JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
Implementasi Segmentasi Pembuluh Darah Retina Pada Citra Fundus Mata Menggunakan Tekstur, Thresholding dan Operasi Morfologi M. Riza Kurnia ,Handayani Tjandrasa, dan Arya Yudhi Wijaya. Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected] Abstrak—Segmentasi pembuluh darah retina pada citra fundus dilakukan untuk menganalisis karakteristik pembuluh. Analisis karakteristik pembuluh akan sangat membantu dalam diagnosis penyakit. Pada penelitian sebelumnya penggunaan tekstur, thresholding, dan operasi morfologi tidak menghasil segmentasi yang bagus. Hal itu mungkin disebabkan hasil preprocessing kurang maksimal. Pada makalah ini akan dikembangkan penggunaan tekstur, thresholding, dan operasi morfologi untuk melakukan segmentasi pembuluh darah retina agar menghasilkan citra yang bagus. Segmentasi pembuluh darah retina ini terdiri dari dua tahap, yaitu preprocessing dan segmentasi. Tahap preprocessing citra dengan menggunakan beberapa langkah yaitu mencari regional minimum, enhancement citra, dan filtering citra. Tahap segmentasi citra yang terdiri dari ekstraksi citra, pencarian tekstur citra, proses binarisasi gambar, operasi pembersihan, penghilangan Field of View (FOV), skeletoning citra, pruning citra dan dilasi. Metode ini telah diujikan pada database DRIVE yang terdiri dari 40 foto retina. Dengan database ini, didapatkan rata-rata akurasi sebesar 95% menggunakan tiga parameter optimum yang sudah didapatkan sebelumnya. Metode ini terbukti mampu mensegmentasi pembuluh pada citra fundus mata dengan baik. Kata Kunci—morfologi, segmentasi pembuluh darah, tekstur, thresholding.
I. PENDAHULUAN
M
merupakan organ penting bagi manusia. Mata berfungsi sebagai indra penglihatan yang sangat sensitif. Terjadinya ketidak normalan pada mata, akan sangat menggangu. Saat ini, jumlah penyakit dan gangguan mata lebih dari 200. Sebagian menimpa kaum berusia 65 tahun keatas. Hampir semua penyakit mata tersebut masih mungkin untuk dicegah. Beberapa penyakit mata dapat diatasi dengan diagnosa awal yang tepat sehingga akan memudahkan proses penyembuhannya. Identifikasi dari beberapa bagian anatomi retina merupakan sebuah persyaratan dari diagnosa awal beberapa penyakit [1]. Beberapa citra fundus mata digunakan untuk pendeteksian awal dari beberapa retinopathologies atau penyakit retina seperti jaringan syaraf retina, disk optik, dan fovea [2]. Pembuluh darah pada retina dapat memberikan informasi tentang ketidaknormalan atau gangguan pada mata. Beberapa ketidaknormalan ditandai oleh gangguan pada pembuluh darah pada mata yang diakibatkan oleh penyakit tertentu.
Segmentasi terhadap pembuluh darah retina dapat menyediakan sebuah pemetaan dari pembuluh darah di retina yang dapat memudahkan penilaian karakteristik pembuluh darah tersebut. Tekstur, thresholding, dan operasi morfologi dapat digunakan untuk segmentasi pembuluh darah pada retina. Pendekatan ini berguna dalam aplikasi biomedis sebagai analisis otomatis gambar retina dengan proses yang lebih mudah untuk deteksi patologi retina tanpa menggunakan teknik konvensional, misalnya, melebarkan pupil mata yang membutuhkan waktu dan membuat pasien tidak nyaman [3]. Metode ini memiliki dua tahap yaitu preprocessing dan segmentasi. Tahap preprocessing terdiri dari filtering image dan enhancement image. Hal itu bertujuan untuk menghilangkan noise dari citra tersebut sebelum dilakukan proses segmentasi. Pada proses segmentasi dilakukan analisis tekstur yang bertujuan untuk mengetahui pembuluh darah retina. Pada tahap ini dilakukan juga penghilangan bagian yang bukan pembuuh darah. Untuk operasi morfologi dilakukan perhitungan supremum of opening, serta menggunakan morfologi skeleton, prunning, dan dilasi untuk memperoleh hasil segmentasi pembuluh darah.
ATA
II. METODE Fundus mata adalah permukaan dalam bagian mata. Bagian bagian dari fundus mata adalah retina, optic disk, macula, fovea. Dalam dunia medis pengamatan mata fundus dapat mendeteksi kelainan pembuluh darah seperti tortuosity, pulsation. Selain itu pigmentasi, exudates juga dapat dideteksi pada pengamatan fundus mata. Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Proses sampling dibagi menjadi 2, yaitu downsampling dan upsampling. Downsampling merupakan proses untuk menurunkan jumlah piksel atau resolusi citra spasial sehingga menghasilkan nilai citra yang lebih kecil. Sedangkan upsampling merupakan proses untuk menaikkan jumlah piksel atau peningkatan resolusi gambar.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 Channel merupakan istilah yang lazim digunakan untuk menyebut komponen tertentu dalam sebuah citra. Channel dalam hal ini dapat diartikan pula sebagai citra grayscale yang didasarkan pada warna primer. Sebuah citra RGB mempunyai tiga channel: red, green, dan blue. Dalam pengolahan citra selanjutnya akan digunakan citra green channel. Citra green channel tersebut akan dilakukan perbaikan citra untuk menghilangkan noise yang ada. Citra yang telah melalui proses perbaikan maka akan siap digunakan untuk proses segmentasi. Langkah- langkah dalam proses melakukan segmentasi citra menggunakan tekstur, thresholding, dan operasi morfologi adalah sebagai berikut : 1. Mengubah citra RGB ke citra green channe.l 2. Menghilangkan diabetic lessions dengan mencari regional minimum dari citra masukan kemudian melakukan morphological reconstruction. 3. Melakukan perbaikan citra dengan contrast limited adaptive histogram equalization. 4. Menghilangkan noise dengan adaptive median filter. 5. Melakukan perbaikan citra dengan morphological botomhat transform dengan structure element berbentuk diamond. 6. Melakukan analisis tekstur citra. 7. Melakukan proses binerisasi. 8. Membersihkan elemen-elemen kecil yang bukan termasuk pembuluh dengan morphological opening. 9. Menghapus tepi retina yang bukan termasuk pembuluh. 10. Mencari supremum of openings dari citra yang telah dihasilkan pada tahap sebelumnya. Pencarian supremum of openings dengan menggunakan 24 line structuring element dengan panjang 30 piksel. 11. Memperkirakan vascular tree dengan menggunakan morphological reconstruction by dilation. Citra marker mennggunakan citra hasil perhitungan supremum of openings dan citra mask menggunakan citra hasil perbaikan citra dengan Bottom-Hat Transform. 12. Melakukan proses binerisasi dengan metode thresholding. 13. Melakukan proses morphological skeleton. 14. Melakukan proses morphological pruning. 15. Melakukan penebalan pembuluh darah hasil proses sebelumnya dengan proses dilasi. A. Mengubah Citra RGB ke Citra Green Channel Dalam pengolahan citra akan digunakan citra green channel. Karena sifat refleksi dari permukaan mata, red channel dari foto fundus terkadang mengalami saturasi yang terlalu berlebihan (oversaturated) terutama di daerah pusat dan saraf optik. Sedangkan blue channel dapat mengalami saturasi yang terlalu rendah (undersaturated) dan terdapat banyak noise. Oleh karena itu, digunakan green channel untuk pengolahan gambar yang baik karena hanya pada channel ini saturasi berada pada komposisi yang tepat .
2 B. Regional Minimum Regional Minimum adalah sebuah flat zone yang tidak dikelilingi oleh flat zone dengan nilai keabuan yang lebih rendah. Flat zone adalah komponen terhubung (connected component) yang maksimal dari sebuah citra abu-abu dengan nilai piksel yang sama. Regional Minimum merupakan metode matematika morfologi yang digunakan untuk mencari nilai terendah dari semua nilai piksel di sekitarnya. Berikut merupakan persamaan regional minimum seperti pada persamaan :
RMINBc( f ) (1 (( f 1)Bcf ) f )) ( f 0).
(1)
Dimana Bc adalah sebuah Structuring Element, f adalah citra yang akan diproses, dan RMIN merupakan fungsi untuk menghitung Regional Minimum [6] C. Contrast Limited Adaptive Histogram Equlization (CLAHE) Contrast Limited Adaptive Histogram Equalization (CLAHE) termasuk teknik perbaikan citra yang digunakan untuk memperbaiki kontras pada citra. CLAHE memperbaiki local kontras pada citra. CLAHE meripakan generalisasi dari Adaptive Histogram Equalization (AHE). Berbeda dengan Histogram Equalization yang beroperasi pada keseluruhan region pada citra. CLAHE beroperasi pada region yang kecil dan disebut dengan tile. Sebagai tambahan, untk mengeliminasi adanya region boundaries, CLAHE menerapkan interpolasi bilinear. Oleh karena itu, region region kecil yang bertetangga tidak terlihat batasnya, atau terlihat lebih halus. Keuntungan menggunakan CLAHE adalah perhitungan yang sederhana, mudah digunakan dan menghasilkan output yang bagus pada sebagian besar citra. Citra yang menerapkan CLAHE memiliki noise yang sedikit dan bisa menghindari adanya saturasi kecerahan yang biasa terjadi pada Histogram Equalization. Hasil perbaikan citra pada tahap ini dapat diihat di Gambar 1. Gambar 1(a) adalah citra yang telah dirubah ke green channel dan Gambar 1(b) adalah citra setelah melalui proses perbaikan kontras dengan CLAHE. Setelah dilakukan perbaikan citra maka langkah selanjutnya adalah penghilangan noise.
(a)
(b)
Gambar 1. (a)Citra green channel dan (b)Citra setelah melalui proses CLAHE
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
3
D. Adaptive Median Filter Adaptive median filter dapat menangani noise impulse dengan kemungkinan yang mungkin lebih besar dari median filter. Keuntungan lain dari adaptive median filter adalah dia melihat detail yang ada ketika memperhalus non impulse noise, sesuatu yang median filter tradisional tidak dapat melakukannya. Algoritma yang digunakan oleh adaptive median filter memanfaatkan adaptif window Wxy yang mengubah ukuran berdasarkan keadaan tertentu . selain itu , output yang diwakili dalam satu piksel [3]. Algoritma filter ini beroperasi dalam dua level : Level 1 : M1 = g med – g min (2) M2 = g med – g max (3) Jika M1 > 0 dan M2 < 0 maka ke level 2. Jika tidak maka tingkatkan ukuran dari window Jika ukuran window < = W max Lakukan iterasi level 1 Jika tidak Hasilnya g med Level 2 : N1 = g xy – g min (4) N2 = g xy – g max (5) Jika N1 > 0 dan N2 < 0 Maka hasilnya g xy Jika tidak Maka hasilnya g med Di mana g xy adalah nilai intensitas pada koordinat (x, y), g min nilai minimum intensitas Wxy , g max nilai maximum intensitas Wxy , g med nilai rata-rata intensitas Wxy. E. Morphological Bottom-Hat Dalam matematika morfologi dan pengolahan citra digital, Bottom-Hat Transformations adalah sebuah operasi yang digunakan untuk mengekstraksi elemen kecil dan elemen detail dari citra yang diberikan. Bottom-Hat Transform digunakan untuk berbagai proses dalam pengolahan citra digital seperti ekstraksi fitur, background equalization, perbaikan citra (image enhancement) dan lain-lain. Bottom-Hat atau Top-Hat by Closing didefinisikan sebagai perbedaan (difference) antara hasil closing citra input dan citra input itu sendiri. Persamaan dari Bottom-Hat Transformations adalah Bhat ( f ) ( f b) f .
(6)
Prinsip utama dari transformasi ini adalah menghilangkan objek dari sebuah citra dengan menggunakan Structuring Element dalam operasi opening dan closing yang tidak sesuai
dengan objek yang akan dihapus. Hasil perbaikan citra tahap ini bisa dilihat pada Gambar 2. Pada Gambar 2(a) ditunjukkan citra hasil adaptive median filter dan Gambar 2(b) adalah citra yang telah melalui proses morphological bottom-hat.
(a)
(b)
Gambar 2. (a)Citra melalui proses filtering (b)Citra setelah melalui proses morphological bottom-hat
F. Tekstur Algoritma analisis tekstur berguna untuk mengekstrak fiturfitur yang berbeda dari tiap daerah dan mengklasifikasikannya berdasarkan pola yang ada. Metode statistik untuk mengekstrak fitur-fitur tekstur dari suatu citra sangat diperlukan dalam hal ini. Sifat-sifat citra seperti intensitas piksel-piksel penyusunnya dan fitur-fitur tekstur seperti kontras, entropi, dan homogenitas serta fitur-fitur lainnya dihitung dari intensitas citra dan digunakan dalam klasifikasi. Salah satu metode yang seringkali digunakan untuk mengintepretasikan tekstur citra adalah energy. Energy menunjukkan kehomogenan citra yang berderajat keabuan sejenis[4]. Berikut persamaan dari energy : k k (7) Ene P (i, j ). i 1 j 1 Dimana P(i,j) adalah GLCM, sedangkan k adalah ukuran dari gambar. Hasil analisis tekstur bisa dilihat pada Gambar 3. Pada Gambar(a) menunjukkan citra hasil analisis tekstur dengan energy dan Gambar(b) adalah citra hasil analisis teksur yang telah melalui proses thresholding. G. Thresholding Thresholding adalah proses mengubah citra berderajat keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan background dari citra secara jelas. Citra hasil thresholding biasanya digunakan lebih lanjut untuk proses pengenalan obyek serta ekstraksi fitur[5]. Citra hasil thresholding dapat didefinisikan sebagai persamaan berikut 1 if f ( x, y ) T (8) g ( x, y ) { . 0 if f ( x, y ) T H. Menghilangkan Tepi Gambar (Field of Fiew) Untuk menghilangkan tepi gambar, digunakan mask MxN untuk memetakan posisi tepi gambar yang harus diubah menjadi background. Terdapat beberapa tahapan untuk menghilangkan tepi, yang meliputi mendapatkan red channel dari gambar input retina fundus, mendapatkan mask MxN dari
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 citra yaitu dengan melakukan global thresholding menggunakan otsu thresholding dari image hasil red channel, mendeteksi edge/tepi dari hasil keluaran sebelumnya, melakukan penebalan dari hasil deteksi tepi, serta melakukan pencocokan gambar dengan mengganti daerah tepi menjadi 0 atau background. Langkah pertama yaitu merubah citra retina berwarna menjadi red channel. Setelah itu dilakukan deteksi tepi dengan operator sobel. Kemudian dilanjutkan dengan penebalan daerah tepi. Langkah selanjutnya adalah melakukan pencocokan antara citra hasil penebalan daerah tepi dengan citra hasil proses cleaning. Langkah terakhir yaitu merubah background pada citra hasil cleaning.
4 untuk melakukan transformasi. Citra lainnya yang disebut mask digunakan untuk membatasi transformasi tersebut. Structure Element digunakan untuk mendefinisikan konektivitas dalam transformasi. Pusat dari konsep Morphological Reconstruction adalah Geodesic Dilation dan Geodesic Erosion. F dilambangkan sebagai citra marker dan G adalah citra mask. Asumsinya adalah kedua citra F dan G adalah citra biner dengan F G [5]. Seperti pada konsep geodesic, Morphological Reconstruction by Dilation dari citra mask G dari citra marker F, dinotasikan dengan
D G
R (F ) , didefinisikan sebagai
Geodesic Dilation dari citra marker F dan citra mask G, diiterasi sampai mencapai stabilitasnya, sehingga didefinisikan seperti pada persamaan berikut
R (F ) D D G
(a)
(b)
Gambar 3. (a)Citra hasil tekstur (b)Citra setelah melalui proses thresholding
I. Supremum Of Openings Pada dasarnya proses Supremum of Openings sama dengan operasi opening. Perhitungan Supremum of Openings digunakan pada citra yang membutuhkan banyak operasi openings dan banyak Structuring Element (SE) yang berbedabeda dan kemudian dari hasil opening tersebut dihitung supremumnya. Operasi Supremum of Openings didefinisikan seperti pada persamaan berikut 12 12 ( BR ) ( BL ) f1( ( f 2)) ( ( f 2)). (9) R 1 L 1 Dimana f2 adalah citra keluaran dah f1 adalah citra masukan dengan menggunakan 12 derajat rotasi Rθ untuk mata kanan dan 12 derajat rotasi Lθ untuk mata kiri. Hasil proses supremum of openings ditunjukkan pada Gambar 5. Pada Gambar 5(a) adalah citra yang telah dihilangkan daerah tepinya, Gambar 5(b) adalah citra hasil supremum of opening dengan SE berbentuk line.
(k ) ( F ). G
(10)
Hasil proses morphological reconstruction ditunjukkan pada Gambar 6. Pada Gambar 6(a) adalah citra hasil morphological reconstruction, Gambar 6(b) adalah medeteksi pembuluh darah dengan proses binerisasi, Gambar 6(c) adalah citra hasil skeletoning. K. Morphological Skeleton Morphological Skeleton adalah kerangka (atau sumbu medial) yang merepresentasikan sebuah bentuk atau citra biner, dihitung dengan menggunakan operator morfologi. Proses skeletoning dari citra A dapat didefinisikan sebagai gabungan dari erosi dan opening. Terdapat citra A dan proses skeletoning S(A), sehingga dapat dinyatakan bahwa
S ( A)
k
Sk ( A).
(11)
k 0
(a)
(b)
(c)
Gambar 6. (a)Citra hasil morphological reconstruction (b)Citra hasil binerisasi (c)Citra hasil morphological skeleton
(a)
(b)
Gambar 5. (a)Citra hasil FOV removal (b)Citra hasil supremum of openings
J. Morphological Reconstruction Morphological Reconstruction adalah transformasi morfologi yang melibatkan dua citra dan satu Structure Element. Citra yang pertama, disebut marker, adalah titik awal
L. Morphological Pruning Morphological Pruning adalah transformasi yang menghilangkan endpoint dari citra yang telah mengalami proses skeletoning dan memproses sampai stabilitas tercapai [5]. Proses Morphological Pruning merupakan proses pemangkasan cabang (branches) yang tidak diperlukan. Cabang yang tidak diperlukan biasanya muncul sebagai hasil dari Morphological Skeleton. Hasil proses morphological pruning ditunjukkan pada Gambar 7. Pada Gambar 7(a) adalah citra yang telah melalui proses morphological pruning, Gambar 7(b) adalah citra yang telah melalui proses penebalan pembuluhdarah dengan dilasi.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
5
M. Dilasi Dilasi adalah operasi yang akan membuat sebuah objek berkembang atau menebal sesuai dengan bentuk Structuring Element yang digunakan. Dalam operasi dilasi, citra asli akan mengalami pelebaran dengan mengikuti bentuk Structuring Element yang digunakan. Dilasi A oleh B didefinisikan seperti pada persamaan berikut. A B {z | ( B) z A . (12) N. Perhitungan Tingkat Akurasi Penghitungan akurasi juga menggunakan rumus sebagai berikut.
TP TN
Akurasi
. (13) TP TN FP FN Selain menggunakan rumus diatas, pada sistem ini juga digunakan rumus perhitungan sensitivity dan specificity. Perhitungan sensitivity dan specificity, diformulasikan dengan Sensitivity
Spesificity
TP TP FN TN
(14)
.
(15) . TN FP sensitivity merupakan ukuran kemampuan mendeteksi pembuluh, yang dihitung berdasarkan rasio antara true positive piksel terhadap jumlah kelas positif. Sedangkan specificity merupakan ukuran kemampuan untuk mendeteksi yang bukan termasuk pembuluh. True positive merupakan jumlah piksel benar terdeteksi sebagai pembuluh baik pada citra groundtruth maupun pada citra hasil segmentasi. True negative merupakan jumlah piksel benar terdeteksi sebagai background baik pada citra groundtruth maupun pada citra hasil segmentasi. False positive merupakan jumlah piksel yang salah terdeteksi, dimana hasil segmentasi menyatakan sebagai pembuluh, tetapi pada citra groundtruth merupakan background. Sedangkan false negative merupakan jumlah piksel yang salah terdeteksi sebagai background, dimana hasil segmentasi menyatakan sebagai background, tetapi pada citra groundtruth merupakan pembuluh.
(a)
(b)
Gambar 7. (a)Citra hasil morphological pruning (b)Citra hasil dilasi
III. UJI COBA A. Data Uji Coba Data masukan yang digunakan dalam uji coba ini adalah DRIVE (Digital Retinal Image for Vessel Extraction) yang berukuran 565x584 piksel, diambil dengan 450 kamera fundus. Dataset terdiri dari 40 citra fundus. B. Skenario Uji Coba Uji coba sistem ini dilakukan dengan tiga skenario yang berbeda, diantaranya yaitu : 1. Perbandingan hasil akurasi segmentasi citra dengan ukuran structure element yang berbeda-beda. 2. Perbandingan hasil akurasi segmentasi citra dengan nilai threshold yang berbeda-beda. 3. Perbandingan hasil akurasi segmentasi citra dengan jumlah iterasi pruning yang berbeda-beda. 4. Perbandingan hasil akurasi segmentasi citra dengan analisis tekstur yang berbeda-beda. C. Hasil dan Analisi Uji Coba Pada skenario uji coba pertama akan dibandingkan nilai akurasi segmentasi citra dengan nilai structure element (SE) yang berbeda-beda. Uji coba ini dilakukan pada 20 citra DRIVE yang berbeda. Pada skenario ini structure element yang digunakan dalam bentuk diamond. Proses segmentasi akan diulang dengan memberikan nilai radius R sebesar 3,5,7,9. Nilai threshold pada proses binerisasi dan iterasi pruning pada proses morfologi pruning masing-masing memiliki nilai 11 dan 10. Nilai rata-rata sensitivity, spesificity, akurasi, dan running time dapat dilihat pada Tabel1. Pada Tabel 1 ditunjukkan bahwa ukuran SE yang dipilih akan sangat mempengaruhi nilai akurasi segmentasi citra. Dibutuhkan suatu ukuran SE yang tepat agar akurasinya tinggi, yang dalam percobaan ini SE dengan R = 5 memiliki nilai akurasi yang tinggi. Pada skenario uji coba ini akan dibandingkan nilai akurasi segmentasi citra dengan nilai threshold yang berbeda-beda. Nilai threshold digunakan untuk mendeteksi pembuluh darah saat proses binerisasi. Pada skenario yang kedua ini, proses segmentasi akan diulang dengan memberikan nilai parameter threshold 9,11,13, dan15. Untuk nilai structure element dan iterasi pruning masing-masing memiliki nilai 5 dan 10. Nilai rata-rata sensitivity, spesificity, akurasi, dan running time dapat dilihat pada Tabel 2. Pada Tabel 2 ditunjukkan bahwa pemilihan nilai threshold sangat mempengaruhi nilai akurasi segmentasi citra Skenario yang ketiga ini, proses segmentasi akan diulang dengan memberikan jumlah iterasi pruning 10, 20, 30 , dan 40. Untuk nilai structure elemen dan threshold masing-masing memiliki nilai 5 dan 11. Nilai rata-rata sensitivity, spesificity, akurasi, dan running time dapat dilihat pada Tabel 3.Pada Tabel 3 ditunjukkan bahwa jumlah iterasi yang dipilih akan sangat mempengaruhi nilai akurasi segmentasi citra. Semakin kecil jumlah iterasi, maka semakin sedikit titik endpoint yang terpotong sehingga akurasinya semakin kecil. Demikian pula apabila semakin besar jumlah iterasi, maka semakin banyak
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
6
titik endpoint yang hilang sehingga berdampak pada nilai akurasi yang kecil. Pada skenario yang keempat ini, proses segmentasi akan diulang dengan nilai structure element 5, threshold 11 dan jumlah iterasi 30. Nilai–nilai tersebut didapatkan dari perhitungan segmentasi tiga uji coba sebelumnya. Uji coba ini analisis tekstur yang digunakan adalah energy, entropy dan contrast. Nilai rata-rata uji coba 4 ini bisa dilihat di Tabel 4. Pada Tabel 4 menunjukkan bahwa semua analisis tektur memiliki tingkat akurasi yang baik, namun untuk masalah running time tekstur entropy memiliki nilai running time yang lebih cepat dari pada energy dan contrast.
SE 3 5 7 9
Tabel 1. Hasil rata-rata uji coba I Akurasi Sensitivity Spesificity (%) 0,19 0,99 93,50 0,67 0,97 95,51 0,73 0,96 95,13 0,73 0,96 94,44
2) Nilai threshold berpengaruh terhadap hasil akurasi segmentasi citra dalam proses algoritma ini. Apabila nilai threshold terlalu kecil, maka akan semakin banyak cabang-cabang pembuluh darah yang masuk dalam segmentasi, sehingga tidak sesuai dengan pembuluh darah pada citra ground truth dan nilai akurasi kecil. Sebaliknya, apabila nilai threshold terlalu besar maka akan semakin sedikit cabang-cabang kecil pada pembuluh darah yang menghilang dan nilai akurasinya pun juga akan kecil. 3) Perubahan jumlah iterasi dalam morphological pruning pada proses segmentasi mempengaruhi hasil akurasi segmentasi citra dari proses algoritma ini. Semakin kecil jumlah iterasi, maka semakin sedikit titik endpoint yang terpotong sehingga nilai akurasinya semakin kecil. Demikian pula apabila semakin besar jumlah iterasi, maka semakin banyak titik endpoint yang hilang sehingga berdampak pada nilai akurasi yang kecil. 4) Analisis tekstur yang digunakan tidak berdampak banyak dalam hal nilai akurasi. Semua analisis tekstur citra memiliki tingkat akurasi yang sama baiknya. Untuk kecepatan running time segmentasi citra ini,entropy memiliki running time yang paling cepat.
Running Time (detik) 332 339 335 337
Tabel 2. Hasil rata-rata uji coba II Threshold
Sensitivity
Spesificity
Akurasi (%)
9 11 13 15
0,73 0,67 0,52 0,32
0,97 0,98 0,98 0,99
95,18 95,51 95,02 94,16
Running Time (detik) 331 339 337 332
UCAPAN TERIMA KASIH Syukur alhamdulillah kepada Allah SWT atas limpahan rahmat-Nya sehingga penulis dapat menyelesaikan makalah ini dengan baik. DAFTAR PUSTAKA [1]
Tabel 3. Hasil rata-rata uji coba III Iterasi
Sensitivity
Spesificity
Akurasi (%)
10 20 30 40
0.67 0.64 0.61 0.59
0.98 0.98 0.98 0.98
95.51 95.56 95.53 95.48
Tekstur Energy Contrast Entropy
Tabel 4. Hasil rata-rata uji coba IV Sensitivity Spesificity Akurasi (%) 0.64 0.98 95.56 0.64 0.98 95.56 0.53 0.99 95.15
Running Time (detik) 339 331 331 334
[2]
[3]
[4]
[5]
Running Time (detik) 331 327 278
IV. KESIMPULAN Berdasarkan hasil uji coba yang telah dilakukan, terdapat beberapa kesimpulan yang dapat diambil, yaitu: 1) Ukuran structure element (SE) berpengaruh terhadap hasil akurasi segmentasi citra dalam proses segmentasi. Apabila tidak digunakan ukuran yang tepat, maka hasil akurasi juga akan kecil. Dibutuhkan beberapa kali percobaan untuk menghasilkan ukuran SE yang tepat sehingga menghasilkan tingkat akurasi yang tinggi.
[6]
[7]
Patton, N., Aslam, T.M., MacGillivray, T., Deary, I.J., Dhillon, B., Eikelboom, R.H., Yogesan, K., dan Constable, I.J. 2006. Retinal image analysis: concepts, applications and potential. Progress in Retinal and Eye Research 25, 1:99-127. Hoffmann, E.M., Zangwill, L.M., Crowston, J.G., dan Weinreb, R.N. 2007. Optic disk size and glaucoma. Survey of Ophthalmology 52, 1:3249. Aqeel F AQEEL dan Subra Ganesan, Retinal Image Segmentation using Texture, Thresholding, and Morphological Operations, IEEE International Conference on Electro .(2011) Lemaıtre,Guillaume dan Rodojevic,Miroslav. Texture segmentation: Cooccurrence matrix and Laws’ texture masks methods. Heriot-Watt University, Universitat de Girona, Universit´e de Bourgogne. Gonzales, R.C., et al. 2008. Digital Image Processing 3rd edition. United States of America : Prentice Hall Nuzula, Rahma Dini.,Tjandrasa,Handayani., dan Yuniarti, Anny.2011.Implementasi Segmentasi Pembuluh Darah Retina pada Citra Fundus Berwarna Menggunakan Pendekatan Morfologi Adaptif. Teknik Informatika, Fakultas Teknologi Informasi,ITS. DRIVE. Digital Retinal Image for Vessel Extraction. Diakses pada 2 April 2012, dari http://www.isi.uu.nl/Research/Databases/ DRIVE/
