Tugas ke-5

PENGOLAHAN CITRA DIGITAL (TGG616302)

Klasifikasi Tidak Terbimbing dengan K-Means Clustering

Dibuat oleh:
Christas Gracia (NPM: 1915013023)
Muhammad Zaki Alfarizi (NPM: 1915013019)

1.1 Pendahuluan
Pengolahan Citra Digital merupakan ilmu yang
mempelajari teknik-teknik pengolahan citra (Kusumanto &
Tompunu, 2011). Pengolahan data secara digital umum
digunakan untuk analisis citra satelit dimana hasilnya dapat
dibandingkan dengan kenampakan asli citra tersebut secara
langsung (Apriyanti et al., 2016). Sebelum suatu citra dapat
digunakan, perlu dilakukan pengolahan citra digital dengan
melakukan klasifikasi citra yang memiliki beberapa cara juga
algoritma khusus yang umum diaplikasikan dengan
memanfaatkan perangkat lunak tertentu seperti QGIS atau
ArcGIS.

1.2 Klasifikasi Citra

Klasifikasi citra adalah suatu proses pengelompokan
pixel pada citra tertentu ke dalam beberapa kelas (class)
sehingga dari setiap kelas tersebut dapat direpresentasikan
suatu entitas dengan beberapa ciri tertentu. Klasifikasi citra
penginderaan jauh umumnya dilakukan untuk memberikan
luaran berupa peta tematik yang menampilkan warna
tertentu yang mewakili sebuah objek yang berkaitan dengan
permukaan bumi seperti sawah, air, hutan, jalan, dan lainnya.

1
 Metode klasifikasi citra yang digunakan dalam proses
pengolahan data sangat menentukan hasil dari klasifikasi
citra, oleh karena itu metode klasifikasi yang digunakan harus
sesuai dengan citra yang akan diolah. Metode pengumpulan
informasi data inderaja yang dewasa ini kerap digunakan
ialah metode multispectral. Klasifikasi multispectral memiliki
2 metode klasifikasi yaitu klasifikasi terbimbing (supervised)
serta klasifikasi tidak terbimbing (unsupervised).

1.3 K-means Clustering

K-means clustering merupakan salah satu metode
clustering non-hirarki yang dalam penerapannya mempartisi
data yang ada ke dalam satu atau beberapa cluster. Metode
ini mampu mengelompokkan data sehingga data dengan
karakteristik yang sama dapat masuk ke dalam cluster yang
sama. Sebaliknya, apabila data tidak memiliki karakteristik
yang sama maka data tersebut akan dimasukkan ke cluster
yang berbeda. K-means clustering memiliki beberapa
keunggulan yaitu mudah digunakan dalam pengklasifikasian
karakteristik objek dan tidak terpengaruh terhadap urutan
objek yang digunakan, klasterisasi sangat cepat, dan sangat
sensitif pada pembangkitan centeroids awal (Apriyanti et al.,
2016).

1.4 Klasifikasi Citra Tidak Terbimbing dengan K-Means

Clustering
Klasifikasi citra tidak terbimbing dengan K-means
Clustering dapat dilakukan dengan langkah awal menentukan
jumlah cluster serta ambang batas perubahan fungsi objektif,
lalu menentukan centeroid awal yang digunakan, menghitung
jarak setiap data ke masing-masing centroid dengan jarak
Euclidean untuk memperoleh jajrak terdekat data dengan
centroidnya. Kemudian tentukan centroid baru dengan

2
perhitungan nilai rata-rata dari data yang ada pada centroid
yang sama, terakhir ulangi langkah-langkah tersebut hingga
kondisi konvergen tercapai dimana perubahan fungsi objektif
sudah dibawah ambang batas yang diinginkan dan tidak ada
data yang berpindah cluster serta posisi centroid sudah di
bawah ambang batas yang ditentukan pada langkah awal
(Putra, 2018).

1.5 Hasil Praktikum

Contoh penggunakan algoritma K-means Clustering
dalam mengolah citra secara digital ialah dalam
pengklasifikasian citra landsat. Hasil dari klasifikasi citra ini
dapat dimanfaatkan untuk klasifikasi lahan yang merupakan
proses pengelompokan lahan berdasarkan kesamaan
karakteristik tertentu. Klasifikasi lahan yang telah diperoleh
tersebut kemudian dapat digunakan bagi pemetaan
penggunaan lahan di wilayah tertentu.
Dengan memanfaatkan data Citra Landsat 7 tahun 2016
yang diunduh dari website USGS, yang kemudian diklasifikasi
dengan algoritma K-means menggunakan perangkat lunak
QGIS.

Gambar 1. 1 Hasil Clip Landsat 7 Gambar 1. 2 Proses K-means Clustering

tahun 2016

Data Citra Landsat 7 tahun 2016 tersebut telah di-clip

dengan menu clip raster by extent sehingga didapatkan
wilayah lebih kecil dan spesifik untuk dilakukan proses

3
klasifikasi. Selanjutnya proses clustering dijalankan dengan
menggunakan menu Clustering pada Semi-Automatic
Classification Plugin (SCP) lalu pilih band processing, kemudian
set kelas pengkelompokan dari K-means clustering dengan
cara buka menu “clustering” pada menu band processing, dan
setting “number of classes”, “max number of iterations”, dan
“ISODATA minimum class size in pixels” sesuai kelas yang
diinginkan, kemudian klik “run” (Gambar 1.2). Kemudian hasil
clustering diperoleh dan dilakukan layout dengan
memperhatikan kaidah-kaidah kartografi (Gambar 1.3).

Gambar 1. 3 Hasil K-means Clustering

1.6 Pengaplikasian K-means Clustering

K-means clustering dapat digunakan dalam analisis
sentimen pelayanan publik (Saputra & Arianty, 2019),
pengelompokan potensi produksi buah-buahan (MURTI,
2017), analisis penyakit menular manusia (Bastian et al.,
n.d.), menentukan status gizi balita (Dhuhita, 2015), dan
klasifikasi data mahasiswa (Nasari & Darma, 2015)

1.7 Daftar Pustaka

Apriyanti, nur ridha, Nugroho, radityo adi, & Soesanto, O.
(2016). Algoritma K-Means Clustering Dalam
Pengolahan Citra Digital Landsat. KLIK Kumpulan JurnaL

4
 Ilmu Komputer, 2(2), 110–122.
Bastian, A., Sujadi, H., & Febrianto, G. (n.d.). Penerapan
Algoritma K-Means Clustering Analysis Pada Penyakit
Menular Manusia (Studi Kasus Kabupaten Majalengka).
1, 26–32.
Dhuhita, W. (2015). Clustering Menggunakan Metode K-
Mean Untuk Menentukan Status Gizi Balita. Jurnal
Informatika Darmajaya, 15(2), 160–174.
Kusumanto, R. D., & Tompunu, A. N. (2011). PENGOLAHAN
CITRA DIGITAL UNTUK MENDETEKSI OBYEK
MENGGUNAKAN PENGOLAHAN WARNA MODEL
NORMALISASI RGB. 2011(Semantik).
MURTI, M. A. W. K. (2017). Penerapan Metode K-Means
Clustering Untuk Mengelompokan Potensi Produksi
Buah – Buahan Di Provinsi Daerah Istimewa Yogyakarta.
Skripsi.
Nasari, F., & Darma, S. (2015). Seminar Nasional Teknologi
Informasi dan Multimedia 2015 PENERAPAN K-MEANS
CLUSTERING PADA DATA PENERIMAAN MAHASISWA
BARU (STUDI KASUS : UNIVERSITAS POTENSI UTAMA).
6–8.
Putra, I. M. A. W. (2018). Klasifikasi Citra Satelit Dengan
Menggunakan Algoritma K-Means. Proceeding Seminar
Nasional Sistem …, 881–884.
http://sisfotenika.stmikpontianak.ac.id/index.php/sensi
tek/article/view/913
Saputra, T. I., & Arianty, R. (2019). Implementasi Algoritma K-
Means Clustering Pada Analisis Sentimen Keluhan
Pengguna Indosat. Jurnal Ilmiah Informatika Komputer,
24(3), 191–198.
https://doi.org/10.35760/ik.2019.v24i3.2361