Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

SEGMENTASI OBJEK SEMI-OTOMATIS MENGGUNAKAN

METODE REGION MERGING MAXIMAL SIMILARITY
BERBASIS ALGORITMA MEAN SHIFT DAN NORMALIZED CUTS
Indaryanto1, Abdul Syukur2, Ricardus Anggi Pramunendar3
1,2,3
Pascasarjana Teknik Informatika Universitas Dian Nuswantoro

Abstract
The process of segmenting objects in compuer studies vision is very important because it is the basis for
advanced image processing such as for object recognition. Automatic object segmentation is difficult to
image with a complex background. Semi-automatic segmentation by region merging method is the correct
method to perform segmentation of objects in a complex background. Semi-automatic method requiring
interaction from the user in the form of markers that mark the object and the background to be segmented.
Region merging method requires input in the form of low-level image segmentation results. The mean shift
algorithm is ideal to use in low-level segmentation process, being able to split the image into many
regions by keeping the borders of the object but the image has a weakness over the region segmentation,
the resulting numbers are very overrated. The algorithm was able to overcome the problem normalizedd
cuts over segmentation. Sequence region merging process with the help marker object and background
markers from the user and maximal similarity based comparison of the color histogram of each region.
From the results of experiments on 75 image dataset in getting the region merging method based on the
input image of the mean shift + algroritma normalized cuts are very accurate in the object segment. This
is evidenced by the value of bit error rate lower, reaching 0.09454 more accurate than the region merging
algorithm simply mean shift are getting value for bit error rate of 0.20515. Improved accuracy obtained
was 11%. Problems over segmentation also resolved, as evidenced by a decrease in the number of
segmented region reached an average 69 %.

Key words: semi-automatic segmentation, mean shift, normalized cuts, region merging, maximal
similarity

1. PENDAHULUAN
1.1. Latar Belakang
Perkembangan sistem computer vision saat ini telah banyak dimanfaatkan dalam membantu manusia
dalam proses pengenalan objek pada sebuah citra digital. Dalam proses pengenalan objek diperlukan suatu
proses pemisahan bagian tertentu dari objek pada citra dengan objek yang lain. Segmentasi citra adalah
membagi citra menjadi bagian yang homogen berdasarkan pola, warna, atau tepi gambar [1]. Proses
segmentasi yang akurat merupakan kunci untuk mendapatkan hasil pengenalan objek yang akurat.
Memisahkan objek dari background di sekitarnya juga termasuk salah satu kajian dalam penelitian
segmentasi citra [2].
Warna dan tekstur di dalam citra biasanya sangat kompleks sehingga segmentasi secara full-otomatis
untuk memisahkan objek dari background adalah hal yang sulit untuk dilakukan. Berbagai metode
segmentasi secara full-otomatis telah dikembangkan, tetapi sejauh ini tidak ada yang dapat memberikan
jaminan hasil segmentasi yang akurat untuk semua kasus segmentasi. Hal ini menyebabkan metode
segmentasi secara semi-otomatis yang mampu mendapatkan hasil segmentasi pemisahan objek dan
background yang moderat dan mampu menangani pekerjaan segmentasi yang berat menjadi popular [3].
Metode segmentasi secara semi-otomatis adalah teknik segmentasi citra yang membutuhkan sedikit
interaksi atau input dari user. Contoh metode semi-otomatis adalah segmentasi dengan metode active
contour [4], graph cut [5], grow cut [3].

24 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

Salah satu metode baru dalam segmentasi semi-otomatis adalah metode region merging. Region
adalah kumpulan piksel yang homogen pada tiap satuan area tersegmen. Metode region merging adalah
metode menyatukan region-region yang ada secara iterasi sehingga menjadi gabungan area yang lebih
besar. Metode region merging membutuhkan input berupa citra hasil segmentasi low level. Segmentasi
low level adalah pengolahan citra yang inputnya adalah citra dan outputnya juga adalah citra yang sama
tetapi dengan sedikit perubahan dan pengkayaan misalnya citra lebih kontras, noise pada citra berkurang,
lebih jelas batas tepi dari objek atau citra terbagi menjadi area atau region-region yang lebih kecil.
Deteksi tepi dengan operator prewit, sobel dan prewitt adalah salah satu contoh segmentasi low level.
Sedangkan algoritma untuk segmentasi low level yang popular misalnya algoritma super piksel,
watershed dan mean shift [6].
Peng et al menggunakan metode dynamic region merging untuk melakukan pemisahan objek dengan
background pada citra dari hasil segmentasi dengan watershed. Metode Dinamic region merging adalah
teknik penyatuan area dengan cara menghitung probabilitas kesamaan antara 2 region tersegmen terdekat.
Hasil yang didapatkan adalah objek yang terpisah dengan background tetapi metode ini mempunyai
kelemahan yaitu gagal dalam memisahkan objek secara akurat apabila batas dari objek berupa tepi yang
kabur. Kelemahan yang lain adalah algoritma watershed menghasilkan fenomena over segmentation. Ning
et al [7] mengusulkan proses region merging dengan menggunakan perhitungan maximal similarity
dengan segmentasi low level algoritma mean shift. Algoritma mean shift mempunyai kelebihan berhasil
membagi citra menjadi region-region kecil dengan tetap menjaga atau mempertahankan batas tepi dari
suatu objek. Penghitungan maximal similarity pada masing-masing region dilakukan dengan
menggunakan perbandingan histogram warna dari region tersegmen. Metode yang digunakan berhasil
mensegmentasi objek dari background di sekelilingnya. Tetapi algoritma mean shift yang digunakan
sebagai input mempunyai kelemahan terjadinya over segmentation yaitu jumlah region yang dibuat oleh
algoritma mean shift sangat banyak, dapat mencapai jumlah ratusan region sampai ribuan region apabila
parameter yang digunakan dalam algoritma mean shift tidak tepat. Fenomena ini biasanya terjadi pada
citra dengan variasi warna yang sangat besar.
Banyak algoritma telah dikembangkan untuk mengurangi fenomena over segmentation pada proses
segmentasi low level pada citra, salah satunya adalah dengan algoritma normalized cuts. Cour et al [8]
mengimplementasikan penggunaan algoritma normalized cuts untuk melakukan segmentasi low level pada
citra. Metode yang digunakan adalah dengan menghitung kombinasi bobot antara tepi area yang saling
bersinggungan pada citra. Hasil yang didapatkan adalah sejumlah region tersegmen yang potongan tepinya
mengikuti tepi area yang ada pada citra. Jumlah region tersegmen lebih sedikit dibandingkan dengan hasil
segmentasi dengan algoritma mean shift. Tao et al [9] membandingkan hasil segmentasi algoritma
normalized cuts dan algoritma mean shift untuk segmentasi citra berwarna. Yang menjadi fokus perhatian
adalah penggunaan algoritma normalized cuts. Metode normalized cuts yang digunakan mampu
mendapatkan hasil segmentasi area yang seimbang artinya tiap area yang tersegmen menjadi sebuah
region mempunyai luas region yang hampir sama. Hal ini berbeda dengan hasil yang ditunjukkan oleh
algoritma mean shift yaitu variasi besaran region tersegmen sangat beraneka macam mengikuti variasi
warna area pada citra.
Dari paparan di atas dapat disimpulkan bahwa metode segmentasi secara semi-otomatis dengan teknik
region merging dan perhitungan maximal similarity adalah metode yang tepat untuk melakukan
segmentasi objek. Proses region merging membutuhkan input berupa citra hasil segmentasi low level yaitu
citra yang terbagi menjadi area atau region-region yang kecil. Integrasi antara algoritma mean shift dan
algoritma normalized cuts merupakan kombinasi yang ideal dalam melakukan segmentasi low level pada
citra. Kelebihan dari algoritma mean shift adalah mampu mengenali dan menjaga tepi objek tersegmen
secara akurat tetapi mempunyai kelemahan over segmentation yaitu region tersegmen berjumlah sangat
banyak. Kelebihan dari algoritma normalized cuts adalah region tersegmen yang dihasilkan lebih sedikit

http://research.pps.dinus.ac.id , 25
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

sehingga tidak mengalami fenomena over segmentation. Kombinasi dari dua algoritma ini diharapkan
akan dapat mendeteksi dan mempertahankan tepi objek secara lebih akurat dengan jumlah region yang
lebih moderat.

1.2. Rumusan Masalah

Metode segmentasi semi-otomatis yang sudah ada tidak akurat dalam memisahkan objek pada citra yang
mempunyai background kompleks. Metode semi-otomatis dengan dengan metode region merging dengan
menghitung maximal similarity pada masing-masing region adalah metode yang tepat dalam melakukan
pemisahan objek pada citra. Metode region merging membutuhkan input berupa citra segmentasi low level
yaitu citra yang terbagi menjadi area-area atau region yang kecil tersegmen.
Algoritma mean shift adalah algoritma yang tepat untuk melakukan segmentasi low level karena hasil
dari algoritma mean shift adalah citra yang terbagi menjadi banyak region yang kecil dengan tetap mampu
mempertahankan batas tepi dari objek tetapi algoritma mean shift mempunyai permasalahan over
segmentation yaitu jumlah region yang terbentuk sangat banyak. Algoritma normalized cuts mampu
mengatasi permasalahan over segmentation pada algoritma mean shift. Diharapkan penggabungan antara
algoritma mean shift dan algoritma normalized cuts sebagai segmentasi low level pada metode segmentasi
region merging akan mendapatkan hasil segmentasi objek yang lebih akurat dan waktu proses region
merging yang lebih singkat.

1.3. Tujuan
Tujuan dari penelitian ini adalah:
a. Mengatasi permasalahan over segmentation pada segmentasi low level algoritma mean shift dengan
menggunakan penggabungan algoritma mean shift dan algoritma normalized cuts.
b. Menerapkan metode segmentasi semi-otomatis menggunakan region merging maximal similarity
dengan menggunakan penggabungan algoritma mean shift dan normalized cuts sebagai input
segmentasi low level untuk memisahkan objek pada background yang kompleks secara lebih akurat.

1.4. Manfaat
Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut:
a. Manfaat bagi masyarakat umum: diharapkan dapat membantu user dalam hal pengolahan grafis
khususnya dalam pekerjaan memisahkan objek dari background pada sebuah citra.
b. Manfaat bagi ilmu pengetahuan: diharapkan dapat menjadi sumbangan metode baru dalam kajian
segmentasi citra secara semi-otomatis yaitu dengan metode region merging maximal similarity dan
penggabungan antara algoritma mean shift dan normalized cuts sebagai input citra segmentasi low
level.

1.5. Penelitian Terkait

Beberapa penelitian terkait tentang segmentasi dengan algoritma mean shift, algoritma normalized cut dan
metode region merging adalah sebagai berikut.
a. Penelitian oleh Comaniciu et al [6] dengan judul “ Mean Shift: A Robust Approach Toward Feature
Space Analysis” dilakukan pada tahun 2002. Penelitian ini memperkenalkan penggunaan algoritma
mean shift untuk segmentasi citra dengan menggunakan pendekatan analisis ruang fitur (feature space)
atau analisis ruang berdasarkan densitas warna pada citra serta penggunaan pergeseran titik tengah
warna pada sebuah area.
b. Penelitian oleh Li et al [10] dengan judul “ The Segmentation in Textile Printing Image Based on
Mean Shift ” dilakukan pada tahun 2009. Penelitian ini menggunakan pendekatan informasi warna
(color information) pada sebuah citra berwarna yaitu dengan pemodelan Luv color space dan
pendekatan spasial yang dirujuk dengan nilai x, dan y. Setiap piksel warna akan dikomputasi ke dalam
5 dimensi ruang fitur yaitu (x,y,L,u,v). Hasil penelitian dilaporkan bahwa pemilihan parameter secara
26 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

tepat akan meningkatkan akurasi sehingga dapat mensegmentasi citra tekstil dengan tingkat
pencahayaan yang berbeda dengan lebih akurat.
c. Penelitian oleh Nagau et al [11] dengan judul “ Segmentation of color images of plants with a
Markovian Mean Shift “ dilakukan pada tahun 2009. Peneliti mengusulkan penyederhanaan komputasi
algoritma mean shift dengan menambahkan metode markovian. Dalam mensegmentasi citra, algoritma
mean shift akan membandingkan antara sebuah piksel warna dengan warna pada colormetric space
yang merupakan densitas tertinggi dari sebuah warna tertentu.
d. Penelitian oleh Paris et al [12] dengan judul “A Topological Approach to Hierarchical Segmentation
using Mean Shift” dilakukan pada tahun 2010. Penelitian ini menggunakan pendekatan topologi
dengan menggunakan mean shift. Hasil yang didapatkan adalah algoritma mean shift mampu
mendeteksi tepi objek yang rumit dan kabur dari sebuah citra sehingga batas-batas objek terlihat
dengan jelas.
e. Penelitian oleh Cour et al [8] dengan judul “Spectral Segmentation with Multiscale Graph
Decomposition” dilakukan pada tahun 2005. Penelitian ini mengusulkan penggunaan algoritma
normalized cuts untuk melakukan segmentasi citra dengan cara menghitung tepi area dari region yang
saling bersinggungan. Hasil yang didapatkan adalah citra yang terbagi menjadi beberapa region
tersegmen.
f. Penelitian oleh Tao et al [9] dengan judul “Color Image Segmentation Based on Mean Shift and
Normalizedd Cuts” dilakukan pada tahun 2007. Penelitian ini menfokuskan perhatian kepada
penggunaan algoritma normalized cuts dalam mensegmentasi citra berwarna dan didapatkan hasil
bahwa normalized cuts mampu mensegmentasi citra dengan jumlah area tersegmen yang lebih
moderat.
g. Penelitian oleh Peng et al [13] dengan judul “Automatic Image Segmentation by Dynamic Region
Merging” dilakukan pada tahun 2009. Penelitian ini menggunakan metode dynamic region merging
dengan menghitung kesamaan antara dua area yang tersegmen berdekatan. Area tersegmen dibuat
dengan algoritma watershed. Algoritma watershed membagi citra menjadi banyak area kecil dengan
luas yang sama. Area ini selanjutnya akan dikomputasi dengan metode dynamic region merging. Area
yang berdekatan dan mempunyai kesamaan warna akan digabung. Hasil yang dilaporkan adalah objek
dapat dipisahkan dari background di sekelilingnya.
h. Penelitian oleh Ning et al [7] dengan judul "Interactive Image Segmentation by Maximal Similarity
based Region Merging" dilakukan pada tahun 2010. Penelitian ini menggunakan perhitungan maximal
simiratity pada region-region tersegmen dengan menggunakan histogram warna dalam melakukan
region merging atau penyatuan area region tersebut. Proses segmentasi dilakukan secara semi-
otomatis artinya membutuhkan sedikit bantuan input dari user. Input berupa marker penanda objek
dan marker penanda background pada citra. Proses region merging dilakukan dengan menggunakan
bantuan penanda atau marker tersebut. Hasil yang didapatkan berupa objek yang berhasil dipisahkan
secara akurat dari background di sekelilingnya.

Pada penelitian ini diusulkan metode segmentasi semi-otomatis menggunakan region merging maximal
similarity dengan input menggunakan citra tersegmen hasil segmentasi low level integrasi antara algoritma
mean shift dan normalized cuts untuk memisahkan objek pada background yang kompleks secara lebih
akurat.

1.6. Algoritma Mean Shift

Algoritma mean shift adalah teknik analisis non-parametric feature space atau analis ruang fitur berbasis
ruang non-parametrik [14]. Di dalam studi pengolahan citra dan pengenalan pola, feature space adalah

http://research.pps.dinus.ac.id , 27
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

ruang abstrak di dalam citra, setiap contoh pola digambarkan sebagai sebuah titik di dalam ruang dimensi
n atau n-dimensional space. Besar dari dimensi tersebut ditentukan oleh jumlah dari feature yang
digunakan untuk mendeskripsikan pola. Pola yang sama dikelompokkan sehingga dapat dibuat sebuah
estimasi kerapatan atau density estimation sehingga dapat ditemukan pola selanjutnya.
Mean shift adalah prosedur untuk menentukan density function atau fungsi kerapatan dari sebuah data
[6]. Berdasarkan penamaannya, maka function pertama adalah mean artinya fungsi ini digunakan untuk
menentukan modes atau data yang paling sering keluar atau mean dari sebuah kumpulan data. Sedangkan
function kedua adalah shift, artinya sebuah pergerakan menuju area modes tersebut. Di dalam algoritma
mean shift, density function atau kerapatan sebuah data berhubungan sangat erat dengan analisis ruang
fitur atau feature space analysis pada sebuah citra. Warna di dalam sebuah citra RGB akan dipetakan
menjadi ruang warna L*u*v tiga dimensi. L adalah komponen luminans dan u serta v adalah komponen
krominan. Komponen luminans dapat dianggap sebagai skala abu-abu dari sebuah citra dengan ruang
warna RGB. Sedangkan nilai u dan v berisi informasi warna atau krominan.
Algoritma mean shift menggunakan perhitungan kernel density estimation (KDE). Fungsi ini untuk
menghitung data yang paling sering keluar dalam sebuah area. Rumus KDE yang digunakan adalah
sebagai berikut:

(2.1)

Keterangan:
X : perulangan dari panjang n
K : kernel simetrikal
H : parameter smoothing

Dalam hal segmentasi citra fungsi dari kernel density estimation akan menghitung densitas warna
yang paling sering muncul dalam sebuah area tertentu. Pada sebuah luas area citra tertentu atau luas ruang
fitur tertentu ditemukan bahwa warna yang paling sering keluar adalah warna merah, maka pada area
tersebut semua warna akan diganti dengan warna merah. Inilah makna dari shift atau bergerak menuju
nilai mean dalam hal ini adalah warna yang paling sering keluar yang ditemukan pada sebuah area citra.
Begitu juga hal yang sama akan dilakukan terhadap area citra yang lain sehingga apabila hal ini secara
berulang terhadap semua area citra maka hasil yang akan didapatkan adalah citra yang terbagi menjadi
area-area atau region dengan warna yang homogen. Warna yang ada pada tiap region adalah representasi
dari warna yang dominan pada area tersebut.

1.7. Algoritma Normalized Cuts

Citra digital dapat dianggap sebagai graph yang berbobot G=(V, E), pikselnya direpresentasikan oleh
simpul-simpul vi ∈ V dan setiap pasangan simpul yang berdekatan vi dan vj dihubungkan dengan sebuah
sisi eij={vi, vj}∈ E. Masing-masing sisi memiliki bobot non-negatif w(i,j) yang menggambarkan
kemiripan atau ketidakmiripan antara simpul insiden. Dengan memperhatikan representasi citra yang
berbasis graph, segmentasi citra semata-mata merupakan penyekatan dari graf G=(V,E) menjadi dua
rangkaian yang tidak berhubungan A dan B, A ∪ B = V dan A ∩ B = Ø. Penyekatan dilakukan menurut
beberapa kriteria dan bertujuan untuk menghilangkan sisi-sisi yang menghubungkan graph kecil A dan B.
Rangkaian yang terpisah ini hanya dengan membuang tepian-tepian yang menghubungkan kedua bagian
tersebut. Tingkat ketidakmiripan di antara kedua bagian tadi dapat dihitung sebagai bobot keseluruhan
dari tepian yang telah dibuang tadi. Dalam bahasa teori graph, hal ini disebut sebagai sebuah potongan.
Penyekatan ganda yang optimal dari sebuah graph adalah yang dapat meminimalkan nilai potongan
ini. Meski ada sejumlah penyekatan seperti itu yang eksponensial, mencari potongan minimal dari sebuah
grafis adalah sebuah masalah yang harus diteliti. Total bobot dari sisi yang harus dibuang selama

28 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

penyekatan graph disebut cut (potongan) dan ditentukan dengan persamaan sebagai berikut:

(2.2)

Penggambaran sebuah pemotongan adalah sebagai berikut:

Gambar 1. Pemotongan graph [15]

Edge yang menghubungkan piksel (simpul) p dan q pada graph memiliki bobot (weight graph) seperti
ditunjukkan pada rumus berikut:

(2.3)

Keterangan:
H : nilai intensitas keabuan tertinggi pada citra
f(p) dan f(q) : nilai keabuan piksel p dan q

Proses segmentasi dalam pendekatan pada graph dilakukan melalui proses partisi graph yaitu
dilakukan pengelompokan dengan cara mempartisi himpunan dari simpul-simpulnya. Segmentasi S
merupakan partisi dari V ke dalam komponen-komponen C sehingga setiap C€S bersesuaian dengan
komponen yang terhubung dalam sebuah graph G'=(V,E'), E' ≥ E. Dengan kata lain segmentasi yang
dilakukan diinduksi oleh sebuah subset dari sisi E.

1.8. Metode Region Merging

Metode region merging adalah kebalikan dari proses membagi citra. Region merging bertujuan untuk
menyatukan area yang ada pada citra menurut tujuan yang diinginkan. Dalam hal segmentasi objek,
tujuannya adalah memisahkan objek dari background di sekeliling objek. Segmentasi objek dengan
menggunakan metode region merging membutuhkan input berupa citra hasil segmentasi low level yaitu
citra yang telah terbagi menjadi serangkaian region atau area. Contoh algoritma untuk melakukan
segmentasi low level adalah watershed, mean shift dan normalized cuts. Algoritma watershed, mean shift
dan normalized cuts akan membagi citra menjadi serangkaian area kecil atau region yang berjumlah
banyak. Sebuah region atau area dapat didefinisikan ke dalam beberapa aspek, misalnya ke dalam aspek
warna, tepi area, bentuk area maupun ukuran dari area tersebut. Untuk melakukan proses region merging
maka pada area tersebut perlu ditambahkan sebuah descriptor untuk mendefinisikan aturan dari proses
region merging yang diinginkan.
Warna adalah deskriptor yang paling efektif dalam analisis feature space [16] dan banyak digunakan
dalam kajian image segmentation, patern recognition dan object tracking [7]. Di dalam konteks
segmentasi berbasis region merging, histogram warna lebih handal untuk digunakan dibandingkan dengan

http://research.pps.dinus.ac.id , 29
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

deskriptor yang lain. Hal ini karena inisialisasi ukuran segmen kadang-kadang sangat kecil dan sangat
banyak mengandung variasi ukuran dan bentuk.
Dalam kaitan dengan proses region merging maka histogram sebuah region akan ditandai dengan
nama HistR. Permasalahan berikutnya adalah menyatukan region menggunakan histogram warna yang
telah didapatkan sehingga objek akan berhasil disegmentasi. Untuk itu diperlukan sebuah pengukuran
similaritas diantara 2 region. Ada beberapa pengukuran similaritas yang dikenal yaitu euclidean distance,
bhattacharyya coefficien, dan log-likelihood ratio statistic. Koefisien bhattacharya adalah perkiraan
pengukuran jumlah tumpang tindih antara dua sampel statistik. Koefisien bhattacharya dapat digunakan
untuk menentukan kedekatan relatif dari kedua sampel yang dipertimbangkan.
Pada penelitian ini akan digunakan koefisien bhattacharyya untuk mengukur similaritas antara region
R dan region Q. Persamaannya adalah sebagai berikut:

(2.4)

HistR dan HistQ adalah histogram awal dari area R dan Q dan nilai u merupakan elemen ke-u dari
histogram tersebut. ρ merupakan nilai dari koefisien bhattacharyya adalah ukuran perbedaan antara
interpretasi geometris sederhana.

1.9. Segmentasi Objek Semi-Otomatis Menggunakan Metode Region Merging Maximal Similarity
Berbasis Algoritma Mean Shift dan Normalized Cuts

Kerangka pemikiran dalam penelitian ini disusun untuk menyelesaikan

permasalahan bahwa segmentasi objek pada citra dengan background yang
kompleks saat ini tidak akurat.
Pendekatan komputasi atau computing approach yang diambil untuk
menjawab permasalahan di atas adalah segmentasi objek secara semi-
otomatis dengan region merging maximal similarity menggunakan integrasi
algoritma mean shift dan normalized cuts.
Tahapan penelitian ini tercantum pada gambar di samping ini.

Gambar 2. Tahapan Penelitian

2. METODE PENELITIAN
2.1. Pengumpulan Data
Tahap ini merupakan langkah awal dari penelitian. Dataset citra yang akan digunakan dalam eksperimen
diambil dataset publik yang ada pada laman Segmentation Evaluation Bencmark dari Department of
Computer Science and Applied Mathematics, Weizmann Institute of Science. Pada penelitan ini akan
diambil 75 citra yaitu hanya citra yang mempunyai background yang kompleks. Dataset telah dilengkapi
dengan citra hasil human segmentation yang berguna untuk pengukuran akurasi. Citra untuk benchmark
juga dipilih sejumlah 75 buah citra, sesuai dengan citra dataset yang dipilih. Dataset dapat diakses pada
alamat http://www.wisdom.weizmann.ac.il/~vision/Seg_Evaluation_DB/dl.html.

30 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

2.2. Pengolahan Data

Pada data yang telah dikumpulkan akan dilakukan pengolahan data yaitu berupa eksperimen
menggunakan model yang diusulkan yaitu segmentasi objek secara semi-otomatis dengan metode region
merging maximal similarity berbasis integrasi algoritma mean shift dan normalized cuts. Perkakas atau
tools yang akan digunakan adalah MATLAB R2010.
Eksperimen dalam penelitian ini dibagi menjadi 3 tahap, yaitu:
a. Proses segmentasi awal atau low level dengan algoritma mean shift + normalized cuts.
b. Penambahan deteksi tepi prewitt dan operasi invers terhadap hasil segmentasi low level.
Proses region merging citra hasil segmentasi low level untuk memisahkan objek dari background pada
citra.

2.3. Pengukuran Akurasi

Pengukuran akurasi dilakukan dengan membandingkan citra hasil segmentasi dengan citra benchmark dari
dataset. Untuk mengukur akurasi digunakan mengukur bit rate error. Penghitungan nilai bit error rate
dilakukan cara membandingkan tiap-tiap piksel citra head to head dibagi dengan keseluruhan dimensi
matriks. Untuk mengukur akurasi dari hasil segmentasi citra maka metode yang digunakan adalah
membandingkan antara citra benchmark dengan citra hasil segmentasi. Pada penelitian kali ini yang
dibandingkan adalah citra dataset hasil human segmentation dengan citra hasil segmentasi metode yang
diusulkan.

3. HASIL PENELITIAN DAN PEMBAHASAN

3.1. Segmentasi Low Level
Segmentasi low level pertama yang akan digunakan untuk ekperimen adalah algoritma mean shift.
Algoritma mean shift bekerja berdasarkan analisis ruang fitur atau mencari densitas warna yang paling
dominan yang ada pada sebuah citra atau area citra tertentu. Pada sebuah citra densitas warna yang
dominan tergantung pada lokasi di bagian mana densitas tersebut diukur dan hal ini juga berhubungan
dengan luas dari bagian citra yang dicari densitasnya. Pada algoritma mean shift, luas dari bidang citra
yang akan dicari densitasnya dinyatakan sebagai parameter minimum region. Pada eksperimen kali ini
parameter yang akan diubah adalah minimum region dan akan di setting bernilai 2000, 500, dan 50. Hasil
yang didapatkan adalah sebagai berikut.

Gambar 3. Hasil Segmentasi Mean Shift

Setelah diberikan operasi deteksi tepi prewitt dan operasi invers untuk hanya mengambil tepi dari area
tersegmen maka hasil yang didapatkan adalah sebagai berikut.

http://research.pps.dinus.ac.id , 31
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

Gambar 4. Deteksi Tepi Prewitt dan Operasi Invers

Dari hasil eksperimen terlihat bahwa algoritma mean shift mampu mendeteksi dan mempertahankan
tepi objek dengan akurat. Parameter minimum region berpengaruh terhadap jumlah region yang dibuat
oleh algoritma mean shift. Semakin kecil nilai minimum region, semakin banyak region yang dihasilkan.
Semakin banyak region terbentuk maka semakin detail hasil segmentasinya, tetapi memiliki kelemahan
over segmentation yaitu jumlah region yang terbentuk berlebihan.

Tabel 1. Jumlah Region Hasil Segmentasi Algoritma Mean Shift

No Nama File Jumlah Region yang Terbentuk
Nilai Minimun Region
2000 500 50
1 b2pods.bmp 9 57 420
2 000_4009.bmp 17 46 492
3 2_horses_cropped.bmp 18 62 396
4 100_0109.bmp 14 50 332
5 20060319_087.bmp 10 47 306

Langkah berikutnya adalah menambahkan algoritma normalized cuts pada algoritma mean shift. Hal
ini dimaksudkan untuk mengurangi jumlah region. Pada algoritma normalized cuts parameter yang akan
diubah adalah nilai cuts. Nilai parameter cuts pada algoritma normalized cuts di setting pada nilai 95.
Parameters cuts adalah jumlah pemotongan graph yang diijinkan pada sebuah citra. Pemotongan graph
akan menghasilkan citra yang terbagi menjadi 2 dan seterusnya sampai nilai parameter cuts tercapai dalam
hal ini adalah sampai citra terbagi menjadi 95 bagian. Nilai pemotongan graph sejumlah 95 dipilih dengan
pertimbangan bahwa pada jumlah region tersebut belum termasuk dalam kategori over segmentation
karena jumlah regionnya tidak terlalu banyak dan masih dapat dihitung secara visual.
Hasil yang didapatkan adalah sebagai berikut.

Gambar 5. Hasil Segmentasi Normalized Cuts

Dari eksperimen di atas terbukti bahwa penambahan algoritma normalized cuts mampu mengurangi
jumlah region dari algoritma mean shift secara signifikan.

32 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

3.2. Segmentasi Objek dengan Metode Region Merging

Pada bagian akan dijelaskan tentang segmentasi objek secara semi-otomatis dengan metode region
merging. Metode region merging membutuhkan input berupa citra yang telah dilakukan segmentasi low
level sehingga menjadi serangkaian region-region pada citra. Region-region inilah yang akan dimerging
atau disatukan dengan menghitung maximal similarity atau similaritas maksimal dari masing-masing
region. Setelah nilai similaritas antar-region didapatkan, langkah selanjutnya adalah membandingkan
similaritas antar-region dan melakukan merging atau penyatuan region tersebut. Langkah region merging
ini akan dibantu dengan garis penanda atau marker yang dibuat oleh user yang menandai bagian objek dan
bagian background dari citra.
Similaritas antar-region dihitung berdasarkan histogram yang dimiliki oleh region tersebut. Region
yang berdekatan biasanya mempunyai histogram warna yang hampir mirip karena penyebaran warnanya
juga hampir sama. Histogram masing-masing region pada background secara relatif akan lebih mirip
dibandingkan dengan histogram pada region bagian objek. Begitu juga sebaliknya, histogram bagian
region objek akan lebih mirip di antara-region objek tersebut dibandingkan dengan region pada
background. Area dengan histogram yang sama akan disatukan, karena diasumsikan merupakan bagian
dari objek yang sama atau bagian dari background yang sama. Pada tahap inilah marker atau penanda dari
user diperlukan.
Hasil yang didapatkan dari proses region merging dengan input algoritma mean shift dan gabungan
antara mean shift + normalized cuts adalah sebagai berikut.

M Mean
ea Shift
Gambar 6. Hasil Segmentasi Objek dengan Metode Region50 +Merging
n
Sh NCuts
3.3. Pengukuran Akurasi ift
Pengukuran akurasi dihitung dengan membandingkan citra hasil segmentasi masing-masing algoritma
dengan citra. Nilai akurasi didapatkan dengan menghitung nilai bit rate error dari masing-masing citra
untuk keseluruhan citra yang berjumlah 75 buah. Pada tahap akhir pengukuran akan didapatkan nilai rata-
rata bit rate error untuk masing-masing algoritma. Nilai bit rate error yang lebih kecil menunjukkan
akurasi yang lebih tinggi karena mempunyai arti bahwa hasil segmentasi mempunyai perbedaan yang
lebih kecil dengan citra benchmark. Citra benchmark dan hasil segmentasi adalah sebagai berikut.

Gambar 7. Citra Benchmark dan Hasil Segmentasi Region Merging

http://research.pps.dinus.ac.id , 33
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

Hasil pengukuran yang didapatkan adalah sebagai berikut.

Tabel 2. Tabel Nilai Bit Rate Error

NO Nama file Mean shift Mean shift 50

2000 500 50 + NCuts
1 b2pods.bmp 0.50279 0.08948 0.03195 0.02223
2 000_4009.bpm 0.71717 0.55713 0.06004 0.07771
3 2_horses_cropped.bmp 0.66372 0.37350 0.11179 0.20653
4 100_0109.bmp 0.53628 0.46136 0.17924 0.10827
5 20060319_087.bmp 0.87193 0.65450 0.28523 0.10013

Grafik akurasi dari masing-masing algoritma untuk tiap-tiap dataset adalah sebagai berikut.

Gambar 8. Grafik Nilai Bit Rate Error

Nilai rata-rata yang didapatkan adalah sebagai berikut.

Tabel 3. Nilai Rata-Rata Bit Rate Error

NO Algoritma Bit rate error

1 Mean shift dengan minimum region 2000 0.63869
2 Mean shift dengan minimum region 500 0.51309
3 Mean shift dengan minimum region 50 0.20515
4 Mean shift 50 + normalized cuts 0.09454

Seperti telah dijelaskan pada bagian latar belakang dari penelitian ini, yaitu bahwa algoritma mean
shif mempunyai kelemahan over segmentation, yaitu jumlah region yang dibentuk sangat banyak sehingga
berlebihan. Pada algoritma mean shift dengan nilai parameter minimum region = 50 hasil yang didapatkan
adalah citra tersegmen yang mengalami over segmentation dengan jumlah region mencapai ratusan.
Penambahan algoritma normalized cuts kepada algoritma mean shift mampu mengurangi terjadinya over
segmentation. Berdasarkan hasil eksperimen dengan 75 citra maka jumlah region yang didapatkan pada
34 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

dari hasil segmentasi low level dengan algoritma mean shift, mean shift + normalized cuts adalah sebagai
berikut.

Tabel 4. Jumlah Region Masing-Masing Algoritma

NO Nama file Mean shift Mean shift 50

2000 500 50 + NCuts
1 b2pods.bmp 9 57 420 95
2 000_4009.bpm 17 46 492 95
3 2_horses_cropped.bmp 18 62 396 95
4 100_0109.bmp 14 50 332 95
5 20060319_087.bmp 10 47 306 95

Dari tabel di atas terlihat bahwa jumlah region yang paling besar dihasilkan oleh algoritma mean shift
dengan minimum region 50 yaitu mencapai ratusan region. Hal ini terjadi karena tiap bidang warna
walaupun kecil akan dibuat ke dalam area segmentasi yang berbeda. Pada gabungan antara algoritma
mean shift + normalized cuts, jumlah region yang dihasilkan berkurang sangat signifikan menjadi hanya
95 region. Hal ini terjadi karena algoritma normalized cuts mampu mensegmentasi atau membagi citra
berdasarkan kriteria jumlah pembagian yang diijinkan bukan kepada jumlah variasi densitas warna yang
ada.
Rata-rata jumlah region yang dibuat oleh masing-masing algoritma adalah sebagai berikut.

Tabel 5. Rata-rata Region Masing-Masing Algoritma

NO Algoritma Jumlah region
1 Mean shift dengan minimum region 2000 13
2 Mean shift dengan minimum region 500 49
3 Mean shift dengan minimum region 50 310
4 Mean shift 50+ normalized cuts 95

4. KESIMPULAN DAN SARAN

Dari penelitian ini didapatkan hasil bahwa penerapan segmentasi objek secara semi-otomatis dengan
metode region merging berdasarkan perhitungan maximal similarity dengan menggunakan hasil
segmentasi low level algoritma mean shift plus normalized cuts berhasil mensegmentasi objek dengan
background yang kompleks secara lebih akurat. Hal ini dibuktikan dengan nilai bit rate error yang lebih
kecil. Nilai rata-rata bit error rate yang didapatkan adalah 0.09454, lebih rendah dibandingkan dengan
nilai bit error rate dari proses region merging menggunakan segmentasi low level algoritma mean shift
pada minimum region = 50 yang hanya mencapai 0.20515. Peningkatan akurasi yang berhasil dicapai
adalah 11 %.
Hasil kedua adalah bahwa gabungan algoritma mean shift + normalized cuts berhasil mengurangi
jumlah region menjadi hanya 95 region, lebih kecil daripada jumlah rata-rata region pada algoritma mean
shift pada minimum region 50 yang mencapai 310. Penurunan jumlah region yang dibentuk mencapai
69%. Kesimpulan yang didapat adalah bahwa penambahan algoritma normalized cuts kepada algoritma

http://research.pps.dinus.ac.id , 35
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

mean shift mampu mengatasi permasalahan over segmentation pada algoritma mean shift.
Di masa mendatang perlu dikembangkan sebuah metode region merging dengan menggunakan
klasifikasi piksel hingga akan mendapatkan hasil akurasi yang lebih baik dibanding yang berbasis region.
Pengembangan yang lain adalah perlu diteliti sebuah optimasi baru dari algoritma normalized cuts
sehingga mampu melakukan pemotongan citra secara adaptif atau otomatis tergantung dari komposisi
warna dari citra.

PERNYATAAN ORIGINALITAS
“Saya menyatakan dan bertanggung jawab dengan sebenarnya bahwa Artikel ini adalah hasil karya saya
sendiri kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya”
[Indaryanto P31.2011.00902].

DAFTAR PUSTAKA
[1] P. Ghosh, S. K. Antani, L. R. Long, and G. R. Thoma, “Unsupervised Grow-Cut : Cellular
Automata-based Medical Image Segmentation,” International Journal of Automation and
Computing, vol. 12, 2010.

[2] K. Fukuda, T. Takiguchi, and Y. Ariki, “Automatic Segmentation of Object Region Using Graph
Cuts Based on Saliency Maps and AdaBoost,” in Proceedings IEEE Conference ICCV, pp. 105–
112, 2008.

[3] V. Vezhnevets and V. Konoichine, “‘ GrowCut ’ Interactive Multi-Label N-D Image Segmentation
By Cellular Automata,” Elsevier, vol. 1, pp. 105–112, 2004.

[4] S. Lankton, S. Member, and A. Tannenbaum, “Localizing Region-Based Active Contours,” IEEE
Transactions On Image Processing, vol. 17, no. 11, 2008.

[5] Y. Boykov and G. Funka-Lea, “Graph Cuts and Efficient N-D Image Segmentation,” International
Journal of Computer Vision, vol. 70, no. 2, pp. 109–131, Nov. 2006.

[6] D. Comaniciu, P. Meer, and S. Member, “Mean Shift : A Robust Approach Toward Feature Space
Analysis,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 5, pp.
603–619, 2002.

[7] J. Ning, L. Zhang, D. Zhang, and C. Wu, “Interactive image segmentation by maximal similarity
based region merging,” Elsevier, vol. 43, Feb. 2010.

[8] T. Cour, F. Benezit, and J. Shi, “Spectral Segmentation with Multiscale Graph Decomposition,”
2005.

[9] W. Tao, H. Jin, and S. Member, “Color Image Segmentation Based on Mean Shift and Normalized
Cuts,” Cybernetics, vol. 37, no. 5, pp. 1382–1389, 2007.

[10] P. Li, S. Wang, and J. Jing, “The Segmentation in Textile Printing Image Based on Mean Shift,”
Science Press, pp. 1–5, 2009.

36 http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 11 Nomor 1, April 2015, ISSN 1414-9999

[11] J. Nagau and J. Henry, “Segmentation of color images of plants with a Markovian Mean Shift .”
pp. 1–5, 2009.

[12] S. Paris and F. Durand, “A Topological Approach to Hierarchical Segmentation using Mean Shift.”
2010.

[13] B. Peng, L. Zhang, and D. Zhang, “Automatic image segmentation by dynamic region merging.,”
IEEE transactions on image processing : a publication of the IEEE Signal Processing Society, vol.
20, no. 12, pp. 3592–605, Dec. 2011.

[14] Y. Cheng, “Mean Shift , Mode Seeking , and Clustering,” IEEE Transactions on Pattern Analysis
and Machine Intelligence, vol. 17, no. 8, pp. 790–799, 1995.

[15] A. Fabijanska, “Normalized Cuts and Watersheds,” Computer Analysis of Images and Patterns, pp.
1–6, 2012.

[16] M. J. Swain and D. H. Ballard, “Color Indexing,” International Journal of Computer Vision, vol.
32, pp. 11–32, 1991.

http://research.pps.dinus.ac.id , 37