MENGGUNAKAN ALGORITMA FUZZY C-MEANS
DAN CAT SWARM OPTIMIZATION
I MADE BUDI ADNYANA
PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
2015
MENGGUNAKAN ALGORITMA FUZZY C-MEANS
DAN CAT SWARM OPTIMIZATION
I MADE BUDI ADNYANA NIM 1191761012
PROGRAM MAGISTER
PROGRAM STUDI TEKNIK ELEKTRO
PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
ii
SEGMENTASI CITRA BERBASIS CLUSTERING
MENGGUNAKAN ALGORITMA FUZZY C-MEANS
DAN CAT SWARM OPTIMIZATION
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
iii
Lembar Pengesahan
TESIS INI TELAH DISETUJUI PADA TANGGAL 21 APRIL 2015
Mengetahui
Dosen Pembimbing II,
(Dr.Eng. I Putu Agung Bayupati, ST.,MT.) NIP. 19750423 200312 1 002 Dosen Pembimbing I,
(Prof. Dr. IKG Darma Putra, S.Kom.,MT.) NIP. 19740424 199903 1 003
Direktur Program Pascasarjana
Universitas Udayana
(Prof. Dr. dr. A.A Raka Sudewi, Sp.S(K)) NIP. 195902151985102001 Ketua Program Magister
Program Studi Teknik Elektro Program Pascasarjana
Universitas Udayana
(Prof. Ir. Ida Ayu Dwi Giriantari, M.EngSc.,PhD.) NIP. 196512131991032001
iv
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
v
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,
vi
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
vii 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.
viii
Abstract
Fuzzy C Means with the Cat Swarm Optimization used in clustering-based 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.
ix 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
x
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
xi
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
xii
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
xiii
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
xiv
DAFTAR LAMPIRAN
xv
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
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 sub-wilayah (sub-region), sedangkan segmentasi yang didasarkan pada sub-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
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
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 algoritma-algoritma 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
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 permasalahan-permasalahannya 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:
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.
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 FCM-CSO 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.
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.
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
C-Means 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 algoritma-algoritma 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.
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 teknik-teknik 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
(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
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
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
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
elemen-elemen 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
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.
6) Menghitung perubahan matriks partisi:
µ
=
[ ( ' ( )))] ** ∑-. [∑ + ' ( ,)] * * (2.5)dengan: i=1,2,…n; dan k=1,2,..c.
7) Mengecek kondisi berhenti:
Jika:
(|Pt – Pt-1| < ζ)
atau
(t > maxIterasi)
maka berhenti;
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
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 mekanisme-mekanisme 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
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
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 Pei-Wei 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
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
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.
/0 = 23|23 '2356'234| 789:;: 0 < 8 < > (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].
2.5.2. 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 berhati-hati, 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
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.
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 metode-metode yang sesuai. Alur analisis penelitian dilakukan berdasarkan permasalahan yang akan ditangani oleh sistem, dimana sistematika penelitian yang digunakan pada penelitian ini sebagai berikut:
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
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.
3.5. Gambaran Umum Sistem
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
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) (c)
(d) (e)
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.
(a) (b) (c)
(d) (e)
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
metode FCM-CSO. Pengujian akan dilakukan dengan menggunakan masing-masing 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
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).
Gambar 3.6 Diagram Alur SRM (Richard Nock, dkk., 2004) Mulai I = Citra RGB M(N, NO) = max S∈U,V,WM:(N, NO) M:(N, NO) = |N S− NS′|
Hitung selisih antar piksel, sesuai dengan konektifitas 4-arah
Y0O= ZB7[B\;CB[:]8;^(Y0, M) Urutkan selisih dari nilai terkecil ke nilai terbesar 8 = 1, 8_[B:]8 = |Y0|, ^ = 256, = 32 b =(6|\|1") c(d) = ^ef2 |d|g ln j1 kdb l|U|k Menghitung nilai b(R) i <= iterasi /(d, dO) = m n o n p _Bq[, 8M ∀S∈ sd, t, uv |dSO − dS| ≤ xc"(d) + c"(dO) M:y][, Z_ℎ[B{8][ | Menghitung merging predicate
dS
}}}} adalah nilai rata-rata warna pada region R, color chanel a
P(R, R’) true? Merge R(p), R(p’) i++ i++ Selesai ya tidak ya tidak
2) Menghitung pusat dan keanggotaan cluster dengan Fuzzy C-Means Algoritma Fuzzy C-Means menempatkan piksel citra kedalam masing-masing 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 0#N0 0# ~ 0 (3.2)
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 C-Means, 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).
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 C-Means standar. Untuk menggali informasi spasial, fungsi spasial (Keh-Shih Chuang dkk, 2006) dirumuskan sebagai berikut :
ℎ0 = q…
…∈~W(† )
(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
q0′ = q0 ˆ ∗ ℎ
0 ‰
∑‚ q0‚ˆ ∗ ℎ0‚‰ (3.4) 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 18 17 40 35 13 18 18
Gambar 3.7 Contoh spatial information 5x5 window pada citra sampel
Misalnya terdapat dua buah cluster, maka ℎ sama dengan jumlah semua nilai •0 dan ℎ " sama dengan jumlah semua nilai •0", dimana i merupakan
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
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,
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
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
