BAB IV IMPLEMENTASI DAN EVALUASI

Transkripsi

1 84 BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dibahas mengenai implementasi sistem yaitu spesifikasi sistem dan cara menggunakan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C- Means langkah demi langkah untuk memudahkan dalam penggunaan sistem ini, serta dibahas juga mengenai evaluasi yang dilakukan terhadap sistem ini. 4.1 Implementasi Spesifikasi Sistem Untuk dapat mengoperasikan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C-Means diperlukan sistem-sistem yang mendukung. Sistem-sistem pendukung ini terbagi atas perangkat keras dan lunak yang akan dipaparkan di bawah ini. a. Spesifikasi Sistem Pendukung Perangkat Keras : 1) PC dengan prosesor Intel Pentium III 800 MHz. 2) RAM 512 Mb. 3) HardDisk 20 Gb. 4) VGA Card Onboard. 5) Monitor. 6) Keyboard dan Mouse.

2 85 b. Spesifikasi Sistem Pendukung Perangkat Lunak : 1) Sistem Operasi Windows XP Professional Service Pack 2. 2) Aplikasi MATLAB versi ) SPOT image Pengoperasian Aplikasi Segmentasi Citra Berdasarkan Fuzzy C-Means Pengoperasian dari aplikasi sistem segmentasi citra berdasarkan Fuzzy C-Means akan dijelaskan tahap demi tahap berikut ini : a. Jalankan aplikasi dari Matlab 7.1 Gambar 4.1 Aplikasi yang dijalankan b. Pilih menu File-Open Image untuk me-load image SPOT yang akan disegmentasi. Seperti gambar berikut.

3 86 Gambar 4.2 Menu Open Image Jika menekan tombol Fuzzy C-Means Segmentation tanpa melakukan load image terlebih dahulu, akan ada message dialog seperti dibawah ini.

4 87 Gambar 4.3 Peringatan Open Image c. Sebelum klik tombol Show Information, klik dahulu tombol Fuzzy C-Means Segmentation. Jika tidak, maka akan muncul peringatan. Digambarkan seperti di bawah ini.

5 88 Gambar 4.4 Peringatan Image Segmentation Gambar 4.5 Open Image

6 89 d. Setelah itu klik tombol Fuzzy C-Means Segmentation untuk mulai melakukan proses Fuzzy C-Means Clustering Segmentation. Gambar 4.6 Segmentation e. Kemudian akan muncul image baru hasil segmentasi, berdasarkan masingmasing cluster.

7 90 Gambar 4.7 Hasil Segmentasi f. Jika ingin menampilkan informasi dari citra hasil segmentasi tersebut dengan meng-klik tombol Show Information. Maka, akan terlihat tampilan seperti berikut

8 91 Gambar 4.8 Show Information g. Jika ingin menampilkan citra masing-masing cluster, dapat meng-klik tombol yang terdapat dalam group box cluster 1 sampai group box cluster 6. Maka, akan keluar window baru yang menampilkan citra cluster yang dipilih seperti berikut

9 92 Gambar 4.9 Citra Cluster 1 Gambar 4.10 Citra Cluster 2

10 93 Gambar 4.11 Citra Cluster 3 Gambar 4.12 Citra Cluster 4

11 94 Gambar 4.13 Citra Cluster 5 Gambar 4.14 Citra Cluster 6

12 95 h. Jika sudah selesai melakukan segmentasi dan ingin exit, klik tombol Exit untuk keluar dari aplikasi. Akan muncul pertanyaan seperti berikut. Gambar 4.15 Keluar Aplikasi i. Jika memilih Yes maka akan keluar dari aplikasi dan kembali ke Figure.

13 96 Gambar 4.16 Kembali ke Figure j. Selain itu jika menekan menu About Us, maka akan muncul message box nama pembuat aplikasi ini.

14 97 Gambar 4.17 About Us 4.2 Evaluasi Pada tahap ini dilakukan serangkaian pengujian terhadap sistem yang telah dirancang dan dibuat. Pengujian ini meliputi : a. Pengujian aplikasi dengan metode logika samar (Fuzzy C-Means Clusterting) terhadap citra yang telah dibuat khusus untuk pengujian segmentasi dan membandingkan hasil yang didapat dengan metode konvensional (K-Means Clustering). b. Pengujian aplikasi dengan metode logika samar terhadap citra foto satelit (SPOT image) dan membandingkan hasil yang didapat dengan metode konvensional.

15 98 c. Pengujian keakuratan hasil informasi yang didapat dari citra buatan khusus untuk pengujian terhadap hasil yang sudah di tentukan. Masing-masing pengujian dilakukan terhadap 25 citra, yaitu terdiri dari 5 citra buatan khusus yang digunakan untuk pengujian keakuratan dan 20 citra foto satelit (SPOT Image) yang digunakan untuk penelitian. Dimana citra tersebut akan di segmentasi menggunakan 2 metode, yaitu metode pertama adalah metode logika samar (Fuzzy C-Means Clustering) dan metode kedua adalah metode konvensional (K-Means Clustering). Hasil dari kedua metode akan di perbandingkan berdasarkan keakuratannya terhadap citra awal Tingkat Pengenalan Akurasi segmentasi citra berdasarkan warna atau tingkat keberhasilan segmentasi citra berdasarkan warna adalah kemampuan sistem untuk menganalisa citra, menghasilkan hasil citra hasil segmentasi dan informasi yang akurat. Hal ini didapat melalui perbandingan kedua citra hasil pemrosesan dari kedua metode. Beberapa hal yang diperbandingkan adalah kemampuan sistem untuk mengekstraksi citra yang berbeda menjadi suatu kelompok tersendiri, kestabilan hasil segementasi yang dihasilkan dari kedua metode proses segmentasi citra, serta kemampuan mengolah citra hasil segmentasi menjadi informasi. Hasil segmentasi citra yang akurat meliputi: 1. Citra hasil segmentasi yang dihasilkan berhasil membedakan warna dan berhasil mengekstraksi citra tersebut dan membagi citra tersebut menjadi beberapa kelompok yang berbeda berdasarkan warna.

16 99 2. Kestabilan hasil segmentasi yang dihasilkan melalui beberapa percobaan terhadap citra yang sama. 3. Kemampuan mengolah data citra hasil segmentasi menjadi informasiinformasi yang dibutuhkan oleh user secara akurat Evaluasi Citra Hasil Segmentasi Terhadap Citra Buatan Untuk Pengujian Evaluasi citra hasil segmentasi dilakukan dengan cara membandingkan hasil citra segmentasi kedua metode yaitu metode logika samar (Fuzzy C-Means Clustering) dengan metode konvensional (K-Means Clustering). Hasil dari perbandingan ini akan menghasilkan kesimpulan metode mana yang lebih akurat yang akan digunakan untuk men-segmentasi citra foto satelit (SPOT IMAGE) yang digunakan dalam penelitian. Hasil dari segmentasi dari kedua metode terhadap citra yang sama dapat dilihat pada tabel berikut : Tabel 4.1 Hasil Segmentasi Dari Dua Metode Terhadap Citra Buatan Citra Asli Citra Hasil Segmentasi Fuzzy C-Means Clustering Citra Hasil Segmentasi K-Means Clustering Citra Pengujian 1 Citra Hasil FCM 1 Citra Hasil K-Means 1

17 100 6 Cluster 6 Cluster 6 Cluster Citra Pengujian 2 6 Cluster Citra Hasil FCM 2 6 Cluster Citra Hasil K-Means 2 5 Cluster Citra Pengujian 3 6 Cluster Citra Hasil FCM 3 6 Cluster Citra Hasil K-Means 3 5 Cluster Citra Pengujian 4 6 Cluster Citra Hasil FCM 4 6 Cluster Citra Hasil K-Means 4 6 Cluster

18 101 Citra Pengujian 5 6 Cluster Citra Hasil FCM 5 6 Cluster Citra Hasil K-Means 5 5 Cluster Hasil segmentasi citra dari kedua metode, Fuzzy C-Means Clustering dan K- Means Clustering diatas, menunjukan perbedaan yang cukup jelas bila dibandingkan dengan citra awal. Dapat dilihat pada percobaan pengujian kedua mulai terlihat perbedaan, dimana pada percobaan pengujian ketiga sampai kelima terlihat perbedaan yang sangat jelas. Hasil segmentasi dengan metode Fuzzy C-Means Clustering terlihat lebih akurat dan lebih mendekati citra awal, sedangkan hasil segmentasi dengan metode K-Means Clustering terlihat perbedaan yang cukup jelas dengan citra awal, dimana warna pada citra hasil segmentasi dengan metode K-Means Clustering berbeda dengan warna pada citra awal. Hal ini menunjukan bahwa segmentasi citra dengan metode Fuzzy C-Means Clustering menghasilkan citra yang lebih baik dan akurat daripada citra hasil segmentasi dengan metode K-Means Clustering.

19 Evaluasi Citra Hasil Segmentasi Terhadap Citra Foto Satelit (SPOT IMAGE) Evaluasi terhadap citra buatan diatas, memberikan kesimpulan bahwa metode Fuzzy C-Means Clustering menghasilkan segmentasi citra yang lebih baik daripada metode K-Means Clustering. Untuk mendapatkan kesimpulan yang maksimal dilakukan juga evaluasi perbandingan citra terhadap citra foto satelit (SPOT IMAGE) yang menjadi fokus dalam penelitian ini. Evaluasi perbandingan hasil segmentasi citra terhadap citra foto satelit (SPOT IMAGE) dapat dilihat pada tabel berikut : Tabel 4.2 Hasil Segmentasi Dua Metode Terhadap Citra Foto Satelit (SPOT Image) Citra Asli Citra Hasil Segmentasi Fuzzy C-Means Clustering Citra Hasil Segmentasi K-Means Clustering Citra Foto Satelit 1 Citra Hasil FCM 1 Citra Hasil K-Means 1

20 103 Citra Foto Satelit 2 Citra Hasil FCM 2 Citra Hasil K-Means 2 Citra Foto Satelit 3 Citra Hasil FCM 3 Citra Hasil K-Means 3 Citra Foto Satelit 4 Citra Hasil FCM 4 Citra Hasil K-Means 4 Citra Foto Satelit 5 Citra Hasil FCM 5 Citra Hasil K-Means 5 Dari hasil perbandingan terhadap citra foto satelit (SPOT image) diatas ditambah hasil perbandingan terhadap citra buatan untuk pengujian, maka dapat diambil

21 104 kesimpulan yang pasti bawah citra hasil segmentasi dengan metode Fuzzy C-Means Clustering lebih baik daripada citra hasil segmentasi dengan metode K-Means Clustering karena, hasil yang segmentasi lebih mendekati citra aslinya. Dimana bila, dilihat pada hasil segmentasi dengan metode K-Means Clustering memiliki warna berbeda cukup jauh dengan citra aslinya, sedangkan hasil segmentasi dengan metode Fuzzy C-Means Clustering memiliki warna yang lebih mendekati citra aslinya Evaluasi Kestabilan Hasil Segmentasi Terhadap Citra Buatan Evaluasi pengujian yang kedua adalah evaluasi kestabilan hasil citra yang dihasilkan pada proses segmentasi citra tersebut. Suatu proses segmentasi yang baik harus mampu menghasilkan citra segmentasi secara stabil. Evaluasi ini dilakukan dengan cara membandingkan citra hasil segmentasi dari kedua metode Fuzzy C-Means Clustering dan K-Means Clustering melalui pemrosesan citra yang sama sebanyak tiga kali. Hasil Evaluasi yang didapatkan dari proses segmentasi sebanyak tiga kali terhadap citra yang sama dapat dilihat pada tabel berikut :

22 105 Tabel 4.3 Evaluasi Kestabilan Hasil Segmentasi Pengujian Pertama Citra Buatan Citra Asli Citra Hasil Segmentasi Fuzzy C-Means Clustering Citra Hasil Segmentasi K-Means Clustering Citra Hasil FCM Percobaan Pertama Citra Hasil K-Means Percobaan Pertama Pengujian Pertama Citra Hasil FCM Percobaan Kedua Citra Hasil K-Means Percobaan Kedua Citra Hasil FCM Percobaan Ketiga Citra Hasil K-Means Percobaan Ketiga

23 106 Tabel 4.4 Evaluasi Kestabilan Hasil Segmentasi Pengujian Kedua Citra Buatan Citra Asli Citra Hasil Segmentasi Fuzzy C-Means Clustering Citra Hasil Segmentasi K-Means Clustering Citra Hasil FCM Percobaan Pertama Citra Hasil K-Means Percobaan Pertama Pengujian Kedua Citra Hasil FCM Percobaan Kedua Citra Hasil K-Means Percobaan Kedua Citra Hasil FCM Percobaan Ketiga Citra Hasil K-Means Percobaan Ketiga

24 107 Tabel 4.5 Evaluasi Kestabilan Hasil Segmentasi Pengujian Ketiga Citra Foto Satelit Citra Hasil Segmentasi Fuzzy C-Means Clustering Citra Hasil Segmentasi K-Means Clustering Citra Hasil FCM Percobaan Pertama Citra Hasil K-Means Percobaan Pertama Pengujian Kedua Citra Hasil FCM Percobaan Kedua Citra Hasil K-Means Percobaan Kedua Citra Hasil FCM Percobaan Ketiga Citra Hasil K-Means Percobaan Ketiga

25 108 Dari hasil perbandingan diatas dengan tiga kali pengujian terhadap tiga citra yang berbeda, dapat diambil kesimpulan bahwa segmentasi citra dengan metode Fuzzy C- Means Clustering memiliki tingkat kestabilan hasil segmentasi citra yang lebih baik daripada metode K-Means Clustering. Hasil segmentasi citra yang dihasilkan dengan metode Fuzzy C-Means Clustering lebih stabil daripada hasil segmentasi citra dengan metode K-Means Clustering karena, pada metode FCM (Fuzzy C-Means) proses segmentasi dilakukan secara otomatis tanpa membutuhkan input sampel dari user. Hal ini menghasilkan hasil segmentasi yang lebih akurat dan lebih stabil, sedangkan pada proses segmentasi dengan metode K-Means, user harus memasukkan sejumlah inputan sebagai sampel untuk melakukan segmentasi, perbedaan inputan / sampel pada setiap percobaan akan menghasilkan hasil segmentasi yang berbeda-beda pula. Hal ini mengakibatkan ketidakstabilan hasil segmentasi citra. Pada metode K-Means bila sampel yang diambil secara acak akan menghasilkan hasil segmentasi citra yang sangat berbeda dengan hasil segmentasi citra dengan sampel yang diambil secara teratur sesuai dengan warna yang ada. Hal ini menyebabkan akurasi dari hasil segmentasi tersebut diragukan. Tetapi, pada metode FCM (Fuzzy C-Means), dimana sampel diambil secara otomatis tanpa perlu masukan input dari user yang meminimalisasi terjadinya kesalahan input sampel atau pengambilan sampel secara acak sehingga akan memberikan hasil segmentasi citra yang maksimal dengan keakuratan yang terpercaya Evaluasi Kemampuan Mengolah Citra Hasil Segmentasi Menjadi Informasi Evaluasi pengujian yang ketiga adalah evaluasi kemampuan untuk mengolah hasil segmentasi citra untuk mendapatkan informasi penting dan akurat yang terdapat

26 109 pada citra awal (SPOT Image). Hasil dari segmentasi citra foto satelit (SPOT Image) memiliki informasi-informasi penting didalamnya. Informasi ini sangat berguna di bidang-bidang yang berhubungan dengan keadaan geografis suatu daerah, bidang kependudukan, dsb. Keakuratan suatu informasi dari citra tersebut mempengaruhi ketepatan keputusan yang akan diambil. Oleh sebab itu, sangat diperlukan pengolahan suatu citra agar didapat informasi yang mudah digunakan, mudah dimengerti, mudah diolah sehingga dengan informasi yang akurat dan mudah dimengerti dapat memaksimalkan keputusan yang diambil. Pada segmentasi dengan metode konvensional (K-Means Clustering) proses pengolahan data belum bisa dilakukan, karena pada saat segmentasi proses tersebut masih membutuhkan input dari user berupa sampel data. Ketidakakuratan dari sampel data tersebut mempengaruhi hasil segmentasi yang dihasilkan. Pada evaluasi sebelumnya telah diketahui bahwa metode konvensional (K-Means Clustering) memiliki kestabilan hasil segmentasi yang rendah. Maka, proses pengolahan informasi ini sulit untuk dilaksanakan. Apabila, tetap dilakukan proses pengolahan informasi ini dilakukan, hasil yang didapatkan masih diragukan dan tidak maksimal. Berbeda halnya dengan segmentasi dengan metode logika samar (Fuzzy C-Means Clustering) proses pengolahan data ini dapat dilakukan secara akurat. Fungsi dari derajat keanggotaan yang dihasilkan dari proses Fuzzy C-Means Clustering tersebut sangat membantu proses pengolahan data ini secara akurat. Dengan memanfaatkan derajat keanggotaan masing-masing segmen, kita dapat mengolah data-data citra hasil segmentasi untuk menghasilkan informasi-informasi yang diperlukan. Hasil dari pengolahan data menjadi informasi-informasi yang akurat dan bermanfaat dapat dilihat dari tabel berikut:

27 110 Tabel 4.6 Evaluasi Informasi Yang Dihasilkan Dari Citra Buatan 1 Citra Asli Informasi Informasi Yang Di Hasilkan Hasil Proses Segmentasi Fuzzy C-Means Clustering Informasi Jumlah Masing-Masing Segmen Dalam Persen Citra Percobaan 1 Citra Buatan Merah Cluster 1 Biru Cluster 2 Cyan Cluster 3 Putih Cluster 4 Orange Cluster 5 Hijau Cluster 6

28 111 Tabel 4.7 Evaluasi Informasi Yang Dihasilkan Dari Citra Buatan 2 Citra Asli Informasi Informasi Yang Di Hasilkan Hasil Proses Segmentasi Fuzzy C-Means Clustering Informasi Jumlah Masing-Masing Segmen Dalam Persen Citra Percobaan 2 Citra Buatan Biru Cluster 1 Hijau Cluster 2 Cyan Cluster 3 Merah Cluster 4 Violet Cluster 5 Kuning Cluster 6

29 112 Tabel 4.8 Evaluasi Informasi Yang Dihasilkan Dari Citra Foto Satelit 1 Citra Asli Informasi Informasi Yang Di Hasilkan Hasil Proses Segmentasi Fuzzy C-Means Clustering Informasi Jumlah Masing-Masing Segmen Dalam Persen Citra Percobaan 3 SPOT IMAGE Cluster 1

30 113 Cluster 2 Cluster 3 Cluster 4

31 114 Cluster 5 Cluster 6

32 115 Tabel 4.9 Evaluasi Informasi Yang Dihasilkan Dari Citra Foto Satelit 2 Citra Asli Informasi Informasi Yang Di Hasilkan Hasil Proses Segmentasi Fuzzy C-Means Clustering Informasi Jumlah Masing-Masing Segmen Dalam Persen Citra Percobaan 4 SPOT IMAGE Cluster 1

33 116 Cluster 2 Cluster 3 Cluster 4

34 117 Cluster 5 Cluster 6

35 118 Tabel 4.10 Evaluasi Informasi Yang Dihasilkan Dari Citra Foto Satelit 3 Citra Asli Informasi Informasi Yang Di Hasilkan Hasil Proses Segmentasi Fuzzy C-Means Clustering Informasi Jumlah Masing-Masing Segmen Dalam Persen Citra Percobaan 5 SPOT IMAGE Cluster 1

36 119 Cluster 2 Cluster 3 Cluster 4

37 120 Cluster 5 Cluster 6 Dari evaluasi diatas dapat diketahui bahwa sistem segmentasi citra dengan metode logika samar (Fuzzy C-Means Clustering) mampu mengolah data dari citra buatan maupun citra foto satelit (SPOT Image) dan menghasilkan output berupa citra baru hasil segmentasi berdasarkan metode Fuzzy C-Means Clustering, output berupa informasi-informasi penting yang terdapat didalam citra yang di representasikan dalam persentase pada information box dan output berupa segmentasi citra dengan menghasilkan citra baru berdasarkan tiap-tiap warna atau kondisi tertentu yang

38 121 mempermudah user untuk mengerti, mengolah, memahami dan mendapatkan informasiinformasi penting didalam citra tersebut. Dari hasil evaluasi diatas dapat disimpulkan bahwa segmentasi citra menggunakan pendekatan logika samar (Fuzzy C-Means Clustering) mampu menghasilkan output yang berhasil merepresentasikan informasi-informasi penting yang terdapat dalam citra tersebut secara akurat Alasan Fuzzy C-Means Clustering lebih baik daripada K-Means Clustering Evaluasi yang dilakukan dari kedua metode pengelompokan data dengan cara yang sama terhadap input data (citra SPOT) yang sama dengan metode yang berbeda, yaitu metode Fuzzy C-Means Clustering dan Metode K-Means Clustering menghasilkan hasil segmentasi yang berbeda dimana fuzzy c-means melakukan segmentsi citra lebih baik daripada metode k-means. Maka dari hasil evaluasi yang dilakukan dapat disimpulkan beberapa perbedaan proses yang menyebabkan metode Fuzzy C-Means Clustering melakukan segmentasi citra SPOT lebih baik daripada metode K-Means Clustering. Beberapa perbedaan tersebut adalah 1. Proses pengelompokan data yang berbeda. Pada proses segmentasi dengan metode K-Means Clustering setiap titik data dikelompokan pada cluster-cluster secara masing-masing sehingga data-data yang memiliki nilai yang berdekatan langsung dikelompokan kedalam cluster yang sama. Hal tersebut yang menyebabkan proses pengelompokan data pada metode ini memiliki keterbatasan untuk mengelompokan data secara tepat karena setiap data hanya di kelompokan berdasarkan kedekatan dengan sampel pada setiap cluster.

39 122 Sedangkan pada proses segmentasi dengan metode Fuzzy C-Means Clustering setiap titik data memiliki derajat keanggotaan (Membership Degree) terhadap setiap cluster. Dengan menggunakan derajat keanggotaanya mampu membedakan masing-masing data dengan lebih akurat karena, semakin tinggi derajat keanggotaan maka, semakin dekat data tersebut dengan cluster yang dikelompokan. Oleh karena itu, dengan mengambil nilai maksimal dari derajat keanggotan setiap titik data dapat diketahui data yang dominan pada setiap titik-titik data tersebut, sehingga proses proses segmentasi menjadi lebih mudah dilakukan dan lebih akurat. 2. Proses pengambilan sampel yang berbeda. Walaupun input citra yang digunakan sama, namun pada proses pengambilan sampel terjadi beberapa perbedaan antara kedua metode tersebut. Metode K- Means Clustering memerlukan inputan sebagai sampel dari user pada proses pengambilan sampel sehingga apabila terjadi kesalahan pengambilan sampel oleh user hasil segmentasi yang dihasilkan juga akan salah. Selain itu, pada metode k-means bila user mengambil sampel yang berbeda-beda maka, hasil segmentasi yang dihasilkan juga akan berbeda-beda sehingga hasilnya menjadi tidak stabil. Proses pengambilan sampel yang membutuhkan inputan dari user ini lah yang disebut dengan proses supervised learning. Berbeda dengan metode Fuzzy C-Means Clustering proses pengambilan sampel untuk menentukan setiap cluster dilakukan secara otomatis dalam proses fuzzy c-means sehingga user tidak perlu melakukan inputan sampel untuk melakukan proses fuzzy c-means ini. Karena tidak membutuhkan sampel maka meminimalis terjadinya kesalahan pengambilan sampel dan

40 123 terjadi perbedaan sampel pada setiap proses. Oleh sebab itu proses segmentasi citra dengan metode ini menghasilkan hasil yang lebih stabil dan lebih akurat. Proses yang tidak membutuhkan sampel ini dapat disebut juga sebagai proses unsupervised learning.