PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA

Transkripsi

1 PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali naser.jawas@stikom-bali.ac.id Abstrak Segmentasi citra termasuk salah satu proses yang penting di dunia pengolahan citra dan visi komputer. Banyak metode yang telah diusulkan untuk mencoba memberikan solusi terhadap berbagai permasalahan segmentasi citra. Namun masih banyak kekurangan yang ditemui dikarenakan permasalahan segmentasi citra ini sangat kompleks dan sangat tergantung dari karakteristik data citra yang digunakan serta bagian yang diinginkan untuk disegmentasi. Salah satu permasalahan dalam segmentasi citra adalah melakukan segmentasi citra berwarna. Citra berwarna umumnya tidak hanya memiliki 1 ruang warna serperti citra grayscale, namun memiliki lebih dari 1 ruang warna. Selain itu, citra berwarna juga memiliki berbagai representasi ruang warna. Hasil segmentasi yang diharapkan pun tidak hanya terdiri dari 2 buah kelas (foreground dan background) saja seperti pada segmentasi citra grayscale, namun memiliki beberapa kelas yang merepresentasikan objek didalamnya sebagai bagian dengan warna yang serupa serta lokasi yang berdekatan atau mengelompok. Pada penelitian ini, dilakukan perbandingan segmentasi citra berwarna dengan metode Fuzzy C-Means Clustering di berbagai representasi ruang warna. Hasil yang paling baik ditunjukkan oleh hasil klusterisasi menggunakan ruang warna CIELAB. Hal ini dapat dilihat dari nilai-nilai persentase perbedaan piksel, antara citra hasil dan citra ground truth, yang paling minimum dicapai dari ruang warna CIELAB. Persentase perbedaan piksel terkecil yang didapatkan adalah 0.72%. Kata kunci: Fuzzy C-Means, Segmentasi Citra Warna, Ruang Warna. 1. Pendahuluan Segmentasi citra merupakan sebuah proses yang penting di dalam dunia pengolahan citra dan visi komputer. Hal ini dapat dilihat dari banyaknya publikasi ilmiah yang mengangkat permasalahan seputar segmentasi citra. Proses segmentasi membagi-bagi citra ke dalam bagianbagian yang memiliki karakteristik yang serupa secara visual [1]. Permasalahan yang diteliti di penelitian segmentasi citra sangat luas mulai dari proses segmentasi citra umum hingga untuk permasalahan khusus. Permasalahan segmentasi citra yang umum biasanya menggunakan data citra yang memiliki karakteristik umum seperti citra pemandangan, citra gedung, citra manusia. Target segmentasinya pun hanya untuk memisahkan antar bagian objek di dalam sebuah citra secara umum sesuai kedekatan visualnya. Sedangkan permasalahan khusus segmentasi sangat banyak ditemui. Contohnya seperti segmentasi bagian iris dari citra mata, segmentasi bagian kanker kulit dari citra bagian kulit, segmentasi bagian dengan intensitas ketebalan lebih tinggi dari citra medis, segmentasi bagian plat nomor kendaraan dari citra kendaraan dan masih banyak permasalahan lainnya. Permasalahan segmentasi yang mengkhusus ini tergantung dari target segmentasi yang diperlukan sehingga membutuhkan analisa dan metode yang lebih mengkhusus. Kelebihan dari solusi segmentasi umum adalah dapat digunakan untuk berbagai permasalahan segmentasi secara umum, sedangkan untuk solusi segmentasi khusus, akan sangat terbatas pada permasalahan dan karakteristik data tertentu. Secara umum, hasil-hasil metode dari penelitian segmentasi citra hingga saat ini masih banyak terdapat kelemahan dan masih memiliki banyak lubang yang perlu diteliti dan dicarikan solusi sehingga dapat memberikan hasil yang lebih baik. Oleh karena itu, penelitian tentang segmentasi citra masih terus menjadi lahan aktif bagi para peneliti pengolahan citra dan visi komputer. Salah satu permasalahan yang aktif diteliti di bagian segmentasi citra adalah segmentasi citra berwarna. Citra berwarna memiliki lebih dari 1 ruang warna dan juga dapat memiliki lebih dari 1 representasi warna. Contohnya dalam representasi warna RGB, ada 3 ruang warna yakni merah (R), hijau (G), dan biru (B) sedangkan pada representasi warna CIE 1976 memiliki 3 ruang warna yakni pencahayaan (L), dan nilai keseimbangan warna (a dan b). Pada representasi warna CMYK ada 4 ruang warna yakni cyan (C), magenta (M), kuning (Y), dan hitam (K). Hal ini menjadikan sebuah piksel di citra berwarna menyimpan data nilai yang lebih banyak dibandingkan citra keabuan (grayscale) atau citra hitam putih (biner). Proses segmentasi citra mengolah data setiap piksel dan mengelompokkannya ke dalam bagian tertentu sesuai dengan kedekatanya nilainya. Segmentasi dari citra keabuan (grayscale) memiliki proses yang lebih sederhana karena setiap piksel hanya memiliki 1 buah nilai yang akan digunakan untuk

2 menentukan ke bagian mana dia akan dikelompokkan, sedangkan pada citra berwarna ada lebih dari 1 nilai untuk setiap piksel yang harus diperhitungkan dalam menentukan ke mana piksel tersebut akan dikelompokkan. Selain itu, segementasi pada citra keabuan (greyscale) umumnya hanya membagi ke dalam 2 buah bagian/ kelas yakni foreground dan background. Sedangkan, pada segmentasi citra berwarna diharapkan sebuah citra dapat dibagi ke dalam beberapa bagian sesuai dengan kedekatan warna dan loksinya. Pada penelitian ini, dilakukan perbandingan segmentasi citra berwarna dengan metode Fuzzy C-Means Clustering[2] di berbagai representasi ruang warna. Metode Fuzzy C-Means Clustering digunakan untuk mengklusterisasi setiap piksel data citra ke dalam beberapa klaster yang merepresentasikan objek atau bagian di citra dengan warna serupa serta memiliki kedekatan lokasi. Diharapkan setiap piksel dalam sebuah kluster yang memiliki nilai kedekatan setinggi-tingginya dengan sesama piksel di dalam kluster tersebut dan juga memiliki tingkat kedekatan yang serendah-rendahnya dengan piksel-piksel di kluster yang lain [3]. Data hasil klaster dari setiap nilai piksel tersebut akan menunjukkan hasil segmentasi citra. Hasilnya diharapkan dapat memberikan perbandingan hasil segmentasi citra berwarna menggunakan Fuzzy C-Means Clustering di berbagai representasi ruang warna dan mencari representasi ruang warna yang memberikan hasil segmentasi terbaik. ditunjukkan pada Gambar 3 beserta ground truth dari segmentasi data tersebut. Gambar 1. Contoh Citra dari Dataset [4]. 2. Pembahasan Data yang digunakan dalam penelitian ini adalah data citra standar dari Berkeley Segmentation Database [4]. Data yang disediakan berupa data citra beserta segmentasi manual yang dilakukan oleh manusia. Segmentasi manual tersebut akan digunakan sebagai pembanding hasil di proses pengujian. Untuk menyesuaikan dengan hasil penelitian ini data ground truth diberi warna menyesuaikan hasil klusterisasi untuk memudahkan pembandingan hasil. Contoh data dapat dilihat pada Gambar 1. Adapun alur algoritma secara umum yang ditempuh dalam penelitian ini adalah sebagai berikut: Input citra pertama kali di load, kemudian dirubah ke berbagai representasi ruang warna. Selanjutnya setiap representasi ruang warna dilakukan segmentasi dengan cara melakukan klusterisasi menggunakan metode Fuzzy CMeans Clustering. Hasil klusterisasi dari masing-masing representasi ruang warna disimpan kemudian dibandingkan secara kuantitatif menggunakan nilai hasil perhitungan evaluasi. Format ruang warna yang diuji pada penelitian ini diantaranya adalah: RGB, CMY, HSV, YUV, CIELAB, CIEXYZ, YCbrCr, NTSC dan YIQ. Citra input dikluster menjadi 2 kluster menggunakan FCM. Data yang dipilih adalah data yang memilihi 2 buah warna seragam per area yang dapat diwakili dengan hanya 2 buah warna. Salah satu dari contoh data citra yang digunakan Gambar 2. Alur Proses.

3 piksel antara ground truth dengan hasil klustersisasi. Persentase tersebut dihitung dari jumlah nilai piksel yang berbeda antara citra hasil dan citra ground truth dibandingkan dengan jumlah total piksel dari citra tersebut. (a) (b) Gambar 3. (a) Contoh Data dan (b) Ground Truth Ruang warna RGB adalah ruang warna standar yang digunakan. Oleh karena itu untuk klusterisasi citra pada ruang warna RGB tidak memerlukan perubahan format. Hasil dari clusterisasi pada citra RGB ditunjukkan pada Gambar 4. Ruang warna CMY adalah bentuk ruang warna negatif dari ruang warna RGB. Perhitungan ruang warna CMY adalah dengan membentuk nilai desimal dari nilai RGB dan menghitung bentuk negatif CMY dengan mengurangi nilai 1 dengan nilai RGB desimal tersebut. Contoh hasil dari klusterisasi menggunakan ruang warna CMY dapat dilihat pada Gambar 5. Ruang warna HSV didapatkan dengan menghitung nilai Hue, Saturation dan Value dari RGB. Hasil dari klusterisasinya dapat dilihat pada Gambar 6. Ruang warna YUV didapatkan dengan mengalikan nilai RGB dengan matriks YUV. Hasil dari klusterisasi pada ruang warna ini dapat dilihat pada Gambar 7. Hasil Klusterisasi di ruang warna CIELAB ini memberikan hasil yang lebih baik untuk bagian-bagian dengan warna yang memiliki gradasi. Hasil dari klusterisasi pada ruang warna ini ditunjukkan pada Gambar 8. Ruang warna CIEXYZ adalah pengembangan dari ruang warna CIE sebelum CIELAB. Hasil klusterisasi pada ruang warna CIEXYZ ditunjukkan pada Gambar 9. Hasil yang didapat dari perhitungan ini menunjukkan bahwa Hasil klusterisasi yang paling sedikit memiliki perbedaan dengan citra ground truth adalah hasil klusterisasi dengan menggunakan ruang warna CIELAB. Hanya satu dari enam citra uji yang memiliki nilai perbedaan minimum. Citra dengan nama jpg saja yang memiliki nilai minimum pada ruang warna HSV. Hal ini dapat dilihat pada Tabel 1. Langkah-langkah yang ditempuh dalam penelitian ini adalah mengkonversi setiap citra input ke dalam ruang warna baru yang diinginkan. Kemudian nilai dari ruang warna baru tersebut akan digunakan sebagai inputan untuk proses klusterisasi warna. Pada penelitian ini digunakan citra uji dengan warna yang sangat minimum. Hanya terdapat setidaknya 2 buah warna umum yang menjadi pembeda antara foreground dengan background. Seperti yang ditunjukkan pada contoh hasil di Gambar 4 hingga Gambar 12. Namun antara kedua warna memiliki pergeseran warna (gradasi) yang dari terang ke gelap atau sebaliknya. Hal ini dikarenakan CIELAB memisahkan nilai untuk lightness dalam sebuah komponen sendiri yakni L. Hal tersebut menyebabkan gradasi warna tidak terlalu mempengaruhi hasil cluster karena komponen warna lainnya masih sama untuk kasus nilai-nilai gradasi. Ruang warna CIELAB cocok digunakan untuk kasuskasus klusterisasi untuk segmentasi citra warna yang memiliki warna-warna dengan permainan gradasi. Warna-warna yang masih satu dasar dasar warna masih dapat dikelompokkan ke dalam warna yang sama. Nilai Y pada YCbCr adalah nilai luma dengan Cb adalah komponen croma dengan perbedaan biru dan Cr adalah komponen croma dengan perbedaan warna merah. Konversi dari nilai RGB ke YCbCr pada penelitian ini menggunakan fungsi konversi pada MATLAB. Hasil dari klusterisasi menggunakan ruang warna ini ditunjukkan pada Gambar 10. Gambar 4. Hasil Klusterisasi dari Ruang Warna RGB. Konversi dari nilai RGB ke NTSC pada penelitian ini memanfaatkan fungsi konversi yang diberikan oleh MATLAB. Hasil klusterisasi dari ruang warna ini ditunjukkan pada Gambar 11. Nilai warna YIQ didapatkan dari mengalikan nilai RGB dengan matrix YIQ. Hasil klusterisasi pada ruang warna ini dapat dilihat pada Gambar 12. Hasil-hasil tersebut dapat dilihat secara kualitas saja yakni dengan membandingkan antara ground truth dengan hasil. Untuk perbandingan yang lebih jelas, pada Tabel 1 diberikan hasil persentase jumlah perbedaan Gambar 5. Hasil Klusterisasi dari Ruang Warna CMY.

4 Gambar 6. Hasil Klusterisasi dari Ruang Warna HSV. Gambar 11. Hasil Klusterisasi dari Ruang Warna NTSC. Gambar 7. Hasil Klusterisasi dari Ruang Warna YUV. Gambar 12. Hasil Klusterisasi dari Ruang Warna YIQ. Tabel 1. Tabel Perbandingan Error dalam persen (%). RGB CMY HSV YUV CIELAB CIEXYZ YCbCr NTSC YIQ Gambar 8. Hasil Klusterisasi dari Ruang Warna CIELAB. D1 D2 D3 D4 D5 D Kesimpulan Gambar 9. Hasil Klusterisasi dari Ruang Warna CIEXYZ. Dari hasil yang didapatkan maka dapat disimpulkan bahwa: Hasil yang paling baik ditunjukkan oleh hasil klusterisasi menggunakan ruang warna CIELAB. Hal ini dapat dilihat dari nilai-nilai persentase perbedaan piksel, antara citra hasil dan citra ground truth, yang paling minimum dicapai dari ruang warna CIELAB. Persentase perbedaan piksel terkecil yang didapatkan adalah 0.72%. Dalam penelitian selanjutnya, dapat dicoba untuk menganalisis hasil dari klusterisasi citra ke lebih dari 2 kluster warna. Daftar Pustaka Gambar 10. Hasil Klusterisasi dari Ruang Warna YCbCr [1] Y. Guo and A. Sengur, A novel color image segmentation approach based on neutrosophic set and modified fuzzy c-means, Circuits Syst Signal Process, vol. 32, no. 4, pp , August [2] J. C. Bezdek, R. Ehrlich, W. Full, FCM: the fuzzy c-means clustering algorithm, Computers & Geosciences, vol.10, no.2-3, pp ,

5 [3] K. S. Tan, and N. A. Isa, Color image segmentation using histogram thresholding - fuzzy c-means hybrid approach, Pattern Recognition, vol. 44, no. 1, pp. 1-15, January [4] D. Martin, C. Fowlkes, D. Tal, J. Malik, A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics, in Proc. 8th Int'l Conf. Computer Vision, vol. 2, pp , July Biodata Penulis Naser Jawas, memperoleh gelar Sarjana Teknik (S.T.) dari Jurusan Teknik Elektro, Fakultas Teknik, Universitas Udayana pada tahun Pada Tahun 2013, memperoleh gelar Magister Komputer (M.Kom.) dari Program Pascasarjana Teknik Informatika, Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Saat ini menjadi Dosen di STMIK STIKOM Bali. Bidang penelitian yang digeluti adalah Pengolahan Citra Digital dan Visi Komputer

6 3.2-42