ABSTRAKSI: K-Means adalah jenis metode klasifikasi tanpa pengawasan yang memisahkan item data kedalam satu atau lebih cluster. K-Means mencoba model dataset kedalam cluster sehingga item data dalam cluster memiliki karakteristik yang serupa dan memiliki karakteristik yang berbeda dari kelompok lain. Algoritma K-Mean merupakan pendekatan dari clustering di definisikan sebagai suatu proses unsupervised untuk mengelempokan data yang memiliki karakteristik tertentu yang sama, berfungsi untuk mengelompokkan suatu obyek yang memiliki kesamaan (proses pengelompokan biasa disebut clustering) dengan berdasar K cluster, dimana K adalah bilangan integer positif. Pengembangan K-Means dan permasalahannya biasa terlibat saat metode ini diilustrasikan.Beberapa informasi terkait juga dijelaskan termasuk metode untuk memilih nomor yang paling tepat dari cluster, masalah antara klasifikasi supervisi dan non-supervisi, perluasan pengembangan K-Means yang menggunakan Kernel Trick dan Pemodelan campuran yang serupa dengan K-Means dalam kaitannya dengan algoritma yang digunakan.
Pada tugas akhir ini diteliti algoritma k-means clustering untuk memisahkan object warna biru dengan background yang berwarna biru serta pelabelan khusus untuk membantu untuk proses transparansi background. Evaluasi dilakukan melalui hasil percobaan dengan beberapa kasus dan kondisi dimana hasil dari pengolahan data atau lebih khususnya pengolahan image akan menghasilkan output yang diharapakan.
Hasil yang didapat dari penelitian menunjukkan bahwa metode K-means clustering dapat digunakan untuk pengelompokan object dalam sebuah image dengan pengempokan warna, hal ini akan membantu untuk memisahkan objek dengan background yang memiliki warna yang sama dan dengan pelabelan khusus akan menentukan yang lebih pasti antara background biru dan objek biru.Kata Kunci : k-means, clustering, pelabelan khusus, Supervised and Unsupervised.ABSTRACT: K-Means is a type of unsupervised classification method which partitions data items into one or more clusters. K-Means tries to model a dataset into clusters so that data items in a cluster have similar characteristic and have different characteristics from the other clusters. K-Means algorithm is an approach of clustering that is defined as a process for unsupervised to categorize data which have certain common characteristics, Algorithm K-Mean's functions is to classify an object in common (the grouping process called clustering) on the basis of K clusters, where K is the positive integers. The development of K-Means and problems usually involved when using the method are illustrated. Some related information are also explained including the method for choosing the most appropriate number of clusters, the issue between supervised and unsupervised classification, an extended development of K-Means which using the kernel trick and mixture modeling which is similar to K-Means in terms of the algorithm used.
At this final project studied algorithm k-means clustering to separate the blue object with a blue background and specific labeling for help to process background transparency. Evaluation carried out by the results of experiments with several cases and conditions where the results of data processing or more specifically image processing will produce the expected outputs.
The results of the study showed that the method of K-means clustering can be used for grouping object in an image with grouping color, this will help to separate background objects that have the same color and with specific labeling will determine which is more certain/obvious between the blue background and the blue object.Keyword: k-means, clustering, pelabelan khusus, Supervised and Unsupervised.