Anda di halaman 1dari 18

METODE SEGMENTASI PADA ANALISIS CITRA CT

SCAN TUMOR OTAK DENGAN WATERSHED

Disusun Oleh :

Muslimah Putri Utami

NIM. P1337430419009

PROGRAM STUDI TEKNIK IMAGING DIAGNOSTIK


MAGISTER TERAPAN KESEHATAN
POLITEKNIK KESEHATAN KEMENKES SEMARANG
2020
KATA PENGANTAR
Puji syukur kami ucapkan kehadirat Allah SWT atas rahmat dan hidayah-

Nya, sehingga penulis dapat menyelesaikan tugas mata kuliah pengolahan citra

radiologi.

Tugas ini dikerjakan sebagai bagian dari proses menyelesaikan pendidikan

program studi Teknik imaging diagnostic di program magister terapan Poltekkes

Kemenkes Semarang.

Semoga Allah SWT memberikan Rahmat-Nya kepada semua pihak yang

telah membantu dalam menyelesaikan tugas ini. Penulis menyadari bahwa

penulisan tugas akhir ini masih banyak kekurangan dan kesalahan. Oleh karena

itu, penulis mengharapkan koreksi dan saran untuk memperbaiki pembuatan tugas

akhir selanjutnya.

Akhir kata penulis berharap semoga tugas ini dapat bermanfaat untuk para

pembaca khususnya mahasiswa program magister terapan.

Semarang, April 2020

Penulis
BAB I
PENDAHULUAN

A. Latar Belakang

Tomografi adalah suatu teknik pencitraan yang menghasilkan citra penampang


lintang atau transparansi benda 3 dimensi tanpa membelahnya (Hariyadie, 1995).
Teknik tomografi memiliki keunggulan-keunggulan dibandingkan metode
pencitraan radiografi konvensional antara lain karena: (1) citra yang dihasilkan
tidak terpengaruh oleh tumpang tindih bagian objek yang tidak menjadi perhatian;
(2) dengan menggunakan bantuan komputer (Computed Tomography) akuisisi
data, pengolahan, dan interprestasi hasil dapat dilakukan dengan cepat; (3) citra
objek yang dihasilkan dapat menampakkan karakter bagian objek secara cermat.
Teknik tomografi merupakan teknik yang dapat dikatakan baru, tetapi telah
mengalami perkembangan pesat terutama di bidang kedokteran. Beberapa aplikasi
di bidang ini berupa peralatan diagnosis yang menggunakan prinsip tomografi
seperti CT (Computed Tomography), PET (Positron Emission Tomography),
SPECT (Single Photon Emission Tomography), X-Ray Tomography, Ultrasound
Transmission Tomography, dan sebagainya. Perbedaan utama pada berbagai
teknik tersebut adalah penggunaan gelombang pengindera, sedangkan persamaan
utamanya adalah teknik rekonstruksi yang didasarkan pada proyeksi.
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. 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.
Sejak ditemukan pemayar Computer Tomography Scanner (CT Scan) oleh
Allan Cormack dan Geoffrey Hounsfiled pada tahun 1970, penggunaan CT Scan
dalam bidang radiologi telah mengalami kemajuan yang sangat pesat
(Aston,1991). Asal mula teknik ini digunakan untuk pemeriksaan otak, suatu
tabung sinar-X tergandeng dengan dua detektor memanyar dua potongan yang
berdekatan dari kepala dengan gerakan translasi.
Dampak dari penggunaan sinar-X adalah menghitamkan film negatif. Oleh
karena itu, benda-benda yang menyerap sinar lebih banyak (lebih rapat) akan
ditampilkan dalam film negatif dengan warna yang lebih terang daripada benda-
benda yang menyerap sinar lebih sedikit. Munir (2004) menyatakan bahwa 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). Menurut Munir
(2004), 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.

A. Tujuan Penelitian
Untuk melihat bahwa metode segmentasi dapat digunakan untuk
membantu deteksi kerusakan otak dengan mengekstrak beberapa fitur
yang ada dalam citra dan meng analisis statistik dan analisis korelasi
dengan mengekstrak informasi yang terkandung dalam citra medis head
CT Scan untuk mendeteksi kelainan otak penderita stroke.
B. Manfaat Penelitian
1. Bagi Institusi
Dengan adanya penelitian ini diharapkan dapat melihat bahwa metode
segmentasi dapat digunakan untuk membantu deteksi kerusakan otak
dengan mengekstrak beberapa fitur yang ada dalam citra dan meng analisis
statistik dan analisis korelasi dengan mengekstrak informasi yang
terkandung dalam citra medis head CT Scan untuk mendeteksi kelainan
otak penderita stroke.
2. Bagi Keilmuan
Dengan adanya penelitian ini diharapkan dapat menjadi bahan referensi
dan informasi untuk menambah wawasan mahasiswa magister imaging
diagnostic.
3. Bagi Peneliti
Dengan adanya penelitian ini diharapkan dapat melihat bahwa metode
segmentasi dapat digunakan untuk membantu deteksi kerusakan otak
dengan mengekstrak beberapa fitur yang ada dalam citra dan meng analisis
statistik dan analisis korelasi dengan mengekstrak informasi yang
terkandung dalam citra medis head CT Scan untuk mendeteksi kelainan
otak penderita stroke.
BAB II

TINJAUAN PUSTAKA

A. Segmentasi Citra
Segmentasi adalah proses pemisahan objek yang satu dengan objek yang
yang lain dalam suatu gambar (citra) menjadi objekobjek berdasarkan
karakteristik tertentu. Secara umum, proses segmentasi dikenal sebagai full
segmentation dan partial segmentation. Full segmentation adalah pemisahan suatu
object secara individu dari background dan diberi ID (label) pada tiap-tiap
segmen. Sedangkan Partial segmentation adalah pemisahan sejumlah data dari
background dimana data yang disimpan hanya data yang dipisahkan saja untuk
mempercepat proses selanjutnya.
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.

B. Watershed
Konsep watershed sebagai sebuah metode untuk melakukan segmentasi
terhadap citra diperkenalkan oleh C.Lantuejoul dan Sergei Beucher (1979) dan
dikembangkan oleh Jean Serra (1982). Transformasi watershed memandang citra
sebagai sebuah relief topografi dimana intensitas setiap pixel mempresentasikan
ketinggian topografinya [3]. Dalam sebuah permukaan topografi, apabila air hujan
jatuh diatasnya, sesuai dengan hukum gravitasi maka air tersebut akan mengalir
melewati jalur yang lebih rendah sampai ia mencapai ketinggian yang paling
rendah atau minima dimana ia tidak dapat mengalir kemana-mana lagi. Himpunan
titik-titik pada permukaan topografi citra dimana aliran air yang melewatinya
menuju ke minima tertentu yang sama, menjadi sebuah catchment basin
(cekungan yang terisi air) yang berasosiasi dengan minima tersebut dan
membentuk sebuah region citra. Watershed terbentuk dilokasi dimana air dari
kedua catchment basin yang berdekatan bertemu dan merupakan batas dari dua
buah catchment basin tersebut. Keseluruhan watershed yang terbentuk
menghasilkan seluruh kontur tertutup yang ada pada citra dan mempresentasikan
obyek-obyek dalam citra yang telah tersegmentas. Gambar 1. menunjukkan
ilustrasi algoritma watershed dalam satu dimensi. permukaan air pada Gambar 1
(a) akan terus bertambah. Untuk memisahkan dua catchment basins yang berbeda
setelah permukaan air terus bertambah, dibentuk dam antara dua garis
sebagaimana Gambar 1 (b). Tujuan utama dari algoritma segmentasi berdasarkan
konsep ini adalah mencari garis watershed (Beusher S). Ide dasarnya sangat
sederhana: andaikan sebuah lubang dilubangi di setiap bagian minimumnya dan
seluruh topografi memenuhi dari bawah dengan membiarkan air sampai ke lubang
pada tingkat yang seragam. Ketika air yang naik di kolam penangkapan maka air
akan bergabung, oleh karena itu sebuah bendungan (dam) dibangun untuk
mencegah penggabungan. Banjir akhirnya mencapai tahap di mana hanya bagian
atas bendungan yang bisa dilihat di atas garis air. Batas bendungan ini
berhubungan dengan pembagian garis dalam watershed.

Gambar 1. Watershed pada Satu Dimensi. (a) Dam Belum Terbentuk pada Waktu t, (b) Dam
Terbentuk pada Waktu t+b.
Salah satu aplikasi dasar dari segmentasi watershed adalah ekstraksi dari
seragam objek yang dekat dari background. Bagian citra yang mempunyai sifat
variasi kecil di tingkat keabuan mempunyai nilai gradien yang kecil. Akan tetapi,
pada kenyataannya kita sering melihat segmentasi watershed diaplikasikan ke
gradien dari sebuah citra dari pada citra itu sendiri. Pada perumusan ini, regional
minima dari kolam penangkapan berhubungan dengan nilai kecil dari gradien
yang berhubungan ke objek yang diamati. Contoh dapat dilihat pada Gambar 2
pada bagian (a) adalah citra asli. Pada bagian (b) adalah citra topografi. Citra
topografi adalah bentuk citra 3 dimensi jika dilihat dari atas. Pada bagian (c)-(g)
adalah tahap flooding. Pada bagian (h) dan (i) tampak dibangun dam agar dua
buah catchment basin tidak bergabung. Bagian (j) adalah hasil akhir garis
watershed .
Ada dua metode utama yang terdapat dalam transformasi watershed
terhadap citra yang merupakan representasi ulang dari simulasi watershed dalam
konsep topografi. Kedua metode tersebut mengacu pada konsep flooding dalam
yang menggambarkan perilaku air dalam suatu relief topografi. Metode pertama
disebut sebagai watershed dengan simulasi perendaman (immersion simulation),
dan metode kedua adalah dengan simulasi air hujan (rainfall simulation).

Gambar 2. Pembentukan Watershed (a) Citra asli. (b) Pemandangan


topografik. (c)-(g) Lima Tahap Flooding (h) Awal Penggabungan Dua
Kolam.(i) Pembentukan Dam. (j) Garis Watershed pada Citra
C. Tumor Otak
Klasifikasi tumor otak yang penting dari segi klinis dibedakan menjadi
primary brain tumor dan metastatic brain tumor dapat pula disebut tumor benigna
(jinak) dan tumor maligna (ganas). Tumor adalah pertumbuhan tidak normal
dalam tubuh, terdiri dari sel-sel ekstra. Umumnya sel lama mati, dan yang baru
mengambil tempat pada sel lama. Kadang-kadang, proses ini berlangsung tidak
sesuai sehingga sel-sel baru terbentuk dan sel-sel tua tidak mati. Tumor jinak
hanya tumbuh di satu tempat, tidak dapat menyebar atau menyerang bagian tubuh
lain. Meskipun demikian, bisa berbahaya jika menekan pada organ vital, seperti
otak. Gambar 1(a) dan 1(b) menunjukkan hasil CT Scan otak normal dan tumor
otak jinak jenis Meningioma. Sedangkan pada Gambar 2(a) dan 2(b),
menunjukkan hasil CT Scan tumor otak jinak jenis Adenoma Pituitari dan
Kraniofaringioma. Gambar 3 (a) dan 3(b) menampilkan hasil CT Scan tumor otak
jinak jenis Pilocytic Astrositoma dan Akustik Neurinoma.
D. Proses Watershed
Setelah citra sample diperoleh, dilakukan proses untuk mencari
garis watershed yg merepresentasikan objek yang akan di segmentasi.
Proses mencari garis watershed sebagaimana ditunjukkan pada Gambar 3.
Proses di awali dengan mencari banyaknya jumlah catchment basin pada
setiap flood minimal. Pada proses ini, juga dicari gradient perbedaan
jumlah catchment basin pada setiap flood minimal untuk mencari
watershed dengan gradient jumlah catchmen basin terbesar. selanjutnya
dicari selisih jumlah catchment basin pada setiap flood minimal pertama
dengan flood minimal tertentu. Dari hasil pencarian selisih ini, dapat dicari
flood minimal yang baru dengan nilai treshold tertentu. Hasil pencarian
flood minimal yang baru inilah yang dijadikan masukan (input) untuk
melakukan penggabungan catchment basin untuk mendapatkan citra
watershed dengan garis watershed terbaik.

Gambar 4. Proses watershed


E. Jumlah Catchment Basin
Pada proses ini, dicari banyaknya jumlah catchment basin pada setiap
flood minimal. Pertama- tama adalah dihitung banyaknya jumlah catchment basin
awal pada setiap flood minimal. Proses ini diawali dengan mencari gradient
magnitude dari image. Jumlah catchment basin awal dihitung dari maksimal
jumlah kolam yang diperoleh dari hasil watershed dengan citra masukan berupa
gradient magnitude . jumlah catchment basin pada tahap ini akan sangat banyak
dikarenakan ukuran dari catchment basin yang sangat kecil. Citra watershed yang
diperoleh sampai pada tahap ini belum dapat merepresentasikan objek yang
dimaksud. Olehnya itu diperlukan proses yang lebih lanjut. Setiap catchment
basin yang telah diperoleh, diberikan label. Dengan proses pelabelan ini maka
tetangga dari setiap catchment basin (label) dapat diketahui. Untuk setiap label
image G = [R, E], yang merepresentasikan catchment basin yang saling
bertetangga, di asumsikan bahwa setiap tepi eu ∈ Edan ri ∈R, dimana E adalah tepi
(edge) dari catchment basin satu dengan yang lain, dan R adalah catchment basin.
Untuk mendapatkan informasi bahwa suatu catchment basin bertetangga
dengan catchment basin yang lain, digunakan 8 connected component. Matriks
dari 8 connected component dijalankan mulai dari ujung kiri atas hingga ujung
kanan bawah image. Selanjutnya dicari label dari catchment basin yang
merepresentasikan garis watershed dari image. Empat kemungkinan yang
digunakan untuk mengecek apakah dua catchment basin adalah tetangga atau
bukan adalah dengan membandingkan antara tetangga sebelah atas dengan bawah,
atas kanan dangan bawah kiri, sebelah kanan dengan kiri, dan sebelah kanan
bawah dengan atas kiri. Dari empat kemungkinan ini, di lakukan pengecekan pada
masing- masing label catchment basin untuk memastikan ketetanggaan dari
catchment basin. Jika tidak memenuhi salah satu dari keempat kemungkinan yang
ada, berarti terdapat hanya satu catchment basin dan tidak dapat digabungkan.
Kedua label tersebut selanjutnya disimpan dalam graph G dimana baris matriks
dengan label pertama dan kolom matriks dengan label kedua ditambahkan satu.
Selanjutnya adalah mencari gradient terendah (bobot) pada titik common
boundary dua catchment basin yang saling bertetangga. Setelah didapatkan
informasi banyaknya catchment basin pada setiap flood minimal, dilakukan
analisis untuk melihat perubahan jumlah catchment basin pada setiap flood
minimalnya. Persamaan ini dapat dihitung dengan mencari selisih antara jumlah
catchment basin akhir pada flood minimal tertentu dengan jumlah catchment basin
akhir pada flood minimal sebelumnya. Sehingga akan nampak perbedaan jumlah
catchment basin pada kondisi tertentu dengan kondisi sebelum atau sesudahnya.
Flood minimal yang akan digunakan adalah flood minimal dari nilai gradient yang
terpilih ditambahkan satu. Hal ini sesuai dengan persamaan gradient berikut

grad = Ni+1 - Ni (1)

dimana, i = 2,3, ..., n. Grad menyatakan banyaknya selisih antara jumlah


catchment basin pada flood minimal i+1 dan i. N i+1 adalah jumlah catchment basin
pada flood minimal i + 1.

F. Selisih Jumlah Catchment Basin


Langkah selanjutnya adalah melakukan perhitungan selisih antara jumlah
catchment basin pada setiap flood minimal dengan jumlah catchmen basin
sebelum dilakukan penggabungan. Hal ini dimaksudkan untuk melihat pola dari
grafik perubahan jumlah catchmen basin. Hasil dari perhitungan ini akan memberi
gambaran dan informasi yang akan digunakan untuk menentukan batas treshold
untuk menentukan flood minimal terbaik yang akan digunakan pada proses
selanjutnya. Persamaan untuk mendapatkan selisih tersebut diberikan pada rumus
berikut ,
Selisih = I N1 Ni I (2)
dimana, i = 2,3, ..., n.
Selisih menyatakan banyaknya selisih antara jumlah catchment basin pada
flood minimal 1 dan i . Ni adalah jumlah catchment basin pada flood minimal i.

G. Penggabungan Catchment Basin


Hasil perhitungan selisih jumlah catchment basin akan memberikan
informasi sehingga nilai batas threshold flood minimal terbaik dapat ditentukan.
Nilai batas threshold yang dimaksudkan disini adalah persentasi dari keseluruhan
nilai selisih jumlah catchmen basin tertinggi. Nilai flood minimal terbaik dengan
batas threshold yang telah ditentukan inilah yang akan diproses pada algoritma
penggabungan watershed. Hasil penggabungan catchmen basin dengan flood
minimal terbaik akan memberikan citra watershed dengan garis watershed yang
dapat merepresentasikan objek yang dimaksud.

BAB III
HASIL DAN PEMBAHASAN

BAB IV
PENUTUP

A. Kesimpulan
Berdasarkan hasil penelitian maka dapat disimpulkan bahwa program
yang dirancang yaitu segmentasi citra MRI yang sudah melalui proses
kompresi terlebih dahulu dengan algoritme K-Means berjalan dengan baik
sesuai dengan apa yang direncanakan. Ini dapat terlihat dari hasil uji
performasi dari ketiga ekstensi citra.
Secara visual algoritme K-Means dapat melakukan proses
segmentasi pada citra MRI keadaan normal maupun citra MRI yang
terdapat lesi. Citra hasil segmentasi dapat terlihat jelas mana area yang
mengalami gangguan (lesi).
Algoritme K-Means yang diusulkan untuk proses segmentasi mampu
bekerja pada citra dengan ekstensi JPG, PNG, mapun ekstensi BMP. Dari
hasil penelitian, nilai VOI citra BMP memiliki nilai kesamaan yang lebih
besar dengan citra aslinya dibandingkan citra JPG maupun citra PNG.
Nilai GCE dan MSE yang dihasilkan dari ketiga ekstensi tersebut juga
ating e kecil (mendekati 0), ini menandakan citra hasil segmentasi
memiliki nilai kesamaan yang yang besar dengan citra aslinya. Selanjutnya
citra BMP juga memiliki nilai PSNR yang paling besar dibandingkan
dengan citra JPG dan citra PNG. Sedangkan waktu yang dibuthkan untuk
proses segmentasi yang paling singkat yaitu pada citra dengan ekstensi
JPG dan waktu yang paling lama untuk proses segmentasi adalah citra
dengan ekstensi BMP.
Pada penelitian yang akan ting dapat digunakan algoritme
segmentasi citra dengan menggunakan algoritme yang lainnya seperti
Fuzzy C Means untuk memperoleh citra hasil segmentasi yang memiliki
tingkat keakurasian yang tinggi sehingga proses analisis lebih akurat dan
tidak merugikan pihak pasien maupun pihak yang lain.

DAFTAR PUSTAKA

[1] D. Putra, Pengolahan Citra Digital, Yogyakarta: Penerbit ANDI, 2009.

[2] Nurhasanah, "Segementasi Jaringan Otak Putih, Jaringan Otak Abu-Abu, Dan
Cairan Otak Dari Citra MRI Menggunakan Teknik K-Means Clustering," Jurnal
Aplikasi Fiska, vol. 7, no. 2, pp. 90-95, 2011.

[3] T. Sutoyo, E. Mulyanto, V. Suhartono, O. D. Nurhayati, Wijanarto, Teori


Pengolahan Citra Digital, Yogyakarta: Penerbit ANDI, 2009.

[4] B. R. Jipkate, V. V. Gohokar, "A Comparative Analysis of Fuzzy C-Means


Clustering and K Means Clustering Algorithms," International Journal Of
Computational Engineering Research, vol. 2, pp. 737-739, 2012.

[5] A. S. B. Samma, R. A. Salam, "Adaptation of K-Means Algorithm for Image


Segmentation," 2009.

[6] Preeti Panwar, Girdhar Gopal, Rakesh Kumar, "Image Segmentation using K-
means clustering and Thresholding," International Research Journal of
Engineering and Technology (IRJET), vol. 03, no. 05, pp. 1787-1793, 2016.

[7] Gonzalez,Woods, Digital Image Processing, 2nd Edition, Prentice Hall, 2002.
[8] B.Sathya, R.Manavalan, "Image Segmentation by Clustering Methods:
Performance Analysis," International Journal of Computer Applications &
Information Technology, vol. 29, pp. 27-32, 2011.

[9] R. Sardana, "Comparitive Analysis of Image Segmentation Techniques,"


International Journal of Advanced Research in Computer Engineering &
Technology, vol. 2, pp. 2615-1619, 2013.

[10] M. Sharma, V. Chouhan, "Objective Evaluation Parameters of Image


Segmentation Algorithms," International Journal of Engineering and Advanced
Technology, vol. 2, pp. 84-87, 2012.

[11] I Wayan A. W. K., Afriliana K., "Penerapan Algoritma K-Means pada


Kompresi Adaptif Citra Medis MRI," INFORMATIKA, vol. 11, no. 2, pp. 139-
151, 2015.

[12] Dika Asoka Masatu, Indah Soesanti, Hanung Adi Nugroho, "Penerapan
Algoritma Kompresi JPEG dan Metode Fuzzy C Means pada Kompresi Citra
Berbasis Entropi," Jurnal Penelitian Teknik Elektro dan Teknologi Informasi, vol.
1, no. 1, pp. 7-11, 2014.

[13] S. M. Aqil Burney, Humera Tariq, "K-Means Cluster Analysis for Image
Segmentation," International Journal of Computer Applications, vol. 96, no. 4, pp.
1-8, 2014.

[14] Poonam fauzdar, Sujata Kindri, "Comparitive Analysis Of K Means And


Fuzzy C Means Algorithm," International Journal of Engineering Research &
Technology (IJERT), vol. 2, no. 6, pp. 2088-2095, 2013.

[15] S. panda, "Color Image Segmentation Using K-means Clustering and


Thresholding Technique," IJESC, pp. 1132-1136, 2015.

[16] Anju Bala, Aman Kumar Sharma, "Color Image Segmentation using K-
Means Clustering and Morphological Edge Detection Algorithm," International
Journal of Latest Trends in Engineering and Technology (IJLTET), pp. 48-55,
2016.

[17] S. J. Saida, L. Srinivas, R. Sivaram, "An Efficient K-Means and C-Means


Clustering Algorithm for Image Segmentation," International Journal of Science
and Applied Information Technology, vol. 1, no. 5, pp. 84-87, 2012.

[18] R. S. Kabade, M. S. Gaikwad, "Segmentation of Brain Tumour and Its Area


Calculation in Brain MR Images using K-Mean Clustering and Fuzzy C-Mean
Algorithm," International Journal of Computer Science & Engineering
Technology, vol. 4, pp. 524-531, 2013.

[19] Jiawei Han, Micheline Kamber, Jian Pei, Data Mining Concept and
Techniques Third Edition, Morgan Kaufmann, 2012.

[20] Jiawei Han, Micheline Kamber, Data Mining: Concepts and Techniques
Second Edition, DianeCerra Publisher, 2006.

[21] M. North, Data Mining for the Masses, 2012.

[22] I. Soesanti, A. Susanto, T. S. Widodo, M. Tjokronegoro, "Analisis


Komputasi pada Segmentasi Citra Medis Adaptif Berbasis Logika Fuzzy
Teroptimasi," Forum Teknik, vol. 33, no. 2, pp. 89-96, 2010.

[23] Irwanto, Yudhi Purwananto, Rully Soelaiman, "Optimasi Kinerja Algoritma


Klasterisasi K-Means untuk Kuantisasi Warna Citra," JURNAL TEKNIK
POMITS, vol. 1, no. 1, pp. 1-6, 2012.

[24] Dika Asoka Masatu, Indah Soesanti, Hanung Adi Nugroho, "PENERAPAN
ALGORITMA KOMPRESI JPEG DAN METODE FUZZY CMEANS PADA
KOMPRESI CITRA BERBASIS ENTROPI," Jurnal Penelitian Teknik Elektro
dan Teknologi Informasi, vol. 1, no. 1, pp. 7-11, 2014.

[25] S. Jani, "An Efficient K-Means and Fuzzy CMeans Clustering Algorithm for
Image," International Journal of Engineering Research & Technology (IJERT),
vol. 1, no. 5, 2012.
[26] Kusuma Wayan Angga Wijaya, ossy Lydia Ellyana. “Penerapan Citra
Terkompresi Pada Segmentasi Citra Menggunakan Algoritme K-MEANS”.
JUTEI Edisi Vol.2,No.1, 2018.