segmentasi citra dengan menggunakan metode mean shift...

22
TUGAS AKHIR CI1599 SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE MEAN SHIFT SPECTRAL CLUSTERING AFWAN BADRU NAIM NRP 5105 100 169 Dosen Pembimbing Rully Soelaiman, S.Kom., M.Kom. JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2009

Upload: others

Post on 08-Oct-2019

22 views

Category:

Documents


4 download

TRANSCRIPT

TUGAS AKHIR – CI1599

SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE MEAN SHIFT SPECTRAL CLUSTERING AFWAN BADRU NAIM NRP 5105 100 169

Dosen Pembimbing Rully Soelaiman, S.Kom., M.Kom. JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2009

i

TUGAS AKHIR – CI1599

SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE MEAN SHIFT SPECTRAL CLUSTERING AFWAN BADRU NAIM NRP: 5105 100 169 Dosen Pembimbing Rully Soelaiman, S.Kom., M.Kom.

JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2009

ii

iii

UNDERGRADUATE THESIS

IMAGE SEGMENTATION USING MEAN SHIFT SPECTRAL CLUSTERING AFWAN BADRU NAIM NRP: 5105 100 169

Advisor Rully Soelaiman, S.Kom., M.Kom.

DEPARTMENT OF INFORMATICS Faculty Of Information Technology Sepuluh Nopember Institute of Technology Surabaya 2009

iv

v

LEMBAR PENGESAHAN

SEGMENTASI CITRA DENGAN MENGGUNAKAN

METODE MEAN SHIFT SPECTRAL CLUSTERING

TUGAS AKHIR Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

pada

Bidang Studi Sistem Bisnis Cerdas

Program Studi S-1 Jurusan Teknik Informatika

Fakultas Teknologi Informasi

Institut Teknologi Sepuluh Nopember

Oleh:

AFWAN BADRU NAIM

NRP: 5105 100 169

Disetujui oleh Tim Penguji Tugas Akhir:

1. Rully Soelaiman, S.Kom., M.Kom……..(Pembimbing I)

SURABAYA

JULI, 2009

vi

vii

SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE

MEAN SHIFT SPECTRAL CLUSTERING

Nama Mahasiswa : AFWAN BADRU NAIM

NRP : 5105 100 169

Jurusan : Teknik Informatika FTIF-ITS

Dosen Pembimbing I : Rully Soelaiman, S. Kom.,

M. Kom.

ABSTRAK

Metode spectral clustering mengelompokkan datapoint dari data

yang diberikan ke dalam sejumlah cluster dengan memanfaatkan

dekomposisi eigen dari matriks kesamaan atau matriks turunannya,

dimana elemen-elemen dari matriks tersebut merepresentasikan nilai

kesamaan dari setiap pasangan datapoint. Kelemahan dari metode ini

terletak pada proses komputasi eigenvektor dari matriks tersebut,

dimana pembentukan matriks sendiri memerlukan perbandingan dari

setiap pasangan datapoint dari data. Dengan demikian, beban

komputasi semakin tinggi seiring dengan semakin besarnya ukuran data

yang diberikan.

Untuk mengurangi beban komputasi tersebut, dilakukan proses

iterasi untuk mendapatkan cluster tahap awal atau partition dari

dataset dengan menggunakan metode Mean Shift clustering yang

merupakan suatu pendekatan clustering yang bersifat nonparametrik

dengan beban komputasi yang lebih ringan. Partition hasil Mean Shift

clustering didapatkan secara natural melalui interpretasi probabilitas

dari nilai kesamaan dengan melakukan clustering berdasarkan Kernel

Density Estimation.

Nilai kesamaan dari setiap pasangan partition kemudian dihitung

untuk membangun matriks kesamaan dari partition. Setelah

mendapatkan matriks kesamaan dari partition dengan ukuran yang

lebih kecil dari matriks kesamaan pada umumnya, clustering kemudian

dilakukan dengan menggunakan metode Spectral Clustering, dengan

menerapkan metode connected component. Metode ini akan

diimplementasikan ke dalam aplikasi segmentasi citra, dan

perbandingan dilakukan terhadap hasil dari metode ini dengan metode

yang telah ada sebelumnya, yaitu Normalized Cut dan Mean Shift

viii

Kata kunci : spectral clustering, mean shift, connected component.

ix

IMAGE SEGMENTATION USING MEAN SIHFT SPECTRAL

CLUSTERING

Student Name : AFWAN BADRU NAIM

Student ID : 5105 100 169

Department : Informatics FoIT-ITS

Advisor I : RULLY SOELAIMAN, S.Kom.,

M.Kom

ABSTRACT

Spectral clustering method clusters datapoint from given dataset

into number of cluster using the eigendecomposition of a similarity

matrix (affinity matrix) or it’s derivative, which each element of an

affinity matrix shows the degree of similarity between pairs of

datapoint. The drawback of this method is on the eigenvectors

computation, which forming the matrix itself requiring to compare all

possible pairs of datapoint to build the affinity matrix. This leads to an

increase of computational burden for a large dataset.

To reduce the computational load, a fixed point iteration is

utiliized to find the first step clustering result, called partitions with

mean shift clustering algorithm which is the nonparametric clustering

approach with smaller computational load than spectral clustering.

Resulting partition from mean shift is naturally obtained from

probabilistic based clustering through kernel density estimation.

After getting partition of probability density function, pairwise

affinties from each partition computed to make a new affinity matrix

which is more small than earlier. Affinity matrix consisting similarities

between partition provide a much smaller eigenvector too, which is

possible to employing spectral clustering method using connected

component algorithm on it. Mean shift spectral clustering will be

implemented on image segmentation application and its result will be

compared with well known method Normalized Cut dan Mean Shift

Keyword : spectral clustering, mean shift, connected component

x

xi

KATA PENGANTAR

Alhamdulillah, puji syukur bagi Allah SWT, Rabb semesta

alam yang telah senantiasa melimpahkan rahmar, kasih sayang

dan karunia-Nya kepada penulis sehingga penulis dapat

menyelesaikan Tugas Akhir yang berjudul :

SEGMENTASI CITRA DENGAN MENGGUNAKAN

METODE MEAN SHIFT SPECTRAL CLUSTERING

Ucapan terima kasih penulis sampaikan kepada :

1. Orang tua dan keluarga tercinta yang telah memberikan

semangat terbesar : Bapak (Ayah juara satu seluruh dunia),

Ibu (the most beautiful woman alive), Mbak Ani & Mas Udin

serta keluarga besar Abdul Aziz Sumoatmodjo.

2. Bapak Rully Soelaiman, S.Kom., M.Kom, selaku dosen

pembimbing Tugas Akhir.

3. Bapak Yudhi Purwananto, S.Kom., M.Kom. selaku Ketua

Jurusan Teknik Informatika ITS Surabaya.

4. Ibu Bilqis Amaliah, S.Kom., M.Kom. selaku dosen wali.

5. Segenap dosen dan karyawan Teknik Informatika Fakultas

Teknologi Informasi ITS Surabaya.

6. Keluarga besar angkatan 2005 yang sudah menjadi guru dan

sahabat terbaik yang tak tergantikan bagi penulis:

Abid, Adi, Adit, Alfan, Alay, Amalia, Andam & kelompok

belajar bunga matahari, Andi, Arie, Ariana, Arya, Ayu &

Power Ranger, Bayu, Budi, Deden, Dodo, Dommy, Ega, Eko,

Fahrur, Gerson, Hendik, Hendri, Irvan, Parata, Rangga, Ratri,

Robert, Rona, Sari, Sheila & As Shofiyah, Tyo, Wardani,

Wima & Kecebonx, Yudha

7. Rekan-rekan mahasiswa Teknik Informatika ITS Surabaya,

mas-mas, mbak-mbak, adik-adik, pengurus Himpunan &

Kajian Islam, administrator & penghuni Laboratorium LP,

IBS, RPL, AJK, GCL & NCC.

8. Keluarga kecil bahagia ‘kosan Bu Wahid’ untuk kebersamaan

dalam saat-saat yang tak terlupakan:

xii

Mas Edy, Mas Wisnu, Chasib, Denyo, Wahyu, Avandi,

Rifky, Andre, Bayu, Hendra, Teguh Aceh, Ucup & Mas Irin.

9. Teman-teman alumnus SMAN 1 Ponorogo dan rekan-rekan

komunitas ankringan di Jembatan MERR untuk saat-saat

santai melepas penat.

10. Segenap pihak yang telah banyak membantu penulis dalam

pengerjaan Tugas Akhir ini.

11. Save the best for the last, Riana Ekawati untuk support, spirit

dan pengertiannya.

Sebagai manusia biasa, penulis menyadari bahwa Tugas

Akhir ini masih jauh dari kesempurnaan dan memiliki banyak

kekurangan. Sehingga dengan segala kerendahan hati, penulis

mengharapkan saran dan kritik yang membangun dari pembaca.

Semoga Tugas Akhir ini dapat menjadi sebuah referensi yang

bermanfaat.

Surabaya, Juli 2009

Penulis

xiii

DAFTAR ISI

Halaman

HALAMAN JUDUL ............................................................................ i

LEMBAR PENGESAHAN ................................................................. v ABSTRAK ......................................................................................... vii ABSTRACT ....................................................................................... ix KATA PENGANTAR ........................................................................ xi DAFTAR ISI .................................................................................... xiii DAFTAR GAMBAR ......................................................................... xv DAFTAR TABEL ............................................................................ xix BAB 1 PENDAHULUAN .................................................................... 1

1.1. Latar Belakang ...........................................................................1

1.2. Rumusan Masalah ......................................................................2

1.3. Batasan Masalah .........................................................................3

1.4. Tujuan ........................................................................................3

1.5. Metodologi .................................................................................4

1.6. Sistematika Penulisan .................................................................5

BAB 2 DASAR TEORI ....................................................................... 7

2.1. Spectral Clustering .....................................................................7

2.2. Metode Pairwise ....................................................................... 12

2.3. Mean Shift................................................................................ 16

2.3.1. Kernel Density Estimation ................................................. 16 2.3.2. Mode-Finding dan Algoritma Mean Shift ......................... 19

BAB 3 MEAN SHIFT SPECTRAL CLUSTERING ....................... 25

3.1. Mean Shift Clustering ............................................................... 25

3.2. Matriks Kesamaan dari Partition ............................................... 28

3.3. Connected Component dari Partition Graph .............................. 32

3.4. Performa Segmentasi Citra dengan metode Mean Shift Spectral

Clustering ................................................................................. 33

BAB 4 PERANCANGAN DAN IMPLEMENTASI PERANGKAT

LUNAK ............................................................................................. 35

4.1. Perancangan Perangkat Lunak .................................................. 35

4.1.1. Perancangan Data .............................................................. 35

xiv

4.1.2. Perancangan Proses ............................................................ 36 4.1.3. Perancangan Antarmuka ..................................................... 44

4.2 Implementasi Perangkat Lunak ................................................. 45

4.2.1. Lingkungan Perangkat Lunak............................................. 45 4.2.2. Implementasi Proses........................................................... 45

BAB 5 UJI COBA DAN EVALUASI ................................................ 59

5.1 Lingkungan Uji Coba Perangkat Lunak ..................................... 59

5.2 Data Uji Coba ........................................................................... 59

5.3 Pelaksanaan Uji Coba ............................................................... 62

5.3.1 Uji Coba Perubahan Nilai Global Scaling Factor .................. 62 5.3.2 Uji Coba Perbandingan Fixed Size Kernel Density Estimation

dengan Variable Size Kernel Density Estimation ................ 68 5.3.3 Uji Coba Perbandingan Metode Mean Shift Spectral

Clustering dengan Normalized Cut ..................................... 75 5.3.4 Uji Coba Perbandingan Mean Shift Spectral Clustering

dengan Mean Shift ............................................................. 82 BAB 6 KESIMPULAN DAN SARAN .............................................. 91

6.1 Kesimpulan .............................................................................. 91

DAFTAR PUSTAKA ........................................................................ 93 BIODATA PENULIS ........................................................................ 95

xv

DAFTAR GAMBAR

Halaman

Gambar 2-1 Similarity Graph ................................................................ 7 Gambar 2-3 Ilustrasi graph dengan beberapa verteks yang telah

dihilangkan. ........................................................................................ 11 Gambar 2-4 Ilustrasi pengecekan jumlah connected component dari

graph. .................................................................................................. 11 Gambar 2-5 Fitur pengelompokan ....................................................... 12 Gambar 2-6 Analisa perkiraan kerapatan. (a) Nonparametric Density

Estimation; (b) Nonparametric Gradient Density Estimation ............... 17 Gambar 2-7 Ilustrasi dari fixed size KDE ............................................ 18 Gambar 2-8 Ilustrasi dari variable size KDE ....................................... 19 Gambar 2-9 Perpindahan vektor mean-shift ....................................... 23 Gambar 3-1 Transformasi Data Point ke KIFS .................................... 29 Gambar 4-1 Flowchart Perangkat Lunak Segmentasi Citra ................. 37 Gambar 4-2 Flowchart Proses Utama Perangkat Lunak ...................... 38 Gambar 4-3 Flowchart Proses Menyesuaikan Properti Citra ............... 39 Gambar 4-4 Flowchart Proses Membuat Partition dari citra ................ 41 Gambar 4-5 Flowchart Proses Membuat Matriks Kesamaan ............... 42 Gambar 4-6 Flowchart Proses Segmentasi Pada Matriks Kesamaan ... 43 Gambar 4-7 Form utama dari perangkat lunak .................................... 44 Gambar 4-8(a) Kode Program mainFunction.m .................................. 45 Gambar 4-8(b) Kode Program mainFunction.m (Lanjutan) ................ 46 Gambar 4-9 Kode Program validateImage.m ...................................... 47 Gambar 4-10(a) Kode Program meanShift.m ..................................... 48 Gambar 4-10(b) Kode Program meanShift.m (Lanjutan) ..................... 48 Gambar 4-10(c) Kode Program meanShift.m (Lanjutan) ..................... 49 Gambar 4-10(d) Kode Program meanShift.m (Lanjutan) ..................... 50 Gambar 4-10(e) Kode Program meanShift.m (Lanjutan) ..................... 51 Gambar 4-10(f) Kode Program meanShift.m (Lanjutan) ...................... 52 Gambar 4-11 Ilustrasi pembentukan matriks data2cluster .................... 52 Gambar 4-12 Kode Program affinity.m .............................................. 53 Gambar 4-13 Kode Program computeAffinity.m ................................ 54 Gambar 4-14 Kode Program spectral.m.............................................. 55 Gambar 4-15 Kode Program spectral.m (Lanjutan) ............................. 56 Gambar 4-16 Kode Program checkGraph.m ....................................... 57 Gambar 4-17 Kode Program expand .................................................. 58 Gambar 5-1 Data uji coba .................................................................. 60

xvi

Gambar 5-2 Citra ground truth ............................................................ 61 Gambar 5-3(a) Grafik Persentase Error Terhadap Perubahan Nilai

Global Scaling Factor. (a) block.jpg; (b) zimba.jpg; (c) rad.jpg; (d)

shadow.jpg; (e) stone.jpg; (f) rice.jpg .................................................. 66 Gambar 5-3(b) Grafik Persentase Error Terhadap Perubahan Nilai

Global Scaling Factor (Lanjutan). (g) potato.jpg; (h) text.jpg; (i)

fleck.jpg; (j) plane.jpg; (k) baby,jpg..................................................... 67 Gambar 5-4(a) Perbandingan citra hasil fixed size KDE dengan variable

size KDE ............................................................................................. 68 Gambar 5-4(b) Perbandingan citra hasil fixed size KDE dengan variable

size KDE (Lanjutan) ............................................................................ 69 Gambar 5-4(c) Perbandingan citra hasil fixed size KDE dengan variable

size KDE (Lanjutan) ............................................................................ 70 Gambar 5-4(d) Perbandingan citra hasil fixed size KDE dengan variable

size KDE (Lanjutan) ............................................................................ 71 Gambar 5-5 Grafik perbandingan kinerja fixed size KDE dengan

variable size KDE. (a) Perbandingan error yang dihasilkan. (b)

perbandingan running time .................................................................. 74 Gambar 5-6(a) Perbandingan citra hasil segmentasi menggunakan

MSSC dengan Normalized Cut ............................................................ 75 Gambar 5-6(b) Perbandingan citra hasil segmentasi dengan MSSC dan

Normalized Cut (Lanjutan) .................................................................. 76 Gambar 5-6(c) Perbandingan citra hasil segmentasi dengan MSSC dan

Normalized Cut (Lanjutan) .................................................................. 77 Gambar 5-6(d) Perbandingan citra hasil segmentasi dengan MSSC dan

Normalized Cut (Lanjutan) .................................................................. 78 Gambar 5-7(a) Grafik perbandingan error yang dihasilkan MSSC dan

Normalized Cut. .................................................................................. 80 Gambar 5-7(b) Grafik perbandingan running time yang dihasilkan

MSSC dan Normalized Cut. ................................................................ 81 Gambar 5-8 Grafik perbandingan nilai F-Measure MSSC dengan

Normalized Cut. .................................................................................. 82 Gambar 5-9(a) Perbandingan citra hasil segmentasi menggunakan

MSSC dengan Mean Shift ................................................................... 83 Gambar 5-9(b) Perbandingan citra hasil segmentasi menggunakan

MSSC dengan Mean Shift (Lanjutan) .................................................. 84 Gambar 5-9(c) Perbandingan citra hasil segmentasi menggunakan

MSSC dengan Mean Shift (Lanjutan) .................................................. 85

xvii

Gambar 5-9(d) Perbandingan citra hasil segmentasi menggunakan

MSSC dan Mean Shift (Lanjutan) ....................................................... 86 Gambar 5-10 Grafik perbandingan kinerja Mean Shift Spectral

Clustering dengan Mean Shift. (a) Perbandingan error yang dihasilkan.

(b) perbandingan konsumsi waktu ....................................................... 88 Gambar 5-11 Grafik perbandingan nilai F-Measure MSSC dengan Mean

Shift .................................................................................................... 90

xviii

xix

DAFTAR TABEL

Halaman Tabel 2.1 Perbandingan Nilai Scaling Factor: ...................................... 15 Tabel 3-1 Lingkungan implementasi perangkat lunak .......................... 45 Tabel 5-1 Lingkungan uji coba perangkat lunak .................................. 59 Tabel 5-2(a) Data Parameter Nilai Global Scaling Factor dan Persentase

Error ................................................................................................... 63 Tabel 5-2(b) Data Parameter Nilai Global Scaling Factor dan Persentase

Error (Lanjutan) .................................................................................. 64 Tabel 5-2(c) Data Parameter Nilai Global Scaling Factor dan Persentase

Error (Lanjutan) .................................................................................. 65 Tabel 5-3 Perbandingan error yang dihasilkan fixed size Kernel Density

Estimation dengan variable size Kernel Density Estimation ................ 72 Tabel 5-4 Perbandingan running time dari fixed size Kernel Density

Estimation dengan variable size Kernel Density Estimation ................ 73 Tabel 5-5 Perbandingan Nilai Error dari MSSC dengan Normalized Cut

........................................................................................................... 78 Tabel 5-6 Perbandingan Running Time dari MSSC dengan Normalized

Cut ...................................................................................................... 79 Tabel 5-7 Perbandingan F-Measure dari MSSC dengan Normalized Cut

........................................................................................................... 81 Tabel 5-8(a) Perbandingan Nilai Error MSSC dengan Mean Shift ....... 86 Tabel 5-8(b) Perbandingan Nilai Error MSSC dengan Mean Shift

(Lanjutan) ........................................................................................... 87 Tabel 5-9 Perbandingan Running Time MSSC dengan Mean Shift ...... 87 Tabel 5-10 Perbandingan F-Measure MSSC dengan Mean Shift ......... 89

xx