Implementasi K-Means Clustering Untuk Segmentasi Citra X-Ray Paru-Paru

Abd Fauzan

Updated: 26 Jun, 2020 • 0 • min read

Table of Contents

Algoritma pengelompokan (clustering) semacam K-Means dikenal sebagai algoritma pembelajaran tidak terbimbing (unsupervised learning) karena tidak adanya target kelas untuk setiap data. Algoritma K-Means menjadi salah satu algoritma yang peling penting dalam bidang data mining. Memiliki kelebihan sebagai algoritma yang mudah diimplementasikan, relatif cepat ditinjau dari waktu komputasi dan telah digunakan secara luas untuk menyelesaikan berbagai persoalan komputasi. Pada artikel ini, saya akan menjelaskan bagaimana implementasi algoritma K-Means clustering untuk melakukan segmentasi citra X-Ray paru-paru. Perlu diketahui bahwa segmentasi citra merupakan proses yang ditujukan untuk mendapatkan objek-objek yang terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut. Pada citra yang mengandung hanya satu objek, objek dibedakan dari latarbelakangnya (Kadir, 2012).

Penting untuk diketahui bahwa, K yang dimaksudkan dalam K-Means adalah jumlah partisi, sehingga algoritma ini mengelompokkan setiap titik pada data X dalam salah satu partisi K. Semakin besar nilai K berdampak pada banyaknya cluster untuk mengelompokkan data X. Nilai K ini juga menjadi parameter yang dibutuhkan oleh algoritma K-Means. Tidak ada ketetapan mutlak bagaimana menentukan nilai K yang optimal. Biasanya, penentuan nilai K didasarkan atas informasi yang diketahui sebelumnya tentang seberapa banyak cluster data yang muncul pada data X. Cara lain yang paling naif dalam menentukan nilai K adalah melakukan percobaan dengan beberapa nilai K hingga ditemukan bentuk pengelompokan yang tepat. Namun dewasa ini, banyak peneliti telah mencoba untuk melakukan pencarian nilai K yang optimum pada K-Means menggunakan berbagai pendekatan meta-heuristik seperti particle swarm optimization (pso), ant colony optimization (aco) dan lain sebagainya.