5. jurnal jones pandiangan perancangan aplikasi segmentasi citra dengan metode fuzzy c means

Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425

Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 86

PERANCANGAN APLIKASI SEGMENTASI CITRA DENGAN

METODE FUZZY C-MEANS

Jones Pandiangan (1111831)

Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan JL.Sisingamangaraja No.338 Medan

http : //www.stmik-budidarma.ac.id// Email : [email protected]

ABSTRAK Dalam proses analisis citra digital, segmentasi merupakan salah satu proses yang penting. Segmentasi

digunakan untuk membagi citra ke dalam beberapa bagian atau region yang homogen berdasarkan kriteria

kemiripan tertentu (region based segmentation). Salah satu metode yang dapat digunakan untuk melakukan

segmentasi adalah clustering. Dalam penelitian ini algoritma clustering yang digunakan adalah Fuzzy C-

Means. Pada proses pengujian digunakan tools Visual Studio 2008, dengan menggunakan berbagai citra

masukan sebagai objek segmentasi. Proses clustering yang digunakan dalam pengujian juga bervariasi sebagai

bahan analisis. Dari proses pengujian didapatkan kesimpulan bahwa FCM dapat digunakan sebagai salah satu

metode segmentasi pada citra digital. Jumlah cluster berpengaruh pada kualitas segmen yang dihasilkan.

Semakin banyak jumlah cluster yang digunakan akan berdampak pada hasil segmentasi yang lebih halus.

Semakin sedikit jumlah cluster yang digunakan, maka hasil segmentasi akan semakin kasar

Kata Kunci : segmentasi citra, clustering, FCM

1. PENDAHULUAN

1.1 Latar Belakang Masalah Citra atau gambar yang terlihat pada layar

komputer, sebenarnya adalah kumpulan sejumlah

titik-titik warna. Pada umumnya citra berwarna

direpresentasikan dengan 3 elemen warna yaitu R

(Red=merah), G (Green=hijau), dan B (Blue=blue)

yang masing-masing memiliki nilai tertentu.

Dengan percampuran 3 warna ini maka didapatkan

warna tertentu. Pada citra RGB 24 bit, masing-

masing elemen warna (RGB) memiliki nilai

maksimal sebesar 28

, yaitu berkisar antara 0 – 255.

Dari sebuah citra bisa didapatkan informasi sesuai

dengan kepentingan, namun terkadang pada citra

yang ada tidak bisa didapatkan secara langsung

informasi yang diperlukan. Ada kalanya sulit

untuk mengolah informasi dari sebuah citra secara

langsung secara kasat mata dengan hanya

mengandalkan indera penglihatan. Hal ini bisa

dimaklumi, mengingat citra adalah kumpulan titik-

titik warna yang jumlahnya banyak. Salah satu

alternatif untuk membantu menampilkan dan

mengolah informasi ini adalah dengan segmentasi

citra.

Dengan cara atau metode segmentasi,

sebuah citra yang semulanya sulit diolah dengan

indera penglihatan secara langsung, kemudian

setelah disegmentasi bisa mempermudah

mengolah informasi yang terkandung didalamnya.

Sebagai contoh, pada bidang biologi, sebuah citra

atau gambar sel hasil pembesaran dengan

mikroskop. Suatu metode segmentasi citra yang dapat

membagi suatu citra menjadi wilayah-wilayah yang

homogen adalah metode Fuzzy C-Means. Dimana

metode ini merupakan suatu teknik mengelompakan

fuzzy sehingga data menjadi anggota dari suatu kelas

atau cluster yang terbentuk dengan derajat atau

tingkat keanggotaan yang berbeda antara 0 hingga 1.

Tingkat keberadaan data dalam suatu kelas

ditentukan oleh derajat keanggotaannya. Metode FCM

dianggap tepat dalam skripsi ini karena memberikan

hasil yang halus dan cukup efektif untuk

meningkatkan homogenitas tiap kelompok yang

dihasilkan.

1.2. Perumusan masalah Berdasarkan uraian dari latar belakang masalah

diatas maka perumusan masalah dalam penulisan

skripsi ini sebagai berikut :

1. Bagaimana proses segmentasi pada citra

digital?

2. Bagaimana menerapkan metode Fuzzy C-

Means pada segmentasi citra digital?

3. Bagaimana merancang aplikasi segmentasi

citra digital dengan metode Fuzzy C-Means.

1.3 Batasan masalah Agar tidak menyimpang dari tujuan, maka

pembahasan akan dibatasi pada permasalahan –

permasalahan sebagai berikut.

1. Ukuran citra yang diinputkan ialah memiliki lebar

dan panjang lebih kecil sama dengan 225 x 225

pixel

2. Citra masukan sistem adalah citra bitmap (.bmp)

3. Proses yang dilakukan aplikasi adalah proses

segmentasi pada citra masukan

4. Output dari aplikasi adalah hasil cluster dari citra

masukan yang diproses

5. Perangkat lunak yang digunakan untuk

merancang aplikasi adalah Visual Studio 2008.

1.4 Tujuan Penelitian



Adapun tujuan dari penulisan skripsi adalah

sebagai berikut

1. Menjelaskan proses segmentasi pada citra digital

2. Menerapkan Fuzzy C-Means ke dalam sistem

segmentasi citra digital.

3. Merancang aplikasi untuk segmentasi citra

dengan Metode Fuzzy C-Means.

1.5. Manfaat penelitian Adapun manfaat dari penulisan skripsi adalah

1. Hasil yang didapatkan mampu memberikan

penjelasan tentang segmentasi pada citra digital

dengan metode Fuzzy C-Means.

2. Membantu dalam melakukan segmentasi pada

citra digital dengan metode Fuzzy C-Means.

3. Sebagai referensi penelitian lain yang ingin

merancang perangkat lunak segmentasi citra

digital dengan metode yang berbeda

2. Landasan Teori

2.1 Perancangan Perancangan atau sering disebut desain biasa

diterjemahkan sebagai seni terapan, arsitektur dan

berbagai pencapaian kreatif lainnya. Dalam sebuah

kalimat, kata “desain” bisa digunakan sebagai kata

benda mau pun kata kerja. Sebagai kata kerja “desain”

memiliki arti “proses untuk membuat dan

menciptakan objek baru”. Sebagai kata benda,

“desain” digunakan untuk menyebut hasil akhir

sebuah proses kreatif, baik itu berwujud sebuah

rencana, proposal, atau berbentuk objek nyata.

(http://id.wikipedia.org.wiki.Desain, Diakses Tanggal

07 Mei 2014)

2.2 Aplikasi

Aplikasi atau perangkat lunak adalah suatu

subkelas program komputer yang memanfaatkan

kemampuan komputer langsung untuk melakukan

suatu tugas yang diinginkan pengguna. Biasanya

dibandingkan dengan perangkat lunak sistem yang

mengintegrasikan berbagai kemampuan komputer,

tapi tidak secara langsung menerapkan kemampuan

tersebut untuk mengerjakan suatu tugas yang

menguntungkan pengguna.

(http://id.wikipedia.org.wiki.Aplikasi, Diakses

Tanggal 07 Mei 2014).

2.3 Definisi Citra Citra adalah suatu representasi (gambaran),

kemiripan atau imitasi dari suatu objek. Citra sebagai

keluaran sebagai sistem perekaman data dan rupa

bersifat obtik berupa foto, bersifat analog berupa

sinyal-sinyal video sperti gambar pada monitor

televisi, atau bersifat digital yang dapat langsung

disimpan Pada meda penyimpanan. (T.sutoyo dkk,

Teori pengolahan citra digital, 2009:9)

2.3.1 Definisi Citra Analog

Citra analog adalah citra yang bersifat kontinu,

seperti gambar pada monitor televise, foto sinar – X,

foto yang tercetak dikertas foto, lukisan,

pemandangan alam, hasil CT Scan, gambar-gambar

yang terekam pada pita kaset, dan lai sebagainya.

Citra analog tidak dapat direpresentasikan dalam

komputer sehingga tidak dapat diproses di komputer

secara langsung. Oleh sebab itu,agar citra ini dapat

diproses didalam komputer, proses konversi analog ke

digital harus dilakukan terlebih dahulu. Citra analog

dihsilkan dari alat alat analog, seperti video kamera

analog, kamera foto analog, Webcam, CT Scan, sensor

rontgen untuk foto thorax, sensor gelombang pendek

pada sistem radar, sensor ultrasound pada sistem USG

dan lain-lain (T.sutoyo dkk, Teori pengolahan citra

digital, 2009:9)

2.3.2 Definisi Citra Digital Citra digital adalah citra yang dapat diolah oleh

komputer. Perhatikan Gambar 2.1. Sebuah citra

Grayscale ukuran 150 x 150 piksel (elemen terkecil

dari sebuah citra) diambil sebagian (kotak kecil)

berukuran 9 x 9 piksel. Maka monitor akan

menampilkan sebuah kotak kecil. Namun, yang

simpan dalam memori komputer hanyalah angka-

angka yang menunjukkan besar intensitas pada

masing- masing piksel tersebut. (T.sutoyo dkk, Teori

pengolahan citra digital, 2009:9)

2.3.3 Definisi pixel Pixel merupakan singkatan dari picture element,

kadang-kadang disebut juga pel. Pixel biasa juga

diartikan sebagai suatu titik dalam satu grid berbentuk

persegi atau juga beribu titik yang secara invidual

“dilukis” menjadi suatu bentuk image yang dihasilkan

pada layar computer atau pada kertas pada sebuah

printer.(janer Simarmata,Tintin Chandra, Grafika

komputer, 2007:10). Seperti halnya bit, yakni unit

informasi terkecil yang biasa diproses oleh komputer,

sebuah pixel adalah elemen terkecil dari perangkat

keras pencetak atau display, seperti monitor dan bagi

perangkat lunak yang bisa memanipulasi untuk

mengasilkan image berupa huruf-huruf, angka-angka

atau grafik

2.4 Segmentasi Citra Segmentasi merupakan proses partisi gambar

digital ke beberapa daerah dengan tujuan untuk

menyederhanakan ataupun merubah representasi

gambar menjadi sesuatu yang lebih bermakna dan

mudah dianalisa. Ada beberapa metoda yang sering

digunakan dalam segmentasi citra antara lain: metode

thresholding, metode shapebased, metode region

growing, dan metode statistik atau juga disebut

metode clustering. Masing-masing metoda memiliki

kelebihan dan kelemahan tergantung pada

karakteristik dari citra yang akan diproses. Berikut

beberapa metode yang umum digunakan dalam

segmentasi citra.

a. Thresholding

Metode thresholding didasarkan pada pemisahan

pixel ke dalam kelas yang berbeda tergantung



pada tingkat keabuan masing-masing pixel.

Intensitas citra medis seperti tumor dan jaringan

pada otak biasanya sangat rumit dan memiliki

tingkat keabuan yang sangat dekat sehingga

menyebabkan kesulitan penentuan ambang batas

(threshold). Metode thresholding tidak bisa

diterapkan untuk citra dengan tingkat keabuan

yang berdekatan sehingga biasanya

dikombinasikan dengan metode lain.

b. Region growing

Metode region growing seperti menggabungan

thresholding dengan kondisi konektivitas atau

kriteria daerah homogenitas. Keberhasilan dari

metode tersebut bergantung pada kepresisian

informasi anatomi untuk meletakkan baik satu

mapun beberapa pixel untuk masing-masing

daerah homogen. Kelemahan lain dari metode

region growing adalah metode tersebut hanya

dapat bekerja dengan baik pada daerah yang

homogen dan membutuhkan operator untuk

menentukan daerah yang akan disegmentasi.

Metode region growing yang paling umum

digunakan adalah watershed. Prinsip dasar dari

watershed adalah merubah gradien tingkat

keabuan citra menjadi permukaan topografi.

Daerah minimum dari citra merupakan sumber

dimana air meluap dan bentuk-bentuk “kolam”

(“catchment basin”) menggambarkan permukaan

air. Algoritma ini akan berhenti bila dua “kolam”

dari dua sumber yang berbeda bertemu. Jika pada

citra terdapat banyak pola dan noise, maka akan

terbentuk banyak “kolam” sehingga terjadi

segmentasi yang berlebihan.

Matei Mancas dan Bernard Gosselin

memodifikasi algoritma watershed untuk

menghidari masalah segmentasi berlebih pada

citra tumor otak dengan mengunakan metode

marker-based watershed dan gradien vector flow

untuk komputasinya. Watershed pertama dihitung

dari dua market -set awal dan membagi citra

menjadi 3 wilayah yaitu bagian luar, fuzzy dan

bagian dalam. Algoritma yang sama kemudian

digunakan untuk menghitung watershed yang

kedua dan diperoleh 5 wilayah konsentris yang

makin mendekai bagian tumor.

Salvador A Melo Júnior, et. al menyelesaikan

masalah over-segmentation dengan menggunakan

multi-state preprocessing untuk mengurangi noise

citra, meningkatkan kontras, dan memodifikasi

homotopi citra ventrikel kiri. Setelah tahap

preprocessing, metode watershed berhasil

melakukan segmentasi citra ventrikel kiri. Kontur

akhir diperoleh dengan mengurangi ukuran

wilayah tersegmentasi dengan algoritma kontur

koreksi.

c. Shapebased

Metode shapebased juga memberikan pendekatan

yang cukup sederhana dalam segmentasi citra

namun sangat sulit dalam penentuan kontur awal

sehingga ketidaktepatan dalam penentuan kontur

awal dapat menyebabkan hasil segmentasi yang

kurang memuaskan.

d. Clustering

Metode statistik atau clustering didasarkan pada

distribusi parameter tertentu. Hal terpenting

dalam metode ini adalah melakukan estimasi

definisi awal dari parameter sehingga bagus

tidaknya segmentasi tergantung pada seberapa

baik distribusi yang diasumsikan mendekati

distribusi dari data. Pada kenyataanya, secara

umum citra medis mengandung noise dan

ketidakpastian distribusi yang tidak dapat

diketahui sebelumnya

2.5 Fuzzy clustering

Fuzzy clustering adalah salah satu teknik untuk

menentukan cluster optimal dalam suatu ruang vektor

yang didasarkan pada bentuk normal euclidian untuk

jarak antar vektor. Fuzzy clustering sangat berguna

bagi pemodelan fuzzy terutama dalam

mengindentifikasi aturan-aturan fuzzy (Kusumadewi

dan Purnomo,2004).

Metode clustering merupakan pengelompokan

data beserta parameternya dalam kelompok –

kelompok sesuai kecenderungan sifat dari masing-

masing data tersebut (kesamaan sifat). Ada beberapa

algoritma clustering data, salah satu diantaranya

adalah Fuzzy C-Means. Fuzzy C-Means adalah suatu

teknik peng-cluster-an yang mana keberadaannya

tiap-tiap titik data dalam suatu cluster ditentukan oleh

derajat keanggotaan. Teknik ini pertama kali

diperkenalkan oleh Jim Bezdek pada tahun 1981.

Konsep dari Fuzzy C-Means pertama kali adalah

menentukan pusat cluster, yang akan menandai lokasi

rata-rata untuk tiap-tiap cluster. Pada kondisi awal,

pusat cluster ini masih belum akurat. Tiap-tiap titik

data memiliki derajat keanggotaan untuk tiap-tiap

cluster. Dengan cara memperbaiki pusat cluster dan

derajat keanggotaan tiap-tiap titik data secara

berulang, maka akan dapat dilihat bahwa pusat cluster

akan bergerak menuju lokasi yang tepat. Perulangan

ini didasarkan pada minimasi fungsi obyektif yang

menggambarkan jarak dari titik data yang diberikan

kepusat cluster yang terbobot oleh derajat

keanggotaan titik data tersebut.

Output dari Fuzzy C-Means merupakan deretan

pusat cluster dan beberapa derajat keanggotaan untuk

tiap-tiap titik data. Informasi ini dapat digunakan

untuk membangun suatu fuzzy inference system.

2.5.1 Algoritma Fuzzy C-Means

Algoritma FCM menurut Sri Kusuma Dewi dan

Hari Purnomo (2004)

diberikan sebagai berikut:

1. Matriks X berukuran n x m, dengan n = jumlah

data yang akan di cluster; dan m= jumlah

variabel. (Dalam gambar berupa nilai pixel) Xij

data sampel ke-i (i=1,2,…n), atribut ke-j

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



2. Tentukan jumlah cluster (c), pangkat untuk

matriks partisi (w), maksimum iterasi (MaxIter),

error terkecil yang diharapkan (ξ), fungsi

objektif awal (Po=0), dan iterasi awal (t=1).

3. Bangkitkan bilangan random ηik, i=1,2,…n;

k=1,2,…c sebagai elemen matrik partisi awal U.

4. Hitung pusat cluster ke-k: , dengan k=1,2,…,c;

dan j=1,2,…,m, menggunakan persamaan

berikut dengan :

Vkj =

w

ik

ij

w

ik

ni

n

Xni

n

)(1

),)((1

∑

∑

=

=

Vk = pusat cluster ke-k untuk atribut ke-j

ηik = derajat keanggotaan untuk data sampel

ke-i pada cluster ke-k

xij = data ke-i, atribut ke-j

5. Hitung fungsi objektif pada iterasi ke-t

menggunakan persamaan berikut:

[ ]∑ ∑∑ = ==−=

c

k

w

ik

m

j kjij

n

it nVXP1 1

2

1))()((

Vkj = pusat cluster ke-k untuk atribut ke-j




Pt = fungsi objektif pada iterasi ke-t

6. Hitung perubahan matriks partisi menggunakan

persamaan berikut :

[ ]

[ ]∑ ∑

∑

=

−

−

=

−

−

=

−

−=

c

k

wm

j kjij

wm

j kjij

ik

VX

VXn

1

1

1

1

2

1

1

1

2

)(

)(

Dengan I = 1,2,…,n; dan k=1,2,…c.

Dimana :





7. Cek Kondisi berhenti

Jika :

( │Pt-Pt-1│< ε ) Atau :

( t >Max│ter )

maka berhenti. Jika tidak: t=t+1, ulangi langkah

ke-4.

3. Analisa Masalah

Aplikasi segmentasi citra merupakan suatu

aplikasi yang dapat mempresentasikan objek-objek

yang terkandung didalam citra tersebut, dan

ukurannya serta terkadang juga informasi dan

teksturnya. Dalam aplikasi segmentasi citra ialah

posisi dimana intensitas pixel dari citra berubah dari

nilai rendah ke nilai tinggi atau sebaliknya.

Analisa dan perancangan aplikasi memerlukan

tahapan yang sistematis untuk mendapatkan aplikasi

yang baik dan sesuai dengan tujuannya. Tahap awal

analisa adalah menganalisa algoritma yang digunakan.

Sedangkan untuk perancangan aplikasi menggunakan

perancangan antar muka

3.2. Tahap Segmentasi

Tahapan-tahapan dari segmentasi Citra dapat dilihat

melalui Activity Diagram aplikasi seperti dalam

gambar 1

Gambar 1. Gambar Activity Diagram

Proses segmentasi citra dengan metode Fuzzy C-

Means adalah :

1. Menentukan Peta Matriks Yang Akan Diuji

Pada Cluster X

Gambar 2 (a) piksel awal 225 x 225 (b) piksel

Dengan sampel 4 x 4

Nilai matriks X diambil dari hasil input citra

Tabel 1 Matriks Cluster yang akan diuji

X(i,j) 1 2 3 4(a)

1 122 139 115 98

2 116 130 111 103

3 103 118 107 102

4(b) 135 149 154 148

2. Menentukan Variabel Proses Proses Cluster

a. Jumlah kelompok yang akan dibentuk = C,

dimana C > 1. Pada perhitungan ini akan diberikan

nilai C = 4.

b. Pangkat = w dimana, w > 1. Pada perhitungan ini

akan diberikan nilai w = 2.

c. Maksimum iterasi =maxIter. Pada perhitungan ini

akan diberikan nilai maxIter = 5.

d. Error terkecil yang diharapkan, ǫ = 1*10-6.

e. Fungsi objektif awal, Po = 0

f. Iterasi awal, t = 1

3. Membangkitkan Nilai Random

Untuk menentukan nilai random µ ik sebagai

elemen matriks partisi awal U maka terlebih dahulu

dicari nilai atribut Qj = total nilai setiam elemen



matriks Xij = 1950. Untuk menentukan nilai random µ

pada posisi (i,k) dilakukan dengan cara membagi nilai

pada elemen Xij dengan 1950.

Contoh :

µ11 = X11 / Qj

= 122 / 1950

= 0.062564

Berikut merupakan nilai random dari hasil

perhitungan yang telah dilakukan :

Tabel 2 Hasil perhitungan nilai random µik

µik 1 2 3 4

1 0.062564 0.071282 0.058974 0.050256

2 0.059487 0.066667 0.056923 0.052821

3 0.052821 0.060513 0.054872 0.052308

4 0.069231 0.07641 0.078974 0.075897

4. Menghitung Pusat Cluster

Untuk menghitung pusat cluster ke-k maka

digunakan persamaan berikut :

Vkj =

w

ik

ij

w

ik

ni

n

Xni

n

)(1

),)((1

∑

∑

=

=

dengan :

k =1,2,…,c

j =1,2,…,m


µ ik = derajat keanggotaan untuk data sampel



dengan menggunakan persamaan diatas

maka akan diperoleh hasil seperti pada tabel 3

di bawah ini :

Tabel 3. Hasil perhitungan pusat cluster

5. Hitung Fungsi Objektif Pada Iterasi Ke-t

Nilai fungsi objektif pada iterasi ke-t dapat dihitung

menggunakan persamaan berikut:

[ ]∑ ∑∑ = ==−=

c

k

w

ik

m

j kjij

n

it nVXP1 1

2

1))()((

dengan:


µ ik = derajat keanggotaan untuk data sampel ke-i

pada cluster ke-k

Xij = data ke-i, atribut ke-j

Pt = fungsi objektif pada iterasi ke-t

Nilai fungsi objektif akan menentukan jumlah iterasi

yang akan dilakukan untuk mendapat hasil akhir dari

proses clustering. Dari persamaan fungsi objekif di

atas akan diperoleh hasil :

Tabel 4 Hasil perhitungan (Xik-Vkj)^2

Tabel 4 Hasil perhitungan ((Xik-Vkj)^2)*(µik)^2

57.80475 97.17741 45.67683 24.13451

47.28067 74.44494 39.66466 29.43425

29.43425 50.6142 34.26468 28.31077

86.51527 128.112 146.0762 124.7268

Dari tabel di atas diperoleh Pt = 1043.672

6. Menghitung Perubahan Matriks Partisi Pada tahap ini akan dilakukan kalkulasi

terhadap perubahan matrik proses fuzzy c-means yang

akan digunakan sebagai nilai random untuk iterasi

t+1. Untuk menghitung perubahan matriks partisi

menggunakan persamaan berikut :

[ ]

[ ]∑ ∑

∑

=

−

−

=

−

−

=

−

−=

c

k

wm

j kjij

wm

j kjij

ik

VX

VXn

1

1

1

1

2

1

1

1

2

)(

)(

Dengan i = 1,2,…,a dan k=1,2,…c.

Dimana :


µ ik = derajat keanggotaan untuk data

sampel ke-i pada cluster ke-k

Xij = data ke-i, atribut ke-j

Dari hasil perhitungan menggunakan

persamaan perubahan matriks maka diperoleh hasil

berikut :

Table 5 Hasil perhitungan perubahan

matriks

Setelah menghitung perubahan matriks maka akan

dilakukan pengujian kondisi stop pada proses fuzzy c-

means.

Jika

Pt – Pt-1 < ǫ ;

atau

t > MaxIterasi ;

maka

End Process()

Jika tidak,

t = t + 1

then

ulangi step 4

Dan jika proses di atas dilakukan hingga akhir pada

gambar yang asli di atas, maka citra output dari proses

segmentasi adalah pada gambar 3. sebagai berikut



Gambar 3. (a) Citra awal (b) Citra sesudah proses

segmentasi dengan iterrasi 1 dan kluster 5 (c) Citra

sesudah proses segmentasi dengan iterrasi 3 dan

kluster 5 Citra sesudah proses segmentasi dengan

iterrasi 10 dan kluster 5

4. Algorima dan Implementasi

4.1 Algoritma Algoritma segmentasi yaitu algoritma untuk

membagi suatu citra menjadi wilayah-wilayah yang

homogen dengan metode Fuzzy C-Means. Langkah-

langkahnya adalah sebagai berikut :

1. Menginput citra yang akan diuji pada cluster

X, dimana cluster X adalah Matriks a x b, P

= Citra Input

Input : X = Matriks uji a x b

i = Data sampel ke i, i = 1 - a

j = Data sampel ke j, j = 1 –

b

a = Jumlah sampel data;

panjang

b = Atribut setiap data; lebar

Output : Data Matriks uji Xij dengan

ukuran a x b

Proses : X = lakukan proses untuk

elemen i = 0 to i = a

X = lakukan proses untuk elemen j = 0 to j =

b

X = elemen matriks Xij; a x b

2. Menentukan variabel proses FCM

Input : C = Jumlah cluster untuk

segmentasi

Ε = error terkecil yang diharapkan

MaxIter = jumlah

maksimum iterasi

Output : variabel proses Fuzzy C-

Means

Proses : Jika C<2 maka tidak dapat

melakukan proses cluster

Jika MaxIter <1 maka tidak dapat melakukan

proses cluster

P.awal = 0

t = 1 (t = iterasi ke t)

w = 2 (w = pangkat)

E = 0,00001

3. Membangkitkan nilai random

Input : a = panjang matriks

c = lebar matriks

i= elemen baris ke i = 0 (i = 1-a)

k= elemen baris ke i = 0 (k = 1-c)

Output : Nilai Random matriks

Proses : U = elemen matriks random

Qj = lakukan proses untuk


Qj = lakukan proses untuk

elemen j = 0 to j = c

U = Xij / Qj

4. Menghitung pusat kelompok ke k

Input : k = Panjang elemen matriks

Vkj (k= 1 to c)

j = Lebar elemen matriks Vkj

(j= 1 to b)

Output : Data matiks pusat kelompok

kluster

Proses : Vkj = y / (U(I,kj)˄ w

Vkj = Matriks pusat

kelompok

5. Menghitung fungsi objektif iterasi ke t

Input : t = iterasi ke t

a = panjang matriks X

b = panjang matriks X

c = jumlah kluster

Output : Nilai random dan fungsi

objektif

Proses : Pt = lakukan proses untuk


Pt = lakukan proses untuk elemen k = 1 to k

= c

Pt = lakukan proses untuk elemen j = 1 to j =

b

y = ((X(i,k) – V(k,j))˄ 2

Pt = y*(U(i,k)˄ w

6. Perubahan matriks partisi

Input : b = Lebar matriks X

c = Jumlah kluster

Output : Data perubahan matriks

partisi dan citra hasil

segmentasi dengan FCM

Proses : U = Perubahan matriks

partisi

U = lakukan proses untuk

elemen k = 1 to k = c

U = lakukan proses untuk

elemen j = 1 to j = b

U = (X(i,k)-V(k,j)˄ (2*(-1/w-1)))

4.2. Tampilan Form Aplikasi

Gambar 4. Form Pemrosesan Citra yang di input

5. Kesimpulan dan Saran

5.1 Kesimpulan



Dari hasil penulisan dan analisa dari bab-bab

sebelumnya, maka dapat diambil kesimpulan, dimana

kesimpulan tersebut kiranya dapat berguna bagi para

pembaca, sehingga penulisan skripsi ini dapat lebih

bermanfaat. Adapun kesimpulan-kesimpulan tersebut

adalah sebagai berikut.

1. Segmentasi citra dapat dibentuk melalui proses

input citra dan menerapkan metode Fuzzy C-

Means.

2. Penerapan metode Fuzzy C-Means pada segmentas

imerupakan metode yang tepat karena hasil

segmentasi tergantung pada jumlah cluster dan

iterasi yang dilakukan. Semakin banyak jumlah

kluster dan iterasi, maka hasil segmentasi akan

semakin akurat.

3. Merancang aplikasi segmentasi citra dengan

Visual studio 2008 yaitu dengan menerapkan

algoritma Fuzzy C-Means pada aplikasi yang akan

dirancang.

5.2 Saran Berdasarkankesimpulan diatas, maka

dikemukakan beberapa saran, dengan harapan dapat

menunjang kemajuan, yakni:

1. Aplikasi ini dapat dikembangkan tampilan

interfacenya sehingga lebih menarik.

2. Untukpengembanganlebihlanjut, format citra

input tidak hanya berformat BMP (ekstensi

*.bmp) tetapijugaberekstensi JPEG (ekstensi

*.jpg) dan PNG (ekstensi *.png)

danberformatvideoMPEG(ekstensi *.mpeg).

3. Aplikasi dapat dikembangkan dengan

menambahkan algoritma lain untuk melakukan

pengenalan pola lebih akurat.

4. Aplikasi dapat dikembangkan menjadi system

segmentasi citra online

DAFTAR PUSTAKA

1. Adi Nugroho,Rekayasa Perangkat Lunak

Beorientasi Objek Dengan Metode USDP,

AndiYogjakarta, 2010

2. Janner Simarmata, Tintin Chandra,

GrafikaKomputer, AndiYogjakarta, 2007

3. Kusumadewi, Sri; Purnomo, Hari. 2004. Aplikasi

Logika Fuzzy untuk Pendukung Keputusan.

Penerbit Graha Ilmu.

4. Darma Putra, Pengolahan Citra Digital,

AndiYogjakarta, 2010

5. T. SutoyoS.Sidkk, Teori pengolahan Citra

Digital, AndiYogjakarta, 2009

6. Anonymous,

http://id.wikipedia.org/wiki/Aplikasi,

Diaksespadatanggal 15 Mei 2014

7. Anonymous,http://id.wikipedia.org/ wiki/Desain,

Diakses padatanggal 15 Mei 2014

5. jurnal jones pandiangan perancangan aplikasi segmentasi citra dengan metode fuzzy c means

Education

Transcript of 5. jurnal jones pandiangan perancangan aplikasi segmentasi citra dengan metode fuzzy c means