Segmentasi Citra

50

JURNAL MATRIX VOL. 3, NO. 1, MARET 2013

ANALISIS SEGMENTASI CITRA SATELIT MENGGUNAKAN METODE CLUSTERING FUZZY C-MEANS Ni Kadek Dessy Hariyanti Jurusan Administrasi Administrasi Niaga Politeknik Negeri Bali [email protected] Abstrak : Segmentasi merupakan salah satu proses yang penting dalam analisis citra digital. Segmentasi

digunakan untuk membagi citra ke dalam beberapa bagian atau region yang homogen berdasarkan kriteria kemiripan tertentu (region based segmentation). Salah satu metode yang dapat digunakan untuk melakukan segmentasi berbasis area (region based ) adalah clustering, yang dalam penelitian ini menggunakan metode clustering Fuzzy C-Means. Tujuan penelitian ini adalah untuk untuk merancang dan membangun membangun sistem segmentasi segmentas i sungai sungai dari citra satelit dengan menggunakan algoritma Fuzzy-C Means. Selain itu juga untuk untuk menganalisis menganalisis kinerja sistem sistem yang menggunakan Fuzzy C-Means dalam melakukan ekstraksi sungai dari citra satelit. Sistem segmentasi sungai dari citra satelit dirancang dan dibangun dengan mengimplementasikan algoritma Fuzzy C-Means untuk melakukan segmentasi segmentasi pada citra satelit sat elit terutama untuk citra sungai. sungai. Dari hasil implementasi sistem terhadap data input , didapatkan bahwa Fuzzy C-Means mampu melakukan segmentasi sungai dari citra satelit dengan baik dan mengelompokkan citra ke dalam jenis sungai dan bukan sungai. Pada implementasi implementasi FCM jumlah cluster berpengaruh berpengaruh pada kualitas segmen yang dihasilkan. Semakin banyak jumlah cluster yang yang digunakan akan berdampak pada hasil segmentasi yang lebih halus. Semakin sedikit jumlah cluster yang digunakan, maka hasil segmentasi akan semakin kasar Keyword : citra satelit, segementasi, fuzzy c-means,

SATELLITE IMAGE SEGMENTATION ANALYSIS USING FUZZY C-MEANS CLUSTERING Abstract : Segmentation is one of the important processes in the digital image analysis,. Segmentation is used to divide the image into several parts or homogeneous regions based on certain similarity criteria (region based segmentation). One method that can be used to perform area-based segmentation (region based) is clustering, which in this study using Fuzzy C-Means clustering. The purpose of this research is to design and build a system of river segmentation of satellite images using Fuzzy C-Means algorithm. In addition, to analyze the performance of the system using Fuzzy C-Means in the extraction of the river from satellite imagery. A river riv er segmentation system of satellite imagery are designed and built bui lt by implementing the Fuzzy C Means algorithm to perform segmentation on satellite imagery perticulary for river images the results of the implementation of systems to input the data, it is found that the Fuzzy C-Means is able to segment the river of satellite imagery well and classify the image into river and not-river. In the implementation of the FCM, the number of cluster, numbers affects the quality of the resulting segments. The more the number of clusters to be used will have an i mpact on the outcome of a finer fi ner segmentation. The fewer fewer the number of clusters used, then the result will be more rough segmentation : satellite imaginary, segementation, fuzzy c-means Keyword : I.

PENDAHULUAN

Penggunaan foto udara untuk survei-pemetaan sumber daya telah dimulai oleh beberapa lembaga pada awal tahun 1970-an di Indonesia. Pada tahun ini beberapa beberapa lembaga di Indonesia Indonesia baru mulai mulai memasang sistem komputer pengolah citra digital satelit dan menjadi salah satu negara yang yang termasuk awal di Asia Tenggara dalam penerapan sistem pengolah citra digital (Danoedoro,2011). (Danoedoro,2011). Mengingat Indonesia merupakan negara kepulauan, yang dilalui oleh deretan sabuk gunung api, menjadikan Indonesia kaya akan sumber daya alam di antaranya pegunungan dan

sungai. Informasi penting dari sumber-sumber alam seperti pertanian, perairan, kelautan, mineral, hutan, dan geologi dapat diperoleh dengan melakukan analisis citra terhadap citra satelitnya (Putra, 2009) Indonesia yang kaya akan sumber daya air memerlukan informasi yang akurat tentang berbagai aspek perubahan lingkungan yang yang berdampak berdampak pada kehidupan masyarakat di sekitarnya. Sebagai negara agraris dengan mata pencaharian penduduknya lebih banyak bany ak dari pertanian, pertanian, sumber sumber daya air menjadi menjadi hal yang sangat penting dalam kehidupan masyarakat Indonesia. Sumber daya air yang berkaitan dengan

Copyright ©JURNAL MATRIX 2013

NI KADEK DESSYHARIYANTI: ANALISA SEGMENTASI CITRA SATELIT….

bentuk tubuh air di permukaan bumi (air permukaan) dan air bawah tanah merupakan aspek geologi yang sangat rawan akibat perubahan kondisi lingkungan, khususnya dalam hal cadangan persediaan air itu sendiri.. Informasi sumber daya air yang dapat dipetakan dari citra satelit secara umum di antaranya (Suwijanto,2007): pola aliran sungai dengan bentuk dan sebaran daerah aliran sungai (DAS) dan subDAS, jenis sungai dalam kelangsungan kandungan airnya, bentuk dan jenis massa air genangan (danau, bendungan, rawa, rawa pantai, kelembanan tanah permanen), sedimentasi di dalam massa air (danau, bendungan, pantai), adanya kondisi banjir, sebaran mata air dan air tanah bebas/dangkal, serta kemungkinan adanya air tanah dalam. Citra satelit merupakan citra khusus yang harus ditangani dengan khusus pula. Diawali dengan pemetaan warna tiap-tiap komponen warna, kemudian dilanjutkan dengan mengimplementasikan algoritma pengelompokan, sehingga gambar dapat disegmentasi dengan baik. Analisis citra satelit dapat dikelompokkan dalam beberapa tahapan (Lillesand dan Kiefer, 1990) yaitu: pemulihan citra ( image restoration), penajaman citra (image enhancement ), klasifikasi citra (unsupervised classification dan supervised classification) serta segmentasi gambar ( Image Extraction). Dalam proses analisis citra digital, segmentasi merupakan salah satu proses yang penting. Segmentasi digunakan untuk membagi citra ke dalam beberapa bagian atau region yang homogen berdasarkan kriteria kemiripan tertentu ( region based segmentation). Salah satu metode yang dapat digunakan untuk melakukan segmentasi berbasis area (region based ) adalah clustering. Beberapa metode clustering yang dikenal di antaranya adalah K-Means, DB-Scan, Minimum Spanning Tree, Fuzzy C-Means, Fuzzy Substractive Clustering, dan K-Medoids.

Algoritma tersebut masing-masing memiliki karakter berbeda-beda, sehingga perlu dilakukan pemilihan algoritma clustering yang baik untuk proses analisis citra satelit. Mendes & Sack (2003) melakukan cluster ing perbandingan kinerja algoritma menggunakan Fuzzy C-Means dan K-Means pada data dokumen. Hasilnya algoritma FCM memiliki kinerja yang lebih baik dibandingkan dengan KM ( yang bukan fuzzy). Singha & Hemachandran (2011) melakukan perbandingan algoritma K-Means dan Fuzzy C-Means pada segmentasi citra satelit berwarna dalam ruang warna CIELAB. Hasilnya menunjukkan bahwa KM memerlukan waktu lebih cepat dari FCM, namun FCM memberikan hasil dan detail lokasi yang lebih baik dibandingkan K-Means Melihat latar belakang diatas, segmentasi citra satelit merupakan hal menarik yang masih perlu dikembangkan. Air sebagai salah satu komponen penting sumber daya alam, menjadi topik yang masih luas untuk diangkat. Salah satunya yaitu tentang segmentasi sungai. Penelitian ini mencoba melakukan segmentasi sungai dari citra satelit, yang melakukan

51

klasifikasi sungai dalam keadaan normal, banjir atau kekeringan. Citra satelit RGB akan dikonversi untuk membentuk histogram warna. Penerapan Fuzzy C Means akan digunakan untuk melakukan klusterisasi daerah pada citra. Segmentasi citra yang dihasilkan mampu diharapkan mampu memberikan informasi kondisi sungai dalam keadaan kering, banjir atau normal. Jumlah cluster yang ditetapkan pada implementasi FCM, berpengaruh pada kualitas segmen yang dihasilkan. Semakin banyak jumlah cluster yang digunakan akan berdampak pada hasil segmentasi yang lebih halus. Semakin sedikit jumlah cluster yang digunakan, maka hasil segmentasi akan semakin kasar. Penelitiaan akan dilakukan pada foto citra satelit dari sungai-sungai yang ada di wilayah kepuluan Indonesia. Informasi yang dihasilkan berupa segmentasi sungai dari citra satelit sehingga aplikasi ini diharapkan dapat menjadi informasi penting bagi masyarakat Indonesia dalam kaitannya dengan pemantauan usaha pertanian dan manajemen bencana alam. Segmentasi citra yang dihasilkan diharapkan mampu memberikan informasi kondisi sungai dalam keadaan kering, banjir atau normal. Kondisi citra sungai acuan telah ditetapkan sebelumnya sebagai dasar pengujian. Pencocokan dilakukan dengan menghitung jarak terdekat antara citra acuan dan citra uji dengan menggunakan jarak Euclidian. Jarak Euclidean adalah metrika yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Rumusan Masalah

Berdasarkan latar belakang di atas maka permasalahan yang akan diangkat adalah 1) Bagaimana merancang dan membangun sistem segmentasi sungai dari citra satelit dengan menggunakan algoritma Fuzzy-C Means ? 2) Bagaimana kinerja sistem yang menggunakan Fuzzy C-Means dalam melakukan segmentasi sungai dari citra satelit ? Tujuan

Tujuan penelitian ini adalah: 1) Merancang dan membangun sistem segmentasi sungai dari citra satelit dengan menggunakan algoritma Fuzzy-C Means 2) Menganalisis kinerja sistem yang menggunakan Fuzzy C-Means dalam melakukan ekstraksi sungai dari citra satelit TINJAUAN PUSTAKA Konsep Dasar Citra

Citra merupakan dimensi ruang yang berisi informasi warna dan tidak bergantung pada waktu. Citra merupakan kumpulan titik-titik dari gambar yang disebut piksel ( picture element ). Titik-titik tersebut menggambarkan koordinat dan mempunyai intensitas yang dapat dinyatakan dengan bilangan. Intensitas ini menunjukkan warna citra melalui penjumlahan nilai RGB ( Red, Green dan Blue). Koordinat RGB memberikan informasi warna piksel berdasarkan brightness (ketajaman)

52

warna cahaya (hitam, abu-abu, putih) dari sumber, hue (corak warna) yang ditimbulkan oleh warna (merah, kuning, hijau dll) dan merupakan panjang gelombang dominan dari sumber. Tiap-tiap warna dapat memiliki intensitas warna yang bervariasi. Jika semua warna berada pada intensitas minimum, akan menghasilkan warna hitam, sedangkan jika semua intensitasnya maksimum akan menghasilkan warna putih. Citra dengan 8 bit per piksel akan mempunyai 256 warna dan citra dengan 24 bit mempunyai 16777216 warna. Jadi tiap piksel dinyatakan dengan: bit 0 sampai dengan 7 untuk warna merah, bit 8 sampai dengan 15 untuk warna hijau, dan bit 16 sampai dengan 23 untuk warna biru. Kemungkinan kombinasi warna yang ada adalah = 256 x 256 x 256 = 16777216, yang nilai 0 menyatakan warna hitam sedangkan nilai 16777216 menyatakan warna putih. Citra beraras keabuan ( grayscale) merupakan citra yang nilai setip piksel diwakili oleh sebuah nilai tunggal (8 bit per piksel), sehingga memungkinkan memiliki kombinasi 256 warna. Citra beraras keabuan disusun berdasarkan perbedaan tingkat keabuan dari intensitas yang rendah (hitam) hingga intensitas yang tinggi (putih). Berbeda halnya dengan citra hitam putih yang hanya memiliki dua warna yaitu hitam dan putih.


keabuan suatu piksel dan tingkat keabuan pikselpiksel tetangganya. Proses segmentasi memiliki tujuan yang hampir sama dengan proses klasifikasi tidak terpandu. Segmentasi sering dideskripsikan sebagai proses analogi terhadap proses pemisahan latar depan latar belakang. Contoh untuk proses segmentasi citra yang digunakan adalah klasterisasi ( clustering). Citra satelit pada umumnya digunakan untuk dua hal (Suwijanto,2007) yaitu untuk membuat peta topografi dengan menggunakan peralatan yang khusus dibuat untuk itu dan untuk pemetaan sumber daya alam seperti geologi, kehutanan, pertanian, sumber daya air, dan bencana (peta tematik). Peta tematik dibuat dengan cara menafsirkan kenampakan pada potret udara sesuai dengan tujuannya melalui pengenalan tanda-tanda yang khas dari objek yang diamati. Ilmu ini dikenal dengan penafsiran/interpretasi potret udara. Orang yang dapat menafsirkan potret udara disebut sebagai penafsir potret udara atau foto interpreter. Sebagai contoh kita bisa mengenal gunung api karena bentuknya yang seperti kerucut, adanya kepundan di puncaknya, torehan air/sungai berbentuk radial dan sebagainya. Kriteria penafsiran yang umum terhadap objek/gejala alam antara lain : bentuk dan ukuran objek, pola dan susunan objek, tekstur dari objek, hubungan/asosiasi dengan objek disampingnya, struktur dari objek, warna, derajat keabuan akibat nilai pantul yang berbeda, kaitannya dengan ulah kegiatan manusia serta kaitannya dengan peristiwa alam. Pengolahan citra satelit memainkan peran Gambar 1 Tingkat Keabuan Citra Grayscale penting untuk penelitian perkembangan di berbagai (Sumber : Image Processing Learning bidang studi termasuk Astronomi, Remote Sensing, Resources,HIPR2) GIS, Pemantauan Pertanian dan Manajemen Bencana Alam (Shah, 2011). Penelitian ini akan dilakukan pada Citra berwarna dapat diubah menjadi citra beraras sungai-sungai yang ada di wilayah kepuluan keabuan dengan cara mencari nilai rata-rata dari nilai Indonesia. Informasi yang dihasilkan berupa informasi RGB ( Red, Green dan Blue) citra berwarna untuk sungai dalam keadaan banjir, atau normal atau piksel yang bersangkutan. Dalam mengubah citra kekeringan dari aplikasi ini diharapkan dapat menjadi berwarna menjadi citra beraras keabuan, diperlukan informasi penting bagi masyarakat Indonesia dalam perubahan intensitas untuk tiap nilai RGB dengan kaitannya dengan pemantauan usaha pertanian dan persentase tertentu. Hal ini disebabkan oleh perbedaan manajemen bencana alam. tingkat kepekaan mata manusia terhadap warna. Gambar penginderaan jarak jauh digunakan dalam Secara umum, persamaan 2.1 di bawah digunakan banyak penelitian dengan tujuan untuk memprediksi untuk mengubah citra berwarna menjadi citra beraras bencana alam sehingga tindakan pencegahan dapat keabuan. diambil untuk melindungi lingkungan. Secara (cR ´ red ) + (cG ´ green) + (cB ´ blue) tradisional, banyak metode yang digunakan untuk gray = analisis kondisi alam dan menentukan kualitas sumber 3 dengan cR, cG, cB menyatakan koefisien untuk tiap- daya (seperti air). Konten segmentasi terutama dari tiap ruang warna ( Red, Green dan Blue) yang satelit adalah untuk mendapatkan informasi penting digunakan untuk mengubah tingkat intensitas dari gambar dalam masalah khusus yaitu seperti keabuan. Citra dapat diubah dari domain ruang segmentasi vegetasi, jalan, kereta api dan badan air. Air menjadi langka di beberapa daerah sedangkan di menjadi domain yang lain, dengan tujuan untuk lain daerah menyebabkan masalah seperti mempermudah pengkodean. Proses perubahan ini dinamakan transformasi. banjir. Sehingga menjadi hal yang mendesak, untuk memprediksi kondisi sungai seperti kekeringan, Segmentasi Citra satelit Segmentasi citra adalah membagi suatu citra normal atau banjir dan dengan demikian membantu menjadi wilayah-wilayah yang homogeny berdasarkan untuk memprediksi jumlah kandungan air di suatu daerah(Shah, 2011). kriteria keserupaan yang tertentu antara tingkat


Analisis citra satelit dapat dikelompokkan dalam beberapa tahapan, yaitu (Lillesand dan Kiefer, 1990): 1) Pemulihan Citra (image restoration) merupakan kegiatan yang bertujuan memperbaiki citra ke dalam bentuk yang lebih mirip dengan pandangan aslinya. Perbaikan ini meliputi koreksi radiometrik dan geometrik yang ada pada citra asli. 2) Penajaman citra (image enhancement ) kegiatan ini dilakukan sebelum abstract citra digunakan dalam analisis visual, dengan teknik penajaman dapat diterapkan untuk menguatkan tampak kontras di antara penampakan dalam adegan. Pada berbagai terapan langkah ini banyak meningkatkan jumlah informasi yang dapat diinterpretasi secara beheld dari data citra. 3) Klasifikasi citra (image classification) terdapat dua pendekatan dasar dalam melakukan klasifikasi citra yaitu unsupervised classification (klasifikasi tak terbimbing) dan supervised classification (klasifikasi terbimbing). Klasifikasi tak terbimbing dilakukan sebelum melakukan cek lapangan, sedangkan klasifikasi terbimbing dilakukan setelah melakukan cek lapangan dengan panduan klasifikasi titik-titik koordinat yang telah diambil dari lapangan. 4) Segmentasi citra ( Image Extraction) dilakukan dengan menandai daerah gambar yang menonjol. Hal ini berguna untuk aplikasi seperti segmentasi gambar, kompresi adaptif dan pengelompokkan berbasis wilayah gambar serta pemetaan piksel kedalam berbagai fitur spasial. Proses segmentasi terjadi setelah mengalami berbagai algoritma pengelompokan. Fuzzy C-Means

Analisis kluster atau clustering merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok lebih besar daripada kesamaan data tersebut dengan data dalam kelompok lain (Kusrini, 2009). Clustering dapat diterapkan ke dalam data yang kuantitatif (numerik), kualitatif (kategorikal) atau kombinasi dari keduanya. Data dapat merupakan hasil pengamatan dari suatu proses. Setiap pengamatan dapat memiliki n variabel pengukuran dan dikelompokkan dalam n dimensi vektor: zk = [z1k , …, znk ]T, zk Î R n Sebuah himpunan dari N pengamatan dinotasikan dengan:

53

gejala atau pemeriksaan terhadap pasien yang bersangkutan. Cluster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode clustering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan, apakah fuzzy atau crips (hard)(Kusrini,2009). Metode hard clustering merupakan model yang berdasarkan pada teori himpunan klasik dan suatu objek menjadi anggota atau tidak menjadi anggota secara penuh ke dalam suatu kelompok. Dalam metode fuzzy clustering level keanggotaan data dalam suatu kelompok tidak hanya 0 atau 1, tetapi dapat memiliki nilai antara 0 dan 1. Nilai level keanggotaan dalam setiap kolom matriks selalu berjumlah 1. Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidean untuk jarak antar vektor. Fuzzy C-Means (FCM) adalah suatu teknik pengklusteran data yang keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dasar FCM pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster . Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster . Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut (Kusumadewi,2010). Output dari FCM tidak merupakan fuzzy inference system, tetapi merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiaptiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system. Algoritma FCM dapat diuraikan sebagai berikut 1. Input data yang akan dikluster, X , berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data), dimana X ij = data sampel ke-i (i = 1,2,…, n), atribut ke- j ( j = 1,2,…,m) 2. Tentukan: a. Jumlah cluster = c b. Pangkat =w c. Maksimum iterasi= MaxIter

Z = { Z k | k = 1, 2, …, N}

dan direpresentasikan sebagai matriks n x N. Dalam terminologi pengenalan pola, kolom dalam matriks disebut patterns atau objects, baris disebut features atau attribute. Arti kolom dan baris dalam Z tergantung pada konteks pembahasan, misalnya pada diagnosis medik, kolom merepresentasikan pasien dan baris merepresentasikan

3.

d. Error terkecil yang diharapkan = x e. Fungsi objektif awal = P0 = 0 f. Iterasi awal = t = 1 Bangkitkan bilangan random m ik , i = 1,2,…,n; k = 1,2,…,c; sebagai elemen-elemen matriks partisi awal U . Hitung jumlah setiap kolom:

54


 ∑    =

dengan j = 1,2,…,n Hitung:

=

4.

Hitung pusat cluster ke-k : V kj, dengan k = 1,2,…,c; dan j = 1,2,…, m.

 ∑∑)∗  ∑ ∑ ∑  −      ∑  ∑∑  =

5.

((

)

Hitung fungsi objektif pada iterasi ke- t , Pt =

6.

Hitung perubahan matriks partisi =

7.

Dengan: i = 1,2,…,n; dan k = 1,2,…,m Cek kondisi berhenti: · Jika (|Pt – Pt-1| < x) atau (t > MaxIter) maka berhenti; · Jika tidak: t = t + 1, ulangi langkah ke-4

Jarak (distance)

Jarak digunakan untuk menentukan tingkat kesamaan (similarity degree) dan ketidaksamaan (dissimilarity degree) dua vector ciri. Tingkat kesamaan berupa suatu skor dan berdasarkan skor tersebut dua vektor akan dikatakan mirip atau tidak. (Putra, 2010). Jarak Euclidean adalah metrika yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Jarak Euclidean menghitung akar dari kuadrat 2 vektor (root of square differences between 2 vectors). Semakin kecil skor d(i,j) maka semakin mirip kedua vektor fitur uang dicocokkan. Sebaliknya semakin besar skor, maka semakin berbeda kedua vector ciri. Rumus dari jarak Euclidean :

   ( −   =

)

METODE PENELITIAN Jenis dan Rancangan Penelitian

Jenis penelitian yang dilakukan adalah bersifat rancang bangun. Peneliti akan mengumpulkan data dan informasi yang berhubungan dengan permasalahan yang berkaitan dengan segmentasi citra satelit serta penggunaan Fuzzy C Means sebagai metode clustering. Dari data yang diproleh akan dilakukan analisis untuk merancang aplikasi komputer. Rancangan yang diperoleh akan diterjemahkan ke dalam bahasa pemrograman. Secara umum, sistem akan melakukan segmentasi sungai dari citra satelit. Gambar3 menampilkan rancangan penelitian.

Gambar 2 Rancangan Penelitian

Aplikasi ini akan terdiri atas 6 modul, yaitu: 1. Modul data, bertujuan untuk mendapatkan citra satelit dari aplikasi google earth yang kemudian digunakan dalam penelitian. Data adalah citra sungai yang ada di kepulauan Indonesia. 2. Modul transformasi citra, bertujuan untuk melakukan transformasi pada citra yaitu dari citra RGB ke ruang warna grayscale. Ruang warna ini dipilih karena paling dekat dengan mata manusia, yang terbukti baik untuk proses pengenalan citra (Putra,2009) 3. Modul Histogram yaitu membuat histogram warna dari citra untuk mendapatkan fitur dominan yang akan dijadikan acuan untuk membentuk jumlah cluster pada modul klusterisasi berikutnya. 4. Modul Klusterisasi, bertujuan untuk melakukan segmentasi terhadap citra dengan menerapkan algoritma Fuzzy C-Means. Pada implementasi FCM jumlah cluster berpengaruh pada kualitas segmen yang dihasilkan. Semakin banyak jumlah cluster yang digunakan akan berdampak pada hasil segmentasi yang lebih halus. Semakin sedikit jumlah cluster yang digunakan, maka hasil segmentasi akan semakin kasar 5. Modul Fitur adalah modul untuk mendapatkan fitur sungai dari citra yang tersegmentasi. 6. Modul interprestasi citra, bertujuan untuk menampilkan hasil segmentasi citra dan kemudian menginterprestasikan apakah citra termasuk dalam kelompok sungai atau bukan sungai. Pada modul ini akan dilakukan pencocokan citra hasil dengan citra acuan dengan menerapkan jarak Euclidian. Semakin kecil jarak menunjukkan kedekatan terhadap salah satu kelompok. Input dari sistem yang dibangun adalah foto sungai dari citra satelit yan diambil dari aplikasi Google Earth. Citra ini kemudian diolah dalam sistem untuk disegmentasi. Sedangkan o utput dari sistem adalah berupa citra yang tersegmentasi, yaitu terjadi pemisahan dari area sungai, arena daratan, serta area pepohonan dari citra input. Segmentasi citra yang dihasilkan diharapkan mampu memberikan informasi kondisi sungai dalam keadaan kering, banjir atau normal. Kondisi citra


sungai acuan telah ditetapkan sebelumnya sebagai dasar pengujian. Pencocokan dilakukan dengan menghitung jarak terdekat antara citra acuan dengan citra uji dengan menggunakan jarak Euclidian. Jarak Euclidean adalah metrika yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Jarak Euclidean menghitung akar dari kuadrat 2 vektor (root of square differences between 2 vectors). Semakin kecil skor d(i,j) maka semakin mirip kedua vector fitur uang dicocokan. Sebaliknya semakin besar skor, maka semakin berbeda kedua vector ciri.

Data input berupa data satelit yang didapat dari aplikasi google earth. Beberapa contoh data input, ditampilkan pada Tabel 1 Tabel 1 Contoh data input citra satelit No

Lokasi

Aceh

2

Negara Bali

3

Singaraja

4

Citra bukan sungai

5

Klungkung

grayscale, dilanjutkan untuk melakukan segmentasi

dengan FCM. Tampilan form hasil pengolahan adalah seperti Gambar 3.

Gambar 3 Form pengolahan citra grayscale

HASIL DAN PEMBAHASAN Data Penelitian

1

55

Citra

Dari hasil segmentasi, sistem mengenali citra sebagai jenis citra sungai.Pada implementasi penelitian, didapatkan hasil yang beberapa diantaranya ditampilkan pada tabel 2. Pada Tabel 2, dari beberapa hasil implementasi sistem, dapat dilihat bahwa sistem mampu melakukan segmentasi citra dengan baik. Pada implementasi FCM jumlah cluster berpengaruh pada kualitas segmen yang dihasilkan. Semakin banyak jumlah cluster yang digunakan akan berdampak pada hasil segmentasi yang lebih halus. Semakin sedikit jumlah cluster yang digunakan, maka hasil segmentasi akan semakin kasar. Pada implementasi sistem ini, jumlah kluster dibatasi hanya 2 kluster yaitu kelompok sungai dan bukan sungai. Hal ini terlihat pada hasil segmentasi yang mengarahkan kelompok citra hasil kepada jenis citra sungai dan bukan sungai. Pada table di atas, data no 4 dan no 5 menghasilkan kelompok bukan sungai, walaupun citra asli merupakan sungai. Hal ini dikarenakan hasil segmentasi menghasilkan kluster daerah air/sungai sangat sedikit, jarak Euclidian dengan data acuan pun menjadi rendah, sehingga sistem mengenalinya sebagai jenis citra bukan sungai. SIMPULAN DAN SARAN Simpulan

Dari data input yang bertipe file .BMP akan dirubah terlebih dahulu ke citra grayscale untuk kemudian disegmentasi dengan FCM. B. Implementasi Sistem

Form menu terdiri atas 4 menu yaitu Open untuk membuka file input , Grayscale untuk menu perubahan citra berwarna menjadi citra grayscale, menu FCM adalah menu untuk pengolahan segmentasi citra, serta menu Keluar untuk keluar dari aplikasi. Pemilihan menu Open akan membawa kita pada open dialog box untuk memilih citra yang akan diolah. Setelah memilih citra yang akan diolah, dilanjutkan dengan proses transformasi citra ke ruang warna grayscale. Setelah citra input menjadi citra

Penelitian yang telah dilaksanakan ini, memberikan beberapa simpulan yaitu: 1. Sistem segmentasi sungai dari citra satelit dirancang dan dibangun dengan mengimplementasikan algoritma Fuzzy C-Means untuk melakukan segmentasi pada citra satelit terutama untuk citra sungai. 2. Dari hasil implementasi sistem terhadap data input , didapatkan bahwa Fuzzy C-Means mampu melakukan segmentasi sungai dari citra satelit dengan baik. 3. Pada implementasi FCM jumlah cluster berpengaruh pada kualitas segmen yang dihasilkan. Semakin banyak jumlah cluster yang digunakan akan berdampak pada hasil segmentasi yang lebih halus. Semakin sedikit jumlah cluster yang digunakan, maka hasil segmentasi akan semakin kasar

56


[4]

Saran

Beberapa saran untuk penelitian selanjutnya yaitu: 1. Agar mengimplementasikan berbagai metode segmentasi lainnya, di antaranya metode filtering ataupun metode klasifikasi untuk melakukan segmentasi citra digital terutama pada citra satelit. 2. Agar melakukan proses segmentasi dengan menetapkan jumlah kluster yang lebih banyak dari 2 kluster, karena semakin banyak jumlah kluster, kemungkinan hasil segmentasi akan semakin halus, sehingga hasil yang didapatkan pun semakin akurat. 3. Agar melakukan proses segmentasi tidak hanya pada citra satelit untuk menguji kinerja metode Fuzzy C-Means, sehingga didapatkan perbandingan, pada citra apa, metode ini bekerja paling baik.

[5]

[6] [7]

[8]

Table 2. Hasil sementasi citra satelit dengan FCM No

Citra asli

Grayscale

FCM

Hasil

1

Sungai

2

Sungai

[9]

[10] [11]

3

Sungai [12]

4

Bukan sungai

[13]

5

Bukan Sungai

[14]

Daftar Pustaka

[1]

[2]

[3]

Acharya Tinku, K Jay Ajoy. 2005. “ Image Processing Principles And Applications”. Usa : A John Wiley & Sons, Mc., Publication Chaudhuri, D. & Samal, Ashok, 2008, An Automatic Bridge Detection Technique For Multispectral Images IEEE Transactions On Geoscience And Remote Sensing, Vol. 46,No 9 Chen,Tse-Wei, dkk September 2010, Fast Image Segmentation Based on K-Means Clustering with Histograms in HSV Color Space, International Journal of Computer Applications (0975 – 8887)Volume 7– No.3, Taipe-Taiwan

[15]

[16]

Chen, Aijun, 2009,River Extraction Based on Knowledge and Fuzzy Classification, Fuzzy Systems and Knowledge Discovery, Sixth International Conference, Northeast Forestry University, China Danoedoro,Projo, 2011, Pengantar Penginderaan Jarak Jauh Digital, Edisi 1,Yogyakarta, Andi Offset Gonzalez, Rafael C. (2002), Digital Image Processing, Addison-Wesley. Hiremath & Kodge, 2010, Automatic Open Space Area Extraction and Change Detection from High Resolution Urban Satellite Images, IJCA Special issue on Recent Trends in Images Processing and Pattern Recognation, RTIPPR, India Kaur, Amanjot & Bir Sukhwinder 2010,Color Image Segmentation in CIELab Space Using Hill Climbing Algorithm ,International Journal of Computer Applications (0975 – 8887)Volume 7– No.3, Khoswanto ,Thiang Handry, 2009, Aplikasi Metode Hill Climbing Pada Standalonerobot Mobil Untuk Mencari Rute Terpendek, Jurusan Teknik Elektro, Universitas Kristen PetraSurabaya Kusrini, Dkk, 2009. “Algoritma Data Mining”. Yogyakarta: Andi Offset. Kusumadewi Sri, Dkk, 2010. “Aplikasi Logika Fuzzy Untuk Pendukung Keputusan”. Yogyakarta: Graha Ilmu. Lacoste, dkk,2004, Unsupervised Line Network Extraction From Remotely Sensed Images by Polyline Process, Ariana Joint Research Group, Prancis Lillesand, T.M. & Kiefer, R.W,1990, Penginderaan Jauh dan Interpretasi Citra (Terjemahan Dulbahri, dkk), Gadjah Mada University Press, Yogyakarta. Luo, Ming, dkk, 2003, A Spatial Constrained K-Means Approach to Image Segmentation, department of computer Science, University of Maryland, College Park, USA, http://lampsrv02.umiacs.umd.edu/pubs/Papers/ mingluo-03/mingluo-03.pdf Mai,Luong Chi, Module-Introduction To Image Processing And Computer Vision, Department Of Pattern Recognition And Knowledge Engineering Institute Of Information Technology, Hanoi, Vietnam. Http://Www.Netnam.Vn/Unescocourse/Compu tervision/Computer.Htm Mendes MES & Sack L, 2003, Evaluating Fuzzy Clustering for Relevance Based Information Access. Procedings of IEEE International Conference on Fuzzy Syst, 648653


57

Segmentasi Citra

Recommend Documents