Pengklasifikasian Citra X-Ray Organ Tubuh Manusia Berdasarkan Ekstraksi Fitur Tekstur Statistik Secara Lokal 1 2
Fauziyah (10107673)
Dr. Bertalya, SKom., DEA
Mahasiswa Sistem Informasi Universitas Gunadarma
[email protected] 2
Dosen Senio Universitas Gunadarma
[email protected]
ABSTRAKSI Citra X-Ray merupakan citra digital yang digunakan untuk mediagnosa pada kegiatan medis. Dengan mengingginya keperluan citra sebagai bantuan untuk mendiagnosa maka dibutuhkan proses pendokumentasian yang dapat secara langsung mengklasifikasikan citra X-Ray secara tepat dan cepat. Proses segmentasi area obejek yang terdiri dari proses thresholding, deteksi tepi canny, dilation, filling, erosion. Kemudian dilakukan ekstraksi fitur statistik yang diekstraksi dari citra X-Ray. Ekstraksi fitur statistik terdiri dari 6 formula statistik yaitu average, standard deviation, smoothness, third moment, uniformity, dan entropy. Citra yang dianalisis berjumlah 100 citra X-ray dari berbagai organ tubuh manusia yang terdiri dari Bahu, Kaki, Kepala, Leher, Lengan Atas, Lumbal, Paha, Pergelangan Kaki, Rusuk, Siku, Tangan, Thorakal, Panggul, Lutut dan Tulang Kering. Untuk melakukan setiap tahap klasifikasi dan menampilkan hasil transformasi kontur citra dibuat sebuah aplikasi menggunakan Matlab. Berdasarkan hasil, nilai keakuratan dari metode ini sebesar 45% dengan teknik Jeffrey Divergence. Kata Kunci : Citra X-ray, Klasifikasi Citra, Segmentasi Area Objek, Ekstraksi Fitur Tekstur Statistik, Jeffrey Divergence.
ABSTRACT X-Ray image of a digital image that is used to diagnose the medical activities. With the heightened need imagery as an aid to diagnosing the required documentation process that can directly classify X-Ray image accurately and quickly. Object segmentation process area consists of thresholding, Canny edge detection, dilation, filling erosion. Then do the extraction of statistical features extracted from X-Ray image. Then do the extraction of statistical features extracted from X-Ray image. Statistical feature extraction consists of 6 statistical formula that is average, standard deviation, smoothness, third moment, uniformity and entropy. There are 100 images were analyzed X-Ray image of various organs of human body which consist of Shoulders, Legs, Head, Neck, Upper Arm, Lumbar, Thigh, Ankle, Prime Rib, Elbow, Hand, Thoracic, Pelvis, Knee, and Dry Bones. To perform each stage of classification and display the result of the transformation of the contour image of an application created using Matlab. Based on the result, the accuracy of this method by 45% by Jeffrey Divergence techniques. Keywords: X-Ray image, Image Classification, Object Area Segmentation, Extraction Statistic Texture Feature, Jeffrey Divergence.
PENDAHULUAN Perkembangan teknologi digital di bidang komputer dan multimedia semakin berkembang, sehingga semakin meningkatnya kebutuhan akan tempat penyimpanan data digital. Pada bidang kedokteran citra digital yang digunakan untuk keperluan diagnosa adalah citra X-Ray. Produksi citra medis di rumah sakit untuk membantu pekerjaan dokter dalam mendiagnosa penyakit pasien semakin meningkat tajam. Citra medis yang dihasilkan adalah citra yang diakuisisi dari peralatan medis X-Ray, USG, MRI, fotografi, dan lain-lain. Hal ini, tentunya membutuhkan suatu mekanisme penyimpanan maupun retrieval citra medis dari database secara otomatis (Bertalya dkk,2008).
Pengklasifikasian citra X-Ray yang selama ini dilakukan secara manual yakni hanya berdasarkan pada kepakaran dan pengetahuan para pelaku medis, dan ini berdampak pada ketidakakuratan data atau informasi yang dihasilkan. Selain pendokumentasian yang tidak akurat, prosesnya pun menjadi semakin lambat. Oleh karena itu dibutuhkan suatu mekanisme kompleks yang dapat menjadi solusi dalam masalah ini, yaitu suatu solusi yang dapat mengklasifikasikan citra X-Ray secara akurat dan cepat berdasarkan karakteristik kemiripan dari data citra tersebut. Hal
inilah
yang
melatarbelakangi
dilakukannya
penelitian
untuk
mengklasifikasikan citra X-Ray berdasarkan fitur tekstur statistik secara lokal. Selanjutnya nilai dari fitur statistik objek tersebut dapat dijadikan rujukan pada proses pengklasifikasian citra X-Ray. Citra-citra X-Ray yang digunakan untuk penelitian ini merupakan citra yang telah tersegmentasi dengan proses perataan histogram (Nindya, 2009).
TINJAUAN PUSTAKA Pengolahan Citra Proses pengolahan gambar digital dengan menggunakan komputer digital adalah terlebih dahulu mentransformasikan gambar ke dalam bentuk besaran-besaran diskrit dari nilai tingkat keabuan pada titik-titik elemen gambar. Bentuk gambar ini disebut gambar digital. Elemen-elemen gambar digital apabila ditampilkan dalam layar monitor akan menempati sebuah ruang yang disebut dengan piksel (picture elemen). Pengolahan citra merupakan istilah umum yang mencakup teknik-teknik memanipulasi dan memodifikasi gambar dengan berbagai cara. Seperti halnya fotografer dapat melakukan pengolahan citra menggunakan bahan kimia, atau peralatan optik. Namun dalam digital pengolahan citra yang menampilkan gambar digital menggunakan komputer, pengolahan citra tidak hanya dapat melakukan manipulasi dan perbaikan kualitas gambar, namun juga dapat diperoleh, ditampilkan, dan disimpan dalam memori komputer.
Analisis Citra 1.
Morphologi Kata morphologi (morphology) secara sederhana dapat diartikan sebagai bentuk dan struktur suatu objek atau dalam deskripsi lainnya disebutkan bahwa morphologi adalah susunan dan hubungan antara bagian pada suatu objek. Morphologi di dunia digital dapat diartikan sebuah cara untuk mendeskripsikan ataupun menganalisa bentuk dari objek digital (Darma Putra, 2010).
2.
Deteksi Tepi Tepian dari suatu citra mengandung informasi penting dari citra bersangkutan. Tepian citra dapat merepresentasikan objek-objek yang terkandung dalam citra tersebut, bentuk dan ukuran serta terkadang juga informasi tentang teksturnya. Tepian citra adalah posisi dimana intensitas piksel dari cahaya berubah dari nilai rendah ke nilai tinggi atau sebaliknya. Deteksi tepi umumnya adalah langkah awal melakukan segmentasi citra (Darma Putra, 2010). 3. Segmentasi Citra Segmentasi merupakan teknik untuk membagi suatu citra menjadi beberapa daerah dimana setiap daerah memiliki kemiripan atribut (Darma Putra, 2010). Beberapa teknik segmentasi citra meliputi: Thresholding, Penandaan Komponen Terhubung (Connected Component Labeling), Segmentasi Berbasis Clustering, Tranformasi Hough.
Konsep Similarity Similarity merupakan ukuran kedekatan antara satu objek dengan objek lainnya. Kemudian yang dimaksud dengan jarak adalah ukuran tentang jarak pisah antar objek. Ada beberapa jenis similarity measure, diantaranya yaitu: Distance-Based Similarity Measure, Probabilistic-Based Similarity Measure, Set-Based Similarity Measure, Feature-Based Similarity Measure, Context-Based Similarity Measure.
METODELOGI PENELITIAN Data citra X-Ray yang diklasifikasikan sebanyak 100 citra X-Ray yang berasal dari Tim Penelitian Hibah Bersaing DIKTI Tahun 2009-2011. Data citra terdiri atas 8 citra X-Ray bahu, 7 citra X-Ray Kaki, 7 citra X-Ray Kepala, 7 citra X-Ray leher, 6 citra X-Ray lengan atas, 7 citra X-Ray lumbal, 7 citra X-Ray lutu, 6 citra X-Ray paha, 7 citra X-Ray panggul, 7 citra X-Ray pergelangan kaki, 7 citra X-Ray rusuk, 6 citra X-Ray siku, 6 citra X-Ray tangan, 5 citra X-Ray thorakal, dan 6 citra X-Ray tulang kering. Untuk selanjutnya ke 100 citra X-Ray ini disebut data citra uji. Tahapan proses ekstraksi fitur statistik pada citra X-Ray seperti terlihat pada Gambar 1 berikut ini. Mulai
Input Citra
Proses Segmentasi Area Objek
Nilai Fitur Tekstur Citra
Proses Ekstraksi Fitur Tekstur Menghitung 6 Nilai Fitur Tekstur
Gambar 1 Alur Proses Penyimpanan Citra
Proses Segmentasi Area Objek Sebelum citra X-Ray menghitung nilai terkstur terlebih dahulu dilakukan proses segementasi area objek, proses ini dimulai dengan menginput citra X-Ray kemudian dilakukan proses tresholding, deteksi tepi, dilasion, filling dan erosion pada citra X-Ray tersebut.
Proses pengembangan atau thresholding akan menghasilkan citra biner, yaitu citra yang memiliki dua nilai tingkat keabuan yaitu hitam dan putih. Kemudian dilakukan pendektesian tepi dengan menggunakan deteksi tepi Canny yang dapat mendeteksi tepian yang sebenarnya dengan tingkat kesalahan minimum. Dengan kata lain, operator Canny didesain untuk menghasilkan citra tepian yang optimal. Setelah itu garis-garis pada tepian dilakukan proses dilasion yakni dengan mambandingkan setiap piksel citra input dengan nilai pusat SE (Structuring Elements) dengan cara melapiskan (superimpose) SE dengan citra sehingga pusat SE tepat dengan posisi piksel citra yang diproses. „Lubang‟ yang terdapat pada area objek citra biner hasil dari proses dilasion diisi dengan mengaplikasikan proses filling sehingga menjadi suatu area objek citra biner yang utuh. Kemudian proses terakhir adalah erosion, sama seperti dilasion proses erosion dilakukan dengan membandingkan setiap piksel citra input dengan nilai pusa SE dengan cara melapiskan SE dengan citra sehingga pusat SE tepat dengan posisi piksel citra yang diproses. Setelah dilakukan preses keseluruhan dilakukan pengembalian ke citra awal untuk memperoleh area objek dengan tektur original sehingga tidak kehilangan intensitas dari citra original maka area objek citra biner dari proses segmentasi ini.
Proses Ekstraksi Fitur Tekstur Statistik Setelah melalui proses segementasi area objek dan mendapatkan citra akhir yang merupakan proses komplemen pada citra dengan menjadikan area luar dari batas tepi objek sebagai latar belakang objek. Pada area objek hasil segmentasi dengan tekstur secara local akan diekstraksi fitur tekstur dominan dimana nilai-nilai akan direpresentasikan pada vektor fitur. Metode yang digunakan adalah ekstraksi fitur tekstur statistic secara local dikarenakan tekstur dari suatu citra dapat dengan mudah digambarkan menggunakan histogram dari intensitas citra itu sendiri. Fitur tekstur statistik yang diekstrasi dari citra X-Ray ini adalah average, standard deviation, smoothness, third moment, uniformity, dan entropy (Bertalya dkk, 2008).
Pencocokan Citra X-Ray Proses pencocokan merupakan tahap akhir dari pengklasifikasian citra. Proses ini bertujuan membandingkan antara dua citra dengan menghitung jarak antar fitur. Dengan menggunakan fitur ini kita cocokkan citra X-Ray uji dengan citra X-Ray dari refrensi yang disimpan dalam database. Proses ini menghitung similaritas antara fitur dari probablilitas distribusi dari setiap fitur statistik untuk citra uji dengan citra refrensi. Teknik pengukuran similaritas yang digunakan pada penelitian ini yaitu teknik Jeffrey Divergence. Jeffrey Divergence merupakan pengembangan dari teknik KullbackLeibler Divergence.
Hasil dari pengklasifikasian citra X-Ray diperoleh dengan mencari jarak paling terdekat dari penghitungan similaritas, yang mengindikasikan kelas bagi objek citra yang diuji. Tidak semua citra uji dapat diklasifikasikan secara tepat. Sebagai alat ukur untuk mengetahui keakuratan metode pengklasifikasian citra X-Ray digunakan.
recognition rate = citra yang dapat diklasifikasikan secara tepat x 100 % jumlah keseluruhan citra Berdasarkan hasil penghitungan similaritas dapat diketahui jumlah citra yang dapat diklasifikasikan secara tepat maupun yang diklasifikasikan dengan salah. Dari jumlah citra yang dapat diklasifikasikan secara tepat, dibagi dengan jumlah keseluruhan dari citra X-Ray, kemudian dikalikan 100 %, akan diperoleh nilai recognition rate.
HASIL DAN PEMBAHASAN Langkah pertama dari proses pengklasifikasin adalah memasukkan 100 citra ke dalam basis data sebagai referensi. Pada saat melakukan pencocokan citra, citra yang
sama tidak dicocokkan lagi, dengan kata lain 1 citra akan dicocokkan dengan 99 citra yang lain. Tahap selanjutnya adalah melakukan proses segmentasi area objek yang bertujuan untuk menghilangkan non objek atau derau yang mempengaruhi proses ekstraksi fitur tekstur pada citra X-Ray. Proses segmentasi ini merupakan proses untuk mendapatkan area objek yang diinginkan pada suatu citra dengan memisahkan antara aera objek dari latar belakangnya. Kemudian dilakukan pencocokan (matching) terhadap citra sample sebanyak 100 citra dari berbagai objek, yaitu citra bahu, citra kaki, citra kepala, citra leher, citra lengan atas, citra lumbal, citra lutut, citra paha, citra panggul, citra pergelangan kaki, citra rusuk, citra siku, citra tangan, citra thorakal, citra tulang kering. Hasil Pengujian 100 citra X-Ray dah dilihat pada Tabel 1 berikut ini. Tabel 1 Hasil Pengujian 100 Citra X-ray No
Kelas Citra
Pengujian Berhasil
1
Bahu
5
2
Kaki
7
3
Kepala
2
4
Leher
4
5
Lengan Atas
0
6
Lumbal
2
7
Lutut
2
8
Paha
0
9
Panggul
6
10
Pergelangan Kaki
0
11
Rusuk
6
12
Siku
3
13
Tangan
4
14
Thorakal
1
15
Tulang Kering
3
TOTAL
45
PENUTUP Kesimpulan Proses pengklasifikasian dari hasil percobaan menggunakan 100 citra
X-Ray
menggunakan metode ekstraksi fitur tekstur statistik dengan menggunakan teknik penghitungan similaritas Jeffrey Divergence diperoleh recognition rate sebesar 45%. Saran Nilai keakuratan klasifikasi citra X-Ray yang diperoleh masih dibawah 75%, hali ini dikarenakan citra X-Ray yang digunakan terlalu gelap memiliki banyak objek dilur target, sehingga berpengaruh terhadap keakuratan klasifikasi citra X-Ray. Diharapkan untuk penelitian selanjutnya dapat meningkatkan recognition rate yang lebih tinggi sehingga dapat meminimalkan kesalahan dalam proses pencocokan klasifikasi citra X-Ray.
DAFTAR PUSTAKA Andry
Pujiriyanto,
Cepat
Mahir
Matlab
(http://rieko.files.wordpress.com/2007/12/cepat-mahir-matlab.pdf,
diakses
tanggal 1 juni 2011) Bertalya, Prihandoko, Djati Kerami, 2008. “Penggunaan Fitur Tekstur Lokal pada Klasifikasi Citra
X-ray” Proceeding pada Seminar Ilmiah Nasional Komputer
dan Sistem Intelijen (KOMMIT), Universitas Gunadarma, Depok. Darma Putra, 2010. Pengolahan Citra Digital, ANDI, Yogyakarta. Gonzalez. R. C., R. E. Woods, & S. L. Eddins, 2004. Digital Image Processing Using MATLAB, Prentice-Hall. Nindya Nur Pratiwi, 2010. Pengklasifikasian Citra X-Ray Organ Tubuh Manusia dengan Merepresentasikan
Kontur
Menggunakan
Kode
Freeman,
Skripsi
Teknoogi
Informatika, Universitas Gunadarma, Depok. Suarga M, 2006. Algoritma Pemograman, C.V Andi Offset, Yogyakarta.
Yudi Agusta, Similarity Measure
(http:// yudiagusta.wordpress.com/2008/05/13/
similarity-measure/,diakses tanggal 20 September 2011)
