JURNAL INTERNATIONAL

Judul : Image Processing Algorithms for Digital Mammography: A Pictorial Essay (Algoritma
Pengolahan Citra untuk Mammografi Digital : Karya Tulis Majalah Bergambar)

Penulis : Etta D. Pisano, MD • Elodia B. Cole • Bradley M. Hemminger, MS Martin J. Yaffe,

PhD • Stephen R. Aylward, PhD • Andrew D. A. Maidment, PhD • R. Eugene Johnston, PhD •
Mark B. Williams, PhD Loren T. Niklason, PhD • Emily F. Conant, MD • Laurie L. Fajardo,
MD Daniel B. Kopans, MD • Marylee E. Brown • Stephen M. Pizer, PhD

Tahun : 2000

Volume : Volume 20 nomor 5

Halaman : 1479-1491

Abstrak

Jurnal yang berjudul “Image Processing Algorithms for Digital Mammography: A Pictorial
Essay” berisi mengenai penelitian menggunakan berbagai macam algoritma untuk mengolah
citra mammografi digital. Dalam pengolahan citra digital tentu memiliki banyak jenis algoritma
yang berbeda dan tiap algoritma memiliki kekuatan dan kelemahan masing-masing untuk
mencapai keperluan khusus yang digunakan dalam bidang mammografi. Total algoritma yang
digunakan dalam jurnal tersebut berjumlah 7 algoritma, diantaranya algoritma MIW(Manual
Intensity Windowing), Algoritma HIW(Histogram Intensity WIndowing), Algoritma
MMIW(Mixture Model Intensity), Algoritma CLAHE, Algoritma Unsharp Masking, Algoritma
Peripheral Equalization, dan Algoritma Trex Processing. Dalam jurnal tersebut dijelaskan
kelebihan dan kekurangan tiap algoritma.

Latar belakang

Dalam bidang medis diperlukan alat citra yang digunakan untuk mendeteksi atau
mendiagnosis pasien. Dalam hal citra pada dunia medis tentu tak lepas dari mammografi.
Mammografi adalah proses pemeriksaan payudara manusia menggunakan sinar-X dosis rendah
(umumnya berkisar 0,7 mSv). Biasanya mammografi digunakan untuk mendeteksi kanker
payudara. Analisis citra hasil sinar-X masih dilakukan secara manual oleh dokter atau radiologi
yang membutuhkan keahlian dan pengalaman kerja yang mumpuni, maka dari itu diperlukan
system pengolahan citra digital yang mumpuni agar dapat mendeteksi kanker payudara dengan
efektif.

Tujuan

Tujuan penelitian tersebut adalah untuk mengembangkan atau membangun algoritma

pengolahan citra digital untuk melakukan mammografi mendeteksi kanker payudara.

Metodelogi Penelitian

Metodelogi system mammografi digital tidak sama dengan system mammografi

konvensional, memungkinkan menganalisis perbedaan dengan baik dalam kontras gambar pada
citra mammografi. Maka dari itu perbedaan yang sangat halus terlihat pada jaringan abnormal
dengan jaringan yang normal menjadi lebih jelas. Metode pengambilan data pada penelitian
tersebut menggunakan empat sampel yang menunjukan berbagai jenis lesi mammografi dan
potensi keuntungan dan kerugian dari algoritma yang berbeda.

Hasil

Algoritma MIW

Hasil dari penggunaan algoritma MIW adalah sangat mirip dengan hasil mammografi
standar konvensional. Hal ini tergantung pada operator. Seorang operator yang kurang
berpengalaman mungkin memilih jendela yang berbeda yang bisa mengaburkan beberapa
penyakit terlihat.

Algoritma HIW

HIW mengkustomisasi intensitas standar windowing oleh individual memilih kisaran

intensitas jendela untuk setiap gambar dengan statistik menganalisis histogram masing-masing
gambar, menempatkan “gundukan” atau mode histogram, dan menentukan mode untuk mewakili
jenis jaringan payudara yang berbeda (lemak, padat, otot) atau bagian lain dari gambar
(background, label).

Algoritma MMIW

Mixture Model Intensity Windowing menyediakan pengaturan intensitas jendela wilayah-

spesifik untuk mammogram. Algoritma ini beroperasi dengan secara otomatis mengidentifikasi
lima wilayah utama dalam mammogram: background, tidak dikompresi lemak, lemak
dikompresi, jaringan padat, dan otot. Algoritma ini meningkatkan visibilitas perbatasan lesi
dengan latar belakang lemak jika jenis sampling statistik dari gambar digunakan untuk
menentukan jendela intensitas yang optimal, algoritma tambahan yang meningkatkan visibilitas
pinggiran payudara harus digunakan untuk menyelamatkan informasi yang hilang pada low-
density daerah subkutan dada.

Algoritma CLAHE

CLAHE singkatan dari Contrast Limited Adaptive Histogram Equalization, CLAHE

adalah kelas khusus dari Adaptive Histogram Equalization. CLAHE membatasi penyesuaian
kontras maksimum yang dapat dibuat untuk setiap histogram lokal. Keterbatasan tersebut
berguna untuk mengurangi noise dari citra yang dihasilkan. Dalam mammogram digital yang
diproses menggunakan CLAHE, lesi muncul relatif jelas untuk background dan detail gambar
sangat baik.

Algoritma Unsharp Masking

Dengan unsharp masking, versi low-pass disaring dari gambar asli dibuat dan nilai-nilai
gambar yang mengakibatkan selanjutnya dikalikan dengan faktor bobot dan dikurangkan dari
gambar asli. Gambar akhir mempertahankan banyak detail dari gambar asli, tapi struktur besar
disajikan dengan kurang kontras, sehingga mengurangi rentang dinamis yang diperlukan untuk
menampilkan gambar. Dengan algoritma unsharp masking, ketajaman perbatasan lesi massa
ditingkatkan, seperti efek yang diinginkan dari algoritma ini.

Algoritma Peripheral Equalization

Peripheral Equalization meningkatkan visualisasi jaringan yang terletak di dekat

pinggiran payudara. Dalam Algoritma ini, sebuah low-pass filter spasial diterapkan pada gambar
untuk membuat kabur “mask” yang mewakili terutama variasi paling kasar di sinyal, yang terkait
dengan variasi ketebalan payudara. mask ini adalah skala dari 0 ke 1, dan mammogram dibagi
dengan cara nilai-nilai masker secara pixel-by-pixel.

Algoritma Trex Processing

 Algoritma ini dibangun oleh Trex medical yang digunakan untuk system trex digital
mammografi. Algoritma ini menggunakan bentuk Histogram-based unsharp masking. Algoritma
ini membolehkan visualisasi dari kedua detil lesi dan informasi tepi payudara. Bagaimanapun
juga, terdapat beberapa pengurangan kontras citra tersebut, dimana bahwa trex-processed citra
lebih terang dari algoritma yang lain.
 JURNAL LONTAR KOMPUTER

Judul : Rancang Bangun Aplikasi Pendeteksi Tipe Dan Nilai Resistor Berbasis Android

Penulis : I Putu Pratama Andika, I Putu Agung Bayupati, Ni Kadek Ayu Wirdiani

Tahun : 2015

Volume : Volume 6 no 1

Halaman : 61-72

Abstrak

Jurnal yang berjudul “Rancang Bangun Aplikasi Pendeteksi Tipe Dan Nilai Resistor Berbasis
Android” berisi perancangan aplikasi pendeteksi tipe dan nilai resistor berbasis android. Masalah
yang dihadapi adalah kesalahan penentuan tipe dan nilai resistor yang diharapkan dapat
diminimalisir menggunakan metode pengolahan citra digital dengan memanfaatkan kamera
perangkat android. Metode pengolahan citra digital yang digunakan adalah metode HSV yang
berguna sebagai batas acuan warna dari gelang resistor. Keberhasilan percobaan dari aplikasi
tersebut sebesar 57% resistor dikenali.

Latar Belakang

Perangkat yang menggunakan operation system Android saat ini semakin banyak
digemari oleh orang-orang. Faktor utamanya adalah perangkat Android adalah perangkat
multifungsi yang fungsinya menyerupai computer namun mudah dibawa kemana-mana
(mobile) , selain itu perangkat android juga sudah terintegrasi menggunakan internet yang
memadai sehingga penulis terpikirkan untuk membuat aplikasi pendeteksi nilai dan tipe resistor
pada perangkat android yang sangat dekat dengan masyarakat. Resistor merupakan alat dalam
dunia elektronika yang digunakan untuk menghambat atau membatasi arus listrik yang mengalir
ke komponen lainnya. Aplikasi ini tentunya akan sangat membantu orang awam untuk
mengetahui tipe dan nilai resistor.
Tujuan

Tujuan penelitian tersebut adalah untuk mengembangkan atau membangun aplikasi

android yang berguna untuk mendeteksi tipe dan nilai dari sebuah resistor.

Metodelogi Penelitian

Proses pengembangan aplikasi android tersebut memanfaatkan kamera smartphone

android, dengan cara menghadapkan kamera langsung pada resistor yang akan di deteksi tipe dan
nilainya maka akan didapatkan citra dari resistor yang kemudian diproses dalam smartphone
android tersebut dengan menggunakan metode HSV. Metode HSV(Hue Saturation Value) disini
sebagai patokan dari warna pada gelang resistor yang akan diuji. Aplikasi tersebut menggunakan
Bahasa pemrograman Java. Secara umum tahap pengenalan resistor dibagi menjadi empat tahap
yaitu : Akuisisi citra, Preprocessing, Pencocokan lalu Keputusan tipe dan nilai resistor. Proses
akuisisi citra adalah proses pengambilan gambar(foto) yang akan dijadikan sampel. Tahap
Preprocessing adalah tahap menyiapkan citra yang telah diakuisisi. Tahap Pencocokan adalah
tahap pengonversian dari RGB ke HSV lalu tahap penyimpulan keputusan tipe dan nilai resistor.

Pengambilan data

Pengambilan data dalam penelitian tersebut menggunakan kamera smartphone android

dan dengan bantuan API OpenCV untuk menentukan HSV dari resistor.

Hasil

Berdasarkan tingkat keberhasilan dan kinerja aplikasi

Penelitian dilakukan menggunakan 10 sampel tiap jenis dari 3 tipe resistor yang
digunakan sehingga memerlukan 30 kali pengujian sampel. Terdapat 3 tipe resistor yang
digunakan antara lain resistor 4 gelang warna, resistor 5 gelang warna, resistor 6 gelang warna.
Dari 10 sampel resistor 4 gelang warna, 6 dikenali, 3 salah dikenali, dan 1 tidak dikenali. Dari 10
sampel resistor 5 gelang warna, 5 dikenali, 3 salah dikenali, dan 2 tidak dikenali. Dari 10 sampel
resistor 6 gelang warna, 6 dikenali, 3 salah dikenali, dan 1 tidak dikenali. Dari 30 kali pengujian
17 resistor dikenali, 9 resistor salah dikenali, dan 4 resistor yang tidak dikenali. Jadi
persentasenya 57% resistor yang dikenali, 30% resistor yang salah dikenali, 13% resistor yang
tidak dikenali.
Berdasarkan jarak dan zoom kamera dalam percobaan

Dalam percobaan ini ingin membuktikan apakah jarak dan zoom kamera dapat
mempengaruhi keberhasilan aplikasi.

Tabel 1 Berdasarkan Jarak Dan Zoom Kamera

N Jarak (dalam cm) Zoom Jumlah citra uji Hasil

Dikenali Salah Tidak
o
dikenali dikenali
1 11 1.0 30 5 7 18
2 11 1.1 30 11 11 8
3 11 1.3 30 14 12 4
4 11 1.5 30 15 8 7
5 11 1.7 30 21 5 4
6 11 2.3 30 24 4 2
7 11 2.6 30 28 1 1
8 11 3.0 30 19 8 3
9 11 3.5 30 15 11 4
10 11 4.0 30 8 17 5
Persentase 53% 28% 19%

Hasil percobaan berdasarkan jarak dan zoom kamera terhadap aplikasi pendeteksi resistor
adalah 53% resistor dikenali, 28 resistor salah dikenali, dan 19% resistor tidak dikenali.