Melola Discovery

← Melola Discovery

Jurnal SINTA 2

Penerapan Metode K-Means Berbasis Jarak untuk Deteksi Kendaraan Bergerak

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 9 No. 4 (2022) · pp. 683–690

DOI
10.25126/jtiik.2022945768
ISSN
2528-6579, 2355-7699
Published
2022-08-31
Publisher
Fakultas Ilmu Komputer, Universitas Brawijaya
Language
id

Abstract

Deteksi kendaraan bergerak adalah salah satu elemen penting dalam aplikasi Intelligent Transport System (ITS). Deteksi kendaraan bergerak juga merupakan bagian dari pendeteksian benda bergerak. Metode K-Means berhasil diterapkan pada piksel cluster yang tidak diawasi untuk mendeteksi objek bergerak. Secara umum, K-Means adalah algoritma heuristik yang mempartisi kumpulan data menjadi K cluster dengan meminimalkan jumlah kuadrat jarak di setiap cluster. Dalam makalah ini, algoritma K-Means menerapkan jarak Euclidean, jarak Manhattan, jarak Canberra, jarak Chebyshev dan jarak Braycurtis. Penelitian ini bertujuan untuk membandingkan dan mengevaluasi implementasi jarak tersebut pada algoritma clustering K-Means. Perbandingan dilakukan dengan basis K-Means yang dinilai dengan berbagai parameter evaluasi yaitu MSE, PSNR, SSIM dan PCQI. Hasilnya menunjukkan bahwa jarak Manhattan memberikan nilai MSE = 1.328, PSNR = 21.14, SSIM = 0.83 dan PCQI = 0.79 terbaik dibandingkan dengan jarak lainnya. Sedangkan untuk waktu pemrosesan data memperlihatkan bahwa jarak Braycurtis memiliki keunggulan lebih yaitu 0.3 detik. AbstractDetection moving vehicles is one of important elements in the applications of Intelligent Transport System (ITS). Detection moving vehicles is also part of the detection of moving objects. K-Means method has been successfully applied to unsupervised cluster pixels for the detection of moving objects. In general, K-Means is a heuristic algorithm that partitioned the data set into K clusters by minimizing the number of squared distances in each cluster. In this paper, the K-Means algorithm applies Euclidean distance, Manhattan distance, Canberra distance, Chebyshev distance and Braycurtis distance. The aim of this study is to compare and evaluate the implementation of these distances in the K-Means clustering algorithm. The comparison is done with the basis of K-Means assessed with various evaluation paramaters, namely MSE, PSNR, SSIM and PCQI. The results exhibit that the Manhattan distance delivers the best MSE = 1.328, PSNR = 21.14, SSIM = 0.83 and PCQI = 0.79 values compared to other distances. Whereas for data processing time exposes that the Braycurtis distance has more advantages

Collaboration network of the authors

12 authors · 28 co-authorship links · 8 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Lambung Mangkurat University
  • University of Brawijaya
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Muhammad AlkaffLambung Mangkurat University3
Noorhanida RoyaniLambung Mangkurat University3
Dany Primanita KartikasariUniversity of Brawijaya1
Eka Setya WijayaLambung Mangkurat University1
Syarifah SorayaLambung Mangkurat University1
Husnul KhatimiLambung Mangkurat University1
Puja DarmawanLambung Mangkurat University1
Rakhmadhany PrimanandaUniversity of Brawijaya1
Irham MaulaniLambung Mangkurat University1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Penerapan Metode K-Means Berbasis Jarak untuk Deteksi Kendaraan Bergerak</dc:title>
	<dc:creator xml:lang="id">Sari, Yuslena</dc:creator>
	<dc:creator xml:lang="id">Baskara, Andreyan Rizky</dc:creator>
	<dc:creator xml:lang="id">Prakoso, Puguh Budi</dc:creator>
	<dc:description xml:lang="id">Deteksi kendaraan bergerak adalah salah satu elemen penting dalam aplikasi Intelligent Transport System (ITS). Deteksi kendaraan bergerak juga merupakan bagian dari pendeteksian benda bergerak. Metode K-Means berhasil diterapkan pada piksel cluster yang tidak diawasi untuk mendeteksi objek bergerak. Secara umum, K-Means adalah algoritma heuristik yang mempartisi kumpulan data menjadi K cluster dengan meminimalkan jumlah kuadrat jarak di setiap cluster. Dalam makalah ini, algoritma K-Means menerapkan jarak Euclidean, jarak Manhattan, jarak Canberra, jarak Chebyshev dan jarak Braycurtis. Penelitian ini bertujuan untuk membandingkan dan mengevaluasi implementasi jarak tersebut pada algoritma clustering K-Means. Perbandingan dilakukan dengan basis K-Means yang dinilai dengan berbagai parameter evaluasi yaitu MSE, PSNR, SSIM dan PCQI. Hasilnya menunjukkan bahwa jarak Manhattan memberikan nilai MSE = 1.328 , PSNR = 21.14, SSIM = 0.83 dan PCQI = 0.79 terbaik dibandingkan dengan jarak lainnya. Sedangkan untuk waktu pemrosesan data memperlihatkan bahwa jarak Braycurtis memiliki keunggulan lebih yaitu 0.3 detik. AbstractDetection moving vehicles is one of important elements in the applications of Intelligent Transport System (ITS). Detection moving vehicles is also part of the detection of moving objects. K-Means method has been successfully applied to unsupervised cluster pixels for the detection of moving objects. In general, K-Means is a heuristic algorithm that partitioned the data set into K clusters by minimizing the number of squared distances in each cluster. In this paper, the K-Means algorithm applies Euclidean distance, Manhattan distance, Canberra distance, Chebyshev distance and Braycurtis distance. The aim of this study is to compare and evaluate the implementation of these distances in the K-Means clustering algorithm. The comparison is done with the basis of K-Means assessed with various evaluation paramaters, namely MSE, PSNR, SSIM and PCQI. The results exhibit that the Manhattan distance delivers the best MSE = 1.328 , PSNR = 21.14, SSIM = 0.83 and PCQI = 0.79 values compared to other distances. Whereas for data processing time exposes that the Braycurtis distance has more advantages </dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2022-08-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/5768</dc:identifier>
	<dc:identifier>10.25126/jtiik.2022945768</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 9 No 4: Agustus 2022; 683-690</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 9 No. 4: Agustus 2022; 683-690</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.202294</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/5768/pdf</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2022 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
</oai_dc:dc>