1 BAB 2 LANDASAN TEORI 2.1 Malaria Menurut White dan Breman

advertisement
BAB 2
LANDASAN TEORI
2.1 Malaria
Menurut White dan Breman (2008) dalam buku Harrison’s Principles of
Internal Medicine edisi 17 Bab Malaria, malaria adalah sebuah penyakit yang
disebabkan oleh parasit yang siklus hidupnya sebagian hidup di manusia dan
sebagian lagi nyamuk. Malaria merupakan penyebab kematian utama dan
mengancam setidaknya sepertiga dari populasi dunia. Penyakit ini banyak terdapat di
daerah tropis, yaitu, Asia Tenggara, Afrika, dan Amerika Tengah dan Selatan. Pada
setiap tahunnya, 350-550 juta kasus malaria terjadi di seluruh dunia. Satu juta di
antaranya, yang sebagian besar anak-anak, mati tiap tahunnnya. World Health
Organization (2010) juga menyatakan bahwa malaria merupakan masalah kesehatan
serius yang sering terjadi di belahan dunia.
Dalam buku Harrison’s Principles of Internal Medicine edisi 17 Bab Malaria,
White dan Breman (2008) menyebutkan bahwa malaria disebabkan oleh parasit
bersel satu dari genus Plasmodium. Terdapat lebih dari 100 spesies Plasmodium
yang menyebabkan malaria pada berbagai mamalia dan burung. Terdapat empat
spesies Plasmodium yang menyebabkan malaria pada manusia. Setiap spesies
memiliki penampakan yang khas dalam mikroskop, dan setiap spesies menyebabkan
pola gejala yang berbeda. Dua spesies atau lebih dapat menyerang seorang individu
dalam waktu yang bersamaan.
7
8
2.1.1
Klasifikasi Malaria
Menurut White dan Breman (2008), malaria dapat diklasikasikan
menjadi: Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae
dan Plasmodium ovale. Masing-masing penyebarannya dapat dijelaskan
seperti berikut.
Plasmodium falciparum merupakan malaria yang paling mematikan,
terutama di Afrika. Infeksi ini berkembang secara tiba-tiba dan menyebabkan
beberapa komplikasi yang mematikan. Namun pengobatan yang efektif,
penyakit ini hampir selalu dapat diobati.
Plasmodium vivax merupakan spesies yang secara geografis tersebar
paling luas, juga merupakan spesies yang memberikan gejala paling ringan.
Namun, penyakit ini dapat kambuh setiap tiga tahun sekali. Spesies ini
merupakan spesies yang terdapat cukup banyak di daerah beriklim sedang,
khususnya di Asia.
Plasmodium malariae merupakan spesies yang dapat tinggal di dalam
darah sangat lama, kemungkinan sampai puluhan tahun, tanpa menimbulkan
gejala. Namun, seseorang dengan malaria yang tidak menunjukkan gejala ini
bisa menularkan orang lain, dari donor darah ataupun dari gigitan nyamuk
lainnya. Plasmodium malariae sudah dimusnahkan diseluruh dunia namun
tetap ada di Afrika.
Plasmodium ovale merupakan spesies yang jarang. Jenis ini dapat
menimbulkan kekambuhan, dan banyak terjadi di Afrika barat.
9
2.1.2
Siklus Hidup Parasit Malaria
Menurut White dan Breman (2008), parasit malaria pada manusia
memiliki siklus hidup rumit yang membutuhkan inang manusia dan inang
serangga. Pada nyamuk anopheles, plasmodium melakukan reproduksi
seksual. Pada manusia, parasit ini melakukan reproduksi aseksual, mulai di
sel hati (hepatosit), kemudian secara berulang-ulang pada sel darah merah
(eritrosit).
Ketika nyamuk anopheles betina yang terjangkit menghisap darah
manusia, pada waktu yang bersamaan nyamuk ini memasukkan air liurnya
yang bertujuan untuk menjaga agar pembuluh kapiler yang dihisap tidak
membentuk faktor pembekuan darah yang menyebabkan aliran darah berhanti.
Ketika memasukkan air liur ini, parasit pada bentuk sporozoit masuk ke
dalam aliran darah. Kemudian sporozoit ini menjangkit hepatosit. Selama
satu sampai dua minggu (tergantung dari spesies plasmodium), tiap sporozoit
membentuk skizon, sebuah struktur yang mengandung ribuan merozoit.
Ketika skizon ini matang, hepatosit akan ruptur dan melepaskan merozoit ke
aliran darah.
Pada
Plasmodium
vivax
dan
Plasmodium
ovale,
sporozoit
berkembang menjadi hipnozoit, sebuah bentuk dari plasmodium yang berada
dalam fase dorman selama beberapa bulan sampai beberapa tahun. Ketika
hipnozoit ini aktif kembali, mereka akan berkembang menjadi skizon yang
kemudian akan menyebabkan kekambuhan gejala pada orang yang terjangkit.
Berikutnya merozoit yang terlepas ke aliran darah akan menyerbu
eritrosit, kemudian mereka akan tumbuh dan mengkonsumsi hemoglobin. Di
10
dalam eritrosit, sebagian besar merozoit akan berkembang ke fase aseksual
lain, yaitu membentuk skizon yang terisi merozoit. Ketika skizon matang, sel
tersebut akan ruptur dan merozoit akan terlepas dan menyerbu eritrosit,
infeksi ini akan terus berlangsung sampai dihentikan oleh obat atau sistem
imun tubuh.
Selanjutnya plasmodium akan melengkapi siklus hidupnya saat
sebagian dari merozoit pada eritrosit tidak berkembang menjadi skizon,
namun berkembang menjadi bentuk seksual jantan dan betina yang dikenal
sebagai gametosit. Gametosit ini akan bersirkulasi di dalam darah, menunggu
nyamuk anopheles menghisap darah.
Ketika nyamuk betina menghisap gametosit dari darah orang yang
terifeksi, gametosit akan membentuk gamet jantan dan gamet betina. Proses
fertilisasi ini akan membentuk sebuah oosit yang terisi dengan sporozoit.
Kemudian oosit tersebut matang dan ruptur, ribuan sporozoit infeksius ini
akan migrasi ke kelenjar liur nyamuk. Siklus ini akan berulang ketika
nyamuk ini meghisap darah dari manusia berikutnya.
11
Gambar 2.1: Siklus Hidup Parasit Malaria
Sumber: http://www.dpd.cdc.gov/dpdx/HTML/Malaria.htm
2.1.3
Gejala Malaria
Menurut White dan Breman (2008), malaria secara khas menimbulkan
serangan yang hilang timbul, atau paroksismal, setiap serangan terdiri dari
tiga tahap, yaitu, menggigil, diikuti dengan demam, kemudian berkeringat.
Pada tahap menggigil, pasien tersebut akan mengalami sakit kepala, malaise,
fatique, nyeri otot, dan terkadang mual, muntah dan diare. Dalam satu sampai
dua jam, suhu tubuh akan meningkat, kulit akan terasa panas dan kering.
Kemudian, seiring dengan menurunnya suhu tubuh, pasien akan mulai
berkeringat sangat banyak, dan merasa lelah dan lemas.
12
Gejala di atas pertama kali timbul 10 sampai 16 hari dari saat nyamuk
yang terinfeksi menghisap darah. Kemudian, saat banyak eritrosit yang
terserang ruptur secara bersamaan, muncullah semua gejala seperti tersebut di
atas. Siklus ini berbeda pada setiap spesies plasmodium, sehingga durasi
perjalanan penyakit berbeda pada setiap spesies. Serangan gejala muncul
setiap dua hari pada malaria Plasmodium vivax dan Plasmodium ovale, dan
setiap tiga hari pada malaria Plasmodium malariae. Pasien dengan malaria
Plasmodium vivax akan merasa sehat di antara serangan malaria, sedangkan
pada malaria Plasmodium falciparum, pasien akan terus merasa sakit karena
Plasmodium falciparum dapat menyerang eritrosit pada fase perkembangan
apa saja, sehingga jumlah eritrosit yang terinfeksi menjadi jauh lebih banyak
dibandingkan dengan malaria jenis lainnya. Hal ini yang menyebabkan
malaria Plasmodium falciparum menjadi malaria yang paling fatal. Malaria
Plasmodium vivax bisa jauh lebih ringan gejalanya karena parasit ini hanya
menyerang eritrosit muda yang jumlahnya tidak terlalu banyak di aliran darah,
sehingga jumlah parasit di aliran darah tidak sebanyak pada malaria
Plasmodium falciparum.
2.1.4
Diagnosis Malaria
Menurut White dan Breman (2008), cara membedakan jenis malaria
dapat dilakukan pada pemeriksaan sediaan hapusan darah tipis dan tebal.
Pada sediaan darah tipis, dapat ditemukan parasitnya tersebar dan lebih sulit
untuk
mencarinya.
Eritrositnya
tidak
mengalami
hemolisis
(proses
pemecahan sel darah merah), sehingga lebih mudah untuk mengenali stadium
13
dan spesies
parasitnya. Penjelasan perubahan eritrosit menurut buku
Harrison’s Principles of Internal Medicine edisi 17 adalah sebagai berikut:
1. Eritrosit yang diserang membesar
-
Bentuk eritrosit yang diserang bulat, tepinya rata dan dapat
ditemukan semua stadia dari parasitnya. (Malaria Tertiana
yang disebabkan oleh Plasmodium vivax).
-
Bentuk eritrosit yang diserang oval, tepinya bergerigi
(fimbrated) dan terdapat semua stadium parasitnya. (Malaria
Tertiana yang disebabkan oleh Plasmodium ovale).
2. Eritrosit yang diserang tidak membesar
-
Umumnya hanya terdapat stadium trofozoit muda atau
gametosit yang berbentuk seperti pisang. (Malaria Tropika
yang disebabkan oleh Plasmodium falciparum).
-
Terdapat semua stadium parasitnya. (Malaria Quartana yang
disebabkan oleh Plasmodium malariae ).
Pada sediaan darah tebal, ditemukan parasitnya berkumpul dan lebih
mudah untuk mencarinya. Pada sediaan ini juga ditemukan eritrosit yang
mengalami hemolisis, sehingga lebih sulit untuk mengenali stadium dan
spesies parasitnya sehingga diagnosis yang dapat kita buat yaitu diagnosis
penyakit atau diagnosis spesies parasit malaria.
Pasien dengan malaria memberikan gambaran sediaan darah
tergantung dari stadium yang sedang dialaminya.
14
1. Gambaran satu stadium
-
Umumnya hanya terdapat stadium trofozoit muda (dan atau
dengan gametosit ). Karena banyaknya stadium trofozoit muda
yang terdapat dalam sediaan maka tampak gambaran seperti
bintang-bintang di langit dengan gametositnya yang berbentuk
pisang atau bulan sabit. (Malaria Tropika yang disebabkan
oleh Plasmodium falciparum).
2. Gambaran macam-macam stadia
-
Adanya bentuk amuboid (trofozoit lanjut) dengan zona merah
yang spesifik. Bentuk dan besar stadium yang lebih lanjut
sebanding dengan besarnya inti leukosit. (Malaria Tertiana
yang disebabkan oleh Plasmodium vivax).
-
Adanya bentuk skizont yang khas (seperti bunga seruni) yang
besarnya sepertiga sampai setengah dari inti leukosit dan
pigmennya kasar. (Malaria Quartana yang disebabkan oleh
Plasmodium malariae).
-
Malaria Tertiana yang disebabkan oleh Plasmodium ovale
masih sulit dibedakan karena hasil sediaanya mirip dengan
Plasmodium vivax dan malariae.
Cara membedakan jenis malaria dari gambar sediaan darah tebal
menurut White dan Breman (2008) dalam buku Harrison’s Principles of
Internal Medicine edisi 17 adalah sebagai berikut.
15
1. Plasmodium falciparum
Gambar 2.2: Sampel Sediaan Darah Tebal Plasmodium Falciparum
-
Sel darah merah sudah mengalami hemolisis.
-
Trofozoit muda tampak sangat banyak, dengan bentuk-bentuk
seperti tanda koma, tanda seru, burung terbang sehingga
memberikan
gambaran
seperti
bintang-bintang
dilangit
(sterren hemel).
-
Gametosit tampak berbentuk seperti pisang, dengan inti dan
pigmen yang tersebar.
2. Plasmodium vivax
-
Sel darah merah yang sudah mengalami hemolisis.
-
Adanya zona merah, yaitu sisa-sisa titik schuffner.
-
Ditemukannya stadium trofozoit muda berbentuk cincin,
stadium trofozoit lanjut amuboid, dan stadium schizont.
16
3. Plasmodium malariae
-
Sel darah merah sudah mengalami hemolisis.
-
Tampak stadium trofozoit, gametosit, schizont dengan inti
tersusun seperti bunga.
-
Parasit tampak kecil jika dibandingkan dengan inti leukosit
yang lain, dengan pigmen yang kasar berwarna coklat tengguli.
Selanjutnya, cara membedakan jenis malaria dari gambar sediaan
darah tipis menurut White dan Breman (2008) adalah sebagai berikut.
1. Plasmodium falciparum
a. Trofozoit muda
Gambar 2.3: Sampel 1 Sediaan Darah Tipis Plasmodium
Falciparum
-
Sel darah merah tidak membesar.
-
Berbentuk cincin.
17
-
Sering ada infeksi yang multiple dan biasanya parasit
berada di pinggir sel darah merah.
-
Kadang
tampak
titik
Maurer
tergantung
dari
pewarnaannya.
b. Schizont
-
Sitoplasma mengisi 2/3 sel darah merah.
-
Schizont muda mempunyai inti 8 buah, sedangkan schizont
tua mempunyai inti 12 buah.
-
Pigmen sudah menggumpal ditengah pada schizont muda.
c. Mikrogametosit
-
Berbentuk seperti pisang gemuk.
-
Intinya difus.
-
Pigmen mengelilingi inti tersebar agak jauh.
18
d. Makrogametosit
Gambar 2.4: Sampel 2 Sediaan Darah Tipis Plasmodium
Falciparum
-
Berbentuk seperti pisang yang agak langsing.
-
Intinya padat ditengah.
-
Pigmen mengelilingi inti.
2. Plasmodium vivax
a. Trofozoit muda
19
Gambar 2.5: Sampel 1 Sediaan Darah Tipis Plasmodium Vivax
-
Sel darah merah mulai membesar.
-
Parasit berbentuk cincin. Intinya merah dan sitoplasmanya
biru.
-
Mulai terdapat titik schuffner.
b. Trofozoit tua
-
Sitoplasma hampir memenuhi seluruh sel darah merah.
-
Pigmen bertendensi untuk berkumpul di tengah.
-
Berbeda dengan gametosit, pada trofozoit tua masih
terdapat vakuol (rongga udara).
c. Trofozoit lanjut
Gambar 2.6: Sampel 2 Sediaan Darah Tipis Plasmodium Vivax
-
Sel darah merah membesar dan sitoplasma terlihat
amuboid.
20
-
Titik schuffner semakin jelas terlihat.
-
Pigmen mulai muncul dan tersebar.
d. Schizont muda
-
Inti sudah membelah lebih dari 1 buah, tetapi masih
dibawah 12 buah.
-
Titik schuffner tersebar.
e. Schizont tua
-
Inti antara 12 sampai 24 buah.
-
Pigmen bertendensi untuk berkumpul di tengah.
f. Mikrogametosit
-
Sitoplasma hampir memenuhi seluruh sel darah merah.
-
Inti difus di tengah.
-
Pigmen tersebar.
g. Makrogametosit
21
Gambar 2.7: Sampel 3 Sediaan Darah Tipis Plasmodium Vivax
-
Sitoplasma bulat hampir memenuhi seluruh sel darah
merah.
-
Sitoplasma padat dan tidak ada vakuol.
-
Inti padat dan jelas, biasanya berada di tepi.
-
Pigmen tersebar di perifer.
3. Plasmodium malariae
a. Trofozoit muda
-
Sel darah merah tidak membesar.
-
Berbentuk cincin.
-
Sangat jarang terlihat titik Ziemann.
b. Trofozoit tua
-
Sitoplasma hampir memenuhi seluruh sel darah merah.
-
Sitoplasma berbentuk pita, terlihat melebar dan inti
membesar.
-
Pigmen kasar dan tersebar.
22
c. Trofozoit lanjut
Gambar 2.8: Sampel 1 Sediaan Darah Tipis Plasmodium
Malariae
-
Sel darah merah tidak membesar.
-
Tidak selalu amuboid.
-
Ciri khas yang terlihat adalah sitoplasma yang berbentuk
pita halus, dengan inti memanjang.
-
Pigmen kasar, berwarna coklat di sekitar sitoplasma.
d. Schizont muda
-
Inti dibawah 8 buah.
-
Pigmen kasar dan tersebar.
23
e. Schizont tua
Gambar 2.9: Sampel 2 Sediaan Darah Tipis Plasmodium
Malariae
-
Inti antara 8 sampai 12, tersusun seperti bunga.
-
Pigmen berkumpul di tengah.
f. Mikrogametosit
-
Sel darah merah tidak membesar.
-
Sitoplasma bulat dan padat.
-
Intinya padat dengan batas yang jelas dan biasanya terletak
di tepi sel.
-
Pigmen kasar dan tersebar.
g. Makrogametosit
-
Sel darah merah tidak membesar.
24
-
Sitoplasma bulat dan padat.
-
Inti difus, biasanya berada di tengah sel.
-
Pigmen kasar dan tersebar.
4. Plasmodium ovale
-
Sel darah merah membesar, tapi tidak sebesar bila terserang
Plasmodium vivax.
-
Sel darah merah berbentuk lonjong atau oval.
-
Pada satu atau kedua ujung dari sel darah merah berbatas tak
beraturan (fimbriated).
-
Terdapat titik James.
2.2 Kecerdasan Buatan
2.2.1
Definisi Kecerdasan Buatan
Menurut
Kusumadewi
(2003),
kecerdasan
buatan
(Artificial
Intelligence) adalah ilmu yang mempelajari cara membuat komputer
melakukan sesuatu seperti yang dilakukan manusia. Definisi kecerdasan
buatan lainnya juga diungkapkan oleh Rich dan Knight (1991), kecerdasan
buatan merupakan studi tentang bagaimana membuat komputer melakukan
hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia. Selain itu
menurut Turban dan Frenzel (1992), kecerdasan buatan merupakan bagian
dari ilmu komputer yang digunakan untuk menciptakan perangkat lunak dan
25
perangkat keras dengan tujuan untuk menghasilkan sesuatu seperti yang
dihasilkan oleh manusia.
Dari definisi tersebut dapat disimpulkan ada tiga tujuan kecerdasan
buatan, yaitu: membuat komputer lebih cerdas, mengerti tentang kecerdasan,
dan membuat mesin yang lebih bermanfaat seperti manusia. Yang dimaksud
kecerdasan adalah kemampuan untuk belajar dan mengerti dari pengalaman,
memahami pesan yang kontradiktif dan ambigu, menanggapi dengan cepat
dan baik atas situasi yang baru terjadi, menggunakan penalaran dalam
memecahkan masalah serta menyelesaikannya dengan efektif. Kecerdasan
tersebut dibuat dan dimasukkan ke dalam suatu sistem (komputer) agar dapat
melakukan pekerjaan seperti yang dapat dilakukan manusia.
2.2.2
Lingkup Kecerdasan Buatan
Menurut Kusumadewi (2003), adapun lingkup utama dalam
kecerdasan buatan adalah:
1.
Sistem Pakar (Expert System)
Komputer
digunakan
sebagai
sarana
untuk
menyimpan
pengetahuan para pakar. Dengan demikian komputer akan
memiliki keahlian untuk menyelesaikan permasalahan dengan
meniru keahlian yang dimiliki oleh pakar.
2.
Pengolahan Bahasa Alami (Natural Language Processing)
26
Dengan adanya pengolahan bahasa alami diharapkan user dapat
berkomunikasi dengan komputer menggunakan bahasa sehari-hari.
3.
Pengenalan Ucapan (Speech Recognition)
Melalui pengenalan pengucapan diharapkan manusia dapat
berkomunikasi dengan komputer menggunakan suara.
4.
Robotika dan Sistem Sensor (Robotics and Sensory System)
Dengan robotika dan sistem sensor, komputer menjadi suatu
sistem yang dapat meniru pergerakan manusia.
5.
Computer Vision
Computer Vision mencoba untuk dapat menginterpretasikan
gambar atau objek-objek tampak melalui komputer.
6.
Intelligent Computer-aided Instruction
Komputer dapat digunakan sebagai tutor yang dapat melatih dan
mengajar.
7.
Game Playing
Komputer dapat bermain dengan manusia dalam sebuah game.
2.3 Computer Vision
2.3.1
Definisi Computer Vision
27
Menurut Andian Low (1991), computer vision berhubungan dengan
penangkapan gambar, pemrosesan, klasifikasi, pengenalan, dan menjadi
penggabungan pengurutan pembuatan keputusan menuju pengenalan. Dan
menurut Saphiro dan Stockman (2001), computer vision merupakan suatu
bidang yang bertujuan untuk membuat keputusan yang berguna mengenai
objek fisik nyata dan keadaan berdasarkan atas sebuah citra. Computer vision
merupakan kombinasi antara pengolahan citra dan pengenalan pola, yang
bertujuan agar komputer dapat mengenali objek yang diamati. Hasil keluaran
dari proses computer vision adalah pengertian tentang citra.
Menurut Bradski dan Kaehler (2008), computer vision dapat diartikan
sebagai transformasi data dari gambar ataupun video yang ditangkap oleh
camera menjadi sebuah representasi baru, dimana representasi tersebut dapat
dibuat menjadi sebuah keputusan-keputusan. Semua transformasi yang
dilakukan dalam computer vision bertujuan untuk mencapai sebuah goal,
yaitu membuat keputusan yang berguna tentang suatu objek berdasarkan
image yang didapat atau ditangkap oleh hardware. Meskipun komputer
dalam melihat sebuah citra hanya sebagai angka-angka, namun dengan
computer vision kita dapat membangun mesin cerdas yang dapat
menginterpretasikan citra yang dilihat dengan strategi yang berbeda
tergantung kondisinya.
2.3.2
Computer Vision Hierarchy
Menurut Kulkarni (2001), beberapa tahap dalam computer vision
yaitu mencakup akuisisi citra (image acquisition), preprocessing, ekstraksi
28
fitur (feature extraction), associative storage, mengakses basis pengetahuan
dan recognition. Tahap-tahap tersebut ditunjukkan sebagai bagan pada
gambar 2.10.
Gambar 2.10: Bagan Sistem Computer Vision
Menurut Kulkarni (2001), tahap-tahap tersebut dapat digolongkan
dalam level hirarki sebagai berikut.
1. Low-level vision: image enhancement dan menghilangkan noise.
2. Intermediate-level vision: low-level vision yang disertai dengan
edge detection, texture detection, dan feature extraction.
3. High-level vision: low-level vision, intermediate-level vision, yang
kemudian
dilanjutkan
dengan
tahap
associative
storage,
knowledge base, dan recognition.
Tahap-tahap tersebut dapat digambarkan sebagai berikut menurut
William, Mulya, dan Maharani (2009).
29
Gambar 2.11: Computer Vision Hierarchy
2.3.3
Lingkup Computer Vision
Menurut Bradski dan Kaehler (2008), masalah yang paling sering
dihadapi dalam computer vision adalah banyaknya noise sehingga
mengganggu pengolahan citra, feature extraction, dan lain-lainnya. Tugastugas seperti mengidentifikasi tanda tangan, mengenal objek yang diterima
dari citra yang dihasilkan oleh satelit, mengidentifikasi wajah, dan
membangun citra tiga dimensi dari potongan citra dua dimensi membutuhkan
citra dengan kualitas yang bagus (sedikit noise) agar pemrosesan dapat
menghasilkan keputusan yang baik.
Menurut Szeliski (2011), lingkup computer vision mencakup beberapa
contoh aplikasi sebagai berikut.
30
1. Optical Character Recognition (OCR), membaca tulisan tangan
dan rekognasi plat nomor secara otomatis.
2. Machine inspection dalam industri penerbangan untuk mengecek
performa bagian-bagian pesawat.
3. Navigasi seperti auto-pilot dimana kendaraan dapat berjalan
sendiri ke tujuan tertentu.
4. Surveillance (monitoring), untuk memonitor jika ada penyusup
atau memonitor kondisi lalu lintas
5. Fingerprint recognition, pengenalan sidik untuk akses otomatis.
6. Object modeling, misalnya analisis citra medis atau model
topografi.
2.3.4
Digital Image
Menurut Saphiro dan Stockman (2001), digital image (citra dijital)
digunakan agar berbagai macam hardware maupun software dapat membaca
dan menggunakan gambar dalam bentuk data. Dalam kehidupan sehari-hari
terdapat berbagai macam format data gambar. Meskipun begitu, data gambar
tersebut terdiri dari informasi yang khusus. Citra dijital memiliki informasi
berupa gambar dan terdiri dari elemen terkecil yang disebut pixel. Setiap
elemen merepresentasikan pixel pada gambar.
Menurut
William,
Mulya,
dan
Maharani
(2009),
pixel
direpresentasikan dalam bentuk matriks 2 dimensi dan memiliki nilai yang
31
merupakan variasi komponen warna. Semua warna yang ada merupakan
perpaduan dari 3 warna primer yaitu: merah (red), hijau (green), dan biru
(blue), yang biasa disebut dengan istilah RGB. Kombinasi dari ketiga warna
primer tersebut akan menghasilkan suatu warna tertentu tergantung
komposisi nilai dari ketiga warna tersebut.
Selain itu William, Mulya, dan Maharani (2009) juga menyatakan
bahwa, gambar pada sistem dijital dapat diwakili dengan format RGB untuk
setiap titiknya. Setiap komponen R, G, dan B mempunyai variasi nilai dari 0
sampai 255. Total variasi yang dihasilkan untuk sistem warna dijital ini
adalah 256 x 256 x 256 atau 16.777.216 jenis warna. Karena setiap warna
diwakili dengan satu byte (8 bit), maka total bit yang digunakan untuk
merepresentasikan warna RGB adalah 8 + 8 + 8 atau 24 bit.
Kalkulasi
pemrosesan
gambar
dengan
sistem
RGB
akan
memboroskan memory dan waktu. Untuk itu diperlukan reduksi warna.
Dalam pemrosesan gambar seperti deteksi objek, sistem RGB ini tidaklah
memberikan respon baik. Sehingga digunakanlah sistem grayscale atau gray
level, dimana format gambar warna dikonversi menjadi format gambar abuabu. Sistem grayscale memerlukan satu byte (8 bit) untuk penyimpanan data,
dimana mempunyai kemungkinan range warna dari 0 (hitam) sampai 255
(putih).
2.3.5
Pre-Processing
Menurut Kulkarni (2001), pre-processing merupakan sebuah proses
awal untuk menghilangkan bagian-bagian yang tidak diperlukan pada citra
32
input untuk proses selanjutnya. Tahap pre-processing biasanya dilakukan
sebelum kita melakukan inti pemrosesan dari gambar.
Tujuan dari pre-processing antara lain:
-
Menghilangkan noise
-
Memperjelas suatu fitur data
-
Memperbesar atau memperkecil ukuran data
-
Mengkonversi data asli agar diperoleh data yang sesuai kebutuhan
Beberapa contoh dari pre-processing yaitu:
2.3.6
-
Noise filtering
-
Konversi warna RGB menjadi grayscale
-
Thresholding
Smoothing
Smoothing merupakan salah satu teknik yang umum digunakan pada
pengolahan gambar. Proses ini bertujuan untuk memperhalus gambar,
mengurangi resolusi gambar, serta mengurangi noise (Bradski & Kaehler,
2008).
Pada prosesnya smoothing menggunakan teknik konvolusi yang
menggunakan kernel dengan berbagai ukuran. Pada pengerjaannya terdapat
beberapa cara untuk melakukan smoothing, seperti mean filter, median filter,
gaussian filter, dan bilateral filter. Dimana pada proses paling sederhananya
33
hasil dari smoothing pada suatu pixel adalah hasil dari rata-rata pixel tersebut
dengan pixel di sekitarnya.
1. Median Filter
Konsep dasarnya adalah dengan menemukan nilai pixel
yang memiliki nilai intensitas dari suatu pixel yang berbeda
dengan nilai pixel yang ada di daerah sekitarnya, dan
menggantinya dengan nilai yang lebih cocok. Cara yang paling
sederhana
dalam
mencapainya
adalah
dengan
melakukan
pencegahan atau pembatasan nilai pixel, sehingga suatu pixel
tidak memiliki nilai intensitas yang diluar nilai yang ada di
sekitarnya (Davies, 1990).
Untuk itu kita perlu untuk mengetahui nilai intensitas pada
suatu kelompok pixel. Pada pengerjaannya di suatu daerah pixel
seharusnya bagian yang merupakan nilai tertinggi dan terendah,
dan nilai yang sebanding pada kedua bagian akhir distribusi
dihilangkan. Sehingga hasilnya meninggalkan nilai median. Dari
sana didapatkan median filter, dimana didapat seluruh nilai
distribusi intensitas, dan dihasilkan gambar baru yang sesuai
dengan nilai-nilai median yang ada.
Berbeda dengan gaussian filter yang menghaluskan
keseluruhan gambar, pada median filter terlihat bahwa proses
penghalusannya terjadi pada daerah tepi gambar. Sehingga meski
terjadi
penghalusan
gambar,
“melembutkan” gambar yang ada.
median
filter
lebih
kearah
34
Median filter umumnya menggunakan kernel dengan
ukuran 3x3. Namun dapat pula menggunakan ukuran yang lebih
besar. Selain itu, sesuai dengan perkembangannya maka bentuk
yang dipakai juga dapat bermacam-macam, seperti garis (vertikal
atau horizontal) atau salib, yang terpusat pada titik tengahnya. Hal
ini dimaksudkan agar proses yang dihasilkan menjadi lebih cepat.,
terutama karena jumlah pixel yang dihitung menjadi lebih sedikit.
Median filter cukup dikenal baik atas kemampuannya
untuk menghilangkan salt and paper noise. Selain itu median
filter akan meningkatkan kualitas gambar, sehingga memperjelas
daerah tepi (edge) pada gambar (Nixon & Aguado 2002). Hal ini
terjadi karena pada daerah yang terletak pada bagian tepi suatu
gambar, filter akan memproses data dan umumnya akan
mendapatkan nilai yang sesuai dengan yang memiliki nilai
intensitas yang lebih besar. Sehingga filter secara tidak langsung
menentukan terdapat pada bagian mana pixel itu berada. Hal ini
tentu saja membuat daerah tepi menjadi sedikit melebar. Namun
perlu diingat bahwa pixel melebarkan daerah tepi dari kedua sisi,
sehingga hal ini menyebabkan dearah tepinya bisa lebih terlihat
(Davies, 1990).
2.3.7
Image Segmentation
Dalam computer vision, segmentasi citra (image segmentation) berarti
proses membagi citra dijital menjadi banyak segmen. Menurut William,
35
Mulya,
dan
Maharani
(2009),
tujuan
dari
segmentasi
adalah
menyederhanakan dan/atau mengubah representasi dari citra menjadi sesuatu
yang lebih berarti dan mudah untuk dianalisa. Segmentasi citra biasanya
digunakan untuk mencari lokasi objek dan batas bidang dalam citra.
Beberapa metode segmentasi adalah sebagai berikut.
1. Metode Thresholding
Thresholding atau binerisasi adalah proses konversi citra
abu-abu menjadi citra hitam putih. Proses ini disebut juga
binerisasi citra (image binarization) dan merupakan metode
sederhana untuk segmentasi citra. Proses ini dilakukan dengan
menggunakan nilai ambang / nilai threshold (threshold value)
sebagai pembatas kompleksitas gambar. Proses thresholding
digunakan untuk mengubah nilai pixel bergantung pada besar
kecilnya nilai pixel tersebut terhadap nilai threshold yang telah
ditentukan. Jika nilai suatu pixel lebih besar atau sama dengan
nilai threshold, maka pixel tersebut akan di-set ke nilai maksimum
dalam grayscale yaitu 255 (warna putih). Sedangkan jika nilai
suatu pixel kurang dari nilai threshold, maka pixel tersebut akan
di-set ke nilai minimum dalam grayscale yaitu 0 (warna hitam).
Proses ini membantu menghilangkan noise pada citra. Tidak ada
ketentuan pasti mengenai berapa batas nilai threshold. Nilai
threshold ini dapat diubah sesuai dengan kebutuhan agar proses
konversi menghasilkan citra yang sesuai dengan keinginan.
36
2. Metode Berbasis Histogram
Metode berbasis histogram lebih efisien dibandingkan
dengan metode segmentasi citra lainnya karena biasanya hanya
membutuhkan satu kali melewati pixel. Dalam teknik ini,
histogram dihitung dari seluruh pixel dalam citra. Puncak serta
lembah di dalam histogram digunakan untuk mencari cluster
dalam citra. Pengembangan dari teknik ini adalah secara rekursif
melakukan metode pencarian secara histogram di dalam citra
untuk membagi mereka menjadi cluster yang lebih kecil hingga
tidak ada lagi cluster yang terbuat.
3. Metode Distance Transform
Distance transform juga dikenal sebagai peta jarak, adalah
representasi dari citra dijital. Istilah peta yang dimaksud
tergantung pada objek, apakah gambar awal berubah menjadi
representasi yang lain, atau hanya diberi tambahan. Setiap pixel
gambar diberi label jarak ke pixel pembatas terdekat. Jenis yang
paling umum dari pixel pembatas adalah boundary pixel dalam
binary image. Biasanya transformasi berpatokan pada fungsi jarak
yang dipilih. Hasil dari transformasi adalah gambar grayscale
yang terlihat mirip dengan gambar awal, kecuali intensitas graylevel pada titik di foreground diubah untuk menunjukkan jarak ke
batas terdekat dari setiap titik.
37
4. Metode Watershed Segmentation
Sebuah
visualisasi
citra
grayscale
yang
dapat
direpresentasikan sebagai bentuk topografi, dimana nilai abu-abu
dari sebuah pixel diartikan sebagai ketinggian dalam relief.
Watershed adalah suatu bentuk cekungan (titik) yang terbentuk
oleh titik-titik tinggi dan Ridgelines (garis watershed) yang
menurun ke titik-titik yang lebih rendah.
Pendekatan
yang
berbeda
dapat
digunakan
untuk
menggunakan prinsip watershed untuk segmentasi citra. Pertama
adalah, nilai lokal minima dari gradien gambar sebagai penanda,
dalam hal ini suatu segmentasi dibuat yang kemudian akan
melibatkan
penggabungan
wilayah.
Kedua
adalah,
marka
transformasi watershed berbasis pada posisi penanda spesifik yang
telah secara eksplisit didefinisikan oleh user atau ditentukan
secara otomatis dengan operator morfologi atau cara lainnya.
Tiga elemen dasar dalam watershed segmentation adalah:
nilai minima, nilai cekungan dan garis watershed. Tujuan dari
watershed segmentation adalah untuk menemukan semua garis
watershed (tingkat abu-abu tertinggi).
38
2.4 OpenCV
2.4.1
Definisi OpenCV
Menurut Bradski dan Kaehler (2008), OpenCV (Open Computer
Vision) adalah sebuah library open source yang dikhususkan untuk
melakukan pengolahan citra yang berbasiskan C/C++ yang saat ini banyak
digunakan dalam program computer vision. OpenCV bisa didapatkan dari
“http://opencv.org/”. Library ini dibuat dengan bahasa C dan C++, serta dapat
dijalankan dalam sistem operasi Windows, Linux, dan Mac OS X.
Salah satu tujuan OpenCV adalah agar komputer mempunyai
kemampuan mirip dengan cara pengolahan visual pada manusia. Keuntungan
dari OpenCV adalah OpenCV menyediakan infrastruktur computer vision
yang mudah digunakan sehingga dapat membantu user dalam membangun
aplikasi berbasis computer vision dengan cepat. OpenCV dirancang untuk
efisiensi komputasional dan dengan fokus pada aplikasi realtime. Menurut
Chandra, Prajnagaja, dan Nugroho (2011), Library pada OpenCV berisi lebih
500 fungsi yang menjangkau berbagai area permasalahan computer vision
seperti, image processing, kalibrasi kamera, user interface, dan robotika.
OpenCV juga memiliki Machine Learning Library (MLL). Library OpenCV
terdiri dari fungsi-fungsi computer vision dan API (Application Programming
Interface) untuk image processing dalam Low-level vision maupun High-level
vision.
Menurut Chandra, Prajnagaja, dan Nugroho (2011), sejak peluncuran
pertama pada Januari 1999, OpenCV telah digunakan pada banyak aplikasi,
39
produk, dan penelitian. Aplikasi-aplikasi ini meliputi penggabungan citra
pada web dan satelit, image scan alignment, pengurangan noise pada citra
medis, sistem keamanan dan pendeteksian gangguan, sistem pengawasan
otomatis dan keamanan, sistem inspeksi pabrik, pengenalan sidik jari,
pengenalan wajah, serta aplikasi militer. OpenCV juga telah digunakan untuk
pengenalan suara, dimana teknik pengenalan visi diaplikasikan pada citra
spektogram suara (Bradski dan Kaehler, 2008).
2.4.2
Fitur OpenCV
Berikut ini adalah beberapa fitur pada library OpenCV.
-
Manipulasi data gambar (alokasi memori, melepaskan memori,
duplikasi gambar, konversi gambar)
-
Image / video I/O (format input / output dalam gambar ataupun
video yang terhubung dengan hardware seperti kamera)
-
Manipulasi matrix dan vektor serta formula linear algebra
(products, solvers, eigenvalues)
-
Image processing (filtering, edge detection, sampling dan
interpolasi, konversi warna, histogram)
-
Analisis struktural
-
Pendeteksian dan pengenalan objek
-
Image labeling (line, conic, polygon, text drawing)
40
-
Basic GUI (display output, control input)
Download