SEGMENTASI CITRA MENGGUNAKAN ALGORITMA FUZZY c-means (FCM) DAN SPATIAL FUZZY c-means (sfcm)

Jurnal Kubik, Volume 2 No. 1 (2017)

ISSN : 2338-0896

SEGMENTASI CITRA MENGGUNAKAN ALGORITMA FUZZY c-MEANS (FCM) DAN SPATIAL FUZZY c-MEANS (sFCM) Qonita U. Safitri, S.Si1, a) , Dr. Arief Fatchul Huda, S.Si. 2,b), dan Asep Solih A., M.Si3, c) 1,2,3

Jurusan Matematika Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung a)

email: [email protected] b) email: [email protected] c) email: [email protected]

Abstrak Pengolahan citra merupakan salah satu aplikasi yang dimanfaatkan dalam kehidupan. Salah satu kajian pengolahan citra adalah segmentasi. Segmentasi citra dilakukan dengan banyak pendekatan, diantaranya pedekatan klastering. Algoritma klastering yang digunakan pada segmentasi citra, umumnya berbasis fuzzy c-means. Fuzzy c-mean (FCM) membagi citra menjadi beberapa wilayah tingkat keabuan berdasarkan derajat keanggotaan pada rentang [0,1]. FCM kurang memanfaatkan informasi spasial, yang merupakan atribut penting dalam proses segmentasi citra. Oleh karena itu, Chuang dkk (2006) menambahkan fungsi spasial dalam perhitungan derajat keanggotaan FCM, dengan parameter kontrol non-spasial p dan parameter kontrol spasial q. Metode ini dikenal dengan nama spatial fuzzy cmeans (sFCM). Kinerja algoritma FCM dan sFCM diuji menggunakan data citra simulasi, citra batik dan citra otak. Hasil segmentasi terbaik ditentukan berdasarkan indeks validasi Vpe, Vpc, Vxb dan SC. Hasil segmentasi menunjukkan bahwa variasi parameter p dan q terbaik menurut indeks validasi Vpe dan Vpc adalah sFCM2,1 dan sFCM2,2, sedangkan Vxb dan SC menghasilkan nilai optimal untuk FCM. Namun, sFCM hanya memberikan sedikit perbaikan terhadap hasil segmentasi FCM pada citra yang mengandung gaussian noise. Artinya, sFCM tidak robust (tahan) pada citra noise. Kata kunci: Segmentasi Citra, Klastering, Fuzzy c-Means, Spatial Fuzzy c-Means Pendahuluan Segmentasi merupakan salah satu metode pengolahan citra yang banyak dikembangkan untuk pemanfaatan citra dalam kehidupan manusia, seperti mendiagnosa penyakit, pengawasan wilayah pertahanan, mengidentifikasi komponen rusak, dan perencanaan kota [16]. Proses segmentasi akan membagi citra menjadi wilayah-wilayah homogen, sehingga citra masukan akan mudah dianalisa. Segmentasi citra ditinjau berdasarkan komponen citra, seperti tingkat keabuan, tingkat kontras dan tekstur [1]. Metode segmentasi citra yang umum digunakan adalah segmentasi berbasis thresholding, deteksi tepi (edge detection), region based dan klastering [1]. Segmentasi berbasis klastering merupakan metode pendekatan yang sederhana dibandingkan metode pendekatan lainnya, karena tidak memerlukan data training dan estimasi parameter statistik sebelumnya. Salah satu algoritma klastering yang digunakan dalam segmentasi adalah algoritma fuzzy c-means (FCM). Segmentasi dengan fuzzy c-means (FCM) dan pengembangannya telah dikemukakan di berbagai literatur. Namun, FCM hanya dimanfaatkan pada nilai atribut citra saja, tanpa memanfaatkan informasi spasial pada citra. Oleh karena itu, Chuang dkk (2006) mencetuskan suatu metode segmentasi citra yang memanfaatkan informasi spasial. Algoritma ini disebut spatial fuzzy c-means (sFCM). Algoritma sFCM ini menghasilkan segmentasi yang lebih baik pada citra bila dibandingkan dengan FCM [3]. 22


ISSN : 2338-0896

sFCM pun telah banyak dikaji dan dimodifikasi oleh beberapa peneliti dalam beberapa tahun terakhir. Li dkk (2011) mengusulkan segmentasi citra medis berdasarkan penggabungan klastering spatial fuzzy dengan metode level set [10]. Mereka mencoba menggabungkan konsep persamaan diferensial parsial dengan spasial fuzzy c-means. Mehdi Hassan dkk (2012) juga memodifikasi spasial fuzzy c-means dengan memadukan beberapa klasifier untuk memperoleh hasil optimal [6]. Teknik segmentasi itu bermanfaat untuk mendeteksi noktah pada pembuluh karotid. Ji dkk (2012) juga menggabungkan informasi spasial lokal dalam proses segmentasi, sehingga memperbaiki ketahanan terhadap noise [7]. Meskipun sFCM telah banyak dimodifikasi, tetapi topik spatial fuzzy c-means (sFCM) masih menarik untuk dikaji. Karena pada literatur sebelumnya, ketahanan sFCM terhadap noise hanya diterapkan pada citra MRI dan citra pembuluh karotid. Namun, uji ketahanan ini belum dilakukan pada citra lain. Oleh karena itu, penulis tertarik untuk menganalisa hasil segmentasi citra menggunakan sFCM pada citra lain. Algoritma FCM dipilih sebagai pembanding hasil segmentasi menggunakan sFCM. Segmentasi dan Klastering Citra (image) adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra terbagi menjadi dua, yaitu citra analog dan citra digital. Citra analog adalah citra yang terdiri dari sinyalsinyal frekuensi elektromagnetis yang belum dibedakan sehingga ukurannya tidak dapat ditentukan, seperti gambar pada monitor televisi dan lukisan. Sedangkan citra digital adalah citra yang terdiri dari sinyal-sinyal frekuensi elektromagnetis yang sudah di-sampling sehingga ukuran titik gambar tersebut dapat ditentukan, misalnya foto digital [11]. Citra digital dapat didefinisikan sebagai fungsi dua variabel, 𝑓(𝑥, 𝑦), dimana 𝑥 dan 𝑦 adalah koordinat spasial, sedangkan nilai 𝑓(𝑥, 𝑦) adalah intensitas citra pada koordinat tersebut. Intensitas 𝑓(𝑥, 𝑦) di titik (𝑥, 𝑦) disebut tingkat keabuan (grey-level), yang bergerak dari hitam ke putih, sedangkan citranya disebut citra skala keabuan (greyscale image). Citra digital yang berukuran NxM biasanya dinyatakan dalam bentuk matriks berukuran N baris dan M kolom, sebagai berikut: [12] 𝑓(0,0) 𝑓(0,1) ⋯ 𝑓(0, 𝑀 − 1) 𝑓(1,0) 𝑓(1,1) ⋯ 𝑓(1, 𝑀 − 1) 𝑓(𝑥, 𝑦) = [ ] (1) ⋮ ⋮ ⋱ ⋮ 𝑓(𝑁 − 1,0) 𝑓(𝑁 − 1,1) ⋯ 𝑓(𝑁 − 1, 𝑀 − 1) Setiap elemen pada citra digital (elemen matriks) disebut image element, picture element atau pixel. Gambar 1 di bawah ini merupakan contoh citra digital yang dinyatakan dalam matriks NxM.

(b) (a) Gambar 1. (a) citra digital; (b) matriks dari citra (a). [11] Selain dalam bentuk matriks, metode penyajian citra lainnya adalah histogram. Histogram dari suatu citra menyatakan frekuensi relatif dari tingkat keabuan dalam citra [1]. Secara umum, citra yang tidak dimampatkan disimpan dalam bentuk bitmap. Bentuk bitmap ini biasa disebut BMP. Pada bentuk bitmap, citra disimpan sebagai suatu matriks, dimana masing-masing elemen digunakan untuk menyimpan nilai intensitas setiap pixel. Nilai intensitas ini menyatakan 23


ISSN : 2338-0896

informasi warna pixel. Citra dalam bentuk bitmap terbagi menjadi tiga macam, yaitu citra biner, citra monokrom (grey-scale) dan citra berwarna (full color) [2, 13, 17]. Citra biner merupakan citra yang hanya mempunyai dua tingkat keabuan, yaitu 0 dan 1. Oleh karena itu, 1 bit sudah cukup untuk merepresentasikan nilai pixel. Citra monokrom hanya mempunyai satu kanal warna, dari hitam ke putih. Citra monokrom umumnya adalah citra 8-bit. Citra berwarna adalah citra yang lebih umum. Setiap pixel disusun oleh tiga komponen warna: R (red), G (green), B (blue). Kombinasi dari tiga warna RGB tersebut menghasilkan warna yang khas untuk pixel yang bersangkutan [13]. 1. Segmentasi citra Secara umum, segmentasi adalah metode pemisahan suatu objek menjadi beberapa objek atau daerah [1, 2, 8]. Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara tingkat keabuan suatu pixel dengan tingkat keabuan pixel-pixel tetangganya [2]. Contoh 1: Γ = {γ ∶ γ = 0 atau 1} mendefinisikan dua segmen pada citra biner. Dan Γ = {γ ∶ γ = 1, 2,3, … , 𝑘} mendefinisikan k segmen yang berbeda pada kelas segmentasi multiclass. Segmentasi bertujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. 2. Klastering Klastering adalah salah satu teknik segmentasi citra yang banyak dikembangkan. Klastering adalah salah satu aktifitas mental manusia yang digunakan untuk mengumpulkan semua informasi yang mereka dapatkan setiap hari. Secara umum, langkah dasar dalam klastering adalah [16]: a. Memilih atribut agar data yang dianalisa memuat informasi yang sesuai dengan kebutuhan. b. Proximity measure untuk mengukur kemiripan dua vektor atribut. c. Kriteria kepantasan bentuk klaster data. d. Menentukan algoritma klastering yang digunakan untuk menentukan struktur klaster dalam data. e. Validasi hasil klastering f. Interpretasi hasil klastering untuk mendapatkan kesimpulan yang benar. Definisi [16] Misal X adalah suatu himpunan data, dimana 𝑋 = {𝑥1 , 𝑥2 , … , 𝑥𝑁 }. Didefinisikan mklastering dari X, ℜ, adalah partisi X menjadi m himpunan (klaster), 𝐶1 , 𝐶2 , … , 𝐶𝑚 , yang memenuhi: 𝐶𝑖 ≠ ∅ , 𝑖 = 1,2, … , 𝑚 𝑚

⋃ 𝐶𝑖 = 𝑋 𝑖=1

𝐶𝑖 ∩ 𝐶𝑗 = ∅ , 𝑖 ≠ 𝑗, 𝑖, 𝑗 = 1,2, … , 𝑚 dimana vektor yang termuat pada klaster 𝐶𝑖 adalah “lebih mirip” satu sama lain dan “tidak mirip” bergantung pada jenis kelompok data yang dianalisa. Contoh 2: [9] Perhatikan gambar 2 di samping. Berdasarkan definisi, maka klastering yang diperoleh adalah, ℜ1 = {𝐶1 , 𝐶2 , 𝐶3 } , dengan 𝐶1 = {𝑥1 , 𝑥2 } , 𝐶2 = {𝑥3 , 𝑥4 } , , 𝐶3 = {𝑥5 , 𝑥6 , 𝑥7 } , dan ℜ2 = {𝐶1 , 𝐶2 } , dengan 𝐶1 = {𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 } dan 𝐶2 = {𝑥5 , 𝑥6 , 𝑥7 }. Gambar 2. Contoh klastering.

24


ISSN : 2338-0896

Proximity adalah suatu koefisien yang menyatakan hubungan antara dua objek. Koefisien proximity inilah yang akan digunakan untuk menentukan di kelas mana sebuah objek berada. Terdapat dua jenis proximity, yakni disimilaritas dan similaritas. Similaritas adalah ukuran kemiripan antara suatu objek dengan objek lainnya. Disimilaritas adalah ukuran ketidakmiripan antara suatu objek dengan objek lainnya. Contoh perhitungan similaritas adalah Pearson’s correlation coefficient. Sedangkan contoh disimilaritas adalah jarak euclid. Metode klastering berdasarkan hasilnya dibagi menjadi dua, yaitu hard clustering dan fuzzy clustering. Algoritma hard clustering memberikan label kelas 𝑙𝑖 ∈ {1,2, … , 𝑘} kepada setiap objek 𝑥𝑖 sebagai identitas kelas objek tersebut, dimana k adalah jumlah klaster. Dengan kata lain, dalam hard clustering, setiap objek diasumsikan berada dalam tepat satu klaster. Dalam fuzzy clustering, setiap objek dapat dimiliki oleh beberapa klaster dengan peluang tertentu. Setiap metode klastering memiliki kelebihan dan kelemahan. Oleh karena itu, dikembangkan teknik untuk memvalidasi hasil klastering. Seperti silhouette coefficient (SC), partition coefficient 𝑉𝑝𝑐 , partition entropy 𝑉𝑝𝑒 dan indeks Xie-Beni [5, 14]. Nilai validasi tersebut dapat diperoleh dengan persamaanpersamaan berikut, 𝑆𝐶 =

1 |𝐷|

∑|𝐷| 𝑖=1 𝑠𝑖 , dimana 𝑠𝑖 =

𝑏𝑖 −𝑎𝑖 𝑚𝑎𝑥{𝑎𝑖 ,𝑏𝑖 }

(2)

dimana |D| adalah jumlah objek dalam klas, 𝑠𝑖 adalah SC untuk objek ke-i, 𝑎𝑖 adalah rata-rata jarak objek ke-i dengan seluruh objek pada klasternya, dan 𝑏𝑖 adalah rata-rata jarak objek ke-i dengan klaster terdekatnya. Nilai SC yang menuju 1 menunjukkan klaster kuat yang terbentuk dari data. Nilai 𝑉𝑝𝑐 dan 𝑉𝑝𝑒 dapat dihitung menggunakan persamaan berikut, 𝑉𝑝𝑐 (𝑼) =

1 𝑛

2 ∑𝑐𝑘=1 ∑𝑛𝑖=1 𝑢𝑖𝑘

(3)

dan 𝑉𝑝𝑒 (𝑼) = −

1 𝑛

∑𝑐𝑘=1 ∑𝑛𝑖=1 𝑢𝑖𝑘 log(𝑢𝑖𝑘 )

(4)

Percobaan empiris menunjukkan bahwa partisi terbaik akan diperoleh jika nilai 𝑉𝑝𝑐 maksimal atau nilai 𝑉𝑝𝑒 minimal untuk suatu jumlah klaster. Indeks Xie-Beni dapat dihitung dengan persamaan berikut, 𝑉𝑥𝑏 (𝑈, 𝑉; 𝑋) =

𝑚 2 ∑𝑐𝑘=1 ∑𝑛 𝑖=1 𝑢𝑖𝑘 ‖𝑥𝑖−𝑣𝑘 ‖

𝑛(min{𝑣𝑖 −𝑣𝑗})

(5)

dimana 𝑥𝑖 adalah objek ke-i, 𝑣𝑘 adalah centroid klaster ke-k, 𝑛 adalah jumlah data, dan 𝑢𝑖𝑘 adalah derajat keanggotaan objek 𝑥𝑖 di klaster 𝑐𝑘 . 3. Fuzzy c-Mean (FCM) Secara bahasa, fuzzy diartikan samar, kabur atau tidak jelas. Istilah ini pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965 [4]. Istilah fuzzy digunakan untuk menyatakan kelompok/ himpunan yang dapat dibedakan dengan kelompok lain berdasarkan derajat keanggotaan secara samar atau tidak tegas [15]. Konsep logika fuzzy didasarkan pada konsep himpunan biasa (himpunan tegas/crisp), yang menekankan peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan. Contoh 3 [4]: Misalkan atribut umur dibagi menjadi 3 kategori, yaitu: MUDA umur < 35 tahun PAROBAYA 35 tahun ≤ umur ≤ 55 tahun TUA umur > 55 tahun Berdasarkan himpunan fuzzy, seseorang yang berusia 40 tahun memiliki derajat keanggotaan di himpunan MUDA dan PAROBAYA, dimana 𝜇𝑀𝑈𝐷𝐴 (40) = 0,25 dan 𝜇𝑃𝐴𝑅𝑂𝐵𝐴𝑌𝐴 (40) = 0,5. Sehingga, 25


ISSN : 2338-0896

berdasarkan nilai maksimum derajat keanggotaan, maka 40 tahun dapat dikatakan PAROBAYA. Nilai keanggotaan secara grafis untuk himpunan MUDA, PAROBAYA dan TUA dapat dilihat pada gambar 3.

Gambar 3.Himpunan fuzzy untuk atribut umur. [4] Metode klastering fuzzy c-mean (FCM) pertama kali diperkenalkan oleh J.C. Bezdek (1981). Fuzzy cmeans (FCM) memungkinkan setiap objek berada dalam beberapa klaster, namun jika dijumlahkan maka derajat keanggotaannya adalah satu. Secara sederhana, ide dasar FCM adalah membagi n buah data kedalam himpunan yang tidak unik. Tujuannya untuk memperbaiki data klaster berdasarkan derajat keanggotaan, dimana derajat keanggotaan tiap objek berupa bilangan riil pada selang [0,1]. Derajat keanggotaan 𝜇𝑘 (𝑥𝑖 ) = 𝜇𝑖𝑘 dan centroid 𝑉𝑘 dihitung menggunakan persamaan berikut, 𝑉𝑘𝑗 =

𝑤 ∑𝑛 𝑖=1((𝜇𝑖𝑘 ) .𝑋𝑖𝑗 )

(6)

𝑤 ∑𝑛 𝑖=1(𝜇𝑖𝑘 )

dan 1 2 − 𝑤−1

𝜇𝑖𝑘 =

[∑𝑚 𝑗=1(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ]

(7)

1

2 −𝑤−1 ∑𝑐𝑘=1[∑𝑚 𝑗=1(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ]

Algoritma FCM dinyatakan dalam diagram alir pada gambar 4. mulai

Tentukan banyaknya klaster c, bobot fuzzifikasi, iterasi maksimal.

Inisialisasi centroid untuk tiap klaster

Hitung derajat keanggotaan objek di tiap klaster

Hitung fungsi objektif

Hitung centroid baru untuk tiap klaster berdasarkan derajat keanggotaan Tidak

selesai

Ya

Apakah fungsi obyektif sudah minimal? Atau iterasi sudah maksimal?

Gambar 4. Diagram alir untuk fuzzy c-means (FCM). 4. Spatial Fuzzy c-means (sFCM) Citra memiliki atribut penting selain nilai pixel, yaitu informasi spasial. Informasi spasial diperoleh dari letak pixel suatu citra. Segmentasi citra yang memanfaatkan informasi spasial ini disebut spatial fuzzy c-means (sFCM). sFCM diperkenalkan oleh Chuang dkk (2006), dan telah dikaji di berbagai literatur dengan berbagai perbaikan efektifitas. Chuang dkk menambahkan informasi spasial ke dalam algoritma FCM konvensional. Informasi spasial tersebut dapat diperoleh dari fungsi spasial yang di definisikan sebagai berikut [3], ℎ𝑘𝑗 = ∑𝑖 ∈𝑁𝐵(𝑥𝑗 ) 𝑢𝑖𝑘 (8) dimana ℎ𝑘𝑗 adalah nilai fungsi spatial di window ke-j pada klaster ke-k, dan 𝑁𝐵(𝑥𝑗 ) adalah kotak window yang berpusat di 𝑥𝑗 pada domain spasial. fungsi spasial ℎ𝑘𝑗 menyatakan peluang pixel 𝑥𝑗 berada 26


ISSN : 2338-0896

pada klaster ke-k. Kemudian fungsi spasial ini digabungkan dengan fungsi keanggotaan pada FCM konvensional menjadi, 𝑝

𝑢′𝑖𝑘 = ∑𝑐

𝑞

𝑢𝑖𝑘 ℎ𝑗𝑘

(9)

𝑝 𝑞 𝑘=1 𝑢𝑖𝑘 ℎ𝑗𝑘

dimana p dan q adalah parameter kontrol untuk fungsi spasial dan non-spasial. Fungsi spasial ini akan memperkuat keanggotaan asli dalam suatu klaster, sehingga hasil klaster tidak akan berubah. Namun, untuk pixel noise, fungsi spasial akan membantu mengurangi bobot noise sehingga pixel noise akan dikelompokkan ke dalam klaster pixel tetangganya. Spatial fuzzy c-mean dengan parameter p dan q dinotasikan sebagai 𝑠𝐹𝐶𝑀𝑝,𝑞 . Sehingga 𝑠𝐹𝐶𝑀1,0 identik dengan fuzzy c-means (FCM) konvensional. mulai

Tentukan banyaknya klaster c, bobot fuzzifikasi, Parameter p dan q, jumlah window dan iterasi maksimal

Inisialisasi centroid untuk tiap klaster

Hitung centroid baru untuk tiap klaster berdasarkan derajat keanggotaan

Hitung fungsi objektif

Hitung derajat keanggotaan dengan atribut spasial

Hitung derajat keanggotaan objek di tiap klaster

Hitung nilai fungsi spasial untuk setiap window

Tidak

selesai

Ya

Apakah fungsi obyektif sudah minimal? Atau iterasi sudah maksimal?

Gambar 5. Diagram alir untuk spatial fuzzy c-means (sFCM). Percobaan Citra yang disegmentasi adalah citra simulasi, citra batik dan citra otak, yang diperoleh dari koleksi pribadi kerabat dan pangkalan data berbasis internet, yaitu BrainMaps: An Interactive Multiresolution Brain Atlas. Kajian utama dalam penelitian ini adalah segmentasi menggunakan algoritma FCM dan sFCM pada citra monokrom. Pada penelitian ini terdapat 4 tahapan utama, yaitu pemilihan citra input, penambahan noise dan konversi citra menjadi citra monokrom, segmentasi dan validasi hasil segmentasi. 1. Pemilihan data citra Citra input yang dipilih adalah citra simulasi, citra batik dan citra otak. Citra simulasi yang digunakan merupakan citra bergradasi dengan tingkat keabuan yang kompleks. Citra simulasi ini diharapkan dapat memberikan gambaran hasil segmentasi secara keseluruhan, memberikan informasi mengenai parameter p dan q terbaik pada sFCM dan menentukan validasi optimal pada proses segmentasi. Citra batik dan citra otak merupakan citra yang digunakan untuk menguji kinerja FCM dan sFCM saat diterapkan pada citra riil dari objek di sekitar kita. 2. Penambahan noise dan konversi citra menjadi citra monokrom Kinerja algoritma FCM dan sFCM akan diuji pula pada citra yang telah diberi noise. Noise yang dipilih untuk menguji kinerja algoritma adalah gaussian noise. Gaussian noise dalam suatu citra digital adalah noise yang ditimbulkan selama pengambilan citra, misalnya karena lemahnya penerangan atau temperatur tinggi.

27


ISSN : 2338-0896

Gambar 6. Himpunan citra simulasi yang telah diberi gaussian noise.

Gambar 7. Citra batik monokrom yang telah ditambah noise.

Gambar 8. Citra otak monokrom yang telah ditambah noise. 3. Segmentasi Sebelum melakukan segmentasi ditentukan beberapa parameter terlebih dahulu. Pada FCM, parameter yang harus ditentukan adalah jumlah klaster, parameter fuzzifikasi w, nilai ambang error dan iterasi maksimum untuk membatasi proses segmentasi. Maka dipilih parameter fuzzifikasi w=2, nilai ambang 10−5 dan iterasi maksimum MaxIter = 150. Sedangkan pada sFCM, terdapat tambahan parameter kontrol untuk atribut spasial q dan non-spasial p. Maka dipilih beberapa variasi nilai p dan q, sehingga percobaan yang dilakukan menggunakan variasi sFCM0,1 (p=0, q=1), sFCM0,2, sFCM1,1, sFCM1,2, sFCM2,1 dan sFCM2,2. 4. Validasi hasil segmentasi. Hasil segmentasi diperiksa dan divalidasi menggunakan indeks 𝑉𝑝𝑒 , 𝑉𝑝𝑐 , 𝑉𝑥𝑏 dan SC. Hasil terbaik ditentukan dengan kriteria optimal pada masing-masing indeks validasi. Kriteria optimal tersebut adalah minimasi 𝑉𝑝𝑒 , maksimasi 𝑉𝑝𝑐 , minimasi 𝑉𝑥𝑏 dan maksimasi SC. Desain dan skenario percobaan yang disusun untuk menyelesaikan percobaan ini adalah sebagai berikut: 1) Input data berupa citra berukuran NxM, dimana N adalah jumlah baris pixel dan M adalah jumlah kolom pixel. 2) Data simulasi asli dan yang telah ditambah noise disegmentasi menggunakan FCM untuk menentukan jumlah klaster optimal dan digunakan untuk menentukan parameter p dan q terbaik untuk proses sFCM. Hasil segmentasi citra simulasi noise juga akan digunakan untuk melihat ketahanan algoritma terhadap noise.

Gambar 9. Alur segmentasi pada citra simulasi. 28

Jurnal Kubik, Volume 2 No. 1 (2017) 3) 4)

ISSN : 2338-0896

Parameter p dan q yang diperoleh akan digunakan segmentasi citra batik dan citra otak menggunakan sFCM. Hasil segmentasi citra menggunakan algoritma sFCM akan dibandingkan dengan hasil segmetasi FCM untuk memperoleh algoritma yang menghasilkan validasi optimal dalam proses segmentasi citra.

Gambar 10. Alur percobaan yang dilakukan pada citra batik dan otak. Hasil dan Diskusi 1. Segmentasi Citra Simulasi Citra simulasi asli dan citra yang telah ditambah noise disegmentasi menggunakan FCM untuk menemukan jumlah klaster optimal. Dari hasil segmentasi tersebut, dihasilkan jumlah klaster yang sama pada citra simulasi asli 2, 3, dan 4, yaitu c=7, sedangkan pada citra simulasi 1 jumlah klaster optimal adalah c=9, sedangkan citra simulasi yang telah ditambah gaussian noise menghasilkan jumlah klaster yang sama, yaitu c=3. Jumlah klaster yang diperoleh dari proses FCM, digunakan untuk menentukan parameter p dan q yang akan menghasilkan segmentasi terbaik pada sFCM. Hasil segmentasi pada citra simulasi noise menggunakan sFCM dengan variasi parameter kontrol p dan q disajikan pada tabel 1. Tabel 1. Hasil segmentasi menggunakan sFCMp,q pada citra simulasi noise. No. 1 2 3 4

Citra Simulasi 1 Simulasi 2 Simulasi 3 Simulasi 4

Variasi Parameter p&q optimal sFCM2,2 sFCM2,2 sFCM2,2 sFCM2,2

F. Objektif

Iterasi

7303305,05 6067768,72 5969143,46 4555601,75

67 56 61 50

𝑽𝒑𝒆

𝑽𝒑𝒄

𝑽𝒙𝒃

0,068 0,056 0,054 0,038

0,959 0,966 0,968 0,977

0,155 0,129 0,124 0,096

SC 0,722 0,744 0,740 0,752

Dari tabel 1, dapat dilihat bahwa sFCM yang akan memberikan segmentasi terbaik pada citra yang telah ditambah gaussian noise ketika p=q=2. Hal ini menunjukkan bahwa segmentasi yang baik pada citra noise akan dihasilkan sFCM jika parameter kontrol untuk atribut nonspasial p dan parameter kontrol spasial q bernilai sama.

(a) FCM

(b) sFCM2,2 Gambar 11. Hasil Segmentasi Citra Simulasi yang telah ditambah gaussian noise. 29


ISSN : 2338-0896

Hasil percobaan menggunakan FCM dan sFCM2,2 pada citra noise menghasilkan partisi yang homogen berdasarkan koefisien 𝑉𝑝𝑒 dan 𝑉𝑝𝑐 . Namun, sFCM menghasilkan koefisien 𝑉𝑝𝑒 yang lebih kecil dan koefisien 𝑉𝑝𝑐 yang lebih besar daripada FCM. Artinya, sFCM menghasilkan partisi yang lebih baik daripada FCM. Jika memandang kepadatan pada atribut non-spasial berdasarkan 𝑉𝑥𝑏 , maka FCM menghasilkan 𝑉𝑥𝑏 yang lebih kecil, artinya klaster yang dihasilkan dengan FCM lebih padat dibandingkan sFCM. Begitupula pada indeks SC, FCM menghasilkan koefisien SC yang lebih besar, artinya klaster yang dihasilkan FCM lebih kuat daripada sFCM. Tetapi perbedaan hasil antara FCM dan sFCM2,2 tidak terlalu signifikan. Hasil percobaan juga menunjukkan bahwa noise dapat merubah jumlah klaster optimal pada citra. Gaussian noise mengubah sebaran data tingkat keabuan pixel, sehingga data lebih menyebar dan klaster alami yang terbentuk lebih sedikit. Tabel 3 menyajikan rata-rata pergeseran centroid akhir dari proses segmentasi citra noise. Tabel 2. Perbandingan hasil segmentasi FCM dan sFCM2,2 pada citra simulasi noise Val.

Vpe

Vpc

Vxb

SC

Data

Jumlah Klaster (c)

Simulasi 1 Simulasi 2 Simulasi 3 Simulasi 4 Simulasi 1 Simulasi 2 Simulasi 3 Simulasi 4 Simulasi 1 Simulasi 2 Simulasi 3 Simulasi 4 Simulasi 1 Simulasi 2 Simulasi 3 Simulasi 4

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3

FCM 0,335 0,290 0,284 0,241 0,816 0,843 0,846 0,871 0,104 0,092 0,089 0,077 0,741 0,759 0,755 0,761

sFCM2,2 0,068 0,056 0,054 0,038 0,959 0,966 0,968 0,977 0,155 0,129 0,124 0,096 0,722 0,744 0,740 0,752

Tabel 3. Rata-rata selisih centroid akhir proses segmentasi pada citra yang telah ditambah noise. No. 1 2 3 4

Data Simulasi 1 Simulasi 2 Simulasi 3 Simulasi 4

Jumlah Klaster (c) 3 3 3 3

Rata-rata Selisih Centroid Akhir FCM sFCM2,2 11,74 1,52 92,82 28,32 9,34 8,87 7,34 37,29

2. Segmentasi Citra Batik Segmentasi juga dilakukan pada citra batik yang telah ditambah gaussian noise. Hasil segmentasi citra batik noise disajikan pada tabel 4. Sebaran data tingkat keabuan citra batik tidak berbeda secara signifikan antara citra asli dan citra yang ditambah gaussian noise. Hal ini pula yang menyebabkan hasil segmentasi citra batik tidak berbeda signifikan pada FCM dan sFCMp,q.

30


ISSN : 2338-0896

Tabel 4. Hasil segmentasi citra batik yang telah ditambah gaussian noise. No.

Citra

1

Batik 1

2

Batik 2

3

Batik 3

4

Batik 4

Jumlah klaster (c) 3 3 3 3 3 3 3 3

Metode FCM sFCM2,2 FCM sFCM2,2 FCM sFCM2,2 FCM sFCM2,2

F. Objektif

Iterasi

19346747,58 23963769,42 15324267,05 18539285,21 21188499,68 26205724,73 15691879,90 19715822,93

46 56 55 78 49 105 48 150

𝑽𝒑𝒆

𝑽𝒑𝒄

0,274 0,065 0,266 0,059 0,342 0,107 0,343 0,111

0,855 0,962 0,860 0,966 0,813 0,937 0,811 0,936

𝑽𝒙𝒃 0,043 0,056 0,044 0,054 0,074 0,080 0,084 0,082

SC 0,793 0,768 0,783 0,765 0,762 0,742 0,756 0,744

Tabel 5. Rata-rata selisih centroid akhir segmentasi. No. 1 2 3 4

Data Batik 1 Batik 2 Batik 3 Batik 4

Jumlah Klaster (c)

Rata-rata Selisih Centroid Akhir FCM

3 3 3 3

1,71 2,93 6,75 2,12

sFCM2,2 1,80 1,98 6,42 8,01

Pada tabel 5, terlihat pula bahwa sFCM menghasilkan selisih centroid yang minimal pada citra batik 2 dan 3. Sedangkan pada citra batik 1 dan 4, FCM menghasilkan rata-rata selisih centroid akhir yang lebih kecil dari sFCM. Meskipun begitu, perbedaan tersebut tidak signifikan karena sebaran data tingkat keabuan citra cenderung merata pada selang 0-255.

(a) FCM

(c) sFCM2,2 Gambar 12. Hasil Segmentasi Citra Batik yang telah ditambah gaussian noise. 3. Segmentai Citra Otak Seperti citra batik, citra otak yang telah diberi gaussian noise juga disegmentasi menggunakan FCM dan sFCM2,2. Setiap citra dibagi menjadi 3 klaster hingga 9 klaster. Hasil segmentasi divalidasi menggunakan 𝑉𝑝𝑒 , 𝑉𝑝𝑐 , 𝑉𝑥𝑏 dan SC. Hasil segmentasi citra otak noise disajikan pada tabel 5 di bawah ini.

31


ISSN : 2338-0896

Tabel 5. Hasil segmentasi citra otak yang telah ditambah gaussian noise. No.

Citra

1

Otak 1

2

Otak 2

3

Otak 3

4

Otak 4

Metode FCM sFCM2,2 FCM sFCM2,2 FCM sFCM2,2 FCM sFCM2,2

Jumlah klaster (c) 4 4 4 4 4 4 3 4

F. Objektif

Iterasi

12494840,81 18061833,60 12190240,05 17169572,30 12522798,53 17656222,34 28130615,39 21015634,65

44 43 40 36 41 38 50 36

𝑽𝒑𝒆

𝑽𝒑𝒄

𝑽𝒙𝒃

SC

0,383 0,063 0,353 0,059 0,345 0,058 0,369 0,073

0,803 0,963 0,820 0,966 0,824 0,966 0,799 0,957

0,044 0,066 0,042 0,060 0,041 0,060 0,078 0,072

0,783 0,758 0,796 0,762 0,798 0,759 0,754 0,755

Pada citra otak, noise memberikan pengaruh yang cukup signifikan pada hasil segmentasi. Untuk melihat seberapa besar pengaruh noise ini, dapat dilihat dari pergeseran centroid akhir yang dihasilkan dalam proses segmentasi. Tabel 6 menyajikan rata-rata selisih centroid klaster pada citra otak. Tabel 6. Rata-rata selisih centroid pada citra otak yang telah diberi noise. No. 1 2 3 4

Data Otak 1 Otak 2 Otak 3 Otak 4

Jumlah Klaster (c)

Rata-rata Selisih Centroid Akhir

4 4 4 4

FCM 6,79 5,02 4,43 10,12

sFCM2,2 31,90 4,47 4,35 5,03

Segmentasi pada citra otak juga dipengaruhi oleh histogram tingkat keabuan pada citra. Pada citra otak asli, nilai keabuan pixel berkumpul pada beberapa tingkat keabuan tertentu, sehingga klaster yang terbentuk akan padat pada tingkat keabuan tersebut. Sedangkan pada citra yang telah ditambah noise, tingkat keabuan cenderung menyebar di semua titik pada selang 0-255. Hal inilah yang menunjukkan jumlah klaster optimal pada citra akan berubah.

(a) FCM

(c) sFCM2,2 Gambar 13. Hasil Segmentasi Citra otak yang telah ditambah gaussian noise.

32


ISSN : 2338-0896

Kesimpulan Percobaan pada citra yang telah ditambah gaussian noise menunjukkan hasil validasi optimal untuk sFCMp,q dengan p=2 dan q=2, atau sFCM2,2. Hal ini sejalan dengan hasil percobaan Chuang dkk yang menyebutkan bahwa segmentasi terbaik diperoleh sFCM1,1. Artinya, sFCM menghasilkan segmentasi yang baik jika parameter kontrol p dan q bernilai sama. sFCM hanya memberikan sedikit perbaikan pada hasil segmentasi FCM, bahkan perbaikan ini tidak signifikan. Hasil segmentasi FCM dan sFCM masih bergantung pada struktur data citra. Selain itu, pemanfatan informasi spasial hanya memperhatikan ketetanggaan minimal pixel yang ditentukan oleh window. Oleh karena itu, tidak ada kesimpulan mutlak mengenai algoritma yang menghasilkan segmentasi terbaik antara FCM dan sFCM. Ucapan Terima Kasih Penulis mengucapkan terimakasih kepada Allah SWT atas limpahan rahmat yang tidak terkira, kepada kedua orang tua serta keluarga besar, dan kepada Bapak Dr. Arief Fatchul Huda, S.Si selaku dosen pembimbing, serta seluruh dosen dan staf di Jurusan Matematika Fakultas Sains dan Teknologi UIN Sunan Gunung Djati Bandung atas segala dukungan, pengajaran dan kesempatan untuk menjadi pribadi yang lebih baik. Referensi [1] Acharya, Tinku., and Ray, Ajoy K. 2005. Image Processing: Principles and Application. USA: John Wiley & Sons. [2] Ayu, Putu Desiana Wulaning. 2013. Segmentasi Kepala Janin pada Citra USG dalam Ruang Warna RGB dengan Metode Fuzzy c-Means. Jurusan Teknik Elektro, Universitas Udayana, Bali. Prosiding Conference on Smart-green Technology in Electrical and Information Systems. Bali, 14-15 November 2013 [3] Chuang, Keh-Shih., Tzeng, Hong-Long., Chen, Sharon., Wu, Jay., Chen, Tzong-Jer. 2006. Fuzzy cMeans Clustering with Spatial Information for Image Segmentation. Computerized Medical Imaging and Graphics. [4] Dewi, Sri Kusuma., dan Purnomo, Hari. 2010. Applikasi Logika Fuzzy untuk Pendukung Keputusan, edisi 2, Cet.1. Yogyakarta: Graha Ilmu. [5] Haldiki, Maria., Batistakis, Yannis., dan Vazirgiannis, Michalis. tt. Clustering Validity Checking Methods: Part II. Department of Informatics, Athens University of Economics & Business. [6] Hassan, Mehdi., Chaudhry, Asmatullah., Khan, Asifullah., and Kim Jin-Young. 2012. Carotid Artery Image Segmentation using Modifies Spatial Fuzzy c-Means and Ensemble Clustering. Journal Computer Methods and Programs in Biomedicine. ISSN 1872-7565. [7] Ji, Zexuan., Xia, Yong., Chen, Qiang., Sun, Quansen., Xia, Deshen., and Feng, David Dagan. 2012. Fuzzy c-Means with Weighted Image Patch for Image Segmentation. Journal Applied Soft Computing. ISSN 15684946. [8]Khadem, Mohammad Shajib. 2010. Thesis: MRI Brain Image Segmentation Using Graph Cuts. Department of Signals and Systems, Signal Processing Group, Chalmers University of Technology. Goteborg, Sweden. [9] Kurnianto, Danny. tt. BAB 7: Clustering. Yogyakarta: Jurusan Teknik Elektro dan Teknologi Informasi UGM. [10] Li B.N., Chui C.K., Chang S., Ong S.H. 2011. Integrating Spatial Fuzzy Clustering with Level Set Methods for Automated Medical Image Segmentation. Computers in Biology and Medicine 41.1-10. [11] Nugroho, F.A. 2011. Bab II: Teori Dasar Pengolahan Citra Digital. Medan:USU. Tersedia di http://repository.ac.id , diakses pada 04 Juli 2014 Pukul 10.40 WIB. 33


ISSN : 2338-0896

[12] P., Diah Anggraeni., Putri, Vinda Arista., Al-Uswah, Siti Fatimah., Hidayah Tulloh, M.Fadjrin., Zuhri, M. Syaifuddin. tt. Segmentasi Citra Digital Ikan Menggunakan Metode Thresholding dan kMeans. [13] Prayudha, Muhammad. 2011. Skripsi: Perancangan Perangkat Lunak Segmentasi Citra dengan Menggunakan Metode Fuzzy Clustering. Medan: Universitas Sumatera Utara, Prodi S1 Ilmu Komputer, Departemen Ilmu Komputer FMIPA USU. [14] Rousseeuw, Peter J. 1986. Silhouettes: A Graphical Aid To The Interpretation And Validation Of Cluster Analysis. Journal Of Computational And Applied Mathematics 20 (1987) 56-65. North-Holland. [15] Suratno. tt. Pengaruh Perbedaan Tipe Fungsi Keanggotaan Pada Pengendalian Logika Fuzzy Terhadap Tanggapan Waktu Sistem Orde Dua Secara Umum. Jurusan Teknik Elektro Fakultas Teknik, Universitas Diponegoro. [16] Theodoridis, Sergios dan Koutroumbas, Konstantinos. 2006. Pattern Recognition. USA: Elsevier, Academic Press. [17] Widodo, Saptono., Hidayatno, Achmad., Isnanto, R.Rizal. tt. Segmentasi Cira Menguunakan Teknik Pemetaan Warna (Color Mapping) dengan Bahasa Pemrograman Delphi. Makalah Seminar Tugas Akhir. Teknik Elektro UNDIP.

34

SEGMENTASI CITRA MENGGUNAKAN ALGORITMA FUZZY c-means (FCM) DAN SPATIAL FUZZY c-means (sfcm)

Recommend Documents