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 masingmasing. 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 () 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 ik, i=1,2,...,n; k=1;2,...,c; sebagai elemenelemen matrik partisi awal U. Hitung jumlah setiap kolom:

=
=1

Qi ialah jumlah setiap kolom dari nilai random sebuah matrik, jumlah Q
tergantung dari berapa jumlah kriteria penilaian.

Menghitung:
=
4)

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

=

=1(( ) )
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

= ([( ) ] ( ) )
=1 =1

=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:

[
=1(

1
2 1

) ]

=1 [
=1(

1
2 1

) ]

dengan i = 1, 2, , n; dan k = 1, 2, , c 3
7)

Mengecek kondisi berhenti:

Jika : ( |Pt Pt-1 | < ) 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 tahapantahapan 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 CMeans.
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.
Logo Unlam dan Judul

Open
Number Of Cluster
Proses

Choose Color

Cluster 2

Choose Color

Cluster 3

Choose Color

Cluster 4

Choose Color

Cluster 5

Choose Color

Cluster 6

Choose Color

Cluster 7

Choose Color

Exit

Iterasi

Pilih

Cluster 1

Citra Satelit

Gambar 2. Halaman Awal

Enter
Text

Enter
Text
Enter
Text

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

145

208

78

138

210

74

134

219

76

158

240

103

190

255

139

142

198

75

144

214

82

147

243

94

127

226

83

2. Langkah selanjutnya ialah menentukan beberapa input yang dibutuhkan

dalam perhitungan fazzy c-means, yaitu:
(a)

Jumlah cluster ( c )

(b)

Pangkat (w)

(c)

Maksimum interasi (MaxIter)

1000

(d)

Error terkecil yang diharapkan ( )

0.001

(e)

Fungsi objektif awal (P0)

(f)

Interasi awal (t)

3. Membangkitkan bilangan random ik, 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

0.267857 0.333333
0.38806

0.22619

0.26738
0.172619

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

Fungsi

3188.60381

pt/

Objektif

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 | < ) atau ( t > MakIter ) maka berhenti;
Jika tidak : t = t + 1, ulangi langkah ke- d ( menghitung Vkj ).
( |Pt Pt-1 | < ) = 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 unsurunsur 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. semaksemak 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 Cshell (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.