SISTEM PENCITRAAN MIKROSKOP DIGITAL UNTUK IDENTIFIKASI BAKTERI TUBERKULOSIS (TB)

0782: Kusworo Adi dkk.

KO-80

SISTEM PENCITRAAN MIKROSKOP DIGITAL UNTUK IDENTIFIKASI BAKTERI TUBERKULOSIS (TB) Kusworo Adi1,∗ , K. Sofjan Firdausi1 , Rahmat Gernowo1 , Budi Rahardjo2 , Ibnu Siena1 , dan Ari Bawono Putranto1 1

Jurusan Fisika, Fakultas MIPA, Universitas Diponegoro Jl. Prof. H. Soedarto, SH, Tembalang, Semarang Telepon (024)70790933 2 Jurusan Biologi, Fakultas MIPA, Universitas Diponegoro Jl. Prof. H. Soedarto, SH, Tembalang, Semarang Telepon (024)76480923 ∗

e-Mail: [email protected]

Disajikan 29-30 Nop 2012

ABSTRAK Kemajuan di bidang pengolahan citra untuk mengolah citra dalam orde mikro semakin pesat, hal ini tentunya memerlukan sebuah sistem akuisisi data secara digital dengan menggunakan mikroskop digital yang dapat dikendalikan secara otomatis. Pada penelitian ini telah dihasilkan suatu mikroskop digital yang mempunyai kemampuan untuk mendapatkan data secara digital dengan melakukan penambahan sistem mekanik dan sistem elektronik agar dapat dikendalikan melalui komputer. Dari hasil pengujian telah didapatkan hasil yang cukup baik, mikroskop sudah dapat mengambil citra dalam orde mikro secara digital. Citra bakteri tuberkulosis (TB) hasil akuisisi dari sistem pencitraan mikroskop telah berhasil diidentifikasi sebagai bakteri TB dengan menggunakan teknik pengolahan citra. Kata Kunci: Mikroskop digital, citra bakteri TB, pengolahan citra

I.

PENDAHULUAN

Perkembangan dunia digital semakin pesat, kebutuhan untuk melakukan observasi secara digital semakin mendesak. Mikroskop konvesnional yang merupakan susunan optik mempunyai beberapa keterbatasan, terutama dalam konversi dari data analog menjadi data digital yang dapat di manfaatkan untuk identifikasi bakteri TB secara realtime. Perkembangan pengolahan citra untuk menganalisis dan mengidentifikasi bakteri TB memerlukan mikroskop yang dapat mengambil data secara digital. Berdasarkan pertimbangan tersebut maka pada penelitian dilakukan modifikasi mikroskop konvensional menjadi mikroskop digital dengan beberapa modifikasi pada bagian yang penting. Sistem pencitraan mikroskop mempunyai fitur - fitur yang memudahkan pengguna. Pemeriksaan bakteri TB secara mikroskopis dengan menggunakan metode pewarnaan Ziehl-Neelsen stain (ZN-stain) merupakan pemeriksaan primer yang masih digunakan di seluruh dunia termasuk di Indonesia berdasarkan rekomendasi dari badan kesehatan dunia (WHO). Pemeriksaan ini sangat tergantung pada

keahlian sumber daya manusia dan memakan waktu pemeriksaan yang lama[1] Sehingga di negara berkembang dengan fasilitas terbatas, sedikit tenaga ahli, dan biaya tidak murah merupakan salah satu alasan sulitnya menekan pertumbuhan penderita TB. Oleh karena itu diperlukan suatu sistem otomatis untuk mendeteksi bakteri tuberkulosis dari citra digital sample ZN-stain.

II.

METODOLOGI

A. Sistem Pencitraan Mikroskop Fungsi mikroskop adalah memperoleh citra atau pencitraan yang besar dari obyek yang sangat kecil (orde mikro). Secara umum, komponen utama mikroskop optik terdiri dari lensa obyektif dan lensa okuler. Lensa obyektif berfungsi membentuk bayangan riil obyek yang diamati. Bayangan riil tersebut kemudian jatuh di depan lensa okuler yang jaraknya lebih kecil dari fokus lensa okuler, sehingga terbentuk bayangan maya. Secara umum, proses pembentukan bayangan oleh kedua lensa mikroskop dapat dijelaskan pada G AMBAR 1.[2] Perbesaran total pada mikroskop secara umum

Prosiding InSINas 2012

0782: Kusworo Adi dkk.

KO-81

diberikan oleh persamaan:[3] M = Mob × Mok

(1)

Dengan M adalah perbesaran total, Mob perbesaran oleh lensa obyektif, dan Mok perbesaran oleh lensa okuler. G AMBAR 2: Diagram blok sistem pencitraan mikroskop

G AMBAR 1: Komponen utama dan proses pembentukan bayangan pada mikroskop optis[3]

Jika mata tak berakomodasi maka perbesaran oleh lensa okuler dapat ditulis:[3] Mok =

N fok

(2)

Dengan N = 25 cm adalah titik dekat mata normal. Dengan asumsi bahwa semua lensa tidak mengalami aberasi, serta nilai fok maupun fob jauh lebih kecil dari jarak kedua lensa, maka perbesaran minimal yang dapat diperoleh dari sebuah mikroskop optik adalah:[3] M ≈N×

L fob × fok

(3)

P ERS . (3) menunjukkan bahwa perbesaran mikroskop dapat diperoleh sebesar-besarnya jika fokus obyektif dan okuler sekecil-kecilnya. Sistem pencitraan mikroskop digital terdiri dari tiga bagian utama, yaitu sistem mekanik, sistem elektronik dan kamera sebagai pengambil data citra. Sistem mekanik mikroskop berfungsi menggerakan penggerak kasar dan halus pada mikroskop untuk mendapatkan titik fokus yang dikendalikan oleh sistem elektronik dengan mikrokontroler ATmega8535. Kamera digital berfungsi menggantikan mata untuk akuisisi citra sampel yang dapat disimpan dalam bentuk data digital. Blok diagram sistem pencitraan mikroskop seperti disajikan pada G AMBAR 2.

B.

Pengembangan Algoritma Pengolahan Citra Untuk Identifikasi Bakteri TB Beberapa peneliti di dunia telah melakukan banyak penelitian tentang pemeriksaan sampel dahak dengan menggunakan teknik pemrosesan citra. Segmentasi bakteri dari spesies tertentu memerlukan proses yang kompleks. Oleh karena itu selain bentuk, informasi warna bakteri banyak digunakan. Veropoulos

dkk. menggunakan metode identifikasi berdasarkan deskriptor bentuk dan klasifikasi dengan jaringan syaraf tiruan menunjukkan sensitivitas (rasio keputusan positif benar terhadap jumlah kasus positif) sebesar 94,1%[4, 5] Peneliti lain menggunakan informasi warna sebagai faktor diskriminan kunci baik untuk segmentasi dan identifikasi bakteri[6] atau segmentasi sel kanker untuk diagnosis paru-paru.[7, 8] Pemrosesan citra TB dilakukan oleh Khutlang dkk yaitu melakukan skrining untuk TB di negaranegara berpenghasilan untuk identifikasi mycobacterium tuberculosis secara otomatis dalam citra ZiehlNeelsen (ZN), dahak bernoda diperoleh menggunakan mikroskop medan-terang. Segmentasi objek bakteri dengan menggunakan kombinasi dua pengklasifikasi kelas pixel. Algoritma ini menghasilkan hasil yang sesuai dengan segmentasi manual, kemudian memodifikasi jarak Hausdorff dan indeks Williams. Ekstraksi ciri dan optimalisasi fitur yang ditetapkan oleh pemilihan subset ciri dan transformasi Fisher. Sensitivitas dan spesifisitas dari semua pengklasifikasian diuji di atas 95% untuk identifikasi objek bakteri yang diwakili oleh ciri Fisher. Hasil ini dapat digunakan untuk mengurangi keterlibatan teknisi pada pemeriksaan TB[9] Identifikasi secara otomatis akan memberikan beberapa kelebihan, seperti pengurangan beban kerja dokter, meningkatkan sensitivitas pengujian dan akurasi yang lebih baik dalam diagnosis dengan meningkatkan jumlah citra yang dapat dianalisis oleh komputer[10] Segmentasi dan klasifikasi dengan pendekatan komponen warna hue digunakan untuk identifikasi bakteri TB. Metede ini dikembangkan batas ambang saturasi warna pada piksel citra bakteri TB Ziehl-Neelsen (ZN).[11] Pengembangan algoritma pengolahan citra untuk deteksi bakteri TB meliputi: marker warna, segmentasi citra, morfologi, ekstraksi ciri dan klasifikasi dengan jaringan syaraf tiruan untuk proses pelatihan dan identifikasi bakteri TB. Dengan dilakukan proses pelatihan bentuk bakteri, maka data pelatihan akan digunakan untuk mengidentifikasi bakteri TB. Bakteri yang akan diidentifikasi sebagai TB berdasarkan bentuk dan warna dari bakteri tersebut. Citra mikroskopik dengan metode pewarnaan Ziehl-Nelsen (ZN) dilakukan untuk identifikasi bakteri tahan asam (BTA). Bakteri tahan asam (BTA) adalah bakteri yang pada pengecatan ZN Prosiding InSINas 2012

0782: Kusworo Adi dkk.

KO-82 tetap mengikat warna pertama, tidak luntur oleh asam dan alkohol, sehingga tidak mampu mengikat warna kedua. di bawah mikroskop tampak bakteri berwarna merah dengan warna dasar biru muda. Gambar 3 merupakan blok diagram pengembangan algoritma untuk proses pelatihan maupun identifikasi bakteri TB.

G AMBAR 4: Desain sistem mekanik pencitraan mikroskop G AMBAR 3: Diagram Blok Pengolahan Citra

Adapun spesifikasi algoritma pengolahan citra yang telah dikembangkan adalah:

gearbox dc, (c) sistem elektronik dan komunikasi data dengan Mikrokontroler ATmega8535 dan perangkat lunak untuk mengendalikan sistem mekanik pada penggerak mikroskop. @@@ Motor gearbox dc yang digu-

• Dapat membedakan antara obyek (bakteri) dan background • Dapat melakukan segmentasi obyek untuk mendapatkan parameter eccentricities dan compactness • Arsitektur Jaringan Syaraf Tiruan (JST) adalah 2 layer input (eccentricities dan compactness), 15 layer tersembunyi, dan 1 layer output (positif TB dan Negatif TB)

III.

HASIL DAN PEMBAHASAN

A. Sistem Pencitraan Mikroskop Rancang bangun sistem pencitraan mikroskop meliputi desain mekanik, elektronik, dan pengambilan citra dengan kamera digital. G AMBAR 4 merupakan desain mekanik sistem pencitraan mikroskop yang terdiri dari casing motor dan bracket yang digunakan untuk menggerakkan penggerak mikroskop secara otomatis. Sistem pencitraan mikroskop mempunyai spesifikasi: Gearbox Motor DC Rasio 1: 100 (100 putaran 1 output) Torsi: 3 kg-cm Tegangan Kerja: 2×12 Volt DC Arus: Maks 2 Ampere Perbesaran Digital: 100 x, 250 x, 1000 x, 2500 x Resolusi Kamera: 320 x 240 piksel, 640 x 480 piksel, 1280 x 960 piksel, 2560 x 1920 piksel Sedangkan G AMBAR 5 merupakan sistem pencitraan mikroskop yang terdiri dari: (a). sistem pencitraan mikroskop lengkap, (b). sistem mekanik dengan motor

G AMBAR 5: Hasil racang bangun sistem pencitraan mikroskop

nakan untuk menggerakkan penggerak kasar dan halus pada mikroskop dkendalikan oleh sistem elektronik dengan Mikrokontroler ATmega8535, selain itu digunakan sebagai komunikasi melalui port serial untuk mengendalikan gerakan penggerak mikroskop melalui komputer dalam mendapatkan titik fokus. Dari hasil pengujian secara fungsional dari sistem mekanik, elektronik dan kamera sudah bekerja dengan baik. Untuk sistem mekanik, gearbaok motor dc yang digunakan pada sistem ini sudah dapat menggerakkan penggerak kasar dan halus pada mikroskop. Hasil peProsiding InSINas 2012

0782: Kusworo Adi dkk.

KO-83

ngujian setiap langkah gerakan motor dengan jalur lintasan sepanjang 35 mm seperti pada TABEL 1 TABEL 1: Hasil pengujian gerakan motor dc pada sistem mekanik

Perpindahan (mm) Naik Turun K 1S 4S K 1S 4S Kasar 5 0,5 2 8 1 4 Halus 0,1 0,05 Ket.: K=Kontinyu, S=Step Mode Gerak

Berdasarkan pengujian didapatkan hasil yang berbeda antara gerakan naik dan turun, hal ini disebabkan karena suplai tegangan pada gerakan naik dibuat lebih besar agar dapat mengangkat beban yang lebih berat. Ketika diberi suplai tegangan yang sama (±2,8 Volt) pada gerakan naik tidak sebaik gerakan turun dan berhenti setelah menempuh jarak 10 mm. TABEL 2 merupakan hasil pengujian tegangan dan arus ketika motor bergerak naik dan turun. TABEL 2: Hasil pengujian tegangan (V) dan arus (I)

Pengukuran ke 1 2 3 4 5 Rerata

Gerakan Naik V I (Volt) (mA) - 4,5 - 167 - 4,6 - 200 - 4,5 - 133 - 4,6 - 200 - 4,6 - 167 - 4,6 - 173,4

Gerakan Turun C I (Volt) (mA) 2,8 67 2,7 67 2,8 100 2,8 67 2,8 67 2,8 73,6

G AMBAR 7: Hasil pengujian dengan sampel dahak terinfeksi bakteri TB

@@@ Algoritma Pengolahan Citra Untuk Identifikasi Bakteri TB Hasil simulasi algoritma pengolahan citra yang telah dikembangkan seperti pada G AMBAR 8

Pengujian sistem pencitraan mikroskop selanjutnya adalah menguji fokus citra dengan mengerakkan mikroskop naik maupun turun, hasil pengujian seperti pada G AMBAR 6.

G AMBAR 6: Hasil pengujian fokus kamera dengan gerakan motor

Hasil pengujian fokus kamera (a) posisi fokus, (b) mikroskop digerakkan naik 1 step, (c) mikroskop digerakkan naik 2 step, dan (d) mikroskop digerakkan naik 3 step. Pengujian pengambilan sampel dahak terinfeksi bakteri TB hasilnya seperti pada G AMBAR 7 Tampak dari hasil pengujian sistem pencitraan mikroskop telah dapat mengambil citra bakteri terinfeksi tuberkulosis (TB) meskipun hasilnya belum begitu fokus.

G AMBAR 8: Hasil simulasi algoritma pengolahan citra

Secara fungsional algoritma ini sudah bekerja dengan baik, karena pada prisipnya untuk mengenali bakteri tersebut dilihat dari warna dan bentuknya. Algoritma pengolahan citra untuk identifikasi bakteri TB Prosiding InSINas 2012

0782: Kusworo Adi dkk.

KO-84 pada langkah pertama diuji dengan menggunakan citra uji yang digunakan oleh para peneliti sebelumnya[12] Adapun hasil pengujian seperti pada G AMBAR 9.

G AMBAR 9: Hasil pengujian dengan citra uji, (a) dan (c) merupakan citra sebelum proses identifikasi, (b) dan (d) merupakan citra hasil identifikasi

Berdasarkan hasil pengujian dengan citra uji, algoritma tersebut masih belum dapat mengenali obyek bakteri menumpuk yang merupakan bakteri seperti ditunjukkan pada G AMBAR 9-(d) Kemudian pengujian dilanjutkan dengan sampel yang pekat/kental seperti pada G AMBAR 10.

G AMBAR 11: Hasil pengolahan citra dengan citra hasil akuisisi sistem pencitraan mikroskop

kan pada G AMBAR 11 Tampak dari hasil tersebut algoritma sudah dapat mengidentifikasi bakteri dengan baik.

IV.

KESIMPULAN

Dari hasil penelitian dapat kesimpulan sebagai berikut : 1. Sistem pencitraan mikroskop sudah bekerja dengan baik dalam mengakuisisi citra sampel dahak terinfeksi bakteri TB dengan metode metode pewarnaan Ziehl-Nelsen (ZN) meskipun kurang fokus hasilnya, sehingga masih perlu perbaikan. 2. Algoritma pengolahan citra untuk identifikasi bakteri TB telah berhasil mengenali bakteri TB berdasarkan warna dan bentuk. Akan tetapi sistem ini belum dapat mengenali bakteri yang menumpuk dan sampel yang pekat/kental.

UCAPAN TERIMA KASIH Kementerian Riset dan Teknologi Republik Indonesia yang telah mendanai penelitian ini melalui Program Insentif SiNas Terapan.

DAFTAR PUSTAKA G AMBAR 10: Contoh sampel yang terlalu pekat

Sampel yang terlalu pekat akan sulit dibedakan antara obyek dengan background, sehingga untuk kasus tersebut perlu perbaikan pada proses pembuatan sampel dengan metode pewarnaan Ziehl-Nelsen (ZN). Algoritma pengolahan citra diujikan pada citra hasil akuisisi sistem pencitraan mikroskop seperti ditunjuk-

[1] Sadaphal, P., Rao, J., Comstock, G. W., dan Beg, M. F., (2008), Image Processing Techniques for Identifiying Mycobacterium Tuberculosis in ZiehlNeelsen Stains, International Journal Tuberc Lung Disease 12(5): 579-582. [2] Malacara, D., (1988), Methods of Experimental Physics, Geometrical and Instrumental Optics, Vol 25, Academic Press, Inc. [3] Douglas C. Giancolli, (2005), Physics, Ed. 6th, PearProsiding InSINas 2012

0782: Kusworo Adi dkk.

KO-85

son Prentice Hall. [4] Veropoulos, K., Campbell, C., and Learmonth, G., (1998), Image Processing And Neural Computing Used In The Diagnosis Of Tuberculosis, Proc. IEE Colloquium on Intelligent Methods in Healthcare and Medical Applications (Digest No. 1998/514), pp. 8/1 - 8/4 [5] Veropoulos, K., Learmonth, G., Campbell, C., and Knight, B., Simpson, J., (1999), Automatic Identification of Tubercle Bacilli in Sputum. A preliminary investigation, Analytical and Quantitative Cytology and Histology, Vol. 21, No. 4, (Aug. 1999), pp. 277-81, ISSN 0884-6812. [6] Alvarez-Borrego J., Mourino R., CristLobal G., and Pech J., (2000), Invariant Optical Color Correlation for Recognition of Vibrio Cholerae, in Int. Conf. on Pattern Recognition, 2847, p. 283, Barcelona, Spain [7] Sammouda R., Niki N., Nishitani H., Nakamura S., and Mor S. , (1997), Segmentation of Sputum Color Image for Lung Cancer Diagnosis, in Int. Conf. on Image Processing, 1, p. 243, Washington, USA. [8] Sammouda R., Niki N., Nishitani H, and Kyokage E., (1998),Segmentation of Sputum Color Image for Lung Cancer Diagnosis Based on Neural Network, IEICE transactions on Information and Systems [9] Khutlang, R., Krishnan, S., Dendere, R., Whitelaw, A., Veropoulos, K., Learmonth, G., and Douglas T. S., (2010), Classification of Mycobacterium Tuberculosis in Images of ZN-stained Sputum Smears, IEEE Transactions on Information Technology in Biomedicine, Vol. 14, No. 4, (July 2010), pp. 949957, ISSN 1089-7771. [10] Forero, M. G.; Cristobal, G. and Borrego, J. A., (2003), Automatic Identification Techniques of Tuberculosis Bacteria, SPIE Proceedings Of The Applications Of Digital Image Processing XXVI, Vol.5203, pp. 71-81, ISBN 0-8194-5076-6 [11] Makkapati, V., Agrawal, R., and Acharya,R.,(2009), Segmentation and classification of tuberculosis bacilli from ZN-stained sputum smear images, CASE 2009: 217-220 [12] Centers for disease control and prevention (cdc) public health image library (phil), http://phil.cdc.gov/phil/home.asp.

Prosiding InSINas 2012