impelemntasi fuzzy c-means

7/25/2019 Impelemntasi Fuzzy C-Means

1/18

SEGMENTASI CITRA SATELIT PADA LAHAN DI KECAMATAN

GAMBUT KALIMANTAN SELATAN MENGGUNAKAN

ALGORITMA FUZZY C-MEANS

PROPOSAL SKRIPSI

Untuk memenuhi persyaratan melakukan

penelitian dalam rangka penyusunan skripsi

Oleh

Noor Azizah

NIM J1F111006

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN LAM

UNIVERSITAS LAMBUNG MANGKURAT

BANJARBARU

FEBRUARI 2015


2/18

SEGMENTASI CITRA SATELIT PADA LAHAN DI KECAMATAN

GAMBUT KALIMANTAN SELATAN MENGGUNAKAN

ALGORITMA FUZZY C-MEANS

I. LATAR BELAKANG

Perkembangan teknologi informasi telah banyak mengalami perubahan

terhadap berbagai kegiatan, salah satunya adalah pada kegiatan survei-pemetaan

dan pemodelan yang tidak bisa dilepaskan dari teknologi pengideraan jauh dan

Sistem Informasi Geografis (GIS). Hasil dari penginderaan jauh ini berupa citra

dan sekarang penginderaan jauh banyak dikembangkan karena mampu

menampilkan visualisasi permukaan bumi seperti yang sebenarnya, sehingga

memudahkan untuk melihat pemanfaatan wilayah bumi dengan baik.

Citra merupakan kumpulan titik-titik dari gambar yang disebut piksel (picture

element). Citra yang diperoleh dari pemotretan/perekaman alat sensor yang

dipasang pada wahana satelit disebut sebagai citra satelit. Pada analisis citra satelit

dapat dikelompokkan dalam beberapa tahapan (Lillesand dan Kiefer, 1990) yaitu:

pemulihan citra (image restoration), penajaman citra (image enhancement),

klasifikasi citra (unsupervised classification dan supervised classification) serta

segmentasi gambar (image extraction) (Hariyanti, 2013).

Segmentasi citra adalah proses pembagian citra menjadi beberapa bagian

(region) berdasarkan kesamaan kriteria kemiripan pada tiap bagian kemudian

dikelompokkan menjadi satu bagian yang bersifat homogen. Segmentasi citra telah

banyak dikembangkan salah satunya penelitian yang dilakukan dengan metode

clustering.


3/18

Segmentasi citra dapat digolongkan dalam tiga pembagian wilayah

segmentasi, yaitu segmentasi clustering (Segmentasi yang dilakukan dengan

melakukan clustering dimana citra akan dihitung), segmentasi tepi (segmentasi

dengan penggunaan tepi sebagai pembatas untuk menentukan wilayah yang ada

pada himpunan piksel yang ada pada 2 wilayah yang berbeda) dan segmentasi

wilayah (Segmentasi untuk pemisahan wilayah dengan menggunakan metode

wilayah yang memiliki nilai thresholdtertinggi).

Berikut ini terdapat beberapa metode yang diterapkan untuk clustering

diantaranyaK-Means, DB-Scan,Minimum Spanning Tree,Fuzzy C-Means,Fuzzy

SubstractiveClustering, danK-Medoids. Masing-masing metode di atas memiliki

karakteristik tersendiri dalam melakukan clustering.Namun dengan metodeFuzzy

C-Means mampu menampilkan hasil yang lebih detail dan pada implimentasi

Fuzzy C-Meansjumlah clusterberpengaruh pada kualitas segmen yang dihasilkan.

Semakin banyak jumlah cluster yang digunakan akan berdampak pada hasil

segmentasi yang lebih halus. Semakin sedikit jumlah clustermaka hasil sehmentasi

akan semakin kasar (Hariyanti, 2013).

Penelitian ini akan dilakukan segmentasi untuk clustering dengan

menggunakan algoritma Fuzzy C-Means. Hal ini didasari oleh penelitian

sebelumnya, yang dilakukan oleh Hariyanti (2013) menyebutkan bahwa

implimentasi Algoritma Fuzzy C-Means dapat mengelompokkan citra ke dalam

jenis sungai dan bukan sungai. Oleh karena itu, penelitian ini diharapkan dapat

memberikan informasi mengenai segmentasi lahan yang terdapat di Kecamatan

Gambut Kalimantan Selatan.


4/18

II. PERUMUSAN MASALAH

Berdasarkan latar belakang di atas maka rumusan masalah dalam penelitian

ini adalah bagaimana hasil segmentasi citra satelit pada lahan di Kecamatan

Gambut menggunakan algoritmaFuzzy C-means?

III. BATASAN MASALAH

Agar penelitian lebih terarah, maka diperlukan pembatasan masalah

penelitian. Batasan masalah penelitian ini yaitu:

1.

Metode yang digunakan dalam penelitian ini adalah model waterfalluntuk

pembangunan aplikasi dan Algoritma Fuzzy C-means untuk clusteringcitra

lahan.

2. Data yang disegmentasi adalah citra satelit di Kecamatan Gambut Kalimantan

selatan.

3. Pembagian jumlah cluster menurut Badan Informasi Geospasial (BIG)

berdasarkan kenampakan rupabumi.

IV. TUJUAN PENELITIAN

Tujuan dari penelitian yang akan dilakukan adalah mengetahui hasil

segmentasi pada citra satelit lahan di Kecamatan Gambut Kalimantan Selatan

menggunakan algoritmaFuzzy C-means.

V. MANFAAT PENELITIAN

Manfaat yang diberikan dari penelitian ini adalah sebagai berikut :

1.

Membantu user untuk mengetahui hasil segmentasi lahan yang ada di

Kecamatan Gambut.


5/18

2. Dapat digunakan untuk melihat pemerataan pembangunan agar tidak terjadi

ketidakseimbangan pembangunan.

VI. TINJAUAN PUSTAKA

6.1. Kajian Terdahulu

Penelitian yang telah dilakukan mengenai segmgmentasi citra satelit oleh Ni

Kadek Dessy Hariyanti (2013) menyebutkan bahwa Fuzzy C-means mampu

melakukan segmentasi sungai dengan baik yaitu mengelompokkan sungai dan

bukan sungai, selain itu dalam jurnalnya menyatakan hasil dari penelitian Singha &

Hemachandran (2011) melakukan perbandingan algoritmaK-Means danFuzzy C-

Means pada segmentasi citra satelit berwarna dalam ruang warna CIELAB.

Hasilnya menunjukkan bahwaK-Meansmemerlukan waktu lebih cepat dariFuzzy-

C-means, namun Fuzzy-C-meansmemberikan hasil dan detail lokasi yang lebih

baik dibandingkanK-Means

Penelitian lain mengenai image clusteringoleh (Sharma, 2008) menjelaskan

tentang pengelompokkan gambar berdasarkan kategori yang memperkaya citra

tersebut sehingga memiliki level masing-masing sesuai dengan kategori yang akan

dimasukkan ke dalam kelas yang sama. Menurutnya dengan fuzzy citra dapat

disegmentasi ke dalam kualitas citra yang baik dan keberhasilan teknik segmentasi

bisa dijadikan arsip yang baik.

Acuan lain dari penelitian yang dilakukan oleh (Yang, 2007) menyatakan

bahwa tujuan dari citra segmentasi adalah untuk partisi sebuah gambar ke dalam

satu set daerah dengan menguraikan keseragaman dan atribut yang homogen seperti

intensitas, warna, nada atau tekstur, dll.


6/18

6.2 Landasan Teori

6.2.1 Penginderaan Jauh

Penginderaan jarak jauh adalah ilmu dan seni untuk memperoleh data serta

informasi dari suatu obyek (Lillesand dan Kiefer, 2004). Sistem satelit dalam

penginderaan jauh tersusun atas pemindai (scanner) dengan dilengkapi sensor pada

platform satelit dan sensor tersebut dilengkapi oleh detektor. Sistem satelit landsat

merupakan salah satu satelit sumber daya bumi yang dikembangkan oleh NASA

dan Departemen Dalam Negeri Amerika Serikat (NASA, 2011) (Pratiwi, 2012).

6.2.2 Konsep Dasar Citra

Citra merupakan dimensi ruang yang berisi informasi warna dan tidak

bergantung pada waktu. Citra merupakan kumpulan titik-titik dari gambar yang

disebut piksel (picture element). Titik-titik tersebut menggambarkan koordinat dan

mempunyai intensitas yang dapat dinyatakan dengan bilangan (Hariyanti, 2013).

Sistem penyimpanan citra dengan baris-kolom piksel disebut dengan sistem

raster atau teselasi, dimana tiap unsur data (yang disebut piksel) disimpan dengan

alamat yang jelas dan konsisten, menurut posisinya dalam baris dan kolom

(Danoedoro, 2012).

Citra digital dapat didefinisikan sebagai fungsi dua variabel f(x,y), dimana x

dan y adalah koordinat spasial sedangkan nilai f(x,y) adalah intensitas citra pada

koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan warna

pada citra digital adalah sebuah warna yang dikombinasi dari tiga warna dasar yaitu

merah, hijau, dan biru (Red, Green, Blue) (Prayudha, 2011).

Munir (2002) menyatakan bahwa RGB adalah model warna penambahan,

yang berarti bahwa warna primer dikombinasikan pada jumlah tertentu untuk


7/18

menghasilkan warna yang diinginkan. RGB dimulai dengan warna hitam (ketiadaan

semua warna) dan menambahkan merah, hijau, biru terang untuk membuat putih.

Kuning diproduksi dengan mencampurkan merah, hijau; warna cyan dengan

mencampurkan hijau dan biru; warna magenta dari kombinasi merah dan biru.

Monitor komputer dan televisi memakai RGB. Sorotan electron menghasilkan

sinyal merah, hijau, biru yang dikombinasikan untuk menghasilkan berbagai warna

yang dilihat pada layar (Prayudha, 2011).

6.2.3 Segmentasi Citra

Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang

homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan

uatu piksel dengan tingkat keabuan piksel-piksel tetangganya. Proses segmentasi

memiliki tujuan yang hampir sama dengan proses klasifikasi tidak terpandu.

segmentasi sering dideskripsikan sebagai proses analogi terhadap proses pemisahan

latar depan-latar belakang. Contoh untuk proses segmentasi citra yang digunakan

adalah klasterisasi (clustering) (Widodo, 2004).

6.2.4 Pembagian Segmentasi

Peta Rupabumi Indonesia (RBI) adalah peta topografi yang menampilkan

sebagian unsur-unsur alam dan buatan manusia di wilayah NKRI. Unsur-unsur

kenampakan rupabumi menurut Badan Informasi Geospasial (2013) dapat

dikelompokkan menjadi 7 tema, yaitu:

Tema 1: Penutup lahan: area tutupan lahan seperti hutan, sawah, pemukiman dan

sebagainya

Tema 2: Hidrografi: meliputi unsur perairan seperti sungai, danau, garis pantai dan

sebagainya


8/18

Tema 3: Hipsografi: data ketinggian seperti titik tinggi dan kontur

Tema 4: Bangunan: gedung, rumah dan bangunan perkantoran dan budaya lainnya

Tema 5: Transportasi dan Utilitas: jaringan jalan, kereta api, kabel transmisi dan

jembatan

Tema 6: Batas administrasi: batas negara provinsi, kota/kabupaten, kecamatan dan

desa

Tema 7: Toponim: nama-nama geografi seperti nama pulau, nama selat, nama

gunung dan sebagainya.

Analisis kluster atau clusteringmerupakan proses membagi data dalam

suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu

kelompok lebih besar daripada kesamaan data tersebut dengan data dalam

kelompok lain.

Clustering dapat diterapkan ke dalam data yang kuantitatif (numerik),

kualitatif (kategorikal), atau kombinasi dari keduanya. Data dapat merupakan hasil

pengamatan dari suatu proses. Setiap pengamatan dapat memiliki n variabel

pengukuran dan dikelompokkan dalam n dimensi vektor zk = [z1k,...,znk]T, zk

Rn. Sebuah himpunan dari N pengamatan dinotasikan dengan Z = {zk| = 1, 2,...,N} dan direpresentasikan sebagai matriks n x N (Kusrini & Luthfi, 2009).

[11 12 121 22 2...

......

...1 2 ]

Cluster secara umum merupakan wujud himpunan bagian dari suatu

himpunan data dan metode clusteringdapat diklasifikasikan berdasarkan himpunan

bagian yang dihasilkan: apakahfuzzyatau crisp (hard)(Kusrini & Luthfi, 2009).


9/18

Metode hard clustering merupakan model yang berdasar pada teori

himpunan klasik, yang mana suatu objek menjadi anggota atau tidak menjadi

anggota secara penuh ke dalam suatu kelompok. Hard clusteringmembagi data ke

dalam sejumlah himpunan bagian secara eksklusif (Kusrini & Luthfi, 2009).

Sebaliknya, metodeFuzzy Clusteringmenginginkan objek untuk menjadi

bagian dari beberapa kelompok secara bersamaan dengan perbedaan level

keanggotaan (Kusrini & Luthfi, 2009).

Sebagai contoh dalam hard clustering, himpunan data Z = {z1, z2, z3, ..., z10}

jika dibagi menjadi dua kelompok, maka himpunan U yang merupakan matriks

partisi yang menunjukkan level keanggotaan elemen himpunan Z dalam kelompok

A1atau A2 akan berwujud sebagai berikut (Kusrini & Luthfi, 2009).

10

10

10

10

10

10

01

01

01

01

Baris atas matriks partisi U menunjukkan level keanggotaan elemen

himpunan Z dalam A1 atau A2. Tampak bahwa setiap elemen himpunan Z secara

khusus atau penuh akan menjadi anggota kelompok (A1 atau A2) dengan level

keanggotaan 1. Dan tidak menjadi anggota dalam suatu kelompok dengan level

keanggotaan 0. x1, x2, x3, x4, x5, dan x6secara khusus merupakan anggota dari A2,

sedangkan x7, x8, x9, dan x10secara khusus merupakan anggota dari kelompok A2

(Kusrini & Luthfi, 2009).

Sementara itu, dalam fuzzy clustering, level keanggotaan data dalam suatu

kelompok bukan hanya 0 dan 1, tetapi dapat memiliki nilai antara interval [0,1]

(Kusrini & Luthfi, 2009).


10/18

Baris ke-i dalam matriks partisi mengandung level keanggotaan I terhadap Ai.

Nilai level keanggotaan dalam setiap kolom matriks partisi yang berarti nilai

keanggotaan data dalam setiap kelompok akan selalu berjumlah 1 (Kusrini &

Luthfi, 2009).

Sebagai contoh, himpunan Z = {z1, z2, z3,..., z10}. Dalam pembagian samar

jika himpunan Z dibagi menjadi dua kelompok Z1 dan Z2, maka matriks partisi U

dapat dituliskan sebagai berikut (Kusrini & Luthfi, 2009).

1.00.0 1.00.0 1.00.0 1.00.0 0.70.3 0.40.6 0.20.8 0.01.0 0.01.0 0.01.0Baris atas matriks partisi U menunjukkan level keanggotaan elemen

himpunan Z dalam A1dan baris bawah menunjukkan level keanggotaan elemen

himpunan Z dalam A2. Dalam fuzzy clustering ini tampak bahwa setiap elemen

himpunan Z dapat menjadi anggota kelompok (A1 dan A2) dengan level

keanggotaan antara 0 dan 1. x1, x2, x3, x4 menjadi anggota A1 dengan level

keanggotaan 0, sedangkan x5menjadi anggota A1dengan level keanggotaan 0,7 dan

menjadi anggota A2 dengan level keanggotaan 0,3 dan seterusnya (Kusrini &

Luthfi, 2009).

6.2.5.2 Fuzzy C-M eans

Ada beberapa algoritma clustering data, salah satu diantaranya adalah

fuzzy c-means (FCM). FCM adalah suatu teknik pengclusteran data yang mana

keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat

keanggotaan. Fuzzy C-Means adalah algoritma pengelompokan yang terawasi,

karena pada algoritma Fuzzy C-Means jumlah clusteryang akan dibentuk perlu


11/18


12/18

yang berarti bahwa jumlah derajat keanggotaan suatu data pada semua

clusterharus sama dengan 1.

Algoritma FCM didasarkan pada minimasi fungsi objektif yang

diformulasikan dalam persamaan (Kusrini & Luthfi, 2009):

() || ||=

=

dengan:

uijmerupakan level keanggoataan dari zidalam clusterj

Zimerupakan nilai data ke-i dari d- dimensi data

cjmerupakan nilai ke-j dari d-dimensi cluster center

m merupakan sembarang bilangan real lebih besar dari 1

Rujukan lebih jelas mengenai penentuan nilai c dan m ini dapat dilihat

pada pada jurnal On Cluster Validity For The Fuzzy C-Means Model dengan

referensi yang dapat dilihat di daftar pustaka.

Perulangan dalam FCM akan berhenti ketika (Fuzzy C-Means Clustering):

dimana adalah errorterkecil yang diharapkan dengan dengan nilai antara 0 dan 1

dan k adalah langkah iterasi (Kusrini & Luthfi, 2009).

Untuk lebih jelasnya Algoritma FCM disusun dengan langkah sebagai

berikut:


13/18

a. Inputdata

Input data yang akan dicluster (X) berupa matrik berukuran n m ( n = jumlah

data, m = atribut setiap data). Xij = data ke- i (i = 1, 2, , n), atribut ke-

j (j = 1, 2, , m).

b. Batasan

1. Jumlah cluster = c

2. Pangkat = w

3. Maksimum iterasi = MaxIter

4.Errorterkecil yang diharapkan =

5. Fungsi obyektif awal = Po = 0

6. Iterasi awal = t = 1

c. Membangkitkan bilangan randomik, i = 1, 2, , n; k = 1, 2, ,c; sebagai

elemen-elemen matrik partisi awal U, serta menghitung jumlah setiap kolom

(atribut) :

= Dengan j = 1, 2, , m.

Menghitung:

d. Menghitung pusat clusterke- k : Vkj dengan k = 1, 2, , c; dan j = 1, 2, ,m.

( )= e. Menghitung fungsi obyektif pada iterasi ke- t, Pt:


14/18

( )=

=

=

f. Menghitung perubahan matrik partisi:

( )=

( )= =

dengan i = 1, 2, , n; dan k = 1, 2, , c 3

g.

Mengecek kondisi berhenti:

1. Jika : ( |PtPt-1| < ) atau ( t > MakIter ) maka berhenti;

2. Jika tidak : t = t + 1, ulangi langkah ke- d ( menghitung Vkj ).

VII. METODELOGI PENELITIAN

7.1

Alat Penelitian

Penelitian ini diperlukan beberapa alat untuk mendukung tercapainya

penelitian yang akan dilakukan. Alat yang digunakan adalah sebagai berikut:

1)

Perangkat Keras, melipui:

a)Prosessor Intel Duo Core.

b)

RAM 3 GB.

c)Hardisk 320 GB.

2)Perangkat Lunak

a)Sistem OperasiMicrosoft Windows 7.

b)JDK Vertion 7.

c)

NetBeans 7.


15/18

d)JAI Librari.

e)ArcGis

f)

Google Earth Pro

7.2 Bahan Penelitian

Bahan yang digunakan untuk pelaksaan penelitian ini adalah data lahan citra

satelit di Kecamatan Gambut

7.3 Metode Penelitian

Adapun tahapan-tahapan yang akan dilakukan pada penelitian ini adalah

sebagai berikut:

7.3.1 Analisis Kebutuhan

Tahapan ini akan dilakukan analisis kebutuhan yang diperlukan dalam

penelitian. Adapun teknik yang dilakukan yaitu:

a. Studi Literatur

Metode ini dilakukan dengan cara mencari literatur dari buku-buku, jurnal

maupun media internet tentang data citra satelit, segmentasi citra atau image

clustering, metode yang digunakan, dan meninjau penelitian yang sudah

dilakukan sebelumnya.

b. Observasi

Observasi adalah pengamatan langsung suatu kegiatan yang sedang

dilakukan. Hasil observasi berupa pengamatan langsung terhadap lahan yang

ada di wilayah kecamatan Gambut yang kemudian akan dilakukan segmentasi

lahan.

7.3.2 Perancangan


16/18

Pada tahap ini dilakukan perancangan sistem berdasarkan dari hasil analisis

kebutuhan di atas. Perancangan yang dilakukan meliputi desain:

a.

Perancangan alur kerja sistem

Perancangan alur kerja sistem merupakan proses perancangan alur kerja

dalam sistem yang akan dibuat sesuai dengan alur kerja sistem sesungguhnya.

b. Perancangan antarmuka (interface)

Perancangan interface ini nantinya digunakan untuk membuat tampilan

sistem.

7.3.3Implementasi

Merupakan tahap penerapan hasil rancangan ke dalam pemrograman.

Pemrograman dilakukan dengan menggunakan bahasa pemrograman Java dan

Netbeans sebagai editor.

7.3.4 Uji Coba

Setelah sistem diimplementasi dengan berhasil, untuk menghindari adanya

kesalahan hasil dari proses program aplikasi, maka dilakukan tahap pengujian.

Pegujian diarahkan untuk menemukan kesalahan dan memastikan bahwa masukan

yang diberikan menghasilkan keluaran yang sesuai. Apabila ada kesalahan yang

terjadi maka program aplikasi akan diperbaiki kembali sampai hasil proses sesuai

yang diharapkan.


17/18

VIII JADWAL PENELITIAN

IX DAFTAR PUSTAKA

Badan Informasi Geospasial. 2013. Peta Rupabumi

http://www.big.go.id/peta-rupabumi

Diakses pada 17 Februari 2015

Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta:

Penerbit Andi

Hariyanti, Ni Kadek Dessy. 2013.Ananlisis Segmentasi Sitra Satelit Menggunakan

Metode Fuzzy C-means. Politeknik Negeri Bali: Bali. Jurnal Matrix (2013)

3, No 1.

Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi.

Kusumadewi, S., & Purnomo, H. (2004). Aplikasi Logika Fuzzy. Yogyakarta:

Graha Ilmu.

Pratiwi, Dyah, dkk. 2012. Segmentasi Citra Hutan Berbasis Warna. SNASTIA

2012-01-10

Prayudha, M. 2011.Bit Stream.

http://repository.usu.ac.id/bitstream/123456789/27926/4/Chapter%20II.pdf

Diakses 17 Februari 2015

Sharma, Avanish Kumar. 2011. Image Clustering Using Fuzzy C-means

Algorithm. A Project Report Master Of Computing Sciences VIT

University of India, November 2008.

No Deskripsi Pekerjaan

Bulan 1 Bulan II Bulan III

I II III IV I II III IV I II III IV

1 Analisis Kebutuhan

2 Desain (Perancangan)

3 Implementansi

4 Uji Coba

5 Penulisan Laporan
http://repository.usu.ac.id/bitstream/123456789/27926/4/Chapter%20II.pdfhttp://repository.usu.ac.id/bitstream/123456789/27926/4/Chapter%20II.pdf


18/18

USGS. Earth Explorer. 2014

http://earthexplorer.usgs.gov/

Diakses pada 17 Februari 2015.

Widiasri, Monica. 2012. Segmentasi Citra berbasis Informasi Warna danTeksturmenggunakan Neutrosophic Set. Institut Teknologi Sepuluh

November: Surabaya

Widodo, Saptono, dkk. 2004. Segmentasi Citra Menggunakan Teknik Pemetaan

Warna (Color Mapping)Dengan Bahasa Pemrograman Delphi. Universitas

Diponegoro: Surabaya.

Yang, Yong. 2007. Image Segmentation By Fuzzy C-Means Clustering Algorithm

With A Novel Penalty Term. Journal Computing and Informatics, Vol. 26

(2007), 1731

Yudistira, Novanto dkk. 2014. Segmentasi Citra Pada Peta Dengan Metode Fuzzy

C- Means. Universitas Brawijaya: Malang.
http://earthexplorer.usgs.gov/http://earthexplorer.usgs.gov/

impelemntasi fuzzy c-means

Documents