Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
KUANTISASI WARNA KARTUN DARI CITRA NATURAL
MENGGUNAKAN K-MEANS KLASTERING
[Cartoon Color Quantization From Natural Images Using K-Means Clusterin.
Teady Matius Surya Mulyana, tmulyana@bundamulia.
Alben Roberto, albenroberto3@gmail.
Lukman Hakim, lukman_hakim@mercubuana.
Herlina, herlina@bundamulia.
Agustinus Fritz Wijaya, wijaya@bundamulia.
Program Studi Informatika/ Fakultas Teknik dan Desain.
Universitas Bunda Mulia Fakultas Ilmu Komputer.
Universitas Mercu Buana Program Studi Data Science/ Fakultas Teknik dan Desain.
Universitas Bunda Mulia
Diterima 30 Agustus 2025 / Disetujui 30 September 2025
ABSTRACT
Cartoons are characterized by simple, flat, and solid colors, making them appealing for various applications, such as avatars or entertainment.
However, the manual cartoonization process demands high artistic skill and is time-consuming.
This research aims to automate the process through color quantization using K-Means Clustering as a solution to simplify the color palette of natural images.
The main issue addressed is the selection of the optimal color mode and features to achieve the desired cartoon effect.
the methodology, the HSI (Hue.
Saturation.
Intensit.
color mode is utilized, where K-Means clustering is specifically applied to the Hue feature only to separate color grouping from the influence of light gradation.
The resulting clusters are then combined with discretized Intensity values to sharply distinguish between dark and light colors.
Experimental results indicate that the K-Means algorithm is effective for color quantization, producing simpler and more solid colors that visually approximate the original color tones.
This study proves that using the Hue feature in K-Means is a suitable strategy for realizing the flat color palette characteristic of cartoons.
Keywords: Color Quantization.
Image Cartoonization.
K-Means Clustering.
HSI Color Space.
Hue Feature.
ABSTRAK
Kartun ditandai oleh warna yang sederhana, datar, dan tegas, yang membuatnya menarik untuk berbagai aplikasi, seperti avatar atau hiburan.
Namun, proses kartunisasi manual menuntut keahlian artistik tinggi dan memakan waktu.
Penelitian ini bertujuan untuk mengotomatisasi proses tersebut melalui kuantisasi warna menggunakan K-Means Clustering sebagai solusi untuk menyederhanakan palet warna citra natural.
Masalah utama yang dibahas adalah pemilihan mode dan fitur warna yang optimal untuk mencapai efek Dalam metodologi, digunakan mode warna HSI (Hue.
Saturation.
Intensit.
, di mana klastering KMeans secara spesifik diterapkan pada fitur Hue saja untuk memisahkan pengelompokan warna dari pengaruh gradasi cahaya.
Hasil klastering ini kemudian digabungkan dengan nilai Intensity yang sudah didiskritisasi untuk membedakan warna gelap dan terang secara tegas.
Hasil eksperimen menunjukkan bahwa algoritma K-Means efektif dalam melakukan kuantisasi warna, menghasilkan warna yang lebih sederhana dan solid, yang secara visual mendekati rona warna aslinya.
Penelitian ini membuktikan bahwa penggunaan fitur Hue pada K-Means adalah strategi yang tepat untuk mewujudkan palet warna datar khas Kata Kunci: Kuantisasi Warna.
Kartunisasi Citra.
K-Means Clustering.
Ruang Warna HSI.
Fitur Hue.
PENDAHULUAN
*Korespondensi Penulis:
E-mail: tmulyana@bundamulia.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Kartun adalah salah satu bentuk citra yang dikenali dengan komposisi warna yang sederhana dan rata .
, minim gradasi intensitas warna seperti yang umum terlihat pada citra .
Selain itu, citra kartun sering kali menampilkan garis pembatas .
yang tegas Pembuatan kartun secara konvensional memerlukan keahlian artistik dan keterampilan tangan yang tinggi, sehingga membatasi banyak orang dengan ide bagus untuk mewujudkan karya mereka dari citra yang sudah ada.
Oleh karena itu, muncul kebutuhan untuk mengotomatisasi proses kartunisasi dari input citra natural.
Berbagai upaya telah dilakukan untuk menyederhanakan warna citra, namun sebagian besar memiliki keterbatasan.
Metode dasar seperti kuantisasi bit memang mengurangi variasi warna, tetapi sering kali menghasilkan perubahan warna yang tidak akurat.
misalnya, warna biru muda pada langit dapat berubah menjadi abu-abu.
Tentu saja, hasil seperti ini tidak sesuai untuk citra kartun.
Penelitian yang lebih maju menggunakan algoritma seperti Generative Adversarial Network (GAN) .
menghasilkan citra yang sangat baik, namun hasilnya masih terlalu menyerupai citra natural dengan variasi warna yang banyak, sehingga efek datar khas kartun tidak Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan penggunaan K-Means Clustering sebagai metode kuantisasi warna.
K-Means adalah algoritma unsupervised yang efektif untuk mengelompokkan piksel-piksel berdasarkan kesamaan fiturnya.
Fokus utama penelitian ini adalah membuktikan bahwa kuantisasi warna yang dilakukan menggunakan KMeans pada mode warna HIS (Hue-Intensity-Saturatio.
mampu menghasilkan palet warna yang sederhana dengan pembagian gradasi skala keabuan yang tegas, menyerupai gaya pewarnaan Klastering akan dilakukan dengan memanfaatkan fitur Hue .
arna murn.
saja untuk memisahkan pengelompokan warna dari pengaruh intensitas cahaya, yang merupakan kunci untuk menghasilkan warna yang rata dan konsisten.
Penelitian ini memberikan dua kontribusi utama.
Pertama, eksplorasi efektivitas KMeans di ruang warna HIS (Hu.
untuk kuantisasi warna kartun, yang diharapkan dapat mengatasi bias intensitas yang ditemui pada ruang warna RGB.
Kedua, metodologi yang diusulkan ini mencakup integrasi proses kartunisasi secara menyeluruh: kuantisasi warna menggunakan K-Means dan pembentukan outline menggunakan teknik High Pass Filtering yang diikuti dengan morfologi citra, menghasilkan citra kartun yang lengkap dari citra natural.
Metode penghitungan jarak yang digunakan adalah L1-Metric (Manhattan Distanc.
, yang merupakan pengukuran jarak lugas.
Metodologi experimental digunakan dalam penelitian ini dengan membangun aplikasi yang mengimplementasikan metode yang disusun dan melakukan uji coba untuk memverifikasi keberhasilan metode tersebut.
METODE PENELITIAN
Tinjauan Pustaka Kuantisasi Warna (Color Quantizatio.
adalah proses mengurangi jumlah warna unik dalam suatu citra dengan tujuan mempertahankan kualitas visual citra asli sebaik mungkin.
Citra natural umumnya menggunakan True Color .
-bi.
yang dapat merepresentasikan lebih dari 16 juta Dalam aplikasi seperti kartunisasi, kompresi, dan tampilan pada perangkat terbatas, kuantisasi warna diperlukan untuk menyederhanakan palet menjadi jumlah K warna yang lebih sedikit .
isalnya, 8-bit atau kuran.
Tujuannya bukan hanya kompresi, tetapi juga stylisasi menjadi warna yang lebih datar dan seragam, yang merupakan karakteristik utama citra kartun.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Kuantisasi Bit: Metode paling sederhana yang mereduksi jumlah warna dengan mengurangi panjang bit.
Metode ini sering gagal dalam menjaga akurasi warna dan menghasilkan banding atau perubahan warna yang tidak diinginkan .
isalnya, langit biru menjadi abu-ab.
, sehingga tidak efektif untuk stylisasi kartun.
Algoritma Klastering K-Means adalah algoritma klastering non-hirarkis unsupervised yang digunakan untuk mempartisi n titik data .
alam kasus ini, piksel citr.
menjadi K klaster, di mana setiap piksel termasuk dalam klaster dengan pusat .
Dimana Prinsip Kerja K-Means:
Inisialisasi: Tentukan jumlah klaster K dan pilih K centroid awal secara acak atau menggunakan metode yang dioptimasi .
K-Means ).
Penugasan (Assignmen.
: Setiap piksel .
dihitung jaraknya ke semua centroid .
, dan ditugaskan ke klaster yang centroid-nya memiliki jarak terdekat.
Pembaruan (Updat.
: Hitung kembali centroid baru untuk setiap klaster sebagai rata-rata aritmatika dari semua piksel yang ditugaskan ke klaster tersebut.
Iterasi: Ulangi langkah 2 dan 3 .
hingga centroid tidak lagi berubah secara signifikan .
ondisi konverge.
atau jumlah iterasi maksimum tercapai.
Pengukuran Jarak (L1-Metri.
merupakan Pengukuran jarak sangat krusial dalam langkah penugasan klaster.
Penelitian ini menggunakan L1-Metric atau Manhattan Distance .
, yang didefinisikan sebagai jumlah perbedaan absolut dari koordinat antar-titik.
Rumus dari Manhattan Distance .
antara dua objek p dan q dengan m atribut dapat dilihat pada Rumus .
cy, y.
= Anycy Oe ycAn = Ocycuycn=.
ycyycn Oe ycycn | .
Penggunaan L1-Metric dipilih karena sifatnya yang lugas dan berpotensi lebih cepat secara komputasi dibandingkan dengan Euclidean Distance (L2-Metri.
, serta dapat membantu dalam menekankan perbedaan dimensi secara independen.
Ruang Warna HIS (Hue.
Intensity.
Saturatio.
pada kebanyakan proses kuantisasi menggunakan model warna RGB (Red.
Green.
Blu.
Namun, penelitian ini memilih model HIS .
, karena memiliki pemisahan komponen yang lebih intuitif bagi pengolahan citra:
Hue (H): Menentukan jenis warna murni .
erah, kuning, biru, dll.
Intensity (I): Menentukan kecerahan atau kegelapan warna.
Saturation (S): Menentukan kemurnian atau kedalaman warna.
Justifikasi Penggunaan Fitur Hue Saja: Untuk menciptakan efek warna kartun yang datar dan tidak dipengaruhi oleh gradasi cahaya (Intensita.
, klastering K-Means akan diterapkan hanya pada dimensi Hue.
Dengan hanya mempertimbangkan nilai Hue, piksel dengan warna dasar yang sama .
isalnya, biru langit yang cerah dan biru langit yang tedu.
akan dikelompokkan bersama, menghasilkan centroid yang seragam.
Hasilnya adalah palet warna yang dominan pada warna dasar citra natural, yang merupakan syarat untuk mewujudkan pewarnaan khas kartun.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Deteksi Tepi (Outlin.
Menggunakan High Pass Filtering pada Kartunisasi yang efektif memerlukan garis pembatas .
yang tegas.
Proses ini dicapai melalui teknik filtering spasial linier .
High Pass Filtering (HPF) berfungsi untuk menapis atau memperkuat perubahan intensitas yang tinggi .
, sementara menekan perubahan intensitas yang rendah .
rea seraga.
Proses filtering dilakukan dengan operasi konvolusi antara citra f.
dan sebuah kernel .
tau mas.
, menghasilkan citra hasil h.
Kernel HPF dirancang dengan nilai pusat positif yang tinggi dan nilai negatif atau nol di Tujuannya adalah untuk mendeteksi kontras yang tajam antara objek cerah dan gelap .
Output dari HPF menunjukkan lokasi-lokasi tepi.
Berdasarkan penelitian sebelumnya, hasil dari deteksi tepi seringkali perlu diperkuat.
Setelah HPF mendeteksi tepi, teknik morfologi citra .
eperti dilas.
dapat digunakan untuk menebalkan garis tepi yang dihasilkan.
Dengan mengombinasikan kuantisasi warna (K-Mean.
dan pembentukan outline (HPF Morfolog.
, penelitian ini bertujuan menghasilkan citra kartun yang berkesinambungan.
Secara umum, kernel high pass filtering dengan pusat kernel yang bernilai positif ditujukan untuk menahan nilai dengan intensitas yang tinggi yang berbatasan dengan nilai dengan intensitas yang rendah, sehingga dapat mendeteksi tepi dari citra dengan objek yang .
Proses filtering dilakukan dengan melakukan operasi konvolusi.
yang merupakan hasil penjumlah secara rekursif dari fungsi-fungsi linear.
Konvolusi pada keperluan proses optik, berguna dalam banyak hal untuk keperluan penajaman citra, maupun untuk proses penghalusan gradasi citra.
Model warna yang digunakan pada proses ini adalah model warna HSI .
ue-saturationintensit.
Alasan penggunaan model warn ini adalah dapat dengan mudahnya mengambil spektrum warna dari hue yang akan diklasterisasi, serta pembagian saturasi atau pencampuran warna dasar, sehingga didapatkan warna cerah yang terdapat pada citra yang merupakan warna citra kartun yang umum.
Pembagian kecerahan dilakukan dalam 10 level kecerahan yang tegas bernilai 0, 1 sampai 31, 32 sampai 63, 64sampai 95, 96 sampai 127, 128 sampai 159, 160 ampai 191, 192sampai 223, dan 223 sampai 255.
Pembagian ini hanya dilakukan secara subyektif dan tidak mengikat, dan dapat diubah-ubah nantinya sesuai keinginan pengguna ketika proses ini sudah dijadikan aplikasi kartunisasi citra nantinya.
Pembagian saturasi dilakukan berdasarkan nilai 0%, 25%, 50%, 75% dan 100% yang diterjemahkan sebagai 0, 0.
25, 0.
50, 0.
75 dan 1.
Pembagian ini dimaksudkan untuk menghadirkan citra kartun dengan saturasi yang tegas antara spektrum abu-abu sampai ke spektrum terpisah bukan tergradasi dengan halus seperti pada citra natural.
Pada penerapan aplikasi kartunisasi citra nantinya level saturasi ini juga akan dijadikan opsi sesuai dengan keinginan pengguna.
Proses pencarian hue dilakukan berdasarkan nilai RGB dimana nilai sudut spektrum warna dicari berdasarkan rumus .
yuE = cos Oe1 .
cOeyc.
cOeyc.
Oo.
cOeyc.
cOeyc.
ciOeyc.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Jika channel g lebih besar dari atau sama dengan channel b, maka yang berlaku untuk nilai hue adalah nilai Theta seperti pada rumus .
, sedangkan jika nilai g lebih kecil dari nilai channel b, maka yang berlaku ada 360 Ae theta seperti pada rumus .
Eaycyce = yuE ycycnycoyca yci Ou yca Eaycyce = 360 Oe yuE ycycnycoyca yci < yca Proses Klastering dengan K-Means Setiap nilai hue yang didapat beserta koordinat piksel disimpan untuk dilakukan proses klastering menggunakan k-Means.
Interface aplikasi yang digunakan untuk percobaan ini dapat dilihat pada gambar 1.
Terdapat tiga panel citra, dimana panel kiri adalah citra asli, paneldi tengah adalah citra hasil konversi ke HSI dengan nilai saturasi dan intensity yang tegas seperti pada rancangan proses dan nilai hue yang masih asli belun di klasteriasi.
Panel kanan adalah citra hasil klasterisasi dengan atribut hue, koordinat x dan koordinat sedangkan sebagai pemilih jumlah K adalah sebuah trackbar.
Dengan demikian pengguna dapat memilih sendiri seberapa banyak warna yang akan diklasterkan.
Pada penelitian ini tidak menggunakan metode elbow ataupun silhouette utuk memilih nilai K, karena banyaknya klaster akan diatur sesuai dengna kebutuhan user.
Secara proses utama dapat dilihat pada flowchart kartunisasi pada Gambar 2.
Input Citra akan dilakukan pemisahan bitmap warna RGB, kemudian berdasarkan channel RGB disusun nilai HSI nya, setelah di dapat nilai HIS, proses dialnjutkan dengan proses klastering menggunakan KMeans berdasarkan input jumlah kelas yang diinginkan user.
Proses Klastering akan dilakukan sampai mencapai konvergensi.
HASIL DAN PEMBAHASAN
Berikut ini hasil eksperimen klastering K-Means untuk kuantisasi warna dan pembentukan outline dari citra natural, serta menganalisis efektivitas metode yang diusulkan.
Protokol Eksperimen dan Dataset Uji Pengujian dilakukan secara acak menggunakan beragam citra natural yang mewakili kompleksitas warna dan tekstur berbeda.
Pengujian difokuskan pada tiga aspek utama: .
Efek Kuantisasi Warna pada berbagai nilai K, .
Analisis Spasial .
fek penggunaan koordinat x,.
, dan .
Kualitas Outline .
ari High Pass Filterin.
Keterangan Uji Coba:
Fitur Klastering: H (Hu.
, x .
oordinat horizonta.
, y .
oordinat vertika.
Pengukuran Kualitas: Menggunakan analisis visual dan Peak Signal-to-Noise Ratio (PSNR).
Analisis Kualitatif (Visua.
dijabarkan spada pembahasan berikut ini Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Kasus Uji Kompleksitas Warna dan Nilai K Tinggi Gambar 1 menunjukkan hasil klastering pada citra natural dengan variasi warna yang kompleks .
isalnya, pemandangan dengan merah, biru, dan hija.
menggunakan nilai K yang relatif tinggi, yaitu K=360.
Gambar 1.
Citra Natural dengan variasi warna yang kompleks A A A Temuan: Citra menghasilkan pembagian warna yang tegas, menunjukkan keberhasilan KMeans dalam mengelompokkan piksel.
Namun, terjadi pergeseran warna yang signifikan, seperti perubahan rona dari merah dan biru menjadi ungu pada area tertentu.
Pembahasan: Pergeseran warna ini adalah konsekuensi dari penggunaan koordinat piksel .
sebagai bagian dari fitur klastering.
Ketika K sangat besar, piksel dengan Hue yang berbeda .
isalnya, merah dan bir.
tetapi berdekatan secara spasial dikelompokkan bersama oleh algoritma.
Centroid baru yang dihasilkan .
menjadi warna kompromi spasial, bukan kompromi Hue murni.
Hal ini menunjukkan bahwa untuk warna yang sensitif, penggunaan koordinat harus dipertimbangkan dengan hati-hati atau nilai K dioptimalkan.
Gambar4.
1:CitraAslidanHasilKuantisasiKOeMeansdenganK=360 Kasus Uji Warna Abu-abu dan Nilai K Rendah Gambar 2 menunjukkan hasil klastering pada citra objek yang didominasi warna putih dan abu-abu (Kucin.
dengan nilai K yang rendah, yaitu K=18.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Gambar 2.
Contoh Objek Putih dengan sedikit warna abu-abu Temuan: Objek berhasil menghasilkan citra kartun yang sangat baik, di mana bulu abu-abu yang tadinya tergradasi halus menjadi tegas dan solid.
Pembahasan: Pada citra dengan Hue yang terbatas .
bu-abu/puti.
, klastering bekerja optimal untuk menghilangkan gradasi Intensity dan Saturation yang halus.
Nilai K yang rendah memaksa piksel dengan Intensity yang berbeda untuk dikelompokkan ke dalam centroid yang sama, menghasilkan warna yang rata, yang merupakan tujuan utama stylisasi Ini membuktikan hipotesis bahwa K-Means efektif untuk menciptakan warna datar dengan mengatur K yang sesuai.
Kasus Uji Gradasi Intensitas (Objek Hita.
Gambar 4.
3 menunjukkan hasil pada citra dengan objek hitam yang memiliki gradasi sangat halus.
Gambar 3.
Contoh Objek Hitam dengan Gradasi halus Temuan: Gradasi halus pada objek hitam berhasil dipisahkan menjadi beberapa blok kecerahan warna hitam yang tegas.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Pembahasan: Keberhasilan ini terutama disebabkan oleh langkah diskritisasi Intensity .
embagi nilai I menjadi 10 level tega.
yang dilakukan pada tahap pre-processing.
Meskipun klastering utamanya berdasarkan Hue, nilai I yang sudah dipaksa diskrit membantu memperjelas pemisahan blok warna saat piksel dikembalikan ke citra, memperkuat efek flat color yang diinginkan.
Analisis Kuantitatif dan Efektivitas Untuk memvalidasi temuan visual, kualitas kuantisasi diukur menggunakan PSNR yang menunjukkan seberapa dekat citra hasil kuantisasi dengan citra asli.
Nilai PSNR yang lebih tinggi menunjukkan noise .
yang lebih sedikit dan kualitas rekonstruksi yang lebih baik, meskipun untuk tujuan stylisasi kartun, penurunan PSNR hingga batas tertentu dapat diterima.
A Pembahasan PSNR: Bandingkan nilai X1,X2, dan X3.
Jelaskan bahwa nilai PSNR pada K=18 (Gambar 4.
mungkin relatif rendah dibandingkan K=360 (Gambar 4.
, namun, secara visual, hasil K=18 lebih berhasil mencapai tujuan kartunisasi .
arna data.
meskipun secara matematis "kurang mirip" dengan citra asli.
Hal ini menggarisbawahi bahwa untuk stylisasi, kualitas visual .
dapat lebih diutamakan daripada metrik rekonstruksi murni .
Tabel 1.
Hasil Uji Citra Uji K PSNR .
B) Keterangan Gambar 4.
1 (Komplek.
360 Dipengaruhi pergeseran warna spasial Gambar 4.
2 (Kucin.
Kuantisasi warna paling optimal Gambar 4.
3 (Hita.
Didominasi efek diskritisasi Intensity Integrasi Proses Outline Langkah terakhir kartunisasi adalah penambahan outline menggunakan High Pass Filtering (HPF) dan morfologi .
yang dapat dilihat pada panel terakir pada masing-masing Gambar 1.
Gambar 2, dan Gambar 3.
A Temuan: Proses HPF berhasil mendeteksi tepi dan setelah proses morfologi, garis outline pada citra hasil kuantisasi menjadi tegas dan tebal, melengkapi efek kartunisasi.
Rangkuman Pembahasan Secara keseluruhan, metode K-Means dengan fitur (H,x,.
dan pre-processing diskritisasi S dan I terbukti efektif dalam menyederhanakan palet warna citra natural menjadi palet warna datar, asalkan nilai K diatur secara bijak.
Penelitian menunjukkan bahwa untuk mencapai efek kartun yang optimal, diperlukan kompromi antara akurasi warna dan kerataan warna yang dapat dicapai dengan eksplorasi nilai K dan fitur yang digunakan.
SIMPULAN
Simpulan Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
Vi (No.
02 ) : 847 - 856.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Efektivitas Kuantisasi Warna K-Means pada HIS: K-Means yang diterapkan pada fitur H (Hu.
, dipadukan dengan koordinat spasial .
, terbukti efektif dalam menyederhanakan palet warna citra natural.
Metode ini berhasil mengelompokkan piksel berdasarkan warna dasar, yang diperkuat dengan pre-processing diskritisasi nilai Intensity dan Saturation, sehingga menghasilkan efek warna datar dan tegas khas kartun.
Peran Nilai K dan Fitur Spasial: Kualitas hasil kartunisasi sangat bergantung pada penentuan nilai K .
umlah klaste.
Hasil optimal untuk efek warna datar dicapai pada nilai K yang rendah .
K=.
, terutama pada citra dengan warna dominan terbatas.
Namun, pada nilai K yang sangat tinggi, terjadi pergeseran Hue .
isalnya, biru menjadi ung.
karena dominasi faktor kedekatan spasial .
mengalahkan perbedaan Hue yang halus.
Keberhasilan Integrasi Proses: Proses kartunisasi yang diusulkan telah berhasil diintegrasikan secara menyeluruh.
Kuantisasi warna menghasilkan warna yang disederhanakan, dan High Pass Filtering yang diikuti oleh morfologi citra berhasil membentuk garis outline yang tegas pada tepi objek, melengkapi stylisasi citra kartun.
Kontribusi Metodologis: Penggunaan model warna HIS (Hu.
untuk klastering, dan bukan RGB, terbukti relevan karena memungkinkan K-Means untuk mengabaikan gradasi pencahayaan (Intensit.
yang tidak diinginkan, sehingga dapat mencapai warna yang lebih konsisten dan rata.
Saran Berdasarkan keterbatasan yang ditemukan .
erutama pergeseran Hue pada K tingg.
, penelitian selanjutnya disarankan untuk:
Mengeksplorasi penambahan bobot .
pada fitur Hue agar pengaruhnya lebih dominan dibandingkan koordinat .
selama klastering, terutama pada nilai K yang tinggi.
Menerapkan metode inisialisasi centroid yang lebih optimal .
eperti K-Means ) untuk meningkatkan stabilitas dan kecepatan konvergensi, serta membandingkannya dengan metode yang sudah digunakan.
Mengembangkan metrik evaluasi kuantitatif yang spesifik untuk menilai kemiripan stylisasi kartun, bukan hanya metrik rekonstruksi citra .
eperti PSNR).
DAFTAR PUSTAKA