BAB III ANALISIS DAN PERANCANGAN

61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun dengan beberapa algoritmaalgoritma baru, antara lain K-means Clustering, dsb. Permasalahannya adalah apakah metode-metode tersebut mampu melakukan segmentasi citra secara akurat? Hal ini dapat terjadi karena dalam proses segmentasi citra, input-input data dari citra tersebut sering bersifat tidak pasti atau tidak lengkap, hal tersebut akan sangat menyulitkan untuk menentukan batas-batas yang jelas untuk men-segmentasi citra tersebut. Ketidakpastian suatu inputan data dalam proses segmentasi dapat berakibat fatal terhadap hasil output yang dihasilkan, hasil output yang tidak akurat akan menyebabkan terjadinya kesalahan pengambilan keputusan. Citra SPOT (Satellite Pour l'observation de la Terre) adalah citra dengan resolusi tinggi yang menggambarkan permukaan bumi yang dihasilkan oleh sistem satelit dan diambil dari luar angkasa. Citra ini terdiri dari ratusan sampai ribuan jumlah warna didalamnya, dimana setiap kumpulan warna menunjukan informasi penting yang dibutuhkan dalam memproses suatu citra SPOT. Untuk menganalisa dan mendapatkan informasi yang akurat dari suatu citra SPOT dibutuhkan sistem yang mampu mensegmentasi bagian-bagian tersebut menjadi bagian-bagian yang jelas yang kemudian akan diterjemahkan menjadi sebuah informasi yang mudah untuk dimengerti dan

62 dipahami. Karena hal tersebut terjadinya kebutuhan yang sangat tinggi terhadap sebuah sistem segmentasi citra untuk mengolah dan menganalisa citra SPOT. Selain karena kebutuhan yang sangat tinggi akan sistem segmentasi yang baik untuk mengolah citra SPOT, proses segmentasi citra itu sendiri memiliki tingkat kesulitan tertinggi saat memproses citra SPOT atau citra kedokteran (Medical Image). Kesulitan dalam proses segmentasi citra pada citra SPOT terjadi akibat dari banyaknya jumlah warna yang mencapai ratusan sampai ribuan warna, dimana sistem segmentasi citra tersebut harus mampu menentukan batas-batas dan mengelompokan masingmasing warna menjadi beberapa bagian warna secara jelas dengan memperhitungkan komposisi warna pada setiap kelompok. Hal ini dapat dilihat dari gambar dibawah ini: Gambar 3.1 Komposisi Warna Pada Citra SPOT

63 Dari gambar 3.1 diatas dapat diketahui seberapa banyak jumlah variasi warna didalam sebuah citra SPOT, hal inilah yang menyebabkan proses segmentasi citra pada citra SPOT memiliki tingkat kesulitan yang tinggi. Untuk menghasilkan sebuah sistem segmentasi citra yang akurat, maka citra SPOT menjadi fokus pembahasan dalam skripsi ini. Pada proses menentukan batas-batas dan mengelompokan masing-masing warna terjadi pokok permasalahan dimana, ketidakpastian input dari citra yang akan disegmentasi menyebabkan batasan-batasan input yang akan disegmentasi menjadi tidak jelas. Hal ini akan menyebabkan proses segementasi yang salah. Metode yang ada sekarang ini dapat dikategorikan sebagai metode supervised learning dimana metode ini membutuhkan inputan-inputan sampel dari user untuk membantu proses dalam metode ini, pengambilan sampel input yang salah akan berakibat fatal dalam pengolahan data dan proses pengelompokan data (clustering). Hal ini terjadi pada metode konvensional seperti metode K-Means Clustering yang banyak digunakan dalam melakukan segmentasi citra. Masalah ketidakpastian input dalam proses segmentasi citra dengan metode K- Means Clustering terjadi pada saat metode tersebut tidak mampu mengelompokan (Clustering) data secara akurat berdasarkan warna yang diambil dari input sampel oleh user. Hal ini akan berakibat fatal pada citra hasil segmentasi dimana pada citra tersebut akan terlihat kesalahan segmentasi. Hal tersebut terjadi karena adanya input yang tidak jelas sehingga sulit untuk menentukan batasan yang tepat. Maka, data-data yang memiliki nilai yang berdekatan akan dimasukkan kedalam kelompok yang sama. Hal tersebut dapat dilihat lebih jelas dari tabel dibawah ini:

64 Tabel 3.1 Masalah Ketidakpastian Pada Metode Konvensional Citra Asli Citra Hasil Segmentasi (K-Means Clustering) Seperti yang terlihat pada tabel 3.1 diatas, masalah segmentasi terjadi pada bagian-bagian tertentu dimana input yang didapat tidak pasti hal tersebut dapat diketahui pada gambar dibawah ini:

65 Gambar 3.2 Ketidakpastian Pada Citra Pada gambar 3.2 ini dapat dilihat bahwa setiap piksel dalam citra ini pada bagian tertentu memiliki nilai RGB (Red Green Blue) yang berdekatan sehingga menyebabkan ketidakpastian input yang mengakibatkan terjadinya kesalahan segmentasi.. Gambar 3.3 Kesalahan Segmentasi Yang Terjadi

66 Pada gambar 3.3 dapat dilihat dengan jelas terjadinya kesalahan segmentasi, hal tersebut terjadi akibat dari ketidakpastian input dari citra dimana citra tersebut pada bagian tertentu memiliki nilai RGB yang berdekatan sehingga menyulitkan untuk menentukan batasan-batasan yang jelas dalam untuk melakakukan segmentasi citra. Untuk menentukan suatu citra hasil segmentasi memiliki keakuratan yang baik terdapat beberapa kriteria yang dapat digunakan antara lain : 1. Mampu membedakan citra berdasarkan tujuan yang ingin dicapai, dan mampu memperlihatkan batas-batas yang jelas antara masing-masing segmen. 2. Mampu memberikan informasi yang jelas tentang obyek yang telah di segmentasikan. 3. Mampu menghasilkan hasil segmentasi yang stabil melalui beberapa percobaan terhadap citra yang sama. Berdasarkan kriteria diatas maka dapat diketahui apakah output citra yang dikelompokkan termasuk output citra yang baik bila dibandingkan dengan citra yang di segmentasi dengan metode lainnya. Oleh karena itu pemilihan metode yang tepat untuk mengelompokkan citra tersebut agar menghasilkan citra output yang baik berdasarkan kriteria-kriteria diatas sangat penting, karena dengan menghasilkan output yang baik akan mempermudah dalam pengolahan informasi-informasi yang terdapat dalam citra tersebut dan meminimalisasi kesalahan dalam proses pengambilan keputusan.

67 3.1.2 Pemecahan Masalah Berdasarkan analisis permasalahan yang ada, dapat disimpulkan bahwa permasalahan yang dihadapi adalah dalam proses pengelompokkan citra terdapat datadata input yang kurang akurat dan tidak lengkap, serta batasan-batasan aturan-aturan dalam menentukan kelompok yang tidak jelas. Pemilihan metode yang baik untuk menyelesaikan masalah ini merupakan hal penting dalam penelitian ini. Metode logika samar (Fuzzy Logic) yang mampu mentoleransi input data yang tidak lengkap atau tidak tepat adalah salah satu pilihan terbaik untuk menyelesaikan masalah tersebut. Metode logika samar ini termasuk kategori metode unsupervised learning, dimana pada prosesnya metode ini tidak membutuhkan inputan sampel dari user sehingga dapat menghasilkan hasil yang lebih akurat dan lebih stabil. Hal ini dapat terjadi karena dengan proses unsupervised learning telah meminimalisasi terjadinya kesalahan inputan sampel. Pada logika samar input data akan diolah dan diproses menjadi derajat keanggotaan yang menunjukan kedekatan masing-masing input data, sehingga dapat dikelompokkan berdasarkan derajat keanggotaannya. Metode logika samar ini lebih dikenal dengan metode Fuzzy C-Means Clustering. Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data dimana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masi belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimisasi fungsi obyektif yang menggambarkan jarak

68 dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut. Dengan Fuzzy C-Means kita akan mendapatkan hasil yang cukup akurat dibandingkan dengan cara-cara konvensional yang sudah ada seperti K-Means Clustering. Metode K-Means Clustering adalah memilah data menjadi cluster dan data tersebut hanya milik cluster tersebut saja, tetapi algoritma yang digunakan Fuzzy C- Means tidak hanya memilah data menjadi milik sebuah cluster saja, tetapi data tersebut masih merupakan milik cluster yang lain dan dapat dibedakan dari derajat keanggotaan yang didapat dari hasil komputasi dengan Fuzzy C-Means. Hal ini membuat hasil cluster dari Fuzzy C-Means lebih konvergen hasilnya dibandingkan K-Means Clustering tersebut sehingga data yang didapat lebih akurat, karena dengan metode fuzzy, akan didapat hasil yang bervariasi dan tidak hanya 0 atau 1 yang didapat dari metode K- Means Clustering. Algoritma proses segmentasi citra bedasarkan warna yaitu input dari citra SPOT yang berupa citra RGB akan diproses oleh fungsi Fuzzy C-Means Clustering yang disebut juga sebagai proses pengolahan citra. Output yang dihasilkan dari proses pengolahan citra ini adalah derajat keanggotan dari setiap piksel berdasarkan masingmasing cluster. Output ini kemudian menjadi input untuk proses pengelompokan atau segmentasi, proses yang dilakukan adalah mengelompokan masing-masing piksel kedalam kelompok warna (cluster) masing-masing yang telah ditentukan berdasarkan derajat keanggotaan diatas 0,5. Proses ini akan menghasilkan output citra baru dengan pengelompokan berdasarkan warna (cluster) yang telah ditentukan dan output data baru yang berisi data citra per cluster yang ada. Output data baru tersebut yang akan digunakan dalam proses pembuatan citra baru hasil segmentasi, dimana citra baru

69 tersebut hanya akan menampilkan citra dengan warna sesuai dengan cluster yang telah ditentukan. Algoritma proses segmentasi citra ini dapat digambarkan sebagai berikut: Gambar 3.4 Algoritma proses segmentasi citra berdasarkan Fuzzy C-Means Dari penjelasan diatas dapat disimpulkan bahwa metode Fuzzy C-Means Clustering dapat digunakan untuk menyelesaikan masalah-masalah dalam proses segmentasi citra.

70 3.2 Perancangan Prosedur Segmentasi Citra SPOT Pada bagian ini akan dibahas mengenai perancangan untuk sistem pengelompokkan citra yang akan dibuat. Dimulai dari penjelasan tentang metode Fuzzy C-Means secara keseluruhan, termasuk didalamnya proses pengelompokkan citra, penjejakan kontur (Contour Tracing) adalah pemberian tepi pada gambar agar terlihat batas dari bagian-bagian yang dianggap berlainan obyek, dan kita dapat mengetahui bahwa obyek yang dipisahkan oleh garis batas tersebut adalah obyek yang berbeda. Citra yang dapat digunakan dan juga mengenai perancangan layar dari piranti lunak yang akan dibuat. Untuk lebih jelas tentang proses segmentasi citra yang akan dibahas pada bagian ini dapat dilihat pada contoh gambar dibawah ini. Gambar 3.5 Proses segmentasi Citra

71 Proses segementasi citra yang dilakukan dari gambar 3.5 yaitu proses memasukkan citra yang akan disegmentasi kedalam aplikasi (load image), lalu dilakukan proses pegelompokan citra yang terdiri dari proses Fuzzy C-Means dan proses Contour Tracing. Pada proses Fuzzy C-Means terjadi 3 proses didalamnya yaitu proses fuzzifikasi, pengelompokan (clustering), lalu defuzzifikasi. Output dari proses ini akan dilakukan proses perbaikan citra dengan metode penjejakan kontur (Contour Tracing). Setelah proses dari penjejakan kontur akan dihasilkan output berupa citra hasil segmentasi. 3.2.1 Gambaran Metode Fuzzy C-Means Fuzzifikasi adalah proses mengubah nilai-nilai yang tadinya bernilai pasti menjadi nilai yang bersifat samar. Contohnya: Andi berusia 50 tahun menjadi Andi tua. Defuzzifikasi adalah proses kebalikannya yaitu mengubah nilai yang bersifat samar menjadi nilai yang pasti. Sedangkan proses clustering di dalam Fuzzy C-Means mempunyai beberapa langkah penting. Langkah-langkah yang ditempuh dalam menggunakan metode Fuzzy C-Means adalah : 1. Pilih jumlah cluster atau jumlah segmentasi yang diinginkan. 2. Secara random inisialisasi sebanyak jumlah cluster yang diinginkan didalam gambar sebagai titik tengah dari cluster tersebut. 3. Komputasi titik tengah cluster-cluster tersebut.. 4. Pindahkan titik tengah cluster ke titik tengah baru yang didapat dari hasil komputasi.

72 5. Ulangi kedua langkah terakhir sampai kriteria konvergensi telah terpenuhi, atau sampai titik-titik tengah tersebut tidak berubah keadaannya. 6. Setelah kriteria tersebut terpenuhi, maka akan didapat derajat keanggotaan dari masing-masing data. 7. Klasifikasikan data tersebut kedalam cluster-cluster yang telah ditentukan. Untuk lebih jelas tentang langkah-langkah Fuzzy C-Means dapat dilihat pada gambar 3.6 dibawah ini Gambar 3.6 Langkah-langkah Fuzzy C-Means Fungsi Fuzzy C-Means ini telah disediakan oleh MATLAB 7.1 dan dapat langsung dipakai dengan fungsi sebagai berikut: [CENTER, U, OBJ_FCN] = FCM (DATA, N_CLUSTER) Input :

73 DATA = Matrix dari image yang ingin diproses N_CLUSTER = Jumlah cluster yang diinginkan Output : CENTER U = Matrix yang berisi centroid dari titik koordinat data. = Matrix grade dari titik koordinat data. Jika 0 = tidak masuk cluster, 1= masuk cluster tersebut. Jika antara 0-1 maka data tersebut masih merupakan milik cluster lain. Untuk contoh proses pengelompokkan tersebut dijalankan, dapat dilihat pada gambar dibawah ini dengan menggunakan 2 cluster. Gambar 3.7 Gambar Awal Contoh Proses Fuzzy C-Means

74 Gambar 3.8 Inisialisasi k Cluster Fuzzy C-Means Gambar 3.9 Pengambilan titik tengah Cluster Fuzzy C-Means

75 Gambar 3.10 Iterasi ke-5 Fuzzy C-Means Gambar 3.11 Iterasi ke-10 Fuzzy C-Means

76 Gambar 3.12 Iterasi ke-13 (stop karena tidak ada perubahan) U = 0.0025 0.9975 0.0091 0.9909 0.0129 0.9871 0.0001 0.9999 0.0107 0.9893 0.9393 0.0607 0.9638 0.0362 0.9574 0.0426 0.9906 0.0094 0.9807 0.0193

77 Membership function U: 1. 5 data pertama masuk pada cluster kedua 2. 5 data terakhir masuk pada cluster pertama 3.2.2 Penjejakan Kontur (Contour Tracing) Tujuan penjejakan kontur adalah pemberian tepi pada gambar agar terlihat batas dari bagian-bagian yang dianggap berlainan obyek, dan kita dapat mengetahui bahwa obyek yang dipisahkan oleh garis batas tersebut adalah obyek yang berbeda. Sebenarnya pokok dari proses penjejakan kontur ini adalah mengetahui sejauh mana luas wilayah suatu obyek yang terdapat pada citra. penjejakan kontur juga memudahkan kita untuk melakukan filling pada citra, agar citra yang kita lihat dapat lebih jelas. Proses filling ini digunakan agar tidak menimbulkan kerancuan obyek pada citra. penjejakan kontur banyak digunakan untuk citra-citra yang berbasiskan biner, atau disebut juga gambar hitam putih. Oleh karena itu citra yang akan dipakai dalam skripsi ini harus diubah dulu ke dalam format biner atau hitam putih agar dapat di trace batas-batasnya. Inti dari penjejakan kontur adalah berjalan disekitar wilayah hitam kembali ke titik hitam awal sehingga mendapatkan suatu area. Wilayah hitam yang dilalui oleh contour adalah yang termasuk dalam obyek dan wilayah putih yang dilalui contour adalah termasuk obyek lain. Cara kerja penjejakan kontur adalah selama pointer menunjuk warna hitam, maka pointer akan bergerak ke kiri, dan bila pointer menunjuk warna putih, maka pointer akan bergerak ke kanan. Dengan cara ini maka akan terbentuk area yang tertutup dengan garis batas yang terlihat dengan jelas. Contoh gambar penjejakan kontur yang telah disediakan MATLAB 7.1 adalah sebagai berikut :

78 Gambar 3.13 Contoh Gambar penjejakan kontur Langkah-langkah untuk menggunakan contour dalam gambar SPOT yang akan dipakai adalah: 1. Setelah gambar SPOT tersebut telah di-cluster dengan FCM maka gambar tersebut kita ubah menjadi gambar hitam putih/biner. 2. Trace garis-garis batas yang akan dibedakan obyeknya. 3. Setelah mendapatkan garis-garis batas tersebut, maka ubah gambar hitam putih tersebut ke bentuk warna lagi atau bentuk RGB. 4. Hasil dari garis batas tersebut adalah obyek-obyek berbeda, dalam hal ini obyek perumahan, laut/danau, daratan, gunung, dan lain-lain. dibawah ini. Untuk lebih jelas tentang proses penjejakan kontur dapat dilihat pada gambar

79 Gambar 3.14 Proses Penjejakan Kontur 3.2.3 Citra yang Dapat Dipakai Untuk melakukan penelitian tentang pengelompokkan citra menggunakan kita harus mengetahui citra yang akan dipakai. Dalam hal ini citra yang dipakai adalah citra dari gambar satelit yang berisi perumahan, jalan, laut, dll atau disebut juga SPOT. Contoh citra-citra yang dapat dipakai adalah sebagai berikut:

80 Gambar 3.15 Contoh citra yang dapat dipakai Dari gambar 3.15 kita mengetahui citra yang dapat dipakai sebagai sistem pengelompokkan citra pada skripsi ini. Citra yang dipakai kemudian di-load kedalam program, dan kemudian dilakukan proses pengelompokkannya. Didalam proses pengelompokkan, citra akan diubah menjadi format biner atau hitam putih agar dapat di penjejakan kontur. Citra yang hitam putih tersebut setelah mendapatkan hasil contournya akan diubah kembali menjadi bentuk warna / RGB sehingga terlihat dengan jelas bentuk obyek yang dibedakan. 3.2.4 Rancangan Aplikasi Agar mempermudah penelitian ini maka dilakukan perancangan sebuah aplikasi untuk membantu pemahaman tentang proses segmentasi citra SPOT dan membantu proses evaluasi penelitian ini. Aplikasi ini terdiri dari 2 fungsi utama yaitu: 1. Fungsi Fuzzy C-Means Segmentation Fungsi ini akan melakukan proses segmentasi citra dengan metode Fuzzy C- Means Clustering yang akan menghasilkan citra baru hasil segmentasi.

81 2. Fungsi Show Information Fungsi ini akan mengolah citra baru hasil segmentasi menjadi informasiinformasi yang lebih mudah dimengerti dan dipahami. Layar aplikasi ini dirancang dalam 3 bagian utama, yaitu Menu Area, Picture Area, Segmentation Menu, dan Information Area. Menu Area merupakan menu bar. Picture Area adalah tempat menunjukkan input dan output dari citra yang ingin ditampilkan. Menu Area adalah tombol-tombol dari perintah untuk melakukan segmentasi citra. Information Area berisi informasi-informasi yang ditampilkan dari hasil segmentasi. Gambar 3.16 Rancangan Area Layar

82 Menu Area terdiri dari 3 menu, yaitu menu File yang terdiri dari Open Image dan Save Image, yang akan digunakan untuk me-load citra yang akan di segmentasi maupun menyimpan citra yang sudah disegmentasi ke dalam komputer. Menu berikutnya adalah menu About Us yang menampilkan pembuat aplikasi. Selanjutnya adalah menu Exit yang akan digunakan untuk keluar dari program. Picture Area adalah tempat yang akan digunakan untuk citra yang di-load dari sub menu Open Image yaitu satu buah axes. Segmentation Menu terdiri dari 2 button yaitu: 1. 1 tombol Fuzzy C-Means Segmentation untuk memproses citra dengan metode Fuzzy C-Means. 2. 1 tombol Show Information digunakan untuk mengolah citra output hasil segmentasi dan menampilkannya di Information Area. Information Area adalah tempat yang akan digunakan untuk menampilkan informasi yang didapat dari citra output hasil segmentasi Fuzzy C-Means, dimana terdapat 6 tombol berdasarkan masing-masing warna cluster dan interpretasi warna tersebut agar mudah dimengerti oleh user, serta persentase jumlah warna tersebut yang terdapat dalam citra output tersebut. Lebih jelasnya diperlihatkan seperti gambar dibawah ini :

Gambar 3.17 Rancangan Layar 83