Skripsi ini membahas perancangan aplikasi segmentasi citra digital menggunakan metode Fuzzy C-Means. Metode ini diterapkan untuk membagi citra menjadi wilayah-wilayah yang homogen dengan derajat keanggotaan antara 0-1. Aplikasi dirancang menggunakan Visual Studio 2008 untuk menguji berbagai citra masukan. Hasil pengujian menunjukkan bahwa FCM dapat digunakan untuk segmentasi citra dan jumlah cluster mempengaruhi kualitas hasil

1. Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425
Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 86
PERANCANGAN APLIKASI SEGMENTASI CITRA DENGAN
METODE FUZZY C-MEANS
Jones Pandiangan (1111831)
Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan
JL.Sisingamangaraja No.338 Medan
http : //www.stmik-budidarma.ac.id// Email : jonespandiangan@gmail.com
ABSTRAK
Dalam proses analisis citra digital, segmentasi merupakan salah satu proses yang penting. Segmentasi
digunakan untuk membagi citra ke dalam beberapa bagian atau region yang homogen berdasarkan kriteria
kemiripan tertentu (region based segmentation). Salah satu metode yang dapat digunakan untuk melakukan
segmentasi adalah clustering. Dalam penelitian ini algoritma clustering yang digunakan adalah Fuzzy C-
Means. Pada proses pengujian digunakan tools Visual Studio 2008, dengan menggunakan berbagai citra
masukan sebagai objek segmentasi. Proses clustering yang digunakan dalam pengujian juga bervariasi sebagai
bahan analisis. Dari proses pengujian didapatkan kesimpulan bahwa FCM dapat digunakan sebagai salah satu
metode segmentasi pada citra digital. 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 yang digunakan, maka hasil segmentasi akan semakin kasar
Kata Kunci : segmentasi citra, clustering, FCM
1. PENDAHULUAN
1.1 Latar Belakang Masalah
Citra atau gambar yang terlihat pada layar
komputer, sebenarnya adalah kumpulan sejumlah
titik-titik warna. Pada umumnya citra berwarna
direpresentasikan dengan 3 elemen warna yaitu R
(Red=merah), G (Green=hijau), dan B (Blue=blue)
yang masing-masing memiliki nilai tertentu.
Dengan percampuran 3 warna ini maka didapatkan
warna tertentu. Pada citra RGB 24 bit, masing-
masing elemen warna (RGB) memiliki nilai
maksimal sebesar 28, yaitu berkisar antara 0 – 255.
Dari sebuah citra bisa didapatkan informasi sesuai
dengan kepentingan, namun terkadang pada citra
yang ada tidak bisa didapatkan secara langsung
informasi yang diperlukan. Ada kalanya sulit
untuk mengolah informasi dari sebuah citra secara
langsung secara kasat mata dengan hanya
mengandalkan indera penglihatan. Hal ini bisa
dimaklumi, mengingat citra adalah kumpulan titik-
titik warna yang jumlahnya banyak. Salah satu
alternatif untuk membantu menampilkan dan
mengolah informasi ini adalah dengan segmentasi
citra.
Dengan cara atau metode segmentasi,
sebuah citra yang semulanya sulit diolah dengan
indera penglihatan secara langsung, kemudian
setelah disegmentasi bisa mempermudah
mengolah informasi yang terkandung didalamnya.
Sebagai contoh, pada bidang biologi, sebuah citra
atau gambar sel hasil pembesaran dengan
mikroskop. Suatu metode segmentasi citra yang dapat
membagi suatu citra menjadi wilayah-wilayah yang
homogen adalah metode Fuzzy C-Means. Dimana
metode ini merupakan suatu teknik mengelompakan
fuzzy sehingga data menjadi anggota dari suatu kelas
atau cluster yang terbentuk dengan derajat atau
tingkat keanggotaan yang berbeda antara 0 hingga 1.
Tingkat keberadaan data dalam suatu kelas
ditentukan oleh derajat keanggotaannya. Metode FCM
dianggap tepat dalam skripsi ini karena memberikan
hasil yang halus dan cukup efektif untuk
meningkatkan homogenitas tiap kelompok yang
dihasilkan.
1.2. Perumusan masalah
Berdasarkan uraian dari latar belakang masalah
diatas maka perumusan masalah dalam penulisan
skripsi ini sebagai berikut :
1. Bagaimana proses segmentasi pada citra
digital?
2. Bagaimana menerapkan metode Fuzzy C-
Means pada segmentasi citra digital?
3. Bagaimana merancang aplikasi segmentasi
citra digital dengan metode Fuzzy C-Means.
1.3 Batasan masalah
Agar tidak menyimpang dari tujuan, maka
pembahasan akan dibatasi pada permasalahan –
permasalahan sebagai berikut.
1. Ukuran citra yang diinputkan ialah memiliki lebar
dan panjang lebih kecil sama dengan 225 x 225
pixel
2. Citra masukan sistem adalah citra bitmap (.bmp)
3. Proses yang dilakukan aplikasi adalah proses
segmentasi pada citra masukan
4. Output dari aplikasi adalah hasil cluster dari citra
masukan yang diproses
5. Perangkat lunak yang digunakan untuk
merancang aplikasi adalah Visual Studio 2008.
1.4 Tujuan Penelitian

2. Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425
Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 87
Adapun tujuan dari penulisan skripsi adalah
sebagai berikut
1. Menjelaskan proses segmentasi pada citra digital
2. Menerapkan Fuzzy C-Means ke dalam sistem
segmentasi citra digital.
3. Merancang aplikasi untuk segmentasi citra
dengan Metode Fuzzy C-Means.
1.5. Manfaat penelitian
Adapun manfaat dari penulisan skripsi adalah
1. Hasil yang didapatkan mampu memberikan
penjelasan tentang segmentasi pada citra digital
dengan metode Fuzzy C-Means.
2. Membantu dalam melakukan segmentasi pada
citra digital dengan metode Fuzzy C-Means.
3. Sebagai referensi penelitian lain yang ingin
merancang perangkat lunak segmentasi citra
digital dengan metode yang berbeda
2. Landasan Teori
2.1 Perancangan
Perancangan atau sering disebut desain biasa
diterjemahkan sebagai seni terapan, arsitektur dan
berbagai pencapaian kreatif lainnya. Dalam sebuah
kalimat, kata “desain” bisa digunakan sebagai kata
benda mau pun kata kerja. Sebagai kata kerja “desain”
memiliki arti “proses untuk membuat dan
menciptakan objek baru”. Sebagai kata benda,
“desain” digunakan untuk menyebut hasil akhir
sebuah proses kreatif, baik itu berwujud sebuah
rencana, proposal, atau berbentuk objek nyata.
(http://id.wikipedia.org.wiki.Desain, Diakses Tanggal
07 Mei 2014)
2.2 Aplikasi
Aplikasi atau perangkat lunak adalah suatu
subkelas program komputer yang memanfaatkan
kemampuan komputer langsung untuk melakukan
suatu tugas yang diinginkan pengguna. Biasanya
dibandingkan dengan perangkat lunak sistem yang
mengintegrasikan berbagai kemampuan komputer,
tapi tidak secara langsung menerapkan kemampuan
tersebut untuk mengerjakan suatu tugas yang
menguntungkan pengguna.
(http://id.wikipedia.org.wiki.Aplikasi, Diakses
Tanggal 07 Mei 2014).
2.3 Definisi Citra
Citra adalah suatu representasi (gambaran),
kemiripan atau imitasi dari suatu objek. Citra sebagai
keluaran sebagai sistem perekaman data dan rupa
bersifat obtik berupa foto, bersifat analog berupa
sinyal-sinyal video sperti gambar pada monitor
televisi, atau bersifat digital yang dapat langsung
disimpan Pada meda penyimpanan. (T.sutoyo dkk,
Teori pengolahan citra digital, 2009:9)
2.3.1 Definisi Citra Analog
Citra analog adalah citra yang bersifat kontinu,
seperti gambar pada monitor televise, foto sinar – X,
foto yang tercetak dikertas foto, lukisan,
pemandangan alam, hasil CT Scan, gambar-gambar
yang terekam pada pita kaset, dan lai sebagainya.
Citra analog tidak dapat direpresentasikan dalam
komputer sehingga tidak dapat diproses di komputer
secara langsung. Oleh sebab itu,agar citra ini dapat
diproses didalam komputer, proses konversi analog ke
digital harus dilakukan terlebih dahulu. Citra analog
dihsilkan dari alat alat analog, seperti video kamera
analog, kamera foto analog, Webcam, CT Scan, sensor
rontgen untuk foto thorax, sensor gelombang pendek
pada sistem radar, sensor ultrasound pada sistem USG
dan lain-lain (T.sutoyo dkk, Teori pengolahan citra
digital, 2009:9)
2.3.2 Definisi Citra Digital
Citra digital adalah citra yang dapat diolah oleh
komputer. Perhatikan Gambar 2.1. Sebuah citra
Grayscale ukuran 150 x 150 piksel (elemen terkecil
dari sebuah citra) diambil sebagian (kotak kecil)
berukuran 9 x 9 piksel. Maka monitor akan
menampilkan sebuah kotak kecil. Namun, yang
simpan dalam memori komputer hanyalah angka-
angka yang menunjukkan besar intensitas pada
masing- masing piksel tersebut. (T.sutoyo dkk, Teori
pengolahan citra digital, 2009:9)
2.3.3 Definisi pixel
Pixel merupakan singkatan dari picture element,
kadang-kadang disebut juga pel. Pixel biasa juga
diartikan sebagai suatu titik dalam satu grid berbentuk
persegi atau juga beribu titik yang secara invidual
“dilukis” menjadi suatu bentuk image yang dihasilkan
pada layar computer atau pada kertas pada sebuah
printer.(janer Simarmata,Tintin Chandra, Grafika
komputer, 2007:10). Seperti halnya bit, yakni unit
informasi terkecil yang biasa diproses oleh komputer,
sebuah pixel adalah elemen terkecil dari perangkat
keras pencetak atau display, seperti monitor dan bagi
perangkat lunak yang bisa memanipulasi untuk
mengasilkan image berupa huruf-huruf, angka-angka
atau grafik
2.4 Segmentasi Citra
Segmentasi merupakan proses partisi gambar
digital ke beberapa daerah dengan tujuan untuk
menyederhanakan ataupun merubah representasi
gambar menjadi sesuatu yang lebih bermakna dan
mudah dianalisa. Ada beberapa metoda yang sering
digunakan dalam segmentasi citra antara lain: metode
thresholding, metode shapebased, metode region
growing, dan metode statistik atau juga disebut
metode clustering. Masing-masing metoda memiliki
kelebihan dan kelemahan tergantung pada
karakteristik dari citra yang akan diproses. Berikut
beberapa metode yang umum digunakan dalam
segmentasi citra.
a. Thresholding
Metode thresholding didasarkan pada pemisahan
pixel ke dalam kelas yang berbeda tergantung

3. Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425
Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 88
pada tingkat keabuan masing-masing pixel.
Intensitas citra medis seperti tumor dan jaringan
pada otak biasanya sangat rumit dan memiliki
tingkat keabuan yang sangat dekat sehingga
menyebabkan kesulitan penentuan ambang batas
(threshold). Metode thresholding tidak bisa
diterapkan untuk citra dengan tingkat keabuan
yang berdekatan sehingga biasanya
dikombinasikan dengan metode lain.
b. Region growing
Metode region growing seperti menggabungan
thresholding dengan kondisi konektivitas atau
kriteria daerah homogenitas. Keberhasilan dari
metode tersebut bergantung pada kepresisian
informasi anatomi untuk meletakkan baik satu
mapun beberapa pixel untuk masing-masing
daerah homogen. Kelemahan lain dari metode
region growing adalah metode tersebut hanya
dapat bekerja dengan baik pada daerah yang
homogen dan membutuhkan operator untuk
menentukan daerah yang akan disegmentasi.
Metode region growing yang paling umum
digunakan adalah watershed. Prinsip dasar dari
watershed adalah merubah gradien tingkat
keabuan citra menjadi permukaan topografi.
Daerah minimum dari citra merupakan sumber
dimana air meluap dan bentuk-bentuk “kolam”
(“catchment basin”) menggambarkan permukaan
air. Algoritma ini akan berhenti bila dua “kolam”
dari dua sumber yang berbeda bertemu. Jika pada
citra terdapat banyak pola dan noise, maka akan
terbentuk banyak “kolam” sehingga terjadi
segmentasi yang berlebihan.
Matei Mancas dan Bernard Gosselin
memodifikasi algoritma watershed untuk
menghidari masalah segmentasi berlebih pada
citra tumor otak dengan mengunakan metode
marker-based watershed dan gradien vector flow
untuk komputasinya. Watershed pertama dihitung
dari dua market -set awal dan membagi citra
menjadi 3 wilayah yaitu bagian luar, fuzzy dan
bagian dalam. Algoritma yang sama kemudian
digunakan untuk menghitung watershed yang
kedua dan diperoleh 5 wilayah konsentris yang
makin mendekai bagian tumor.
Salvador A Melo Júnior, et. al menyelesaikan
masalah over-segmentation dengan menggunakan
multi-state preprocessing untuk mengurangi noise
citra, meningkatkan kontras, dan memodifikasi
homotopi citra ventrikel kiri. Setelah tahap
preprocessing, metode watershed berhasil
melakukan segmentasi citra ventrikel kiri. Kontur
akhir diperoleh dengan mengurangi ukuran
wilayah tersegmentasi dengan algoritma kontur
koreksi.
c. Shapebased
Metode shapebased juga memberikan pendekatan
yang cukup sederhana dalam segmentasi citra
namun sangat sulit dalam penentuan kontur awal
sehingga ketidaktepatan dalam penentuan kontur
awal dapat menyebabkan hasil segmentasi yang
kurang memuaskan.
d. Clustering
Metode statistik atau clustering didasarkan pada
distribusi parameter tertentu. Hal terpenting
dalam metode ini adalah melakukan estimasi
definisi awal dari parameter sehingga bagus
tidaknya segmentasi tergantung pada seberapa
baik distribusi yang diasumsikan mendekati
distribusi dari data. Pada kenyataanya, secara
umum citra medis mengandung noise dan
ketidakpastian distribusi yang tidak dapat
diketahui sebelumnya
2.5 Fuzzy clustering
Fuzzy clustering adalah salah satu teknik untuk
menentukan cluster optimal dalam suatu ruang vektor
yang didasarkan pada bentuk normal euclidian untuk
jarak antar vektor. Fuzzy clustering sangat berguna
bagi pemodelan fuzzy terutama dalam
mengindentifikasi aturan-aturan fuzzy (Kusumadewi
dan Purnomo,2004).
Metode clustering merupakan pengelompokan
data beserta parameternya dalam kelompok –
kelompok sesuai kecenderungan sifat dari masing-
masing data tersebut (kesamaan sifat). Ada beberapa
algoritma clustering data, salah satu diantaranya
adalah Fuzzy C-Means. Fuzzy C-Means adalah suatu
teknik peng-cluster-an yang mana keberadaannya
tiap-tiap titik data dalam suatu cluster ditentukan oleh
derajat keanggotaan. Teknik ini pertama kali
diperkenalkan oleh Jim Bezdek pada tahun 1981.
Konsep dari Fuzzy C-Means pertama kali adalah
menentukan pusat cluster, yang akan menandai lokasi
rata-rata untuk tiap-tiap cluster. Pada kondisi awal,
pusat cluster ini masih belum akurat. Tiap-tiap titik
data memiliki derajat keanggotaan untuk tiap-tiap
cluster. Dengan cara memperbaiki pusat cluster dan
derajat keanggotaan tiap-tiap titik data secara
berulang, maka akan dapat dilihat bahwa pusat cluster
akan bergerak menuju lokasi yang tepat. Perulangan
ini didasarkan pada minimasi fungsi obyektif yang
menggambarkan jarak dari titik data yang diberikan
kepusat cluster yang terbobot oleh derajat
keanggotaan titik data tersebut.
Output dari Fuzzy C-Means merupakan deretan
pusat cluster dan beberapa derajat keanggotaan untuk
tiap-tiap titik data. Informasi ini dapat digunakan
untuk membangun suatu fuzzy inference system.
2.5.1 Algoritma Fuzzy C-Means
Algoritma FCM menurut Sri Kusuma Dewi dan
Hari Purnomo (2004)
diberikan sebagai berikut:
1. Matriks X berukuran n x m, dengan n = jumlah
data yang akan di cluster; dan m= jumlah
variabel. (Dalam gambar berupa nilai pixel) Xij
data sampel ke-i (i=1,2,…n), atribut ke-j
(j=1,2,..m).

4. Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425
Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 89
2. Tentukan jumlah cluster (c), pangkat untuk
matriks partisi (w), maksimum iterasi (MaxIter),
error terkecil yang diharapkan (ξ), fungsi
objektif awal (Po=0), dan iterasi awal (t=1).
3. Bangkitkan bilangan random ηik, i=1,2,…n;
k=1,2,…c sebagai elemen matrik partisi awal U.
4. Hitung pusat cluster ke-k: , dengan k=1,2,…,c;
dan j=1,2,…,m, menggunakan persamaan
berikut dengan :
Vkj =
w
ik
ij
w
ik
n
i
n
Xn
i
n
)(
1
),)((
1
∑
∑
=
=
Vk = pusat cluster ke-k untuk atribut ke-j
ηik = derajat keanggotaan untuk data sampel
ke-i pada cluster ke-k
xij = data ke-i, atribut ke-j
5. Hitung fungsi objektif pada iterasi ke-t
menggunakan persamaan berikut:
[ ]∑ ∑∑ = ==
−=
c
k
w
ik
m
j kjij
n
it nVXP 1 1
2
1
))()((
Vkj = pusat cluster ke-k untuk atribut ke-j
ηik = derajat keanggotaan untuk data sampel
ke-i pada cluster ke-k
xij = data ke-i, atribut ke-j
Pt = fungsi objektif pada iterasi ke-t
6. Hitung perubahan matriks partisi menggunakan
persamaan berikut :
[ ]
[ ]∑ ∑
∑
=
−
−
=
−
−
=
−
−
=
c
k
wm
j kjij
wm
j kjij
ik
VX
VX
n
1
1
1
1
2
1
1
1
2
)(
)(
Dengan I = 1,2,…,n; dan k=1,2,…c.
Dimana :
Vkj = pusat cluster ke-k untuk atribut ke-j
ηik = derajat keanggotaan untuk data sampel
ke-i pada cluster ke-k
xij = data ke-i, atribut ke-j
7. Cek Kondisi berhenti
Jika :
( │Pt-Pt-1│< ε )
Atau :
( t >Max│ter )
maka berhenti. Jika tidak: t=t+1, ulangi langkah
ke-4.
3. Analisa Masalah
Aplikasi segmentasi citra merupakan suatu
aplikasi yang dapat mempresentasikan objek-objek
yang terkandung didalam citra tersebut, dan
ukurannya serta terkadang juga informasi dan
teksturnya. Dalam aplikasi segmentasi citra ialah
posisi dimana intensitas pixel dari citra berubah dari
nilai rendah ke nilai tinggi atau sebaliknya.
Analisa dan perancangan aplikasi memerlukan
tahapan yang sistematis untuk mendapatkan aplikasi
yang baik dan sesuai dengan tujuannya. Tahap awal
analisa adalah menganalisa algoritma yang digunakan.
Sedangkan untuk perancangan aplikasi menggunakan
perancangan antar muka
3.2. Tahap Segmentasi
Tahapan-tahapan dari segmentasi Citra dapat dilihat
melalui Activity Diagram aplikasi seperti dalam
gambar 1
Gambar 1. Gambar Activity Diagram
Proses segmentasi citra dengan metode Fuzzy C-
Means adalah :
1. Menentukan Peta Matriks Yang Akan Diuji
Pada Cluster X
Gambar 2 (a) piksel awal 225 x 225 (b) piksel
Dengan sampel 4 x 4
Nilai matriks X diambil dari hasil input citra
Tabel 1 Matriks Cluster yang akan diuji
X(i,j) 1 2 3 4(a)
1 122 139 115 98
2 116 130 111 103
3 103 118 107 102
4(b) 135 149 154 148
2. Menentukan Variabel Proses Proses Cluster
a. Jumlah kelompok yang akan dibentuk = C,
dimana C > 1. Pada perhitungan ini akan diberikan
nilai C = 4.
b. Pangkat = w dimana, w > 1. Pada perhitungan ini
akan diberikan nilai w = 2.
c. Maksimum iterasi =maxIter. Pada perhitungan ini
akan diberikan nilai maxIter = 5.
d. Error terkecil yang diharapkan, ǫ = 1*10-6
.
e. Fungsi objektif awal, Po = 0
f. Iterasi awal, t = 1
3. Membangkitkan Nilai Random
Untuk menentukan nilai random µik sebagai
elemen matriks partisi awal U maka terlebih dahulu
dicari nilai atribut Qj = total nilai setiam elemen

5. Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425
Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 90
matriks Xij = 1950. Untuk menentukan nilai random µ
pada posisi (i,k) dilakukan dengan cara membagi nilai
pada elemen Xij dengan 1950.
Contoh :
µ11 = X11 / Qj
= 122 / 1950
= 0.062564
Berikut merupakan nilai random dari hasil
perhitungan yang telah dilakukan :
Tabel 2 Hasil perhitungan nilai random µik
µik 1 2 3 4
1 0.062564 0.071282 0.058974 0.050256
2 0.059487 0.066667 0.056923 0.052821
3 0.052821 0.060513 0.054872 0.052308
4 0.069231 0.07641 0.078974 0.075897
4. Menghitung Pusat Cluster
Untuk menghitung pusat cluster ke-k maka
digunakan persamaan berikut :
Vkj =
w
ik
ij
w
ik
n
i
n
Xn
i
n
)(
1
),)((
1
∑
∑
=
=
dengan :
k =1,2,…,c
j =1,2,…,m
Vkj = pusat cluster ke-k untuk atribut ke-j
µik = derajat keanggotaan untuk data sampel
ke-i pada cluster ke-k
xij = data ke-i, atribut ke-j
dengan menggunakan persamaan diatas
maka akan diperoleh hasil seperti pada tabel 3
di bawah ini :
Tabel 3. Hasil perhitungan pusat cluster
5. Hitung Fungsi Objektif Pada Iterasi Ke-t
Nilai fungsi objektif pada iterasi ke-t dapat dihitung
menggunakan persamaan berikut:
[ ]∑ ∑∑ = ==
−=
c
k
w
ik
m
j kjij
n
it nVXP 1 1
2
1
))()((
dengan:
Vkj = pusat cluster ke-k untuk atribut ke-j
µik = derajat keanggotaan untuk data sampel ke-i
pada cluster ke-k
Xij = data ke-i, atribut ke-j
Pt = fungsi objektif pada iterasi ke-t
Nilai fungsi objektif akan menentukan jumlah iterasi
yang akan dilakukan untuk mendapat hasil akhir dari
proses clustering. Dari persamaan fungsi objekif di
atas akan diperoleh hasil :
Tabel 4 Hasil perhitungan (Xik-Vkj)^2
Tabel 4 Hasil perhitungan ((Xik-Vkj)^2)*(µik)^2
57.80475 97.17741 45.67683 24.13451
47.28067 74.44494 39.66466 29.43425
29.43425 50.6142 34.26468 28.31077
86.51527 128.112 146.0762 124.7268
Dari tabel di atas diperoleh Pt = 1043.672
6. Menghitung Perubahan Matriks Partisi
Pada tahap ini akan dilakukan kalkulasi
terhadap perubahan matrik proses fuzzy c-means yang
akan digunakan sebagai nilai random untuk iterasi
t+1. Untuk menghitung perubahan matriks partisi
menggunakan persamaan berikut :
[ ]
[ ]∑ ∑
∑
=
−
−
=
−
−
=
−
−
=
c
k
wm
j kjij
wm
j kjij
ik
VX
VX
n
1
1
1
1
2
1
1
1
2
)(
)(
Dengan i = 1,2,…,a dan k=1,2,…c.
Dimana :
Vkj = pusat cluster ke-k untuk atribut ke-j
µik = derajat keanggotaan untuk data
sampel ke-i pada cluster ke-k
Xij = data ke-i, atribut ke-j
Dari hasil perhitungan menggunakan
persamaan perubahan matriks maka diperoleh hasil
berikut :
Table 5 Hasil perhitungan perubahan
matriks
Setelah menghitung perubahan matriks maka akan
dilakukan pengujian kondisi stop pada proses fuzzy c-
means.
Jika
Pt – Pt-1 < ǫ ;
atau
t > MaxIterasi ;
maka
End Process()
Jika tidak,
t = t + 1
then
ulangi step 4
Dan jika proses di atas dilakukan hingga akhir pada
gambar yang asli di atas, maka citra output dari proses
segmentasi adalah pada gambar 3. sebagai berikut

6. Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425
Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 91
Gambar 3. (a) Citra awal (b) Citra sesudah proses
segmentasi dengan iterrasi 1 dan kluster 5 (c) Citra
sesudah proses segmentasi dengan iterrasi 3 dan
kluster 5 Citra sesudah proses segmentasi dengan
iterrasi 10 dan kluster 5
4. Algorima dan Implementasi
4.1 Algoritma
Algoritma segmentasi yaitu algoritma untuk
membagi suatu citra menjadi wilayah-wilayah yang
homogen dengan metode Fuzzy C-Means. Langkah-
langkahnya adalah sebagai berikut :
1. Menginput citra yang akan diuji pada cluster
X, dimana cluster X adalah Matriks a x b, P
= Citra Input
Input : X = Matriks uji a x b
i = Data sampel ke i, i = 1 - a
j = Data sampel ke j, j = 1 –
b
a = Jumlah sampel data;
panjang
b = Atribut setiap data; lebar
Output : Data Matriks uji Xij dengan
ukuran a x b
Proses : X = lakukan proses untuk
elemen i = 0 to i = a
X = lakukan proses untuk elemen j = 0 to j =
b
X = elemen matriks Xij; a x b
2. Menentukan variabel proses FCM
Input : C = Jumlah cluster untuk
segmentasi
Ε = error terkecil yang diharapkan
MaxIter = jumlah
maksimum iterasi
Output : variabel proses Fuzzy C-
Means
Proses : Jika C<2 maka tidak dapat
melakukan proses cluster
Jika MaxIter <1 maka tidak dapat melakukan
proses cluster
P.awal = 0
t = 1 (t = iterasi ke t)
w = 2 (w = pangkat)
E = 0,00001
3. Membangkitkan nilai random
Input : a = panjang matriks
c = lebar matriks
i= elemen baris ke i = 0 (i = 1-a)
k= elemen baris ke i = 0 (k = 1-c)
Output : Nilai Random matriks
Proses : U = elemen matriks random
Qj = lakukan proses untuk
elemen i = 0 to i = a
Qj = lakukan proses untuk
elemen j = 0 to j = c
U = Xij / Qj
4. Menghitung pusat kelompok ke k
Input : k = Panjang elemen matriks
Vkj (k= 1 to c)
j = Lebar elemen matriks Vkj
(j= 1 to b)
Output : Data matiks pusat kelompok
kluster
Proses : Vkj = y / (U(I,kj)˄ w
Vkj = Matriks pusat
kelompok
5. Menghitung fungsi objektif iterasi ke t
Input : t = iterasi ke t
a = panjang matriks X
b = panjang matriks X
c = jumlah kluster
Output : Nilai random dan fungsi
objektif
Proses : Pt = lakukan proses untuk
elemen i = 1 to i = a
Pt = lakukan proses untuk elemen k = 1 to k
= c
Pt = lakukan proses untuk elemen j = 1 to j =
b
y = ((X(i,k) – V(k,j))˄ 2
Pt = y*(U(i,k)˄ w
6. Perubahan matriks partisi
Input : b = Lebar matriks X
c = Jumlah kluster
Output : Data perubahan matriks
partisi dan citra hasil
segmentasi dengan FCM
Proses : U = Perubahan matriks
partisi
U = lakukan proses untuk
elemen k = 1 to k = c
U = lakukan proses untuk
elemen j = 1 to j = b
U = (X(i,k)-V(k,j)˄ (2*(-1/w-1)))
4.2. Tampilan Form Aplikasi
Gambar 4. Form Pemrosesan Citra yang di input
5. Kesimpulan dan Saran
5.1 Kesimpulan

7. Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425
Perancangan Aplikasi Segmentasi Citra Dengan Metode Fuzzy C-Means. Oleh : Jones Pandiangan 92
Dari hasil penulisan dan analisa dari bab-bab
sebelumnya, maka dapat diambil kesimpulan, dimana
kesimpulan tersebut kiranya dapat berguna bagi para
pembaca, sehingga penulisan skripsi ini dapat lebih
bermanfaat. Adapun kesimpulan-kesimpulan tersebut
adalah sebagai berikut.
1. Segmentasi citra dapat dibentuk melalui proses
input citra dan menerapkan metode Fuzzy C-
Means.
2. Penerapan metode Fuzzy C-Means pada segmentas
imerupakan metode yang tepat karena hasil
segmentasi tergantung pada jumlah cluster dan
iterasi yang dilakukan. Semakin banyak jumlah
kluster dan iterasi, maka hasil segmentasi akan
semakin akurat.
3. Merancang aplikasi segmentasi citra dengan
Visual studio 2008 yaitu dengan menerapkan
algoritma Fuzzy C-Means pada aplikasi yang akan
dirancang.
5.2 Saran
Berdasarkankesimpulan diatas, maka
dikemukakan beberapa saran, dengan harapan dapat
menunjang kemajuan, yakni:
1. Aplikasi ini dapat dikembangkan tampilan
interfacenya sehingga lebih menarik.
2. Untukpengembanganlebihlanjut, format citra
input tidak hanya berformat BMP (ekstensi
*.bmp) tetapijugaberekstensi JPEG (ekstensi
*.jpg) dan PNG (ekstensi *.png)
danberformatvideoMPEG(ekstensi *.mpeg).
3. Aplikasi dapat dikembangkan dengan
menambahkan algoritma lain untuk melakukan
pengenalan pola lebih akurat.
4. Aplikasi dapat dikembangkan menjadi system
segmentasi citra online
DAFTAR PUSTAKA
1. Adi Nugroho,Rekayasa Perangkat Lunak
Beorientasi Objek Dengan Metode USDP,
AndiYogjakarta, 2010
2. Janner Simarmata, Tintin Chandra,
GrafikaKomputer, AndiYogjakarta, 2007
3. Kusumadewi, Sri; Purnomo, Hari. 2004. Aplikasi
Logika Fuzzy untuk Pendukung Keputusan.
Penerbit Graha Ilmu.
4. Darma Putra, Pengolahan Citra Digital,
AndiYogjakarta, 2010
5. T. SutoyoS.Sidkk, Teori pengolahan Citra
Digital, AndiYogjakarta, 2009
6. Anonymous,
http://id.wikipedia.org/wiki/Aplikasi,
Diaksespadatanggal 15 Mei 2014
7. Anonymous,http://id.wikipedia.org/ wiki/Desain,
Diakses padatanggal 15 Mei 2014