jurnal - pengelompokan citra sample air sungai dengan metoda fuzzy clustering c-means r01

8/10/2019 Jurnal - Pengelompokan Citra Sample Air Sungai Dengan Metoda Fuzzy Clustering C-Means R01

1/12


2/12

Jurnal Tugas Akhir Jurusan Teknik ElektroUniversitas Andalas

Egit Bobyarta Page 2 of 12

I PENDAHULUAN 1

1.1 Latar Belakang

Penurunan kualitas air dapat dilihat dari beberapa parameter, parameter kimia, biologi

dan fisik. Untuk parameter fisik, salah satunyaadalah perubahan warna. Perubahan warna air bisa disebabkan oleh kandungan zat atau partikel yang larut di dalam air seperti ion-ionmetal alam (besi dan mangan), humus, plankton, tanaman air dan limbah buanganindustri dan rumah tangga. Cara untuk memeriksa warna air yang masih digunakansampai saat ini adalah dengan membandingkanwarna sampel air secara visual dengan larutanstandar warna yang diketahui konsentrasinya.Pengamatan secara visual ini masih memiliki banyak kekurangan, penyimpangan baku yangrelatif untuk menentukan warna bisa mencapai beberapa persen, bahkan untuk warna tampak bisa mencapai 10% .

1.2 Tujuan Penelitian

Penelitian ini bertujuan untuk:

1. Mengetahui gambaran secara umumkualitas air di Sungai Batang Arau berdasarkan warna air sungai.

2. Menghitung nilai RGB ( Red Green Blue )citra sampel air sungai menggunakankomputer.

3. Mengelompokkan dan menganalisa perubahan warna air sungai denganmenggunakan metoda Fuzzy Clustering C- Means .

II. TINJAUAN PUSTAKA

2.1 Citra

Citra merupakan tampilan objek di bidangdua dimensi. Ditinjau dari sudut pandangmatematis, citra merupakan fungsi continuedari intensitas cahaya pada bidang dua dimensi.

a. Proses Pembentukan Citra

Proses pembentukan citra dapatdirepresentasikan seperti gambar 2.1.

1 Mahasiswa Jurusan Teknik Elektro Unand2 Staf Pengajar Jurusan Teknik Elektro Unand

Gambar 2.1 Proses Pembentukan Citra

Citra akan terbentuk ketika objek mendapatkan sinar dari sumber cahaya. Jumlah pancaran (iluminasi) cahaya yang diterimaobjek pada koordinat (x,y) adalah i(x,y). Objek memantulkan cahaya yang diterimanya denganderajat pantulan r(x,y) . Hasil kali antara i(x,y)dan r(x,y) menyatakan intensitas cahaya pada

koordinat (x,y) yang ditangkap oleh sensor visual pada sistem optik, sehingga dapatdinyatakan dengan persamaan di bawah ini.

f(x,y) = i(x,y) r (x,y)dimana:

f (x,y) = intensitas cahaya pada koordinattitik (x,y) pada citra.

i (x,y) = jumlah cahaya yang dipancarkanoleh sumber cahaya ( illumination ), bernilaiantara 0 dan tak hingga.

r (x,y) = derajat kemampuan objek dalammemantulkan cahaya ( reflection ), bernilaiantara 0 dan 1.

b. Digitalisasi Citra

Digitalisasi citra merupakan representasicitra dari fungsi continue menjadi nilai-nilaidiskrit. Citra yang dihasilkan inilah yangdisebut citra digital ( digital image ). Padaumumnya citra digital berbentuk empat persegi panjang, dan dimensi ukurannya dinyatakan

sebagai tinggi x lebar. Masingmasing elemen pada citra digital (elemen matriks) disebutimage elemen t , picture element atau pixel (piksel). Citra digital yang berukuran n x mlazim dinyatakan dengan matriks yang berukuran n baris dan m kolom. Jadi, citra yang berukuran n x m mempunyai n x m buah pixel seperti yang terlihat pada gambar 2.2.

(0, 0) (0,1) .... (0, 1)

(1, 0) (1,1) .... (1, 1)( , )

: : : (2, 1)

( 1, 0) ( 1,1) .... ( 1, 1)

f f f m

f f f m f x y

f m

f n f n f n m

Gambar 2.2 Matriks Citra Digital n x m


3/12



2.2 Sistem Komponen Ruang Warna

a. Red , Green dan Blue (RGB)

Sistem ruang warna RGB banyak digunakan untuk menampilkan citra berwarna pada monitor komputer. Sistem ruang warnaRGB memiliki 3 warna dasar, yaitu merah( Red ), hijau ( Green ), biru ( Blue).

Sistem ruang warna RGB ini diilustrasikandengan menggunakan sistem koordinat 3dimensi.

Gambar 2.3 Sistem Ruang Warna RGB

Pada gambar 2.3 tampak bahwa setiapwarna akan diwakili oleh tiga buah nilai dalamkoordinat tersebut yang menyatakan komponenwarna RGB. Seperti warna merah yang diwakilioleh titik (255,0,0).

b. Kombinasi Warna

Dasar pengolahan citra adalah

pengolahan warna RGB ( Red,Green, Blue) pada posisi tertentu. Nilai warna yang digunakanmerupakan gabungan warna merah, hijau dan biru. Oleh karena itu, penentuan nilai suatuwarna yang bukan warna dasar merupakangabungan skala kecerahan setiap warnanya. Jadiuntuk menyajikan warna tertentu adalah denganmengkombinasikan ketiga warna RGB.

2.3 F uzzy Clusteri ng C-Means (FCM)

Algoritma fuzzy clustering c-means adalahsebagai berikut:

1. Menentukan matrik partisi fc awalsembarang, yaitu:

11 1 21 1 1 1

12 2 22 2 2 2

1 2

...

...

... ...

...

c

c fc

N N N N cN N

u u u

u u uc

u u u

2. Menetapkan nilai w>1, Eps sangat kecil,maxIter, jumlah cluster c>1, dan t = 0.

3. Menetapkan nilai fungsi objektif awal:

Pt(c) secara random .4. Menaikkan nomor iterasi: t = t + 1

5. Menghitung pusat cluster tiaptiap cluster .

1

nw

ik iji

kj nw

ik i n

X V

keterangan persamaan:

V fi = pusat vektor pada cluster fuzzy ke-i

ik = derajat keanggotaan suatu titik data

ke-k dicluster ke-i

X ij = data pada baris ke- i dan kolom ke- j.

w = nilai pembobot

6. Modifikasi tiaptiap nilai keanggotaan.

112

1

112

1 1

m w

ij kj j

ik c m w

ij kjk j

X V

X V


V kj = pusat vektor v pada cluster fuzzy


ke-k di cluster ke-i

w = nilai pembobot

7. Menghitung fungsi objektif:

2

1 1 1

n c mw

t ij kj ik i k j

P X V


P t = fungsi objektif iterasi ke-t

V kj = pusat vektor pada cluster fuzzy ke-i


ke-k di cluster ke-i

8. Mengecek kondisi untuk berhenti, yaitu: (|P t Pt - 1| < Eps ) atau > MaxIter ) Jikaiya berhenti dan jika tidak ulangi kembalilangkah ke-4.

Flowchart proses yang dilakukan olehalgoritma fuzzy clustering c-means dapat dilihatseperti pada gambar 2.4.


4/12


5/12



Gambar 4.1 Wadah Sample Untuk Pengambilan Citra

Proses capture dilakukan pada jarak 30 cmdari objek. Hasil dari proses capture citra air sungai adalah image dengan ukuran 3264 x2448 pixel .

Setelah di- capture , image sampeldisimpan dan kemudian dilakukan cropping untuk mendapatkan image yang hanyamemperlihatkan warna air. Hasil cropping iniadalah image dengan resolusi 350 x 350 pixel.

Gambar 4.2 Image Hasil Cropping DenganUkuran 350x350 Pixel

c. Perancangan Proses Pengolahan Data

Proses yang dilakukan pada sistem inimeliputi:

1. Menghitung nilai RGB Citra

2. Penyimpanan nilai RGB

3. Pengambilan nilai RGB tersimpan

4. Pengolahan data dengan fuzzy clustering

c-means

5. Plotting data anggota masing-masing

cluster dan pusat cluster pada bidang tiga

dimensi.

c. Perancangan Interface Sistem

Interface pada sistem ini dirancang dengan bahasa pemrograman MATLAB 7.0.4.Visualisasi sistem yang telah dirancang dapatdilihat seperti gambar dibawah ini:

Gambar 4.3 Visualisasi Sistem

1. Tombol Muat Gambar.

Berfungsi untuk mengambil data citra yang

telah disimpan.2. Tombol Hitung Nilai RGB.

Tombol ini berfungsi untuk melakukan perhitungan nilai RGB citra.

3. Tombol Simpan Data RGB.

Tombol ini berfungsi untuk menyimpandata RGB hasil perhitungan.

4. Panel Nilai RGB

Panel nilai RGB untuk menampilkan nilai

RGB hasil perhitungan.5. Panel Pusat Cluster

Merupakan panel untuk menampilkan teksnilai pusat cluster setiap cluster setelahtombol Jalankan FCM ditekan.

6. Tombol Ambil Data RGB Tersimpan

Tombol ini berfungsi untuk mengambildata RGB yang disimpan setelah proses penghitungan nilai RGB.

7. Tombol Jalankan FCMBerfungsi untuk menjalankan program fuzzy clustering c-means

8. Tombol Data Cluster

Berfungsi untuk menampilkan datakeanggotaan masing-masing cluster

9. Panel Anggota Cluster

Panel ini berfungsi untuk menampilkandetail pembagian anggota masing-masingcluster hasil FCM.

10.Tombol Tampilan Data 3D


6/12


7/12



pengambilan sampel. Untuk lebih jelasnyadapat dilihat pada grafik perubahan nilai RGB pada setiap titik data pada gambar 5.1 di bawahini.

Gambar 5.1 Grafik Perubahan Nilai RGB

Dari grafik gambar grafik di atas dapatdilihat perubahan nilai secara drastis untuk masing-masing nilai RGB mulai terjadi padadata ke 32 dan berlanjut sampai data terakhir.Perubahan paling drastis terjadi pada nilai dataB dari nilai 145. 624 pada data ke-31 menjadi86.6218 pada data ke-41.

Hasil perhitungan yang dilakukan terhadapgradien (kemiringan) ketiga komponen garisyang ada pada grafik di atas adalah sebagai berikut:

1. Gradien untuk garis R adalah -0.49908

2. Gradien untuk garis G adalah -0.64248

3. Gradien untuk garis B adalah -1.26022

Karena data sampel citra air sungai di ambildisetiap jarak 500 m, jadi dapat disimpulkan bahwa penurunan nilai warna merah (R) datasampel citra air sungai adalah 0.49908 / 500 m.Sedangkan untuk penurunan nilai warna hijau(G) data sampel citra air sungai adalah 0.64248/ 500 m dan penurunan nilai warna biru (B) datasampel citra air sungai adalah 1.26022 / 500 m.

5.2 Hasil Perhitungan Pusat Cl uster

Dari pengujian yang dilakukan terhadapsistem, nilai pusat cluster yang didapatkansistem adalah seperti yang terlihat pada tabel5.2 berikut ini.

Table 5.2 Pusat Masing-Masing Cluster

P Cluster R G B

1 144.467 161.447 152.988

2 137.354 149.074 124.452

3 129.721 136.12 98.3762

4 150.906 166.671 159.335

Sedangkan untuk nilai derajat keanggotaansetiap titik data terhadap masing-masing cluster yang dihasilkan dari sistem ini dapat dilihat pada table 5.3.

Tabel 5.3 Derajat Keanggotaan Data

Data

ke- Cluster 1 Cluster 2 Cluster 3 Cluster 4

1 0.237862 0.045878 0.019343 0.696917

2 0.1037 0 .012219 0 .004501 0 .87958

3 0.022848 0.001802 6.16E-04 0.974734

4 0.016735 0.00127 4 .32E-04 0 .981562

5 0.012956 8.54E-04 2.84E-04 0.985906

6 0.015853 0.001197 4.07E-04 0.982543

7 0.141597 0.005982 0.001933 0.850488

8 0.273494 0.00903 0.002761 0.714715

9 0.825721 0.014522 0.003827 0.155931

10 0.693233 0.011533 0.003302 0.291932

11 0.448134 0.012128 0.003644 0.536094

12 0.264335 0.009826 0.003161 0.722678

13 0.358214 0.010591 0.003336 0.62786

14 0.814235 0.007559 0.002199 0.176007

15 0.904622 0.005111 0.001459 0.088808

16 0.984951 0.001142 3.13E-04 0.013594

17 0.963494 0 .00269 7 .47E-04 0 .033068

18 0.712096 0.009663 0.002873 0.275368

19 0.813819 0.008107 0.002371 0.175702

20 0.673155 0.00994 0 .002965 0 .31394

21 0.873563 0.00616 0.001773 0.118504

22 0.622857 0.009977 0.002983 0.364183

23 0.970901 0.004041 0.001009 0.02405


8/12



Data


24 0 .976144 0 .00302 7 .61E-04 0 .020075

25 0.808081 0.055126 0.011573 0.125221

26 0.741888 0.015822 0.004696 0.237594

27 0.845835 0.039081 0.008603 0.106481

28 0.837128 0.041232 0.009292 0.112347

29 0.971219 0.003803 9.70E-04 0.024008

30 0.94133 0.009712 0.002341 0.046617

31 0.713372 0.107737 0.020346 0.158545

32 0 .17015 0 .698709 0 .050622 0 .08052

33 0.023755 0.947149 0.015742 0.013354

34 0.047978 0.648682 0.271035 0.032305

35 0.020657 0.954057 0.013824 0.011462

36 0.022932 0.905409 0.056952 0.014707

37 0.012806 0.970216 0.009653 0.007325

Data


38 0.006279 0.979829 0.010002 0.00389

39 0.048396 0.439514 0.478126 0.033964

40 0.010507 0.053667 0.928147 0.00768

41 0.025148 0.077135 0.877826 0.019892

Nilai derajat keanggotaan masing-masingdata pada setiap cluster seperti yang terlihat

pada tabel di atas menentukan kecenderungandata untuk masuk pada cluster tertentu. Satutitik data memiliki 4 nilai derajat keanggotaanyang berbeda, 4 nilai derajat keanggotaan inimewakili setiap cluster , cluster ke-m dengannilai derajat keanggotaan tertinggimenunjukkan bahwa data ke- n adalah anggotacluster tersebut. Derajat keanggotaan masing-masing data ini memiliki nilai antara 0-1, jumlah total nilai derajat keanggotaan untuk satu data adalah 1.

Untuk lebih mudah dalam melihat posisikeberadaan data pada cluster dalam sistem ini,

bisa dilakukan dengan menekan tombol DataCluster. Hasil dari porses yang dilakukan padasaat menekan tombol ini dapat dilihat padatabel 5.4.

Tabel 5.4 Keberadaan Data Pada Cluster

D ke- C1 C2 C3 C4

1 0 0 0 1

2 0 0 0 1

3 0 0 0 1

4 0 0 0 1

5 0 0 0 1

6 0 0 0 1

7 0 0 0 1

8 0 0 0 1

9 1 0 0 0

10 1 0 0 0

D ke- C1 C2 C3 C4

11 0 0 0 1

12 0 0 0 1

13 0 0 0 1

14 1 0 0 0

15 1 0 0 0

16 1 0 0 0

17 1 0 0 0

18 1 0 0 0

19 1 0 0 0

20 1 0 0 0

21 1 0 0 0

22 1 0 0 0

23 1 0 0 0

24 1 0 0 0

25 1 0 0 0


9/12


10/12



Gambar 5.2 Grafik Tiga Dimensi KeluaranSistem

5.4 Peta Sebaran Perubahan Warna AirSungai Hasil Cluster

Dari hasil cluster ini juga dapatdisimpulkan bahwa daerah yang memiliki nilaicitra yang mendekati nilai citra sampel pembanding ( cluster urutan ke-1) adalahsepanjang 5 km. Sedangkan daerah yangtermasuk ke dalam cluster urutan ke-2 tersebar pada daerah aliran sungai sepanjang 10 km,untuk daerah yang termasuk kedalam cluster urutan ke-3 tersebar pada daerah aliran sungaisepanjang 3.5 km dan cluster terakhir tersebar pada daerah sepanjang 1.5 km.

Untuk lebih jelasnya mengenai urutancluster disepanjang aliran Sungai Batang Arau berdasarkan titik pengambilan sampel dapatdilihat pada gambar 5.3 dan gambar 5.4.

Gambar 5.3 Peta Pembagian Daerah AliranSungai Batang Arau Menjadi 4 Cluster

Gambar 5.4 Peta Sebaran Cluster Daerah Aliran Sungai Batang Arau

VI PENUTUP

6.1 Simpulan

Berdasarkan analisa terhadap hasil dari pengujian yang dilakukan terhadap sistem,maka dapat dirangkum beberapa simpulansebagai berikut:

1. Fuzzy clustering c-means adalah salah satualgoritma yang digunakan dalam clustering data. Dalam penelitian ini, algoritma fuzzyclustering c-means digunakan untuk mengelompokkan citra air sungai berdasarkan kemiripan tingkat warna primer ( Red , Green , Blue).

2. Fuzzy clustering c-means dapat

mengelompokkan data tanpa memasukkandata yang sama ke dalam dua cluster .

3. Fuzzy clustering c-means dapat melihat pola perubahan data secara keseluruhan.

4. Pada sampel citra air sungai, titik sampel berurutan memiliki kecenderungan untuk berada pada cluster yang sama.

5. Nilai RGB citra sampel mengalami perubahan secara tidak beraturan padasetiap titik data sampel. Secara umum,nilai RGB mengalami penurunan jikadibandingkan dengan nilai RGB pada titik awal.

6. Urutan cluster yang dihasilkan oleh beberapa kali pengujian terhadap sistemyang telah dirancang tidak beraturan(random ), tetapi dengan pusat cluster dan jumlah anggota anggota cluster yang sama.

7. Jumlah anggota setiap cluster yangdihasilkan sistem adalah:

a. Cluster dengan nilai I = 158,97

mempunyai jumlah anggota 11 titik data.


11/12



b. Cluster dengan nilai I = 152,97mempunyai jumlah anggota 20 titik data.

c. Cluster dengan nilai I = 136,96mempunyai jumlah anggota 7 titik data.

d. Cluster dengan nilai I = 121,41mempunyai jumlah anggota 11 titik data.

8. Sampel yang memiliki nilai yang berdekatan dengan nilai sampel pembanding adalah 26,829% dari totalsampel, semua data ini berada pada titik-titik awal pengambilan sampel.

9. Daerah yang memilki nilai citra yangmendekati nilai citra sampel pembanding

(air mineral merek Aqua) adalah daerahsepanjang 5 km dari titik hulu sungai.

6.2 Saran

Setelah menganalisis cara kerja sistem danhasil keluaran sistem (hasil pengolahan data),untuk penelitian dan pengembangan sistemselanjutnya, penulis menyarankan beberapa hal berikut:

1. Untuk penelitian selanjutnya hasil darisistem ini bisa dibandingkan dengan hasildari sistem yang menerapkan metodaclustering lainnya.

2. Fuzzy clustering c -means dapat diterapkandalam berbagai bidang disiplin ilmu,seperti statistik, ekonomi dan medis .

DAFTAR PUSTAKA

[1]. Indrajati, Diah Dkk. 2007. Rencana Pembangunan Padang Bay City diSumatera Barat. Jakarta: KajianLingkungan Hidup Strategis (KLHS).

[2]. Bahar. 2011. Penentuan Jurusan Sekolah Menengah Atas Dengan Algoritma FuzzyClustering C-Means. Tesis Program PascaSarjana Magister Teknik InformatikaUniversitas Dian Nuswantoro: Semarang

[3]. Arwan, Ahmadkhoiruddin, 2007, Menentukan Nilai Akhir Kuliah dengan Fuzzy CMeans. Jurnal Fakultas TeknologiIndustri Universitas Islam Indonesia

[4]. Dr. Ir. Alert G. dan Ir Sri sumateri Santika,

MSC. 1984. Metoda Penelitian Air. Surabaya:Usaha Nasional.

[5]. Ida HRP, Yustina. 2009. Penentuan Kadar Nitrit Pada Beberapa Air Sungai Di Kota Medan Dengan Metode Spektrofotometri(Visible). Skripsi Departemen KimiaFakultas Matematika dan IlmuPengetahuan Alam Universitas SumateraUtara: Medan.

[6]. Effendi,H. 2003. Telaah Kualitas Air, Edisi Kelima. Kanisius: Yogyakarta

[7]. Suhartini. 2008. Pengaruh Keberadaan Pembuangan Akhir (TPA) Sampah Piyungan Terhadap Kualitas Air Sumur Penduduk di Sekitarnya . Naskah JurnalSaintek 2008 Jurusan Pendidikan BiologiFMIPA Universitas Negeri Yogyakarta:Yogyakarta

[8]. Ichsan. 1979. Kesehatan LingkunganSanitasi Perkotaan dan Pedesaan . DianKusuma:Yogyakarta

[9]. Slamet, Soemirat. 1996. Kesehatan Lingkungan . Gajahmada University Press:Yogyakarta

[10].Pratt, William K. 2001. Digital Image Processing, 3 rd Ed. John Wiley & Sons: New York.

[11].Awaludin, Ujang Fajar. 2006. MendeteksiWajah Menggunakan Sketsa . Skripsi,Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya : Surabaya.

[12].Kusumadewi, Sri, 2002, Analisis dan Desain Sistem Fuzzy MenggunakanToolbox Matlab. Graha Ilmu : Yogyakarta.


12/12

jurnal - pengelompokan citra sample air sungai dengan metoda fuzzy clustering c-means r01

Documents