APLIKASI TRANSFORMASI FOURIER CEPAT

UNTUK PENINGKATAN KUALITAS CITRA MEDIK

Nur Asni[1], Bualkar Abdullah[2], Eko Juarlin[3]
Departemen Fisika, FMIPA, Universitas Hasanuddin, Makassar, 2017
nurasni176@gmail.com[1] bualkar36@yahoo.com[2] eko_juarlin@yahoo.co.id[3]

ABSTRAK : Telah dilakukan penelitian tentang teknik filterisasi pada citra Magnetic Resonance Imaging
(MRI) dengan cara menerapkan beberapa jenis filter untuk mengurangi noise dan penajaman tepi pada citra
berbasis Transformasi Fourier Cepat (TFC). Citra diubah ke dalam domain frekuensi menggunakan
Transformasi Fourier Cepat. Citra hasil transformasi diolah menggunakan Low Pass Filter berupaIdeal Low
Pass Filter, Butterworth Low Pass Filter dan Gaussian Low Pass Filter untuk mengurangi noise. Sedangkan,
untuk penajaman tepi diolah menggunakan High Pass Filter berupaIdeal High Pass Filter, Butterworth High
Pass Filter dan Gaussian High Pass Filter. Low Pass Filter bekerja dengan cara meloloskan komponen
frekuensi rendah sehingga citra yang dihasilkan menjadi lebih halus, sedangkan High Pass Filter bekerja dengan
cara meloloskan komponen frekuensi tinggisehingga tepi citra menjadi lebih tajam. Citra hasil filter kemudian
dikembalikan ke dalam domain spasial menggunakan Invers Transformasi Fourier Cepat (ITFC).Untuk
menentukan citra hasil filter terbaik digunakan parameter berupaMeanSquare Error(MSE) dan Peak Signal to
Noise Ratio (PSNR), dimana citra yang paling baik adalah citra hasil filter dengan nilai MSE yang terendah dan
nilai PSNR yang tertinggi. Dari perbandingan nilai MSE dan PSNR citra hasil diperoleh bahwa untuk
mengurangi noise, filter yang baik adalah Gaussian Low Pass Filter pada frekuensi cut-off=100. Sedangkan,
untuk penajaman tepi citra filter yang baik adalah Gaussian High Pass Filter pada frekuensi cut-off=10.

Kata Kunci : Transformasi Fourier Cepat (TFC), Invers Transformasi Fourier Cepat (ITFC), Low Pass Filter,
High Pass Filter, MSE, PSNR.

ABSTRACT : A research has been done about filtering techniques on the Magnetic Resonance Imaging (MRI)
images by applying some types of filter for noise reduction and edges sharpening on the images based on Fast
Fourier Transform (FFT). The images convert into frequency domain using Fast Fourier Transform. The images
transformed proccesed by using Low Pass Filter such as Ideal Low Pass Filter, Butterworth Low Pass Filter and
Gaussian Low Pass Filter for noises reduce. While, for edges sharpening using High Pass Filter such as Ideal
High Pass Filter, Butterworth High Pass Filter and Gaussian High Pass Filter. Low Pass Filter working by
passing the low frequencies component so the images becomes smoothest, while the High Pass Filter working
by passing the high frequencies component so edge of the images become sharper. Images filtered converting
back into spacial domain by applying Inverse Fast Fourier Transform (IFFT). For determining the greater
images filtered obtained by calculating the MeanSquare Error(MSE) and Peak Signal to Noise Ratio (PSNR),
where the greater images filtered is the image with lowest MSE value and higher PSNR value. By comparing
MSE and PSNR value of images filtered we obtained that the good filter for noise reduction is Gaussian Low
Pass Filter at cut-off frequency=100. While, the good filter for image edge sharpening is High Pass Filter at cut-
off frequency=10.

Key Words : Fast Fourier Transform (FFT), Inverse Fast Fourier Transform (IFFT), Low Pass Fourier
Transform, High Pass Fourier Transform, MSE, PSNR.

I. Pendahuluan

Teknik pengolahan citra semakin menentukan tindakan dan langkah

berkembang dan dipergunakan dalam berbagai
bidang, termasuk dalam bidang kesehatan[1-3].
Pengolahan citra dalam bidang kesehatan
disebut pengolahan citra medik. Citra medik
digunakan untuk mengetahui anatomi atau
struktur bagian dalam tubuh manusia[1]. Citra
medik kemudian digunakan sebagai dasar
konsultasi dan acuan diagnosis untuk
[1,4]
penyembuhan terhadap pasien .
Ada beberapa modalitas pencitraan
medik salah satunya adalah Magnetic
Resonance Imaging (MRI)[1,5]. MRI
merupakan modalitas pencitraan noninvasif
(tanpa pembedahan) dan tidak menggunakan
radiasi pengion[6]. Namun, citra MRI
seringkali mengalami penurunan kualitas

1
karena adanya gangguan berupa noise dan
kekaburan pada citra, baik pada proses
pengambilan maupun penyimpanan
[7,8,9,10]
citra . Hal ini menyebabkan citra sulit
diinterpretasikan karena informasi yang
disampaikan menjadi berkurang sehingga
menghambat proses diagnosis[4,10].
Agar citra mudah diinterpretasikan,
maka citra perlu diolah dengan cara
meningkatkan kualitasnya untuk memperoleh
citra hasil yang lebih baik, sehingga
memudahkan dalam proses analisis[10-13]. Salah
satu bidang pengolahan citra adalah
transformasi citra. Transformasi citra
merupakan proses pengubahan citra dari suatu
kawasan ke kawasan yang lain. Ada banyak
jenis transfomasi yang dapat digunakan dalam
pengolahan citra salah satunya adalah
Transformasi Fourier[14].
Telah dilakukan beberapa penelitian
untuk pengolahan citra digital yang dilakukan
oleh Salahuddin dkk, pada tahun 2013[2],
Umamageswari dkk, pada tahun 2014[11] dan
Arunachalam dkk, pada tahun 2015[12].
Penelitian-penelitian tersebut melakukan
peningkatan kualitas citra dengan teknik
transformasi citra menggunakan Transformasi
Fourier.
Berdasarkan penelitian-penelitian tersebut,
penulis melakukan peningkatan kualitas citra
medik menggunakan citra MRI dengan teknik
filterisasi pada domain frekuensi
menggunakan metode Transformasi Fourier
Cepat (TFC). Kualitas citra hasil filter
kemudian dibandingkan menggunakan
parameter kualitas citra berupa Mean Square
Error (MSE) dan Peak Signal to Noise Rasio
(PSNR) untuk menentukan citra hasil terbaik
dari beberapa jenis low pass filter dan high
pass filter.
II. Pencitraan Medik
Pencitraan medik merupakan cara yang
dilakukan untuk mengetahui bagian dalam dari
tubuh manusia. Dalam perkembangannya
pencitraan medik banyak digunakan dalam
biomedik[1]. Magnetic Resonance Imaging
(MRI) merupakan salah satu modalitas dalam
2
pencitraan medik[1,5]. MRI merupakan teknik
pencitraan medik noninvasif yang
menghasilkan rekaman potongan penampang
tubuh atau organ manusia[6,15,16].
Dalam dunia kesehatan MRI digunakan
sebagai alat diagnostik yang bekerja dengan
cara memindai struktur bagian dalam tubuh[7].
Citra hasil pemindaian MRI berupa potongan
koronal (potongan yang membagi organ
menjadi dua bagian depan dan belakang),
potongan sagital (potongan yang membagi
organ menjadi dua bagian kana dan kiri),
potongan aksial (potongan yang membagi
organ menjadi dua bagian atas dan bawah) dan
oblik (potongan dengan sudut tertentu)[1,16].
Tahap pembentukan citra pada MRI
melalui 3 fase utama yaitu fase presesi
(magnetisasi), fase resonansi dan fase
relaksasi[1]. Adapun prosesnya adalah sebagai
berikut:
1. Tubuh manusia sebagian besar terdiri atas
air (H2O) yang mengandung dua atom H
yang memiliki nomor atom ganjil dan
terdapat satu proton pada intinya[1]. Struktur
atom hidrogen di dalam tubuh manusia
mempunyai arah yang acak dan bergerak
bebas[15,16]. Ketika tubuh diletakkan di
dalam medan magnet maka atom H akan
sejajar dengan arah medan magnet (fase
magnetisasi), sedangkan spin akan searah
atau berlawanan arah dengan medan
magnet (paralel atau antiparalel)[15].
2. Saat diberikan frekuensi radio, maka atom
H akan menyerap energi dari frekuensi
radio tersebut yang mengakibatkan atom H
mengalami pembelokan yang besarnya
bergantung besar dan lamanya energi
frekuensi radio yang diberikan[16].
3. Saat energi dihentikan maka atom H akan
sejajar kembali dengan arah medan magnet
sambil melepaskan energi yang diserap
oleh proton (fase relaksasi)[1,16]. Energi
yang dilepas ini merupakan sinyal yang
diterima oleh detektor dan diterjemahkan
dalam bentuk citra[1,15,16].
III. Transformasi Fourier (TF)
Transformasi Fourier adalah operasi
matematika yang digunakan dalam bidang
pencitraan medik salah satunya untuk adalah Transformasi Fourier yang dikenakan
penyaringan citra[5,17]. Transformasi Fourier pada fungsi diskrit dengan hasil transformasi
mengubah citra dari domain spasial ke dalam yang diskrit pula[10]. Sedangkan algoritma
domain frekuensi[11,17,18], kemudian citra dapat yang mengkalkulasi TFD disebut TFC[17]. TFC
diubah kembali ke dalam domain spasialnya dua dimensi bekerja dengan cara
dengan menggunakan Invers Transformasi mengomputasikan TFC satu dimensi pada
Fourier (ITF)[11,17]. setiap kolom X diikuti oleh TFD satu dimensi
Citra hasil transformasi mewakili citra pada setiap baris dari hasil komputasi[14]. TFC
dalam domain frekuensi, sedangkan citra merupakan modalitas dalam pencitraan medik
masukan setara dengan domain spasialnya. yang digunakan untuk filtering dan
Pada citra domain frekuensi, setiap titik denoising[5]
merupakan representasi frekuensi tertentu Untuk citra dengan ukuran piksel M N
yang terkandung dalam citra domain berikut ini merupakan persamaan TFC dua
spasial[5,17]. Transformasi Fourier dapat dimensi beserta Invers Transformasi Fourier
diaplikasikan untuk pengolahan citra serta Cepat (ITFC) secara berturut-turut[11]:
analisis data berupa high pass filter dan low M 1 N 1 ux vy
j 2
pass filter[19]. F (u, v) f ( x, y)e M N

x 0 y 0 (5)
Transformasi Fourier F(u) dari variabel
ux vy
tunggal dengan fungsi kontinu f(x) dapat 1 M 1 N 1 j 2

didefenisikan dengan persamaan berikut [17] : f ( x, y ) F (u, v)e

MN u 0 v 0
M N

(6)

j 2 ux
F (u ) f ( x)e dx

Untuk u=0,1,2,...,M-1 dan v=0,1,2,...,M-
(1)
1, dengan x=0,1,2,...,M-1 dan y=0,1,2,...,M-1.
Dimana j 1 . Kebalikan dari F (u ) , Dengan faktor Twiddle yaitu
dapat diberikan dengan f ( x ) sebagai invers
[17]
= exp(2 ( +
))
dari transformasi Fourier :
Dimana
F (u)e
j 2 ux
f ( x) du M : jumlah baris (tinggi citra)
(2) N : jumlah kolom (lebar citra)
Persamaan ini dapat diperluas menjadi f(x,y) : koordinat masing-masing piksel
dua variabel u dan v untuk Transformasi (x,y)
Fourier dua dimensi, yang ditunjukkan pada F(u,v) : nilai citra dalam doamin
persamaan berikut[17]: frekuensi yang sesuai dengan
koordinat x dan y

F (u, v) f ( x, y )e j 2 (ux vy ) dxdy (3) V. Filterisasi dalam Domain

Frekuensi
Filterisasi membantu meningkatkan
citra dengan cara mengurangi noise dengan
f ( x, y ) F (u, v)e
j 2 ( ux vy )
dudv (4) cara melembutkan citra maupun mempertajam

atau memperjelas tepi pada citra. Ada
beberapa teknik filtering diantaranya low pass
IV. Transformasi Fourier Cepat
Transformasi Fourier bersifat kontinu. filter dan high pass filter[20].
Sedangkan untuk kebutuhan pengolahan citra, V.1 Low Pass Filter
fungsi yang akan ditransformasi harus fungsi Low pass filter digunakan untuk melembutkan
diskrit. Transformasi Fourier Diskrit (TFD) citra dan menghilangkan atau mereduksi noise

3
pada citra[8,20]. Low pass filter bekerja dengan
cara meloloskan komponen yang berfrekuensi
rendah dan menahan atau mengatenuasi
komponen yang frekuensinya lebih tinggi
daripada nilai cut-off[8,18,20].
V.1.1 Ideal Low Pass Filter (ILPF)
Ideal low pass filter bekerja dengan cara
meloloskan semua frekuensi yang berada
D
didalam lingkaran dengan radius 0 tanpa
pelemahan, sedangkan semua frekuensi yang
berada diluar lingkaran ditahan (tidak
diloloskan). ILPF dapat dirumuskan melalui
H u, v
: fungsi filter
D u, v
: jarak dari titik (u,v) ke pusat kotak
frekuensi (titik pusat transformasi)
D0 : nilai cut-off
n : nilai orde
V.1.3 Gaussian Low Pass Filter (GLPF)
Gaussian low pass filter digunakan untuk
mengetahui hubungan antara domain spasial
dengan domain frekuensi[13,21]. GLPF dapat
dirumuskan melalui persamaan berikut[20,21]:

H u, v e D u ,v 2 D0
2 2
persamaan berikut[13,19,21]:

(10)
H u, v 1 jika D u ,v D0
0 jika D u ,v >D0
(7) Dimana
Adapun pusat dari kotak frekuensinya adalah H u, v
sebagai berikut: : fungsi filter
1 D0
M
2
N 2
2 : nilai cut-off
D u , v u
D u, v
v

2 2 (8) : jarak dari titik (u,v) ke pusat kotak
frekuensi (titik pusat transformasi)
Dimana
H u, v V.2 High Pass Filter
: fungsi filter
High pass filter digunakan untuk
D u, v meningkatkan kontras antara piksel terang dan
: jarak dari titik (u,v) ke pusat kotak
frekuensi (titik pusat transformasi) piksel gelap[20] sehingga menghasilkan citra
u,v : representasi koordinat piksel pada dengan tepi yang lebih tajam[8,20]. High pass
domain frekuensi filter bekerja dengan cara meloloskan
D0 komponen yang berfrekuensi tinggi[5,20] dan
: nilai cut-off menahan atau mengatenuasi komponen yang
M : jumlah baris (tinggi citra) frekuensinya lebih rendah dari nilai cut-off[20-
N : jumlah kolom (lebar citra) 21]
.
V.1.2 Butterworth Low Pass Filter (BLPF) V.2.1 Ideal High Pass Filter (IHPF)
Butterworth low pass filter bekerja dengan Ideal high pass filter bekerja dengan cara
cara menghilangkan noise frekuensi tinggi meloloskan semua frekuensi yang berada
dengan hanya menghilangkan separuh
diluar lingkaran dengan radius 0 tanpa D
(frekuensi tertentu) dari komponen sinyal
dalam pass-band tertentu dengan orde n[13,20]. pelemahan, sedangkan semua frekuensi yang
BLPF dapat dirumuskan melalui persamaan berada didalam lingkaran ditahan (tidak
berikut[20,21]: diloloskan). IHPF dapat dirumuskan melalui
1 persamaan berikut[13,19,21]:
H u, v
1

D u ,v
D0


2n

(9)
H u, v 0 jika D u ,v D0
1 jika D u ,v >D0
(11)
Dimana
Dimana H u, v
: fungsi filter

4
D0 wnloads/dataset[25,26]. Data citra merupakan
: nilai cut-off
hasil pemindaian potongan aksial organ otak
D u, v pasien FI umur 28 tahun dengan ketebalan
: jarak dari titik (u,v) ke pusat irisan 5 mm. Data citra tersimpan dalam
kotak frekuensi (titik pusat transformasi)
format bitmap (*.bmp) atau disebut dengan
V.2.2 Butterworth High Pass Filter (BHPF) DIB (Devise Independent Bitmap) dengan
Butterworth high pass filter bekerja dengan ukuran 378378 piksel.
cara menghilangkan noise frekuensi tinggi Data basis yang digunakan sebanyak 1
dengan hanya menghilangkan separuh citra untuk masing-masing filter. Untuk low
(frekuensi tertentu) dari komponen sinyal pass filter digunakan citra basis yang terlebih
dalam pass-band tertentu dengan orde dahulu diinputkan noise jenis Gaussian dengan
n[13,20]. BHPF dapat dirumuskan melalui densitas 2%, sedangkan untuk high pass filter
persamaan berikut[13,20,21]: digunakan citra basis biasa.
1 Pengolahan data dilakukan dengan
H u, v 2n langkah-langkah sebagai berikut:
1 DDu0,v
(12)
Dimana VI.1. Transformasi Citra
H u, v Citra MRI ditransformasi dari domain
: fungsi filter
spasial ke dalam domain frekuensi dengan
D u, v
: jarak dari titik (u,v) ke pusat menggunakan TFC. TFC bertujuan untuk
kotak frekuensi (titik pusat transformasi) memperoleh nilai spektrum Fourier dari citra,
D0 baik citra asli maupun citra dengan noise.
: nilai cut-off
Transformasi citra bertujuan untuk
n : nilai orde
mengubah citra dari domain spasial kedalam
V.2.3 Gaussian High Pass Filter (GHPF) domain frekuensi. Dimana dari proses
Gaussian high pass filter digunakan untuk transformasi akan diperoleh spektrum fourier
mengetahui hubungan antara domain spasial dari citra. Spektrum Fourier menampilkan
dengan domain frekuensi[13,21]. GHPF dapat frekuensi yang terkandung dalam citra domain
dirumuskan melalui persamaan berikut[20,21]: spasial. Spektrum Fourier tersebut kemudian
diolah dengan menerapkan filter sesuai dengan
H u , v 1 e D u ,v
2
2 D02
(13) kebutuhan.
Dimana
VI.2. Filterisasi
H u, v Nilai spektrum Fourier yang diperoleh
: fungsi filter
D0 dari proses transformasi kemudian difilter
: nilai cut-off dengan beberapa jenis filter berikut:
D u, v a. Low pass filter berupa Ideal Low Pass
: jarak dari titik (u,v) ke pusat
Filter, Butterworth Low Pass Filter dan
kotak frekuensi (titik pusat transformasi)
Gaussian Low Pass Filter dengan
pengujian beberapa variasi rentang nilai
VI. Metode Penelitian
cut-off.
Tahap awal sebelum dilakukan
b. High pass filter berupa Ideal High Pass
pengolahan citra adalah akuisisi citra yaitu
Filter, Butterworth High Pass Filter dan
pengumpulan data citra yang akan dijadikan
Gaussian High Pass Filter dengan
bahan dalam penelitian. Data citra yang
pengujian beberapa variasi rentang nilai
digunakan dalam penelitian ini adalah citra
cut-off.
hasil pemindaian pesawat MRI 1.5 Tesla
c. Nilai cut-off yang digunakan adalah
dengan T2 terbobot yang diperoleh dari laman
bilangan bulat positif dengan rentang nilai
http://www.medinfo.cs.ucy.ac.cy/index.php/do

5
 sepuluh, dimulai dari 10 sampai dengan komponen nilai matriks citra asli (citra acuan)
100. Representasi dua dimensi dari variasi dengan komponen nilai matriks citra hasil
nilai cut-off pada low pass filter dapat terbaik dari masing-masing jenis filter.
dilihat pada lampiran 1. Lingkaran putih
merupakan area yang meloloskan VII. Hasil dan Pembahasan
komponen frekuensi citra sedangkan kotak
hitam merupakan jendela filter yang
menahan atau mengatenuasi komponen
frekuensi dari citra. Sedangkan representasi
dua dimensi variasi nilai cut-off pada high
pass filter dapat dilihat pada lampiran 2. (a) (b)
Lingkaran hitam merupakan area yang
menahan atau mengatenuasi komponen
frekuensi citra sedangkan kotak putih
merupakan jendela yang meloloskan
komponen frekuensi dari citra.

VI.3. Transformasi Balik Citra (c) (d)

Citra hasil filter didalam domain Gambar VII. 1 Citra Hasil Cuplik (a) Citra
frekuensi kemudian dikembalikan ke dalam Asli dengan noise (b) Citra Hasil ILPF (c)
domain spasial dengan menggunakan ITFC Citra Hasil BLPF (d) Citra Hasil GLPF
sehingga diperoleh gambaran secara visual
dari citra hasil filter agar selanjutnya dapat
dianalisis. Untuk dapat menilai citra hasil filter
secara kuantitas dilakukan pembandingan nilai
piksel citra dengan cara pencuplikan pada area
citra dengan ukuran piksel 100x100 pada citra
asli (citra acuan) dan setiap citra hasil terbaik (a) (b)
dari masing-masing jenis filter. Kemudian
diambil area pada matriks dengan ukuran
15x15 untuk dibandingkan dengan susunan
nilai matriks citra asli. Dari data tersebut
dipilih citra hasil terbaik dari nilai piksel citra
hasil filter yang paling mendekati susunan
(c) (d)
komponen nilai matriks citra asli (citra acuan).
Gambar VII. 2 Citra Hasil Cuplik (a) Citra
Asli (b) Citra Hasil IHPF(c) Citra Hasil BHPF
VI.4. Analisis data
(d) Citra Hasil GHPF
Analisis data dilakukan dengan cara
pengukuran nilai Mean Square Error (MSE) Tampak citra hasil ketiga filter pada
dan Peak Signal to Noise Ratio (PSNR) citra
gambar VII.1 (a), (b) dan (c) tidak
hasil filter, baik citra hasil lowpass filter
terdapat noise pada citra hasil filter namun
maupun citra hasil highpass filter. Penentuan
kualitas citra berdasarkan perbandingan tinggi
citra yang dihasilkan sangat buram
rendahnya nilai MSE dan PSNR masing- sehingga organ pada citra menjadi tidak
masing citra hasil filter baik pada low pass jelas. Hal ini disebabkan karena nilai cut-
filter maupun pada high pass filter. Nilai MSE off yang sangat kecil sehingga semakin
dan PSNR yang diperoleh kemudian sedikit pula komponen frekuensi citra yang
dicocokkan dengan kesesuain susunan diloloskan dari filter. Hal ini menyebabkan

6
citra hasil filter yang semakin tidak mirip
dengan citra acuan. Namun dapat dilihat
bahwa pada nilai frekuensi cut-off yang
sama Gaussian Low Pass Filter
menghasilkan citra keluaran yang lebih
mirip dengan citra acuan dibandingkan
kedua filter lainnya. Hal ini disebakan
karena Gaussian Low Pass Filter bekerja
dengan cara mengatenuasi lebih sedikit
komponen frekuensi tinggi yang berada
diluar frekuensi cut-off dengan radius
yang lebih jauh dibandingkan kedua filter
lainnya.
Pada gambar VII.2 (a), (b) dan (c)
citra hasil filter tampak tidak jauh berbeda
namun dapat dilihat bahwa pada nilai
frekuensi cut-off yang sama Gaussian
High Pass Filter menghasilkan citra
keluaran dengan tepi citra yang lebih jelas
dan kontras dibandingkan kedua filter
lainnya. Hal ini disebakan karena
Gaussian High Pass Filter bekerja dengan
cara mengatenuasi lebih sedikit komponen
frekuensi rendah yang berada didalam
frekuensi cut-off dengan radius yang lebih
jauh dibandingkan kedua filter lainnya.
VIII. Kesimpulan dan Saran
A. Kesimpulan
Berdasarkan hasil penelitian yang telah
dilakukan dapat disimpulkan bahwa:
1. Jenis Low Pass Filter yang paling sesuai
untuk menghilangkan noise pada citra MRI
adalah Gaussian Low Pass Filter (GLPF)
dengan nilai MSE paling rendah dan nilai
PSNR paling tinggi pada nilai cut-off 100.
2. Jenis High Pass Filter yang paling sesuai
untuk penajaman tepi citra MRI adalah
Gaussian High Pass Filter (GHPF) dengan
nilai MSE paling rendah dan nilai PSNR
paling tinggi pada nilai cut-off 10.
B. Saran
Pada penelitian selanjutnya, disarankan :
7
1. Low Pass Filter dapat diterapkan pada citra
dengan jenis noise yang lain dengan
densitas yang bervariasi.
2. Low Pass Filter dapat diterapkan pada citra
dengan gangguan berupa artefak pada citra
baik pada citra MRI maupun pada citra
hasil modalitas pencitraan medik lainnya.
3. High Pass Filter dapat diterapkan untuk
deteksi tepi pada citra tumor atau kanker
sehingga dapat dimanfaatkan lebih lanjut
untuk menghitung luasan tumor atau
kanker pada organ.
IX. Ucapan Terima Kasih
Penulis mengucapkan banyak terima
kasih kepada Bapak Bualkar Abdullah,
M.Eng.Sc dan Bapak Eko Juarlin, S.Si., M.Si.
yang telah meluangkan waktunya dan
membagi ilmunya. Juga kepada teman-teman
di Departemen Fisika FMIPA Unhas
khususnya teman-teman fisika angkatan 2017
Daftar Pustaka
[1] Kraugesteeliana, Napitupulu P., 2009,
Penerapan Citra Medik pada
Visualisasi Pencitraan Diagnostik
Tumor Otak Secara Sagital
Menggunakan MRI, Prosiding
SENTIA, Politeknik Negeri Malang.
[2] Salahuddin, Tulus & Fahmi, 2013,
Klasifikasi dan Peningkatan Kualitas
Citra Sidik Jari Menggunakan FFT (Fast
Fourier Transform), SNASTIKOM, hh.
137-142.
[3] Herditomo, Sunaryo & Naba A., 2014,
Penerapan Metode Hybrid Fuzzy C-
Means dan Particle Swarm Optimization
(FCM-PSO) untuk Segmentasi Citra
Geografis, Jurnal EECCIS, vol.8, no.1,
hh. 27-32.
[4] Soesanti I., Susanto A., & Widodo T.
S., 2011, Ekstraksi Ciri dan Identifikasi
Citra Otak MRI Berbasis Eigenbrain
Image, Forum Teknik, vol. 34, no. 1,
hh. 47-52.
[5] Jagtap V., 2010, Fast Fourier
Transform Using Parallel Processing for
Medical Applications, MSc Tesis,
 Biomedical Engineering, University of Penetrometer, Institut Teknologi
Akron, Ohio. Sepuluh Nopember, Surabaya.
[6] Kuperman V., 2000, Magnetik [16] Notosiswoyo M., Suswaty S.,
Resonance Imaging-Physical Principles 2004,Pemanfaatan Magnetic
and Application, Academic Press, Resonance Imaging (MRI) sebagai
Chicago. Sarana Diagnosa Pasien, Media
[7] Nobi M. N., Yousuf M. A., A New Litbang Kesehatan, vol. 14, no. 3, hh.8-
Method to Remove Noise in Magnetic 13.
Resonance and Ultrasound Images, JSR [17] Haque M. N., Uddin M. S., 2011,
Publication, vol. 3, no. 1, hh. 81-89. Accelerating Fast Fourier
[8] Munir R., 2006, Aplikasi Image Transformation for Image Processing
Thresholding untuk Segmentasi Objek, using Graphics Processing Unit, CIS,
SNATI, hh. F1-F6. vol. 2, no. 8, hh. 367-375.
[9] Saselah G., Weku W., & Latumakulita [18] Devi M., Shinde A. A., 2013, Sinyal
L., 2013, Perbaikan Citra Digital Analysis of Real Time to Remove
dengan Menggunakan Filtering Noise, International Journal of
Technique dan Similarity Engineering and Advanced Technology
Measurement, JdC, vol. 2, no. 2. (IJEAT), vol. , no. 1, hh. 426-428.
[10] Astuti E. Z., 2010, Transformasi [19] Wang S., 2007, Applications of Fourier
Fourier untuk Peningkatan Kualitas Transform to Imaging Analysis.
Citra, Tecno.com, vol. 9, no.1, hh. 53- [20] Makandar A., Halalli B., 2015, Image
65 Enhancement Technique using Higpass
[11] Umamageswari D., Sivasakthi L., & and Lowpass Filters, International
Vani R., 2014, Quality Analysis and Journal of Computer Application, vol.
Image Enhancement using 109, no. 14, hh. 12-15.
Transformation Techniques, IJAREEIE, [21] Gonzalez R.C., Rafael E.W., 2008,
vol. 3, no. 1, hh. 298-303. Digital Image Processing, Edisi 3,
[12] Arunachalam S., Khairnar S. M., & United Stated Of America.
Desale B. S., 2015, Implementation of [22] Dep R., Sengupta D., & Das R., 2015,
Fast Fourier Transform and Vedic Development of an Image
Algorithm for Image Enhancement Enhancement Method and a GUI,
using Matlab, Applied Mathematical International Journal of Signal
Sciences, vol. 9, no. 45, hh. 2221-2234. Processing, Image Processing and
[13] Siregar A., Aryanta D., 2013, Simulasi Pattern Recognition, vol. 8, no. 6, hh.
dan Analisis Perbaikan Citra Digital 227-234.
Domain Frekuensi dengan Transformasi [23] Wang Z., Bovik A. C., 2009, Mean
Fourier, Jurnal Reka Elkonika, vol. 1, Squared Error: Love It or Leave It? A
no. 3, hh. 98-209. New Look at Sinyal Fidelity Measures,
[14] Anike M., 2015, Analisa Pengolahan IEEE Signal Processing Magazine,
Citra menggunakan Metode vol.26. no.1, hh. 98-117.
Transformasi Fourier, Konferensi [24] Suhartono D., Salman A. G., & Rojali,
Nasional Sistem dan Informatika, hh. 2012, Aplikasi Penyembunyian Pesan
13-136. pada Citra JPEG dengan Algoritma F5
[15] Sari D. P., Hapsari Y. D., & Darminto, dalam Perangkat Mobile Berbasis
2011, Studi Apparent Diffusion Android, Seminar Nasional Aplikasi
Coefficient dari Hidrogel PVA pada Teknologi Informasi (SNATI),
MRI dan Korelasinya dengan Hasil Yogyakarta.
Pengukuran Konsistensi Menggunakan

8
[25] Isa I. S., Sulaiman S. N., & Mustapha
M., 2015, Evaluating Denoising
Performances of Fundamental Filters for
T2-Weighted MRI Images, Procedia
Computer Science, hh. 760-768.
[26] E-Health Laboratory Department of
Computer Science University of Cyprus
2004, dilihat 28 Februari 2017,
<http://www.medinfo.cs.ucy.ac.cy/index
.php/downloads/dataset>.