaman melon termasuk tanaman semusim yang tumbuh merambat, tanaman ini mempunyai akar tunggang yang ditumbuhi akar-akar serabut pada ujungnya dan juga memiliki daun yang berwarna hijau, permukaannya berambut, bentuk lebar menjari dengan lima sudut. Daun melon tersusun berselang-seling pada ruas-ruas batang. Tanaman melon merupakan tanaman yang rentan terhadap penyakit, baik penyakit yang disebabkan oleh virus maupun yang disebabkan oleh bakteri. Salah satu bagian tanaman yang dapat terkena penyakit adalah daun. Daun pada tanaman yang sakit umumnya berubah warna yang kemudian akan mempengaruhi daun lain dan menghambat perkembangan dan pertumbuhan tanaman tersebut. Penelitian ini bertujuan untuk melakukan clustering pada citra daun melon dengan mengektraksi fitur data-data daun melon serta membandingkan metode algoritme K-Means dan Fuzzy C-Means menggunakan metode validasi. Data yang digunakan dalam penelitian ini adalah 160 citra daun melon yang terdiri dari daun sehat hingga daun tidak sehat. Data yang sudah diperoleh kemudian dilakukan praproses data dan ekstraksi fitur, tahapan selanjutnya dilakukan reduksi dimensi data menggunakan Principal Component Analysis (PCA). Metode yang digunakan adalah metode Clustering dengan algoritme K-Means dan Fuzzy C-Means. Hasil Clustering dari hasil reduksi data menggunakan PCA kemudian dibandingkan hasil nilai validasi Silhouette Coefficient dan Fuzzy Partition Coefficient (FPC) untuk mendapatkan hasil Clustering terbaik. Hasil perbandingan menunjukkan metode Fuzzy C-Means Clustering dengan validasi Fuzzy Partition Coefficient (FPC) bernilai 0,8359 dan metode K-Means Clustering dengan validasi Silhouette Coefficient bernilai 0,5793. Hasil perbandingan menunjukkan bahwa metode Fuzzy C-Means Clustering lebih baik dari pada metode K-Means Clustering dengan k = 2 untuk cluster yang terbaik.