ANALISA PERBANDINGAN METODE SEGMENTASI CITRA PADA CITRA MAMMOGRAM

INFORMATIKA, Vol.3 September 2016, pp. 156~163 ISSN: 2355-6579 E-ISSN: 2528-2247

156

ANALISA PERBANDINGAN METODE SEGMENTASI CITRA PADA CITRA MAMMOGRAM Toni Arifin1 1Universitas BSI Bandung Jalan sekolah internasional no. 1-6, Bandung (022-7100124) e-mail: [email protected]

Abstract Cancer is a desaeas with a high prevalence in the world. As many 8,2 million people died of cancer. The prevalence of cancer was happened in woman that is breast cancer. Breast cancer is a malignancy derived from grandular cells, gland duct and supporting the breast tissues. There are many ways of detecting the presence of breast cancer which one is mammography test that aims to examine the human breast using low-dose X-rays. Observation mammography results in the form of mammogram images can be done with image processing, in this way the process of observation is not take a long time and error in the observation can be reduced. One of the process image processing is image segmentation, the step of image segmentation is an important in image analysis there force is needed method in process of image sementation. This observation is aims to analyze comparison of two image segmentation methods of mammogram images that is using Watershed method and Otsu method after that it will see the quality of image by calculating the signal to noise ratio and timing run of each method. The result of this observation is showed that the signal to noise ratio on the Watershed method 7,475 dB and Otsu method 6.197 dB and the conclution is Watershed method is better than Otsu method, whereas if viewed the timing run Watershed method 0,016 seconds is more faster than Otsu method. Keywords: Cancer, Mammogram, Image Segmentation, Watershed, Otsu

1. Pendahuluan Penyakit kanker merupakan salah satu penyebab kematian utama di seluruh dunia. Pada tahun 2012, sekitar 8,2 juta kematian disebabkan oleh kanker. Kanker paru, hati, perut, kolorektal, dan kanker payudara adalah penyebab terbesar kematian akibat kanker setiap tahunnya. (Kementrian Kesehatan Republik Indonesia, 2015) Kanker payudara di indonesia mencapai sekitar 40 kasus setiap 100.000 penduduk pada tahun 2012, menurut data organisasi kesehatan dunia (WHO), bila dibandingkan dengan negara tetangga yaitu malaysia kanker payudara di Indonesia lebih banyak diderita oleh wanita usia muda dan pada tahap yang lebih lanjut kanker payudara bukan hanya menyerang kaum wanita tapi juga pria. (WHO, 2014) Pengurangan resiko kematian akibat penyakit ini dapat dilakukan dengan

pemeriksaan dini melalui mammografi. Hasil pemeriksaan mammografi yang berupa mammogram sering kurang memuaskan para ahli radiologi karena tertutupnya sel kanker oleh jaringan/struktur yang sebenarnya merupakan jaringan struktur normal. (Kurniawati, 2009) Perkembangan dan kemajuan teknologi informasi memberikan pengaruh besar dalam penelitian dibidang medis yaitu dengan menggunakan teknik pengolahan citra, saat ini penelitian dengan teknik pengolahan citra pada citra medis berkembang sangat pesat, itu semua disebabkan karena munculnya berbagai macam metode, salah satunya adalah metode Segmentasi citra. Segmentasi citra merupakan langkah awal dalam proses penelitian di bidang pengolahan citra yaitu salah satunya proses pengenalan pola dan identifikasi citra itu semua menjadi faktor yang paling utama dan sebagian besar dari

Diterima Agustus 5, 2016; Revisi Agustus 15, 2016; Disetujui Agustus 30, 2016

157 pengolahan citra bergantung dari hasil Segmentasi citra. (wijayanti, amaliah, & yuniarti, 2010) Segmentasi citra adalah sebuah proses untuk memisahkan sebuah objek dari background, sehingga objek tersebut dapat diproses untuk keperluan lain. Dengan proses segmentasi tersebut, masing-masing objek pada gambar dapat diambil secara individu sehingga dapat digunakan sebagai input bagi proses yang lain, sebagai contoh, pada proses rekontruksi objek 3 dimensi, diperlukan proses segmentasi untuk memisahkan objek yang akan direkontruksi terhadap background yang ada. (Adipranata, 2006) Metode segmentasi dapat dikembangkan menjadi suatu teknik pendeteksian berdasarkan teknologi citra digital dan berbasis software yang akan bermanfaat khususnya di bidang medis. Masukan software yang digunakan adalah citra mammogram yang dihasilkan oleh alat mammografi digital. Dari sifat dan tekstur yang dimiliki oleh citra mammogram akan dilakukan proses pengolahan citra untuk mendapatkan ciri khas dari tiap citra mammogram. (Kurniawati, 2009) Pada penelitian sebelumnya tentang analisis perbandingan metode Li dan chanvese. Pada penelitian tersebut menganalisis kinerja metode Li dan Chan-Vese pada proses segmentasi citra digital. Sampel yang digunakan sebanyak 40 sampel citra. Dari hasil timing run, metode Li rata-rata membutuhkan waktu proses 35.07306 detik, sedangkan metode Chan-Vese rata-rata membutuhkan waktu proses 36.20313 detik. Dari hasil SNR, rata-rata nilai SNR metode Li adalah 7.713102 dB dan rata-rata nilai SNR metode Chan-Vese adalah 3.674622 dB, sehingga dapat diketahui bahwa kualitas citra hasil segmentasi metode Li lebih baik dari pada kualitas citra segmentasi metode Chan-Vese. (Muriliasari & Murinto, 2013) Pada penlitian selanjutnya yang tentang obyek pada citra digital menggunakan metode Otsu thresholding. Pengujian dilakukan pada Weizmann Segmentation Database sebanyak 30 citra digital RGB. Akurasi yang didapat dari hasil Uji Coba Terhadap Nilai Ambang Noise Removal dengan menngunakan metode Otsu sebesar 93,33%. (Safi'i, Wahyuningrum, & Muntasa, 2015) Pada penelitian yang lain tentang Segmentation of Brain in MRI Images Using Watershed-based Technique, Penelitian ini

dilakukan untuk mempelajari sebuah jaringan otak dengan metode segmentasi menggunakan algoritma komputasi paralel pada citra MRI. Hasil penelitian ini menunjukkan metode Watershed menampilkan objek tersegmentasi dan menempatkan garis di sekitar otak tersegmentasi. Pendekatan-pendekatan filter pada tahap pre-processing dapat membantu dalam penghapusan informasi latar belakang yang tidak diinginkan dan meningkatkan informasi diagnostik dari citra MRI. (Abdallah & Hassan, 2013) Pada penelitian ini akan menganalisa perbandingan dari 2 metode segmentasi citra yaitu dengan menggunakan metode Watershed dan metode Otsu, setelah itu kualitas hasil citra dari setiap metode akan dibandingkan dengan menghitung nilai rata-rata SNR (Signal to noise ratio) dan menghitung timing run dari setiap metode. 2. Metode Penelitian Penelitian ini menggunakan penelitian eksperimen, yaitu penelitian yang melibatkan penyelidikan perlakuan pada parameter atau variabel tergantung dari penelitinya dan menggunakan tes yang dikendalikan oleh peneliti itu sendiri. 2.1 Segmentasi Pada proses pengenalan wajah manusia, proses segmentasi dibutuhkan untuk memisahkan wajah manusia terhadap background atau terhadap bagian tubuh yang lain sehingga didapatkan gambar wajah yang akan dikenali. Untuk proses pengenalan jenis objek, proses segmentasi diperlukan untuk pemisahan masing-masing objek terhadap background sehingga pada saat proses pengenalan, bagian background tidak ikut terproses. Begitu pula untuk proses pengenalan huruf pada sebuah teks diperlukan juga proses segmentasi untuk mendapatkan huruf yang dikenali. (Muriliasari & Murinto, 2013) Segmentasi suatu citra merupakan teknik membagi suatu citra ke wilayah berbeda yang lebih spesifik dengan mengkonversikan ke dalam bentuk matrix. Beberapa contoh penerapan proses segmentasi citra dalam berbagai bidang antara lain rekayasa gambar, mempermudah dalam mengenali suatu benda, pemetaan geografis, dan lain-lain. (Muriliasari & Murinto, 2013)

INFORMATIKA Vol. 3, September 2016: 156 – 163

158 Dibawah ini gambar 2.1 menjelaskan tentang proses segmentasi pada citra digital

semakin besar. Dengan anggapan bentuk topografi tersebut, maka di didapatkan 3 macam titik yang dipertimbangkan dalam metode ini (Mahmoudi & Akil, 2011): 1. Titik yang merupakan regional minimum. 2. Titik yang merupakan tempat dimana jika setetes air dijatuhkan, maka air tersebut akan jatuh hingga ke sebuah posisi minimum tertentu. 3. Titik yang merupakan tempat di mana jika air dijatuhkan, maka air tersebut mempunyai

Gambar 2.1 Proses segmentasi pada citra digital Sumber: (Muriliasari & Murinto, 2013)

Secara umum segmentasi terbagi menjadi 3 kelompok yaitu segmentasi berdasarkan klasifikasi (Classification based segmentation). Segmentasi berdasarkan tepi (Edge based segmentation) dan segmentasi berdasarkan daerah (Region based segmentation). (Adipranata, 2006) Segmentasi berdasarkan klasifikasi adalah proses segmentasi yang dilakukan dengan mencari kesamaan ukuran dari nilai pada pixel. Segmentasi berdasarkan tepi adalah proses segmentasi untuk mendapatkan garis yang ada pada gambar dengan anggapan bahwa garis tersebut merupakan tepi dari objek yang memisahkan objek yang satu dengan objek yang lain atau antara objek dengan background. Segmentasi yang terakhir yaitu segmentasi berdasarkan daerah adalah proses segmentasi yang dilakukan untuk mendapatkan daerah yang diyakini merupakan sebuah objek, untuk mendapatkan daerah tersebut perlu dilakukan analisa terhadap kesamaan tekstur, warna pada pixel yang terdapat pada gambar. (Adipranata, 2006)

kemungkinan untuk jatuh ke salah satu posisi minimum (tidak pasti jatuh ke sebuah titik minimum, tetapi dapat jatuh ke titik minimum tertentu atau titik minimum yang lain). Untuk sebuah regional minimum tertentu, sekumpulan titik yang memenuhi kondisi (2) disebut sebagai catchment basin, sedangkan sekumpulan titik yang memenuhi kondisi (3) disebut sebagai garis Watershed. (Mahmoudi & Akil, 2011) Inti dari metode Watershed yaitu bagaimana menentukan garis wateshed, dimana garis Watershed merupakan garis pembatas antar obyek dengan background. Pembentukan garis Watershed atau dam dam didasarkan pada citra biner, yang merupakan anggota dari ruang integer dua dimensI 𝑍2 . Cara termudah untuk membangun dam adalah dengan menggunakan operasi dilasi morfologi (Morphological dilation). (Belaid & Mourou, 2009) Di bawah ini adalah gambar 2.2 yang menjelaskan tentang konsep dasar Morphological Watershed

2.2 Watershed Watershed merupakan salah satu metode yang digunakan untuk segmentasi sebuah gambar. Konsep yang terdapat pada Watershed ini memvisualisasikan sebuah gambar dalam tiga dimensi: dua koordinat ruang versus tingkat keabuan (gray level). (Hamarneh & Li, 2009) Koordinat ruang merupakan posisi x dan y pada bidang datar dan tingkat keabuan merupakan ketinggiannya, semakin ke arah warna putih maka ketinggiannya


Gambar 2.2 konsep dasar Morphological Watershed Sumber: (Belaid & Mourou, 2009)

159 Dam atau Watershed line adalah hal yang paling penting dalam Morphological Watershed, pembuatan dam didasarkan pada citra biner. Cara termudah dalam membuat sebuah dam adalah dengan menggunakan Morphological dilation. Dibawah ini adalah gambar 2.3 yang menggambarkan tentang hasil dari pembuatan dam dengan menggunakan teknik Morphological dilation. (Cahyan, Aswin, & Mustofa, 2013)

Otsu thresholding merupakan suatu metode untuk yang membantu untuk melakukan segmentasi citra digital dengan cara mencari threshold menggunakan analisa statistik histogram. Secara definitif, proses treshold adalah proses untuk mengubah citra grayscale multi value, menjadi citra biner bivalue (dua nilai saja). Proses tersebut dapat di simbolkan dengan notasi matematis berikut (Aristyagama, 2016)

𝑔(𝑥, 𝑦) {

1 𝑖𝑓 𝑓(𝑥, 𝑦) ≥ 𝑇 0 𝑖𝑓 𝑓 (𝑥, 𝑦) < 𝑇

di mana g(x,y) adalah nilai pixel hasil threshold pada baris x dan kolom y, f(x,y) adalah nilai pixel dari citra input asal pada baris x dan kolom y, sedangkan T adalah nilai threshold sebagai batas nilai keabuan untuk mengkonversi nilai pixel f(x,y) menjadi nilai pixel g(x,y). Otsu tresholding didasarkan pada ide untuk menemukan threshold yang meminimasi bobot variansi within-class. Hal tersebut sama saja dengan memaksimal variansi beetwen-class. Otsu tresholding bekerja pada citra dengan model warna grayscale (Aristyagama, 2016) Dibawah ini adalah gambar 2.4 yang menggambarkan hasil dari proses Otsu tresholding. Gambar 2.3 Pembuatan dam dengan teknik Morphological dilation Sumber: (Cahyan, Aswin, & Mustofa, 2013)

2.3 Otsu thresholding Tujuan dari metode otsu adalah membagi histogram citra gray level kedalam dua daerah yang berbeda secara otomatis tanpa membutuhkan bantuan user untuk memasukkan nilai ambang Pendekatan yang dilakukan oleh metode otsu adalah dengan melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis Diskriminan akan memaksimumkan variable tersebut agar dapat membagi objek latardepan (foreground) dan latarbelakang (background). Formula dari metode otsu adalah sebagai berikut. Nilai Ambang yang akan dicari dari suatu citra gray level dinyatakan dengan k. Nilai k berkisar antara 1 sampai dengan L, dengan nilai L = 255. (Putra, 2004)

Gambar 2.4 Citra awal (Kiri) dan citra hasil Otsu tresholding (kanan) Sumber: (Aristyagama, 2016)

2.4 SNR (Signal to Noise Ratio) SNR digunakan untuk menentukan kualitas citra setelah dilakukan operasi. Citra hasil dibandingkan dengan citra asli untuk memberi perkiraan kasar kualitas citra hasil. Semakin besar nilai SNR berarti penggunaan metode dapat meningkatkan kualitas cira, sebaliknya jika nilai SNR semakin kecil maka citra hasil hanya sedikit juga peningkatan kualitasnya. Nilai SNR yang tinggi adalah lebih baik karena berarti


160 rasio sinyal terhadap metode juga tinggi. (Apriliani & Murinto, 2013)

𝑆𝑁𝑅 =

𝜇 𝜎

Dimana 𝜇 adalah nilai pixel citra maksimal – nilai pixel citra minimal 𝜎 adalah standar deviasi dari citra. SNR dalam satuan decibels (dB) dapat dihitung dengan rumus:

𝑆𝑁𝑅 = 10 log 10 . 𝑆𝑁𝑅 2.5 Model penelitian Citra yang digunakan pada penelitian ini adalah citra medis yang didapat dari www.mammoimage.org/databases/ yang terdiri dari 27 sample citra yang diambil secara random lalu diproses dan dibandingkan dengan metode Watershed dan metode Otsu. Pengujian terhadap metode yang akan digunakan, membutuhkan desain penelitian yang jelas dan tepat. Desain yang akan dibuat akan digunakan sebagai tahapan proses pengujian untuk mendapatkan hasil yang diinginkan. Maka dari itu pada Gambar 2.5 menjelaskan sebuah model desain penelitian yang memuat semua tahapan dalam proses penelitian.

Gambar 2.5 Model Penelitian

3. Hasil dan Pembahasan Pada penelitian ini citra input yang digunakan berekstensi *.bmp dan *.jpg dengan resolusi maksimum 256x256 piksel. Gambar 2.6 dan 2.7 dibawah ini menunjukan hasil prosess dari kedua metode tersebut.

Gambar 2.6 Hasil metode Otsu. citra asli (kiri), hasil konversi RGB (tengah) dan hasil metode Otsu (Kanan)


161

Gambar 2.7 Hasil metode Otsu. citra asli (kiri), hasil konversi RGB (tengah) dan hasil metode Watershed (Kanan)

watershed Time

image01

7.057610994

1.611317

image02

7.260044866

1.669988

image03

7.040320059

1.558614

image04

7.713827724

1.461859

image05

7.193351676

1.504052

image06

7.605620138

1.468501

image07

7.430852873

1.490653

image08

7.345820919

1.520653

image09

7.340109623

1.650942

image10

7.388011716

1.465633

image11

7.154310429

1.499567

image12

7.486875699

1.594688

image13

7.334921908

1.734556

image14

7.063636229

1.426371

image15

7.092249193

1.536845

image16

8.933621616

1.482478

image17

7.515932274

1.473739

image18

7.252076874

1.617287

1.488007

image20

8.917772847

1.452658

image21

7.052750731

1.667283

image22

7.099173993

1.599921

image23

7.70375495

1.618261

image24

7.71734366

1.641571

image25

8.040266653

1.500685

image26

7.394337652

1.490748

OTSU

Tabel 3.1 Tabel Hasil Running Program metode Watershed

SNR

7.235084085

Tabel 3.2 Tabel Hasil Running Program metode Otsu

Dari hasil segmentasi dengan kedua metode di atas hasilnya tidak jauh berbeda, kedua metode menghasilkan segmentasi yang cukup jelas dimana region utama citra mammogram dapat di tandai dengan baik. Langkah selanjutnya adalah menghitung nilai SNR dari hasil setiap metode untuk mengetahui kualitas citra yang dihasilkan. Dibawah ini adalah tabel 3.1 dan 3.2 yang menggambarkan hasil running program dengan menggunakan metode Watershed dan metode Otsu.

Nama Citra

image19

Nama Citra

SNR

Time

image01

6.110180333

1.425077

image02

6.100720602

1.443153

image03

6.179568569

1.603387

image04

6.063157799

1.454468

image05

6.068946178

1.463101

image06

6.818805299

2.047465

image07

7.61161533

1.549728

image08

6.343488341

1.476214

image09

6.089916023

1.46527

image10

6.072090427

1.636744

image11

6.028177735

1.541836

image12

6.113682586

1.535116

image13

6.218618485

1.46073

image14

6.196503695

1.462282

image15

6.04141052

1.50666

image16

6.048874619

1.666511

image17

6.063529525

1.927592

image18

6.042198661

1.473124

image19

6.061811494

1.642749

image20

6.104604202

1.510516

image21

6.07464046

1.541754

image22

6.033841135

1.497652

image23

6.354219313

1.571685

image24

6.032071766

1.588226

image25

6.237080442

1.505185

image26

6.02991842

1.657474

Dibawah ini adalah gambar 2.8 grafik dari data hasil running program dengan menggunakan metode Otsu dan Watershed.


162

OTSU

metode Watershed lebih baik dari metode Otsu. 3. Waktu proses metode Watershed lebih cepat dari pada metode Otsu. 4. Proses segmentasi citra dapat memudahkan ahli dalam pengamatan awal citra mammogram.

WATERSHED

7.4757569 0

6.1976796 9

Pada tahapan selanjutnya dapat dilanjutkan ke tahapan klasifikasi dengan menggunakan metode data mining seperti C4.5, Neural network, Naïve bayes, SVM dan metode data mining klasifikasi lainnya. Referensi 1.5636038 1

Rata-rata SNR

1.5471875 8

Rata-rata waktu

Gambar 2.9 Grafik perbandingan nilai rata-rata dari metode Otsu dan Watershed

Hasil dari penelitian jika dilihat dari tabel hasil running program dan grafik menunjukkan nilai SNR dari metode Watershed lebih besar dari nilai SNR pada metode Otsu, dengan rata-rata nilai SNR pada metode Watershed adalah 7.475 dB dan untuk metode Otsu adalah 6.197 dB Sehingga dapat disimpulkan metode Watershed lebih baik dari pada metode Otsu. Dari hasil timing run waktu proses yang dibutuhkan metode Watershed tidak berbeda jauh dari waktu proses metode Otsu. Metode Watershed rata-rata waktunya hanya berbeda 0.016 detik lebih cepat dari metode Otsu. 4. Kesimpulan Setalah semua rangkaian proses penelitian selesai dilakukan maka kesimpulannya adalah sebagai berikut. 1. Segmentasi dari setiap metode hasilnya cukup baik dengan tersegmentasinya region utama dari sampel yang digunakan 2. Kualitas citra segmentasi jika dilihat dari nilai SNR dari masing-masing metode,

Abdallah, & Hassan. (2013). Segmentation of Brain in MRI Images Using Watershed-based Technique. International Journal of Science and Research (IJSR), 683-688. Adipranata, R. (2006). Kombinasi metode Morphological gradient dan transformasi Watershed pada proses segmentasi citra digital. universitas kristen petra. Apriliani, D., & Murinto. (2013). Analisis Perbandingan Teknik Segmentasi Citra Digital Menggunakan Metode Level Set Chan & Vese Dan Lankton. Jurnal Informatika, 802810. Aristyagama, Y. H. (2016). Pengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen. researchgate. Belaid, J. L., & Mourou, W. (2009). Image Segmentation: A Watershed Transformation Algorithm. Image Anal Stereol, 93-102. Cahyan, P. A., Aswin, M., & Mustofa, A. (2013). Segmentasi citra digital dengan menggunakan algoritma Watershed dan lowpass filter sebagai proses awal. Hamarneh, G., & Li, X. (2009). Watershed segmentation using prior shape and appearance knowledge. Image and vison Computing, 59-68. Kementrian Kesehatan Republik Indonesia. (2015). Retrieved July 30, 2016, from www.depkes.go.id: http://www.depkes.go.id/resources/d


163 ownload/pusdatin/infodatin/infodatinkanker.pdf Kurniawati, A. R. (2009). Kombinasi Morphological Gradient Dan Transformasi Watershed Sebagai Metode Deteksi Kanker Payudara Berdasarkan Citra Mammogram. Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom. Mahmoudi, R., & Akil, M. (2011). Analyses of the Watershed Transform. International Journal of Image Processing (IJIP), 521-541. Muriliasari, R., & Murinto. (2013). Analisis Perbandingan Metode Li Dan ChanVese Pada Proses Segmentasi Citra Digital. Jurnal Sarjana Teknik Informatika, Universitas Ahmad Dahlan. Mammoimage. (2015). Retrieved Agustus 1, 2016, from http://www.mammoimage.org/datab ases/ Putra, D. (2004). BINERISASI CITRA TANGAN DENGAN METODE OTSU. jurnal Universitas Udayana, 11-13. Safi'i, S. I., Wahyuningrum, & Muntasa. (2015). Segmentasi Obyek Pada Citra Digital Menggunakan Metode Otsu Thresholding. Jurnal Informatika, 1-8. Wijayanti, Y., Amaliah, B., & Yuniarti, A. (2010). Implementasi Segmentasi Gambar Menggunakan Domain Neutrosophic Dan Metode Watershed. Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember, Surabaya, 1-8. World Health Organization (WHO). (2014). Retrieved July 22, 2016, from Cancer: http://www.who.int/mediacentre/factshe ets/fs297/en/


ANALISA PERBANDINGAN METODE SEGMENTASI CITRA PADA CITRA MAMMOGRAM

Recommend Documents