DAFTAR ISI

ABSTRAK
ABSTRACT ..
KATA PENGANTAR ..
DAFTAR ISI .
DAFTAR GAMBAR .
DAFTAR TABEL ..
DAFTAR SINGKATAN ...
BAB 1 PENDAHULUAN .
1.1. Latar Belakang

iii
v
vii
ix
xi
xv
xvii
1
1

1.2. Rumusan dan Batasan Masalah ..

1.3. Tujuan dan Manfaat Penelitian ...

1.4. Kontribusi Penelitian ..

1.5. Susunan Penulisan Disertasi ...

BAB 2 KAJIAN PENGOLAHAN CITRA X-RAY PANORAMIK GIGI
2.1. Teori Kista dan Tumor ...

3
7
7

2.2. Pre Processing Citra Panoramik Gigi Manusia ..

10

2.2.1. Normalisasi Citra Panoramik Gigi Manusia

11

2.2.2. Filter Gaussian .

11

2.3. Segmentasi Lesi Kista dan Tumor .

12

2.4. Ekstraksi Fitur Lesi Kista dan Tumor

14

2.4.1. Ekstraksi Orde Pertama .

15

2.4.2. Ekstraksi Orde Kedua (Gray Level Co-occurrence

16

Matrix) ..
2.4.3. Ekstraksi Orde Tinggi (Gray Level Run-Length Matrix) ..

19

2.5. Metode Klasifikasi Support Vector Machine (SVM) ...

22

2.5.1. SVM untuk Data Non Linear .

25

2.6. Evaluasi Kinerja ...

27

2.6.1. Receiver Operating Characteristic (ROC) ...

27

2.6.2. Area Under the ROC (AUC) ..

BAB 3 SEGMENTASI CITRA X-RAY PANORAMIK GIGI
3.1. Pre processing Citra Panoramik Gigi Manusia .

29
33
33

3.1.1. Normalisasi Citra Panoramik Gigi Manusia ...

34

3.1.2. Filter Gaussian

35

3.2. Segmentasi Dengan Model Kontur Aktif ..

36

ix

3.3 Validasi Hasil Segmentasi ..

BAB 4 EKSTRAKSI FITUR CITRA X-RAY PANORAMIK GIGI .
4.1. Ekstraksi Statistik Orde Pertama ...

40
45
47

4.2. Ekstraksi Statistik Orde Kedua (GLCM) ..

49

4.3. Ekstraksi Statistik Orde Tinggi (GLRLM)

BAB 5 KLASIFIKASI LESI KISTA DAN TUMOR PADA CITRA X-

59

RAY PANORAMIK GIGI MANUSIA ..

67

BAB 6 KESIMPULAN ..
6.1. Kesimpulan

79
79

6.2. Penelitian Lanjutan ..

DAFTAR PUSTAKA
LAMPIRAN ..
DAFTAR RIWAYAT HIDUP .

80
81
83
109

DAFTAR GAMBAR
Gambar 1.1
Gambar 1.2
Gambar 1.3
Gambar 2.1
Gambar 2.2
Gambar 2.3
Gambar 2.4
Gambar 2.5

Gambar 2.6
Gambar 2.7
Gambar 2.8
Gambar 2.9
Gambar 2.10
Gambar 2.11
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Gambar 3.5
Gambar 3.6
Gambar 3.7

(a) Lesi Kista (tanda panah) dan (b) Lesi Tumor (tanda
panah) pada citra panoramic gigi.
Peta Jalan Penelitian .
Diagram fishbone penelitian .
Posisi Kista Odontogenik yang berkaitan dengan gigi dan
sekitarnya ...
Tumor yang tumbuh umumnya berbentuk bulat atau oval.
Mereka tumbuh dengan menggantikan jaringan disekitarnya

1
4
5
8
9

Tulang yang menjadi tempat tumor tumbuh akan membesar

sebagai akibat dari pemodelan kembali tulang korteksnya

10

Tumor biasanya tumbuh perlahan, mengakibatkan

pergeseran gigi-gigi disekitarnya ...

10

Contoh matriks citra dengan tiga tingkat keabuan (i)(ii)(iii)

(iv), hasil kookurensi pada jarak d=1 (a) arah 0, (b) arah
45, (c) arah 90, (d) arah 135

17

Contoh matriks citra dengan empat derajat keabuan .

Hasil matriks GLRL pada empat arah pencarian (a) 0, (b)
45, (c) 90, (d) 135
SVM menemukan hyperplane terbaik yang memisahkan
dua class

21
21
23

Confusion matrix dan beberapa parameter pengukur kinerja

model klasifikasi

28

Perbandingan bentuk-bentuk kurva ROC untuk keperluan

diagnostic ..

30

Perbandingan dua buah kurva ROC, A dan B untuk

membedakan nilai AUC

31

Tahapan metode segmentasi untuk lesi kista dan tumor

(a) Citra asli; (b) Citra hasil normalisasi .
Gambar citra hasil proses dengan filter Gaussian ..
Inisialisasi titik awal kontrol dengan empat titik untuk lesi
berbentuk oval atau bundar
Inisialisasi titik awal control sesuai banyaknya lekukan
untuk lesi yang memiliki batas berlekuk ...
Penentuan nilai parameter kurva dari model kontur aktif
pada citra panoramic gigi manusia.........................................
Contoh hasil pencarian objek dengan model kontur aktif

xi

34
35
36
37
37
38

pada central giant cell granuloma .

39

Gambar 3.8

Contoh hasil pencarian objek dengan model kontur aktif

pada radicular cyst

39

Gambar 3.9

Hasil pencarian objek untuk posisi titik awal control yang

jauh dari tepi objek .
Hasil pencarian objek untuk penentuan parameter yang
tidak sesuai (=0,2, = 0,8 dan =0,5) ..

Gambar 3.10
Gambar 3.11
Gambar 3.12
Gambar 3.13

Gambar 3.14

Gambar 3.15
Gambar 4.1
Gambar 4.2
Gambar 4.3
Gambar 4.4

Gambar 4.5
Gambar 4.6
Gambar 4.7
Gambar 4.8
Gambar 4.9

40
40

Hasil segmentasi manual oleh radiolog untuk central giant

cell granuloma ...

41

Hasil segmentasi manual oleh radiolog untuk tipe radicular

cyst .

41

Perhitungan parameter ROC untuk radicular cyst: (a) ROI

dari hasil segmentasi dengan model kontur aktif; (b) ROI
dari segmentasi manual; (c) Perbedaan hasil kedua
segmentasi menghasilkan nilai akurasi 0,9989 (99,89%) .

42

Perhitungan parameter ROC untuk central giant cell

granuloma: (a) ROI dari hasil segmentasi dengan model
kontur aktif; (b) ROI dari segmentasi manual; (c) Perbedaan
hasil kedua segmentasi menghasilkan nilai akurasi 0,9926
(99,26%)

43

Kurva ROC dari data pada Tabel 3.1..

(a) ROI dari lesi kista; (b) ROI dari lesi tumor .
Proses Ekstraksi Statistik Orde Pertama, GLCM dan
GLRLM .

44
45
46

Grafik range nilai fitur smoothness, third moment dan

uniformity ...

49

(a)
Pembentukan matriks kookurensi dengan ukuran
44 piksel
(b)
Pembentukan matriks kookurensi dengan ukuran
88 piksel
(c)Pembentukan matriks kookurensi dengan ukuran 1616
piksel .

51

Hasil normalisasi matriks kookurensi dengan ukuran 88

piksel ..

52

Grafik range nilai fitur contrast untuk lesi kista dan tumor ..
Grafik range nilai fitur correlation untuk lesi kista dan
tumor ..

55

Grafik range nilai fitur energy untuk lesi kista dan tumor .
Grafik range nilai fitur homogeneity untuk lesi kista dan

57

xii

56

Gambar 4.10
Gambar 4.11
Gambar 4.12

tumor ..

58

Grafik range nilai fitur entropy untuk lesi kista dan tumor ...
Contoh hasil perhitungan matriks run length untuk delapan
perbedaan tingkat intensitas keabuan

59
61

Contoh hasil perhitungan matriks run length untuk enam

belas perbedaan tingkat intensitas keabuan ...

62

Grafik range nilai SRE, RP, dan LGRE untuk lesi kista dan
tumor ..

65

Grafik range nilai LRE, GLN dan HGRE untuk lesi kista
dan tumor ..

66

Gambar 5.1

Proses klasifikasi dengan metode SVM

68

Gambar 5.2

Nilai akurasi hasil klasifikasi dengan berbagai jenis kernel ..

70

Gambar 5.3

Grafik perbandingan nilai akurasi antar metode ekstraksi

fitur .

74

Gambar 4.13
Gambar 4.14

Gambar 5.4
Gambar 5.5

Grafik perbandingan nilai AUC antar metode ekstraksi fitur

Grafik kurva ROC untuk kombinasi metode ekstraksi fitur
FO dan GLRLM, kombinasi GLCM dan GLRLM, dan
kombinasi FO, GLCM dan GLRLM .

xiii

75
77

Halaman ini sengaja dikosongkan

xiv

DAFTAR TABEL
Tabel 2.1
Tabel 2.2
Tabel 3.1
Tabel 4.1
Tabel 4.2
Tabel 4.3
Tabel 4.4
Tabel 4.5
Tabel 4.6
Tabel 5.1
Tabel 5.2
Tabel 5.3
Tabel 5.4

Kernel yang umum dipakai dalam SVM ...

Tabel kategori pengklasifikasi berdasarkan nilai AUC .
Nilai dari TP, TN, FN, FP, fpr, tpr, specificity, sensitivity dan
akurasi menggunakan ukuran metode ROC ...

27
30
43

Sampel Data Hasil Ekstraksi Statistik Orde Pertama Lesi Kista

dan Tumor Citra Panoramik Gigi Manusia

47

Nilai minimum dan nilai maksimum 6 fitur hasil ekstraksi

statistik orde pertama .

48

Sampel Data Hasil Ekstraksi Fitur dengan metode GLCM ..

Nilai Minimum dan nilai maksimum fitur hasil ekstraksi
dengan GLCM

53

Sampel Data Hasil Ekstraksi Fitur dengan metode GLRLM .

Nilai Minimum dan nilai maksimum fitur hasil ekstraksi
dengan GLRLM .

63

Nilai akurasi yang dihasilkan dengan berbagai jenis kernel ..

Sampel hasil klasifikasi dengan metode SVM ...
Perbandingan nilai akurasi dan AUC pada semua metode
ekstraksi fitur yang diterapkan pada SVM .

69
72

Contoh hasil perhitungan nilai TPR dan FPR untuk kombinasi

metode FO, GLCM dan GLRLM ..

xv

54

64

73
76

Halaman ini sengaja dikosongkan

DAFTAR SINGKATAN
xvi

AUC

: Area Under the ROC Curve

FO

: First Order Statistic

GLCM

: Gray Level Co-occurrence Matrix

GLN

: Gray Level Non-uniformity

GLRLM

: Gray Level Run Length Matrix

HGRE

: High Gray Level Run Emphasis

LGRE

: Low Gray Level Run Emphasis

LRE

: Long Runs Emphasis

IMHETEK

: Ingrid Mauridhi Hariadi Eddy Tekstur yang merupakan

gabungan metode FO dan GLRLM

IMHETEKS : Ingrid Mauridhi Hariadi Eddy Tekstur yang merupakan

gabungan metode FO, GLCM dan GLRLM.
RLN

: Run Length Non-uniformity

ROC

: Receiver Operating Characteristic

ROI

: Region of Interest

RP

: Run Percentage

SRE

: Sort Runs Emphasis

SVM

: Support Vector Machine

xvii

Halaman ini sengaja dikosongkan

xviii