METODE SEGMENTASI UNTUK ANALISIS CITRA DIGITAL HEAD CT-SCAN Oky Dwi Nurhayati Program Studi Teknik Elektro, Universitas Gadjah Mada Yogyakarta
[email protected] ABSTRACT Image segmentation is an important research area in the digital image processing with several applications in vision-guided autonomous robotics, product quality inspection, medical diagnosis, the analysis of remotely sensed images, etc. The aim of image segmentation can be defined as partitioning an image into homogeneous regions in terms of the features of pixels extracted from the image. Edge detection and thresholding are simple segmentation tools for images and became the focuses in our research. This research used k-mean clustering method as the main tool. The image data chosen were normal diagnosed head CT Scan photos, and those which have indication of damages brain effect of lacunar infarct, infarct and hemorrhage. This research offers histogram equalization method as pre-processing image to establish the segmentation image used in image processing, the method of determining the appropriate segmentation affect the image processing that can be used to analyzed the damages brain from the digital image head CT-Scan. Key words : Head CT scan photos, threshold, edge detection, k-mean clustering, histogram equalization, image segmentation
PENDAHULUAN Pengolahan citra (Image Processing) merupakan bidang yang berkembang pesat dan banyak diterapkan pada ilmu-ilmu murni dan teknik. Pengolahan citra didefinisikan sebagai proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses pengolahan citra mempunyai ciri data masukan dan informasi keluaran berbentuk citra, sehingga pengolahan citra adalah pemrosesan citra yang telah ada untuk menghasilkan citra yang lebih tinggi kualitasnya, dalam arti lebih jelas menampilkan informasi yang diharapkan. Berbagai aplikasi pengolahan citra sangat membantu bagi kepentingan manusia. Salah satu aplikasinya adalah peningkatan kualitas citra medis sebagai pra-proses agar lebih mudah untuk dianalisis atau diintepretasikan melalui sarana visual manusia. Pada umumnya citra medis hasil scanning, yang berupa citra digital aras keabuan mengalami penurunan kualitas (terdegradasi) yang disebabkan faktor-faktor luar (derau) dan peralatan medis yang digunakan. Dengan demikian proses peningkatan citra juga harus menggunakan teknik-teknik pengolahan citra aras keabuan. Maka diperlukan proses peningkatan kualitas citra yang bertujuan untuk menghasilkan citra yang lebih baik dibandingkan dengan citra semula. Langkah selanjutnya yang diperlukan dalam pengolahan citra adalah analisis citra dengan tujuan untuk mengidentifikasi dan menampilkan parameter-parameter yang diasosiasikan dengan ciri-ciri pada representasi objek didalam citra, untuk selanjutnya parameter tersebut digunakan sebagai interpretasi citra. Prinsip dasar CT-Scan mirip dengan perangkat radiografi konvensional. Kedua perangkat ini sama-sama memanfaatkan intensitas radiasi terusan setelah melewati suatu objek untuk membentuk citra. Perbedaan antara keduanya adalah pada teknik yang digunakan untuk memperoleh citra dan citra yang dihasilkan. Tidak seperti citra yang dihasilkan dari teknik radiografi, informasi citra yang ditampilkan oleh CT-Scan tidak tumpang-tindih sehingga lebih mudah dianalisis daripada citra yang dihasilkan oleh teknik radiografi konvensional. Dalam kegiatan pemrosesan citra secara digital dan visi komputer, proses deteksi tepi objek merupakan pengolah awal yang paling penting pada analisis citra untuk pengenalan pola, segmentasi, dan analisis pergerakan objek. Tepian setiap citra objek mengandung banyak informasi mengenai objek tersebut. Deteksi tepi citra tomografi timbul pada sejumlah aplikasi tomografi komputer, misalnya dalam pencitraan medis dan tes uji yang tidak merusak, kontur objek perlu ditentukan pada penampang lintang hasil tomografi.
29
Di bidang kedokteran, citra medis pada umumnya mempunyai histogram yang cenderung berada di sekitar dark nilai pada aras keabuan sehingga pemanfaatan pengolahan citra digital dirasakan belum optimal, padahal dengan menggunakan utilitas ini dapat membantu para profesional radiolog dalam menentukan diagnostik suatu kelainan akibat kerusakan jaringan. Deteksi kerusakan otak menggunakan citra foto CT Scan merupakan upaya untuk memperkenalkan metode deteksi kerusakan otak secara terkomputerisasi yang lebih baru dibandingkan dengan metode “visual” selama ini. Melalui penelitian ini penulis berupaya untuk menganalisis metode segmentasi yang lebih tepat digunakan pada citra digital head CT-Scan untuk mendeteksi adanya kerusakan otak dengan beberapa metode segmentasi.Dari beberapa penelitian yang penulis temui masih jarang penelitian yang membahas segmentasi pada citra medis terutama head CT-Scan untuk mendeteksi kerusakan jaringan otak. Dapat dikatakan topik yang diusulkan ini merupakan suatu hal yang masih akan terus berkembang. Citra medis hasil scanning pada umumnya mengalami penurunan kualitas yang disebabkan faktor derau dan peralatan medis yang digunakan sehingga perlu ditingkatkan kualitas citranya. Deteksi tepi dan segmentasi merupakan pengolahan citra yang paling penting pada analisis citra sehingga perlu dilakukan pemilihan metode yang tepat digunakan untuk citra head CT-Scan. Analisis citra secara statistik diperlukan dalam pengolahan citra digital head CT-Scan untuk mendeteksi adanya kerusakan otak dan menampilkan parameter-parameter statistik sebagai interpretasi citra. Adapun tujuan penelitian ini adalah untuk membuktikan bahwa metode segmentasi dapat digunakan untuk membantu deteksi kerusakan otak dengan mengekstrak beberapa fitur yang ada dalam citra dan menganalisis tekstur citra dengan mengekstrak informasi yang terkandung dalam citra medis head CT-Scan untuk mendeteksi kelainan otak penderita stroke. Langkah Penelitian Pengumpulan data citra yang berupa hasil head CT Scan dari penderita cacat otak yang diperoleh dari Instalasi Unit Stroke RSUP Dr. Sardjito, Yogyakarta dan pengumpulan head CT Scan dari internet untuk penderita normal maupun cacat otak. Scanning head CT Scan dengan menggunakan scanner tipe CanoScan Lide 25 untuk menghasilkan citra dalam bentuk digital. Penggunaan scanner dengan resolusi yang tepat dapat menghasilkan citra digital yang bagus kualitasnya. Proses pra-pengolahan citra yang dilakukan dengan metode ekualisasi histogram. Proses segmentasi citra yang diterapkan pada citra digital head CT Scan dengan menggunakan metode pengambangan, pengambangan ganda, deteksi tepi, dan k-mean clustering. Proses analisis statistik citra objek dengan menentukan mean, standar deviasi, variansi, jarak. Tinjauan pustaka Kajian Pustaka Termografi memiliki derau yang cukup besar. Hal ini diakibatkan watak fotodetektor dan sifat radiasi termal (Ryu,1986), sehingga pemrosesan derau merupakan subjek utama pada termografi sebelum dilakukan analisis lebih lanjut. Derau pada citra termal tidak sangat impuls, tetapi sama dengan derau gaussian. Ryu (1986) menyatakan bahwa derau yang timbul pada citra termal akibat proses perekaman adalah lebih impulsif dari derau gaussian. Dalam penelitian tersebut digunakan tapis median untuk menghapusnya, hasilnya relatif memuaskan daripada tapis averaging yang digunakan. (Hogg,1974). Dari beberapa penelitian yang telah dilakukan sebelumnya, sejauh ini belum pernah dikembangkan metode-metode segmentasi pada analisis citra digital head CT-Scan menggunakan perangkat-lunak analisis untuk mengurangi subjektivitas tenaga medis dalam menganalisis citra head CT-Scan sehingga pada penelitian menawarkan suatu pemilihan metode yang tepat pada citra digital head CT-Scan. Metode segmentasi yang diterapkan disini pada analisis citra foto head CT-Scan meliputi pengambangan, deteksi tepi, dan k-mean clustering, yang telah disebutkan di depan. Landasan Teori Citra (image) adalah istilah lain untuk gambar sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Secara harfiah, citra adalah gambar pada bidang dwimatra/dua dimensi (Munir,2004). Pengolahan citra dapat dilakukan dengan komputer apabila citra tersebut dinyatakan dalam bentuk digital. Representasi citra berkaitan dengan karakterisasi kuantitas yang diwakili oleh setiap piksel. Citra dapat menyatakan luminansi objek (misalnya pada gambar yang diambil dengan kamera), sifat penyerapan oleh jaringan tubuh (pencitraan sinar-X), profil suhu (pencitraan inframerah)
30
dan lain-lain. Secara umum, citra didefinisikan sebagai suatu fungsi kontinyu atas intensitas cahaya f(x,y) dalam bidang dua dimensi. Besaran x dan y menyatakan koordinat, sedangkan nilai f pada setiap titik (x,y) menyatakan intensitas atau kecerahan atau derajat keabuan pada titik tersebut. Suatu citra digital adalah citra kontinyu yang diubah ke dalam bentuk diskret baik koordinat maupun intensitasnya. Citra digital dapat dianggap sebagai suatu matriks dengan indeks baris dan kolom menyatakan koordinat setiap titik pada citra, dan nilai tiap-tiap elemennya menyatakan intensitas cahaya pada titik tersebut. Satu titik pada citra digital dapat diidentikkan dengan sebuah piksel. Secara umum, sistem pengolahan citra dapat dicontohkan pada Gambar 1 berikut. Monitor
Masukan Citra
Masukan digital
Pra pengolahan
Segmentasi Pengenalan Gambar 1 Sistem pengolahan citra menurut Harlow Perbaikan kualitas citra (image enhancement) merupakan salah satu proses awal dalam pengolahan citra (image preprocessing). Melalui operasi pemrosesan awal inilah kualitas citra diperbaiki, sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misalnya pada pengenalan objek di dalam citra. Secara matematis perbaikan citra dapat diartikan sebagai proses mengubah citra f(x,y) menjadi f’(x,y) sehingga ciri-ciri yang dilihat pada f(x,y) lebih ditonjolkan (Munir,2004). Pada citra warna, setiap titik mempunyai warna spesifik yang merupakan kombinasi atas 3 warna, yaitu: merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB (red-greenblue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (Ahmad,2005). Pada citra aras keabuan, komposisi warna dasar pada setiap pikselnya sama. Untuk mengubah citra warna menjadi citra aras keabuan digunakan persamaan: Y = 0,3 R + 0,59 G +0,11 B (1) dengan : R = nilai warna merah; G = nilai warna hijau; B = nilai warna biru Pada operasi binerisasi otomatis, nilai batas tidak ditentukan sejak awal karena bersifat dinamis karena harus ada dengan sendirinya dan ditentukan dalam program. Salah satu metode yang digunakan untuk menentukan pengambangan otomatis adalah metode P Tile. Metode P Tile menggunakan pengetahuan tentang daerah atau ukuran dari objek yang diinginkan untuk menentukan nilai batas dan melakukan operasi binerisasi pada citra abu-abu berdasarkan nilai batas tersebut. Misalnya dalam suatu citra abu-abu, bagian objek menempati sekitar P persen dari area citra, sedangkan sisanya adalah bagian latar belakang. Persamaan yang digunakan:
⎧ 0, p1 Ko = ⎨ ⎩1, p 2 ≥ lp
(2)
Pengambangan ganda dilakukan untuk menampilkan titik-titik yang mempunyai rentang nilai skala keabuan tertentu.
⎧0, jika Ko = ⎨ ⎩
ambangbawa h ≤ Ki ≤ ambangatas lainnya 1,
(3)
Segmentasi merupakan langkah pertama yang biasanya digunakan sebelum proses analisis terhadap suatu citra dilakukan. Algoritma segmentasi untuk gambar monokrom secara umum didasarkan pada satu dari dua karakteristik gambar yang memuat nilai aras keabuan, yaitu sifat diskontinu (discontinuity) dan sifat keserupaan (similarity). Contoh proses segmentasi yang didasarkan pada sifat diskontinu antara lain deteksi titik, deteksi garis, dan deteksi tepi, sedangkan yang berdasarkan sifat kemiripan adalah thresholding, region growing, region splitting, dan merging. Tujuan dari segmentasi citra adalah untuk membagi citra digital menjadi wilayah atau region. Penentuan batas wilayah yang didasarkan pada intensitas yang tidak kontinu. Segmentasi
31
menyelesaikannya melalui nilai ambang (threshold), berdasarkan distribusi sifat-sifat piksel seperti intensitas atau warna (Jain, 1995). Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam jarak yang singkat. Perbedaan intensitas inilah yang menampakkan rincian pada gambar (Munir,2004). Pada penelitian ini operator deteksi tepi yang digunakan adalah operator Laplacian dan operator Laplacian of Gausian. Operator Laplace mendeteksi lokasi tepi lebih akurat khususnya pada tepi yang curam. Turunan kedua fungsi dengan dua peubah adalah:
∇2 f =
∂2 f ∂2 f + ∂x 2 ∂y 2
(4)
dengan menggunakan definisi hampiran selisih-mundur (backward difference approximation):
∇2 f =
f ( x, y + Δy ) − 2 f ( x, y ) + f ( x, y − Δy ) Δy 2 Dengan mengasumsikan Δx = Δy =1, maka diperoleh nilai mask :
( )
⎡ 0 − 1 0 ⎤ ⎡− 1 − 1 − 1⎤ ⎡ 1 − 2 1 ⎤ ⎢− 1 4 − 1⎥ ⎢− 1 7 − 1⎥ ⎢ ⎥ ⎥ ⎢ − 2 6 − 2⎥ ⎢ ⎥ ⎢ ⎢⎣ 0 − 1 0 ⎥⎦ ⎢⎣− 1 − 1 − 1⎥⎦ ⎣⎢ 1 − 2 1 ⎦⎥ (a) (b) (c) Gambar 2 Operator Laplacian untuk deteksi tepi Pendeteksian tepi menggunakan operator LoG merupakan kombinasi lain yang banyak digunakan yaitu penghalusan citra menggunakan operator Gausian yang dikombinasikan dengan operator Laplacian (Achmad,2005). Persamaan yang digunakan pada pendeteksian LoG ini adalah: (5) ∇ 2 (G (u , v) o g ( x, y )) = (∇ 2G (u, v)) o g ( x, y ) Informasi penting mengenai isi citra digital dapat diketahui dengan membuat histogram citra. Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi relatif kemunculan setiap nilai aras keabuan pada citra. Oleh karena derajat keabuan mempunyai 256 aras (0 – 255) maka histogram akan menyatakan jumlah kemunculan setiap nilai 0 – 255. Histogram juga dapat menunjukkan banyak hal mengenai kecerahan (brightness) dan kontras dari sebuah citra. Secara matematis histogram citra dihitung dengan persamaan sebagai berikut.
hi =
ni , i = 0, 1, ..., L -1 n
(6)
dengan ni=jumlah piksel yang memiliki derajat keabuan i; n=jumlah seluruh piksel di dalam citra. Dalam upaya menampakkan informasi sebanyak mungkin pada citra maka histogram dibuat semerata mungkin yang disebut dengan penyamaan histogram (histogram equalization). Tujuan ekualisasi histogram adalah untuk memperoleh penyebaran histogram yang merata, sehingga setiap derajat keabuan memiliki jumlah piksel yang relatif sama. K-Mean Clustering adalah teknik segmentasi citra berdasarkan intensitas warna. Berasumsi bahwa objek-objek yang akan dipisahkan cenderung memiliki intensitas warna yang berbeda-beda dan masing-masing objek memiliki warna yang hampir seragam (Nalwan,1997). Pada k-mean clustering dilakukan pembagian citra dengan membagi histogram citra. Berikut langkah-langkahnya: 1. Pertama-tama dicari intensitas maksimum dan minimum yang digunakan dalam citra. 2. Dari intensitas minimum ke maksimum dilakukan pembagian sejumlah N. N ini menentukan jumlah objek yang diharapkan ada pada gambar. 3. Setelah dilakukan pembagian, histogram akan terbagi menjadi bagian-bagian yang disebut cluster (kelompok). Kemudian pada citra dilakukan penelusuran untuk seluruh titik, setiap titik akan dikelompokkan ke cluster terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada gambar menjadi N. Kemudian mencari hasil rata-rata/mean atas seluruh titik pada setiap cluster, kemudian mengganti warna seluruh titik di dalam cluster-cluster tersebut dengan rata-rata cluster masing-masing.
32
HASIL DAN PEMBAHASAN Proses pengolahan awal citra pada penelitian ini dilakukan dengan metode ekualisasi histogram. Hasil yang diperoleh dari ekualisasi histogram untuk masing-masing citra digital head CTScan yang di tangkap (captured) menggunakan Scanner CanoScan Lide 25 di tunjukkan pada Gambar 3 berikut.
Gambar 3 Citra digital head CT-Scan setelah ekualisasi histogram Pengolahan awal (pre-processing) citra dapat dilakukan dengan pengubahan kontras, pengubahan cerah, pengurangan noise, ekualisasi histogram. Dari hasil ekualisasi histogram, masingmasing citra disimpan untuk digunakan sebagai input bagi pengolahan citra selanjutnya. Hasil pengolahan awal citra dengan metode ekualisasi histogram dapat meningkatkan kualitas citra asli memiliki tingkat keakuratan sebagai berikut: Peningkatan kualitas citra dengan ekualisasi histogram pada ambang otomatis a. Data Infark dari 13 data yang ada = 100% b. Data Lakunar dari 3 data yang ada = 100% c. Data Perdarahan dari 4 data yang ada = 100% d. Data normal dari 6 data yang ada = 100% Metode segmentasi citra yang sederhana dilakukan dengan metode pengambangan (thresholding). Ada dua metode pengambangan yang digunakan, yaitu pengambangan tunggal yang dilakukan dengan metode pengambangan P-Tile dan pengambangan ganda dengan menentapkan dua nilai ambang (upper threshold dan lower threshold). Hasil dari pengambangan tunggal metode PTile ditunjukkan pada Gambar 4 berikut.
Gambar 4 Hasil pengambangan tunggal metode P-Tile Deteksi tepi yang dilakukan dalam penelitian ini menggunakan metode laplacian negatif 5 titik, 9 titik 1, dan 9 titik 2, serta deteksi tepi laplacian of gaussian. Hasil dari masing-masing deteksi tepi negatif 9 titik 1 ini ditunjukkan pada Gambar 5 dan hasil deteksi tepi laplacian of gaussian ditunjukkan pada Gambar 6 secara berturut-turut sebagai berikut.
Gambar 5 Hasil deteksi tepi laplacian negatif
33
Gambar 6 Hasil deteksi tepi laplacian of gaussian Perbandingan tingkat keakuratan deteksi tepi dengan ekualisasi histogram sebagai pengolahan awal citra dari hasil simulasi pada deteksi tepi laplacian negatif pada 5 titik, 9 titik 1, 9 titik 2, dan deteksi tepi laplacian of gaussian (LoG) ditunjukkan pada Tabel 1 berikut. Tabel 1 Tingkat keakuratan hasil simulasi deteksi tepi laplacian negatif dan LoG No
5 titik
9 titik 1
9 titik 2
LoG
1
46,15%
76,92%
76,92%
30,77%
2
0%
66,67%
100%
33,33%
3 50% 100% 75% 75% Metode segmentasi k-mean clustering digunakan sebagai pembanding dengan metode segmentasi deteksi tepi maupun metode pengambangan. Metode segmentasi k-mean clustering dilakukan dengan membagi objek dalam beberapa cluster (kelompok). Nilai k yang digunakan dalam penelitian adalah 2, 3, 4, 5, 6, 7, dan 8. Hasil k-mean clustering dengan k= 5 ditunjukkan pada Gambar 7.
Gambar 7 Hasil k-mean clustering untuk k=5 Perbandingan tingkat keakuratan segmentasi k-mean clustering dengan ekualisasi histogram sebagai pengolahan awal citra dari hasil simulasi menggunakan nilai k = 2, 3, 4, 5, 6, 7, dan 8 ditunjukkan pada Tabel 2 berikut. Tabel 2 Tingkat keakuratan hasil simulasi k-mean clustering No
K=2
K=3
K=4
K=5
K=6
K=7
K=8
1
100%
38,5%
92,3%
92,3%
100%
100%
100%
2
33,3%
33,3%
66,7%
66,7%
66,7%
100%
100%
3
25%
100%
100%
100%
100%
100%
100%
Analisis Objek Analisis objek bertujuan untuk mengenali suatu objek. Analisis objek didasarkan pada ciri khas pada objek tersebut. Selain bentuk dan karakteristik objek, terdapat informasi lainnya yang mampu membedakan dua wilayah yang berdekatan, atau dua objek yang tumpang tindih, yaitu informasi tekstur, atau sifat dari permukaan objek yang diamati. Beberapa analisis tektur yang umum digunakan berhubungan dengan sifat statistik objek antara lain mean, standar deviasi dan variansi. Tabel 3 menunjukkan analisis tekstur citra head CT-Scan sebelum diolah.
34
Tabel 3 Fitur tekstur citra head CT-Scan sebelum diolah Tekstur
N
P
I
L
Mean
151
160
36
134
Std.Dev
10
22
12
23
Variansi
98
481
133
508
Jarak
138
120
374
48
Keterangan: N = normal P = perdarahan I = infark L = lakunar Nilai ambang otomatis untuk masing-masing citra digital head CT-Scan adalah sebagai berikut: a. Citra head CT-Scan yang terdeteksi stroke infark lakunar P =0,35 atau 35%. b. Citra head CT-Scan yang terdeteksi stroke infark P =0,40 – 0,50 atau 40% - 50%. c. Citra head CT-Scan yang terdeteksi stroke perdarahan P = 0,75–0,80 atau 75%-80%. d. Citra head CT-Scan normal P = =0,35 atau 35% Tabel 4 Fitur tekstur hasil pengambangan P-Tile Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
158
125
108
66
Std.deviasi
123
127
121
112
Variansi
15318
16250
14641
12553
Jarak
278 144 156 61 Tabel 5 Fitur tekstur hasil pengambangan ganda
Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
162
105
98
70
Std.deviasi
122
125
104
115
Variansi
15011
15737
10895
13384
Jarak
259
140
127
64
Tabel 6 Fitur tekstur hasil deteksi tepi Laplacian negatif Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
146
124
101
133
Std.deviasi
14
12
31
36
Variansi
208
144
945
1306
Jarak
296
142
280
91
Tabel 7 Fitur tekstur hasil deteksi tepi Laplacian of Gaussian Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
128
128
128
128
Std.deviasi
3
4
7
11
Variansi
10
11
42
111
Jarak
284
432
289
316
Tabel 8 Fitur tekstur hasil k = 3 segmentasi k-mean clustering
35
Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
48
95
19
37
Std.deviasi
38
48
25
20
Variansi
1500
2290
617
298
Jarak
340
141
260
27
Tabel 9 Fitur tekstur hasil k = 4 segmentasi k-mean clustering Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
50
114
5
49
Std.deviasi
37
56
12
29
Variansi
1400
3165
154
834
Jarak
388
143
245
61
Tabel 10 Fitur tekstur hasil k = 5 segmentasi k-mean clustering Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
74
134
10
47
Std.deviasi
40
58
14
28
Variansi
1657
3356
187
763
Jarak
310
137
258
55
Tabel 11 Fitur tekstur hasil k = 6 segmentasi k-mean clustering Fitur Tekstur
Normal
Perdarahan
Infark
Infark Lakunar
Mean
80
144
18
48
Std.deviasi
40
55
8
20
Variansi
1643
3037
57
398
Jarak
320
129
141
26
Dari hasil analisis tekstur yang ditunjukkan pada masing-masing Tabel, dapat diperoleh bahwa pada metode pengambangan P-Tile dan pengambangan ganda, menunjukkan nilai rata-rata terbesar terdapat pada citra head CT-Scan normal sedangkan nilai rata-rata terkecil ditunjukkan pada citra head CT-Scan dengan deteksi infark lakunar. Hal ini ditunjukkan pada Tabel 4 dan Tabel 5. Sedangkan dari hasil deteksi tepi yang ditunjukkan pada Tabel 6 dapat diperoleh bahwa nilai rata-rata terbesar ditunjukkan pada citra normal dan nilai rata-rata terkecil ditunjukkan oleh citra yang terdeteksi adanya infark. Tabel 7 menunjukkan bahwa metode deteksi tepi laplacian of gaussian tidak dapat diterapkan untuk citra digital head CT-Scan karena nilai intensitas keabuan yang merata menimbulkan hasil interpretasi citra salah sehingga tidak dapat digunakan untuk membedakan citra digital head CTScan yang normal maupun citra digital head CT-Scan yang terdeteksi adanya kelainan otak. Metode segmentasi k-mean clustering yang dihasilkan dari hasil simulasi menunjukkan bahwa analisis statistik yang diperoleh untuk citra digital head CT-Scan normal memiliki nilai rata-rata 48-80, nilai standar deviasi citra head CT-Scan normal berkisar pada nilai 37-40, dan nilai variansi citra digital head CTScan normal memiliki nilai pada 1400-1660. Sedangkan citra digital head CT-Scan yang terdeteksi adanya perdarahan otak memiliki nilai mean, standar deviasi, dan variansi yang paling besar. Analisis statistik citra digital head CT-Scan yang terdeteksi infark maupun infark lakunar memiliki nilai rata-rata yang lebih kecil dari nilai rata-rata citra digital head CT-Scan normal. Hasil analisis statistik ini ditunjukkan pada Tabel 8 sampai dengan Tabel 11. KESIMPULAN DAN SARAN Kesimpulan Dari pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut: Peningkatan kualitas citra dengan menggunakan perangkat lunak aplikasi metode ekualisasi histogram secara signifikan dapat memperjelas citra digital head CT-Scan, penerapan metode segmentasi pengambangan, deteksi tepi, dan k-mean clustering akan lebih baik hasilnya apabila citra yang akan diolah ditingkatan kualitas citranya melalui pre-processing image, metode segmentasi k-
36
mean clustering dan deteksi tepi Laplacian negatif merupakan metode segmentasi yang lebih tepat diterapkan pada citra digital head CT-Scan dengan pemilihan k yang tepat, metode segmentasi pengambangan dan deteksi tepi Laplacian of Gaussian kurang tepat diterapkan pada citra digital head CT-Scan karena menghasilkan citra keluaran yang tidak begitu jelas, analisis statistik yang meliputi mean, standar deviasi, variansi yang diekstrak dari ciri objek dalam citra dapat menunjukkan kondisi otak sehat dan sakit dengan membandingkan masing-masing nilai statistik citra yang sehat dan citra yang terdeteksi adanya kelainan. Hasil analisis statistik dari fitur tekstur didapatkan bahwa citra digital head CT-Scan yang terindikasi perdarahan memiliki nilai mean, standar deviasi, serta variansi yang paling besar daripada citra digital head CT-Scan infark, infark lakunar maupun normal. Nilai mean, standar deviasi, dan variansi paling kecil terdapat pada citra digital head CT-Scan infark. Nilai mean 48-80 diperoleh dari analisis statistik citra digital head CT-Scan. Nilai standar deviasi citra head CTScan normal memiliki nilai 37-40. Nilai variansi citra digital head CT-Scan normal memiliki nilai pada 1400-1660. Saran Saran untuk pengembangan penelitian lebih lanjut antara lain, perlu dikembangkan segmentasi yang sifatnya otomatis dan real-time sehingga dapat digunakan langsung pada citra head CT-Scan yang akan dianalisis serta penentuan jenis objek yang mengklasifikasikan ke dalam jenis (tipe) infark perlu dikembangkan untuk mengurangi subjektivitas radiolog yang memudahkan teknisi dalam membaca citra hasil head CT Scan. DAFTAR PUSTAKA Balza, A. & Kartika F, 2005, Teknik Pengolahan Citra Digital Menggunakan Delphi, Ardi, Yogyakarta. Ahmad, U., 2005, Pengolahan Citra Digital dan Teknik Pemrogramannya, Graha Ilmu, Yogyakarta. Angenent, S., Eric Pichon, and Allen Tannenbaum, 2000, Mathematical Methods in Medical Image Processing, Buletin of the American mathematical society. Bailey, D.G., 2004, An Efficient Euclidean Distance Transform, Institute of Information Sciences and Technology, New Zealand. Castleman, K.R., 1996, Digital Image Processing, Prentice-Hall, Inc., Englewoods Cliff, New Jersey. Conte, S.D.,1980, Dasar-Dasar Analisis Numerik, Erlangga, Jakarta. Hasan, 1995,CT Scanner, ELEKTRO INDONESIA Nomor 3, Tahun I, http://www.google.com/CTScanner.html. Jain, A.K.,1995, Fundamentals of Digital Image Processing, Prentice-Hall of India, New Delhi. Karris, S.T, 2007, Numerical Analysis Using Matlab and Excel, Orchad, USA. Leggett, R.,2004, Automatic Segmentation of MedicalImages, http://www.google.com/dissertation.pdf. Loncaric, S and et all, Quantitative intracerebral brain hemorrhage analysis, http://www.google.com/stroke_hemorrhage.pdf. Loncaric, S and et all, Segmentation of CT Head Images, http://www.google.com/CT-HEADSEGMEN.pdf (diakses tanggal 18 Agustus 2007). MADCOMS, 2006, Pemrograman Borland Delphi 7, Andi Offset, Yogyakarta. Munir, R.,2004, Pengolahan Citra Digital dengan Pendekatan Logaritmik, Informatika, Bandung. Nalwal, A.,1997, Pengolahan Gambar Secara Digital, Elex Media Komputindo, Jakarta. Pranata, A., 2003, Pemrograman Borland Delphi 6, Andi Offset, Yogyakarta. Phillips, D., 2000, Image Processing in C, http://www.google.com/Image Processing in C.pdf. Schalkoff, R.J.,1799, Digital Image Processing and Computer Vision, John Wiley & Sons, Inc, Monticello. Sugiharto, A.,2006, Pemrograman GUI dengan MATLAB, Andi Offset, Yogyakarta.
37