Implementasi Algoritma K-Means Pada Pendeteksian Warna Untuk Membantu Penderita Buta Warna

K-Means merupakan salah satu algoritma clustering dimana setiap bagian pengelompokkannya diwakili oleh rata-rata dari anggota kelompoknya. K-Means mempunyai kelemahan pada inisialisasi titik pusat cluster yang bersifat random sehingga seringkali menyebabkan terjebaknya pada optimasi lokal sehingga hasil pengelompokannya tidak optimal. Pada kasus pengelompokkan warna sistem pendeteksian warna hal tersebut dapat berakibat pada kurang tepatnya hasil pendeteksian warna. Berdasarkan permasalahan tersebut maka diperlukan sebuah algoritma sebagai solusi yang dapat meningkatkan hasil clustering menuju optimasi global. Fast Genetic K-Means Algorithm(FGKA) merupakan sebuah algoritma clustering yang menggabungkan efisiensi algoritma K-Means dan kekuatan algoritma Genetika. FGKA memiliki alur algoritma yang dimulai dari fase inisialisasi, kondisi terminal, seleksi, mutasi dan K-Means Operator. Operator genetika seperti crossover dihindari pada FGKA karena mahal secara biaya komputasi dan dapat menghasilkan individu baru yang tidak valid. FGKA memiliki beberapa parameter inputan seperti jumlah kromosom, rasio mutasi, dan juga iterasi K-Means Operator (KMO) yang dapat dikombinasikan untuk mendapatkan hasil clustering yang mengarah pada optimasi global. Dalam penelitian ini dilakukan sejumlah percobaan terhadap algoritma FGKA dengan melakukan kombinasi parameter inputan yang telah ditetapkan untuk mendapatkan hasil pengelompokkan yang paling optimal. Ditemukan bahwa semakin besar jumlah kromosom maka semakin besar pula kemungkinan FGKA dalam mencapai konvergensi pada global optima. Namun perlu adanya pertimbangan pada nilai rasio mutasi, semakin rendah nilai rasio mutasi maka semakin sulit FGKA dalam mencapai kondisi konvergen. Iterasi K-Means menjadi penyebab mahalnya biaya komputasi FGKA dalam mencapai konvergensi. Dengan menggunakan sistem pendeteksian warna, penderita buta warna dapat terbantu dalam melihat warna

K-Means clustering algorithm is one in which every part of grouping is represented by the average of the group members. K-Means clustering algorithm has weakness in the initialization point of a random cluster centers so often causes it become trapped in local optimum with unoptimal results of clustering. In the case of color grouping on color detection system, it can causes inaccurate color detection results. Based on these problems, an algorithm as a solution to improve the clustering results to global optimization is required. Fast Genetic K-Means Algorithm (FGKA) is a clustering algorithm that combines the K-Means algorithm efficiency and power of Genetic algorithm. FGKA flow algorithm begins from initialitation phase, terminal condition, selecion, mutation, and K-Means Operator. Genetic operator such as crossover is avoided by FGKA because it has an expensive computional cost and in some case can lead to invalid chromosomes. FGKA has some input parameters such as chromosome number, mutation rate, and K-Means Operator (KMO) iteration that can be combined to obtain clustering results that lead to global optimization. In this study a number of experiments on FGKA algorithm is conducted by performing some combinations of pre-defined parameters to obtain an optimal clustering result. Some results is found from this study that the greater number of chromosomes, the greater probability in achieving convergence to global optimum. But there needs to be consideration of the value of mutation rate, the lower rate value, more difficult FGKA in achieving convergence condition. K-Means iteration can causes the high computing cost on FGKA in achieving convergence. Color blind people can be helped in seeing color by using this color detection system.