Unud-930-1456714212-Tesis (Deteksi Kepala Janin Pada Citra Usg)

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
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.
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 ......................................................................................
PRASYARAT GELAR .................................................................................
ii
LEMBAR PERSETUJUAN ..........................................................................
iii
PENETAPAN PANITIA PENGUJI ..............................................................
iv
PERNYATAAN KEASLIAN PENELITIAN ................................................
ABSTRAK ...................................................................................................
vi
ABSTRACT .................................................................................................
vii
DAFTAR ISI ................................................................................................
viii
DAFTAR TABEL ........................................................................................
xiii
DAFTAR GAMBAR ....................................................................................
xv
DAFTAR ISTILAH ......................................................................................
xix
BAB I
PENDAHULUAN .........................................................................
1.1 Latar Belakang ...............................................................................
1.2 Rumusan Masalah ..........................................................................
1.3 Tujuan Penelitian............................................................................
1.4 Manfaat Penelitian ..........................................................................
1.5 Ruang Lingkup dan Batasan Masalah .............................................
1.6 Keaslian Penelitian .........................................................................
BAB II KAJIAN PUSTAKA ......................................................................
2.1 State Of the Art ...............................................................................
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
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
4.4 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
xiii
Pengukuran Dokter Pada Scanning 4 ............................................ 121

Tabel 4.14
Persentase Kecendrungan Nilai Iterasi Pada Parameter 4 Scanning

Untuk BPD ..................................................................................... 122
Tabel 4.15

Pengukuran Dokter pada Scanning 4............................................... 123
Tabel 4.16

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

Pengukuran Dokter pada Scanning 6 .. 131
Tabel 4.20

untuk Pengukuran BPD.. .. 134
Tabel 4.21

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
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
pengujian 4 scanning terbaik 130
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
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
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
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
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.
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.
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.
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
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 IEclairage)
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 IEclairage) 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 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 * xy = slope * txty
2.20
y = slope * xb
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
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 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,
Y 0
YY+1
Y<citra.height
X0
X<citra.width
Output : citra
X 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 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 (x,y)
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
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
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-B > 0
Y
Membandingkan nilai pixel antara gambar original dengan

bentuk ellipse yang ditemukan
Selesai
Gambar 3.11
Flowchart IRHT
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 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 );
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)
matrixU(i,j) = 0;
end
matrixU(flag,j) = 1;
end
end
*Mencari Pusat Klaster

% re-calculate cluster centers
newCluster = zeros(clusterNum);
newCenters = zeros(clusterNum);
sum = 0;
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;
imgCluster = 1;
maxBelong = max(matrixU(1,j));
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)});
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
Menambahkan parameter ellipse pada akumulator

bestEllipses = addToAccumulator(bestEllipses, ...
accumulator(numBestInAccum,1), ...
majorAxis
minorAxis
% 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
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
5a
5a
5a
5b
2a
1b
5a
2b
5a
5a
5d
5e
b
2c
c
5f
1a
5a
1c
2d
5c
4b
3a
b
5a
4c
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 (x,y) 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
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
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
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
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
2.0
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-
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
setiap citra uji dalam ruang warna RGB dengan proses smooth filter, serta jumlah
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
Rata-rata
waktu yang
dibutuhkan
(detik)
Jumlah
iterasi
yang
dilakukan
Citra 1.bmp
4.6
Citra 2.bmp
22
20
19
23
23
21.4
48
Citra 3.bmp
5.5
10
Citra 4.bmp
10
9.2
23
Citra 5.bmp
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
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
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
2.0
Citra 14.bmp
4.0
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
7.7
22
Citra 23.bmp
7.7
22
Citra 24.bmp
4.3
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
6.4
17
Citra 28.bmp
18
18
17
18
18
17.8
45
Citra 29.bmp
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
setiap citra uji dalam ruang warna L*a*b dengan proses smooth filter, serta jumlah
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
Citra 1.bmp
1.9
Citra 2.bmp
3.4
Citra 3.bmp
1.6
Citra 4.bmp
3.8
Citra 5.bmp
1.3
Citra 6.bmp
2.5
Citra 7.bmp
12
13
10.0
14
Citra 8.bmp
2.0
Citra 9.bmp
3.5
Citra 10.bmp
10
10
8.3
24
Citra 11.bmp
1.9
Citra 12.bmp
19
20
18
19
20
19.2
49
Citra 13.bmp
1.6
Citra 14.bmp
2.0
Citra 15.bmp
2.8
Citra 16.bmp
13
13
15
14
13
13.7
Citra 17.bmp
4.4
Citra 18.bmp
4.7
Citra 19.bmp
2.0
Citra 20.bmp
1.8
Citra 21.bmp
2.5
Citra 22.bmp
3.8
Citra 23.bmp
2.6
Citra 24.bmp
2.3
Citra 25.bmp
7.7
10
Citra 26.bmp
1.2
Citra 27.bmp
10
4.0
Citra 28.bmp
3.6
Citra 29.bmp
5.7
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
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 (%)

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
72.83
62.67
72.83
Citra 2.bmp
85.1
82.77
Citra 3.bmp
68.83
65.91
72.39
71.43
62.51
Citra 4.bmp
86.39
76.35
78.82
110
Lanjutan Tabel 4.7

Nama Citra

RGB (%)

L*a*b (%)
Iterasi
Iterasi
50
100
150
175
200
50
100
150
175
200
Citra 5.bmp
78.49
86.19
83.85
86.23
85.7
Citra 6.bmp
82.8
81.47
78.88
Citra 7.bmp
85.65
70.53
92.8
Citra 8.bmp
76.31
80.69
77.02
80.95
69.76
86.61
71.51
82.8
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
61.56
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
84.94
65.75
58.41
Citra 13.bmp
85.15
76.42
78.21
83.73
79.81
Citra 14.bmp
82.9
87.75
84.18
84.8
66.2
62.77
90.61
Citra 15.bmp
78.89
78.4
80.96
78.89
80
87.78
67.12
78.07
Citra 16.bmp
65.73
75.54
81.96
Citra 17.bmp
82.55
89.27
94.02
82.72
81.13
78.04
Citra 18.bmp
78.67
79.52
73.79
85.61
83.67
Citra 19.bmp
77.02
77.33
79.2
79.77
79.16
59.13
Citra 20.bmp
83.58
85.89
76.41
Citra 21.bmp
88.45
82.92
Citra 22.bmp
73.75
60.7
77.04
84.45
65.79
67.42
69.64
77.6
77.48
Citra 23.bmp
77.62
86.4
85.68
82.76
84.77
82.76
Citra 24.bmp
75.33
59.61
73.42
57.52
59.62
77.96
Citra 25.bmp
67.68
77.98
65.82
67.69
81.98
Citra 26.bmp
66.15
58.46
66.19
55.58
Citra 27.bmp
73.383
79.37
71.56
81.98
86
60.34
66.68
81.98
Citra 28.bmp
60.15
76.25
64.36
74.07
58.95
Citra 29.bmp
83.56
73.67
66.61
73.42
86.23
89.95
76.13
Citra 30.bmp
48.04
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

RGB (%)

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
71.01
58.76
66.95
Citra 2.bmp
89.42
77.5
Citra 3.bmp
71.24
64.64
77.6
60.87
52.49
Citra 4.bmp
78.65
89.75
80.99
Citra 5.bmp
74.18
78.98
79.25
78.98
76.87
Citra 6.bmp
72.97
79.73
88.96
Citra 7.bmp
67.3
68.42
73.15
Citra 8.bmp
70.43
65.92
67.29
81.32
73.54
74.97
66.48
70.11
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
64.3
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
68.43
65.51
49.66
Citra 13.bmp
89.77
74.85
82.31
90.08
74.88
Citra 14.bmp
75.43
84.57
76.03
72.75
68.33
67.2
80.51
Citra 15.bmp
81.83
71.22
72.97
81.83
75.95
75.19
65
74.64
Citra 16.bmp
63.17
54.86
75.37
Citra 17.bmp
76.26
90.1
81.58
65.64
81.92
67.46
Citra 18.bmp
74.06
67.19
62.98
71.76
74.9
Citra 19.bmp
71.86
72.78
71
60.96
67.42
65.47
Citra 20.bmp
70.62
66.88
59.63
Citra 21.bmp
76.53
82.07
Citra 22.bmp
62.42
59.76
57.97
74.94
55.88
58.21
68.25
73.54
60.85
Citra 23.bmp
61.64
76.38
64.33
75.05
78.49
80.44
Citra 24.bmp
57.48
57.08
66.27
54.69
57.08
70.54
Citra 25.bmp
52.78
60.17
54.4
52.79
58.64
Citra 26.bmp
51.01
62.26
61.71
55.87
Citra 27.bmp
54.91
70.12
70.67
73.09
64.71
51.92
59.01
73.09
Citra 28.bmp
48.21
60.68
61.7
53.93
59.53
Citra 29.bmp
77.17
66.25
62.63
64.51
80.72
75.12
65.35
Citra 30.bmp
54.26
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
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

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
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
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
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)
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.
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.

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
pada Scanning 4
Nama Citra

RGB (%)

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
67.74
61.10
63.00
55.21
54.81
77.31
72.83
85.10
84.36
82.77
Citra 3.bmp
82.07
0.0
68.48
70.35
86.77
83.81
78.30
86.28
87.97
Citra 4.bmp
90.02
82.3
73.51
76.35
90.23
78.82
86.73
93.12
Citra 5.bmp
78.5
76.89
82.51
87.80
87.30
81.78
85.70
Citra 6.bmp
82.8
81.47
80.35
Citra 7.bmp
81.4
85.65
70.53
90.01
87.44
89.01
80.36
68.29
Citra 8.bmp
76.31
86.7
77.02
80.95
84.90
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
50.96
Citra 10.bmp
63.59
83.7
66.25
77.58
78.37
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
65.75
63.45
Citra 13.bmp
0.0
85.80
89.63
79.81
79.85
Citra 14.bmp
92.75
89.1
89.12
84.18
80
66.32
66.20
88.77
Citra 15.bmp
78.9
78.89
85.28
70.50
70.98
80.09
81.02
78.07
82.34
Citra 16.bmp
57.4
65.73
76.97
65.73
73.43
Citra 17.bmp
80.8
82.55
89.27
81.23
80.63
82.55
89.27
78.04
Citra 18.bmp
78.7
78.09
78.00
79.52
73.79
85.61
86.90
89.02
Citra 19.bmp
77.02
77.3
79.20
80.21
79.77
78.76
78.98
77.09
59.13
Citra 20.bmp
0.0
83.58
85.02
84.40
88.48
78.90
89.09
85.02
76.41
Citra 21.bmp
87.9
85.90
82.92
Citra 22.bmp
73.75
0.0
77.04
82.21
65.79
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
83.25
57.52
83.00
77.96
Citra 25.bmp
71.2
67.68
65.82
67.69
83.08
Citra 26.bmp
0.0
66.15
58.46
57.86
68.98
58.46
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
68.9
60.15
76.25
74.07
60.15
58.95
Citra 29.bmp
0.0
66.90
62.30
66.61
67.89
68.01
66.98
65.43
Citra 30.bmp
0.0
48.04
45.89
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

123
iterasi ke-200 dengan persentase sebannyak 61.69 %. Hasil ini memperlihatkan

dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 175 ataupun 200,
dokter.
b.

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

RGB (%)

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

Scanning 4
Nama Citra

RGB (%)

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

persentase tertinggi pada pengukuran HC untuk parameter 4 scanning,
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

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

126
dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 150 atau 200,
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

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
pengukuran (%)
pada grafik di Gambar 4.22 sebagai berikut :
nama citra
Gambar 4.22
ruang warna pada scanning 4
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 %.
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
pengukuran (%)
nama citra
Gambar 4.23
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

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
Dari data pada Tabel 4.18, perbandingan hasil ditampilkan oleh grafik pada
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
nama citra
Gambar 4.24
4 scanning terbaik
131

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.

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
pada Scanning 6
Nama Citra

RGB (%)

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
54.81
74.80
72.83
Citra 2.bmp
90.01
82.77
82.77
Citra 3.bmp
60.14
68.48
54.58
86.77
65.91
83.81
68.48
86.28
68.02
Citra 4.bmp
73.51
72.29
86.73
76.35
Citra 5.bmp
85.05
73.43
88.96
83.26
80.90
Citra 6.bmp
70.01
81.47
Citra 7.bmp
85.65
94.37
90.64
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
132
Lanjutan Tabel 4.19

pada Scanning 6
Nama Citra

pengukuran untuk ruang warna RGB
(%)

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
54.81
74.80
72.83
Citra 2.bmp
90.01
82.77
82.77
Citra 3.bmp
60.14
68.48
54.58
86.77
83.81
68.48
86.28
68.02
Citra 4.bmp
73.51
72.29
86.73
76.35
Citra 5.bmp
85.05
73.43
88.96
0
0
65.91
0
0
83.26
80.90
Citra 6.bmp
70.01
0
0
81.47
80.36
68.29
86.61
63.61
86.70
82.80
84.30
69.58
55.57
50.96
0
71.66
0
0
0
80
79.19
72.01
81.33
77.09
73.49
69.94
73.32
58.41
80.98
85.40
86.67
68.55
87.78
80
78.07
70.50
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
76.98
81.21
82.24
86.61
0
0
0
70.12
0
0
65.65
67.42
84.45
67.42
64.36
66.61
0
Citra 7.bmp
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
78.77
Citra 11.bmp
76.75
73.81
63.10
72.48
Citra 12.bmp
84.94
64.63
Citra 13.bmp
84.71
89.63
Citra 14.bmp
82.90
78.29
82.09
Citra 15.bmp
83.71
78.40
70.50
Citra 16.bmp
69.42
65.45
71.23
Citra 17.bmp
79.08
80.12
80.01
Citra 18.bmp
72.23
78.67
70.12
70.89
Citra 19.bmp
77.02
84.17
77.33
80.94
72.34
Citra 20.bmp
72.34
78.21
79.90
Citra 21.bmp
65.86
82.34
80.32
83.45
Citra 22.bmp
73.75
80.44
60.70
Citra 23.bmp
77.62
82.32
72.99
80.09
Citra 24.bmp
75.33
83.63
77.00
Citra 25.bmp
77.90
71.92
Citra 26.bmp
80.89
62.43
Citra 27.bmp
73.383
77.89
61.98
76.90
Citra 28.bmp
74.77
68.85
73.00
Citra 29.bmp
67.90
Citra 30.bmp
48.90
0
0
84.77
85.68
86.77
70.23
70.54
83.00
77.01
54.89
65.82
79.90
70.98
61.50
71.56
86.00
60.15
73.45
56.90
67.23
68.12
40.01
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.
persentase tertinggi pada pengukuran BPD untuk parameter 6 scanning,
akurasi (%)

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

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

dokter.
b.

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
Scanning 6
Nama Citra

RGB (%)

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
59.82
50.10
60.21
Citra 2.bmp
80.91
77.50
77.50
Citra 3.bmp
53.61
66.05
59.21
76.32
64.64
67.05
66.05
75.76
67.60
Citra 4.bmp
75.54
89.75
79.42
91.77
89.75
Citra 5.bmp
82.33
63.41
90.33
77.93
80.14
Citra 6.bmp
78.90
79.73
70.38
Citra 7.bmp
67.30
86.98
64.44
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
Citra 9.bmp
64.63
64.32
55.08
52.79
66.61
52.79
66.47
56.24
54.52
Citra 10.bmp
66.28
68.83
78.02
83.38
71.28
64.47
Citra 11.bmp
59.51
58.14
59.67
58.01
53.20
71.23
62.46
63.04
59.24
Citra 12.bmp
68.43
61.93
69.15
49.66
Citra 13.bmp
74.36
86.04
81.90
Citra 14.bmp
78.12
62.50
72.36
81.73
63.50
71.90
Citra 15.bmp
72.22
71.22
75.34
75.95
75.19
79.90
74.64
77.00
Citra 16.bmp
58.74
55.84
65.40
60.83
64.82
Citra 17.bmp
78.10
76.89
80.93
60.09
65.64
80.91
70.01
Citra 18.bmp
75.23
74.06
71.55
74.06
60.90
62.98
66.67
69.70
Citra 19.bmp
71.86
64.34
79.56
63.80
72.78
67.42
62.03
65.06
77.23
Citra 20.bmp
70.84
60.16
67.24
62.11
63.23
66.67
72.34
Citra 21.bmp
65.69
76.53
80.12
76.53
81.21
Citra 22.bmp
70.01
59.76
60.10
59.76
54.33
58.21
73.34
60.21
Citra 23.bmp
61.64
82.90
70.64
65.90
60.89
78.49
64.33
80.12
Citra 24.bmp
57.48
70.12
64.88
63.66
64.00
60.07
70.98
Citra 25.bmp
60.34
60.78
60.17
52.21
54.40
53.21
Citra 26.bmp
61.67
68.90
67.81
Citra 27.bmp
54.91
65.57
50.02
70.12
64.71
60.72
80.67
64.71
Citra 28.bmp
58.86
58.63
62.09
61.70
53.93
60.33
48.21
66.00
Citra 29.bmp
55.23
55.12
59.58
52.32
50.21
54.23
Citra 30.bmp
41.23
47.65
136

persentase tertinggi pada pengukuran HC untuk parameter 6 scanning,
akurasi (%)

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

137
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
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
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
pengukuran (%)
pada grafik di Gambar 4.27 sebagai berikut :
nama citra
Gambar 4.27
139
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
%.
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
pengukuran (%)
nama citra
Gambar 4.28
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

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
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)
nama citra
Gambar 4.29
6 scanning terbaik
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

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 0 sampai 90.
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

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

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

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

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
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

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

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

Unud-930-1456714212-Tesis (Deteksi Kepala Janin Pada Citra Usg)

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Unud-930-1456714212-Tesis (Deteksi Kepala Janin Pada Citra Usg)

Diunggah oleh

Hak Cipta:

Format Tersedia

TESIS

DETEKSI KEPALA JANIN PADA CITRA USG

PUTU DESIANA WULANING AYU

DETEKSI KEPALA JANIN PADA CITRA USG

Tesis untuk Memperoleh Gelar Magister

PUTU DESIANA WULANING AYU

TESIS INI TELAH DISETUJUI

Dr. I Ketut Gede Darma Putra, S.Kom.,MT

Dr. Eng. Putu Agung Bayupati, ST.,MT

Ketua Program Magister

Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D

Prof. Dr. dr. A. A. Raka Sudewi, Sp.S(K)

Tesis ini Telah Diuji pada

Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana

: Dr. I Ketut Gede Darma Putra, S.Kom.,MT

Dr. Eng. Putu Agung Bayupati, ST.,MT

Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D

Dr. Ir. Made Sudarma, M.A.Sc

Ni M.A.E. Dewi Wirastuti, ST.,M.Sc.,Ph.D

PRASYARAT GELAR .................................................................................

LEMBAR PERSETUJUAN ..........................................................................

PENETAPAN PANITIA PENGUJI ..............................................................

PERNYATAAN KEASLIAN PENELITIAN ................................................

DAFTAR ISI ................................................................................................

DAFTAR TABEL ........................................................................................

DAFTAR GAMBAR ....................................................................................

DAFTAR ISTILAH ......................................................................................

1.1 Latar Belakang ...............................................................................

1.2 Rumusan Masalah ..........................................................................

1.3 Tujuan Penelitian............................................................................

1.4 Manfaat Penelitian ..........................................................................

1.5 Ruang Lingkup dan Batasan Masalah .............................................

1.6 Keaslian Penelitian .........................................................................

BAB II KAJIAN PUSTAKA ......................................................................

2.1 State Of the Art ...............................................................................

2.2 Medical Imaging ............................................................................

2.2.1 Magnetic Resonance Imaging (MRI ) ....................................

2.2.1.1 Prinsip Kerja MRI ...........................................................

2.2.1.2 Kelebihan MRI ................................................................

2.2.3 Ultrasonography ....................................................................

2.2.3.1 Faktor yang mempengaruhi kualitas gambar citra USG ..............

2.2.3.2 Cara kerja USG ................................................................

2.2.3.3 Cara pengukuran Biparetal Diameter (BPD) ....................

2.3 Operasi Pengolahan Citra ...............................................................

2.4 Jenis Citra Digital ...........................................................................

2.5 Sistem Koordinat Warna .................................................................

2.5.1 Sistem koordinat warna CIE .................................................

2.5.2 Sistem Koordiat Warna XYZ ...............................................

2.6 Segmentasi Citra.............................................................................

2.6.1 Metode Segmentasi Berdasarkan Ruang Warna RGB ...........

2.6.2 Metode Segmentasi Berdasarkan Ruang Warna L*a*b..........

2.8 Konvolusi .......................................................................................

2.9 Smooth Filter..................................................................................

2.10 Fuzzy C-Means (FCM) ..................................................................

2.11 Deteksi Elips dengan Hough Transform ........................................

2.11.1 Menentukan titik point X1, X2,X3 ......................................

2.11.2 Mendapatkan persamaan garis dari masing-masing titik point 41

2.11.4 Menghitung garis bisector dari titik tangent interseption .....

2.11.5 Mencari Semimayor dan Semiminor ...................................

BAB III METODELOGI PENELITIAN .....................................................

3.1 Tempat dan Waktu Penelitian .........................................................

3.2 Sumber Data ..................................................................................

3.2.1 Metode Pengumpulan Data ....................................................

2.6.2 Metode Segmentasi Berdasarkan Ruang Warna Lab..........

3.4.1 Tahapan Proses pada Ruang Warna Lab .............................

3.5.1 Algoritma Ruang Warna dengan Lab .................................

3.6.1 Modul Segmentasi Ruang Warna dengan Lab ....................

4.3.2.2 Pengujian Ruang warna Lab tanpa proses Filter