SEGMENTASI CITRA SATELIT PADA LAHAN DI KECAMATAN

GAMBUT KALIMANTAN SELATAN MENGGUNAKAN

ALGORITMA FUZZY C-MEANS

PROPOSAL SKRIPSI
Untuk memenuhi persyaratan melakukan
penelitian dalam rangka penyusunan skripsi

Oleh
Noor Azizah
NIM J1F111006

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN LAM
UNIVERSITAS LAMBUNG MANGKURAT
BANJARBARU
FEBRUARI 2015

SEGMENTASI CITRA SATELIT PADA LAHAN DI KECAMATAN

GAMBUT KALIMANTAN SELATAN MENGGUNAKAN
ALGORITMA FUZZY C-MEANS

I.

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 dimana citra 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 detail dan pada implimentasi
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 sehmentasi
akan semakin kasar (Hariyanti, 2013).
Penelitian ini akan dilakukan segmentasi untuk clustering 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 lahan yang terdapat di Kecamatan
Gambut Kalimantan Selatan.

II.

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?
III.

BATASAN MASALAH
Agar penelitian lebih terarah, maka diperlukan pembatasan masalah

penelitian. Batasan masalah penelitian ini yaitu:

1.

Metode yang digunakan dalam penelitian ini adalah model waterfall untuk
pembangunan aplikasi dan Algoritma Fuzzy C-means untuk clustering 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.

IV.

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.
V.

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.

VI.

TINJAUAN PUSTAKA

6.1. Kajian Terdahulu

Penelitian yang telah dilakukan mengenai segmgmentasi citra satelit oleh Ni
Kadek Dessy Hariyanti (2013) menyebutkan bahwa Fuzzy C-means mampu
melakukan segmentasi sungai dengan baik yaitu mengelompokkan sungai dan
bukan sungai, selain itu dalam jurnalnya menyatakan hasil dari penelitian Singha &
Hemachandran (2011) melakukan perbandingan algoritma K-Means dan Fuzzy CMeans pada segmentasi citra satelit berwarna dalam ruang warna CIELAB.
Hasilnya menunjukkan bahwa K-Means memerlukan waktu lebih cepat dari FuzzyC-means, namun Fuzzy-C-means memberikan hasil dan detail lokasi yang lebih
baik dibandingkan K-Means
Penelitian lain mengenai image clustering oleh (Sharma, 2008) menjelaskan
tentang pengelompokkan gambar berdasarkan kategori yang memperkaya citra
tersebut sehingga memiliki level masing-masing sesuai dengan kategori yang akan
dimasukkan ke dalam kelas yang sama. Menurutnya dengan fuzzy citra dapat
disegmentasi ke dalam kualitas citra yang baik dan keberhasilan teknik segmentasi
bisa dijadikan arsip yang baik.
Acuan lain dari penelitian yang dilakukan oleh (Yang, 2007) menyatakan
bahwa tujuan dari citra segmentasi adalah untuk partisi sebuah gambar ke dalam
satu set daerah dengan menguraikan keseragaman dan atribut yang homogen seperti
intensitas, warna, nada atau tekstur, dll.

6.2

Landasan Teori

6.2.1 Penginderaan Jauh

Penginderaan jarak jauh adalah ilmu dan seni untuk memperoleh data serta
informasi dari suatu obyek (Lillesand dan Kiefer, 2004). Sistem satelit dalam
penginderaan jauh tersusun atas pemindai (scanner) dengan dilengkapi sensor pada
platform satelit dan sensor tersebut dilengkapi oleh detektor. Sistem satelit landsat
merupakan salah satu satelit sumber daya bumi yang dikembangkan oleh NASA
dan Departemen Dalam Negeri Amerika Serikat (NASA, 2011) (Pratiwi, 2012).
6.2.2 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 piksel (picture element). Titik-titik tersebut menggambarkan koordinat dan
mempunyai intensitas yang dapat dinyatakan dengan bilangan (Hariyanti, 2013).
Sistem penyimpanan citra dengan baris-kolom piksel disebut dengan sistem
raster atau teselasi, dimana tiap unsur data (yang disebut piksel) disimpan dengan
alamat yang jelas dan konsisten, menurut posisinya dalam baris dan kolom
(Danoedoro, 2012).
Citra digital dapat didefinisikan sebagai fungsi dua variabel f(x,y), dimana x
dan y adalah koordinat spasial sedangkan nilai f(x,y) adalah intensitas citra pada
koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan warna
pada citra digital adalah sebuah warna yang dikombinasi dari tiga warna dasar yaitu
merah, hijau, dan biru (Red, Green, Blue) (Prayudha, 2011).
Munir (2002) menyatakan bahwa RGB adalah model warna penambahan,
yang berarti bahwa warna primer dikombinasikan pada jumlah tertentu untuk

menghasilkan warna yang diinginkan. RGB dimulai dengan warna hitam (ketiadaan
semua warna) dan menambahkan merah, hijau, biru terang untuk membuat putih.
Kuning diproduksi dengan mencampurkan merah, hijau; warna cyan dengan
mencampurkan hijau dan biru; warna magenta dari kombinasi merah dan biru.
Monitor komputer dan televisi memakai RGB. Sorotan electron menghasilkan
sinyal merah, hijau, biru yang dikombinasikan untuk menghasilkan berbagai warna
yang dilihat pada layar (Prayudha, 2011).
6.2.3 Segmentasi Citra
Segmentasi citra adalah membagi suatu citra menjadi wilayah-wilayah yang
homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan
uatu 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).
6.2.4 Pembagian Segmentasi
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.
Analisis kluster atau clustering merupakan proses membagi data dalam
suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu
kelompok lebih besar daripada kesamaan data tersebut dengan data dalam
kelompok lain.
Clustering dapat diterapkan ke dalam data yang kuantitatif (numerik),
kualitatif (kategorikal), atau kombinasi dari keduanya. Data dapat merupakan hasil
pengamatan dari suatu proses. Setiap pengamatan dapat memiliki n variabel
pengukuran dan dikelompokkan dalam n dimensi vektor zk = [z1k,...,znk]T, zk
Rn. Sebuah himpunan dari N pengamatan dinotasikan dengan Z = {zk | = 1, 2,...,
N} dan direpresentasikan sebagai matriks n x N (Kusrini & Luthfi, 2009).
11 12
21. .22
=
. .
. .
[1 2

1
. 2.
.
.
.
.
]

Cluster secara umum merupakan wujud himpunan bagian dari suatu

himpunan data dan metode clustering dapat diklasifikasikan berdasarkan himpunan
bagian yang dihasilkan: apakah fuzzy atau crisp (hard) (Kusrini & Luthfi, 2009).

Metode hard clustering merupakan model yang berdasar pada teori

himpunan klasik, yang mana suatu objek menjadi anggota atau tidak menjadi
anggota secara penuh ke dalam suatu kelompok. Hard clustering membagi data ke
dalam sejumlah himpunan bagian secara eksklusif (Kusrini & Luthfi, 2009).
Sebaliknya, metode Fuzzy Clustering menginginkan objek untuk menjadi
bagian dari beberapa kelompok secara bersamaan dengan perbedaan level
keanggotaan (Kusrini & Luthfi, 2009).
Sebagai contoh dalam hard clustering, himpunan data Z = {z1, z2, z3, ..., z10}
jika dibagi menjadi dua kelompok, maka himpunan U yang merupakan matriks
partisi yang menunjukkan level keanggotaan elemen himpunan Z dalam kelompok
A1 atau A2 akan berwujud sebagai berikut (Kusrini & Luthfi, 2009).
1
= [
0

1 1
0 0

1 1 1
0 0 0

0 0 0
1 1 1

0
]
1

Baris atas matriks partisi U menunjukkan level keanggotaan elemen

himpunan Z dalam A1 atau A2. Tampak bahwa setiap elemen himpunan Z secara
khusus atau penuh akan menjadi anggota kelompok (A1 atau A2) dengan level
keanggotaan 1. Dan tidak menjadi anggota dalam suatu kelompok dengan level
keanggotaan 0. x1, x2, x3, x4, x5, dan x6 secara khusus merupakan anggota dari A2,
sedangkan x7, x8, x9, dan x10 secara khusus merupakan anggota dari kelompok A2
(Kusrini & Luthfi, 2009).
Sementara itu, dalam fuzzy clustering, level keanggotaan data dalam suatu
kelompok bukan hanya 0 dan 1, tetapi dapat memiliki nilai antara interval [0,1]
(Kusrini & Luthfi, 2009).

Baris ke-i dalam matriks partisi mengandung level keanggotaan I terhadap Ai.
Nilai level keanggotaan dalam setiap kolom matriks partisi yang berarti nilai
keanggotaan data dalam setiap kelompok akan selalu berjumlah 1 (Kusrini &
Luthfi, 2009).
Sebagai contoh, himpunan Z = {z1, z2, z3,..., z10}. Dalam pembagian samar
jika himpunan Z dibagi menjadi dua kelompok Z1 dan Z2, maka matriks partisi U
dapat dituliskan sebagai berikut (Kusrini & Luthfi, 2009).
1.0 1.0 1.0 1.0 0.7 0.4 0.2 0.0 0.0 0.0
= [
]
0.0 0.0 0.0 0.0 0.3 0.6 0.8 1.0 1.0 1.0
Baris atas matriks partisi U menunjukkan level keanggotaan elemen
himpunan Z dalam A1 dan baris bawah menunjukkan level keanggotaan elemen
himpunan Z dalam A2. Dalam fuzzy clustering ini tampak bahwa setiap elemen
himpunan Z dapat menjadi anggota kelompok (A1 dan A2) dengan level
keanggotaan antara 0 dan 1. x1, x2, x3, x4 menjadi anggota A1 dengan level
keanggotaan 0, sedangkan x5 menjadi anggota A1 dengan level keanggotaan 0,7 dan
menjadi anggota A2 dengan level keanggotaan 0,3 dan seterusnya (Kusrini &
Luthfi, 2009).
6.2.5.2 Fuzzy C-Means
Ada beberapa algoritma clustering data, salah satu diantaranya adalah
fuzzy c-means (FCM). FCM adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. Fuzzy C-Means adalah algoritma pengelompokan yang terawasi,
karena pada algoritma Fuzzy C-Means jumlah cluster yang akan dibentuk perlu

diketahui terlebih dahulu. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek
pada tahun 1981 (Kusumadewi & Purnomo, 2004).
Konsep dasar FCM pertama kali adalah menentukan pusat cluster yang
akan menandai lokasi rata-rata untuk tiap cluster. Pada kondisi awal, pusat cluster
ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotan untuk tiaptiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiaptiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan
bergerak menuju lokasi yang tepat.

Perulangan ini didasarkan pada derajat

keanggotaan yang menggambarkan jarak dari titik data yang diberikan ke pusat
cluster yang terbobot oleh derajat keanggotaan titik data tersebut (Kusumadewi &
Purnomo, 2004)
Apabila terdapat suatu himpunan data (input atau output data dari sistem
fuzzy) sebagai berikut:
(1)

X = (x1, x2, x3, ..., xn)

(2)

Derajat keanggotaan suatu titik data ke-k di cluster ke-i adalah :

(3)

Pada FCM, matriks didefinisikan sebagai berikut:

dengan

yang berarti bahwa jumlah derajat keanggotaan suatu data pada semua
cluster harus sama dengan 1.
Algoritma FCM didasarkan pada minimasi fungsi objektif yang
diformulasikan dalam persamaan (Kusrini & Luthfi, 2009):

= ( )

|| ||2

=1 =1

dengan:
uij merupakan level keanggoataan dari zi dalam cluster j
Zi merupakan nilai data ke-i dari d- dimensi data
cj merupakan nilai ke-j dari d-dimensi cluster center
m merupakan sembarang bilangan real lebih besar dari 1
Rujukan lebih jelas mengenai penentuan nilai c dan m ini dapat dilihat
pada pada jurnal On Cluster Validity For The Fuzzy C-Means Model dengan
referensi yang dapat dilihat di daftar pustaka.
Perulangan dalam FCM akan berhenti ketika (Fuzzy C-Means Clustering):

dimana adalah error terkecil yang diharapkan dengan dengan nilai antara 0 dan 1
dan k adalah langkah iterasi (Kusrini & Luthfi, 2009).
Untuk lebih jelasnya Algoritma FCM disusun dengan langkah sebagai
berikut:

a.

Input data
Input data yang akan dicluster (X) berupa matrik berukuran n m ( n = jumlah
data, m = atribut setiap data). Xij = data ke- i (i = 1, 2, , n), atribut kej (j = 1, 2, , m).

b.

c.

Batasan
1. Jumlah cluster

=c

2. Pangkat

=w

3. Maksimum iterasi

= MaxIter

4. Error terkecil yang diharapkan

5. Fungsi obyektif awal

= Po = 0

6. Iterasi awal

=t=1

Membangkitkan bilangan random ik, i = 1, 2, , n; k = 1, 2, ,c; sebagai

elemen-elemen matrik partisi awal U, serta menghitung jumlah setiap kolom
(atribut) :

=
=1

Dengan j = 1, 2, , m.
Menghitung:
=

d.

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

=1(( ) )
=
1( )

e.

Menghitung fungsi obyektif pada iterasi ke- t, Pt :

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

f.

=1

Menghitung perubahan matrik partisi:

1
2 1

[
=1( ) ]

=1 [
=1(

1
2 1

) ]

dengan i = 1, 2, , n; dan k = 1, 2, , c 3
g.

Mengecek kondisi berhenti:

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

VII. METODELOGI PENELITIAN

7.1

Alat Penelitian
Penelitian ini diperlukan beberapa alat untuk mendukung tercapainya

penelitian yang akan dilakukan. Alat yang digunakan adalah sebagai berikut:
1) Perangkat Keras, melipui:
a) Prosessor Intel Duo Core.
b) RAM 3 GB.
c) Hardisk 320 GB.
2) Perangkat Lunak
a) Sistem Operasi Microsoft Windows 7.
b) JDK Vertion 7.
c) NetBeans 7.

d) JAI Librari.
e) ArcGis
f) Google Earth Pro
7.2

Bahan Penelitian
Bahan yang digunakan untuk pelaksaan penelitian ini adalah data lahan citra

satelit di Kecamatan Gambut

7.3

Metode Penelitian
Adapun tahapan-tahapan yang akan dilakukan pada penelitian ini adalah

sebagai berikut:
7.3.1 Analisis Kebutuhan
Tahapan ini akan dilakukan analisis kebutuhan yang diperlukan dalam
penelitian. Adapun teknik yang dilakukan yaitu:
a.

Studi Literatur
Metode ini dilakukan dengan cara mencari literatur dari buku-buku, jurnal
maupun media internet tentang data citra satelit, segmentasi citra atau image
clustering, metode yang digunakan, dan meninjau penelitian yang sudah
dilakukan sebelumnya.

b.

Observasi
Observasi adalah pengamatan langsung suatu kegiatan yang sedang
dilakukan. Hasil observasi berupa pengamatan langsung terhadap lahan yang
ada di wilayah kecamatan Gambut yang kemudian akan dilakukan segmentasi
lahan.

7.3.2 Perancangan

Pada tahap ini dilakukan perancangan sistem berdasarkan dari hasil analisis
kebutuhan di atas. Perancangan yang dilakukan meliputi desain:
a.

Perancangan alur kerja sistem

Perancangan alur kerja sistem merupakan proses perancangan alur kerja
dalam sistem yang akan dibuat sesuai dengan alur kerja sistem sesungguhnya.

b. Perancangan antarmuka (interface)

Perancangan interface ini nantinya digunakan untuk membuat tampilan
sistem.
7.3.3 Implementasi
Merupakan tahap penerapan hasil rancangan ke dalam pemrograman.
Pemrograman dilakukan dengan menggunakan bahasa pemrograman Java dan
Netbeans sebagai editor.
7.3.4 Uji Coba
Setelah sistem diimplementasi dengan berhasil, untuk menghindari adanya
kesalahan hasil dari proses program aplikasi, maka dilakukan tahap pengujian.
Pegujian diarahkan untuk menemukan kesalahan dan memastikan bahwa masukan
yang diberikan menghasilkan keluaran yang sesuai. Apabila ada kesalahan yang
terjadi maka program aplikasi akan diperbaiki kembali sampai hasil proses sesuai
yang diharapkan.

VIII JADWAL PENELITIAN

Bulan 1
No

I
1

Analisis Kebutuhan

Desain (Perancangan)

Implementansi

Uji Coba

Penulisan Laporan

IX

Bulan II

Bulan III

Deskripsi Pekerjaan
II

III IV

II

III IV

II

III

IV

DAFTAR PUSTAKA

Badan Informasi Geospasial. 2013. Peta Rupabumi

http:// www.big.go.id/peta-rupabumi
Diakses pada 17 Februari 2015
Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta:
Penerbit Andi
Hariyanti, Ni Kadek Dessy. 2013.Ananlisis Segmentasi Sitra Satelit Menggunakan
Metode Fuzzy C-means. Politeknik Negeri Bali: Bali. Jurnal Matrix (2013)
3, No 1.
Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi.
Kusumadewi, S., & Purnomo, H. (2004). Aplikasi Logika Fuzzy. Yogyakarta:
Graha Ilmu.
Pratiwi, Dyah, dkk. 2012. Segmentasi Citra Hutan Berbasis Warna. SNASTIA
2012-01-10
Prayudha, M. 2011. Bit Stream.
http://repository.usu.ac.id/bitstream/123456789/27926/4/Chapter%20II.pdf
Diakses 17 Februari 2015
Sharma, Avanish Kumar. 2011. Image Clustering Using Fuzzy C-means
Algorithm. A Project Report Master Of Computing Sciences VIT
University of India, November 2008.

USGS. Earth Explorer. 2014

http://earthexplorer.usgs.gov/
Diakses pada 17 Februari 2015.
Widiasri, Monica. 2012. Segmentasi Citra berbasis Informasi Warna dan
Teksturmenggunakan Neutrosophic Set. Institut Teknologi Sepuluh
November: Surabaya
Widodo, Saptono, dkk. 2004. Segmentasi Citra Menggunakan Teknik Pemetaan
Warna (Color Mapping)Dengan Bahasa Pemrograman Delphi. Universitas
Diponegoro: Surabaya.
Yang, Yong. 2007. Image Segmentation By Fuzzy C-Means Clustering Algorithm
With A Novel Penalty Term. Journal Computing and Informatics, Vol. 26
(2007), 1731
Yudistira, Novanto dkk. 2014. Segmentasi Citra Pada Peta Dengan Metode Fuzzy
C- Means. Universitas Brawijaya: Malang.