SEGMENTASI CITRA SATELIT PADA LAHAN DI KECAMATAN

GAMBUT KALIMANTAN SELATAN MENGGUNAKAN ALGORITMA

FUZZY C-MEANS

Noor Azizah

(Pembimbing : Andi Farmadi, S.Si, Radityo Adi Nugroho, S.T, M.Kom)

Program Studi S-1 Ilmu Komputer FMIPA UNLAM

Jl. A. Yani Km 36 Banjarbaru, Kalimantan Selatan

Email : noor.azizahsaipudin@gmail.com

Abstract

Image Segmentation is one of remote sensing technology information that can

provide information about land division. Image segmentation is a partition process

to several homogeneous parts based on certain similarity criteria. The purpose of

this research is to get the result of satellite image segmentation of lands in Gambut

Kalimantan Selatan District with Fuzzy C-Means Algorithm. The method that used

for this research is clustering Fuzzy C-Means Algorithm method, which is the

number of cluster based on Indonesia topographical map in Badan Informasi

Geospasial that divided into four clusters.

The result of this reseach is that the satellite image was created cluster that

suitable with the satellite image color before segmented with Fuzzy C-Means

Algorithm, then it will reconvert with suitable color that choosed by user to every

cluster. Formed 4 clusters, cluster1 is bush and scrub with boggy, cluster 2 is rice

field, cluster 3 is water like lake, and cluster 4 is building and street.

Keyword: segmentasion, satellite image, Fuzzy C-Means, cluster

Abstrak

Segmentasi citra satelit merupakan salah satu teknologi informasi dalam

penginderaan jauh yang dapat memberikan informasi mengenai pembagian lahan.

Segmentasi citra adalah proses partisi terhadap citra menjadi beberapa bagian yang

homogen berdasarkan kriteria kemiripan tertentu. Tujuan penelitian ini adalah

mengetahui hasil segmentasi citra satelit pada lahan di Kecamatan Gambut

Kalimantan Selatan menggunakan Algoritma Fuzzy C-Means. Adapun metode

yang digunakan adalah metode pengelompokkan Algoritma Fuzzy C-Means,

sedangkan jumlah pembagian cluster berdasarkan peta rupabumi Indonesia dari

Badan Informasi Geospasial yaitu menjadi 4 (empat) cluster.

Dari hasil penelitian didapatkan bahwa citra satelit yang diinputkan akan

membentuk kelompok (cluster) sesuai warna dari citra satelit sebelum disegmentasi

berdasarkan algoritma Fuzzy C-Means, kemudian kelompok yang terbentuk akan

dikonversikan kembali sesuai warna yang telah ditentukan user untuk setiap cluster

nya. Sehingga terbentuk cluster yang terdiri dari 4 cluster yaitu cluster 1 semak dan

belukar yang berawa, cluster 2 sawah, cluster 3 perairan, seperti danau, dan cluster

4 bangunan dan jalan.

Kata kunci: segmentasi, citra satelit, Fuzzy C-Means, cluster.

1. PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi informasi telah banyak mengalami perubahan

terhadap berbagai kegiatan, salah satunya adalah pada kegiatan survei-pemetaan

dan pemodelan yang tidak bisa dilepaskan dari teknologi pengideraan jauh dan

Sistem Informasi Geografis (GIS). Hasil dari penginderaan jauh ini berupa citra

dan sekarang penginderaan jauh banyak dikembangkan karena mampu

menampilkan visualisasi permukaan bumi seperti yang sebenarnya, sehingga

memudahkan untuk melihat pemanfaatan wilayah bumi dengan baik.

Citra merupakan kumpulan titik-titik dari gambar yang disebut piksel (picture

element). Citra yang diperoleh dari pemotretan/perekaman alat sensor yang

dipasang pada wahana satelit disebut sebagai citra satelit. Pada analisis citra satelit

dapat dikelompokkan dalam beberapa tahapan (Lillesand dan Kiefer, 1990) yaitu:

pemulihan citra (image restoration), penajaman citra (image enhancement),

klasifikasi citra (unsupervised classification dan supervised classification) serta

segmentasi gambar (image extraction) (Hariyanti, 2013).

Segmentasi citra adalah proses pembagian citra menjadi beberapa bagian

(region) berdasarkan kesamaan kriteria kemiripan pada tiap bagian kemudian

dikelompokkan menjadi satu bagian yang bersifat homogen. Segmentasi citra telah

banyak dikembangkan salah satunya penelitian yang dilakukan dengan metode

clustering.

Segmentasi citra dapat digolongkan dalam tiga pembagian wilayah

segmentasi, yaitu segmentasi clustering (Segmentasi yang dilakukan dengan

melakukan clustering pada citra yang akan dihitung), segmentasi tepi (segmentasi

dengan penggunaan tepi sebagai pembatas untuk menentukan wilayah yang ada

pada himpunan piksel yang ada pada 2 wilayah yang berbeda) dan segmentasi

wilayah (Segmentasi untuk pemisahan wilayah dengan menggunakan metode

wilayah yang memiliki nilai threshold tertinggi).

Berikut ini terdapat beberapa metode yang diterapkan untuk clustering

diantaranya K-Means, DB-Scan, Minimum Spanning Tree, Fuzzy C-Means, Fuzzy

Substractive Clustering, dan K-Medoids. Masing-masing metode di atas memiliki

karakteristik tersendiri dalam melakukan clustering. Namun dengan metode Fuzzy

C-Means mampu menampilkan hasil yang lebih baik dan detail karena pada

algoritma ini memiliki nilai Fuzzy (nilai keanggotaan) dan pada implementasi

Fuzzy C-Means jumlah cluster berpengaruh pada kualitas segmen yang dihasilkan.

Semakin banyak jumlah cluster yang digunakan akan berdampak pada hasil

segmentasi yang lebih halus. Semakin sedikit jumlah cluster maka hasil segmentasi

akan semakin kasar (Hariyanti, 2013).

Penelitian ini akan dilakukan clustering untuk segmentasi dengan

menggunakan algoritma Fuzzy C-Means. Hal ini didasari oleh penelitian

sebelumnya, yang dilakukan oleh Hariyanti (2013) menyebutkan bahwa

implimentasi Algoritma Fuzzy C-Means dapat mengelompokkan citra ke dalam

jenis sungai dan bukan sungai. Oleh karena itu, penelitian ini diharapkan dapat

memberikan informasi mengenai segmentasi citra satelit pada lahan yang terdapat

di Kecamatan Gambut Kalimantan Selatan.

1.2 Perumusan Masalah

Berdasarkan latar belakang di atas maka rumusan masalah dalam penelitian

ini adalah bagaimana hasil segmentasi citra satelit pada lahan di Kecamatan

Gambut menggunakan algoritma Fuzzy C-Means.

1.3 Batasan Masalah

Agar penelitian lebih terarah, maka diperlukan pembatasan masalah

penelitian. Batasan masalah penelitian ini yaitu:

1. Metode pengembangan sistem yang digunakan dalam penelitian ini adalah

model waterfall untuk pembangunan aplikasi dan Algoritma Fuzzy C-Means

untuk segmentasi citra lahan.

2. Data yang disegmentasi adalah citra satelit di Kecamatan Gambut Kalimantan

selatan.

3. Pembagian jumlah cluster menurut Badan Informasi Geospasial (BIG)

berdasarkan kenampakan rupabumi.

1.4 Tujuan Penelitian

Tujuan dari penelitian yang akan dilakukan adalah mengetahui hasil

segmentasi pada citra satelit lahan di Kecamatan Gambut Kalimantan Selatan

menggunakan algoritma Fuzzy C-Means.

1.5 Manfaat Penelitian

Manfaat yang diberikan dari penelitian ini adalah sebagai berikut :

1. Membantu user untuk mengetahui hasil segmentasi lahan yang ada di

Kecamatan Gambut.

2. Dapat digunakan untuk melihat pemerataan pembangunan agar tidak terjadi

ketidakseimbangan pembangunan.

2. LANDASAN TEORI

2.1 Konsep Dasar Citra

Citra merupakan dimensi ruang yang berisi informasi warna dan tidak

bergantung pada waktu. Citra merupakan kumpulan titik-titik dari gambar yang

disebut pixel (picture element). Titik-titik tersebut menggambarkan koordinat dan

mempunyai intensitas yang dapat dinyatakan dengan bilangan. Intensitas ini

menunjukkan warna citra melalui penjumlahan nilai RGB (Red, Green dan Blue)

(Hariyanti, 2013).

Koordinat RGB memberikan informasi warna piksel berdasarkan brightness

(ketajaman) warna cahaya (hitam, abu-abu, putih) dari sumber, hue (corak warna)

yang ditimbulkan oleh warna (merah, kuning, hijau dll) dan merupakan panjang

gelombang dominan dari sumber. Tiap-tiap warna dapat memiliki intensitas warna

yang bervariasi. Jika semua warna berada pada intensitas minimum, akan

menghasilkan warna hitam, sedangkan jika semua intensitasnya maksimum akan

menghasilkan warna putih. Citra dengan 8 bit per piksel akan mempunyai 256

warna dan citra dengan 24 bit mempunyai 16777216 warna. Jadi tiap piksel

dinyatakan dengan: bit 0 sampai dengan 7 untuk warna merah, bit 8 sampai dengan

15 untuk warna hijau, dan bit 16 sampai dengan 23 untuk warna biru. Kemungkinan

kombinasi warna yang ada adalah = 256 x 256 x 256 = 16777216, yang nilai 0

menyatakan warna hitam sedangkan nilai 16777216 menyatakan warna putih

(Hariyanti, 2013).

2.2 Satelit Landsat

Landsat-8. Satelit LDCM (Landsat-8) adalah misi kerjasama antara NASA

dan USGS (U.S. Geological Survey) dengan pembagian tanggung jawab masing-

masing. NASA bertanggung jawab akan penyediaan satelit LDCM (Landsat-8),

instrumen-instrumen, pesawat peluncur, dan elemen-elemen pendukung operasi

misi. NASA juga akan mengelola fase awal peluncuran sampai dengan kondisi

satelit beroperasi di orbitnya pada ruas antariksa (dari peluncuran sampai

penerimaan). USGS bertanggung jawab akan penyediaan pusat operasi-operasi misi

dan sistem-sistem pengolahan pada Stasiun Bumi (termasuk pengarsipan dan

jaringan-jaringan data), demikian juga tim operasi-operasi penerbangan. USGS

juga akan membiayai tim ilmuwan Landsat (Sitanggang, 2010).

2.3 Format TIFF (Taged Image File Format)

Format data TIIF (Tagged Image File Format) merupakan format data raster

yang banyak digunakan di dunia. TIFF merupakan format yang sesuai untuk

penyimpanan data, transfer data, menampilkan data dan mencetak data citra raster.

Format citra TIFF bisa digunakan untuk menyimpan dan transfer data dijital citra

satelit, foto udara, model ketinggian, dan peta. Melihat popularitas format data

TIFF, banyak pengguna format data TIFF yang sebelumnya menggunakan format

data TIFF untuk menyimpan data digital citra satelit dengan berbagai kebutuhan

menambahkan informasi geografis seperti lintang, bujur dan proyeksi kedalam

format TIFF sehingga bisa digunakan untuk berbagai paket GIS dengan mudah

(Hamzah, 2014).

2.4 Segmentasi Citra

Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang

homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan

suatu piksel dengan tingkat keabuan piksel-piksel tetangganya. Proses segmentasi

memiliki tujuan yang hampir sama dengan proses klasifikasi tidak terpandu.

segmentasi sering dideskripsikan sebagai proses analogi terhadap proses pemisahan

latar depan-latar belakang. Contoh untuk proses segmentasi citra yang digunakan

adalah klasterisasi (clustering) (Widodo, 2004).

Pada penelitian (Putra, 2010) Adnyana menerangkan bahwa 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 tida 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 Regocnition),

pengenalan sidik jari hingga remote sensing. Keberhasilan dari proses segmentasi

clustering ini ditentukan dari keberhasilan dalam mengelompkkan fitur-fitur yang

berdekatan ke dalam satu cluster (Adnyana, 2015)

Peta Rupabumi Indonesia (RBI) adalah peta topografi yang menampilkan

sebagian unsur-unsur alam dan buatan manusia di wilayah NKRI. Unsur-unsur

kenampakan rupabumi menurut Badan Informasi Geospasial (2013) dapat

dikelompokkan menjadi 7 tema, yaitu:

Tema 1: Penutup lahan: area tutupan lahan seperti hutan, sawah, pemukiman dan

sebagainya

Tema 2: Hidrografi: meliputi unsur perairan seperti sungai, danau, garis pantai dan

sebagainya

Tema 3: Hipsografi: data ketinggian seperti titik tinggi dan kontur

Tema 4: Bangunan: gedung, rumah dan bangunan perkantoran dan budaya lainnya

Tema 5: Transportasi dan Utilitas: jaringan jalan, kereta api, kabel transmisi dan

jembatan

Tema 6: Batas administrasi: batas negara provinsi, kota/kabupaten, kecamatan dan

desa

Tema 7: Toponim: nama-nama geografi seperti nama pulau, nama selat, nama

gunung dan sebagainya.

2.5 Algoritma Fuzzy C-Means

Algoritma Fuzzy C-Means (FCM) adalah sebagai berikut:

1) Input data yang akan di cluster X, berupa matriks berukuran n x m (n= jumlah

sampel data, m = atribut setiap data). Xij = data sampel ke-i (i=1,2,.....,n),

atribut ke-j (j=1,2,...,m).

2) Langkah selanjutnya ialah menentukan beberapa input yang dibutuhkan

dalam perhitungan fazzy c-means, yaitu:

a. Jumlah cluster (c) ialah banyaknya cluster yang akan dibentuk sesuai

dengan kebutuhan pengclusteran.

b. Pangkat (w) ialah nilai eksponen.

c. Maksimum iterasi (MaxIter) merupakan batas pengulangan atau

looping. Looping akan berhenti jika nilai maksimal iterasi sudah

tercapai.

d. Error terkecil (ξ) berupa batasan nilai yang membuat perulangan akan

berakhir setelah didapatkan nilai error yang diharapkan.

e. Fungsi objektif awal (P0 = 0) ialah suatu fungsi yang akan

dioptimumkan (maksimum atau minimum), nilai 0 berarti untuk

mendapatkan nilai minimum.

f. Iterasi awal (t = 1), iterasi adalah adalah sifat tertentu dari algoritma

atau program komputer di mana suatu urutan atau lebih dari langkah

algoritmik dilakukan secara berulang. Iterasi awal ialah pada

perulangan keberapakan program akan dimulai.

3) Membangkitkan bilangan random μik, i=1,2,...,n; k=1;2,...,c; sebagai elemen-

elemen matrik partisi awal U. Hitung jumlah setiap kolom:

𝒬𝑗 = ∑ 𝜇𝑖𝑘

𝑐

𝑘=1

Qi ialah jumlah setiap kolom dari nilai random sebuah matrik, jumlah Q

tergantung dari berapa jumlah kriteria penilaian.

Menghitung:

𝜇𝑗 = 𝜇𝑖𝑘

𝒬𝑗

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

𝑉𝑘𝑗 = ∑ ((𝜇𝑖𝑘)𝑤 ∗ 𝑋𝑖𝑗)𝑛

𝑖=1

∑ (𝜇𝑖𝑘)𝑤𝑛𝑖−1

Vkj ialah titik pusat tiap cluster, jumlah Vkj tergantung dari berapa cluster

yang akan dibentuk dan n ialah jumlah proposal.

5) Menghitung fungsi objektif pada iterasi ke-t, Pt

𝑃𝑡 = ∑ ∑ ([∑(𝑋𝑖𝑗 − 𝑉𝑘𝑗)2

𝑚

𝑗=1

] (𝜇𝑖𝑘)𝑤)

𝑐

𝑘=1

𝑛

𝑖=1

t merupakan iterasi yang dihitung, jika iterasi dimulai dari 1 maka pada awal

perhitungan nilai t ialah 1. Iterasi akan berulang sesuai dengan ketentuan

iterasi yang sedang berjalan. Hitung perubahan matrik partisi.

6) Menghitung perubahan matrik partisi:

𝜇𝑖𝑘 = [∑ (𝑋𝑖𝑗 − 𝑉𝑘𝑗)

2𝑚𝑗=1 ]

−1𝑤−1

∑ [∑ (𝑋𝑖𝑗 − 𝑉𝑘𝑗)2𝑚

𝑗=1 ]

−1𝑤−1𝑐

𝑘=1

dengan i = 1, 2, …, n; dan k = 1, 2, …, c 3

7) Mengecek kondisi berhenti:

Jika : ( |Pt – Pt-1 | < ξ ) atau ( t > MakIter ) maka berhenti;

Jika tidak : t = t + 1, ulangi langkah ke- d ( menghitung Vkj ).

Mmenut Hoppner (1999) dan Dave (1992) hasil dari algoritma Fuzzy C-

Means (FCM) menampilkan data seperti bola berawan dari sebuah kelompok data

dalam ruang dimensi P. Algoritma cenderung akan membentuk kelompok dalam

bentuk bulat. Ini dapat digunakan dalam ruang untuk mendeteksi bentuk linear.

Semua kelompok diasumsikan berukuran sama. Setiap kelompok direpresentasikan

oleh pusat. Representasi dari sebuah kelompok ini disebut prototipe, karena

dianggap sebagai perwakilan dari semua data yang ada pada kelompok. Untuk

ukuran, jarak Euclidean sering digunakan untuk jarak antara datum dan protipe

(Sasmita, 2011).

3. METODOLOGI PENELITIAN

3.1 Metode Penelitian 3.1.1 Pengambilan Data

Adapun teknik pengambilan data yang dilakukan adalah:

1) Studi Literatur

2) Kearsipan

3.1.2 Pengembangan Perangkat Lunak

Metode untuk pengembangan perangkat lunak adalah metode sequential

linier atau sering disebut dengan waterfall model. Di bawah ini terdapat tahapan-

tahapan yang dilakukan antara lain:

1) Analisis Kebutuhan

Berdasarkan data yang telah dikumpulkan akan memudahkan untuk

menganalisis kebutuhan apa saja untuk menyelesaikan masalah yang telah

dipaparkan pada bab awal, sehingga aplikasi yang dihasilkan akan jelas dan sesuai

dengan tujuan penelitian.

2) Perancangan

Pada tahap ini dilakukan perancangan sistem berdasarkan dari hasil analisis

kebutuhan. Perancangan yang dilakukan meliputi desain:

a) Perancangan alur kerja sistem

b) Perancangan antarmuka (interface)

3) Implementasi

Merupakan tahap penerapan hasil rancangan ke dalam pemrograman.

Pemrograman dilakukan dengan menggunakan bahasa pemrograman Java dan

Netbeans sebagai editor.

4) Uji Coba

Setelah sistem diimplementasi dengan berhasil, untuk menghindari adanya

kesalahan hasil dari proses program aplikasi, maka dilakukan tahap pengujian.

3.1.3Pengecekan Lapangan

Setelah uji coba dilakukan maka diperlukan perbandingan dengan observasi

untuk mengetahui keberhasilan dari segmentasi lahan.

4. HASIL DAN PEMBAHAN

4.1 Hasil

a. Analisis Sistem

1) Gambaran Umum

Gambaran umum langkah-langkah pada sistem ini dapat dilihat pada

Gambar 1.

Gambar 1. Gambaran Umum Sistem

2) Analisis input dan Output

Data masukkan dari aplikasi ini adalah citra satelit pada lahan di

Kecamatan Gambut Kalimantan Selatan. Citra satelit ini akan ditampilkan

saat diinputkan langsung dengan cara memilih file dari direktori user dan

harus berekstensi *.tif (TIFF) yang memiliki nilai RGB sehingga bilangan

warna pada citra masih asli. Sedangkan output dari sistem ini adalah citra

sebelum dan sesudah disegmentasi.

3) Analisis Kebutuhan Fungsional

Kebutuhan fungsional pada aplikasi ini antara lain:

1. User dapat memilih data citra satelit yang akan disegmentasi.

2. User dapat mengatur jumlah cluster dan warna tiap cluster.

3. User dapat melihat proses segmentasi berdasarkan algoritma Fuzzy C-

Means.

4. User dapat melihat hasil sebelum dan sesudah citra disegmentasi

berdasarkan algoritma Fuzzy C-Means.

4) Analisis Proses

Analisis proses terbagi menjadi 2, yaitu:

a. Use case

Hasil analisis input output pada sistem, maka diperlukan analisa terhadap

proses apa saja yang terjadi pada sistem dan interaksinya antara aktor dan

sistem.

b. Activity Diagram

Perancangan sistem bertujuan untuk mengetahui setiap proses (aktivitas)

yang digambarkan dengan activity diagram. Proses sistem diawali dengan

membuka aplikasi segmentasi citra satelit, menginputkan citra satelit dari

komputer user. Setelah citra satelit diinputkan maka diperlukan

pengaturan mengenai jumlah cluster dan warna tiap cluster. Kemudian

proses segmentasi dapat dilakukan dengan menggunakan algoritma Fuzzy

C-Means. Sistem akan menampilkan hasil sebelum dan sesudah

disegmentasi.

b. Desain

Perancangan antarmuka merupakan tahap untuk merancang form-form pada

sistem yang akan dibuat sebelum masuk tahap implementasi. Adapun perancangan

antarmukanya antara lain:

1. Form Home (Halaman Awal)

Rancangan form Home adalah halaman awal sistem yang menampilkan semua

fitur yang ada pada sistem seperti pada Gambar 2.

Enter TextEnter Text

Enter Text

Enter Text

Enter Text

Logo Unlam dan Judul

Citra Satelit

Open

Proses

Exit

Number Of Cluster Pilih

Cluster 1

Cluster 7

Cluster 3

Cluster 6

Cluster 5

Cluster 2

Cluster 4

Choose Color

Choose Color

Choose Color

Choose Color

Choose Color

Choose Color

Choose ColorIterasi

Gambar 2. Halaman Awal

2. Form Hasil Segmentasi

Form hasil segmentasi dengan algoritma Fuzzy C-Means pada Gambar 3.

Hasil

Citra Sebelum Disegmentasi Citra Sesudah Disegmentasi

Gambar 3. Form Hasil Segmentasi

c. Implementasi

Tahap selanjutnya merupakan tahap implementasi dari analisis dan

perancangan yang telah dijelaskan di atas. Implementasi dilakukan dengan

menuliskan kode-kode menggunakan Bahasa Java dan editor dari Netbeans.

Langkah awal dalam menggunakan sistem ini adalah menginputkan data citra

satelit dari direktori user dengan memilih fitur button Open File seperti pada

tampilan Gambar 4.

Gambar 4. Penentuan Jumlah Cluster dan Warna Tiap Cluster

Setelah proses segmentasi lahan selesai maka akan tampil form hasil yang

terbagi dua yaitu citra satelit sebelum disegmentasi dan citra satelit sesudah

disegmentasi seperti pada Gambar 5.

Gambar 5. Hasil Segmentasi

d. Pengujian

Pengujian sistem ini menggunakan metode pengujian kotak hitam atau

dikenal dengan Black Box Testing. Pengujian sistem bertujuan untuk memastikan

fitur-fitur dari kebutuhan fungsional dari suatu masukkan dalam menjalankan

proses yang tepat dan ouput yang sesuai dengan perancangan sistem.

1.2 Pembahasan

Citra satelit Kecamatan Gambut Kalimantan Selatan yang memiliki ukuran

529x473 piksel ini merupakan objek dari penelitian yang telah dilakukan dan

bertujuan untuk mengetahui hasil dari segmentasi citra satelit pada lahan pada citra

ini terdapat setiap pikselnya nilai RGB masing-masing yang dapat dikonversikan

ke dalam bentuk matrik, misalnya [1,1] memiliki nilai RGB [255,255,255].

Untuk lebih jelasnya dapat dilihat algoritma Fuzzy C-Means adalah sebagai

berikut:

1. Menginput data yang akan di cluster yaitu data citra satelit Kecamatan

Gambut Kalimantan Selatan. nilai RGB sampel data pada Tabel 1. yang

diambil adalah 3x3 piksel sehingga ada 9 data.

Tabel 1. Sampel Data

Data Atribut Warna

R G B

1 145 208 78

2 138 210 74

3 134 219 76

4 158 240 103

5 190 255 139

6 142 198 75

7 144 214 82

8 147 243 94

9 127 226 83

2. Langkah selanjutnya ialah menentukan beberapa input yang dibutuhkan

dalam perhitungan fazzy c-means, yaitu:

(a) Jumlah cluster ( c ) 4

(b) Pangkat (w) 2

(c) Maksimum interasi (MaxIter) 1000

(d) Error terkecil yang diharapkan ( ξ ) 0.001

(e) Fungsi objektif awal (P0) 0

(f) Interasi awal (t) 1

3. Membangkitkan bilangan random μik, i=1,2,...,n; k=1;2,...,c; Pada Tabel

2. ini terdiri M1-M4, artinya ada 4 cluster yang memiliki nilai keanggotaan

dalam setiap cluster.

Tabel 2. Matriks Random

M1 M2 M3 M4

0.379913 0.353712 0.100437 0.165939

0.257511 0.309013 0.128755 0.304721

0.176211 0.352423 0.343612 0.127753

0.375691 0.165746 0.209945 0.248619

0.529851 0.223881 0.171642 0.074627

0.529851 0.223881 0.171642 0.074627

0.15508 0.417112 0.160428 0.26738

0.267857 0.333333 0.22619 0.172619

0.38806 0.278607 0.189055 0.144279

4. Menghitung setiap pusat cluster, pada penelitian ini diperlukan 4 pusat

cluster: Vkj, dengan k=1,2,....,c; dan j=1,2,....,m, seperti pada Tabel 3.

Tabel 3. Pusat Cluster

Cluster 1 Cluster 2 Cluster 3 Cluster 4

153.591 143.897 144.525 144.462

225.422 220.716 225.817 221.25

96.0408026 84.9745159 88.0130809 85.0261478

5. Menghitung fungsi objektif pada iterasi ke-t, Pt berfungsi untuk

menentukan jumlah iterasi sehingga mendapatkan hasil akhir dari proses

clustering.

Tabel 4. Fungsi Objektif

L1 L2 L3 L4 LT

101.43643 26.468199 4.216023144 6.201370677 138.322025

64.103729 25.786365 8.108656174 26.91706401 124.915813

25.668389 22.53469 35.60525095 3.198487582 87.0068178

39.576179 24.60614 26.7695143 53.02944517 143.981279

1135.8815 311.74525 162.6034781 34.11692186 1644.34718

373.11047 31.03113 27.97361655 3.603999447 435.719218

10.09091 9.3884769 4.531791506 4.427424491 28.438603

25.584875 65.296276 17.25264441 16.68795736 124.821753

132.13797 24.631486 297.3794539 6.902206537 461.051119

pt/ Fungsi

Objektif

3188.60381

6. Menghitung perubahan matrik partisi, sehingga di dapatkan bilangan

random baru pada Tabel 5.

Tabel 5. Perubahan matrik partisi

M1 M2 M3 M4

0.4219568 0.141654061 0.28319038 0.1531987

0.4375935 0.142290211 0.27005191 0.1500643

0.5510379 0.103888722 0.2373959 0.1076775

0.1268125 0.338546253 0.20686164 0.3277796

0.1899951 0.285942808 0.24104499 0.2830171

0.3518937 0.18137967 0.27784912 0.1888775

0.4540317 0.20525683 0.24867388 0.0920376

0.1763075 0.325468752 0.18648122 0.3117426

0.6706925 0.125258221 0.09906053 0.1049888

7. Mengecek kondisi berhenti:

Jika : ( |Pt – Pt-1 | < ξ ) atau ( t > MakIter ) maka berhenti;

Jika tidak : t = t + 1, ulangi langkah ke- d ( menghitung Vkj ).

( |Pt – Pt-1 | < ξ ) = 3188.603808 - 0 = 3188.603808 > 0.001

Berdasarkan hasil aplikasi di atas bahwa pada penelitian ini sistem melakukan

segmentasi terhadap 4 cluster hal ini didasari oleh penampilan unsur-unsur

kenampakan bumi menurut Badan Informasi Geospasial yang membagi unsur-

unsur tersebut dalam 7 (tujuh) tema yang telah disebutkan dalam landasan teori.

Namun tidak semua 7 (tujuh) tema ini dapat ditampilkan dalam sistem segmentasi

citra. Karena Landsat 8 memiliki keterbetasan jarak yaitu 30x30 km dalam satu

piksel.

Empat tema tersebut adalah sebagai berikut:

1. Penutup lahan seperti hutan, sawah, dan sebagainya.

2. Perairan seperi sungai, danau, dan sebagainya.

3. Bangunan seperti rumah, gedung, bangunan perkantoran, dan sebagainya.

4. Transportasi dan utilitas jalan seperi jaringan jalan, kereta api, kabel tranmisi,

dan sebagainya.

Adapun tiga tema yang tidak dapat diterapkan dalam sistem ini adalah

1. Data ketinggian.

2. Batas administrasi.

3. Nama-nama geografi.

Pengecekan lapangan dilakukan pada pengambilan sampel pada setiap warna

yang di cluster secara acak dan beberapa desa saja untuk memastikan lahan yang

disegmentasi hasilnya sama dengan bantuan Google map untuk menelusuri jalan

menuju tiap desa yang disurvey. Hasil pengecekan lapangan dan sistem dapat

menunjukkan hasil segmentasi menjadi 4 cluster terdiri atas:

1. Daerah semak ditunjukkan oleh warna putih.

2. Daerah persawahan yang ditunjukkan oleh warna biru.

3. Daerah perairan dan rawa ditunjukkan oleh warna merah.

4. Daerah bangunan dan jalan menjadi satu warna yaitu warna ungu.

Pada aplikasi segmentasi citra satelit ini dibuktikan dengan pengecekan

lapangan langsung bahwa warna putih (255; 255; 255) adalah Gambar 5. semak-

semak di Desa Malintang Baru selain semak dapat juga terlihat daerah belukar yang

berawa dapat dilihat di pinggiran jalan A. Yani Km. 17. Daerah persawahan

ditunjukkan oleh warna biru (0; 48; 191) yaitu di Jalan Irigasi terhampar

persawahan, biasanya dalam peta citra sawah dapat dilihat karena memiliki warna

hijau yang berpetak-petak.

Warna merah (255; 0; 0) menunjukkan daerah perairan seperti rawa atau

sungai atau danau. Gambar 5. yaitu daerah galian tambang pasir putih yang

membentuk Danau Biru yang luas di Desa Guntung Ujung. Semakin dalam air di

daerah berair makan warna yang ditampilkan adalah merah.

Warna ungu (142; 35; 162) menampilkan jalan dan daerah bangunan menjadi

satu warna seperti di bundaran simpang empat tepatnya di 17 Mei Monument

(Gambar 5.) di Jalan A. Yani Km. 17, hal ini terjadi dikarenakan warna yang

berdekatan dari jalan dan bangunan yang sempit yaitu tidak mencapai 30x30 m.

selain itu juga ada jalan yang tidak menunjukkan citra berwarna ungu akan tetapi

warna biru artinya sebagian jalan tidak terbaca di sistem segmentasi citra satelit ini.

5. KESIMPULAN

Dari hasil penelitian dan pengamatan dari sistem yang telah dibuat, maka

dapat diperoleh kesimpulan yaitu:

1. Hasil segmentasi citra satelit pada lahan di Kecamatan Gambut menggunakan

algoritma Fuzzy C-Means adalah citra satelit yang diinputkan akan

membentuk kelompok (cluster) sesuai warna dari citra satelit sebelum

disegmentasi berdasarkan algoritma Fuzzy C-Means, kemudian kelompok

yang terbentuk akan dikonversikan kembali sesuai warna yang telah

ditentukan user untuk setiap cluster nya. Sehingga terbentuk cluster yang

terdiri dari 4 cluster yaitu cluster 1 (semak dan belukar yang berawa) dilihat

pada warna putih, cluster 2 (sawah) yang ditandai dengan warna biru, cluster

3 (perairan, seperti danau) ditunjukkan oleh warna merah, dan cluster 4

(bangunan dan jalan) yang ditunjukkan oleh warna ungu muda.

2. Aplikasi ini bersifat fleksibel karena dapat digunakan oleh masyarakat umum,

citra yang memiliki nilai RGB berekstensi TIFF , jumlah cluster yang didasari

oleh Badan Informasi Geospasial yaitu ada 7 tema, dan warna yang dapat

ditentukan sendiri oleh user meskipun sebelum warna ditentukan oleh user

sudah terdapat warna untuk setiap cluster.

DAFTAR PUSTAKA

Adnyana, I Made Budi. 2015. Segmentasi Citra Berbasis Clustering Menggunakan

Algoritma Fuzzy C-Means dan Cat Awarm Optimation. Naskah Tesis

Universitas Udayana Denpasar. Bali

Badan Informasi Geospasial. 2013. Peta Rupabumi

http:// www.big.go.id/peta-rupabumi

Diakses pada 17 Februari 2015

Hamzah, Rossi. 2014. Implementasi Katalog Parameter Kelautan Untuk Suhu

Permukaan Laut dan Klorofil-A dari Data Satelit Terra/Aqua Modis dan

NOAA AVHRR. Seminar Nasional Penginderaan Jauh.

Hariyanti, Ni Kadek Dessy. 2013.Ananlisis Segmentasi Sitra Satelit Menggunakan

Metode Fuzzy C-Means. Politeknik Negeri Bali: Bali. Jurnal Matrix (2013)

3, No 1.

Novi Reandy Sasmita, dkk. 2011. Metode Fuzzy C-Means (FCM) dan Fuzzy C-

shell (FCS) Menggunakan Data Citra Satelit Quickbird (Studi Kasus

daerah Peukanbada Aceh Besar). Jurnal Penelitian Universitas Syiah

Kuala. Banda Aceh

Prayudha, M. 2011. Bit Stream.

http://repository.usu.ac.id/bitstream/123456789/27926/4/Chapter%20II.pdf

Diakses 17 Februari 2015

Sitanggang, Gokmaria. 2010. Kajian Pemanfaatan Satelit Masa Depan:Sistem

Penginderaan Jauh Satelit Ldcm (Landsat-8). LAPAN. Berita Dirgantara

Vol. 11 No. 2 (2010), 47-58

USGS. USGS Global Visualitation Viewer. 2014

http://glovis.usgs.gov/

Diakses pada 17 Februari 2015.