segmentasi citra berbasis clustering menggunakan algoritma fuzzy c
TRANSCRIPT
TESIS
SEGMENTASI CITRA BERBASIS CLUSTERING
MENGGUNAKAN ALGORITMA FUZZY C-MEANS DAN CAT SWARM OPTIMIZATION
I MADE BUDI ADNYANA
PROGRAM PASCASARJANA UNIVERSITAS UDAYANA
DENPASAR 2015
TESIS
SEGMENTASI CITRA BERBASIS CLUSTERING
MENGGUNAKAN ALGORITMA FUZZY C-MEANS DAN CAT SWARM OPTIMIZATION
I MADE BUDI ADNYANA
NIM 1191761012
PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO
PROGRAM PASCASARJANA UNIVERSITAS UDAYANA
DENPASAR 2015
ii
SEGMENTASI CITRA BERBASIS CLUSTERING MENGGUNAKAN ALGORITMA FUZZY C-MEANS
DAN CAT SWARM OPTIMIZATION
Tesis untuk Memperoleh Gelar Magister pada Program Magister, Program Studi Teknik Elektro,
Program Pascasarjana Universitas Udayana
I MADE BUDI ADNYANA
NIM 1191761012
PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO
PROGRAM PASCASARJANA UNIVERSITAS UDAYANA
DENPASAR 2015
iii
Lembar Pengesahan
TESIS INI TELAH DISETUJUI
PADA TANGGAL 21 APRIL 2015
Mengetahui
Dosen Pembimbing II,
(Dr.Eng. I Putu Agung Bayupati, ST.,MT.) NIP. 19750423 200312 1 002
Dosen Pembimbing I,
(Prof. Dr. IKG Darma Putra, S.Kom.,MT.) NIP. 19740424 199903 1 003
Direktur
Program Pascasarjana Universitas Udayana
(Prof. Dr. dr. A.A Raka Sudewi, Sp.S(K)) NIP. 195902151985102001
Ketua Program Magister Program Studi Teknik Elektro
Program Pascasarjana Universitas Udayana
(Prof. Ir. Ida Ayu Dwi Giriantari, M.EngSc.,PhD.) NIP. 196512131991032001
iv
Tesis Ini Telah Diuji pada
Tanggal 10 April 2015
Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana,
No : 1135/UN14.4/HK/2015 Tanggal 10 April 2015
Ketua : Prof. Dr. IKG Darma Putra, S.Kom,. MT.
Anggota :
1. Dr.Eng. I Putu Agung Bayupati, ST.,MT
2. Prof. Ir. I.A Dwi Giriantari, MEngSc.,PhD
3. Ni Made Ary Esta Dewi Wirastuti, ST,. MSc,.PhD
4. Ir. Linawati, MEngSc.,PhD
v
SURAT PERNYATAAN BEBAS PLAGIAT
Saya yang bertanda tangan dibawah ini :
Nama : I Made Budi Adnyana
NIM : 1191761012
Program Studi : Magister Teknik Elektro
Judul Tesis : Segmentasi Citra Berbasis Clustering Menggunakan
Algoritma Fuzzy C Means Dan Cat Swarm Optimization
Dengan ini menatakan bahwa karya ilmiah Tesis ini bebas plagiat.
Apabila di kemudian hari terbukti plagiat dalam karya ilmiah ini, maka saya
bersedia menerima sanksi sesuai peraturan Mendiknas RI No. 17 tahun 2010 dan
Peraturan Perundang-undangan yang berlaku
Denpasar, 13 April 2015
Yang membuat pernyataan,
I Made Budi Adnyana
vi
UCAPAN TERIMA KASIH
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas segala berkah, semangat, kekuatan, dan karunia yang telah diberikan-Nya sehingga penulis dapat menyelesaikan penyusunan laporan tesis ini.
Pada kesempatan ini perkenankanlah penulis mengucapkan terima kasih yang sebesar-besarnya kepada Prof. Dr. IKG Darma Putra, S.Kom.,MT. selaku pembimbing I yang dengan penuh perhatian telah memberikan ilmu, bimbingan, saran dan motivasi selama penulis mengikuti program magister, khususnya dalam penyelesaian tesis ini. Terima kasih sebesar-besarnya pula penulis ucapkan kepada Dr.Eng. I Putu Agung Bayupati, ST.,MT, selaku pembimbing II yang dengan penuh perhatian dan kesabaran telah memberikan bimbingan dan saran dalam menyelesaikan tesis ini.
Ucapan terima kasih juga penulis sampaikan kepada Rektor Universitas Udayana Prof.Dr.dr. Ketut Suastika, SpPD KEMD atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister di Universitas Udayana. Ucapan terima kasih ini juga ditujukan kepada Direktur Program Pascasarjana Universitas Udayana yang dijabat oleh Prof. Dr. dr. A.A Raka Sudewi, Sp.S (K) atas kesempatan yang diberikan kepada penulis untuk menjadi mahasiswa Program Magister Universitas Udayana. Tidak lupa pula penulis ucapkan terima kasih kepada Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D sebagai Ketua Program Magister Program Studi Teknik Elektro Program Pasca Sarjana Universitas Udayana. Ucapan terima kasih juga penulis sampaikan kepada Bapak dan Ibu dosen Program Studi Teknik Elektro Program Pasca Sarjana Universitas Udayana beserta staff dan karyawan yang telah memberikan ilmu dan bimbingan kepada penulis selama mengikuti Program Magister di Universitas Udayana.
Pada kesempatan ini penulis menyampaikan ucapan terima kasih yang tulus disertai penghargaan kepada seluruh guru-guru yang yang telah membimbing penulis, mulai dari sekolah dasar sampai perguruan tinggi. Juga penulis ucapkan terima kasih kepada Ayah dan Ibu yang telah membesarkan penulis, memberikan dorongan, motivasi, dan bantuan selama menempuh Program Magister Universitas Udayana. Ucapan terima kasih juga penulis sampaikan kepada kakak dan adik yang telah memberikan dukungan. Akhirnya penulis sampaikan terima kasih kepada Wangi tercinta yang tiada henti memberikan perhatian, dorongan, motivasi, dan bantuan kepada penulis selama mengikuti Program Magister di Universitas Udayana.
Semoga Tuhan Yang Maha Esa selalu meilmpahkan rahmat-Nya kepada semua pihak yang telah membantu pelaksanaan dan penyelesaian tesis ini, serta kepada penulis sekeluarga.
Denpasar, April 2015 Penulis
vii
Abstrak
Segmentasi citra berbasis clustering pada penelitian ini menggunakan
metode Fuzzy C Means dioptimasi dengan algoritma Cat Swarm Optimization
untuk mendapatkan pusat cluster yang lebih optimal. Preprocessing diterapkan
pada citra uji menggunakan metode Statistical Region Merging. Fungsi objektif
yang digunakan pada metode yang diusulkan adalah Xie Beni Index. Evaluasi
sistem menggunakan dua pendekatan, yaitu dengan pengukuran nilai cluster
validity menggunakan Xie Beni Index, dan perbandingan hasil menggunakan
kuesioner. Hasil pengujian menunjukan algoritma FCM-CSO menghasilkan
segmentasi yang lebih baik daripada FCM standar.
Kata Kunci : segmentasi, cat swarm optimization, fuzzy c means, clustering
viii
Abstract
Fuzzy C Means with the Cat Swarm Optimization used in clustering-
based image segmentation to obtain the optimum cluster center. Preprocessing is
applied in the image test by using Statistical Region Merging. Xie-Beni Index is
used in the proposed method as the objective function. Two approaches are used
to evaluate the system as follows, Xie - Beni Index used in measuring the cluster
validity value and questionnaire as the result comparison. The result indicated
that FCM – CSO algorithm produced better segmentation than the standard
FCM.
Keywords : segmentation, cat swarm optimization, fuzzy c means, clustering
ix
DAFTAR ISI
SAMPUL DALAM .................................................................................................. i
PERSYARATAN GELAR ..................................................................................... ii
PERSETUJUAN PEMBIMBING .......................................................................... iii
PENETAPAN PANITIA PENGUJI ...................................................................... iv
SURAT PERNYATAAN BEBAS PLAGIAT........................................................ v
UCAPAN TERIMA KASIH .................................................................................. vi
ABSTRAK ............................................................................................................ vii
ABSTRACT ........................................................................................................... viii
DAFTAR ISI .......................................................................................................... ix
DAFTAR GAMBAR ............................................................................................. xi
DAFTAR TABEL ................................................................................................ xiii
DAFTAR LAMPIRAN ........................................................................................ xiv
DAFTAR ISTILAH DAN SINGKATAN ............................................................ xv
BAB I PENDAHULUAN ....................................................................................... 1
1.1. Latar Belakang ......................................................................................... 1
1.2. Rumusan Masalah .................................................................................... 4
1.3. Batasan Masalah ....................................................................................... 4
1.4. Tujuan Penelitian ...................................................................................... 6
1.5. Manfaat Penelitian .................................................................................... 6
1.6. Keaslian Penelitian ................................................................................... 7
BAB II TINJAUAN PUSTAKA ............................................................................. 8
2.1. State of the Art .......................................................................................... 8
2.2. Segmentasi Citra ....................................................................................... 9
2.3. Segmentasi Citra Berbasis Clustering .................................................... 11
2.4. Algoritma Fuzzy C-Means ..................................................................... 12
2.5. Cat Swarm Optimization ........................................................................ 16
BAB III METODE PENELITIAN........................................................................ 26
3.1. Tempat dan Waktu Penelitian ................................................................ 26
x
3.2. Sistematika Penelitian ............................................................................ 26
3.3. Studi Pustaka .......................................................................................... 27
3.4. Pengumpulan Data ................................................................................. 28
3.5. Gambaran Umum Sistem ....................................................................... 29
3.6. Instrumen Penelitian ............................................................................... 52
BAB IV HASIL DAN PEMBAHASAN .............................................................. 53
4.1. Antarmuka Sistem .................................................................................. 53
4.2. Eksekusi Program ................................................................................... 56
4.3. Perbandingan Hasil ................................................................................. 78
4.4. Analisa Hasil Kuesioner ......................................................................... 85
BAB V KESIMPULAN DAN SARAN ................................................................ 91
5.1. Kesimpulan ............................................................................................. 91
5.2. Saran ....................................................................................................... 92
DAFTAR PUSTAKA ........................................................................................... 93
LAMPIRAN .......................................................................................................... 95
xi
DAFTAR GAMBAR
Gambar 2.1 Bagan Umum Algoritma Fuzzy C Means .......................................... 16
Gambar 2.2 Algoritma Cat Swarm Optimization .................................................. 25
Gambar 3.1 Sistematika Penelitian ........................................................................ 27
Gambar 3.2 Gambaran Umum Sistem ................................................................... 29
Gambar 3.3 Citra uji ............................................................................................... 31
Gambar 3.4 Citra ground truth segmentation ........................................................ 32
Gambar 3.5 Segmentasi citra menggunakan Algoritma FCM-CSO ...................... 34
Gambar 3.6 Diagram Alur SRM ............................................................................ 36
Gambar 3.7 Contoh spatial information 5x5 window pada citra sampel ............... 40
Gambar 3.8 Draft Kuesioner .................................................................................. 51
Gambar 4.1 Tampilan Aplikasi Segmentasi Citra FCM-CSO ............................... 53
Gambar 4.2 Contoh tampilan citra uji pada aplikasi .............................................. 54
Gambar 4.3 Contoh tampilan parameter ................................................................ 55
Gambar 4.4 Tampilan proses segmentasi citra pada aplikasi ................................ 56
Gambar 4.5 Tampilan hasil pada tab “Results” ..................................................... 57
Gambar 4.6 Tampilan simpan hasil pengujian ....................................................... 58
Gambar 4.7 Hasil segmentasi citra “horses.png” dengan metode FCM standar ... 60
Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar ..... 62
Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar 64
Gambar 4.10 Hasil segmentasi citra “duck.png” dengan metode FCM standar .... 66
Gambar 4.11 Hasil segmentasi citra “carriage.png” dengan metode FCM standar68
Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM-CSO ..... 70
Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCM-CSO ...... 72
Gambar 4.14 Hasil segmentasi citra “redberry.png” dengan metode FCM-CSO.. 74
Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCM-CSO ...... 76
Gambar 4.16 Hasil segmentasi citra “carriage.png” dengan metode FCM-CSO .. 78
Gambar 4.17 Perbandingan hasil segmentasi citra uji “horses.png” ..................... 82
Gambar 4.18 Perbandingan hasil segmentasi citra uji “chain.png” ....................... 82
xii
Gambar 4.19 Perbandingan hasil segmentasi citra uji “redberry.png” .................. 83
Gambar 4.20 Perbandingan hasil segmentasi citra uji “duck.png” ........................ 83
Gambar 4.21 Perbandingan hasil segmentasi citra uji “carriage.png” ................... 84
xiii
DAFTAR TABEL
Tabel 4.1 Hasil uji citra “horses.png” dengan FCM standar.................................. 59
Tabel 4.2 Hasil uji citra “chain.png” dengan FCM standar ................................... 61
Tabel 4.3 Hasil uji citra “redberry.png” dengan FCM standar .............................. 63
Tabel 4.4 Hasil uji citra “duck.png” dengan FCM standar .................................... 65
Tabel 4.5 Hasil uji citra “carriage.png” dengan FCM Standar .............................. 67
Tabel 4.6 Hasil uji citra “horses.png” dengan FCM-CSO ..................................... 69
Tabel 4.7 Hasil uji citra “chain.png” dengan FCM-CSO....................................... 71
Tabel 4.8 Hasil uji citra “redberry.png” dengan FCM-CSO .................................. 73
Tabel 4.9 Hasil uji citra “duck.png” dengan FCM-CSO ....................................... 75
Tabel 4.10 Hasil uji citra “carriage.png” dengan FCM-CSO ................................ 77
Tabel 4.11 Perbandingan waktu eksekusi (detik) .................................................. 79
Tabel 4.12 Perbandingan jumlah iterasi ................................................................. 79
Tabel 4.13 Perbandingan nilai Xie-Beni Index ...................................................... 80
Tabel 4.14 Perbandingan rata-rata iterasi, waktu eksekusi dan XB Index............. 81
Tabel 4.15 Rangkuman hasil kuesioner citra uji “horses.png” .............................. 85
Tabel 4.16 Rangkuman hasil kuesioner citra uji “chain.png” ................................ 87
Tabel 4.17 Rangkuman hasil kuesioner citra uji “redberry.png” ........................... 88
Tabel 4.18 Rangkuman hasil kuesioner citra uji “duck.png”................................. 88
Tabel 4.19 Rangkuman hasil kuesioner citra uji “carriage.png” ........................... 89
xiv
DAFTAR LAMPIRAN
Lampiran 1 : Kuesioner Perbandingan Hasil Segmentasi Citra ............................. 95
xv
DAFTAR ISTILAH DAN SINGKATAN
CD : Changed Dimension
CSO : Cat Swarm Optimization
FCM : Fuzzy C-Means
FCM-CSO : Algoritma hybrid Fuzzy C-Means dengan Cat Swarm
Optimization
GA : Genetic Algorithm
Matriks partisi : Matriks yang menunjukkan derajat keanggotaan terhadap
cluster dalam Fuzzy C-Means
MR : Mixture Ratio
MRI : Magnetic Resonance Image
PSO : Particle Swarm Optimization
Responden : Orang atau pihak yang mengisi kuisioner
RGB : Red Green Blue
Skala Likert : Skala psikometrik yang umum digunakan dalam kuisioner,
dimana responden menentukan tingkat persetujuan mereka
terhadap suatu pertanyaan dengan memilih salah satu
pilihan yang tersedia, misalnya : sangat baik, baik, buruk,
sangat buruk.
SM : Seeking Memory, variabel pada algoritma Cat Swarm
Optimization
SPF : Self Position Flag
SR : Seeking Range
SSE : Sum of Squared Error
Stopping criteria : Kriteria untuk berhenti dalam suatu proses iterasi
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Segmentasi merupakan suatu bagian yang sangat penting dalam analisis
citra secara otomatis, sebab pada prosedur ini obyek yang diinginkan akan
dianalisis untuk proses yang lebih lanjut, misalnya pada pengenalan pola.
Segmentasi citra (image segmentation) berfungsi membagi suatu citra menjadi
wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara
tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya
(pada citra grayscale), kemudian hasil dari proses segmentasi ini akan digunakan
untuk proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra,
misalnya proses klasifikasi citra dan proses identifikasi objek, yang dapat
diterapkan pada berbagai aplikasi seperti robotics, security, machine vision dan
analisis pada neural imaging scans.
Terdapat dua pendekatan utama dalam segmentasi citra yaitu didasarkan
pada tepi (edge-based) dan didasarkan pada wilayah (region-based). Segmentasi
didasarkan pada tepi membagi citra berdasarkan diskontinuitas di antara sub-
wilayah (sub-region), sedangkan segmentasi yang didasarkan pada wilayah
bekerjanya berdasarkan keseragaman yang ada pada sub-wilayah tersebut. Pada
bidang computer vision, segmentasi mengacu pada proses pembagian citra digital
ke dalam multiple region (himpunan piksel). Tujuan akhir dari segmentasi adalah
2
menyederhanakan dan atau merubah representasi suatu citra ke dalam gambaran
yang lebih mempunyai arti dan lebih mudah untuk dianalisis. Segmentasi citra
secara khusus digunakan untuk melokalisasi objek atau batas (bisa berupa garis
dan kurva) dalam citra. Hasil dari segmentasi citra adalah sekumpulan wilayah
yang melingkupi citra tersebut, atau sekumpulan kontur yang diekstrak dari citra
(pada deteksi tepi).
Salah satu teknik dalam segmentasi citra adalah dengan clustering.
Clustering merupakan metode mengelompokkan atau mempartisi data dalam
suatu dataset, dimana dalam segmentasi citra data yang dikelompokkan adalah
piksel-piksel citra. Segmentasi citra berbasis clustering ini dapat diterapkan pada
citra berwarna maupun citra grayscale. Terdapat beberapa algoritma clustering
yang dapat digunakan dalam menyelesaikan permasalahan segmentasi citra seperti
algoritma K-means, Fuzzy C-Means, ISODATA, dan Snob. Fuzzy C-Means
merupakan algoritma yang populer digunakan dalam teknik fuzzy clustering.
Pengembangan algoritma Fuzzy C-Means untuk segmentasi citra ini pun telah
dilakukan dengan mengkombinasikannya dengan beberapa algoritma
metaheuristik atau algoritma optimasi seperti genetic algorithm (Amiya Halder
dkk, 2011) dan particle swarm optimization (Mahamed G. H. dkk, 2005) untuk
mendapatkan hasil yang lebih optimal.
Seiring dengan perkembangan teknologi, perkembangan teknik-teknik
segmentasi citra pun juga berkembang untuk memperoleh hasil yang lebih bagus
dan berkualitas. Meskipun demikian, terkadang segmentasi citra memberikan
hasil yang kurang memuaskan pada suatu citra tertentu. Hal ini dapat dipengaruhi
3
oleh beberapa faktor variasi yang terdapat pada citra itu sendiri seperti
pencahayaan, citra yang mengalami degradasi atau citra yang warnanya kabur,
dan citra yang berisi noise. Selain itu dapat juga disebabkan oleh algoritma-
algoritma yang digunakan belum mampu melakukan segmentasi citra dengan
baik. Maka diperlukan suatu pengembangan model algoritma untuk melakukan
segmentasi citra agar memperoleh hasil lebih bagus yang dapat diterapkan pada
berbagai macam citra.
Shu Chuan Chu (2006) mengusulkan sebuah algoritma baru dalam teknik
optimasi yang meniru perilaku kucing yang diberi nama Cat Swarm Optimization
(CSO). Algoritma ini memiliki sejumlah kelebihan dalam menyelesaikan
permasalahan-permasalahan optimasi dibandingkan dengan teknik-teknik
sebelumnya seperti Particle Swarm Optimization (PSO) ataupun PSO dengan
Weighting Factor (S. C. Chu dkk, 2006). Awalnya algoritma ini masih digunakan
untuk menyelesaikan unconstrained minimization problem. Seiring dengan
perkembangan teknologi, algoritma ini pun telah diimplementasikan pada
berbagai permasalahan dalam data mining, seperti clustering dan classification
(Yongguo Liu dkk, 2010). Algoritma ini juga pernah diterapkan pada bidang
pengolahan citra digital, yaitu pada permasalahan image edge enhancement
dengan menggunakan smoothening filter. Hasil evaluasi model yang
dikembangkan menunjukkan bahwa model yang dikembangkan dengan CSO
menghasilkan citra dengan kualitas yang lebih bagus dibandingkan dengan GA
(Tirimula Rao Benala dkk, 2011). Namun algoritma ini sama sekali belum pernah
4
digunakan untuk menyelesaikan permasalahan segmentasi citra khususnya
segmentasi citra berbasis clustering dengan algoritma Fuzzy C-Means.
Usulan penelitian ini mencoba menerapkan algoritma Fuzzy C Means
dioptimasi dengan algoritma Cat Swarm Optimization untuk melakukan proses
segmentasi citra berbasis clustering. Citra uji yang akan digunakan untuk uji coba
dari model yang dikembangkan ini adalah beberapa standar test image yang biasa
digunakan oleh para peneliti untuk menguji algoritma yang dikembangkan. Untuk
mengetahui unjuk kerja dari model algoritma yang dikembangkan ini maka output
yang dihasilkan akan dikomparasi dengan output dari algoritma Fuzzy C-Means
standar.
1.2. Rumusan Masalah
Berdasarkan latar belakang yang dipaparkan diatas, maka permasalahan-
permasalahannya dapat dirumuskan sebagai berikut :
1) Bagaimana menerapkan algoritma hybrid FCM-CSO yang terdiri dari
Fuzzy C-Means dan Cat Swarm Optimization pada segmentasi citra.
2) Bagaimana unjuk kerja segmentasi citra dengan menggunakan algoritma
FCM-CSO.
1.3. Batasan Masalah
Agar ruang lingkup penelitian tidak terlalu luas, maka diperlukan suatu
batasan-batasan pada permasalahan yang diangkat. Adapun batasan-batasan yang
terdapat pada penelitian yang diusulkan ini adalah sebagai berikut:
5
1) Algoritma Cat Swarm Optimization digunakan untuk mengoptimasi
perubahan pusat cluster pada algoritma Fuzzy C Means sehingga
diharapkan dapat menghasilkan pusat cluster yang lebih bagus.
2) Terdapat proses pre-processing yang terdiri dari Statistical Region
Merging dan Color Correction untuk menyederhanakan kompleksitas
warna pada citra uji sehingga lebih mudah disegmentasi.
3) Algoritma FCM-CSO yang dikembangkan dalam penelitian ini
menerapkan spatial function untuk mengurangi kesalahan clustering
akibat citra yang mengandung noise
4) Algoritma FCM-CSO ini akan diujikan pada 5 buah citra standar test
image yang diperoleh dari Weizmann Segmentation Dataset.
5) Output dari sistem ini adalah berupa citra yang sudah tersegmentasi
sesuai dengan jumlah clusternya.
6) Hasil segmentasi citra dengan algoritma FCM-CSO dikomparasi dengan
algoritma Fuzzy C-Means standar untuk mengetahui perbedaan output
yang dihasilkan atau sebagai benchmark.
7) Perbandingan hasil antara algoritma FCM-CSO dengan algoritma Fuzzy
C Means standar dilakukan dengan menggunakan dua pendekatan, yaitu :
a) Perbandingan hasil berdasarkan unjuk kerja sistem meliputi
perbandingan nilai cluster validity index, rata-rata waktu eksekusi,
dan rata-rata jumlah iterasi.
6
b) Perbandingan hasil menggunakan metode kuesioner untuk
mengetahui hasil segmentasi citra berdasarkan persepsi dari
responden.
1.4. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah sebagai berikut:
1) Menerapkan metode optimasi Cat Swarm Optimization pada metode
clustering Fuzzy C-Means untuk melakukan proses segmentasi citra.
2) Mengetahui unjuk kerja segmentasi citra dengan menggunakan metode
FCM-CSO.
3) Mengetahui perbandingan hasil segmentasi citra antara metode FCM-
CSO dengan metode Fuzzy C-Means standar yang digunakan sebagai
benchmark.
1.5. Manfaat Penelitian
Adapun manfaat yang diharapkan bisa diperoleh dari penelitian ini
adalah sebagai berikut:
1) Dihasilkannya model algoritma kombinasi untuk menyelesaikan
permasalahan segmentasi citra sehingga dapat menghasilkan output
berupa citra yang tersegmentasi.
2) Dihasilkannya citra tersegmentasi diharapkan dapat digunakan dengan
baik untuk proses lanjut dalam pengolahan citra, seperti proses klasifikasi
citra atau pengenalan objek.
7
3) Diterapkannya algoritma Cat Swarm Optimization pada permasalahan
segmentasi citra diharapkan dapat menjadi acuan pengembangan atau
penelitian yang lebih lanjut di bidang pengolahan citra digital.
1.6. Keaslian Penelitian
Algoritma clustering Fuzzy C-Means telah banyak digunakan dalam
menyelesaikan permasalahan segmentasi citra dan telah dikembangkan dengan
algoritma-algoritma lainnya, seperti genetic algorithm (GA), particle swarm
optimization (PSO) dan sebagainya. Algoritma Cat Swarm Optimization
merupakan sebuah algoritma optimasi baru yang ditemukan pada Tahun 2006
dimana algoritma ini belum pernah sama sekali diterapkan dengan algoritma
Fuzzy C-Means dalam menyelesaikan permasalahan segmentasi citra. Mengingat
kebutuhan akan pengolahan citra digital yang semakin luas dan kompleks serta
penelitian ini belum pernah dilakukan sebelumnya, maka pengembangan model
ini akan sangat menarik untuk dilakukan.
8
BAB II
TINJAUAN PUSTAKA
2.1. State of the Art
Algoritma Fuzzy C-Means populer digunakan dalam berbagai
permasalahan clustering, salah satunya dalam permasalahan segmentasi citra yang
berbasis clustering. Algoritma Fuzzy C-Means yang masih standar akan
menimbulkan kelemahan dalam melakukan segmentasi citra yang mengandung
noise. Penelitian telah dilakukan dengan mengembangkan algoritma Fuzzy C-
Means ini dengan menambahkan spatial function untuk menangani masalah ini
(Keh-Shih Chuang dkk, 2006).
Seiring dengan perkembangan waktu, algoritma Fuzzy C-Means ini telah
diadaptasikan dengan berbagai algoritma metaheuristik seperti Genetic Algorithm
(Amiya Halder dkk, 2011) dan algoritma Particle Swarm Optimization yang telah
termodifikasi (Mahamed G. H. dkk, 2005). Tujuan diterapkannya algoritma-
algoritma ini adalah untuk mendapatkan hasil segmentasi citra yang lebih bagus.
Pada kedua penelitian tersebut peneliti menerapkan model algoritmanya ke
berbagai jenis citra uji standar, selanjutnya membandingkan hasilnya dengan
berbagai algoritma lain yang sudah pernah dikembangkan sebelumnya. Hasil
komparasinya menunjukkan algoritma yang mereka usulkan tersebut
menghasilkan segmentasi yang lebih baik, namun hanya pada beberapa jenis citra.
9
Sebuah algoritma optimasi yang termasuk dalam swarm intelligence
ditemukan pada Tahun 2006 dengan melakukan observasi terhadap perilaku cat
atau kucing yang disebut dengan Cat Swarm Optimization (S. C. Chu dkk, 2006).
Algoritma Cat Swarm Optimization ini pun telah dikembangkan untuk
menyelesaikan permasalahan clustering dalam kasus-kasus data mining (Yongguo
Liu dkk, 2010).
Pada bidang pengolahan citra digital, algoritma Cat Swarm Optimization
ini sudah pernah diterapkan oleh Tirimula Rao Benala dkk (2011) pada
permasalahan image edge enhancement. Algoritma Cat Swarm Optimization ini
dikomparasi dengan Algoritma Genetika (GA) untuk membuat model hybrid
smothening filter. Model ini menggunakan berbagai macam teknik filter dasar
seperti mean, median, mode, circular, pyramidal, dan cone. Selanjutnya teknik-
teknik filter tersebut dioptimasi menggunakan CSO dan GA. Hasil evaluasi model
ini menunjukkan bahwa model yang dikembangkan dengan CSO menghasilkan
citra dengan kualitas yang lebih bagus (Tirimula Rao Benala dkk, 2011).
Oleh karena itu, akan menjadi sesuatu yang baru jika algoritma Cat
Swarm Optimization ini dapat diterapkan dalam menyelesaikan permasalahan
segmentasi citra dimana model ini akan digunakan untuk mengoptimasi algoritma
Fuzzy C-Means untuk menghasilkan soft clustering.
2.2. Segmentasi Citra
Pengolahan citra digital merupakan sebuah disiplin ilmu yang
mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar
10
(peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar
(rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan citra ciri
(feature images) yang optimal untuk tujuan analisis, melakukan proses penarikan
informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra,
melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi
data, dan waktu proses data. Input dari pengolahan citra adalah citra, sedangkan
output-nya adalah citra hasil pengolahan.
Segmentasi citra merupakan bagian dari proses pengolahan citra. Proses
segmentasi citra ini lebih banyak merupakan suatu proses pra pengolahan pada
sistem pengenalan objek dalam citra. Segmentasi citra (image segmentation)
mempunyai arti membagi suatu citra menjadi wilayah-wilayah yang homogen
berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel
dengan tingkat keabuan piksel-piksel tetangganya, kemudian hasil dari proses
segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat
dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses
identifikasi objek. Adapun dalam proses segmentasi citra itu sendiri terdapat
beberapa algoritma, diantaranya : algoritma Deteksi Titik, Deteksi Garis, dan
Deteksi Sisi (berdasarkan Operator Robert dan Operator Sobel).
Segmentasi citra merupakan suatu bagian yang sangat penting dalam
analisis citra secara otomatis, sebab pada prosedur ini obyek yang diinginkan akan
di-scan untuk proses selanjutnya, misalnya: pada pengenalan pola. Algoritma
segmentasi didasarkan pada dua buah karakteristik nilai derajat kecerahan citra,
yaitu: discontinuity dan similarity. Kategori pertama, citra dipisahkan/dibagi atas
11
dasar perubahan yang mencolok dari derajat kecerahannya. Aplikasi yang umum
adalah untuk deteksi titik, garis, area, dan sisi citra. Selanjutnya pada kategori
kedua, didasarkan atas thresholding, region growing, region splitting and
merging, dan segmentasi berbasis clustering. Prinsip segmentasi citra bisa
diterapkan untuk citra yang statis maupun dinamis.
2.3. Segmentasi Citra Berbasis Clustering
Segmentasi citra berbasis clustering menggunakan data multidimensi
untuk mengelompokkan piksel citra ke dalam beberapa clustering. Data
multidimensi pada citra ini maksudnya adalah banyaknya atribut atau komponen
penyusun suatu citra, misalnya citra grayscale mempunyai satu buah dimensi,
citra RGB mempunyai tiga buah dimensi, dan sebagainya. Pada umumnya piksel
di-clustering berdasarkan kedekatan jarak antar piksel. Segmentasi berbasis
clustering ini mulai populer sejak diimplementasikan pada aplikasi OCR (Optical
Character Recognition), pengenalan sidik jari hingga remote sensing.
Keberhasilan dari proses segmentasi berbasis clustering ini ditentukan dari
keberhasilan dalam mengelompokkan fitur-fitur yang berdekatan ke dalam satu
cluster (Darma Putra, 2010).
Metode-metode dalam segmentasi berbasis clustering di antaranya adalah
metode iterasi, K-Means, Fuzzy C-means, jaringan syaraf Kohonen, dan berbagai
teknik cluster lainnya. Salah satu metode yang sangat baik digunakan untuk
segmentasi citra adalah Fuzzy C-Means clustering. Fuzzy C-Means ini merupakan
algoritma k-means yang diimprovisasi dengan Fuzzy Set Theory dengan
menerapkan derajat keanggotaan, dimana satu piksel citra dapat dimiliki oleh
12
beberapa cluster. “Soft” clustering ini memberikan komputasi yang lebih tepat
dalam menentukan keanggotaan dari cluster.
2.4. Algoritma Fuzzy C-Means
Fuzzy C-Means (FCM) clustering merupakan model pengelompokan
fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk
dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Tingkat
keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat
keanggotaannya. 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 data memiliki derajat
keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan
nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat
cluster akan menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi
fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat
dari cluster yang terboboti oleh derajat keanggotaan titik data dari himpunan
fuzzy tersebut.
Algoritma Fuzzy C Means pertama kali diperkenalkan oleh Dunn (1974),
kemudian dikembangkan oleh Bezdek (1981), kemudian direvisi oleh Rouben
(1982), Trauwert (1985), Goth dan Geva (1989), Gu dan Gubuisson (1990), Xie
dan Beni (1991). Namun, algoritma FCM dari Bezdek yang paling banyak
digunakan. Fuzzy C-Means adalah salah satu teknik pengelompokkan data yang
mana keberadaan tiap titik data dalam suatu kelompok (cluster) ditentukan oleh
derajat keanggotan. Berbeda dengan k-means clustering, dimana suatu objek
13
hanya akan menjadi anggota satu cluster, dalam Fuzzy C-Means setiap objek
dapat menjadi anggota dari beberapa cluster. Batas-batas dalam k-means adalah
tegas (hard) sedangkan dalam Fuzzy C-Means adalah soft. Fuzzy C-Means
bersifat sederhana, mudah diimplementasikan, memiliki kemampuan untuk
mengelompokkan data yang besar, lebih kokoh terhadap data outlier.
Langkah-langkah algoritma Fuzzy C-Means adalah sebagai berikut:
1) Peng-input-an data yang akan di cluster X, berupa matriks berukuran nxm.
dengan :
n : jumlah data sample
m : atribut setiap data
Xij : data sample ke-i (i = 1,2,…,n), atribut ke-j (j = 1,2,…,m)
2) Menentukan:
a. Jumlah cluster : c
b. Pangkat : m
c. Maksimum iterasi : MaxIter
d. Error terkecil yang diharapkan : ξ
e. Fungsi obyektif awal : P0 = 0
f. Iterasi awal : t = 1
3) Membangkitkan nilai acak µik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-
elemen matriks partisi awal u. µik adalah derajat keanggotaan yang
merujuk pada seberapa besar kemungkinan suatu data bisa menjadi
anggota ke dalam suatu cluster. Posisi dan nilai matriks dibangun secara
random. Dimana nilai keanggotaan terletak pada interval 0 sampai dengan
14
1. Pada posisi awal matriks partisi U masih belum akurat begitu juga pusat
clusternya. Sehingga kecendrungan data untuk masuk suatu cluster juga
belum akurat.
Selanjutnya menghitung jumlah setiap kolom (atribut)
�� = � µ���� (2.1)
Qj adalah jumlah nilai derajat keanggotaan perkolom = 1 dengan
j=1,2,…m
Selanjutnya dilakukan perhitungan sebagai berikut :
µ�� = µ�� � (2.2)
4) Menghitung pusat cluster ke-k : Vkj ,dengan k=1,2,…c; dan j=1,2,…m.
��� = � ((µ��)�∗ ������� )� (µ��)��
��� (2.3)
5) Menghitung fungsi obyektif pada iterasi ke-t, Pt.
Fungsi obyektif digunakan sebagai syarat perulangan untuk mendapatkan
pusat cluster yang tepat. Sehingga diperoleh kecendrungan data untuk
masuk ke cluster mana pada langkah akhir.
P� = ∑ ∑ ([� ( �� − ���)"#� ](µ��)#)%�&� (2.4)
15
6) Menghitung perubahan matriks partisi:
µ�� = [� (���' (��))���� )] *��*�
∑ [∑ +���' (��,)���� ]-.��*��*� (2.5)
dengan: i=1,2,…n; dan k=1,2,..c.
7) Mengecek kondisi berhenti:
Jika:
(|Pt – Pt-1| < ζ)
atau
(t > maxIterasi)
maka berhenti;
Jika tidak: t = t + 1, dilakukan pengulangan langkah ke-4.
16
Gambar 2.1 Bagan Umum Algoritma Fuzzy C Means
2.5. Cat Swarm Optimization
Computational intelligence adalah riset penelitian yang marak
dibicarakan belakangan ini dan telah ditemukan beberapa algoritma di bidang
optimasi. Algoritma populer yang termasuk computational intelligence
diantaranya adalah Genetic Algorithm (GA), Ant Colony Optimization (ACO),
Particle Swarm Optimization (PSO), Bacteriological algorithm (BA) dan
Simulated Annealing (SA). GA, BA, dan SA merupakan kelompok area
17
evolutionary algorithm, sedangkan ACO dan PSO berada di bawah naungan
swarm intelligence.
Evolutionary algorithm (EA) adalah algoritma optimasi metaheuristic
yang berdasar pada populasi secara umum. EA menggunakan mekanisme-
mekanisme yang diinspirasi oleh evolusi biologis: reproduksi, mutasi,
rekombinasi, dan seleksi. Sedangkan swarm intelligence adalah teknik kecerdasan
buatan yang berdasarkan pada studi dari perilaku sekelompok sistem yang
tersebar dan terorganisir. Menurut Liu dan Kevin M. Passino (2000), swarm
intelligence adalah kecerdasan kolektif yang muncul dari sekelompok agent atau
individu mahluk hidup. Contoh dari swarm intelligence yang ada di alam adalah
koloni semut, kawanan burung, penggembalaan, dan kawanan ikan. Dilihat dari
contoh-contoh tersebut, setiap kawanan tidak memiliki kontrol terpusat yang
mengendalikan mereka. Namun, interaksi lokal antar agent di dalamnya seringkali
mengarah pada kemunculan perilaku global. Beberapa algoritma yang tergolong
ke dalam computational intelligence tersebut dapat diklasifikasikan sebagai
berikut:
1) Evolutionary computing algorithm
a) Genetic Algorithm (GA), merupakan pencarian heuristik yang
meniru proses evolusi di alam, yang menciptakan solusi untuk
permasalahan optimasi menggunakan teknik-teknik yang
diinspirasi dari evolusi alamiah seperti pewarisan, mutasi,
persilangan, dan seleksi alam. Algoritma ini dipopulerkan awal
18
Tahun 1970-an oleh John Holland, namun ide-ide yang mengarah
ke metode ini sudah ada pada tahun-tahun sebelumnya.
b) Simulated Annaeling (SA), merupakan teknik optimasi global yang
melintasi ruang pencarian dengan menguji beberapa mutasi acak
pada solusi individu. Sebuah mutasi yang meningkatkan fitness
selalu diterima. Sebuah mutasi yang menurunkan fitness diterima
secara probalistik. Metode ini pertama kali dipaparkan oleh Scott
Kirkpatrick pada Tahun 1983.
c) Bacteriological Algortihm (BA), diinspirasi dari ekologi
evolusioner, khususnya adaptasi bakteriologi. Ekologi evolusioner
merupakan studi tentang organisme hidup dalam konteks
lingkungan, dengan tujuan untuk mempelajari bagaimana mereka
beradaptasi. Metode ini dikenalkan oleh Baudry pada Tahun 2005.
2) Swarm intelligence
a) Ant Colony Optimization (ACO), menggunakan banyak semut
(ants) untuk menjelajahi ruang solusi dan menemukan area lokal
yang produktif . ACO merupakan teknik probabilistik untuk
memecahkan permasalahan komputasi yang bisa disederhanakan
untuk menemukan jalur yang bagus dalam suatu graph. Metode ini
diusulkan oleh Marco Dorigo pada tesisnya Tahun 1992.
b) Particle Swarm Optimization (PSO), merupakan metode komputasi
untuk optimasi dengan multi-parameter yang juga menggunakan
pendekatan berbasis populasi. Populasi (swarm) dari kandidat
19
solusi (partikel) bergerak di ruang solusi, dan pergerakan partikel
dipengaruhi oleh posisi terbaiknya sendiri dan posisi terbaik global.
Algoritma ini diusulkan oleh J. Kennedy pada Tahun 1995.
Cat Swarm Optimization juga merupakan algoritma yang berada di
bawah bagian swarm intelligence yang diusulkan oleh Shu-Chuan Chu dan Pei-
Wei Tsai pada Tahun 2006, yang didapat melalui pengamatan terhadap perilaku
sekumpulan kucing. Dalam ACO semut digunakan sebagai agent, dan jalur yang
dilalui oleh semut-semut tersebut adalah set solusinya. Dalam PSO, posisi-posisi
dari kawanan burung digunakan untuk menggambarkan set solusinya. Sedangkan
dalam Cat Swarm Optimization, sekumpulan kucing (cats) dan model perilakunya
digunakan untuk menyelesaikan permasalahan optimasi.
2.5.1. Algoritma Cat Swarm Optimization
Chu dkk. (2006) membagi algortima Cat Swarm Optimization ke dalam
dua sub model yang berdasar dari dua perilaku utama cat. Yaitu seeking mode dan
tracing mode. Untuk lebih jelasnya langkah-langkah algoritma Cat Swarm
Optimization seperti yang disampaikan Chu dkk. (2006) dalam penelitiannya akan
dijabarkan dalam sub bab berikutnya.
2.5.1.1. Set solusi dalam model
Bagaimanapun bentuk algortima optimasi, set solusi (hasil) harus
ditampilkan dalam suatu cara tertentu. Misalnya dalam Ant Colony Optimization
(ACO) semut disimulasikan sebagai agen, dan jalur yang dibentuk oleh semut
menunjukkan set solusinya. Dalam Cat Swarm Optimization, digunakan cat dan
20
model perilaku cat untuk menyelesaikan permasalahan optimasi. Dengan kata lain
cat digunakan untuk menggambarkan set solusi. Tahap pertama dalam Cat Swarm
Optimization adalah menentukan berapa banyak cat akan digunakan dalam iterasi,
kemudian menggunakan cat dalam Cat Swarm Optimization untuk menyelesaikan
permasalahan. Setiap cat masing-masing memiliki posisi yang tersusun dalam
dimensi D, kecepatan untuk setiap dimensi, nilai kecocokan yang menunjukkan
penyesuaian cat dengan fungsi kecocokan, dan bendera untuk mengetahui apakah
cat berada dalam seeking mode atau tracing mode. Solusi akhir adalah posisi
terbaik dari salah satu cat. Cat Swarm Optimization akan menyimpan solusi
terbaik hingga akhir iterasi.
2.5.1.2. Seeking mode
Sub model ini digunakan untuk memodelkan situasi cat ketika dalam
keadaan beristirahat, melihat sekeliling dan mencari posisi berikutnya untuk
bergerak. Pada seeking mode, didefinisikan empat faktor penting: seeking memory
pool (SMP), seeking range of the selected dimension (SRD) atau mencari rentang
dimensi terpilih, counts of dimension to change (CDC) atau menghitung dimensi
yang akan berubah, dan self-position considering (SPC) atau mempertimbangkan
posisi.
SMP digunakan untuk mendefinisikan ukuran memori pencarian untuk
masing-masing cat, yang mengindikasikan titik-titik yang telah dicoba oleh cat.
Cat tersebut kemudian akan memilih titik dari kelompok memori berdasarkan
aturan yang akan dijelaskan kemudian. SRD menunjukkan rentang perpindahan
21
dalam dimensi terpilih. Pada seeking mode, jika suatu dimensi diputuskan
berpindah, selisih antara nilai baru dengan yang lama tidak boleh melebihi suatu
rentang, yaitu rentang yang didefinisikan oleh SRD. CDC memperlihatkan berapa
besar dimensi yang akan berubah. Keseluruhan faktor inilah yang memegang
peran penting dalam seeking mode.
SPC merupakan variabel Boolean (bernilai benar atau salah), untuk
memutuskan apakah suatu titik, yang pernah menjadi posisi cat, akan menjadi
kandidat posisi untuk bergerak. Bagaimanapun nilai SPC, entah benar ataupun
salah, nilai SMP tidak akan terpengaruh. Langkah-langkah seeking mode dapat
dideskripsikan dalam 5 tahap.
1) Langkah 1: Bangkitkan j tiruan dari posisi saat ini cat k, di mana j = SMP.
Jika nilai SPC benar, maka j = (SMP–1), kemudian pertahankan posisi saat
ini sebagai salah satu kandidat.
2) Langkah 2: Untuk setiap tiruan, disesuaikan dengan CDC, tambahkan atau
kurangkan SRD persen dari nilai saat ini secara acak dan gantikan nilai
yang sebelumnya.
3) Langkah 3: Hitung nilai kecocokan (FS) untuk semua titik kandidat.
4) Langkah 4: Jika semua FS tidak benar-benar sama, hitung probabilitas
terpilih masing-masing titik kandidat dengan menggunakan Persamaan
(2.6), sebaliknya atur probabilitas terpilih untuk semua titik sama dengan
1.
5) Langkah 5: secara acak pilih titik untuk bergerak dari titik-titik kandidat,
dan pindahkan posisi catk.
22
/0 = |23�'234|23�56'23��� 789:;: 0 < 8 < > (2.6)
Jika tujuan fungsi kecocokan adalah untuk menemukan solusi minimal, maka
FSb = FSmax, sebaliknya FSb = FSmin.
2.5.1.3. Tracing mode
Tracing mode adalah sub model yang menggambarkan keadaan ketika
cat sedang mengikuti jejak targetnya. Sekali cat memasuki tracing mode, cat
tersebut akan bergerak sesuai dengan kecepatannya untuk tiap dimensi. Tahapan
tracing mode dapat dijabarkan dalam 3 langkah sebagai berikut:
1) Langkah 1: Perbarui nilai kecepatan untuk setiap dimensi (��,@)
berdasarkan Persamaan (2.7).
2) Langkah 2: Periksa apakah kecepatan berada dalam rentang kecepatan
maksimum. Jika kecepatan yang beru melebihi rentang, tetapkan nilai
sama dengan batas.
3) Langkah 3: Perbarui posisi cat k berdasarkan Persamaan (2.8).
��,@ = ��,@ + B ∗ C ∗ +DEFGH,@ − D�,@, 789:;: 7 = 1,2,3, … , 9 (2.7)
Xbest,d adalah posisi cat yang memiliki nilai kecocokan terbesar. xk,d adalah posisi
catk. c1 adalah konstanta dan r1 adalah nilai acak dalam rentang [0,1].
�,@ = �,@ + ��,@ (2.8)
23
2.5.2. Inti Algoritma Cat Swarm Optimization
Seperti yang telah dijabarkan sebelumnya, Cat Swarm Optimization
terdiri dari dua sub model. Untuk mengkombinasikan kedua mode dalam satu
algoritma, perlu didefinisikan rasio campuran/mixture ratio (MR) untuk
menggabungkan seeking mode dan tracing mode. Dengan mengamati perilaku cat,
dapat diketahui bahwa cat menghabiskan sebagian besar waktunya untuk
beristirahat. Selama beristirahat, cat mengubah posisinya perlahan dan berhati-
hati, terkadang bahkan tetap pada tempatnya. Untuk menerapkan perilaku ini ke
dalam Cat Swarm Optimization, digunakan seeking mode. Perilaku mengejar
target dipalikasikan dalam tracing mode. Karena itu maka MR harus bernilai kecil
untuk memastikan bahwa cat menghabiskan sebagian besar waktu dalam seeking
mode, seperti di kehidupan nyatanya. Proses Cat Swarm Optimization dapat
digambarkan dalam 6 langkah sebagai berikut:
1) Langkah 1: Bangkitkan N buah cats dalam proses.
2) Langkah 2: Sebarkan cats secara acak dalam ruang solusi berdimensi D
dan secara acak pula pilih nilai dalam rentang kecepatan maksimum untuk
menjadi kecepatan cat. Kemudian pilih sejumlah cat secara sembarang dan
masukkan dalam tracing mode sesuai MR, sisanya dimasukkan dalam
seeking mode.
3) Langkah 3: Hitung nilai kecocokan masing-masing cat dengan
memasukkan nilai posisi cat ke dalam fungsi kecocokan, yang
menunjukkan kriteria tujuan, dan simpan cat terbaik dalam memori. Perlu
24
diingat bahwa yang perlu disimpan adalah posisi cat terbaik (best x)
karena cat terbaik sejauh ini mewakili solusi terbaik.
4) Langkah 4: Pindahkan cat sesuai benderanya, jika catk berada dalam
seeking mode, perlakukan sesuai proses seeking mode, sebaliknya
perlakukan sesuai tracing mode. Proses masing-masing telah dijelaskan
sebelumnya.
5) Langkah 5: Pilih lagi sejumlah cat dan masukkan dalam tracing mode
sesuai MR, sisanya masukkan ke dalam seeking mode.
6) Langkah 6: Perhatikan terminating condition-nya. Jika kondisinya telah
terpenuhi, hentikan algoritma. Sebaliknya ulangi langkah 3 hingga langkah
5.
Gambaran umum Algoritma Cat Swarm Optimization dapat dilihat pada
Gambar 2.2. Misalkan untuk menyelesaikan permasalahan unconstrained
minimization dapat digunakan populasi berukuran 5 buah cat. Mixture Ratio yang
digunakan misalnya adalah 20%. SMP berukuran 3, yang berarti digunakan 3 cats
tiruan.
25
Gambar 2.2 Algoritma Cat Swarm Optimization (S. C. Chu dkk, 2006)
26
BAB III
METODE PENELITIAN
3.1. Tempat dan Waktu Penelitian
Penelitian ini mengusulkan penggunaan metode Fuzzy C Means untuk
melakukan segmentasi citra berbasis clustering dioptimasi dengan Algoritma Cat
Swarm Optimization dimana hasilnya akan dibandingkan dengan Algoritma
Fuzzy C Means standar sehingga dapat diukur kualitas hasil dan unjuk kerja dari
algoritma ini. Pelaksanaan penelitian ini dilakukan di Program Magister Jurusan
Teknik Elektro Fakultas Teknik, Universitas Udayana. Dimana data uji yang akan
digunakan adalah beberapa citra Standar Test Image yang sering digunakan oleh
para peneliti di bidang pengolahan citra.
3.2. Sistematika Penelitian
Penelitian merupakan suatu investigasi yang empiris, sistematis,
terkontrol, dan kritis dari suatu proposal hipotesis mengenai hubungan tertentu
antar fenomena. Penelitian disini bertujuan untuk memberikan kontribusi terhadap
ilmu pengetahuan dalam memecahkan masalah dengan menggunakan metode-
metode yang sesuai. Alur analisis penelitian dilakukan berdasarkan permasalahan
yang akan ditangani oleh sistem, dimana sistematika penelitian yang digunakan
pada penelitian ini sebagai berikut:
27
Gambar 3.1 Sistematika Penelitian
3.3. Studi Pustaka
Langkah ini merupakan tahap pendalaman materi tentang permasalahan
yang akan diangkat, guna mendukung pelaksanaan penelitian dengan memberikan
wawasan yang cukup seputar metode Cat Swarm Optimization untuk optimasi
metode segmentasi citra, khususnya segmentasi citra berbasis clustering dengan
metode Fuzzy C-Means clustering. Studi pustaka merupakan pengumpulan data
ataupun pengumpulan referensi mengenai teori yang nantinya dijadikan sebagai
pedoman-pedoman sesuai dengan penelitian yang diangkat. Manfaat dari studi
pustaka adalah dapat memberikan gambaran menyeluruh mengenai sejauh mana
perkembangan penelitian-penelitian yang terkait dengan penelitian yang akan
diambil. Dalam penelitian ini, referensi diperoleh dari jurnal, artikel laporan
penelitian, dan buku yang berhubungan mengenai penelitian yang berjudul
Segmentasi Citra Berbasis Clustering Menggunakan Algoritma Fuzzy C-Means
Dan Cat Swarm Optimization
28
3.4. Pengumpulan Data
Berdasarkan sumbernya, data penelitian dapat dikelompokkan menjadi
dua jenis yaitu data primer dan data sekunder. Pemahaman terhadap kedua jenis
data tersebut diperlukan sebagai landasan dalam menentukan teknik serta
langkahlangkah pengumpulan data penelitian.
1) Data Primer adalah data yang diperoleh atau dikumpulkan oleh peneliti
secara langsung dari sumber datanya. Data primer disebut juga sebagai
data asli atau data baru yang memiliki sifat up to date. Untuk
mendapatkan data primer, peneliti harus mengumpulkannya secara
langsung. Teknik yang dapat digunakan peneliti untuk mengumpulkan
data primer antara lain observasi, wawancara, diskusi terfokus (focus
grup discussion – FGD) dan penyebaran kuesioner.
2) Data Sekunder adalah data yang diperoleh atau dikumpulkan peneliti dari
berbagai sumber yang telah ada (peneliti sebagai tangan kedua). Data
sekunder dapat diperoleh dari berbagai sumber seperti Biro Pusat
Statistik (BPS), buku, laporan, jurnal, dan lain-lain.
29
3.5. Gambaran Umum Sistem
Gambar 3.2 Gambaran Umum Sistem
30
3.5.1. Data Uji
Pengujian algoritma hybrid FCM-CSO yang diimplementasikan pada
kasus segmentasi citra ini memerlukan suatu data uji untuk mengetahui hasil dan
kinerja dari algoritma ini. Data uji yang dapat digunakan dalam kasus ini adalah
berupa citra atau image, baik citra berwarna maupun citra grayscale. Data uji
yang dipakai untuk menguji algoritma ini adalah beberapa jenis citra standar test
image.
Citra uji standar (standar test image) adalah sekumpulan file citra digital
yang telah digunakan oleh para peneliti untuk menguji berbagai algoritma
pengolahan citra ataupun algoritma kompresi citra yang dikembangkan. Dengan
menggunakan citra uji standar yang sama, maka peneliti yang berbeda dapat
membandingkan hasil dari sistem yang mereka buat, baik secara visual maupun
secara kuantitatif. Citra-citra yang dipilih adalah citra yang mewakili alam atau
citra khusus lainnya dimana citra tersebut diperlukan untuk teknik pengolahan
citra dalam suatu kasus tertentu. Citra uji lainnya dipilih karena menghadirkan
berbagai tantangan untuk algoritma seperti rekonstruksi citra, detail dan tekstur
yang halus, transisi dan tepi tajam, serta wilayah yang seragam. Selain itu, pada
pengujian tertentu juga sering ditambahkan noise untuk menambah variasi dalam
citra uji.
Citra uji yang digunakan pada penelitian ini adalah Weizmann
Segmentation Dataset yang diperoleh dari situs www.weizmann-usa.org yang
disediakan oleh Weizmaan Institute of Science, dimana situs tersebut
menyediakan berbagai macam citra uji yang khusus digunakan untuk proses
31
segmentasi citra (Alpert S., dkk. 2007). Berbagai macam citra uji dengan beragam
variasi dan karakteristik tersebut dibungkus kedalam sebuah dataset yang dapat
diunduh secara gratis. Dari sekian banyak citra uji yang tersedia, pada penelitian
ini hanya digunakan lima buah citra uji yang sudah dipilih berdasarkan
karakteristik warna yang bervariasi. Lima buah citra uji yang akan digunakan
pada penelitian ini dapat dilihat pada gambar 3.3 dibawah ini.
(a) (b) (c)
(d) (e)
Gambar 3.3 Citra uji: (a) horses.png, (b) chain.png, (c) carriage.png, (d) duck.png, (e) redberry.png. (Alpert S., dkk. 2007)
Masing-masing citra uji yang terdapat dalam Weizmann Segmentation
Dataset ini memuat citra ground truth segmentation, yaitu hasil segmentasi citra
yang diharapkan dari masing-masing citra uji. Citra ground truth ini dibuat secara
manual sesuai dengan persepsi manusia. Berikut citra ground truth segmentation
sesuai dengan citra uji yang akan digunakan diatas.
32
(a) (b) (c)
(d) (e)
Gambar 3.4 Citra ground truth segmentation : (a) gt-horses.png, (b) gt-chain.png, (c) gt-carriage.png, (d) gt-duck.png, (e) gt-redberry.png
3.5.2. Inputan Parameter
1) Jumlah Cluster
Jumlah cluster disini merupakan banyaknya cluster atau kelompok warna
yang diinginkan pada citra hasil segmentasi. Algoritma FCM-CSO dan FCM
standar diujikan menggunakan parameter jumlah cluster yang berbeda-beda untuk
mengetahui jumlah cluster yang paling optimal dari setiap citra uji.
2) Metode Segmentasi
Parameter metode segmentasi yang digunakan pada sistem yang
dikembangkan ini ada dua pilihan, yaitu dengan metode FCM standar atau dengan
33
metode FCM-CSO. Pengujian akan dilakukan dengan menggunakan masing-
masing kedua metode ini.
3.5.3. Segmentasi Citra Menggunakan Algoritma FCM-CSO
Setelah data berupa citra uji yang diperlukan terkumpul, maka
dilanjutkan dengan tahap pengembangan model. Model Cat Swarm Optimization
yang asal mulanya digunakan untuk menyelesaikan atau mencari nilai optimal,
dikembangkan dengan cara menggabungkannya dengan algoritma clustering
Fuzzy C-Means untuk melakukan segmentasi citra. Secara umum, model
algoritma ini terdiri dari dua bagian utama, yaitu melakukan clustering dengan
Fuzzy C-Means dan selanjutnya melakukan pencarian pusat cluster terbaik
menggunakan algoritma Cat Swarm Optimization. Data yang akan diolah pada
model algoritma ini adalah data nilai piksel yang terdapat pada citra uji dalam
ruang warna RGB. Jadi, input dari model ini adalah berupa populasi data piksel
citra, jumlah cluster (k), maksimum iterasi dan minimum toleransi, serta nilai
seeking memory (SM) dan seeking range (SR) yang akan digunakan pada proses
Cat Swarm Optimization. Langkah-langkah dari segmentasi citra dengan
menggunakan model FCM-CSO ini dideskripsikan sebagai berikut.
34
Gambar 3.5 Segmentasi citra menggunakan Algoritma FCM-CSO
35
1) Pre-Processing : Statistical Region Merging dan Color Correction
Metode Statistical Region Merging (SRM) ini sejenis dengan teknik
region growing and merging. Pada region growing, region adalah kumpulan
piksel yang homogen dan secara iterasi merupakan hasil gabungan dari region
yang lebih kecil. Statistical Region Merging mengikuti urutan tertentu dari
pemilihan region.
Algoritma ini digunakan untuk mengevaluasi nilai-nilai dalam sebuah
rentang regional dan dikelompokkan bersama berdasarkan kriteria merging
sehingga menghasilkan list yang lebih kecil. Pada bidang pengolahan citra digital
berfungsi mengelompokkan piksel-piksel yang bertetangga berdasarkan shades
yang jatuh dalam sebuah threshold tertentu (Qualification Criteria). Diagram alir
segmentasi metode SRM dapat dilihat pada Gambar 3.6. Parameter yang
diperlukan dalam proses ini adalah Q yaitu kompleksitas segmentasi (Richard
Nock, dkk., 2004).
36
Gambar 3.6 Diagram Alur SRM (Richard Nock, dkk., 2004)
Mulai
I = Citra RGB
M(N, NO) = maxS∈U,V,W M:(N, NO) M:(N, NO) = |NS − NS′|
Hitung selisih antar piksel, sesuai dengan
konektifitas 4-arah
Y0O = ZB7[B\;CB[:]8;^(Y0 , M)
Urutkan selisih dari nilai terkecil ke nilai
terbesar
8 = 1, 8_[B:]8 = |Y0|, ^ = 256, � = 32
b = 1(6|\|")
c(d) = ^ef 12�|d|g ln jkd|U|kb l
Menghitung nilai b(R)
i <= iterasi
/(d, dO) =mnonp _Bq[, 8M ∀S∈ sd, t, uv|dSO − dS| ≤ xc"(d) + c"(dO)
M:y][, Z_ℎ[B{8][|
Menghitung merging predicate
dS}}}} adalah nilai rata-rata warna pada region R, color chanel a
P(R, R’) true? Merge R(p), R(p’)
i++ i++
Selesai
ya tidak
ya
tidak
37
2) Menghitung pusat dan keanggotaan cluster dengan Fuzzy C-Means
Algoritma Fuzzy C-Means menempatkan piksel citra kedalam masing-
masing cluster dengan menggunakan membership fuzzy. Misalkan =(D, D" , … , D~) menunjukkan citra dengan N buah piksel yang akan dipartisi
kedalam c buah cluster. Algoritma ini merupakan optimasi iteratif yang
meminimalisasi cost function, dimana cost function yang digunakan dalam
penelitian ini adalah fungsi objektif Xie Beni Index.
Cost function diminimalisasi jika piksel berada dekat dengan pusat
clusternya akan diberikan nilai keanggotaan cluster yang tinggi, sebaliknya nilai
keanggotaan yang rendah diberikan jika piksel berada jauh dari pusat clusternya.
Membership function menunjukkan probabilitas suatu piksel dapat dimiliki oleh
suatu cluster tertentu. Nilai probabilitas pada algoritma Fuzzy C-Means sangat
tergantung pada jarak suatu piksel ke masing-masing pusat cluster pada domain
fitur. Membership function dan pusat cluster diperbaharui dengan persamaan
berikut :
�0� = [� (/� − ��)"#� )] '#'∑ [∑ (/� − ��)"#� ]�� '#' (3.1)
Dan
�� = ∑ �0�#N0~0∑ �0�#~0 (3.2)
38
Dimulai dengan menghitung pusat cluster pada inisialisasi, Fuzzy C-
Means akan menyempitkan atau konvergensi ruang solusi �� yang menunjukkan
local minimum. Konvergensi dapat dideteksi dengan membandingkan perubahan
yang terjadi pada membership function atau pusat cluster pada dua buah iterasi.
Tahap-tahap yang dilakukan pada langkah ini dapat diuraikan detailnya
sebagai berikut:
a) Menentukan inisialisasi nilai awal pada komponen-komponen Fuzzy C-
Means, misalnya seperti berikut ini:
(1) Banyaknya cluster yang diinginkan --> c = 2
(2) Pangkat (pembobot) --> m = 2
(3) Maksimum Iterasi --> maxIter = 100
(4) Toleransi minimum --> e = 0,0000001
(5) Fungsi Objektif awal --> P0 = 0
(6) Iterasi awal --> iter = 1
b) Membangkitkan matriks partisi Uik dengan komponen i = banyaknya data;
dan k = banyak cluster (pertama kali dibangkitkan secara bebas atau random,
dengan kisaran nilai dari 0 sampai 1).
c) Setelah matriks partisi terbentuk, langkah selanjutnya adalah menghitung
posisi pusat cluster dengan Persamaan (3.2).
d) Setelah diperoleh pusat-pusat cluster yang baru, tahap selanjutnya adalah
menghitung fungsi objektif atau cost function dengan menerapkan Persamaan
(3.5).
39
e) Tahap terakhir dari langkah ini adalah memperbaharui matriks partisi �
dengan menggunakan Persamaan (3.1).
3) Menggabungkan Membership Function dengan Spatial Function
Salah satu karakteristik dari citra adalah bahwa piksel-piksel tetangga
sangat berhubungan atau berkaitan. Dengan kata lain, piksel yang bertetanggaan
memiliki nilai fitur yang hampir mirip, dan memiliki probabilitas yang besar
mereka berada dalam cluster yang sama. Hubungan spasial ini sangat penting
dalam clustering, tapi hal ini tidak diperhitungkan dalam algoritma Fuzzy C-
Means standar. Untuk menggali informasi spasial, fungsi spasial (Keh-Shih
Chuang dkk, 2006) dirumuskan sebagai berikut :
ℎ0� = � q���∈~W(��) (3.3)
Dimana �u(/0) adalah square window yang berpusat pada piksel /0 pada
domain spasial. Misalnya window berukuran 5x5 akan digunakan dalam penelitian
ini, maka perhitungan dan pengecekan dengan fungsi spasial ini akan dilakukan
hanya pada piksel window itu saja. Sama seperti membership function, spatial
function ℎ0� ini merepresentasikan probabilitas piksel D� dimiliki oleh cluster ke-i.
Spatial function dari suatu piksel terhadap suatu cluster bernilai besar jika
sebagian besar piksel-piksel tetangganya dimiliki oleh cluster yang sama. Spatial
function ini digabungkan dengan membership function menjadi persamaan sebagai
berikut :
40
q0�′ = q0�� ∗ ℎ0��∑ q0�� ∗ ℎ0���� (3.4)
Dimana p dan q adalah parameter yang mengontrol keperluan yang
bersifat relatif dari fungsi tersebut. Dalam region yang homogen, spatial function
tersebut dapat dengan mudah membatasi fungsi membership yang asli, dan hasil
clustering tidak akan berubah. Namun pada piksel yang mengandung noisy,
formula ini mengurangi bobot noisy pada cluster dengan memberikan label pada
piksel-piksel tetangganya. Hasilnya, misclassified piksels dari region yang
mengandung noisy dapat dengan mudah diperbaiki (Keh-Shih Chuang dkk, 2006).
Misalnya digunakan window 5x5 piksel untuk menghitung spatial
function pada citra contoh dibawah, maka untuk h1k (piksel ke-1) piksel
tetangganya adalah sebagai berikut :
10 10 15 15 20 25 30 30
13 18 18 12 18 17 40 35
150 156 157 40 13 18 18 100
50 156 160 50 13 18 18 120
100 12 18 17 40 35 20 200
120 13 18 18 13 18 18 150
200 150 156 12 18 17 40 35
150 18 17 40 35 13 18 18
Gambar 3.7 Contoh spatial information 5x5 window pada citra sampel
Misalnya terdapat dua buah cluster, maka ℎ sama dengan jumlah
semua nilai �0 dan ℎ" sama dengan jumlah semua nilai �0", dimana i merupakan
41
semua piksel tetangga yang dimiliki oleh piksel ke-1, fungsi spasial ini dapat
dilihat pada Persamaan (3.3). Setelah semua piksel dihitung fungsi spasialnya,
langkah selanjutnya adalah menghubungkan membership function dengan spatial
function sesuai dengan Persamaan (3.4) sehingga diperoleh matriks partisi yang
baru. Setelah diperoleh matriks partisi yang baru, tahapan terakhir dari Langkah
No.2 ini adalah memetakan ulang masing-masing piksel kedalam clusternya.
4) Menghitung Nilai Fitness
Fitness function atau cost function yang digunakan pada model algoritma
ini adalah Xie-Beni Cluster Validity Index (Xie X.L. dan Beni G.A., 1991), yang
mendefinisikan fungsinya sebagai berikut :
V�� = − ∑ ∑ u���X� − V��"%���N ∗ fmin��� ��V� − V��"�g (3.5)
Vi adalah pusat cluster ke-i dengan jumlah cluster adalah c. Xj
merupakan nilai warna dari piksel ke-j dan N adalah jumlah total piksel yang
dimiliki oleh citra. Konsep dari fungsi validasi cluster ini adalah clustering yang
bagus adalah yang menghasilkan data sampel yang dipadatkan kedalam sebuah
cluster dan sampel-sampel tersebut dipisahkan antara satu cluster dengan cluster
yang lainnya. Kualitas clustering yang bagus diperoleh dengan meminimalkan
nilai Vxb.
5) Inisialisasi Algoritma Cat Swarm Optimization
Pada model algoritma Cat Swarm Optimization, sebuah pusat cluster
menunjukkan sebuah cats dan set solusinya adalah pusat cluster baru yang
42
diharapkan menghasilkan nilai fitness yang lebih optimal, dimana dalam kasus ini
nilai fitness lebih kecil adalah yang lebih optimal.
a) Representasi Individu
Posisi cat i ditunjukkan oleh 0 yang mewakili solusi clustering ke–i.
Ruang solusi clustering dibentuk dari angka-angka real yang mewakili koordinat
dari pusat cluster. Panjang dari solusi adalah K x m, dimana K adalah jumlah
cluster dan m adalah jumlah atribut dari objek. Elemen m yang pertama
menunjukkan m buah dimensi dari pusat cluster pertama, elemen m berikutnya
menunjukkan pusat cluster kedua, dan seterusnya. Contohnya :
a. Citra grayscale dengan m=1 dan K=3, individunya dapat berupa matriks
angka {225 58 145} dimana mewakili koordinat tiga buah pusat cluster
yaitu {(225) (58) (145)}.
b. Citra berwarna (RGB) dengan m=3 dan K=4, individunya dapat berupa
{225 15 200 58 90 150 230 194 180 55 27 15} yang mewakili koordinat
empat buah pusat cluster yaitu {(225 15 200) (58 90 150) (230 194 180)
(55 27 15)}, dimana satu buah pusat cluster terdiri dari tiga angka yang
mewakili nilai warna RGB.
Untuk inisialisasi algoritma CSO yang digunakan pada penelitian ini,
pusat-pusat cluster yang dijadikan individu 0 adalah pusat-pusat cluster yang
dihasilkan pada operasi Fuzzy C-Means sebelumnya.
b) Inisialisasi
Pada tahap inisialisasi algoritma CSO standar, cats secara acak
ditentukan apakah menjadi seeking mode atau tracing mode. Oleh karena itu,
43
secara acak ditentukan /G buah cat menjadi seeking mode dan /H buah cat menjadi
tracing mode, dimana /G dan /H menyatakan jumlah cat apakah berada pada
seeking mode atau tracing mode, dengan d#� merupakan mixture ratio yang
digunakan untuk mengatur jumlah cat pada mode yang berbeda. Hal ini dapat
dirumuskan sebagai berikut :
�/H = �d#� ∗ /�/G = / − /H | (3.6)
Namun pada metode yang dikembangkan ini variabel mixture ratio d#�
yang disebutkan diatas dihilangkan. Artinya tidak terdapat rasio jumlah cat mana
yang menjadi seeking mode dan mana yang menjadi tracing mode. Setiap cat pada
metode yang diusulkan ini akan melewati tahap seeking mode dan dilanjutkan
dengan tahap tracing mode. Jumlah cat yang digunakan pada usulan penelitian ini
adalah satu buah cat. Artinya terdapat satu buah solusi deretan pusat cluster yang
nantinya akan dioptimalkan baik dengan seeking mode dilanjutkan dengan tracing
mode.
6) Memperbaharui pusat cluster dengan proses Seeking Mode
Mode ini digunakan untuk memodelkan cat dalam keadaan berisitrahat
tetapi dalam kondisi siaga, melihat-lihat lingkungan sekitarnya untuk mencari
tempat untuk bergerak. Cat dalam algoritma Cat Swarm Optimization pada
permasalahan ini adalah pusat-pusat cluster, tepatnya pusat-pusat cluster yang
dihasilkan dari operasi Fuzzy C Means pada langkah sebelumnya. Tahapan
seeking mode ini ditujukan untuk melihat-lihat atau mencari titik-titik di area
sekitar pusat cluster, yang mempunyai kemungkinan menghasilkan nilai fitness
44
yang lebih optimal. Dalam seeking mode ada 4 faktor yang dijabarkan sebagai
berikut :
a) Seeking memory (SM) : SM digunakan menentukan besarnya memori
pencarian pusat-pusat cluster, yang menyatakan berapa jumlah salinan
dari pusat-pusat cluster tersebut, dinyatakan dengan nilai �3�. Dengan
kata lain, �3� ini merupakan banyaknya posisi tetangga dari sebuah
pusat cluster.
b) Self Position Flag (SPF) : SPF mengindikasikan apakah posisi pusat
cluster saat ini merupakan salah satu dari posisi tetangganya atau bukan.
Jika �3�2 = 1, maka posisi pusat cluster saat ini akan dilihat juga sebagai
posisi tetangga (neighbouring position), dan sebaliknya �3�2 = 0
menyatakan posisi pusat cluster saat ini tidak dianggap menjadi posisi
tetangga. Variabel SPC ini bernilai boolean [0,1].
c) Changed Dimension (CD) : CD digunakan untuk menentukan jumlah
dimensi yang dapat dimutasi atau dirubah, dinotasikan dengan ���. Nilai
CD diasumsikan bernilai 100% pada metode yang dikembangkan ini.
Jadi, semua cat akan mengalami perubahan atau mutasi.
d) Seeking Range (SR) : SR merupakan rasio mutasi dari dimensi yang akan
dimutasi, dinotasikan dengan /3U, yang nilainya berada pada rentang 0
sampai dengan 1.
Setelah mendefinisikan keempat faktor diatas, langkah-langkah seeking
mode adalah sebagai berikut :
45
Langkah 1 : Membuat j buah salinan dari posisi masing-masing pusat
cluster i, dimana > = �3�. Jika �3�2 = 1 maka > = �3� − 1
dan posisi cat saat ini dianggap juga sebagai posisi
tetangganya.
Langkah 2 : Untuk semua posisi tetangganya D�O, dimana y = 1,2, … , �3�,
dimensi yang dimutasi adalah D��O = (1 ± /3U) ∗ D0�, dimana
D0� menunjukkan dimensi yang akan dimutasi, k=1,2,..., ���.
Nilai saat ini secara acak ditambahkan atau dikurangkan
dengan SR persen, kemudian digunakan untuk menggantikan
nilai yang lama.
Langkah 3 : Hitung nilai fitness (FS) untuk semua titik salinan atau
kandidat pusat cluster pada posisi tetangga, dimana FS saat
ini adalah XB Index. Nilai fitness ini dihitung menggunakan
Persamaan (3.5).
Langkah 4 : Jika semua nilai fitness tidak benar-benar sama, hitung
probabilitas terpilih masing-masing titik kandidat dengan
menggunakan Persamaan (3.7), sebaliknya set probabilitas
terpilih untuk semua titik sama dengan 1.
/0 = |YY¡0 − YY¡#S¢|YY¡#S¢ − YY¡#0£ 789:;: 0 < 8 < > (3.7)
Langkah 5 : Secara acak pilih salah satu posisi tetangga atau posisi
kandidat dari pusat cluster untuk dijadikan tempat bergerak
selanjutnya dengan menggunakan metode seleksi roullete
46
wheel, dimana posisi kandidat yang terpilih tersebut
merupakan calon pusat cluster yang baru.
Langkah 6 : Perbaharui nilai fitness dan pusat cluster. Setelah posisi pusat
cluster dipindahkan, hitung kembali nilai fitness dari posisi
pusat cluster terbaru yang diperoleh dari operasi seeking
mode ini. Nilai fitness yang diperoleh dari seeking mode ini
kemudian dibandingkan dengan nilai fitness sebelumnya,
yaitu yang diperoleh dari operasi Fuzzy C-Means, dengan
ketentuan sebagai berikut:
a) Jika �YGFF�0£¥ #¦@F < �YGFEF�§#£¨S maka pusat
cluster yang dihasilkan dari seeking mode digunakan
sebagai pusat cluster yang baru.
b) Sebaliknya jika �YGFF�0£¥ #¦@F ≥ �YGFEF�§#£¨S maka
tetap gunakan pusat cluster sebelumnya, yaitu yang
diperoleh dari operasi Fuzzy C-Means.
7) Memperbaharui pusat cluster dengan proses Tracing Mode
Mode ini digunakan untuk memodelkan cat dalam mengejar suatu target,
sekali cat berada dalam tracing mode maka ia akan terus bergerak sesuai dengan
kecepatannya (velocity) pada setiap dimensi. Tracing mode ini ditujukan untuk
menggeser titik pusat cluster sehingga diharapkan dapat berada pada posisi yang
lebih baik dengan menghasilkan fitness value yang lebih kecil. Langkah-langkah
tracing mode adalah sebagai berikut :
47
Langkah 1 : Untuk pusat cluster 0, kecepatannya �0 diperbaharui dengan
persamaan:
�0� = �0� + B ∗ C ∗ +DE� − D0�, (3.8)
Dimana > = 1,2, … , (« ∗ 9), DE� merupakan elemen ke-j dari
individu terbaik DE dan D0� merupakan elemen ke-j dari
individu D0. Selanjutnya C merupakan sebuah konstanta
untuk memperluas kecepatan dari cat dalam bergerak dalam
ruang solusi, dan B adalah nilai random dalam rentang 0 dan
1. Pada penelitian ini nilai C yang digunakan adalah 2.
Langkah 2 : Perbaharui posisi cat 0 dengan persamaan:
D0� = D0� + �0� (3.9)
Langkah 3 : Setelah posisi cat diperbaharui dengan menggunakan tracing
mode, selanjutnya adalah kembali menghitung nilai SSE.
Sama seperti Langkah No. 5 (Seeking Mode) diatas, nilai
fitness yang diperoleh dari tracing mode ini kemudian
dibandingkan dengan nilai fitness sebelumnya, jika
�YH�S�0£¥ #¦@F < �YGFEF�§#£¨S maka pusat cluster yang
dihasilkan dari tracing mode ini digunakan sebagai pusat
cluster yang baru. Sebaliknya jika �YH�S�0£¥ #¦@F ≥�YGFEF�§#£¨S maka tetap gunakan pusat cluster sebelumnya.
48
8) Ulangi dari Langkah No. 2 selama stopping criteria belum terpenuhi
Stopping criteria yang digunakan pada metode ini dibagi menjadi dua,
yaitu menggunakan maksimum iterasi dan minimum toleransi. Nilai maksimum
iterasi yang digunakan adalah 100 iterasi, artinya ketika segmentasi citra sudah
mencapai 100 iterasi maka prosesnya akan dihentikan. Stopping criteria yang
kedua adalah batas minimum toleransi. Nilai toleransi adalah selisih antara nilai
fitness pada satu iterasi dengan iterasi sebelumnya. Batas minimum toleransi yang
digunakan pada penelitian ini adalah 0.0000001. Jika nilai toleransi lebih kecil
dari batas minimumnya maka proses segmentasi citra akan berhenti. Jika stopping
criteria ini sudah tercapai maka akan dilanjutkan ke Langkah No.9, sebaliknya
jika belum terpenuhi maka proses akan diulangi dari Langkah No.2 dan masuk ke
iterasi selanjutnya (i++).
9) Ekstraksi citra hasil segmentasi sesuai dengan keanggotaan clusternya
Setelah proses FCM-CSO selesai, maka diperoleh nilai fitness dan pusat-
pusat cluster terbaik dari semua iterasi. Selanjutnya nilai dari masing-masing
pusat cluster dipetakan pada semua data piksel yang menjadi anggotanya,
sehingga semua piksel berubah nilai warnanya sesuai dengan keanggotaan
clusternya masing-masing.
Output dari model ini adalah berupa citra yang sudah tersegmentasi,
dengan jumlah cluster yang dapat ditentukan oleh user. Citra hasil segmentasi ini
kemudian dapat dikomparasi dengan citra hasil segmentasi menggunakan
algoritma Fuzzy C-Means standar.
49
3.5.4. Tahap Pengujian dan Evaluasi Hasil
Tahap ini merupakan tahap evaluasi dari model yang dikembangkan,
dimana model akan diuji untuk mengetahui apakah telah mampu memberikan
hasil clustering yang lebih bagus dan optimal. Pengujian model yang
dikembangkan ini menggunakan beberapa jenis citra uji yang dipaparkan pada sub
bab sebelumnya. Beberapa citra uji tersebut akan diproses menggunakan model
FCM-CSO dan menggunakan sebuah model lagi sebagai pembanding yaitu
algoritma FCM standar. Model yang dikembangkan ini akan dikomparasi dengan
algoritma FCM standar menggunakan dua buah pendekatan sebagai berikut:
1) Pengukuran terhadap waktu eksekusi dan nilai cluster validity index
Perbandingan unjuk kerja sistem yang dikembangkan ini dilakukan
dengan mengukur nilai cluster validity index dan rata-rata waktu eksekusi untuk
setiap citra yang diuji. Pengukuran nilai cluster validity index bertujuan untuk
menilai kualitas hasil clustering suatu algoritma. Pengukuran rata-rata waktu
eksekusi bertujuan untuk mengetahui seberapa cepat algoritma yang
dikembangkan dapat menyelesaikan segmentasi citra.
Untuk menilai kualitas partisi yang dihasilkan oleh suatu algoritma
clustering, perlu digunakan suatu fungsi yang disebut dengan cluster validity
index dimana fungsi ini melakukan evaluasi terhadap hasil akhir dari sebuah
clustering. Fungsi cluster validity index yang akan digunakan pada penelitian ini
adalah fungsi validitas Xie-Beni Index menggunakan persamaan (3.5) diatas.
50
2) Pengukuran hasil dengan menggunakan kuesioner
Perbandingan secara human perception dilakukan dengan menggunakan
kuesioner, dimana dalam kuesioner tersebut ditampilkan citra output hasil
segmentasi menggunakan model FCM-CSO dan dengan menggunakan algoritma
FCM standar. Responden dari kuesioner ini adalah mahasiswa, dosen, atau pakar
yang memahami tentang pengolahan citra digital, khususnya segmentasi citra.
Perbandingan dilakukan oleh responden secara visualisasi dan diberi nilai
dengan menggunakan skala Likert. Menurut Sugiyono (2006), Skala Likert
digunakan untuk mengukur sikap, persepsi dan pendapat seseorang atau
sekelompok orang tentang fenomena sosial. Dengan skala Likert , maka variabel
yang akan diukur dijabarkan menjadi indikator variabel. Kemudian indikator
tersebut dijadikan sebagai titik tolak untuk menyusun item-item instrumen yang
dapat berupa pertanyaan atau pernyataan.
Skala Likert yang digunakan pada kuesioner ini terdiri dari empat
penilaian, yaitu Sangat Setuju (bobot = 4), Setuju (bobot = 3), Tidak Setuju (bobot
= 2), dan Sangat Tidak Setuju (bobot = 1). Skor tertinggi untuk seluruh item
adalah jumlah sampel dikalikan 4 (Sangat Setuju). Sedangkan skor terendah
adalah jumlah sample dikalikan 1 (Sangat Tidak Setuju). Tingkat persetujuan
sebesar �§#�S G�¦�G�¦� HF�H0£¥¥0 ∗ 100%. Dari hasil perhitungan yang diperoleh maka dapat
disimpulkan tentang persepsi responden terhadap perbandingan hasil segmentasi
citra menggunakan metode FCM standar dengan metode FCM-CSO. Draft
kuesioner yang akan digunakan dalam penelitian ini dapat dilihat pada gambar
berikut:
51
Gambar 3.8 Draft Kuesioner
Citra asli Citra
Ground Truth
Segmentation
Hasil
Segmentasi
Metode A
Hasil
Segmentasi
Metode B
Pernyataan STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra
ground truth daripada hasil segmentasi Metode B
Citra asli Citra
Ground Truth
Segmentation
Hasil
Segmentasi
Metode A
Hasil
Segmentasi
Metode B
Pernyataan STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra
ground truth daripada hasil segmentasi Metode B
Citra asli Citra
Ground Truth
Segmentation
Hasil
Segmentasi
Metode A
Hasil
Segmentasi
Metode B
Pernyataan STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra
ground truth daripada hasil segmentasi Metode B
Citra asli Citra
Ground Truth
Segmentation
Hasil
Segmentasi
Metode A
Hasil
Segmentasi
Metode B
Pernyataan STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra
ground truth daripada hasil segmentasi Metode B
Citra asli Citra
Ground Truth
Segmentation
Hasil
Segmentasi
Metode A
Hasil
Segmentasi
Metode B
1.
2.
3.
4.
5.
Pernyataan STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra
ground truth daripada hasil segmentasi Metode B
Kuesioner ini disusun untuk mengetahui perbandingan hasil segmentasi citra dengan
menggunakan metode FCM standar dan metode FCM-CSO. Kuesioner ini ditujukan kepada
mahasiswa ataupun dosen yang memahami pengolahan citra digital khususnya segmentasi
citra, dilakukan dengan cara membandingkan dua buah citra hasil segmentasi dengan citra
ground truth sebagai acuannya. Citra ground truth adalah citra hasil segmentasi yang
diharapkan dan dibuat secara manual sesuai persepsi manusia.
Keterangan:
STS : Sangat Tidak Setuju TS : Tidak Setuju
S : Setuju SS : Sangat Setuju
52
3.6. Instrumen Penelitian
Instrumen penelitian yang akan digunakan dalam penelitian ini untuk
mengumpulkan, mengolah, menganalisa dan menyajikan data-data diantanya:
1) Perangkat Lunak (Software)
a. Sistem Operasi Windows 7 (32-bit)
b. Bahasa Pemrograman C# menggunakan Visual Studio 2008.
2) Perangkat Keras (Hardware)
a. Processor Intel Core i5 - 2,53 GHz
b. 2 GB RAM
c. Hardisk 40 GB
d. VGA 1GB
53
BAB IV
HASIL DAN PEMBAHASAN
4.1. Antarmuka Sistem
Antarmuka sistem ini berfungsi untuk mempermudah pengoperasian
aplikasi segmentasi citra yang dikembangkan. Aplikasi ini dibangun
menggunakan bahasa pemrograman C# pada editor Visual Studio 2008. Aplikasi
“Segmentasi Citra – FCM CSO” adalah antarmuka utama dari penelitian ini
seperti yang terlihat pada gambar 4.1 dibawah ini.
Gambar 4.1 Tampilan Aplikasi Segmentasi Citra FCM-CSO
4.1.1. Inputan Citra Uji
Citra uji ditampilkan pada panel utama yang selanjutnya dapat diproses
menggunakan metode FCM standar maupun FCM-CSO. Untuk memuat atau
54
memasukkan citra uji pada aplikasi ini dilakukan dengan memilih “Open” yang
terdapat pada menu “File”, lalu dilanjutkan dengan memilih file citra yang
diinginkan dimana jenis file yang dapat dimuat disini adalah file gambar yang
bertipe JPG, PNG, TIF, TIFF, BMP, dan GIF. Contoh citra uji yang ditampilkan
pada panel utama dapat dilihat pada gambar 4.2 dibawah ini.
Gambar 4.2 Contoh tampilan citra uji pada aplikasi
Citra uji yang digunakan pada penelitian ini berjumlah lima buah, dimana
masing-masing citra uji ini memiliki karakteristik yang berbeda-beda. Hal ini
dapat menunjukkan bagaimana unjuk kerja dari algoritma yang diusulkan pada
berbagai macam jenis citra.
55
4.1.2. Inputan Parameter
Gambar 4.3 Contoh tampilan parameter
Sebelum melakukan proses segmentasi pada citra uji menggunakan
metode yang dikembangkan, perlu dimasukkan beberapa parameter seperti pada
Gambar 4.3 diatas. Parameter yang dapat dimasukkan kedalam aplikasi ini untuk
digunakan pada proses segmentasi citra adalah jumlah cluster dan pilihan
pemrosesan menggunakan metode FCM standar atau FCM-CSO.
Inputan jumlah cluster berfungsi untuk menentukan banyaknya cluster
atau kelompok warna yang dibentuk pada proses segmentasi citra. Penentuan nilai
parameter-parameter ini bersifat bebas sehingga user dapat melakukan pengujian
dengan berbagai parameter yang berbeda.
56
4.2. Eksekusi Program
Eksekusi program utama ini bertujuan untuk menjalankan proses
segmentasi citra dengan menggunakan algoritma yang dikembangkan terhadap
citra uji yang digunakan dalam penelitian ini, yaitu Weizmann Segmentation
Dataset. Hasil akhir dari proses segmentasi citra ini adalah berupa citra yang
sudah tersegmentasi sesuai dengan jumlah cluster yang ditentukan. Selain itu,
hasil akhir proses segmentasi citra ini juga menampilkan data segmentasi dalam
setiap iterasi, berupa nilai fitness, nilai toleransi, dan interval waktu eksekusi tiap
iterasi. Eksekusi program ini dapat menggunakan dua macam metode, yaitu
metode FCM standar dan FCM-CSO.
Gambar 4.4 Tampilan proses segmentasi citra pada aplikasi
57
Tampilan aplikasi saat proses segmentasi citra ditunjukkan pada gambar
4.4 diatas. Pada tampilan aplikasi tersebut ditampilkan informasi hasil eksekusi
program berupa jumlah iterasi, jumlah cluster, nilai toleransi, waktu eksekusi,
nilai fitness, serta nilai XB index pada tiap proses iterasi.
Setelah proses segmentasi citra selesai, citra output dapat dilihat pada tab
“Results”. Pada tab tersebut ditampilkan citra diproses tiap iterasi dan citra hasil
akhir clustering seperti gambar dibawah ini. Pengguna juga dapat mengubah
warna tiap cluster pada bagian “change cluster color” agar lebih mudah untuk
membandingkannya nanti dengan citra ground truth.
Gambar 4.5 Tampilan hasil pada tab “Results”
58
Data hasil pengujian dapat disimpan dengan cara memilih menu File >
Save. Proses penyimpanan ini memerlukan input berupa ID Uji seperti tampilan
antarmuka berikut.
Gambar 4.6 Tampilan simpan hasil pengujian
Citra uji pada penelitian ini masing-masing akan diuji coba dengan
menggunakan algoritma FCM standar dan FCM-CSO. Setiap citra uji diuji
dengan menggunakan parameter jumlah cluster mulai dari 2 s/d 10 cluster.
Pengujian menggunakan jumlah cluster yang berbeda-beda ini bertujuan untuk
mengetahui jumlah cluster yang paling optimal dari setiap citra uji. Jumlah cluster
yang paling optimal adalah jumlah cluster yang menghasilkan nilai fitness XB
Index yang paling kecil.
Detail dari masing-masing pengujian menggunakan metode FCM standar
maupun FCM-CSO akan dibahas pada subbab berikut.
59
4.2.1. Pengujian dengan Metode FCM Standar
Pengujian dengan menggunakan algoritma FCM standar dilakukan
sebanyak 9 kali pada setiap citra uji, dengan menggunakan variasi jumlah cluster
mulai dari 2 s/d 10 cluster. Adapun beberapa parameter atau variabel tetap yang
digunakan pada uji coba ini adalah:
• Maksimum iterasi = 100
• Minimum toleransi = 0.0000001
Pengujian terhadap masing-masing citra uji akan dijabarkan secara rinci
sebagai berikut.
4.2.1.1. Pengujian citra uji “horses.png” dengan metode FCM standar
Hasil uji coba citra uji “horses.png” menggunakan algoritma FCM
standar ditampilkan pada tabel 4.1 berikut.
Tabel 4.1 Hasil uji citra “horses.png” dengan FCM standar
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 9 00:00:07 0.20718 3 15 00:00:19 0.06764 4 14 00:00:25 0.11321 5 30 00:01:13 0.07253 6 12 00:00:38 0.53544 7 24 00:01:36 0.34253 8 26 00:02:07 0.32665 9 34 00:03:21 1.56001 10 19 00:02:13 1.49813
Rata-rata 20 80 detik 0.5248133
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 3 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 3 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f) Gambar 4.7 Hasil segmentasi citra “
original image(d) final result, (e)
4.2.1.2. Pengujian citra uji “
Hasil uji coba citra uji
ditampilkan pada tabel 4.
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 3 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
hasil segmentasi menggunakan 3 cluster dapat dilihat pada gambar
(b)
(e)
(g)
Hasil segmentasi citra “horses.png” dengan metode FCM standarriginal image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g(h) cluster 3
Pengujian citra uji “ chain.png” dengan metode FCM standar
Hasil uji coba citra uji “chain.png” menggunakan algoritma
ditampilkan pada tabel 4.2 berikut.
60
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 3 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
hasil segmentasi menggunakan 3 cluster dapat dilihat pada gambar
(c)
(h)
dengan metode FCM standar : (a) image, g) cluster 2,
dengan metode FCM standar
menggunakan algoritma FCM standar
61
Tabel 4.2 Hasil uji citra “chain.png” dengan FCM standar
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 10 00:00:07 0.05578 3 20 00:00:21 0.10344 4 100 00:02:40 0.05911 5 16 00:00:35 0.30605 6 100 00:05:25 0.77657 7 100 00:06:00 0.22451 8 100 00:07:05 0.58285 9 100 00:09:02 0.06137 10 57 00:05:48 0.10779
Rata-rata 67 247 detik 0.2530522
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f) Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar: (a)
original image(d) final result, (e)
4.2.1.3. Pengujian citra uji “
Hasil uji coba citra uji
standar ditampilkan pada tabel 4.
(b)
(e)
(g)
Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar: (a) original image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g
Pengujian citra uji “ redberry.png” dengan metode FCM standar
Hasil uji coba citra uji “redberry.png” menggunakan algoritma
pada tabel 4.3 berikut.
62
(c)
Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar: (a) segmented image,
g) cluster 2,
dengan metode FCM standar
menggunakan algoritma FCM
63
Tabel 4.3 Hasil uji citra “redberry.png” dengan FCM standar
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 18 00:00:21 0.07629 3 9 00:00:20 0.08609 4 9 00:00:27 0.08191 5 24 00:01:30 0.29465 6 8 00:00:39 0.20922 7 16 00:01:37 0.14663 8 12 00:01:29 0.12952 9 10 00:01:30 0.14402 10 10 00:01:32 0.1189
Rata-rata 13 63 detik 0.1430256
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f) Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar :
(a) original image(d) final result, (e)
4.2.1.4. Pengujian citra uji “
Hasil uji coba citra uji
ditampilkan pada tabel 4.
(b)
(e)
(g)
Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar : original image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (
Pengujian citra uji “ duck.png” dengan metode FCM standar
Hasil uji coba citra uji “duck.png” menggunakan algoritma
ditampilkan pada tabel 4.4 berikut.
64
(c)
Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar : segmented image,
, (g) cluster 2
dengan metode FCM standar
menggunakan algoritma FCM standar
65
Tabel 4.4 Hasil uji citra “duck.png” dengan FCM standar
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 6 00:00:03 0.07592 3 10 00:00:08 0.12924 4 11 00:00:13 0.14354 5 13 00:00:20 0.09299 6 16 00:00:33 0.28552 7 19 00:00:49 0.08063 8 100 00:05:21 0.21521 9 9 00:00:35 0.48476 10 10 00:00:45 0.17716
Rata-rata 22 59 detik 0.1872189
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f) Gambar 4.10 Hasil segmentasi citra “duck.png” dengan metode FCM standar: (a)
original image(d) final result, (e)
4.2.1.5. Pengujian citra uji “
Hasil uji coba citra uji
standar ditampilkan pada tabel 4.
(b)
(e)
(g)
Hasil segmentasi citra “duck.png” dengan metode FCM standar: (a) original image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g)
Pengujian citra uji “ carriage.png” dengan metode FCM standar
Hasil uji coba citra uji “carriage.png” menggunakan algoritma
ditampilkan pada tabel 4.5 berikut.
66
(c)
Hasil segmentasi citra “duck.png” dengan metode FCM standar: (a) segmented image,
, (g) cluster 2
dengan metode FCM standar
menggunakan algoritma FCM
67
Tabel 4.5 Hasil uji citra “carriage.png” dengan FCM Standar
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 12 00:00:07 0.09657 3 11 00:00:09 0.09769 4 9 00:00:11 0.20807 5 23 00:00:38 0.10056 6 37 00:01:20 0.15587 7 100 00:04:32 0.10936 8 100 00:05:34 0.29649 9 10 00:00:40 0.11041 10 100 00:07:57 0.10371
Rata-rata 45 141 0.1420811
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f) Gambar 4.11 Hasil segmentasi citra “carriage.png” dengan metode FCM standar :
(a) original image(d) final result, (e)
4.2.2. Pengujian dengan M
Pengujian dengan menggunakan
citra dilakukan sebanyak
beberapa variasi jumlah cluster
atau variabel tetap yang digunakan pada uji coba ini adalah:
• Maksimum iterasi =
• Minimum toleransi
• Seeking Memory
(b)
(e)
(g)
Hasil segmentasi citra “carriage.png” dengan metode FCM standar : original image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g)
dengan Metode FCM-CSO
dengan menggunakan algoritma FCM-CSO untuk segmentasi
citra dilakukan sebanyak 9 kali uji coba pada setiap citra uji dengan menggunakan
jumlah cluster mulai dari 2 s/d 10 cluster. Beberapa
yang digunakan pada uji coba ini adalah:
Maksimum iterasi = 100
Minimum toleransi = 0.0000001
emory pada CSO = 50
68
(c)
Hasil segmentasi citra “carriage.png” dengan metode FCM standar : segmented image,
, (g) cluster 2
untuk segmentasi
setiap citra uji dengan menggunakan
Beberapa parameter
69
• Seeking Range pada CSO = 0.1
• 5 x 5 window untuk fungsi spasial
Pengujian terhadap masing-masing citra uji akan dijabarkan secara rinci
sebagai berikut.
4.2.2.1. Pengujian citra uji “horses.png” dengan metode FCM-CSO
Hasil uji coba citra uji “horses.png” menggunakan algoritma FCM-CSO
ditampilkan pada tabel 4.6 berikut.
Tabel 4.6 Hasil uji citra “horses.png” dengan FCM-CSO
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 27 00:00:32 0.20318 3 11 00:00:26 0.05564 4 26 00:01:07 0.10321 5 21 00:01:15 0.06553 6 13 00:01:08 0.52844 7 21 00:01:55 0.33053 8 100 00:09:11 0.16349 9 16 00:02:17 1.55701 10 29 00:04:12 1.48913
Rata-rata 29 147 0.4995733
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 3 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 3 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f) Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM
original image(d) final result, (e)
4.2.2.2. Pengujian citra uji “
Hasil uji coba citra uji
ditampilkan pada tabel 4.
(b)
(e)
(g)
Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCMoriginal image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g) (h) cluster 3
Pengujian citra uji “ chain.png” dengan metode FCM-
Hasil uji coba citra uji “chain.png” menggunakan algoritma
tabel 4.7 berikut.
70
(c)
(h)
Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM-CSO: (a) segmented image,
, (g) cluster 2,
-CSO
menggunakan algoritma FCM-CSO
71
Tabel 4.7 Hasil uji citra “chain.png” dengan FCM-CSO
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 6 00:00:10 0.04278 3 18 00:00:31 0.09144 4 22 00:00:51 0.04511 5 100 00:04:41 0.24587 6 100 00:05:16 0.69125 7 100 00:06:36 0.16701 8 100 00:07:56 0.52156 9 44 00:04:39 0.05437 10 100 00:12:01 0.19469
Rata-rata 66 285 0.2282311
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f)
Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCMoriginal image
(d) final result, (e)
4.2.2.3. Pengujian citra uji “
Hasil uji coba citra uji
CSO ditampilkan pada tabel 4.
(b)
(e)
(g)
Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCMoriginal image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g)
Pengujian citra uji “ redberry.png” dengan metode FCM
Hasil uji coba citra uji “redberry.png” menggunakan algoritma
ditampilkan pada tabel 4.8 berikut.
72
(c)
Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCM-CSO: (a) segmented image,
, (g) cluster 2
dengan metode FCM-CSO
menggunakan algoritma FCM-
73
Tabel 4.8 Hasil uji citra “redberry.png” dengan FCM-CSO
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 16 00:00:32 0.07429 3 9 00:00:36 0.07609 4 15 00:01:08 0.01091 5 10 00:01:09 0.28465 6 9 00:01:26 0.20122 7 17 00:02:32 0.13963 8 11 00:02:14 0.11552 9 12 00:02:39 0.13902 10 100 00:17:13 0.20771
Rata-rata 22 197 0.1387822
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f)
Gambar 4.14 Hasil segmentasi citra “redberry.png” dengan metode FCM(a) original image
(d) final result, (e)
4.2.2.4. Pengujian citra uji “
Hasil uji coba citra uji
ditampilkan pada tabel 4.
(b)
(e)
(g)
Hasil segmentasi citra “redberry.png” dengan metode FCMoriginal image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g)
Pengujian citra uji “ duck.png” dengan metode FCM-CSO
Hasil uji coba citra uji “duck.png” menggunakan algoritma
ditampilkan pada tabel 4.9 berikut.
74
(c)
Hasil segmentasi citra “redberry.png” dengan metode FCM-CSO: segmented image,
, (g) cluster 2
CSO
menggunakan algoritma FCM-CSO
75
Tabel 4.9 Hasil uji citra “duck.png” dengan FCM-CSO
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 9 00:00:11 0.06492 3 13 00:00:19 0.11624 4 14 00:00:28 0.13654 5 11 00:00:31 0.08299 6 100 00:04:01 0.25762 7 23 00:01:23 0.06863 8 17 00:01:20 0.20421 9 100 00:07:16 0.46495 10 100 00:08:34 0.14069
Rata-rata 43 160 0.1707544
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f)
Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCMoriginal image
(d) final result, (e)
4.2.2.5. Pengujian citra uji “
Hasil uji coba citra uji
CSO ditampilkan pada tabel 4.
(b)
(e)
(g)
Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCMoriginal image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g)
Pengujian citra uji “ carriage.png”
Hasil uji coba citra uji “carriage.png” menggunakan algoritma
ditampilkan pada tabel 4.10 berikut.
76
(c)
Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCM-CSO: (a) segmented image,
, (g) cluster 2
menggunakan algoritma FCM-
77
Tabel 4.10 Hasil uji citra “carriage.png” dengan FCM-CSO
Jumlah Cluster
Jumlah Iterasi
Lama Eksekusi Xie-Beni Index
2 10 00:00:12 0.09457 3 10 00:00:17 0.09569 4 13 00:00:28 0.19807 5 9 00:00:28 0.09656 6 12 00:00:44 0.14487 7 33 00:01:58 0.09636 8 100 00:06:19 0.0274 9 100 00:07:34 0.21074 10 40 00:03:53 0.09471
Rata-rata 36 146 0.1176633
Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling
optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil.
Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar
dibawah berikut.
(a)
(d)
(f) Gambar 4.16 Hasil segmentasi citra “carriage.png” dengan metode FCM
original image(d) final result, (e)
4.3. Perbandingan Hasil
Dari hasil pengujian segmentasi citra diatas dengan menggunakan
masing-masing algoritma FCM standar dan algoritma FCM
dirangkum perbandingan
seperti tabel-tabel berikut.
(b)
(e)
(g)
Hasil segmentasi citra “carriage.png” dengan metode FCMoriginal image, (b) preprocessed image, (c) segmented image
, (e) ground truth segmentation, (f) cluster 1, (g)
Perbandingan Hasil
Dari hasil pengujian segmentasi citra diatas dengan menggunakan
masing algoritma FCM standar dan algoritma FCM-CSO, maka dapat
perbandingan waktu eksekusi, jumlah iterasi, dan nilai Xie
berikut.
78
(c)
Hasil segmentasi citra “carriage.png” dengan metode FCM-CSO: (a) segmented image,
, (g) cluster 2
Dari hasil pengujian segmentasi citra diatas dengan menggunakan
CSO, maka dapat
waktu eksekusi, jumlah iterasi, dan nilai Xie-Beni index
79
Tabel 4.11 Perbandingan waktu eksekusi (detik)
Citra Uji Metode Jumlah Cluster
2 3 4 5 6 7 8 9 10
horses.png FCM 0:00:07 0:00:19 0:00:25 0:01:13 0:00:38 0:01:36 0:02:07 0:03:21 0:02:13
FCM-CSO 0:00:32 0:00:26 0:01:07 0:01:15 0:01:08 0:01:55 0:09:11 0:02:17 0:04:12
chain.png FCM 0:00:07 0:00:21 0:02:40 0:00:35 0:05:25 0:06:00 0:07:05 0:09:02 0:05:48
FCM-CSO 0:00:10 0:00:31 0:00:51 0:04:41 0:05:16 0:06:36 0:07:56 0:04:39 0:12:01
redberry.png FCM 0:00:21 0:00:20 0:00:27 0:01:30 0:00:39 0:01:37 0:01:29 0:01:30 0:01:32
FCM-CSO 0:00:32 0:00:36 0:01:08 0:01:09 0:01:26 0:02:32 0:02:14 0:02:39 0:17:13
duck.png FCM 0:00:03 0:00:08 0:00:13 0:00:20 0:00:33 0:00:49 0:05:21 0:00:35 0:00:45
FCM-CSO 0:00:11 0:00:19 0:00:28 0:00:31 0:04:01 0:01:23 0:01:20 0:07:16 0:08:34
carriage.png FCM 0:00:07 0:00:09 0:00:11 0:00:38 0:01:20 0:04:32 0:05:34 0:00:40 0:07:57
FCM-CSO 0:00:12 0:00:17 0:00:28 0:00:28 0:00:44 0:01:58 0:06:19 0:07:34 0:03:53
Berdasarkan tabel hasil perbandingan waktu eksekusi diatas, dapat dilihat
rata-rata waktu eksekusi dengan menggunakan algoritma FCM-CSO lebih lama
dibandingkan algoritma FCM standar. Hal ini disebabkan oleh proses-proses
dalam algoritma FCM-CSO lebih kompleks dari algoritma FCM standar, karena
adanya penerapan algoritma Cat Swarm Optimization.
Tabel 4.12 Perbandingan jumlah iterasi
Citra Uji Metode Jumlah Cluster
2 3 4 5 6 7 8 9 10
horses.png FCM 9 15 14 30 12 24 26 34 19
FCM-CSO 27 11 26 21 13 21 100 16 29
chain.png FCM 10 20 100 16 100 100 100 100 57
FCM-CSO 6 18 22 100 100 100 100 44 100
redberry.png FCM 18 9 9 24 8 16 12 10 10
FCM-CSO 16 9 15 10 9 17 11 12 100
duck.png FCM 6 10 11 13 16 19 100 9 10
FCM-CSO 9 13 14 11 100 23 17 100 100
carriage.png FCM 12 11 9 23 37 100 100 10 100
FCM-CSO 10 10 13 9 12 33 100 100 40
80
Berdasarkan tabel perbandingan jumlah iterasi diatas, setelah dihitung
total jumlah iterasi menggunakan metode FCM standar lebih kecil dibandingkan
total jumlah iterasi menggunakan metode FCM-CSO.
Tabel 4.13 Perbandingan nilai Xie-Beni Index
Citra Uji Metode
Jumlah Cluster
2 3 4 5 6 7 8 9 10
horses-.png
FCM 0.20718 0.06764 0.11321 0.07253 0.53544 0.34253 0.32665 1.56001 1.49813
FCM-CSO
0.20318 0.05564 0.10321 0.06553 0.52844 0.33053 0.16349 1.55701 1.48913
chain-.png
FCM 0.05578 0.10344 0.05911 0.30605 0.77657 0.22451 0.58285 0.06137 0.10779
FCM-CSO
0.04278 0.09144 0.04511 0.24587 0.69125 0.16701 0.52156 0.05437 0.19469
redbe-rry.png
FCM 0.07629 0.08609 0.08191 0.29465 0.20922 0.14663 0.12952 0.14402 0.1189
FCM-CSO
0.07429 0.07609 0.01091 0.28465 0.20122 0.13963 0.11552 0.13902 0.20771
duck-.png
FCM 0.07592 0.12924 0.14354 0.09299 0.28552 0.08063 0.21521 0.48476 0.17716
FCM-CSO
0.06492 0.11624 0.13654 0.08299 0.25762 0.06863 0.20421 0.46495 0.14069
carria-ge.png
FCM 0.09657 0.09769 0.20807 0.10056 0.15587 0.10936 0.29649 0.11041 0.10371
FCM-CSO
0.09457 0.09569 0.19807 0.09656 0.14487 0.09636 0.0274 0.21074 0.09471
Berdasarkan tabel perbandingan nilai Xie-Beni Index diatas, dapat dilihat
algoritma FCM-CSO menghasilkan nilai XB Index yang lebih kecil daripada
algoritma FCM standar pada setiap citra uji dengan jumlah cluster yang paling
optimal. Hal ini menunjukkan hasil segmentasi citra menggunakan algoritma
FCM-CSO menghasilkan cluster yang lebih bagus daripada algoritma FCM
standar. Perbandingan hasil uji coba pada tabel diatas dapat dihitung nilai rata-rata
iterasi, waktu eksekusi, dan nilai Xie-Beni Index-nya, dirangkum pada Tabel 4.14.
81
Tabel 4.14 Perbandingan rata-rata iterasi, waktu eksekusi dan XB Index
Citra Uji Metode
Rata-rata
Iterasi Waktu
Eksekusi (detik)
XB Index
horses.png FCM 20 80 0.5248133
FCM-CSO 29 147 0.4995733
chain.png FCM 67 247 0.2530522
FCM-CSO 66 285 0.2282311
redberry.png FCM 13 63 0.1430256
FCM-CSO 22 197 0.1387822
duck.png FCM 22 59 0.1872189
FCM-CSO 43 160 0.1707544
carriage.png FCM 45 141 0.1420811
FCM-CSO 36 146 0.1176633
Berdasarkan rangkuman perbandingan hasil antara kedua metode pada
setiap citra uji diatas menunjukkan rata-rata jumlah iterasi yang dihasilkan dengan
metode FCM standar lebih kecil dibandingkan metode FCM-CSO pada citra
“horses.png”, “redberry.png”, dan “duck.png”.. Rata-rata nilai XB Index (nilai
fitness) dari metode FCM-CSO lebih kecil dibandingkan FCM standar pada
semua citra uji, ini menunjukkan metode FCM-CSO menghasilkan clustering
yang lebih optimal dari FCM standar. Namun rata-rata waktu eksekusi
menggunakan metode FCM-CSO pada semua citra uji lebih besar dibandingkan
metode FCM standar, hal ini disebabkan oleh adanya tambahan proses optimasi
pada metode FCM-CSO membuat waktu eksekusi lebih lama
Perbandingan citra output dari kedua metode ini dapat dilihat pada
gambar dibawah. Perbandingan hasil yang ditampilkan meliputi citra asli (original
image), citra hasil segmentasi (result image) dari kedua metode, serta citra hasil
yang diharapkan (ground truth segmentation).
Gambar 4.17 Perbandingan hasil segmentasi citra uji “(a) original image
Gambar 4.18 Perbandingan hasil segmentasi citra uji “chain.png” : (a) original image
(a) (b)
(c) (d)
Perbandingan hasil segmentasi citra uji “horses.png
original image, (b) ground truth segmentation, (c) FCM result(d) FCM-CSO result image
(a) (b)
(c) (d)
Gambar 4.18 Perbandingan hasil segmentasi citra uji “chain.png” : original image, (b) ground truth segmentation, (c) FCM result image
(d) FCM-CSO result image
82
horses.png” : result image,
Gambar 4.18 Perbandingan hasil segmentasi citra uji “chain.png” : result image,
Gambar 4.19 Perbandingan hasil segmentasi citra uji “redberry.png” : (a) original image
Gambar 4.20(a) original image
(a) (b)
(c) (d)
Gambar 4.19 Perbandingan hasil segmentasi citra uji “redberry.png” :
original image, (b) ground truth segmentation, (c) FCM result image(d) FCM-CSO result image
(a) (b)
(c) (d)
20 Perbandingan hasil segmentasi citra uji “duck.png” :
original image, (b) ground truth segmentation, (c) FCM result image(d) FCM-CSO result image
83
Gambar 4.19 Perbandingan hasil segmentasi citra uji “redberry.png” : result image,
Perbandingan hasil segmentasi citra uji “duck.png” : result image,
Gambar 4.21 Perbandingan hasil segmentasi citra uji “carriage.png” : (a) original image
Berdasarkan perbandingan hasil citra uji
metode FCM-CSO
“redberry”, dan “carriage” yang sudah mendekati citra
dibandingkan dengan metode FCM standar. Namun metode FCM
“horses” dan “duck” masih terdapat beberapa kelemahan dalam melakukan
segmentasi warna yang terdapat gradasi warna dimana warna objek hampir mirip
dengan warna latar. Hal ini menyebabkan
masuk kedalam cluster latar atau
CSO kurang bagus diterapkan pada citra dengan warna objek sama dengan warna
latar.
(a) (b)
(c) (d)
Perbandingan hasil segmentasi citra uji “carriage.png” :
original image, (b) ground truth segmentation, (c) FCM result image(d) FCM-CSO result image
Berdasarkan perbandingan hasil citra uji pada gambar diatas dapat dilihat
CSO dengan baik melakukan segmentasi pada citra “chain”,
“redberry”, dan “carriage” yang sudah mendekati citra ground truth segmentation
dibandingkan dengan metode FCM standar. Namun metode FCM
uck” masih terdapat beberapa kelemahan dalam melakukan
segmentasi warna yang terdapat gradasi warna dimana warna objek hampir mirip
dengan warna latar. Hal ini menyebabkan bagian objek yang terdapat pada citra
masuk kedalam cluster latar atau background. Hal ini menunjukkan metode FCM
CSO kurang bagus diterapkan pada citra dengan warna objek sama dengan warna
84
Perbandingan hasil segmentasi citra uji “carriage.png” : result image,
diatas dapat dilihat
dengan baik melakukan segmentasi pada citra “chain”,
ground truth segmentation
dibandingkan dengan metode FCM standar. Namun metode FCM-CSO pada citra
uck” masih terdapat beberapa kelemahan dalam melakukan
segmentasi warna yang terdapat gradasi warna dimana warna objek hampir mirip
bagian objek yang terdapat pada citra
al ini menunjukkan metode FCM-
CSO kurang bagus diterapkan pada citra dengan warna objek sama dengan warna
85
4.4. Analisa Hasil Kuesioner
Karakteristik responden menjadi hal yang berpengaruh terhadap kualitas
dari suatu data, karena pengumpulan data dilakukan dengan menyebarkan
kuesioner. Form kuesioner yang digunakan dalam penelitian ini dapat dilihat pada
Lampiran 1. Sebelum melakukan pembahasan terhadap hasil perbandingan
algoritma FCM-CSO dengan FCM standar dalam kuesioner ini akan dibahas
mengenai karakteristik dari responden.
4.4.1. Karakteristik Responden
Kuesioner penelitian ini ditujukan kepada responden mahasiswa ataupun
dosen yang memahami tentang pengolahan citra digital, khususnya dalam bidang
segmentasi citra. Pengumpulan data dilakukan dengan menyebarkan 30 kuesioner
dari tanggal 12 Januari 2015 sampai dengan 16 Januari 2015. Dari kuesioner yang
disebarkan, 20 kuesioner berhasil dikumpulkan kembali dan terisi dengan
lengkap, sehingga data yang digunakan sebanyak 20.
4.4.2. Hasil perbandingan metode untuk citra uji “horses.png”
Perbandingan metode FCM-CSO dengan metode FCM standar untuk
citra uji “horses.png” dari 20 orang responden diperoleh hasil sebagai berikut:
Tabel 4.15 Rangkuman hasil kuesioner citra uji “horses.png”
Alternatif Jawaban Bobot Jumlah Total Skor = Bobot * Jumlah
Sangat Setuju 4 7 28 Setuju 3 10 30
Tidak Setuju 2 3 6 Sangat Tidak Setuju 1 0 0
Total 20 orang 64
86
Langkah selanjutnya adalah menentukan interpretasi skor perhitungan. Untuk
mendapatkan hasil interpretasi, sebelumnya harus ditentukan skor tertinggi dan
skor terendah dengan rumus sebagai berikut:
Y¯ZB _[B_8;^^8 = ]¯ZB _[B_8;^^8 y8¯[B_ ∗ >q9y:ℎ B[]NZ;7[;
Y¯ZB _[B[;7:ℎ = ]¯ZB _[B[;7:ℎ y8¯[B_ ∗ >q9y:ℎ B[]NZ;7[;
Jadi, skor tertinggi untuk jawaban Sangat Setuju adalah 4 * 20 = 80,
sedangkan skor terendah untuk jawaban Sangat Tidak Setuju adalah 1 * 20 = 20.
Total skor yang diperoleh dari responden adalah 64, maka penilaian interpretasi
terhadap perbandingan metode FCM-CSO dengan FCM standar untuk citra uji
“horses.png” menggunakan rumus index % sebagai berikut:
dq9q] \;7[D % = _Z_:y ]¯ZB]¯ZB _[B_8;^^8 ∗ 100 (4.1)
Sebelumnya tentukan interval (jarak) dan persentase interpretasi agar
mengetahui penilaian metode mencari interval skor persen, dengan rumus interval
sebagai berikut.
\ = 100c:;°:¯;°: >:{:c:; ±8¯[B_ = 1004 = 25
Jadi diperoleh interval 25% dari terendah 0% hingga tertinggi 100%. Berikut
kriteria interpretasi skor berdasarkan intervalnya:
• Interval 0% - 24.99% = Sangat Tidak Setuju
• Interval 25% - 49.99% = Tidak Setuju
• Interval 50% - 74.99% = Setuju
87
• Interval 75% - 100% = Sangat Setuju
Maka,
\;_[BNB[_:]8 % = _Z_:y ]¯ZB]¯ZB _[B_8;^^8 ∗ 100 = 6480 ∗ 100 = 80
Jadi, nilai interpretasi yang diperoleh berada pada interval Sangat Setuju,
sehingga dapat disimpulkan responden Sangat Setuju dengan pernyataan hasil
segmentasi dengan metode FCM-CSO lebih mendekati citra ground truth
dibandingkan dengan metode FCM standar untuk citra uji “horses.png”.
4.4.3. Hasil perbandingan metode untuk citra uji “chain.png”
Perbandingan metode FCM-CSO dengan metode FCM standar untuk
citra uji “chain.png” dari 20 orang responden diperoleh hasil sebagai berikut:
Tabel 4.16 Rangkuman hasil kuesioner citra uji “chain.png”
Alternatif Jawaban Bobot Jumlah Total Skor = Bobot * Jumlah
Sangat Setuju 4 3 12 Setuju 3 12 36
Tidak Setuju 2 5 10 Sangat Tidak Setuju 1 0 0
Total 20 orang 58
\;_[BNB[_:]8 % = _Z_:y ]¯ZB]¯ZB _[B_8;^^8 ∗ 100 = 5880 ∗ 100 = 72.5
Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai
interpretasi yang diperoleh disini berada pada interval Setuju, sehingga dapat
88
disimpulkan responden Setuju dengan pernyataan hasil segmentasi dengan metode
FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM
standar untuk citra uji “chain.png”.
4.4.4. Hasil perbandingan metode untuk citra uji “redberry .png”
Perbandingan metode FCM-CSO dengan metode FCM standar untuk
citra uji “redberry.png” dari 20 orang responden diperoleh hasil sebagai berikut:
Tabel 4.17 Rangkuman hasil kuesioner citra uji “redberry.png”
Alternatif Jawaban Bobot Jumlah Total Skor = Bobot * Jumlah
Sangat Setuju 4 8 32 Setuju 3 10 30
Tidak Setuju 2 2 4 Sangat Tidak Setuju 1 0 0
Total 20 orang 66
\;_[BNB[_:]8 % = _Z_:y ]¯ZB]¯ZB _[B_8;^^8 ∗ 100 = 6680 ∗ 100 = 82.5
Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai
interpretasi yang diperoleh disini berada pada interval Sangat Setuju, sehingga
dapat disimpulkan responden Sangat Setuju dengan pernyataan hasil segmentasi
dengan metode FCM-CSO lebih mendekati citra ground truth dibandingkan
dengan metode FCM standar untuk citra uji “redberry.png”.
89
4.4.5. Hasil perbandingan metode untuk citra uji “duck.png”
Perbandingan metode FCM-CSO dengan metode FCM standar untuk
citra uji “duck.png” dari 20 orang responden diperoleh hasil sebagai berikut:
Tabel 4.18 Rangkuman hasil kuesioner citra uji “duck.png”
Alternatif Jawaban Bobot Jumlah Total Skor = Bobot * Jumlah
Sangat Setuju 4 3 12 Setuju 3 12 36
Tidak Setuju 2 5 10 Sangat Tidak Setuju 1 0 0
Total 20 orang 58
\;_[BNB[_:]8 % = _Z_:y ]¯ZB]¯ZB _[B_8;^^8 ∗ 100 = 5880 ∗ 100 = 72.5
Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai
interpretasi yang diperoleh disini berada pada interval Setuju, sehingga dapat
disimpulkan responden Setuju dengan pernyataan hasil segmentasi dengan metode
FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM
standar untuk citra uji “duck.png”.
4.4.6. Hasil perbandingan metode untuk citra uji “carriage.png”
Perbandingan metode FCM-CSO dengan metode FCM standar untuk
citra uji “carriage.png” dari 20 orang responden diperoleh hasil sebagai berikut:
90
Tabel 4.19 Rangkuman hasil kuesioner citra uji “carriage.png”
Alternatif Jawaban Bobot Jumlah Total Skor = Bobot * Jumlah
Sangat Setuju 4 3 12 Setuju 3 12 36
Tidak Setuju 2 5 10 Sangat Tidak Setuju 1 0 0
Total 20 orang 58
\;_[BNB[_:]8 % = _Z_:y ]¯ZB]¯ZB _[B_8;^^8 ∗ 100 = 5880 ∗ 100 = 72.5
Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai
interpretasi yang diperoleh disini berada pada interval Setuju, sehingga dapat
disimpulkan responden Setuju dengan pernyataan hasil segmentasi dengan metode
FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM
standar untuk citra uji “carriage.png”.
91
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan uji coba yang telah dilakukan dalam penelitian ini dapat
disimpulkan beberapa hal sebagai berikut:
1) Sistem segmentasi citra dengan metode FCM-CSO yang dikembangkan ini
mampu melakukan segmentasi citra dengan menggunakan metode Fuzzy
C Means dan Cat Swarm Optimization. Proses preprocessing dengan
menggunakan metode SRM berfungsi untuk menyederhanakan warna pada
citra uji agar lebih mudah untuk disegmentasi. Penerapan algoritma Cat
Swarm Optimization disini adalah dengan menerapkan proses Seeking
Mode dan Tracing Mode pada algoritma Fuzzy C Means untuk
mendapatkan pusat cluster yang lebih bagus, dengan menggunakan Xie
Beni Index sebagai fungsi objektifnya.
2) Hasil uji coba sistem ini menunjukkan bahwa dalam pengukuran nilai
cluster validity menggunakan Xie Beni Index, hasil segmentasi dengan
metode FCM-CSO lebih bagus daripada metode FCM standar.
Berdasarkan hasil kuesioner untuk melakukan pengukuran berdasarkan
persepsi manusia, responden menyatakan sangat setuju bahwa metode
FCM-CSO lebih mendekati citra ground truth segmentation dibandingkan
metode FCM standar pada citra uji “horses.png” dan “redberry.png”, serta
menyatakan setuju metode FCM-CSO lebih mendekati citra ground truth
92
segmentation dibandingkan metode FCM standar pada citra uji
“chain.png”, “duck.png”, dan “carriage.png”
5.2. Saran
Penelitian ini menggunakan metode Fuzzy C Means dioptimasi dengan
metode Cat Swarm Optimization untuk melakukan segmentasi citra. Meskipun
dari hasil uji ciba menunjukkan metode FCM-CSO ini lebih bagus dari FCM
standar, namun dapat dilihat pada citra hasi segmentasi masih terdapat beberapa
kekurangan atau belum sesuai dengan hasil yang diharapkan (citra ground truth
segmentation). Metode Cat Swarm Optimization yang digunakan dalam penelitian
ini adalah CSO murni. Pada penelitian selanjutnya agar dicoba untuk menerapkan
algoritma CSO yang sudah ditingkatkan lagi kinerjanya seperti Adaptive Dynamic
Cat Swarm Optimization yang dikembangkan oleh M. Oroushkani, dkk. pada
tahun 2013, agar mendapatkan hasil yang lebih optimal.
93
DAFTAR PUSTAKA
Ahmed, M. N., Yamany, S. M., Mohamed, N., Farag, A. A., Moriarty, T. A. 2002.
Modified Fuzzy C-Means Algorithm for Bias Field Estimation and Segmentation of MRI data. IEEE Trans Med Imaging, vol. 21 : 193–9
Amiya Halder, Soumajit Pramanik. 2011. Dynamic Image Segmentation using
Fuzzy C-Means based Genetic Algorithm. International Journal of Computer Application, vol. 28-No.6
Budi Santosa, Mirsa Kencana Ningrum. 2009. Cat Swarm Optimization for
Clustering. IEEE of Soft Computing and Pattern Recognition : 54-59 Darma Putra. 2010. Pengolahan Citra Digital. Yogyakarta : ANDI Offset Jain, A.K., Murty M.N., and Flynn P.J. 1999. Data Clustering: A Review. ACM
Computing Surveys, Vol 31, No. 3, 264-323. Keh-Shih Chuang, Hong-Long Tzeng, Sharon Chen, Jay Wu, Tzong-Jer Chen.
2006. Fuzzy c-means clustering with spatial information for image segmentation. Computerized Medical Imaging and Graphics, vol. 30 : 9–15
Liu, Yang and Kevin M. Passino. 2000. Swarm intelligence: Literature Overview.
Department of Electrical Engineering: The Ohio State University Mahamed G. H., Omran, Andries P Engelbrecht, Ayed Salman. 2005. Dynamic
Clustering using Particle Swarm Optimization with Application in Unsupervised Image Classification. Transactions on Engineering, Computing and Technology, vol. 9 : 199-204
Nock, Richard; Frank Nielsen. 2004. Statistical Region Merging. IEEE
Transactions on Pattern Analysis and Machine Intelligence 26 (11): 1–7 Oroushkani, M., Oroushkani, Y., Mansouri, M., Teshnehlab, M. 2013. A Novel
Cat Swarm Optimization Algorithm for Unconstrained Optimization Problem. IJITCS vol.5 no.11 pp 32 – 41
S Alpert, M Galun, R Basri, A Brandt. 2007. Image Segmentation by Probabilistic
Bottom-Up Aggregation and Cue Integration. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition CVPR'07 : 1-8
94
S. C. Chu, P. W. Tsai. 2007. Computational Intelligence Based On The Behavior Of Cats. International Journal of Innovative Computing, Information and Control, vol. 3, no. 1 : 163-173
Sugiyono. 2002. Metode Penelitian Bisnis. PT. Gramedia Pustaka Utama : Jakarta Swagatam Das, Ajith Abraham. 2010. Spatial Information Based Image
Segmentation Using a Modified Particle Swarm Optimization Algorithm. IITA Professorship Program, School of Computer Science and Engineering
Tirimula Rao Benala, S. C. Satapathy. 2011. Cat Swarm Optimisation For
Optimizing Hybridized Smoothening Filter In Image Edge Enhancement. International Conference on Systemics, Cybernetics and Informatics
Yongguo Liu, Yidong Shen. 2010. Data Clustering with Cat Swarm Optimization.
Journal of Convergence Information Technology, vol. 5, no. 8 Xie XL, Beni GA. 1991. Validity Measure For Fuzzy Clustering. IEEE Trans
Pattern Anal Mach Intell Vol.3 : 841-6
95
LAMPIRAN
Lampiran 1 : Kuesioner Perbandingan Hasil Segmentasi Citra
Data Responden Pekerjaan : □ Mahasiswa □ Dosen Bidang Studi : ______________________
Petunjuk Pengisian
Kuesioner ini disusun untuk mengetahui perbandingan hasil segmentasi citra dengan metode FCM standar dan metode FCMKuesioner ini ditujukan kepada mahasiswa ataupun dosen yang memahami pengolahan citra digital khususnya segmentasi citra, dildengan cara membandingkan dua buah citra hasil segmentasi yang disajikan dengan citra adalah hasil akhir segmentasi yang diharapkan dan dibuat secara manual sesuai dengan persepsi manusia.Keterangan: STS : Sangat Tidak Setuju TS : Tidak SetujuS : Setuju SS : Sangat Setuju
1. Citra uji “horses.png”
Citra Asli
Citra Ground Truth Segmentation
Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra truth daripada hasil segmentasi Metode B
Kuesioner Perbandingan Hasil Segmentasi Citra
______________________
Kuesioner ini disusun untuk mengetahui perbandingan hasil segmentasi citra dengan metode FCM standar dan metode FCMKuesioner ini ditujukan kepada mahasiswa ataupun dosen yang memahami pengolahan citra digital khususnya segmentasi citra, dil
gan cara membandingkan dua buah citra hasil segmentasi yang disajikan dengan citra ground truth sebagai acuannya. Citra adalah hasil akhir segmentasi yang diharapkan dan dibuat secara manual sesuai dengan persepsi manusia.
TS : Tidak Setuju SS : Sangat Setuju
Ground Truth Segmentation Hasil Segmentasi Metode A Hasil Segmentasi Metode B
STS TS S SS Citra hasil segmentasi Metode A lebih mendekati citra ground
96
Kuesioner ini disusun untuk mengetahui perbandingan hasil segmentasi citra dengan metode FCM standar dan metode FCM-CSO. Kuesioner ini ditujukan kepada mahasiswa ataupun dosen yang memahami pengolahan citra digital khususnya segmentasi citra, dilakukan
sebagai acuannya. Citra ground truth
Hasil Segmentasi Metode B
2. Citra uji “chain.png”
Citra Asli
Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra truth daripada hasil segmentasi Metode B
3. Citra uji “redberry.png”
Citra Asli
Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra truth daripada hasil segmentasi Metode B
Citra Ground Truth
Segmentation Hasil Segmentasi Metode
A STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra ground
Citra Ground Truth
Segmentation Hasil Segmentasi Metode
A STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra ground
97
Hasil Segmentasi Metode
B
Hasil Segmentasi Metode
B
4. Citra uji “duck.png”
Citra Asli
Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B
5. Citra uji “carriage.png”
Citra Asli
Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B
Citra Ground Truth
Segmentation Hasil Segmentasi
Metode A STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra daripada hasil segmentasi Metode B
Citra Ground Truth
Segmentation Hasil Segmentasi
Metode A STS TS S SS
Citra hasil segmentasi Metode A lebih mendekati citra daripada hasil segmentasi Metode B
98
Hasil Segmentasi
Metode B
Hasil Segmentasi
Metode B