DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM

Transkripsi

1 TESIS DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM PUTU DESIANA WULANING AYU NIM PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013 i

2 TESIS DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM Tesis untuk Memperoleh Gelar Magister Pada Program Magister, Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana PUTU DESIANA WULANING AYU NIM PROGRAM MAGISTER PROGRAM STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2013 ii

3 Lembar Pengesahan TESIS INI TELAH DISETUJUI TANGGAL 6 DESEMBER 2013 Pembimbing I, Pembimbing II, Dr. I Ketut Gede Darma Putra, S.Kom.,MT Dr. Eng. Putu Agung Bayupati, ST.,MT NIP NIP Mengetahui Ketua Program Magister Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana Direktur Program Pascasarjana Universitas Udayana Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D Prof. Dr. dr. A. A. Raka Sudewi, Sp.S(K) NIP NIP iii

4 Tesis ini Telah Diuji pada Tanggal 6 Desember 2013 Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana No. :, Tanggal Ketua : Dr. I Ketut Gede Darma Putra, S.Kom.,MT Anggota : 1. Dr. Eng. Putu Agung Bayupati, ST.,MT 2. Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D 3. Dr. Ir. Made Sudarma, M.A.Sc 4. Ni M.A.E. Dewi Wirastuti, ST.,M.Sc.,Ph.D iv

5 UCAPAN TERIMAKASIH Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Shang Hyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahanya tesis yang berjudul DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM ini dapat diselesaikan. Pada kesempatan ini perkenankanlah penulis mengucapkan terima kasih yang sebesar-besarnya kepada Dr. I Ketut Gede Darma Putra, S.Kom.,MT., selaku dosen pembimbing I yang telah banyak membantu dalam memberikan ide, saran dan motivasi. Terimakasih yang sebesar-besarnya pula kepada penulis sampaikan kepada Dr. Eng. Putu Agung Bayupati, ST.,MT, selaku dosen pembimbing II yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini. Ucapan yang sama juga ditujukan kepada Direktur Program Pasca Sarjana Universitas Udayana yaitu Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K) atas kesempatan yang diberikan kepada penulis untuk dapat menjadi mahasiswa pada program Pascasarjana Universitas Udayana, serta ucapan terima kasih kepada Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D, sebagai Ketua Program Magister Program Studi Teknik Elektro Program Pasca Sarjana Universitas Udayana. Ungkapan terima kasih penulis sampaikan pula kepada para penguji tesis, yaitu Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D, Dr.Ir. Made Sudarma, M.A.Sc dan Ni Made Ary Esta Dewi Wirastuti, ST.,MSc.,Ph.D, atas saran, masukan, sanggahan dan koreksi sehingga tesis ini dapat terwujud seperti saat ini. Pada kesempatan ini penulis menyampaikan ucapan terima kasih yang tulus kepada Ayah dan Ibu yang telah membesarkan dan mengasuh penulis, seluruh anggota keluarga yang memberikan semangat dan bantuan, rekan-rekan kerja, yang telah memberikan semangat dan motivasi untuk dapat dengan segera menyelesaikan Tesis ini. Semoga Ida Shang Hyang Widhi Wasa selalu melimpahkan rahmat-nya kepada semua pihak yang membantu pelaksanaan dan penyelesaian tesis ini. v

6 ABSTRAK DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM Salah satu analisis yang terpenting dari obsetri janin adalah pengukuran pada kepala. Pengukuran ini menghasilkan Biparetal Diameter (BPD) dan Head Circumference (HC). Kedua hasil pengukuran merupakan parameter untuk menghasilkan informasi yang berguna dalam mengevaluasi pertumbuhan usia gestasi dan perkembangannya. Melihat pentingnya hasil pengukuran, penelitian ini mencoba membangun sistem untuk mendeteksi kepala janin yang bertujuan memperoleh pengukuran BPD dan HC berdasarkan kombinasi metode. Untuk mendapatkan hasil pengukuran BPD dan HC, penelitian ini menggunakan data uji sebanyak 30 citra USG yang diperoleh dari dokter kandungan dengan format file berupa bitmap (bmp). Citra uji pada penelitian ini berada pada koordinat ruang warna RGB. Penelitian dilakukan dalam 4 tahap; tahap pertama adalah merubah citra uji ke ruang warna L*a*b, sehingga terdapat 2 jenis citra uji, yaitu citra yang berada pada komponen ruang warna RGB dan L*a*b. Tahap kedua melakukan proses filter (smooth filter) dengan menggunakan tapis low pas filter dengan kernel 3x3, tahap ketiga melakukan segmentasi berbasis klaster dengan metode Fuzzy C-Means dengan klaster minimum sebanyak 2, dan tahap keempat adalah melakukan pengujian dengan metode IRHT untuk mendapatkan best elips dari citra uji. IRHT merupakan metode pendekatan elips yang cara kerjanya bersifat iterative atau berulang untuk dapat menemukan parameter pembentuk elips. Perulangan secara acak berkaitan dengan proses iterasi dan scanning yang merupakan parameter penting untuk mendapatkan elips. Hasil pengujian terhadap segmentasi menunjukkan citra pada ruang warna RGB menghasilkan segmentasi yang lebih baik dari ruang warna L*a*b, yang ditunjukkan oleh 6 hasil segmentasi pada ruang warna L*a*b yang kurang sempurna yaitu citra 8, 11, 14, 23, 27 dan 29, tetapi dari segi waktu eksekusi ruang warna L*a*b membutuhkan waktu yang lebih singkat dengan waktu eksekusi pada L*a*b sebesar 4.3 detik dan untuk RGB sebesar 11.5 detik. Untuk akurasi pengukuran BPD, HC serta usia gestasi pada masing-masing ruang warna yaitu RGB dan L*a*b menunjukkan akurasi sebesar 79.40% dan 79.30%, kemudian HC sebesar 74.03% dan 73.61%, serta usia gestasi sebesar 82.40% dan 81.84%. Dari hasil akhir pengujian dapat disimpulkan bahwa ruang warna RGB menunjukkan unjuk kerja yang lebih baik dari ruang warna L*a*b. Kata kunci : Biparetal Diameter (BPD), Head Circumference (HC), Fuzzy C-Means, Iterative Randomized Hough Transform (IRHT), low pas filter. vi

7 ABSTRACT ULTRASOUND FETAL HEAD DETECTION WITH RGB COLOR SPACE, CIEL*a*b, FUZZY C-MEANS AND ITERATIVE RANDOMIZED HOUGH TRANSFORM One of the most important analysis of fetal obsetri on the head is measurement. These measurements yield Biparetal Diameter (BPD) and Head Circumference (HC). Both results of the measurement is a parameter to generate information in evaluating the growth and development of gestational age. Therefor, this research tried to build system to detect the fetal head measurements aimed at obtaining the BPD and HC based on a combination of methods. To get the BPD and HC measurements, this research uses as many as 30 test data obtained from ultrasound images obstetrician with file formats such as bitmap (bmp). Test images in this study are in the RGB color space coordinates. The study was conducted in four stages: the first stage is to change the test images into L*a*b color space, so that there are 2 types of test images, the images are in the RGB color space components and L*a*b. The second stage filter process using a low pas filter with 3x3 kernel, the third stage of segmentation using minimum cluster as many as 2 based cluster with Fuzzy C-Means, and the fourth stage to test the method to get the best elliptical IRHT of the test images. IRHT an elliptical approach that works is iterative, or repeated in order to find the parameters of the ellipse forming. Recurrence randomly associated with the process of iteration and scanning is an important parameter to obtain an ellipse. The test results showed the clustering based image segmentation in the RGB color space better than L*a*b color space, which is shown by 6 results in the segmentation of L*a*b color space is less than perfect is the image of 8, 11, 14, 23, 27 and 29, but in terms of execution time L*a*b color space requires a shorter time to the execution time on the L*a*b of 4.3 seconds and 11.5 seconds to RGB. For the measurement accuracy of BPD, HC and gestational age in each color space is RGB and L*a*b shows an accuracy of % and %, in HC shows an accuracy of % and %, and for gestational age shows % and %. Thus, concluded this research showing RGB color space have a better performance than L*a*b color space for fetal head detection. Key words : Biparetal Diameter (BPD), Head Circumference (HC), Fuzzy C- Means, Iterative Randomized Hough Transform (IRHT). vii

8 DAFTAR ISI Halaman SAMPUL DALAM... PRASYARAT GELAR... LEMBAR PERSETUJUAN... PENETAPAN PANITIA PENGUJI... PERNYATAAN KEASLIAN PENELITIAN... ABSTRAK... ABSTRACT... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR ISTILAH... i ii iii iv v vi vii viii xiii xv xix BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup dan Batasan Masalah Keaslian Penelitian... 7 BAB II KAJIAN PUSTAKA State Of the Art Medical Imaging Magnetic Resonance Imaging (MRI ) Prinsip Kerja MRI Kelebihan MRI viii

9 2.2.3 Ultrasonography Faktor yang mempengaruhi kualitas gambar citra USG Cara kerja USG Cara pengukuran Biparetal Diameter (BPD) Operasi Pengolahan Citra Jenis Citra Digital Sistem Koordinat Warna Sistem koordinat warna CIE Sistem Koordiat Warna XYZ Segmentasi Citra Metode Segmentasi Berdasarkan Ruang Warna RGB Metode Segmentasi Berdasarkan Ruang Warna L*a*b Impuls Noise Konvolusi Smooth Filter Fuzzy C-Means (FCM) Deteksi Elips dengan Hough Transform Menentukan titik point X1, X2,X Mendapatkan persamaan garis dari masing-masing titik point Menghitung garis intersection (X1,X2) dan (X2,X3) Menghitung garis bisector dari titik tangent interseption Mencari Semimayor dan Semiminor BAB III METODELOGI PENELITIAN Tempat dan Waktu Penelitian Sumber Data Metode Pengumpulan Data Sumber Data Standarisasi Pengukuran BPD dan HC Instrumen Penelitian Gambar Umum Sistem ix

10 3.4.1 Tahapan Proses pada Ruang Warna L*a*b Tahapan Proses Filtering Tahapan Proses Klasterisasi dengan Fuzzy C-Means Tahapan Deteksi Elips dengan IRHT Kalibrasi dari Piksel ke Satuan Panjang (mm) Algoritma Program Algoritma Ruang Warna dengan L*a*b Algoritma Smooth Filter Algoritma Klastering (Fuzzy C-Means) Algoritma IRHT Pemograman Modul Segmentasi Ruang Warna dengan L*a*b Modul Filtering Modul Klastering (Fuzzy C-Means) Modul Deteksi Elips (IRHT) Modul Menentukan Pengukuran BPD dan HC serta proses kalibrasi Antarmuka Aplikasi BAB IV HASIL DAN PEMBAHASAN Processing Sampel Citra USG Membagi Citra Sampel ke Dalam Ruang Warna Filterisasi Citra Cara Pengujian Sistem Deteksi Kepala Janin Hasil Pengujian Sistem Deteksi Kepala Janin Hasil Uji Coba Antarmuka Sistem Pengujian Segmentasi Berbasis Klastering dengan x

11 Fuzzy C-Means Pengujian Ruang Warna RGB tanpa proses Filter dengan Fuzzy C-Means Pengujian Ruang warna L*a*b tanpa proses Filter dengan Metode Fuzzy C-Means Hasil Segmentasi pada Kedua Ruang Warna tanpa Proses Filter Metode Fuzzy C-Means Pengujian Ruang Warna RGB pada Proses Smooth Filter dengan Metode Fuzzy C-Means Pengujian Ruang Warna L*a*b pada Proses Smooth Filter dengan Fuzzy C-Means Hasil Segmentasi dengan Metode Fuzzy C-Means dengan proses Smooth Filter pada 2 ruang warna Pengujian Deteksi Elips dengan menggunakan Metode IRHT Terhadap Hasil Segmentasi Berbasis Klastering Pengujian Metode IRHT dengan 2 Scanning Pengujian Metode IRHT dengan 4 Scanning Pengujian Metode IRHT dengan 6 Scanning Analisa Hasil Pengujian Analisa Hasil Pengujian Segmentasi Kedua ruang warna dengan Fuzzy C-Means Analisa Hasil Pengujian Deteksi Elips Berdasarkan Parameter Analisa Hasil Pengujian Terhadap Kecendrungan Iterasi pada masing-masing scan Analisa Hasil Perbandingan Akurasi Pengukuran Hasil Akurasi Usia Gestasi Hasil Deteksi Elips dengan Hasil Akurasi Tertinggi xi

12 Analisa Hasil Pengukuran Terhadap Running Time Analisa Perbandingan Hasil Pengujian BAB V SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA LAMPIRAN 160 xii

13 DAFTAR TABEL Halaman Tabel 2.1 Rangkuman State of the art Tabel 3.1 Contoh citra uji Tabel 3.2 Standarisasi pengukura BPD dan HC menurut Hadlock FP Tabel 4.1 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi Tanpa Filtering Pada Citra Uji dengan Ruang Warna RGB Tabel 4.2 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi Tanpa Filter Pada Citra Uji dengan Ruang Warna L*a*b 98 Tabel 4.3 Hasil Segmentasi Berbasis Klaster pada Kedua Ruang Warna tanpa Filter dengan Fuzzy C-Means Tabel 4.4 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang Warna RGB Tabel 4.5 Hasil percobaan rata-rata waktu eksekusi dalam proses segmentasi dengan (Smooth Filter) pada citra uji dengan ruang warna L*a*b Tabel 4.6 Hasil segmentasi kedua ruang warna berbasis klaster dengan smooth filter pada Fuzzy C-Means Tabel 4.7 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter Tabel 4.8 Persentase Kecendrungan Nilai Iterasi pada Parameter 2 Scanning untuk BPD Tabel 4.9 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter Tabel 4.10 Persentase Kecendrungan Nilai Iterasi 2 Scanning pada HC Tabel 4.11 Perbandingan Persentase Akurasi Pengukuran BPD dan HC dalam 2 Ruang Warna dengan 2 Scanning Tabel 4.12 Running Time Terbaik Antara 2 Ruang Warna Pada 2 Scanning Tabel 4.13 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil xiii

14 Pengukuran Dokter Pada Scanning Tabel 4.14 Persentase Kecendrungan Nilai Iterasi Pada Parameter 4 Scanning Untuk BPD Tabel 4.15 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning Tabel 4.16 Persentase Kecendrungan Nilai Iterasi pada Parameter 4 Scanning untuk HC Tabel 4.17 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan Parameter 4 Scanning Tabel 4.18 Running Time Terbaik antara 2 Ruang Warna dengan 4 Scanning 129 Tabel 4.19 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning Tabel 4.20 Persentase Kecendrungan Nilai Iterasi pada Parameter 6 Scanning untuk Pengukuran BPD Tabel 4.21 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter Pada Scanning Tabel 4.22 Persentase Kecendrungan Nilai Iterasi dengan 6 Scanning untuk Pengukuran HC Tabel 4.23 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan Parameter 6 Scanning Tabel 4.24 Running Time Terbaik antara 2 Ruang Warna pada Scanning Sebanyak Tabel 4.25 Hasil Pengujian Terhadap Kecendrungan Nilai Iterasi pada Scanning yang Berbeda untuk Kedua Ruang Warna. 145 Tabel 4.26 Perbandingan Persentase Akurasi Hasil Pengujian untuk Pengukuran BPD dan HC pada 2 Ruang Warna Tabel 4.27 Hasil Persentase Kedekatan Usia Gestasi antara Dokter dan Sistem Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 scanning xiv

15 DAFTAR GAMBAR Halaman Gambar 2.1 MRI Gambar 2.2 USG 2 Dimensi Gambar 2.3 Contoh Citra USG kepala pada janin Gambar 2.4 Bidang potong BPD Gambar 2.5 Dolikhosefali Oksipito-Frontalis Gambar 2.6 Alur pengolahan citra Gambar 2.7 Representasi dari ruang warna RGB Gambar 2.8 Pembagian ruang warna pada CIELab Gambar 2.9 Gambar Diagram chromaticity L*a*b pada kecerahan L* Gambar 2.10 Ilustrasi proses konvolusi Gambar 2.11 Ilustrasi penentuan pusat klaster dengan Fuzzy C-Means 39 Gambar 2.12 Anatomi dari elips Gambar 2.13 Menentukan titik point X1,X2,X3 pada citra asli Gambar 2.14 Menentukan kemiringan garis berdasarkan kedekatan antara piksel Gambar 2.15 Garis Intersection Gambar 2.16 Garis Bisector Gambar 2.17 Mendapatkan nilai tangent, bisector dan titik pusat elips Gambar 3.1 Gambar umum sistem Gambar 3.2 Bagan proses konversi ruang warna dari RGB ke L*a*b Gambar 3.3 Bagan Proses Filtering Gambar 3.4 Bagan Proses Fuzzy C-Means dengan 2 ruang warna tanpa filter Gambar 3.5 Bagan Proses Fuzzy C-Means dengan 2 ruang warna smooth filter Gambar 3.6 Bagan proses IRHT Gambar 3.7 Bagan proses kalibrasi piksel ke satuan panjang Gambar 3.8 Flowchart konversi koordinat warna RGB ke L*a*b xv

16 Gambar 3.9 Flowchart smooth filter Gambar 3.10 Flowchart Fuzzy C-Means Gambar 3.11 Flowchart IRHT Gambar 3.11 Form Aplikasi Gambar 4.1 Pembagian ruang warna dengan tresholding Gambar 4.2 Proses filter citra uji dengan ruang warna RGB Gambar 4.3 Tampilam awal program saat dijalankan Gambar 4.4 Tampilan hasil untuk konversi RGB ke L*a*b Gambar 4.5 Tampilan hasil untuk proses filtering (smooth filter) RGB Gambar 4.6 Proses filter citra uji dengan ruang warna L*a*b Gambar 4.7 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna RGB Gambar 4.8 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna L*a*b Gambar 4.9 Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi Gambar 4.10 Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi Gambar 4.11 Grafik perbandingan waktu eksekusi hasil segmentasi klastering antara 2 ruang warna Gambar 4.12 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna Gambar 4.13 Grafik perbandingan pengujian waktu yang dibutuhkan dalam proses segmentasi antara citra uji RGB dengan L*a*b dengan smooth filter Gambar 4.14 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna Gambar 4.15 Grafik persentase kecendrunagn iterasi pada parameter 2 scanning xvi

17 Gambar 4.16 Grafik persentase kecendrungan nilai iterasi pada parameter 2 scanning Gambar 4.17 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna Gambar 4.18 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna Gambar 4.19 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter terbaik Gambar 4.20 Grafik persentase kecendrungan nilai iterasi pada parameter 4 scanning untuk BPD Gambar 4.21 Grafik persentase kecendrungan niali iterasi pada parameter 4 scanning untuk HC Gambar 4.22 Grafik persentase hasil pengukuran BPD pada sisem terhadap dokter dalam 2 ruang warna pada scanning Gambar 4.23 Grafik persentase hasil pengukuran HC pada sisem terhadap dokter dalam 2 ruang warna pada scanning Gambar 4.24 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian 4 scanning terbaik 130 Gambar 4.25 Grafik persentase kecendrungan nilai iterasi pada parameter 46 scanning untuk BPD Gambar 4.26 Grafik presentase kecendrungan nilai iterasi pada parameter 6 Scanning scanning untuk HC Gambar 4.27 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna pada scanning Gambar 4.28 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna pada scanning Gambar 4.29 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian 6 scanning terbaik 141 Gambar 4.30 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap kecendrungan iterasi pada 2 ruang warna xvii

18 Gambar 4.31 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap 2 ruang warna Gambar 4.32 Running time proses pada pengujian terhadap parameter scann 153 xviii

19 DAFTAR ISTILAH Anterior Biparetel Diameter Caliper Cavum septum pellusidum : anatomi struktur bagian depan. : merupakan jarak dari margin luar kepala ke margin bagian dalam kepala, dan diukur sebagai jarak antara dua endpoint yang ditandai secara manual pada kepala janin. : jarak antar kedua titik sumbu berdasarkan sumbu terpanjang. : menggambarkan septum pellucidum yang memiliki pemisahan antara dua leaflet (septum lamina). Clustering : proses mengelompokkan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Coefficient of determintation Computed tomography : besarnya variance dari satu variable yang merupakan andil dari variable lain. : adalah sebuah metode penggambaran medis menggunakan tomografi di mana pemrosesan geometri digunakan untuk menghasilkan sebuah gambar tiga dimensi bagian dalam sebuah objek. Coronal : bidang yang membagi tubuh menjadi 2 sisi depan dan belakang. Endoscopy Endpoint Euclidean distance : adalah alat untuk meneropong organorgan dalam tubuh manusia tanpa sayatan dengan alat berbentuk tabung yang dimasukkan ke dalam tubuh manusia. : titik pusat pada satu gambar. : metrika persamaan untuk menghitung kesamaan 2 vektor. xix

20 Fetus Fuzzy C-Means : adalah mamalia yang berkembang setelah fase embrio dan sebelum kelahiran atau pada manusia dapat disebut juga dengan janin. : teknik pengklasteran data yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan. Gain : penguatan sinyal mengkonvensasi atenuasi perambatan ultrasound dalam jaringan maka pada alat USG. Gestasi Ginekologi Head Circumference Hidrosefaelus Intrakranial Image segmentation : periode waktu bayi berada di dalam rahim dimana periode yang dipelukan antara 38 dan 42 minggu (dihitung dari hari pertama menstruasi terakhir atau HPMT). : spesialisasi medis yang berhubungan dengan perawatan kesehatan bagi perempuan, khususnya diagnosis dan pengobatan gangguan yang memengaruhi perempuan. : keliling kepala luar, dan secara manual diukur dengan menelusuri kepala janin : kelainan yang terjadi pada kepala fetus dimana terjadi penimbunan cairan otak yang diikuti pembesaran sistem ventrikel. : bagian atau susunan dari bagian kepala fetus, seperti septi cavum pellucidi, falx thalabi. : membagi suatu citra menjadi wilayahwilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel tetangganya, kemudian hasil dari proses segmentasi ini akan digunakan untuk proses tingkat xx

21 tinggi lebih lanjut yang dapat dilakukan terhadap suatu citra. Imaging Diagnostic : suatu cara untuk menghasilkan gambar atau citra organ bagian dalam tubuh manusia dengan menggunakan suatu peralatan dan hasil gambaran itu digunakan dokter untuk mendiagnosa suatu penyakit Iterative Random Hough Transform : teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batasbatasnya dengan mengulang-ulang sesuai dengan banyaknya iterasi sampai mendaptkan hasil yang baik. K-Means : metode klasifikasi tak terawasi (unsupervised) yang membagi data ke dalam satu atau lebih cluster atau kelompok. Local image feature Muskulosketal Perfusi Posterior Random Hough Transform Sagital aksis : jarak piksel ketetanggaan. : sistem kompleks yang melibatkan otototot dan kerangka tubuh, dan termasuk sendi, ligamen, tendon, dan saraf. : aliran darah melalui sirkulasi pulmonal (darah dipompa ke paru-paru oleh ventrikel kanan melalui arteri pulmonal) atau pengisian kapiler pulmonal dengan darah. : anatomi struktur bagian belakang. : teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batasbatasnya. : aksis sagital berjalan dari permukaan belakang ke permukaan depan tubuh melalui titik perpotongan dan tegak lurus kedua aksis lainnya. xxi

22 Sonografi Obsestri : teknik diagnostik pencitraan menggunakan suara ultra yang digunakan untuk mencitrakan organ internal dan otot, ukuran mereka, struktur, dan luka patologi yang biasa digunakan ketika masa kehamilan. Spalding sign : tumpang-tindihnya dan angulasi tulangtulang cranial merupakan akibat-lanjutan dari menyusutnya otak dan kolapsnya tengkorak. Thalamus : merupakan struktur yang terdapat pada pusat otak dan berfungsi menyampaikan dan menerima pesan ke dan dari bagian lain otak terletak pada korteks serebral dan otak tengah. Tonjolan ekstremitas Transduser Trimester Ventrikel : tonjolan yang terjadi pada janin yang terbentuk pada trimester 1, biasanya tonjolan ini merupakan cikal bakal terbentuknya tangan atau kaki pada janin. : komponen USG yang ditempelkan pada bagian tubuh yang akan diperiksa, seperti dinding perut yang didalamnya dapat mengubah gelombang akuistik menjadi gelombang elektronik yang dapat dibaca oleh komputer sehingga dapat diterjemahkan dalam bentuk gambar. : periode waktu kehamilan yang masingmasing terdiri dari 3 bulan. : ruang jantung yang bertanggung jawab untuk memompa darah ke seluruh tubuh. Ventrikel Lateral : jarak antar kedua titik sumbu berdasarkan sumbu terpanjang suatu rongga sempit di garis tengah yang berbentuk corong unilokuler, letaknya di tengah kepala, ditengah korpus kalosum. X-ray : cara atau treatment yang paling tua dan sering digunakan untuk pencitraan medis. X-Ray tulang digunakan untuk pencitraan xxii

23 tulang dalam tubuh, meliputi tangan, pergelangan tangan, lengan, kaki, pergelangan kaki, lutut ataupun paha. xxiii

24 BAB I PENDAHULUAN 1.1 Latar Belakang Ultrasonografi (USG) merupakan salah satu imaging diagnostic yang digunakan untuk pemeriksaan keadaan alat-alat vital dalam tubuh manusia, dengan USG dapat dipelajari bentuk, ukuran anatomis, gerakan serta hubungan dengan jaringan di sekitarnya (Mose dkk, 2004). Pada umumnya pemeriksaan dengan USG bersifat non-invansif, tidak menimbulkan rasa sakit pada penderita, dapat dilakukan dengan cepat dan cukup aman jika dilakukan dengan standarisasi yang ada (Endjun, 2011). Penggunaan USG dalam dunia kesehatan dikenal juga dengan istilah sonografi obsetri, dilakukan pada kehamilan yang bertujuan untuk mengetahui anatomi janin. Pemeriksaan anatomi janin merupakan bagian dari standar pemeriksaan ultrasonografi obsetri yang dilakukan untuk mengidentifikasi organ internal utama janin. Pemeriksaan ini terbagi menjadi beberapa bagian yang disebut dengan trimester. Pada trimester I, pemeriksaan anatomi janin sangat terbatas, dikarenakan ukuran embrio dan janin masih kecil. Pada akhir trimester I dapat dikenali kepala, badan, tonjolan ekstremitas dan denyut jantung (Mose, 2011). Salah satu hasil pemeriksaan sonografi obsetri yang didapatkan pada trimester II dan III adalah kepala. Kepala pada janin umumnya kepala berbentuk oval, bulat (brachcephaly) dan elips (dolichocephaly), serta memiliki ukuran yang berbeda-beda sesuai dengan umur atau gestasi janin itu sendiri. Untuk 1

25 2 menemukan ukuran kepala pada janin dilakukan proses perekaman oleh transduser yang dilakukan oleh dokter atau ahli medis, hasil dari perekaman kepala yang baik jika kepala terdeteksi mendekati bentuk seperti bola rugby atau elips, dengan bentuk lebih bundar pada daerah posterior dan lebih lancip pada daerah anterior (Endjun, 2011). Pengukuran pada kepala janin bertujuan untuk mengetahui kondisi perkembangan lebih dini dari janin, diantaranya adalah untuk mengetahui perkembangan kondisi janin apakah berada dalam kondisi normal atau abnormal, dikatakan abnormal jika ukuran biparetal diameter berada pada ukuran lebih dari 110 mm, (Mose, 2004). Dengan mengetahui lebih dini adanya ukuran kepala yang abnormal, maka dapat dilakukan pemeriksaan lebih lanjut untuk mengetahui terjadinya kelainan yang dapat terjadi pada janin seperti hidrosefaelus. Hasil pengukuran kepala tidak hanya menghasilkan informasi kelainan pada janin, tetapi dapat memberikan informasi mengenai umur kehamilan dan berat janin dengan mengkombinasikan pengukuran-pengukuran lainnya seperti pemeriksaan kondisi ventrikel dan fossa posterior, tulang punggung dan lingkar perut. Pengukuran kepala janin terdiri dari dua bagian yaitu Biparetal Diameter (BPD) dan Head Circumference (HC). BPD merupakan jarak dari margin luar kepala ke margin bagian dalam kepala dan diukur sebagai jarak antara dua endpoint yang ditandai secara manual. Sedangkan HC adalah keliling kepala luar, dan secara manual diukur dengan menelusuri kepala janin (Willocks, 1964). Sampai saat ini ahli medis melakukan pengukuran BPD masih secara manual, yaitu dengan menempatkan kapiler dan menarik garis tegak lurus pada

26 3 garis tengah dan potongan terbesar dari hasil perekaman oleh transduser. Sedangkan untuk memperoleh HC dilakukan dengan meletakkan kapiler pertama di anterior tepat diujung garis tengah kepala, kapiler ke dua diletakkan tepat diujung posterior garis tengah kepala, kemudian tombol set atau enter ditekan sehingga ukuran BPD, HC dan usia gestasi dapat ditampilkan pada citra USG. Melihat pentingnya hasil dari pengukuran kepala janin terhadap hasil BPD, HC dan usia gestasi yang merupakan komponen dasar untuk menghasilkan informasi yang dibutuhkan dalam mendiagnosa kondisi janin. Dengan melihat kondisi diatas beberapa model penelitian telah dikembangkan untuk menentukan ukuran BPD dan HC dengan menerapkan metode-metode untuk dapat menghasilkan pengukuran secara otomatis dan mendekati kenyataan. (Yufei Shen, 2009) dalam penelitiannya menjelaskan, untuk mendapatkan hasil pengukuran BPD dan HC pada citra USG, diperlukan gambar bentuk kepala yang cukup sempurna pada citra USG. Untuk dapat menentukan batas yang dianggap sebagai lingkar kepala dengan jelas, maka diperlukan teknik untuk memisahkan background dan objek lingkar kepala. Salah satu teknik adalah dengan menerapkan segmentasi citra dan pendekatan elips. Penelitian terkait untuk pengukuran BPD dan HC pada kepala janin dintaranya adalah We Lu (2008) dengan metode segmentasi berupa klasterisasi pikses berdasarkan nilai keabuan menggunakan K-Means serta metode IRHT untuk mendeteksi BPD dan HC pada janin. Yufei Shei (2009) melakukan penelitian dengan menerapkan metode segmentasi berupa adaptive tresholding

27 4 dan edge thinning serta IRHT sebagai deteksi elips. Dwi Puspitasari (2010) mengembangkan metode Fuzzy C-Means berdasarkan informasi spasial ketetanggan antar piksel serta IRHT. Untuk proses segmentasi, pada penelitian ini mencoba menggunakan metode segmentasi berbasis klastering yaitu Fuzzy C-Means dimana citra pada data uji dibagi berdasarkan koordinat ruang warna. Koordinat ruang warna dalam penelitian ini terdiri dari dua bagian, yaitu koordinat ruang warna RGB (koordinat warna citra uji) dan koordinat ruang warna L*a*b. RGB (Red, Green, Blue ) menampilkan citra dalam 3 komponen warna yaitu merah, hijau dan biru, disebut juga sebagai additive primaries karena warna citra pada ruang warna RGB didapat dari kombinasi dari ketiga komponen warna (Wei dan Ying, 2005). L*a*b lebih dikenal dengan ruang warna CIEL*a*b dimana L didefinisikan sebagai lightness, sedangkan a dan b mewakili jumlah warna dalam citra (Seema Banzal, 2011). Metode segmentasi ini sudah dilakukan diantaranya oleh Anil Z (2010) segmentasi citra satelit dengan metode ruang warna CIEL*a*b dan K-Means, Seema Bansal (2011) menggunakan metode ruang warna CIELab dan Ant Colony terhadap citra berwarna. Sedangkan Fuzzy C-Means adalah suatu teknik pengklasteran data yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan (Bezdek, 1981). Metode segmentasi ini diharapkan dapat menghasilkan segmentasi yang akan digunakan sebagai citra input dalam proses deteksi elips selanjutnya.

28 5 Metode pendekatan untuk mendeteksi lingkar kepala adalah dengan metode deteksi elips. Algoritma deteksi elips terus mengalami perkembangan dimulai dari Randomize Hough Transform (RHT). Kelebihan dari RHT adalah penyimpanan kecil, kecepatan tinggi, akurasi baik. Akan tetapi RHT gagal mendeteksi kurva pada gambar yang memiliki noise tinggi dan tidak lengkap. Dikarenakan semua piksel tetap diperhitungkan dalam pemilihan sampling, termasuk noise (Xu dan Oja E, 1990). Selanjutnya (WeiLu, 2008) memperkenalkan Iterative Randomized Hough Transform (IRHT) untuk mendeteksi elips. IRHT melakukan pencarian kurva dikurangi secara iterative berdasarkan kemungkinan elips terbaik yang ditemukan, sehingga noise akan dikeluarkan dari daerah yang diinginkan. IRHT dapat mendeteksi elips yang tidak lengkap dengan banyak noise sehingga mampu untuk menghasilkan kekurangan kesalahan deteksi. Dengan menerapkan beberapa metode yang telah dijabarkan di atas, diharapkan penelitian ini dapat menghasilkan sistem pengukuran BPD, HC dan usia gestasi dengan parameter pembanding dari hasil pengukuran BPD, HC dan usia gestasi yang dilakukan oleh dokter, serta unjuk kerja dari beberapa metode yang digunakan dalam proses pembuatan sistem. 1.2 Rumusan Masalah Berdasarkan latar belakang di atas, maka dapat dirumuskan permasalahan yang dijabarkan sebagai berikut : 1. Bagaimana unjuk kerja ruang warna dalam segmentasi citra USG dengan Fuzzy C-Means.

29 6 2. Bagaimana untuk kerja ruang warna terhadap IRHT dalam deteksi elips. 1.3 Tujuan penelitian Tujuan yang diharapkan dari hasil penelitian ini adalah sebagai berikut : 1. Untuk mengetahui unjuk kerja ruang warna dalam segmentasi citra USG dengan Fuzzy C-Means. 2. Untuk mengetahui unjuk kerja Iterative Random Hough Transform (IRHT) dalam melakukan deteksi elips terhadap ruang warna. 1.4 Manfaat Penelitian Hasil dari penelitian ini diharapkan memberikan manfaat sebagai berikut : 1. Dapat menghasilkan kombinasi metode untuk segmentasi berbasis klastering khususnya pada objek citra USG kepala janin. 2. Menghasilkan sistem deteksi untuk pengukuran BPD dan HC pada kepala janin khususnya untuk citra USG. 1.5 Ruang Lingkup Penelitian Dalam penelitian ini dibatasi oleh beberapa ruang lingkup sebagai berikut : 1. Pada proses akuisisi citra, data uji dipilih secara acak dengan usia kandungan minggu, data uji diperoleh secara langsung berupa file gambar USG yang disimpan dalam bentuk file dengan format bitmap (bmp). 2. Data uji yang digunakan berasal dari dokter spesialis kandungan yaitu Dr I Made Suka Antara SpOg, Dr. I Made Winarta SpOg yang masingmasing dokter bertugas pada klinik bersalin.

30 7 3. Hasil akhir dari penelitian ini hanya mendapatkan persentase akurasi hasil pengukuran BPD, HC serta usia gestasi yang dihasilkan sistem terhadap data pengukuran dari ahli medis. 4. Penelitian ini menggunakan MATLAB 7.12 untuk keseluruhan proses dalam menghasilkan BPD, HC serta usia gestasi. 5. Pada proses penentuan elips terbaik, dilakukan dengan pengamatan elips yang terbentuk terhadap gambar asli secara visual (elips yang dihasilkan oleh sistem menutupi hasil segmentasi atau skleton (maksimal berada di margin terluar dari segmentasi gambar). 6. Nilai parameter untuk scanning dan iterasi dibatasi dengan pengujian pada scanning ke-2, 4 dan 6, kemudian untuk iterasi dimulai dengan 50, 100, 150, 175 dan Keaslian Penelitian Penelitian dengan judul Detection Of Incomplete Ellipse In Images With Strong Noise By Iterative Randomized Hough Transform (IRHT) telah melakukan penelitian berkaitan dengan deteksi kepala serta pengukuran BPD dan HC dengan menggunakan metode IRHT dengan segmentasi berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means (Lu dan Jinglu, 2008). Penelitian yang berjudul Fetal Skull Analysis in Ultrasound Images Based on Iterative Random Hough Transform, melakukan analisis untuk mencari BPD dan HC pada gambar USG kepala janin. Algoritma yang digunakan adalah IRHT pada proses pendeteksian elips. Untuk segmentasi dilakukan dengan proses

31 8 adaptive tresholding, dan kemudian dilanjutkan proses thinning untuk memperhalus kontur elips yang diinginkan (Yufei, 2009). Dalam penelitian yang berjudul Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means dengan Informasi Spasial dan IRHT untuk menemukan BPD dan HC (Puspitasari, 2010). Penelitian yang berjudul Color Image Segmentation using CIELab Color Space using Ant Colony Optimization (Seema Bansal, 2011) melakukan pengujian segmentasi berdasarkan metode CIELab dan optimasi klaster menggunakan Ant Colony terhadap citra berwarna acak untuk menentukan MSE (Mean Square error). Penelitian selanjutnya adalah Segmentasi Berbasis Warna pada Citra Termografi Kanker Payudara Menggunakan Ruang Warna L*a*b (Octa Heriana, 2010). Dari beberapa penelitian diatas, metode segmentasi yang dapat dilakukan pada citra USG bermacam-macam, oleh karena itu penelitian ini akan menggabungkan metode segmentasi berdasarkan ruang warna CIE L*a*b dengan kombinasi metode klasterisasi Fuzzy C-Means untuk mengetahui sejauh mana performansi yang dihasilkan, sehingga dapat memberikan kontribusi sebagai citra input dalam deteksi elips dan sejauh mana dapat memberikan hasil pengukuran BPD dan HC yang maksimal.

32 BAB II KAJIAN PUSTAKA 2.1 State of Art Review Pada jurnal penelitian Detection of in complete elips in images with strong noise by Iterative Random Hough Transform (IRHT) menyatakan model dari metode penelitian yang digunakan dapat menghasilkan pengukuran diameter biparietal (BPD) dan lingkar kepala (HC), dimana metode tersebut adalah dengan dengan menggunakan metode IRHT dan segmentasi berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means, serta penghalusan dengan metode thinning. Metode tersebut mampu mendeteksi elips. Akan tetapi pada beberapa gambar dengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi (Lu dan Jinglu, 2008). Dalam jurnal penelitian berjudul Fetal Skull Analysis in Ultrasound Images Based on Iterative Randomized Hough Transform oleh Yufei Shen pada tahun 2009 menggunakan metode segmentasi berupa adaptive thersholding serta edge thinning. Untuk deteksi elips yang menggunakan 2 pengujian metode yaitu RHT dan IRHT, dimana motode IRHT dalam menghasilkan deteksi elips lebih baik walaupun dengan citra input segmentasi yang memiliki bentuk lingkaran kurang lengkap. Pada jurnal penelitian Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT), metode eksekusi dalam segmentasi menggunakan metode Fuzzy C-Means dengan informasi spasial dimana waktu 9

33 10 eksekusi yang diperlukan jauh lebih lama dibandingkan menggunakan metode K- means. Akan tetapi hasil segmentasi menggunakan metode Fuzzy C-Means dengan informasi spasial lebih baik dibandingkan menggunakan metode K-means, dari 8 citra uji terdapat 4 citra dengan persentase keberhasilan sebesar 30 % sedangkan 3 citra lainnnya pada % dan 1 citra dengan persentase keberhasilan sebesar 100 %. Terlihat dari jumlah partisi daerah objek pada gambar hasil segmentasi menggunakan metode Fuzzy C-Means dengan informasi spasial yang lebih sedikit dibandingkan dengan gambar hasil segmentasi menggunakan metode K-means. Hal ini dikarenakan proses klasterisasi piksel tidak hanya berdasarkan nilai keabuan saja, akan tetapi juga mempertimbangkan nilai keabuan serta jarak ketetanggaan dari masing masing piksel (Puspitasari, 2010). Dalam penelitian yang dilakukan Octa Heriana pada tahun 2011 dengan judul Segmentasi Berbasis Warna pada citra Termografi Kanker Payudara menggunakan Ruang warna L*a*b, melakukan segmentasi pada hasil pencitraan kamera infra merah (termografi) payudara yang diduga terjangkit kanker. Metode yang digunakan adalah dengan pemisahan ruang warna (color space) L*a*b, dimana hasil dari segmentasi ini mampu menunjukkan perkiraan lokasi kanker pada payudara, serta bentuk dan batas-batas pertumbuhannya. Pada jurnal penelitian Color Image Segmentation using CIELab Color Space using Ant Colony Optimization oleh Seema Banzal pada tahun 2011, menjelaskan segmentasi berdasarkan ruang warna dengan metode CIELab dan klasterisasi menggunakan optimasi algoritma Ant Colony menunjukkan jumlah

34 11 klaster yang dihasilkan dan jarak ketergantungan antar piksel (Euclidean distance) antara hasil segmentasi terhadap CMC sangat bervariasi tergantung dari banyaknya jumlah komponen warna yang terdapat dalam citra, dengan segmentasi CIELab representasi pembagian warna pada setiap klaster terlihat semakin baik, sehingga semakin banyak klaster yang dihasilkan maka waktu yang dibutuhkan untuk menghitung jarak ketetanggan antar piksel pada setiap klaster akan membutuhkan waktu yang lebih lama. Tabel 2.1 Rangkuman State Of The Art No Judul Penulis Metode Deskripsi Hasil 1. Detection of in complete ellips in images with strong noise by Iterative Random Hough Transform (IRHT) 2. Fetal Skull Analysis in Ultrasound Images Based on Iterative Random Hough Transform 3. Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform Lu, W., Jinglu Tan, 2008 Yufei Shen, 2009 Dwi Puspitasari, 2010 K-Means, RHT& IRHT Adaptive tresholdin g, thinning, RHT, IRHT K-Means, FCM informasi spasial, dan IRHT Metode tersebut mampu mendeteksi elips dengan baik. Akan tetapi pada beberapa gambardengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi Melakukan komparasi untuk deteksi elips menggunakan RHT dan IRHT,dari keakuratan perhitungan sudut rotasi dan tingkat persentasi keakuratan hasil deteksi elips yang didapatkan Melakukan komparasi metode segmentasi antara K-Means dan FCM informasi spasial,dimana dari segi waktu menemukan hasil segmentasi, K-Means memiliki eksekusi waktu yang lebih cepat dibanding FCM spasial, dikarenakan adanya perhitunganmatrik ketetanggaan.

35 12 Lanjutan Tabel 2.1 Rangkuman State Of The Art No Judul Penulis Metode Deskripsi Hasil 4. Segmentasi Berbasis Warna pada citra Termografi Kanker Payudara menggunakan Ruang warna L*a*b 5. Color Image Segmentation using CIELab Color Space using Ant Colony Optimization Octa Heriana, 2011 Seema Banzal, 2011 Segmentasi Ruang warna L*a*b CIELab dan Ant colony optimization Mampu menunjukkan perkiraan lokasi kanker pada payudara serta bentuk dan batasan pertumbuhannya. Melakukan uji coba terhadap citra warna acak, dimana dengan L*a*b mampu mensegmentasi citra menjadi beberapa klaster yang diinginkan. 2.2 Medical Imaging Medical imaging adalah teknik atau proses untuk mendapatkan gambar tubuh khususnya gambar bagian dalam tubuh untuk keperluan medis. Medical imaging dilakukan diantaranya untuk mengetahui bentuk dan fungsi organ tubuh, sebaran zat tertentu dan perubahan metabolisme di dalam tubuh (TI Telkom, 2011). Medical imaging merupakan komponen penting di berbagai bidang penelitian biomedis dan praktek klinis. Tujuan Medical Imaging antara lain : 1. Untuk mengembangkan metode komputasi dan Algoritma untuk menganalisis dan menghitung data biomedis. 2. Untuk berkolaborasi dengan peneliti NIH di pusat penelitian lain dalam menerapkan analisis informasi dan visualisasi untuk masalah biomedis.

36 13 3. Untuk mengembangkan alat (baik hardware ataupun software) yang memiliki kemampuan untuk menganalisa data biomedis serta mendukung penemuan dan kemajuan biomedis. Beberapa medical imaging yang saat ini digunakan adalah sebagai berikut : 1. Magnetic Resonance Imaging (MRI ) 2. X-Ray 3. Ultrasonography ( USG ) 4. Endoscopy 5. Computed Tomography (CT Scan) Magnetic Resonance Imaging (MRI ) Magnetic Resonance Imaging (MRI) adalah suatu alat diagnostik muthakhir untuk memeriksa dan mendeteksi tubuh dengan menggunakan medan magnet yang besar dan gelombang frekuensi radio, tanpa operasi, penggunaan sinar X, ataupun bahan radioaktif (IT Telkom, 2011). Dapat menghasilkan rekaman gambar potongan penampang tubuh atau organ manusia dengan menggunakan medan magnet berkekuatan antara 0,064 1,5 tesla (1 tesla = 1000 Gauss) dan resonansi getaran terhadap inti atom hidrogen. MRI merupakan metode rutin yang dipakai dalam diagnosis medis karena hasilnya yang sangat akurat. Tehnik penggambaran MRI relatif kompleks karena gambar yang dihasilkan tergantung pada penggunaan beberapa parameter. MRI memiliki kemampuan membuat gambaran potongan coronal, sagital, aksial dan oblik tanpa banyak memanipulasi tubuh pasien apabila pemilihan parameternya tepat

37 14 sehingga kualitas gambaran detail tubuh manusia akan tampak jelas dan anatomi dan patologi jaringan tubuh dapat dievaluasi secara teliti (IT Telkom, 2011). Gambar 2.1 MRI (IT Telkom, 2011) Prinsip Kerja MRI Struktur atom hidrogen dalam tubuh manusia saat diluar medan magnet mempunyai arah yang acak dan tidak membentuk keseimbangan. Kemudian saat diletakkan dalam alat MRI (gantry), maka atom H akan sejajar dengan arah medan magnet. Demikian juga arah spinning dan precessing akan sejajar dengan arah medan magnet. Saat diberikan frequensi radio, maka atom H akan mengabsorpsi energi dari frequensi radio tersebut. Akibatnya dengan bertambahnya energi, atom H akan mengalami pembelokan, sedangkan besarnya pembelokan arah, dipengaruhi oleh besar dan lamanya energi radio frequensi yang diberikan. Saat radio frequensi dihentikan maka atom H akan sejajar kembali dengan arah medan magnet. Pada saat kembali inilah atom H akan memancarkan energi yang dimilikinya. Kemudian energi yang berupa sinyal tersebut dideteksi

38 15 dengan detektor yang khusus dan diperkuat. Selanjutnya komputer akan mengolah dan merekonstruksi citra berdasarkan sinyal Kelebihan MRI Adapun beberapa kelebihan MRI sebagai media perekaman jaringan dalam tubuh adalah sebagai berikut : 1. MRI lebih unggul untuk mendeteksi beberapa kelainan pada jaringan lunak seperti otak, sumsum tulang serta muskuloskeletal. 2. Mampu memberi gambaran detail anatomi dengan lebih jelas. 3. Mampu melakukan pemeriksaan fungsional seperti pemeriksaan difusi, perfusi dan spektroskopi yang tidak dapat dilakukan dengan CT-Scan. 4. Mampu membuat gambaran potongan melintang, tegak, dan miring tanpa merubah posisi pasien. 5. MRI tidak menggunakan radiasi pengion Ultrasonography (USG) USG adalah suatu alat dalam dunia kedokteran yang memanfaatkan gelombang ultrasonik, yaitu gelombang suara yang memiliki frekuensi yang tinggi (250 khz khz) yang kemudian hasilnya ditampilkan dalam layar monitor (Effendi, 2011). Ultrasonografi medis (sonografi) adalah sebuah teknik diagnostik pencitraan menggunakan suara ultra yang digunakan untuk mencitrakan organ internal dan otot, ukuran, struktur, dan luka patologi teknik ini berguna untuk memeriksa organ (Effendi, 2011). Sonografi obstetrik biasa digunakan ketika masa kehamilan. Pilihan frekuensi menentukan resolusi gambar dan penembusan ke dalam tubuh pasien. Diagnostik sonografi umumnya beroperasi pada frekuensi

39 16 dari 2 sampai 13 megahertz. Sedangkan dalam fisika istilah "suara ultra" termasuk ke seluruh energi akustik dengan sebuah frekuensi di atas pendengaran manusia ( Hertz), penggunaan umumnya dalam penggambaran medis melibatkan sekelompok frekuensi yang ratusan kali lebih tinggi. Ultrasonografi atau yang lebih dikenal dengan singkatan USG digunakan luas dalam medis. Pelaksanaan prosedur diagnosis atau terapi dapat dilakukan dengan bantuan ultrasonografi (misalnya untuk biopsi atau pengeluaran cairan). Biasanya menggunakan probe yang digenggam yang diletakkan di atas pasien dan digerakkan: gel berair memastikan penyerasian antara pasien dan probe. Dalam kasus kehamilan, Ultrasonografi (USG) digunakan oleh dokter spesialis kedokteran (DSOG) untuk memperkirakan usia kandungan dan memperkirakan hari persalinan. Dalam dunia kedokteran secara luas, alat USG (ultrasonografi) digunakan sebagai alat bantu untuk melakukan diagnosa atas bagian tubuh yang terbangun dari cairan. Gambar 2.2 USG 2 Dimensi Transduser adalah komponen USG yang ditempelkan pada bagian tubuh yang akan diperiksa, seperti dinding perut atau dinding poros usus besar pada pemeriksaan prostat. Di dalam transduser terdapat kristal yang digunakan untuk

40 17 menangkap pantulan gelombang yang disalurkan oleh transduser. Gelombang yang diterima masih dalam bentuk gelombang akusitik (gelombang pantulan) sehingga fungsi kristal disini adalah untuk mengubah gelombang tersebut menjadi gelombang elektronik yang dapat dibaca oleh komputer sehingga dapat diterjemahkan dalam bentuk gambar. (a) (b) (c) Gambar 2.3 Contoh citra USG kepala pada janin Faktor Yang Mempengaruhi Kualitas Gambar Pada Citra USG Kualitas suatu gambar pada atau hasil pada USG di pengaruhi oleh beberapa faktor, diantaranya faktor individu dan faktor yang terjadi pada mesin USG itu sendiri. 1. Faktor individu terbagi menjadi 2, sebagai berikut : a. Operator Operator merupakan seorang ahli yang sudah mendapatkan serifikasi kompetensi bidang USG Dasar Obstetri dan Ginekologi, operator sangat berperan dalam menghasilkan kualitas gambar yang baik, dalam arti hasilnya dapat dilihat dengan jelas dengan kasat mata oleh seorang pasien. Perekaman objek yang

41 18 diinginkan harus dicari dengan akurat dan benar oleh operator. Seorang operator juga harus memahami bagaimana meletakkan transduser sehingga dapat memperoleh gambar yang baik menjalankan mesin alat USG, sehingga dapat mengatur kualitas hasil dari sebuah gambar (Endjun, 2007). b. Pasien Pasien juga menentukan kualitas perekaman objek yang diinginkan melalui alat USG. Kondisi pasien seperti obesitas atau adanya lemak berlebih di sekitar perut dapat menyebabkan perekaman menjadi kurang jelas. Kemudian faktor lain adalah janin itu sendiri, misalkan saja perekaman terjadi pada saat bayi sedang bergerak, sehingga bagian yang ingin direkam menjadi kabur atau kurang jelas (Endjun, 2007). 2. Faktor Alat USG Untuk mendapatkan hasil perekaman yang baik, perlu diperhatikan beberapa hal sebagai berikut (Endjun, 2007): a. Untuk mendapatkan ketajaman gambar, hal yang harus diatur adalah fokus. Fokus dapat diatur melalui mesin USG oleh operator, fokus ditempatkan pada daerah yang akan diamati. Semakin banyak fokus yang digunakan, semakin banyak energi yang dipakai, sehingga gambar USG semakin tidak tegas. Untuk penggunaan fokus pada pemeriksaan, khusus untuk jantung janin hanya dipergunakan satu fokus, sedangkan untuk organ lainnya cukup dua buah fokus. b. Ketajaman gambar dipengaruhi oleh resolusi aksial dan lateral, resolusi aksial adalah kemampuan untuk membedakan dua titik pada daerah yang tegak

42 19 lurus dengan transduser. Resolusi lateral adalah kemampuan untuk membedakan dua titik pada daerah horizontal (lateral) terhadap transduser. c. Transduser Pemakaian transduser yang tepat. Pada transduser terdapat panel control terdapat beberapa pengaturan, yaitu pengaturan gain dan fokus agar gambar yang dihasilkan optimal. Pemakaian gain yang terlalu tinggi atau terlalu rendah akan membuat gambar sulit dievaluasi dengan benar. Pengukuran harus menggunakan caliper yang bentuk dan ukurannya pas dengan organ atau struktur yang akan diukur. d. Artefak Artefak yang sering terjadi pada pemeriksaan USG ada beberapa macam, diantaranya : 1. Reverberasi Reverberasi berupa gambaran gema yang tersusun berlapis-lapis sejajar. Hal ini di sebabkan gema suara-ultra terpantul berulang-ulang antara transduser dan suatu reflektor yang kuat. 2. Refraksi Refraksi terjadi oleh karena adanya reflector yang kuat yang bertindak sebagai refracting boundary dari suara yang dating sehingga suatu benda tidak pada tempat yang sebenarnya. Contohnya gambaran double image pada tulang kepala yang menyerupai spalding sign.

43 20 3. Multipath Multipath terjadi karena suara yang berulang oleh setidaknya dua reflector akan menyebabkan terlihatnya suatu benda dengan jarak yang lebih jauh dari keadaan yang sebenarnya. 4. Bayangan akusitik (shadowing) Bayangan akustik adalah pengurangan atau hilangnya intensitas suara di belakang suatu massa padat. Hal ini disebabkan oleh adanya atenuasi dan defleksi. e. Pemilihan media cetak atau dokumentasi Dokumentasi sebaiknya berbentuk rekaman permanen, mencakup parameter ukuran dan hasil temuan anatominormal dan patologi. Hasil cetakan gambar USG sangat dipengaruhi oleh kualitas mesin pencetak gambar (printer), film yang dipakai dan mesin USG tersebut. Saat ini gambar-gambar USG diformat dalam bentuk gambar digital (JPEG, BMP dan TIFF) Cara Kerja USG USG bekerja melalui beberapa tahapan sebagai berikut : 1. Transduser bekerja sebagai pemancar dan sekaligus penerima gelombang suara. Pulsa listrik yang dihasilkan oleh generator diubah menjadi energi akustik oleh transduser yang dipancarkan dengan arah tertentu pada bagian tubuh yang akan dipelajari atau direkam. Sebagian akan dipantulkan dan sebagian lagi akan merambat terus menembus jaringan yang akan menimbulkan bermacam-macam echo sesuai dengan jaringan yang dilaluinya.

44 21 2. Pantulan echo yang berasal dari jaringan-jaringan tersebut akan membentur transduser, dan kemudian diubah menjadi pulsa listrik lalu diperkuat dan selanjutnya diperlihatkan dalam bentuk cahaya pada layar oscilloscope. Dengan demikian bila transduser digerakkan seolah-olah kita melakukan irisanirisan pada bagian tubuh yang dinginkan, dan gambaran irisan-irisan tersebut akan dapat dilihat pada layar monitor Cara Pengukuran Biparetal Diameter (BPD) BPD pertama kali diperkenalkan oleh Willock (1964). BPD adalah jarak maksimal antara tulang parietal depan dan belakang pada posisi kepala oksiput transversa. Pengukuran BPD paling akurat dalam penentuan kehamilan antara minggu, pertumbuhan BPD menunjukkan garis yang linier. Selain untuk menentukan umur kehamilan pengukuran ini dapat juga digunakan untuk menentukan berat janin dan deteksi kelainan kepala janin (makrosefalus, mikrosefalus, atau hidrosefalus). Cara mendapatkan bidang potong untuk pengukuran BPD adalah sebagai berikut : 1. Cari potong kepala kepala sampai mendapatkan bentuk paling simetris, yaitu jarak antara garis tengah dan tulang kepala pada kedua sisi harus sama. 2. Potongan harus tegak lurus pada garis tegah dan dicari ptongan yang terbesar. Kesalahan yang terjadi pada pengukuran BPD adalah : 1. Potongan kepala yang tidak simestris.

45 22 2. Bidang potong yang tidak tepat, terlalu tinggi sehingga tampak adanya ventrikel lateralis dan terlalu rendah sehingga tampak pendukulus serebri. 3. Penempatan kaliper tidak tegak lurus pada garis tengah. Permasalahan yang sering terjadi pada pengukuran BPD adalah sebagai berikut : 1. Posisi kepala yang yang tidak benar pada saat perekaman oleh transduser, sehingga struktur intrakranial tidak dapat dikenali. 2. Kepala janin tertekan oleh rusuk ibu pada letak sungsang. 3. Kepala janin sudah jauh masuk ke dalam rongga panggul. 4. Pada USG tanpa transduser konveks kadang sukar menampilkan kepala secara keseluruhan apabila kepala cukup besar. Gambar 2.4 Bidang potong BPD 72 mm sesuai gestasi 28 minggu 6 hari (Endjun, 2007) Untuk mendapatkan hasil perhitungan Head Circumference atau lingkar kepala dapat dilakukan dengan 2 cara : 1. Dengan rumus, yaitu : HC = 3,14 * (BPD + DOF)/ 2 (2.1)

46 23 Dimana DOF (Dolikhosefali Oksipito-Frontalis) merupakan bagian kepala yang memanjang. 2. Mengukur lingkar kepala secara langsung melakukan tracing. Permasalahan yang sering terjadi pada pengukuran HC adalah sebagai berikut : 1. Terkadang besarnya kepala melebihi besarnya trasnduser sehingga tidak seluruh kepala janin terlihat di layar monitor. 2. Pengukuran ini kurang praktis dibandingkan dengan pengukuran BPD. Gambar 2.5 Dolikhosefali Oksipito-Frontalis (Endjun, 2007) Untuk melakukan pengukuran yaitu langkah yang dilakukan dimulai dari : dimana kapiler pertama diletakkan di anterior tepat di ujung garis tengah kepala. Kapiler kedua diletakkan tepat di ujung posterior garis tengah kepala, kemudian tombol set atau enter ditekan sehingga terlihat gambaran elips berbentuk titiktitik. Gerakkan track-ball hingga gambaran elips tersebut mencapai tabula eksternal, simetris atas bawah. Dan hasil perhitungan akan ditampilkan secara otomatis pada layar monitor dan hasil pemeriksaan. Ketepatan dalam memprakirakan usia kehamilan akan semakin baik apabila mengukur lebih banyak parameter biometri. Tidak ada parameter tunggal yang terbukti paling akurat dalam penentuan usia kehamilan. Tingkat kesalahan

47 24 akan lebih kecil apabila menggunakan parameter multiple, dibandingkan dengan hanya menggunakan 1 parameter. 2.3 Operasi Pengolahan Citra Operasi-operasi pada pengolahan citra diterapkan pada citra apabila terjadi beberapa hal, yaitu sebagai berikut (Putra, 2010) : 1. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan citra atau menonjolkan beberapa aspek informasi yang terkandung dalam citra (image enhancement). contoh : perbaikan kontras gelap atau terang, perbaikan tepian objek, penajaman, pemberian warna semu. 2. Adanya cacat pada citra sehingga perlu dihilangkan atau diminimumkan (image restoration). contoh : penghilangan kesamaran (debluring) dimana citra tampak kabur karena pengaturan fokus lensa tidak tepat atau kamera goyang dan penghilangan noise 3. Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image segmentation). Operasi ini berkaitan erat dengan pengenalan pola. 4. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam pengidentifikasian objek (image analysis). 5. Proses segementasi kadang kala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh : pendeteksian tepi objek.

48 25 6. Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction). Contoh: beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh. 7. Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB 8. Menyembunyikan data rahasia (berupa teks atau citra) pada citra sehingga keberadaan data rahasia tersebut tidak diketahui orang (steganografi & watermarking) Gambar 2.6 Alur Pengolahan Citra (Darma Putra, 2009) 2.4 Jenis-jenis Citra Digital Nilai suatu piksel memiliki nilai dalam rentan tertentu dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun secara umum jangkauanya adalah Citra dengan penggambaran seperti ini digolongkan ke dalam citra integer. Berikut adalah jenis-jenis citra berdasarkan nilai piksel-nya 1. Citra Biner Citra yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Citra biner ini juga disebut citra B&W (black and white) atau citra monokrom. Hanya dibutuhkan satu bit untuk mewakili nilai setiap piksel

49 26 dari citra biner (Putra, 2010). Citra biner sering kali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi ataupun dithering. 2. Citra Grayscale Citra Greyscale disebut juga citra satu kanal, karena warnanya hanya ditentukan oleh satu fungsi intensitas saja. Artinya mempunyai skala abu dari 0 sampai 255, yang dalam hal ini nilai intensitas 0 menyatakan hitam, nilai intensitas 255 menyatakan putih (Munir, 2004). 3. Citra Warna (8 bit) Setiap piksel dari citra warna (8 bit) hanya diwakili oleh 8 bit dengan jumlah warna maksimum yang dapat digunakan adalah 256 warna. Ada dua jenis citra warna 8 bit. Pertama, citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya memiliki pemetaan nilai (colormap) RGB tertentu. 4. Citra Warna (16 bit) Citra warna 16 bit biasanya di namakan sebagai citra highcolor dengan setiap pikselnya diwakili dengan 2 byte memory (16 bit). Warna 16 bit memiliki warna. Dalam formasi bitnya, nilai merah dan biru mengambil tempat di 5 bit ditambah 1 bit ekstra. Pemilihan komponen hijau dengan deret 6 bit dikarenakan penglihatan manusia lebih sensitif terhadap warna hijau. 5. Citra Warna (24 bit)

50 27 Setiap piksel dari citra warna 24 bit diwakili dengan 24 bit sehingga total variasi warna. Variasi ini sudah lebih dari cukup untuk memvisualisasikan seluruh warna yang dapat dilihat penglihatan manusia. Setiap poin informasi piksel (RGB) disimpan ke dalam 1 byte data. 8 bit pertama menyimpan nilai biru, diikuti hijau pada 8 bit ke dua dan pada 8 bit terakhir berupa warna merah. 2.5 Sistem Koordinat Warna Berbagai jenis sistem koordinat warna atau sistem ruang warna yang diciptakan untuk memenuhi tujuan tertentu atau yang ditujukkan untuk perangkat platform tertentu. Menurut teori T.Young, setiap warna tertentu dapat diciptakan dengan menggabungkan (tristimulus) tiga warna utama c1, c2, c3 dengan persentase tertentu. C = ac1 + bc2 +cc3 2.2 Teori ini didasarkan pada kenyataan mata manusia yang memiliki tiga bagian pada retina yang dapat menagkap puncak-puncak spectrum dari warna kuninghijau, biru dan biru Sistem Koordinat Warna CIE Sistem koordint warna CIE (Commission International de I Eclairage) memperkenalkan sistem koordinat warna berdasarkan sistem spectral primary sistem yang merupakan sumber utama monokrom. Sistem ruang warna ini menggunakan panjang gelombang R CIE (red 700 nm), G CIE (green 546,1 nm) dan B CIE (blue 435,7 nm), dengan demikian sistem ruang warna RGBCIE berbeda

51 28 dengan sistem ruang warna RGB dalam hal kecerahannya, yaitu RGB CIE warna RGB-nya lebih cerah daripada sistem RGB. Menurut Jain (1989) sistem ruang warna RGB CIE dapat diperoleh dengan konversi sistem ruang warna RGB dengan menggunakan persamaan berikut. =. 2.3 Tetapi RGB CIE tidak dapat menghasilkan semua warna yang mungkin dihasilkan. Oleh karena itu sistem CIE memperkenalkan sistem koordinat warna XYZ di mana semua komponen transformasinya bernilai positif, Y menandakan nilai krominannya Sistem Koordinat Warna XYZ Sistem ruang warna XYZ juga diperkenalkan oleh Commission Internationale de l'ecloirage (CIE) dengan tujuan untuk mengatasi kelemahan sistem ruang warna RGB CIE. Nilai-nilai tristimuli dalam ruang warna CIEXYZ bukan mempresentasikan secara langsung seperti respon sel-sel Kerucut mata manusia S, M maupun L, tetapi lebih mengarah pada nilai-nilai yang dinamakan X, Y dan Z yang secara kasar dapat mewakili warna merah, hijau dan biru (namun X, Y, Z bukan identik dengan nilai observasi secara fisik pada warna merah, hijau dan biru itu sendiri). Sistem ruang warna XYZ dapat diperoleh dari sistem ruang warna RGB atau RGB CIE melalui alihragam yang menggunakan persamaan berikut.

52 29 = Dan sistem koordinat warna XYZ juga memiliki hubungan linear dengan sistem koordinat RGB CIE sebagai berikut : = Dimana; = Segmentasi Citra Segmentasi citra adalah proses pembagian sebuah citra ke dalam sejumlah bagian atau objek. Segmentasi merupakan bagian yang penting dalam analis citra yang akan dilakukan secara otomatis, sebab pada proses ini objek citra yang diinginkan di simpan untuk dapat diproses lebih lanjut (Gonzalez, 1987). Algoritma segmentasi dibagi berdasarkan dua buah karakteristik nilai derajad kecerahan citra, yaitu similiarity dan discontinuity. Pada ketegori similiarity citra dipisahkan menggunakan thresholding, region growing merging dan region spiltting dimana pada kategori similiarity ini citra akan dipisahkan menurut kesamaan nya dengan piksel terdekatnya. Sedangkan discontinuity, citra dibagi atas dasar perubahan yang mencolok terhadap derajad kecerahan yang ada disekitarnya, seperti deteksi titik, garis area dan sisi citra Metode Segmentasi Berdasarkan Ruang Warna RGB

53 30 Pada sistem warna RGB (Red, Green, Blue atau Merah, Hijau, Biru), sebuah warna sampel gambar diwakili oleh tiga angka yang menunjukkan proporsi relatif dari warna merah (Red), hijau (Green), dan biru (Blue) (tiga warna utama penyusun cahaya). Semua warna dapat dibentuk dengan cara menggabungkan ketiga warna dasar tersebut dalam berbagai macam proporsi. Demikian pula pada gambar, gambar digital berwarna terdiri dari tiga komponen warna atau matriks yaitu matriks R (merah), G (Hijau), dan B (Biru). Setiap matriks mengandung informasi intensitas warna komponen dengan resolusi 8 bit. Dengan demikian gambar digital berwarna memiliki sistem pewarnaan 24 bit. Dan secara umum gambar berwarna direpresentasikan dalam bentuk matriks tiga dimensi I (x, y, channel) dengan x dan y merupakan koordinat dari piksel dan channel merupakan komponen warna (RGB). Gambar 2.7 Representasi dari ruang warna RGB (Sheenam, 2013) Metode Segmentasi berdasarkan Ruang Warna L*a*b Segmentasi berdasarkan ruang warna dapat dideskripsikan sebagai proses pemisahan latar depan dan belakang, atau dapat dikatakan seagai proses pendefinisian jangkauan nilai gelap dan terang pada citra yang yang sebenarnya

54 31 atau terbentuknya warna yang membatasi setiap wilayah atau disebut sebagai pembagian ruang warna. Warna merupakan cara dari Human Visual System (HVS) untuk mengukur bagian dari spectrum gelombang yang berada pada jangkauan nm. Karena sifat tertentu dari HVS, manusia tidak mampu melihat semua kemungkinan kombinasi spectrum yang terlihat, akan tetapi manusia cenderung mengkategorikan spectrum sebagai kelompok warna yang disebut dengan ruang warna (color space) (Octa Heriana, 2011). Struktur warna pada pengolahan citra telah banyak dikembangkan, salah satunya adalah CIELab. CIELab adalah salah satu struktur warna yang didefinisikan CIE (Commission International de I Eclairage) pada tahun 1976 (CIE 1976 L*a*b). Pada CIE_L* untuk medeskripsikan kecerahan warna dimana 0 untuk hitam dan 100 untuk putih. Dimensi CIE_a* mendeskripsikan jenis warna hijau-merah, dimana angka negatif a* mengindikasikan warna hijau dan sebaliknya angka positif a* mengindikasikan warna merah. Dimensi CIE_b* positif mengindikasikan warna biru-kuning dimana angka negatif b* mengindikasikan warna biru dan sebaliknya angka positif b* mengindikasikan warna kuning. Transformasi RGB (Red, Green, Blue) pada CIELab dapat digambarkan sebagai berikut :

55 32 Gambar 2.8 Pembagian Ruang Warna pada CIELab (Gernott Hoffman, 2003) Karena CIELAB adalah juga merupakan model tiga dimensi, maka CIELAB hanya dapat digambarkan dengan benar apabila dalam ruang tiga dimensi, dan apabila kita ambil irisan komponen a* dan b*, maka kita akan mendapatkan Diagram chromaticity a* b*. Gambar diagram chromaticity a*b* dibawah ini ini akan menjelaskan lebih menjelaskan luas. Chromaticity a*b* pada tingkat kecerahan (CIE_L*) tertentu, yaitu CIE_L* = 75, CIE_L* = 50 dan CIE_L* = 25. Pada tingkat kecerahan maximum CIE_L* dan minimum CIE_L* = 0 bidang chromaticity a*b* tersebut menjadi kecil sekali mendekati 0. Gambar 2.9 Gambar diagram chromaticity L*a*b* pada kecerahan (L*) tingkat tertentu (Gernott Hoffman, 2003) 2.7 Impuls Noise

56 33 Setiap gangguan pada citra dinamakan dengan noise. Noise pada citra tidak hanya terjadi karena ketidak-sempurnaan dalam proses pengambilan gamabr, tetapi bisa juga disebabkan oleh kotoran-kotoran yang terjadi pada citra. Berdasarkan bentuk dan karakteristiknya noise pada citra dibedakan menjadi beberapa macam yaitu: Gaussian noise, Speckle noise dan Salt & Pepper noise. Noise impulse biasanya terjadi selama transisi citra. Noise ini tampak sebagai impuls-impuls hitam dan/atau putih diatas citra. Sumber dari noise ini bisa dari atmosferik ataupun buatan manusia. Sebagai contoh : Noise impulse ini dapat terjadi karena error bit acak pada saluran komunikasi. Noise impulse ini dapat dimodelkan sebagai : g (x,y) (2.6) Dengan g(x,y) merupakan citra aslinya dan z(x,y) dan f(x,y) merupakan noise impulse-nya. Pada noise impulse piksel noise sangat berbeda dari nilai piksel di sekelilingnya. Karakteristik dari noise impulse ini adalah nilai dari piksel noise tidak memiliki hubungan dengan piksel citra aslinya. Reduksi noise adalah suatu proses menghilangkan atau mengurangi noise dari suatu signal atau gambar. Metode reduksi noise secara konsep hampir sama penerapannya pada setiap jenis signal, tetapi untuk implementasinya, reduksi noise tergantung dari jenis signal yang akan diproses. Secara umum metode untuk mereduksi noise dapat dilakukan dengan cara melakukan operasi pada citra digital dengan menggunakan suatu jendela ketetanggaan, kemudian jendela tersebut

57 34 diterapkan pada citra. Proses tersebut dapat juga dapat disebut proses filtering, sedangkan proses penerapan mask ini dinamakan konvolusi. 2.8 Konvolusi Proses konvolusi pada pengolahan citra digital merupakan perkalian konvolusi antara matrik citra asal dengan matrik tapis atau tapis atau mask. Operasi konvolusi sebagai fungsi diskrit 2 dimensi dapat didefinisikan dengan persamaan berikut ini. h(x,y) = f(x,y) * g(x,y) = (2.7) Ilustrasi dari operasi konvolusi dapat dilihat pada gambar di bawah ini : Gambar 2.10 Ilustrasi proses konvolusi (Darma Putra, 2009) Operasi konvolusi dilakukan dengan menggeser kernel konvolusi piksel per piksel mulai dari posisi kiri atas sampai posisi kanan bawah yang sering disebut dengan sliding window. Hasil dari proses konvolusi disimpan pada matrik yang sama dengan koordinat yang sama. 2.9 Smooth filter

58 35 Salah satu metode untuk mengurangi atau menghilangkan noise adalah dengan cara meng-konvolusi citra asli dengan sebuah mask atau kernel low-pass filter atau operasi penghalusan. Secara umum smooth filter menyusun setiap piksel ke nilai rata-ratanya, dari nilai piksel itu sendiri dan nilai piksel tetangganya. Smooth filter cenderung mengaburkan sebuah citra, karena nilai intensitas piksel yang nilainya sangat berbeda dari nilai piksel disekelilingnya mempengaruhi nilai piksel Fungsi tapis low-pass filter untuk smooth filter dapat dinyatakan sebagai berikut : g xy = (2.8) Dimana; = menyatakan standar deviasi dari distribusi. Fungsi di atas diasumsikan meiliki mean 0 ( pusat distribusi pada garis x=0) Proses penghalusan terhadap citra dapat dilakukan dengan proses konvolusi citra citra input dengan Tapis Gaussian. Tingkat atau derajad kehalusan citra hasil Tapis Gaussian dapat diatur dengan mengubah-ubah nilai ( Putra, 2009) Fuzzy C-Means Konsep dari himpunan fuzzy sejalan dengan himpunan tegas, hanya saja derajat atau tingkat keanggotaan dari himpunan fuzzy tersebut bersifat kontinu dimana nilainya dalam interval [0,1]. Dimisalkan didefinisikan suatu himpunan Z yang anggotanya dapat dilambangkan dengan u. Suatu himpunan fuzzy Adalam Z yang didefinisikan dengan {(, ( ) }A z ua z z Z=, () ua z adalah fungsi

59 36 keanggotaan untuk himpunan fuzzy A. Dimana fungsi keanggotaan akan memetakan setiap elemen dari Z ke derajat keanggotaan antara 0 dan 1. Semakin nilai fungsi keanggotaan mendekati satu, akan semakin tinggi derajat atau tingkat keanggotaan z dalam A. Himpunan fuzzy dalam pengelompokan berperan dalam pembentukan fungsi dan tingkat keanggotaan dari setiap objek dalam kelompok. Clustering atau klasterisasi merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok lebih besar daripada kesamaan data tersebut dengan data dalam kelompok lain (Kusrini, 2009). Klastering dapat diterapkan ke dalam data yang kuantitatif (numerik), kualitatif dan kategorikal atau kombinasi dari keduanya. Data dapat merupakan hasil pengamatan dari suatu proses. Setiap pengamatan dapat memiliki n variabel pengukuran dan dikelompokkan dalam n dimensi vektor ; Z k = [Z 1k,, Z nk ] T, Zk ε R n (2.9) Sebuah himpunan dari N pengamatan dinotasikan dengan : Z = [Z k k=1, 2,,,N] (2.10) Dan direpresentasikan sebagai matrik n x N Z = (2.11)

60 37 Dalam pengenalan pola, kolom dalam matriks disebut patterns atau objek, baris disebut features atau attribute. Arti kolom dan baris dalam Z tergantung pada konteks pembahasan. Klaster secara umum merupakan wujud himpunan bagian dari suatu himpunan data dan metode klastering dapat diklasifikasikan berdasarkan himpunan bagian yang dihasilkan, apakah fuzzy atau crips hard (Kusrini, 2009). Dalam metode fuzzy clustering level keanggotaan data dalam suatu kelompok bukan hanya 0 atau 1, dapat tetapi memiliki nilai antara 0 dan 1. Nilai level keanggotaan dalam setiap kolom matriks selalu berjumlah 1. Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidean distance vektor. Fuzzy C-Means adalah suatu teknik pengklasteran data yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun Konsep dasar Fuzzy C-Means pertama kali adalah menentukan pusat klaster yang akan menandai lokasi rata-rata untuk tiap-tiap klaster. Pada kondisi awal, pusat klaster ini masih belum akurat. Setiap titik data memiliki derajat keanggotaan untuk setiap klaster. Dengan cara memperbaiki pusat klaster dan derajat keanggotaan setiap titik data secara berulang, maka akan dapat dilihat bahwa pusat klaster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimalisasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan ke pusat klaster yang terbobot oleh derajat keanggotaan titik data tersebut.

61 38 Output dari Fuzzy C-Means bukan merupakan fuzzy inference sistem, melainkan merupakan deretan pusat klaster dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference sistem. Algoritma Fuzzy C-Means dapat diuraikan sebagai berikut. 1. Input data yang akan diklaster, X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data), dimana X ij = data sampel ke-i (i = 1,2,, n), atribut ke-j (j = 1,2,,m) 2. Tentukan: a. Jumlah cluster = c b. Pangkat = w c. Maksimum iterasi = MaxIter d. Error terkecil yang diharapkan = e. Fungsi objektif awal = P 0 = 0 f. Iterasi awal = t = 1 3. Bangkitkan bilangan random ik, i = 1,2,,n; k = 1,2,,c; sebagai elemen-elemen matriks partisi awal U. Hitung jumlah setiap kolom: (2.12) dengan j = 1,2,,n Hitung :

62 39 4. Hitung pusat cluster ke-k: V kj, dengan k = 1,2,,c; dan j = 1,2,,m. (2.13) 5. Hitung fungsi objektif pada iterasi ke-t, P t (2.14) 6. Hitung perubahan matriks partisi (2.15) Dengan: i = 1,2,,n; dan k = 1,2,,m 7. Cek kondisi berhenti: Jika ( P t P t-1 < ) atau (t > MaxIter) maka berhenti; Jika tidak: t = t + 1, ulangi langkah ke-4 Gambar 2.11 Ilustrasi penentuan pusat klaster dengan Fuzzy C-Means

63 Deteksi Elips dengan Hough Transform Hough Transform pertama kali diperkenalkan oleh Paul Hough pada tahun 1962 untuk mendeteksi garis lurus. Hough transform adalah teknik transformasi citra yang dapat digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batas-batasnya (boundary detection). Randomize Hough Tranform (RHT) diperkenalkan oleh L. Xu dkk. (Xu, L., Oja, E.,1990) untuk mengatasi beberapa keterbatasan dari HT standart. RHT menggunakan n piksel secara acak untuk memecahkan n parameter kurva. Kelebihan dari RHT adalah penyimpanan kecil, kecepatan tinggi, akurasi baik. Akan tetapi RHT gagal mendeteksi kurva pada gambar yang memiliki noise tinggi dan tidak lengkap. Dikarenakan semua piksel tetap diperhitungkan dalam pemilihan sampling, termasuk noise. Iterative Randomized Hough Tranform (IRHT) diperkenalkan oleh Wei Lu dkk. (Lu, W., Jinglu Tan, 2008) untuk mengatasi kelemahan dari RHT. Gambar 2.12 Anatomi dari Elips (Inverso, 2006) Elips memiliki beberapa anatomi yang dapat dihitung, seperti gambar diatas yaitu semimayor (2a), semiminor (2b), pusat sudut rotasi elips (X 0,Y 0 ). Untuk

64 41 mencari atau menentukan pusat sudut elips dengan 3 persimpangan titik singgung elips, maka dicari melalui beberapa tahapan ; Menentukan titik point X 1, X 2, X 3 Untuk menentukan tiga ttitik point yang dibutuhkan oleh elips, dilakukan pemilihan secara acak sesuai dengan piksel yang berdekatan atau ketetanggan piksel. Jadi setiap iterasi yang dilakukan akan melakukan pencarian titik point X 1, X 2, X 3 kemudian disimpan ke dalam matrik 3 x n, dimana n adalah jumlah iterasi yang dilakukan. Index atau titik point yang didapatkan akan di komputasi kembali untuk mendapatkan persamaan garis dan titik potongg untuk elips Gambar 2.13 Menentukan titik point X 1, X 2, X 3 pada citra asli (Inverso, 2006) Mendapatkan persamaan garis dari masing-masing titik point Untuk mendapatkan persamaan garis pada elips dilakukan dengan memeriksa piksel disekitar kemiringan garis dengan persamaan y = mx + b 2.16

65 42 Gambar 2.14 Menentukan kemiringan garis berdasarkan kedekatan antar piksel (Inverso, 2006) Menghitung garis intersection (X 1,X 2 ) dan (X 2,X 3 ) Garis intersection adalah garis persimpangan yang didapatkan dari nilai random X 1, X 2, X 3. Gambar 2.15 Garis intersection (Inverso, 2006) Untuk mendapatkan persamaan garis singgung persimpangan (tangent intersection) dilakukan dengan persamaan : Persamaan Tangent X 1 dan X 2 untuk t 12 : 2.17 Persamaan Tangent X 1 dan X 2 untuk t 23 :

66 Menghitung garis bisector dari titik tangent interseption Garis bisector didefinisikan sebagai m 12 (midpoint), dimana nilai m adalah setengah jarak X 1 ke X 2, dan t merupakan t 12. Gambar 2.16 Garis bisector (Inverso, 2006) Untuk mendapatkan kemiringan lereng dari elips, digunakan persamaan : Slope = 2.19 Dimana, b = slope * x y = slope * tx ty 2.20 y = slope * x b 2.21 Sehingga didapatkan titik pusat elips dengan menggunakan persamaan 2.16.

67 Mencari Semimayor dan Semiminor Gambar 2.17 Mendapatkan nilai tangent, bisector dan titik pusat elips (Inverso, 2006) Dari persamaan-persamaan yang telah didapatkan diatas, maka didapatkan persamaan. Dimana nilai A,B,C adalah nilai titik point yang dicari secara random yaitu X 1, X 2, X 3 Sehingga didapat persamaan elips : A (X-X 0 ) 2 + 2B (X-X 0 )(y-y 0 )+ C (y- Y 0 ) 2 = Ax 2 +2Bxy+Cy 2 = Dimana; Semimajor axis (a)= 2.24 Semiminor axis (b)= 2.25

68 45 BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian Lokasi penelitian baik untuk proses perancangan dan pembuatan ataupun pengujian sistem dilakukan di Jalan Trengguli No.19, Denpasar, dengan kurun waktu antara Februari hingga Juli Sumber Data Sumber dan metode pengumpulan data yang digunakan dalam Deteksi Kepala Janin Pada Citra USG dengan ruang warna RGB, CIEL*a*b, Fuzzy C- Means dan Iterative Randomized Hough Transform sebagai berikut : Metode Pengumpulan Data 1. Metode studi literatur, bertujuan untuk memahami konsep dan teori yang berkaitan dengan permasalahan yang diteliti, melalui sumber buku-buku dan jurnal yang berkaitan dengan penelitian ini. 2. Metode observasi, yaitu dengan melakukan pengumpulan data dengan interview terhadap dokter atau ahli kandungan, dan dokumentasi langsung terhadap permasalahan yang ada Sumber Data Data yang digunakan untuk proses penelitian berupa gambar USG kepala janin dengan kondisi umur janin minggu sebanyak 30 sampel citra USG. Gambar serta hasil pengukuran didapatkan dari 2 dokter spesialis kandungan, yaitu : Dr I Made Suka Antara SpOg, Dr. Winarta SpOg. Untuk contoh citra uji ditunjukkan Pada Tabel 3.1.

69 46 Tabel 3.1 Contoh Citra Uji Gambar USG Nama Ukuran BPD (mm) Ukuran HC (mm) Usia Kandungan (week) citra W citra W5D citra W5D citra W2D citra W5D Sumber : 1. Dr I Made Suka Antara SpOg (Klinik Bersalin Bersaudara) *Tabel 3.1 untuk contoh citra uji dilanjutkan pada Lampiran 1

70 Standarisasi Pengukuran BPD dan HC Pemeriksaan dan pengukuran BPD bisa dilakukan mulai usia kehamilan minggu, sampai usia kehamilan 30 minggu penambahan ukuran BPD terjadi secara linear yaitu 3 mm per minggu. Sedangkan pada usia kehamilan minggu penambahan diameter mulai berkurang menjadi 1.5 mm per minggu, kemudian sejak minggu pertambahannya adalah 1 mm perminggu, dan mulai 42 minggu tidak ada penambahan diameter lagi (Ultrasonografi Obstetri dan Ginekologi, 2011). Untuk standarisasi acuan dalam pengukuran yang dilakukan oleh ahli medis untuk menentukan besaran dari BPD dan HC digunakan tabel perhitungan rata-rata perkembangan janin. Tabel rata-rata perkembangan BPD dan HC ini dibuat oleh Hadlock FP pada tahun 1984 sebagai standarisasi acuan dalam penentuan pengukuran BPD dan HC yang disesuaikan dengan usia janin. Tabel yang dimaksud adalah sebagai berikut. Tabel 3.2 Standarisasi Pengukuran BPD dan HC (Hadlock FP, 1984) Gestasional Age (week) Biparetal Diameter (mm) Head Circumference (mm) Abdominal Circumference (mm) Femur Length (mm)

71 48 Lanjutan Tabel 3.2 Standarisasi Pengukuran BPD dan HC (Hadlock FP, 1984) Gestasional Age (week) Biparetal Diameter (mm) Head Circumference (mm) Abdominal Circumference (mm) Femur Length (mm) Sumber : Kenneth J. Leveno, dkk. (2003)

72 Instrumen Penelitian Instrumen penelitian yang digunakan dalam Deteksi Kepala Janin Pada Citra USG dengan ruang warna RGB, CIE L*a*b, Fuzzy C-Means Dan Iterative Randomized Hough Transform (IRHT). terdiri dari 2 bagian utama, yaitu : 1. Perangkat Lunak a. Sistem Operasi Microsoft Windows 7 b. Editor Bahasa pemograman Matlab Perangkat Keras a. Prosesor AMD vision E GHZ b. RAM (Random Access Memory) 4GB DDR 2 c. Hardisk 500 GB d. AMD Radeon graphic 3.4 Gambar Umum Sistem Dalam sub bab ini dijelaskan mengenai gambar umum sistem yang merupakan alur dari sistem yang telah dibuat. Gambar umum sistem identifikasi kepala janin di tunjukkan pada Gambar 3.1 sebagai berikut :

73 50 MULAI CITRA UJI DALAM RUANG WARNA RGB KOMPONEN RUANG WARNA RGB RUANG WARNA L*a*b APAKAH INGIN DI FILTER? TIDAK YA SMOOTH FILTER FUZZY C-MEANS DETEKSI ELIPS DENGAN IRHT KALIBRASI DARI PIKSEL KE UKURAN PANJANG (mm) UKURAN BPD, HC DAN USIA GESTASI SELESAI Gambar 3.1 Gambar umum sistem Secara umum, sistem identifikasi kepala janin terdiri modul utama yaitu : 1. Citra Uji dalam ruang warna RGB Seluruh citra uji USG berada dalam ruang warna RGB, dengan dimensi piksel sebesar 273 x 240 piksel. Penyamaan dimensi ini bertujuan untuk menyeragamkan dimensi dari citra uji.

74 51 2. Segmentasi Segmentasi terdiri dari 3 modul yaitu segmentasi ruang warna berdasarkan RGB dan ruang warna (L*a*b) setelah ditemukan citra hasil segmentasi keduanya, kemudian dilanjutkan dengan proses pemilihan dengan filtering atau tidak, proses smooth filter bertujuan untuk menekan gangguan (noise) berupa speckle pada hasil citra RGB dan L*a*b. Pemilihan menggunakan filter atau tidak adalah untuk mengetahui sejauh mana untuk kerja filtering. Kemudian dilanjutkan dengan Fuzzy C-Means sebagai metode klasterisasi yang bertujuan untuk mengelompokkan piksel citra ke dalam beberapa klaster sehingga diharapkan mendapatkan hasil segmentasi yang sesuai. 3. Deteksi elips dengan metode IRHT Untuk mendeteksi lingkar yang dihasilkan oleh proses segmentasi, menggunakan metode pendekatan elips yaitu IRHT. IRHT dapat mendeteksi elips dengan baik dikarenakan membatasi ruang pencarian kurva dengan parameter dan ratio piksel serta pemilihan secara acak n buah piksel pada wilayah pencarian untuk mendapatkan n parameter kurva. IRHT menghasilkan beberapa parameter, antara lain jari-jari mayor dan minor, skor (pemberian nilai terbaik pada saat proses scanning dan iterasi) dan ratio piksel (rasio kedekatan piksel antara elips yang ditemukan dengan gambar asli). Semimayor diasumsikan sebagai α dan semiminor sebagai b. Dari perolehan keduanya, maka dapat dilakukan perhitungan

75 52 untuk menentukan BPD dan HC dalam piksel, dengan ketetapan sebagai berikut : BPD = 2 * b ; dan HC = 3.14 (BPD + DOF) / 2 (3.1) Dimana DOF adalah Diameter Oksipito-Frontalis, DOF = 2 * a (3.2) 4. Kalibrasi BPD dan HC dari piksel ke ukuran satuan panjang (mm) Proses kalibrasi adalah proses perubahan hasil pengukuran BPD dan HC dari satuan piksel ke satuan panjang, dengan menetapkan ketentuan dimana 1 piksel = mm ( Sehingga didapatkan BPD, HC dalam satuan panjang (mm) dan usia gestasi Tahapan Proses pada Ruang Warna L*a*b Proses ini dilakukan bertujuan untuk mengubah koordinat warna citra USG. Dimana koordinat citra warna USG adalah RGB. Nilai RGB yang terdapat dalam satu piksel dapat ditransformasikan ke dalam ruang warna CIE XYZ dengan proses transformasi matrik 3x3. Dari hasil konversi koordinat warna XYZ kemudian dilakukan konversi koordinat warna ruang L*a*b, dimana proses L*a*b sendiri akan menghasilkan citra dalam ruang warna L*a*b dan 3 komponen warna, yaitu komponen L*, komponen a* dan komponen b*. Berikut bagan proses untuk konversi ruang warna dari RGB ke L*a*b:

76 53 MULAI KOORDINAT WARNA RGB KONVERSI KOORDINAT WARNA RGB KE XYZ PERHITUNGAN PERUBAHAN MATRIK RGB Ke XYZ KOORDINAT WARNA XYZ TRANSFORMASI KOORDINAT WARNA XYZ KE L*a*b CITRA HASIL DENGAN RUANG WARNA L*a*b SELESAI Gambar 3.2 Bagan proses konversi ruang warna dari RGB ke L*a*b Tahapan Proses Filtering Proses filtering dalam penelitian menggunkan smooth filter. Smooth filter bertujuan untuk memperhalus kontur citra atau dengan kata lain dapat meminimalisir noise berupa speckle pada citra hasil ruang warna dengan menerapkan metode tapis low pas filter dengan kernel 3x3. Filter ini juga bertujuan untuk dapat membantu pada proses klastering dengan metode Fuzzy C- Mean, sehingga hasil yang didapatkan dapat dibandingkan antara proses filter atau

77 54 tanpa filter terhadap masing-masing ruang warna. Berikut bagan proses dari filtering : MULAI CITRA DENGAN RUANG WARNA RGB CITRA DENGAN RUANG WARNA L*a*b SMOOTH FILTERING DENGAN KONVOLUSI KERNEL 3X3 CITRA HASIL DARI PROSES FILTERING DARI KEDUA RUANG WARNA SELESAI Gambar 3.3 Bagan proses filtering Tahapan Proses Klasterisasi dengan Fuzzy C-Means Keberhasilan segmentasi citra berbasis klastering ditentukan dari keberhasilan dalam pengelompokkan fitur - fitur yang berdekatan ke dalam suatu klaster. Pencocokan atau pembandingan saat identifikasi diawali dengan pemilihan pusat klaster berdasarkan kemiripan jarak yang paling tinggi menggunakan persamaan 2.13, kemudian dilakukan pembandingan hanya pada data acuan yang terdapat pada klaster terpilih dengan menghitung fungsi objek terpilih pada saat iterasi ke- n dengan persamaan Kemudian menghitung

78 55 perubahan matrik partisi dengan persamaan 2.15 dan mendapatkan pusat klaster yang baru dan derajad keanggotaan yang terbaru dengan persamaan Klaster paling minimum dalam penelitian ini adalah 2. Dalam proses klasterisasi terdiri dari 2 bagian, yaitu tahapan proses klasterisasi dengan Fuzzy C-Means berdasarkan ruang warna RGB dan L*a*b tanpa proses filtering dan smooth filter. Untuk proses dengan ruang warna RGB dan L*a*b tanpa filter bagan prosesnya sebagai berikut : MULAI CITRA DENGAN RUANG WARNA RGB CITRA DENGAN RUANG WARNA L*a*b MEMILIH JUMLAH KLASTER YANG DIGUNAKAN ALGORITMA FUZZZY C-MEANS HASIL CITRA SEGMENTASI BERBASIS KLASTERING SELESAI Gambar 3.4 Bagan proses Fuzzy C-Means dengan 2 ruang warna tanpa filter Untuk proses Fuzzy C-Means dengan ruang warna RGB dan L*a*b dengan smooth filtering bagan prosesnya sebagai berikut :

79 56 MULAI CITRA HASIL SMOOTH FILTER DENGAN RUANG WARNA RGB CITRA HASIL SMOOTH FILTER DENGAN RUANG WARNA L*a*b MEMILIH JUMLAH KLASTER YANG DIGUNAKAN ALGORITMA FUZZZY C-MEANS HASIL CITRA SEGMENTASI BERBASIS KLASTERING SELESAI Gambar 3.5 Bagan proses Fuzzy C-Means dengan 2 ruang warna smooth filter Tahapan Deteksi Elips dengan IRHT Citra yang dihasilkan dari proses klastering akan digunakan sebagai citra input dalam proses deteksi elips menggunakan IRHT. Berikut diagram proses dari metode IRHT :

80 57 Mulai CITRA INPUT (HASIL SEGMENTASI BERBASIS KLASTERING BERDASARKAN RUANG WARNA) MENETAPKAN PARAMETER SCANNING, ITERASI DAN TRESHOLD ALGORITMA IRHT PARAMETER ELIPS ( SEMIMAYOR (a), SEMIMINOR (b), SKOR, RATIO PIKSEL VERIFIKASI ELIPS YANG MEREPRESENTASIKAN KEDEKATAN DENGAN GAMBAR ASLI ELIPS TERPILIH SELESAI Gambar 3.6 Bagan proses IRHT Proses scanning bertujuan untuk memunculkan elips terbaik berdasarkan skor tertinggi dan ratio piksel yang didapatkan pada saat proses iterasi, sedangkan proses iterasi adalah proses untuk menemukan elips terbaik berdasarkan parameter yang didapatkan pada saat proses berlangsung. Nilai untuk proses scanning pada sistem adalah 2 (default) dikarenakan nilai 2 memiliki peluang dalam menampilkan elips lebih baik dari nilai 1. Sedangkan untuk proses iterasi, nilai minimum dalam sistem adalah 25. Tresholding adalah nilai ambang batas ratio piksel untuk menemukan kedekatan piksel gambar asli terhadap luas dari elips yang dibentuk pada saat iterasi. Jadi parameter yang akan ditampung pada saat elips terbentuk, salah satunya adalah nilai ratio pikselnya harus lebih besar dari

81 58 nilai threshold. Untuk itu semakin tinggi threshold yang digunakan, maka gambar asli (segmentasi) yang merepresentasikan piksel harus mendekati elips sempurna. Dan ketika tidak sempurnanya gambar asli (segmentasi) maka tresholding harus bernilai rendah. Nilai tresholding dalam sistem (default ) Ketiga parameter diatas dapat diubah-ubah sesuai dengan inputan user. Semimayor jari-jari terpanjang pada elips (a), semiminor adalah jari-jari terpendek pada elips (b), skor adalah pemberian nilai parameter terbaik yang ditemukan pada setiap iterasi, ratio piksel adalah perbandingan kedekatan piksel antara elips dan gambar asli (banyaknya persinggungan piksel antara elips yang ditemukan dengan gambar asli). Verifikasi elips terpilih adalah proses dimana elips yang ditampilkan sesuai dengan scanning yang dipilih, misalkan user menginputkan nilai scanning sebanyak 2 dan iterasi sebanyak 50, maka dari 50 iterasi pada setiap scanning yang dilakukan akan menghasilkan parameter terbaik dan disimpan kedalam akumulator dan diberikan nilai skor 1, dan saat proses scanning selesai akan menampilkan 2 hasil elips yang memiliki skor terbaik yang terbentuk selama iterasi berlangsung. Sedangkan proses pemilihan elips terbaik dari hasil scanning adalah elips yang memiliki nilai skor 1, jika semua elips yang terbentuk memiliki skor 1, maka pemilihan elips terbaik berdasarkan ratio piksel pada masing-masing elips, dimana ratio piksel tertinggi yang akan dimunculkan sebagai best elips (elips terpilih).

82 Kalibrasi Dari Piksel ke Satuan Panjang (mm) Setelah elips yang terpilih ditemukan, maka akan ditampilkan secara otomatis BPD, HC dalam millimeter dan usia gestasi. Perolehan pengukuran didapatkan dari perumusan diameter dan keliling elips, dimana dalam mencari BPD dan HC dalam dunia medis menggunakan pendekatan yang sama. Dalam perhitungan medis untuk mencari BPD adalah dengan mencari potongan kepala yang simetris, kemudian membelah tegak lurus pada garis tengah dan dicari potongan yang terbesar. Jika cara potong diatas dilakukan dengan pendekatan elips, maka perhitungan BPD dapat diasumsikan sama dengan perhitungan untuk mencari diameter pada elips, yaitu : Diameter = 2 * b (semiminor) (3.3) Sedangkan perhitungan untuk mencari pengukuran HC dalam dunia medis dilakukan dengan rumus; HC = 3.14 (BPD + DOF) / 2 (3.4) DOF = Dolikhosefali Oksipito-Frontalis merupakan bagian kepala yang memanjang. Jika rumus diatas dilakukan dengan pendekatan elips, maka dapat diasumsikan perhitungan untuk mencari HC sama dengan keliling elips; Keliling elips = 3.14 (2a + 2b) / 2 (3.5) Panjang diameter dan keliling yang didapatkan pada proses diatas masih dalam satuan piksel, untuk mendapatkan dalam satuan panjang (mm) maka perlu dilakukan proses kalibrasi dari satuan piksel ke satuan panjang, dengan

83 60 menetapkan persamaan 1 piksel = mm ( Sehingga akan didapatkan BPD dan HC dalam satuan panjang (mm). Mulai ELIPS TERPILIH PARAMETER ELIPS ( SEMIMAYOR (a), SEMIMINOR (b) DALAM PIKSEL DIAMETER = 2 * Semiminor (b) KELILING = 3.14 (2a + 2b)/2 Kalibrasi dengan persamaan : 1 piksel = mm BPD, HC dan USIA GESTASI Mulai Gambar 3.7 Bagan proses kalibrasi piksel ke satuan panjang 3.5 Algoritma Program Terdapat beberapa algoritma program utama yang mendukung aplikasi sistem deteksi kepala janin, yaitu algoritma segmentasi ruang warna L*a*b, algoritma filtering, algoritma klastering dengan Fuzzy C-Means dan algoritma IRHT. Masing-masing algoritma akan dijelaskan sebagai berikut.

84 Algoritma Ruang Warna dengan L*a*b Setiap citra memiliki sistem koordinat warna yang berbeda, pada umumnya citra berada pada standart koordinat warna RGB, begitupula untuk citra USG yang dijadikan data uji, citra USG berada dalam koordinat warna RGB (Red, Green, Blue). Untuk dapat menghasilkan segmentasi dalam ruang warna L*a*b, perlu dilakukan transformasi ruang koordinat terlebih dahulu dari RGB ke XYZ dikarenakan sistem koordinat warna XYZ memiliki komponen transformasi yang bernilai positif. Perhitungan transformasi dari ruang warna RGB ke L*a*b melalui perhitungan matrik dengan algoritma sebagai berikut : Gambar 3.8 Flowchart konversi koordinat warna RGB ke L*a*b

85 Algoritma Smooth Filter Smooth filter bertujuan untuk menekan gangguan (noise) pada citra hasil dari ruang warna RGB dan L*a*b. Algoritma smooth filter berfungsi untuk menggaburkan dan mengurangi derau yang terdapat pada citra, dimana pada proses nya menggunakan tapis smooth dengan langkah sebagai berikut : 1. Menetapkan kernel yaitu 3x3 2. Melakukan konvolusi citra dengan tapis smooth Berikut ini adalah bagan proses dari filter smooth dengan pemilihan kernel 3x3. MULAI Input : citra, α Y ß 0 YßY+1 N Y<citra.height Y Xß0 X<citra.width Output : citra Xß X+1 Y Selesai Gambar 3.9 Flowchart smooth filter

86 Algoritma Klastering (Fuzzy C-Means) Proses klastering berfungsi untuk mengelompokkan data yang ada ke dalam beberapa klaster yang ditentukan. Pada peneilitian ini menggunakan algoritma Fuzzy C-Means, klasterisasi ini bertujuan untuk mengelompokkan piksel citra berdasarkan kedekatan jarak antar piksel. Langkah-langkah pada proses ini dijelaskan sebagai berikut : 1. Menentukan jumlah kelompok atau klaster yang akan dibentuk (2 c n), pada penelitian ini klaster minimum adalah sebanyak 2, dengan iterasi maaksimum sebesar 50 kali iterasi, serta error terkecil = Menginisialisasi matriks fungsi keanggotaan awal U, biasanya dipilih acak. 3. Menghitung nilai pusat kelompok ke-k. 4. Menghitung matriks derajat keanggotaan yang baru 1t+U dengan persamaan 1. Membandingkan nilai keanggotaan dalam matriks U, jika (t > MaxIter ) maka sudah konvergen dan iterasi dihentikan, dimana ε merupakan nilai threshold yang ditentukan. Berikut Flowchart dari klasterisasi dengan Fuzzy C-Means :

87 64 Mulai Memenetukan jumlah cluster (2 c n) Menghitung fungsi objektiv ke-t, P t dengan persamaan: Mengitung perubahan matriks partisi: Mencari Pusat Kluster dengan persamaan : Jika ( P t P t-1 < ) atau (t > MaxIter) STOP ITERASI SELESAI Algoritma IRHT Gambar 3.10 Flowchart Fuzzy C-Means Pada proses IRHT, penetapan jumlah iterasi pencarian scanning parameter pembentuk kurva tidak dibatasi. Proses iterasi sendiri adalah proses untuk melakukan atau menemukan elips yang sesuai dengan citra input, dimana pada proses iterasi ini menghasilkan 4 parameter, yaitu x-center, y-center (x₀,y₀)

88 65 merupakan pusat elips, b (semiminor) axis dan a (semimajor) axis. Keempat parameter yang bernilai paling tinggi pada proses iterasi akan ditampilkan sebagai elips terbaik dengan melabelkan skor 1, semakin baik nilai keempat parameter yang terdeteksi sebagai elips maka semakin besar pula skor yang diperoleh. Sedangkan proses scanning bertujuan untuk memunculkan elips terbaik berdasarkan skor tertinggi yang didapatkan pada saat proses iterasi. Mulai Bangkitkan 3 indeks point X1, X2, dan X3 secara random sesuai dengan jumlah iterasi A Mencari persamaan garis dari masing masing indeks / titik random Menentukan Garis intersection dari (x1,x2) dan (x2,x3) M e m a s t i k a n j u m l a h n i l a i p i k s e l y g d i t e m u k a n s e s u a i dengan treshold yang ditetapkan Mengitung Garis bisector dari titik tangent interseption Masukkan / tambahkan ellipse ke dalam accumulator Hitung titik tengah ellipse dengan menggunakan persamaan bisector interseption M e n d e t e k s i b e s t e l i p s y a n g b e r a d a d i a k u m u l a t o r y a n g memiliki skor 1 Mencari Semimajor dan Semiminor Memasukkan parameter elips ke dalam akumulator Y A p a k a h e l i p s d g n s k o r b e r n i l a i 1 l e b i h d a r i 1 N N Apakah elip? 4AC-B² > 0 Y M e n a m p i l k a n e l i p s t e r b a i k s e s u a i d e n g a n s c a n n i n g y a n g d i l a k u k a n B e s t e l i p s d i t a m p i l k a n d e n g a n m e m i l i h r a t i o p i x e l e l l i p s e t e r h a d a p g a m b a r a s l i y a n g t e r b e s a r Membandingkan nilai pixel antara gambar original dengan bentuk ellipse yang ditemukan A S e l e s a i Gambar 3.11 Flowchart IRHT

89 66 Pencarian elips dengan metode IRHT adalah dengan melakukan pengulangan-pengulangan terhadap titik point X1.X2,X3. Dari 3 point ini kemudian di dapatkan garis singgung elips dari titik X1,X2,X3, sehingga didapatkan garis bisector dan titik pusat elips. Setelah titik pusat elips ditemukan maka dilanjutkan mencari semimajor dan semiminor, semimajor adalah titik potong terpanjang, sedangkan semiminor adalah titik potong terpendek pada elips. Parameter elips berupa titik pusat (X 0, Y 0 ), semiminor (b), dan semimajor (a) disimpan ke dalam akumulator. Penyimpanan parameter ini dilakukan setiap 1 kali proses iterasi yang berlangsung. Setelah elips terdeteksi, maka dilakukan perbandingan piksel antara elips yang ditemukan dengan piksel yang ada pada gambar asli, untuk menemukan titik singgung yang terbanyak terhadap gambar asli, maka diterapkan threshold. Semakin kecil nilai threshold yang ditetapkan pada proses pencarian elips (0.05), maka semakin besar pula peluang titik singgung piksel yang terjadi pada elips dan gambar asli. Sehingga dengan kondisi gambar asli yang kurang sempurna, dapat menghasilkan elips yang mendekati gambar asli sesuai dengan banyaknya piksel yang bersinggungan antara elips yang ditemukan dari proses iterasi terhadap gambar asli. Untuk menentukan best elips dari setiap scanning dan iterasi terhadap data uji, dilakukan dengan memanggil skor terbesar dari semua parameter pembentuk kurva elips yang telah disimpan dalam akumulator. Pemberian skor dalam akumulator bertujuan untuk mengganti parameter yang terbentuk pada saat setiap iterasi berlangsung, sehingga pada 1 proses scanning akan terdapat 1 skor terbaik dari satu proses iterasi. Hasil yang memiliki skor terbaik ini lah yang akan

90 67 ditampilkan pada saat proses scanning. Jika dalam proses nya semua skor pada proses scanning (misalkan, 10 scanning) semua bernilai skor 1, maka elips terbaik ditentukan oleh ratio piksel terbesar elips yang bersinggungan dengan gambar asli. IRHT merupakan metode yang dilakukan secara berulang dan acak. Proses ini dapat kita lihat dalam pencarian nilai parameter untuk scanning dan iterasi. Oleh sebab itu peluang terbentuknya best elips akan berbeda-beda dalam setiap iterasi. 3.6 Pemograman Implementasi pemrograman pada sistem identifikasi ini meliputi struktur program yang dirancang ke dalam bahasa pemrograman. Perangkat lunak pemograman yang digunakan adalah Matlab Beberapa modul utama yang menjadi pembahasan akan di jabarkan sebagai berikut : Modul Segmentasi Ruang Warna dengan L*a*b Modul ini berfungsi untuk melakukan perubahan koordinat warna dari RGB ke L*a*b. Berikut adalah kode program dari modul segmentasi ruang warna dengan L*a*b.

91 68 *Untuk merubah dari RGB ke XYZ function [L,a,b] = RGB2Lab(R,G,B) % function [L, a, b] = RGB2Lab(R, G, B) % RGB2Lab takes matrices corresponding to Red, Green, and Blue, and % transforms them into CIELab. % RGB values can be either between 0 and 1 or between 0 and 255. if (nargin == 1) B = double(r(:,:,3)); G = double(r(:,:,2)); R = double(r(:,:,1)); end if ((max(max(r)) > 1.0) (max(max(g)) > 1.0) (max(max(b)) > 1.0)) R = R/255; G = G/255; B = B/255; end [M, N] = size(r); s = M*N; T = 0.4; RGB = [reshape(r,1,s); reshape(g,1,s); reshape(b,1,s)]; MAT = [ ; ; ;]; XYZ = MAT * RGB; X = XYZ(1,:) / ; Y = XYZ(2,:) ; Z = XYZ(3,:) / ;

92 69 X = XYZ(1,:) / ; Y = XYZ(2,:) ; Z = XYZ(3,:) / ; XT = X > T; YT = Y > T; ZT = Z > T; fx = XT.* X.^(1/3) + (~XT).* (7.787.* X + 16/116); % Compute L Y3 = Y.^(1/3); fy = YT.* Y3 + (~YT).* (7.787.* Y + 16/116); L = YT.* (116 * Y3-16.0) + (~YT).* (903.3 * Y); fz = ZT.* Z.^(1/3) + (~ZT).* (7.787.* Z + 16/116); % Compute a and b a = 500 * (fx - fy); b = 200 * (fy - fz); L = reshape(l, M, N); a = reshape(a, M, N); b = reshape(b, M, N); if ((nargout == 1) (nargout == 0)) L = cat(3,l,a,b); end * Untuk memanggil fungsi RGB2Lab nama_file = get(handles.edit17,'string'); image1 = imread(nama_file); ukuran_gbr = size(image1); apakah_rgb = length(ukuran_gbr); if apakah_rgb == 3 [L,a,b] = RGB2Lab(image1); cform = makecform('srgb2lab'); Lab = applycform(image1,cform); imagel = uint8(l); imagea = uint8(a); imageb = uint8(b); imagelab = Lab; imagel = imcomplement(imagel);

93 Modul Filtering Modul filtering berfungsi untuk memfilter citra yang dihasilkan oleh ruang warna RGB dan L*a*b. Kode program sebagai berikut : global image_conv Nama_gbr = get(handles.edit17,'string'); gbr_awal1 = imread(nama_gbr); nama_filter = get(handles.popupmenu5,'value'); %% [row col dim] = size(gbr_awal1); % fing image size if dim == 3 gbr_awal = rgb2gray(gbr_awal1); else gbr_awal = gbr_awal1; end if nama_filter == 1 im_filter = gbr_awal1; image_name = ['Filtering (no filter) ' Nama_gbr]; *KONVOLUSI elseif nama_filter== 2 gbr_double = double(gbr_awal); kernel = ones(3,3) / 9; gbr_conv = conv2(gbr_double, kernel, 'same'); im_filter = uint8(gbr_conv); image_name = ['Filtering (smooth) ' Nama_gbr]; %================ End axes(handles.axes2) imshow(im_filter) imwrite(im_filter,image_name) imwrite(im_filter,'img_filter.jpg')

94 Modul Klastering (Fuzzy C-Means) Klastering bertujuan untuk mengelompokkan data piksel menjadi beberapa kelas atau kelompok yang saling berdekatan, pada algoritma klasterisasi menggunakan FCM, klaster dapat ditentukan dengan minimal klaster yang terbentuk sebanyak 2, dengan threshold 0.50 dan iterasi maksimal sebanyak 50. function segimg = myfcm ( imgvector, sizex, sizey, clusternum) if (clusternum < 2) % set the cluster clusternum = 2; end clustervector = zeros(clusternum); clustercenter = zeros(clusternum); posflag = 0; for i = 1 : clusternum clustervector(i) = 255 * (i - 1) / (clusternum - 1); end threshold = 0.50; % set the threshold of when to stop iteration max_iteration = 50; % max times of iteration curr_iteration = 0; % current times of iteration %% iteration disp('=================================') fprintf('\n') disp('[ FCM ] start iteration :'); fprintf('\n') disp('=================================') while (curr_iteration < max_iteration) curr_iteration = curr_iteration + 1; distance = zeros( clusternum, length(imgvector)); for i = 1 : clusternum for j = 1 : length(imgvector) if (posflag == 0) distance(i, j) = abs(imgvector(j) - clustervector(i)); else distance(i, j) = (abs(imgvector(j) - clustervector(i))) + ((mod(j, sizex) mod(clustercenter(i), sizex))^2 + (floor(j / sizex) - floor(clustercenter(i) / sizex))^2)^(0.11); end end end

95 72 * Menghitung Matrik U % re-calculate matrix [sizeux, sizeuy] = size(distance); matrixu = ones( sizeux, sizeuy); matrixu = matrixu.* ( -1 ); for j = 1 : length(imgvector) flag = 0; for i = 1: clusternum sum = 0; for k = 1 : clusternum if (distance(k,j) < )% almost the same flag = k;break; else sum = sum + distance(i,j) / distance(k,j); end end if (flag < 1) matrixu(i,j) = 1 / sum; end end if (flag > 0) for i = 1 : clusternum matrixu(i,j) = 0; end matrixu(flag,j) = 1; end end *Mencari Pusat Klaster % re-calculate cluster centers newcluster = zeros(clusternum); newcenters = zeros(clusternum); for i = 1 : clusternum sum = 0; for j = 1 : length(imgvector) newcluster(i) = newcluster(i) + matrixu(i,j) * imgvector(j); newcenters(i) = newcenters(i) + matrixu(i,j) * j; sum = sum + matrixu(i,j); end newcluster(i) = newcluster(i) / sum; newcenters(i) = round(newcenters(i) / sum); end t_gray = norm(abs(clustervector - newcluster)); if (posflag == 1) t_posi = norm(abs(clustercenter - newcenters)); else t_posi = 0; end %fprintf('-iteration %d\tgraydiffnorm = %.3f PosiDiffNorm = %.3f\n', curr_iteration, t_gray, t_posi); fprintf('-iteration : %d \n', curr_iteration);

96 73 if (t_gray < threshold & t_posi < threshold) disp(' norm less than threshold, iteration stops'); break; else clustervector(:) = newcluster(:); clustercenter(:) = newcenters(:); posflag = 1; for j = 1 : length(imgvector) imgcluster = 1; maxbelong = max(matrixu(1,j)); for i = 2 : clusternum if (matrixu(i,j) > maxbelong) imgcluster = i; maxbelong = matrixu(i,j); end end imgvector(j) = 255 * (imgcluster - 1) / (clusternum - 1); end segimg = vectortoimg(imgvector, sizex, sizey); end end end %fuzzy c-means s_time = tic; segimg1 = myfcm( imgvector,sizex,sizey,num_class); e_time = toc(s_time); fprintf('fcm uses %.2f sec\n', e_time); boundary = edge(round(segimg1),'canny', 0); mboundedimg = im2double(pic_original); mboundedimg(:,:) = min(mboundedimg(:,:) + boundary, 1); image_fcm = imcomplement(mboundedimg); image_fcm = im2bw(image_fcm); if num_class == 2 image_name = ['Hasil FCM 2 cluster ' nama_gbr]; elseif num_class == 3 image_name = ['Hasil FCM 3 cluster ' nama_gbr]; end imwrite(image_fcm,image_name); imwrite(image_fcm,'fcm1.jpg'); axes(handles.axes3) imshow(image_fcm) set(handles.edit2,'string',e_time) %============================= imwrite(image_fcm,'fcm1.jpg'); axes(handles.axes3) imshow(image_fcm) set(handles.edit2,'string',e_time) %=============================

97 Modul Deteksi Elips (IRHT) Modul deteksi elips dengan IRHT digunakan untuk menemukan lingkar kepala Janin yang diasumsikan sebagai elips. Pendekatan yang terbaik adalah dengan menggunakan metode IRHT, karena metode ini paling stabil dalam mendeteksi kurva elips, karena IRHT akan mencari secara acak kurva elips terbaik dengan iterasi yang telah ditentukan, yaitu sebanyak 50, 100, 150, 175 dan 200 iterasi yang diinginkan dalam satu pencarian sampel (scanning). Kode program dari modul ini dapat dilihat sebagai berikut : 1. MENCARI TITIK TENGAH ELLIPSE 1.1 Bangkitkan 3 indeks point X1, X2, dan X3 secara random sesuai dengan jumlah iterasi randindexes = rand(1,iterations*3); randindexes = unique(randindexes ); numindexgroups = floor(size(randindexes,2) / 3); randindexes = randindexes(1:(numindexgroups*3)); randindexes = randindexes( randperm(size(randindexes,2)) ); randindexes = reshape(randindexes,3,iterations); randindexes = round(randindexes.* (size(nonzinds,1)-1 ) + 1); randindexes = nonzinds(randindexes); Gunakan 3 indeks random ( X1,X2,X3) untuk tiap kali iterasi pada saat scanning for loop = 1:iterations pointsindex = randindexes(:,loop); 1.2 Dapatkan persamaan garis dari masing masing indeks random Garis 1 (X1) [I, J] = ind2sub(esize, pointsindex(1) ); point =[I, J]; [py, px] = find( (roipoly(e,point(2) + nc, point(1) + nr) & e) > 0 ); [P,S] = polyfit(px, py,1);

98 75 Garis 2 (X2) [I, J] = ind2sub( esize, pointsindex(2)); point2 =[I, J]; [py2, px2] = find( (roipoly(e,point2(2) + nc, point2(1) + nr) & e) > 0); [P2,S2] = polyfit(px2, py2,1); Garis 3 (X3) [I, J] = ind2sub(esize, pointsindex(3) ); point3 = [I,J]; [py3, px3] = find( (roipoly(e,point3(2) + nc, point3(1) + nr) & e) > 0 ); [P3,S3] = polyfit(px3, py3,1); 1.3 Menghitung tangent line intersection dari tangent Garis interseption (X1,X2) Menghitung nilai tangent X1 dan X2 lines(1) = subs(lineeq, {m b}, {P(1) P(2)}); lines(2) = subs(lineeq, {m b}, {P2(1) P2(2)}); Maka garis interseption (X1,X2) : lineintercept = solve(lines(1),lines(2)); Maka garis interseption (X2,X3) : lineintercept2 = solve(lines2(1),lines2(2)); 1.4 Hitung Garis bisector dari titik tangent interseption. midx = ((point(2) + point2(2)) * 0.5); midy = ((point(1) + point2(1)) * 0.5); bisectslope = (midy - lineintercept.y) / (midx - lineintercept.x ) ; bisectb = lineintercept.y - bisectslope * lineintercept.x; midx2 = ((point2(2) + point3(2)) * 0.5); midy2 = ((point2(1) + point3(1)) * 0.5); bisectslope2 = (midy2 - lineintercept2.y) / (midx2 - lineintercept2.x); bisectb2 = lineintercept2.y - bisectslope2 * lineintercept2.x ;

99 Hitung titik tengah ellipse dengan menggunakan persamaan bisector interseption : linescent(1) = subs(lineeq, {m b}, {bisectslope bisectb}); linescent(2) = subs(lineeq, {m b}, {bisectslope2 bisectb2}); lineinterceptcent = solve(linescent(1),linescent(2)); xcent = eval(lineinterceptcent.x); ycent = eval(lineinterceptcent.y); 2. MENCARI SEMIMAJOR & SEMIMINOR centerp = repmat([ycent xcent],[3 1] ); transp = [point; point2; point3] - centerp; fm(1) = subs(ellipsefcn, {x y}, {transp(1,2) transp(1,1)}); fm(2) = subs(ellipsefcn, {x y}, {transp(2,2) transp(2,1)}); fm(3) = subs(ellipsefcn, {x y}, {transp(3,2) transp(3,1)}); s = solve(fm(1),fm(2),fm(3)); majoraxis = eval( sqrt(abs(1/s.a))); minoraxis = eval( sqrt(abs(1/s.c))); 3. Memastikan terdapat ellipse pada Gambar dan memberi score check = eval(s.a*s.c - s.b^2); if( ycent > 0 && xcent > 0 && check > 0 ) Score = 1; 4. Membandingkan nilai pixel antara gambar original dengan bentuk ellipse yang ditemukan % Hitung keliling ellipse yang ditemukan circumference = pi * ( majoraxis + minoraxis ); % Hitung ratio pixel dari ellipse yang ditemukan pixelsfound = sum(sum(ellipsemask & e)); % ellipsemask & e untuk membandingkan nilai pixel antara gambar original dengan bentuk ellipse yang ditemukan pada gambar. Kemudian hitung jumlh kesamaan pixel antara keduanya.

100 77 5 Menambahkan parameter ellipse pada akumulator bestellipses = addtoaccumulator(bestellipses,... accumulator(numbestinaccum,1),... % xcenter accumulator(numbestinaccum,2),... % ycenter accumulator(numbestinaccum,3),... % majoraxis accumulator(numbestinaccum,4),... % minoraxis accumulator(numbestinaccum,5),... % score 6. Mencari score tertinggi untuk masing masing ellipse score_tertinggi = max(bestellipses(:,5)); % Cari angka tertinggi pada kolom score for i = 1:row for j = 1:col if bestellipses(i,j) == score_tertinggi posisi = i; % posisi score tertinggi pada matrik bestellipses end end end 7. Jika score tertinggi tidak didapat ( score semua ellipse adalah sama ), maka ellipse yang terbaik ditentukan dari ratio pixel ellipse terhadap gambar asli yang terbesar : Ratio_terbaik = max(bestellipses(:,6)); % Cari angka tertinggi pada kolom ratio pixel score_tertinggi = Ratio_terbaik; for i = 1:row for j = 1:col if bestellipses(i,j) == score_tertinggi posisi = i; % posisi ratio pixel terbesar pada matrik bestellipse end end end end Tampilkan_parameter = bestellipses(posisi,:);

101 Modul Menentukan Pengukuran BPD dan HC serta Proses Kalibrasi Pada modul ini akan dijabarkan alur program untuk mendapatkan hasil pengukuran BPD dan HC serta proses kalibrasi dari piksel menjadi millimeter. Kode program dari modul ini dapat dilihat sebagai berikut : 1. Menghitung BPD dari ellipse dengan score tertinggi lalu convert nilai pixel ke satuan mm. BPD = 2 * (Tampilkan_parameter(:,4) * ); % Tampilkan_parameter(:,4) adalah nilai minor axis % 1 pixel = mm 2. Mencari umur bayi pada table sesuai perhitungan BPD 2.1 Membuat Tabel referensi berdasarkan teori % Gestational Age (Week) Tabel_Age = [12:0.5:40]'; % biparetal Diameter (mm) Tabel_BPD = [17;19;21;23;25;27;29;31;32;34;... 35;38;39;41;43;45;46;48;50;51;... 53;55;56;58;59;61;62;64;65;67;... 68;69;71;72;73;75;76;77;78;79;... 81;82;83;84;85;86;87;88;89;89;... 90;91;92;92;93;94;94]; % Head Circumference (mm) Tabel_HC = [68;75;82;89;97;104;110;117;124; ;138;144;151;158;164;170;177;183;189; ;201;207;213;219;224;230;235;241;246; ;256;251;261;271;275;280;284;288;293; ;301;304;308;312;315;318;322;325;328; ;333;335;338;340;342;344;346]; % Menyatukan Matriks Age, BPD, HC menjadi 1 matrik untuk memudahkan pencocokan data Tabel = [Tabel_Age Tabel_BPD Tabel_HC];

102 Mencocokan data BPD hasil perhitungan dengan data di table referensi. Dalam hal ini dicari data BPD yang paling mendekati yaitu data table yang memiliki selisi terkecil dengan data hasil perhitungan. Round_BPD = round(bpd); % Bulatkan nilai BPD hasil perhitungan num_data = length(tabel_age); % Hitung jumlah data table untuk batasan iterasi for i = 1:num_data gap(i) = abs(tabel(i,2) - Round_BPD); % Hitung selisih masing- masing data min_gap = min(gap); % Hitung selisih terkecil pos = find (gap == min_gap); % Cari / dapatkan posisi data dengan selisih terkecil end final_pos = pos(1); Tabel_Result_Match = Tabel(final_pos,:); % Ambil data semua baris (Age, BPD, HC) dari data dengan selisih terkecil dengan hasil perhitungan 2.3 Menampilkan data hasil pencocokan di sebuah tabel GUI analysis_result = [BPD HC Age]; Data_final = [Tampilkan_parameter analysis_result]; set(handles.uitable1,'data', Data_final); c_name = {'x-center','y-center','semimajoraxis',... 'semiminoraxis','score','biparetal diameter (mm)',... 'Head circumference (mm)','age (week)'}; set(handles.uitable1,'columnname', c_name); 3.7 Antarmuka Aplikasi Form aplikasi dari sistem deteksi kepala janin ini terdiri satu form, dimana dalam satu form ini keseluruhan proses untuk deteksi kepala janin dapat dilakukan. Berikut tampilan form aplikasi :

103 b 2a 2b 5b 5e 5d 2c 1a 1c 3a 2d 4b 5a 5c 5f 4c 5g 5h 4a 5i 3c 3b 4e 4d 5j Gambar 3.12 Form aplikasi Berikut ini adalah keterangan masing-masing nomor yang terdapat pada form aplikasi. a. Nomor 7 merupakan tombol reset (mengulang proses pada aplikasi) b. Nomor 8 merupakan tombol close (menutup proses pada aplikasi) Panel 1 Panel 1 digunakan untuk menampilkan pemrosesan awal pada citra, seperti pemilihan menampilkan citra uji. a. Nomor 1a adalah tombol browse image yang digunakan untuk memilih citra uji. b. Nomor 1b adalah axis untuk menampilkan citra uji USG.

104 81 c. Nomor 1c adalah list name untuk menampilkan nama dari citra uji. Panel 2 Panel 2 digunakan untuk menampilkan proses hasil konversi citra uji dari ruang warna RGB ke L*a*b, dimana : a. Nomor 2a adalah axis untuk menampilkan hasil citra dari segmentasi ruang warna L*a*b b. Nomor 2b adalah list view untuk memilih segmentasi komponen warna yang ditampilkan pada axis, terdapat beberapa pilihan hasil segmentasi ruang warna yaitu : komponen Lab, komponen L, komponen a, komponen b. c. Nomor 2c adalah list view untuk menampilkan pilihan save atau view hasil segmentasi yang diinginkan. d. Nomor 2d adalah tombol execute yang digunakan untuk menjalankan proses yang diinginkan. Panel 3 Panel 3 digunakan untuk menampilkan proses filtering, antara lain; a. Nomor 3a adalah axis untuk menampilkan hasil filtering yang dipilih. b. Nomor 3b adalah list view untuk memilih jenis filtering yang diinginkan (no filter, smooth filter, sharpen). c. Nomor 3c adalah tombol execute, digunakan untuk menjalankan proses yang diinginkan.

105 82 Panel 4 Panel 4 digunakan untuk proses dan menampilkan hasil klasterisasi citra dengan metode Fuzzy C-Means, antara lain; a. Nomor 4a adalah axis untuk menampilkan hasil Fuzzy C-Means. b. Nomor 4b list view untuk memilih cluster yang diinginkan. c. Nomor 4d list name, untuk menampilkan waktu yang diperlukan selama iterasi berlangsung (proses yang dilakukan oleh Fuzzy C-Means). d. Nomor 4c list name, untuk menampilkan jumlah iterasi yang diperlukan sampai menghasilkan segmentasi. e. Nomor 4e adalah tombol execute, digunakan untuk menjalankan proses yang diinginkan. Panel 5 Panel 5 digunakan untuk proses deteksi elips, antara lain; a. Nomor 5a tombol browse image yang digunakan untuk memilih citra uji pada proses deteksi elips. b. Nomor 5b adalah axis untuk menampilkan citra uji dan citra hasil dari deteksi elips. c. Nomor 5c adalah list name untuk menampilkan nama dari citra uji. d. Nomor 5d adalah list view yang digunakan untuk memilih hasil elips yang diinginkan (all elips atau best elips). e. Nomor 5e adalah list name untuk menampilkan waktu yang diperlukan selama proses deteksi elips berlangsung.

106 83 f. Nomor 5f adalah tombol execute, digunakan untuk menjalankan proses yang diinginkan. g. Nomor 5g yaitu; Number of scanning (jumlah scan untuk mendapatkan hasil elips pada citra uji), h. Nomor 5h yaitu; Number of iteration (jumlah iterasi atau pencocokan atau pencarian elips) yang dilakukan pada 1 proses scan yang berlangsung. i. Nomor 5i yaitu; nilai treshold j. Nomor 5j Output parameter yang dihasilkan IRHT (x-center, y-center, semiminor-axis, semimayor-axis, skor, piksel ratio, BPD, HC, Usia gestasi)

107 BAB IV HASIL DAN PEMBAHASAN 4.1 Preprocessing Sampel Citra USG Preprocessing pada citra sampel bertujuan untuk mempersiapkan agar citra siap di proses pada tahap segmentasi dengan metode Fuzzy C-Means. Terdapat beberapa langkah preprocessing yang dilakukan pada citra sampel, pertama adalah penyeragaman dimensi dari citra sampel sebesar 273 x 240 piksel, kemudian membagi citra sampel kedalam ruang atau koordinat warna, yaitu RGB dan L*a*b. yang terakhir adalah dengan melakukan proses filter, dengan teknik konvolusi yang bertujuan untuk mereduksi noise yang terdapat pada citra sampel Membagi Citra Sampel ke Dalam Ruang Warna Citra uji yang terdiri dari 30 sampel, kemudian dilakukan proses preprocessing citra dengan membagi seluruh citra ke dalam 2 ruang warna, yaitu RGB dan L*a*b. Untuk citra dengan ruang warna RGB tidak dilakukan perubahan ataupun transformasi citra. Sedangkan untuk citra uji pada ruang warna L*a*b, dilakukan transformasi dari ruang warna RGB menjadi XYZ dan kemudian menjadi L*a*b, sesuai dengan Gambar 3.2. Dalam ruang warna L*a*b, nilai threshold berpengaruh pada hasil segmentesi tiap komponen warna. Berikut persaamaan untuk konversi RGB ke L*a*b : [M, N] = size(r); s = M*N; T = 0.4; RGB = [reshape(r,1,s); reshape(g,1,s); reshape(b,1,s)]; MAT = [ ; ; ;]; XYZ = MAT * RGB; 84

108 85 % Compute L Y3 = Y.^(1/3); fy = YT.* Y3 + (~YT).* (7.787.* Y + 16/116); L = YT.* (116 * Y3-16.0) + (~YT).* (903.3 * Y); fz = ZT.* Z.^(1/3) + (~ZT).* (7.787.* Z + 16/116); % Compute a and b a = 500 * (fx - fy); b = 200 * (fy - fz); Berikut hasil percobaan yang telah dilakukan dengan menggunakan citra uji (citra 8.bmp) dengan menggunakan threshold 0.4, nilai threshold 0.4 dipilih berdasarkan nilai terbaik selama uji coba. (a) (b) (c) (d) Gambar 4.1 Pembagian ruang warna dengan thresholding 0.4. (a) komponen warna L, (b) komponen warna a*, (c) komponen warna b*, (d) ruang warna L*a*b Filterisasi Citra Proses filtering membantu dalam memperbaiki atau menonjolkan karakter citra yang diinginkan. Pada proses smooth filtering yang dilakukan dengan metode konvolusi dengan kernel 3x3. Proses filtering dilakukan baik pada citra dalam ruang warna RGB maupun L*a*b. Berikut concoh hasil filtering pada kedua ruang warna :

109 86 (a) (b) (c) (d) Gambar 4.2 Proses filter citra uji ruang warna (a) citra uji dengan ruang warna (RGB), (b) hasil smooth filter pada RGB, (c) citra hasil ruang warna L*a*b, (d) hasil smooth filter pada L*a*b 4.2 Cara Pengujian Sistem Deteksi Kepala Janin Pengujan sistem deteksi kepala janin ini terdiri dari pengujian antar muka sistem, hasil segmentasi berdasarkan metode clustering, runnning time proses segmentasi, running time proses IRHT dan akurasi keberhasilan sistem dalam mendeteksi BPD, HC dan usia gestasi. Pengujian antar muka sistem dilakukan untuk memunjukkan hasil dari metode-metode yang telah diimplementasikan kedalam bahasa pemograman, pada pengujian antar muka sistem, dilakukan pengujan terhadap 30 citra uji kemudian dilakukan proses preprocessing yaitu membagi citra uji ke dalam 2 ruang warna yang berbeda, kemudian dilakukan filtering. Pengujian dilakukan untuk mengetahui hasil segmentasi kedua ruang warna dengan Fuzzy C-Means. Data uji pada penelitian ini sebanyak 30 citra, masing-masing berada pada ruang warna RGB dan L*a*b, tiap data uji pada ruang warna dilakukan pengujian dengan menggunakan metode Fuzzy C-Means dengan parameter yang telah

110 87 ditetapkan yaitu klaster minimum sebanyak 2, iterasi maksimum sebesar 50 kali iterasi, serta error terkecil = 0, Pengujian dilakukan dengan membagi citra ke dalam beberapa kelompok data citra uji, dimana kelompok pertama adalah citra uji dengan ruang warna RGB dan L*a*b tanpa terlebih dahulu di lakukan proses filter pada citra, kemudian kelompok data yang kedua adalah citra uji dengan ruang warna RGB dan L*a*b dengan proses filter. Masing-masing kelompok data dilakukan pengujian untuk mengetahui running time dan hasil segmentasi terbaik, dimana hasil pengujian terbaik akan digunakan sebagai citra uji pada metode IRHT. Hasil pengujian ditunjukkan dalam bentuk tabel dan grafik running time pada masing-masing kelompok data. Untuk dapat menghasilkan akurasi pengukuran BPD, HC dan usia pada janin yang ditunjukkan oleh hasil pengukuran sistem, maka pengujian dilakukan dengan metode pendekatan elips dengan IRHT. Parameter untuk menghasilkan elips adalah scanning dan iterasi. Dimana untuk scanning dilakukan dengan nilai 2, 4 dan 6, sedangkan untuk iterasi pada masing-masing scanning adalah iterasi 50, 100, 150, 175 dan 200 iterasi. Oleh sebab itu peluang terbentuknya best elips akan berbeda-beda dalam setiap iterasi. Semakin banyak jumlah iterasi, maka peluang untuk mendapatkan 5 parameter pembentuk kurva akan semakin baik dan peluang menghasilkan elips terbaik yang mendekati gambar asli atau citra uji semakin banyak. Iterasi adalah pencarian parameter pembentuk kurva elips, parameter ini terdiri dari 5 paremeter yaitu yaitu x-center, y-center (x₀,y₀) merupakan pusat elips, b semi-minor axis dan a semi-major axis, dan ratio piksel. Setiap proses

111 88 iterasi akan melakukan pencarian terhadap 5 parameter, hasil terbaik yang ditemukan akan disimpan dalam akumulator dengan melabelkan nilai dalam bentuk skor. Semakin baik nilai 5 parameter pembentuk kurva yang didapatkan, maka nilai skor juga akan semakin tinggi (proses sesuai dengan flowchart IRHT pada Gambar 3.11). Berikut merupakan kode program untuk pemberian skor pada elips yang ditemukan : check = eval(s.a*s.c - s.b^2); if( ycent > 0 && xcent > 0 && check > 0 ) Score = 1; Scanning bertujuan untuk memunculkan elips terbaik berdasarkan skor tertinggi yang didapatkan setelah proses iterasi. Untuk menentukan best elips dari setiap scanning, dilakukan dengan memanggil skor terbesar dari semua parameter pembentuk kurva elips yang telah disimpan dalam akumulator. Hasil iterasi dengan skor terbaik yang akan ditampilkan pada saat proses scanning, tetapi jika semua skor bernilai sama, maka pemilihan best elips akan ditentukan berdasarkan ratio piksel (ratio piksel terbesar elips yang bersinggungan dengan gambar asli). Berikut kode untuk menampilkan best elips berdasarkan ratio piksel dari citra uji : Ratio_terbaik = max(bestellipses(:,6)); % Cari angka tertinggi pada kolom ratio pixel score_tertinggi = Ratio_terbaik; for i = 1:row for j = 1:col if bestellipses(i,j) == score_tertinggi posisi = i; % posisi ratio pixel terbesar pada matrik bestellipse end end end end Tampilkan_parameter = bestellipses(posisi,:);

112 89 Berdasarkan teori iterasi dan scanning, maka dilakukan percobaan dengan menetapkan parameter scanning dan iterasi. Penetapan nilai scanning minimum bertujuan untuk mendapatkan running time atau waktu tercepat dalam menghasilkan deteksi elips. Semakin banyak jumlah scanning yang digunakan, maka waktu yang dibutuhkan dalam proses deteksi elips juga semakin lama. Untuk itu pencarian scanning minimum dimulai dari nilai 2, karena scanning sebanyak 2, memiliki peluang memunculkan skor atau ratio piksel yang lebih baik dari nilai scanning sebanyak 1. Sedangkan nilai iterasi terendah dicoba pada nilai 25. Dari percobaan dengan parameter 2 scanning dan 25 iterasi menghasilkan data dimana, 25 citra uji tidak dapat terdeteksi oleh metode IRHT. Melihat hasil percobaan dengan parameter diatas, maka untuk memperkuat analisa pemilihan parameter scanning dan iterasi, maka dilakukan pengujian terhadap parameter dengan nilai scanning 2, 4 dan 6 dengan iterasi 50, 100, 150, 175 dan 200. Pemilihan nilai scanning dengan kelipatan 2 adalah untuk mendapatkan elips terbaik dari setiap hasil scanning serta mendapatkan perbedaan time running pada sistem yang dibuat. Dari setiap pengujian berdasarkan parameter mendapatkan hasil pengukuran BPD dan HC dalam satuan panjang (mm). Sehingga persamaan yang digunakan untuk mendapatkan akurasi persentase tertinggi yang mendekati data pengukuran yang berasal dari dokter adalah sebagai berikut : Persentase BPD (%) = x 100% 4.1 Persentase HC (%) = x 100% 4.2

113 90 Persentase kecendrungan iterasi pada setiap scanning, persentase akurasi tertinggi dari setiap parameter scanning dan iterasi untuk pengukuran BPD dan HC dalam 2 ruang warna, serta running time ditampilkan dalam tabel dan grafik. 4.3 Hasil Pegujian Sistem Deteksi Kepala Janin Pengujian sistem deteksi kepala janin mencakup beberapa bagian seperti yang telah dijelaskan pada cara pengujian di atas. Hasil pengujian ditampilkan dalam bentuk gambar dan grafik unjuk kerja sistem baik terhadap persentase akurasi maupun running time proses. Hasil pengujian juga ditamplikan dalam bentuk tabel untuk mempermudah analisa Hasil Ujicoba Antarmuka Sistem Uji coba antarmuka sistem pada penelitian ini yaitu pengujian terhadap jalannya program yang terdiri dari proses transformasi ruang warna pada citra uji, proses filtering dengan smooth filter, segmentasi berbasis klastering dengan Fuzzy C-Means, kemudian deteksi elips dengan IRHT dan sampai menemukan hasil pengukuran BPD, HC dan usia gestasi pada citra yang diujikan. Hasil pengujian tersebut dapat dilihat pada satu form. Tampilan awal sistem ini dapat dilihat pada Gambar 4.3, dengan fungsi-fungsi lebih detail yang telah dijelaskan pada bagian Gambar Proses deteksi ini diawali dari pemilihan citra uji yang akan dideteksi, dengan menekan tombol browse. Setelah citra uji terpilih, maka dilakukan transformasi ruang warna dari RGB menjadi L*a*b, dengan menekan tombol execute, hasil citra dengan ruang warna L*a*b dapat dilihat pada Gambar 4.4. Kemudian dilanjutkan dengan proses filtering atau non filtering dengan menekan

114 91 tombol execute di bagian bawah dan memilih proses yang diinginkan (list edit) dan hasil dari proses filtering pada citra dengan ruang warna L*a*b dapat dilihat pada Gambar 4.6. Kemudian dilanjutkan dengan proses segmentasi citra uji dengan Fuzzy C-Means 2 klaster yang hasilnya ditunjukkan pada Gambar 4.8, pada gambar tersebut terlihat hasil segmentasi yang diinginkan berupa skleton atau rangka pada citra uji. Pada proses ini terlihat hasil segmentasi antara kedua ruang warna. Pada proses ini juga terdapat informasi mengenai jumlah iterasi yang dicapai serta running time proses yang terjadi pada citra uji. Untuk proses deteksi elips, pemilihan citra uji dapat dilakukan dengan menekan tombol browse untuk mencari citra uji yang diinginkan, kemudian menginputkan parameter scanning dan iterasi, pada deteksi elips juga dapat dilakukan pemilihan untuk menampilkan semua elips yang muncul sesuai dengan jumlah scanning yang diinputkan (all elips) atau hanya ingin menampilkan best elips dari parameter scanning yang diinputkan (dapat dipilih pada list edit). Kemudian pada deteksi elips juga terdapat running time proses sampai mendapatkan deteksi elips. Pada proses ini juga menampilkan hasil pengukuran BPD, HC dan usia gestasi (ditunjukkan pada Gambar 4.10).

115 92 Gambar 4.3 Tampilan awal program saat dijalankan Gambar 4.4 Tampilan hasil untuk konversi RGB ke L*a*b

116 93 Gambar 4.5 Tampilan hasil untuk proses filterisasi (smooth filter) RGB Gambar 4.6 Tampilan hasil untuk proses filterisasi (smooth filter) pada L*a*b

117 94 Gambar 4.7 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna RGB Gambar 4.8 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna L*a*b

118 95 Gambar 4.9 Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi Gambar 4.10 Tampilan hasil deteksi elips dengan citra uji ruang warna L*a*b dengan parameter 2 scanning dan 50 iterasi

119 96 Percobaan pada Gambar 4.9 menunjukkan hasil pengukuran BPD sebesar mm, HC sebesar mm dan usia gestasi 21 minggu dengan running time sebesar 32,92 detik. Sedangkan pada Gambar 4.10 untuk ruang warna L*a*b menunjukkan hasil pengukuran BPD sebesar mm, untuk HC sebesar dan usia gestasi menunjukkan 23 minggu dengan running time sebesar detik Pengujian Segmentasi Berbasis Klastering dengan Fuzzy C-Means Pengujian dilakukan terhadap 30 data uji berdasarkan ruang warna RGB dan L*a*b dengan melakukan pengujian melalui proses filter dan tanpa filter. Pengujian terhadap metode klasterisasi Fuzzy C-Means dilakukan dengan menguji estimasi waktu yang dibutuhkan dalam melakukan eksekusi (menghasilkan segmentasi berbasis klastering) dan kemudian mendapatkan hasil segmentasi berbasis klastering dari masing-masing citra uji Pengujian Ruang Warna RGB tanpa Proses Filter dengan Fuzzy C- Means Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna RGB tanpa proses filter serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.1.

120 97 Tabel 4.1 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi Tanpa Filtering pada Citra Uji dengan Ruang RGB Nama Citra Percobaan ke- Rata-rata waktu yang dibutuhkan (detik) Jumlah Iterasi yang dilakukan Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp

121 Pengujian Ruang Warna L*a*b tanpa Proses Filter dengan Fuzzy C- Means Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna L*a*b tanpa proses filterisasi serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.2. Tabel 4.2 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi tanpa Filter pada Citra Uji dengan Ruang Warna L*a*b Nama Citra Percobaan ke- Rata-rata waktu yang dibutuhkan (detik) Jumlah iterasi yang dilakukan Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp

122 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 waktu (detik) 99 Lanjutan Tabel 4.2 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses Segmentasi tanpa Filter pada Citra Uji dengan Ruang Warna L*a*b Nama Citra Percobaan ke- Rata-rata waktu yang dibutuhkan (detik) Jumlah iterasi yang dilakukan Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Hasil pengujian terhadap waktu yang diperlukan dalam proses segmentasi dengan data uji ruang warna RGB dan L*a*b tanpa proses filtering disajikan pada Gambar 4.11 sebagai berikut : RGB L*a*b nama citra Gambar 4.11 Grafik perbandingan waktu eksekusi hasil segmentasi klastering antara 2 ruang warna Dari Gambar 4.11 dapat dilihat grafik perbedaan waktu yang dibutuhkan oleh masing-masing ruang warna. Untuk grafik warna biru menunjukkan ruang warna RGB dan warna merah menunjukkan ruang warna L*a*b. 30 data uji,

123 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 jumlah iterasi 100 dengan ruang warna L*a*b memiliki waktu rata-rata eksekusi yang lebih baik dari ruang warna RGB. Dengan rata-rata RGB sebesar 13 detik 49 milidetik, sedangkan untuk L*a*b sebesar 4 detik 41 milidetik RGB L*a*b nama citra Gambar 4.12 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna Dari Gambar 4.12 dapat dilihat grafik perbedaan pencapaian iterasi maksimum yang dibutuhkan oleh masing-masing ruang warna untuk menghasilkan segmentasi. Pada Gambar 4.12 menunjukkan 8 citra pada ruang warna RGB (citra 2, 8, 12, 16, 21, 26 dan 30) berada pada pencapaian iterasi maksimum. Sedangkan pada ruang warna L*a*b hanya ada dua citra yang hampir mencapai jumlah iterasi maksimal. Sehingga diperoleh hasil rata-rata pencapaian iterasi dari 30 data uji dengan ruang warna L*a*b pada 8 iterasi dan 30 iterasi pada ruang warna RGB Hasil Segmentasi pada Kedua Ruang Warna tanpa Proses Filter dengan Metode Fuzzy C-Means Hasil segmentasi berbasis klastering dengan Fuzzy C-Means tanpa melalui proses filter, hasilnya ditunjukan oleh Tabel 4.3. Dimana pada tabel ini dapat dilihat perbandingan hasil segmentasi dari kedua ruang warna.

124 101 Tabel 4.3 Hasil Segmentasi Berbasis Klaster pada Kedua Ruang Warna tanpa Filter dengan Fuzzy C-Means Nama Citra Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp *Lanjutan Tabel 4.3 ditampilkan pada Lampiran 2

125 102 Dari hasil pengujian, hasil segmentasi pada ruang warna RGB lebih baik dibanding ruang warna warna L*a*b, hal ini dapat dilihat dari hasil segmentasi 30 citra pada ruang warna L*a*b terdapat 6 citra yang hasilnya tidak sebaik pada ruang warna RGB, yaitu citra pada no 8, 11, 14, 23, 27, dan 29 ( hasil citra dapat dilihat pada Lampiran 2) Pengujian Ruang Warna RGB pada Proses Smooth Filter dengan Metode Fuzzy C-Means Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna RGB dengan proses smooth filter, serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.4. Tabel 4.4 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang RGB Nama Citra Percobaan ke- Rata-rata waktu yang dibutuhkan (detik) Jumlah iterasi yang dilakukan Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp

126 103 Lanjutan Tabel 4.4 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang RGB Nama Citra Percobaan ke- Rata-rata waktu yang dibutuhkan (detik) Jumlah iterasi yang dilakukan Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Pengujian Ruang Warna L*a*b pada Proses Smooth Filter dengan Fuzzy C-Means Pengujian dilakukan dengan mencari rata-rata waktu yang dibutuhkan oleh setiap citra uji dalam ruang warna L*a*b dengan proses smooth filter, serta jumlah iterasi maksimum yang dilakukan untuk menghasilkan segmentasi berbasis klastering. Pengujian dilakukan dengan melakukan 5 kali proses pencarian terhadap 30 data uji, sehingga akan ditemukan rata-rata waktu yang dibutuhkan dalam melakukan segmentasi dengan metode Fuzzy C-Means. Hasil pengujian ditunjukan oleh Tabel 4.5

127 104 Tabel 4.5 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang L*a*b Nama Citra Percobaan ke Rata-rata waktu yang dibutuhkan (detik) Jumlah iterasi yang dilakukan Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Hasil analisa terhadap waktu yang diperlukan dalam proses segmentasi dengan data uji terhadap ruang warna RGB dan L*a*b melalui proses smooth filtering disajikan pada Gambar 4.13 sebagai berikut :

128 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 jumlah iterasi C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 waktu (detik) RGB L*a*b nama citra Gambar 4.13 Grafik perbandingan hasil pengujian waktu yang dibutuhkan dalam proses segmentasi antara citra uji RGB dan L*a*b dengan smooth filter Dari Gambar 4.13 dapat dilihat grafik perbedaan waktu yang dibutuhkan oleh masing-masing ruang warna. Untuk grafik warna biru menunjukkan ruang warna RGB dan warna merah menunjukkan ruang warna L*a*b. 30 data uji, dengan ruang warna L*a*b memiliki waktu rata-rata eksekusi yang lebih baik dari ruang warna RGB dengan rata-rata 4 detik 73 milidetik untuk L*a*b dan 12 detik untuk RGB RGB L*a*b nama citra Gambar 4.14 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna Dari Gambar 4.14 dapat dilihat grafik perbedaan pencapaian iterasi maksimum yang dibutuhkan oleh masing-masing ruang warna untuk menghasilkan segmentasi. Pada Gambar 4.14 menunjukkan 4 citra pada ruang

129 106 warna RGB (citra 12, 21, 26 dan 30) berada pada pencapaian iterasi maksimum. Sehingga diperoleh hasil rata-rata pencapaian iterasi dari 30 data uji dengan ruang warna L*a*b pada 10 iterasi dan 27 iterasi pada ruang warna RGB Hasil Segmentasi dengan Metode Fuzzy C-Means dengan Smooth Filter pada 2 Ruang Warna Hasil segmentasi berbasis klastering dengan Fuzzy C-Means melalui proses filter, hasilnya ditunjukan oleh Tabel 4.6. Dimana pada tabel ini dapat dilihat perbandingan hasil segmentasi dari kedua ruang warna. Tabel 4.6 Hasil Segmentasi Kedua Ruang Warna Berbasis Klaster dengan Smooth Filter pada Fuzzy C-Means Nama Citra Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp

130 107 Lanjutan Tabel 4.6 Hasil Segmentasi Kedua Ruang Warna Berbasis Klaster dengan Smooth Filter pada Fuzzy C-Means Nama Citra Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp *Lanjutan Tabel 4.6 ditampilkan pada Lampiran 3

131 108 Dari hasil pengujian yang telah dilakukan terhadap metode Fuzzy C- Means, didapat hasil dimana estimasi waktu yang diperlukan pada proses segmentasi berbasis klastering dengan ruang warna L*a*b (tanpa filter) sebesar 4.6 detik sedangkan dengan smooth filter sebesar 4.3 detik. Untuk ruang warna RGB (tanpa filter) sebesar 13.5 detik, sedangkan dengan smooth filter sebesar 11.5 detik. Untuk jumlah maksimal iterasi yang dicapai pada pengujian dengan ruang warna L*a*b (tanpa filter) berada pada rata-rata iterasi ke 8 dan dengan smooth filter sebesar 10 iterasi. Sedangkan untuk ruang warna RGB (tanpa filter) rata-rata iterasi ke 27, dan dengan smooth filter sebesar 30 iterasi. Hasil segmentasi terbaik untuk 30 data uji, hasil terbaik dihasilkan dari proses smooth filter untuk kedua ruang warna. Dengan melihat hasil segmentasi dan estimasi waktu yang dihasilkan setelah melalui beberapa percobaan, hasil terbaik dari estimasi waktu terbaik dihasilkan oleh metode smooth filter untuk kedua ruang warna. Sehingga citra input untuk proses deteksi elips dengan metode IRHT menggunakan hasil dari segmentasi klastering dengan proses smooth filter baik untuk ruang warna RGB dan L*a*b Pengujian Deteksi Elips dengan Metode IRHT Terhadap Hasil Segmentasi Berbasis Klastering Pengujian dilakukan dengan parameter scanning dan iterasi, scanning yang dilakukan adalah 2, 4 dan 6, kemudian pada masing-masing parameter scanning tersebut dilakukan pengujian untuk mencari hasil pengukuran terbaik berdasarkan iterasi. Adapun iterasi yang digunakan adalah iterasi 50., 100, 150, 175 dan 200.

132 Pengujian Metode IRHT dengan 2 Scanning Pengujian dilakukan terhadap 30 data uji dengan ruang warna yang berbeda yaitu RGB dan L*a*b. Pengujian dilakukan dengan menetapkan parameter pencarian dengan 2 scanning dan 50, 100, 150, 175, 200 iterasi. Pengujian bertujuan untuk mengetahui running time dari parameter yang digunakan terhadap 2 ruang warna dan mengetahui persentase kedekatan hasil pengukuran BPD dan HC terhadap hasil pengukuran yang dilakukan oleh dokter. a. Pengujian Pengukuran BPD dengan Parameter 2 Scanning Pengujian dilakukan dengan menggunakan parameter 2 scanning dengan iterasi 50, 100, 150, 175 dan 200 iterasi. Pada setiap pengujian nilai iterasi, citra sampel yang digunakan sebanyak 30 citra, baik dalam ruang warna RGB dan L*a*b. Sehingga pada setiap iterasi akan menghasilkan persentase kedekatan pengukuran dengan persamaan sebagai berikut ; Persentase kedekatan pengukuran didapatkan dari perhitungan sebagai berikut : Persentase BPD (%) = x 100% (4.1) Hasil pengujian pengukuran BPD ditampilkan dalam Tabel 4.7, sebagai berikut : Tabel 4.7 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp

133 110 Lanjutan Tabel 4.7 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Nilai persentase yang didapatkan dari pengujian yang ditampilkan pada Tabel 4.7 menjelaskan bahwa nilai nol (0) yang terdapat pada tabel merupakan hasil deteksi elips pada beberapa citra yang telah diujikan terhadap parameter

134 akurasi (%) 111 pengujian yang tidak mendapatkan hasil deteksi berupa elips atau diameter yang terdeteksi melebihi citra uji. Sedangkan nilai yang diberi tanda (bold) merupakan nilai persentase tertingggi (akurasi yang paling mendekati pengukuran dokter), dari pengujian yang dilakukan terhadap citra uji dengan masing-masing iterasi. Dari Tabel 4.7, dapat dilihat kecendrungan iterasi pada tiap ruang warna untuk dapat menghasilkan deteksi elips yang sesuai. Untuk mendapatkan nilai kecendrungan dilakukan dengan persamaan sebagai berikut; Persentase Kecendrungan (%) = (4.2) Dari hasil perhitungan, maka didapat hasil yang tergambar pada Gambar 4.15 di bawah ini nilai iterasi RGB L*a*b Gambar 4.15 Grafik presentase kecendrungan nilai iterasi pada parameter 2 scanning Hasil nilai persentase pengujian selengkapnya dengan menggunakan data acuan Iterasi yang berbeda dapat dapat dilihat pada Tabel 4.8, berikut ini :

135 112 Tabel 4.8 Persentase Kecendrungan Nilai Iterasi pada Parameter 2 Scanning untuk BPD Jumlah Akurasi Sistem Iterasi RGB (%) L*a*b (%) Hasil pengujian pada Tabel 4.8 menunjukkan akurasi sistem untuk pengukuran BPD pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 53.3%, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak 51,59 %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 175 atau 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. b. Pengujian Pengukuran HC dengan Parameter 2 Scanning Sama halnya dengan pencarian BPD pada subbab sebelumnya, untuk mendapatkan akurasi pengukuran HC adalah dengan menggunakan persamaan sebagai berikut : Persentase HC (%) = x 100% 4.3 Hasil dari pengujian disajikan pada Tabel 4.9, sebagai berikut :

136 113 Tabel 4.9 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Iterasi Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp

137 akurasi (%) 114 Pada pengujian untuk pengukuran HC, nilai nol (0) yang terdapat pada tabel merupakan hasil deteksi elips pada beberapa citra yang telah diujikan terhadap parameter pengujian yang tidak mendapatkan hasil deteksi berupa elips atau diameter yang terdeteksi melebihi citra uji. Sedangkan nilai yang diberi tanda (bold) merupakan nilai persentase tertingggi (akurasi yang paling mendekati pengukuran dokter), dari pengujian yang dilakukan terhadap citra uji dengan masing-masing iterasi. Untuk mendapatkan nilai kecendrungan dilakukan dengan persamaan sebagai berikut; Persentase Kecendrungan (%) = (4.4) Dari hasil perhitungan, maka didapat hasil yang tergambar pada Gambar 4.16 di bawah ini nilai iterasi RGB L*a*b Gambar 4.16 Grafik presentase kecendrungan nilai iterasi pada parameter 2 scanning Untuk dapat melihat persentase yang diperoleh dengan lebih jelas, maka dapat dilihat pada Tabel 4.10, sebagai berikut :

138 115 Tabel 4.10 Persentase Kecendrungan Nilai Iterasi dengan 2 Scanning pada HC Jumlah Iterasi Akurasi Sistem RGB (%) L*a*b (%) Hasil pengujian pada Tabel 4.9 menunjukkan akurasi sistem untuk pengukuran HC pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak %, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. c. Pengujian Akurasi Hasil Pengukuran dari Hasil Deteksi Elips Terbaik pada Scanning 2 Untuk menentukan persentase keberhasilan sistem pada parameter uji pada dua ruang warna citra, maka persentase akurasi tertinggi pada setiap citra uji pada masing-masing proses iterasi digunakan sebagai data hasil pengujian yang pasti. Akurasi persentase ditampilkan pada Tabel 4.11, sebagai berikut :

139 116 Tabel 4.11 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan 2 Scanning Nama citra BPD RGB (%) BPD L*a*b (%) HC (RGB) (%) HC (L*a*b) (%) Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Dari tabel 4.11 untuk hasil pengukuran BPD dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.17 sebagai berikut :

140 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 persentase kedekatan pengukuran (%) RGB L*a*b nama citra Gambar 4.17 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna Dilihat hasil dari beberapa citra dengan tingkat akurasi kebenaran deteksi yang dihasilkan sistem terhadap pengukuran dokter, dimana hasil pengukuran BPD untuk ruang warna RGB dengan tingkat akurasi 90% menghasilkan 1 citra hasil yaitu citra citra 17.bmp. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 16 citra, dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 13 citra. Untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 2 buah citra, yaitu citra 7.bmp dan citra 14.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 16 citra hasil. Sehingga didapat rata-rata persentase keberhasilan sistem dalam pengukuran BPD untuk ruang warna RGB sebesar % dan untuk satuan warna L*a*b sebesar %. Dari tabel 4.11 untuk hasil pengukuran HC dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.18 sebagai berikut :

141 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 persentase kedekatan pengukuran (%) RGB L*a*b nama citra Gambar 4.18 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna Dari Gambar 4.18 juga dapat dilihat hasil HC dari ruang warna RGB dengan tingkat akurasi 90% menghasilkan 3 citra hasil yaitu citra 4.bmp, citra 6.bmp, citra 28.bmp. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 7 citra dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 22 citra. Sedangkan untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 1 buah citra, yaitu citra 13.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 9 citra hasil dan untuk tingkat akurasi dibawah 80% sebanyak 20 citra hasil. Dari hasil pengujian diatas, didapat analisa rata-rata persentase keberhasilan sistem dalam pengukuran HC untuk ruang warna RGB sebesar % dan untuk ruang warna L*a*b sebesar %. d. Pengujian Running Time Proses IRHT pada Parameter 2 Scanning Running time yang diperoleh dari pengujian ini merupakan running time akurasi terbaik pada setiap iterasi yang diuji. Pada Tabel 4.12 ditampilkan hasil pengujian terhadap running time dengan scanning sebanyak 2.

142 119 Tabel 4.12 Running Time Terbaik antara 2 Ruang Warna pada 2 Scanning Citra Uji RGB running time (detik) L*a*b running time (detik) citra 1.bmp citra 2.bmp citra 3.bmp citra 4.bmp citra 5.bmp citra 6.bmp citra 7.bmp citra 8.bmp citra 9.bmp citra 10.bmp citra 11.bmp citra 12.bmp citra 13.bmp citra 14.bmp citra 15.bmp citra 16.bmp citra 17.bmp citra 18.bmp citra 19.bmp citra 20.bmp citra 21.bmp citra 22.bmp citra 23.bmp citra 24.bmp citra 25.bmp citra 26.bmp citra 27.bmp citra 28.bmp citra 29.bmp citra 30.bmp

143 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 running time (detik) 120 Dari data pada Tabel 4.12, perbandingan hasil ditampilkan oleh grafik pada Gambar 4.19 sebagai berikut : RGB L*a*b nama citra Gambar 4.19 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter terbaik Running time pada scanning 2 memiliki rata-rata waktu proses yang cepat yaitu, pada hasil pengujian untuk ruang warna RGB sebesar 132 detik dan ruang warna L*a*b sebesar 139 detik Pengujian Metode IRHT dengan 4 Scanning Pengujian selanjunya adalah dengan menerapkan parameter scanning sebanyak 4 pada setiap iterasi, dimana iterasi yang digunakan adalah 50, 100, 150, 175 dan 200. Tahapan pengujian yang dilakukan adalah dengan melakukan pengujian terhadap pengukuran untuk mencari BPD, HC, akurasi terbaik dari masing-masing pengukuran yang telah dicari, dan mencari running time atau kompleksitas waktu pada pengujian sesuai dengan paramater 4 scanning. a. Pengujian Pengukuran BPD dengan Parameter 4 Scanning Pengujian dilakukan dengan menggunakan parameter 4 scanning dengan iterasi 50, 100, 150, 175 dan 200 iterasi. Sehingga pada setiap iterasi akan

144 121 menghasilkan persentase kedekatan pengukuran yang berbeda antara tiap iterasi pada satu citra uji yang disajikan pada Tabel Tabel 4.13 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning 4 Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp

145 akurasi (%) 122 Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran BPD untuk parameter 4 scanning, ditampilkan pada Gambar 4.20, sebagai berikut : nilai iterasi RGB L*a*b Gambar 4.20 Grafik presentase kecendrungan nilai iterasi pada parameter 4 scanning untuk BPD Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada iterasi yang berbeda dapat dapat dilihat pada Tabel 4.14, berikut ini : Tabel 4.14 Persentase Kecendrungan Nilai Iterasi pada Parameter 4 Scanning untuk BPD Jumlah Iterasi Akurasi Sistem RGB (%) L*a*b (%) Hasil pengujian pada Tabel 4.14 menunjukkan akurasi sistem untuk pengukuran BPD pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 59.75%, sedangkan untuk ruang warna L*a*b berada pada

146 123 iterasi ke-200 dengan persentase sebannyak %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 175 ataupun 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. b. Pengujian Pengukuran HC dengan Parameter 4 Scanning Pola pengujian pada pengukuran HC sama dengan pengukuran BPD, yaitu mencari akurasi tertinggi pada setiap iterasi pada masing-masing citra. Untuk hasil persentase pengukuran HC, hasil pengujian ditampilkan pada Tabel 4.15, sebagai berikut : Tabel 4.15 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning 4 Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp

147 124 Lanjutan Tabel 4.15 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning 4 Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 11.bmp Citra 12.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran HC untuk parameter 4 scanning, ditampilkan pada Gambar 4.21, sebagai berikut :

148 akurasi (%) nilai iterasi RGB L*a*b Gambar 4.21 Grafik presentase kecendrungan nilai iterasi pada parameter 4 scanning untuk HC Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada iterasi yang berbeda dapat dapat dilihat pada Tabel 4.16, berikut ini : Tabel 4.16 Persentase Kecendrungan Nilai Iterasi pada Parameter 4 Scanning untuk HC Jumlah Iterasi Akurasi Sistem RGB (%) L*a*b (%) Hasil pengujian pada Tabel 4.16 menunjukkan akurasi sistem untuk pengukuran HC pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak %, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter

149 126 dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 150 atau 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. c. Pengujian Akurasi Hasil Pengukuran dari Hasil Deteksi Elips Terbaik pada Scanning 4 Menentukan persentase keberhasilan sistem pada parameter uji pada dua ruang warna citra, maka persentase akurasi tertinggi pada setiap citra uji pada masing-masing proses iterasi digunakan sebagai data hasil pengujian yang pasti. Akurasi persentase ditampilkan pada Tabel 4.17, sebagai berikut : Tabel 4.17 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC Dalam 2 Ruang Warna dengan Parameter 4 Scanning Nama citra BPD RGB (%) BPD L*a*b (%) HC (RGB) (%) HC (L*a*b) (%) Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp

150 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 persentase kedekatan pengukuran (%) 127 Lanjutan Tabel 4.17 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC Dalam 2 Ruang Warna dengan Parameter 4 Scanning Nama citra BPD RGB (%) BPD L*a*b (%) HC (RGB) (%) HC L*a*b (%) Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Dari tabel 4.17 untuk hasil pengukuran BPD dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.22 sebagai berikut : RGB L*a*b nama citra Gambar 4.22 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna pada scanning 4 Dilihat hasil dari beberapa citra dengan tingkat akurasi kebenaran deteksi yang dihasilkan sistem terhadap pengukuran dokter, dimana hasil pengukuran BPD untuk ruang warna RGB dengan tingkat akurasi 90% menghasilkan 3 citra

151 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 persentase kedekatan pengukuran (%) 128 hasil yaitu citra 4.bmp, citra 7.bmp, citra 14.bmp. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 15 citra Dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 12 citra. Untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 1 buah citra, yaitu citra 4.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 17 citra hasil, emudian untuk tingkat akurasi dibawah 80% sebanyak 12 citra hasil. Sehingga didapat rata-rata persentase keberhasilan sistem dalam pengukuran BPD untuk ruang warna RGB sebesar % dan untuk satuan warna L*a*b sebesar %. Dari tabel 4.17 untuk hasil pengukuran HC dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.23 sebagai berikut : RGB L*a*b nama citra Gambar 4.23 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna pada scanning 4 Dari Gambar 4.23 juga dapat dilihat hasil HC dari ruang warna RGB dengan tingkat akurasi 90% tidak ada. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 8 citra dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 22 citra. Sedangkan untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 1 buah citra, yaitu citra 4.bmp. Sedangkan untuk

152 129 akurasi deteksi diatas 80% terdapat 6 citra hasil dan untuk tingkat akurasi dibawah 80% sebanyak 23 citra hasil. Dari hasil pengujian diatas, didapat analisa rata-rata persentase keberhasilan sistem dalam pengukuran HC untuk ruang warna RGB sebesar % dan untuk ruang warna L*a*b sebesar %. d. Pengujian Running Time Proses IRHT dengan Parameter 4 Scanning Running time yang diperoleh dari pengujian ini merupakan running time akurasi terbaik pada setiap iterasi yang diuji. Pada Tabel 4.18 ditampilkan hasil pengujian terhadap running time dengan scanning sebanyak 4, sebagai berikut : Tabel 4.18 Running Time Terbaik Antara 2 Ruang Warna dengan 4 Scanning Citra Uji RGB L*a*b running time running time (detik) (detik) citra 1.bmp citra 2.bmp citra 3.bmp citra 4.bmp citra 5.bmp citra 6.bmp citra 7.bmp citra 8.bmp citra 9.bmp citra 10.bmp citra 11.bmp citra 12.bmp citra 13.bmp citra 14.bmp citra 15.bmp citra 16.bmp citra 17.bmp citra 18.bmp citra 19.bmp citra 20.bmp citra 21.bmp

153 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 running time (detik) 130 Lanjutan Tabel 4.18 Running Time Terbaik Antara 2 Ruang Warna dengan 4 Scanning Citra Uji RGB L*a*b running time running time (detik) (detik) citra 22.bmp citra 23.bmp citra 24.bmp citra 25.bmp citra 26.bmp citra 27.bmp citra 28.bmp citra 29.bmp citra 30.bmp Dari data pada Tabel 4.18, perbandingan hasil ditampilkan oleh grafik pada Gambar 4.24 sebagai berikut : RGB L*a*b 0 nama citra Gambar 4.24 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter 4 scanning terbaik Running time pada scanning 4 memiliki rata-rata waktu proses yang cepat yaitu, pada hasil pengujian untuk ruang warna RGB sebesar 227 detik dan ruang warna L*a*b sebesar 236 detik.

154 Pengujian Metode IRHT dengan 6 Scanning Pengujian selanjunya adalah dengan menerapkan parameter scanning sebanyak 6 pada setiap iterasi, dimana iterasi yang digunakan adalah 50, 100, 150, 175 dan 200. Tahapan yang dilakukan sama seperti pengujian pada scanning 4 dan 6. a. Pengujian Pengukuran BPD dengan Parameter 6 Scanning Pengujian dilakukan dengan menggunakan parameter 6 scanning dengan iterasi 50, 100, 150, 175 dan 200 iterasi. Pada setiap pengujian nilai iterasi, citra sampel yang digunakan sebanyak 30 citra, baik dalam ruang warna RGB dan L*a*b. Sehingga pada setiap iterasi akan menghasilkan persentase kedekatan pengukuran yang berbeda antara tiap iterasi pada satu citra uji yang disajikan pada Tabel Tabel 4.19 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning 6 Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp

155 132 Lanjutan Tabel 4.19 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil Pengukuran Dokter pada Scanning 6 Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp

156 akurasi (%) 133 Nilai persentase yang didapatkan dari pengujian yang ditampilkan pada Tabel 4.19 menjelaskan bahwa nilai nol (0) yang terdapat pada tabel merupakan hasil deteksi elips pada beberapa citra yang telah diujikan terhadap parameter pengujian yang tidak mendapatkan hasil deteksi berupa elips atau diameter yang terdeteksi melebihi citra uji. Sedangkan nilai yang diberi tanda (bold) merupakan nilai persentase tertingggi (akurasi yang paling mendekati pengukuran dokter) dari pengujian yang dilakukan terhadap citra uji dengan masing-masing iterasi. Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran BPD untuk parameter 6 scanning, ditampilkan pada Gambar 4.25, sebagai berikut : RGB L*a*b nilai iterasi Gambar 4.25 Grafik presentase kecendrungan nilai iterasi pada parameter 6 scanning Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada Iterasi yang berbeda dapat dapat dilihat pada Tabel 4.20, berikut ini :

157 134 Tabel 4.20 Persentase Kecendrungan Nilai Iterasi pada Parameter 6 Scanning untuk Pengukuran BPD Jumlah Iterasi Akurasi Sistem RGB (%) L*a*b (%) Hasil pengujian pada Tabel 4.20 menunjukkan akurasi sistem untuk pengukuran BPD pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak 60.93%, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak %. Hasil ini memperlihatkan citra pada ruang warna RGB pada iterasi 150, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 175 ataupun 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. b. Pengujian Pengukuran HC dengan Parameter 6 Scanning Pola pengujian pada pengukuran HC sama dengan pengukuran BPD, yaitu mencari akurasi tertinggi pada setiap iterasi pada masing-masing citra. Untuk hasil persentase pengukuran HC, hasil pengujian ditampilkan pada Tabel 4.20, sebagai berikut :

158 135 Tabel 4.21 Persentase Akurasi Pengukuran HC Terhadap Data Hasil Pengukuran Dokter pada Scanning 6 Nama Citra Persentase akurasi kedekatan pengukuran untuk ruang warna RGB (%) Iterasi Persentase akurasi kedekatan pengukuran untuk ruang warna L*a*b (%) Iterasi Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp

159 akurasi (%) 136 Untuk mengetahui kecendrungan iterasi yang paling memiliki nilai persentase tertinggi pada pengukuran HC untuk parameter 6 scanning, ditampilkan pada Gambar 4.26, sebagai berikut : RGB L*a*b nilai iterasi Gambar 4.26 Grafik presentase kecendrungan nilai iterasi pada parameter 6 scanning untuk HC Nilai persentase pengujian selengkapnya dengan menggunakan data acuan pada Iterasi yang berbeda dapat dapat dilihat pada Tabel 4.22, berikut ini : Tabel 4.22 Persentase Kecendrungan Nilai Iterasi dengan 6 Scanning untuk HC Jumlah Iterasi Akurasi Sistem RGB (%) L*a*b (%) Hasil pengujian pada Tabel 4.22 menunjukkan akurasi sistem untuk pengukuran HC pada ruang warna RGB berada pada Iterasi ke-150 dengan persentase sebanyak %, sedangkan untuk ruang warna L*a*b berada pada Iterasi ke-200 dengan persentase sebannyak %. Hasil ini memperlihatkan

160 137 citra pada ruang warna RGB pada iterasi 175, lebih dominan menemukan citra elips dengan akurasi paling banyak dan terdekat dari pengukuran dokter dibandingkan dengan iterasi lainnya seperti pada iterasi 50, 100, 150 ataupun 200, sedangkan untuk ruang warna L*a*b pada iterasi 200, lebih dominan dalam menemukan elips dengan akurasi paling banyak dan terdekat dengan pengukuran dokter. c. Pengujian Akurasi Hasil Pengukuran dari Deteksi Elips Terbaik pada Scanning 6 Menentukan persentase keberhasilan sistem pada parameter uji pada dua ruang warna citra, maka persentase akurasi tertinggi pada setiap citra uji pada masing-masing proses iterasi digunakan sebagai data hasil pengujian yang pasti. Akurasi persentase ditampilkan pada Tabel 4.23, sebagai berikut : Tabel 4.23 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC Dalam 2 Ruang Warna dengan Parameter 6 Scanning Nama citra BPD RGB (%) BPD L*a*b (%) HC (RGB) (%) HC (L*a*b) (%) Citra 1.bmp Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp Citra 8.bmp Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp

161 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 persentase kedekatan pengukuran (%) 138 Lanjutan Tabel 4.23 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC dalam 2 Ruang Warna dengan Parameter 6 Scanning Nama citra BPD RGB (%) BPD L*a*b (%) HC (RGB) (%) HC (L*a*b) (%) Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp Dari tabel 4.23 untuk hasil pengukuran BPD dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.27 sebagai berikut : RGB L*a*b nama citra Gambar 4.27 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna pada scanning 6

162 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 persentase kedekatan pengukuran (%) 139 Dilihat hasil dari beberapa citra dengan tingkat akurasi kebenaran deteksi yang dihasilkan sistem terhadap pengukuran dokter, dimana hasil pengukuran BPD untuk ruang warna RGB dengan tingkat akurasi 90% menghasilkan 2 citra hasil yaitu citra 2.bmp, dan citra 7.bmp. Kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 15 citra, Dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 18 citra. Untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% tidak terdapat, sedangkan untuk akurasi deteksi diatas 80% terdapat 19 citra hasil, kemudian untuk tingkat akurasi dibawah 80% sebanyak 21 citra hasil. Sehingga didapat rata-rata persentase keberhasilan sistem dalam pengukuran BPD untuk ruang warna RGB sebesar % dan untuk satuan warna L*a*b sebesar %. Dari tabel 4.23 untuk hasil pengukuran HC dalam ruang warna dapat dijelaskan pada grafik di Gambar 4.28 sebagai berikut : RGB L*a*b nama citra Gambar 4.28 Grafik persentase hasil pengukuran HC pada sistem terhadap dokter dalam 2 ruang warna pada scanning 6 Dari Gambar 4.28 juga dapat dilihat hasil HC dari ruang warna RGB dengan tingkat akurasi 90% menghasilkan 1 citra hasil yaitu citra 5.bmp,

163 140 kemudian untuk akurasi kebenaran deteksi diatas 80% terdapat sebanyak 8 citra dan untuk akurasi kebenaran deteksi dibawah 80 % terdapat 24 citra. Sedangkan untuk ruang warna L*a*b dengan tingkat akurasi sebesar 90% terdapat 1 buah citra, yaitu citra 4.bmp. Sedangkan untuk akurasi deteksi diatas 80% terdapat 7 citra hasil dan untuk tingkat akurasi dibawah 80% sebanyak 22 citra hasil. Dari hasil pengujian diatas, didapat analisa rata-rata persentase keberhasilan sistem dalam pengukuran HC untuk ruang warna RGB sebesar % dan untuk ruang warna L*a*b sebesar %. d. Pengujian Running Time Proses IRHT dengan Parameter 6 Scanning Running time yang diperoleh dari pengujian ini merupakan running time akurasi terbaik pada setiap iterasi yang diuji. Pada Tabel 4.24 ditampilkan hasil pengujian terhadap running time dengan scanning sebanyak 6, sebagai berikut : Tabel 4.24 Running Time Terbaik Antara 2 Ruang Warna pada Scanning Sebanyak 6 RGB L*a*b Citra Uji running time (detik) running time (detik) citra 1.bmp citra 2.bmp citra 3.bmp citra 4.bmp citra 5.bmp citra 6.bmp citra 7.bmp citra 8.bmp citra 9.bmp citra 10.bmp citra 11.bmp citra 12.bmp citra 13.bmp citra 14.bmp

164 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C21 C22 C23 C24 C25 C26 C27 C28 C29 C30 running time (detik) 141 Lanjutan Tabel 4.24 Running Time Terbaik antara 2 Ruang Warna pada Scanning Sebanyak 6 Citra Uji RGB running time (detik) L*a*b running time (detik) citra 15.bmp citra 16.bmp citra 17.bmp citra 18.bmp citra 23.bmp citra 24.bmp citra 25.bmp citra 26.bmp citra 27.bmp citra 28.bmp citra 29.bmp citra 30.bmp Dari data pada Tabel 4.24, perbandingan hasil ditampilkan oleh grafik pada Gambar 4.29 sebagai berikut : RGB L*a*b nama citra Gambar 4.29 Running time antara ruang warna RGB dan L*a*b dari hasil pengujian parameter 6 scanning terbaik Running time pada scanning 6 memiliki rata-rata waktu proses yang cepat yaitu, pada hasil pengujian untuk ruang warna RGB sebesar 330 detik dan ruang warna L*a*b sebesar 365 detik.

165 Analisa Hasil Pengujian Analisa hasil pengujian meliputi hasil pengujian segmentasi kedua ruang warna dengan metode Fuzzy C-Means, analisa hasil pengujian deteksi elips berdasarkan paramater scanning terhadap kecendrungan iterasi, akurasi persentase pengukuran terhadap BPD, HC serta akurasi usia gestasi serta analisa terhadap hasil pengujian running time Analisa Hasil Pengujian Segmentasi Kedua Ruang Warna dengan Fuzzy C-Means Dari hasil pengujian yang telah dilakukan terhadap metode Fuzzy C- Means, didapat hasil dimana estimasi waktu yang diperlukan pada proses segmentasi berbasis klastering dengan ruang warna L*a*b (tanpa filter) sebesar 4.6 detik sedangkan dengan smooth filter sebesar 4.3 detik. Untuk ruang warna RGB (tanpa filter) sebesar 13.5 detik, sedangkan dengan smooth filter sebesar 11.5 detik. Untuk jumlah maksimal iterasi yang dicapai pada pengujian dengan ruang warna L*a*b (tanpa filter) berada pada rata-rata iterasi ke 8 dan dengan smooth filter sebesar 10 iterasi. Sedangkan untuk ruang warna RGB (tanpa filter) rata-rata iterasi ke-27, dan dengan smooth filter sebesar 30 iterasi. Hasil segmentasi terbaik untuk 30 data uji, hasil terbaik dihasilkan dari proses smooth filter untuk kedua ruang warna. Hasil dari pengujian berdasarkan metode Fuzzy C- Means berdasarkan klasterisasi piksel menghasilkan perbedaan hasil segmentasi, dimana pada ruang warna RGB hasil segmentasi yang dihasilkan lebih baik dari hasil segmentasi pada ruang warna L*a*b.

166 143 Hasil pengujian berdasarkan metode filtering dengan smooth fiter ( low pass filter ) baik pada kedua ruang warna menghasilkan segmentasi yang lebih baik dari pada tanpa proses filtering, hal ini disebabkan tapis low pass filter dengan kernel 3x3, dimana dapat dicari dengan persamaan : f ( n ) = (n1 + n2 + n3 + n4 + n5+ n6 + n7 + n8 + n9) / sehingga citra yang dihasilkan akan semakin lembut (blur), sehingga noise berupa speckle pada citra uji menjadi berkurang, kemudian piksel aras keabuan pada citra semakin baik. Hasil segmentasi dengan menggunakan filter smooth pada Fuzzy C-Means menghasilkan segmentasi yang lebih baik daripada tanpa proses filtering, hasil filterisasi menghasilkan citra yang memiliki noise berupa speckle yang berkurang dan piksel aras keabuan pada citra uji semakin baik, sehingga pada saat dilakukan klasterisasi piksel keabuan, hasil segmentasi dengan filter smooth menghasilkan hasil yang lebih baik dari yang tidak terfilter. Piksel dengan aras keabuan menghasilkan pusat klaster yang paling baik pada klaster minimum yaitu 2 (pada 2 ruang warna), sehingga pada metode klaster ini sudah dapat menghasilkan segmentasi lingkar kepala janin yang diinginkan. Perbedaan iterasi maksimum yang dicapai pada ruang warna berkaitan dengan pusat klaster, pada ruang warna L*a*b iterasi maksimum yang dicapai rata-rata pada iterasi ke-10, sedangkan pada RGB sampai iterasi ke-27. Hal ini dikarenakan pada ruang warna L*a*b piksel-piksel pada ruang warna sudah terlebih dahulu dikelompokkan sesuai dengan dengan teori cara kerja ruang warna L*a*b yaitu dengan mengubah citra uji ke dalam ruang warna XYZ dan koordinat

167 144 warna L*a*b, pada proses ini terjadi pengelompokkan piksel sesuai dengan koordinat ruang warna yang digunakan. Karena perubahan tersebut pada saat klasterisasi piksel berdasarkan Fuzzy C-Means iterasi yang dibutuhkan untuk menemukan pusat klaster menjadi lebih cepat. Sedangkan untuk running time proses pada ruang warna L*a*b otomatis menghasilkan running time proses segmentasi yang lebih cepat dari RGB, hal ini dapat dilihat dari pencapaian iterasi maksimum yang dibutuhkan oleh tiap ruang warna Analisa Hasil Pengujian Deteksi Elips Berdasarkan Parameter Hasil dari pengujian yang telah dilakukan berdasarkan parameter pengujian yaitu iterasi dan scanning, menghasilkan informasi berupa persentase kecendrungan terhadap nilai iterasi citra uji pada tiap ruang warna, persentase kedekatan hasil pengukuran terhadap ruang warna baik pengukuran terhadap BPD dan HC, dan running time dari proses masing-masing parameter yang diuji Analisa Hasil Pengujian Terhadap Kecendrungan Iterasi pada masing-masing Scan Hasil pengujian berdasarkan nilai iterasi pada tiap scanning untuk kedua ruang warna menghasilkan persentase kecendrungan pada iterasi 150 untuk ruang warna RGB dan iterasi 200 untuk ruang warna L*a*b pada scanning yang berbeda yaitu scan 2, 4, dan 6. Kecendrungan ini menggambarkan keberhasilan atau citra yang paling banyak berhasil ditemukan pada setiap pengujian terhadap masingmasing iterasi pada tiap scanning. Hasil dari pengujian dapat dilihat pada Tabel 4.24, sebagai berikut :

168 145 Tabel 4.25 Hasil Pengujian Terhadap Kecendrungan Nilai Iterasi pada Scanning Berbeda untuk Kedua Ruang Warna Iterasi Persentase Kecendrungan pada RGB (%) Persentase Kecendrungan pada L*a*b (%) Scan 2 Scan 4 Scan 6 Scan 2 Scan 4 Scan 6 BPD HC BPD HC BPD HC BPD HC BPD HC BPD HC Dari Tabel 4.25 dapat dilihat persentase kecendrungan nilai iterasi pada ruang warna RGB pada pengukuran BPD dan HC untuk scanning 2, nilai persentase tertinggi terletak pada iterasi ke-150 yaitu sebesar 53.30% dan 47.48%, sedangkan untuk ruang warna L*a*b terletak pada iterasi ke-200 yaitu sebesar % dan 47.71%. Untuk scanning 4, nilai kecendrungan sama yaitu pada iterasi ke-150 dan 200 dimana untuk RGB sebesar 59.75% dan 53.14%, sedangkan untuk L*a*b sebesar 61.69% dan 57.85%. Dan untuk scanning ke 6 persentase untuk iterasi ke 150 pada RGB sebesar 60.93% dan 58.39% sedangkan untuk iterasi ke-200 pda L*a*b berada pada 56.12% dan 54.45%. Dari Tabel 4.24 dapat dilihat persentase hasil pencapaian kecendrungan iterasi pada setiap pengujian terhadap hasil scan, hasilnya dapat dilihat pada Gambar 4.30, sebagai berikut :

169 persentase akurasi (%) Scan 2 Scan 4 Scan 6 jumlah scanning BPD (RGB) HC (RGB) BPD (L*a*b) HC (L*a*b) Gambar 4.30 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap kecendrungan iterasi pada 2 ruang warna Pada pengujian terhadap 30 citra uji kecendrungan masing-masing ruang warna berada pada iterasi yang berbeda, yaitu untuk RGB di iterasi 150 dan ruang warna L*a*b di iterasi ke-200, hal ini dipengaruhi oleh hasil segmentasi yang berbeda pada kedua ruang warna, pada hasil segmentasi dengan ruang warna L*a*b, iterasi yang dicapai adalah iterasi maksimal yang ditetapkan pada pengujian. Hal ini membuktikan citra uji pada ruang warna L*a*b menghasilkan segmentasi yang kurang baik, karena pada saat proses IRHT, terbentuknya elips ditentukan oleh parameter pembentuk elips yang disimpan pada 1 kali proses iterasi berlangsung. Dengan semakin banyaknya iterasi yang dibutuhkan citra uji dalam ruang warna L*a*b, menunjukkan kurang sempurna nya hasil segmentasi yang dihasilkan sehingga piksel-piksel pembentuk elips yang terjadi pun kurang sempurna. Karena untuk menemukan elips pada IRHT adalah dengan membandingkan banyaknya titik singgung piksel yang terbentuk pada saat iterasi berlangsung dengan gambar asli.

170 Analisa Hasil Perbandingan Akurasi Pengukuran Berdasarkan hasil pengujian terhadap akurasi kedekatan pengukuran berdasarkan parameter scanning, didapatkan hasil pengujian yang ditampilkan pada Tabel 4.26, sebagai berikut : Tabel 4.26 Perbandingan Persentase Akurasi Hasil Pengujian untuk Pengukuran BPD dan HC pada 2 Ruang Warna Scan Persentase akurasi pengukuran pada RGB (%) Persentase akurasi pengukuran pada L*a*b (%) BPD HC BPD HC Dari Tabel 4.26 dapat dilihat hasil pengujian pada parameter scan menghasilkan kedekatan pengukuran yang tidak jauh berbeda. Untuk hasil pengujian terhadap pengukuran BPD, ketiga hasil pengujian berdasarkan parameter scanning menunjukkan hasil pengujian pada ruang warna RGB memiliki persentase akurasi yang lebih tinggi dari ruang warna L*a*b, dengan perbandingan hasil akurasi untuk tiap scanning sebesar ± 0,2 %. Dimana hasil pengujian menunjukkan untuk RGB sebesar %, sedangkan L*a*b sebesar 79.30% pada parameter scan 6. Untuk hasil pengukuran HC pada ruang warna RGB memiliki persentase akurasi pengukuran yang lebih tinggi dari ruang warna L*a*b dengan perbandingan hasil akurasi untuk tiap scanning sampai ± 0,5 %, dimana hasil pengujian menunjukkan hasil akurasi pada ruang warna RGB sebesar 74.03% pada scan ke-6 dan 73.61% untuk L*a*b.

171 persentase akurasi (%) 148 Dari data persentase akurasi pengukuran pada Tabel 4.25, maka untuk dapat melihat lebih jelasnya perbandingan hasil persentase, dapat dilihat pada Gambar 4.31, sebagai berikut : Scan 2 Scan 4 Scan 6 jumlah scanning BPD (RGB) HC (RGB) BPD (L*a*b) HC (L*a*b) Gambar 4.31 Diagram batang akurasi hasil pengukuran BPD dan HC terhadap 2 ruang warna Dari hasil pengujian yang telah dilakukan, parameter dengan 6 scanning menunjukkan hasil akurasi yang lebih baik dari pada parameter scanning 2 dan 4. Hasil pengujian ini menunjukkan dengan semakin banyak scanning yang dilakukan tingkat akurasi pada hasil pengukuran akan bertambah karena dengan semakin banyaknya scanning, maka elips yang ditampilkan semakin banyak, parameter pembentuk elips yang ditemukan semakin banyak, sehingga elips yang terdeteksi atau elips yang ditampilkan adalah elips yang memiliki skor paling tinggi, dan tentunya skor paling tinggi merupakan elips yang mendekati sempurna dan menghasilkan akurasi pengukuran yang lebih baik. Tetapi waktu yang dibutuhkan untuk memperoleh hasil pengukuran dengan scanning yang maksimal tentunya membutuhkan waktu yang lebih lama.

172 Hasil Akurasi Usia Gestasi Usia gestasi diambil dari hasil pengujian berdasarkan parameter 6 scanning, karena pada parameter ini diperoleh akurasi tertinggi kedekatan pengukuran terhadap BPD dan HC. Untuk hasil dapat dilihat pada Tabel 4.27 sebagai berikut : Tabel 4.27 Hasil Persentase Kedekatan Usia Gestasi antara Dokter dan Sistem Citra Uji Usia gestasi pengukuran dokter (minggu) Hasil pengukuran usia gestasi oleh sistem (minggu) Akurasi kedekatan usia gestasi antara dokter dan sistem (%) RGB L*a*b RGB L*a*b citra 1.bmp citra 2.bmp citra 3.bmp citra 4.bmp citra 5.bmp citra 6.bmp citra 7.bmp citra 8.bmp citra 9.bmp citra 10.bmp citra 11.bmp citra 12.bmp citra 13.bmp citra 14.bmp citra 15.bmp citra 16.bmp citra 17.bmp citra 18.bmp citra 19.bmp

173 150 Lanjutan Tabel 4.27 Hasil Persentase Kedekatan Usia Gestasi antara Dokter dan Sistem Citra Uji Usia gestasi pengukuran dokter (minggu) Hasil pengukuran usia gestasi oleh sistem (minggu) Akurasi kedekatan usia gestasi antara dokter dan sistem (%) RGB L*a*b RGB L*a*b citra 20.bmp citra 21.bmp citra 22.bmp citra 23.bmp citra 24.bmp citra 25.bmp citra 26.bmp citra 27.bmp citra 28.bmp citra 29.bmp citra 30.bmp Dari Tabel 4.27 diatas, didapatkan informasi mengenai hasil uji akurasi usia gestasi pada ruang warna RGB dan L*a*b terhadap parameter scan sebanyak 6, yaitu dimana untuk ruang warna RGB sebesar % dan L*a*b sebesar %. Persentase hasil dari usia gestasi didapatkan dari membandingkan hasil pengukuran dokter dengan hasil usia gestasi yang dihasilkan oleh sistem. Untuk mendapatkan perbandingan persentase usia gestasi sesuai dengan akurasi diatas, persamaan untuk mendapatkannya adalah sebagai berikut : Persentase usia gestasi (%) = x 100% Hasil Deteksi Elips dengan Hasil Akurasi Tertinggi Pada sub bab ini, hasil dari pengujian terhadap parameter 6 scanning ditampilkan pada Tabel 4.28, dimana hasil deteksi elips ini merupakan merupakan hasil akurasi pengukuran tertinggi.

174 151 Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra Citra 1.bmp Ruang warna RGB Ruang warna L*a*b Citra 2.bmp Citra 3.bmp Citra 4.bmp Citra 5.bmp Citra 6.bmp Citra 7.bmp *Lanjutan Tabel 4.28 ditampilkan pada Lampiran 4 Dari Tabel 4.28 terdapat 5 citra uji yang tidak berhasil dengan baik, kategori baik dalam hasil pengujian adalah lingkar elips yang dibentuk oleh sistem dapat menutupi sepanjang garis lingkar sisi terluar atau sisi terdalam dari citra uji. Citra yang tidak terdeteksi oleh IRHT, diantaranya adalah citra uji 10.bmp dalam

175 152 ruang warna L*a*b, dari 3 parameter scanning yang telah diuji, hasil maksimal yang didapatkan adalah seperti pada gambar dalam Tabel Kemudian untuk citra 12, 26, dan 30, ketiga citra uji ini tidak dapat terdeteksi dengan baik karena hasil dari segmentasi kurang bersih, sehingga pencarian pada piksel-piksel terdekat pun kurang akurat dan menyebabkan IRHT tidak dapat mendeteksi dengan baik. Kemudian untuk citra 21 dan 25, tidak mendapat hasil deteksi yang sempurna, yang disebabkan karena citra uji berbentuk miring, sehingga sulit terdeteksi dengan baik, dari hasil pengujian maka dapat dilihat bahwa metode IRHT yang digunakan pada pengujian hanya dapat mendeteksi bentuk elips dalam kemiringan derajad tertentu yaitu sebesar 0º sampai 90º Analisa Hasil Pengukuran Terhadap Running Time Running time merupakan waktu yang diperlukan unutuk mengeksekusi dan mendapatkan citra hasil pengujian. Berdasarkan pengujian terhadap parameter scan, maka perbandingan running time yang dibutuhkan oleh tiap proses pengujian berbeda-beda, rata-rata running time pada setiap pengujian berdasarkan parameter diperoleh dengan persamaan : Waktu rata-rata = 4. 7 Dimana hasil pada pengujian ditampilkan pada Gambar 4.32,

176 waktu (detik) Scan 2 Scan 4 Scan 6 jumlah scanning RGB L*a*b Gambar 4.32 Running time proses pada pengujian terhadap parameter scan Pada diagram batang Gambar 4.32, menunjukkan running time proses yang dibutuhkan oleh ruang warna L*a*b lebih lama dibandingkan dengan ruang warna RGB, pada hasil pengujian dengan scanning 2 dibutuhkan proses eksekusi sebesar 132 detik pada ruang warna RGB dan 139 detik pada ruang warna L*a*b, sedangkan pada scanning 4 pada ruang warna RGB dibutuhkan waktu 227 detik dan 236 detik, dan untuk scanning 6 dibutuhkan waktu sebesar 330 detik dan 365 detik. Dari hasil pengujian terhadap running time, maka semakin banyak scanning yang digunakan akan membutuhkan waktu yang lebih lama untuk proses eksekusi, dan persentase akurasi pengukuran menunjukkan hasil yang linear terhadap running time, dimana semakin tinggi akurasi pengukuran maka dibutuhkan waktu yang semakin lama. Lamanya waktu eksekusi baik pada segmentasi dan IRHT dipengaruhi spesifikasi perangkat komputer yang digunakan pada saat pengujian, tetapi hasil pengujian yang ditunjukkan dapat menjadi gambaran hasil pengujian terhadap parameter yang digunakan.

177 Analisa Perbandingan Hasil Pengujian Tingkat akurasi deteksi elips terhadap pengukuran BPD yang dihasilkan dari pengujian sistem ini bila dibandingkan dengan penelitian yang dilakukan oleh Ibu Dwi Puspitasari pada jurnal yang berjudul Deteksi Kepala Janin pada Gambar USG menggunakan Fuzzy C-Means dengan Informasi Spatial dan IRHT, menghasilkan akurasi yang berbeda-beda pada tiap data uji nya, dengan citra uji sebanyak 8, dan untuk akurasi hasil pengukuran pada HC tidak diperoleh. Sedangkan hasil yang diperoleh pada pengujian sistem pada penelitian ini menunjukkan akurasi sebesar % pada pengukuran BPD, dan pengukuran HC menunjukkan akurasi sebesar % pada 30 data uji. Perbedaan akurasi hasil dapat disebabkan oleh perbedaan hasil segmentasi dan perbedaan iterasi sampel pada IRHT, pada penelitian yang dilakukan Dwi Puspitasari, segmentasi dilakukan dengan metode Fuzzy C-Means Spatial yang merupakan metode klasterisasi dengan memperhatikan ketetanggaan setiap piksel dalam penentuan masuknya suatu piksel ke dalam klaster tertentu, beberapa hasil dari segmentasi yang dihasilkan pada Fuzzy C-Means Spatial masih menghasilkan noise atau garis-garis yang tidak sempurna pada gambar, dan untuk untuk sampel pada iterasi hanya menggunakan iterasi ke-150.

178 BAB V SIMPULAN DAN SARAN 5.1 Simpulan Berdasarkan pengujian yang telah dilakukan, dapat disimpulkan hal-hal sebagai berikut : 1. Dari hasil pengujian ruang warna dalam menghasilkan segmentasi dengan Fuzzy C-Means, running time yang diperlukan oleh ruang warna L*a*b (tanpa filter) sebesar 4.6 detik sedangkan dengan smooth filter sebesar 4.3 detik. Untuk ruang warna RGB (tanpa filter) sebesar 13.5 detik, sedangkan dengan smooth filter sebesar 11.5 detik. Untuk hasil iterasi maksimum yang dapat dicapai pada masing-masing ruang warna rata-rata pada iterasi ke-10 untuk L*a*b dan iterasi ke-27 untuk RGB. Hasil akhir segmentasi menunjukkan ruang warna RGB memiliki hasil segmentasi yang lebih baik, dimana 6 citra pada ruang warna L*a*b menghasilkan segmentasi yang kurang baik, yaitu citra hasil uji pada nomor 8, 11, 14, 23, 27, dan 29. Kurangnya keberhasilan segmentasi dari ruang warna L*a*b juga diperkuat dari hasil pengujian pada metode IRHT berdasarkan kecendrungan iterasi, dimana RGB berada pada kecendrungan iterasi ke- 150 dan L*a*b pada iterasi ke-200. Hasil dari pengujian iterasi menunjukkan, terbentuknya elips ditentukan oleh parameter pembentuk elips yang disimpan pada tiap kali proses iterasi berlangsung. Jadi semakin banyak iterasi maka pencarian terhadap parameter pembentuk elips semakin lama, sehingga artinya semakin banyak iterasi yang diperlukan 155

179 156 maka kualitas segmentasi yang dihasilkan kurang baik sebagai citra input untuk deteksi elips dengan IRHT. 2. Unjuk kerja ruang warna terhadap deteksi elips dengan menggunakan metode IRHT ditunjukkan dari hasil pengujian berdasarkan parameter scanning, yaitu dengan scanning 2, 4, dan 6 yang menghasilkan akurasi pengukuran untuk BPD dan HC pada kedua ruang warna, perbedaan masing-masing akurasi pengukuran pada scanning yang berbeda berada pada ± %, dimana akurasi tertinggi untuk BPD berada pada scanning 6 dengan ruang warna RGB sebesar 79.40% sedangkan untuk ruang warna L*a*b sebesar %. Untuk akurasi hasil pengukuran HC juga berada pada scanning 6, yaitu sebesar % dan %. Sedangkan untuk usia gestasi sebesar % dan %. Untuk running time proses menunjukkan semakin tinggi tingkat akurasi hasil pengukuran maka waktu eksekusi yang dibutuhkan juga semakin lama, running time pada scanning 6 pada ruang warna RGB dan L*a*b menunjukkan sebesar 330 detik dan 365 detik. Berdasarkan hasil pengujian dan running time proses yang ditunjukkan dengan persentase akurasi keberhasilan sistem, maka ruang warna RGB menunjukkan unjuk kerja keberhasilan yang lebih baik dari ruang warna L*a*b. 5.2 Saran lebih lanjut : Berikut ini adalah beberapa saran yang dapat diberikan untuk penelitian

180 Penerapan metode pembagian ruang warna dapat dijadikan penelitian lebih lanjut, karena koordinat ruang warna pada citra masih cukup banyak, diantaranya adalah dengan ruang warna XYZ, LUV, HSV sehingga akan menghasilkan perbedaan unjuk kerja dan tingkat akurasi keberhasilan yang berbeda. 2. Penelitian selanjutnya dapat mengembangkan sistem deteksi ini untuk dapat menghasilkan akurasi pengukuran yang lebih baik dan menghasilkan pengukuran obsetri lainnya, seperti berat janin, kelainan yang terdapat pada janin dengan menambahkan parameter-parameter pendukung obsetri lainnya seperti lingkar perut dan pengukuran tulang belakang pada janin.

181 DAFTAR PUSTAKA Bansal S, Aggarwal D, Color Image Segmentation using CIELab Color Space Using Ant Colony Optimization,International Journal of Computer Applications. 2012; 29(9): 28. Casado, Ordoyo Cristian Research Project Image Contrast Enhancement Methods, Technical University-SOFIA. Chitade. Anil. Colour Based Image Segmentation Using K-Means Clustering. International Journal of Enggineering Science of Technology. Divisi Kedokteran Fetomaternal Departemen OBGIN RSHS/FK Universitas Padjajaran Ultrasonografi Obsetri dan Ginekologi. Jakarta. Dong, Zao Research On Spacrborne Images Segmentatiom With Fuzzy C- Means Clustering Endjun, Januadi Obstetri dan Ginekologi. Fakultas Kedokteran Universitas Indonesia. Jakarta. Gonzales, Rafael C Digital Image Processing, Addison Wesley. Hoffman, Gernot. CIELab Color Space Inverso, Samuel Ellipse Detection Using Randomized Hough. IT Telkom Makalah Medical Diagnostic. Kusrini, Dkk, Algoritma Data Mining. Yogjakarta: Andi Offset. Kusumadewi Sri, Dkk Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogjakarta : Graha Ilmu. Levenno, Kenneth, dkk Williams Manual of Obstetrics. McGraw Hill Lu, W., Jinglu Tan Detection of incomplete ellipse in images with strong noise by Iterative Randomized Hough transform (IRHT). Journal of Pattern Recognition 41 pp Elsivier Science Ltd. 158

182 159 Mohanta, Raj Kumar A Review Algorithm Aplication for Image Segmentation. International Journal Computer Technology and Aplications. Mose, Johanes Ultrasonografi Obsetri dan Ginekologi. Jakarta : Penerbit Sagung Setyo. Octa, Heriana Segmentasi Berbasis Warna pada Citra Termografi Kanker Payudara menggunkan Ruang Warna L*a*b. Puspitasari, Dwi Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT). Putra, Darma Pengolahan Citra Digital. Yogyakarta : Penerbit Andi. Putra, Darma Sistem Biometrika. Yogyakarta : Penerbit Andi. Saini K. Dewal L, Rohit M Ultrasound Imaging and Image Segmentation in the area of Ultrasound: A Review. International Journal of Advanced Science and Technology. Sathya B, Manavalan Image Segmentation by Clustering Methods:Performance Analysis International Journal of Computer Applications. Shah B, Satis S, Kosta Novel Improved Fuzzy C-Means Algorithm For MR-Image Segmentation. International Journal of Soft Computing and Enggineering. Vivek Singh Colour Based Image Segmentation Using L*A*B Colour Space Based On Genetic Algorithm. International Journal of Emerging Technology and Advanced Engineering. Yufei Shen, Jinhua Yu, Yuzhong Shena and Yuanyuan Wang Fetal Skull Analysis in Ultrasound Images Based on Iterative Randomized Hough Transform. Zang B Automatic Fetal Head Detection on Ultrasound Images by An Improved Iterative Randomized Hough Transform.

183 160 Lampiran 1 Contoh Citra Uji Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG Nama Ukuran BPD (mm) Ukuran HC(mm) Usia Kandungan (week) citra W5D citra W5D citra W2D Citra W citra citra W

184 161 Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG Nama Ukuran BPD (mm) Ukuran HC(mm) Usia Kandungan (week) citra Citra W6D citra citra W citra W3D

185 162 Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG Nama Ukuran BPD (mm) Ukuran HC(mm) Usia Kandungan (week) Citra citra W5D citra W5D citra W5D citra W3D citra W3D

186 163 Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG Nama Ukuran BPD (mm) Ukuran HC(mm) Usia Kandungan (week) citra W5D citra Citra W2D citra citra W2D

187 164 Lanjutan Tabel 3.1 Contoh Citra Uji Gambar USG Nama Ukuran BPD (mm) Ukuran HC(mm) Usia Kandungan (week) citra citra W1D citra

188 165 Lampiran 2 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna Lanjutan Tabel 4.3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna Nama Citra Citra 9.bmp Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp

189 166 Lanjutan Tabel 4.3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna Nama Citra Citra 16.bmp Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 17.bmp Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp

190 167 Lanjutan Tabel 4.3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Tanpa Filter Pada Kedua Ruang Warna Nama Citra Citra 24.bmp Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 25.bmp Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp

191 168 Lampiran 3 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna Lanjutan Tabel 4.6 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna Nama Citra Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp Citra 17.bmp Citra 18.bmp Citra 19.bmp

192 169 Lanjutan Tabel 4.6 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna Nama Citra Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 24.bmp Citra 25.bmp Citra 26.bmp Citra 27.bmp

193 170 Lanjutan Tabel 4.6 Hasil Segmentasi Berbasis Klaster Dengan Fuzzy C-Means Dengan Smooth Filter Pada Kedua Ruang Warna Nama Citra Citra Uji RGB Hasil Segmentasi (RGB) Citra Uji L*a*b Hasil Segmentasi (L*a*b) Citra 28.bmp Citra 29.bmp Citra 30.bmp

194 171 Lampiran 4 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Lanjutan Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra Citra 8.bmp Ruang warna RGB Ruang Warna L*a*b Citra 9.bmp Citra 10.bmp Citra 11.bmp Citra 12.bmp Citra 13.bmp Citra 14.bmp Citra 15.bmp Citra 16.bmp

195 172 Lanjutan Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra Citra 17.bmp Ruang warna RGB Ruang Warna L*a*b Citra 18.bmp Citra 19.bmp Citra 20.bmp Citra 21.bmp Citra 22.bmp Citra 23.bmp Citra 24.bmp

196 173 Lanjutan Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 Scanning Nama Citra Citra 25.bmp Ruang warna RGB Ruang Warna L*a*b Citra 26.bmp Citra 27.bmp Citra 28.bmp Citra 29.bmp Citra 30.bmp