Eksekusi Program - HASIL DAN PEMBAHASAN - SEGMENTASI CITRA BERBASIS CLUSTERING MENGGUNAKAN ALGO

BAB IV HASIL DAN PEMBAHASAN

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.

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.

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.

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 9 00:00:07 0.20718 3 15 00:00:19 0.06764 4 14 00:00:25 0.11321 5 30 00:01:13 0.07253 6 12 00:00:38 0.53544 7 24 00:01:36 0.34253 8 26 00:02:07 0.32665 9 34 00:03:21 1.56001 10 19 00:02:13 1.49813 Rata-rata 20 80 detik 0.5248133

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)

(d)

(f)

Gambar 4.7 Hasil segmentasi citra “

original image

(d) final result, (e)

4.2.1.2. Pengujian citra uji “ Hasil uji coba citra uji ditampilkan pada tabel 4.

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

(b)

(e)

(g)

Hasil segmentasi citra “horses.png” dengan metode FCM standar

riginal image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g (h) cluster 3

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

(c)

(h)

dengan metode FCM standar : (a)

image,

g) cluster 2,

dengan metode FCM standar

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 10 00:00:07 0.05578 3 20 00:00:21 0.10344 4 100 00:02:40 0.05911 5 16 00:00:35 0.30605 6 100 00:05:25 0.77657 7 100 00:06:00 0.22451 8 100 00:07:05 0.58285 9 100 00:09:02 0.06137 10 57 00:05:48 0.10779 Rata-rata 67 247 detik 0.2530522

Berdasarkan hasil uji coba tersebut dapat dilihat jumlah cluster yang paling optimal adalah 2 cluster, dimana menghasilkan nilai XB Index yang paling kecil. Citra output hasil segmentasi menggunakan 2 cluster dapat dilihat pada gambar dibawah berikut.

(a)

(d)

(f)

Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar: (a)

original image

(d) final result, (e)

4.2.1.3. Pengujian citra uji “ Hasil uji coba citra uji standar ditampilkan pada tabel 4.

(b)

(e)

(g)

Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar: (a)

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g

Pengujian citra uji “redberry.png” dengan metode FCM standar Hasil uji coba citra uji “redberry.png” menggunakan algoritma

pada tabel 4.3 berikut.

(c)

Gambar 4.8 Hasil segmentasi citra “chain.png” dengan metode FCM standar: (a)

segmented image,

g) cluster 2,

dengan metode FCM standar menggunakan algoritma FCM

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 18 00:00:21 0.07629 3 9 00:00:20 0.08609 4 9 00:00:27 0.08191 5 24 00:01:30 0.29465 6 8 00:00:39 0.20922 7 16 00:01:37 0.14663 8 12 00:01:29 0.12952 9 10 00:01:30 0.14402 10 10 00:01:32 0.1189 Rata-rata 13 63 detik 0.1430256

(a)

(d)

(f)

Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar : (a) original image

(d) final result, (e)

4.2.1.4. Pengujian citra uji “ Hasil uji coba citra uji ditampilkan pada tabel 4.

(b)

(e)

(g)

Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar :

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (

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

(c)

Gambar 4.9 Hasil segmentasi citra “redberry.png” dengan metode FCM standar :

segmented image,

, (g) cluster 2

dengan metode FCM standar

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 6 00:00:03 0.07592 3 10 00:00:08 0.12924 4 11 00:00:13 0.14354 5 13 00:00:20 0.09299 6 16 00:00:33 0.28552 7 19 00:00:49 0.08063 8 100 00:05:21 0.21521 9 9 00:00:35 0.48476 10 10 00:00:45 0.17716 Rata-rata 22 59 detik 0.1872189

(a)

(d)

(f)

Gambar 4.10 Hasil segmentasi citra “duck.png” dengan metode FCM standar: (a)

original image

(d) final result, (e)

4.2.1.5. Pengujian citra uji “ Hasil uji coba citra uji standar ditampilkan pada tabel 4.

(b)

(e)

(g)

Hasil segmentasi citra “duck.png” dengan metode FCM standar: (a)

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g)

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

(c)

Hasil segmentasi citra “duck.png” dengan metode FCM standar: (a)

segmented image,

, (g) cluster 2

dengan metode FCM standar menggunakan algoritma FCM

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 12 00:00:07 0.09657 3 11 00:00:09 0.09769 4 9 00:00:11 0.20807 5 23 00:00:38 0.10056 6 37 00:01:20 0.15587 7 100 00:04:32 0.10936 8 100 00:05:34 0.29649 9 10 00:00:40 0.11041 10 100 00:07:57 0.10371 Rata-rata 45 141 0.1420811

(a)

(d)

(f)

Gambar 4.11 Hasil segmentasi citra “carriage.png” dengan metode FCM standar : (a) original image

(d) final result, (e)

4.2.2. Pengujian dengan M

Pengujian dengan menggunakan citra dilakukan sebanyak

beberapa variasi jumlah cluster

atau variabel tetap yang digunakan pada uji coba ini adalah:

• Maksimum iterasi = • Minimum toleransi • Seeking Memory (b) (e) (g)

Hasil segmentasi citra “carriage.png” dengan metode FCM standar :

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g)

dengan Metode FCM-CSO

dengan menggunakan algoritma FCM-CSO untuk segmentasi citra dilakukan sebanyak 9 kali uji coba pada setiap citra uji dengan menggunakan

jumlah cluster mulai dari 2 s/d 10 cluster. Beberapa yang digunakan pada uji coba ini adalah:

Maksimum iterasi = 100

Minimum toleransi = 0.0000001

emory pada CSO = 50

(c)

Hasil segmentasi citra “carriage.png” dengan metode FCM standar :

segmented image,

, (g) cluster 2

untuk segmentasi setiap citra uji dengan menggunakan Beberapa parameter

• 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 27 00:00:32 0.20318 3 11 00:00:26 0.05564 4 26 00:01:07 0.10321 5 21 00:01:15 0.06553 6 13 00:01:08 0.52844 7 21 00:01:55 0.33053 8 100 00:09:11 0.16349 9 16 00:02:17 1.55701 10 29 00:04:12 1.48913 Rata-rata 29 147 0.4995733

(a)

(d)

(f)

Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM

original image

(d) final result, (e)

4.2.2.2. Pengujian citra uji “ Hasil uji coba citra uji ditampilkan pada tabel 4.

(b)

(e)

(g)

Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g) (h) cluster 3

Pengujian citra uji “chain.png” dengan metode FCM-Hasil uji coba citra uji “chain.png” menggunakan algoritma

tabel 4.7 berikut.

(c)

(h)

Gambar 4.12 Hasil segmentasi citra “horses.png” dengan metode FCM-CSO: (a)

segmented image,

, (g) cluster 2,

-CSO

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 6 00:00:10 0.04278 3 18 00:00:31 0.09144 4 22 00:00:51 0.04511 5 100 00:04:41 0.24587 6 100 00:05:16 0.69125 7 100 00:06:36 0.16701 8 100 00:07:56 0.52156 9 44 00:04:39 0.05437 10 100 00:12:01 0.19469 Rata-rata 66 285 0.2282311

(a)

(d)

(f)

Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCM

original image

(d) final result, (e)

4.2.2.3. Pengujian citra uji “ Hasil uji coba citra uji CSO ditampilkan pada tabel 4.

(b)

(e)

(g)

Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCM

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g)

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

(c)

Gambar 4.13 Hasil segmentasi citra “chain.png” dengan metode FCM-CSO: (a)

segmented image,

, (g) cluster 2

dengan metode FCM-CSO menggunakan algoritma

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 16 00:00:32 0.07429 3 9 00:00:36 0.07609 4 15 00:01:08 0.01091 5 10 00:01:09 0.28465 6 9 00:01:26 0.20122 7 17 00:02:32 0.13963 8 11 00:02:14 0.11552 9 12 00:02:39 0.13902 10 100 00:17:13 0.20771 Rata-rata 22 197 0.1387822

(a)

(d)

(f)

Gambar 4.14 Hasil segmentasi citra “redberry.png” dengan metode FCM (a) original image

(d) final result, (e)

4.2.2.4. Pengujian citra uji “ Hasil uji coba citra uji ditampilkan pada tabel 4.

(b)

(e)

(g)

Hasil segmentasi citra “redberry.png” dengan metode FCM

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g)

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

(c)

Hasil segmentasi citra “redberry.png” dengan metode FCM-CSO:

segmented image,

, (g) cluster 2

CSO

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 9 00:00:11 0.06492 3 13 00:00:19 0.11624 4 14 00:00:28 0.13654 5 11 00:00:31 0.08299 6 100 00:04:01 0.25762 7 23 00:01:23 0.06863 8 17 00:01:20 0.20421 9 100 00:07:16 0.46495 10 100 00:08:34 0.14069 Rata-rata 43 160 0.1707544

(a)

(d)

(f)

Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCM

original image

(d) final result, (e)

4.2.2.5. Pengujian citra uji “ Hasil uji coba citra uji CSO ditampilkan pada tabel 4.

(b)

(e)

(g)

Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCM

original image, (b) preprocessed image, (c) segmented image

, (e) ground truth segmentation, (f) cluster 1, (g)

Pengujian citra uji “carriage.png”

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

(c)

Gambar 4.15 Hasil segmentasi citra “duck.png” dengan metode FCM-CSO: (a)

segmented image,

, (g) cluster 2

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

Cluster

Jumlah

Iterasi ^{Lama Eksekusi}

Xie-Beni Index 2 10 00:00:12 0.09457 3 10 00:00:17 0.09569 4 13 00:00:28 0.19807 5 9 00:00:28 0.09656 6 12 00:00:44 0.14487 7 33 00:01:58 0.09636 8 100 00:06:19 0.0274 9 100 00:07:34 0.21074 10 40 00:03:53 0.09471 Rata-rata 36 146 0.1176633

(a)

(d)

(f)

Gambar 4.16 Hasil segmentasi citra “carriage.png” dengan metode FCM

original image

(d) final result, (e)

Dalam dokumen SEGMENTASI CITRA BERBASIS CLUSTERING MENGGUNAKAN ALGORITMA FUZZY C-MEANS DAN CAT SWARM OPTIMIZATION (Halaman 72-94)