METODE SEGMENTASI UNTUK ANALISIS CITRA DIGITAL

HEAD CT-SCAN
Oky Dwi Nurhayati
Program Studi Teknik Elektro, Universitas Gadjah Mada Yogyakarta
Oky@mail.te.ugm.ac.id

ABSTRACT

Image segmentation is an important research area in the digital image processing with several
applications in vision-guided autonomous robotics, product quality inspection, medical diagnosis, the
analysis of remotely sensed images, etc. The aim of image segmentation can be defined as
partitioning an image into homogeneous regions in terms of the features of pixels extracted from the
image.
Edge detection and thresholding are simple segmentation tools for images and became the
focuses in our research. This research used k-mean clustering method as the main tool. The image
data chosen were normal diagnosed head CT Scan photos, and those which have indication of
damages brain effect of lacunar infarct, infarct and hemorrhage.
This research offers histogram equalization method as pre-processing image to establish the
segmentation image used in image processing, the method of determining the appropriate
segmentation affect the image processing that can be used to analyzed the damages brain from the
digital image head CT-Scan.

Key words : Head CT scan photos, threshold, edge detection, k-mean clustering, histogram
equalization, image segmentation

PENDAHULUAN
Pengolahan citra (Image Processing) merupakan bidang yang berkembang pesat dan banyak
diterapkan pada ilmu-ilmu murni dan teknik. Pengolahan citra didefinisikan sebagai proses
pengolahan dan analisis citra yang banyak melibatkan persepsi visual.
Proses pengolahan citra mempunyai ciri data masukan dan informasi keluaran berbentuk citra,
sehingga pengolahan citra adalah pemrosesan citra yang telah ada untuk menghasilkan citra yang
lebih tinggi kualitasnya, dalam arti lebih jelas menampilkan informasi yang diharapkan.
Berbagai aplikasi pengolahan citra sangat membantu bagi kepentingan manusia. Salah satu
aplikasinya adalah peningkatan kualitas citra medis sebagai pra-proses agar lebih mudah untuk
dianalisis atau diintepretasikan melalui sarana visual manusia.
Pada umumnya citra medis hasil scanning, yang berupa citra digital aras keabuan mengalami
penurunan kualitas (terdegradasi) yang disebabkan faktor-faktor luar (derau) dan peralatan medis
yang digunakan. Dengan demikian proses peningkatan citra juga harus menggunakan teknik-teknik
pengolahan citra aras keabuan. Maka diperlukan proses peningkatan kualitas citra yang bertujuan
untuk menghasilkan citra yang lebih baik dibandingkan dengan citra semula. Langkah selanjutnya
yang diperlukan dalam pengolahan citra adalah analisis citra dengan tujuan untuk mengidentifikasi
dan menampilkan parameter-parameter yang diasosiasikan dengan ciri-ciri pada representasi objek
didalam citra, untuk selanjutnya parameter tersebut digunakan sebagai interpretasi citra.
Prinsip dasar CT-Scan mirip dengan perangkat radiografi konvensional. Kedua perangkat ini
sama-sama memanfaatkan intensitas radiasi terusan setelah melewati suatu objek untuk membentuk
citra. Perbedaan antara keduanya adalah pada teknik yang digunakan untuk memperoleh citra dan
citra yang dihasilkan. Tidak seperti citra yang dihasilkan dari teknik radiografi, informasi citra yang
ditampilkan oleh CT-Scan tidak tumpang-tindih sehingga lebih mudah dianalisis daripada citra yang
dihasilkan oleh teknik radiografi konvensional.
Dalam kegiatan pemrosesan citra secara digital dan visi komputer, proses deteksi tepi objek
merupakan pengolah awal yang paling penting pada analisis citra untuk pengenalan pola, segmentasi,
dan analisis pergerakan objek. Tepian setiap citra objek mengandung banyak informasi mengenai
objek tersebut. Deteksi tepi citra tomografi timbul pada sejumlah aplikasi tomografi komputer,
misalnya dalam pencitraan medis dan tes uji yang tidak merusak, kontur objek perlu ditentukan pada
penampang lintang hasil tomografi.

29
 Di bidang kedokteran, citra medis pada umumnya mempunyai histogram yang cenderung
berada di sekitar dark nilai pada aras keabuan sehingga pemanfaatan pengolahan citra digital
dirasakan belum optimal, padahal dengan menggunakan utilitas ini dapat membantu para profesional
radiolog dalam menentukan diagnostik suatu kelainan akibat kerusakan jaringan. Deteksi kerusakan
otak menggunakan citra foto CT Scan merupakan upaya untuk memperkenalkan metode deteksi
kerusakan otak secara terkomputerisasi yang lebih baru dibandingkan dengan metode “visual” selama
ini.
Melalui penelitian ini penulis berupaya untuk menganalisis metode segmentasi yang lebih tepat
digunakan pada citra digital head CT-Scan untuk mendeteksi adanya kerusakan otak dengan
beberapa metode segmentasi.Dari beberapa penelitian yang penulis temui masih jarang penelitian
yang membahas segmentasi pada citra medis terutama head CT-Scan untuk mendeteksi kerusakan
jaringan otak. Dapat dikatakan topik yang diusulkan ini merupakan suatu hal yang masih akan terus
berkembang.
Citra medis hasil scanning pada umumnya mengalami penurunan kualitas yang disebabkan
faktor derau dan peralatan medis yang digunakan sehingga perlu ditingkatkan kualitas citranya.
Deteksi tepi dan segmentasi merupakan pengolahan citra yang paling penting pada analisis citra
sehingga perlu dilakukan pemilihan metode yang tepat digunakan untuk citra head CT-Scan. Analisis
citra secara statistik diperlukan dalam pengolahan citra digital head CT-Scan untuk mendeteksi
adanya kerusakan otak dan menampilkan parameter-parameter statistik sebagai interpretasi citra.
Adapun tujuan penelitian ini adalah untuk membuktikan bahwa metode segmentasi dapat
digunakan untuk membantu deteksi kerusakan otak dengan mengekstrak beberapa fitur yang ada
dalam citra dan menganalisis tekstur citra dengan mengekstrak informasi yang terkandung dalam citra
medis head CT-Scan untuk mendeteksi kelainan otak penderita stroke.

Langkah Penelitian
Pengumpulan data citra yang berupa hasil head CT Scan dari penderita cacat otak yang
diperoleh dari Instalasi Unit Stroke RSUP Dr. Sardjito, Yogyakarta dan pengumpulan head CT Scan
dari internet untuk penderita normal maupun cacat otak. Scanning head CT Scan dengan
menggunakan scanner tipe CanoScan Lide 25 untuk menghasilkan citra dalam bentuk digital.
Penggunaan scanner dengan resolusi yang tepat dapat menghasilkan citra digital yang bagus
kualitasnya. Proses pra-pengolahan citra yang dilakukan dengan metode ekualisasi histogram. Proses
segmentasi citra yang diterapkan pada citra digital head CT Scan dengan menggunakan metode
pengambangan, pengambangan ganda, deteksi tepi, dan k-mean clustering. Proses analisis statistik
citra objek dengan menentukan mean, standar deviasi, variansi, jarak.

Tinjauan pustaka
Kajian Pustaka
Termografi memiliki derau yang cukup besar. Hal ini diakibatkan watak fotodetektor dan sifat
radiasi termal (Ryu,1986), sehingga pemrosesan derau merupakan subjek utama pada termografi
sebelum dilakukan analisis lebih lanjut. Derau pada citra termal tidak sangat impuls, tetapi sama
dengan derau gaussian. Ryu (1986) menyatakan bahwa derau yang timbul pada citra termal akibat
proses perekaman adalah lebih impulsif dari derau gaussian. Dalam penelitian tersebut digunakan
tapis median untuk menghapusnya, hasilnya relatif memuaskan daripada tapis averaging yang
digunakan. (Hogg,1974).
Dari beberapa penelitian yang telah dilakukan sebelumnya, sejauh ini belum pernah
dikembangkan metode-metode segmentasi pada analisis citra digital head CT-Scan menggunakan
perangkat-lunak analisis untuk mengurangi subjektivitas tenaga medis dalam menganalisis citra head
CT-Scan sehingga pada penelitian menawarkan suatu pemilihan metode yang tepat pada citra digital
head CT-Scan. Metode segmentasi yang diterapkan disini pada analisis citra foto head CT-Scan
meliputi pengambangan, deteksi tepi, dan k-mean clustering, yang telah disebutkan di depan.

Landasan Teori
Citra (image) adalah istilah lain untuk gambar sebagai salah satu komponen multimedia
memegang peranan sangat penting sebagai bentuk informasi visual. Secara harfiah, citra adalah
gambar pada bidang dwimatra/dua dimensi (Munir,2004).
Pengolahan citra dapat dilakukan dengan komputer apabila citra tersebut dinyatakan dalam
bentuk digital. Representasi citra berkaitan dengan karakterisasi kuantitas yang diwakili oleh setiap
piksel. Citra dapat menyatakan luminansi objek (misalnya pada gambar yang diambil dengan
kamera), sifat penyerapan oleh jaringan tubuh (pencitraan sinar-X), profil suhu (pencitraan inframerah)

30
dan lain-lain. Secara umum, citra didefinisikan sebagai suatu fungsi kontinyu atas intensitas cahaya
f(x,y) dalam bidang dua dimensi. Besaran x dan y menyatakan koordinat, sedangkan nilai f pada
setiap titik (x,y) menyatakan intensitas atau kecerahan atau derajat keabuan pada titik tersebut. Suatu
citra digital adalah citra kontinyu yang diubah ke dalam bentuk diskret baik koordinat maupun
intensitasnya. Citra digital dapat dianggap sebagai suatu matriks dengan indeks baris dan kolom
menyatakan koordinat setiap titik pada citra, dan nilai tiap-tiap elemennya menyatakan intensitas
cahaya pada titik tersebut. Satu titik pada citra digital dapat diidentikkan dengan sebuah piksel.
Secara umum, sistem pengolahan citra dapat dicontohkan pada Gambar 1 berikut.

Monitor

Masukan Masukan Pra pengolahan

Citra digital

Segmentasi

Pengenalan

Gambar 1 Sistem pengolahan citra menurut Harlow

Perbaikan kualitas citra (image enhancement) merupakan salah satu proses awal dalam
pengolahan citra (image preprocessing). Melalui operasi pemrosesan awal inilah kualitas citra
diperbaiki, sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misalnya pada pengenalan objek
di dalam citra. Secara matematis perbaikan citra dapat diartikan sebagai proses mengubah citra f(x,y)
menjadi f’(x,y) sehingga ciri-ciri yang dilihat pada f(x,y) lebih ditonjolkan (Munir,2004).
Pada citra warna, setiap titik mempunyai warna spesifik yang merupakan kombinasi atas 3
warna, yaitu: merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB (red-green-
blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (Ahmad,2005).
Pada citra aras keabuan, komposisi warna dasar pada setiap pikselnya sama. Untuk
mengubah citra warna menjadi citra aras keabuan digunakan persamaan:
Y = 0,3 R + 0,59 G +0,11 B (1)
dengan : R = nilai warna merah; G = nilai warna hijau; B = nilai warna biru
Pada operasi binerisasi otomatis, nilai batas tidak ditentukan sejak awal karena bersifat
dinamis karena harus ada dengan sendirinya dan ditentukan dalam program. Salah satu metode yang
digunakan untuk menentukan pengambangan otomatis adalah metode P Tile.
Metode P Tile menggunakan pengetahuan tentang daerah atau ukuran dari objek yang
diinginkan untuk menentukan nilai batas dan melakukan operasi binerisasi pada citra abu-abu
berdasarkan nilai batas tersebut. Misalnya dalam suatu citra abu-abu, bagian objek menempati sekitar
P persen dari area citra, sedangkan sisanya adalah bagian latar belakang. Persamaan yang
digunakan:
⎧ 0, p1
Ko = ⎨ (2)
⎩1, p 2 ≥ lp
Pengambangan ganda dilakukan untuk menampilkan titik-titik yang mempunyai rentang nilai
skala keabuan tertentu.
⎧0, jika ambangbawa h ≤ Ki ≤ ambangatas
Ko = ⎨ (3)
⎩ 1, lainnya
Segmentasi merupakan langkah pertama yang biasanya digunakan sebelum proses analisis
terhadap suatu citra dilakukan. Algoritma segmentasi untuk gambar monokrom secara umum
didasarkan pada satu dari dua karakteristik gambar yang memuat nilai aras keabuan, yaitu sifat
diskontinu (discontinuity) dan sifat keserupaan (similarity). Contoh proses segmentasi yang
didasarkan pada sifat diskontinu antara lain deteksi titik, deteksi garis, dan deteksi tepi, sedangkan
yang berdasarkan sifat kemiripan adalah thresholding, region growing, region splitting, dan merging.
Tujuan dari segmentasi citra adalah untuk membagi citra digital menjadi wilayah atau region.
Penentuan batas wilayah yang didasarkan pada intensitas yang tidak kontinu. Segmentasi

31
menyelesaikannya melalui nilai ambang (threshold), berdasarkan distribusi sifat-sifat piksel seperti
intensitas atau warna (Jain, 1995).
Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam
jarak yang singkat. Perbedaan intensitas inilah yang menampakkan rincian pada gambar
(Munir,2004). Pada penelitian ini operator deteksi tepi yang digunakan adalah operator Laplacian dan
operator Laplacian of Gausian.
Operator Laplace mendeteksi lokasi tepi lebih akurat khususnya pada tepi yang curam. Turunan
kedua fungsi dengan dua peubah adalah:
∂2 f ∂2 f
∇2 f = + (4)
∂x 2 ∂y 2
dengan menggunakan definisi hampiran selisih-mundur (backward difference approximation):
f ( x, y + Δy ) − 2 f ( x, y ) + f ( x, y − Δy )
∇2 f =
( )
Δy 2
Dengan mengasumsikan Δx = Δy =1, maka diperoleh nilai mask :
⎡ 0 − 1 0 ⎤ ⎡− 1 − 1 − 1⎤ ⎡ 1 − 2 1 ⎤
⎢− 1 4 − 1⎥ ⎢− 1 7 − 1⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ − 2 6 − 2⎥
⎢⎣ 0 − 1 0 ⎥⎦ ⎢⎣− 1 − 1 − 1⎥⎦ ⎣⎢ 1 − 2 1 ⎦⎥
(a) (b) (c)
Gambar 2 Operator Laplacian untuk deteksi tepi

Pendeteksian tepi menggunakan operator LoG merupakan kombinasi lain yang banyak
digunakan yaitu penghalusan citra menggunakan operator Gausian yang dikombinasikan dengan
operator Laplacian (Achmad,2005). Persamaan yang digunakan pada pendeteksian LoG ini adalah:
∇ 2 (G (u , v) o g ( x, y )) = (∇ 2G (u, v)) o g ( x, y ) (5)

Informasi penting mengenai isi citra digital dapat diketahui dengan membuat histogram citra.
Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu
citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi relatif
kemunculan setiap nilai aras keabuan pada citra. Oleh karena derajat keabuan mempunyai 256 aras
(0 – 255) maka histogram akan menyatakan jumlah kemunculan setiap nilai 0 – 255. Histogram juga
dapat menunjukkan banyak hal mengenai kecerahan (brightness) dan kontras dari sebuah citra.
Secara matematis histogram citra dihitung dengan persamaan sebagai berikut.
ni
hi = , i = 0, 1, ..., L -1 (6)
n
dengan ni=jumlah piksel yang memiliki derajat keabuan i; n=jumlah seluruh piksel di dalam citra.
Dalam upaya menampakkan informasi sebanyak mungkin pada citra maka histogram dibuat semerata
mungkin yang disebut dengan penyamaan histogram (histogram equalization). Tujuan ekualisasi
histogram adalah untuk memperoleh penyebaran histogram yang merata, sehingga setiap derajat
keabuan memiliki jumlah piksel yang relatif sama.
K-Mean Clustering adalah teknik segmentasi citra berdasarkan intensitas warna. Berasumsi
bahwa objek-objek yang akan dipisahkan cenderung memiliki intensitas warna yang berbeda-beda
dan masing-masing objek memiliki warna yang hampir seragam (Nalwan,1997). Pada k-mean
clustering dilakukan pembagian citra dengan membagi histogram citra. Berikut langkah-langkahnya:
1. Pertama-tama dicari intensitas maksimum dan minimum yang digunakan dalam citra.
2. Dari intensitas minimum ke maksimum dilakukan pembagian sejumlah N. N ini menentukan
jumlah objek yang diharapkan ada pada gambar.
3. Setelah dilakukan pembagian, histogram akan terbagi menjadi bagian-bagian yang disebut
cluster (kelompok). Kemudian pada citra dilakukan penelusuran untuk seluruh titik, setiap titik
akan dikelompokkan ke cluster terdekat sehingga hasil akhir dari proses ini adalah jumlah
warna pada gambar menjadi N.
Kemudian mencari hasil rata-rata/mean atas seluruh titik pada setiap cluster, kemudian mengganti
warna seluruh titik di dalam cluster-cluster tersebut dengan rata-rata cluster masing-masing.

32
HASIL DAN PEMBAHASAN
Proses pengolahan awal citra pada penelitian ini dilakukan dengan metode ekualisasi
histogram. Hasil yang diperoleh dari ekualisasi histogram untuk masing-masing citra digital head CT-
Scan yang di tangkap (captured) menggunakan Scanner CanoScan Lide 25 di tunjukkan pada
Gambar 3 berikut.

Gambar 3 Citra digital head CT-Scan setelah ekualisasi histogram

Pengolahan awal (pre-processing) citra dapat dilakukan dengan pengubahan kontras,

pengubahan cerah, pengurangan noise, ekualisasi histogram. Dari hasil ekualisasi histogram, masing-
masing citra disimpan untuk digunakan sebagai input bagi pengolahan citra selanjutnya.
Hasil pengolahan awal citra dengan metode ekualisasi histogram dapat meningkatkan kualitas
citra asli memiliki tingkat keakuratan sebagai berikut:
Peningkatan kualitas citra dengan ekualisasi histogram pada ambang otomatis
a. Data Infark dari 13 data yang ada = 100%
b. Data Lakunar dari 3 data yang ada = 100%
c. Data Perdarahan dari 4 data yang ada = 100%
d. Data normal dari 6 data yang ada = 100%

Metode segmentasi citra yang sederhana dilakukan dengan metode pengambangan

(thresholding). Ada dua metode pengambangan yang digunakan, yaitu pengambangan tunggal yang
dilakukan dengan metode pengambangan P-Tile dan pengambangan ganda dengan menentapkan
dua nilai ambang (upper threshold dan lower threshold). Hasil dari pengambangan tunggal metode P-
Tile ditunjukkan pada Gambar 4 berikut.

Gambar 4 Hasil pengambangan tunggal metode P-Tile

Deteksi tepi yang dilakukan dalam penelitian ini menggunakan metode laplacian negatif 5 titik, 9 titik
1, dan 9 titik 2, serta deteksi tepi laplacian of gaussian. Hasil dari masing-masing deteksi tepi negatif 9
titik 1 ini ditunjukkan pada Gambar 5 dan hasil deteksi tepi laplacian of gaussian ditunjukkan pada
Gambar 6 secara berturut-turut sebagai berikut.

Gambar 5 Hasil deteksi tepi laplacian negatif

33
 Gambar 6 Hasil deteksi tepi laplacian of gaussian

Perbandingan tingkat keakuratan deteksi tepi dengan ekualisasi histogram sebagai pengolahan awal
citra dari hasil simulasi pada deteksi tepi laplacian negatif pada 5 titik, 9 titik 1, 9 titik 2, dan deteksi
tepi laplacian of gaussian (LoG) ditunjukkan pada Tabel 1 berikut.

Tabel 1 Tingkat keakuratan hasil simulasi deteksi tepi laplacian negatif dan LoG
No 5 titik 9 titik 1 9 titik 2 LoG
1 46,15% 76,92% 76,92% 30,77%
2 0% 66,67% 100% 33,33%
3 50% 100% 75% 75%
Metode segmentasi k-mean clustering digunakan sebagai pembanding dengan metode
segmentasi deteksi tepi maupun metode pengambangan. Metode segmentasi k-mean clustering
dilakukan dengan membagi objek dalam beberapa cluster (kelompok). Nilai k yang digunakan dalam
penelitian adalah 2, 3, 4, 5, 6, 7, dan 8. Hasil k-mean clustering dengan k= 5 ditunjukkan pada
Gambar 7.

Gambar 7 Hasil k-mean clustering untuk k=5

Perbandingan tingkat keakuratan segmentasi k-mean clustering dengan ekualisasi histogram sebagai
pengolahan awal citra dari hasil simulasi menggunakan nilai k = 2, 3, 4, 5, 6, 7, dan 8 ditunjukkan
pada Tabel 2 berikut.

Tabel 2 Tingkat keakuratan hasil simulasi k-mean clustering

No K=2 K=3 K=4 K=5 K=6 K=7 K=8
1 100% 38,5% 92,3% 92,3% 100% 100% 100%
2 33,3% 33,3% 66,7% 66,7% 66,7% 100% 100%
3 25% 100% 100% 100% 100% 100% 100%

Analisis Objek
Analisis objek bertujuan untuk mengenali suatu objek. Analisis objek didasarkan pada ciri khas
pada objek tersebut. Selain bentuk dan karakteristik objek, terdapat informasi lainnya yang mampu
membedakan dua wilayah yang berdekatan, atau dua objek yang tumpang tindih, yaitu informasi
tekstur, atau sifat dari permukaan objek yang diamati. Beberapa analisis tektur yang umum digunakan
berhubungan dengan sifat statistik objek antara lain mean, standar deviasi dan variansi. Tabel 3
menunjukkan analisis tekstur citra head CT-Scan sebelum diolah.

34
 Tabel 3 Fitur tekstur citra head CT-Scan sebelum diolah
Tekstur N P I L
Mean 151 160 36 134
Std.Dev 10 22 12 23
Variansi 98 481 133 508
Jarak 138 120 374 48
Keterangan:
N = normal
P = perdarahan
I = infark
L = lakunar

Nilai ambang otomatis untuk masing-masing citra digital head CT-Scan adalah sebagai berikut:
a. Citra head CT-Scan yang terdeteksi stroke infark lakunar P =0,35 atau 35%.
b. Citra head CT-Scan yang terdeteksi stroke infark P =0,40 – 0,50 atau 40% - 50%.
c. Citra head CT-Scan yang terdeteksi stroke perdarahan P = 0,75–0,80 atau 75%-80%.
d. Citra head CT-Scan normal P = =0,35 atau 35%

Tabel 4 Fitur tekstur hasil pengambangan P-Tile

Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 158 125 108 66
Std.deviasi 123 127 121 112
Variansi 15318 16250 14641 12553
Jarak 278 144 156 61
Tabel 5 Fitur tekstur hasil pengambangan ganda
Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 162 105 98 70
Std.deviasi 122 125 104 115
Variansi 15011 15737 10895 13384
Jarak 259 140 127 64

Tabel 6 Fitur tekstur hasil deteksi tepi Laplacian negatif

Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 146 124 101 133
Std.deviasi 14 12 31 36
Variansi 208 144 945 1306
Jarak 296 142 280 91

Tabel 7 Fitur tekstur hasil deteksi tepi Laplacian of Gaussian

Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 128 128 128 128
Std.deviasi 3 4 7 11
Variansi 10 11 42 111
Jarak 284 432 289 316

Tabel 8 Fitur tekstur hasil k = 3 segmentasi k-mean clustering

35
 Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 48 95 19 37
Std.deviasi 38 48 25 20
Variansi 1500 2290 617 298
Jarak 340 141 260 27

Tabel 9 Fitur tekstur hasil k = 4 segmentasi k-mean clustering

Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 50 114 5 49
Std.deviasi 37 56 12 29
Variansi 1400 3165 154 834
Jarak 388 143 245 61

Tabel 10 Fitur tekstur hasil k = 5 segmentasi k-mean clustering

Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 74 134 10 47
Std.deviasi 40 58 14 28
Variansi 1657 3356 187 763
Jarak 310 137 258 55

Tabel 11 Fitur tekstur hasil k = 6 segmentasi k-mean clustering

Fitur Tekstur Normal Perdarahan Infark Infark Lakunar
Mean 80 144 18 48
Std.deviasi 40 55 8 20
Variansi 1643 3037 57 398
Jarak 320 129 141 26

Dari hasil analisis tekstur yang ditunjukkan pada masing-masing Tabel, dapat diperoleh bahwa
pada metode pengambangan P-Tile dan pengambangan ganda, menunjukkan nilai rata-rata terbesar
terdapat pada citra head CT-Scan normal sedangkan nilai rata-rata terkecil ditunjukkan pada citra
head CT-Scan dengan deteksi infark lakunar. Hal ini ditunjukkan pada Tabel 4 dan Tabel 5.
Sedangkan dari hasil deteksi tepi yang ditunjukkan pada Tabel 6 dapat diperoleh bahwa nilai rata-rata
terbesar ditunjukkan pada citra normal dan nilai rata-rata terkecil ditunjukkan oleh citra yang terdeteksi
adanya infark. Tabel 7 menunjukkan bahwa metode deteksi tepi laplacian of gaussian tidak dapat
diterapkan untuk citra digital head CT-Scan karena nilai intensitas keabuan yang merata menimbulkan
hasil interpretasi citra salah sehingga tidak dapat digunakan untuk membedakan citra digital head CT-
Scan yang normal maupun citra digital head CT-Scan yang terdeteksi adanya kelainan otak. Metode
segmentasi k-mean clustering yang dihasilkan dari hasil simulasi menunjukkan bahwa analisis statistik
yang diperoleh untuk citra digital head CT-Scan normal memiliki nilai rata-rata 48-80, nilai standar
deviasi citra head CT-Scan normal berkisar pada nilai 37-40, dan nilai variansi citra digital head CT-
Scan normal memiliki nilai pada 1400-1660. Sedangkan citra digital head CT-Scan yang terdeteksi
adanya perdarahan otak memiliki nilai mean, standar deviasi, dan variansi yang paling besar. Analisis
statistik citra digital head CT-Scan yang terdeteksi infark maupun infark lakunar memiliki nilai rata-rata
yang lebih kecil dari nilai rata-rata citra digital head CT-Scan normal. Hasil analisis statistik ini
ditunjukkan pada Tabel 8 sampai dengan Tabel 11.

KESIMPULAN DAN SARAN

Kesimpulan
Dari pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut:
Peningkatan kualitas citra dengan menggunakan perangkat lunak aplikasi metode ekualisasi
histogram secara signifikan dapat memperjelas citra digital head CT-Scan, penerapan metode
segmentasi pengambangan, deteksi tepi, dan k-mean clustering akan lebih baik hasilnya apabila citra
yang akan diolah ditingkatan kualitas citranya melalui pre-processing image, metode segmentasi k-

36
mean clustering dan deteksi tepi Laplacian negatif merupakan metode segmentasi yang lebih tepat
diterapkan pada citra digital head CT-Scan dengan pemilihan k yang tepat, metode segmentasi
pengambangan dan deteksi tepi Laplacian of Gaussian kurang tepat diterapkan pada citra digital head
CT-Scan karena menghasilkan citra keluaran yang tidak begitu jelas, analisis statistik yang meliputi
mean, standar deviasi, variansi yang diekstrak dari ciri objek dalam citra dapat menunjukkan kondisi
otak sehat dan sakit dengan membandingkan masing-masing nilai statistik citra yang sehat dan citra
yang terdeteksi adanya kelainan. Hasil analisis statistik dari fitur tekstur didapatkan bahwa citra digital
head CT-Scan yang terindikasi perdarahan memiliki nilai mean, standar deviasi, serta variansi yang
paling besar daripada citra digital head CT-Scan infark, infark lakunar maupun normal. Nilai mean,
standar deviasi, dan variansi paling kecil terdapat pada citra digital head CT-Scan infark. Nilai mean
48-80 diperoleh dari analisis statistik citra digital head CT-Scan. Nilai standar deviasi citra head CT-
Scan normal memiliki nilai 37-40. Nilai variansi citra digital head CT-Scan normal memiliki nilai pada
1400-1660.

Saran
Saran untuk pengembangan penelitian lebih lanjut antara lain, perlu dikembangkan segmentasi
yang sifatnya otomatis dan real-time sehingga dapat digunakan langsung pada citra head CT-Scan
yang akan dianalisis serta penentuan jenis objek yang mengklasifikasikan ke dalam jenis (tipe) infark
perlu dikembangkan untuk mengurangi subjektivitas radiolog yang memudahkan teknisi dalam
membaca citra hasil head CT Scan.

DAFTAR PUSTAKA
Balza, A. & Kartika F, 2005, Teknik Pengolahan Citra Digital Menggunakan Delphi, Ardi, Yogyakarta.
Ahmad, U., 2005, Pengolahan Citra Digital dan Teknik Pemrogramannya, Graha Ilmu, Yogyakarta.
Angenent, S., Eric Pichon, and Allen Tannenbaum, 2000, Mathematical Methods in Medical Image
Processing, Buletin of the American mathematical society.
Bailey, D.G., 2004, An Efficient Euclidean Distance Transform, Institute of Information Sciences and
Technology, New Zealand.
Castleman, K.R., 1996, Digital Image Processing, Prentice-Hall, Inc., Englewoods Cliff, New Jersey.
Conte, S.D.,1980, Dasar-Dasar Analisis Numerik, Erlangga, Jakarta.
Hasan, 1995,CT Scanner, ELEKTRO INDONESIA Nomor 3, Tahun I,
http://www.google.com/CTScanner.html.
Jain, A.K.,1995, Fundamentals of Digital Image Processing, Prentice-Hall of India, New Delhi.
Karris, S.T, 2007, Numerical Analysis Using Matlab and Excel, Orchad, USA.
Leggett, R.,2004, Automatic Segmentation of MedicalImages, http://www.google.com/dissertation.pdf.
Loncaric, S and et all, Quantitative intracerebral brain hemorrhage analysis,
http://www.google.com/stroke_hemorrhage.pdf.
Loncaric, S and et all, Segmentation of CT Head Images, http://www.google.com/CT-HEAD-
SEGMEN.pdf (diakses tanggal 18 Agustus 2007).
MADCOMS, 2006, Pemrograman Borland Delphi 7, Andi Offset, Yogyakarta.
Munir, R.,2004, Pengolahan Citra Digital dengan Pendekatan Logaritmik, Informatika, Bandung.
Nalwal, A.,1997, Pengolahan Gambar Secara Digital, Elex Media Komputindo, Jakarta.
Pranata, A., 2003, Pemrograman Borland Delphi 6, Andi Offset, Yogyakarta.
Phillips, D., 2000, Image Processing in C, http://www.google.com/Image Processing in C.pdf.
Schalkoff, R.J.,1799, Digital Image Processing and Computer Vision, John Wiley & Sons, Inc,
Monticello.
Sugiharto, A.,2006, Pemrograman GUI dengan MATLAB, Andi Offset, Yogyakarta.

37