PENERAPAN ALGORITMA CLUSTERING LARGE APPLICATIONS BASED ON RANDOMIZED SEARCH (CLARANS) DENGAN UNWEIGHTED CLUSTER BASED LOCAL OUTLIER FACTOR (UNWEIGHTED-CBLOF) UNTUK DETEKSI OUTLIER PADA DATA CITRA

Deteksi outlier merupakan salah satu penelitian yang penting dengan tujuan mencari data yang memiliki karakteristik yang berbeda dengan kebanyakan data lainya. Data outlier yang ada di dataset akan mempengaruhi terhadap hasil dari proses selanjutnya seperti clustering dan klasifikasi dan terkadang outlier juga menyimpan informasi yang penting. Penelitian ini mulai dengan pemotongan daerah penting pada citra yang dilakukan secara manual. Setelah mendapatkan citra dari proses sebelumnya, kemudian dilakukan ektraksi fitur warna dengan perhitungan statistik orde pertama yaitu mean, standard deviation, kurtosis dan skewness dan ektraksi fitur tekstur menggunakan algoritma Grey Level Co-Occurrence Matrix (GLCM) dengan jarak 1 dan sudut 0o dengan fitur yang digunakan yaitu Angular Second Moment, Contras, Inverse Different Moment, Cluster Shade, dan Cluster Prominence. Setelah didapatkan fitur-fitur setiap citra kemudian dilakukan clustering dengan menggunakan Algoritma Clustering Large Applications Based on Randomized Search (CLARANS). Setelah proses clustering kemudian dilakukan deteksi Outlier dengan menggunakan Algoritma unweighted-CBLOF. Dataset yang digunakan pada penelitian ini adalah dataset Supermarket Produce dengan jumlah 2633 citra sebagai data normal dan data outlier sebanyak 50 diambil dari dataset Fruit Images Dataset. Hasil dari penelitian ini didapatkan fitur yang terbaik untuk deteksi outlier yaitu menggunakan fitur tekstur Grey Level Co-Occurrence Matrix (GLCM) dengan nilai akurasi sebesar 85,612 % dan penentuan jumlah kelas pada Clustering Large Applications Based on Randomized Search (CLARANS) yang semakin meningkat belum tentu meningkatkan nilai akurasi, sehingga perlu dilakukan uji coba dengan beberapa jumlah kelas untuk mencari nilai akurasi yang paling tinggi.