Penerapan Marker-Controlled Watershed Based dan
Metode K-Nearest Neighbor untuk Mengukur Luas
Daerah Lahan Kosong dari Foto Udara
Chyntia Leonie Andreas1, Ken Ratri Retno Wardani2
Program Studi Informatika, Institut Teknologi Harapan Bangsa
Bandung, Indonesia
1chyn_leo038@yahoo.co.id
2ken_ratri@ithb.ac.id
Abstrak— Citra udara memuat informasi spasial yang dapat
digunakan untuk mengetahui penggunaan lahan. Penelitian ini
melakukan deteksi lahan kosong beserta luasnya dari sebuah
citra. Masalah yang ada adalah sulit untuk membedakan lahan
kosong dan bangunan. Lahan kosong adalah area yang tidak
terdapat bangunan ataupun fasilitas pendukung lainnya.
Penelitian ini dibuat dengan menggunakan segmentasi Marker-
Controlled Watershed Based dan K-Nearest Neighbor untuk
membuat deteksi lahan kosong. Format warna yang digunakan
dalam citra masukan adalah RGB. Karena warna RGB dinilai
terlalu banyak maka warna yang akan digunakan untuk
segmentasi adalah grayscale dan HSB untuk labeling. Untuk
mengetahui luas area lahan kosong pada citra, akan digunakan
perkalian jumlah piksel dengan luas daerah setiap satu piksel.
Berdasarkan pengujian yang dilakukan, K dengan nilai 3
dianggap paling optimal.
Kata Kunci— Marker Controlled Watershed Based, watershed, K-
Nearest Neighbor, deteksi lahan kosong, foto udara
Abstract— Aerial image contains spatial information that can be
used to determine land use. This research detects empty land and the
extent of empty land from an image. The problems is that it is
difficult to distinguish between empty land and buildings. Empty
land is an area where there are no buildings or other supporting
facilities. This research was made using Marker-Controlled
Watershed Based segmentation and K-Nearest Neighbor to detect
the empty land. The color format that be used in the input image is
RGB color. Because of RGB colors are too large, the colors that will
be used for segmentation is grayscale and HSB for labeling. To find
out the area of empty land in the image, it will be used by multiplying
the number of pixels with the area of each one pixel. Based on tests
performed, K with a value 3 is considered the most optimal.
Keywords— Marker Controlled Watershed Based, watershed, K-
Nearest Neighbor, empty area detection, aerial image
I. PENDAHULUAN
Citra foto udara adalah citra satelit yang diambil secara
vertikal dari ketinggian tertentu. Pada citra foto udara terdapat
lahan kosong, bangunan, perumahan, jalan, laut dan fasilitas
pendukung hidup manusia yang lainnya. Sedangkan lahan
kosong adalah lahan yang tidak terdapat bangunan dan fasilitas
pendukung hidup manusia di atasnya.
Untuk mendeteksi lahan kosong, perlu dilakukan segmentasi
dari sebuah citra untuk menentukan bagian citra yang akan di
klasifikasi. Pada penelitian pertama, metode Marker-
Controlled Watershed-Based digunakan untuk segmentasi citra
udara yang ada lalu dibagi menjadi beberapa bagian untuk
kemudian diberi label untuk menentukan obyek apa saja yang
ada di dalam citra udara tersebut [1].
Penelitian kedua juga menggunakan metode Marker-
Controlled Watershed-Based untuk segmentasi sebuah citra
yang ada. Metode tersebut digunakan untuk meminimalisir
terjadinya over segmentasi yang mungkin terjadi dalam
segmentasi citra yang digunakan [2].
Pada penelitian berikutnya metode yang dapat digunakan
untuk segmentasi adalah Marker-Controlled Watershed-Based,
watershed, GET operator [3]. Pada penelitian tersebut nilai F
pada GET operator lebih baik, tetapi metode Marker-
Controlled Watershed-Based lebih umum digunakan dan
memiliki nilai F yang tidak terlalu jauh.
Sedangkan untuk klasifikasi, metode yang dapat digunakan
adalah KNN, SVM. Pada penelitian tersebut, akurasi svm lebih
baik daripada akurasi KNN, tetapi untuk dataset yang lebih
sedikit akurasi KNN jauh lebih baik [4].
Pada penelitian Comparing Machine Learning Classifiers
for Object-Based Land Cover Classification Using Very High
Resolution Imagery, menunjukkan bahwa SVM dinilai
memiliki akurasi yang baik saat data sampel sedikit, sedangkan
normal bayes dinilai cukup baik untuk kasus yang di teliti saat
sampelnya berjumlah banyak. Untuk KNN sendiri, meskipun
akurasinya lebih kecil daripada metode yang lain, tetapi KNN
dinilai paling baik dan cepat karena bisa mempertahankan
akurasinya untuk berapa pun jumlah sampel yang digunakan
[5].
Pada penelitian Building Detection in Aerial Images Based
on Watershed and Visual Attention Feature Descriptors
menggunakan metode marker-controlled watershed untuk
segmentasi daerah dan membedakan mana yang termasuk
bangunan dan yang tidak termasuk dalam bangunan [6].
Pada penelitian A k-Nearest Neighbor Approach to Improve
Change Detection from Remote Sensing: Application to Optical
Aerial Image digunakan metode KNN untuk mengklasifikasi
obyek yang ada pada sebuah citra. KNN pada penelitian
tersebut digunakan untuk mendeteksi adanya perpindahan yang
terjadi pada sebuah obyek [7].
Berdasarkan kesimpulan dari beberapa jurnal yang berkaitan,
maka pada penelitian ini digunakan metode Marker-Controlled
Watershed-Based untuk mengatasi masalah pembagian pada
gambar dan KNN untuk proses pengenalan dan klasifikasi
objek juga morphology untuk membantu perhitungan luas
daerah. Dengan adanya penelitian “Penerapan Marker-
Controlled Watershed Based dan Metode K-Nearest Neighbor
untuk Mengukur Luas Daerah Lahan Kosong dari Foto Udara”
ini diharapkan mampu menghasilkan pendeteksi lahan kosong
beserta dengan ukuran luas daerah tersebut dengan akurasi
yang cukup baik.
II. TINJAUAN STUDI
A. Citra Digital
Citra Digital adalah pengolahan citra dilakukan secara
digital menggunakan komputer. Citra dipresentasikan secara
numerik dengan nilai-nilai diskrit. Digitalisasi citra adalah
representasi dari fungsi kontinyu menjadi nilai-nilai diskrit.
𝑓(𝑥, 𝑦)
𝑓(0,0) 𝑓(0,1)
⋯ 𝑓(0, 𝑀 − 1)
𝑓(1,0) 𝑓(1,1) ⋯ 𝑓(1, 𝑀 − 1)
≈[ ⋮ ]
⋮ ⋮ ⋮ D. Citra Grayscale
𝑓(𝑁 − 1,0) 𝑓(𝑁 − 1,1) ⋯ 𝑓(𝑁 − 1, 𝑀 − 1)
B. Pengolahan Citra Digital
Pengolahan citra digital [11] adalah cara untuk mengubah
citra menjadi sebuah citra digital dengan pemanfaatan
teknologi komputer agar dapat dilakukan operasi terhadap citra
digital tersebut untuk mengambil informasi yang terdapat dari
citra tersebut. Tujuan pengolahan citra adalah:
Pengenalan citra yang bertujuan untuk mengenali objek-
objek yang ada di dalam citra sesuai dengan fitur yang ada ini
adalah hal yang banyak dibahas pada penelitian ini, mengenali
objek tertentu sesuai dengan fitur yang sudah ditetapkan
sebelumnya pada data belajar dan menggunakan hasil dari data
belajar tersebut untuk diuji coba pada data uji apakah hasil yang
didapat memang sesuai dengan objek yang diinginkan.
Visualisasi yang bertujuan untuk melihat objek yang tidak
terlihat sebelumnya pada citra yang digunakan.
Restorasi citra, bertujuan untuk memperbaiki citra yang
digunakan. Misalnya jika citra tersebut mempunyai tingkat
noise yang tinggi. Dengan pengolahan citra digital maka
tingkat noise tersebut dapat dikurangi bahkan dihilangkan.
C. Citra Berwarna
Citra berwarna adalah citra yang memiliki 3 buah kanal
warna di dalamnya. Pada umumnya jenis citra ini terbentuk dari
komponen merah/red (R), hijau/green (G), biru/blue (B) yang
dimodelkan ke dalam ruang warna RGB. RGB adalah standar
yang digunakan untuk menampilkan citra berwarna pada layar
televisi maupun komputer. Citra berwarna atau true color
image sering juga disebut dengan 24-bit color image karena
untuk setiap nilai pikselnya memerlukan penyimpanan sebesar
24-bit. Masing-masing piksel dalam setiap kanal memiliki
kemungkinan nilai sebanyak 256 kemungkinan, yaitu dengan
nilai di antara 0-255. Hal tersebut membuktikan bahwa untuk
setiap piksel pada satu kanal memerlukan 8-bit data. Karena
citra berwarna memiliki 3 buah kanal, maka untuk satu piksel
pada citra berwarna memerlukan 3x8-bit=24=bit. Maka dari itu
citra berwarna disebut sebagai 24-bit color image [12].
Selain citra RGB juga ada model citra HSB/HSI/HSV. Citra
RGB sulit diinterpretasikan secara praktis oleh manusia,
sehingga saat manusia melihat benda, diinterpretasikan oleh
hue, saturation and brightness (HSB color). Komponen yang
membedakan warna adalah hue dan saturation. Model warna
HSB adalah model warna yang ideal untuk membuat algoritme.
Warna RGB memang ideal tetapi sulit digunakan untuk
deskripsi warna [12].
𝜃 𝑖𝑓 𝐵 ≤ 𝐺
H={
360 − 𝜃 𝑖𝑓 𝐵 > 𝐺
1
[(𝑅 − 𝐺) + (𝑅 − 𝐵)]
𝑤𝑖𝑡ℎ 𝜃 = cos −1 { 2 }
[(𝑅 − 𝐺)2 + (𝑅 − 𝐵)(𝐺 − 𝐵)]1/2
3
S= 1− [𝑚𝑖𝑛(𝑅, 𝐺, 𝐵)]
(𝑅 + 𝐺 + 𝐵)
1
B = (𝑅 + 𝐺 + 𝐵)
3
Citra Grayscale merupakan citra di mana nilai pikselnya
diwakilkan oleh nilai luminance, yang umumnya dikodekan
dalam 8 bit atau artinya memiliki skala keabuan yang bervariasi
dari nilai 0 sampai 255 (28 – 1). Nilai 0 merepresentasikan
warna hitam dan nilai 255 merepresentasikan warna putih.
Sedangkan nilai-nilai di antaranya merepresentasikan warna
keabuan yang bervariasi dari hitam hingga cerah menuju putih.
N = (R ∗ 0299) + (G ∗ 0587) + (B ∗ 0.114)
E. Segmentasi Citra
Dalam pengolahan citra, terkadang diperlukan pengolahan
hanya pada obyek tertentu. Oleh sebab itu, perlu dilakukan
proses segmentasi citra yang bertujuan untuk memisahkan
antara objek foreground dengan background. Pada umumnya
keluaran hasil segmentasi citra adalah berupa citra biner di
mana objek foreground yang dikehendaki berwarna putih atau
bernilai 1, sedangkan background yang ingin dihilangkan
berwarna hitam atau bernilai 0. Sama halnya pada proses
perbaikan kualitas citra, proses segmentasi citra juga bersifat
eksperimental, subjektif, dan bergantung pada tujuan yang
hendak dicapai. Beberapa metode dari segmentasi citra di
antaranya adalah:
 Thresholding
 Active Contour
 Segmentasi warna berdasarkan komponen Hue
 Deteksi tepi
 Watershed
 Transformasi Hough
Segmentasi citra merupakan tahapan penting dalam proses
pengenalan pola. Setelah objek berhasil tersegmentasi, maka
lakukan proses ekstraksi ciri citra. Ekstraksi ciri merupakan
tahapan yang bertujuan untuk mengekstrak ciri dari suatu objek
di mana ciri tersebut digunakan untuk membedakan antara
objek satu dengan objek lainnya.
F. Watershed
Konsep transformasi Watershed adalah dengan menganggap
sebuah citra merupakan bentuk tiga dimensi yaitu posisi x dan
y dengan tingkat warna pixel yang dimilikinya. Posisi x dan y
merupakan bidang dasar dan tingkat warna piksel, yang dalam
hal ini adalah gray level merupakan ketinggian dengan
anggapan nilai yang makin mendekati warna putih mempunyai
ketinggian yang semakin tinggi.
Pada gambar a ditampilkan citra dua dimensi dari konsep
transformasi Watershed dimana dua bagian yang berwarna
gelap adalah dua buah catchment basin dan bagian di tengah
kedua catchment basin merupakan daerah dimana garis
Watershed akan berada, sedangkan pada gambar b ditampilkan
citra tiga dimensi dari konsep transformasi Watershed.
Gambar 1 Watershed
G. Marker-Controlled Watershed
Watershed merupakan metode segmentasi yang cukup baik,
tetapi metode ini dapat menyebabkan terjadinya over
segmentasi. Oleh karena itu konsep marker-controlled dapat
digunakan untuk memecahkan masalah over segmentasi
yang terjadi dari citra dengan penyederhanaan morfologi [12].
Marker-Controlled Watershed memisahkan foreground dan
background untuk memastikan bentuk obyek secara
keseluruhan dengan marker pada citra. Obyek yang dihasilkan
dari segmentasi merepresentasikan citra primitif yang
berfungsi sebagai informasi blok untuk dilakukan klasifikasi
lebih lanjut. Setiap obyek citra yang memiliki banyak
karakteristik disebut fitur atau atribut obyek [12].
Hasil segmentasi terbaik memberikan informasi optimal
untuk dapat diproses lebih lanjut. Keuntungan dari segmentasi
ini juga tidak hanya bisa mengklasifikasikan berdasar informasi
tetapi seperti ketetanggaan, ukuran, tekstur dan lain sebagainya.
Segmentasi citra dilakukan menggunakan morfologi marker-
controlled watershed transform dengan menggunakan
keuntungan dari analisis multi resolusi dan gradien multi skala.
Segmentasi citra berwarna didapatkan menggunakan
watershed transform untuk mendapatkan daerah homogen [9].
 Lakukan operasi rekonstruksi morfologi opening H dan
closing dengan menggunakan citra grayscale.
 Cari titik maksima untuk mendapatkan nilai maksimum
dari setiap piksel yang ada pada citra.
 Cari nilai gradient magnitude pada citra.
 Hitung transformasi dari segmentasi.
𝐺𝑟𝑎𝑑𝑚𝑎𝑔 = √𝐼𝑥2 + 𝐼𝑦2
H. Morphology
Dengan pendekatan morfologi, suatu citra merupakan
himpunan posisi-posisi (x,y) yang bernilai 1 atau 0. Operasi
morfologi merupakan operasi yang digunakan untuk
meningkatkan bentuk (struktur) sehingga lebih mudah untuk
dikenali. Secara umum, pemrosesan citra secara morfologi
dilakukan dengan cara melakukan passing sebuah structuring
element terhadap sebuah citra dengan cara yang hampir sama
dengan konvolusi. Structuring element dapat diibaratkan
dengan mask pada pemrosesan citra biasa (bukan secara
morfologi) [5].
1) Dilasi
Dilasi merupakan proses penggabungan titik-titik latar (0)
menjadi bagian dari objek (1), berdasarkan structuring element
S yang digunakan. Dimana A adalah citra masukan, dan B
adalah structuring element.
D(A, B) = A ⊕ B = {S|(B)s⋂A}
2) Erosi
Erosi merupakan proses penghapusan titik-titik objek (1)
menjadi bagian dari latar (0), berdasarkan structuring element
S yang digunakan. Operasi yang dapat menghasilkan keluaran
piksel pada citra dengan obyek yang cenderung diperkecil
menipis, operasi erosi akan melakukan pengurangan pada citra
asal yang lebih kecil dibanding elemen struktur, dirumuskan
sebagai:
𝐸(𝐴, 𝐵) = 𝐴 ⊖ 𝐵 = {𝑆|(𝐵)𝑠⋂𝐴 ⊆ 0}
3) Opening
Operasi Erosi yang diikuti dengan dilasi, bersifat
memperhalus ketampakan citra, menyambung fitur yang
terputus, dan mempertinggi puncak-puncak pada citra.
Dirumuskan sebagai:
𝐴 ∘ 𝐵 = (𝐴 ⊖ 𝐵) ⊕ 𝐵
4) Closing
Operasi dilasi yang diikuti dengan erosi, bersifat
memperhalus ketampakan citra, memutus fitur yang
tersambung, dan mempertinggi puncak-puncak pada citra.
Dirumuskan sebagai:
𝐴 ⋅ 𝐵 = (𝐴 ⊕ 𝐵) ⊖ 𝐵
I. Morphology untuk Citra Grayscale
Morfologi dapat digunakan untuk operasi matriks citra
grayscale[5]. Pada citra grayscale morfologi juga membuat
filter dengan menggunakan structuring element. Operasi
morfologi yang termasuk ke dalam morfologi citra grayscale
adalah:
1) Dilasi
Dilasi merupakan proses penggabungan titik-titik latar (0)
menjadi bagian dari objek (1), berdasarkan structuring element
S yang digunakan. Dimana A adalah citra masukan, dan B
adalah structuring element.
(𝑓 ⊕ 𝑏)(𝑠, 𝑡) = 𝑚𝑎𝑥{𝑓(𝑠 − 𝑥, 𝑡 − 𝑦) + 𝑏(𝑥, 𝑦)|
(𝑠 − 𝑥), (𝑡 − 𝑦) ∈ 𝐷𝑓 ; (𝑥, 𝑦) ∈ 𝐷𝑏 }
2) Erosi dengan k; 𝐷𝐺𝑘 (𝐹) = 𝐷𝐺𝑘+1 (𝐹).
Erosi merupakan proses penghapusan titik-titik objek (1) Opening-by-reconstruction berukuran n dari sebuah citra F
menjadi bagian dari latar (0), berdasarkan structuring element didefinisikan oleh dilasi berkali-kali sehingga kestabilan suatu
S yang digunakan. Operasi yang dapat menghasilkan keluaran citra tercapai.
(𝐷)
piksel pada citra dengan obyek yang cenderung diperkecil 𝑂𝐺 (𝐹) = 𝑅𝐺𝐷 (𝐹)(𝐹 ⊖ 𝑛𝐵)
menipis, Operasi erosi akan melakukan pengurangan pada citra Sedangkan untuk Closing-by-reconstruction
asal yang lebih kecil dibanding elemen struktur, dirumuskan (𝐸)
𝑂𝐺 (𝐹) = 𝑅𝐹𝐸 (𝐹⨁𝑛𝐵)
sebagai:
(𝑓 ⊖ 𝑏)(𝑠, 𝑡) = 𝑚𝑖𝑛{𝑓(𝑠 + 𝑥, 𝑡 + 𝑦) − 𝑏(𝑥, 𝑦) | K. Edge Detection
(𝑠 + 𝑥), (𝑡 + 𝑦) ∈ 𝐷𝑓 ; (𝑥, 𝑦) ∈ 𝐷𝑏 } Deteksi tepi adalah pendeteksian batas antara area dalam
3) Opening sebuah citra. Deteksi tepi merupakan tahap dasar untuk
segmentasi dan deteksi obyek. Citra terdiri atas 2 dimensi f(x,y)
Pada dasarnya operasi opening pada citra grayscale sama dimana x dan y adalah koordinat [11].
dengan citra biner yaitu melakukan operasi erosi yang diikuti
dengan dilasi, bersifat memperhalus citra, menyambung fitur z1 z2 z3
yang terputus, dan mempertinggi puncak-puncak pada citra.
z4 z5 z6
Perbedaannya hanya saat operasi erosi dan dilasi digunakan
z7 z8 z9
operasi erosi dan dilasi untuk citra grayscale. Dirumuskan
sebagai: L. Sobel Edge Detection
𝑓 ∘ 𝑏 = (𝑓 ⊖ 𝑏) ⊕ 𝑏 Metode Sobel digunakan untuk melakukan deteksi tepi,
4) Closing dengan menggunakan 2 mask berukuran 3x3, yang
Pada dasarnya operasi closing pada citra grayscale sama memperkirakan gradien dalam x, dan y. Deteksi tepi
dengan citra biner yaitu melakukan operasi dilasi yang diikuti menggunakan operator sobel memberi lebih banyak bobot
dengan erosi, bersifat memperhalus citra, memutus fitur yang terhadap nilai piksel di sekitar tepi, sehingga meningkatkan
tersambung, dan mempertinggi puncak-puncak pada citra. intensitas tepi [11].
Perbedaannya hanya saat operasi dilasi dan erosi digunakan 1 0 -1 1 0 -1
operasi erosi dan dilasi untuk citra grayscale. Dirumuskan 2 0 -2 2 0 -2
sebagai: 1 0 -1 1 0 -1
𝑓 ⋅ 𝑏 = (𝑓 ⊕ 𝑏) ⊖ 𝑏
𝑔𝑥 = (𝑧3 − 2𝑧6 + 𝑧9) − (𝑧1 + 2𝑧4 + 𝑧7)
J. Mophological Reconstruction 𝑔𝑦 = (𝑧7 − 2𝑧8 + 𝑧9) − (𝑧1 + 2𝑧2 + 𝑧3)
Rekonstruksi adalah transformasi morfologi yang
melibatkan sebuah structuring element dan dua citra. Satu citra M. K-Nearest Neighbor
marker yaitu titik awal transformasi. Satu citra mask yaitu K-nearest neighbor (KNN) adalah metode untuk
transformasi. Pusat morfologi rekonstruksi adalah konsep dilasi mengklasifikasi objek berdasarkan contoh dari data latihan
geodesi dan erosi geodesi [10]. berdasarkan nilai dengan fitur terdekat dari ruang lingkup data
Rumus untuk dilasi pada morfologi rekonstruksi ditunjukkan latihan. Algoritme KNN adalah salah satu algoritme
pada persamaan berikut: pembelajaran mesin paling sederhana. Proses latihan dari
(1) algoritme ini hanya terdiri dari penyimpanan vektor dan label
𝐷𝐺 (𝐹) = (𝐹 ⊕ 𝐵) ∩ G
(𝑛) (1) (𝑛−1) (0) fitur dari citra yang digunakan sebagai data latihan. Dalam
𝐷𝐺 (𝐹) = 𝐷𝐺 (𝐹)[𝐷𝐺 (𝐹)], 𝑤𝑖𝑡ℎ𝐷𝐺 (𝐹) = 𝐹
proses klasifikasi, akan dicari label atau vektor yang memiliki
Rumus untuk erosi pada morfologi rekonstruksi ditunjukkan fitur terdekat dari data belajar yang sudah ada [4].
pada persamaan berikut: Biasanya objek yang akan diklasifikasikan dengan KNN
(1)
𝐸𝐺 (𝐹) = (𝐹 ⊖ 𝐵) ∪ G akan dicari yang paling tinggi tingkat kesamaannya. Jika k=1,
(𝑛) (1) (𝑛−1)
𝐸𝐺 (𝐹) = 𝐸𝐺 (𝐹)[𝐸𝐺 (𝐹)] objek tersebut akan diklasifikasikan dengan kelas objek yang
dimana: terdekat dengan objek yang akan dicari. Jika hanya ada dua
F = citra marker kelas, nilai k harus bilangan bulat ganjil saat melakukan
G = citra mask klasifikasi multiclass. Setelah setiap gambar diubah menjadi
B = structuring element nilai vektor bilangan real dengan panjang tetap, dalam
D = dilasi penelitian ini digunakan fungsi jarak yang paling umum untuk
E = erosi KNN, yaitu Euclidean distance :
Berdasar konsep rekonstruksi morfologi dilasi G dari F yang 𝑑(𝑥, 𝑦) = (𝑧3 − 2𝑧6 + 𝑧9) − (𝑧1 + 2𝑧4 + 𝑧7)
dinotasikan dengan 𝑅𝐺𝐷 (𝐹) didefinisikan sebagai dilasi dengan
G iterasi sampai stabilitas tercapai adalah: III. PENGUJIAN
𝑅𝐷𝐺 (𝐹) = 𝑅𝑘𝐺 (𝐹) Pada tahap ini, akan dijelaskan mengenai pengujian yang
akan dilakukan dengan program yang telah dibuat. Dengan
menggunakan rules yang telah dibuat pada TABEL I.
 TABEL I
RULES WARNA 3 46222 3914

7 45511 3203

15 28025 14283

3 29072 2214

7 29072 2214

15 27843 3443
Hasil akhir dari pengujian ini adalah luas lahan kosong dari
nilai K yang paling optimal. 3 34322 1179
Pengujian akan dilakukan dalam beberapa kasus. Kasus
yang akan diuji di antaranya adalah pengujian menggunakan 7 34322 1179
KNN dan labeling citra dengan rules, dan pengujian nilai K
pada KNN. 15 29261 6240
Pada kasus pertama, pengujian dilakukan terhadap 20 citra
uji. 20 citra uji tersebut setelah melalui proses labeling, akan di IV. KESIMPULAN
uji pendeteksian menggunakan rules, dan menggunakan KNN. Berdasarkan pengujian dan analisis yang telah dilakukan,
Pada pengujian ini dapat terlihat bahwa akurasi menggunakan didapatkan beberapa kesimpulan sebagai berikut:
KNN sekitar 50% lebih baik daripada dengan menggunakan  Dari hasil pengujian dapat disimpulkan bahwa teknik
rules. Marker-Controlled Watershed dapat digunakan untuk
segmentasi citra tetapi tidak terlalu baik.
 Dari hasil pengujian nilai K pada TABEL II terlihat
bahwa nilai K akan sangat berpengaruh pada hasil akhir
yang dapat menentukan lahan kosong. Pada penelitian ini
nilai K yang optimal adalah 3 dengan nilai selisih paling
kecil.
 Dari hasil pengujian dapat disimpulkan bahwa penentuan
warna pada rules TABEL I saat pembelajaran sangat
mempengaruhi penentuan data lahan kosong atau bukan.
Gambar 1 Watershed
V. SARAN
Berdasarkan hasil pencapaian dan pengujian yang telah
Pada kasus kedua, nilai K yang akan diuji adalah 3, 7, dan dilakukan, terdapat beberapa saran untuk pengembangan yang
15. Citra uji yang digunakan adalah citra berukuran 632x632 lebih lanjut sehingga dihasilkan ketepatan yang lebih baik
yang didapat dari Google Earth. Citra tersebut diambil dari dalam pendeteksian lahan kosong sebagai berikut:
ketinggian 400ft. Citra yang digunakan memuat lahan kosong  Menambahkan metode untuk membuang noise yang
ataupun perumahan. Berikut ini adalah hasil pengujian nilai lebih baik karena noise akan berpengaruh terhadap hasil
k=3, 7, dan 15 pada 5 citra yang ditunjukan pada TABEL II. segmentasi.
TABEL II  Menambahkan metode CNN untuk segmentasi yang
HASIL PENGUJIAN NILAI K lebih baik ataupun SVM untuk klasifikasi yang dapat
Nilai Luas Lahan Selisih Luas Lahan mendeteksi lahan kosong berwarna coklat dengan lebih
Citra akurat.
K Kosong (m2) Kosong (m2)
 Memperbaiki konversi ukuran luas setiap piksel
3 34518 1250 sehingga lebih akurat ke dalam skala ukuran yang
sebenarnya.
7 7370 28398
 Menambahkan metode untuk membuat menjadi lebih

15 107 35661
baik dan lebih presisi, untuk mendapatkan hasil akurasi
yang lebih baik.
3 33553 1345  Mengubah analisis dari segmentasi menggunakan
photoshop menjadi segmentasi otomatis untuk
7 33049 1849 mendeteksi lahan kosong secara akurat.

15 33049 1849
 DAFTAR REFERENSI
[1] Raffaele Gaetano, et al. ”Marker-Controlled Watershed-Based
Segmentation of Multiresolution Remote Sensing Images,” IEEE
Transactions on Geoscience and Remote Sensing,Vol. 53, No. 6, June
2015.
[2] Khin Lay Mon. ”Automatic Image Segmentation Using Edge and
Marker-Controlled Watershed Transformation,” in Proceedings of
International Conference on Advances in Engineering and Technology,
2014.
[3] Florian Kromp, et al. ”Semi-automated segmentation of neuroblastoma
nuclei using the Gradient Energy Tensor: a user driven approach,” in
Proceedings of SPIE – The International Society for Optical
Engineering, February 2015.
[4] J.S. Raikwal and Kanak Saxena. ”Performance Evaluation of SVM and
K-Nearest Neighbor Algorithm over Medical Data set,” International
Journal of Computer Applications,Vol. 50,No. 14, 2012.
[5] Yuguo Qian, et al. ”Comparing Machine Learning Classifiers for
Object-Based Land Cover Classification Using Very High Resolution
Imagery” Remote Sensing, 2015.
[6] Ana-Maria Cretu and Pierre Payeur. ”Building Detection in Aerial
Images Based on Watershed and Visual Attention Feature Descriptors,”
in International Conference on Computer and Robot Vision, July 2013.
Ken Ratri Retno Wardani, menerima gelar Sarjana Komputer dari Sekolah
Tinggi Sains dan Teknologi Indonesia pada tahun 1993. Menyelesaikan studi
Magister di Institut Teknologi Bandung jurusan Teknologi Informasi tahun
2004. Saat ini aktif sebagai pengajar di Departemen Infomatika, Institut
Teknologi Harapan Bangsa di Bandung. Minat penelitian pada Pengolahan
Citra dan Interaksi Manuasia Komputer.
Chyntia Leonie Andreas, menempuh studi Sarjana jurusan Informatika pada
Institut Teknologi Harapan Bangsa dan lulus pada tahun 2019. Minat penelitian
pada Pengolahan Citra.
[7] Azzedine Touazi and Djamel Bouchaffra. ”A k-Nearest Neighbor
Approach to Improve Change Detection from Remote Sensing:
Application to Optical Aerial Image,” in Proceedings of 15th
International Conference on Intelligent Systems Design and
Applications (ISDA), 2015.
[8] Imdad Rizvi and B K Mohan. ”Wavelet based Marker-Controlled
Watershed Segmentation Technique for High Resolution Satellite
Images” in 2nd International Conference and workshop on Emerging
Trends in Technology, 2011.
[9] Lan Yu, Linhua Deng and Song Feng. ”Automated Sunspot Detection
Using Morphological Reconstruction and Adaptive Region Growing
Techniques,” in Proceedings of the 33rd Chinese Control Conference,
2014.
[10] Girish N. Chaple, R. D. Daruwala and Manoj S. Gofane. ”Comparisions
of Robert, Prewitt, Sobel operator based edge detection methods for real
time uses on FPGA,” in 2015 International Conference on Technologies
for Sustainable Development, 2015.
[11] Petrou, Maria and Petrou Costas. Image Processing: The Fundamentals,
Second Edition, 2010.
[12] Rafael C. Gonzalez and Richard E.Woods. Digital Image Processing,
Prentice Hall, Upper Saddle River, 2002.