SEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN SIMILARITAS ANTAR GRAY LEVEL BERDASARKAN INDEX OF FUZZINESS

Pratamasunu, Arifin, Yuniarti, Wijaya, Khotimah, dan Navastara — Segmentasi Citra Panoramik Gigi Menggunakan Similaritas antar Gray Level Berdasarkan Index of Fuzziness

SEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN SIMILARITAS ANTAR GRAY LEVEL BERDASARKAN INDEX OF FUZZINESS Gulpi Qorik Oktagalu Pratamasunu1), Agus Zainal Arifin2), Anny Yuniarti3), Arya Yudhi Wijaya4), Wijayanti Nurul Khotimah5), dan Dini Adni Navastara6) 1, 2, 3, 4, 5, 6)

Jurusan Teknik Informatika, Institut Teknologi Sepuluh Nopember Jurusan Teknik Informatika, Sekolah Tinggi Teknologi Nurul Jadid e-mail: [email protected]), [email protected]), [email protected]), [email protected]), [email protected]), [email protected]) 1)

ABSTRAK Metode segmentasi citra berdasarkan teori fuzzy dan similaritas antar gray level mampu mengatasi masalah ambiguitas gray level dan pencahayaan yang tidak merata yang biasa ditemui pada citra medis. Namun, segmentasi dengan penentuan initial seeds-nya berdasarkan jumlah piksel minimum menghasilkan citra yang kurang baik saat diterapkan pada citra dengan kontras yang rendah, seperti yang terdapat pada citra panoramik gigi. Pada penelitian ini diusulkan metode segmentasi citra panoramik gigi dengan penentuan initial seeds berdasarkan index of fuzziness terbesar pada histogram. Histogram dibagi kedalam tiga daerah berdasarkan posisi dari pusat fuzzy region. Kemudian, proses pengukuran similaritas antar gray level yang berada pada fuzzy region dilakukan untuk menemukan threshold yang optimal. Performa metode yang diusulkan diuji menggunakan citra panoramik gigi. Evaluasi performa dilakukan dengan menghitung nilai Misclassification Error antara citra hasil segmentasi dengan citra ground truth. Hasil evaluasi menunjukkan bahwa hasil segmentasi metode yang diusulkan pada citra panoramik gigi memiliki performa yang lebih baik dibandingkan dengan hasil segmentasi dari metode Otsu. Kata Kunci: Citra Panoramik Gigi, Segmentasi Citra Medis, Index of Fuzziness, Similaritas Gray Level. ABSTRACT Image segmentation approach based on fuzzy theory and similarity between gray levels is able to overcome the problem of gray level ambiguity and bad illumination that commonly seen on medical images. However, the segmentation method that determine the initial seeds based on the number of minimal pixels yields an unfavorable results when applied to the image with low contrast. In this study, we proposed a novel image segmentation method that determine the initial seeds based on the maximum value of index of fuzziness. The histogram is divided into three regions based on the center of fuzzy region. Then, the process of measuring the similarity between the gray levels on fuzzy region is started to find the optimal threshold. The performance of the proposed method was tested using dental panoramic images. Performance evaluation is done by calculating the value of Misclassification Error between segmented images and ground truth images. Evaluation results on dental panoramic images show that the proposed method produces better segmented image than Otsu method. Keywords: Dental Panoramic Image, Gray Levels Similarity, Image Segmentation, Index of Fuzziness.

I. PENDAHULUAN

S

EGMENTASI citra adalah proses yang sangat penting bagi aplikasi pemrosesan citra medis. Segmentasi citra biasanya dibutuhkan sebagai tahap praproses pada suatu sistem diagnosis citra medis. Akurasi segmentasi sangat menentukan kesuksesan dan kegagalan suatu prosedur diagnosis pada prosedur analisis berbasis komputer [1]. Oleh karena itu, metode segmentasi pada citra medis harus menghasilkan citra tersegmentasi dengan kualitas yang baik [2]. Salah satu metode segmentasi citra yang paling sederhana dan mudah diimplementasikan untuk mensegmentasi citra medis adalah thresholding. Pada proses thresholding, suatu nilai threshold dipilih untuk mengklasifikasi pixels dalam citra ke dalam objek atau background berdasarkan nilainya. Penentuan nilai threshold yang paling optimal dibutuhkan untuk menghindari kesalahan penentuan objek dan background dari citra. Pada citra yang ideal, adanya lembah yang memisahkan dua puncak merepresentasikan pixels objek dan background sangat mempermudah proses penentuan threshold. Namun, untuk citra yang tidak memiliki lembah pemisah yang jelas, hasil segmentasi metode thresholding menjadi kurang optimal. Beberapa penelitian telah dilakukan untuk mengatasi masalah tersebut dengan mengusulkan metode thresholding berdasarkan sifat statistik dari histogram citra. Salah satunya adalah Otsu [3] yang memanfaatkan between-class variance untuk menentukan daerah dimana objek dan background dari suatu citra dapat dipisahkan secara optimal. Dengan cara ini, nilai threshold yang optimal dapat ditemukan walaupun tidak terdapat lembah 83

JUTI – Volume 14, Nomor 1, Januari 2016: 83 – 91

yang jelas yang memisahkan dua puncak dalam histogram. Namun, adanya beberapa faktor yang mengganggu pada citra seperti pencahayaan yang tidak seragam, ambiguitas gray level, dan derau yang biasa ditemui pada citra medis dapat mengganggu proses penentuan threshold. Tobias dan Seara [4] mengusulkan pendekatan histogram thresholding berdasarkan teori fuzzy dan similaritas antar gray level untuk mengatasi masalah tersebut. Metode ini membandingkan similaritas setiap anggota gray level pada fuzzy region menggunakan index of fuzziness dengan beberapa gray level dalam initial seeds objek dan background yang telah ditentukan sebelumnya. Dengan cara ini, permasalahan penentuan threshold yang biasa ditemui pada citra medis dapat diatasi. Namun, penentuan initial seeds objek dan background yang masih dilakukan secara manual oleh peneliti membuat hasil thresholding bersifat subjektif. Untuk mengatasi masalah tersebut, Lopes, dkk [1] mengusulkan metode histogram thresholding yang merupakan pengembangan dari metode Tobias dan Seara [4]. Metode ini mengoptimasi penentuan initial seeds berdasarkan perhitungan pixels minimal yang harus dimiliki oleh initial seeds objek dan background. Dengan perhitungan pixels minimal, initial seeds dapat ditentukan secara otomatis. Namun, metode ini menghasilkan nilai threshold yang kurang optimal jika diterapkan pada citra dengan kontras rendah yang sering dijumpai pada citra panoramik gigi. Oleh karena itu, dibutuhkan metode image thresholding berdasarkan similaritas antar gray level berbasis fuzzy dengan penentuan initial seeds yang efektif pada citra dengan kontras rendah. Pada penelitian ini, diusulkan metode segmentasi citra panoramik gigi dengan pendekatan thresholding menggunakan similaritas antar gray level berdasarkan index of fuzziness. Penentuan initial seeds berdasarkan banyaknya pixels dalam histogram dihindari untuk menjaga ketahanan performa metode pada citra dengan kontras yang rendah. Initial seeds untuk memulai proses perhitungan similaritas antar gray level ditentukan berdasarkan nilai index of fuzziness disetiap gray level pada histogram. Nilai threshold yang optimal didapatkan dengan mengelompokkan gray level yang tidak termasuk dalam initial seeds berdasarkan nilai similaritasnya dengan kedua initial seeds tersebut. Dengan cara ini, nilai threshold yang optimal tetap dapat ditemukan pada citra dengan kontras yang rendah. II. DEFINISI UMUM A. Teori Fuzzy Set Teori fuzzy set menetapkan suatu derajat keanggotaan kepada semua anggota dalam semesta berdasarkan potensinya untuk masuk kedalam suatu kelas, dimana tidak ada pemisah yang jelas antar anggota yang termasuk pada suatu kelas ataupun yang tidak termasuk di dalamnya. Derajat keanggotaan tersebut dapat dihitung berdasarkan fungsi matematika yang menentapkan suatu derajat keanggotaan pada interval 0 sampai 1 pada setiap anggota suatu himpunan fuzzy. Fungsi ini biasa disebut dengan fungsi keanggotaan atau fungsi karakteristik. Untuk himpunan semesta X, himpunan fuzzy A dalam X didefinisikan berdasarkan persamaan berikut.

A

 x ,  i

A

 xi   , xi  X .

(1)

Pada penelitian ini, S-function [5] digunakan untuk memodelkan fungsi keanggotaan untuk pixels terang. Fungsi tersebut didefinisikan berdasarkan persamaan

xa  0,  2  2x a , a  x  b   c  a  .  AS  x   S  x; a, b, c    2 xa  1  2  c  a  , b  x  c  xc 1,

(2)

Fungsi ini dapat dikontrol menggunakan parameter a dan c. Parameter b disebut sebagai titik temu yang dihitung berdasarkan b 

ac . Sedangkan untuk memodelkan pixels gelap, digunakan Z-function yang diturunkan dari 2

S-function dan didefinisikan pada persamaan (3).

 A  x   Z  x; a, b, c   1  S  x; a, b, c  . Z

84

(3)


B. Measure of Fuzziness Measure of fuzziness digunakan untuk menentukan seberapa fuzzy suatu himpunan fuzzy. Nilai fuzziness dari himpunan crisp bernilai nol, karena tidak terdapat ambiguitas tentang suatu anggota termasuk dalam suatu himpunan atau tidak. Sedangkan nilai fuzziness yang tinggi pada suatu himpunan menandakan tingginya ambiguitas antar anggota dalam himpunan tersebut. Dengan menggunakan index of fuzziness (IF) yang diperkenalkan oleh Kaufmann [6], nilai fuzziness suatu himpunan fuzzy dapat ditentukan dengan cara membandingkan derajat keanggotaannya dengan himpunan crisp terdekatnya. Suatu himpunan A* disebut sebagai himpunan crisp dari himpunan A dimana fungsi keanggotaanya ditentukan berdasarkan persamaan

0,if  A  x   0.5 . 1, if  A  x   0.5

A  x   *

(4)

Nilai IF didapatkan dengan mengukur similaritas antara himpunan A dan A* yang didefinisikan berdasarkan persamaan 1 k k 2  n  k  A   1    A  xi    A*  xi   ,  n k  i 1

(5)

dimana n adalah banyak anggota dalam himpunan A dan A*. IF disebut linier jika nilai k adalah satu, dan disebut kuadrat jika nilai k adalah dua. Selain itu, dalam penelitiannya, Tizhoosh [7] mendefinisikan linear index of fuzziness berdasarkan persamaan

A 

2 L 1  h  g   min   A  g  ,1   A  g  , N g 0

(6)

dimana h  g  adalah intensitas pada gray level g, L adalah gray level maksimum, N adalah jumlah pixels yang terdapat pada A, dan  A adalah fungsi keanggotaan himpunan fuzzy A. Nilai ini merepresentasikan ambiguitas dalam suatu himpunan fuzzy. Semakin kecil nilai index of fuzziness maka semakin kecil pula ambiguitas antar anggota dalam suatu himpunan fuzzy. III. PENELITIAN TERDAHULU Penelitian ini bertujuan untuk mengatasi kekurangan dari metode sebelumnya yang dikembangkan oleh Lopes, dkk [1]. Metode tersebut menggunakan fungsi pixels minimal pada penentuan initial seeds untuk melakukan proses perhitungan similaritas antar gray level. Untuk menentukan initial seeds secara otomatis, metode tersebut menggunakan dua parameter statistik yaitu P1 dan P2. Parameter ini diperoleh menggunakan pendekatan statistik yang dilakukan pada tiga puluh citra uji. Dengan cara ini, subjektifitas pada citra tersegmentasi dapat dikurangi, karena penentuan initial seeds dilakukan secara otomatis berdasarkan histogram citra. Citra dengan kontras yang tinggi digunakan untuk menentukan nilai parameter P1. Nilai P1 dipilih untuk memastikan nilai IF initial seed B (pixels gelap) dan initial seed W (pixels terang) bertambah secara monoton. Jika nilai P1 terlalu tinggi, maka luas daerah diantara kedua initial seeds (fuzzy region) terlalu kecil dan threshold yang mungkin dipilih menjadi terbatas. Sedangkan jika nilai P1 terlalu rendah, initial seeds tidak cukup merepresentasikan masing-masing daerah, sehingga metode tidak konvergen. Dari hasil analisis, didapatkan nilai parameter P1 adalah 39,64%. Sedangkan untuk menentukan parameter P2, citra dengan kontras yang rendah dipakai sebagai citra uji. Nilai parameter P2 ditentukan sebesar 20% setelah dilakukan analisis dan trial and error. Untuk menentukan kedua initial seeds dari histogram, metode tersebut menggunakan fungsi pixels minimal untuk menentukan jumlah pixels minimum yang harus dimiliki masing-masing initial seed. Fungsi tersebut didefinisikan menggunakan persamaaan 127 255

MinPix Bseed  Wseed   P1

 hx , i

(7)

i  0128

dimana Bseed adalah initial seed B, Wseed adalah initial seed W, dan h  xi  adalah intensitas pada gray level xi . 85


IV. METODE YANG DIUSULKAN Metode yang dikembangkan oleh Lopes, dkk [1] mampu menentukan batas initial seeds pada citra tanpa bantuan pakar. Namun, penentuan initial seeds metode tersebut memiliki beberapa kekurangan terkait dengan tingkat kontras pada citra. Dua parameter statistik P1 dan P2 diturunkan dari tiga puluh citra uji, sehingga tidak menjamin dapat menghasilkan initial seeds yang efektif pada seluruh jenis citra. Selain itu, penerapan metode tersebut pada citra dengan kontras yang rendah akan menghasilkan hasil yang kurang baik karena persebaran pixels yang tidak seimbang pada kedua initial seeds, yang sering ditemui pada citra panoramik gigi. Sehingga untuk kasus thresholding pada citra panoramik gigi, dibutuhkan histogram equalization sebagai tahap praproses. Metode tersebut masuk kedalam kategori metode yang semi supervised, karena dibutuhkan bantuan pakar untuk menentukan suatu citra termasuk dalam kontras yang rendah atau tidak. Pada penelitian ini diusulkan metode penentuan initial seeds secara otomatis berdasarkan posisi dari pusat fuzzy region. Fuzzy region dapat ditentukan dengan menemukan daerah yang memiliki nilai fuzziness yang maksimum. Hal ini dilakukan karena fuzzy region terletak dimana threshold yang optimal dapat ditemukan, sehingga daerah tersebut pasti memiliki nilai fuzziness yang besar. Pada penelitian ini, digunakan index of fuzziness [7] untuk menemukan gray level dengan nilai fuzziness maksimum, yang merupakan pusat dari fuzzy region. Kedua initial seeds dihitung berdasarkan posisi dari pusat fuzzy region. Kemudian, proses klasifikasi berdasarkan similaritas antar gray level dilakukan untuk setiap gray level yang berada pada fuzzy region.

Gambar 1. Proses perhitungan fungsi keanggotaan di semua gray level

Gambar 2. Inisialisasi fuzzy region dan initial seeds

86


A. Penentuan Initial seeds berdasarkan Index of fuzziness Untuk menemukan gray level dengan nilai fuzziness maksimum, diperlukan nilai index of fuzziness masingmasing gray level pada histogram. Hal ini dapat dilakukan dengan menghitung fungsi keanggotaan ( B dan W ) pada seluruh gray level yang dikontrol berdasarkan titik dan menghitung nilai index of fuzziness-nya pada setiap gray level. Kemudian, pusat fuzzy region ditetapkan pada posisi gray level yang memiliki nilai index of fuzziness maksimum. Untuk histogram dengan L gray level, fungsi keanggotaan tersebut didefinisikan berdasarkan persamaan berikut.

vC   , vC  , 2   v L   W  g   S  g ; vC , C ,L , 2  

 B  g   Z  g ;0,

(8) (9)

dimana S-function dan Z-function dihitung berdasarkan persamaan (2) dan (3). Proses tersebut diilustrasikan pada Gambar 1. Untuk intensitas gray level h  g  , fungsi keanggotaan B dan W , index of fuzziness  pada setiap gray level dalam histogram didefinisikan berdasarkan persamaan berikut.



L 1 4 L 1  h g  g        B   h  g  W  g   . N 2 g 0  g 0

(10)

Pada penelitian ini, persamaan (10) diturunkan dari persamaan (6). Index of fuzziness pada penelitian ini menggunakan dua fungsi keanggotaan untuk menghitung nilai fuzziness pada suatu himpunan fuzzy. Sehingga fungsi minimum dari persamaan (6) dihilangkan. Dalam menentukan initial seeds berdasarkan pusat fuzzy region, persamaan (11) dan (12) diadopsi dari penelitian [8]. Untuk pusat fuzzy region vC dan intensitas gray level h  g  , batas initial seed B vB dan initial seed W vW dihitung berdasarkan persamaan berikut. vC

 g hg vB 

g 0 vC

,

(11)

hg g 0 L 1



vW 

g hg

g  vC 1 L 1

.

(12)

 hg

g  vC 1

Dengan cara ini, kedua initial seeds ditentukan secara otomatis dan cukup besar untuk mewakili setiap subset dalam proses klasifikasi berdasarkan similaritas antar gray level. Gambar 2 mengilustrasikan penentuan fuzzy region dan kedua initial seeds pada histogram. B. Penentuan Threshold berdasarkan Similaritas antar Gray level Kedua initial seeds yang diperoleh pada tahap sebelumnya digunakan untuk memulai proses penentuan threshold berdasarkan similaritas antar gray level. Fuzzy region ditempatkan diantara kedua initial seeds yang diilustrasikan pada Gambar 3.2. Kemudian, citra tersegmentasi diperoleh dengan melakukan proses klasifikasi setiap gray level pada fuzzy region untuk dimasukkan kedalam kelas object atau background. Proses klasifikasi tersebut dilakukan dengan menggabungkan suatu gray level dari fuzzy region dengan masing-masing initial seed dan menghitung nilai IF dari subset B   f i  dan W   f i  berdasarkan persamaan (5). Gray level tersebut kemudian dimasukkan kedalam subset yang memiliki nilai IF yang lebih kecil (similaritas lebih besar). 87


Karena proses klasifikasi didasarkan pada perbandingan nilai IF, faktor normalisasi  ditentukan untuk menormalisasi nilai IF agar memiliki nilai yang setara pada awal proses klasifikasi. Faktor normalisasi  ditentukan berdasarkan persamaan



 W  ,   B

(13)

dimana  W  adalah nilai IF dari initial seed W dan   B  adalah nilai IF dari initial seed B. Secara umum, algoritma proses klasifikasi fuzzy region untuk objek gelap adalah sebagai berikut: 1. Hitung faktor normalisasi  berdasarkan persamaan (13) 2. Untuk semua gray level pada fuzzy region, hitung  B   fi  dan  W   fi  berdasarkan persamaan









(5) 3. Jika nilai  W   fi  lebih kecil dari   B   f i  maka f i masuk kedalam kelas background, jika









tidak, maka f i masuk kedalam kelas object V. HASIL DAN PEMBAHASAN Untuk mengevaluasi performa dari metode yang diusulkan, 14 citra panoramik gigi [9] digunakan sebagai data uji. Citra panoramik gigi dikenal dengan banyaknya derau, pencahayaan yang tidak seragam, dan kontras yang rendah pada sebagian besar citra radiograph tersebut. Beberapa contoh citra data uji ditunjukkan pada Gambar 3. Sedangkan histogram dari masing-masing citra tersebut ditunjukkan pada Gambar 4. Dari Gambar 4(a) dan 4(e) diketahui bahwa terdapat beberapa citra dengan kontras yang rendah pada data uji. Dua metode lainnya, metode Lopes [1] dan metode Otsu [3] juga digunakan sebagai metode pembanding. Hasil thresholding metode yang diusulkan ditunjukkan pada Gambar 5, sedangkan Gambar 6 dan Gambar 7 menunjukkan hasil thresholding metode Lopes dan metode Otsu, secara berurutan. Citra ground truth yang ditunjukkan pada Gambar 8 dibuat secara manual berdasarkan citra uji pada Gambar 3. Dari Gambar 5, terlihat bahwa hasil thresholding metode yang diusulkan sesuai dengan citra pada Gambar 8. Selain itu, beberapa detil objek yang hilang pada Gambar 6 dan Gambar 7 terlihat jelas pada Gambar 5. Berdasarkan Gambar 5-7, dapat diketahui bahwa lebih banyak kesalahan klasifikasi pixels pada citra yang ditunjukkan pada Gambar 6 dan Gambar 7 daripada citra yang ditunjukkan pada Gambar 5. Perlu diketahui bahwa, hasil thresholding metode Lopes pada citra dengan kontras rendah yang ditunjukkan pada Gambar 6(a) dan Gambar 6(e), semua pixels dalam citra diklasifikasikan sebagai background. Hal ini terjadi karena initial seeds yang dihasilkan oleh metode Lopes kurang representatif, sehingga metode tidak konvergen. Sedangkan metode yang diusulkan berhasil mempertahankan performa thresholding pada citra dengan kontras yang rendah seperti ditunjukkan pada Gambar 5(a) dan Gambar 5(e). Untuk membandingkan kualitas hasil thresholding, performa metode yang diusulkan dievaluasi dengan dua metode lainnya berdasarkan nilai Misclassification Error (ME) [10]. ME menghitung korelasi antara citra yang dihasilkan oleh metode thresholding dengan citra ground truth. Penentuan nilai ME didefinisikan berdasarkan persamaan berikut

ME  1 

BO  BT  FO  FT

(14)

BO  FO

dimana BO dan FO adalah background dan objek dari citra ground truth, sedangkan BT dan FT adalah background dan objek hasil citra tersegmentasi, secara berurutan.

(a)

88

(b) (c) (d) Gambar 3. Contoh citra panoramik gigi. (a) Citra 2, (b) Citra 8, (c) Citra 10, (d) Citra 13, (e) Citra 14

(e)


(e)

(a)

(d) (c) (b) Gambar 4. Contoh histogram citra panoramik gigi. (a) Citra 2, (b) Citra 8, (c) Citra 10, (d) Citra 13, (e) Citra 14

(a)

(b) (c) (d) Gambar 5. Hasil thresholding metode yang diusulkan. (a) Citra 2, (b) Citra 8, (c) Citra 10, (d) Citra 13, (e) Citra 14

(a)

(b) (c) (d) Gambar 6. Hasil thresholding metode Lopes. (a) Citra 2, (b) Citra 8, (c) Citra 10, (d) Citra 13, (e) Citra 14

(e)

(a)

(b) (c) (d) Gambar 7. Hasil thresholding metode Otsu. (a) Citra 2, (b) Citra 8, (c) Citra 10, (d) Citra 13, (e) Citra 14

(e)

(a)

(b) (c) (d) Gambar 8. Contoh citra ground truth. (a) Citra 2, (b) Citra 8, (c) Citra 10, (d) Citra 13, (e) Citra 14

(e)

(e)

89


TABEL I EVALUASI PERFORMA MENGGUNAKAN MISCLASSIFICATION ERROR (ME)

Citra Uji Citra 1 Citra 2 Citra 3 Citra 4 Citra 5 Citra 6 Citra 7 Citra 8 Citra 9 Citra 10 Citra 11 Citra 12 Citra 13 Citra 14

m

Metode Otsu (%) 26,82 7,49 45,3 2,41 84,2 0,77 40,73 27,43 49,12 44,37 76,21 1,33 41,6 7,91 32,54

Metode Lopes (%) 15,49 77,95 45,3 66,96 33,27 57,31 20,94 7,51 6,63 12,82 26,06 85,37 20,85 68,62 38,93

Metode yang Diusulkan (%) 42,26 4,66 47,76 8,12 46,54 19,23 19,17 2,49 21,89 4,33 39,25 4,76 20,33 7,22 20,57

Tabel I menunjukkan nilai ME dari citra hasil thresholding dengan citra ground truth untuk masing-masing metode thresholding. Dari evaluasi tersebut, metode yang diusulkan memiliki nilai rata-rata ME yang paling kecil. Hal ini menunjukkan bahwa metode yang diusulkan memiliki rasio kesalahan penentuan kelas yang paling kecil daripada dua metode lainnya. Berdasarkan evaluasi tersebut, dapat disimpulkan bahwa metode yang diusulkan menghasilkan citra tersegmentasi yang lebih baik daripada metode Lopes dan metode Otsu pada citra dengan pencahayaan yang tidak seragam dan kontras yang rendah, seperti yang ditemui pada citra panoramik gigi. VI. KESIMPULAN Pada penelitian ini diusulkan metode segmentasi citra panoramik gigi dengan pendekatan thresholding mengunakan similaritas antar gray level dengan penentuan initial seeds berdasarkan nilai index of fuzziness. Initial seeds yang efektif ditentukan berdasarkan nilai index of fuzziness terbesar yang dihitung pada setiap gray level dalam histogram. Dengan menghindari penentuan initial seeds berdasarkan jumlah pixels minimum, threshold yang optimal tetap dapat ditemukan pada citra dengan kontras yang rendah. Dari hasil evaluasi pada citra panoramik gigi, metode yang diusulkan menghasilkan citra tersegmentasi yang lebih baik daripada metode Otsu dan metode sebelumnya. Selain itu, hasil evaluasi juga menunjukkan bahwa metode yang diusulkan terbukti efektif digunakan pada citra panoramik gigi. DAFTAR PUSTAKA N.V. Lopes, dkk , “Automatic Histogram Threshold Using Fuzzy Measures,” IEEE Transactions on Image Processing, vol. 19, no. 1, hal. 199-204. 2010. [2] K. Umam, F.W. Putro, G.Q.O. Pratamasunu, “Segmentasi Pada Citra Panoramik Gigi dengan Metode Two-Stage SOM dan T-Cluster”, ULTIMA Computing, vol. 4, no. 1, hal. 7-13, Juni 2014. [3] N. Otsu, “A Threshold Selection Method from Gray-Level Histograms”. IEEE Transactions of Systems, Man, and Cybernetics, vol. 9, hal. 62–66. 1979. [4] O.J. Tobias, dan R. Seara, “Image Segmentation by Histogram Thresholding Using Fuzzy Sets”, IEEE Transactions on Image Processing, Vol. 11, No. 12, hal. 1457-1465, 2002. [5] S.K. Pal, R.A. King, A.A. Hashim, “Automatic Gray Level Thresholding through Index of Fuzziness and Entropy”, Pattern Recognition Letters, vol. 1, hal. 141-146. 1983. [6] A. Kaufmann, “Introduction to the Theory of Fuzzy Subsets—Fundamental Theoretical Elements. New York: Academic Press, 1975, vol. 1. [7] H.R. Tizhoosh, “Image thresholding using type II fuzzy sets”, Pattern Recognition, vol. 38, hal. 2363-2372, 2005. [8] A.Z. Arifin, dan A. Asano, “Image Thresholding by Measuring the Fuzzy Sets Similarity”, dalam Proc. Information and Communication Technology Seminar, 2005, hal. 189-194. [9] A.Z. Arifin, A.F. Heddyanna, and H. Studiawan, “Ultrafuzziness Optimization Based on Type II Fuzzy Sets for Image Thresholding”, ITB Journal of information and communication technology, vol. 4, no. 2, hal. 79-94, 2010. [10] M. Sezgin dan B. Sankur, “Survey over Image Thresholding Techniques and Quantitative Performance Evaluation”, Journal of Electronic Imaging, vol. 13, no. 1, hal. 146–165, 2004. [1]

90

SEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN SIMILARITAS ANTAR GRAY LEVEL BERDASARKAN INDEX OF FUZZINESS

Recommend Documents