BAB 4 IMPLEMENTAS I DAN PENGUJIAN
4.1 S pesifikasi Sistem Perangkat analisis citra bioinformatika ini menggunakan perangkat keras dan perangkat lunak yang sama untuk semua pengujian.
4.1.1 S pesifikasi Perangkat Keras Spesifikasi perangkat keras yang digunakan pada pengujian perangkat analisa citra bioinformatika ini dalah sebagai berikut: Komputer PC dengan spesifikasi: •
Prosesor : Intel Pentium Dual Core 2.66
•
M emori : 1536 M B DDRII RAM
•
Hard Disk
: 250 GB, 7200 RPM
•
Graphic Card
: NVidia GT8500
•
M ouse dan keyboard
4.1.2 S pesifikasi Perangkat Lunak Perangkat lunak yang digunakan pada pengujian perangkat analisa citra bioinformatika ini adalah sebagai berikut : -
Sistem operasi : Microsoft Windows XP Professional SP-3
-
Compiler
: Microsoft Visual C# 2008 Express Edition
-
Library
: Aforge.Net
102
103
4.2 Pengujian 4.2.1 File 4.2.1.1 Open Fitur ini berfungsi untuk memasukkan citra ke dalam perangkat pengolahan citra ini.
Gambar 4.1 Layar untuk membuka citra
4.2.2 Preprocessing Pada saat menu ini diklik, maka akan muncul empat buah submenu, yaitu brightness, contrast, grayscale, dan threshold.
4.2.2.1 Brightness Pada saat submenu brightness diklik, akan muncul sebuah kotak dialog baru dengan nama FormBrightness yang berisi sebuah slider dan sebuah tombol
104
“OK”. Slider ini digunakan untuk menentukan nilai kecerahan pada citra. Slider dapat digerakkan ke kiri untuk mengurangi kecerahan pada citra dan ke kanan untuk meningkatkan kecerahan pada citra.
Gambar 4.2 Layar fitur brightness
Gambar 4.3 Pengujian fitur brightness
105
4.2.2.2 Contrast Pada saat submenu contrast diklik, akan muncul sebuah kotak dialog baru dengan nama FormContrast yang berisi sebuah slider dan sebuah tombol “OK”. Slider ini digunakan untuk menentukan nilai kekontrasan pada citra. Slider dapat digerakkan ke kiri untuk mengurangi kontras pada citra dan ke kanan untuk meningkatkan kontras pada citra.
Gambar 4.4 Layar fitur contrast
Gambar 4.5 Pengujian fitur contrast
106
4.2.2.3 Grayscale Pada saat submenu grayscale diklik, citra masukan yang berwarna akan berubah menjadi citra skala abu pada citra keluaran.
Gambar 4.6 Pengujian fitur grayscale
4.2.2.4 Threshold Pada saat submenu threshold diklik, akan muncul sebuah kotak dialog baru dengan nama FormThreshold yang berisi sebuah slider dan sebuah tombol “OK”. Slider ini digunakan untuk menentukan ambang batas yang digunakan untuk melakukan segmentasi pada citra masukan. Slider dapat digerakkan ke kiri untuk mengurangi nilai ambang batas pada citra dan ke kanan untuk meningkatkan nilai ambang batas pada citra. Citra keluaran yang dihasilkan akan menjadi citra biner yang hanya mengandung warna hitam dan putih sesuai dengan nilai ambang batas yang ditentukan.
107
Gambar 4.7 Layar fitur threshold
Gambar 4.8 Pengujian fitur threshold
108
4.2.2.5 Pembalikan (Invert) Pada saat submenu invert di klik, maka objek yang berwarna hitam akan diubah (dibalik) menjadi warna putih.
Gambar 4.9 Pengujian fitur invert
109
4.2.3 Processing Pada saat menu ini diklik, maka akan muncul tiga buah submenu, yaitu morphology, edge detection, dan noise reduction.
4.2.3.1 Morphology Pada saat menu ini diklik, maka akan muncul lima buah submenu, yaitu erosion, dilation, opening, closing, dan skeletonizing.
4.2.3.1.1 Erosion Pada saat submenu erosion diklik, maka objek pada citra keluaran yang dihasilkan akan menjadi lebih kecil karena adanya proses erosi (pengikisan dari tepi objek) terhadap objek pada citra masukan. Citra masukan dapat berupa citra kromatik (berwarna), skala abu, maupun citra biner.
Gambar 4.10 Pengujian fitur erosi
110
4.2.3.1.2 Dilation Pada saat submenu dilation diklik, maka objek pada citra keluaran yang dihasilkan akan menjadi lebih besar karena adanya proses dilasi (pengekspansian objek dari tepi-tepi objek) terhadap objek pada citra masukan. Citra masukan dapat berupa citra kromatik (berwarna), skala abu, maupun citra biner.
Gambar 4.11 Pengujian fitur dilasi
4.2.3.1.3 Opening Pada saat submenu opening diklik, maka citra keluaran yang dihasilkan akan terlihat lebih bersih dari derau-derau kecil yang berwarna putih (derau yang terjadi karena adanya partikel-partikel terang yang kecil pada latar belakang). Proses opening melakukan erosi terhadap citra masukan sehingga derau kecil dapat terkikis sempurna (tereliminasi), kemudian dilanjutkan dengan dilasi yang mengembalikan ukuran citra yang tererosi ke ukuran semula.
111
Gambar 4.12 Pengujian fitur opening
4.2.3.1.4 Closing Pada saat submenu closing diklik, maka citra keluaran yang dihasilkan akan terlihat lebih rapat karena adanya pengeliminasian derau-derau kecil yang berwarna hitam (derau yang terjadi karena adanya partikel-partikel hitam pada objek). Proses closing melakukan dilasi terhadap citra masukan sehingga lubang-lubang kecil pada objek dapat
tertutup,
kemudian
dilanjutkan
dengan
dilasi
mengembalikan ukuran citra yang tererosi ke ukuran semula.
Gambar 4.13 Pengujian fitur closing
yang
112
4.2.3.1.5 Skeletonizing Pada saat submenu skeletonizing diklik, maka citra keluaran yang dihasilkan akan terlihat seperti kerangka dari objek yang ada pada citra masukan.
Gambar 4.14 Pengujian fitur skeletonizing
4.2.3.2 Noise Reduction Pada saat menu ini diklik, maka akan muncul tiga buah submenu, yaitu mean filtering, median filtering, dan Gaussian blur.
4.2.3.2.1 Mean Filtering Pada saat submenu mean filtering diklik, maka citra keluaran yang dihasilkan akan terlihat lebih bersih dari derau yang ada pada citra masukan. Citra juga akan terlihat sedikit lebih samar daripada citra awalnya.
113
Gambar 4.15 Pengujian fitur mean filtering
4.2.3.2.2 Median Filtering Pada saat submenu median filtering diklik, maka citra keluaran yang dihasilkan akan terlihat lebih bersih dari derau yang ada pada citra masukan. Perubahan kesamaran citra yang terjadi tidak terlalu signifikan dibandingkan dengan citra keluaran yang dihasilkan oleh mean filtering.
Gambar 4.16 Pengujian fitur median filtering
114
4.2.3.2.3 Gaussian Blur Pada saat submenu Gaussian blur diklik, maka citra keluaran yang dihasilkan akan terlihat lebih bersih dari derau yang ada pada citra masukan. Citra juga akan terlihat lebih samar daripada citra awalnya.
Gambar 4.17 Pengujian fitur Gaussian blur
4.2.3.3 Edge Detection Pada saat menu ini diklik, maka akan muncul dua buah submenu, yaitu Canny dan Sobel.
4.2.3.3.1 Canny Pada saat submenu Canny diklik, maka citra keluaran yang dihasilkan akan berupa garis-garis tipis yang merepresentasikan tepian-tepian dari objek yang ada pada citra masukan.
115
Gambar 4.18 Pengujian fitur canny
4.2.3.3.2 Sobel Pada saat submenu Sobel diklik, maka citra keluaran yang dihasilkan akan berupa garis-garis yang merepresentasikan tepiantepian dari objek yang ada pada citra masukan. Garis yang dihasilkan lebih tebal daripada garis yang ada pada citra keluaran yang dihasilkan oleh proses Canny.
Gambar 4.19 Pengujian fitur sobel
116
4.2.4 Analyzing Pada saat menu ini diklik, maka akan muncul tiga buah submenu, yaitu labeling, counting, dan analyzing.
4.2.4.1 Labeling Pada saat submenu labeling diklik, maka objek-objek yang terdeteksi akan diberi nomor pada citra keluaran.
Gambar 4.20 Pengujian fitur labeling
4.2.4.2 Counting Pada saat submenu counting diklik, maka objek-objek yang terdeteksi akan diberi nomor pada citra keluaran dan akan muncul sebuah kotak dialog yang berisi informasi berupa jumlah sel yang terdeteksi pada citra masukan.
117
Gambar 4.21 Pengujian fitur counting
4.2.4.3 Classifying Pada saat submenu classifying diklik, maka akan muncul sebuah kotak dialog baru yang meminta masukan berupa lebar dan tinggi minimal. Dengan nilai masukan ini, objek-objek yang mempunyai nilai yang lebih besar dari nilai masukan akan ditampilkan.
Gambar 4.22 Pengujian fitur classfying
118
4.3 Evaluasi 4.3.1 Evaluasi Pengujian Dari hasil pengujian yang telah lakukan diatas, hasil evaluasi yang didapatkan adalah: -
Objek pada citra yang dapat dinomori adalah objek yang berwarna putih.
-
Proses pengerangkaan hanya dapat dilakukan pada objek yang berwarna putih.
4.3.2 Benchmarking Untuk dapat mengevaluasi perangkat analisis citra yang telah dibuat, maka diambillah contoh sebuah perangkat pengolahan citra yaitu ImageJ sebagai referensi. ImageJ adalah program pengolahan dan analisis citra yang ditulis dalam bahasa pemrograman Java oleh Wayne Rasband di US National Institutes of Health. Kode sumber tersedia secara bebas dari situs ImageJ. (http://imagejdocu.tudor.lu/doku.php?id =faq:general:what_is_imagej). Berikut merupakan contoh tampilan dari program ini:
Gambar 4.23 Tampilan fitur pengolahan awal citra ImageJ
119
Jika dilihat dari fitur pengolahan awal yang ada pada program ini, dapat ditarik kesimpulan bahwa fitur-fitur prapengolahan yang ada pada perangkat analisis yang telah dibuat merupakan fitur-fitur umum yang menjadi dasar dari pengolahan awal citra.
Gambar 4.24 Tampilan fitur pengolahan citra ImageJ
Jika dilihat dari fitur pengolahan yang ada pada program ini, dapat ditarik kesimpulan bahwa fitur-fitur pengolahan yang ada pada perangkat analisis yang telah dibuat merupakan fitur-fitur pengolahan yang diperlukan pada proses pengolahan citra.
120
Gambar 4.25 Tampilan fitur analisis citra ImageJ
Jika dilihat dari fitur analisis yang ada pada program ini, dapat ditarik kesimpulan bahwa fitur-fitur analisis yang ada pada perangkat analisis yang telah dibuat merupakan fiturfitur analisis yang diperlukan pada proses analisis citra.
