See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/236260499

PERBANDINGAN METODE FUZZY C-MEANS

(FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK)
MENGGUNAKAN DATA...

Data April 2013

CITATIONS READS

0 1,262

3 authors:

Ahmad Mauliyadi Hizir Sofyan

Syiah Kuala University Syiah Kuala University
1 PUBLICATION 0 CITATIONS 18 PUBLICATIONS 23 CITATIONS

SEE PROFILE SEE PROFILE

Muhammad Hendardi Subianto

Universitas Diponegoro
5 PUBLICATIONS 6 CITATIONS

SEE PROFILE

All content following this page was uploaded by Ahmad Mauliyadi on 07 August 2017.

The user has requested enhancement of the downloaded file.

 Tersedia di www.fmipa.unsyiah.ac.id

Jurnal Matematika 00 (2013) 0105

PERBANDINGAN METODE FUZZY C-MEANS (FCM)

DAN FUZZY GUSTAFSON-KESSEL (FGK)
MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD
(Studi Kasus Desa Lubuk Batee, Aceh Besar)

Ahmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto

Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala

ahmad_mauliyadi@yahoo.co.id, hizir@hizir.net, subianto@unsyiah.ac.id

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
kemudahan kepada manusia untuk melakukan berbagai
pekerjaan. Salah satu hasil dari perkembangan teknologi
adalah pengindaraan jarak jauh (remote sensing), dengan
adanya teknologi tersebut banyak manfaat yang bisa
didapatkan seperti pemetaan pada bidang sumber daya
alam, pertanian dan pengelolaan tata ruang. Salah satu
data citra satelit yang sering digunakan adalah Quickbird.
Data citra Satelit Quickbird memiliki resolusi 2,4 meter
(mulitspektral) dan 60 sentimeter (pankromatik) dan
dianggap sudah sangat baik untuk mengelompokkan
dan menghasilkan peta tematik dengan teknik
pengelompokan berdasarkan intensitas warna.
Teknik pengelompokan dapat digunakan untuk
mendapatkan informasi awal dari data citra satelit.
Dengan metode pengelompokan konvensional, sebuah
data yang berbentuk kabur atau tidak terdefinisi dapat
didefinisikan dalam sebuah kelompok menggunakan
fuzzy clustering. Penggolongan data ke dalam kelompok
(cluster) ditentukan berdasarkan derajat keanggotaan
(membership degree) yang bernilai antara 0 hingga 1 [7].
Ada banyak metode pengelompokan dalam fuzzy
clustering, pada penelitian ini metode pengelompokan
yang digunakan adalah Fuzzy C-Means (FCM) dan Fuzzy
Gustafson-Kessel (FGK).
Metode ini akan digunakan untuk mengelompokkan data
sesuai kelompoknya dan diharapkan mendapatkan hasil
yang akurat, serta mendapatkan metode yang terbaik
antara Fuzzy C-Means (FCM) dan Fuzzy Gustafson-
Kessel (FGK) dengan cara melihat perbandingan hasil
visualisasi dan pengambilan data secara acak yang
kemudian divalidasi dengan data sebenarnya.
2. METODE PENELITIAN
Data yang digunakan pada penelitian ini adalah citra
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
melakukan pengelompokan objek.
Proses pengelompokan dengan metode FCM dan FGK
menggunakan perangkat lunak Matlab R2010a.
Kemudian untuk melihat hasil perbandingan metode
dilakukan visualisasi dan pengambilan data secara acak
yang kemudian divalidasi dengan data sebenarnya
dengan menggunakan perangkat lunak Grass 6.4.2.
2.1 Fuzzy C-Means (FCM)
Fuzzy C-Means (FCM) adalah suatu teknik
pengelompokan data yang keberadaan tiap-tiap data
dalam suatu kelompok ditentukan oleh nilai atau derajat
keanggotaan tertentu dan teknik ini pertama kali
diperkenalkan oleh Jim Bezdek pada tahun 1981 [3].
Berikut algoritma pengelompokan Fuzzy C-Means
(FCM) [1].
dengan
dimana
X adalah data yang akan dikelompokan
U adalah matriks partisi awal dengan membangkitkan
nilai acak
V adalah matriks pusat kelompok
Adapun langkah langkah dalam metode FCM adalah
1. Menentukan data yang akan dikelompokan dengan
bentuk matriks X berukuran dengan n x m, dimana n =
jumlah data yang akan dikelompokan, m = atribute setiap
data.
2. Menentukan:
a. Jumlah kelompok yang akan dibentuk = c ( 2).
b. Pangkat atau pembobot w = 2.
c. Maksimum iterasi.
d. Kriteria penghentian terkecil =
e. Iterasi awal t = 1.
3. Membentuk matriks partisi awal U dengan
membangkitkan nilai acak ik, i=1,2,,n; k=1,2,,c; 2. Menentukan:
sebagai elemen-elemen matriks partisi awal U sebagai
berikut :
4. Menghitung pusat kelompok , dengan k=1,2,c;
dan j=1,2,,m
5. Menghitung fungsi obyektif
6. Memperbaiki derajat keanggotaan setiap data pada
setiap kelompok (perbaiki matriks partisi), sebagai
berikut :
7. Menentukan kriteria pemberhentian,
Jika (|Ut Ut-1| atau t > MaxIter) maka dihentikan,
namun apabila tidak. Maka elemen dinaikkan iterasi
dan kembali ke langkah 4.
2.2 Fuzzy Gustafson-Kessel (FGK)
Fuzzy Gustafsson-Kessel (FGK) adalah suatu cara
pengelompokan data yang mana keberadaan tiap-tiap
data dalam suatu kelompok ditentukan oleh nilai
keanggotaan dan teknik ini merupakan salah satu varians
dari fuzzy clustering yang dikembangkan oleh Gustafson
dan Kessel pada tahun 1979 [2]. Berikut algoritma
pengelompokan Fuzzy Gustafson-Kessel (FGK) [1].
dengan
=
dimana :
X adalah data yang akan dikelompokan
U adalah matriks partisi awal dengan
membangkitkan nilai acak
V adalah matriks pusat kelompok
Ai adalah mengindikasikan jarak kelompok
Adapun langkah-langkah dalam metode FGK adalah
1. Menentukan data yang akan dikelompokan dengan
bentuk matriks X berukuran dengan n x m, dimana n =
jumlah data yang akan dikelompokan, m = atribute setiap
data.
a. Jumlah kelompok yang akan dibentuk = c ( 2).
b. Pangkat atau pembobot w = 2.
c. Maksimum iterasi.
d. Kriteria penghentian terkecil =
e. Iterasi awal t = 1.
3. Membentuk matriks partisi awal U dengan
membangkitkan nilai acak ik, i=1,2,,n; k=1,2,,c;
sebagai elemen-elemen matriks partisi awal U sebagai
berikut :
4. Menghitung pusat kelompok , untuk v setiap
kelompok sebagai berikut
5. Menghitung kovarian matriks pengelompokan ( )
dengan rumus
Jumlah kelompok optimal ditunjukkan oleh nilai validitas
kelompok saat mencapai kondisi nilai minimum pertama
di lembah pertama yang didapatkan [5].
3. HASIL DAN PEMBAHASAN
1. Penentuan Kelompok Optimal
Data Satelit Quickbird memiliki tiga saluran, ketiga
saluran tersebut diubah menjadi data piksel kemudian
setalah menjadi piksel-piksel ketiga data tersebut
digabungkan menjadi sebuah matriks berukuran 810.252
baris dan 3 kolom. Sebelum melakukan proses
pengelompokan dengan menggunakan metode FCM dan
FGK terlebih dahulu menentukan jumlah kelompok yang
akan dibentuk, dengan menggunakan validasi separation
index.

Tabel 1. Hasil Validasi Separation Index

6. Menghitung jarak Separation index Separation index
Kelompok
FCM FGK
2 0.0000000051834 0.0000000040883
3 0.0000000078713 0.0000000067338
7. Memperbaiki derajat keanggotaan setiap data pada 4 0.0000000040852 0.0000000035328
setiap kelompok 5 0.0000000041162 0.0000000037221
6 0.0000000036461 0.0000000037602
7 0.0000000036784 0.0000000033985
8 0.0000000033672 0.0000000037142

Dari hasil tabel diatas, maka diperoleh nilai validasi

minimum pada lembah pertama terdapat pada kelompok
8. Menentukan kriteria pemberhentian 4. Dengan menghasilkan nilai validasi untuk FCM
Jika (|Ut Ut-1| atau t > MaxIter) maka dihentikan, sebesar 0.0000000040852 dan validasi FGK sebesar
namun apabila tidak. Maka elemen dinaikkan iterasi 0.0000000035328. Sehingga untuk melakukan
dan kembali ke langkah 4. pengelompokan yang terbaik menggunakan metode FCM
dan metode FGK pada data penelitian ini dapat
2.3 Validasi Pengelompokan menggunakan 4 kelompok yaitu rumah, air, sawah dan
Validasi pengelompokan adalah sebuah konsep untuk tumbuhan
mengevaluasi bagaimana hasil pengelompokan yang baik
[4]. Hal ini diperlukan karena jumlah kelompok yang
ditentukan atau bentuk kelompok mungkin tidak sesuai
dengan data sebenarnya. Untuk menentukan jumlah
kelompok yang paling optimal sesuai dengan data, maka
digunakanlah indeks pengukuran validitas kelompok
salah satunya separation index[6].

Dimana
min adalah jarak minimum antara pusat kelompok
N adalah jumlah titik data pada X
c adalah jumlah kelompok
Vi adalah pusat kelompok ke-i
ik adalah keanggotaan fuzzy dari titik data
Gambar 1. Satelit Quickbird
2. Pengelompokan data dengan FCM dan FGK
Matriks berukuran 810.252 baris dan 3 kolom dilakukan
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
dilihat nilai kecenderungannya.
Gambar 2. Nilai kecendurungan matriks partisi FCM
Gambar 3. Nilai kecendurungan matriks partisi FGK
Sehingga dari nilai matriks U dapat dibentuk kembali
hard cluster menjadi matriks dengan melihat nilai U
terbesar setiap barisnya.
Gambar 3. Nilai Matriks U FCM menjadi hard cluster
Gambar 4. Nilai Matriks U FGK menjadi hard cluster
Nilai hard cluster inilah kemudian diubah kembali
menjadi matriks berukuran 639 baris dan 1268 kolom.
Matriks ini yang akan diubah ke dalam citra dan
menghasilkan gambar untuk FCM dan FGK.
3. Hasil gambar perbandingan pengelompokan FCM
dan FGK
Gambar 5. Hasil Pengelompokan FCM
Gambar 6. Hasil Pengelompokan FGK
Gambar 7. Citra Penelitian
Keterangan:
1. Rumah dan Jalan 2. Air
3. Sawah 4. Tumbuhan
Secara visualisasi dari dua hasil pengelompokan fuzzy di
atas, Fuzzy Gustafson-Kessel (FGK) menghasilkan data
pengelompokan yang memiliki keakurasian yang lebih
baik dibandingkan Fuzzy C-Means (FCM) untuk
memvisualisasikannya gambaran data sebenarnya.
 4. Perbandingan berdasarkan pengambilan sampel
acak
Salah satu cara untuk melihat hasil perbandingan metode
manakah yang paling akurat, dapat dilakukan dengan
pengambilan sampel secara acak berdasarkan piksel
untuk diindentifikasi dan dievaluasi berdasarkan data
sebenarnya.
Pada penelitian ini, sampel yang diambil secara acak
berjumlah 500 data untuk setiap hasil pada Fuzzy C-
Means (FCM), Fuzzy Gustafson-Kessel (FGK) dan data
koordinat. Dimana hasil yang diperoleh nantinya akan
diindentifikasi dengan data sebenarnya pada peta.
Tabel 2. Hasil akurasi FCM
Tabel 3. Hasil akurasi FGK
Dari hasil verifikasi diperoleh data pengelompokan Fuzzy
Gustafson-Kessel (FGK) lebih akurat dibandingkan hasil
pengelompokan Fuzzy C-Means (FCM), ini dapat dilihat
dari hasil akurasi pengelompokan FCM sebesar 62% dan
hasil Pengelompokan FGK sebesar 88%. Sehingga
diperoleh metode pengelompokan FGK sangat akurat
untuk penelitian ini.
Keterangan:
1. Rumah dan jalan 3. Sawah
2. Air 4. Tumbuhan
View publication stats
4. SIMPULAN
Dalam penelitian ini, proses fuzzy clustering pada metode
Fuzzy C-Means (FCM) dan Fuzzy Gustafson-Kessel
(FGK) dengan parameter yang sama didapati bahwa
metode FGK lebih akurat dibandingkan dengan metode
FCM.
Simpulan ini didasari yang pertama dari perhitungan
validasi pengelompokan, pada metode FCM didapati
hasil akurasi pengelompokan sebesar 62%, sedangkan
pada metode FGK hasil akurasi pengelompokan sebesar
88% dari data sebenarnya. Sehingga disimpulkan
berdasarkan hasil validasi pengelompokan bahwa metode
FGK lebih akurat dari pada metode 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.
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
Clustering (Studi Kasus Kabupaten/Kota di Pulau
Jawa Berdasarkan Variabel Pembentuk Indeks
Pembangunan Manusia). Institut Teknologi
Sepuluh Nopember, Surabaya.
[6] Wu, Kuo-Lung., Yang, Miin-Shen. 2005. A Cluster
Validity Index For Fuzzy Clustering. Pattern
Recognition Letters, 12751291.
[7] Zadeh, L.A. 1965. Fuzzy Sets. Information and
Control, Vol 8 : 338-353.