Beruflich Dokumente
Kultur Dokumente
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/236260499
CITATIONS READS
0 1,262
3 authors:
SEE PROFILE
All content following this page was uploaded by Ahmad Mauliyadi on 07 August 2017.
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
ABSTRAK
Clustering merupakan salah satu teknik pengelompokan yang telah banyak digunakan di berbagai disiplin ilmu, yang
bertujuan untuk mengelompokkan objek yang didasarkan pada kesamaan. Sebuah metode pengelompokan yang baik akan
menghasilkan kualitas kelompok yang baik dilihat dari keakuratan hasil pengelompokan dengan data sebenarnya. Pada
penelitian ini dilakukan pengelompokan piksel pada data citra satelit Quickbird tahun 2010 dengan objek penelitian daerah
Desa Lubuk Batee, Aceh Besar. Pengelompokan tersebut menggunakan Fuzzy Clustering, yaitu metode Fuzzy C-Means
(FCM) dan Fuzzy Gustafson-Kessel (FGK) dengan membentuk empat kriteria pengelompokan. Metode pengelompokan
yang baik dilihat berdasarkan perbandingan hasil visualisasi dan pengambilan data secara acak yang kemudian divalidasi
dengan data sebenarnya.
Kata kunci : Fuzzy Clustering, Fuzzy C-Means (FCM), Fuzzy Gustafson-Kessel (FGK), Pengelompokan, Penginderaan
Jarak Jauh.
ABSTRACT
Clustering is a grouping technique widely used in various disciplines, which the aim is to classify objects based on their
similarity. A good clustering method will produce clusters with a good accuracy when compared to the actual data. In this
research, the pixel data of Quickbird satellite image 2010 are grouping with the object of the study area Lubuk Batee
village, Aceh Besar. The grouping used Fuzzy Clustering, Fuzzy C-Means method (FCM) and Fuzzy Gustafson-Kessel
(FGK) by forming four grouping criteria. A good method of grouping can be seen by comparing the results of visualization
and taking randomly some data which will then be validation to the actual data.
Keywords: Fuzzy Clustering, Fuzzy C-Means (FCM), Fuzzy Gustafson-Kessel (FGK), Clustering, Remote Sensing
1. PENDAHULUAN
Perkembangan teknologi saat ini telah memberikan data yang berbentuk kabur atau tidak terdefinisi dapat
kemudahan kepada manusia untuk melakukan berbagai didefinisikan dalam sebuah kelompok menggunakan
pekerjaan. Salah satu hasil dari perkembangan teknologi fuzzy clustering. Penggolongan data ke dalam kelompok
adalah pengindaraan jarak jauh (remote sensing), dengan (cluster) ditentukan berdasarkan derajat keanggotaan
adanya teknologi tersebut banyak manfaat yang bisa (membership degree) yang bernilai antara 0 hingga 1 [7].
didapatkan seperti pemetaan pada bidang sumber daya Ada banyak metode pengelompokan dalam fuzzy
alam, pertanian dan pengelolaan tata ruang. Salah satu clustering, pada penelitian ini metode pengelompokan
data citra satelit yang sering digunakan adalah Quickbird. yang digunakan adalah Fuzzy C-Means (FCM) dan Fuzzy
Data citra Satelit Quickbird memiliki resolusi 2,4 meter Gustafson-Kessel (FGK).
(mulitspektral) dan 60 sentimeter (pankromatik) dan
dianggap sudah sangat baik untuk mengelompokkan Metode ini akan digunakan untuk mengelompokkan data
dan menghasilkan peta tematik dengan teknik sesuai kelompoknya dan diharapkan mendapatkan hasil
pengelompokan berdasarkan intensitas warna. yang akurat, serta mendapatkan metode yang terbaik
antara Fuzzy C-Means (FCM) dan Fuzzy Gustafson-
Teknik pengelompokan dapat digunakan untuk Kessel (FGK) dengan cara melihat perbandingan hasil
mendapatkan informasi awal dari data citra satelit. visualisasi dan pengambilan data secara acak yang
Dengan metode pengelompokan konvensional, sebuah kemudian divalidasi dengan data sebenarnya.
2. METODE PENELITIAN 4. Menghitung pusat kelompok , dengan k=1,2,c;
Data yang digunakan pada penelitian ini adalah citra dan j=1,2,,m
Satelit Quickbird daerah Desa Lubuk Batee Kecamatan
Ingin Jaya, Aceh Besar sebagai objek penelitian.
Penelitian ini menggunakan metode Fuzzy C-Means
(FCM) dan Fuzzy Gustafson-Kessel (FGK) untuk 5. Menghitung fungsi obyektif
melakukan pengelompokan objek.
Dimana
min adalah jarak minimum antara pusat kelompok
Gambar 1. Satelit Quickbird
N adalah jumlah titik data pada X
c adalah jumlah kelompok 2. Pengelompokan data dengan FCM dan FGK
Vi adalah pusat kelompok ke-i Matriks berukuran 810.252 baris dan 3 kolom dilakukan
ik adalah keanggotaan fuzzy dari titik data proses pengelompokan dengan menggunakan metode
Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel
(FGK). Pada proses FCM dan FGK diperoleh nilai
matriks partisi U pada pengelompokan ini maka dapat 3. Hasil gambar perbandingan pengelompokan FCM
dilihat nilai kecenderungannya. dan FGK
Keterangan:
1. Rumah dan Jalan 2. Air
3. Sawah 4. Tumbuhan
Gambar 4. Nilai Matriks U FGK menjadi hard cluster
Secara visualisasi dari dua hasil pengelompokan fuzzy di
Nilai hard cluster inilah kemudian diubah kembali atas, Fuzzy Gustafson-Kessel (FGK) menghasilkan data
menjadi matriks berukuran 639 baris dan 1268 kolom. pengelompokan yang memiliki keakurasian yang lebih
Matriks ini yang akan diubah ke dalam citra dan baik dibandingkan Fuzzy C-Means (FCM) untuk
menghasilkan gambar untuk FCM dan FGK. memvisualisasikannya gambaran data sebenarnya.
4. Perbandingan berdasarkan pengambilan sampel 4. SIMPULAN
acak Dalam penelitian ini, proses fuzzy clustering pada metode
Salah satu cara untuk melihat hasil perbandingan metode Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel
manakah yang paling akurat, dapat dilakukan dengan (FGK) dengan parameter yang sama didapati bahwa
pengambilan sampel secara acak berdasarkan piksel metode FGK lebih akurat dibandingkan dengan metode
untuk diindentifikasi dan dievaluasi berdasarkan data FCM.
sebenarnya.
Simpulan ini didasari yang pertama dari perhitungan
Pada penelitian ini, sampel yang diambil secara acak validasi pengelompokan, pada metode FCM didapati
berjumlah 500 data untuk setiap hasil pada Fuzzy C- hasil akurasi pengelompokan sebesar 62%, sedangkan
Means (FCM), Fuzzy Gustafson-Kessel (FGK) dan data pada metode FGK hasil akurasi pengelompokan sebesar
koordinat. Dimana hasil yang diperoleh nantinya akan 88% dari data sebenarnya. Sehingga disimpulkan
diindentifikasi dengan data sebenarnya pada peta. berdasarkan hasil validasi pengelompokan bahwa metode
FGK lebih akurat dari pada metode FCM.
Tabel 2. Hasil akurasi FCM
Serta yang kedua didasari dari perbandingan hasil
visualisasi dari dua pengelompokan fuzzy, yaitu FGK
menghasilkan data pengelompokan yang memiliki
keakurasian yang lebih baik dibandingkan FCM dalam
memvisualisasikan gambaran data sebenarnya pada kasus
kawasan Desa Lubuk Batee Kecamatan Ingin Jaya, Aceh
Besar.
5. DAFTAR PUSTAKA
[1] Babuska, Robert. 2009. Fuzzy and Neural Control.
Delft University of Technology, Delft.
[2] Dwijayani, Monicha. 2010. Pengelompokan
Entitas Audit Pemerintah Daerah di BPK RI
Perwakilan Jawa Barat dengan Metode Clustering.
Tabel 3. Hasil akurasi FGK Jurnal Program Study Magister Manajemen
Teknologi. Institut Teknologi Sepuluh Nopember
Surabaya, Surabaya.
[3] Kusumadewi, Sri. 2002. Analisis Desain Sistem
Fuzzy Mengunakan Tool Box Matlab. Graha Ilmu,
Yogyakarta.
[4] Wang, Xiao-Ying., Garibaldi, Jonathan M., Bird,
Benjamin., and George, Mike W. 2007. Novel
Developments In Fuzzy Clustering for the
Classification of Cancerous Cells using FTIR
Spectroscopy. Proc. Of advances in Fuzzy
Clustering and its Applications. England: page
412-414.
[5] Widodo, Agus., Purhadi. 2012. Perbandingan
Metode Fuzzy C-Means dan Fuzzy C-Shell
Dari hasil verifikasi diperoleh data pengelompokan Fuzzy Clustering (Studi Kasus Kabupaten/Kota di Pulau
Gustafson-Kessel (FGK) lebih akurat dibandingkan hasil Jawa Berdasarkan Variabel Pembentuk Indeks
pengelompokan Fuzzy C-Means (FCM), ini dapat dilihat Pembangunan Manusia). Institut Teknologi
dari hasil akurasi pengelompokan FCM sebesar 62% dan Sepuluh Nopember, Surabaya.
hasil Pengelompokan FGK sebesar 88%. Sehingga [6] Wu, Kuo-Lung., Yang, Miin-Shen. 2005. A Cluster
diperoleh metode pengelompokan FGK sangat akurat Validity Index For Fuzzy Clustering. Pattern
untuk penelitian ini. Recognition Letters, 12751291.
Keterangan: [7] Zadeh, L.A. 1965. Fuzzy Sets. Information and
1. Rumah dan jalan 3. Sawah Control, Vol 8 : 338-353.
2. Air 4. Tumbuhan