SEGMENTASI CITRA BERBASIS CLUSTERING MENGGUNAKAN ALGORITMA FUZZY C-MEANS DAN CAT SWARM OPTIMIZATION

TESIS

SEGMENTASI CITRA BERBASIS CLUSTERING MENGGUNAKAN ALGORITMA FUZZY C-MEANS DAN CAT SWARM OPTIMIZATION

I MADE BUDI ADNYANA

PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2015

TESIS


I MADE BUDI ADNYANA NIM 1191761012

PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2015


Tesis untuk Memperoleh Gelar Magister pada Program Magister, Program Studi Teknik Elektro, Program Pascasarjana Universitas Udayana

I MADE BUDI ADNYANA NIM 1191761012

PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2015

ii

Lembar Pengesahan

TESIS INI TELAH DISETUJUI PADA TANGGAL 21 APRIL 2015

Dosen Pembimbing I,

Dosen Pembimbing II,

(Prof. Dr. IKG Darma Putra, S.Kom.,MT.) NIP. 19740424 199903 1 003

(Dr.Eng. I Putu Agung Bayupati, ST.,MT.) NIP. 19750423 200312 1 002

Mengetahui

Ketua Program Magister Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana

Direktur Program Pascasarjana Universitas Udayana

(Prof. Ir. Ida Ayu Dwi Giriantari, M.EngSc.,PhD.) NIP. 196512131991032001

(Prof. Dr. dr. A.A Raka Sudewi, Sp.S(K)) NIP. 195902151985102001

iii

Tesis Ini Telah Diuji pada Tanggal 10 April 2015

Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana, No : 1135/UN14.4/HK/2015 Tanggal 10 April 2015

Ketua

: Prof. Dr. IKG Darma Putra, S.Kom,. MT.

Anggota : 1.

Dr.Eng. I Putu Agung Bayupati, ST.,MT

2.

Prof. Ir. I.A Dwi Giriantari, MEngSc.,PhD

3.

Ni Made Ary Esta Dewi Wirastuti, ST,. MSc,.PhD

4.

Ir. Linawati, MEngSc.,PhD

iv

SURAT PERNYATAAN BEBAS PLAGIAT

Saya yang bertanda tangan dibawah ini : Nama

: I Made Budi Adnyana

NIM

: 1191761012

Program Studi : Magister Teknik Elektro Judul Tesis

: Segmentasi Citra Berbasis Clustering Menggunakan Algoritma Fuzzy C Means Dan Cat Swarm Optimization

Dengan ini menatakan bahwa karya ilmiah Tesis ini bebas plagiat. Apabila di kemudian hari terbukti plagiat dalam karya ilmiah ini, maka saya bersedia menerima sanksi sesuai peraturan Mendiknas RI No. 17 tahun 2010 dan Peraturan Perundang-undangan yang berlaku

Denpasar, 13 April 2015 Yang membuat pernyataan,

I Made Budi Adnyana

v

UCAPAN TERIMA KASIH Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas segala berkah, semangat, kekuatan, dan karunia yang telah diberikan-Nya sehingga penulis dapat menyelesaikan penyusunan laporan tesis ini. Pada kesempatan ini perkenankanlah penulis mengucapkan terima kasih yang sebesar-besarnya kepada Prof. Dr. IKG Darma Putra, S.Kom.,MT. selaku pembimbing I yang dengan penuh perhatian telah memberikan ilmu, bimbingan, saran dan motivasi selama penulis mengikuti program magister, khususnya dalam penyelesaian tesis ini. Terima kasih sebesar-besarnya pula penulis ucapkan kepada Dr.Eng. I Putu Agung Bayupati, ST.,MT, selaku pembimbing II yang dengan penuh perhatian dan kesabaran telah memberikan bimbingan dan saran dalam menyelesaikan tesis ini. Ucapan terima kasih juga penulis sampaikan kepada Rektor Universitas Udayana Prof.Dr.dr. Ketut Suastika, SpPD KEMD atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister di Universitas Udayana. Ucapan terima kasih ini juga ditujukan kepada Direktur Program Pascasarjana Universitas Udayana yang dijabat oleh Prof. Dr. dr. A.A Raka Sudewi, Sp.S (K) atas kesempatan yang diberikan kepada penulis untuk menjadi mahasiswa Program Magister Universitas Udayana. Tidak lupa pula penulis ucapkan terima kasih kepada Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D sebagai Ketua Program Magister Program Studi Teknik Elektro Program Pasca Sarjana Universitas Udayana. Ucapan terima kasih juga penulis sampaikan kepada Bapak dan Ibu dosen Program Studi Teknik Elektro Program Pasca Sarjana Universitas Udayana beserta staff dan karyawan yang telah memberikan ilmu dan bimbingan kepada penulis selama mengikuti Program Magister di Universitas Udayana. Pada kesempatan ini penulis menyampaikan ucapan terima kasih yang tulus disertai penghargaan kepada seluruh guru-guru yang yang telah membimbing penulis, mulai dari sekolah dasar sampai perguruan tinggi. Juga penulis ucapkan terima kasih kepada Ayah dan Ibu yang telah membesarkan penulis, memberikan dorongan, motivasi, dan bantuan selama menempuh Program Magister Universitas Udayana. Ucapan terima kasih juga penulis sampaikan kepada kakak dan adik yang telah memberikan dukungan. Akhirnya penulis sampaikan terima kasih kepada Wangi tercinta yang tiada henti memberikan perhatian, dorongan, motivasi, dan bantuan kepada penulis selama mengikuti Program Magister di Universitas Udayana. Semoga Tuhan Yang Maha Esa selalu meilmpahkan rahmat-Nya kepada semua pihak yang telah membantu pelaksanaan dan penyelesaian tesis ini, serta kepada penulis sekeluarga.

Denpasar, April 2015 Penulis

vi

Abstrak

Segmentasi citra berbasis clustering pada penelitian ini menggunakan metode Fuzzy C Means dioptimasi dengan algoritma Cat Swarm Optimization untuk mendapatkan pusat cluster yang lebih optimal. Preprocessing diterapkan pada citra uji menggunakan metode Statistical Region Merging. Fungsi objektif yang digunakan pada metode yang diusulkan adalah Xie Beni Index. Evaluasi sistem menggunakan dua pendekatan, yaitu dengan pengukuran nilai cluster validity menggunakan Xie Beni Index, dan perbandingan hasil menggunakan kuesioner. Hasil pengujian menunjukan algoritma FCM-CSO menghasilkan segmentasi yang lebih baik daripada FCM standar. Kata Kunci : segmentasi, cat swarm optimization, fuzzy c means, clustering

vii

Abstract Fuzzy C Means with the Cat Swarm Optimization used in clusteringbased image segmentation to obtain the optimum cluster center. Preprocessing is applied in the image test by using Statistical Region Merging. Xie-Beni Index is used in the proposed method as the objective function. Two approaches are used to evaluate the system as follows, Xie - Beni Index used in measuring the cluster validity value and questionnaire as the result comparison. The result indicated that FCM – CSO algorithm produced better segmentation than the standard FCM. Keywords : segmentation, cat swarm optimization, fuzzy c means, clustering

viii

DAFTAR ISI

SAMPUL DALAM .................................................................................................. i PERSYARATAN GELAR ..................................................................................... ii PERSETUJUAN PEMBIMBING.......................................................................... iii PENETAPAN PANITIA PENGUJI ...................................................................... iv SURAT PERNYATAAN BEBAS PLAGIAT........................................................ v UCAPAN TERIMA KASIH .................................................................................. vi ABSTRAK ............................................................................................................ vii ABSTRACT ........................................................................................................... viii DAFTAR ISI .......................................................................................................... ix DAFTAR GAMBAR ............................................................................................. xi DAFTAR TABEL ................................................................................................ xiii DAFTAR LAMPIRAN ........................................................................................ xiv DAFTAR ISTILAH DAN SINGKATAN ............................................................ xv BAB I PENDAHULUAN ....................................................................................... 1 1.1.

Latar Belakang ......................................................................................... 1

1.2.

Rumusan Masalah .................................................................................... 4

1.3.

Batasan Masalah ....................................................................................... 4

1.4.

Tujuan Penelitian ...................................................................................... 6

1.5.

Manfaat Penelitian .................................................................................... 6

1.6.

Keaslian Penelitian ................................................................................... 7

BAB II TINJAUAN PUSTAKA............................................................................. 8 2.1.

State of the Art .......................................................................................... 8

2.2.

Segmentasi Citra....................................................................................... 9

2.3.

Segmentasi Citra Berbasis Clustering .................................................... 11

2.4.

Algoritma Fuzzy C-Means ..................................................................... 12

2.5.

Cat Swarm Optimization ........................................................................ 16

BAB III METODE PENELITIAN........................................................................ 26 3.1.

Tempat dan Waktu Penelitian ................................................................ 26

ix

3.2.

Sistematika Penelitian ............................................................................ 26

3.3.

Studi Pustaka .......................................................................................... 27

3.4.

Pengumpulan Data ................................................................................. 28

3.5.

Gambaran Umum Sistem ....................................................................... 29

3.6.

Instrumen Penelitian ............................................................................... 52

BAB IV HASIL DAN PEMBAHASAN .............................................................. 53 4.1.

Antarmuka Sistem .................................................................................. 53

4.2.

Eksekusi Program ................................................................................... 56

4.3.

Perbandingan Hasil................................................................................. 78

4.4.

Analisa Hasil Kuesioner ......................................................................... 85

BAB V KESIMPULAN DAN SARAN................................................................ 91 5.1.

Kesimpulan ............................................................................................. 91

5.2.

Saran ....................................................................................................... 92

DAFTAR PUSTAKA ........................................................................................... 93 LAMPIRAN .......................................................................................................... 95

x

DAFTAR GAMBAR

Gambar 2.1 Bagan Umum Algoritma Fuzzy C Means ..........................................16 Gambar 2.2 Algoritma Cat Swarm Optimization ..................................................25 Gambar 3.1 Sistematika Penelitian ........................................................................27 Gambar 3.2 Gambaran Umum Sistem ...................................................................29 Gambar 3.3 Citra uji ...............................................................................................31 Gambar 3.4 Citra ground truth segmentation ........................................................32 Gambar 3.5 Segmentasi citra menggunakan Algoritma FCM-CSO ......................34 Gambar 3.6 Diagram Alur SRM ............................................................................36 Gambar 3.7 Contoh spatial information 5x5 window pada citra sampel ...............40 Gambar 3.8 Draft Kuesioner ..................................................................................51 Gambar 4.1 Tampilan Aplikasi Segmentasi Citra FCM-CSO ...............................53 Gambar 4.2 Contoh tampilan citra uji pada aplikasi ..............................................54 Gambar 4.3 Contoh tampilan parameter ................................................................55 Gambar 4.4 Tampilan proses segmentasi citra pada aplikasi ................................56 Gambar 4.5 Tampilan hasil pada tab “Results” .....................................................57 Gambar 4.6 Tampilan simpan hasil pengujian .......................................................58 Gambar 4.7 Hasil segmentasi citra “horses.png” dengan metode FCM standar ...60 Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar .....62 Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar 64 Gambar 4.10 Hasil segmentasi citra “duck.png” dengan metode FCM standar ....66 Gambar 4.11 Hasil segmentasi citra “carriage.png” dengan metode FCM standar68 Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM-CSO .....70 Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCM-CSO ......72 Gambar 4.14 Hasil segmentasi citra “redberry.png” dengan metode FCM-CSO..74 Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCM-CSO ......76 Gambar 4.16 Hasil segmentasi citra “carriage.png” dengan metode FCM-CSO ..78 Gambar 4.17 Perbandingan hasil segmentasi citra uji “horses.png” .....................82 Gambar 4.18 Perbandingan hasil segmentasi citra uji “chain.png” .......................82

xi

Gambar 4.19 Perbandingan hasil segmentasi citra uji “redberry.png” ..................83 Gambar 4.20 Perbandingan hasil segmentasi citra uji “duck.png” ........................83 Gambar 4.21 Perbandingan hasil segmentasi citra uji “carriage.png” ...................84

xii

DAFTAR TABEL

Tabel 4.1 Hasil uji citra “horses.png” dengan FCM standar..................................59 Tabel 4.2 Hasil uji citra “chain.png” dengan FCM standar ...................................61 Tabel 4.3 Hasil uji citra “redberry.png” dengan FCM standar ..............................63 Tabel 4.4 Hasil uji citra “duck.png” dengan FCM standar ....................................65 Tabel 4.5 Hasil uji citra “carriage.png” dengan FCM Standar ..............................67 Tabel 4.6 Hasil uji citra “horses.png” dengan FCM-CSO .....................................69 Tabel 4.7 Hasil uji citra “chain.png” dengan FCM-CSO.......................................71 Tabel 4.8 Hasil uji citra “redberry.png” dengan FCM-CSO..................................73 Tabel 4.9 Hasil uji citra “duck.png” dengan FCM-CSO .......................................75 Tabel 4.10 Hasil uji citra “carriage.png” dengan FCM-CSO ................................77 Tabel 4.11 Perbandingan waktu eksekusi (detik) ..................................................79 Tabel 4.12 Perbandingan jumlah iterasi .................................................................79 Tabel 4.13 Perbandingan nilai Xie-Beni Index ......................................................80 Tabel 4.14 Perbandingan rata-rata iterasi, waktu eksekusi dan XB Index.............81 Tabel 4.15 Rangkuman hasil kuesioner citra uji “horses.png” ..............................85 Tabel 4.16 Rangkuman hasil kuesioner citra uji “chain.png”................................87 Tabel 4.17 Rangkuman hasil kuesioner citra uji “redberry.png” ...........................88 Tabel 4.18 Rangkuman hasil kuesioner citra uji “duck.png”.................................88 Tabel 4.19 Rangkuman hasil kuesioner citra uji “carriage.png” ...........................89

xiii

DAFTAR LAMPIRAN

Lampiran 1 : Kuesioner Perbandingan Hasil Segmentasi Citra .............................95

xiv

DAFTAR ISTILAH DAN SINGKATAN

CD

: Changed Dimension

CSO

: Cat Swarm Optimization

FCM

: Fuzzy C-Means

FCM-CSO

: Algoritma hybrid Fuzzy C-Means dengan Cat Swarm Optimization

GA

: Genetic Algorithm

Matriks partisi

: Matriks yang menunjukkan derajat keanggotaan terhadap cluster dalam Fuzzy C-Means

MR

: Mixture Ratio

MRI

: Magnetic Resonance Image

PSO

: Particle Swarm Optimization

Responden

: Orang atau pihak yang mengisi kuisioner

RGB

: Red Green Blue

Skala Likert

: Skala psikometrik yang umum digunakan dalam kuisioner, dimana responden menentukan tingkat persetujuan mereka terhadap suatu pertanyaan dengan memilih salah satu pilihan yang tersedia, misalnya : sangat baik, baik, buruk, sangat buruk.

SM

: Seeking Memory, variabel pada algoritma Cat Swarm Optimization

SPF

: Self Position Flag

SR

: Seeking Range

SSE

: Sum of Squared Error

Stopping criteria

: Kriteria untuk berhenti dalam suatu proses iterasi

xv

1

BAB I PENDAHULUAN

1.1. Latar Belakang Segmentasi merupakan suatu bagian yang sangat penting dalam analisis citra secara otomatis, sebab pada prosedur ini obyek yang diinginkan akan dianalisis untuk proses yang lebih lanjut, misalnya pada pengenalan pola. Segmentasi citra (image segmentation) berfungsi membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya (pada citra grayscale), kemudian hasil dari proses segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses identifikasi objek, yang dapat diterapkan pada berbagai aplikasi seperti robotics, security, machine vision dan analisis pada neural imaging scans. Terdapat dua pendekatan utama dalam segmentasi citra yaitu didasarkan pada tepi (edge-based) dan didasarkan pada wilayah (region-based). Segmentasi didasarkan pada tepi membagi citra berdasarkan diskontinuitas di antara subwilayah (sub-region), sedangkan segmentasi yang didasarkan pada wilayah bekerjanya berdasarkan keseragaman yang ada pada sub-wilayah tersebut. Pada bidang computer vision, segmentasi mengacu pada proses pembagian citra digital ke dalam multiple region (himpunan piksel). Tujuan akhir dari segmentasi adalah

2

menyederhanakan dan atau merubah representasi suatu citra ke dalam gambaran yang lebih mempunyai arti dan lebih mudah untuk dianalisis. Segmentasi citra secara khusus digunakan untuk melokalisasi objek atau batas (bisa berupa garis dan kurva) dalam citra. Hasil dari segmentasi citra adalah sekumpulan wilayah yang melingkupi citra tersebut, atau sekumpulan kontur yang diekstrak dari citra (pada deteksi tepi). Salah satu teknik dalam segmentasi citra adalah dengan clustering. Clustering merupakan metode mengelompokkan atau mempartisi data dalam suatu dataset, dimana dalam segmentasi citra data yang dikelompokkan adalah piksel-piksel citra. Segmentasi citra berbasis clustering ini dapat diterapkan pada citra berwarna maupun citra grayscale. Terdapat beberapa algoritma clustering yang dapat digunakan dalam menyelesaikan permasalahan segmentasi citra seperti algoritma K-means, Fuzzy C-Means, ISODATA, dan Snob. Fuzzy C-Means merupakan algoritma yang populer digunakan dalam teknik fuzzy clustering. Pengembangan algoritma Fuzzy C-Means untuk segmentasi citra ini pun telah dilakukan

dengan

mengkombinasikannya

dengan

beberapa

algoritma

metaheuristik atau algoritma optimasi seperti genetic algorithm (Amiya Halder dkk, 2011) dan particle swarm optimization (Mahamed G. H. dkk, 2005) untuk mendapatkan hasil yang lebih optimal. Seiring dengan perkembangan teknologi, perkembangan teknik-teknik segmentasi citra pun juga berkembang untuk memperoleh hasil yang lebih bagus dan berkualitas. Meskipun demikian, terkadang segmentasi citra memberikan hasil yang kurang memuaskan pada suatu citra tertentu. Hal ini dapat dipengaruhi

3

oleh beberapa faktor variasi yang terdapat pada citra itu sendiri seperti pencahayaan, citra yang mengalami degradasi atau citra yang warnanya kabur, dan citra yang berisi noise. Selain itu dapat juga disebabkan oleh algoritmaalgoritma yang digunakan belum mampu melakukan segmentasi citra dengan baik. Maka diperlukan suatu pengembangan model algoritma untuk melakukan segmentasi citra agar memperoleh hasil lebih bagus yang dapat diterapkan pada berbagai macam citra. Shu Chuan Chu (2006) mengusulkan sebuah algoritma baru dalam teknik optimasi yang meniru perilaku kucing yang diberi nama Cat Swarm Optimization (CSO). Algoritma ini memiliki sejumlah kelebihan dalam menyelesaikan permasalahan-permasalahan

optimasi

dibandingkan

dengan

teknik-teknik

sebelumnya seperti Particle Swarm Optimization (PSO) ataupun PSO dengan Weighting Factor (S. C. Chu dkk, 2006). Awalnya algoritma ini masih digunakan untuk menyelesaikan unconstrained minimization problem. Seiring dengan perkembangan teknologi, algoritma ini pun telah diimplementasikan pada berbagai permasalahan dalam data mining, seperti clustering dan classification (Yongguo Liu dkk, 2010). Algoritma ini juga pernah diterapkan pada bidang pengolahan citra digital, yaitu pada permasalahan image edge enhancement dengan

menggunakan

smoothening

filter.

Hasil

evaluasi

model

yang

dikembangkan menunjukkan bahwa model yang dikembangkan dengan CSO menghasilkan citra dengan kualitas yang lebih bagus dibandingkan dengan GA (Tirimula Rao Benala dkk, 2011). Namun algoritma ini sama sekali belum pernah

4

digunakan untuk menyelesaikan permasalahan segmentasi citra khususnya segmentasi citra berbasis clustering dengan algoritma Fuzzy C-Means. Usulan penelitian ini mencoba menerapkan algoritma Fuzzy C Means dioptimasi dengan algoritma Cat Swarm Optimization untuk melakukan proses segmentasi citra berbasis clustering. Citra uji yang akan digunakan untuk uji coba dari model yang dikembangkan ini adalah beberapa standar test image yang biasa digunakan oleh para peneliti untuk menguji algoritma yang dikembangkan. Untuk mengetahui unjuk kerja dari model algoritma yang dikembangkan ini maka output yang dihasilkan akan dikomparasi dengan output dari algoritma Fuzzy C-Means standar. 1.2. Rumusan Masalah Berdasarkan latar belakang yang dipaparkan diatas, maka permasalahanpermasalahannya dapat dirumuskan sebagai berikut : 1) Bagaimana menerapkan algoritma hybrid FCM-CSO yang terdiri dari Fuzzy C-Means dan Cat Swarm Optimization pada segmentasi citra. 2) Bagaimana unjuk kerja segmentasi citra dengan menggunakan algoritma FCM-CSO. 1.3. Batasan Masalah Agar ruang lingkup penelitian tidak terlalu luas, maka diperlukan suatu batasan-batasan pada permasalahan yang diangkat. Adapun batasan-batasan yang terdapat pada penelitian yang diusulkan ini adalah sebagai berikut:

5

1) Algoritma Cat Swarm Optimization digunakan untuk mengoptimasi perubahan pusat cluster pada algoritma Fuzzy C Means sehingga diharapkan dapat menghasilkan pusat cluster yang lebih bagus. 2) Terdapat proses pre-processing yang terdiri dari Statistical Region Merging dan Color Correction untuk menyederhanakan kompleksitas warna pada citra uji sehingga lebih mudah disegmentasi. 3) Algoritma FCM-CSO yang dikembangkan dalam penelitian ini menerapkan spatial function untuk mengurangi kesalahan clustering akibat citra yang mengandung noise 4) Algoritma FCM-CSO ini akan diujikan pada 5 buah citra standar test image yang diperoleh dari Weizmann Segmentation Dataset. 5) Output dari sistem ini adalah berupa citra yang sudah tersegmentasi sesuai dengan jumlah clusternya. 6) Hasil segmentasi citra dengan algoritma FCM-CSO dikomparasi dengan algoritma Fuzzy C-Means standar untuk mengetahui perbedaan output yang dihasilkan atau sebagai benchmark. 7) Perbandingan hasil antara algoritma FCM-CSO dengan algoritma Fuzzy C Means standar dilakukan dengan menggunakan dua pendekatan, yaitu : a) Perbandingan hasil berdasarkan unjuk kerja sistem meliputi perbandingan nilai cluster validity index, rata-rata waktu eksekusi, dan rata-rata jumlah iterasi.

6

b) Perbandingan hasil menggunakan

metode kuesioner untuk

mengetahui hasil segmentasi citra berdasarkan persepsi dari responden.

1.4. Tujuan Penelitian Adapun tujuan dari penelitian ini adalah sebagai berikut: 1) Menerapkan metode optimasi Cat Swarm Optimization pada metode clustering Fuzzy C-Means untuk melakukan proses segmentasi citra. 2) Mengetahui unjuk kerja segmentasi citra dengan menggunakan metode FCM-CSO. 3) Mengetahui perbandingan hasil segmentasi citra antara metode FCMCSO dengan metode Fuzzy C-Means standar yang digunakan sebagai benchmark. 1.5. Manfaat Penelitian Adapun manfaat yang diharapkan bisa diperoleh dari penelitian ini adalah sebagai berikut: 1) Dihasilkannya

model

algoritma

kombinasi

untuk

menyelesaikan

permasalahan segmentasi citra sehingga dapat menghasilkan output berupa citra yang tersegmentasi. 2) Dihasilkannya citra tersegmentasi diharapkan dapat digunakan dengan baik untuk proses lanjut dalam pengolahan citra, seperti proses klasifikasi citra atau pengenalan objek.

7

3) Diterapkannya algoritma Cat Swarm Optimization pada permasalahan segmentasi citra diharapkan dapat menjadi acuan pengembangan atau penelitian yang lebih lanjut di bidang pengolahan citra digital.

1.6. Keaslian Penelitian Algoritma clustering Fuzzy C-Means telah banyak digunakan dalam menyelesaikan permasalahan segmentasi citra dan telah dikembangkan dengan algoritma-algoritma lainnya, seperti genetic algorithm (GA), particle swarm optimization (PSO) dan sebagainya. Algoritma Cat Swarm Optimization merupakan sebuah algoritma optimasi baru yang ditemukan pada Tahun 2006 dimana algoritma ini belum pernah sama sekali diterapkan dengan algoritma Fuzzy C-Means dalam menyelesaikan permasalahan segmentasi citra. Mengingat kebutuhan akan pengolahan citra digital yang semakin luas dan kompleks serta penelitian ini belum pernah dilakukan sebelumnya, maka pengembangan model ini akan sangat menarik untuk dilakukan.

8

BAB II TINJAUAN PUSTAKA

2.1. State of the Art Algoritma

Fuzzy

C-Means

populer

digunakan

dalam

berbagai

permasalahan clustering, salah satunya dalam permasalahan segmentasi citra yang berbasis clustering. Algoritma Fuzzy C-Means yang masih standar akan menimbulkan kelemahan dalam melakukan segmentasi citra yang mengandung noise. Penelitian telah dilakukan dengan mengembangkan algoritma Fuzzy CMeans ini dengan menambahkan spatial function untuk menangani masalah ini (Keh-Shih Chuang dkk, 2006). Seiring dengan perkembangan waktu, algoritma Fuzzy C-Means ini telah diadaptasikan dengan berbagai algoritma metaheuristik seperti Genetic Algorithm (Amiya Halder dkk, 2011) dan algoritma Particle Swarm Optimization yang telah termodifikasi (Mahamed G. H. dkk, 2005). Tujuan diterapkannya algoritmaalgoritma ini adalah untuk mendapatkan hasil segmentasi citra yang lebih bagus. Pada kedua penelitian tersebut peneliti menerapkan model algoritmanya ke berbagai jenis citra uji standar, selanjutnya membandingkan hasilnya dengan berbagai algoritma lain yang sudah pernah dikembangkan sebelumnya. Hasil komparasinya

menunjukkan

algoritma

yang

mereka

usulkan

tersebut

menghasilkan segmentasi yang lebih baik, namun hanya pada beberapa jenis citra.

9

Sebuah algoritma optimasi yang termasuk dalam swarm intelligence ditemukan pada Tahun 2006 dengan melakukan observasi terhadap perilaku cat atau kucing yang disebut dengan Cat Swarm Optimization (S. C. Chu dkk, 2006). Algoritma Cat Swarm Optimization ini pun telah dikembangkan untuk menyelesaikan permasalahan clustering dalam kasus-kasus data mining (Yongguo Liu dkk, 2010). Pada bidang pengolahan citra digital, algoritma Cat Swarm Optimization ini sudah pernah diterapkan oleh Tirimula Rao Benala dkk (2011) pada permasalahan image edge enhancement. Algoritma Cat Swarm Optimization ini dikomparasi dengan Algoritma Genetika (GA) untuk membuat model hybrid smothening filter. Model ini menggunakan berbagai macam teknik filter dasar seperti mean, median, mode, circular, pyramidal, dan cone. Selanjutnya teknikteknik filter tersebut dioptimasi menggunakan CSO dan GA. Hasil evaluasi model ini menunjukkan bahwa model yang dikembangkan dengan CSO menghasilkan citra dengan kualitas yang lebih bagus (Tirimula Rao Benala dkk, 2011). Oleh karena itu, akan menjadi sesuatu yang baru jika algoritma Cat Swarm Optimization ini dapat diterapkan dalam menyelesaikan permasalahan segmentasi citra dimana model ini akan digunakan untuk mengoptimasi algoritma Fuzzy C-Means untuk menghasilkan soft clustering. 2.2. Segmentasi Citra Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar

10

(peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Input dari pengolahan citra adalah citra, sedangkan output-nya adalah citra hasil pengolahan. Segmentasi citra merupakan bagian dari proses pengolahan citra. Proses segmentasi citra ini lebih banyak merupakan suatu proses pra pengolahan pada sistem pengenalan objek dalam citra. Segmentasi citra (image segmentation) mempunyai arti membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya, kemudian hasil dari proses segmentasi ini akan digunakan untuk proses tingkat tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra, misalnya proses klasifikasi citra dan proses identifikasi objek. Adapun dalam proses segmentasi citra itu sendiri terdapat beberapa algoritma, diantaranya : algoritma Deteksi Titik, Deteksi Garis, dan Deteksi Sisi (berdasarkan Operator Robert dan Operator Sobel). Segmentasi citra merupakan suatu bagian yang sangat penting dalam analisis citra secara otomatis, sebab pada prosedur ini obyek yang diinginkan akan di-scan untuk proses selanjutnya, misalnya: pada pengenalan pola. Algoritma segmentasi didasarkan pada dua buah karakteristik nilai derajat kecerahan citra, yaitu: discontinuity dan similarity. Kategori pertama, citra dipisahkan/dibagi atas

11

dasar perubahan yang mencolok dari derajat kecerahannya. Aplikasi yang umum adalah untuk deteksi titik, garis, area, dan sisi citra. Selanjutnya pada kategori kedua, didasarkan atas thresholding, region growing, region splitting and merging, dan segmentasi berbasis clustering. Prinsip segmentasi citra bisa diterapkan untuk citra yang statis maupun dinamis. 2.3. Segmentasi Citra Berbasis Clustering Segmentasi citra berbasis clustering menggunakan data multidimensi untuk mengelompokkan piksel citra ke dalam beberapa clustering. Data multidimensi pada citra ini maksudnya adalah banyaknya atribut atau komponen penyusun suatu citra, misalnya citra grayscale mempunyai satu buah dimensi, citra RGB mempunyai tiga buah dimensi, dan sebagainya. Pada umumnya piksel di-clustering berdasarkan kedekatan jarak antar piksel. Segmentasi berbasis clustering ini mulai populer sejak diimplementasikan pada aplikasi OCR (Optical Character

Recognition),

pengenalan

sidik

jari

hingga remote sensing.

Keberhasilan dari proses segmentasi berbasis clustering ini ditentukan dari keberhasilan dalam mengelompokkan fitur-fitur yang berdekatan ke dalam satu cluster (Darma Putra, 2010). Metode-metode dalam segmentasi berbasis clustering di antaranya adalah metode iterasi, K-Means, Fuzzy C-means, jaringan syaraf Kohonen, dan berbagai teknik cluster lainnya. Salah satu metode yang sangat baik digunakan untuk segmentasi citra adalah Fuzzy C-Means clustering. Fuzzy C-Means ini merupakan algoritma k-means yang diimprovisasi dengan Fuzzy Set Theory dengan menerapkan derajat keanggotaan, dimana satu piksel citra dapat dimiliki oleh

12

beberapa cluster. “Soft” clustering ini memberikan komputasi yang lebih tepat dalam menentukan keanggotaan dari cluster. 2.4. Algoritma Fuzzy C-Means Fuzzy C-Means (FCM) clustering merupakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat keanggotaannya. 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 masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat cluster akan menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat dari cluster yang terboboti oleh derajat keanggotaan titik data dari himpunan fuzzy tersebut. Algoritma Fuzzy C Means pertama kali diperkenalkan oleh Dunn (1974), kemudian dikembangkan oleh Bezdek (1981), kemudian direvisi oleh Rouben (1982), Trauwert (1985), Goth dan Geva (1989), Gu dan Gubuisson (1990), Xie dan Beni (1991). Namun, algoritma FCM dari Bezdek yang paling banyak digunakan. Fuzzy C-Means adalah salah satu teknik pengelompokkan data yang mana keberadaan tiap titik data dalam suatu kelompok (cluster) ditentukan oleh derajat keanggotan. Berbeda dengan k-means clustering, dimana suatu objek

13

hanya akan menjadi anggota satu cluster, dalam Fuzzy C-Means setiap objek dapat menjadi anggota dari beberapa cluster. Batas-batas dalam k-means adalah tegas (hard) sedangkan dalam Fuzzy C-Means adalah soft. Fuzzy C-Means bersifat sederhana, mudah diimplementasikan, memiliki kemampuan untuk mengelompokkan data yang besar, lebih kokoh terhadap data outlier. Langkah-langkah algoritma Fuzzy C-Means adalah sebagai berikut: 1) Peng-input-an data yang akan di cluster X, berupa matriks berukuran nxm. dengan : n : jumlah data sample m : atribut setiap data Xij : data sample ke-i (i = 1,2,…,n), atribut ke-j (j = 1,2,…,m) 2) Menentukan: a. Jumlah cluster : c b. Pangkat : m c. Maksimum iterasi : MaxIter d. Error terkecil yang diharapkan : ξ e. Fungsi obyektif awal : P0 = 0 f. Iterasi awal : t = 1 3) Membangkitkan nilai acak µik, i=1,2,…,n; k=1,2,…,c; sebagai elemenelemen matriks partisi awal u. µik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Posisi dan nilai matriks dibangun secara random. Dimana nilai keanggotaan terletak pada interval 0 sampai dengan

14

1. Pada posisi awal matriks partisi U masih belum akurat begitu juga pusat clusternya. Sehingga kecendrungan data untuk masuk suatu cluster juga belum akurat. Selanjutnya menghitung jumlah setiap kolom (atribut) =

µ

(2.1)

Qj adalah jumlah nilai derajat keanggotaan perkolom = 1 dengan j=1,2,…m Selanjutnya dilakukan perhitungan sebagai berikut :

µ

=

µ

(2.2)

4) Menghitung pusat cluster ke-k : Vkj ,dengan k=1,2,…c; dan j=1,2,…m.

=

((µ ) ∗ (µ )

)

(2.3)

5) Menghitung fungsi obyektif pada iterasi ke-t, Pt. Fungsi obyektif digunakan sebagai syarat perulangan untuk mendapatkan pusat cluster yang tepat. Sehingga diperoleh kecendrungan data untuk masuk ke cluster mana pada langkah akhir. P = ∑& ∑% ([

#

(

−

)" ](µ )# )

(2.4)

15

6) Menghitung perubahan matriks partisi:

µ

=

[

∑-.

[∑

(

*

+

' ( )) )] * )

'( , ]

* *

dengan: i=1,2,…n; dan k=1,2,..c. 7) Mengecek kondisi berhenti: Jika: (|Pt – Pt-1| < ζ) atau (t > maxIterasi) maka berhenti; Jika tidak: t = t + 1, dilakukan pengulangan langkah ke-4.

(2.5)

16

Gambar 2.1 Bagan Umum Algoritma Fuzzy C Means 2.5. Cat Swarm Optimization Computational

intelligence

adalah

riset

penelitian

yang

marak

dibicarakan belakangan ini dan telah ditemukan beberapa algoritma di bidang optimasi.

Algoritma

populer

yang

termasuk

computational

intelligence

diantaranya adalah Genetic Algorithm (GA), Ant Colony Optimization (ACO), Particle Swarm Optimization (PSO), Bacteriological algorithm (BA) dan Simulated Annealing (SA). GA, BA, dan SA merupakan kelompok area

17

evolutionary algorithm, sedangkan ACO dan PSO berada di bawah naungan swarm intelligence. Evolutionary algorithm (EA) adalah algoritma optimasi metaheuristic yang berdasar pada populasi secara umum. EA menggunakan mekanismemekanisme yang diinspirasi oleh evolusi biologis: reproduksi, mutasi, rekombinasi, dan seleksi. Sedangkan swarm intelligence adalah teknik kecerdasan buatan yang berdasarkan pada studi dari perilaku sekelompok sistem yang tersebar dan terorganisir. Menurut Liu dan Kevin M. Passino (2000), swarm intelligence adalah kecerdasan kolektif yang muncul dari sekelompok agent atau individu mahluk hidup. Contoh dari swarm intelligence yang ada di alam adalah koloni semut, kawanan burung, penggembalaan, dan kawanan ikan. Dilihat dari contoh-contoh tersebut, setiap kawanan tidak memiliki kontrol terpusat yang mengendalikan mereka. Namun, interaksi lokal antar agent di dalamnya seringkali mengarah pada kemunculan perilaku global. Beberapa algoritma yang tergolong ke dalam computational intelligence tersebut dapat diklasifikasikan sebagai berikut: 1) Evolutionary computing algorithm a) Genetic Algorithm (GA), merupakan pencarian heuristik yang meniru proses evolusi di alam, yang menciptakan solusi untuk permasalahan

optimasi

menggunakan

teknik-teknik

yang

diinspirasi dari evolusi alamiah seperti pewarisan, mutasi, persilangan, dan seleksi alam. Algoritma ini dipopulerkan awal

18

Tahun 1970-an oleh John Holland, namun ide-ide yang mengarah ke metode ini sudah ada pada tahun-tahun sebelumnya. b) Simulated Annaeling (SA), merupakan teknik optimasi global yang melintasi ruang pencarian dengan menguji beberapa mutasi acak pada solusi individu. Sebuah mutasi yang meningkatkan fitness selalu diterima. Sebuah mutasi yang menurunkan fitness diterima secara probalistik. Metode ini pertama kali dipaparkan oleh Scott Kirkpatrick pada Tahun 1983. c) Bacteriological

Algortihm

(BA),

diinspirasi

dari

ekologi

evolusioner, khususnya adaptasi bakteriologi. Ekologi evolusioner merupakan studi tentang organisme hidup dalam konteks lingkungan, dengan tujuan untuk mempelajari bagaimana mereka beradaptasi. Metode ini dikenalkan oleh Baudry pada Tahun 2005. 2) Swarm intelligence a) Ant Colony Optimization (ACO), menggunakan banyak semut (ants) untuk menjelajahi ruang solusi dan menemukan area lokal yang produktif . ACO merupakan teknik probabilistik untuk memecahkan permasalahan komputasi yang bisa disederhanakan untuk menemukan jalur yang bagus dalam suatu graph. Metode ini diusulkan oleh Marco Dorigo pada tesisnya Tahun 1992. b) Particle Swarm Optimization (PSO), merupakan metode komputasi untuk optimasi dengan multi-parameter yang juga menggunakan pendekatan berbasis populasi. Populasi (swarm) dari kandidat

19

solusi (partikel) bergerak di ruang solusi, dan pergerakan partikel dipengaruhi oleh posisi terbaiknya sendiri dan posisi terbaik global. Algoritma ini diusulkan oleh J. Kennedy pada Tahun 1995. Cat Swarm Optimization juga merupakan algoritma yang berada di bawah bagian swarm intelligence yang diusulkan oleh Shu-Chuan Chu dan PeiWei Tsai pada Tahun 2006, yang didapat melalui pengamatan terhadap perilaku sekumpulan kucing. Dalam ACO semut digunakan sebagai agent, dan jalur yang dilalui oleh semut-semut tersebut adalah set solusinya. Dalam PSO, posisi-posisi dari kawanan burung digunakan untuk menggambarkan set solusinya. Sedangkan dalam Cat Swarm Optimization, sekumpulan kucing (cats) dan model perilakunya digunakan untuk menyelesaikan permasalahan optimasi. 2.5.1. Algoritma Cat Swarm Optimization Chu dkk. (2006) membagi algortima Cat Swarm Optimization ke dalam dua sub model yang berdasar dari dua perilaku utama cat. Yaitu seeking mode dan tracing mode. Untuk lebih jelasnya langkah-langkah algoritma Cat Swarm Optimization seperti yang disampaikan Chu dkk. (2006) dalam penelitiannya akan dijabarkan dalam sub bab berikutnya. 2.5.1.1. Set solusi dalam model Bagaimanapun bentuk algortima optimasi, set solusi (hasil) harus ditampilkan dalam suatu cara tertentu. Misalnya dalam Ant Colony Optimization (ACO) semut disimulasikan sebagai agen, dan jalur yang dibentuk oleh semut menunjukkan set solusinya. Dalam Cat Swarm Optimization, digunakan cat dan

20

model perilaku cat untuk menyelesaikan permasalahan optimasi. Dengan kata lain cat digunakan untuk menggambarkan set solusi. Tahap pertama dalam Cat Swarm Optimization adalah menentukan berapa banyak cat akan digunakan dalam iterasi, kemudian menggunakan cat dalam Cat Swarm Optimization untuk menyelesaikan permasalahan. Setiap cat masing-masing memiliki posisi yang tersusun dalam dimensi D, kecepatan untuk setiap dimensi, nilai kecocokan yang menunjukkan penyesuaian cat dengan fungsi kecocokan, dan bendera untuk mengetahui apakah cat berada dalam seeking mode atau tracing mode. Solusi akhir adalah posisi terbaik dari salah satu cat. Cat Swarm Optimization akan menyimpan solusi terbaik hingga akhir iterasi. 2.5.1.2. Seeking mode Sub model ini digunakan untuk memodelkan situasi cat ketika dalam keadaan beristirahat, melihat sekeliling dan mencari posisi berikutnya untuk bergerak. Pada seeking mode, didefinisikan empat faktor penting: seeking memory pool (SMP), seeking range of the selected dimension (SRD) atau mencari rentang dimensi terpilih, counts of dimension to change (CDC) atau menghitung dimensi yang akan berubah, dan self-position considering (SPC) atau mempertimbangkan posisi. SMP digunakan untuk mendefinisikan ukuran memori pencarian untuk masing-masing cat, yang mengindikasikan titik-titik yang telah dicoba oleh cat. Cat tersebut kemudian akan memilih titik dari kelompok memori berdasarkan aturan yang akan dijelaskan kemudian. SRD menunjukkan rentang perpindahan

21

dalam dimensi terpilih. Pada seeking mode, jika suatu dimensi diputuskan berpindah, selisih antara nilai baru dengan yang lama tidak boleh melebihi suatu rentang, yaitu rentang yang didefinisikan oleh SRD. CDC memperlihatkan berapa besar dimensi yang akan berubah. Keseluruhan faktor inilah yang memegang peran penting dalam seeking mode. SPC merupakan variabel Boolean (bernilai benar atau salah), untuk memutuskan apakah suatu titik, yang pernah menjadi posisi cat, akan menjadi kandidat posisi untuk bergerak. Bagaimanapun nilai SPC, entah benar ataupun salah, nilai SMP tidak akan terpengaruh. Langkah-langkah seeking mode dapat dideskripsikan dalam 5 tahap. 1) Langkah 1: Bangkitkan j tiruan dari posisi saat ini cat k, di mana j = SMP. Jika nilai SPC benar, maka j = (SMP–1), kemudian pertahankan posisi saat ini sebagai salah satu kandidat. 2) Langkah 2: Untuk setiap tiruan, disesuaikan dengan CDC, tambahkan atau kurangkan SRD persen dari nilai saat ini secara acak dan gantikan nilai yang sebelumnya. 3) Langkah 3: Hitung nilai kecocokan (FS) untuk semua titik kandidat. 4) Langkah 4: Jika semua FS tidak benar-benar sama, hitung probabilitas terpilih masing-masing titik kandidat dengan menggunakan Persamaan (2.6), sebaliknya atur probabilitas terpilih untuk semua titik sama dengan 1. 5) Langkah 5: secara acak pilih titik untuk bergerak dari titik-titik kandidat, dan pindahkan posisi catk.

22

/0 =

789:;: 0 < 8 < >

|23 '234 |

23 56 '23

(2.6)

Jika tujuan fungsi kecocokan adalah untuk menemukan solusi minimal, maka FSb = FSmax, sebaliknya FSb = FSmin. 2.5.1.3. Tracing mode Tracing mode adalah sub model yang menggambarkan keadaan ketika cat sedang mengikuti jejak targetnya. Sekali cat memasuki tracing mode, cat tersebut akan bergerak sesuai dengan kecepatannya untuk tiap dimensi. Tahapan tracing mode dapat dijabarkan dalam 3 langkah sebagai berikut: 1) Langkah 1: Perbarui nilai kecepatan untuk setiap dimensi (

,@ )

berdasarkan Persamaan (2.7). 2) Langkah 2: Periksa apakah kecepatan berada dalam rentang kecepatan maksimum. Jika kecepatan yang beru melebihi rentang, tetapkan nilai sama dengan batas. 3) Langkah 3: Perbarui posisi cat k berdasarkan Persamaan (2.8). ,@

=

,@

+ B ∗ C ∗ +DEFGH,@ − D

,@ ,

789:;: 7 = 1,2,3, … , 9

(2.7)

Xbest,d adalah posisi cat yang memiliki nilai kecocokan terbesar. xk,d adalah posisi catk. c1 adalah konstanta dan r1 adalah nilai acak dalam rentang [0,1]. ,@

=

,@

+

,@

(2.8)

23

2.5.2.

Inti Algoritma Cat Swarm Optimization Seperti yang telah dijabarkan sebelumnya, Cat Swarm Optimization

terdiri dari dua sub model. Untuk mengkombinasikan kedua mode dalam satu algoritma, perlu didefinisikan rasio campuran/mixture ratio (MR) untuk menggabungkan seeking mode dan tracing mode. Dengan mengamati perilaku cat, dapat diketahui bahwa cat menghabiskan sebagian besar waktunya untuk beristirahat. Selama beristirahat, cat mengubah posisinya perlahan dan berhatihati, terkadang bahkan tetap pada tempatnya. Untuk menerapkan perilaku ini ke dalam Cat Swarm Optimization, digunakan seeking mode. Perilaku mengejar target dipalikasikan dalam tracing mode. Karena itu maka MR harus bernilai kecil untuk memastikan bahwa cat menghabiskan sebagian besar waktu dalam seeking mode, seperti di kehidupan nyatanya. Proses Cat Swarm Optimization dapat digambarkan dalam 6 langkah sebagai berikut: 1) Langkah 1: Bangkitkan N buah cats dalam proses. 2) Langkah 2: Sebarkan cats secara acak dalam ruang solusi berdimensi D dan secara acak pula pilih nilai dalam rentang kecepatan maksimum untuk menjadi kecepatan cat. Kemudian pilih sejumlah cat secara sembarang dan masukkan dalam tracing mode sesuai MR, sisanya dimasukkan dalam seeking mode. 3) Langkah 3: Hitung nilai kecocokan masing-masing cat dengan memasukkan nilai posisi cat ke dalam fungsi kecocokan, yang menunjukkan kriteria tujuan, dan simpan cat terbaik dalam memori. Perlu

24

diingat bahwa yang perlu disimpan adalah posisi cat terbaik (best x) karena cat terbaik sejauh ini mewakili solusi terbaik. 4) Langkah 4: Pindahkan cat sesuai benderanya, jika catk berada dalam seeking mode, perlakukan sesuai proses seeking mode, sebaliknya perlakukan sesuai tracing mode. Proses masing-masing telah dijelaskan sebelumnya. 5) Langkah 5: Pilih lagi sejumlah cat dan masukkan dalam tracing mode sesuai MR, sisanya masukkan ke dalam seeking mode. 6) Langkah 6: Perhatikan terminating condition-nya. Jika kondisinya telah terpenuhi, hentikan algoritma. Sebaliknya ulangi langkah 3 hingga langkah 5. Gambaran umum Algoritma Cat Swarm Optimization dapat dilihat pada Gambar 2.2. Misalkan untuk menyelesaikan permasalahan unconstrained minimization dapat digunakan populasi berukuran 5 buah cat. Mixture Ratio yang digunakan misalnya adalah 20%. SMP berukuran 3, yang berarti digunakan 3 cats tiruan.

25

Gambar 2.2 Algoritma Cat Swarm Optimization (S. C. Chu dkk, 2006)

26

BAB III METODE PENELITIAN

3.1. Tempat dan Waktu Penelitian Penelitian ini mengusulkan penggunaan metode Fuzzy C Means untuk melakukan segmentasi citra berbasis clustering dioptimasi dengan Algoritma Cat Swarm Optimization dimana hasilnya akan dibandingkan dengan Algoritma Fuzzy C Means standar sehingga dapat diukur kualitas hasil dan unjuk kerja dari algoritma ini. Pelaksanaan penelitian ini dilakukan di Program Magister Jurusan Teknik Elektro Fakultas Teknik, Universitas Udayana. Dimana data uji yang akan digunakan adalah beberapa citra Standar Test Image yang sering digunakan oleh para peneliti di bidang pengolahan citra. 3.2. Sistematika Penelitian Penelitian merupakan suatu investigasi yang empiris, sistematis, terkontrol, dan kritis dari suatu proposal hipotesis mengenai hubungan tertentu antar fenomena. Penelitian disini bertujuan untuk memberikan kontribusi terhadap ilmu pengetahuan dalam memecahkan masalah dengan menggunakan metodemetode yang sesuai. Alur analisis penelitian dilakukan berdasarkan permasalahan yang akan ditangani oleh sistem, dimana sistematika penelitian yang digunakan pada penelitian ini sebagai berikut:

27

Gambar 3.1 Sistematika Penelitian 3.3. Studi Pustaka Langkah ini merupakan tahap pendalaman materi tentang permasalahan yang akan diangkat, guna mendukung pelaksanaan penelitian dengan memberikan wawasan yang cukup seputar metode Cat Swarm Optimization untuk optimasi metode segmentasi citra, khususnya segmentasi citra berbasis clustering dengan metode Fuzzy C-Means clustering. Studi pustaka merupakan pengumpulan data ataupun pengumpulan referensi mengenai teori yang nantinya dijadikan sebagai pedoman-pedoman sesuai dengan penelitian yang diangkat. Manfaat dari studi pustaka adalah dapat memberikan gambaran menyeluruh mengenai sejauh mana perkembangan penelitian-penelitian yang terkait dengan penelitian yang akan diambil. Dalam penelitian ini, referensi diperoleh dari jurnal, artikel laporan penelitian, dan buku yang berhubungan mengenai penelitian yang berjudul Segmentasi Citra Berbasis Clustering Menggunakan Algoritma Fuzzy C-Means Dan Cat Swarm Optimization

28

3.4. Pengumpulan Data Berdasarkan sumbernya, data penelitian dapat dikelompokkan menjadi dua jenis yaitu data primer dan data sekunder. Pemahaman terhadap kedua jenis data tersebut diperlukan sebagai landasan dalam menentukan teknik serta langkahlangkah pengumpulan data penelitian. 1) Data Primer adalah data yang diperoleh atau dikumpulkan oleh peneliti secara langsung dari sumber datanya. Data primer disebut juga sebagai data asli atau data baru yang memiliki sifat up to date. Untuk mendapatkan data primer, peneliti harus mengumpulkannya secara langsung. Teknik yang dapat digunakan peneliti untuk mengumpulkan data primer antara lain observasi, wawancara, diskusi terfokus (focus grup discussion – FGD) dan penyebaran kuesioner. 2) Data Sekunder adalah data yang diperoleh atau dikumpulkan peneliti dari berbagai sumber yang telah ada (peneliti sebagai tangan kedua). Data sekunder dapat diperoleh dari berbagai sumber seperti Biro Pusat Statistik (BPS), buku, laporan, jurnal, dan lain-lain.

29

3.5. Gambaran Umum Sistem

Gambar 3.2 Gambaran Umum Sistem

30

3.5.1. Data Uji Pengujian algoritma hybrid FCM-CSO yang diimplementasikan pada kasus segmentasi citra ini memerlukan suatu data uji untuk mengetahui hasil dan kinerja dari algoritma ini. Data uji yang dapat digunakan dalam kasus ini adalah berupa citra atau image, baik citra berwarna maupun citra grayscale. Data uji yang dipakai untuk menguji algoritma ini adalah beberapa jenis citra standar test image. Citra uji standar (standar test image) adalah sekumpulan file citra digital yang telah digunakan oleh para peneliti untuk menguji berbagai algoritma pengolahan citra ataupun algoritma kompresi citra yang dikembangkan. Dengan menggunakan citra uji standar yang sama, maka peneliti yang berbeda dapat membandingkan hasil dari sistem yang mereka buat, baik secara visual maupun secara kuantitatif. Citra-citra yang dipilih adalah citra yang mewakili alam atau citra khusus lainnya dimana citra tersebut diperlukan untuk teknik pengolahan citra dalam suatu kasus tertentu. Citra uji lainnya dipilih karena menghadirkan berbagai tantangan untuk algoritma seperti rekonstruksi citra, detail dan tekstur yang halus, transisi dan tepi tajam, serta wilayah yang seragam. Selain itu, pada pengujian tertentu juga sering ditambahkan noise untuk menambah variasi dalam citra uji. Citra uji yang digunakan pada penelitian ini adalah Weizmann Segmentation Dataset yang diperoleh dari situs www.weizmann-usa.org yang disediakan oleh Weizmaan Institute of Science, dimana situs tersebut menyediakan berbagai macam citra uji yang khusus digunakan untuk proses

31

segmentasi citra (Alpert S., dkk. 2007). Berbagai macam citra uji dengan beragam variasi dan karakteristik tersebut dibungkus kedalam sebuah dataset yang dapat diunduh secara gratis. Dari sekian banyak citra uji yang tersedia, pada penelitian ini hanya digunakan lima buah citra uji yang sudah dipilih berdasarkan karakteristik warna yang bervariasi. Lima buah citra uji yang akan digunakan pada penelitian ini dapat dilihat pada gambar 3.3 dibawah ini.

(a)

(b)

(d)

(e)

(c)

Gambar 3.3 Citra uji: (a) horses.png, (b) chain.png, (c) carriage.png, (d) duck.png, (e) redberry.png. (Alpert S., dkk. 2007)

Masing-masing citra uji yang terdapat dalam Weizmann Segmentation Dataset ini memuat citra ground truth segmentation, yaitu hasil segmentasi citra yang diharapkan dari masing-masing citra uji. Citra ground truth ini dibuat secara manual sesuai dengan persepsi manusia. Berikut citra ground truth segmentation sesuai dengan citra uji yang akan digunakan diatas.

32

(a)

(b)

(d)

(e)

(c)

Gambar 3.4 Citra ground truth segmentation : (a) gt-horses.png, (b) gt-chain.png, (c) gt-carriage.png, (d) gt-duck.png, (e) gt-redberry.png

3.5.2. Inputan Parameter 1) Jumlah Cluster Jumlah cluster disini merupakan banyaknya cluster atau kelompok warna yang diinginkan pada citra hasil segmentasi. Algoritma FCM-CSO dan FCM standar diujikan menggunakan parameter jumlah cluster yang berbeda-beda untuk mengetahui jumlah cluster yang paling optimal dari setiap citra uji. 2) Metode Segmentasi Parameter metode segmentasi yang digunakan pada sistem yang dikembangkan ini ada dua pilihan, yaitu dengan metode FCM standar atau dengan

33

metode FCM-CSO. Pengujian akan dilakukan dengan menggunakan masingmasing kedua metode ini. 3.5.3. Segmentasi Citra Menggunakan Algoritma FCM-CSO Setelah data berupa citra uji yang diperlukan terkumpul, maka dilanjutkan dengan tahap pengembangan model. Model Cat Swarm Optimization yang asal mulanya digunakan untuk menyelesaikan atau mencari nilai optimal, dikembangkan dengan cara menggabungkannya dengan algoritma clustering Fuzzy C-Means untuk melakukan segmentasi citra. Secara umum, model algoritma ini terdiri dari dua bagian utama, yaitu melakukan clustering dengan Fuzzy C-Means dan selanjutnya melakukan pencarian pusat cluster terbaik menggunakan algoritma Cat Swarm Optimization. Data yang akan diolah pada model algoritma ini adalah data nilai piksel yang terdapat pada citra uji dalam ruang warna RGB. Jadi, input dari model ini adalah berupa populasi data piksel citra, jumlah cluster (k), maksimum iterasi dan minimum toleransi, serta nilai seeking memory (SM) dan seeking range (SR) yang akan digunakan pada proses Cat Swarm Optimization. Langkah-langkah dari segmentasi citra dengan menggunakan model FCM-CSO ini dideskripsikan sebagai berikut.

34

Gambar 3.5 Segmentasi citra menggunakan Algoritma FCM-CSO

35

1) Pre-Processing : Statistical Region Merging dan Color Correction Metode Statistical Region Merging (SRM) ini sejenis dengan teknik region growing and merging. Pada region growing, region adalah kumpulan piksel yang homogen dan secara iterasi merupakan hasil gabungan dari region yang lebih kecil. Statistical Region Merging mengikuti urutan tertentu dari pemilihan region. Algoritma ini digunakan untuk mengevaluasi nilai-nilai dalam sebuah rentang regional dan dikelompokkan bersama berdasarkan kriteria merging sehingga menghasilkan list yang lebih kecil. Pada bidang pengolahan citra digital berfungsi mengelompokkan piksel-piksel yang bertetangga berdasarkan shades yang jatuh dalam sebuah threshold tertentu (Qualification Criteria). Diagram alir segmentasi metode SRM dapat dilihat pada Gambar 3.6. Parameter yang diperlukan dalam proses ini adalah Q yaitu kompleksitas segmentasi (Richard Nock, dkk., 2004).

36

Mulai

I = Citra RGB

Hitung selisih antar piksel, sesuai dengan konektifitas 4-arah M(N, NO ) = max M:(N, NO ) S∈U,V,W

M:(N, NO ) = |NS − NS ′|

Urutkan selisih dari nilai terkecil ke nilai terbesar Y0O = ZB7[B\;CB[:]8;^(Y0 , M) 8 = 1, 8_[B:]8 = |Y0 |, ^ = 256, 1 b= (6|\|" )

i <= iterasi

= 32

tidak Selesai

ya Menghitung nilai b(R) c(d) = ^ef

i++

1 kd|U| k g ln j l 2 |d| b

i++

Menghitung merging predicate _Bq[, 8M ∀S ∈ sd, t, uv p n|dO − d | ≤ xc " (d) + c " (dO ) S S | /(d, dO ) = o n M:y][, Z_ℎ[B{8][ m }d}}S} adalah nilai rata-rata warna pada region R, color chanel a

tidak

P(R, R’) true?

ya

Merge R(p), R(p’)

Gambar 3.6 Diagram Alur SRM (Richard Nock, dkk., 2004)

37

2) Menghitung pusat dan keanggotaan cluster dengan Fuzzy C-Means Algoritma Fuzzy C-Means menempatkan piksel citra kedalam masingmasing cluster dengan menggunakan membership fuzzy. Misalkan

=

(D , D" , … , D~ ) menunjukkan citra dengan N buah piksel yang akan dipartisi

kedalam c buah cluster. Algoritma ini merupakan optimasi iteratif yang meminimalisasi cost function, dimana cost function yang digunakan dalam penelitian ini adalah fungsi objektif Xie Beni Index. Cost function diminimalisasi jika piksel berada dekat dengan pusat clusternya akan diberikan nilai keanggotaan cluster yang tinggi, sebaliknya nilai keanggotaan yang rendah diberikan jika piksel berada jauh dari pusat clusternya. Membership function menunjukkan probabilitas suatu piksel dapat dimiliki oleh suatu cluster tertentu. Nilai probabilitas pada algoritma Fuzzy C-Means sangat tergantung pada jarak suatu piksel ke masing-masing pusat cluster pada domain fitur. Membership function dan pusat cluster diperbaharui dengan persamaan berikut : •0 =

[€

#

∑‚ [∑

(/ −

#

(/ −

'

)" )]#' •

' )" ]#'

(3.1)

Dan ∑~ •0# N0 0 „ = ~ # ∑0 •0

(3.2)

38

Dimulai dengan menghitung pusat cluster pada inisialisasi, Fuzzy C-

Means akan menyempitkan atau konvergensi ruang solusi „ yang menunjukkan

local minimum. Konvergensi dapat dideteksi dengan membandingkan perubahan yang terjadi pada membership function atau pusat cluster pada dua buah iterasi. Tahap-tahap yang dilakukan pada langkah ini dapat diuraikan detailnya sebagai berikut: a)

Menentukan inisialisasi nilai awal pada komponen-komponen Fuzzy CMeans, misalnya seperti berikut ini: (1)

Banyaknya cluster yang diinginkan --> c = 2

(2)

Pangkat (pembobot) --> m = 2

(3)

Maksimum Iterasi --> maxIter = 100

(4)

Toleransi minimum --> e = 0,0000001

(5)

Fungsi Objektif awal --> P0 = 0

(6)

Iterasi awal --> iter = 1

b) Membangkitkan matriks partisi Uik dengan komponen i = banyaknya data; dan k = banyak cluster (pertama kali dibangkitkan secara bebas atau random, dengan kisaran nilai dari 0 sampai 1). c)

Setelah matriks partisi terbentuk, langkah selanjutnya adalah menghitung posisi pusat cluster dengan Persamaan (3.2).

d) Setelah diperoleh pusat-pusat cluster yang baru, tahap selanjutnya adalah menghitung fungsi objektif atau cost function dengan menerapkan Persamaan (3.5).

39

e)

Tahap terakhir dari langkah ini adalah memperbaharui matriks partisi • dengan menggunakan Persamaan (3.1).

3) Menggabungkan Membership Function dengan Spatial Function Salah satu karakteristik dari citra adalah bahwa piksel-piksel tetangga sangat berhubungan atau berkaitan. Dengan kata lain, piksel yang bertetanggaan memiliki nilai fitur yang hampir mirip, dan memiliki probabilitas yang besar mereka berada dalam cluster yang sama. Hubungan spasial ini sangat penting dalam clustering, tapi hal ini tidak diperhitungkan dalam algoritma Fuzzy CMeans standar. Untuk menggali informasi spasial, fungsi spasial (Keh-Shih Chuang dkk, 2006) dirumuskan sebagai berikut : ℎ0 =

…∈~W(† )

q…

(3.3)

Dimana ‡u(/0 ) adalah square window yang berpusat pada piksel /0 pada domain spasial. Misalnya window berukuran 5x5 akan digunakan dalam penelitian ini, maka perhitungan dan pengecekan dengan fungsi spasial ini akan dilakukan hanya pada piksel window itu saja. Sama seperti membership function, spatial function ℎ0 ini merepresentasikan probabilitas piksel D dimiliki oleh cluster ke-i.

Spatial function dari suatu piksel terhadap suatu cluster bernilai besar jika sebagian besar piksel-piksel tetangganya dimiliki oleh cluster yang sama. Spatial function ini digabungkan dengan membership function menjadi persamaan sebagai berikut :

40

q0′

=

∑‚

q0ˆ ∗ ℎ0‰

(3.4)

q0‚ ∗ ℎ0‚ ˆ

‰

Dimana p dan q adalah parameter yang mengontrol keperluan yang bersifat relatif dari fungsi tersebut. Dalam region yang homogen, spatial function tersebut dapat dengan mudah membatasi fungsi membership yang asli, dan hasil clustering tidak akan berubah. Namun pada piksel yang mengandung noisy, formula ini mengurangi bobot noisy pada cluster dengan memberikan label pada piksel-piksel tetangganya. Hasilnya, misclassified piksels dari region yang mengandung noisy dapat dengan mudah diperbaiki (Keh-Shih Chuang dkk, 2006). Misalnya digunakan window 5x5 piksel untuk menghitung spatial function pada citra contoh dibawah, maka untuk h1k (piksel ke-1) piksel tetangganya adalah sebagai berikut : 10

10

15

15

20

25

30

30

13

18

18

12

18

17

40

35

150 156 157

40

13

18

18

100

50

156 160

50

13

18

18

120

100

12

18

17

40

35

20

200

120

13

18

18

13

18

18

150

200 150 156

12

18

17

40

35

150

40

35

13

18

18

18

17

Gambar 3.7 Contoh spatial information 5x5 window pada citra sampel Misalnya terdapat dua buah cluster, maka ℎ

semua nilai •0 dan ℎ

"

sama dengan jumlah

sama dengan jumlah semua nilai •0" , dimana i merupakan

41

semua piksel tetangga yang dimiliki oleh piksel ke-1, fungsi spasial ini dapat dilihat pada Persamaan (3.3). Setelah semua piksel dihitung fungsi spasialnya, langkah selanjutnya adalah menghubungkan membership function dengan spatial function sesuai dengan Persamaan (3.4) sehingga diperoleh matriks partisi yang baru. Setelah diperoleh matriks partisi yang baru, tahapan terakhir dari Langkah No.2 ini adalah memetakan ulang masing-masing piksel kedalam clusternya. 4) Menghitung Nilai Fitness Fitness function atau cost function yang digunakan pada model algoritma ini adalah Xie-Beni Cluster Validity Index (Xie X.L. dan Beni G.A., 1991), yang mendefinisikan fungsinya sebagai berikut : VŒ• =

− ∑‘ ∑% u •X − V • "

"

N ∗ fmin ••V − V • –g ”

(3.5)

Vi adalah pusat cluster ke-i dengan jumlah cluster adalah c. Xj merupakan nilai warna dari piksel ke-j dan N adalah jumlah total piksel yang dimiliki oleh citra. Konsep dari fungsi validasi cluster ini adalah clustering yang bagus adalah yang menghasilkan data sampel yang dipadatkan kedalam sebuah cluster dan sampel-sampel tersebut dipisahkan antara satu cluster dengan cluster yang lainnya. Kualitas clustering yang bagus diperoleh dengan meminimalkan nilai Vxb. 5) Inisialisasi Algoritma Cat Swarm Optimization Pada model algoritma Cat Swarm Optimization, sebuah pusat cluster menunjukkan sebuah cats dan set solusinya adalah pusat cluster baru yang

42

diharapkan menghasilkan nilai fitness yang lebih optimal, dimana dalam kasus ini nilai fitness lebih kecil adalah yang lebih optimal. a)

Representasi Individu Posisi cat i ditunjukkan oleh

0

yang mewakili solusi clustering ke–i.

Ruang solusi clustering dibentuk dari angka-angka real yang mewakili koordinat dari pusat cluster. Panjang dari solusi adalah K x m, dimana K adalah jumlah cluster dan m adalah jumlah atribut dari objek. Elemen m yang pertama menunjukkan m buah dimensi dari pusat cluster pertama, elemen m berikutnya menunjukkan pusat cluster kedua, dan seterusnya. Contohnya : a. Citra grayscale dengan m=1 dan K=3, individunya dapat berupa matriks angka {225 58 145} dimana mewakili koordinat tiga buah pusat cluster yaitu {(225) (58) (145)}. b. Citra berwarna (RGB) dengan m=3 dan K=4, individunya dapat berupa {225 15 200 58 90 150 230 194 180 55 27 15} yang mewakili koordinat empat buah pusat cluster yaitu {(225 15 200) (58 90 150) (230 194 180) (55 27 15)}, dimana satu buah pusat cluster terdiri dari tiga angka yang mewakili nilai warna RGB. Untuk inisialisasi algoritma CSO yang digunakan pada penelitian ini, pusat-pusat cluster yang dijadikan individu

0

adalah pusat-pusat cluster yang

dihasilkan pada operasi Fuzzy C-Means sebelumnya. b) Inisialisasi Pada tahap inisialisasi algoritma CSO standar, cats secara acak ditentukan apakah menjadi seeking mode atau tracing mode. Oleh karena itu,

43

secara acak ditentukan /G buah cat menjadi seeking mode dan /H buah cat menjadi

tracing mode, dimana /G dan /H menyatakan jumlah cat apakah berada pada seeking mode atau tracing mode, dengan d#— merupakan mixture ratio yang digunakan untuk mengatur jumlah cat pada mode yang berbeda. Hal ini dapat dirumuskan sebagai berikut : ˜

/H = ™d#— ∗ /š| /G = / − /H

(3.6)

Namun pada metode yang dikembangkan ini variabel mixture ratio d#— yang disebutkan diatas dihilangkan. Artinya tidak terdapat rasio jumlah cat mana yang menjadi seeking mode dan mana yang menjadi tracing mode. Setiap cat pada metode yang diusulkan ini akan melewati tahap seeking mode dan dilanjutkan dengan tahap tracing mode. Jumlah cat yang digunakan pada usulan penelitian ini adalah satu buah cat. Artinya terdapat satu buah solusi deretan pusat cluster yang nantinya akan dioptimalkan baik dengan seeking mode dilanjutkan dengan tracing mode. 6) Memperbaharui pusat cluster dengan proses Seeking Mode Mode ini digunakan untuk memodelkan cat dalam keadaan berisitrahat tetapi dalam kondisi siaga, melihat-lihat lingkungan sekitarnya untuk mencari tempat untuk bergerak. Cat dalam algoritma Cat Swarm Optimization pada permasalahan ini adalah pusat-pusat cluster, tepatnya pusat-pusat cluster yang dihasilkan dari operasi Fuzzy C Means pada langkah sebelumnya. Tahapan seeking mode ini ditujukan untuk melihat-lihat atau mencari titik-titik di area sekitar pusat cluster, yang mempunyai kemungkinan menghasilkan nilai fitness

44

yang lebih optimal. Dalam seeking mode ada 4 faktor yang dijabarkan sebagai berikut : a) Seeking memory (SM) : SM digunakan menentukan besarnya memori pencarian pusat-pusat cluster, yang menyatakan berapa jumlah salinan dari pusat-pusat cluster tersebut, dinyatakan dengan nilai ‡3› . Dengan

kata lain, ‡3› ini merupakan banyaknya posisi tetangga dari sebuah pusat cluster. b) Self Position Flag (SPF) : SPF mengindikasikan apakah posisi pusat

cluster saat ini merupakan salah satu dari posisi tetangganya atau bukan. Jika œ3†2 = 1, maka posisi pusat cluster saat ini akan dilihat juga sebagai

posisi tetangga (neighbouring position), dan sebaliknya œ3†2 = 0 menyatakan posisi pusat cluster saat ini tidak dianggap menjadi posisi tetangga. Variabel SPC ini bernilai boolean [0,1].

c) Changed Dimension (CD) : CD digunakan untuk menentukan jumlah dimensi yang dapat dimutasi atau dirubah, dinotasikan dengan ‡•ž . Nilai

CD diasumsikan bernilai 100% pada metode yang dikembangkan ini. Jadi, semua cat akan mengalami perubahan atau mutasi. d) Seeking Range (SR) : SR merupakan rasio mutasi dari dimensi yang akan dimutasi, dinotasikan dengan /3U , yang nilainya berada pada rentang 0 sampai dengan 1. Setelah mendefinisikan keempat faktor diatas, langkah-langkah seeking mode adalah sebagai berikut :

45

Langkah 1

: Membuat j buah salinan dari posisi masing-masing pusat

cluster i, dimana > = ‡3› . Jika œ3†2 = 1 maka > = ‡3› − 1

dan posisi cat saat ini dianggap juga sebagai posisi tetangganya.

Langkah 2

: Untuk semua posisi tetangganya DŸO , dimana y = 1,2, … , ‡3› ,

dimensi yang dimutasi adalah DŸO = (1 ± /3U ) ∗ D0 , dimana

D0 menunjukkan dimensi yang akan dimutasi, k=1,2,..., ‡•ž .

Nilai saat ini secara acak ditambahkan atau dikurangkan dengan SR persen, kemudian digunakan untuk menggantikan nilai yang lama. Langkah 3

: Hitung nilai fitness (FS) untuk semua titik salinan atau kandidat pusat cluster pada posisi tetangga, dimana FS saat ini adalah XB Index. Nilai fitness ini dihitung menggunakan Persamaan (3.5).

Langkah 4

: Jika semua nilai fitness tidak benar-benar sama, hitung probabilitas terpilih masing-masing titik kandidat dengan menggunakan Persamaan (3.7), sebaliknya set probabilitas terpilih untuk semua titik sama dengan 1. /0 =

Langkah 5

|YY¡0 − YY¡#S¢ | YY¡#S¢ − YY¡#0£

789:;: 0 < 8 < >

(3.7)

: Secara acak pilih salah satu posisi tetangga atau posisi kandidat dari pusat cluster untuk dijadikan tempat bergerak selanjutnya dengan menggunakan metode seleksi roullete

46

wheel, dimana posisi kandidat yang terpilih tersebut merupakan calon pusat cluster yang baru. Langkah 6

: Perbaharui nilai fitness dan pusat cluster. Setelah posisi pusat cluster dipindahkan, hitung kembali nilai fitness dari posisi pusat cluster terbaru yang diperoleh dari operasi seeking mode ini. Nilai fitness yang diperoleh dari seeking mode ini kemudian dibandingkan dengan nilai fitness sebelumnya, yaitu yang diperoleh dari operasi Fuzzy C-Means, dengan ketentuan sebagai berikut: a) Jika

œYGFF

0£¥ #¦@F

< œYGFEFŸ§#£¨S

maka

pusat

cluster yang dihasilkan dari seeking mode digunakan sebagai pusat cluster yang baru.

b) Sebaliknya jika œYGFF

0£¥ #¦@F

≥ œYGFEFŸ§#£¨S maka

tetap gunakan pusat cluster sebelumnya, yaitu yang diperoleh dari operasi Fuzzy C-Means. 7) Memperbaharui pusat cluster dengan proses Tracing Mode Mode ini digunakan untuk memodelkan cat dalam mengejar suatu target, sekali cat berada dalam tracing mode maka ia akan terus bergerak sesuai dengan kecepatannya (velocity) pada setiap dimensi. Tracing mode ini ditujukan untuk menggeser titik pusat cluster sehingga diharapkan dapat berada pada posisi yang lebih baik dengan menghasilkan fitness value yang lebih kecil. Langkah-langkah tracing mode adalah sebagai berikut :

47

Langkah 1

: Untuk pusat cluster persamaan: 0

=

0

0,

kecepatannya

0

diperbaharui dengan

+ B ∗ C ∗ +DE − D0 ,

(3.8)

Dimana > = 1,2, … , (« ∗ 9), DE merupakan elemen ke-j dari individu terbaik DE dan D0 merupakan elemen ke-j dari

individu D0 . Selanjutnya C

merupakan sebuah konstanta

untuk memperluas kecepatan dari cat dalam bergerak dalam

ruang solusi, dan B adalah nilai random dalam rentang 0 dan 1. Pada penelitian ini nilai C yang digunakan adalah 2.

Langkah 2

: Perbaharui posisi cat

0

dengan persamaan:

D0 = D0 + „0 Langkah 3

(3.9)

: Setelah posisi cat diperbaharui dengan menggunakan tracing mode, selanjutnya adalah kembali menghitung nilai SSE. Sama seperti Langkah No. 5 (Seeking Mode) diatas, nilai fitness yang diperoleh dari tracing mode ini kemudian dibandingkan œYH—S

0£¥ #¦@F

dengan

nilai

fitness

sebelumnya,

jika

< œYGFEFŸ§#£¨S maka pusat cluster yang

dihasilkan dari tracing mode ini digunakan sebagai pusat cluster

yang

baru.

Sebaliknya

jika œYH—S

0£¥ #¦@F

≥

œYGFEFŸ§#£¨S maka tetap gunakan pusat cluster sebelumnya.

48

8) Ulangi dari Langkah No. 2 selama stopping criteria belum terpenuhi Stopping criteria yang digunakan pada metode ini dibagi menjadi dua, yaitu menggunakan maksimum iterasi dan minimum toleransi. Nilai maksimum iterasi yang digunakan adalah 100 iterasi, artinya ketika segmentasi citra sudah mencapai 100 iterasi maka prosesnya akan dihentikan. Stopping criteria yang kedua adalah batas minimum toleransi. Nilai toleransi adalah selisih antara nilai fitness pada satu iterasi dengan iterasi sebelumnya. Batas minimum toleransi yang digunakan pada penelitian ini adalah 0.0000001. Jika nilai toleransi lebih kecil dari batas minimumnya maka proses segmentasi citra akan berhenti. Jika stopping criteria ini sudah tercapai maka akan dilanjutkan ke Langkah No.9, sebaliknya jika belum terpenuhi maka proses akan diulangi dari Langkah No.2 dan masuk ke iterasi selanjutnya (i++). 9) Ekstraksi citra hasil segmentasi sesuai dengan keanggotaan clusternya Setelah proses FCM-CSO selesai, maka diperoleh nilai fitness dan pusatpusat cluster terbaik dari semua iterasi. Selanjutnya nilai dari masing-masing pusat cluster dipetakan pada semua data piksel yang menjadi anggotanya, sehingga semua piksel berubah nilai warnanya sesuai dengan keanggotaan clusternya masing-masing. Output dari model ini adalah berupa citra yang sudah tersegmentasi, dengan jumlah cluster yang dapat ditentukan oleh user. Citra hasil segmentasi ini kemudian dapat dikomparasi dengan citra hasil segmentasi menggunakan algoritma Fuzzy C-Means standar.

49

3.5.4. Tahap Pengujian dan Evaluasi Hasil Tahap ini merupakan tahap evaluasi dari model yang dikembangkan, dimana model akan diuji untuk mengetahui apakah telah mampu memberikan hasil clustering yang lebih bagus dan optimal. Pengujian model yang dikembangkan ini menggunakan beberapa jenis citra uji yang dipaparkan pada sub bab sebelumnya. Beberapa citra uji tersebut akan diproses menggunakan model FCM-CSO dan menggunakan sebuah model lagi sebagai pembanding yaitu algoritma FCM standar. Model yang dikembangkan ini akan dikomparasi dengan algoritma FCM standar menggunakan dua buah pendekatan sebagai berikut: 1)

Pengukuran terhadap waktu eksekusi dan nilai cluster validity index Perbandingan unjuk kerja sistem yang dikembangkan ini dilakukan

dengan mengukur nilai cluster validity index dan rata-rata waktu eksekusi untuk setiap citra yang diuji. Pengukuran nilai cluster validity index bertujuan untuk menilai kualitas hasil clustering suatu algoritma. Pengukuran rata-rata waktu eksekusi

bertujuan

untuk

mengetahui

seberapa

cepat

algoritma

yang

dikembangkan dapat menyelesaikan segmentasi citra. Untuk menilai kualitas partisi yang dihasilkan oleh suatu algoritma clustering, perlu digunakan suatu fungsi yang disebut dengan cluster validity index dimana fungsi ini melakukan evaluasi terhadap hasil akhir dari sebuah clustering. Fungsi cluster validity index yang akan digunakan pada penelitian ini adalah fungsi validitas Xie-Beni Index menggunakan persamaan (3.5) diatas.

50

2)

Pengukuran hasil dengan menggunakan kuesioner Perbandingan secara human perception dilakukan dengan menggunakan

kuesioner, dimana dalam kuesioner tersebut ditampilkan citra output hasil segmentasi menggunakan model FCM-CSO dan dengan menggunakan algoritma FCM standar. Responden dari kuesioner ini adalah mahasiswa, dosen, atau pakar yang memahami tentang pengolahan citra digital, khususnya segmentasi citra. Perbandingan dilakukan oleh responden secara visualisasi dan diberi nilai dengan menggunakan skala Likert. Menurut Sugiyono (2006), Skala Likert digunakan untuk mengukur sikap, persepsi dan pendapat seseorang atau sekelompok orang tentang fenomena sosial. Dengan skala Likert , maka variabel yang akan diukur dijabarkan menjadi indikator variabel. Kemudian indikator tersebut dijadikan sebagai titik tolak untuk menyusun item-item instrumen yang dapat berupa pertanyaan atau pernyataan. Skala Likert yang digunakan pada kuesioner ini terdiri dari empat penilaian, yaitu Sangat Setuju (bobot = 4), Setuju (bobot = 3), Tidak Setuju (bobot = 2), dan Sangat Tidak Setuju (bobot = 1). Skor tertinggi untuk seluruh item adalah jumlah sampel dikalikan 4 (Sangat Setuju). Sedangkan skor terendah adalah jumlah sample dikalikan 1 (Sangat Tidak Setuju). Tingkat persetujuan sebesar

§#ŸS- G ¦—

G ¦— HF—H0£¥¥0

∗ 100%. Dari hasil perhitungan yang diperoleh maka dapat

disimpulkan tentang persepsi responden terhadap perbandingan hasil segmentasi citra menggunakan metode FCM standar dengan metode FCM-CSO. Draft kuesioner yang akan digunakan dalam penelitian ini dapat dilihat pada gambar berikut:

51

Kuesioner ini disusun untuk mengetahui perbandingan hasil segmentasi citra dengan menggunakan metode FCM standar dan metode FCM-CSO. Kuesioner ini ditujukan kepada mahasiswa ataupun dosen yang memahami pengolahan citra digital khususnya segmentasi citra, dilakukan dengan cara membandingkan dua buah citra hasil segmentasi dengan citra ground truth sebagai acuannya. Citra ground truth adalah citra hasil segmentasi yang diharapkan dan dibuat secara manual sesuai persepsi manusia. Keterangan: STS : Sangat Tidak Setuju TS : Tidak Setuju S : Setuju SS : Sangat Setuju

Citra asli 1.

Citra Ground Truth Segmentation

Hasil Segmentasi Metode A

Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B Citra asli 2.


Citra asli


Citra asli


5.

Citra asli


STS

STS

Gambar 3.8 Draft Kuesioner

SS

TS

S

SS

TS

S

SS

Hasil Segmentasi Metode B STS


Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B

S

Hasil Segmentasi Metode B



TS



Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B 4.

STS


Pernyataan Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B 3.


TS

S

SS

Hasil Segmentasi Metode B STS

TS

S

SS

52

3.6. Instrumen Penelitian Instrumen penelitian yang akan digunakan dalam penelitian ini untuk mengumpulkan, mengolah, menganalisa dan menyajikan data-data diantanya: 1) Perangkat Lunak (Software) a. Sistem Operasi Windows 7 (32-bit) b. Bahasa Pemrograman C# menggunakan Visual Studio 2008. 2) Perangkat Keras (Hardware) a. Processor Intel Core i5 - 2,53 GHz b. 2 GB RAM c. Hardisk 40 GB d. VGA 1GB

53

BAB IV HASIL DAN PEMBAHASAN 4.1. Antarmuka Sistem Antarmuka sistem ini berfungsi untuk mempermudah pengoperasian aplikasi

segmentasi

citra

yang

dikembangkan.

Aplikasi

ini

dibangun

menggunakan bahasa pemrograman C# pada editor Visual Studio 2008. Aplikasi “Segmentasi Citra – FCM CSO” adalah antarmuka utama dari penelitian ini seperti yang terlihat pada gambar 4.1 dibawah ini.

Gambar 4.1 Tampilan Aplikasi Segmentasi Citra FCM-CSO

4.1.1. Inputan Citra Uji Citra uji ditampilkan pada panel utama yang selanjutnya dapat diproses menggunakan metode FCM standar maupun FCM-CSO. Untuk memuat atau

54

memasukkan citra uji pada aplikasi ini dilakukan dengan memilih “Open” yang terdapat pada menu “File”, lalu dilanjutkan dengan memilih file citra yang diinginkan dimana jenis file yang dapat dimuat disini adalah file gambar yang bertipe JPG, PNG, TIF, TIFF, BMP, dan GIF. Contoh citra uji yang ditampilkan pada panel utama dapat dilihat pada gambar 4.2 dibawah ini.

Gambar 4.2 Contoh tampilan citra uji pada aplikasi

Citra uji yang digunakan pada penelitian ini berjumlah lima buah, dimana masing-masing citra uji ini memiliki karakteristik yang berbeda-beda. Hal ini dapat menunjukkan bagaimana unjuk kerja dari algoritma yang diusulkan pada berbagai macam jenis citra.

55

4.1.2. Inputan Parameter

Gambar 4.3 Contoh tampilan parameter

Sebelum melakukan proses segmentasi pada citra uji menggunakan metode yang dikembangkan, perlu dimasukkan beberapa parameter seperti pada Gambar 4.3 diatas. Parameter yang dapat dimasukkan kedalam aplikasi ini untuk digunakan pada proses segmentasi citra adalah jumlah cluster dan pilihan pemrosesan menggunakan metode FCM standar atau FCM-CSO. Inputan jumlah cluster berfungsi untuk menentukan banyaknya cluster atau kelompok warna yang dibentuk pada proses segmentasi citra. Penentuan nilai parameter-parameter ini bersifat bebas sehingga user dapat melakukan pengujian dengan berbagai parameter yang berbeda.

56

4.2. Eksekusi Program Eksekusi program utama ini bertujuan untuk menjalankan proses segmentasi citra dengan menggunakan algoritma yang dikembangkan terhadap citra uji yang digunakan dalam penelitian ini, yaitu Weizmann Segmentation Dataset. Hasil akhir dari proses segmentasi citra ini adalah berupa citra yang sudah tersegmentasi sesuai dengan jumlah cluster yang ditentukan. Selain itu, hasil akhir proses segmentasi citra ini juga menampilkan data segmentasi dalam setiap iterasi, berupa nilai fitness, nilai toleransi, dan interval waktu eksekusi tiap iterasi. Eksekusi program ini dapat menggunakan dua macam metode, yaitu metode FCM standar dan FCM-CSO.

Gambar 4.4 Tampilan proses segmentasi citra pada aplikasi

57

Tampilan aplikasi saat proses segmentasi citra ditunjukkan pada gambar 4.4 diatas. Pada tampilan aplikasi tersebut ditampilkan informasi hasil eksekusi program berupa jumlah iterasi, jumlah cluster, nilai toleransi, waktu eksekusi, nilai fitness, serta nilai XB index pada tiap proses iterasi. Setelah proses segmentasi citra selesai, citra output dapat dilihat pada tab “Results”. Pada tab tersebut ditampilkan citra diproses tiap iterasi dan citra hasil akhir clustering seperti gambar dibawah ini. Pengguna juga dapat mengubah warna tiap cluster pada bagian “change cluster color” agar lebih mudah untuk membandingkannya nanti dengan citra ground truth.

Gambar 4.5 Tampilan hasil pada tab “Results”

58

Data hasil pengujian dapat disimpan dengan cara memilih menu File > Save. Proses penyimpanan ini memerlukan input berupa ID Uji seperti tampilan antarmuka berikut.

Gambar 4.6 Tampilan simpan hasil pengujian

Citra uji pada penelitian ini masing-masing akan diuji coba dengan menggunakan algoritma FCM standar dan FCM-CSO. Setiap citra uji diuji dengan menggunakan parameter jumlah cluster mulai dari 2 s/d 10 cluster. Pengujian menggunakan jumlah cluster yang berbeda-beda ini bertujuan untuk mengetahui jumlah cluster yang paling optimal dari setiap citra uji. Jumlah cluster yang paling optimal adalah jumlah cluster yang menghasilkan nilai fitness XB Index yang paling kecil. Detail dari masing-masing pengujian menggunakan metode FCM standar maupun FCM-CSO akan dibahas pada subbab berikut.

59

4.2.1. Pengujian dengan Metode FCM Standar Pengujian dengan menggunakan algoritma FCM standar dilakukan sebanyak 9 kali pada setiap citra uji, dengan menggunakan variasi jumlah cluster mulai dari 2 s/d 10 cluster. Adapun beberapa parameter atau variabel tetap yang digunakan pada uji coba ini adalah: •

Maksimum iterasi = 100

•

Minimum toleransi = 0.0000001 Pengujian terhadap masing-masing citra uji akan dijabarkan secara rinci

sebagai berikut.

4.2.1.1. Pengujian citra uji “horses.png” dengan metode FCM standar Hasil uji coba citra uji “horses.png” menggunakan algoritma FCM standar ditampilkan pada tabel 4.1 berikut. Tabel 4.1 Hasil uji citra “horses.png” dengan FCM standar Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

9 15 14 30 12 24 26 34 19 20

00:00:07 00:00:19 00:00:25 00:01:13 00:00:38 00:01:36 00:02:07 00:03:21 00:02:13 80 detik

0.20718 0.06764 0.11321 0.07253 0.53544 0.34253 0.32665 1.56001 1.49813 0.5248133

60

Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling optimal adalah 3 cluster, dimana menghasilkan nilai XB Index yang paling kecil. Citra output hasil segmentasi menggunakan 3 cluster dapat dilihat pada gambar dibawah berikut.

(a)

(b)

(d)

(e)

(f)

(g)

(c)

(h)

Gambar 4.7 Hasil segmentasi citra “horses.png” “ dengan metode FCM standar : (a) original riginal image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1, (gg) cluster 2, (h) cluster 3

4.2.1.2. Pengujian citra uji “chain.png” “ dengan metode FCM standar Hasil uji coba citra uji “chain.png” menggunakan algoritma FCM standar ditampilkan pada tabel 4.2 4. berikut.

61

Tabel 4.2 Hasil uji citra “chain.png” dengan FCM standar Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

10 20 100 16 100 100 100 100 57 67

00:00:07 00:00:21 00:02:40 00:00:35 00:05:25 00:06:00 00:07:05 00:09:02 00:05:48 247 detik

0.05578 0.10344 0.05911 0.30605 0.77657 0.22451 0.58285 0.06137 0.10779 0.2530522


62

(a)

(b)

(d)

(e)

(f)

(g)

(c)

Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar: (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1, (gg) cluster 2,

4.2.1.3. Pengujian citra uji “redberry.png” “ dengan metode FCM standar Hasil uji coba citra uji “redberry.png” menggunakan algoritma FCM standar ditampilkan pada tabel 4.3 4. berikut.

63

Tabel 4.3 Hasil uji citra “redberry.png” dengan FCM standar Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

18 9 9 24 8 16 12 10 10 13

00:00:21 00:00:20 00:00:27 00:01:30 00:00:39 00:01:37 00:01:29 00:01:30 00:01:32 63 detik

0.07629 0.08609 0.08191 0.29465 0.20922 0.14663 0.12952 0.14402 0.1189 0.1430256


64

(a)

(b)

(d)

(e)

(f)

(g)

(c)

Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar : (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) ( cluster 2

4.2.1.4. Pengujian citra uji “duck.png” “ dengan metode FCM standar Hasil uji coba citra uji “duck.png” menggunakan algoritma FCM standar ditampilkan pada tabel 4.4 4. berikut.

65

Tabel 4.4 Hasil uji citra “duck.png” dengan FCM standar Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

6 10 11 13 16 19 100 9 10 22

00:00:03 00:00:08 00:00:13 00:00:20 00:00:33 00:00:49 00:05:21 00:00:35 00:00:45 59 detik

0.07592 0.12924 0.14354 0.09299 0.28552 0.08063 0.21521 0.48476 0.17716 0.1872189


66

(a)

(b)

(d)

(e)

(f)

(g)

(c)

Gambar 4.10 Hasil segmentasi citra “duck.png” dengan metode FCM standar: (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) cluster 2

4.2.1.5. Pengujian citra uji “carriage.png” “ dengan metode FCM standar Hasil uji coba citra uji “carriage.png” menggunakan algoritma FCM standar ditampilkan pada tabel 4.5 4. berikut.

67

Tabel 4.5 Hasil uji citra “carriage.png” dengan FCM Standar Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

12 11 9 23 37 100 100 10 100 45

00:00:07 00:00:09 00:00:11 00:00:38 00:01:20 00:04:32 00:05:34 00:00:40 00:07:57 141

0.09657 0.09769 0.20807 0.10056 0.15587 0.10936 0.29649 0.11041 0.10371 0.1420811


68

(a)

(b)

(d)

(e)

(f)

(g)

(c)

Gambar 4.11 Hasil segmentasi citra “carriage.png” dengan metode FCM standar : (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) cluster 2

4.2.2. Pengujian dengan Metode M FCM-CSO Pengujian dengan menggunakan algoritma FCM-CSO untuk segmentasi citra dilakukan sebanyak 9 kali uji coba pada setiap citra uji dengan menggunakan beberapa variasi jumlah cluster mulai dari 2 s/d 10 cluster. Beberapa parameter atau variabel tetap yang digunakan pada uji coba ini adalah: •

Maksimum iterasi = 100

•

Minimum toleransi = 0.0000001

•

Seeking Memory emory pada CSO = 50

69

•

Seeking Range pada CSO = 0.1

•

5 x 5 window untuk fungsi spasial Pengujian terhadap masing-masing citra uji akan dijabarkan secara rinci

sebagai berikut.

4.2.2.1. Pengujian citra uji “horses.png” dengan metode FCM-CSO Hasil uji coba citra uji “horses.png” menggunakan algoritma FCM-CSO ditampilkan pada tabel 4.6 berikut. Tabel 4.6 Hasil uji citra “horses.png” dengan FCM-CSO Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

27 11 26 21 13 21 100 16 29 29

00:00:32 00:00:26 00:01:07 00:01:15 00:01:08 00:01:55 00:09:11 00:02:17 00:04:12 147

0.20318 0.05564 0.10321 0.06553 0.52844 0.33053 0.16349 1.55701 1.48913 0.4995733


70

(a)

(b)

(d)

(e)

(f)

(g)

(c)

(h)

Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM-CSO: FCM (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) cluster 2, (h) cluster 3

4.2.2.2. Pengujian citra uji “chain.png” “ dengan metode FCM--CSO Hasil uji coba citra uji “chain.png” menggunakan algoritma FCM-CSO ditampilkan pada tabel 4.7 4. berikut.

71

Tabel 4.7 Hasil uji citra “chain.png” dengan FCM-CSO Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

6 18 22 100 100 100 100 44 100 66

00:00:10 00:00:31 00:00:51 00:04:41 00:05:16 00:06:36 00:07:56 00:04:39 00:12:01 285

0.04278 0.09144 0.04511 0.24587 0.69125 0.16701 0.52156 0.05437 0.19469 0.2282311


72

(a)

(b)

(d)

(e)

(f)

(g)

(c)

Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCM-CSO: FCM (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) cluster 2

4.2.2.3. Pengujian citra uji “redberry.png” “ dengan metode FCM-CSO FCM Hasil uji coba citra uji “redberry.png” menggunakan algoritma FCMCSO ditampilkan pada tabel 4.8 4. berikut.

73

Tabel 4.8 Hasil uji citra “redberry.png” dengan FCM-CSO Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

16 9 15 10 9 17 11 12 100 22

00:00:32 00:00:36 00:01:08 00:01:09 00:01:26 00:02:32 00:02:14 00:02:39 00:17:13 197

0.07429 0.07609 0.01091 0.28465 0.20122 0.13963 0.11552 0.13902 0.20771 0.1387822


74

(a)

(b)

(d)

(e)

(f)

(g)

(c)

FCM Gambar 4.14 Hasil segmentasi citra “redberry.png” dengan metode FCM-CSO: (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) cluster 2

4.2.2.4. Pengujian citra uji “duck.png” “ dengan metode FCM-CSO CSO Hasil uji coba citra uji “duck.png” menggunakan algoritma FCM-CSO ditampilkan pada tabel 4.9 4. berikut.

75

Tabel 4.9 Hasil uji citra “duck.png” dengan FCM-CSO Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

9 13 14 11 100 23 17 100 100 43

00:00:11 00:00:19 00:00:28 00:00:31 00:04:01 00:01:23 00:01:20 00:07:16 00:08:34 160

0.06492 0.11624 0.13654 0.08299 0.25762 0.06863 0.20421 0.46495 0.14069 0.1707544


76

(a)

(b)

(d)

(e)

(f)

(g)

(c)

Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCM-CSO: FCM (a) original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) cluster 2

4.2.2.5. Pengujian citra uji “carriage.png” “ Hasil uji coba citra uji “carriage.png” menggunakan algoritma FCMCSO ditampilkan pada tabel 4.10 4. berikut.

77

Tabel 4.10 Hasil uji citra “carriage.png” dengan FCM-CSO Jumlah Cluster

Jumlah Iterasi

Lama Eksekusi

Xie-Beni Index

2 3 4 5 6 7 8 9 10 Rata-rata

10 10 13 9 12 33 100 100 40 36

00:00:12 00:00:17 00:00:28 00:00:28 00:00:44 00:01:58 00:06:19 00:07:34 00:03:53 146

0.09457 0.09569 0.19807 0.09656 0.14487 0.09636 0.0274 0.21074 0.09471 0.1176633


78

(a)

(b)

(d)

(e)

(f)

(g)

(c)

FCM (a) Gambar 4.16 Hasil segmentasi citra “carriage.png” dengan metode FCM-CSO: original image, image (b) preprocessed image, (c) segmented image, image (d) final result,, (e) ground truth segmentation, (f) cluster 1,, (g) cluster 2

4.3. Perbandingan Hasil Dari hasil pengujian segmentasi citra diatas dengan menggunakan masing-masing masing algoritma FCM standar dan algoritma FCM-CSO, FCM CSO, maka dapat dirangkum perbandingan waktu eksekusi, jumlah iterasi, dan nilai Xie-Beni Xie index seperti tabel-tabel berikut.

79

Tabel 4.11 Perbandingan waktu eksekusi (detik) Jumlah Cluster Citra Uji

Metode 2

3

4

5

6

7

8

9

10

FCM

0:00:07

0:00:19

0:00:25

0:01:13

0:00:38

0:01:36

0:02:07

0:03:21

0:02:13

FCM-CSO

0:00:32

0:00:26

0:01:07

0:01:15

0:01:08

0:01:55

0:09:11

0:02:17

0:04:12

FCM

0:00:07

0:00:21

0:02:40

0:00:35

0:05:25

0:06:00

0:07:05

0:09:02

0:05:48

FCM-CSO

0:00:10

0:00:31

0:00:51

0:04:41

0:05:16

0:06:36

0:07:56

0:04:39

0:12:01

FCM

0:00:21

0:00:20

0:00:27

0:01:30

0:00:39

0:01:37

0:01:29

0:01:30

0:01:32

horses.png

chain.png

redberry.png FCM-CSO

0:00:32

0:00:36

0:01:08

0:01:09

0:01:26

0:02:32

0:02:14

0:02:39

0:17:13

FCM

0:00:03

0:00:08

0:00:13

0:00:20

0:00:33

0:00:49

0:05:21

0:00:35

0:00:45

FCM-CSO

0:00:11

0:00:19

0:00:28

0:00:31

0:04:01

0:01:23

0:01:20

0:07:16

0:08:34

FCM

0:00:07

0:00:09

0:00:11

0:00:38

0:01:20

0:04:32

0:05:34

0:00:40

0:07:57

FCM-CSO

0:00:12

0:00:17

0:00:28

0:00:28

0:00:44

0:01:58

0:06:19

0:07:34

0:03:53

duck.png

carriage.png

Berdasarkan tabel hasil perbandingan waktu eksekusi diatas, dapat dilihat rata-rata waktu eksekusi dengan menggunakan algoritma FCM-CSO lebih lama dibandingkan algoritma FCM standar. Hal ini disebabkan oleh proses-proses dalam algoritma FCM-CSO lebih kompleks dari algoritma FCM standar, karena adanya penerapan algoritma Cat Swarm Optimization. Tabel 4.12 Perbandingan jumlah iterasi Jumlah Cluster Citra Uji

Metode 2

3

4

5

6

7

8

9

10

FCM

9

15

14

30

12

24

26

34

19

FCM-CSO

27

11

26

21

13

21

100

16

29

FCM

10

20

100

16

100

100

100

100

57

FCM-CSO

6

18

22

100

100

100

100

44

100

FCM

18

9

9

24

8

16

12

10

10

FCM-CSO

16

9

15

10

9

17

11

12

100

FCM

6

10

11

13

16

19

100

9

10

FCM-CSO

9

13

14

11

100

23

17

100

100

FCM

12

11

9

23

37

100

100

10

100

FCM-CSO

10

10

13

9

12

33

100

100

40

horses.png

chain.png

redberry.png

duck.png

carriage.png

80

Berdasarkan tabel perbandingan jumlah iterasi diatas, setelah dihitung total jumlah iterasi menggunakan metode FCM standar lebih kecil dibandingkan total jumlah iterasi menggunakan metode FCM-CSO. Tabel 4.13 Perbandingan nilai Xie-Beni Index Citra Uji horses.png

chain.png

redberry.png

duck.png

carriage.png

Jumlah Cluster Metode FCM FCMCSO FCM FCMCSO FCM FCMCSO FCM FCMCSO FCM FCMCSO

2

3

4

5

6

7

8

9

10

0.20718

0.06764

0.11321

0.07253

0.53544

0.34253

0.32665

1.56001

1.49813

0.20318

0.05564

0.10321

0.06553

0.52844

0.33053

0.16349

1.55701

1.48913

0.05578

0.10344

0.05911

0.30605

0.77657

0.22451

0.58285

0.06137

0.10779

0.04278

0.09144

0.04511

0.24587

0.69125

0.16701

0.52156

0.05437

0.19469

0.07629

0.08609

0.08191

0.29465

0.20922

0.14663

0.12952

0.14402

0.1189

0.07429

0.07609

0.01091

0.28465

0.20122

0.13963

0.11552

0.13902

0.20771

0.07592

0.12924

0.14354

0.09299

0.28552

0.08063

0.21521

0.48476

0.17716

0.06492

0.11624

0.13654

0.08299

0.25762

0.06863

0.20421

0.46495

0.14069

0.09657

0.09769

0.20807

0.10056

0.15587

0.10936

0.29649

0.11041

0.10371

0.09457

0.09569

0.19807

0.09656

0.14487

0.09636

0.0274

0.21074

0.09471

Berdasarkan tabel perbandingan nilai Xie-Beni Index diatas, dapat dilihat algoritma FCM-CSO menghasilkan nilai XB Index yang lebih kecil daripada algoritma FCM standar pada setiap citra uji dengan jumlah cluster yang paling optimal. Hal ini menunjukkan hasil segmentasi citra menggunakan algoritma FCM-CSO menghasilkan cluster yang lebih bagus daripada algoritma FCM standar. Perbandingan hasil uji coba pada tabel diatas dapat dihitung nilai rata-rata iterasi, waktu eksekusi, dan nilai Xie-Beni Index-nya, dirangkum pada Tabel 4.14.

81

Tabel 4.14 Perbandingan rata-rata iterasi, waktu eksekusi dan XB Index Rata-rata Citra Uji

Metode Iterasi

horses.png chain.png redberry.png duck.png carriage.png

FCM FCM-CSO FCM FCM-CSO FCM FCM-CSO FCM FCM-CSO FCM FCM-CSO

20 29 67 66 13 22 22 43 45 36

Waktu Eksekusi (detik) 80 147 247 285 63 197 59 160 141 146

XB Index 0.5248133 0.4995733 0.2530522 0.2282311 0.1430256 0.1387822 0.1872189 0.1707544 0.1420811 0.1176633

Berdasarkan rangkuman perbandingan hasil antara kedua metode pada setiap citra uji diatas menunjukkan rata-rata jumlah iterasi yang dihasilkan dengan metode FCM standar lebih kecil dibandingkan metode FCM-CSO pada citra “horses.png”, “redberry.png”, dan “duck.png”.. Rata-rata nilai XB Index (nilai fitness) dari metode FCM-CSO lebih kecil dibandingkan FCM standar pada semua citra uji, ini menunjukkan metode FCM-CSO menghasilkan clustering yang lebih optimal dari FCM standar. Namun rata-rata waktu eksekusi menggunakan metode FCM-CSO pada semua citra uji lebih besar dibandingkan metode FCM standar, hal ini disebabkan oleh adanya tambahan proses optimasi pada metode FCM-CSO membuat waktu eksekusi lebih lama Perbandingan citra output dari kedua metode ini dapat dilihat pada gambar dibawah. Perbandingan hasil yang ditampilkan meliputi citra asli (original image), citra hasil segmentasi (result image) dari kedua metode, serta citra hasil yang diharapkan (ground truth segmentation).

82

(a)

(b)

(c)

(d)

“horses.png” : Gambar 4.17 Perbandingan hasil segmentasi citra uji “horses.png (a) original image, image (b) ground truth segmentation, (c) FCM result image, (d) FCM-CSO result image

(a)

(b)

(c)

(d)

Gambar 4.18 Perbandingan hasil segmentasi citra uji “chain.png” : (a) original image, image (b) ground truth segmentation, (c) FCM result image, image (d) FCM-CSO result image

83

(a)

(b)

(c)

(d)

Gambar 4.19 Perbandingan hasil segmentasi citra uji “redberry.png” : (a) original image, image (b) ground truth segmentation, (c) FCM result image, image (d) FCM-CSO result image

(a)

(b)

(c)

(d)

Gambar 4.20 20 Perbandingan hasil segmentasi citra uji “duck.png” : (a) original image, image (b) ground truth segmentation, (c) FCM result image, image (d) FCM-CSO result image

84

(a)

(b)

(c)

(d)

Gambar 4.21 Perbandingan hasil segmentasi citra uji “carriage.png” : (a) original image, image (b) ground truth segmentation, (c) FCM result image, image (d) FCM-CSO result image

Berdasarkan perbandingan hasil citra uji pada gambar diatas dapat dilihat metode FCM-CSO CSO dengan baik melakukan segmentasi pada citra “chain”, “redberry”, dan “carriage” yang sudah mendekati citra ground truth segmentation dibandingkan dengan metode FCM standar. Namun metode FCM-CSO FCM pada citra “horses” dan “duck” uck” masih terdapat beberapa kelemahan dalam melakukan segmentasi warna yang terdapat gradasi warna dimana warna objek hampir mirip dengan warna latar. Hal ini menyebabkan bagian objek yang terdapat pada citra masuk kedalam cluster latar atau background. Hal al ini menunjukkan metode FCMFCM CSO kurang bagus diterapkan pada citra dengan warna objek sama dengan warna latar.

85

4.4. Analisa Hasil Kuesioner Karakteristik responden menjadi hal yang berpengaruh terhadap kualitas dari suatu data, karena pengumpulan data dilakukan dengan menyebarkan kuesioner. Form kuesioner yang digunakan dalam penelitian ini dapat dilihat pada Lampiran 1. Sebelum melakukan pembahasan terhadap hasil perbandingan algoritma FCM-CSO dengan FCM standar dalam kuesioner ini akan dibahas mengenai karakteristik dari responden. 4.4.1. Karakteristik Responden Kuesioner penelitian ini ditujukan kepada responden mahasiswa ataupun dosen yang memahami tentang pengolahan citra digital, khususnya dalam bidang segmentasi citra. Pengumpulan data dilakukan dengan menyebarkan 30 kuesioner dari tanggal 12 Januari 2015 sampai dengan 16 Januari 2015. Dari kuesioner yang disebarkan, 20 kuesioner berhasil dikumpulkan kembali dan terisi dengan lengkap, sehingga data yang digunakan sebanyak 20. 4.4.2. Hasil perbandingan metode untuk citra uji “horses.png” Perbandingan metode FCM-CSO dengan metode FCM standar untuk citra uji “horses.png” dari 20 orang responden diperoleh hasil sebagai berikut: Tabel 4.15 Rangkuman hasil kuesioner citra uji “horses.png” Alternatif Jawaban

Bobot

Jumlah

Sangat Setuju Setuju Tidak Setuju Sangat Tidak Setuju Total

4 3 2 1

7 10 3 0 20 orang

Total Skor = Bobot * Jumlah 28 30 6 0 64

86

Langkah selanjutnya adalah menentukan interpretasi skor perhitungan. Untuk mendapatkan hasil interpretasi, sebelumnya harus ditentukan skor tertinggi dan skor terendah dengan rumus sebagai berikut: Y¯ZB _[B_8;^^8 = ]¯ZB _[B_8;^^8 y8¯[B_ ∗ >q9y:ℎ B[]NZ;7[; Y¯ZB _[B[;7:ℎ = ]¯ZB _[B[;7:ℎ y8¯[B_ ∗ >q9y:ℎ B[]NZ;7[;

Jadi, skor tertinggi untuk jawaban Sangat Setuju adalah 4 * 20 = 80, sedangkan skor terendah untuk jawaban Sangat Tidak Setuju adalah 1 * 20 = 20. Total skor yang diperoleh dari responden adalah 64, maka penilaian interpretasi terhadap perbandingan metode FCM-CSO dengan FCM standar untuk citra uji “horses.png” menggunakan rumus index % sebagai berikut: dq9q] \;7[D % =

_Z_:y ]¯ZB ∗ 100 ]¯ZB _[B_8;^^8

(4.1)

Sebelumnya tentukan interval (jarak) dan persentase interpretasi agar mengetahui penilaian metode mencari interval skor persen, dengan rumus interval sebagai berikut. \=

100 100 = = 25 c:;°:¯;°: >:{:c:; ±8¯[B_ 4

Jadi diperoleh interval 25% dari terendah 0% hingga tertinggi 100%. Berikut kriteria interpretasi skor berdasarkan intervalnya: •

Interval 0% - 24.99% = Sangat Tidak Setuju

•

Interval 25% - 49.99% = Tidak Setuju

•

Interval 50% - 74.99% = Setuju

87

•

Interval 75% - 100%

= Sangat Setuju

Maka, \;_[BNB[_:]8 % =

_Z_:y ]¯ZB 64 ∗ 100 = ∗ 100 = 80 ]¯ZB _[B_8;^^8 80

Jadi, nilai interpretasi yang diperoleh berada pada interval Sangat Setuju, sehingga dapat disimpulkan responden Sangat Setuju dengan pernyataan hasil segmentasi dengan metode FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM standar untuk citra uji “horses.png”.

4.4.3. Hasil perbandingan metode untuk citra uji “chain.png” Perbandingan metode FCM-CSO dengan metode FCM standar untuk citra uji “chain.png” dari 20 orang responden diperoleh hasil sebagai berikut: Tabel 4.16 Rangkuman hasil kuesioner citra uji “chain.png” Alternatif Jawaban

Bobot

Jumlah


4 3 2 1

3 12 5 0 20 orang

\;_[BNB[_:]8 % =


_Z_:y ]¯ZB 58 ∗ 100 = ∗ 100 = 72.5 ]¯ZB _[B_8;^^8 80

Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai interpretasi yang diperoleh disini berada pada interval Setuju, sehingga dapat

88

disimpulkan responden Setuju dengan pernyataan hasil segmentasi dengan metode FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM standar untuk citra uji “chain.png”.

4.4.4. Hasil perbandingan metode untuk citra uji “redberry.png” Perbandingan metode FCM-CSO dengan metode FCM standar untuk citra uji “redberry.png” dari 20 orang responden diperoleh hasil sebagai berikut: Tabel 4.17 Rangkuman hasil kuesioner citra uji “redberry.png” Alternatif Jawaban

Bobot

Jumlah


4 3 2 1

8 10 2 0 20 orang

\;_[BNB[_:]8 % =


_Z_:y ]¯ZB 66 ∗ 100 = ∗ 100 = 82.5 ]¯ZB _[B_8;^^8 80

Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai interpretasi yang diperoleh disini berada pada interval Sangat Setuju, sehingga dapat disimpulkan responden Sangat Setuju dengan pernyataan hasil segmentasi dengan metode FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM standar untuk citra uji “redberry.png”.

89

4.4.5. Hasil perbandingan metode untuk citra uji “duck.png” Perbandingan metode FCM-CSO dengan metode FCM standar untuk citra uji “duck.png” dari 20 orang responden diperoleh hasil sebagai berikut: Tabel 4.18 Rangkuman hasil kuesioner citra uji “duck.png” Alternatif Jawaban

Bobot

Jumlah


4 3 2 1

3 12 5 0 20 orang

\;_[BNB[_:]8 % =


_Z_:y ]¯ZB 58 ∗ 100 = ∗ 100 = 72.5 ]¯ZB _[B_8;^^8 80

Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai interpretasi yang diperoleh disini berada pada interval Setuju, sehingga dapat disimpulkan responden Setuju dengan pernyataan hasil segmentasi dengan metode FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM standar untuk citra uji “duck.png”.

4.4.6. Hasil perbandingan metode untuk citra uji “carriage.png” Perbandingan metode FCM-CSO dengan metode FCM standar untuk citra uji “carriage.png” dari 20 orang responden diperoleh hasil sebagai berikut:

90

Tabel 4.19 Rangkuman hasil kuesioner citra uji “carriage.png” Alternatif Jawaban

Bobot

Jumlah


4 3 2 1

3 12 5 0 20 orang

\;_[BNB[_:]8 % =


_Z_:y ]¯ZB 58 ∗ 100 = ∗ 100 = 72.5 ]¯ZB _[B_8;^^8 80

Jadi, sesuai dengan kriteria interval pada poin sebelumnya nilai interpretasi yang diperoleh disini berada pada interval Setuju, sehingga dapat disimpulkan responden Setuju dengan pernyataan hasil segmentasi dengan metode FCM-CSO lebih mendekati citra ground truth dibandingkan dengan metode FCM standar untuk citra uji “carriage.png”.

91

BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan uji coba yang telah dilakukan dalam penelitian ini dapat disimpulkan beberapa hal sebagai berikut: 1) Sistem segmentasi citra dengan metode FCM-CSO yang dikembangkan ini mampu melakukan segmentasi citra dengan menggunakan metode Fuzzy C Means dan Cat Swarm Optimization. Proses preprocessing dengan menggunakan metode SRM berfungsi untuk menyederhanakan warna pada citra uji agar lebih mudah untuk disegmentasi. Penerapan algoritma Cat Swarm Optimization disini adalah dengan menerapkan proses Seeking Mode dan Tracing Mode pada algoritma Fuzzy C Means untuk mendapatkan pusat cluster yang lebih bagus, dengan menggunakan Xie Beni Index sebagai fungsi objektifnya. 2) Hasil uji coba sistem ini menunjukkan bahwa dalam pengukuran nilai cluster validity menggunakan Xie Beni Index, hasil segmentasi dengan metode FCM-CSO lebih bagus daripada metode FCM standar. Berdasarkan hasil kuesioner untuk melakukan pengukuran berdasarkan persepsi manusia, responden menyatakan sangat setuju bahwa metode FCM-CSO lebih mendekati citra ground truth segmentation dibandingkan metode FCM standar pada citra uji “horses.png” dan “redberry.png”, serta menyatakan setuju metode FCM-CSO lebih mendekati citra ground truth

92

segmentation dibandingkan metode FCM standar pada citra uji “chain.png”, “duck.png”, dan “carriage.png”

5.2. Saran Penelitian ini menggunakan metode Fuzzy C Means dioptimasi dengan metode Cat Swarm Optimization untuk melakukan segmentasi citra. Meskipun dari hasil uji ciba menunjukkan metode FCM-CSO ini lebih bagus dari FCM standar, namun dapat dilihat pada citra hasi segmentasi masih terdapat beberapa kekurangan atau belum sesuai dengan hasil yang diharapkan (citra ground truth segmentation). Metode Cat Swarm Optimization yang digunakan dalam penelitian ini adalah CSO murni. Pada penelitian selanjutnya agar dicoba untuk menerapkan algoritma CSO yang sudah ditingkatkan lagi kinerjanya seperti Adaptive Dynamic Cat Swarm Optimization yang dikembangkan oleh M. Oroushkani, dkk. pada tahun 2013, agar mendapatkan hasil yang lebih optimal.

93

DAFTAR PUSTAKA

Ahmed, M. N., Yamany, S. M., Mohamed, N., Farag, A. A., Moriarty, T. A. 2002. Modified Fuzzy C-Means Algorithm for Bias Field Estimation and Segmentation of MRI data. IEEE Trans Med Imaging, vol. 21 : 193–9 Amiya Halder, Soumajit Pramanik. 2011. Dynamic Image Segmentation using Fuzzy C-Means based Genetic Algorithm. International Journal of Computer Application, vol. 28-No.6 Budi Santosa, Mirsa Kencana Ningrum. 2009. Cat Swarm Optimization for Clustering. IEEE of Soft Computing and Pattern Recognition : 54-59 Darma Putra. 2010. Pengolahan Citra Digital. Yogyakarta : ANDI Offset Jain, A.K., Murty M.N., and Flynn P.J. 1999. Data Clustering: A Review. ACM Computing Surveys, Vol 31, No. 3, 264-323. Keh-Shih Chuang, Hong-Long Tzeng, Sharon Chen, Jay Wu, Tzong-Jer Chen. 2006. Fuzzy c-means clustering with spatial information for image segmentation. Computerized Medical Imaging and Graphics, vol. 30 : 9–15 Liu, Yang and Kevin M. Passino. 2000. Swarm intelligence: Literature Overview. Department of Electrical Engineering: The Ohio State University Mahamed G. H., Omran, Andries P Engelbrecht, Ayed Salman. 2005. Dynamic Clustering using Particle Swarm Optimization with Application in Unsupervised Image Classification. Transactions on Engineering, Computing and Technology, vol. 9 : 199-204 Nock, Richard; Frank Nielsen. 2004. Statistical Region Merging. IEEE Transactions on Pattern Analysis and Machine Intelligence 26 (11): 1–7 Oroushkani, M., Oroushkani, Y., Mansouri, M., Teshnehlab, M. 2013. A Novel Cat Swarm Optimization Algorithm for Unconstrained Optimization Problem. IJITCS vol.5 no.11 pp 32 – 41 S Alpert, M Galun, R Basri, A Brandt. 2007. Image Segmentation by Probabilistic Bottom-Up Aggregation and Cue Integration. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition CVPR'07 : 18

94

S. C. Chu, P. W. Tsai. 2007. Computational Intelligence Based On The Behavior Of Cats. International Journal of Innovative Computing, Information and Control, vol. 3, no. 1 : 163-173 Sugiyono. 2002. Metode Penelitian Bisnis. PT. Gramedia Pustaka Utama : Jakarta Swagatam Das, Ajith Abraham. 2010. Spatial Information Based Image Segmentation Using a Modified Particle Swarm Optimization Algorithm. IITA Professorship Program, School of Computer Science and Engineering Tirimula Rao Benala, S. C. Satapathy. 2011. Cat Swarm Optimisation For Optimizing Hybridized Smoothening Filter In Image Edge Enhancement. International Conference on Systemics, Cybernetics and Informatics Yongguo Liu, Yidong Shen. 2010. Data Clustering with Cat Swarm Optimization. Journal of Convergence Information Technology, vol. 5, no. 8 Xie XL, Beni GA. 1991. Validity Measure For Fuzzy Clustering. IEEE Trans Pattern Anal Mach Intell Vol.3 : 841-6

95

LAMPIRAN

96

Lampiran 1 : Kuesioner Perbandingan Hasil Segmentasi Citra Data Responden Pekerjaan Bidang Studi

: :

□ Mahasiswa □ Dosen ______________________

Petunjuk Pengisian Kuesioner ini disusun untuk mengetahui perbandingan hasil segmentasi citra dengan metode FCM standar dan metode FCM-CSO. FCM Kuesioner ini ditujukan kepada mahasiswa ataupun dosen yang memahami pengolahan citra digital khususnya segmentasi citra, dilakukan dil dengan gan cara membandingkan dua buah citra hasil segmentasi yang disajikan dengan citra ground truth sebagai acuannya. Citra ground truth adalah hasil akhir segmentasi yang diharapkan dan dibuat secara manual sesuai dengan persepsi manusia. Keterangan: STS : Sangat Tidak Setuju TS : Tidak Setuju S : Setuju SS : Sangat Setuju 1.

Citra uji “horses.png”

Citra Asli



Hasil Segmentasi Metode A STS

TS

S

SS


97

2.

Citra uji “chain.png”

Citra Asli



3.


STS

Hasil Segmentasi Metode A TS S SS


STS

Hasil Segmentasi Metode A TS S SS

Citra uji “redberry.png”

Citra Asli



98

4.

Citra uji “duck.png”

Citra Asli


Pernyataan STS Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B

5.


TS

Hasil Segmentasi Metode A S SS


TS

Hasil Segmentasi Metode A S SS

Citra uji “carriage.png”

Citra Asli


Pernyataan STS Citra hasil segmentasi Metode A lebih mendekati citra ground truth daripada hasil segmentasi Metode B

SEGMENTASI CITRA BERBASIS CLUSTERING MENGGUNAKAN ALGORITMA FUZZY C-MEANS DAN CAT SWARM OPTIMIZATION

Recommend Documents