IMPLEMENTASI METODE KLASIFIKASI FUZZY C-MEANS
MENGGUNAKAN ALGORITMA MULTISCALE DIFFUSION FILTERING
Fitri Primayunita1, Agus Zainal Arifin2, Anny Yuniarti3
Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
email : fee3primayunita@gmail.com1, agusza@cs.its.ac.id2, anny@if.its.ac.id3
ABSTRAK
Hasil dari pengolahan citra dapat bermanfaat dalam
berbagai bidang, misalnya dalam bidang kesehatan. Dan
pengklasifikasian merupakan langkah penting dalam
pengolahan citra untuk menganalisis citra secara
kuantitatif dengan tujuan untuk mendeteksi penyakit atau
mengkuantifikasi respon penyakit terhadap terapi.
Pada makalah ini diimplementasikan sebuah metode
klasifikasi fuzzy c-means menggunakan algoritma
multiscale diffusion filtering. Penyaringan difusi
dingunakan untuk memproses citra dan membangun seri
citra multiskala. Metode multiscale fuzzy c-means
(MsFCM) diaplikasikan ke semua skala citra mulai yang
paling kasar hingga yang paling halus.
Fungsi objektif pada fuzzy c-means (FCM)
konvensional dimodifikasi untuk memungkinkan proses
multiskala dimana hasil dari klasifikasi citra skala kasar
dapat digunakan untuk memperbaiki klasifikasi citra
skala berikutnya. Dari percobaan yang dilakukan,
metode ini mampu melakukan klasifikasi dengan cukup
baik. Penyaringan difusi terhadap citra multiskala yang
digunakan pada metode ini menjadikannya tahan
terhadap noise dan kontras yang rendah.
Kata kunci: Klasifikasi citra, Fuzzy C-Means, K-Means,
Penyaringan difusi multiskala
1 PENDAHULUAN
Hasil dari pengolahan citra dapat bermanfaat dalam
berbagai bidang, misalnya dalam bidang bioteknologi
untuk merancang obat-obatan, dalam bidang kesehatan
untuk mengklarifikasi mammogram, MRI, dan citra medis
lainnya, dalam bidang ilmu lingkungan untuk penentu
pola cuaca, dan dalam bidang seni untuk pembuatan citra
digital film. Dan pengklasifikasian merupakan langkah
penting dalam pengolahan citra, misalnya pada bidang
kesehatan untuk menganalisis citra secara kuantitatif
dengan tujuan untuk mendeteksi patologi atau
mengkuantifikasi respon penyakit terhadap terapi.
Klasifikasi citra merupakan proses untuk mempartisi
sebuah gambar kedalam himpunan dari kelas-kelas yang
berbeda dengan atribut-atribut yang seragam atau
homogen, seperti tekstur atau intensitas. Tantangan dalam
pengklasifikasian citra terletak pada adanya pengaruh
beberapa faktor seperti noise, kontras yang rendah,
intensitas yang tidak seragam, atau partial volume effect
(efek volume sebagian) pada citra sehingga menyulitkan
proses pengklasifikasian. Metode-metode klasifikasi
konvensional yang bersifat ‘keras’ membatasi setiap
piksel secara eksklusif menjadi milik satu kelas sehingga
metode tersebut tidak dapat menyelesaikan permasalahan
yang disebabkan oleh faktor-faktor seperti yang
disebutkan di atas. Sebaliknya, metode klasifikasi fuzzy
atau segmentasi yang bersifat ‘lunak’ dapat digunakan
untuk menyelesaikan permasalahan tersebut karena dalam
metode ini setiap piksel dapat diklasifikasikan ke dalam
beberapa kelas.
Metode klasifikasi Fuzzy C-Means (FCM)
menggunakan partisi fuzzy dan memungkinkan satu
piksel menjadi milik beberapa jenis jaringan dengan
keanggotaan yang berbeda dinilai antara 0 dan 1 [2].
FCM merupakan algoritma unsupervised yang
memungkinkan pengelompokan yang bersifat ‘lunak’ dari
setiap piksel yang mungkin terdiri dari beberapa jenis
jaringan yang berbeda [5]. Sebuah metode yang berbeda,
FCM yang telah dimodifikasi diusulkan sebagai
kompensasi dalam bidang keberagaman MR dan untuk
menggabungkan informasi ruang yang dapat megatasi
kendala-kendala kesinambungan ruang melalui
pengolahan lanjutan hasil yang diperoleh dari klasifikasi
FCM konvensional dimana seperangkat aturan
menggambarkan keseragaman daerah yang diterapkan
untuk memperbarui keanggotaan fuzzy [6]. Sebuah
metode geometry-guided FCM (GC-FCM) metode
diusulkan, dimana informasi tetangga lokal dimasukkan
ke dalam proses optimasi [4]. Baru-baru ini, beberapa
pendekatan langsung menambahkan pedoman regularisasi
pada fungsi objektif, sehingga menunjukkan peningkatan
ketahanan dari klasifikasi terhadap citra ber-noise.
Sebuah pedoman regularisasi telah diperkenalkan dalam
fungsi cost FCM konvensional untuk memaksakan
pengaruh neighborhood (tetangga) [1]. Sebuah piksel
mungkin berada dalam kelas yang sama jika mayoritas
piksel disekitarnya berada dalam satu kelas. Dengan cara
ini, solusi akhir ini diarahkan pada klasifikasi piece-wise-
homogeneous. Metode ini telah didemonstrasikan pada
citra MR yang rusak oleh salt and pepper noise.
Terinspirasi oleh Markov Random Field dan algoritma
expectation-maximation [7], berbagai modifikasi dari
metode FCM diusulkan dengan menggabungkan
regularisasi pedoman-pedoman yang berbeda untuk
mengatasi sensitivitas FCM terhadap noise [3].
Makalah ini membahas tentang implementasi
pengembangan metode klasifikasi menggunakan
algoritma Multiscale Fuzzy C-Means (MsFCM). Pada
algoritma ini digunakan penyaringan difusi anisotropik
untuk menigkatkan kehalusan citra dan untuk
membangun citra multiskala. Metode klasifikasi
1
Multiscale Fuzzy C-Means diterapkan di sepanjang skala
dari tingkat halus yang merupakan citra hasil dari
penyaringan difusi anisotropik ke tingkat kasar atau citra
asli. Fungsi objektif dari FCM konvensional dimodifikasi
untuk memungkinkan pengolahan klasifikasi multiskala
dimana hasil klasifikasi awal akan mengawasi klasifikasi
pada skala halus berikutnya.
Gambar 1 Scale space yang dibangun oleh anisotropic diffusion.
2 METODE KLASIFIKASI
2.2 K-Means
2.1 Anisotropic Diffusion Filter K-Means adalah salah satu algoritma unsupervised
Penyaringan citra masukan dilakukan dengan learning klustering yang secara partitioning memisahkan
menggunakan algoritma Anisotropic Diffusion Filtering data ke dalam kelompok yang berbeda. Dengan
yang secara matematis dapat didefinisikan sebagai: partitioning secara iteratif, K-Means mampu
meminimalkan rata-rata jarak setiap data ke klasternya.
𝜕𝑥(𝑖,𝑡)
𝜕𝑡
= 𝑑𝑖𝑣�𝑐 (𝑥𝑖 , 𝑡)∇𝑥(𝑖, 𝑡)� (1) Penerapan algoritma K-Means pada citra dengan level
tertinggi yang merupakan hasil penyaringan Anisotropic
dimana 𝑥𝑖 adalah intensitas gambar pada posisi 𝑖, 𝑥(𝑖, 𝑡) Diffusion Filtering digunakan untuk melakukan proses
adalah intensitas gambar pada posisi 𝑖 dan pada saat 𝑡 pengklusteran awal dengan tujuan untuk memperkirakan
atau pada tingkat skala 𝑡; ∇ dan 𝑑𝑖𝑣 merupakan gradien kelas-kelas awal. Dengan demikian dapat meningkatkan
kecepatan dan ketepatan proses klasifikasi tahap
dan operator divergen. 𝑐(𝑥𝑖 , 𝑡) adalah koefisien difusi.
berikutnya.
2
𝑐1 (𝑥𝑖 , 𝑡) = 𝑒 −(‖∇𝑥(𝑖,𝑡)‖/𝜅) (2)
2.3 Multiscale Fuzzy C-Means (MsFCM)
Konstanta difusi 𝜅 dipilih berdasarkan tingkatan Metode klasifikasi Multiscale Fuzzy C-Means
(MsFCM) merupakan pengembangan metode klusterisasi
noise dan ketebalan edge. Dan flow merupakan fungsi
dari difusi konstan yang didefinisikan sebagai: Fuzzy C-Means (FCM) dan Modified Fuzzy C-Means
(MFCM). Dalam algoritma ini digunakan filter difusi
Φ(𝑥𝑖 , 𝑡) = 𝑐(𝑥𝑖 , 𝑡)∇𝑥(𝑥𝑖 , 𝑡) untuk memproses dan membangun serangkaian citra
(3)
multiskala. Metode klasifikasi Multiscale Fuzzy C-Means
diterapkan secara keseluruhan dari citra skala kasar
Maksimal flow dihasilkan pada lokasi-lokasi dimana
hingga citra skala halus. Fungsi objektif pada Fuzzy C-
gradien sama dengan konstanta difusi (∇𝑥 ≈ 𝜅). Ketika
Means (FCM) konfensional dimodifikasi sehingga
gradien berada dibawah 𝜅, flow menurun menuju nilai nol
memungkinkan terjadinya proses klasifikasi secara
karena daerah tersebut merupakan daerah-daerah yang
bertingkat (multiscale), dimana hasil dari skala kasar akan
homogen. Pada saat gradien berada diatas 𝜅 fungsi flow
mendasari proses klasifikasi dalam skala halus
juga menurun menuju nilai nol, proses difusi dihentikan
berikutnya. Metode ini tahan terhadap noise dan kontras
pada lokasi-lokasi dengan gradien yang besar. Dengan
yang rendah pada citra. Hal ini dikarenakan adanya difusi
kata lain proses difusi memperhalus daerah-daerah
multiskala dalam skema penyaringan.
homogen (dimana ∇𝑥 ≪ 𝜅) dan mempertahankan daerah-
Tahap awal algoritma Multiscale Fuzzy C-Means
daerah tepi (dimana ∇𝑥 ≫ 𝜅).
(MsFCM) adalah proses penyaringan difusi anisotropik
Pendekatan multi skala yang digunakan pada proses
pada citra, setelah itu dilakukan klasifikasi dari skala
filtering ini menghasilkan serangkaian citra dengan level
yang paling kasar ke skala paling baik, yaitu citra asli.
resolusi spasial yang berbeda-beda. Informasi umum
Hasil klasifikasi pada level yang lebih kasar 𝑡 + 1
diekstrak dan dipertahankan pada citra-citra dengan skala
digunakan untuk menginisialisasi klasifikasi pada skala
yang besar. Dan pada citra-citra dengan skala kecil
yang lebih tinggi yaitu level 𝑡. Klasifikasi akhir adalah
terdapat lebih banyak informasi lokal jaringan. Dengan
hasil pada skala dengan level 0. Dalam proses klasifikasi
kata lain, semakin tinggi skala, detail citra semakin
pada level 𝑡 + 1, piksel dengan derajat keanggotaan
menghilang. Pendekatan multi skala dapat secara efektif
tertinggi yang melebihi atas ambang batas diidentifikasi
meningkatkan kecepatan pengklasifikasian dan dapat
dan dikelompokkan dalam kelas yang sesuai. Piksel-
menghindari perangkap local solution.
piksel ini digunakan sebagai training data untuk tingkat
Waktu 𝑡 dianggap sebagai skala atau level. Ketika
berikutnya yaitu level 𝑡.
skala meningkat, citra menjadi kabur dan berisi lebih
Fungsi obyektif MsFCM pada level 𝑡 adalah
banyak informasi umum. Gambar 1 menunjukkan scale
space yang dihasilkan oleh anisotropic diffusion filtering
𝐽𝑀𝑠𝐹𝐶𝑀 =
dimana t = 0 adalah citra asli. Semakin besar tingkat
skala, informasi lokal yang tampak akan semakin ∑𝑐𝑘=1 ∑𝑁 𝑝 2
𝑖=1(𝑢𝑖𝑘 ) ‖𝑥𝑖 − 𝑣𝑘 ‖ +
𝛼 𝑐 𝑁
berkurang. ∑𝑘=1 ∑𝑖=1(𝑢𝑖𝑘 ) �∑𝑥𝑟∈𝒩𝑖‖𝑥𝑟 − 𝑣𝑘 ‖2 � +
𝑝
𝑁𝑅
′ 𝑝
𝛽 ∑𝑐𝑘=1 ∑𝑁
𝑖=1�𝑢𝑖𝑘 − 𝑢𝑖𝑘 � ‖𝑥𝑖 − 𝑣𝑘 ‖
2
(4)

2
dimana 𝑢𝑖𝑘 adalah derajat keanggotaan piksel 𝑖 pada Pusat kluster 𝑣𝑘 di-update menggunakan turunan
kelas 𝑘, dan 𝑣𝑘 adalah vektor dari pusat kelas 𝑘, 𝑥𝑖 pertama 𝐹𝑀𝑠𝐹𝐶𝑀 terhadap 𝑣𝑘 yang hasilnya diatur sama
merupakan intensitas piksel 𝑖 , 𝑁𝑖 adalah piksel-piksel dengan 0
tetangga yang berada disekeliling piksel 𝑖.
Fungsi obyektif ini merupakan jumlah dari tiga suku ∑𝑁 2 𝑁 2
𝑖=1(𝑢𝑖𝑘 ) 𝑥𝑖 − 𝑣𝑘 ∑𝑖=1(𝑢𝑖𝑘 ) +
𝛼
di mana 𝛼 dan 𝛽 adalah scaling factor yang menentukan 𝑁
∑𝑖=1(𝑢𝑖𝑘 ) 2 ∑𝑥𝑟∈𝒩𝑖 𝑥𝑟 − 𝛼𝑣𝑘 ∑𝑁 2
𝑖=1(𝑢𝑖𝑘 ) +
𝑁𝑅
pengaruh setiap suku. Suku pertama adalah fungsi 2 2
∑𝑁 ′ 𝑁 ′
obyektif yang digunakan pada metode FCM 𝑖=1 𝛽�𝑢𝑖𝑘 − 𝑢𝑖𝑘 � 𝑥𝑖 − 𝑣𝑘 ∑𝑖=1 𝛽�𝑢𝑖𝑘 − 𝑢𝑖𝑘 � = 0 (10)
konvensional, yang memberikan derajat keanggotaan
tertinggi pada piksel yang intensitasnya dekat dengan sehingga diperoleh 𝑣𝑘
pusat kelas. Suku kedua memungkinkan neighborhood
∑𝑁
𝛼 ′ 2
piksel untuk mengatur klasifikasi dengan pelabelan piece- 2
𝑖=1(𝑢𝑖𝑘 ) �𝑥𝑖+ ∑ 𝑥 �+𝛽 ∑𝑁𝑖=1�𝑢𝑖𝑘 −𝑢𝑖𝑘 � 𝑥𝑖
𝑁𝑅 𝑥𝑟 ∈𝒩𝑖 𝑟
wise-homogeneous. Suku ketiga digunakan untuk 𝑣𝑘∗ = ′ 2
(11)
(1+𝛼) ∑𝑁 2 𝑁
𝑖=1(𝑢𝑖𝑘) +𝛽 ∑𝑖=1�𝑢𝑖𝑘−𝑢𝑖𝑘�
menggabungkan informasi yang didapat dari klasifikasi
′
dari skala sebelumnya. 𝑢𝑖𝑘 adalah derajat keanggotaan
2.4 Confussion Table
yang diperoleh dari klasifikasi dalam skala sebelumnya.
′ Confusion table atau confusion matrix berisi
𝑢𝑖𝑘 ditentukan sebagai informasi tentang klasifikasi aktual dan klasifikasi
′ 𝑡+1
prediksi, hasil dari sistem klasifikasi [9]. Kinerja sistem
′ 𝑢𝑖𝑘 , max𝑘 (𝑢𝑖𝑘 )>𝜅
𝑢𝑖𝑘 =� (5) klasifikasi biasanya dievaluasi dengan menggunakan data
0, 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 dalam matriks.
Accuracy (AC) adalah proporsi dari total jumlah
dimana 𝜅 adalah ambang batas untuk menentukan piksel prediksi yang benar. AC dapat didefinisikan dalam
dengan kelas yang dikenal dalam klasifikasi skala persamaan
berikutnya dan ditetapkan sebagai 0.85 dalam
implementasi makalah ini. 𝑎+𝑑
𝐴𝐶 = (12)
Fungsi obyektif 𝐽𝑀𝑠𝐹𝐶𝑀 dapat diminimalisasi melalui 𝑎+𝑏+𝑐+𝑑
turunan pertama fungsi obyektif 𝐽𝑀𝑠𝐹𝐶𝑀 terhadap 𝑢𝑖𝑘
yang dapat diselesaikan dengan menggunakan Lagrange dimana,
multiplier. • a adalah jumlah prediksi yang benar dalam
memprediksikan bahwa suatu hal adalah negatif
𝐹𝑀𝑠𝐹𝐶𝑀 = • b adalah jumlah prediksi yang salah dalam
∑𝑐𝑘=1 ∑𝑁 𝑝 2
𝑖=1(𝑢𝑖𝑘 ) ‖𝑥𝑖 − 𝑣𝑘 ‖ +
memprediksikan bahwa suatu hal adalah positif
𝛼
∑𝑐𝑘=1 ∑𝑁 𝑝 2 • c adalah jumlah prediksi yang salah dalam
𝑁𝑅 𝑖=1(𝑢𝑖𝑘 ) �∑𝑥𝑟∈𝒩𝑖‖𝑥𝑟 − 𝑣𝑘 ‖ � +
𝑝
memprediksikan bahwa suatu hal adalah negative
′
𝛽 ∑𝑐𝑘=1 ∑𝑁 2 𝑐
𝑖=1�𝑢𝑖𝑘 − 𝑢𝑖𝑘 � ‖𝑥𝑖 − 𝑣𝑘 ‖ + 𝜆 (1 − ∑𝑘=1 𝑢𝑖𝑘 ) • d adalah jumlah prediksi yang benar dalam
(6) memprediksikan bahwa suatu hal adalah positif

Pada algoritma MsFCM, parameter 𝑝 ditetapkan 3 UJI COBA DAN PEMBAHASAN

sebagai 2
3.1 Uji Coba Tingkat Akurasi 1
𝛿𝐹𝑀𝑠𝐹𝐶𝑀 2𝛼
� = 2𝑢𝑖𝑘 ‖𝑥𝑖 − 𝑣𝑘 ‖2 + 𝑢𝑖𝑘 �∑𝑥𝑟∈𝒩𝑖 ‖𝑥𝑟 − Pada uji coba tingkat akurasi 1 ini dilakukan
𝛿𝑢𝑖𝑘 𝑁𝑅
2 ′ penghitungan nilai akurasi hasil klasifikasi terhadap citra
𝑣𝑘 ‖ � + 2𝛽�𝑢𝑖𝑘 − 𝑢𝑖𝑘 �‖𝑥𝑖 − 𝑣𝑘 ‖2 − 𝜆� = 0 (7)
∗
𝑢𝑖𝑘 =𝑢𝑖𝑘 sintetis dengan cara membandingkannya dengan citra
ground truth. Proses pengklasifikasian dilakukan
sehingga diperoleh 𝑢𝑖𝑘 terhadap 5 citra sintetis. Citra hasil klasifikasi akan
dihitung akurasinya terhadap citra ground truth sesuai
𝜆 ′ ‖𝑥 2 dengan Persamaan (12). Uji coba dilakukan dengan
+𝛽𝑢𝑖𝑘 𝑖−𝑣𝑘 ‖
𝑢𝑖𝑘 = (1+𝛽)‖𝑥 2
2 𝛼 2 (8) mengambil hasil terbaik.
𝑖−𝑣𝑘‖ +𝑁 ∑𝑥𝑟 ∈𝒩𝑖‖𝑥𝑟 −𝑣𝑘 ‖
𝑅

Oleh karena ∑𝑐𝑗=1 𝑢𝑖𝑗 = 1 ∀𝑖 derajat keanggotaan

didefinisikan ulang sebagai
2 2
𝑢′𝑖𝑗 �𝑥𝑖 −𝑣𝑗 � +𝑢′𝑖𝑘 �𝑥𝑖 −𝑣𝑘 �
1+𝛽 ∑𝑐𝑗=1 2 𝛼 2
(1+𝛽)�𝑥𝑖 −𝑣𝑗 � + ∑
∗ 𝑁𝑅 𝑥𝑟 ∈𝒩𝑖�𝑥𝑟 −𝑣𝑗 �
𝑢𝑖𝑘 = 2 𝛼 2 (9)
(1+𝛽)�𝑥𝑖−𝑣𝑘 � + ∑ �𝑥 −𝑣 �
𝑁𝑅 𝑥𝑟 ∈𝒩𝑖 𝑟 𝑘
∑𝑐𝑗=1 2 𝛼 2
(1+𝛽)�𝑥𝑖 −𝑣𝑗 � + ∑
𝑁𝑅 𝑥𝑟 ∈𝒩𝑖�𝑥𝑟 −𝑣𝑗 � Gambar 2 Uji coba tingkat akurasi 1 pada Citra Sintetis 5
(a) Citra Masukan; dan (b) Citra Hasil Klasifikasiasi

3
 Tabel 1 Hasil Uji Coba Tingkat Akurasi 1
Kelas Kelas Tingkat Waktu 120
Nama 100
pada Terklasi- Akurasi Proses
Citra
Citra fikasi (%) (detik) 80
Sintetis 1 2 2 99.56 2.22 60
Sintetis 2 3 3 99.55 3.41 FCM
40
Sintetis 3 3 3 99.44 4.45
Sintetis 4 4 4 98.68 4.01 20 MsFCM
Sintetis 5 5 5 98.45 9.89 0

Gambar 2 menunjukkan citra masukan dan citra hasil

klasifikasi. Dari gambar tersebut dapat dilihat bahwa
algoritma dapat melakukan klasifikasi dengan baik. Pada
citra Sintetis 5 terdapat 5 kelas, dari tingkatan warna Gambar 3 Grafik uji coba tingkat akurasi 2
putih sampai hitam, yang semuanya berhasil
terklasifikasi.
Dari Tabel 1 dapat dilihat bahwa hasil uji coba 3.3 Uji Coba Parameter 1
menunjukkan bahwa algoritma yang diterapkan dapat
Uji coba parameter 1 ini akan menitikberatkan pada
menghasilkan rata-rata tingkat akurasi klasifikasi yang
sangat tinggi, yaitu 99.14% dengan rata-rata waktu proses pencarian nilai akurasi terbaik dari parameter alpha (𝛼).
pengklasifikasian selama 4.8 detik. Dari lima citra sintetis Proses pengklasifikasian dilakukan terhadap citra sintetis
yang diuji, objek pada masing-masing citra berhasil 1 dan citra sintetis 3. Noise yang akan ditambahkan pada
diklasifikasikan atau dikelompokkan dengan baik citra masukan berjenis salt and pepper noise dengan
sehingga tidak ada objek citra yang terlewatkan. Pada uji tingkatan sebesar 0.5%, 1%, dan 3%. Dan nilai parameter
coba citra Sintetis 5 terjadi peningkatan waktu yang betha (𝛽) yang digunakan sebesar 0.75.
signifikan. Hal ini disebabkan semakin banyaknya jumlah Gambar 4 menunjukkan citra masukan, yaitu citra
kelas, akibatnya meningkatkan waktu proses Sintetis 3 dengan penambahan noise sebesar 3%. Nilai
pengklasifikasian. parameter alpha (𝛼) dan betha (𝛽) yang digunakan
sebesar 0.95 dan 0.75. Tingkat keakuratan yang dicapai
oleh contoh uji coba pada Gambar 4 adalah sebesar
3.2 Uji Coba Tingkat Akurasi 2
98.80% dengan waktu proses yang diperlukan selama
Pada uji coba tingkat akurasi 2 ini dilakukan 6.57 detik. Parameter dan tingkatan noise yang sama
perbandingan nilai akurasi hasil klasifikasi Multiscale diterapkan pada citra real 1 dan diperoleh hasil seperti
Fuzzy C-Means terhadap hasil klasifikasi metode lain, pada Gambar 5(b) dalam waktu 8.01 detik.
yaitu Konvensional Fuzzy C-Means. Dari Tabel 3 tentang hasil uji coba parameter alpha
Tabel 2 merupakan tabel data uji coba tingkat akurasi (𝛼) pada citra Sintetis 1 dan citra Sintetis 3,
metode klasifikasi Konvensional Fuzzy C-Means dan
Multiscale Fuzzy C-Means. Proses pengklasifikasian
dilakukan terhadap 5 citra sintetis. Dan Gambar 3
merupakan grafik yang dibentuk dari data
pengklasifikasian pada tabel 2.
Dari Tabel 2 dan Gambar 3 dapat diketahui bahwa
pengklasifikasian dengan menggunakan metode
Multiscale Fuzzy C-Means menghasilkan tingkat akurasi
yang lebih baik, yaitu rata-rata 99.14%, sedangkan
Gambar 4 Uji coba parameter 1 pada citra Sintetis 3
metode Konvensional Fuzzy C-Means hanya
(a) Citra Masukan; dan (b) Citra Hasil Klasifikasiasi
menghasilkan tingkat akurasi rata-rata sebesar 90.86%.

Tabel 2 Hasil Uji Coba Tingkat Akurasi 2

Nama Tingkat Akurasi Tingkat Akurasi
Citra FCM MsFCM
Sintetis 1 69.68% 99.56%
Sintetis 2 91.33% 99.55%
Sintetis 3 100% 99.44%
Sintetis 4 100% 98.68%
Sintetis 5 93.30% 98.45% Gambar 5 Uji coba parameter 1 pada Citra Real 1
(a) Citra Masukan; dan (b) Citra Hasil Klasifikasiasi

4
 Tabel 3 Hasil Uji Coba Parameter 1 (bagian 1)
Tingkatan Tingkat Waktu
Alpha
Nama Citra Noise Akurasi Proses
(𝛼)
(%) (%) (detik)
0.65 99.18 6.98
0.75 99.20 6.91
Sintetis 1 0.5
0.85 99.22 6.92
0.95 99.31 7.40 Gambar 6 Uji coba parameter 2 pada citra Sintetis 4
(a) Citra Masukan; dan (b) Citra Hasil Klasifikasiasi
0.65 98.73 6.85
0.75 99.14 6.86 Tabel 5 Hasil Uji Coba Parameter 2
Sintetis 3 0.5
0.85 99.16 7.59 Tingkat Akurasi (%) Rata-rata
0.95 99.17 6.68 Betha Tingkat Waktu
Sintetis
(𝛽) Sintetis 4 Akurasi Proses
Tabel 4 Hasil Uji Coba Parameter 1 (bagian 2) 2
(%) (detik)
Tingkatan Tingkat Waktu
Alpha 0.65 98.73 97.25 97.99 10.41
Nama Citra Noise Akurasi Proses
(𝛼) 0.75 98.75 96.25 97.50 9.53
(%) (%) (detik)
0.85 98.67 97.16 97.92 10.39
0.65 98.75 6.77 0.95 98.67 97.11 97.89 12.71
0.75 99.02 6.85
Sintetis 3 1
0.85 99.13 6.68 menggunakan nilai maksimum alpha (𝛼) 0.95 tingkat
0.95 99.09 6.60 akurasi tertinggi dicapai ketika parameter betha (𝛽)
0.65 98.61 6.65 bernilai 0.65. Rata-rata akurasi sebesar 97.99% dan rata-
0.75 98.69 6.59 rata waktu pemrosesan selama 10.41 detik.
Sintetis 3 3
0.85 98.83 6.66
0.95 98.80 6.57
3.5 Uji Coba Parameter 3
untuk tingkatan noise yang sama yaitu sebesar 0.5% Uji coba parameter 3 merupakan uji coba terhadap
tingkat akurasi tertinggi dicapai ketika parameter alpha skema multiskala pada algoritma Anisotropic Diffusion
(𝛼) bernilai 0.95. Dengan rata-rata akurasi sebesar Filtering. Uji coba ini dilakukan untuk mengetahui
99.24% dan rata-rata waktu pemrosesan selama 7.04 pengaruh skema multiskala dalam mengatasi masalah
detik. noise pada citra masukan. Uji coba dilakukan pada citra
Tabel 4 merupakan hasil uji coba yang dilakukan Sintetis 5 dengan menambahkan noise sebesar 5% dan
terhadap citra Sintetis 3 pada tingkatan noise 1% dan 3%. 7%.
Dapat dilihat bahwa tingkat akurasi hasil klasifikasi Gambar 7 merupakan citra sintetis 5 yang
tertinggi rata-rata sebesar 98.98% dan rata-rata waktu ditambahkan 5% noise kedalamnya. Filter level yang
pemrosesan selama 6.67 detik dicapai pada nilai digunakan adalah 10. Tingkat akurasi yang dihasilkan
parameter alpha (𝛼) sebesar 0.85. adalah sebesar 96.95% dengan waktu proses selama
Hasil uji coba menunjukkan bahwa metode 23.66 detik.
klasifikasi Multiscale Fuzzy C-Means dapat mengatasi Tabel 6 merupakan data lengkap hasil uji coba
masalah noise dengan baik tanpa memerlukan waktu parameter 3. Dapat dilihat untuk masing-masing filter
yang lama dalam pemrosesan. level, rata-rata tingkat akurasinya adalah 89.19%,
91.54%, dan 95.68% dengan rata-rata waktu proses
3.4 Uji Coba Parameter 2 selama 12.34, 15.26, dan 23.57 detik.
Uji coba parameter 2 ini akan menitikberatkan pada Waktu yang diperlukan meningkat seiring dengan
pencarian nilai akurasi terbaik dari parameter betha (𝛽). meningkatnya filter level yang juga menyebabkan
Proses pengklasifikasian dilakukan terhadap citra sintetis peningkatan tingkat akurasi hasil klasifikasi.
2 dan citra sintetis 4. Noise yang akan ditambahkan pada
citra masukan berjenis salt and pepper noise dengan
tingkatan sebesar 0.5%, 1%, dan 3%. Dan nilai parameter
alpha (𝛼) yang digunakan sebesar 0.95.
Gambar 6 adalah citra Sintetis 4 sebagai citra
masukan dengan penambahan noise sebesar 3%. Nilai
parameter alpha (𝛼) dan betha (𝛽) yang digunakan
sebesar 0.95 dan 0.75.
Dari Tabel 5 tentang hasil uji coba parameter betha Gambar 7 Uji coba parameter 3 pada citra Sintetis 5
(𝛽) pada citra Sintetis 2 dan citra Sintetis 4, untuk (a) Citra Masukan; dan (b) Citra Hasil Klasifikasiasi
tingkatan noise yang sama yaitu sebesar 3% dengan

5
 Tabel 6 Hasil Uji Coba Parameter 3 3. Dengan adanya hasil klasifikasi dari citra skala
Tingkatan Tingkat Waktu sebelumnya yang dapat dijadikan sebagai training
Filter
Noise Akurasi Proses data untuk proses klasifikasi citra skala berikutnya,
Level
(%) (%) (detik) metode klasifikasi Fuzzy C-Means menggunakan
3 91.14 12.52 algoritma Multiscale Diffusion Filtering mampu
5 5 93.68 15.04 secara cepat dan tepat mengklasifikasi citra.
10 96.95 23.66 Metode Multiscale Fuzzy C-Means ini menghasilkan
3 87.23 12.15 tingkat akurasi yang lebih baik daripada metode
7 5 89.40 15.48 Konvensional Fuzzy C-Means.
10 94.42 23.48
5 SARAN
Adapun saran yang disampaikan untuk
pengembangan lebih lanjut antara lain:
1. Perlu dilakukan pengimplementasian mengenai
metode klasifikasi fuzzy c-means menggunakan
algoritma multiscale diffusion filtering untuk jenis
citra yang lebih beragam.
2. Perlu dilakukan skenario uji coba yang lebih variatif
dan mendalam untuk menguji kehandalan dan tingkat
akurasi algoritma klasifikasi ini.

Gambar 8 Uji coba parameter 3 pada citra Real 2
(a) Citra Masukan; (b) dan (c) Citra Hasil Klasifikasiasi
Gambar 8(a) merupakan citra real 2 yang
ditambahkan noise sebesar 10%. Gambar 8(b)
merupakan hasil klasifikasi MsFCM dengan filter level
yang digunakan adalah 5 dan Gambar 8(c) merupakan
hasil klasifikasi MsFCM dengan filter level yang
digunakan adalah 20. Tampak bahwa hasil klasifikasi
pada Gambar 8(c) jauh lebih baik daripada hasil
klasifikasi pada Gambar 8(b). Hal ini menunjukkan
bahwa peningkatan filter level adalah cara yang efektif
untuk mengatasi masalah noise pada citra masukan.
4 SIMPULAN
Dari uji coba yang telah dilakukan dan setelah
melakukan analisis hasil pengujian terhadap
implementasi metode klasifikasi Fuzzy C-Means
menggunakan algoritma Multiscale Diffusion Filtering ini
dapat diambil beberapa simpulan, antara lain:
1. Filter level akan digunakan untuk menentukan
jumlah skala dari seri citra multiskala yang akan
dibangun pada proses filtering dengan menggunakan
Anisotropic Diffusion. Penentuan filter level yang
tepat dapat mengatasi permasalahan noise pada citra
masukan tanpa membuat tepi-tepi citra menjadi
kabur.
2. Penentuan nilai parameter alpha (𝛼) dan betha (𝛽)
dengan tepat juga dapat meningkatkan keakuratan
proses klasifikasi.
REFERENSI
[1] Ahmed, M.N., Yamany, S.M., Mohamed, N., Farag, A.A.,
Moriarty, T., 2002, A modified fuzzy c-means algorithm
for bias field estimation and segmentation of MRI data,
IEEE Trans, Med. Imag. 21 (3), 193-199
[2] Bezdek, J., 1980. A convergence theorem for the fuzzy
ISODATA clustering algorithms. IEEE Trans. Pattern
Anal. Mach. Intell. (2), 1–8.
[3] Chen, S., Zhang, D., 2004. Robust image segmentation
using FCM with spatial constraints based on new kernel-
induced distance measure. IEEE Trans. Syst. Man
Cybern. B 34 (4), 1907–1916.
[4] Noordam, J.C., Van den broek, W.H.A.M., Buydens,
L.M.C., 2000. Geometrically guidedd fuzzy C-means
clustering for multivariate image segmentation. In:
Proceedings of the International Conference on Pattern
Recognition, vol. 1, pp. 462–465.
[5] Pham, D.L., Prince, J.L., 1999. Adaptive fuzzy
segmentation of magnetic resonance images. IEEE
Trans. Med. Imaging 18 (9), 737–752.
[6] Tolias, Y.A., Panas, S.M., 1998. On applying spatial
constraints in fuzzy image clustering using a fuzzy rule-
based system. IEEE Signal Process. Lett. 5, 245–247.
[7] Zhang, Y., Brady, M., Smith, S., 2001. Segmentation of
brain MR images through a hidden Markov random field
model and the expectation-maximization algorithm. IEEE
Trans. Med. Imaging 20 (1), 45–57.
.