Article Sidebar
Main Article Content
Abstract
Klasterisasi citra digital merupakan dasar utama dalam analisis citra dan pengenalan pola yang dimungkinkan dalam proses segmentasi objek dalam gambar secara otomatis berdasarkan kemiripan warna, tekstur, atau intensitas. Klasterisasi umumnya dilakukan dengan algoritma K-Means karena kemampuannya yang sederhana dan efisien dalam mengelompokkan data, namun memiliki kelemahan seperti ketergantungan pada inisialisasi awal dan mudah terjebak pada solusi lokal, sedangkan Bee Algorithm menawarkan pendekatan optimasi yang lebih adaptif dan eksploratif sehingga dapat menghasilkan hasil klaster yang lebih optimal. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means dan Bee Algorithm (BA) dalam proses klasterisasi warna pada citra digital. Evaluasi dilakukan berdasarkan dua indikator utama, yaitu total jarak antar piksel ke pusat klaster dan sebaran kuantitas warna pada masing-masing klaster. Hasil eksperimen menunjukkan bahwa BA menghasilkan nilai jarak total yang lebih kecil dibandingkan K-Means pada semua jumlah klaster yang diuji. Nilai jarak yang lebih kecil menunjukkan bahwa BA mampu menemukan pusat klaster yang lebih optimal. Selain itu, distribusi kuantitas warna pada klaster hasil BA tampak lebih seimbang dibandingkan K-Means. Hal ini menunjukkan bahwa BA dapat memisahkan warna-warna dominan dengan lebih akurat. Berdasarkan hasil analisis dari gambar segmentasi dengan 2, 4, 8, dan 16 kluster, terlihat bahwa metode Bee Algorithm (BA) secara konsisten menghasilkan segmentasi warna yang lebih halus dan mendekati tampilan asli objek dibandingkan dengan metode K-Means. Dengan peningkatan jumlah kluster, kedua metode memang mengalami peningkatan kualitas visual, namun BA lebih unggul dalam mempertahankan detail halus seperti tekstur bulu dan gradasi warna alami. Sementara itu, K-Means cenderung menghasilkan pembagian warna yang lebih kaku dan berbentuk blok, yang mengurangi kealamian visual terutama pada jumlah kluster yang rendah.