KOMPRESI GAMBAR DENGAN METODE K-MEANS CLUSTERING
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)
Leonardo 00000013388
PROGRAM STUDI INFORMATIKA
FAKULTAS TEKNIK DAN INFORMATIKA
UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG
2021
iii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini saya:Nama : Leonardo
NIM : 00000013388
Program Studi : Informatika
Fakultas : Teknik dan Informatika
menyatakan bahwa Skripsi yang berjudul “KOMPRESI CITRA WAJAH DENGAN METODE K-MEANS CLUSTERING” ini adalah karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau Lembaga lain, dan semua karya ilmiah orang lain atau Lembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.
Jika di kemudian hari terbukti ditemukan kecurangan/ penyimpangan, baik dalam pelaksanaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang saya tempuh.
Tangerang, 4 Desember 2020
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan di bawah ini:
Nama : Leonardo
NIM : 00000013388
Program Studi : Informatika
Fakultas : Teknik dan Informatika Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada Universitas Multimedia Nusantara hak Bebas Royalti Non-eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
KOMPRESI CITRA WAJAH DENGAN METODE K-MEANS CLUSTERING
beserta perangkat yang diperlukan.
Dengan Hak Bebas Royalti Non-Eksklusif ini, pihak Universitas Multimedia Nusantara berhak menyimpan, mengalihmedia atau format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalti kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya ilmiah tersebut. Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.
Tangerang, 4 Desember 2020
v
HALAMAN PERSEMBAHAN/ MOTO
Karya ini kupersembahkan bagi Kedua Orang Tua dan Kakakku terkasih
Pengalaman adalah Guru Terbaik ~~Anonim~~
vi
KATA PENGANTAR
Puji dan syukur atas berkat rahmat Tuhan Yang Maha Esa yang telah melimpahkan rahmat-Nya sehingga penulis senantiasa mendapatkan kekuatan untuk menyelesaikan skripsi ini dengan baik dan tepat waktu. Skripsi ini disusun dan diajukan sebagai salah satu syarat untuk memperoleh gelar sarjana.
Dalam proses penyelesaian skripsi, penulis banyak mendapatkan bantuan dari berbagai pihak. Karena itu, dalam kesempatan kali ini, penulis juga ingin mengucapkan banyak terima kasih kepada:
1. Marlinda Vasty Overbeek, S.Kom, M.Sc. selaku Kepala Program Studi Informatika Universitas Multimedia Nusantara yang selalu memberikan bimbingan, arahan, dan motivasi kepada penulis baik selama penulisan laporan Skripsi maupun selama masa perkuliahan.
2. Julio Christian Young, M.Kom. dan Alethea Suryadibrata, S.Kom., M.Eng. selaku dosen pembimbing yang telah membimbing dengan sabar melalui kesalahan yang telah dilakukan sehingga laporan Skripsi dapat terselesaikan dengan baik.
4. Kedua orang tua penulis yang selalu memberikan kekuatan, motivasi, dukungan secara moral, material, dan teguran selama pembuatan laporan Skripsi.
5. Dr. Ninok Leksono selaku Rektor Universitas Multimedia Nusantara. 6. Seluruh dosen Universitas Multimedia Nusantara yang telah mengajar
vii
7. Natanel sebagai teman yang menemani penulis dalam penulisan dan penyusunan laporan Skripsi.
8. Tak lupa penulis ingin mengucapkan banyak terima kasih kepada pihak-pihak terkait lainnya yang telah banyak membantu baik untuk penyelesaian program serta laporan Skripsi.
Penulis juga ingin berterima kasih kepada para pembaca Skripsi ini dan mohon maaf jika ada kesalahan dalam penelitian serta penulisan Skripsi ini. Apabila, nantinya terdapat kesalahan dalam Skripsi ini, penulis sangat mengharapkan kritik dan sarannya. Akhir kata, semoga skripsi ini dapat memberikan banyak manfaat bagi pembaca baik sebagai sumber informasi, inspirasi, maupun referensi.
Tangerang, 4 Desember 2020
viii
KOMPRESI GAMBAR DENGAN METODE K-MEANS
CLUSTERING
ABSTRAK
Sebuah gambar terbuat dari gabungan pixel yang memiliki dimensi dan berwarna merah, hijau, dan biru. Setiap warna merah, hijau, dan biru memiliki value 8-bit atau 256 warna sehingga total warna dari setiap pixel gambar adalah 24-bit. Sedangkan gambar grayscale hanya memiliki total warna sebanyak 8-bit pada setiap pixel gambar. Semakin banyak variasi warna, maka ukuran file dari sebuah gambar akan semakin besar. Dari permasalahan yang telah dipaparkan, maka dibuatlah sistem kompresi citra wajah yang dapat mengurangi warna dengan melakukan kuantisasi warna beserta eksperimen menggunakan grayscale. Dataset yang diperlukan pada penelitian ini didapat dari CelebA berupa kumpulan gambar selebritas yang sudah di-align menjadi satu ukuran dimensi. Berdasarkan penelitian yang telah dilaksanakan, kompresi citra wajah dengan metode k-means clustering telah berhasil dibuat. Metode k-means clustering memiliki kelebihan dijalankan, diimplementasikan, digunakan, diadaptasi, serta waktu yang dibutuhkan untuk menjalankan pembelajaran relatif cepat. Metode PSNR diterapkan untuk menghitung kualitas antara gambar awal dengan gambar yang sudah terkuantisasi warnanya. Hasil analisis sistem menghasilkan 4 variasi gabungan warna dapat memberikan nilai gabungan PSNR dan ukuran gambar paling baik pada gambar berwarna dan gambar grayscale.
Kata Kunci: Gambar, Grayscale, K-means Clustering, Kuantisasi warna, Sistem kompresi citra wajah
ix
FACE IMAGE COMPRESSION USING K-MEANS CLUSTERING
METHOD
ABSTRACT
An image is made from combination of pixels that have dimension and red, green, and blue color. Every red, green, and blue color has 8-bit value or 256 color so the total of color from each pixel an image have is 24-bit. While grayscale image only has 8-bit total color on each pixel of an image. The more variation of color, the higher the size of a file from an image. From the problems that have been described, an image compression system for reducing color by doing color quantization with a grayscale experiment is built. The dataset required in this study were obtained from CelebA which is a collection of aligned celebrity images that have the same dimension size. Based on the research that has been carried out, image compression using k-means clustering method has been successfully developed. K-means clustering has advantage of easy to run, implement, use, adapt, and time for learning is quite fast. PSNR method is implemented for counting the quality between the first image and quantized image. System analysis results in 4 variation color gives the best combination of PSNR and image size value for a colored image and grayscale image.
Keywords: image, Grayscale, K-means clustering, Color quantization, Image compression system
x
DAFTAR ISI
LEMBAR PENGESAHAN ... ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH... iv
HALAMAN PERSEMBAHAN/ MOTO ... v
KATA PENGANTAR ... vi
ABSTRAK ... viii
ABSTRACT ... ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiii
DAFTAR RUMUS ... xiv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 3
1.3 Batasan Masalah ... 3
1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 4
1.6 Sistematika Penulisan ... 4
BAB II LANDASAN TEORI ... 6
2.1 True Color Image ... 6
2.2 Grayscale ... 6
2.3 K-Means Clustering ... 7
2.4 Peak Signal-to-Noise Ratio (PSNR) ... 8
BAB III METODOLOGI PENELITIAN DAN PERANCANGAN SISTEM ... 10
3.1 Metodologi Penelitian ... 10
3.2 Perancangan Sistem ... 12
3.2.1 Flowchart ... 12
BAB IV HASIL DAN DISKUSI ... 19
4.1 Spesifikasi Sistem ... 19
4.2 Implementasi Sistem ... 20
4.3 Analisis Hasil Implementasi ... 29
xi
5.1. Simpulan ... 32
5.2. Saran ... 33
DAFTAR PUSTAKA ... 34
xii
DAFTAR GAMBAR
Gambar 3.1 Flowchart Tampilan Keseluruhan ... 13
Gambar 3.1 Flowchart Grayscale ... 15
Gambar 3.2 Flowchart K-Means Clustering ... 16
Gambar 3.3 Flowchart PSNR ... 18
Gambar 4.1 Import Dataset RGB ... 20
Gambar 4.2 Import Dataset Grayscale ... 21
Gambar 4.3 Write Images BGR ... 22
Gambar 4.4 Write Images RGB ... 22
Gambar 4.5 Write Images Grayscale ... 23
Gambar 4.6 K-Means Clustering Function ... 24
Gambar 4.7 Call K-Means Function ... 25
Gambar 4.8 Grayscale Function ... 26
Gambar 4.9 Call Grayscale ... 27
Gambar 4.10 PSNR ... 27
Gambar 4.11 Display Images ... 28
Gambar 4.12 Potongan Display Images Output ... 28
Gambar 4.13 Display PSNR ... 29
xiii
DAFTAR TABEL
Tabel 4.1 Hasil Analisis RGB ... 30 Tabel 4.2 Hasil Analisis Grayscale ... 31
xiv
