bab i. pendahuluan

BAB I. PENDAHULUAN
1.1. Latar Belakang
Otak manusia memiliki struktur yang sangat kompleks dan memiliki
kemampuan yang sangat luar biasa. Otak terdiri dari neuron-neuron dan
penghubung yang disebut sinapsis. Setiap neuron bekerja meneruskan sinyal yang
diterima ke neuron yang lain dalam jumlah yang sangat besar sehingga dihasilkan
sebuah informasi. Dengan sistem kerja neuron tersebut, otak mampu mengerjakan
banyak hal seperti mengenali pola, melakukan penghitungan dan mengenali data.
Terlepas dari segala fungsi otak tersebut, Otak juga merupakan organ yang
sering mengalami kelainan-kelainan. Beberapa kelainan yang dapat terjadi pada
otak adalah Alzheimer, Hidrosefalus, Kanker Otak, dan Radang Otak. Kelainankelainan otak tersebut dapat dideteksi dengan cara melihat citra medis dari otak
pasien tersebut secara kasat mata. Untuk dapat melihat bentuk fisik otak dari
pasien biasanya dokter akan mengambil citra medis dari otak tersebut dengan
menggunakan gaya magnet yang biasa dikenal Magnetic Resonance Image (MRI).
Citra medis inilah yang nantinya akan dianalisis oleh dokter untuk menarik
kesimpulan atas penyakit yang diderita oleh seorang pasien. Dalam menganalisis
citra medis tersebut, secara manual seorang dokter akan melakukan perbandingan
antara citra medis dari pasien dengan citra medis yang memiliki kasus penyakit
yang serupa. Namun, mencari dan mengidentifikasi kasus-kasus yang sama dari
basis data yang besar dan beragam merupakan tugas yang tidak mudah dan
membutuhkan
waktu
yang
1
lama.
2
Untuk mengatasi permasalah tersebut maka Retrieval Citra Berbasis Konten (RCBK)
muncul sebagai alat bantuan untuk membantu dokter dalam mengurangi tugas dan waktu yang
diperlukan dalam analisis secara manual. Sistem RCBK menggunakan informasi visual yang
diekstrak dari citra untuk meretrive citra yang mirip dengan citra kueri (query), dan sistem ini
tidak perlu menyediakan informasi diagnosis pada citra yang diretrif (retrieve) tetapi hanya
menampilkan citra-citra yang mempunyai kemiripan berdasarkan pada pola tertentu. Beberapa
jenis konten yang umumnya diekstrak dari suatu citra antara lain warna, tekstur, dan bentuk.
Citra medis memiliki sedikit perbedaan dengan citra digital lainnya. Pada citra medis
secara visual hampir sama dan memiliki fitur visual yang mirip. Sehingga untuk melakukan
perbandingan antara citra medis yang mirip akan sangat sulit dilakukan dimana akan mengurangi
performa retrieval. Untuk itu, Hal yang paling penting dalam mengembangkan sistem Retrieval
Citra Berbasis Konten untuk citra medis adalah bagaimana kita menentukan karateristik citra
yang sesuai.
Untuk meningkatkan performa retrieval pada sistem retrieval citra medis, metode
representative fitur yang efektif diperlukan untuk mengekstrak fitur diskriminator dari citra
medis (Selvarani & Annadurai, 2010). Beberapa metode yang telah digunakan pada retrieval
citra medis antara lain: mengekstrak fitur bentuk dengan menggunakan Canny Edge Detection
(Ramamurthy, 2011), Exact Legendre Moments (Rao, Kumar, & Mohan, 2010) dan juga
menggunakan transformasi wavelet (Quellec, Lamard, Cazuguel, Cochener, & Roux, 2010).
3
Penelitian yang telah dilakukan tersebut hanya mengekstrak informasi tertentu dari suatu
citra medis yang belum tentu informasi/fitur tersebut adalah fitur dominan yang dapat mewakili
keseluruhan informasi citra tersebut, terutama pada citra medis. Akan tetapi, penggunaan seluruh
infomasi citra secara langsung sebagai fitur vector yang merupakan data berdimensi tinggi juga
akan mempengaruhi performa retrieval karena adanya peningkatan jumlah dalam komputasi.
Non-negatif Matrix factorization adalah pendekatan yang relatif baru untuk menguraikan
data menjadi dua faktor dengan entri nonnegatif (Buciu I. , 2008). Masyarakat sekarang
memusatkan perhatiannya pada penerapan NNMF untuk aplikasi pengenalan pola, dimana fitur
diekstraksi selanjutnya dikelompokkan atau diklasifikasikan menggunakan pengklasifikasi
NNMF (Buciu I. , 2008). NNMF pun sekarang ini telah banyak diimplementasikan kedalam
berbagai aplikasi seperti face recognition (pengenalan muka) (Liu & Zheng, 2004), image
classification (klasifikasi citra) (Buchsbaum & Bloch, 2002), face expression recognition
(pengenalan ekspresi wajah) (Buciu & Pitas, 2004) ,face detection (deteksi wajah) (Gu, Li, &
Zhang, 2001), dan object recognition (pengenalan objek) (Liu & Zheng, 2004).
NNMF juga dapat mereduksi dimensi ukuran storage penyimpanan, dalam arti lain
mengkompresi (Berry & Kogan, 2010). NNMF memiliki akurasi yang baik dalam menghadapi
permasalahan-permasalahan yang telah disebutkan diatas, selain itu penurunan akurasi yang
diakibatkan oleh pertambahan data citra pada database relatif lebih lambat. Hasil rekonstruksi
NNMF pun menghasilkan kualitas citra yang mendekati citra aslinya.
1.2. Perumusan Masalah
Perumusan masalah pada penelitian ini adalah bagaimana cara kerja retrieval pada citra
medis otak dengan menggunakan Non-Negative Matrix Factorization sebagai pengenal fitur dan
4
Canny Edge Detection sebagai ekstraksi fitur, bagaimana efektifitas Canny edge detection
sebagai ekstraksi fitur pada proses retrival citra, bagaimana efektifitas pencocokan fitur gambar
dengan fitur-fitur yang ada di dalam media penyimpanan.
1.3. Tujuan dan Manfaat Penelitian
Tujuan dari penelitian ini adalah umtuk mendapatkan sistem retrieval citra berbasis
konten yang dapat diimplementasikan pada citra medis otak dengan menggunakan Non-Negative
Matrix Factorization dan Canny Edge Detection.
Manfaat dari penelitian ini adalah menyediakan alat bantu diagnosis dalam menganalisis
citra medis otak berdasarkan hasil retrieval citra medis otak. Sehingga diharapkan dengan adanya
alat bantu ini dapat menghemat waktu dalam mencari gambar. Sebagai literature penelitian,
diharapkan penelitian ini dapat dijadikan acuan untuk penelitian lebih lanjut sesuai dengan topik
terkait.
1.4. Ruang Lingkup
Penelitian ini memiliki ruang lingkup sebagai berikut :

Penelitian ini menggunakan citra medis otak yang berasal dari Biomedical Image
Analysis (BioMedIA) Group dan The Open Access Series of Imaging Studies (OASIS)
untuk otak normal, The Cancer Imaging Archive (TCIA) untuk otak yang mengidap
glioma (kanker otak), dan The Alzheimer’s Disease Neuroimaging Initiative (ADNI) untuk
otak yang mengidap alzheimer.
5

Citra medis otak yang digunakan terdiri dari 40 citra medis otak normal dan 80 citra
medis otak abnormal yang terdiri dari 2 kategori, yaitu glioma dan alzheiemer masingmasing berjumlah 40 citra.

Penelitian ini menggunakan Non-Negative Matrix Factorization sebagai metode retrieval
citra medis dan Canny Edge Detection sebagai ekstraksi fitur.

Tool yang digunakan dalam penelitian ini adalah MATLAB.