TESIS
DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM
PUTU DESIANA WULANING AYU NIM 1191761009
PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013
i
TESIS
DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM
Tesis untuk Memperoleh Gelar Magister Pada Program Magister, Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana
PUTU DESIANA WULANING AYU NIM 1191761009
PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013 ii
Lembar Pengesahan
TESIS INI TELAH DISETUJUI TANGGAL 6 DESEMBER 2013
Pembimbing I,
Pembimbing II,
Dr. I Ketut Gede Darma Putra, S.Kom.,MT NIP. 197404241999031003
Dr. Eng. Putu Agung Bayupati, ST.,MT NIP. 197504232003121002
Mengetahui
Ketua Program Magister Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana
Direktur Program Pascasarjana Universitas Udayana
Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D NIP. 196512131991032001
Prof. Dr. dr. A. A. Raka Sudewi, Sp.S(K) NIP. 195902151985102001
iii
Tesis ini Telah Diuji pada Tanggal 6 Desember 2013
Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana No. : , Tanggal
Ketua
: Dr. I Ketut Gede Darma Putra, S.Kom.,MT
Anggota
:
1.
Dr. Eng. Putu Agung Bayupati, ST.,MT
2.
Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D
3.
Dr. Ir. Made Sudarma, M.A.Sc
4.
Ni M.A.E. Dewi Wirastuti, ST.,M.Sc.,Ph.D
iv
UCAPAN TERIMAKASIH Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Shang Hyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahaNya tesis yang berjudul “DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM ini dapat diselesaikan. Pada kesempatan ini perkenankanlah penulis mengucapkan terima kasih yang sebesar-besarnya kepada Dr. I Ketut Gede Darma Putra, S.Kom.,MT., selaku dosen pembimbing I yang telah banyak membantu dalam memberikan ide, saran dan motivasi. Terimakasih yang sebesar-besarnya pula kepada penulis sampaikan kepada Dr. Eng. Putu Agung Bayupati, ST.,MT, selaku dosen pembimbing II yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini. Ucapan yang sama juga ditujukan kepada Direktur Program Pasca Sarjana Universitas Udayana yaitu Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K) atas kesempatan yang diberikan kepada penulis untuk dapat menjadi mahasiswa pada program Pascasarjana Universitas Udayana, serta ucapan terima kasih kepada Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D, sebagai Ketua Program Magister Program Studi Teknik Elektro Program Pasca Sarjana Universitas Udayana. Ungkapan terima kasih penulis sampaikan pula kepada para penguji tesis, yaitu Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D, Dr.Ir. Made Sudarma, M.A.Sc dan Ni Made Ary Esta Dewi Wirastuti, ST.,MSc.,Ph.D, atas saran, masukan, sanggahan dan koreksi sehingga tesis ini dapat terwujud seperti saat ini. Pada kesempatan ini penulis menyampaikan ucapan terima kasih yang tulus kepada Ayah dan Ibu yang telah membesarkan dan mengasuh penulis, seluruh anggota keluarga yang memberikan semangat dan bantuan, rekan-rekan kerja, yang telah memberikan semangat dan motivasi untuk dapat dengan segera menyelesaikan Tesis ini. Semoga Ida Shang Hyang Widhi Wasa selalu melimpahkan rahmat-Nya kepada semua pihak yang membantu pelaksanaan dan penyelesaian tesis ini.
v
ABSTRAK DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM
Salah satu analisis yang terpenting dari obsetri janin adalah pengukuran pada kepala. Pengukuran ini menghasilkan Biparetal Diameter (BPD) dan Head Circumference (HC). Kedua hasil pengukuran merupakan parameter untuk menghasilkan informasi yang berguna dalam mengevaluasi pertumbuhan usia gestasi dan perkembangannya. Melihat pentingnya hasil pengukuran, penelitian ini mencoba membangun sistem untuk mendeteksi kepala janin yang bertujuan memperoleh pengukuran BPD dan HC berdasarkan kombinasi metode. Untuk mendapatkan hasil pengukuran BPD dan HC, penelitian ini menggunakan data uji sebanyak 30 citra USG yang diperoleh dari dokter kandungan dengan format file berupa bitmap (bmp). Citra uji pada penelitian ini berada pada koordinat ruang warna RGB. Penelitian dilakukan dalam 4 tahap; tahap pertama adalah merubah citra uji ke ruang warna L*a*b, sehingga terdapat 2 jenis citra uji, yaitu citra yang berada pada komponen ruang warna RGB dan L*a*b. Tahap kedua melakukan proses filter (smooth filter) dengan menggunakan tapis low pas filter dengan kernel 3x3, tahap ketiga melakukan segmentasi berbasis klaster dengan metode Fuzzy C-Means dengan klaster minimum sebanyak 2, dan tahap keempat adalah melakukan pengujian dengan metode IRHT untuk mendapatkan best elips dari citra uji. IRHT merupakan metode pendekatan elips yang cara kerjanya bersifat iterative atau berulang untuk dapat menemukan parameter pembentuk elips. Perulangan secara acak berkaitan dengan proses iterasi dan scanning yang merupakan parameter penting untuk mendapatkan elips. Hasil pengujian terhadap segmentasi menunjukkan citra pada ruang warna RGB menghasilkan segmentasi yang lebih baik dari ruang warna L*a*b, yang ditunjukkan oleh 6 hasil segmentasi pada ruang warna L*a*b yang kurang sempurna yaitu citra 8, 11, 14, 23, 27 dan 29, tetapi dari segi waktu eksekusi ruang warna L*a*b membutuhkan waktu yang lebih singkat dengan waktu eksekusi pada L*a*b sebesar 4.3 detik dan untuk RGB sebesar 11.5 detik. Untuk akurasi pengukuran BPD, HC serta usia gestasi pada masing-masing ruang warna yaitu RGB dan L*a*b menunjukkan akurasi sebesar 79.40% dan 79.30%, kemudian HC sebesar 74.03% dan 73.61%, serta usia gestasi sebesar 82.40% dan 81.84%. Dari hasil akhir pengujian dapat disimpulkan bahwa ruang warna RGB menunjukkan unjuk kerja yang lebih baik dari ruang warna L*a*b. Kata kunci : Biparetal Diameter (BPD), Head Circumference (HC), Fuzzy C-Means, Iterative Randomized Hough Transform (IRHT), low pas filter.
vi
ABSTRACT ULTRASOUND FETAL HEAD DETECTION WITH RGB COLOR SPACE, CIEL*a*b, FUZZY C-MEANS AND ITERATIVE RANDOMIZED HOUGH TRANSFORM One of the most important analysis of fetal obsetri on the head is measurement. These measurements yield Biparetal Diameter (BPD) and Head Circumference (HC). Both results of the measurement is a parameter to generate information in evaluating the growth and development of gestational age. Therefor, this research tried to build system to detect the fetal head measurements aimed at obtaining the BPD and HC based on a combination of methods. To get the BPD and HC measurements, this research uses as many as 30 test data obtained from ultrasound images obstetrician with file formats such as bitmap (bmp). Test images in this study are in the RGB color space coordinates. The study was conducted in four stages: the first stage is to change the test images into L*a*b color space, so that there are 2 types of test images, the images are in the RGB color space components and L*a*b. The second stage filter process using a low pas filter with 3x3 kernel, the third stage of segmentation using minimum cluster as many as 2 based cluster with Fuzzy C-Means, and the fourth stage to test the method to get the best elliptical IRHT of the test images . IRHT an elliptical approach that works is iterative, or repeated in order to find the parameters of the ellipse forming. Recurrence randomly associated with the process of iteration and scanning is an important parameter to obtain an ellipse. The test results showed the clustering based image segmentation in the RGB color space better than L*a*b color space, which is shown by 6 results in the segmentation of L*a*b color space is less than perfect is the image of 8, 11, 14, 23 , 27 and 29, but in terms of execution time L*a*b color space requires a shorter time to the execution time on the L*a*b of 4.3 seconds and 11.5 seconds to RGB. For the measurement accuracy of BPD, HC and gestational age in each color space is RGB and L*a*b shows an accuracy of 79.40 % and 79.30 % , in HC shows an accuracy of 74.03 % and 73.61 % , and for gestational age shows 82.40 % and 81.84 %. Thus, concluded this research showing RGB color space have a better performance than L*a*b color space for fetal head detection. Key words : Biparetal Diameter (BPD), Head Circumference (HC), Fuzzy CMeans, Iterative Randomized Hough Transform (IRHT).
vii
DAFTAR ISI
Halaman SAMPUL DALAM ......................................................................................
i
PRASYARAT GELAR .................................................................................
ii
LEMBAR PERSETUJUAN ..........................................................................
iii
PENETAPAN PANITIA PENGUJI ..............................................................
iv
PERNYATAAN KEASLIAN PENELITIAN ................................................
v
ABSTRAK ...................................................................................................
vi
ABSTRACT .................................................................................................
vii
DAFTAR ISI ................................................................................................
viii
DAFTAR TABEL ........................................................................................
xiii
DAFTAR GAMBAR ....................................................................................
xv
DAFTAR ISTILAH ......................................................................................
xix
BAB I
PENDAHULUAN .........................................................................
1
1.1 Latar Belakang ...............................................................................
1
1.2 Rumusan Masalah ..........................................................................
5
1.3 Tujuan Penelitian............................................................................
6
1.4 Manfaat Penelitian ..........................................................................
6
1.5 Ruang Lingkup dan Batasan Masalah .............................................
6
1.6 Keaslian Penelitian .........................................................................
7
BAB II KAJIAN PUSTAKA ......................................................................
9
2.1 State Of the Art ...............................................................................
9
2.2 Medical Imaging ............................................................................
12
2.2.1 Magnetic Resonance Imaging (MRI ) ....................................
13
2.2.1.1 Prinsip Kerja MRI ...........................................................
14
2.2.1.2 Kelebihan MRI ................................................................
15
viii
2.2.3 Ultrasonography ....................................................................
15
2.2.3.1 Faktor yang mempengaruhi kualitas gambar citra USG ..............
17
2.2.3.2 Cara kerja USG ................................................................
20
2.2.3.3 Cara pengukuran Biparetal Diameter (BPD) ....................
21
2.3 Operasi Pengolahan Citra ...............................................................
24
2.4 Jenis Citra Digital ...........................................................................
25
2.5 Sistem Koordinat Warna .................................................................
27
2.5.1 Sistem koordinat warna CIE .................................................
28
2.5.2 Sistem Koordiat Warna XYZ ...............................................
28
2.6 Segmentasi Citra.............................................................................
29
2.6.1 Metode Segmentasi Berdasarkan Ruang Warna RGB ...........
29
2.6.2 Metode Segmentasi Berdasarkan Ruang Warna L*a*b..........
30
Impuls Noise.........................................................................
32
2.8 Konvolusi .......................................................................................
33
2.9 Smooth Filter..................................................................................
34
2.10 Fuzzy C-Means (FCM) ..................................................................
35
2.11 Deteksi Elips dengan Hough Transform ........................................
39
2.11.1 Menentukan titik point X1, X2,X3 ......................................
40
2.11.2 Mendapatkan persamaan garis dari masing-masing titik point 41 2.11.3 Menghitung garis intersection (X1,X2) dan (X2,X3)…… ...
41
2.11.4 Menghitung garis bisector dari titik tangent interseption .....
44
2.11.5 Mencari Semimayor dan Semiminor ...................................
43
BAB III METODELOGI PENELITIAN .....................................................
45
3.1 Tempat dan Waktu Penelitian .........................................................
45
3.2 Sumber Data ..................................................................................
45
3.2.1 Metode Pengumpulan Data ....................................................
45
3.2.2 Sumber Data ..........................................................................
45
3.2.3 Standarisasi Pengukuran BPD dan HC ...................................
47
3.3 Instrumen Penelitian .......................................................................
49
3.4 Gambar Umum Sistem ....................................................................
49
ix
3.4.1 Tahapan Proses pada Ruang Warna L*a*b .............................
52
3.4.2 Tahapan Proses Filtering .......................................................
53
3.4.3 Tahapan Proses Klasterisasi dengan Fuzzy C-Means ..............
54
3.4.4 Tahapan Deteksi Elips dengan IRHT .....................................
56
3.4.5 Kalibrasi dari Piksel ke Satuan Panjang (mm) ........................
59
3.5 Algoritma Program .........................................................................
60
3.5.1 Algoritma Ruang Warna dengan L*a*b .................................
61
3.5.2 Algoritma Smooth Filter ........................................................
62
3.5.3 Algoritma Klastering (Fuzzy C-Means) ..................................
63
3.5.4 Algoritma IRHT ....................................................................
64
3.6 Pemograman ...................................................................................
67
3.6.1 Modul Segmentasi Ruang Warna dengan L*a*b ....................
67
3.6.2 Modul Filtering .....................................................................
70
3.6.3 Modul Klastering (Fuzzy C-Means) .......................................
71
3.6.4 Modul Deteksi Elips (IRHT) ..................................................
74
3.6.5 Modul Menentukan Pengukuran BPD dan HC serta proses kalibrasi .................................................................................
78
3.7 Antarmuka Aplikasi ........................................................................
79
BAB IV HASIL DAN PEMBAHASAN .....................................................
84
4.1 Processing Sampel Citra USG ........................................................
84
4.1.1 Membagi Citra Sampel ke Dalam Ruang Warna ....................
84
4.1.1 Filterisasi Citra ......................................................................
85
4.2 Cara Pengujian Sistem Deteksi Kepala Janin ...................................
86
4.3 Hasil Pengujian Sistem Deteksi Kepala Janin ..................................
90
4.3.1 Hasil Uji Coba Antarmuka Sistem .........................................
90
4.3.2 Pengujian Segmentasi Berbasis Klastering dengan
x
Fuzzy C-Means ......................................................................
96
4.3.2.1 Pengujian Ruang Warna RGB tanpa proses Filter dengan Fuzzy C-Means………………………………..
96
4.3.2.2 Pengujian Ruang warna L*a*b tanpa proses Filter dengan Metode Fuzzy C-Means .................................
98
4.3.2.3 Hasil Segmentasi pada Kedua Ruang Warna tanpa Proses Filter Metode Fuzzy C-Means ........................ 100 4.3.2.4 Pengujian Ruang Warna RGB pada Proses Smooth Filter dengan Metode Fuzzy C-Means ....................... 102 4.3.2.5 Pengujian Ruang Warna L*a*b pada Proses Smooth Filter dengan Fuzzy C-Means ..................................... 103 4.3.2.6 Hasil Segmentasi dengan Metode Fuzzy C-Means dengan proses Smooth Filter pada 2 ruang warna ....... 106 4.3.3 Pengujian Deteksi Elips dengan menggunakan Metode IRHT Terhadap Hasil Segmentasi Berbasis Klastering ...................... 108 4.3.3.1 Pengujian Metode IRHT dengan 2 Scanning .............. 109 4.3.3.2 Pengujian Metode IRHT dengan 4 Scanning .............. 120 4.3.3.3 Pengujian Metode IRHT dengan 6 Scanning .............. 131 4.4 Analisa Hasil Pengujian................................................................... 142 4.4.1 Analisa Hasil Pengujian Segmentasi Kedua ruang warna dengan Fuzzy C-Means .......................................................... 142 4.4.2 Analisa Hasil Pengujian Deteksi Elips Berdasarkan Parameter 144 4.4.2.1 Analisa Hasil Pengujian Terhadap Kecendrungan Iterasi pada masing-masing scan .............................. 144 4.4.2.2 Analisa Hasil Perbandingan Akurasi Pengukuran ....... 147 4.4.2.3 Hasil Akurasi Usia Gestasi ......................................... 149 4.4.2.4 Hasil Deteksi Elips dengan Hasil Akurasi Tertinggi ... 150
xi
4.4.2.5 Analisa Hasil Pengukuran Terhadap Running Time .... 152 4.4.2 Analisa Perbandingan Hasil Pengujian ..................................... 154
BAB V SIMPULAN DAN SARAN .............................................................. 155 5.1 Simpulan ................................................................................................. 155 5.2 Saran....................................................................................................... 156 DAFTAR PUSTAKA………………………………………………………..
158
LAMPIRAN…………………………………………………………………
160
xii
DAFTAR TABEL Halaman Tabel 2.1
Rangkuman State of the art ............................................................. 11
Tabel 3.1
Contoh citra uji ............................................................................... 46
Tabel 3.2
Standarisasi pengukura BPD dan HC menurut Hadlock FP ............. 47
Tabel 4.1
Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi Tanpa Filtering Pada Citra Uji dengan Ruang Warna RGB ............................................................................................... 97
Tabel 4.2
Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi Tanpa Filter Pada Citra Uji dengan Ruang Warna L*a*b 98
Tabel 4.3
Hasil Segmentasi Berbasis Klaster pada Kedua Ruang Warna tanpa Filter dengan Fuzzy C-Means ......................................................... 101
Tabel 4.4
Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang Warna RGB .................................................................................... 102
Tabel 4.5
Hasil percobaan rata-rata waktu eksekusi dalam proses segmentasi dengan (Smooth Filter) pada citra uji dengan ruang warna L*a*b .................................................................................. 104
Tabel 4.6
Hasil segmentasi kedua ruang warna berbasis klaster dengan smooth filter pada Fuzzy C-Means ................................................. 106
Tabel 4.7
Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter ......................................................................... 109
Tabel 4.8
Persentase Kecendrungan Nilai Iterasi pada Parameter 2 Scanning untuk BPD ...................................................................................... 112
Tabel 4.9
Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter ......................................................................... 113
Tabel 4.10
Persentase Kecendrungan Nilai Iterasi 2 Scanning pada HC............ 115
Tabel 4.11
Perbandingan Persentase Akurasi Pengukuran BPD dan HC dalam 2 Ruang Warna dengan 2 Scanning…………………………….. 116
Tabel 4.12
Running Time Terbaik Antara 2 Ruang Warna Pada 2 Scanning ..... 119
Tabel 4.13
Persentase Akurasi Pengukuran BPD Terhadap Data Hasil
xiii
Pengukuran Dokter Pada Scanning 4 ............................................ 121 Tabel 4.14
Persentase Kecendrungan Nilai Iterasi Pada Parameter 4 Scanning Untuk BPD ..................................................................................... 122
Tabel 4.15
Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning 4............................................... 123
Tabel 4.16
Persentase Kecendrungan Nilai Iterasi pada Parameter 4 Scanning untuk HC ........................................................................................ 125
Tabel 4.17
Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan Parameter 4 Scanning ...................... 126
Tabel 4.18
Running Time Terbaik antara 2 Ruang Warna dengan 4 Scanning… 129
Tabel 4.19
Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning 6…………………………… .. 131
Tabel 4.20
Persentase Kecendrungan Nilai Iterasi pada Parameter 6 Scanning untuk Pengukuran BPD………………………………………….. .. 134
Tabel 4.21
Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter Pada Scanning 6……………………………… 135
Tabel 4.22
Persentase Kecendrungan Nilai Iterasi dengan 6 Scanning untuk Pengukuran HC………………………………………….. …. 136
Tabel 4.23
Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan Parameter 6 Scanning ..................... 137
Tabel 4.24
Running Time Terbaik antara 2 Ruang Warna pada Scanning Sebanyak 6………………………………………………………... 140
Tabel 4.25
Hasil Pengujian Terhadap Kecendrungan Nilai Iterasi pada Scanning yang Berbeda untuk Kedua Ruang Warna………………. 145
Tabel 4.26
Perbandingan Persentase Akurasi Hasil Pengujian untuk Pengukuran BPD dan HC pada 2 Ruang Warna ............................ 147
Tabel 4.27
Hasil Persentase Kedekatan Usia Gestasi antara Dokter dan Sistem ...................................................................................... 149
Tabel 4.28
Hasil Deteksi Elips Berdasarkan Parameter 6 scanning ................... 151
xiv
DAFTAR GAMBAR Halaman Gambar 2.1
MRI .......................................................................................
14
Gambar 2.2
USG 2 Dimensi......................................................................
16
Gambar 2.3
Contoh Citra USG kepala pada janin ......................................
17
Gambar 2.4
Bidang potong BPD ...............................................................
22
Gambar 2.5
Dolikhosefali Oksipito-Frontalis ............................................
23
Gambar 2.6
Alur pengolahan citra.............................................................
25
Gambar 2.7
Representasi dari ruang warna RGB .......................................
30
Gambar 2.8
Pembagian ruang warna pada CIELab ....................................
31
Gambar 2.9
Gambar Diagram chromaticity L*a*b pada kecerahan L* ......
32
Gambar 2.10
Ilustrasi proses konvolusi ......................................................
34
Gambar 2.11
Ilustrasi penentuan pusat klaster dengan Fuzzy C-Means……… 39
Gambar 2.12
Anatomi dari elips……… .....................................................
40
Gambar 2.13
Menentukan titik point X1,X2,X3 pada citra asli……… .......
41
Gambar 2.14 Menentukan kemiringan garis berdasarkan kedekatan antara piksel……… .........................................................................
41
Gambar 2.15 Garis Intersection……… .......................................................
42
Gambar 2.16 Garis Bisector……….............................................................
43
Gambar 2.17 Mendapatkan nilai tangent, bisector dan titik pusat elips ........
43
Gambar 3.1
Gambar umum sistem ............................................................
50
Gambar 3.2
Bagan proses konversi ruang warna dari RGB ke L*a*b ........
53
Gambar 3.3
Bagan Proses Filtering ...........................................................
54
Gambar 3.4
Bagan Proses Fuzzy C-Means dengan 2 ruang warna tanpa filter.......................................................................................
Gambar 3.5
55
Bagan Proses Fuzzy C-Means dengan 2 ruang warna smooth filter...........................................................................
56
Gambar 3.6
Bagan proses IRHT................................................................
57
Gambar 3.7
Bagan proses kalibrasi piksel ke satuan panjang .....................
60
Gambar 3.8
Flowchart konversi koordinat warna RGB ke L*a*b ..............
61
xv
Gambar 3.9
Flowchart smooth filter ..........................................................
62
Gambar 3.10 Flowchart Fuzzy C-Means ......................................................
64
Gambar 3.11 Flowchart IRHT.....................................................................
65
Gambar 3.11 Form Aplikasi .........................................................................
79
Gambar 4.1
Pembagian ruang warna dengan tresholding 0.4 .....................
85
Gambar 4.2
Proses filter citra uji dengan ruang warna RGB ......................
86
Gambar 4.3
Tampilam awal program saat dijalankan ................................
92
Gambar 4.4
Tampilan hasil untuk konversi RGB ke L*a*b .......................
92
Gambar 4.5
Tampilan hasil untuk proses filtering (smooth filter) RGB .....
93
Gambar 4.6
Proses filter citra uji dengan ruang warna L*a*b ...................
93
Gambar 4.7
Tampilan hasil untuk segmentasi 2 klaster pada ruang warna RGB ............................................................................
Gambar 4.8
Tampilan hasil untuk segmentasi 2 klaster pada ruang warna L*a*b ....................................................................................
Gambar 4.9
94
94
Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi ...........................
95
Gambar 4.10 Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi ..........................
95
Gambar 4.11 Grafik perbandingan waktu eksekusi hasil segmentasi klastering antara 2 ruang warna ..............................................
99
Gambar 4.12 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna ........................................................................... 100 Gambar 4.13 Grafik perbandingan pengujian waktu yang dibutuhkan dalam proses segmentasi antara citra uji RGB dengan L*a*b dengan smooth filter........................................................................... 105 Gambar 4.14 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna ........................................................................ 105 Gambar 4.15 Grafik persentase kecendrunagn iterasi pada parameter 2 scanning ................................................................................ 111
xvi
Gambar 4.16 Grafik persentase kecendrungan nilai iterasi pada parameter 2 scanning ................................................................................ 114 Gambar 4.17 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna ..................................... 117 Gambar 4.18 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna ..................................... 118 Gambar 4.19 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter terbaik ................................................... 120 Gambar 4.20 Grafik persentase kecendrungan nilai iterasi pada parameter 4 scanning untuk BPD ............................................................. 122 Gambar 4.21 Grafik persentase kecendrungan niali iterasi pada parameter 4 scanning untuk HC ................................................................ 125 Gambar 4.22 Grafik persentase hasil pengukuran BPD pada sisem terhadap dokter dalam 2 ruang warna pada scanning 4 ......................... 127 Gambar 4.23 Grafik persentase hasil pengukuran HC pada sisem terhadap dokter dalam 2 ruang warna pada scanning 4 ......................... 128 Gambar 4.24 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian 4 scanning terbaik………………………………… 130 Gambar 4.25 Grafik persentase kecendrungan nilai iterasi pada parameter 46 scanning untuk BPD ............................................................. 133 Gambar 4.26 Grafik presentase kecendrungan nilai iterasi pada parameter 6 Scanning scanning untuk HC ................................................. 136 Gambar 4.27 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna pada scanning 6 ....................... 138 Gambar 4.28 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna pada scanning 6 ........................ 139 Gambar 4.29 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian 6 scanning terbaik………………………………… 141 Gambar 4.30 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap kecendrungan iterasi pada 2 ruang warna ................. 146
xvii
Gambar 4.31 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap 2 ruang warna .......................................................... 148 Gambar 4.32 Running time proses pada pengujian terhadap parameter scann 153
xviii
DAFTAR ISTILAH
Anterior
: anatomi struktur bagian depan.
Biparetel Diameter
: merupakan jarak dari margin luar kepala ke margin bagian dalam kepala, dan diukur sebagai jarak antara dua endpoint yang ditandai secara manual pada kepala janin.
Caliper Cavum septum pellusidum
: jarak antar kedua titik sumbu berdasarkan sumbu terpanjang. : menggambarkan septum pellucidum yang memiliki pemisahan antara dua leaflet (septum lamina).
Clustering
:
Coefficient of determintation
: besarnya variance dari satu variable yang merupakan andil dari variable lain.
Computed tomography
: adalah sebuah metode penggambaran medis menggunakan tomografi di mana pemrosesan geometri digunakan untuk menghasilkan sebuah gambar tiga dimensi bagian dalam sebuah objek.
Coronal
: bidang yang membagi tubuh menjadi 2 sisi depan dan belakang.
Endoscopy
: adalah alat untuk meneropong organorgan dalam tubuh manusia tanpa sayatan dengan alat berbentuk tabung yang dimasukkan ke dalam tubuh manusia.
Endpoint
: titik pusat pada satu gambar.
Euclidean distance
: metrika persamaan untuk menghitung kesamaan 2 vektor.
proses mengelompokkan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster.
xix
Fetus
: adalah mamalia yang berkembang setelah fase embrio dan sebelum kelahiran atau pada manusia dapat disebut juga dengan janin.
Fuzzy C-Means
: teknik pengklasteran data yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan.
Gain
: penguatan sinyal mengkonvensasi atenuasi perambatan ultrasound dalam jaringan maka pada alat USG.
Gestasi
: periode waktu bayi berada di dalam rahim dimana periode yang dipelukan antara 38 dan 42 minggu (dihitung dari hari pertama menstruasi terakhir atau HPMT).
Ginekologi
: spesialisasi medis yang berhubungan dengan perawatan kesehatan bagi perempuan, khususnya diagnosis dan pengobatan gangguan yang memengaruhi perempuan.
Head Circumference
: keliling kepala luar, dan secara manual diukur dengan menelusuri kepala janin
Hidrosefaelus
: kelainan yang terjadi pada kepala fetus dimana terjadi penimbunan cairan otak yang diikuti pembesaran sistem ventrikel.
Intrakranial
: bagian atau susunan dari bagian kepala fetus, seperti septi cavum pellucidi, falx thalabi.
Image segmentation
: membagi suatu citra menjadi wilayahwilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel tetangganya, kemudian hasil dari proses segmentasi ini akan digunakan untuk proses tingkat
xx
tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra. Imaging Diagnostic
: suatu cara untuk menghasilkan gambar atau citra organ bagian dalam tubuh manusia dengan menggunakan suatu peralatan dan hasil gambaran itu digunakan dokter untuk mendiagnosa suatu penyakit
Iterative Random Hough Transform : teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batasbatasnya dengan mengulang-ulang sesuai dengan banyaknya iterasi sampai mendaptkan hasil yang baik. K-Means
: metode klasifikasi tak terawasi (unsupervised) yang membagi data ke dalam satu atau lebih cluster atau kelompok.
Local image feature
: jarak piksel ketetanggaan.
Muskulosketal
: sistem kompleks yang melibatkan otototot dan kerangka tubuh, dan termasuk sendi, ligamen, tendon, dan saraf.
Perfusi
: aliran darah melalui sirkulasi pulmonal (darah dipompa ke paru-paru oleh ventrikel kanan melalui arteri pulmonal) atau pengisian kapiler pulmonal dengan darah.
Posterior
: anatomi struktur bagian belakang.
Random Hough Transform
: teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batasbatasnya.
Sagital aksis
: aksis sagital berjalan dari permukaan belakang ke permukaan depan tubuh melalui titik perpotongan dan tegak lurus kedua aksis lainnya. xxi
Sonografi Obsestri
Spalding sign
Thalamus
:
teknik diagnostik pencitraan menggunakan suara ultra yang digunakan untuk mencitrakan organ internal dan otot, ukuran mereka, struktur, dan luka patologi yang biasa digunakan ketika masa kehamilan. : tumpang-tindihnya dan angulasi tulangtulang cranial merupakan akibat-lanjutan dari menyusutnya otak dan kolapsnya tengkorak. : merupakan struktur yang terdapat pada pusat otak dan berfungsi menyampaikan dan menerima pesan ke dan dari bagian lain otak terletak pada korteks serebral dan otak tengah.
Tonjolan ekstremitas
: tonjolan yang terjadi pada janin yang terbentuk pada trimester 1, biasanya tonjolan ini merupakan cikal bakal terbentuknya tangan atau kaki pada janin.
Transduser
: komponen USG yang ditempelkan pada bagian tubuh yang akan diperiksa, seperti dinding perut yang didalamnya dapat mengubah gelombang akuistik menjadi gelombang elektronik yang dapat dibaca oleh komputer sehingga dapat diterjemahkan dalam bentuk gambar.
Trimester
: periode waktu kehamilan yang masingmasing terdiri dari 3 bulan.
Ventrikel
: ruang jantung yang bertanggung jawab untuk memompa darah ke seluruh tubuh.
Ventrikel Lateral
: jarak antar kedua titik sumbu berdasarkan sumbu terpanjang suatu rongga sempit di garis tengah yang berbentuk corong unilokuler, letaknya di tengah kepala, ditengah korpus kalosum.
X-ray
: cara atau treatment yang paling tua dan sering digunakan untuk pencitraan medis. X-Ray tulang digunakan untuk pencitraan
xxii
tulang dalam tubuh, meliputi tangan, pergelangan tangan, lengan, kaki, pergelangan kaki, lutut ataupun paha.
xxiii
BAB I PENDAHULUAN
1.1
Latar Belakang Ultrasonografi (USG) merupakan salah satu imaging diagnostic yang
digunakan untuk pemeriksaan keadaan alat-alat vital dalam tubuh manusia, dengan USG dapat dipelajari bentuk, ukuran anatomis, gerakan serta hubungan dengan jaringan di sekitarnya (Mose dkk, 2004). Pada umumnya pemeriksaan dengan USG bersifat non-invansif, tidak menimbulkan rasa sakit pada penderita, dapat dilakukan dengan cepat dan cukup aman jika dilakukan dengan standarisasi yang ada (Endjun, 2011). Penggunaan USG dalam dunia kesehatan dikenal juga dengan istilah sonografi obsetri, dilakukan pada kehamilan yang bertujuan untuk mengetahui anatomi janin. Pemeriksaan anatomi janin merupakan bagian dari standar pemeriksaan ultrasonografi obsetri yang dilakukan untuk mengidentifikasi organ internal utama janin. Pemeriksaan ini terbagi menjadi beberapa bagian yang disebut dengan trimester. Pada trimester I, pemeriksaan anatomi janin sangat terbatas, dikarenakan ukuran embrio dan janin masih kecil. Pada akhir trimester I dapat dikenali kepala, badan, tonjolan ekstremitas dan denyut jantung (Mose, 2011). Salah satu hasil pemeriksaan sonografi obsetri yang didapatkan pada trimester II dan III adalah kepala. Kepala pada janin umumnya kepala berbentuk oval, bulat (brachcephaly) dan elips (dolichocephaly), serta memiliki ukuran yang berbeda-beda sesuai dengan umur atau gestasi janin itu sendiri. 1
Untuk
2
menemukan ukuran kepala pada janin dilakukan proses perekaman oleh transduser yang dilakukan oleh dokter atau ahli medis, hasil dari perekaman kepala yang baik jika kepala terdeteksi mendekati bentuk seperti bola rugby atau elips, dengan bentuk lebih bundar pada daerah posterior dan lebih lancip pada daerah anterior (Endjun, 2011). Pengukuran pada kepala janin bertujuan untuk mengetahui kondisi perkembangan lebih dini dari janin, diantaranya adalah untuk mengetahui perkembangan kondisi janin apakah berada dalam kondisi normal atau abnormal, dikatakan abnormal jika ukuran biparetal diameter berada pada ukuran lebih dari 110 mm, (Mose, 2004). Dengan mengetahui lebih dini adanya ukuran kepala yang abnormal, maka dapat dilakukan pemeriksaan lebih lanjut untuk mengetahui terjadinya kelainan yang dapat terjadi pada janin seperti hidrosefaelus. Hasil pengukuran kepala tidak hanya menghasilkan informasi kelainan pada janin, tetapi dapat memberikan informasi mengenai umur kehamilan dan berat janin dengan mengkombinasikan pengukuran-pengukuran lainnya seperti pemeriksaan kondisi ventrikel dan fossa posterior, tulang punggung dan lingkar perut. Pengukuran kepala janin terdiri dari dua bagian yaitu Biparetal Diameter (BPD) dan Head Circumference (HC). BPD merupakan jarak dari margin luar kepala ke margin bagian dalam kepala dan diukur sebagai jarak antara dua endpoint yang ditandai secara manual. Sedangkan HC adalah keliling kepala luar, dan secara manual diukur dengan menelusuri kepala janin (Willocks, 1964). Sampai saat ini ahli medis melakukan pengukuran BPD masih secara manual, yaitu dengan menempatkan kapiler dan menarik garis tegak lurus pada
3
garis tengah dan potongan terbesar dari hasil perekaman oleh transduser. Sedangkan untuk memperoleh HC dilakukan dengan meletakkan kapiler pertama di anterior tepat diujung garis tengah kepala, kapiler ke dua diletakkan tepat diujung posterior garis tengah kepala, kemudian tombol set atau enter ditekan sehingga ukuran BPD, HC dan usia gestasi dapat ditampilkan pada citra USG. Melihat pentingnya hasil dari pengukuran kepala janin terhadap hasil BPD, HC dan usia gestasi yang merupakan komponen dasar untuk menghasilkan informasi yang dibutuhkan dalam mendiagnosa kondisi janin. Dengan melihat kondisi diatas beberapa model penelitian telah dikembangkan untuk menentukan ukuran BPD dan HC dengan menerapkan metode-metode untuk dapat menghasilkan pengukuran secara otomatis dan mendekati kenyataan. (Yufei Shen, 2009) dalam penelitiannya menjelaskan, untuk mendapatkan hasil pengukuran BPD dan HC pada citra USG, diperlukan gambar bentuk kepala yang cukup sempurna pada citra USG. Untuk dapat menentukan batas yang dianggap sebagai lingkar kepala dengan jelas, maka diperlukan teknik untuk memisahkan background dan objek lingkar kepala. Salah satu teknik adalah dengan menerapkan segmentasi citra dan pendekatan elips. Penelitian terkait untuk pengukuran BPD dan HC pada kepala janin dintaranya adalah We Lu (2008) dengan metode segmentasi berupa klasterisasi pikses berdasarkan nilai keabuan menggunakan K-Means serta metode IRHT untuk mendeteksi BPD dan HC pada janin. Yufei Shei (2009) melakukan penelitian dengan menerapkan metode segmentasi berupa adaptive tresholding
4
dan edge thinning serta IRHT sebagai deteksi elips. Dwi Puspitasari (2010) mengembangkan metode Fuzzy C-Means berdasarkan informasi spasial ketetanggan antar piksel serta IRHT. Untuk proses segmentasi, pada penelitian ini mencoba menggunakan metode segmentasi berbasis klastering yaitu Fuzzy C-Means dimana citra pada data uji dibagi berdasarkan koordinat ruang warna. Koordinat ruang warna dalam penelitian ini terdiri dari dua bagian, yaitu koordinat ruang warna RGB (koordinat warna citra uji) dan koordinat ruang warna L*a*b. RGB (Red, Green, Blue ) menampilkan citra dalam 3 komponen warna yaitu merah, hijau dan biru, disebut juga sebagai “additive primaries” karena warna citra pada ruang warna RGB didapat dari kombinasi dari ketiga komponen warna (Wei dan Ying, 2005). L*a*b lebih dikenal dengan ruang warna CIEL*a*b dimana L didefinisikan sebagai lightness, sedangkan a dan b mewakili jumlah warna dalam citra (Seema Banzal, 2011). Metode segmentasi ini sudah dilakukan diantaranya oleh Anil Z (2010) segmentasi citra satelit dengan metode ruang warna CIEL*a*b dan K-Means, Seema Bansal (2011) menggunakan metode ruang warna CIELab dan Ant Colony terhadap citra berwarna. Sedangkan Fuzzy C-Means adalah suatu teknik pengklasteran data yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan (Bezdek, 1981). Metode segmentasi ini diharapkan dapat menghasilkan segmentasi yang akan digunakan sebagai citra input dalam proses deteksi elips selanjutnya.
5
Metode pendekatan untuk mendeteksi lingkar kepala adalah dengan metode deteksi elips. Algoritma deteksi elips terus mengalami perkembangan dimulai dari Randomize Hough Transform (RHT). Kelebihan dari RHT adalah penyimpanan kecil, kecepatan tinggi, akurasi baik. Akan tetapi RHT gagal mendeteksi kurva pada gambar yang memiliki noise tinggi dan tidak lengkap. Dikarenakan semua piksel tetap diperhitungkan dalam pemilihan sampling, termasuk noise (Xu dan Oja E, 1990). Selanjutnya (WeiLu, 2008) memperkenalkan Iterative Randomized Hough Transform (IRHT) untuk mendeteksi elips. IRHT melakukan pencarian kurva dikurangi secara iterative berdasarkan kemungkinan elips terbaik yang ditemukan, sehingga noise akan dikeluarkan dari daerah yang diinginkan. IRHT dapat mendeteksi elips yang tidak lengkap dengan banyak noise sehingga mampu untuk menghasilkan kekurangan kesalahan deteksi. Dengan menerapkan beberapa metode yang telah dijabarkan di atas, diharapkan penelitian ini dapat menghasilkan sistem pengukuran BPD, HC dan usia gestasi dengan parameter pembanding dari hasil pengukuran BPD, HC dan usia gestasi yang dilakukan oleh dokter, serta unjuk kerja dari beberapa metode yang digunakan dalam proses pembuatan sistem. 1.2
Rumusan Masalah Berdasarkan latar belakang di atas, maka dapat dirumuskan permasalahan
yang dijabarkan sebagai berikut : 1. Bagaimana unjuk kerja ruang warna dalam segmentasi citra USG dengan Fuzzy C-Means.
6
2. Bagaimana untuk kerja ruang warna terhadap IRHT dalam deteksi elips. 1.3
Tujuan penelitian Tujuan yang diharapkan dari hasil penelitian ini adalah sebagai berikut : 1. Untuk mengetahui unjuk kerja ruang warna dalam segmentasi citra USG dengan Fuzzy C-Means. 2. Untuk mengetahui unjuk kerja Iterative Random Hough Transform (IRHT) dalam melakukan deteksi elips terhadap ruang warna.
1.4
Manfaat Penelitian Hasil dari penelitian ini diharapkan memberikan manfaat sebagai berikut : 1. Dapat menghasilkan kombinasi metode untuk segmentasi berbasis klastering khususnya pada objek citra USG kepala janin. 2. Menghasilkan sistem deteksi untuk pengukuran BPD dan HC pada kepala janin khususnya untuk citra USG.
1.5 Ruang Lingkup Penelitian Dalam penelitian ini dibatasi oleh beberapa ruang lingkup sebagai berikut : 1. Pada proses akuisisi citra, data uji dipilih secara acak dengan usia kandungan 14 - 32 minggu, data uji diperoleh secara langsung berupa file gambar USG yang disimpan dalam bentuk file dengan format bitmap (bmp) . 2. Data uji yang digunakan berasal dari dokter spesialis kandungan yaitu Dr I Made Suka Antara SpOg, Dr. I Made Winarta SpOg yang masingmasing dokter bertugas pada klinik bersalin.
7
3. Hasil akhir dari penelitian ini hanya mendapatkan persentase akurasi hasil pengukuran BPD, HC serta usia gestasi yang dihasilkan sistem terhadap data pengukuran dari ahli medis. 4. Penelitian ini menggunakan MATLAB 7.12 untuk keseluruhan proses dalam menghasilkan BPD, HC serta usia gestasi. 5. Pada proses penentuan elips terbaik, dilakukan dengan pengamatan elips yang terbentuk terhadap gambar asli secara visual (elips yang dihasilkan oleh sistem menutupi hasil segmentasi atau skleton (maksimal berada di margin terluar dari segmentasi gambar). 6.
Nilai parameter untuk scanning dan iterasi dibatasi dengan pengujian pada scanning ke-2, 4 dan 6, kemudian untuk iterasi dimulai dengan 50, 100, 150, 175 dan 200.
1.6.
Keaslian Penelitian Penelitian dengan judul Detection Of Incomplete Ellipse In Images With
Strong Noise By Iterative Randomized Hough Transform (IRHT) telah melakukan penelitian berkaitan dengan deteksi kepala serta pengukuran BPD dan HC dengan menggunakan metode IRHT dengan segmentasi berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means (Lu dan Jinglu, 2008). Penelitian yang berjudul Fetal Skull Analysis in Ultrasound Images Based on Iterative Random Hough Transform, melakukan analisis untuk mencari BPD dan HC pada gambar USG kepala janin. Algoritma yang digunakan adalah IRHT pada proses pendeteksian elips. Untuk segmentasi dilakukan dengan proses
8
adaptive tresholding, dan kemudian dilanjutkan proses thinning untuk memperhalus kontur elips yang diinginkan (Yufei, 2009). Dalam penelitian yang berjudul Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means dengan Informasi Spasial dan IRHT untuk menemukan BPD dan HC (Puspitasari, 2010). Penelitian yang berjudul Color Image Segmentation using CIELab Color Space using Ant Colony Optimization (Seema Bansal, 2011) melakukan pengujian segmentasi berdasarkan metode CIELab dan optimasi klaster menggunakan Ant Colony terhadap citra berwarna acak untuk menentukan MSE (Mean Square error). Penelitian selanjutnya adalah Segmentasi Berbasis Warna pada Citra Termografi Kanker Payudara Menggunakan Ruang Warna L*a*b (Octa Heriana, 2010). Dari beberapa penelitian diatas, metode segmentasi yang dapat dilakukan pada citra USG bermacam-macam, oleh karena itu penelitian ini akan menggabungkan metode segmentasi berdasarkan ruang warna CIE L*a*b dengan kombinasi metode klasterisasi Fuzzy C-Means untuk mengetahui sejauh mana performansi yang dihasilkan, sehingga dapat memberikan kontribusi sebagai citra input dalam deteksi elips dan sejauh mana dapat memberikan hasil pengukuran BPD dan HC yang maksimal.
BAB II KAJIAN PUSTAKA 2.1
State of Art Review Pada jurnal penelitian Detection of in complete elips in images with strong
noise by Iterative Random Hough Transform (IRHT) menyatakan model dari metode penelitian yang digunakan dapat menghasilkan pengukuran diameter biparietal (BPD) dan lingkar kepala (HC), dimana metode tersebut adalah dengan dengan menggunakan metode IRHT dan segmentasi berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means, serta penghalusan dengan metode thinning. Metode tersebut mampu mendeteksi elips. Akan tetapi pada beberapa gambar dengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi (Lu dan Jinglu, 2008). Dalam jurnal penelitian berjudul Fetal Skull Analysis in Ultrasound Images Based on Iterative Randomized Hough Transform oleh Yufei Shen pada tahun 2009 menggunakan metode segmentasi berupa adaptive thersholding serta edge thinning. Untuk deteksi elips yang menggunakan 2 pengujian metode yaitu RHT dan IRHT, dimana motode IRHT dalam menghasilkan deteksi elips lebih baik walaupun dengan citra input segmentasi yang memiliki bentuk lingkaran kurang lengkap. Pada jurnal penelitian Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT), metode eksekusi dalam segmentasi menggunakan metode Fuzzy C-Means dengan informasi spasial dimana waktu 9
10
eksekusi yang diperlukan jauh lebih lama dibandingkan menggunakan metode Kmeans. Akan tetapi hasil segmentasi menggunakan metode Fuzzy C-Means dengan informasi spasial lebih baik dibandingkan menggunakan metode K-means, dari 8 citra uji terdapat 4 citra dengan persentase keberhasilan sebesar 30 % sedangkan 3 citra lainnnya pada 70-80 % dan 1 citra dengan persentase keberhasilan sebesar 100 %. Terlihat dari jumlah partisi daerah objek pada gambar hasil segmentasi menggunakan metode Fuzzy C-Means dengan informasi spasial yang lebih sedikit dibandingkan dengan gambar hasil segmentasi menggunakan metode K-means. Hal ini dikarenakan proses klasterisasi piksel tidak hanya berdasarkan nilai keabuan saja, akan tetapi juga mempertimbangkan nilai keabuan serta jarak ketetanggaan dari masing masing piksel (Puspitasari, 2010). Dalam penelitian yang dilakukan Octa Heriana pada tahun 2011 dengan judul Segmentasi Berbasis Warna pada citra Termografi Kanker Payudara menggunakan Ruang warna L*a*b, melakukan segmentasi pada hasil pencitraan kamera infra merah (termografi) payudara yang diduga terjangkit kanker. Metode yang digunakan adalah dengan pemisahan ruang warna (color space) L*a*b, dimana hasil dari segmentasi ini mampu menunjukkan perkiraan lokasi kanker pada payudara, serta bentuk dan batas-batas pertumbuhannya. Pada jurnal penelitian Color Image Segmentation using CIELab Color Space using Ant Colony Optimization oleh Seema Banzal pada tahun 2011, menjelaskan segmentasi berdasarkan ruang warna dengan metode CIELab dan klasterisasi menggunakan optimasi algoritma Ant Colony menunjukkan jumlah
11
klaster yang dihasilkan dan jarak ketergantungan antar piksel (Euclidean distance) antara hasil segmentasi terhadap CMC sangat bervariasi tergantung dari banyaknya jumlah komponen warna yang terdapat dalam citra, dengan segmentasi CIELab representasi pembagian warna pada setiap klaster terlihat semakin baik, sehingga semakin banyak klaster yang dihasilkan maka waktu yang dibutuhkan untuk menghitung jarak ketetanggan antar piksel pada setiap klaster akan membutuhkan waktu yang lebih lama. Tabel 2.1 Rangkuman State Of The Art No 1.
2.
3.
Judul Detection of in complete ellips in images with strong noise by Iterative Random Hough Transform (IRHT) Fetal Skull Analysis in Ultrasound Images Based on Iterative Random Hough Transform
Penulis
Metode
Deskripsi Hasil
Lu, W., Jinglu K-Means, Tan, 2008 RHT& IRHT
Metode tersebut mampu mendeteksi elips dengan baik. Akan tetapi pada beberapa gambardengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi
Yufei Shen, 2009
Adaptive tresholdin g, thinning, RHT, IRHT
Deteksi Kepala Dwi Janin Pada Puspitasari, Gambar USG 2010 Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform
K-Means, FCM informasi spasial, dan IRHT
Melakukan komparasi untuk deteksi elips menggunakan RHT dan IRHT,dari keakuratan perhitungan sudut rotasi dan tingkat persentasi keakuratan hasil deteksi elips yang didapatkan Melakukan komparasi metode segmentasi antara K-Means dan FCM informasi spasial,dimana dari segi waktu menemukan hasil segmentasi, K-Means memiliki eksekusi waktu yang lebih cepat dibanding FCM spasial, dikarenakan adanya perhitunganmatrik ketetanggaan.
12
Lanjutan Tabel 2.1 Rangkuman State Of The Art No 4.
5.
2.2
Judul Segmentasi Berbasis Warna pada citra Termografi Kanker Payudara menggunakan Ruang warna L*a*b Color Image Segmentation using CIELab Color Space using Ant Colony Optimization
Penulis
Metode
Deskripsi Hasil
Octa Heriana, 2011
Segmentasi Ruang warna L*a*b
Mampu menunjukkan perkiraan lokasi kanker pada payudara serta bentuk dan batasan pertumbuhannya.
Seema Banzal, 2011
CIELab dan Melakukan uji coba Ant colony terhadap citra warna optimization acak, dimana dengan L*a*b mampu mensegmentasi citra menjadi beberapa klaster yang diinginkan.
Medical Imaging Medical imaging adalah teknik atau proses untuk mendapatkan gambar
tubuh khususnya gambar bagian dalam tubuh untuk keperluan medis. Medical imaging dilakukan diantaranya untuk mengetahui bentuk dan fungsi organ tubuh, sebaran zat tertentu dan perubahan metabolisme di dalam tubuh (TI Telkom, 2011). Medical imaging merupakan komponen penting di berbagai bidang penelitian biomedis dan praktek klinis. Tujuan Medical Imaging antara lain : 1.
Untuk mengembangkan metode komputasi dan Algoritma untuk menganalisis dan menghitung data biomedis.
2.
Untuk berkolaborasi dengan peneliti NIH di pusat penelitian lain dalam menerapkan analisis informasi dan visualisasi untuk masalah biomedis.
13
3.
Untuk mengembangkan alat (baik hardware ataupun software) yang memiliki kemampuan untuk menganalisa data biomedis serta mendukung penemuan dan kemajuan biomedis.
Beberapa medical imaging yang saat ini digunakan adalah sebagai berikut : 1. Magnetic Resonance Imaging (MRI ) 2. X-Ray 3. Ultrasonography ( USG ) 4. Endoscopy 5. Computed Tomography (CT – Scan) 2.2.1 Magnetic Resonance Imaging (MRI ) Magnetic Resonance Imaging (MRI) adalah suatu alat diagnostik muthakhir untuk memeriksa dan mendeteksi tubuh dengan menggunakan medan magnet yang besar dan gelombang frekuensi radio, tanpa operasi, penggunaan sinar X, ataupun bahan radioaktif (IT Telkom, 2011). Dapat menghasilkan rekaman gambar potongan penampang tubuh
atau organ manusia dengan
menggunakan medan magnet berkekuatan antara 0,064 – 1,5 tesla (1 tesla = 1000 Gauss) dan resonansi getaran terhadap inti atom hidrogen. MRI merupakan metode rutin yang dipakai dalam diagnosis medis karena hasilnya yang sangat akurat. Tehnik penggambaran MRI relatif kompleks karena gambar yang dihasilkan tergantung pada penggunaan beberapa parameter. MRI memiliki kemampuan membuat gambaran potongan coronal, sagital, aksial dan oblik tanpa banyak memanipulasi tubuh pasien apabila pemilihan parameternya tepat
14
sehingga kualitas gambaran detail tubuh manusia akan tampak jelas dan anatomi dan patologi jaringan tubuh dapat dievaluasi secara teliti (IT Telkom, 2011).
Gambar 2.1 MRI (IT Telkom, 2011)
2.2.1.1 Prinsip Kerja MRI Struktur atom hidrogen dalam tubuh manusia saat diluar medan magnet mempunyai arah yang acak dan tidak membentuk keseimbangan. Kemudian saat diletakkan dalam alat MRI (gantry), maka atom H akan sejajar dengan arah medan magnet . Demikian juga arah spinning dan precessing akan sejajar dengan arah medan magnet. Saat diberikan frequensi radio, maka atom H akan mengabsorpsi
energi
dari
frequensi
radio
tersebut.
Akibatnya
dengan
bertambahnya energi, atom H akan mengalami pembelokan, sedangkan besarnya pembelokan arah, dipengaruhi oleh besar dan lamanya energi radio frequensi yang diberikan. Saat radio frequensi dihentikan maka atom H akan sejajar kembali dengan arah medan magnet . Pada saat kembali inilah atom H akan memancarkan energi yang dimilikinya. Kemudian energi yang berupa sinyal tersebut dideteksi
15
dengan detektor yang khusus dan diperkuat. Selanjutnya komputer akan mengolah dan merekonstruksi citra berdasarkan sinyal. 2.2.1.2 Kelebihan MRI Adapun beberapa kelebihan MRI sebagai media perekaman jaringan dalam tubuh adalah sebagai berikut : 1.
MRI lebih unggul untuk mendeteksi beberapa kelainan pada jaringan lunak seperti otak, sumsum tulang serta muskuloskeletal.
2.
Mampu memberi gambaran detail anatomi dengan lebih jelas.
3.
Mampu melakukan pemeriksaan fungsional seperti pemeriksaan difusi, perfusi dan spektroskopi yang tidak dapat dilakukan dengan CT-Scan.
4.
Mampu membuat gambaran potongan melintang, tegak, dan miring tanpa merubah posisi pasien.
5.
MRI tidak menggunakan radiasi pengion.
2.2.3 Ultrasonography (USG) USG adalah suatu alat dalam dunia kedokteran yang memanfaatkan gelombang ultrasonik, yaitu gelombang suara yang memiliki frekuensi yang tinggi (250 kHz - 2000 kHz) yang kemudian hasilnya ditampilkan dalam layar monitor (Effendi, 2011). Ultrasonografi medis (sonografi) adalah sebuah teknik diagnostik pencitraan menggunakan suara ultra yang digunakan untuk mencitrakan organ internal dan otot, ukuran, struktur, dan luka patologi teknik ini berguna untuk memeriksa organ (Effendi, 2011). Sonografi obstetrik biasa digunakan ketika masa kehamilan. Pilihan frekuensi menentukan resolusi gambar dan penembusan ke dalam tubuh pasien. Diagnostik sonografi umumnya beroperasi pada frekuensi
16
dari 2 sampai 13 megahertz. Sedangkan dalam fisika istilah "suara ultra" termasuk ke seluruh energi akustik dengan sebuah frekuensi di atas pendengaran manusia (20.000 Hertz), penggunaan umumnya dalam penggambaran medis melibatkan sekelompok frekuensi yang ratusan kali lebih tinggi. Ultrasonografi atau yang lebih dikenal dengan singkatan USG digunakan luas dalam medis. Pelaksanaan prosedur diagnosis atau terapi dapat dilakukan dengan bantuan ultrasonografi (misalnya untuk biopsi atau pengeluaran cairan). Biasanya menggunakan probe yang digenggam yang diletakkan di atas pasien dan digerakkan: gel berair memastikan penyerasian antara pasien dan probe. Dalam kasus kehamilan, Ultrasonografi (USG) digunakan oleh dokter spesialis kedokteran (DSOG) untuk memperkirakan usia kandungan dan memperkirakan hari persalinan. Dalam dunia kedokteran secara luas, alat USG (ultrasonografi) digunakan sebagai alat bantu untuk melakukan diagnosa atas bagian tubuh yang terbangun dari cairan.
Gambar 2.2 USG 2 Dimensi Transduser adalah komponen USG yang ditempelkan pada bagian tubuh yang akan diperiksa, seperti dinding perut atau dinding poros usus besar pada pemeriksaan prostat. Di dalam transduser terdapat kristal yang digunakan untuk
17
menangkap pantulan gelombang yang disalurkan oleh transduser. Gelombang yang diterima masih dalam bentuk gelombang akusitik (gelombang pantulan) sehingga fungsi kristal disini adalah untuk mengubah gelombang tersebut menjadi gelombang elektronik yang dapat dibaca oleh komputer sehingga dapat diterjemahkan dalam bentuk gambar.
(a)
(b)
(c)
Gambar 2.3 Contoh citra USG kepala pada janin 2.2.3.1 Faktor Yang Mempengaruhi Kualitas Gambar Pada Citra USG Kualitas suatu gambar pada atau hasil pada USG di pengaruhi oleh beberapa faktor, diantaranya faktor individu dan faktor yang terjadi pada mesin USG itu sendiri. 1.
Faktor individu terbagi menjadi 2, sebagai berikut :
a.
Operator Operator merupakan seorang ahli yang sudah mendapatkan serifikasi
kompetensi bidang USG Dasar Obstetri dan Ginekologi, operator sangat berperan dalam menghasilkan kualitas gambar yang baik, dalam arti hasilnya dapat dilihat dengan jelas dengan kasat mata oleh seorang pasien. Perekaman objek yang
18
diinginkan harus dicari dengan akurat dan benar oleh operator. Seorang operator juga harus memahami bagaimana meletakkan transduser sehingga dapat memperoleh gambar yang baik menjalankan mesin alat USG, sehingga dapat mengatur kualitas hasil dari sebuah gambar (Endjun, 2007). b.
Pasien Pasien juga menentukan kualitas perekaman objek yang diinginkan
melalui alat USG. Kondisi pasien seperti obesitas atau adanya lemak berlebih di sekitar perut dapat menyebabkan perekaman menjadi kurang jelas. Kemudian faktor lain adalah janin itu sendiri, misalkan saja perekaman terjadi pada saat bayi sedang bergerak, sehingga bagian yang ingin direkam menjadi kabur atau kurang jelas (Endjun, 2007). 2.
Faktor Alat USG Untuk mendapatkan hasil perekaman yang baik, perlu diperhatikan
beberapa hal sebagai berikut (Endjun, 2007): a.
Untuk mendapatkan ketajaman gambar, hal yang harus diatur adalah
fokus. Fokus dapat diatur melalui mesin USG oleh operator, fokus ditempatkan pada daerah yang akan diamati. Semakin banyak fokus yang digunakan, semakin banyak energi yang dipakai, sehingga gambar USG semakin tidak tegas. Untuk penggunaan fokus pada pemeriksaan, khusus untuk
jantung janin hanya
dipergunakan satu fokus, sedangkan untuk organ lainnya cukup dua buah fokus. b.
Ketajaman gambar dipengaruhi oleh resolusi aksial dan lateral, resolusi
aksial adalah kemampuan untuk membedakan dua titik pada daerah yang tegak
19
lurus dengan transduser. Resolusi lateral adalah kemampuan untuk membedakan dua titik pada daerah horizontal (lateral) terhadap transduser. c.
Transduser Pemakaian transduser yang tepat. Pada transduser terdapat panel control
terdapat beberapa pengaturan, yaitu pengaturan gain dan fokus agar gambar yang dihasilkan optimal. Pemakaian gain yang terlalu tinggi atau terlalu rendah akan membuat gambar sulit dievaluasi dengan benar. Pengukuran harus menggunakan caliper yang bentuk dan ukurannya pas dengan organ atau struktur yang akan diukur. d.
Artefak Artefak yang sering terjadi pada pemeriksaan USG ada beberapa macam,
diantaranya : 1.
Reverberasi
Reverberasi berupa gambaran gema yang tersusun berlapis-lapis sejajar. Hal ini di sebabkan gema suara-ultra terpantul berulang-ulang antara transduser dan suatu reflektor yang kuat. 2.
Refraksi
Refraksi terjadi oleh karena adanya reflector yang kuat yang bertindak sebagai refracting boundary dari suara yang dating sehingga suatu benda tidak pada tempat yang sebenarnya. Contohnya gambaran double image pada tulang kepala yang menyerupai spalding sign.
20
3.
Multipath
Multipath terjadi karena suara yang berulang oleh setidaknya dua reflector akan menyebabkan terlihatnya suatu benda dengan jarak yang lebih jauh dari keadaan yang sebenarnya. 4.
Bayangan akusitik (shadowing)
Bayangan akustik adalah pengurangan atau hilangnya intensitas suara di belakang suatu massa padat. Hal ini disebabkan oleh adanya atenuasi dan defleksi. e.
Pemilihan media cetak atau dokumentasi Dokumentasi sebaiknya
berbentuk rekaman
permanen,
mencakup
parameter ukuran dan hasil temuan anatominormal dan patologi. Hasil cetakan gambar USG sangat dipengaruhi oleh kualitas mesin pencetak gambar (printer), film yang dipakai dan mesin USG tersebut. Saat ini gambar-gambar USG diformat dalam bentuk gambar digital (JPEG, BMP dan TIFF). 2.2.3.2 Cara Kerja USG USG bekerja melalui beberapa tahapan sebagai berikut : 1.
Transduser bekerja sebagai pemancar dan sekaligus penerima gelombang
suara. Pulsa listrik yang dihasilkan oleh generator diubah menjadi energi akustik oleh transduser yang dipancarkan dengan arah tertentu pada bagian tubuh yang akan dipelajari atau direkam. Sebagian akan dipantulkan dan sebagian lagi akan merambat terus menembus jaringan yang akan menimbulkan bermacam-macam echo sesuai dengan jaringan yang dilaluinya.
21
2.
Pantulan echo yang berasal dari jaringan-jaringan tersebut akan
membentur transduser, dan kemudian diubah menjadi pulsa listrik lalu diperkuat dan selanjutnya diperlihatkan dalam bentuk cahaya pada layar oscilloscope. Dengan demikian bila transduser digerakkan seolah-olah kita melakukan irisanirisan pada bagian tubuh yang dinginkan, dan gambaran irisan-irisan tersebut akan dapat dilihat pada layar monitor. 2.2.3.3 Cara Pengukuran Biparetal Diameter (BPD) BPD pertama kali diperkenalkan oleh Willock (1964). BPD adalah jarak maksimal antara tulang parietal depan dan belakang pada posisi kepala oksiput transversa. Pengukuran BPD paling akurat dalam penentuan kehamilan antara 1218 minggu, pertumbuhan BPD menunjukkan garis yang linier. Selain untuk menentukan umur kehamilan pengukuran ini dapat juga digunakan untuk menentukan berat janin dan deteksi kelainan kepala janin (makrosefalus, mikrosefalus, atau hidrosefalus). Cara mendapatkan bidang potong untuk pengukuran BPD adalah sebagai berikut : 1. Cari potong kepala kepala sampai mendapatkan bentuk paling simetris, yaitu jarak antara garis tengah dan tulang kepala pada kedua sisi harus sama. 2. Potongan harus tegak lurus pada garis tegah dan dicari ptongan yang terbesar. Kesalahan yang terjadi pada pengukuran BPD adalah : 1. Potongan kepala yang tidak simestris.
22
2. Bidang potong yang tidak tepat, terlalu tinggi sehingga tampak adanya ventrikel lateralis dan terlalu rendah sehingga tampak pendukulus serebri. 3. Penempatan kaliper tidak tegak lurus pada garis tengah. Permasalahan yang sering terjadi pada pengukuran BPD adalah sebagai berikut : 1. Posisi kepala yang yang tidak benar pada saat perekaman oleh transduser, sehingga struktur intrakranial tidak dapat dikenali. 2. Kepala janin tertekan oleh rusuk ibu pada letak sungsang. 3. Kepala janin sudah jauh masuk ke dalam rongga panggul. 4. Pada USG tanpa transduser konveks kadang sukar menampilkan kepala secara keseluruhan apabila kepala cukup besar.
Gambar 2.4 Bidang potong BPD 72 mm sesuai gestasi 28 minggu 6 hari (Endjun, 2007) Untuk mendapatkan hasil perhitungan Head Circumference atau lingkar kepala dapat dilakukan dengan 2 cara : 1. Dengan rumus , yaitu : HC = 3,14 * (BPD + DOF)/ 2
(2.1)
23
Dimana DOF (Dolikhosefali Oksipito-Frontalis) merupakan bagian kepala yang memanjang. 2. Mengukur lingkar kepala secara langsung melakukan tracing. Permasalahan yang sering terjadi pada pengukuran HC adalah sebagai berikut : 1. Terkadang besarnya kepala melebihi besarnya trasnduser sehingga tidak seluruh kepala janin terlihat di layar monitor. 2. Pengukuran ini kurang praktis dibandingkan dengan pengukuran BPD.
Gambar 2.5 Dolikhosefali Oksipito-Frontalis (Endjun, 2007)
Untuk melakukan pengukuran yaitu langkah yang dilakukan dimulai dari : dimana kapiler pertama diletakkan di anterior tepat di ujung garis tengah kepala. Kapiler kedua diletakkan tepat di ujung posterior garis tengah kepala, kemudian tombol set atau enter ditekan sehingga terlihat gambaran elips berbentuk titiktitik. Gerakkan track-ball hingga gambaran elips tersebut mencapai tabula eksternal, simetris atas bawah. Dan hasil perhitungan akan ditampilkan secara otomatis pada layar monitor dan hasil pemeriksaan. Ketepatan dalam memprakirakan usia kehamilan akan semakin baik apabila mengukur lebih banyak parameter biometri. Tidak ada parameter tunggal yang terbukti paling akurat dalam penentuan usia kehamilan. Tingkat kesalahan
24
akan lebih kecil apabila menggunakan parameter multiple, dibandingkan dengan hanya menggunakan 1 parameter. 2.3
Operasi Pengolahan Citra Operasi-operasi pada pengolahan citra diterapkan pada citra apabila terjadi
beberapa hal, yaitu sebagai berikut (Putra, 2010) : 1.
Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan citra atau menonjolkan beberapa aspek informasi yang terkandung dalam citra (image enhancement). contoh : perbaikan kontras gelap atau terang, perbaikan tepian objek, penajaman, pemberian warna semu.
2.
Adanya cacat pada citra sehingga perlu dihilangkan atau diminimumkan (image restoration). contoh : penghilangan kesamaran (debluring) dimana citra tampak kabur karena pengaturan fokus lensa tidak tepat atau kamera goyang dan penghilangan noise
3.
Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image segmentation). Operasi ini berkaitan erat dengan pengenalan pola.
4.
Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam pengidentifikasian objek (image analysis).
5.
Proses segementasi kadang kala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh : pendeteksian tepi objek.
25
6.
Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction). Contoh: beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh.
7.
Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB
8.
Menyembunyikan data rahasia (berupa teks atau citra) pada citra sehingga keberadaan data rahasia tersebut tidak diketahui orang (steganografi & watermarking)
Gambar 2.6 Alur Pengolahan Citra (Darma Putra, 2009)
2.4
Jenis-jenis Citra Digital Nilai suatu piksel memiliki nilai dalam rentan tertentu dari nilai minimum
sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun secara umum jangkauanya adalah 0-255. Citra dengan penggambaran seperti ini digolongkan ke dalam citra integer. Berikut adalah jenis-jenis citra berdasarkan nilai piksel-nya 1.
Citra Biner Citra yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Citra biner ini juga disebut citra B&W (black and white) atau citra monokrom. Hanya dibutuhkan satu bit untuk mewakili nilai setiap piksel
26
dari citra biner (Putra, 2010). Citra biner sering kali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi ataupun dithering. 2.
Citra Grayscale Citra Greyscale disebut juga citra satu kanal, karena warnanya hanya ditentukan oleh satu fungsi intensitas saja. Artinya mempunyai skala abu dari 0 sampai 255, yang dalam hal ini nilai intensitas 0 menyatakan hitam, nilai intensitas 255 menyatakan putih (Munir, 2004).
3.
Citra Warna (8 bit) Setiap piksel dari citra warna (8 bit) hanya diwakili oleh 8 bit dengan jumlah warna maksimum yang dapat digunakan adalah 256 warna. Ada dua jenis citra warna 8 bit. Pertama, citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya memiliki pemetaan nilai (colormap) RGB tertentu.
4.
Citra Warna (16 bit) Citra warna 16 bit biasanya di namakan sebagai citra highcolor dengan setiap pikselnya diwakili dengan 2 byte memory (16 bit). Warna 16 bit memiliki 65.536 warna. Dalam formasi bitnya, nilai merah dan biru mengambil tempat di 5 bit ditambah 1 bit ekstra. Pemilihan komponen hijau dengan deret 6 bit dikarenakan penglihatan manusia lebih sensitif terhadap warna hijau.
5.
Citra Warna (24 bit)
27
Setiap piksel dari citra warna 24 bit diwakili dengan 24 bit sehingga total 16.777.216 variasi warna. Variasi ini sudah lebih dari cukup untuk memvisualisasikan seluruh warna yang dapat dilihat penglihatan manusia. Setiap poin informasi piksel (RGB) disimpan ke dalam 1 byte data. 8 bit pertama menyimpan nilai biru, diikuti hijau pada 8 bit ke dua dan pada 8 bit terakhir berupa warna merah. 2.5
Sistem Koordinat Warna Berbagai jenis sistem koordinat warna atau sistem ruang warna yang
diciptakan untuk memenuhi tujuan tertentu atau yang ditujukkan untuk perangkat platform tertentu. Menurut teori T.Young, setiap warna tertentu dapat diciptakan dengan menggabungkan (tristimulus) tiga warna utama c1, c2, c3 dengan persentase tertentu. C = aC1 + bC2 +cC3…………………………………………………
2.2
Teori ini didasarkan pada kenyataan mata manusia yang memiliki tiga bagian pada retina yang dapat menagkap puncak-puncak spectrum dari warna kuninghijau, biru dan biru. 2.5.1 Sistem Koordinat Warna CIE Sistem koordint warna CIE (Commission International de I’Eclairage) memperkenalkan sistem koordinat warna berdasarkan sistem spectral primary sistem yang merupakan sumber utama monokrom. Sistem ruang warna ini menggunakan panjang gelombang RCIE (red 700 nm), GCIE (green 546,1 nm) dan BCIE (blue 435,7 nm), dengan demikian sistem ruang warna RGBCIE berbeda
28
dengan sistem ruang warna RGB dalam hal kecerahannya, yaitu RGBCIE warna RGB-nya lebih cerah daripada sistem RGB. Menurut Jain (1989) sistem ruang warna RGB CIE dapat diperoleh dengan konversi sistem ruang warna RGB dengan menggunakan persamaan berikut.
=
.
……………………………
2.3
Tetapi RGBCIE tidak dapat menghasilkan semua warna yang mungkin dihasilkan. Oleh karena itu sistem CIE memperkenalkan sistem koordinat warna XYZ di mana semua komponen transformasinya bernilai positif, Y menandakan nilai krominannya. 2.5.2 Sistem Koordinat Warna XYZ Sistem ruang warna XYZ juga diperkenalkan oleh Commission Internationale de l'Ecloirage (CIE) dengan tujuan untuk mengatasi kelemahan sistem ruang warna RGBCIE. Nilai-nilai tristimuli dalam ruang warna CIEXYZ bukan mempresentasikan secara langsung seperti respon sel-sel Kerucut mata manusia S, M maupun L, tetapi lebih mengarah pada nilai-nilai yang dinamakan X, Y dan Z yang secara kasar dapat mewakili warna merah, hijau dan biru (namun X, Y, Z bukan identik dengan nilai observasi secara fisik pada warna merah, hijau dan biru itu sendiri). Sistem ruang warna XYZ dapat diperoleh dari sistem ruang warna RGB atau RGBCIE melalui alihragam yang menggunakan persamaan berikut.
29
=
.
………………………………….
2.4
Dan sistem koordinat warna XYZ juga memiliki hubungan linear dengan sistem koordinat RGBCIE sebagai berikut : =
.
………………………………….
2.5
……………………………
2.6
Dimana;
=
2. 6
.
Segmentasi Citra Segmentasi citra adalah proses pembagian sebuah citra ke dalam sejumlah
bagian atau objek. Segmentasi merupakan bagian yang penting dalam analis citra yang akan dilakukan secara otomatis, sebab pada proses ini objek citra yang diinginkan di simpan untuk dapat diproses lebih lanjut (Gonzalez, 1987). Algoritma segmentasi dibagi berdasarkan dua buah karakteristik nilai derajad kecerahan citra, yaitu similiarity dan discontinuity. Pada ketegori similiarity citra dipisahkan menggunakan thresholding, region growing merging dan region spiltting dimana pada kategori similiarity ini citra akan dipisahkan menurut kesamaan nya dengan piksel terdekatnya. Sedangkan discontinuity, citra dibagi atas dasar perubahan yang mencolok terhadap derajad kecerahan yang ada disekitarnya, seperti deteksi titik, garis area dan sisi citra. 2.6.1 Metode Segmentasi Berdasarkan Ruang Warna RGB
30
Pada sistem warna RGB (Red, Green, Blue atau Merah, Hijau, Biru), sebuah warna sampel gambar diwakili oleh tiga angka yang menunjukkan proporsi relatif dari warna merah (Red), hijau (Green), dan biru (Blue) (tiga warna utama
penyusun cahaya).
Semua warna
dapat
dibentuk dengan cara
menggabungkan ketiga warna dasar tersebut dalam berbagai macam proporsi. Demikian pula pada gambar, gambar digital berwarna terdiri dari tiga komponen warna atau matriks yaitu matriks R (merah), G (Hijau), dan B (Biru). Setiap matriks mengandung informasi intensitas warna komponen dengan resolusi 8 bit. Dengan demikian gambar digital berwarna memiliki sistem pewarnaan 24 bit. Dan secara umum gambar berwarna direpresentasikan dalam bentuk matriks tiga dimensi I (x, y, channel) dengan x dan y merupakan koordinat dari piksel dan channel merupakan komponen warna (RGB).
Gambar 2.7 Representasi dari ruang warna RGB (Sheenam, 2013) 2.6.2 Metode Segmentasi berdasarkan Ruang Warna L*a*b Segmentasi berdasarkan ruang warna dapat dideskripsikan sebagai proses pemisahan latar depan dan belakang, atau dapat dikatakan seagai proses pendefinisian jangkauan nilai gelap dan terang pada citra yang yang sebenarnya
31
atau terbentuknya warna yang membatasi setiap wilayah atau disebut sebagai pembagian ruang warna. Warna merupakan cara dari Human Visual System (HVS) untuk mengukur bagian dari spectrum gelombang yang berada pada jangkauan 300-830 nm. Karena sifat tertentu dari HVS, manusia tidak mampu melihat semua kemungkinan kombinasi
spectrum yang terlihat, akan tetapi
manusia cenderung mengkategorikan spectrum sebagai kelompok warna yang disebut dengan ruang warna (color space) (Octa Heriana, 2011). Struktur warna pada pengolahan citra telah banyak dikembangkan, salah satunya adalah CIELab. CIELab adalah salah satu struktur warna yang didefinisikan CIE (Commission International de I’Eclairage) pada tahun 1976 (CIE 1976 L*a*b). Pada CIE_L* untuk medeskripsikan kecerahan warna dimana 0 untuk hitam dan 100 untuk putih. Dimensi CIE_a* mendeskripsikan jenis warna hijau-merah, dimana angka negatif a* mengindikasikan warna hijau dan sebaliknya angka positif a* mengindikasikan warna merah. Dimensi CIE_b* positif
mengindikasikan
warna
biru-kuning
dimana
angka
negatif
b*
mengindikasikan warna biru dan sebaliknya angka positif b* mengindikasikan warna kuning. Transformasi RGB (Red, Green, Blue) pada CIELab dapat digambarkan sebagai berikut :
32
Gambar 2.8 Pembagian Ruang Warna pada CIELab (Gernott Hoffman, 2003) Karena CIELAB adalah juga merupakan model tiga dimensi, maka CIELAB hanya dapat digambarkan dengan benar apabila dalam ruang tiga dimensi, dan apabila kita ambil irisan komponen a* dan b*, maka kita akan mendapatkan Diagram chromaticity a* b*. Gambar diagram chromaticity a*b* dibawah ini ini akan menjelaskan lebih menjelaskan luas. Chromaticity a*b* pada tingkat kecerahan (CIE_L*) tertentu, yaitu CIE_L* = 75, CIE_L* = 50 dan CIE_L* = 25. Pada tingkat kecerahan maximum CIE_L* dan minimum CIE_L* = 0 bidang chromaticity a*b* tersebut menjadi kecil sekali mendekati 0.
Gambar 2.9 Gambar diagram chromaticity L*a*b* pada kecerahan (L*) tingkat tertentu (Gernott Hoffman, 2003) 2.7
Impuls Noise
33
Setiap gangguan pada citra dinamakan dengan noise. Noise pada citra tidak hanya terjadi karena ketidak-sempurnaan dalam proses pengambilan gamabr, tetapi bisa juga disebabkan oleh kotoran-kotoran yang terjadi pada citra. Berdasarkan bentuk dan karakteristiknya noise pada citra dibedakan menjadi beberapa macam yaitu: Gaussian noise, Speckle noise dan Salt & Pepper noise. Noise impulse biasanya terjadi selama transisi citra. Noise ini tampak sebagai impuls-impuls hitam dan/atau putih diatas citra. Sumber dari noise ini bisa dari atmosferik ataupun buatan manusia. Sebagai contoh : Noise impulse ini dapat terjadi karena error bit acak pada saluran komunikasi. Noise impulse ini dapat dimodelkan sebagai : g (x,y)
(2.6)
Dengan g(x,y) merupakan citra aslinya dan z(x,y) dan f(x,y) merupakan noise impulse-nya. Pada noise impulse piksel noise sangat berbeda dari nilai piksel di sekelilingnya. Karakteristik dari noise impulse ini adalah nilai dari piksel noise tidak memiliki hubungan dengan piksel citra aslinya. Reduksi noise adalah suatu proses menghilangkan atau mengurangi noise dari suatu signal atau gambar. Metode reduksi noise secara konsep hampir sama penerapannya pada setiap jenis signal, tetapi untuk implementasinya, reduksi noise tergantung dari jenis signal yang akan diproses. Secara umum metode untuk mereduksi noise dapat dilakukan dengan cara melakukan operasi pada citra digital dengan menggunakan suatu jendela ketetanggaan, kemudian jendela tersebut
34
diterapkan pada citra. Proses tersebut dapat juga dapat disebut proses filtering, sedangkan proses penerapan mask ini dinamakan konvolusi. 2.8
Konvolusi Proses konvolusi pada pengolahan citra digital merupakan perkalian
konvolusi antara matrik citra asal dengan matrik tapis atau tapis atau mask. Operasi konvolusi sebagai fungsi diskrit 2 dimensi dapat didefinisikan dengan persamaan berikut ini. h(x,y) = f(x,y) * g(x,y) =
(2.7)
Ilustrasi dari operasi konvolusi dapat dilihat pada gambar di bawah ini :
Gambar 2.10 Ilustrasi proses konvolusi (Darma Putra, 2009) Operasi konvolusi dilakukan dengan menggeser kernel konvolusi piksel per piksel mulai dari posisi kiri atas sampai posisi kanan bawah yang sering disebut dengan sliding window. Hasil dari proses konvolusi disimpan pada matrik yang sama dengan koordinat yang sama. 2.9
Smooth filter
35
Salah satu metode untuk mengurangi atau menghilangkan noise adalah dengan cara meng-konvolusi citra asli dengan sebuah mask atau kernel low-pass filter atau operasi penghalusan. Secara umum smooth filter menyusun setiap piksel ke nilai rata-ratanya, dari nilai piksel itu sendiri dan nilai piksel tetangganya. Smooth filter cenderung mengaburkan sebuah citra, karena nilai intensitas piksel yang nilainya sangat berbeda dari nilai piksel disekelilingnya mempengaruhi nilai piksel Fungsi tapis low-pass filter untuk smooth filter dapat dinyatakan sebagai berikut : gxy =
(2.8)
Dimana; = menyatakan standar deviasi dari distribusi. Fungsi di atas diasumsikan meiliki mean 0 ( pusat distribusi pada garis x=0) Proses penghalusan terhadap citra dapat dilakukan dengan proses konvolusi citra citra input dengan Tapis Gaussian. Tingkat atau derajad kehalusan citra hasil Tapis Gaussian dapat diatur dengan mengubah-ubah nilai 2.10
( Putra, 2009).
Fuzzy C-Means Konsep dari himpunan fuzzy sejalan dengan himpunan tegas, hanya saja
derajat atau tingkat keanggotaan dari himpunan fuzzy tersebut bersifat kontinu dimana nilainya dalam interval [0,1]. Dimisalkan didefinisikan suatu himpunan Z yang anggotanya dapat dilambangkan dengan u. Suatu himpunan fuzzy Adalam Z yang didefinisikan dengan {( , ( ) | }A z uA z z Z=∈, () uA z adalah fungsi
36
keanggotaan untuk himpunan fuzzy A. Dimana fungsi keanggotaan akan memetakan setiap elemen dari Z ke derajat keanggotaan antara 0 dan 1. Semakin nilai fungsi keanggotaan mendekati satu, akan semakin tinggi derajat atau tingkat keanggotaan z dalam A. Himpunan fuzzy dalam pengelompokan berperan dalam pembentukan fungsi dan tingkat keanggotaan dari setiap objek dalam kelompok. Clustering atau klasterisasi merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok lebih besar daripada kesamaan data tersebut dengan data dalam kelompok lain (Kusrini, 2009). Klastering dapat diterapkan ke dalam data yang kuantitatif (numerik), kualitatif dan kategorikal atau kombinasi dari keduanya. Data dapat merupakan hasil pengamatan dari suatu proses. Setiap pengamatan dapat memiliki n variabel pengukuran dan dikelompokkan dalam n dimensi vektor ; Zk = [Z1k,…,…Znk]T, Zk ε Rn
(2.9)
Sebuah himpunan dari N pengamatan dinotasikan dengan : Z = [Zk|k=1, 2,…,…,N]
(2.10)
Dan direpresentasikan sebagai matrik n x N
Z=
(2.11)
37
Dalam pengenalan pola, kolom dalam matriks disebut patterns atau objek, baris disebut features atau attribute. Arti kolom dan baris dalam Z tergantung pada konteks pembahasan. Klaster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode klastering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan, apakah fuzzy atau crips hard (Kusrini, 2009). Dalam metode fuzzy clustering level keanggotaan data dalam suatu kelompok bukan hanya 0 atau 1, dapat tetapi memiliki nilai antara 0 dan 1. Nilai level keanggotaan dalam setiap kolom matriks selalu berjumlah 1. Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidean distance vektor. Fuzzy C-Means adalah suatu teknik pengklasteran data yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dasar Fuzzy C-Means pertama kali adalah menentukan pusat klaster yang akan menandai lokasi rata-rata untuk tiap-tiap klaster. Pada kondisi awal, pusat klaster ini masih belum akurat. Setiap titik data memiliki derajat keanggotaan untuk setiap klaster. Dengan cara memperbaiki pusat klaster dan derajat keanggotaan setiap titik data secara berulang, maka akan dapat dilihat bahwa pusat klaster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimalisasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan ke pusat klaster yang terbobot oleh derajat keanggotaan titik data tersebut.
38
Output dari Fuzzy C-Means bukan merupakan fuzzy inference sistem, melainkan merupakan deretan pusat klaster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference sistem. Algoritma Fuzzy C-Means dapat diuraikan sebagai berikut. 1.
Input data yang akan diklaster, X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data), dimana Xij = data sampel ke-i (i = 1,2,…, n), atribut ke-j (j = 1,2,…,m)
2.
3.
Tentukan: a.
Jumlah cluster
=c
b.
Pangkat
=w
c.
Maksimum iterasi
= MaxIter
d.
Error terkecil yang diharapkan
=
e.
Fungsi objektif awal
= P0 = 0
f.
Iterasi awal
=t=1
Bangkitkan bilangan random ik, i = 1,2,…,n; k = 1,2,…,c; sebagai elemen-elemen matriks partisi awal U. Hitung jumlah setiap kolom: (2.12) dengan j = 1,2,…,n Hitung :
39
4.
Hitung pusat cluster ke-k: Vkj, dengan k = 1,2,…,c; dan j = 1,2,…,m. (2.13)
5.
Hitung fungsi objektif pada iterasi ke-t, Pt (2.14)
6.
Hitung perubahan matriks partisi (2.15) Dengan: i = 1,2,…,n; dan k = 1,2,…,m
7.
Cek kondisi berhenti: Jika (|Pt – Pt-1| < ) atau (t > MaxIter) maka berhenti; Jika tidak: t = t + 1, ulangi langkah ke-4
Gambar 2.11 Ilustrasi penentuan pusat klaster dengan Fuzzy C-Means
40
2.11
Deteksi Elips dengan Hough Transform Hough Transform pertama kali diperkenalkan oleh Paul Hough pada tahun
1962 untuk mendeteksi garis lurus. Hough transform adalah teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batas-batasnya (boundary detection). Randomize Hough Tranform (RHT) diperkenalkan oleh L. Xu dkk. (Xu, L., Oja, E.,1990) untuk mengatasi beberapa keterbatasan dari HT standart. RHT menggunakan n piksel secara acak untuk memecahkan n parameter kurva. Kelebihan dari RHT adalah penyimpanan kecil, kecepatan tinggi, akurasi baik. Akan tetapi RHT gagal mendeteksi kurva pada gambar yang memiliki noise tinggi dan tidak lengkap. Dikarenakan semua piksel tetap diperhitungkan dalam pemilihan sampling, termasuk noise. Iterative Randomized Hough Tranform (IRHT) diperkenalkan oleh Wei Lu dkk. (Lu, W., Jinglu Tan, 2008) untuk mengatasi kelemahan dari RHT.
Gambar 2.12 Anatomi dari Elips (Inverso, 2006)
Elips memiliki beberapa anatomi yang dapat dihitung, seperti gambar diatas yaitu semimayor (2a), semiminor (2b), pusat sudut rotasi elips (X0,Y0). Untuk
41
mencari atau menentukan pusat sudut elips dengan 3 persimpangan titik singgung elips, maka dicari melalui beberapa tahapan ; 2.11.1 Menentukan titik point X1, X2, X3 Untuk menentukan tiga ttitik point yang dibutuhkan oleh elips, dilakukan pemilihan secara acak sesuai dengan piksel yang berdekatan atau ketetanggan piksel. Jadi setiap iterasi yang dilakukan akan melakukan pencarian titik point X1, X2, X3 kemudian disimpan ke dalam matrik 3 x n, dimana n adalah jumlah iterasi yang dilakukan. Index atau titik point yang didapatkan akan di komputasi kembali untuk mendapatkan persamaan garis dan titik potongg untuk elips
Gambar 2.13 Menentukan titik point X1, X2, X3 pada citra asli (Inverso, 2006)
2.11.2 Mendapatkan persamaan garis dari masing-masing titik point Untuk mendapatkan persamaan garis pada elips dilakukan dengan memeriksa piksel disekitar kemiringan garis dengan persamaan y = mx + b
2.16
42
Gambar 2.14 Menentukan kemiringan garis berdasarkan kedekatan antar piksel (Inverso, 2006)
2.11.3 Menghitung garis intersection (X1,X2) dan (X2,X3) Garis intersection adalah garis persimpangan yang didapatkan dari nilai random X1, X2, X3.
Gambar 2.15 Garis intersection (Inverso, 2006)
Untuk mendapatkan persamaan garis singgung persimpangan (tangent intersection) dilakukan dengan persamaan : Persamaan Tangent X1 dan X2 untuk t12 :
2.17 Persamaan Tangent X1 dan X2 untuk t23 :
43
2.18
2.11.4 Menghitung garis bisector dari titik tangent interseption Garis bisector didefinisikan sebagai m12 (midpoint), dimana nilai m adalah setengah jarak X1 ke X2 , dan t merupakan t12.
Gambar 2.16 Garis bisector (Inverso, 2006)
Untuk mendapatkan kemiringan lereng dari elips, digunakan persamaan : Slope =
2.19
Dimana, b = slope * x−y = slope * tx−ty
2.20
y = slope * x−b
2.21
Sehingga didapatkan titik pusat elips dengan menggunakan persamaan 2.16.
44
2.11.5 Mencari Semimayor dan Semiminor
Gambar 2.17 Mendapatkan nilai tangent, bisector dan titik pusat elips (Inverso, 2006) Dari persamaan-persamaan yang telah didapatkan diatas, maka didapatkan persamaan. Dimana nilai A,B,C adalah nilai titik point yang dicari secara random yaitu X1, X2, X3 Sehingga didapat persamaan elips : A (X-X0)2 + 2B (X-X0)(y-Y0 )+ C (y- Y0 ) 2 = 1
2.22
Ax2 +2Bxy+Cy2 = 1
2.23
Dimana; Semimajor axis (a)=
2.24
Semiminor axis (b)=
2.25
45
BAB III METODE PENELITIAN 3.1
Tempat dan Waktu Penelitian Lokasi penelitian baik untuk proses perancangan dan pembuatan ataupun
pengujian sistem dilakukan di Jalan Trengguli No.19, Denpasar, dengan kurun waktu antara Februari hingga Juli 2013. 3.2
Sumber Data Sumber dan metode pengumpulan data yang digunakan dalam Deteksi
Kepala Janin Pada Citra USG dengan ruang warna RGB, CIEL*a*b, Fuzzy CMeans dan Iterative Randomized Hough Transform sebagai berikut : 3.2.1 Metode Pengumpulan Data 1.
Metode studi literatur, bertujuan untuk memahami konsep dan teori yang berkaitan dengan permasalahan yang diteliti, melalui sumber buku-buku dan jurnal yang berkaitan dengan penelitian ini.
2.
Metode observasi, yaitu dengan melakukan pengumpulan data dengan interview terhadap dokter atau ahli kandungan, dan dokumentasi langsung terhadap permasalahan yang ada.
3.2.2 Sumber Data Data yang digunakan untuk proses penelitian berupa gambar USG kepala janin dengan kondisi umur janin 14-32 minggu sebanyak 30 sampel citra USG. Gambar serta hasil pengukuran didapatkan dari 2 dokter spesialis kandungan, yaitu : Dr I Made Suka Antara SpOg, Dr. Winarta SpOg. Untuk contoh citra uji ditunjukkan Pada Tabel 3.1.
46
Tabel 3.1 Contoh Citra Uji Gambar USG
Nama
Ukuran
Ukuran
Usia
BPD (mm)
HC (mm)
Kandungan (week)
citra 1
74.52
268.81
29W
citra 2
45.10
173.91
19W5D
citra 3
71.23
251.30
27W5D
citra 4
52.02
185.9
20W2D
190.08
23W5D
citra 5
50.56
Sumber : 1. Dr I Made Suka Antara SpOg (Klinik Bersalin Bersaudara)
*Tabel 3.1 untuk contoh citra uji dilanjutkan pada Lampiran 1
47
3.2.3 Standarisasi Pengukuran BPD dan HC Pemeriksaan dan pengukuran BPD bisa dilakukan mulai usia kehamilan 13-14 minggu, sampai usia kehamilan 30 minggu penambahan ukuran BPD terjadi secara linear yaitu 3 mm per minggu. Sedangkan pada usia kehamilan 3038 minggu penambahan diameter mulai berkurang menjadi 1.5 mm per minggu, kemudian sejak 30 - 42 minggu pertambahannya adalah 1 mm perminggu, dan mulai 42 minggu tidak ada penambahan diameter lagi (Ultrasonografi Obstetri dan Ginekologi, 2011). Untuk standarisasi acuan dalam pengukuran yang dilakukan oleh ahli medis untuk menentukan besaran dari BPD dan HC digunakan tabel perhitungan rata-rata perkembangan janin. Tabel rata-rata perkembangan BPD dan HC ini dibuat oleh Hadlock FP pada tahun 1984 sebagai standarisasi acuan dalam penentuan pengukuran BPD dan HC yang disesuaikan dengan usia janin. Tabel yang dimaksud adalah sebagai berikut. Tabel 3.2 Standarisasi Pengukuran BPD dan HC (Hadlock FP, 1984) Gestasional Age (week)
Biparetal Diameter (mm)
Head Circumference (mm)
Abdominal Circumference (mm)
Femur Length (mm)
12.0
17
68
46
7
12.5 13.0 13.5 14.0 14.5 15.0 15.5 16.0
19 21 23 25 27 29 31 32
75 82 89 97 104 110 117 124
53 6 6.7 73 80 86 93 99
9 11 12 14 16 17 19 20
48
Lanjutan Tabel 3.2 Standarisasi Pengukuran BPD dan HC (Hadlock FP, 1984) Gestasional Age (week)
Biparetal Diameter (mm)
Head Circumference (mm)
Abdominal Circumference (mm)
Femur Length (mm)
16.5 17.0 17.5 18.0 18.5 19.0
34 35 38 39 41 43
131 138 144 151 158 164
106 112 119 125 131 137
22 24 25 27 28 30
19.5 20.0 20.5 21.0 21.5 22.0
45 46 48 50 51 53
170 177 183 189 195 201
144 150 156 162 168 174
31 33 34 35 37 38
22.5 23.0
24.5 25.0
55 56 58 59 61 62
207 213 219 224 230 235
179 185 191 197 202 208
40 41 42 44 45 46
34.5 35.0
86 87
318 322
305 309
67 68
35.5 36.0
88 89
325 328
314 318
69 70
36.5 37.0
89 90
330 333
323 327
71 72
37.5 38.0
91 92
335 338
332 336
73 74
38.5 39.0
92 93
340 342
340 344
74 75
39.5 40.0
94 94
344 346
348 353
76 77
23.5 24.0
Sumber : Kenneth J. Leveno, dkk. (2003)
49
3.3
Instrumen Penelitian Instrumen penelitian yang digunakan dalam Deteksi Kepala Janin Pada
Citra USG dengan ruang warna RGB, CIE L*a*b, Fuzzy C-Means Dan Iterative Randomized Hough Transform (IRHT). terdiri dari 2 bagian utama, yaitu : 1.
Perangkat Lunak a. Sistem Operasi Microsoft Windows 7 b. Editor Bahasa pemograman Matlab 7.12
2.
Perangkat Keras a. Prosesor AMD vision E-360 1.60 GHZ b. RAM (Random Access Memory) 4GB DDR 2 c. Hardisk 500 GB d. AMD Radeon graphic
3.4
Gambar Umum Sistem Dalam sub bab ini dijelaskan mengenai gambar umum sistem yang
merupakan alur dari sistem yang telah dibuat. Gambar umum sistem identifikasi kepala janin di tunjukkan pada Gambar 3.1 sebagai berikut :
50
MULAI
CITRA UJI DALAM RUANG WARNA RGB
KOMPONEN RUANG WARNA RGB
RUANG WARNA L*a*b
APAKAH INGIN DI FILTER?
TIDAK
YA
SMOOTH FILTER
FUZZY C-MEANS
DETEKSI ELIPS DENGAN IRHT
KALIBRASI DARI PIKSEL KE UKURAN PANJANG (mm)
UKURAN BPD, HC DAN USIA GESTASI
SELESAI
Gambar 3.1 Gambar umum sistem
Secara umum, sistem identifikasi kepala janin terdiri modul utama yaitu : 1. Citra Uji dalam ruang warna RGB Seluruh citra uji USG berada dalam ruang warna RGB, dengan dimensi piksel sebesar 273 x 240 piksel. Penyamaan dimensi ini bertujuan untuk menyeragamkan dimensi dari citra uji.
51
2. Segmentasi Segmentasi terdiri dari 3 modul yaitu segmentasi ruang warna berdasarkan RGB dan ruang warna (L*a*b) setelah ditemukan citra hasil segmentasi keduanya, kemudian dilanjutkan dengan proses pemilihan dengan filtering atau tidak, proses smooth filter bertujuan untuk menekan gangguan (noise) berupa speckle pada hasil citra RGB dan L*a*b. Pemilihan menggunakan filter atau tidak adalah untuk mengetahui sejauh mana untuk kerja filtering. Kemudian dilanjutkan dengan Fuzzy C-Means sebagai metode klasterisasi yang bertujuan untuk mengelompokkan piksel citra ke dalam beberapa klaster sehingga diharapkan mendapatkan hasil segmentasi yang sesuai. 3. Deteksi elips dengan metode IRHT Untuk mendeteksi lingkar yang dihasilkan oleh proses segmentasi, menggunakan metode pendekatan elips yaitu IRHT. IRHT dapat mendeteksi elips dengan baik dikarenakan membatasi ruang pencarian kurva dengan parameter dan ratio piksel serta pemilihan secara acak n buah piksel pada wilayah pencarian untuk mendapatkan n parameter kurva. IRHT menghasilkan beberapa parameter, antara lain jari-jari mayor dan minor, skor (pemberian nilai terbaik pada saat proses scanning dan iterasi) dan ratio piksel (rasio kedekatan piksel antara elips yang ditemukan dengan gambar asli). Semimayor diasumsikan sebagai α dan semiminor sebagai b. Dari perolehan keduanya , maka dapat dilakukan perhitungan
52
untuk menentukan BPD dan HC dalam piksel, dengan ketetapan sebagai berikut : BPD = 2 * b ; dan HC = 3.14 (BPD + DOF) / 2
(3.1)
Dimana DOF adalah Diameter Oksipito-Frontalis, DOF = 2 * a
(3.2)
4. Kalibrasi BPD dan HC dari piksel ke ukuran satuan panjang (mm) Proses kalibrasi adalah proses perubahan hasil pengukuran BPD dan HC dari satuan piksel ke satuan panjang, dengan menetapkan ketentuan dimana 1 piksel = 0.264583333 mm (www.unitconversion.org). Sehingga didapatkan BPD, HC dalam satuan panjang (mm) dan usia gestasi. 3.4.1 Tahapan Proses pada Ruang Warna L*a*b Proses ini dilakukan bertujuan untuk mengubah koordinat warna citra USG. Dimana koordinat citra warna USG adalah RGB. Nilai RGB yang terdapat dalam satu piksel dapat ditransformasikan ke dalam ruang warna CIE XYZ dengan proses transformasi matrik 3x3. Dari hasil konversi koordinat warna XYZ kemudian dilakukan konversi koordinat warna ruang L*a*b, dimana proses L*a*b sendiri akan menghasilkan citra dalam ruang warna
L*a*b dan 3
komponen warna, yaitu komponen L*, komponen a* dan komponen b*. Berikut bagan proses untuk konversi ruang warna dari RGB ke L*a*b:
53
MULAI
KOORDINAT WARNA RGB
KONVERSI KOORDINAT WARNA RGB KE XYZ
PERHITUNGAN PERUBAHAN MATRIK RGB Ke XYZ
KOORDINAT WARNA XYZ
TRANSFORMASI KOORDINAT WARNA XYZ KE L*a*b
CITRA HASIL DENGAN RUANG WARNA L*a*b
SELESAI
Gambar 3.2 Bagan proses konversi ruang warna dari RGB ke L*a*b
3.4.2 Tahapan Proses Filtering Proses filtering dalam penelitian menggunkan smooth filter. Smooth filter bertujuan untuk memperhalus kontur citra atau dengan kata lain dapat meminimalisir noise berupa speckle pada citra hasil ruang warna dengan menerapkan metode tapis low pas filter dengan kernel 3x3. Filter ini juga bertujuan untuk dapat membantu pada proses klastering dengan metode Fuzzy CMean, sehingga hasil yang didapatkan dapat dibandingkan antara proses filter atau
54
tanpa filter terhadap masing-masing ruang warna. Berikut bagan proses dari filtering : MULAI
CITRA DENGAN RUANG WARNA RGB
CITRA DENGAN RUANG WARNA L*a*b
SMOOTH FILTERING DENGAN KONVOLUSI KERNEL 3X3
CITRA HASIL DARI PROSES FILTERING DARI KEDUA RUANG WARNA
SELESAI
Gambar 3.3 Bagan proses filtering
3.4.3 Tahapan Proses Klasterisasi dengan Fuzzy C-Means Keberhasilan segmentasi citra berbasis klastering ditentukan dari keberhasilan dalam pengelompokkan fitur - fitur yang berdekatan ke dalam suatu klaster. Pencocokan atau pembandingan saat identifikasi diawali dengan pemilihan pusat klaster berdasarkan kemiripan jarak yang paling tinggi menggunakan persamaan 2.13, kemudian dilakukan pembandingan hanya pada data acuan yang terdapat pada klaster terpilih dengan menghitung fungsi objek terpilih pada saat iterasi ke- n dengan persamaan 2.14. Kemudian menghitung
55
perubahan matrik partisi dengan persamaan 2.15 dan mendapatkan pusat klaster yang baru dan derajad keanggotaan yang terbaru dengan persamaan 2.16. Klaster paling minimum dalam penelitian ini adalah 2. Dalam proses klasterisasi terdiri dari 2 bagian, yaitu tahapan proses klasterisasi dengan Fuzzy C-Means berdasarkan ruang warna RGB dan L*a*b tanpa proses filtering dan smooth filter. Untuk proses dengan ruang warna RGB dan L*a*b tanpa filter bagan prosesnya sebagai berikut : MULAI
CITRA DENGAN RUANG WARNA L*a*b
CITRA DENGAN RUANG WARNA RGB
MEMILIH JUMLAH KLASTER YANG DIGUNAKAN
ALGORITMA FUZZZY C-MEANS
HASIL CITRA SEGMENTASI BERBASIS KLASTERING
SELESAI
Gambar 3.4 Bagan proses Fuzzy C-Means dengan 2 ruang warna tanpa filter Untuk proses Fuzzy C-Means dengan ruang warna RGB dan L*a*b dengan smooth filtering bagan prosesnya sebagai berikut :
56
MULAI
CITRA HASIL SMOOTH FILTER DENGAN RUANG WARNA L*a*b
CITRA HASIL SMOOTH FILTER DENGAN RUANG WARNA RGB
MEMILIH JUMLAH KLASTER YANG DIGUNAKAN
ALGORITMA FUZZZY C-MEANS
HASIL CITRA SEGMENTASI BERBASIS KLASTERING
SELESAI
Gambar 3.5 Bagan proses Fuzzy C-Means dengan 2 ruang warna smooth filter 3.4.4 Tahapan Deteksi Elips dengan IRHT Citra yang dihasilkan dari proses klastering akan digunakan sebagai citra input dalam proses deteksi elips menggunakan IRHT. Berikut diagram proses dari metode IRHT :
57
Mulai
CITRA INPUT (HASIL SEGMENTASI BERBASIS KLASTERING BERDASARKAN RUANG WARNA)
MENETAPKAN PARAMETER SCANNING, ITERASI DAN TRESHOLD
ALGORITMA IRHT
PARAMETER ELIPS ( SEMIMAYOR (a), SEMIMINOR (b), SKOR, RATIO PIKSEL
VERIFIKASI ELIPS YANG MEREPRESENTASIKAN KEDEKATAN DENGAN GAMBAR ASLI
ELIPS TERPILIH
SELESAI
Gambar 3.6 Bagan proses IRHT
Proses scanning bertujuan untuk memunculkan elips terbaik berdasarkan skor tertinggi dan ratio piksel yang didapatkan pada saat proses iterasi, sedangkan proses iterasi adalah proses untuk menemukan elips terbaik berdasarkan parameter yang didapatkan pada saat proses berlangsung. Nilai untuk proses scanning pada sistem adalah 2 (default) dikarenakan nilai 2 memiliki peluang dalam menampilkan elips lebih baik dari nilai 1. Sedangkan untuk proses iterasi, nilai minimum dalam sistem adalah 25. Tresholding adalah nilai ambang batas ratio piksel untuk menemukan kedekatan piksel gambar asli terhadap luas dari elips yang dibentuk pada saat iterasi. Jadi parameter yang akan ditampung pada saat elips terbentuk, salah satunya adalah nilai ratio pikselnya harus lebih besar dari
58
nilai threshold. Untuk itu semakin tinggi threshold yang digunakan, maka gambar asli (segmentasi) yang merepresentasikan piksel harus mendekati elips sempurna. Dan ketika tidak sempurnanya gambar asli (segmentasi) maka tresholding harus bernilai rendah. Nilai tresholding dalam sistem (default ) 0.05. Ketiga parameter diatas dapat diubah-ubah sesuai dengan inputan user. Semimayor jari-jari terpanjang pada elips (a), semiminor adalah jari-jari terpendek pada elips (b), skor adalah pemberian nilai parameter terbaik yang ditemukan pada setiap iterasi, ratio piksel adalah perbandingan kedekatan piksel antara elips dan gambar asli (banyaknya persinggungan piksel antara elips yang ditemukan dengan gambar asli). Verifikasi elips terpilih adalah proses dimana elips yang ditampilkan sesuai dengan scanning yang dipilih, misalkan user menginputkan nilai scanning sebanyak 2 dan iterasi sebanyak 50, maka dari 50 iterasi pada setiap scanning yang dilakukan akan menghasilkan parameter terbaik dan disimpan kedalam akumulator dan diberikan nilai skor 1, dan saat proses scanning selesai akan menampilkan 2 hasil elips yang memiliki skor terbaik yang terbentuk selama iterasi berlangsung. Sedangkan proses pemilihan elips terbaik dari hasil scanning adalah elips yang memiliki nilai skor 1, jika semua elips yang terbentuk memiliki skor 1, maka pemilihan elips terbaik berdasarkan ratio piksel pada masing-masing elips, dimana ratio piksel tertinggi yang akan dimunculkan sebagai best elips (elips terpilih).
59
3.4.5 Kalibrasi Dari Piksel ke Satuan Panjang (mm) Setelah elips yang terpilih ditemukan, maka akan ditampilkan secara otomatis BPD, HC dalam millimeter dan usia gestasi. Perolehan pengukuran didapatkan dari perumusan diameter dan keliling elips, dimana dalam mencari BPD dan HC dalam dunia medis menggunakan pendekatan yang sama. Dalam perhitungan medis untuk mencari BPD adalah dengan mencari potongan kepala yang simetris, kemudian membelah tegak lurus pada garis tengah dan dicari potongan yang terbesar. Jika cara potong diatas dilakukan dengan pendekatan elips, maka perhitungan BPD dapat diasumsikan sama dengan perhitungan untuk mencari diameter pada elips, yaitu : Diameter = 2 * b (semiminor)
(3.3)
Sedangkan perhitungan untuk mencari pengukuran HC dalam dunia medis dilakukan dengan rumus; HC = 3.14 (BPD + DOF) / 2
(3.4)
DOF = Dolikhosefali Oksipito-Frontalis merupakan bagian kepala yang memanjang. Jika rumus diatas dilakukan dengan pendekatan elips, maka dapat diasumsikan perhitungan untuk mencari HC sama dengan keliling elips; Keliling elips = 3.14 (2a + 2b) / 2
(3.5)
Panjang diameter dan keliling yang didapatkan pada proses diatas masih dalam satuan piksel, untuk mendapatkan dalam satuan panjang (mm) maka perlu dilakukan proses kalibrasi dari satuan piksel ke satuan panjang, dengan
60
menetapkan persamaan 1 piksel = 0.264583333 mm (www.unitconversion.org). Sehingga akan didapatkan BPD dan HC dalam satuan panjang (mm).
Mulai
ELIPS TERPILIH
PARAMETER ELIPS ( SEMIMAYOR (a), SEMIMINOR (b) DALAM PIKSEL
KELILING = 3.14 (2a + 2b)/2
DIAMETER = 2 * Semiminor (b)
Kalibrasi dengan persamaan : 1 piksel = 0. 264583333 mm
BPD, HC dan USIA GESTASI
Mulai
Gambar 3.7 Bagan proses kalibrasi piksel ke satuan panjang
3.5
Algoritma Program Terdapat beberapa algoritma program utama yang mendukung aplikasi
sistem deteksi kepala janin, yaitu algoritma segmentasi ruang warna L*a*b, algoritma filtering, algoritma klastering dengan Fuzzy C-Means dan algoritma IRHT. Masing-masing algoritma akan dijelaskan sebagai berikut.
61
3.5.1 Algoritma Ruang Warna dengan L*a*b Setiap citra memiliki sistem koordinat warna yang berbeda, pada umumnya citra berada pada standart koordinat warna RGB, begitupula untuk citra USG yang dijadikan data uji, citra USG berada dalam koordinat warna RGB (Red , Green, Blue). Untuk dapat menghasilkan segmentasi dalam ruang warna L*a*b, perlu dilakukan transformasi ruang koordinat terlebih dahulu dari RGB ke XYZ dikarenakan sistem koordinat warna XYZ memiliki komponen transformasi yang bernilai positif. Perhitungan transformasi dari ruang warna RGB ke L*a*b melalui perhitungan matrik dengan algoritma sebagai berikut :
Gambar 3.8 Flowchart konversi koordinat warna RGB ke L*a*b
62
3.5.2 Algoritma Smooth Filter Smooth filter bertujuan untuk menekan gangguan (noise) pada citra hasil dari ruang warna RGB dan L*a*b. Algoritma smooth filter berfungsi untuk menggaburkan dan mengurangi derau yang terdapat pada citra, dimana pada proses nya menggunakan tapis smooth dengan langkah sebagai berikut : 1. Menetapkan kernel yaitu 3x3 2. Melakukan konvolusi citra dengan tapis smooth Berikut ini adalah bagan proses dari filter smooth dengan pemilihan kernel 3x3. MULAI
Input : citra, α
Yß 0
YßY+1
Y
Xß0
N
X
Y
Output : citra
Xß X+1
Y Selesai
Gambar 3.9 Flowchart smooth filter
63
3.5.3 Algoritma Klastering (Fuzzy C-Means) Proses klastering berfungsi untuk mengelompokkan data yang ada ke dalam beberapa klaster yang ditentukan. Pada peneilitian ini menggunakan algoritma Fuzzy C-Means, klasterisasi ini bertujuan untuk mengelompokkan piksel citra berdasarkan kedekatan jarak antar piksel. Langkah-langkah pada proses ini dijelaskan sebagai berikut : 1. Menentukan jumlah kelompok atau klaster yang akan dibentuk (2 ≤ c ≤ n), pada penelitian ini
klaster minimum adalah sebanyak 2, dengan iterasi
maaksimum sebesar 50 kali iterasi, serta error terkecil = 0.00000001 2. Menginisialisasi matriks fungsi keanggotaan awal U, biasanya dipilih acak. 3. Menghitung nilai pusat kelompok ke-k. 4. Menghitung matriks derajat keanggotaan yang baru 1t+U dengan persamaan 1. Membandingkan nilai keanggotaan dalam matriks U, jika (t > MaxIter ) maka sudah konvergen dan iterasi dihentikan, dimana ε merupakan nilai threshold yang ditentukan. Berikut Flowchart dari klasterisasi dengan Fuzzy C-Means :
64
Mulai
Memenetukan jumlah cluster (2 ≤ c ≤ n) Menghitung fungsi objektiv ke-t, Pt dengan persamaan:
Mengitung perubahan matriks partisi:
Mencari Pusat Kluster dengan persamaan :
Jika (|Pt – Pt-1 | < ) atau (t > MaxIter)
STOP ITERASI
SELESAI
Gambar 3.10 Flowchart Fuzzy C-Means 3.5.4 Algoritma IRHT Pada proses IRHT, penetapan jumlah iterasi pencarian scanning parameter pembentuk kurva tidak dibatasi. Proses iterasi sendiri adalah proses untuk melakukan atau menemukan elips yang sesuai dengan citra input, dimana pada proses iterasi ini menghasilkan 4 parameter, yaitu x-center, y-center (x₀,y₀)
65
merupakan pusat elips, b (semiminor) axis dan a (semimajor) axis. Keempat parameter yang bernilai paling tinggi pada proses iterasi akan ditampilkan sebagai elips terbaik dengan melabelkan skor 1, semakin baik nilai keempat parameter yang terdeteksi sebagai elips maka semakin besar pula skor yang diperoleh. Sedangkan proses scanning bertujuan untuk memunculkan elips terbaik berdasarkan skor tertinggi yang didapatkan pada saat proses iterasi.
Mulai
Bangkitkan 3 indeks point X1, X2, dan X3 secara random sesuai dengan jumlah iterasi
A
Mencari persamaan garis dari masing – masing indeks / titik random
Memastikan jumlah nilai piksel yg ditemukan sesuai dengan treshold yang ditetapkan Menentukan Garis intersection dari (x1,x2) dan (x2,x3)
Masukkan/ tambahkan ellipse ke dalam accumulator Mengitung Garis bisector dari titik tangent interseption
Hitung titik tengah ellipse dengan menggunakan persamaan bisector interseption
Mendeteksi best elips yang berada di akumulator yang memiliki skor 1
Mencari Semimajor dan Semiminor
Memasukkan parameter elips ke dalam akumulator
N
Y
Apakah elips dgn skor bernilai 1 lebih dari 1
Best elips ditampilkan dengan memilih ratio pixel ellipse terhadap gambar asli yang terbesar
Menampilkan elips terbaik sesuai dengan scanning yang dilakukan
Apakah elip? 4AC-B² > 0 Y
Membandingkan nilai pixel antara gambar original dengan bentuk ellipse yang ditemukan
A
Selesai
Gambar 3.11 Flowchart IRHT
N
66
Pencarian elips dengan metode IRHT adalah dengan melakukan pengulangan-pengulangan terhadap titik point X1.X2,X3. Dari 3 point ini kemudian di dapatkan garis singgung elips dari titik X1,X2,X3, sehingga didapatkan garis bisector dan titik pusat elips. Setelah titik pusat elips ditemukan maka dilanjutkan mencari semimajor dan semiminor, semimajor adalah titik potong terpanjang, sedangkan semiminor adalah titik potong terpendek pada elips. Parameter elips berupa titik pusat (X0,Y0), semiminor (b), dan semimajor (a) disimpan ke dalam akumulator. Penyimpanan parameter ini dilakukan setiap 1 kali proses iterasi yang berlangsung. Setelah elips terdeteksi, maka dilakukan perbandingan piksel antara elips yang ditemukan dengan piksel yang ada pada gambar asli, untuk menemukan titik singgung yang terbanyak terhadap gambar asli, maka diterapkan threshold. Semakin kecil nilai threshold yang ditetapkan pada proses pencarian elips (0.05), maka semakin besar pula peluang titik singgung piksel yang terjadi pada elips dan gambar asli. Sehingga dengan kondisi gambar asli yang kurang sempurna, dapat menghasilkan elips yang mendekati gambar asli sesuai dengan banyaknya piksel yang bersinggungan antara elips yang ditemukan dari proses iterasi terhadap gambar asli. Untuk menentukan best elips dari setiap scanning dan iterasi terhadap data uji, dilakukan dengan memanggil skor terbesar dari semua parameter pembentuk kurva elips
yang telah disimpan dalam akumulator. Pemberian skor dalam
akumulator bertujuan untuk mengganti parameter yang terbentuk pada saat setiap iterasi berlangsung, sehingga pada 1 proses scanning akan terdapat 1 skor terbaik dari satu proses iterasi. Hasil yang memiliki skor terbaik ini lah yang akan
67
ditampilkan pada saat proses scanning. Jika dalam proses nya semua skor pada proses scanning (misalkan, 10 scanning) semua bernilai skor 1, maka elips terbaik ditentukan oleh ratio piksel terbesar elips yang bersinggungan dengan gambar asli. IRHT merupakan metode yang dilakukan secara berulang dan acak. Proses ini dapat kita lihat dalam pencarian nilai parameter untuk scanning dan iterasi. Oleh sebab itu peluang terbentuknya best elips akan berbeda-beda dalam setiap iterasi. 3.6
Pemograman Implementasi pemrograman pada sistem identifikasi ini meliputi struktur
program yang dirancang ke dalam bahasa pemrograman. Perangkat lunak pemograman yang digunakan adalah Matlab 7.12. Beberapa modul utama yang menjadi pembahasan akan di jabarkan sebagai berikut : 3.6.1 Modul Segmentasi Ruang Warna dengan L*a*b Modul ini berfungsi untuk melakukan perubahan koordinat warna dari RGB ke L*a*b. Berikut adalah kode program dari modul segmentasi ruang warna dengan L*a*b.
68
*Untuk merubah dari RGB ke XYZ function [L,a,b] = RGB2Lab(R,G,B) % function [L, a, b] = RGB2Lab(R, G, B) % RGB2Lab takes matrices corresponding to Red, Green, and Blue, and % transforms them into CIELab. % RGB values can be either between 0 and 1 or between 0 and 255. if (nargin == 1) B = double(R(:,:,3)); G = double(R(:,:,2)); R = double(R(:,:,1)); end if ((max(max(R)) > 1.0) | (max(max(G)) > 1.0) | (max(max(B)) > 1.0)) R = R/255; G = G/255; B = B/255; end [M, N] = size(R); s = M*N; T = 0.4; RGB = [reshape(R,1,s); reshape(G,1,s); reshape(B,1,s)]; MAT = [0.607 0.174 0.201 ; 0.299 0.587 0.114; 0.000 0.066 1.117;]; XYZ = MAT * RGB; X = XYZ(1,:) / 0.950456; Y = XYZ(2,:) ; Z = XYZ(3,:) / 1.088754;
69
X = XYZ(1,:) / 0.950456; Y = XYZ(2,:) ; Z = XYZ(3,:) / 1.088754; XT = X > T; YT = Y > T; ZT = Z > T; fX = XT .* X.^(1/3) + (~XT) .* (7.787 .* X + 16/116); % Compute L Y3 = Y.^(1/3); fY = YT .* Y3 + (~YT) .* (7.787 .* Y + 16/116); L = YT .* (116 * Y3 - 16.0) + (~YT) .* (903.3 * Y); fZ = ZT .* Z.^(1/3) + (~ZT) .* (7.787 .* Z + 16/116); % Compute a and b a = 500 * (fX - fY); b = 200 * (fY - fZ); L = reshape(L, M, N); a = reshape(a, M, N); b = reshape(b, M, N); if ((nargout == 1) | (nargout == 0)) L = cat(3,L,a,b); end
* Untuk memanggil fungsi RGB2Lab nama_file = get(handles.edit17,'string'); image1 = imread(nama_file); ukuran_gbr = size(image1); apakah_rgb = length(ukuran_gbr); if apakah_rgb == 3 [L,a,b] = RGB2Lab(image1); cform = makecform('srgb2lab'); Lab = applycform(image1,cform); imageL = imageA = imageB = imageLab
uint8(L); uint8(a); uint8(b); = Lab;
imageL = imcomplement(imageL);
70
3.6.2 Modul Filtering Modul filtering berfungsi untuk memfilter citra yang dihasilkan oleh ruang warna RGB dan L*a*b. Kode program sebagai berikut :
global image_conv Nama_gbr = get(handles.edit17,'string'); gbr_awal1 = imread(Nama_gbr); nama_filter = get(handles.popupmenu5,'value'); %% [row col dim] = size(gbr_awal1); % fing image size if dim == 3 gbr_awal = rgb2gray(gbr_awal1); else gbr_awal = gbr_awal1; end if nama_filter == 1 im_filter = gbr_awal1; image_name = ['Filtering (no filter) ' Nama_gbr];
*KONVOLUSI elseif nama_filter== 2 gbr_double = double(gbr_awal); kernel = ones(3,3) / 9; gbr_conv = conv2(gbr_double, kernel, 'same'); im_filter = uint8(gbr_conv); image_name = ['Filtering (smooth) ' Nama_gbr]; %================ End axes(handles.axes2) imshow(im_filter) imwrite(im_filter,image_name) imwrite(im_filter,'img_filter.jpg')
71
3.6.3 Modul Klastering (Fuzzy C-Means) Klastering bertujuan untuk mengelompokkan data piksel menjadi beberapa kelas atau kelompok yang saling berdekatan, pada algoritma klasterisasi menggunakan FCM, klaster dapat ditentukan dengan minimal klaster yang terbentuk sebanyak 2, dengan threshold 0.50 dan iterasi maksimal sebanyak 50.
function segImg = myfcm ( imgVector, sizeX, sizeY, clusterNum) if (clusterNum < 2) % set the cluster clusterNum = 2; end clusterVector = zeros(clusterNum); clusterCenter = zeros(clusterNum); posFlag = 0; for i = 1 : clusterNum clusterVector(i) = 255 * (i - 1) / (clusterNum - 1); end threshold = 0.50; % set the threshold of when to stop iteration max_iteration = 50; % max times of iteration curr_iteration = 0; % current times of iteration %% iteration disp('=================================') fprintf('\n') disp('[ FCM ] start iteration :'); fprintf('\n') disp('=================================') while (curr_iteration < max_iteration) curr_iteration = curr_iteration + 1; distance = zeros( clusterNum, length(imgVector)); for i = 1 : clusterNum for j = 1 : length(imgVector) if (posFlag == 0) distance(i, j) = abs(imgVector(j) clusterVector(i)); else distance(i, j) = (abs(imgVector(j) clusterVector(i))) + ((mod(j, sizeX) – mod(clusterCenter(i), sizeX))^2 + (floor(j / sizeX) - floor(clusterCenter(i) / sizeX))^2)^(0.11); end end end
72
* Menghitung Matrik U % re-calculate matrix [sizeUX, sizeUY] = size(distance); matrixU = ones( sizeUX, sizeUY); matrixU = matrixU .* ( -1 ); for j = 1 : length(imgVector) flag = 0; for i = 1: clusterNum sum = 0; for k = 1 : clusterNum if (distance(k,j) < 0.00000001)% almost the same flag = k;break; else sum = sum + distance(i,j) / distance(k,j); end end if (flag < 1) matrixU(i,j) = 1 / sum; end end if (flag > 0) for i = 1 : clusterNum matrixU(i,j) = 0; end matrixU(flag,j) = 1; end end
*Mencari Pusat Klaster % re-calculate cluster centers newCluster = zeros(clusterNum); newCenters = zeros(clusterNum); for i = 1 : clusterNum sum = 0; for j = 1 : length(imgVector) newCluster(i) = newCluster(i) + matrixU(i,j) * imgVector(j); newCenters(i) = newCenters(i) + matrixU(i,j) * j; sum = sum + matrixU(i,j); end newCluster(i) = newCluster(i) / sum; newCenters(i) = round(newCenters(i) / sum); end t_gray = norm(abs(clusterVector - newCluster)); if (posFlag == 1) t_posi = norm(abs(clusterCenter - newCenters)); else t_posi = 0; end %fprintf('-Iteration %d\tGrayDiffNorm = %.3f PosiDiffNorm = %.3f\n', curr_iteration, t_gray, t_posi); fprintf('-Iteration : %d \n', curr_iteration);
73
if (t_gray < threshold & t_posi < threshold) disp(' norm less than threshold, iteration stops'); break; else clusterVector(:) = newCluster(:); clusterCenter(:) = newCenters(:); posFlag = 1; for j = 1 : length(imgVector) imgCluster = 1; maxBelong = max(matrixU(1,j)); for i = 2 : clusterNum if (matrixU(i,j) > maxBelong) imgCluster = i; maxBelong = matrixU(i,j); end end imgVector(j) = 255 * (imgCluster - 1) / (clusterNum - 1); end segImg = vectorToImg(imgVector, sizeX, sizeY); end end end
%fuzzy c-means s_time = tic; segImg1 = myfcm( imgVector,sizeX,sizeY,num_class); e_time = toc(s_time); fprintf('FCM uses %.2f sec\n', e_time); boundary = edge(round(segImg1),'canny', 0); mBoundedImg = im2double(pic_original); mBoundedImg(:,:) = min(mBoundedImg(:,:) + boundary, 1); image_fcm = imcomplement(mBoundedImg); image_fcm = im2bw(image_fcm); if num_class == 2 image_name = ['Hasil FCM 2 cluster ' nama_gbr]; elseif num_class == 3 image_name = ['Hasil FCM 3 cluster ' nama_gbr]; end imwrite(image_fcm,image_name); imwrite(image_fcm,'fcm1.jpg'); axes(handles.axes3) imshow(image_fcm) set(handles.edit2,'string',e_time) %============================= imwrite(image_fcm,'fcm1.jpg'); axes(handles.axes3) imshow(image_fcm) set(handles.edit2,'string',e_time) %=============================
74
3.6.4 Modul Deteksi Elips (IRHT) Modul deteksi elips dengan IRHT digunakan untuk menemukan lingkar kepala Janin yang diasumsikan sebagai elips. Pendekatan yang terbaik adalah dengan menggunakan metode IRHT, karena metode ini paling stabil dalam mendeteksi kurva elips, karena IRHT akan mencari secara acak kurva elips terbaik dengan iterasi yang telah ditentukan, yaitu sebanyak 50, 100, 150, 175 dan 200 iterasi yang diinginkan dalam satu pencarian sampel (scanning). Kode program dari modul ini dapat dilihat sebagai berikut : 1. MENCARI TITIK TENGAH ELLIPSE 1.1 Bangkitkan 3 indeks point X1, X2, dan X3 secara random sesuai dengan jumlah iterasi randIndexes = rand(1,iterations*3); randIndexes = unique(randIndexes ); numIndexGroups = floor(size(randIndexes,2) / 3); randIndexes = randIndexes(1:(numIndexGroups*3)); randIndexes = randIndexes( randperm(size(randIndexes,2)) ); randIndexes = reshape(randIndexes,3,iterations); randIndexes = round(randIndexes .* (size(nonZinds,1)-1 ) + 1); randIndexes = nonZinds(randIndexes);
Gunakan 3 indeks random ( X1,X2,X3) untuk tiap kali iterasi pada saat scanning for loop = 1:iterations pointsIndex = randIndexes(:,loop); …
1.2 Dapatkan persamaan garis dari masing – masing indeks random Garis 1 (X1) [I, J] = ind2sub(esize, pointsIndex(1) ); point =[I, J]; [py, px] = find( (roipoly(e,point(2) + nc, point(1) + nr) & e) > 0 ); [P,S] = polyfit(px, py,1);
75
Garis 2 (X2) [I, J] = ind2sub( esize, pointsIndex(2)); point2 =[I, J]; [py2, px2] = find( (roipoly(e,point2(2) + nc, point2(1) + nr) & e) > 0); [P2,S2] = polyfit(px2, py2,1);
Garis 3 (X3) [I, J] = ind2sub(esize, pointsIndex(3) ); point3 = [I,J]; [py3, px3] = find( (roipoly(e,point3(2) + nc, point3(1) + nr) & e) > 0 ); [P3,S3] = polyfit(px3, py3,1);
1.3
Menghitung tangent line intersection dari tangent
1.3.1 Garis interseption (X1,X2) Menghitung nilai tangent X1 dan X2 lines(1) = subs(lineeq, {m b}, {P(1) P(2)}); lines(2) = subs(lineeq, {m b}, {P2(1) P2(2)});
Maka garis interseption (X1,X2) : lineIntercept = solve(lines(1),lines(2));
Maka garis interseption (X2,X3) : lineIntercept2 = solve(lines2(1),lines2(2));
1.4 Hitung Garis bisector dari titik tangent interseption. midx = ((point(2) + point2(2)) * 0.5); midy = ((point(1) + point2(1)) * 0.5); bisectSlope = (midy - lineIntercept.y) / (midx lineIntercept.x ) ; bisectB = lineIntercept.y - bisectSlope * lineIntercept.x;
midx2 = ((point2(2) + point3(2)) * 0.5); midy2 = ((point2(1) + point3(1)) * 0.5); bisectSlope2 = (midy2 - lineIntercept2.y) / (midx2 lineIntercept2.x); bisectB2 = lineIntercept2.y - bisectSlope2 * lineIntercept2.x ;
76
1.5 Hitung titik tengah ellipse dengan menggunakan persamaan bisector interseption : linesCent(1) = subs(lineeq, {m b}, {bisectSlope bisectB}); linesCent(2) = subs(lineeq, {m b}, {bisectSlope2 bisectB2}); lineInterceptCent = solve(linesCent(1),linesCent(2)); xCent = eval(lineInterceptCent.x); yCent = eval(lineInterceptCent.y);
2. MENCARI SEMIMAJOR & SEMIMINOR centerP = repmat([yCent xCent],[3 1] ); transP = [point; point2; point3] - centerP; fm(1) = subs(ellipseFcn, {x y}, {transP(1,2) transP(1,1)}); fm(2) = subs(ellipseFcn, {x y}, {transP(2,2) transP(2,1)}); fm(3) = subs(ellipseFcn, {x y}, {transP(3,2) transP(3,1)}); s = solve(fm(1),fm(2),fm(3)); majorAxis = eval( sqrt(abs(1/s.a))); minorAxis = eval( sqrt(abs(1/s.c)));
3. Memastikan terdapat ellipse pada Gambar dan memberi score check = eval(s.a*s.c - s.b^2); if( yCent > 0 && xCent > 0 && check > 0 ) … Score = 1; …
4. Membandingkan nilai pixel antara gambar original dengan bentuk ellipse yang ditemukan % Hitung keliling ellipse yang ditemukan circumference = pi * ( majorAxis + minorAxis ); % Hitung ratio pixel dari ellipse yang ditemukan pixelsFound = sum(sum(ellipseMask & e)); % ellipseMask & e untuk membandingkan nilai pixel antara gambar original dengan bentuk ellipse yang ditemukan pada gambar. Kemudian hitung jumlh kesamaan pixel antara keduanya.
77
5
Menambahkan parameter ellipse pada akumulator bestEllipses = addToAccumulator(bestEllipses, ... accumulator(numBestInAccum,1), ... accumulator(numBestInAccum,2), ... accumulator(numBestInAccum,3), ... majorAxis accumulator(numBestInAccum,4), ... minorAxis accumulator(numBestInAccum,5), ...
% xCenter % yCenter % % % score
6. Mencari score tertinggi untuk masing – masing ellipse score_tertinggi = max(bestEllipses(:,5)); % Cari angka tertinggi pada kolom score for i = 1:row for j = 1:col if bestEllipses(i,j) == score_tertinggi posisi = i; % posisi score tertinggi pada matrik bestellipses end end end
7. Jika score tertinggi tidak didapat ( score semua ellipse adalah sama ), maka ellipse yang terbaik ditentukan dari ratio pixel ellipse terhadap gambar asli yang terbesar : Ratio_terbaik = max(bestEllipses(:,6)); % Cari angka tertinggi pada kolom ratio pixel score_tertinggi = Ratio_terbaik; for i = 1:row for j = 1:col if bestEllipses(i,j) == score_tertinggi posisi = i; % posisi ratio pixel terbesar pada matrik bestellipse end end end end Tampilkan_parameter = bestEllipses(posisi,:);
78
3.6.5 Modul Menentukan Pengukuran BPD dan HC serta Proses Kalibrasi Pada modul ini akan dijabarkan alur program untuk mendapatkan hasil pengukuran BPD dan HC serta proses kalibrasi dari piksel menjadi millimeter. Kode program dari modul ini dapat dilihat sebagai berikut : 1. Menghitung BPD dari ellipse dengan score tertinggi lalu convert nilai pixel ke satuan mm. BPD = 2 * (Tampilkan_parameter(:,4) * 0.264583333); % Tampilkan_parameter(:,4) adalah nilai minor axis % 1 pixel = 0.264583333 mm
2. Mencari umur bayi pada table sesuai perhitungan BPD 2.1 Membuat Tabel referensi berdasarkan teori % Gestational Age (Week) Tabel_Age = [12:0.5:40]'; % biparetal Diameter (mm) Tabel_BPD = [17;19;21;23;25;27;29;31;32;34;... 35;38;39;41;43;45;46;48;50;51;... 53;55;56;58;59;61;62;64;65;67;... 68;69;71;72;73;75;76;77;78;79;... 81;82;83;84;85;86;87;88;89;89;... 90;91;92;92;93;94;94]; % Head Circumference (mm) Tabel_HC = [68;75;82;89;97;104;110;117;124;... 131;138;144;151;158;164;170;177;183;189;... 195;201;207;213;219;224;230;235;241;246;... 251;256;251;261;271;275;280;284;288;293;... 297;301;304;308;312;315;318;322;325;328;... 330;333;335;338;340;342;344;346]; % Menyatukan Matriks Age, BPD, HC menjadi 1 matrik untuk memudahkan pencocokan data Tabel = [Tabel_Age Tabel_BPD Tabel_HC];
79
2.2 Mencocokan data BPD hasil perhitungan dengan data di table referensi. Dalam hal ini dicari data BPD yang paling mendekati yaitu data table yang memiliki selisi terkecil dengan data hasil perhitungan. Round_BPD = round(BPD); % Bulatkan nilai BPD hasil perhitungan num_data = length(Tabel_Age); % Hitung jumlah data table untuk batasan iterasi for i = 1:num_data gap(i) = abs(Tabel(i,2) - Round_BPD); % Hitung selisih masing- masing data min_gap = min(gap); % Hitung selisih terkecil pos = find (gap == min_gap); % Cari / dapatkan posisi data dengan selisih terkecil end final_pos = pos(1); Tabel_Result_Match = Tabel(final_pos,:); % Ambil data semua baris (Age, BPD, HC) dari data dengan selisih terkecil dengan hasil perhitungan
2.3 Menampilkan data hasil pencocokan di sebuah tabel GUI analysis_result = [BPD HC Age]; Data_final = [Tampilkan_parameter analysis_result]; set(handles.uitable1,'Data', Data_final); c_name = {'x-center','y-center','semiMajorAxis',... 'semiMinorAxis','score','Biparetal diameter (mm)', ... 'Head circumference (mm)','Age (week)'}; set(handles.uitable1,'ColumnName', c_name);
3.7
Antarmuka Aplikasi Form aplikasi dari sistem deteksi kepala janin ini terdiri satu form, dimana
dalam satu form ini keseluruhan proses untuk deteksi kepala janin dapat dilakukan. Berikut tampilan form aplikasi :
80
7
8
5a
5a 5a
5b
2a
1b
5a
2b
b
5a
b
b
5a
5d
b
b
5e b
2c
c 5f
1a
5a
1c
b
2d
5c
4b
3a
b 5a
4c
d
5g 5h
5i 4a 3c
3b
4e
4d
5j
Gambar 3.12 Form aplikasi Berikut ini adalah keterangan masing-masing nomor yang terdapat pada form aplikasi. a. Nomor 7 merupakan tombol reset (mengulang proses pada aplikasi) b. Nomor 8 merupakan tombol close (menutup proses pada aplikasi) Panel 1 Panel 1 digunakan untuk menampilkan pemrosesan awal pada citra, seperti pemilihan menampilkan citra uji. a. Nomor 1a adalah tombol browse image yang digunakan untuk memilih citra uji. b. Nomor 1b adalah axis untuk menampilkan citra uji USG.
81
c. Nomor 1c adalah list name untuk menampilkan nama dari citra uji. Panel 2 Panel 2 digunakan untuk menampilkan proses hasil konversi citra uji dari ruang warna RGB ke L*a*b, dimana : a. Nomor 2a adalah axis untuk menampilkan hasil citra dari segmentasi ruang warna L*a*b b. Nomor 2b adalah list view untuk memilih segmentasi komponen warna yang ditampilkan pada axis, terdapat beberapa pilihan hasil segmentasi ruang warna yaitu : komponen Lab, komponen L, komponen a, komponen b. c. Nomor 2c adalah list view untuk menampilkan pilihan save atau view hasil segmentasi yang diinginkan. d. Nomor 2d adalah tombol execute yang digunakan untuk menjalankan proses yang diinginkan. Panel 3 Panel 3 digunakan untuk menampilkan proses filtering, antara lain; a. Nomor 3a adalah axis untuk menampilkan hasil filtering yang dipilih. b. Nomor 3b adalah list view untuk memilih jenis filtering yang diinginkan (no filter, smooth filter, sharpen). c. Nomor 3c adalah tombol execute, digunakan untuk menjalankan proses yang diinginkan.
82
Panel 4 Panel 4 digunakan untuk proses dan menampilkan hasil klasterisasi citra dengan metode Fuzzy C-Means, antara lain; a. Nomor 4a adalah axis untuk menampilkan hasil Fuzzy C-Means. b. Nomor 4b list view untuk memilih cluster yang diinginkan. c. Nomor 4d list name, untuk menampilkan waktu yang diperlukan selama iterasi berlangsung (proses yang dilakukan oleh Fuzzy C-Means). d. Nomor 4c list name, untuk menampilkan jumlah iterasi yang diperlukan sampai menghasilkan segmentasi. e. Nomor 4e adalah tombol execute, digunakan untuk menjalankan proses yang diinginkan. Panel 5 Panel 5 digunakan untuk proses deteksi elips, antara lain; a. Nomor 5a tombol browse image yang digunakan untuk memilih citra uji pada proses deteksi elips. b. Nomor 5b adalah axis untuk menampilkan citra uji dan citra hasil dari deteksi elips. c. Nomor 5c adalah list name untuk menampilkan nama dari citra uji. d. Nomor 5d adalah list view yang digunakan untuk memilih hasil elips yang diinginkan (all elips atau best elips). e. Nomor 5e adalah list name untuk menampilkan waktu yang diperlukan selama proses deteksi elips berlangsung.
83
f. Nomor 5f adalah tombol execute, digunakan untuk menjalankan proses yang diinginkan. g. Nomor 5g yaitu; Number of scanning (jumlah scan untuk mendapatkan hasil elips pada citra uji), h. Nomor 5h yaitu; Number of iteration (jumlah iterasi atau pencocokan atau pencarian elips) yang dilakukan pada 1 proses scan yang berlangsung. i.
Nomor 5i yaitu; nilai treshold
j.
Nomor 5j Output parameter yang dihasilkan IRHT (x-center, y-center, semiminor-axis, semimayor-axis, skor, piksel ratio, BPD, HC, Usia gestasi)
BAB IV HASIL DAN PEMBAHASAN
4.1
Preprocessing Sampel Citra USG Preprocessing pada citra sampel bertujuan untuk mempersiapkan agar
citra siap di proses pada tahap segmentasi dengan metode Fuzzy C-Means. Terdapat beberapa langkah preprocessing yang dilakukan pada citra sampel, pertama adalah penyeragaman dimensi dari citra sampel sebesar 273 x 240 piksel, kemudian membagi citra sampel kedalam ruang atau koordinat warna, yaitu RGB dan L*a*b. yang terakhir adalah dengan melakukan proses filter, dengan teknik konvolusi yang bertujuan untuk mereduksi noise yang terdapat pada citra sampel. 4.1.1 Membagi Citra Sampel ke Dalam Ruang Warna Citra uji yang terdiri dari 30 sampel, kemudian dilakukan proses preprocessing citra dengan membagi seluruh citra ke dalam 2 ruang warna, yaitu RGB dan L*a*b. Untuk citra dengan ruang warna RGB tidak dilakukan perubahan ataupun transformasi citra. Sedangkan untuk citra uji pada ruang warna L*a*b, dilakukan transformasi dari ruang warna RGB menjadi XYZ dan kemudian menjadi L*a*b, sesuai dengan Gambar 3.2. Dalam ruang warna L*a*b, nilai threshold berpengaruh pada hasil segmentesi tiap komponen warna. Berikut persaamaan untuk konversi RGB ke L*a*b : [M, N] = size(R); s = M*N; T = 0.4; RGB = [reshape(R,1,s); reshape(G,1,s); reshape(B,1,s)]; MAT = [0.607 0.174 0.201 ; 0.299 0.587 0.114; 00 0.066 1.117;]; XYZ = MAT * RGB;
84
85
% Compute L Y3 = Y.^(1/3); fY = YT .* Y3 + (~YT) .* (7.787 .* Y + 16/116); L = YT .* (116 * Y3 - 16.0) + (~YT) .* (903.3 * Y); fZ = ZT .* Z.^(1/3) + (~ZT) .* (7.787 .* Z + 16/116); % Compute a and b a = 500 * (fX - fY); b = 200 * (fY - fZ);
Berikut hasil percobaan yang telah dilakukan dengan menggunakan citra uji (citra 8.bmp) dengan menggunakan threshold 0.4, nilai threshold 0.4 dipilih berdasarkan nilai terbaik selama uji coba.
(a)
(c)
(b)
(d)
Gambar 4.1 Pembagian ruang warna dengan thresholding 0.4. (a) komponen warna L, (b) komponen warna a*, (c) komponen warna b*, (d) ruang warna L*a*b 4.1.2 Filterisasi Citra Proses filtering membantu dalam memperbaiki atau menonjolkan karakter citra yang diinginkan. Pada proses smooth filtering yang dilakukan dengan metode konvolusi dengan kernel 3x3. Proses filtering dilakukan baik pada citra dalam ruang warna RGB maupun L*a*b. Berikut concoh hasil filtering pada kedua ruang warna :
86
(a)
(b)
(c)
(d)
Gambar 4.2 Proses filter citra uji ruang warna (a) citra uji dengan ruang warna (RGB), (b) hasil smooth filter pada RGB, (c) citra hasil ruang warna L*a*b, (d) hasil smooth filter pada L*a*b
4.2
Cara Pengujian Sistem Deteksi Kepala Janin Pengujan sistem deteksi kepala janin ini terdiri dari pengujian antar muka
sistem, hasil segmentasi berdasarkan metode clustering, runnning time proses segmentasi, running time proses IRHT dan akurasi keberhasilan sistem dalam mendeteksi BPD, HC dan usia gestasi. Pengujian antar muka sistem dilakukan untuk memunjukkan hasil dari metode-metode yang telah diimplementasikan kedalam bahasa pemograman, pada pengujian antar muka sistem, dilakukan pengujan terhadap 30 citra uji kemudian dilakukan proses preprocessing yaitu membagi citra uji ke dalam 2 ruang warna yang berbeda, kemudian dilakukan filtering. Pengujian dilakukan untuk mengetahui hasil segmentasi kedua ruang warna dengan Fuzzy C-Means. Data uji pada penelitian ini sebanyak 30 citra, masing-masing berada pada ruang warna RGB dan L*a*b, tiap data uji pada ruang warna dilakukan pengujian dengan menggunakan metode Fuzzy C-Means dengan parameter yang telah
87
ditetapkan yaitu klaster minimum sebanyak 2, iterasi maksimum sebesar 50 kali iterasi, serta error terkecil = 0,000001. Pengujian dilakukan dengan membagi citra ke dalam beberapa kelompok data citra uji, dimana kelompok pertama adalah citra uji dengan ruang warna RGB dan L*a*b tanpa terlebih dahulu di lakukan proses filter pada citra, kemudian kelompok data yang kedua adalah citra uji dengan ruang warna RGB dan L*a*b dengan proses filter. Masing-masing kelompok data dilakukan pengujian untuk mengetahui running time dan hasil segmentasi terbaik, dimana hasil pengujian terbaik akan digunakan sebagai citra uji pada metode IRHT. Hasil pengujian ditunjukkan dalam bentuk tabel dan grafik running time pada masing-masing kelompok data. Untuk dapat menghasilkan akurasi pengukuran BPD, HC dan usia pada janin yang ditunjukkan oleh hasil pengukuran sistem, maka pengujian dilakukan dengan metode pendekatan elips dengan IRHT. Parameter untuk menghasilkan elips adalah scanning dan iterasi. Dimana untuk scanning dilakukan dengan nilai 2, 4 dan 6, sedangkan untuk iterasi pada masing-masing scanning adalah iterasi 50, 100, 150, 175 dan 200 iterasi. Oleh sebab itu peluang terbentuknya best elips akan berbeda-beda dalam setiap iterasi. Semakin banyak jumlah iterasi, maka peluang untuk mendapatkan 5 parameter pembentuk kurva akan semakin baik dan peluang menghasilkan elips terbaik yang mendekati gambar asli atau citra uji semakin banyak. Iterasi adalah pencarian parameter pembentuk kurva elips, parameter ini terdiri dari 5 paremeter yaitu yaitu x-center, y-center (x₀,y₀) merupakan pusat elips, b semi-minor axis dan a semi-major axis, dan ratio piksel. Setiap proses
88
iterasi akan melakukan pencarian terhadap 5 parameter, hasil terbaik yang ditemukan akan disimpan dalam akumulator dengan melabelkan nilai dalam bentuk skor. Semakin baik nilai 5 parameter pembentuk kurva yang didapatkan, maka nilai skor juga akan semakin tinggi (proses sesuai dengan flowchart IRHT pada Gambar 3.11). Berikut merupakan kode program untuk pemberian skor pada elips yang ditemukan : check = eval(s.a*s.c - s.b^2); if( yCent > 0 && xCent > 0 && check > 0 ) … Score = 1; …
Scanning bertujuan untuk memunculkan elips terbaik berdasarkan skor tertinggi yang didapatkan setelah proses iterasi. Untuk menentukan best elips dari setiap scanning, dilakukan dengan memanggil skor terbesar dari semua parameter pembentuk kurva elips
yang telah disimpan dalam akumulator. Hasil iterasi
dengan skor terbaik yang akan ditampilkan pada saat proses scanning, tetapi jika semua skor bernilai sama, maka pemilihan best elips akan ditentukan berdasarkan ratio piksel (ratio piksel terbesar elips yang bersinggungan dengan gambar asli). Berikut kode untuk menampilkan best elips berdasarkan ratio piksel dari citra uji : Ratio_terbaik = max(bestEllipses(:,6)); % Cari angka tertinggi pada kolom ratio pixel score_tertinggi = Ratio_terbaik; for i = 1:row for j = 1:col if bestEllipses(i,j) == score_tertinggi posisi = i; % posisi ratio pixel terbesar pada matrik bestellipse end end end end Tampilkan_parameter = bestEllipses(posisi,:);
89
Berdasarkan teori iterasi dan scanning, maka dilakukan percobaan dengan menetapkan parameter scanning dan iterasi. Penetapan nilai scanning minimum bertujuan untuk mendapatkan running time atau waktu tercepat dalam menghasilkan deteksi elips. Semakin banyak jumlah scanning yang digunakan, maka waktu yang dibutuhkan dalam proses deteksi elips juga semakin lama. Untuk itu pencarian scanning minimum dimulai dari nilai 2, karena scanning sebanyak 2, memiliki peluang memunculkan skor atau ratio piksel yang lebih baik dari nilai scanning sebanyak 1. Sedangkan nilai iterasi terendah dicoba pada nilai 25. Dari percobaan dengan parameter 2 scanning dan 25 iterasi menghasilkan data dimana, 25 citra uji tidak dapat terdeteksi oleh metode IRHT. Melihat hasil percobaan dengan parameter diatas, maka untuk memperkuat analisa pemilihan parameter scanning dan iterasi, maka dilakukan pengujian terhadap parameter dengan nilai scanning 2, 4 dan 6 dengan iterasi 50, 100, 150, 175 dan 200. Pemilihan nilai scanning dengan kelipatan 2 adalah untuk mendapatkan elips terbaik dari setiap hasil scanning serta mendapatkan perbedaan time running pada sistem yang dibuat. Dari setiap pengujian berdasarkan parameter
mendapatkan hasil
pengukuran BPD dan HC dalam satuan panjang (mm). Sehingga persamaan yang digunakan untuk mendapatkan akurasi persentase tertinggi yang mendekati data pengukuran yang berasal dari dokter adalah sebagai berikut : Persentase BPD (%) = Persentase HC (%) =
x 100% x 100%
4.1 4.2
90
Persentase kecendrungan iterasi pada setiap scanning, persentase akurasi tertinggi dari setiap parameter scanning dan iterasi untuk pengukuran BPD dan HC dalam 2 ruang warna, serta running time ditampilkan dalam tabel dan grafik. 4.3
Hasil Pegujian Sistem Deteksi Kepala Janin Pengujian sistem deteksi kepala janin mencakup beberapa bagian seperti
yang telah dijelaskan pada cara pengujian di atas. Hasil pengujian ditampilkan dalam bentuk gambar dan grafik unjuk kerja sistem baik terhadap persentase akurasi maupun running time proses. Hasil pengujian juga ditamplikan dalam bentuk tabel untuk mempermudah analisa. 4.3.1 Hasil Ujicoba Antarmuka Sistem Uji coba antarmuka sistem pada penelitian ini yaitu pengujian terhadap jalannya program yang terdiri dari proses transformasi ruang warna pada citra uji, proses filtering dengan smooth filter, segmentasi berbasis klastering dengan Fuzzy C-Means, kemudian deteksi elips dengan IRHT dan sampai menemukan hasil pengukuran BPD, HC dan usia gestasi pada citra yang diujikan. Hasil pengujian tersebut dapat dilihat pada satu form. Tampilan awal sistem ini dapat dilihat pada Gambar 4.3, dengan fungsi-fungsi lebih detail yang telah dijelaskan pada bagian Gambar 3.12. Proses deteksi ini diawali dari pemilihan citra uji yang akan dideteksi, dengan menekan tombol browse. Setelah citra uji terpilih, maka dilakukan transformasi ruang warna dari RGB menjadi L*a*b, dengan menekan tombol execute, hasil citra dengan ruang warna L*a*b dapat dilihat pada Gambar 4.4. Kemudian dilanjutkan dengan proses filtering atau non filtering dengan menekan
91
tombol execute di bagian bawah dan memilih proses yang diinginkan (list edit) dan hasil dari proses filtering pada citra dengan ruang warna L*a*b dapat dilihat pada Gambar 4.6. Kemudian dilanjutkan dengan proses segmentasi citra uji dengan Fuzzy C-Means 2 klaster yang hasilnya ditunjukkan pada Gambar 4.8, pada gambar tersebut terlihat hasil segmentasi yang diinginkan berupa skleton atau rangka pada citra uji. Pada proses ini terlihat hasil segmentasi antara kedua ruang warna. Pada proses ini juga terdapat informasi mengenai jumlah iterasi yang dicapai serta running time proses yang terjadi pada citra uji. Untuk proses deteksi elips, pemilihan citra uji dapat dilakukan dengan menekan tombol browse untuk mencari citra uji yang diinginkan, kemudian menginputkan parameter scanning dan iterasi, pada deteksi elips juga dapat dilakukan pemilihan untuk menampilkan semua elips yang muncul sesuai dengan jumlah scanning yang diinputkan (all elips) atau hanya ingin menampilkan best elips dari parameter scanning yang diinputkan (dapat dipilih pada list edit). Kemudian pada deteksi elips juga terdapat running time proses sampai mendapatkan deteksi elips. Pada proses ini juga menampilkan hasil pengukuran BPD, HC dan usia gestasi (ditunjukkan pada Gambar 4.10).
92
Gambar 4.3 Tampilan awal program saat dijalankan
Gambar 4.4 Tampilan hasil untuk konversi RGB ke L*a*b
93
Gambar 4.5 Tampilan hasil untuk proses filterisasi (smooth filter) RGB
Gambar 4.6 Tampilan hasil untuk proses filterisasi (smooth filter) pada L*a*b
94
Gambar 4.7 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna RGB
Gambar 4.8 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna L*a*b
95
Gambar 4.9 Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi
Gambar 4.10 Tampilan hasil deteksi elips dengan citra uji ruang warna L*a*b dengan parameter 2 scanning dan 50 iterasi
96
Percobaan pada Gambar 4.9 menunjukkan hasil pengukuran BPD sebesar 50.13 mm, HC sebesar 176.05 mm dan usia gestasi 21 minggu dengan running time sebesar 32,92 detik. Sedangkan pada Gambar 4.10 untuk ruang warna L*a*b menunjukkan hasil pengukuran BPD sebesar 56.90 mm, untuk HC sebesar 187.42 dan usia gestasi menunjukkan 23 minggu dengan running time sebesar 33.01 detik. 4.3.2 Pengujian Segmentasi Berbasis Klastering dengan Fuzzy C-Means Pengujian dilakukan terhadap 30 data uji berdasarkan ruang warna RGB dan L*a*b dengan melakukan pengujian melalui proses filter dan tanpa filter. Pengujian terhadap metode klasterisasi Fuzzy C-Means dilakukan dengan menguji estimasi waktu yang dibutuhkan dalam melakukan eksekusi (menghasilkan segmentasi berbasis klastering) dan kemudian mendapatkan hasil segmentasi berbasis klastering dari masing-masing citra uji. 4.3.2.1 Pengujian Ruang Warna RGB tanpa Proses Filter dengan Fuzzy CMeans Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna RGB tanpa proses filter serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.1.
97
Tabel 4.1 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi Tanpa Filtering pada Citra Uji dengan Ruang RGB Nama Citra
Percobaan ke1
2
3
4
5
Rata-rata waktu yang dibutuhkan (detik)
Jumlah Iterasi yang dilakukan
Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp
4 21 6 10 5 17
4 21 6 10 5 17
4 20 8 11 5 16
5 21 7 9 5 16
4 21 6 11 5 18
4.1 20.7 6.7 10.4 5.0 16.9
8 50 22 28 16 36
Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp
23 28 8 12 10 24
24 27 9 10 10 23
23 30 9 10 11 22
22 31 8 11 10 24
22 30 10 11 10 22
23.0 29.3 9.0 10.9 10.3 23.1
44 50 22 24 19 50
Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp
3 4 18 21 13 11 11 7 21 13 8 4 18 22 7 19 10 23
3 5 19 22 12 11 11 6 20 14 8 5 19 23 8 20 10 26
3 5 18 21 13 12 11 7 20 14 8 5 18 21 8 18 11 23
3 5 19 20 13 11 11 6 21 13 8 4 18 24 8 18 10 24
3 5 18 20 12 11 10 6 21 14 8 4 18 24 8 19 10 24
3.0 4.6 18.2 20.6 12.6 11.2 10.6 6.4 20.6 13.5 7.9 4.5 18.0 22.8 7.7 19.0 10.0 24.1
8 8 37 50 34 26 20 13 50 27 23 9 28 50 18 50 20 50
98
4.3.2.2 Pengujian Ruang Warna L*a*b tanpa Proses Filter dengan Fuzzy CMeans Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna L*a*b tanpa proses filterisasi serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.2. Tabel 4.2 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi tanpa Filter pada Citra Uji dengan Ruang Warna L*a*b Nama Citra
Percobaan ke1
2
3
4
5
Rata-rata waktu yang dibutuhkan (detik)
Jumlah iterasi yang dilakukan
Citra 1.bmp Citra 2.bmp
2 2
2 3
2 3
1 3
1 3
1.5 2.8
3 4
Citra 3.bmp Citra 4.bmp
1 2
2 3
2 3
2 3
2 3
1.8 2.8
4 5
Citra 5.bmp Citra 6.bmp
5 3
5 3
5 3
5 3
5 2
5.0 2.8
4 4
Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp
9 4 2 3 3 19
10 3 2 4 2 20
11 3 2 4 2 21
11 4 2 4 2 21
7 2 2 5 3 12
9.8 3.2 1.9 4.0 2.4 18.6
12 6 3 6 5 38
Citra 13.bmp Citra 14.bmp
3 2
2 2
3 3
3 2
3 2
2.6 2.2
4 6
Citra 15.bmp Citra 16.bmp
2 3
4 3
4 4
3 3
2 4
3.0 3.6
5 6
Citra 17.bmp Citra 18.bmp
4 5
4 6
6 5
6 4
6 5
4.9 5.0
9 7
Citra 19.bmp
2
2
2
2
2
2.0
4
99
Lanjutan Tabel 4.2 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi tanpa Filter pada Citra Uji dengan Ruang Warna L*a*b Nama Citra
Percobaan ke-
1
2
3
4
5
Rata-rata waktu yang dibutuhkan (detik)
Jumlah iterasi yang dilakukan
Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp
2 3 4 4 2 6
2 3 6 4 3 6
2 2 7 4 2 7
2 2 6 4 3 7
2 2 6 4 3 6
2 2.4 5.8 3.6 2.4 6.4
3 5 7 6 4 15
Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp
2 5 2 5 17
1 4 2 5 17
2 5 2 5 17
2 3 2 5 16
2 4 2 5 18
1.6 4.1 2.2 5.1 16.8
5 6 4 6 46
Hasil pengujian terhadap waktu yang diperlukan dalam proses segmentasi dengan data uji ruang warna RGB dan L*a*b tanpa proses filtering disajikan pada
45 40 35 30 25 20 15 10 5 0
RGB L*a*b C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
waktu (detik)
Gambar 4.11 sebagai berikut :
nama citra
Gambar 4.11 Grafik perbandingan waktu eksekusi hasil segmentasi klastering antara 2 ruang warna Dari Gambar 4.11 dapat dilihat grafik perbedaan waktu yang dibutuhkan oleh masing-masing ruang warna. Untuk grafik warna biru menunjukkan ruang warna RGB dan warna merah menunjukkan ruang warna L*a*b. 30 data uji,
100
dengan ruang warna L*a*b memiliki waktu rata-rata eksekusi yang lebih baik dari ruang warna RGB. Dengan rata-rata RGB sebesar 13 detik 49 milidetik,
50 45 40 35 30 25 20 15 10 5 0
RGB L*a*b
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
jumlah iterasi
sedangkan untuk L*a*b sebesar 4 detik 41 milidetik.
nama citra
Gambar 4.12 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna
Dari Gambar 4.12 dapat dilihat grafik perbedaan pencapaian iterasi maksimum
yang
dibutuhkan
oleh
masing-masing
ruang
warna
untuk
menghasilkan segmentasi. Pada Gambar 4.12 menunjukkan 8 citra pada ruang warna RGB (citra 2, 8, 12, 16, 21, 26 dan 30) berada pada pencapaian iterasi maksimum. Sedangkan pada ruang warna L*a*b hanya ada dua citra yang hampir mencapai jumlah iterasi maksimal. Sehingga diperoleh hasil rata-rata pencapaian iterasi dari 30 data uji dengan ruang warna L*a*b pada 8 iterasi dan 30 iterasi pada ruang warna RGB. 4.3.2.3 Hasil Segmentasi pada Kedua Ruang Warna tanpa Proses Filter dengan Metode Fuzzy C-Means Hasil segmentasi berbasis klastering dengan Fuzzy C-Means tanpa melalui proses filter, hasilnya ditunjukan oleh Tabel 4.3. Dimana pada tabel ini dapat dilihat perbandingan hasil segmentasi dari kedua ruang warna.
101
Tabel 4.3 Hasil Segmentasi Berbasis Klaster pada Kedua Ruang Warna tanpa Filter dengan Fuzzy C-Means Nama Citra
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra 1.bmp
Citra 2.bmp
Citra 3.bmp
Citra 4.bmp
Citra 5.bmp
Citra 6.bmp
Citra 7.bmp
Citra 8.bmp
*Lanjutan Tabel 4.3 ditampilkan pada Lampiran 2
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
102
Dari hasil pengujian, hasil segmentasi pada ruang warna RGB lebih baik dibanding ruang warna warna L*a*b, hal ini dapat dilihat dari hasil segmentasi 30 citra pada ruang warna L*a*b terdapat 6 citra yang hasilnya tidak sebaik pada ruang warna RGB, yaitu citra pada no 8, 11, 14, 23, 27, dan 29 ( hasil citra dapat dilihat pada Lampiran 2). 4.3.2.4 Pengujian Ruang Warna RGB pada Proses Smooth Filter dengan Metode Fuzzy C-Means Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna RGB dengan proses smooth filter, serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.4. Tabel 4.4 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang RGB Nama Citra
Percobaan ke1
2
3
4
5
Rata-rata waktu yang dibutuhkan (detik)
Jumlah iterasi yang dilakukan
Citra 1.bmp
4
5
5
5
5
4.6
9
Citra 2.bmp
22
20
19
23
23
21.4
48
Citra 3.bmp
5
5
6
6
5
5.5
10
Citra 4.bmp
9
9
10
9
9
9.2
23
Citra 5.bmp
7
7
7
7
7
7.0
23
Citra 6.bmp
11
12
11
12
11
11.4
25
Citra 7.bmp
27
24
23
23
24
24.2
44
Citra 8.bmp
12
11
11
11
12
11.5
21
Citra 9.bmp
7
8
8
8
8
7.8
23
103
Lanjutan Tabel 4.4 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang RGB Nama Citra
Percobaan ke1
2
3
4
5
Rata-rata waktu yang dibutuhkan (detik)
Jumlah iterasi yang dilakukan
Citra 10.bmp
11
11
10
10
11
10.6
24
Citra 11.bmp
12
12
12
12
12
11.9
22
Citra 12.bmp
23
23
24
23
25
23.8
50
Citra 13.bmp
2
2
2
2
2
2.0
5
Citra 14.bmp
4
4
4
4
4
4.0
7
Citra 15.bmp Citra 20.bmp
18 7
18 8
18 7
18 8
18 8
18.0 7.6
37 15
Citra 21.bmp
20
20
20
20
21
20.3
50
Citra 22.bmp
8
7
8
8
7
7.7
22
Citra 23.bmp
8
7
8
8
8
7.7
22
Citra 24.bmp
4
5
4
4
4
4.3
9
Citra 25.bmp
16
16
17
16
20
16.7
25
Citra 26.bmp
19
24
21
22
21
21.4
50
Citra 27.bmp
7
7
7
7
3
6.4
17
Citra 28.bmp
18
18
17
18
18
17.8
45
Citra 29.bmp
8
7
7
8
8
7.5
22
Citra 30.bmp
23
24
21
22
23
22.8
50
4.3.2.5 Pengujian Ruang Warna L*a*b pada Proses Smooth Filter dengan Fuzzy C-Means Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna L*a*b dengan proses smooth filter, serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.5
104
Tabel 4.5 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang L*a*b Percobaan keNama Citra
Rata-rata waktu yang dibutuhkan (detik)
Jumlah iterasi yang dilakukan
1
2
3
4
5
Citra 1.bmp
2
2
2
2
2
1.9
3
Citra 2.bmp
4
4
2
3
4
3.4
5
Citra 3.bmp
1
1
2
1
2
1.6
4
Citra 4.bmp
4
4
4
3
3
3.8
7
Citra 5.bmp
1
1
1
1
1
1.3
3
Citra 6.bmp
2
3
2
3
3
2.5
4
Citra 7.bmp
12
13
8
8
8
10.0
14
Citra 8.bmp
2
2
2
2
2
2.0
3
Citra 9.bmp
3
4
3
3
4
3.5
7
Citra 10.bmp
10
10
8
7
7
8.3
24
Citra 11.bmp
2
2
2
2
2
1.9
3
Citra 12.bmp
19
20
18
19
20
19.2
49
Citra 13.bmp
1
2
2
2
1
1.6
3
Citra 14.bmp
2
2
2
2
2
2.0
5
Citra 15.bmp
3
3
3
3
3
2.8
5
Citra 16.bmp
13
13
15
14
13
13.7
4
Citra 17.bmp
5
5
4
4
5
4.4
8
Citra 18.bmp
5
6
6
4
3
4.7
7
Citra 19.bmp
2
2
2
2
2
2.0
4
Citra 20.bmp
2
2
2
2
2
1.8
3
Citra 21.bmp
2
2
2
3
2
2.5
5
Citra 22.bmp
3
5
4
4
3
3.8
6
Citra 23.bmp
2
4
2
3
3
2.6
6
Citra 24.bmp
2
3
2
2
2
2.3
4
Citra 25.bmp
9
8
8
7
6
7.7
10
Citra 26.bmp
1
1
1
2
1
1.2
3
Citra 27.bmp
2
10
3
2
3
4.0
4
Citra 28.bmp
2
3
3
5
4
3.6
7
Citra 29.bmp
6
6
4
6
6
5.7
7
Citra 30.bmp
19
15
16
15
15
16.2
43
Hasil analisa terhadap waktu yang diperlukan dalam proses segmentasi dengan data uji terhadap ruang warna RGB dan L*a*b melalui proses smooth filtering disajikan pada Gambar 4.13 sebagai berikut :
44 40 36 32 28 24 20 16 12 8 4 0
RGB L*a*b
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
waktu (detik)
105
nama citra
Gambar 4.13 Grafik perbandingan hasil pengujian waktu yang dibutuhkan dalam proses segmentasi antara citra uji RGB dan L*a*b dengan smooth filter
Dari Gambar 4.13 dapat dilihat grafik perbedaan waktu yang dibutuhkan oleh masing-masing ruang warna. Untuk grafik warna biru menunjukkan ruang warna RGB dan warna merah menunjukkan ruang warna L*a*b. 30 data uji, dengan ruang warna L*a*b memiliki waktu rata-rata eksekusi yang lebih baik dari ruang warna RGB dengan rata-rata 4 detik 73 milidetik untuk L*a*b dan 12
50 45 40 35 30 25 20 15 10 5 0
RGB L*a*b C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
jumlah iterasi
detik untuk RGB.
nama citra
Gambar 4.14 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna
Dari Gambar 4.14 dapat dilihat grafik perbedaan pencapaian iterasi maksimum
yang
dibutuhkan
oleh
masing-masing
ruang
warna
untuk
menghasilkan segmentasi. Pada Gambar 4.14 menunjukkan 4 citra pada ruang
106
warna RGB (citra 12, 21, 26 dan 30) berada pada pencapaian iterasi maksimum. Sehingga diperoleh hasil rata-rata pencapaian iterasi dari 30 data uji dengan ruang warna L*a*b pada 10 iterasi dan 27 iterasi pada ruang warna RGB. 4.3.2.6 Hasil Segmentasi dengan Metode Fuzzy C-Means dengan Smooth Filter pada 2 Ruang Warna Hasil segmentasi berbasis klastering dengan Fuzzy C-Means
melalui
proses filter, hasilnya ditunjukan oleh Tabel 4.6. Dimana pada tabel ini dapat dilihat perbandingan hasil segmentasi dari kedua ruang warna. Tabel 4.6 Hasil Segmentasi Kedua Ruang Warna Berbasis Klaster dengan Smooth Filter pada Fuzzy C-Means Nama Citra
Citra 1.bmp
Citra 2.bmp
Citra 3.bmp
Citra 4.bmp
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
107
Lanjutan Tabel 4.6 Hasil Segmentasi Kedua Ruang Warna Berbasis Klaster dengan Smooth Filter pada Fuzzy C-Means Nama Citra
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra 5.bmp
Citra 6.bmp
Citra 7.bmp
Citra 8.bmp
Citra 9.bmp
Citra 10.bmp
Citra 11.bmp
Citra 12.bmp
*Lanjutan Tabel 4.6 ditampilkan pada Lampiran 3
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
108
Dari hasil pengujian yang telah dilakukan terhadap metode Fuzzy CMeans, didapat hasil dimana estimasi waktu yang diperlukan pada proses segmentasi berbasis klastering dengan ruang warna L*a*b (tanpa filter) sebesar 4.6 detik sedangkan dengan smooth filter sebesar 4.3 detik. Untuk ruang warna RGB (tanpa filter) sebesar 13.5 detik, sedangkan dengan smooth filter sebesar 11.5 detik. Untuk jumlah maksimal iterasi yang dicapai pada pengujian dengan ruang warna L*a*b (tanpa filter) berada pada rata-rata iterasi ke 8 dan dengan smooth filter sebesar 10 iterasi. Sedangkan untuk ruang warna RGB (tanpa filter) rata-rata iterasi ke 27, dan dengan smooth filter sebesar 30 iterasi. Hasil segmentasi terbaik untuk 30 data uji, hasil terbaik dihasilkan dari proses smooth filter untuk kedua ruang warna. Dengan melihat hasil segmentasi dan estimasi waktu yang dihasilkan setelah melalui beberapa percobaan, hasil terbaik dari estimasi waktu terbaik dihasilkan oleh metode smooth filter untuk kedua ruang warna. Sehingga citra input untuk proses deteksi elips dengan metode IRHT menggunakan hasil dari segmentasi klastering dengan proses smooth filter baik untuk ruang warna RGB dan L*a*b. 4.3.3 Pengujian Deteksi Elips dengan Metode IRHT Terhadap Hasil Segmentasi Berbasis Klastering Pengujian dilakukan dengan parameter scanning dan iterasi, scanning yang dilakukan adalah 2, 4 dan 6, kemudian pada masing-masing parameter scanning tersebut dilakukan pengujian untuk mencari hasil pengukuran terbaik berdasarkan iterasi. Adapun iterasi yang digunakan adalah iterasi 50., 100, 150, 175 dan 200.
109
4.3.3.1 Pengujian Metode IRHT dengan 2 Scanning Pengujian dilakukan terhadap 30 data uji dengan ruang warna yang berbeda yaitu RGB dan L*a*b. Pengujian dilakukan dengan menetapkan parameter pencarian dengan 2 scanning dan 50, 100, 150, 175, 200 iterasi. Pengujian bertujuan untuk mengetahui running time dari parameter yang digunakan terhadap 2 ruang warna dan mengetahui persentase kedekatan hasil pengukuran BPD dan HC terhadap hasil pengukuran yang dilakukan oleh dokter. a.
Pengujian Pengukuran BPD dengan Parameter 2 Scanning Pengujian dilakukan dengan menggunakan parameter 2 scanning dengan
iterasi 50, 100, 150, 175 dan 200 iterasi. Pada setiap pengujian nilai iterasi, citra sampel yang digunakan sebanyak 30 citra, baik dalam ruang warna RGB dan L*a*b. Sehingga pada setiap iterasi akan menghasilkan persentase kedekatan pengukuran dengan persamaan sebagai berikut ; Persentase kedekatan pengukuran didapatkan dari perhitungan sebagai berikut : Persentase BPD (%) =
x 100%
(4.1)
Hasil pengujian pengukuran BPD ditampilkan dalam Tabel 4.7, sebagai berikut : Tabel 4.7 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 1.bmp
60.29
75.87
66.94
60.23
68.49
0
0
72.83
62.67
72.83
Citra 2.bmp
0
0
0
85.1
0
0
0
0
0
82.77
Citra 3.bmp
0
68.83
0
0
0
65.91
72.39
71.43
0
62.51
Citra 4.bmp
0
0
86.39
0
76.35
0
0
78.82
0
0
110
Lanjutan Tabel 4.7 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 5.bmp
0
78.49
86.19
0
0
0
83.85
86.23
0
85.7
Citra 6.bmp
0
82.8
0
0
0
0
81.47
0
0
78.88
Citra 7.bmp
0
0
85.65
70.53
0
0
0
0
92.8
0
Citra 8.bmp
76.31
80.69
77.02
80.95
69.76
86.61
71.51
82.8
0
82.74
Citra 9.bmp
65.91
66.3
65.27
65.91
63
63.61
58.36
62.05
66.62
50.96
Citra 10.bmp
63.59
83.71
73.97
0
61.56
0
0
0
0
61.56
Citra 11.bmp
76.75
73.58
73.81
79.38
67.46
71.66
81.33
77.09
54.69
69.94
Citra 12.bmp
0
0
84.94
65.75
0
0
0
0
0
58.41
Citra 13.bmp
0
85.15
76.42
78.21
0
0
0
83.73
79.81
0
Citra 14.bmp
0
82.9
87.75
84.18
84.8
0
66.2
0
62.77
90.61
Citra 15.bmp
0
78.89
78.4
80.96
78.89
80
87.78
67.12
78.07
0
Citra 16.bmp
0
0
65.73
0
0
0
0
0
75.54
81.96
Citra 17.bmp
0
0
82.55
89.27
94.02
0
82.72
0
81.13
78.04
Citra 18.bmp
0
78.67
0
0
79.52
0
73.79
85.61
83.67
0
Citra 19.bmp
77.02
77.33
79.2
0
79.77
0
79.16
0
0
59.13
Citra 20.bmp
0
0
83.58
0
0
0
0
0
85.89
76.41
Citra 21.bmp
0
88.45
0
0
0
0
0
82.92
0
0
Citra 22.bmp
73.75
60.7
77.04
84.45
65.79
0
67.42
69.64
77.6
77.48
Citra 23.bmp
77.62
0
86.4
85.68
82.76
0
84.77
0
0
82.76
Citra 24.bmp
75.33
0
0
59.61
73.42
0
0
57.52
59.62
77.96
Citra 25.bmp
0
0
67.68
0
0
77.98
65.82
67.69
81.98
0
Citra 26.bmp
0
0
66.15
58.46
0
0
0
66.19
55.58
0
Citra 27.bmp
73.383
79.37
0
71.56
81.98
0
86
60.34
66.68
81.98
Citra 28.bmp
0
0
0
60.15
76.25
64.36
74.07
0
0
58.95
Citra 29.bmp
0
0
0
83.56
73.67
66.61
73.42
86.23
89.95
76.13
Citra 30.bmp
0
0
48.04
0
0
0
0
0
0
0
Nilai persentase yang didapatkan dari pengujian yang ditampilkan pada Tabel 4.7 menjelaskan bahwa nilai nol (0) yang terdapat pada tabel merupakan hasil deteksi elips pada beberapa citra yang telah diujikan terhadap parameter
111
pengujian yang tidak mendapatkan hasil deteksi berupa elips atau diameter yang terdeteksi melebihi citra uji. Sedangkan nilai yang diberi tanda (bold) merupakan nilai persentase tertingggi (akurasi yang paling mendekati pengukuran dokter), dari pengujian yang dilakukan terhadap citra uji dengan masing-masing iterasi. Dari Tabel 4.7, dapat dilihat kecendrungan iterasi pada tiap ruang warna untuk dapat menghasilkan deteksi elips yang sesuai. Untuk mendapatkan nilai kecendrungan dilakukan dengan persamaan sebagai berikut; Persentase Kecendrungan (%) =
(4.2)
Dari hasil perhitungan, maka didapat hasil yang tergambar pada Gambar 4.15 di
akurasi (%)
bawah ini. 100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
50
100
150
175
200
nilai iterasi
Gambar 4.15 Grafik presentase kecendrungan nilai iterasi pada parameter 2 scanning
Hasil nilai persentase pengujian selengkapnya dengan menggunakan data acuan Iterasi yang berbeda dapat dapat dilihat pada Tabel 4.8, berikut ini :
112
Tabel 4.8 Persentase Kecendrungan Nilai Iterasi pada Parameter 2 Scanning untuk BPD Jumlah Iterasi
Akurasi Sistem
50
RGB (%) 24.00
L*a*b (%) 19.22
100
41.39
43.00
150
53.30
41.94
175
44.80
41.84
200
42.58
51.59
Hasil pengujian pada Tabel 4.8 menunjukkan akurasi sistem untuk pengukuran BPD pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 53.3%, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak 51,59 %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 175 atau 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. b.
Pengujian Pengukuran HC dengan Parameter 2 Scanning Sama halnya dengan pencarian BPD pada subbab sebelumnya, untuk
mendapatkan akurasi pengukuran HC adalah dengan menggunakan persamaan sebagai berikut : Persentase HC (%) =
x 100%
Hasil dari pengujian disajikan pada Tabel 4.9, sebagai berikut :
4.3
113
Tabel 4.9 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 1.bmp
58.3
72.15
63.94
62.34
64.44
0
0
71.01
58.76
66.95
Citra 2.bmp
0
0
0
89.42
0
0
0
0
0
77.5
Citra 3.bmp
0
71.24
0
0
0
64.64
77.6
60.87
0
52.49
Citra 4.bmp
0
0
78.65
0
89.75
0
0
80.99
0
0
Citra 5.bmp
0
74.18
78.98
0
0
0
79.25
78.98
0
76.87
Citra 6.bmp
0
72.97
0
0
0
0
79.73
0
0
88.96
Citra 7.bmp
0
0
67.3
68.42
0
0
0
0
73.15
0
Citra 8.bmp
70.43
65.92
67.29
81.32
73.54
74.97
66.48
70.11
0
82.48
Citra 9.bmp
64.63
64.07
55.08
56.49
62.54
52.79
50.47
65.89
64.24
54.52
Citra 10.bmp
66.28
80.52
82.48
0
64.3
0
0
0
0
64.3
Citra 11.bmp
59.51
68.72
58.14
64.73
56.29
53.2
71.23
62.46
51.07
59.24
Citra 12.bmp
0
0
68.43
65.51
0
0
0
0
0
49.66
Citra 13.bmp
0
89.77
74.85
82.31
0
0
0
90.08
74.88
0
Citra 14.bmp
0
75.43
84.57
76.03
72.75
0
68.33
0
67.2
80.51
Citra 15.bmp
0
81.83
71.22
72.97
81.83
75.95
75.19
65
74.64
0
Citra 16.bmp
0
0
63.17
0
0
0
0
0
54.86
75.37
Citra 17.bmp
0
0
76.26
90.1
81.58
0
65.64
0
81.92
67.46
Citra 18.bmp
0
74.06
0
0
67.19
0
62.98
71.76
74.9
0
Citra 19.bmp
71.86
72.78
71
0
60.96
0
67.42
0
0
65.47
Citra 20.bmp
0
0
70.62
0
0
0
0
0
66.88
59.63
Citra 21.bmp
0
76.53
0
0
0
0
0
82.07
0
0
Citra 22.bmp
62.42
59.76
57.97
74.94
55.88
0
58.21
68.25
73.54
60.85
Citra 23.bmp
61.64
0
76.38
64.33
75.05
0
78.49
0
0
80.44
Citra 24.bmp
57.48
0
0
57.08
66.27
0
0
54.69
57.08
70.54
Citra 25.bmp
0
0
52.78
0
0
60.17
54.4
52.79
58.64
0
Citra 26.bmp
0
0
51.01
62.26
0
0
0
61.71
55.87
0
Citra 27.bmp
54.91
70.12
0
70.67
73.09
0
64.71
51.92
59.01
73.09
Citra 28.bmp
0
0
0
48.21
60.68
61.7
53.93
0
0
59.53
Citra 29.bmp
0
0
0
77.17
66.25
62.63
64.51
80.72
75.12
65.35
Citra 30.bmp
0
0
54.26
0
0
0
0
0
0
0
114
Pada pengujian untuk pengukuran HC, nilai nol (0) yang terdapat pada tabel merupakan hasil deteksi elips pada beberapa citra yang telah diujikan terhadap parameter pengujian yang tidak mendapatkan hasil deteksi berupa elips atau diameter yang terdeteksi melebihi citra uji. Sedangkan nilai yang diberi tanda (bold)
merupakan nilai persentase tertingggi (akurasi yang paling
mendekati pengukuran dokter), dari pengujian yang dilakukan terhadap citra uji dengan masing-masing iterasi. Untuk mendapatkan nilai kecendrungan dilakukan dengan persamaan sebagai berikut; Persentase Kecendrungan (%) =
(4.4)
Dari hasil perhitungan, maka didapat hasil yang tergambar pada Gambar 4.16 di
akurasi (%)
bawah ini. 100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
50
100
150
175
200
nilai iterasi
Gambar 4.16 Grafik presentase kecendrungan nilai iterasi pada parameter 2 scanning
Untuk dapat melihat persentase yang diperoleh dengan lebih jelas, maka dapat dilihat pada Tabel 4.10, sebagai berikut :
115
Tabel 4.10 Persentase Kecendrungan Nilai Iterasi dengan 2 Scanning pada HC Jumlah Iterasi
Akurasi Sistem
50
RGB (%) 20.92
L*a*b (%) 16.87
100
39.00
37.95
150
47.48
38.98
175
42.14
37.39
200
39.08
47.71
Hasil pengujian pada Tabel 4.9 menunjukkan akurasi sistem untuk pengukuran HC pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 47.48 %, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak 47.71 %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. c.
Pengujian Akurasi Hasil Pengukuran dari Hasil Deteksi Elips Terbaik pada Scanning 2 Untuk menentukan persentase keberhasilan sistem pada parameter uji
pada dua ruang warna citra, maka persentase akurasi tertinggi pada setiap citra uji pada masing-masing proses iterasi digunakan sebagai data hasil pengujian yang pasti. Akurasi persentase ditampilkan pada Tabel 4.11, sebagai berikut :
116
Tabel 4.11 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan 2 Scanning Nama citra
Citra 1.bmp Citra 2.bmp
BPD RGB (%) 75.87 85.10
BPD L*a*b (%) 72.83 82.77
HC (RGB) (%) 72.15 89.42
HC (L*a*b) (%) 71.01 77.50
Citra 3.bmp Citra 4.bmp
68.83 86.39
72.39 78.82
71.24 89.75
77.60 80.99
Citra 5.bmp Citra 6.bmp
78.49 82.80
86.23 81.47
78.98 72.97
79.25 88.96
Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp
85.65 80.95 66.30 83.71 79.38 84.94
92.80 86.61 66.62 61.56 81.33 58.41
67.30 81.32 64.63 82.48 68.72 68.43
73.15 82.48 65.89 64.30 71.23 84.94
Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp
85.15 87.75 85.16 71.23 94.02 79.52
83.73 90.61 87.78 81.96 82.72 85.61
89.77 84.57 81.83 63.17 90.10 74.06
90.08 80.51 75.95 75.37 81.92 74.90
Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp
79.77 83.58 88.45 84.45 86.40 75.43
79.16 85.89 82.92 77.6 84.77 77.96
72.78 70.62 76.53 74.94 76.38 66.27
67.42 66.88 82.07 73.54 80.44 70.54
Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp
67.68 66.15 81.98 76.25 83.56 48.04
81.98 66.19 81.98 64.36 89.95 67.9
52.78 62.26 73.09 60.68 77.17 54.26
60.49 61.71 73.09 61.70 80.72 30.12
Dari tabel 4.11 untuk hasil pengukuran BPD dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.17 sebagai berikut :
100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
persentase kedekatan pengukuran (%)
117
nama citra
Gambar 4.17 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna Dilihat hasil dari beberapa citra dengan tingkat akurasi kebenaran deteksi yang dihasilkan sistem terhadap pengukuran dokter, dimana hasil pengukuran BPD untuk ruang warna RGB dengan tingkat akurasi 90% menghasilkan 1 citra hasil yaitu citra citra 17.bmp. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 16 citra, dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 13 citra. Untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 2 buah citra, yaitu citra 7.bmp dan citra 14.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 16 citra hasil. Sehingga didapat
rata-rata persentase
keberhasilan sistem dalam pengukuran BPD untuk ruang warna RGB sebesar 79.43 % dan untuk satuan warna L*a*b sebesar 79.16 %. Dari tabel 4.11 untuk hasil pengukuran HC dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.18 sebagai berikut :
100 90 80 70 60 50 40 30 20 10 0
RGB
L*a*b C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
persentase kedekatan pengukuran (%)
118
nama citra
Gambar 4.18 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna Dari Gambar 4.18 juga dapat dilihat hasil HC dari ruang warna RGB dengan tingkat akurasi 90% menghasilkan 3 citra hasil yaitu citra 4.bmp, citra 6.bmp, citra 28.bmp. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 7 citra dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 22 citra. Sedangkan untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 1 buah citra, yaitu citra 13.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 9 citra hasil dan untuk tingkat akurasi dibawah 80% sebanyak 20 citra hasil. Dari hasil pengujian diatas, didapat analisa rata-rata persentase keberhasilan sistem dalam pengukuran HC untuk ruang warna RGB sebesar 73.62 % dan untuk ruang warna L*a*b sebesar 73.49 %. d.
Pengujian Running Time Proses IRHT pada Parameter 2 Scanning Running time yang diperoleh dari pengujian ini merupakan running time
akurasi terbaik pada setiap iterasi yang diuji. Pada Tabel 4.12 ditampilkan hasil pengujian terhadap running time dengan scanning sebanyak 2.
119
Tabel 4.12 Running Time Terbaik antara 2 Ruang Warna pada 2 Scanning RGB
L*a*b
running time (detik)
running time (detik)
citra 1.bmp
68
134
citra 2.bmp
115
134
citra 3.bmp
67
80
citra 4.bmp
103
103
citra 5.bmp
68
103
citra 6.bmp
68
70
citra 7.bmp
103
114
citra 8.bmp
114
33.01
citra 9.bmp
68
114
citra 10.bmp
68
138
citra 11.bmp
115
68
citra 12.bmp
108
139
citra 13.bmp
69
109
citra 14.bmp
107
138
citra 15.bmp
138
68
citra 16.bmp
108
138
citra 17.bmp
138
70
citra 18.bmp
143
108
citra 19.bmp
138
71
citra 20.bmp
108
137
citra 21.bmp
69
109
citra 22.bmp
114
116
citra 23.bmp
110
73
citra 24.bmp
135
137
citra 25.bmp
110
117
citra 26.bmp
108
109
citra 27.bmp
138
138
citra 28.bmp
135
32
citra 29.bmp
118
108
citra 30.bmp
150
148
Citra Uji
120
Dari data pada Tabel 4.12, perbandingan hasil ditampilkan oleh grafik
200 180 160 140 120 100 80 60 40 20 0
RGB L*a*b
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
running time (detik)
pada Gambar 4.19 sebagai berikut :
nama citra
Gambar 4.19 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter terbaik Running time pada scanning 2 memiliki rata-rata waktu proses yang cepat yaitu, pada hasil pengujian untuk ruang warna RGB sebesar 132 detik dan ruang warna L*a*b sebesar 139 detik. 4.3.3.2 Pengujian Metode IRHT dengan 4 Scanning Pengujian selanjunya adalah dengan menerapkan parameter scanning sebanyak 4 pada setiap iterasi, dimana iterasi yang digunakan adalah 50, 100, 150, 175 dan 200. Tahapan pengujian yang dilakukan adalah dengan melakukan pengujian terhadap pengukuran untuk mencari BPD, HC, akurasi terbaik dari masing-masing pengukuran yang telah dicari, dan mencari running time atau kompleksitas waktu pada pengujian sesuai dengan paramater 4 scanning. a.
Pengujian Pengukuran BPD dengan Parameter 4 Scanning Pengujian dilakukan dengan menggunakan parameter 4 scanning dengan
iterasi 50, 100, 150, 175 dan 200 iterasi. Sehingga pada setiap iterasi akan
121
menghasilkan persentase kedekatan pengukuran yang berbeda antara tiap iterasi pada satu citra uji yang disajikan pada Tabel 4.13. Tabel 4.13 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning 4 Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 1.bmp
69.34
72.1
Citra 2.bmp
0
0.0
67.74
0
61.10
63.00
55.21
54.81
77.31
72.83
0
85.10
84.36
0
0
0
0
82.77
Citra 3.bmp
82.07
0.0
68.48
70.35
86.77
0
83.81
78.30
86.28
87.97
Citra 4.bmp
90.02
82.3
73.51
0
76.35
90.23
0
78.82
86.73
93.12
Citra 5.bmp
0
78.5
76.89
82.51
0
0
87.80
87.30
81.78
85.70
Citra 6.bmp
0
82.8
0
0
0
0
81.47
80.35
0
0
Citra 7.bmp
0
81.4
85.65
70.53
90.01
87.44
0
89.01
80.36
68.29
Citra 8.bmp
76.31
86.7
77.02
80.95
84.90
0
86.70
82.80
76.36
69.18
Citra 9.bmp
66.80
67.4
72.55
65.91
66.08
66.87
69.79
69.58
0
50.96
Citra 10.bmp
63.59
83.7
66.25
77.58
78.37
0
0
0
0
60.75
Citra 11.bmp
76.75
80.6
80.57
79.38
67.46
64.67
81.20
81.33
79.38
69.94
Citra 12.bmp
0
0.0
0
65.75
0
0
0
0
0
63.45
Citra 13.bmp
0
0.0
0
85.80
89.63
0
0
0
79.81
79.85
Citra 14.bmp
92.75
89.1
89.12
84.18
80
0
66.32
66.20
88.77
0
Citra 15.bmp
0
78.9
78.89
85.28
70.50
70.98
80.09
81.02
78.07
82.34
Citra 16.bmp
0
57.4
65.73
0
76.97
0
0
65.73
0
73.43
Citra 17.bmp
0
80.8
82.55
89.27
81.23
0
80.63
82.55
89.27
78.04
Citra 18.bmp
0
78.7
78.09
78.00
79.52
0
73.79
85.61
86.90
89.02
Citra 19.bmp
77.02
77.3
79.20
80.21
79.77
0
78.76
78.98
77.09
59.13
Citra 20.bmp
0
0.0
83.58
85.02
84.40
88.48
78.90
89.09
85.02
76.41
Citra 21.bmp
0
87.9
0
0
0
85.90
0
82.92
0
0
Citra 22.bmp
73.75
0.0
77.04
82.21
65.79
0
67.42
69.64
80.98
77.63
Citra 23.bmp
77.62
73.0
86.40
85.68
82.76
82.03
84.77
87.58
85.68
82.76
Citra 24.bmp
75.33
77.7
78.65
70.09
73.42
0
83.25
57.52
83.00
77.96
Citra 25.bmp
0
71.2
67.68
0
0
0
65.82
67.69
0
83.08
Citra 26.bmp
0
0.0
66.15
58.46
0
57.86
0
68.98
58.46
0
Citra 27.bmp
73.383
72.8
75.87
71.56
70.90
59.96
61.50
60.34
71.56
69.90
Citra 28.bmp
0
68.9
0
60.15
76.25
0
74.07
0
60.15
58.95
Citra 29.bmp
0
0.0
66.90
0
62.30
66.61
67.89
68.01
66.98
65.43
Citra 30.bmp
0
0.0
48.04
0
0
0
0
45.89
0
0
122
Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran BPD untuk parameter 4 scanning,
akurasi (%)
ditampilkan pada Gambar 4.20, sebagai berikut : 100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
50
100
150
175
200
nilai iterasi
Gambar 4.20 Grafik presentase kecendrungan nilai iterasi pada parameter 4 scanning untuk BPD
Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada iterasi yang berbeda dapat dapat dilihat pada Tabel 4.14, berikut ini : Tabel 4.14 Persentase Kecendrungan Nilai Iterasi pada Parameter 4 Scanning untuk BPD Jumlah Iterasi
Akurasi Sistem
50
RGB (%) 33.16
L*a*b (%) 29.47
100
54.3
50.31
150
59.75
62.00
175
56.47
55.35
200
59.96
61.69
Hasil pengujian pada Tabel 4.14 menunjukkan akurasi sistem untuk pengukuran BPD pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 59.75%, sedangkan untuk ruang warna L*a*b berada pada
123
iterasi ke-200 dengan persentase sebannyak 61.69 %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 175 ataupun 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. b.
Pengujian Pengukuran HC dengan Parameter 4 Scanning Pola pengujian pada pengukuran HC sama dengan pengukuran BPD, yaitu
mencari akurasi tertinggi pada setiap iterasi pada masing-masing citra. Untuk hasil persentase pengukuran HC, hasil pengujian ditampilkan pada Tabel 4.15, sebagai berikut : Tabel 4.15 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning 4 Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 1.bmp
61.6
70.2
61.8
0.0
61.5
41.0
57.4
59.8
71.4
67.0
Citra 2.bmp
0.0
0.0
0.0
89.4
77.4
0.0
0.0
0.0
0.0
77.5
Citra 3.bmp
67.7
8.2
66.1
68.8
66.3
0.0
67.0
67.5
75.8
62.3
Citra 4.bmp
88.1
72.5
75.5
85.7
87.1
82.5
0.0
81.0
91.8
74.7
Citra 5.bmp
0.0
74.2
73.1
70.3
0.0
0.0
79.3
78.2
73.8
76.9
Citra 6.bmp
0.0
73.0
0.0
0.0
0.0
0.0
68.0
70.0
0.0
0.0
Citra 7.bmp
0.0
74.5
67.3
68.4
64.4
70.2
0.0
64.4
66.5
67.0
Citra 8.bmp
70.4
76.9
67.3
81.3
81.4
0.0
85.6
70.1
73.2
61.9
Citra 9.bmp
59.5
63.3
59.7
56.5
66.6
62.8
66.5
65.2
0.0
54.5
Citra 10.bmp
66.3
80.5
70.4
72.8
72.3
0.0
0.0
0.0
0.0
68.3
124
Lanjutan Tabel 4.15 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning 4 Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 11.bmp
59.5
54.4
54.4
64.7
56.3
53.2
71.2
71.0
64.7
59.2
Citra 12.bmp
0.0
0.0
0.0
65.5
0.0
0.0
0.0
0.0
0.0
49.7
Citra 15.bmp
0.0
81.8
81.8
67.5
71.0
76.0
75.2
75.1
74.6
71.4
Citra 16.bmp
0.0
55.8
63.2
0.0
64.8
0.0
0.0
60.2
0.0
62.3
Citra 17.bmp
0.0
60.1
67.9
70.1
66.8
0.0
65.6
76.3
87.3
67.5
Citra 18.bmp
0.0
74.1
73.4
66.7
67.2
0.0
63.0
76.1
66.7
68.8
Citra 19.bmp
71.9
72.8
71.0
65.1
61.0
0.0
62.0
68.6
65.1
65.5
Citra 20.bmp
0.0
0.0
70.6
66.7
76.3
76.9
64.6
78.5
66.7
59.6
Citra 21.bmp
0.0
84.0
0.0
0.0
0.0
84.6
0.0
82.1
0.0
0.0
Citra 22.bmp
62.4
0.0
58.0
74.9
55.9
0.0
58.2
68.2
74.9
60.8
Citra 23.bmp
61.6
70.6
76.4
0.0
67.9
73.6
78.5
67.6
64.3
80.4
Citra 24.bmp
57.5
70.8
71.3
60.1
66.3
0.0
63.7
54.7
60.1
70.5
Citra 25.bmp
0.0
72.0
52.8
0.0
0.0
0.0
54.4
52.8
0.0
81.0
Citra 26.bmp
0.0
0.0
51.0
61.0
0.0
50.0
0.0
61.7
62.3
0.0
Citra 27.bmp
54.9
65.6
65.9
61.0
73.1
50.1
60.7
51.9
70.7
71.0
Citra 28.bmp
0.0
58.6
0.0
0.0
70.9
0.0
69.1
0.0
48.2
59.5
Citra 29.bmp
0.0
0.0
68.6
75.34
0.0
62.6
64.5
77.23
76.3
65.3
Citra 30.bmp
0.0
0.0
51.21
0.0
0.0
0.0
0.0
0.0
0.0
50.14
Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran HC untuk parameter 4 scanning, ditampilkan pada Gambar 4.21, sebagai berikut :
akurasi (%)
125
100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
50
100
150
175
200
nilai iterasi
Gambar 4.21 Grafik presentase kecendrungan nilai iterasi pada parameter 4 scanning untuk HC
Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada iterasi yang berbeda dapat dapat dilihat pada Tabel 4.16, berikut ini : Tabel 4.16 Persentase Kecendrungan Nilai Iterasi pada Parameter 4 Scanning untuk HC Jumlah Iterasi
Akurasi Sistem RGB (%)
L*a*b (%)
50
28.28
26.11
100
49.64
44.76
150
53.14
54.79
175
51.63
49.18
200
51.10
57.85
Hasil pengujian pada Tabel 4.16 menunjukkan akurasi sistem untuk pengukuran HC pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 53.14 %, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak 57.85 %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter
126
dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 150 atau 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. c.
Pengujian Akurasi Hasil Pengukuran dari Hasil Deteksi Elips Terbaik pada Scanning 4 Menentukan persentase keberhasilan sistem pada parameter uji pada dua
ruang warna citra, maka persentase akurasi tertinggi pada setiap citra uji pada masing-masing proses iterasi digunakan sebagai data hasil pengujian yang pasti. Akurasi persentase ditampilkan pada Tabel 4.17, sebagai berikut : Tabel 4.17 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC Dalam 2 Ruang Warna dengan Parameter 4 Scanning Nama citra
BPD RGB (%)
BPD L*a*b (%)
HC (RGB) (%)
HC (L*a*b) (%)
Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp
72.1
77.31
70.2
71.43
85.10
82.77
89.42
77.50
Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp
86.77
87.97
68.78
75.76
90.02
93.12
88.09
91.77
82.51
74.2
79.25
82.8
87.80 81.47
73.0
70.04
90.01
89.01
74.5
70.23
84.90
72.55
86.70 69.79
81.43 66.61
85.59 66.47
83.7
60.75
80.5
68.25
80.6
81.33
64.73
71.23
65.75
63.45
65.51
49.66
89.63
79.85
86.04
82.62
92.75
88.77
76.03
68.33
85.28
82.34
81.83
75.95
76.97
73.43
64.84
62.32
127
Lanjutan Tabel 4.17 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC Dalam 2 Ruang Warna dengan Parameter 4 Scanning Nama citra
Citra 17.bmp Citra 18.bmp
BPD RGB (%) 80.80 80.21
BPD L*a*b (%) 89.27 83.17
HC (RGB) (%) 70.09 71.10
HC L*a*b (%) 87.34 78.90
Citra 19.bmp Citra 20.bmp
80.21 85.02
78.98 89.09
72.8 76.26
68.62 78.51
Citra 21.bmp Citra 22.bmp
87.9 82.21
85.90 80.98
84.0 74.94
84.55 74.94
Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp
86.40 78.65 71.2 66.15 75.87 76.25
87.58 83.25 83.08 68.98 69.90 74.07
76.38 71.29 72.0 60.98 73.09 70.90
78.49 70.54 80.98 62.26 70.98 69.09
Citra 29.bmp Citra 30.bmp
66.90 45.09
68.01 43.12
75.34 51.21
77.23 50.14
Dari tabel 4.17 untuk hasil pengukuran BPD dalam ruang warna dapat dijelaskan
100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
persentase kedekatan pengukuran (%)
pada grafik di Gambar 4.22 sebagai berikut :
nama citra
Gambar 4.22 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna pada scanning 4 Dilihat hasil dari beberapa citra dengan tingkat akurasi kebenaran deteksi yang dihasilkan sistem terhadap pengukuran dokter, dimana hasil pengukuran BPD untuk ruang warna RGB dengan tingkat akurasi 90% menghasilkan 3 citra
128
hasil
yaitu citra 4.bmp, citra 7.bmp, citra 14.bmp. Kemudian untuk akurasi
kebenaran deteksi diatas 80% terdapat sebanyak 15 citra Dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 12 citra. Untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 1 buah citra, yaitu citra 4.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 17 citra hasil, emudian untuk tingkat akurasi dibawah 80% sebanyak 12 citra hasil. Sehingga didapat
rata-rata persentase keberhasilan sistem dalam
pengukuran BPD untuk ruang warna RGB sebesar 79.45. % dan untuk satuan warna L*a*b sebesar 79.24 %. Dari tabel 4.17 untuk hasil pengukuran HC dalam ruang warna dapat
100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
persentase kedekatan pengukuran (%)
dijelaskan pada grafik di Gambar 4.23 sebagai berikut :
nama citra
Gambar 4.23 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna pada scanning 4 Dari Gambar 4.23 juga dapat dilihat hasil HC dari ruang warna RGB dengan tingkat akurasi 90% tidak ada. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 8 citra dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 22 citra. Sedangkan untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat
1 buah citra, yaitu citra 4.bmp. Sedangkan untuk
129
akurasi deteksi diatas 80% terdapat 6 citra hasil dan untuk tingkat akurasi dibawah 80% sebanyak 23 citra hasil. Dari hasil pengujian diatas, didapat analisa rata-rata persentase keberhasilan sistem dalam pengukuran HC untuk ruang warna RGB sebesar 73.63 % dan untuk ruang warna L*a*b sebesar 73.21 %. d.
Pengujian Running Time Proses IRHT dengan Parameter 4 Scanning Running time yang diperoleh dari pengujian ini merupakan running time
akurasi terbaik pada setiap iterasi yang diuji. Pada Tabel 4.18 ditampilkan hasil pengujian terhadap running time dengan scanning sebanyak 4, sebagai berikut : Tabel 4.18 Running Time Terbaik Antara 2 Ruang Warna dengan 4 Scanning Citra Uji
RGB
L*a*b
citra 1.bmp
running time (detik) 128
running time (detik) 243
citra 2.bmp
240
329
citra 3.bmp
316
312
citra 4.bmp
103
308
citra 5.bmp
241
134
citra 6.bmp
134
135
citra 7.bmp
313
205
citra 8.bmp
307
133
citra 9.bmp
269
134
citra 10.bmp
130
322
citra 11.bmp
130
270
citra 12.bmp
266
314
citra 13.bmp
309
312
citra 14.bmp
65
266
citra 15.bmp
269
316
citra 16.bmp
309
310
citra 17.bmp
158
246
citra 18.bmp
307
311
citra 19.bmp
267
245
citra 20.bmp
264
270
citra 21.bmp
144
109
130
Lanjutan Tabel 4.18 Running Time Terbaik Antara 2 Ruang Warna dengan 4 Scanning Citra Uji
RGB
L*a*b
citra 22.bmp
running time (detik) 260
running time (detik) 262
citra 23.bmp
256
199
citra 24.bmp
287
157
citra 25.bmp
156
312
citra 26.bmp
198
205
citra 27.bmp
203
322
citra 28.bmp
309
149
citra 29.bmp
204
270
citra 30.bmp
294
0
Dari data pada Tabel 4.18, perbandingan hasil ditampilkan oleh grafik pada Gambar 4.24 sebagai berikut :
running time (detik)
400 350 300 250 200 150
RGB
100
L*a*b
50 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
0
nama citra
Gambar 4.24 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter 4 scanning terbaik Running time pada scanning 4 memiliki rata-rata waktu proses yang cepat yaitu, pada hasil pengujian untuk ruang warna RGB sebesar 227 detik dan ruang warna L*a*b sebesar 236 detik.
131
4.4.3.3 Pengujian Metode IRHT dengan 6 Scanning Pengujian selanjunya adalah dengan menerapkan parameter scanning sebanyak 6 pada setiap iterasi, dimana iterasi yang digunakan adalah 50, 100, 150, 175 dan 200. Tahapan yang dilakukan sama seperti pengujian pada scanning 4 dan 6. a.
Pengujian Pengukuran BPD dengan Parameter 6 Scanning Pengujian dilakukan dengan menggunakan parameter 6 scanning dengan
iterasi 50, 100, 150, 175 dan 200 iterasi. Pada setiap pengujian nilai iterasi, citra sampel yang digunakan sebanyak 30 citra, baik dalam ruang warna RGB dan L*a*b. Sehingga pada setiap iterasi akan menghasilkan persentase kedekatan pengukuran yang berbeda antara tiap iterasi pada satu citra uji yang disajikan pada Tabel 4.19. Tabel 4.19 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning 6 Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 1.bmp
60.29
77.08
51.63
61.63
61.10
0
0
54.81
74.80
72.83
Citra 2.bmp
0
0
0
90.01
82.77
0
0
0
0
82.77
Citra 3.bmp
0
60.14
68.48
54.58
86.77
65.91
83.81
68.48
86.28
68.02
Citra 4.bmp
0
0
73.51
0
0
0
0
72.29
86.73
76.35
Citra 5.bmp
0
85.05
73.43
88.96
0
0
83.26
0
80.90
0
Citra 6.bmp
0
0
70.01
0
0
0
81.47
0
0
0
Citra 7.bmp
0
0
85.65
94.37
90.64
0
0
0
80.36
68.29
Citra 8.bmp
76.31
74.87
79.09
67.24
80.46
86.61
86.70
82.80
84.30
0
132
Lanjutan Tabel 4.19 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning 6 Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 1.bmp
60.29
77.08
51.63
61.63
61.10
0
54.81
74.80
72.83
Citra 2.bmp
0
0
0
90.01
82.77
0
0
0
82.77
Citra 3.bmp
0
60.14
68.48
54.58
86.77
83.81
68.48
86.28
68.02
Citra 4.bmp
0
0
73.51
0
0
0
72.29
86.73
76.35
Citra 5.bmp
0
85.05
73.43
88.96
0
0 0 65.91 0 0
83.26
0
80.90
0
Citra 6.bmp
0
0
70.01
0
0
0 0
81.47
0
0
0
0
0
80.36
68.29
86.61 63.61
86.70
82.80
84.30
0
69.58
55.57
0
50.96
0 71.66 0 0 0 80
0
0
79.19
72.01
81.33
77.09
73.49
69.94
0
73.32
0
58.41
0
0
0
80.98
85.40
86.67
68.55
0
87.78
80
78.07
70.50
0
0
0
70.01
82.72
80.63
89.27
82.72
0 0
73.79
73.79
75.45
73.79
79.16
78.76
81.21
79.16
0 0
0
76.98
81.21
82.24
86.61
0
0
0
0 0 0 70.12 0 0
65.65
67.42
84.45
67.42
64.36 66.61 0
Citra 7.bmp
0
0
85.65
94.37
90.64
Citra 8.bmp
76.31
74.87
79.09
67.24
80.46
Citra 9.bmp
65.91
70.22
65.27
62.63
66.08
Citra 10.bmp
63.59
89.62
82.79
0
78.77
Citra 11.bmp
76.75
0
73.81
63.10
72.48
Citra 12.bmp
0
0
84.94
64.63
0
Citra 13.bmp
0
0
84.71
0
89.63
Citra 14.bmp
0
82.90
78.29
0
82.09
Citra 15.bmp
0
83.71
78.40
0
70.50
Citra 16.bmp
0
69.42
0
65.45
71.23
Citra 17.bmp
0
79.08
80.12
0
80.01
Citra 18.bmp
0
72.23
78.67
70.12
70.89
Citra 19.bmp
77.02
84.17
77.33
80.94
72.34
Citra 20.bmp
0
72.34
78.21
0
79.90
Citra 21.bmp
0
65.86
82.34
80.32
83.45
Citra 22.bmp
73.75
0
0
80.44
60.70
Citra 23.bmp
77.62
82.32
72.99
80.09
0
Citra 24.bmp
75.33
0
83.63
0
77.00
Citra 25.bmp
0
0
77.90
71.92
0
Citra 26.bmp
0
80.89
0
62.43
0
Citra 27.bmp
73.383
0
77.89
61.98
76.90
Citra 28.bmp
0
74.77
68.85
73.00
0
Citra 29.bmp
0
0
0
0
67.90
Citra 30.bmp
0
0
0
0
48.90
0 0
0
84.77
85.68
86.77
70.23
70.54
83.00
77.01
0
54.89
0
65.82
0
0
79.90
0
70.98
61.50
71.56
86.00
0
0
60.15
73.45
56.90
67.23
0
68.12
0
40.01
0
0
133
Nilai persentase yang didapatkan dari pengujian yang ditampilkan pada Tabel 4.19 menjelaskan bahwa nilai nol (0) yang terdapat pada tabel merupakan hasil deteksi elips pada beberapa citra yang telah diujikan terhadap parameter pengujian yang tidak mendapatkan hasil deteksi berupa elips atau diameter yang terdeteksi melebihi citra uji. Sedangkan nilai yang diberi tanda (bold) merupakan nilai persentase tertingggi (akurasi yang paling mendekati pengukuran dokter) dari pengujian yang dilakukan terhadap citra uji dengan masing-masing iterasi. Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran BPD untuk parameter 6 scanning,
akurasi (%)
ditampilkan pada Gambar 4.25, sebagai berikut : 100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
50
100
150
175
200
nilai iterasi
Gambar 4.25 Grafik presentase kecendrungan nilai iterasi pada parameter 6 scanning
Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada Iterasi yang berbeda dapat dapat dilihat pada Tabel 4.20, berikut ini :
134
Tabel 4.20 Persentase Kecendrungan Nilai Iterasi pada Parameter 6 Scanning untuk Pengukuran BPD Jumlah Iterasi
Akurasi Sistem
50
RGB (%) 24
L*a*b (%) 18.96
100
43.49
41.51
150
60.93
46.92
175
45.79
52.82
200
55.02
56.12
Hasil pengujian pada Tabel 4.20 menunjukkan akurasi sistem untuk pengukuran BPD pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 60.93%, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak 56.12 %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 175 ataupun 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. b.
Pengujian Pengukuran HC dengan Parameter 6 Scanning Pola pengujian pada pengukuran HC sama dengan pengukuran BPD, yaitu
mencari akurasi tertinggi pada setiap iterasi pada masing-masing citra. Untuk hasil persentase pengukuran HC, hasil pengujian ditampilkan pada Tabel 4.20, sebagai berikut :
135
Tabel 4.21 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning 6 Nama Citra
Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%)
Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 1.bmp
58.30
61.86
62.45
51.51
61.48
0
0
59.82
50.10
60.21
Citra 2.bmp
0
0
0
80.91
77.50
0
0
0
0
77.50
Citra 3.bmp
0
53.61
66.05
59.21
76.32
64.64
67.05
66.05
75.76
67.60
Citra 4.bmp
0
0
75.54
0
89.75
0
0
79.42
91.77
89.75
Citra 5.bmp
0
82.33
63.41
90.33
0
0
77.93
0
80.14
0
Citra 6.bmp
0
0
78.90
0
0
0
79.73
0
70.38
0
Citra 7.bmp
0
0
67.30
86.98
64.44
0
0
0
66.52
67.01
Citra 8.bmp
70.43
67.82
62.20
56.67
84.37
74.97
76.92
70.11
78.90
0
Citra 9.bmp
64.63
64.32
55.08
52.79
66.61
52.79
66.47
56.24
0
54.52
Citra 10.bmp
66.28
68.83
78.02
0
83.38
0
0
0
71.28
64.47
Citra 11.bmp
59.51
0
58.14
59.67
58.01
53.20
71.23
62.46
63.04
59.24
Citra 12.bmp
0
0
68.43
61.93
0
0
0
69.15
0
49.66
Citra 13.bmp
0
0
74.36
0
86.04
0
0
0
0
81.90
Citra 14.bmp
0
78.12
62.50
0
72.36
0
81.73
63.50
71.90
0
Citra 15.bmp
0
72.22
71.22
0
75.34
75.95
75.19
79.90
74.64
77.00
Citra 16.bmp
0
58.74
55.84
65.40
60.83
0
0
0
0
64.82
Citra 17.bmp
0
78.10
76.89
0
80.93
0
60.09
65.64
80.91
70.01
Citra 18.bmp
0
75.23
74.06
71.55
74.06
0
60.90
62.98
66.67
69.70
Citra 19.bmp
71.86
64.34
79.56
63.80
72.78
0
67.42
62.03
65.06
77.23
Citra 20.bmp
0
70.84
60.16
0
67.24
0
62.11
63.23
66.67
72.34
Citra 21.bmp
0
65.69
76.53
80.12
76.53
0
0
0
0
81.21
Citra 22.bmp
70.01
0
59.76
60.10
59.76
0
54.33
58.21
73.34
60.21
Citra 23.bmp
61.64
82.90
70.64
65.90
0
0
60.89
78.49
64.33
80.12
Citra 24.bmp
57.48
0
70.12
0
64.88
0
63.66
64.00
60.07
70.98
Citra 25.bmp
0
0
60.34
60.78
0
60.17
52.21
54.40
0
53.21
Citra 26.bmp
0
61.67
0
68.90
0
0
0
0
67.81
0
Citra 27.bmp
54.91
0
65.57
50.02
70.12
0
64.71
60.72
80.67
64.71
Citra 28.bmp
0
58.86
58.63
62.09
0
61.70
53.93
60.33
48.21
66.00
Citra 29.bmp
0
0
0
0
55.23
55.12
59.58
52.32
50.21
54.23
Citra 30.bmp
0
0
0
0
41.23
0
0
47.65
0
0
136
Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran HC untuk parameter 6 scanning,
akurasi (%)
ditampilkan pada Gambar 4.26, sebagai berikut : 100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
50
100
150
175
200
nilai iterasi
Gambar 4.26 Grafik presentase kecendrungan nilai iterasi pada parameter 6 scanning untuk HC Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada Iterasi yang berbeda dapat dapat dilihat pada Tabel 4.22, berikut ini : Tabel 4.22 Persentase Kecendrungan Nilai Iterasi dengan 6 Scanning untuk HC Jumlah Iterasi
Akurasi Sistem
50
RGB (%) 21.17
L*a*b (%) 16.62
100
38.85
41.87
150
58.39
44.56
175
41.62
50.61
200
53.97
54.45
Hasil pengujian pada Tabel 4.22 menunjukkan akurasi sistem untuk pengukuran HC pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 58.39 %, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak 54.45 %. Hasil ini memperlihatkan
137
citra pada ruang warna RGB pada iterasi 175, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 150 ataupun 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. c.
Pengujian Akurasi Hasil Pengukuran dari Deteksi Elips Terbaik pada Scanning 6 Menentukan persentase keberhasilan sistem pada parameter uji pada dua
ruang warna citra, maka persentase akurasi tertinggi pada setiap citra uji pada masing-masing proses iterasi digunakan sebagai data hasil pengujian yang pasti. Akurasi persentase ditampilkan pada Tabel 4.23, sebagai berikut : Tabel 4.23 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC Dalam 2 Ruang Warna dengan Parameter 6 Scanning Nama citra
BPD RGB (%)
BPD L*a*b (%)
HC (RGB) (%)
HC (L*a*b) (%)
Citra 1.bmp Citra 2.bmp Citra 3.bmp
86.77
86.28
76.32
75.76
73.51
86.73
89.75
91.77
88.96
83.26
90.33
80.14
Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp
70.01
81.47
78.9
79.73
94.37
80.36
86.98
67.01
80.46
86.7
84.37
78.9
70.22
69.58
66.61
66.47
89.62
79.19
83.38
71.28
76.75
81.33
59.67
71.23
Citra 10.bmp Citra 11.bmp Citra 12.bmp
84.94
73.32
68.43
69.15
89.63
80.98
86.04
81.9
86.77
86.28
76.32
75.76
138
Lanjutan Tabel 4.23 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan Parameter 6 Scanning Nama citra
BPD RGB (%)
BPD L*a*b (%)
HC (RGB) (%)
HC (L*a*b) (%)
Citra 13.bmp
73.51
86.73
89.75
91.77
Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp
82.9
86.67
78.12
81.73
83.71
87.78
75.34
79.9
71.23
70.01
65.4
64.82
80.12
89.27
78.1
80.91
78.67
75.45
75.23
69.70
84.17
81.21
79.56
77.23
79.90
82.24
70.84
72.34
83.45
86.81
80.12
81.21
80.44
84.45
70.01
73.34
82.32
85.68
82.9
80.12
83.63
77.01
70.12
70.98
77.80
70.12
60.78
53.21
80.89
72.90
68.90
67.81
77.89
86.00
70.12
80.67
74.77
73.45
62.09
66.00
67.9
68.12
55.23
59.98
48.9
40.01
41.23
47.65
Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp
Dari tabel 4.23 untuk hasil pengukuran BPD dalam ruang warna dapat dijelaskan
100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
persentase kedekatan pengukuran (%)
pada grafik di Gambar 4.27 sebagai berikut :
nama citra
Gambar 4.27 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna pada scanning 6
139
Dilihat hasil dari beberapa citra dengan tingkat akurasi kebenaran deteksi yang dihasilkan sistem terhadap pengukuran dokter, dimana hasil pengukuran BPD untuk ruang warna RGB dengan tingkat akurasi 90% menghasilkan 2 citra hasil yaitu citra 2.bmp, dan citra 7.bmp. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 15 citra, Dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 18 citra. Untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% tidak terdapat, sedangkan untuk akurasi deteksi diatas 80% terdapat 19 citra hasil, kemudian untuk tingkat akurasi dibawah 80% sebanyak 21 citra hasil. Sehingga didapat rata-rata persentase keberhasilan sistem dalam pengukuran BPD untuk ruang warna RGB sebesar 79.47. % dan untuk satuan warna L*a*b sebesar 79.30 %. Dari tabel 4.23 untuk hasil pengukuran HC dalam ruang warna dapat
100 90 80 70 60 50 40 30 20 10 0
RGB L*a*b
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
persentase kedekatan pengukuran (%)
dijelaskan pada grafik di Gambar 4.28 sebagai berikut :
nama citra
Gambar 4.28 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna pada scanning 6 Dari Gambar 4.28 juga dapat dilihat hasil HC dari ruang warna RGB dengan tingkat akurasi 90% menghasilkan 1 citra hasil
yaitu citra 5.bmp,
140
kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 8 citra dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 24 citra. Sedangkan untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat
1 buah
citra, yaitu citra 4.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 7 citra hasil dan untuk tingkat akurasi dibawah 80% sebanyak 22 citra hasil. Dari hasil pengujian diatas, didapat analisa rata-rata persentase keberhasilan sistem dalam pengukuran HC untuk ruang warna RGB sebesar 74.03 % dan untuk ruang warna L*a*b sebesar 73.61 %. d.
Pengujian Running Time Proses IRHT dengan Parameter 6 Scanning Running time yang diperoleh dari pengujian ini merupakan running time
akurasi terbaik pada setiap iterasi yang diuji. Pada Tabel 4.24 ditampilkan hasil pengujian terhadap running time dengan scanning sebanyak 6, sebagai berikut : Tabel 4.24 Running Time Terbaik Antara 2 Ruang Warna pada Scanning Sebanyak 6 Citra Uji
RGB running time (detik)
L*a*b running time (detik)
citra 1.bmp
197
396
citra 2.bmp
388
475
citra 3.bmp
487
400
citra 4.bmp
325
399
citra 5.bmp
389
205
citra 6.bmp
324
205
citra 7.bmp
389
398
citra 8.bmp
427
207
citra 9.bmp
203
205
citra 10.bmp
202
401
citra 11.bmp
103
205
citra 12.bmp
329
348
citra 13.bmp
454
467
citra 14.bmp
202
340
141
Lanjutan Tabel 4.24 Running Time Terbaik antara 2 Ruang Warna pada Scanning Sebanyak 6 RGB
L*a*b
running time (detik)
running time (detik)
citra 15.bmp
200
206
citra 16.bmp
453
472
citra 17.bmp
329
396
citra 18.bmp
328
398
citra 23.bmp
199
398
citra 24.bmp
452
472
citra 25.bmp
332
103
citra 26.bmp
201
398
citra 27.bmp
328
472
citra 28.bmp
199
466
citra 29.bmp
467
467
citra 30.bmp
465
333
Citra Uji
Dari data pada Tabel 4.24, perbandingan hasil ditampilkan oleh grafik pada
400 350 300 250 200 150 100 50 0
RGB L*a*b
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30
running time (detik)
Gambar 4.29 sebagai berikut :
nama citra
Gambar 4.29 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter 6 scanning terbaik Running time pada scanning 6 memiliki rata-rata waktu proses yang cepat yaitu, pada hasil pengujian untuk ruang warna RGB sebesar 330 detik dan ruang warna L*a*b sebesar 365 detik.
142
4.4
Analisa Hasil Pengujian Analisa hasil pengujian meliputi hasil pengujian segmentasi kedua ruang
warna dengan metode Fuzzy C-Means, analisa hasil pengujian deteksi elips berdasarkan paramater scanning terhadap kecendrungan iterasi, akurasi persentase pengukuran terhadap BPD, HC serta akurasi usia gestasi serta analisa terhadap hasil pengujian running time. 4.4.1 Analisa Hasil Pengujian Segmentasi Kedua Ruang Warna dengan Fuzzy C-Means Dari hasil pengujian yang telah dilakukan terhadap metode Fuzzy CMeans, didapat hasil dimana estimasi waktu yang diperlukan pada proses segmentasi berbasis klastering dengan ruang warna L*a*b (tanpa filter) sebesar 4.6 detik sedangkan dengan smooth filter sebesar 4.3 detik. Untuk ruang warna RGB (tanpa filter) sebesar 13.5 detik, sedangkan dengan smooth filter sebesar 11.5 detik. Untuk jumlah maksimal iterasi yang dicapai pada pengujian dengan ruang warna L*a*b (tanpa filter) berada pada rata-rata iterasi ke 8 dan dengan smooth filter sebesar 10 iterasi. Sedangkan untuk ruang warna RGB (tanpa filter) rata-rata iterasi ke-27, dan dengan smooth filter sebesar 30 iterasi. Hasil segmentasi terbaik untuk 30 data uji, hasil terbaik dihasilkan dari proses smooth filter untuk kedua ruang warna. Hasil dari pengujian berdasarkan metode Fuzzy CMeans berdasarkan klasterisasi piksel menghasilkan perbedaan hasil segmentasi, dimana pada ruang warna RGB hasil segmentasi yang dihasilkan lebih baik dari hasil segmentasi pada ruang warna L*a*b.
143
Hasil pengujian berdasarkan metode filtering dengan smooth fiter ( low pass filter ) baik pada kedua ruang warna menghasilkan segmentasi yang lebih baik dari pada tanpa proses filtering, hal ini disebabkan tapis low pass filter dengan kernel 3x3, dimana dapat dicari dengan persamaan : f ( n ) = (n1 + n2 + n3 + n4 + n5+ n6 + n7 + n8 + n9) / 9
4.5
sehingga citra yang dihasilkan akan semakin lembut (blur), sehingga noise berupa speckle pada citra uji menjadi berkurang, kemudian piksel aras keabuan pada citra semakin baik. Hasil segmentasi dengan menggunakan filter smooth pada Fuzzy C-Means menghasilkan segmentasi yang lebih baik daripada tanpa proses filtering, hasil filterisasi menghasilkan citra yang memiliki noise berupa speckle yang berkurang dan piksel aras keabuan pada citra uji semakin baik, sehingga pada saat dilakukan klasterisasi piksel keabuan, hasil segmentasi dengan filter smooth menghasilkan hasil yang lebih baik dari yang tidak terfilter. Piksel dengan aras keabuan menghasilkan pusat klaster yang paling baik pada klaster minimum yaitu 2 (pada 2 ruang warna), sehingga pada metode klaster ini sudah dapat menghasilkan segmentasi lingkar kepala janin yang diinginkan. Perbedaan iterasi maksimum yang dicapai pada ruang warna berkaitan dengan pusat klaster, pada ruang warna L*a*b iterasi maksimum yang dicapai rata-rata pada iterasi ke-10, sedangkan pada RGB sampai iterasi ke-27. Hal ini dikarenakan pada ruang warna L*a*b piksel-piksel pada ruang warna sudah terlebih dahulu dikelompokkan sesuai dengan dengan teori cara kerja ruang warna L*a*b yaitu dengan mengubah citra uji ke dalam ruang warna XYZ dan koordinat
144
warna L*a*b, pada proses ini terjadi pengelompokkan piksel sesuai dengan koordinat ruang warna yang digunakan. Karena perubahan tersebut pada saat klasterisasi piksel berdasarkan Fuzzy C-Means iterasi yang dibutuhkan untuk menemukan pusat klaster menjadi lebih cepat. Sedangkan untuk running time proses pada ruang warna L*a*b otomatis menghasilkan running time proses segmentasi yang lebih cepat dari RGB, hal ini dapat dilihat dari pencapaian iterasi maksimum yang dibutuhkan oleh tiap ruang warna. 4.4.2 Analisa Hasil Pengujian Deteksi Elips Berdasarkan Parameter Hasil dari pengujian yang telah dilakukan berdasarkan parameter pengujian yaitu iterasi dan scanning, menghasilkan informasi berupa persentase kecendrungan terhadap nilai iterasi citra uji pada tiap ruang warna, persentase kedekatan hasil pengukuran terhadap ruang warna baik pengukuran terhadap BPD dan HC, dan running time dari proses masing-masing parameter yang diuji. 4.4.2.1 Analisa Hasil Pengujian Terhadap Kecendrungan Iterasi pada masing-masing Scan Hasil pengujian berdasarkan nilai iterasi pada tiap scanning untuk kedua ruang warna menghasilkan persentase kecendrungan pada iterasi 150 untuk ruang warna RGB dan iterasi 200 untuk ruang warna L*a*b pada scanning yang berbeda yaitu scan 2, 4, dan 6. Kecendrungan ini menggambarkan keberhasilan atau citra yang paling banyak berhasil ditemukan pada setiap pengujian terhadap masingmasing iterasi pada tiap scanning. Hasil dari pengujian dapat dilihat pada Tabel 4.24, sebagai berikut :
145
Tabel 4.25 Hasil Pengujian Terhadap Kecendrungan Nilai Iterasi pada Scanning Berbeda untuk Kedua Ruang Warna Persentase Kecendrungan pada RGB (%) Iterasi
Scan 2
Scan 4
BPD
HC
BPD
HC
Persentase Kecendrungan pada L*a*b (%)
Scan 6
Scan 2
Scan 4
Scan 6
BPD
HC
BPD
HC
BPD
HC
BPD
HC
50
24.00
20.92
33.16
28.28
24
21.17
19.22
16.87
29.47
26.11
18.96
16.62
100
41.39
39.00
54.30
49.64
43.49
38.85
43.00
37.95
50.31
44.76
41.51
41.87
150
53.30
47.48
59.75
53.14
60.93
58.39
41.94
38.98
60
54.79
46.92
44.56
175
44.8
42.14
56.47
51.63
45.79
41.62
41.84
37.39
55.35
49.18
52.82
50.61
200
42.58
39.08
59.96
53.12
55.02
53.97
51.59
47.71
61.69
57.85
56.12
54.45
Dari Tabel 4.25 dapat dilihat persentase kecendrungan nilai iterasi pada ruang warna RGB pada pengukuran BPD dan HC untuk scanning 2, nilai persentase tertinggi terletak pada iterasi ke-150 yaitu sebesar 53.30% dan 47.48%, sedangkan untuk ruang warna L*a*b terletak pada iterasi ke-200 yaitu sebesar 51.59 % dan 47.71%. Untuk scanning 4, nilai kecendrungan sama yaitu pada iterasi ke-150 dan 200 dimana untuk RGB sebesar 59.75% dan 53.14%, sedangkan untuk L*a*b sebesar 61.69% dan 57.85%. Dan untuk scanning ke 6 persentase untuk iterasi ke 150 pada RGB sebesar 60.93% dan 58.39% sedangkan untuk iterasi ke-200 pda L*a*b berada pada 56.12% dan 54.45%. Dari Tabel 4.24 dapat dilihat persentase hasil pencapaian kecendrungan
iterasi pada setiap
pengujian terhadap hasil scan, hasilnya dapat dilihat pada Gambar 4.30, sebagai berikut :
persentase akurasi (%)
146
100 90 80 70 60 50 40 30 20 10 0
BPD (RGB) HC (RGB) BPD (L*a*b) HC (L*a*b)
Scan 2
Scan 4 jumlah scanning
Scan 6
Gambar 4.30 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap kecendrungan iterasi pada 2 ruang warna
Pada pengujian terhadap 30 citra uji kecendrungan masing-masing ruang warna berada pada iterasi yang berbeda, yaitu untuk RGB di iterasi 150 dan ruang warna L*a*b di iterasi ke-200, hal ini dipengaruhi oleh hasil segmentasi yang berbeda pada kedua ruang warna, pada hasil segmentasi dengan ruang warna L*a*b, iterasi yang dicapai adalah iterasi maksimal yang ditetapkan pada pengujian. Hal ini membuktikan citra uji pada ruang warna L*a*b menghasilkan segmentasi yang kurang baik, karena pada saat proses IRHT, terbentuknya elips ditentukan oleh parameter pembentuk elips yang disimpan pada 1 kali proses iterasi berlangsung. Dengan semakin banyaknya iterasi yang dibutuhkan citra uji dalam ruang warna L*a*b, menunjukkan kurang sempurna nya hasil segmentasi yang dihasilkan sehingga piksel-piksel pembentuk elips yang terjadi pun kurang sempurna. Karena untuk menemukan elips pada IRHT adalah dengan membandingkan banyaknya titik singgung piksel yang terbentuk pada saat iterasi berlangsung dengan gambar asli.
147
4.4.2.2 Analisa Hasil Perbandingan Akurasi Pengukuran Berdasarkan hasil pengujian terhadap akurasi kedekatan pengukuran berdasarkan parameter scanning, didapatkan hasil pengujian yang ditampilkan pada Tabel 4.26, sebagai berikut : Tabel 4.26 Perbandingan Persentase Akurasi Hasil Pengujian untuk Pengukuran BPD dan HC pada 2 Ruang Warna
Scan
2 4 6
Persentase akurasi pengukuran pada RGB (%)
Persentase akurasi pengukuran pada L*a*b (%)
BPD
HC
BPD
HC
79.43 79.45 79.47
73.62 73.63 74.03
79.16 79.24 79.30
73.49 73.21 73.61
Dari Tabel 4.26 dapat dilihat hasil pengujian pada parameter scan menghasilkan kedekatan pengukuran yang tidak jauh berbeda. Untuk hasil pengujian terhadap pengukuran BPD, ketiga hasil pengujian berdasarkan parameter scanning menunjukkan hasil pengujian pada ruang warna RGB memiliki persentase akurasi yang lebih tinggi dari ruang warna L*a*b, dengan perbandingan hasil akurasi untuk tiap scanning sebesar ± 0,2 %. Dimana hasil pengujian menunjukkan untuk RGB sebesar 79.47 %, sedangkan L*a*b sebesar 79.30% pada parameter scan 6. Untuk hasil pengukuran HC pada ruang warna RGB memiliki persentase akurasi pengukuran yang lebih tinggi dari ruang warna L*a*b dengan perbandingan hasil akurasi untuk tiap scanning sampai ± 0,5 %, dimana hasil pengujian menunjukkan hasil akurasi pada ruang warna RGB sebesar 74.03% pada scan ke-6 dan 73.61% untuk L*a*b.
148
Dari data persentase akurasi pengukuran pada Tabel 4.25, maka untuk dapat melihat lebih jelasnya perbandingan hasil persentase, dapat dilihat pada
persentase akurasi (%)
Gambar 4.31, sebagai berikut :
100 90 80 70 60 50 40 30 20 10 0
BPD (RGB)
HC (RGB) BPD (L*a*b) HC (L*a*b)
Scan 2
Scan 4 jumlah scanning
Scan 6
Gambar 4.31 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap 2 ruang warna Dari hasil pengujian yang telah dilakukan, parameter dengan 6 scanning menunjukkan hasil akurasi yang lebih baik dari pada parameter scanning 2 dan 4. Hasil pengujian ini menunjukkan dengan semakin banyak scanning yang dilakukan tingkat akurasi pada hasil pengukuran akan bertambah karena dengan semakin banyaknya scanning, maka elips yang ditampilkan semakin banyak, parameter pembentuk elips yang ditemukan semakin banyak, sehingga elips yang terdeteksi atau elips yang ditampilkan adalah elips yang memiliki skor paling tinggi, dan tentunya skor paling tinggi merupakan elips yang mendekati sempurna dan menghasilkan akurasi pengukuran yang lebih baik. Tetapi waktu yang dibutuhkan untuk memperoleh hasil pengukuran dengan scanning yang maksimal tentunya membutuhkan waktu yang lebih lama.
149
4.4.2.3 Hasil Akurasi Usia Gestasi Usia gestasi diambil dari hasil pengujian berdasarkan parameter 6 scanning, karena pada parameter ini diperoleh akurasi tertinggi kedekatan pengukuran terhadap BPD dan HC. Untuk hasil dapat dilihat pada Tabel 4.27 sebagai berikut : Tabel 4.27 Hasil Persentase Kedekatan Usia Gestasi antara Dokter dan Sistem
Citra Uji
Usia gestasi pengukuran dokter (minggu)
Hasil pengukuran usia gestasi oleh sistem (minggu) RGB
Akurasi kedekatan usia gestasi antara dokter dan sistem (%)
L*a*b
RGB
L*a*b
citra 1.bmp
29
23
22
79.31
75.86
citra 2.bmp
19.5
17.5
17.5
89.74
89.74
citra 3.bmp
27.5
20.5
21.5
74.55
78.18
citra 4.bmp
20
19.5
18.5
97.5
92.5
citra 5.bmp
23.5
18
19
76.60
80.85
citra 6.bmp
19.5
18
18
92.31
92.31
citra 7.bmp
27.5
20.5
21.5
74.55
78.18
citra 8.bmp
26.5
22
23
83.02
86.79
citra 9.bmp
29
20.5
20.5
70.69
70.69
citra 10.bmp
23
21.5
17.5
93.48
76.09
citra 11.bmp
27
20.5
22.5
75.93
83.33
citra 12.bmp
26
23
17.5
88.46
67.31
citra 13.bmp
22
18.5
18.5
84.09
84.09
citra 14.bmp
24.5
22
22.5
89.80
91.84
citra 15.bmp
23
20
21.5
86.96
93.48
citra 16.bmp
27
19.5
23
72.22
85.19
citra 17.bmp
21
20
18
95.24
85.71
citra 18.bmp
24.5
21
21.5
85.71
87.76
citra 19.bmp
26.5
22
22
83.02
83.02
150
Lanjutan Tabel 4.27 Hasil Persentase Kedekatan Usia Gestasi antara Dokter dan Sistem
Citra Uji
Usia gestasi pengukuran dokter (minggu)
Hasil pengukuran usia gestasi oleh sistem (minggu)
Akurasi kedekatan usia gestasi antara dokter dan sistem (%)
RGB
L*a*b
RGB
L*a*b
citra 20.bmp
26.5
22
20.5
83.02
77.36
citra 21.bmp
24.5
22
21
89.8
85.71
citra 22.bmp
26
22.5
21.5
86.54
82.69
citra 23.bmp
24.5
22
21.5
89.80
87.76
citra 24.bmp
26.5
21
22
79.25
83.02
citra 25.bmp
25
19
22
76.00
88.00
citra 26.bmp
31.5
21.5
21.5
68.25
68.25
citra 27.bmp
27
23
23
85.19
85.19
citra 28.bmp
28
22
20
78.57
71.43
citra 29.bmp
25
21.5
22
86.00
88.00
citra 30.bmp
31
17.5
17
56.45
54.84
Dari Tabel 4.27 diatas, didapatkan informasi mengenai hasil uji akurasi usia gestasi pada ruang warna RGB dan L*a*b terhadap parameter scan sebanyak 6, yaitu dimana untuk ruang warna RGB sebesar 82.40 % dan L*a*b sebesar 81.84 %. Persentase hasil dari usia gestasi didapatkan dari membandingkan hasil pengukuran dokter dengan hasil usia gestasi yang dihasilkan oleh sistem. Untuk mendapatkan perbandingan persentase usia gestasi sesuai dengan akurasi diatas, persamaan untuk mendapatkannya adalah sebagai berikut : Persentase usia gestasi (%) =
x 100%
4.6
4.4.2.4 Hasil Deteksi Elips dengan Hasil Akurasi Tertinggi Pada sub bab ini, hasil dari pengujian terhadap parameter 6 scanning ditampilkan pada Tabel 4.28, dimana hasil deteksi elips ini merupakan merupakan hasil akurasi pengukuran tertinggi.
151
Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra
Ruang warna RGB
Ruang warna L*a*b
Citra 1.bmp
Citra 2.bmp
Citra 3.bmp
Citra 4.bmp
Citra 5.bmp
Citra 6.bmp
Citra 7.bmp
*Lanjutan Tabel 4.28 ditampilkan pada Lampiran 4 Dari Tabel 4.28 terdapat 5 citra uji yang tidak berhasil dengan baik, kategori baik dalam hasil pengujian adalah lingkar elips yang dibentuk oleh sistem dapat menutupi sepanjang garis lingkar sisi terluar atau sisi terdalam dari citra uji. Citra yang tidak terdeteksi oleh IRHT, diantaranya adalah citra uji 10.bmp dalam
152
ruang warna L*a*b, dari 3 parameter scanning yang telah diuji, hasil maksimal yang didapatkan adalah seperti pada gambar dalam Tabel 4.28. Kemudian untuk citra 12, 26, dan 30, ketiga citra uji ini tidak dapat terdeteksi dengan baik karena hasil dari segmentasi kurang bersih, sehingga pencarian pada piksel-piksel terdekat pun kurang akurat dan menyebabkan IRHT tidak dapat mendeteksi dengan baik. Kemudian untuk citra 21 dan 25, tidak mendapat hasil deteksi yang sempurna, yang disebabkan karena citra uji berbentuk miring, sehingga sulit terdeteksi dengan baik, dari hasil pengujian maka dapat dilihat bahwa metode IRHT yang digunakan pada pengujian hanya dapat mendeteksi bentuk elips dalam kemiringan derajad tertentu yaitu sebesar 0º sampai 90º. 4.4.2.5 Analisa Hasil Pengukuran Terhadap Running Time Running time merupakan waktu yang diperlukan unutuk mengeksekusi dan mendapatkan citra hasil pengujian. Berdasarkan pengujian terhadap parameter scan, maka perbandingan running time yang dibutuhkan oleh tiap proses pengujian berbeda-beda, rata-rata running time pada setiap pengujian berdasarkan parameter diperoleh dengan persamaan : Waktu rata-rata = Dimana hasil pada pengujian ditampilkan pada Gambar 4.32,
4. 7
waktu (detik)
153
500 450 400 350 300 250 200 150 100 50 0
RGB L*a*b
Scan 2
Scan 4 jumlah scanning
Scan 6
Gambar 4.32 Running time proses pada pengujian terhadap parameter scan Pada diagram batang Gambar 4.32, menunjukkan running time proses yang dibutuhkan oleh ruang warna L*a*b lebih lama dibandingkan dengan ruang warna RGB, pada hasil pengujian dengan scanning 2 dibutuhkan proses eksekusi sebesar 132 detik pada ruang warna RGB dan 139 detik pada ruang warna L*a*b, sedangkan pada scanning 4 pada ruang warna RGB dibutuhkan waktu 227 detik dan 236 detik, dan untuk scanning 6 dibutuhkan waktu sebesar 330 detik dan 365 detik. Dari hasil pengujian terhadap running time, maka semakin banyak scanning yang digunakan akan membutuhkan waktu yang lebih lama untuk proses eksekusi, dan persentase akurasi pengukuran menunjukkan hasil yang linear terhadap running time, dimana semakin tinggi akurasi pengukuran maka dibutuhkan waktu yang semakin lama. Lamanya waktu eksekusi baik pada segmentasi dan IRHT dipengaruhi spesifikasi perangkat komputer yang digunakan pada saat pengujian, tetapi hasil pengujian yang ditunjukkan dapat menjadi gambaran hasil pengujian terhadap parameter yang digunakan.
154
4.4.3 Analisa Perbandingan Hasil Pengujian Tingkat akurasi deteksi elips terhadap pengukuran BPD yang dihasilkan dari pengujian sistem ini bila dibandingkan dengan penelitian yang dilakukan oleh Ibu Dwi Puspitasari pada jurnal yang berjudul Deteksi Kepala Janin pada Gambar USG menggunakan Fuzzy C-Means dengan Informasi Spatial dan IRHT, menghasilkan akurasi yang berbeda-beda pada tiap data uji nya, dengan citra uji sebanyak 8, dan untuk akurasi hasil pengukuran pada HC tidak diperoleh. Sedangkan hasil yang diperoleh pada pengujian sistem pada penelitian ini menunjukkan akurasi sebesar 79.47 % pada pengukuran BPD, dan pengukuran HC menunjukkan akurasi sebesar 74.03 % pada 30 data uji. Perbedaan akurasi hasil dapat disebabkan oleh perbedaan hasil segmentasi dan perbedaan iterasi sampel pada IRHT, pada penelitian yang dilakukan Dwi Puspitasari, segmentasi dilakukan dengan metode Fuzzy C-Means Spatial yang merupakan metode klasterisasi dengan memperhatikan ketetanggaan setiap piksel dalam penentuan masuknya suatu piksel ke dalam klaster tertentu, beberapa hasil dari segmentasi yang dihasilkan pada Fuzzy C-Means Spatial masih menghasilkan noise atau garis-garis yang tidak sempurna pada gambar, dan untuk untuk sampel pada iterasi hanya menggunakan iterasi ke-150.
BAB V SIMPULAN DAN SARAN
5.1
Simpulan Berdasarkan pengujian yang telah dilakukan, dapat disimpulkan hal-hal
sebagai berikut : 1.
Dari hasil pengujian ruang warna dalam menghasilkan segmentasi dengan Fuzzy C-Means, running time yang diperlukan oleh ruang warna L*a*b (tanpa filter) sebesar 4.6 detik sedangkan dengan smooth filter sebesar 4.3 detik. Untuk ruang warna RGB (tanpa filter) sebesar 13.5 detik, sedangkan dengan smooth filter sebesar 11.5 detik. Untuk hasil iterasi maksimum yang dapat dicapai pada masing-masing ruang warna rata-rata pada iterasi ke-10 untuk L*a*b dan iterasi ke-27 untuk RGB. Hasil akhir segmentasi menunjukkan ruang warna RGB memiliki hasil segmentasi yang lebih baik, dimana 6 citra pada ruang warna L*a*b menghasilkan segmentasi yang kurang baik, yaitu citra hasil uji pada nomor 8, 11, 14, 23, 27, dan 29. Kurangnya keberhasilan segmentasi dari ruang warna L*a*b juga diperkuat
dari hasil pengujian pada metode IRHT
berdasarkan
kecendrungan iterasi, dimana RGB berada pada kecendrungan iterasi ke150 dan L*a*b pada iterasi ke-200. Hasil dari pengujian iterasi menunjukkan, terbentuknya elips ditentukan oleh parameter pembentuk elips yang disimpan pada tiap kali proses iterasi berlangsung. Jadi semakin banyak iterasi maka pencarian terhadap parameter pembentuk elips semakin lama, sehingga artinya semakin banyak iterasi yang diperlukan
155
156
maka kualitas segmentasi yang dihasilkan kurang baik sebagai citra input untuk deteksi elips dengan IRHT. 2.
Unjuk kerja ruang warna terhadap deteksi elips dengan menggunakan metode IRHT ditunjukkan dari hasil pengujian berdasarkan parameter scanning, yaitu dengan scanning 2, 4, dan 6 yang menghasilkan akurasi pengukuran untuk BPD dan HC pada kedua ruang warna, perbedaan masing-masing akurasi pengukuran pada scanning yang berbeda berada pada ± 0.2 – 0.5 %, dimana akurasi tertinggi untuk BPD berada pada scanning 6 dengan ruang warna RGB sebesar 79.40% sedangkan untuk ruang warna L*a*b sebesar 79.30 %. Untuk akurasi hasil pengukuran HC juga berada pada scanning 6, yaitu sebesar 74.03 % dan 73.61 %. Sedangkan untuk usia gestasi sebesar 82.40 % dan 81.84 %. Untuk running time proses menunjukkan semakin tinggi tingkat akurasi hasil pengukuran maka waktu eksekusi yang dibutuhkan juga semakin lama, running time pada scanning 6 pada ruang warna RGB dan L*a*b menunjukkan sebesar 330 detik dan 365 detik. Berdasarkan hasil pengujian dan running time proses yang ditunjukkan dengan persentase akurasi keberhasilan sistem, maka ruang warna RGB menunjukkan unjuk kerja keberhasilan yang lebih baik dari ruang warna L*a*b.
5.2
Saran Berikut ini adalah beberapa saran yang dapat diberikan untuk penelitian
lebih lanjut :
157
1.
Penerapan metode pembagian ruang warna dapat dijadikan penelitian lebih lanjut, karena koordinat ruang warna pada citra masih cukup banyak, diantaranya adalah dengan ruang warna XYZ, LUV, HSV sehingga akan menghasilkan perbedaan unjuk kerja dan tingkat akurasi keberhasilan yang berbeda.
2.
Penelitian selanjutnya dapat mengembangkan sistem deteksi ini untuk dapat menghasilkan akurasi pengukuran yang lebih baik dan menghasilkan pengukuran obsetri lainnya, seperti berat janin, kelainan yang terdapat pada janin dengan menambahkan parameter-parameter pendukung obsetri lainnya seperti lingkar perut dan pengukuran tulang belakang pada janin.
DAFTAR PUSTAKA
Bansal S, Aggarwal D, Color Image Segmentation using CIELab Color Space Using Ant Colony Optimization,International Journal of Computer Applications. 2012; 29(9): 28. Casado, Ordoyo Cristian. 2010. Research Project Image Contrast Enhancement Methods, Technical University-SOFIA. Chitade. Anil. Colour Based Image Segmentation Using K-Means Clustering. International Journal of Enggineering Science of Technology. Divisi Kedokteran Fetomaternal Departemen OBGIN RSHS/FK Universitas Padjajaran. 2011. Ultrasonografi Obsetri dan Ginekologi. Jakarta. Dong, Zao. 2008. Research On Spacrborne Images Segmentatiom With Fuzzy CMeans Clustering Endjun, Januadi. 2007. Obstetri dan Ginekologi. Fakultas Kedokteran Universitas Indonesia. Jakarta. Gonzales, Rafael C. 2002. Digital Image Processing, Addison – Wesley. Hoffman, Gernot. CIELab Color Space. 2003 Inverso, Samuel. 2002 . Ellipse Detection Using Randomized Hough. IT Telkom. 2011. Makalah Medical Diagnostic. Kusrini, Dkk, 2009. Algoritma Data Mining. Yogjakarta: Andi Offset. Kusumadewi Sri, Dkk. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogjakarta : Graha Ilmu. Levenno, Kenneth, dkk. 2003. Williams Manual of Obstetrics. McGraw Hill Lu, W., Jinglu Tan. 2008. Detection of incomplete ellipse in images with strong noise by Iterative Randomized Hough transform (IRHT). Journal of Pattern Recognition 41 pp 1268 – 1279 Elsivier Science Ltd.
158
159
Mohanta, Raj Kumar. 2007. A Review Algorithm Aplication for Image Segmentation. International Journal Computer Technology and Aplications. Mose, Johanes. 2011. Ultrasonografi Obsetri dan Ginekologi. Jakarta : Penerbit Sagung Setyo. Octa, Heriana. 2013. Segmentasi Berbasis Warna pada Citra Termografi Kanker Payudara menggunkan Ruang Warna L*a*b. Puspitasari, Dwi. 2010. Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT). Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta : Penerbit Andi. Putra, Darma. 2009. Sistem Biometrika. Yogyakarta : Penerbit Andi. Saini K. Dewal L, Rohit M. 2010. Ultrasound Imaging and Image Segmentation in the area of Ultrasound: A Review. International Journal of Advanced Science and Technology. Sathya B, Manavalan. 2011. Image Segmentation by Clustering Methods:Performance Analysis International Journal of Computer Applications. Shah B, Satis S, Kosta. 2012. Novel Improved Fuzzy C-Means Algorithm For MR-Image Segmentation. International Journal of Soft Computing and Enggineering. Vivek Singh. 2012. Colour Based Image Segmentation Using L*A*B Colour Space Based On Genetic Algorithm. International Journal of Emerging Technology and Advanced Engineering. Yufei Shen, Jinhua Yu, Yuzhong Shena and Yuanyuan Wang. 2009. Fetal Skull Analysis in Ultrasound Images Based on Iterative Randomized Hough Transform. Zang B. 2009. Automatic Fetal Head Detection on Ultrasound Images by An Improved Iterative Randomized Hough Transform.
160
Lampiran 1 Contoh Citra Uji Lanjutan Tabel 3.1 Contoh Citra Uji
Gambar USG
Nama
Ukuran
Ukuran
Usia
BPD (mm)
HC(mm)
Kandungan (week)
citra 6
48.04
182.99
19W5D
citra 7
56.36
233.73
27W5D
citra 8
65.70
249.98
20W2D
Citra 9
72.97
267.99
29W
citra 10
61.21
214.09
23.00
citra 11
68.09
271.10
27W
161
Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG
Nama
Ukuran
Ukuran
Usia
BPD (mm)
HC(mm)
Kandungan (week)
citra 12
65.35
246.96
26.00
Citra 13
49.23
189.00
21W6D
citra 14
61.09
230.54
24.50
citra 15
58.04
220.09
23W
citra 16
68.21
261.30
27W3D
162
Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG
Nama
Ukuran
Ukuran
Usia
BPD (mm)
HC(mm)
Kandungan (week)
Citra 17
50.01
189.65
21.00
citra 18
60.07
229.99
24W5D
citra 19
67.12
252.90
26W5D
citra 20
63.90
242.00
26W5D
citra 21
60.01
224.00
24W3D
citra 22
65.11
246.21
26W3D
163
Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG
Nama
Ukuran
Ukuran
Usia
BPD (mm)
HC(mm)
Kandungan (week)
citra 23
61.13
230.02
24W5D
citra 24
67.49
252.34
26.50
Citra 25
64.30
241.12
25W2D
citra 26
79.10
297.01
31.50
citra 27
69.01
261.22
27W2D
164
Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG
Nama
Ukuran
Ukuran
Usia
BPD (mm)
HC(mm)
Kandungan (week)
citra 28
71.11
271.01
28.00
citra 29
62.12
235.09
25W1D
citra 30
78.30
294.00
31.00
165
Lampiran 2 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna Lanjutan Tabel 4.3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna Nama Citra Citra 9.bmp
Citra 10.bmp
Citra 11.bmp
Citra 12.bmp
Citra 13.bmp
Citra 14.bmp
Citra 15.bmp
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
166
Lanjutan Tabel 4.3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna
Nama Citra Citra 16.bmp
Citra 17.bmp
Citra 18.bmp
Citra 19.bmp
Citra 20.bmp
Citra 21.bmp
Citra 22.bmp
Citra 23.bmp
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
167
Lanjutan Tabel 4.3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna
Nama Citra Citra 24.bmp
Citra 25.bmp
Citra 26.bmp
Citra 27.bmp
Citra 28.bmp
Citra 29.bmp
Citra 30.bmp
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
168
Lampiran 3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna Lanjutan Tabel 4.6 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna
Nama Citra Citra 13.bmp
Citra 14.bmp
Citra 15.bmp
Citra 16.bmp
Citra 17.bmp
Citra 18.bmp
Citra 19.bmp
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
169
Lanjutan Tabel 4.6 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna
Nama Citra Citra 20.bmp
Citra 21.bmp
Citra 22.bmp
Citra 24.bmp
Citra 25.bmp
Citra 26.bmp
Citra 27.bmp
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
170
Lanjutan Tabel 4.6 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna Nama Citra Citra 28.bmp
Citra 29.bmp
Citra 30.bmp
Citra Uji RGB
Hasil Segmentasi (RGB)
Citra Uji L*a*b
Hasil Segmentasi (L*a*b)
171
Lampiran 4 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Lanjutan Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra Citra 8.bmp
Citra 9.bmp
Citra 10.bmp
Citra 11.bmp
Citra 12.bmp
Citra 13.bmp
Citra 14.bmp
Citra 15.bmp
Citra 16.bmp
Ruang warna RGB
Ruang Warna L*a*b
172
Lanjutan Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra Citra 17.bmp
Citra 18.bmp
Citra 19.bmp
Citra 20.bmp
Citra 21.bmp
Citra 22.bmp
Citra 23.bmp
Citra 24.bmp
Ruang warna RGB
Ruang Warna L*a*b
173
Lanjutan Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra Citra 25.bmp
Citra 26.bmp
Citra 27.bmp
Citra 28.bmp
Citra 29.bmp
Citra 30.bmp
Ruang warna RGB
Ruang Warna L*a*b
174