Analisis Identifikasi Serviks Normal dan Abnormal Berdasarkan

Analisis Identifikasi Serviks Normal dan
Abnormal Berdasarkan Filter Gabor dan
Ekstraksi Ciri Tekstur Statistik
Novitasari
Jurusan Teknik Informatika/Teknologi Industri
Universitas Gunadarma
Jalan Margonda Raya No. 100 Pondok Cina, Depok 16424, Indonesia
Email : [email protected]
ABSTRAK
Proses pengolahan citra pada bidang kedokteran digunakan sebagai alat bantu dalam
mendiagnosis suatu penyakit ataupun deteksi kelainan yang terdapat pada tubuh manusia.
Kanker serviks adalah jenis penyakit kanker yang terjadi pada daerah leher rahim. Menurut
WHO (Badan Kesehatan Dunia), Indonesia merupakan negara dengan penderita kanker
leher rahim (serviks) No 1 di Dunia. Umumnya, dokter ahli melakukan analisa penyakit
kanker serviks berdasarkan gejala, penyebaran sel kanker, dan hasil tes pemeriksaan
kolposkopi yang berupa citra digital. Citra digital hasil proses kolposkopi dapat digunakan
sebagai data pengolahan citra. Untuk itu, penulis melakukan penelitian dengan
memanfaatkan bidang pengolahan citra sebagai langkah awal deteksi dini dalam
menganalisis citra serviks normal dan abnormal. Identifikasi citra serviks terdiri dari enam
tahap, yaitu tahap masukkan citra, resize citra, grayscale, perataan histogram, Filter Gabor,
dan tahap terakhir Clustering. Hasil dari seluruh tahap berupa gambar, nilai fitur energi,
entropy, smoothness, standard deviasi dan hasil identifikasi citra serviks normal atau
abnormal.
Kata kunci : analisis tekstur, kanker serviks, fitur tekstur statistik, energi, Entropy.
PENDAHULUAN
Perkembangan dunia informasi dan teknologi khususnya dalam bidang komputer
dirasakan sangat cepat di semua lapisan masyarakat. Dengan majunya pola pikir manusia
pada zaman sekarang, komputer mulai digunakan dalam segala macam hal dalam
kehidupan manusia. Saat ini penggunaan citra digital banyak digunakan dalam berbagai
bidang, seperti bidang hiburan, komersial, pendidikan dan kedokteran. Kondisi tersebut
menunjukkan bahwa teknologi pengolahan citra telah banyak diterapkan ke berbagai
bidang kehidupan. Proses pengolahan citra pada bidang kedokteran digunakan sebagai alat
bantu dalam mendiagnosis suatu penyakit ataupun deteksi kelainan yang terdapat pada
tubuh manusia.
Kanker serviks adalah jenis penyakit kanker yang terjadi pada daerah leher rahim.
Menurut WHO (Badan Kesehatan Dunia), Indonesia merupakan negara dengan penderita
kanker mulut rahim (serviks) No 1 di Dunia. Di dunia setiap 2 menit seorang wanita
meninggal akibat kanker serviks dan di Indonesia setiap 1 jam (Ferlay J, et al. Globocan
2002. IARC 2004). Pemeriksaan kanker serviks saat ini populer dengan nama Pap smear.
Selain itu ada berbagai cara untuk deteksi dini terhadap infeksi HPV dan kanker serviks
seperti IVA (Infeksi Visual Asam asetat), Thin Prep dan Kolposkopi.
Umumnya, dokter ahli melakukan analisa penyakit kanker serviks berdasarkan gejala,
penyebaran sel kanker, dan hasil tes pemeriksaan kolposkopi yang berupa citra digital.
Citra digital hasil proses kolposkopi dapat digunakan sebagai data pengolahan citra. Untuk
itu, penulis melakukan penelitian dengan memanfaatkan bidang pengolahan citra sebagai
alternatif proses identifikasi tekstur citra serviks sehingga diketahui citra serviks tersebut
termasuk normal atau abnormal.
Penelitian ini bertujuan untuk mengidentifikasi serviks normal dan abnormal
menggunakan metode Filter Gabor dan ekstraksi ciri tekstur statistik. Proses identifikasi
tekstur citra serviks bertujuan untuk menentukan jenis serviks tersebut apakah normal atau
abnormal. Hasil identifikasi secara komputerisasi dengan proses pengolahan citra
diharapkan dapat membantu ahli medis sebagai langkah awal deteksi dini dalam
menganalisis penyakit kanker serviks.
TINJAUAN PUSTAKA
a.
Karakteristik Citra
Karakteristik visual yang merupakan konten atau fitur pada citra antara lain adalah :
warna (color), bentuk objek (shape) dan tekstur (texture). Konten-konten tersebut dapat
memberikan informasi penting dalam hal analisis citra, sehingga salah satu contoh
kegunaan konten tersebut adalah dapat membantu dalam analisis dan pengambilan
keputusan.
1) Warna
Warna merupakan salah satu fitur visual yang paling sering digunakan dalam metode
retrieval citra berbasis konten (Müler et.al, 2004). Untuk menjelaskan fitur warna maka
perlu didefinisikan terlebih dahulu ruang warna (space color) yang menspesifikan warna
(Wang, 2001). Ruang warna merupakan representasi matematika tiga dimensi dari
sekumpulan warna, antara lain ruang warna yang dikenal dengan : RGB, HSV, CMY, CIE
L*U*V, CIE L*a*b.
Ruang warna RGB (Wei and Ying, 2005) menampilkan citra dalam tiga komponen
yakni red (R), green (G), blue (B), disebut juga “additive primaries” karena warna citra
pada ruang warna RGB didapat dari kombinasi dari ketiga komponen warna. “Subrtactive
primaries” merupakan ruang warna CMY yang terdiri atas cyan (C), magenta (M), dan
yellow (Y) yang digunakan untuk pencetakan. Jika warna RGB pokok tersebut
digabungkan, maka akan menghasilkan warna lain. Penggabungan tersebut bergantung
pada warna pokok yang tiap-tiap warna memiliki nila 256 (8 bit).
Untuk ruang warna HSV (atau HSL, atau HSB) banyak digunakan pada bidang grafik
komputer. Komponen warnanya terdiri atas hue, saturation (lightness), value (brightness).
Untuk memperoleh ruang warna HSV, dilakukan dengan mentransformasikan ruang warna
RGB menggunakan formula tertentu ke koordinat ruang warna HSV. Keunggulan ruang
warna HSV, CIE L*U*V, CIE L*a*b lebih mendekati persepsi warna manusia, sehingga
ketiga ruang warna tersebut lebih sering digunakan pada retrieval citra berbasis konten.
2) Bentuk Objek
Secara umum representasi bentuk objek dibagi menjadi dua kategori, yaitu
berdasarkan batas (boundary-based) dan berdasarkan region (region-based). Boundarybased menggunakan batas luar citra, sedangkan region-based menggunakan bentuk seluruh
region (Rui, Y, 1999). Contoh boundary-based seperti diilustrasikan pada Gambar 1.
Gambar 1 Boundary-based dan Region-based
Sumber : (Al-Tayeche and Khalil, 2003)
3) Tekstur
Walaupun belum ada definisi secara formal tentang tekstur, secara intuitif tekstur
menyatakan ciri dari permukaan objek yang menggambarkan pola visual. Ciri ini berisi
informasi tentang komposisi struktur permukaan, seperti misalnya awan, daun, batu bata
dan kain. Selain itu juga menjelaskan hubungan antara permukaan untuk lingkungan
sekitarnya (Al-Tayeche, 2003). Sehingga tekstur menjadi salah satu fitur yang penting. Ciri
tekstur antara lain meliputi kehalusan (smoothness), kekasaran (coarseness), dan
keteraturan (regularity).
Penggunaan fitur tekstur telah banyak digunakan secara luas oleh peneliti dalam
menyelesaikan masalah pengenalan pola (pattern recognition) dan computer vision. Secara
umum, representasi tekstur dapat diklasifikasikan menjadi dua, yaitu : struktural dan
statistik (Gonzales, et al, 2002).
Untuk representasi tekstur secara statistic, dilakukan dengan menganalisa distribusi statistic
dari intensitas citra termasuk diantaranya : Fourier power spectra, co-occurrence matrices,
shift-invariant principal component analysis (SPCA), Tamara feature (terdiri dari
coarseness, contrast, directionality, linelikeness, regularity, dan roughness), Wold
decompotion (terdiri atas harmonic, evanescent, dan indeterministic), Marcov random field,
fractal model, dan teknik multi-resolution filtering seperti Gabor dan wavelet transform.
Selain itu fitur tekstur (Gonzales and Wintz, 1987) terdiri atas mean, standard deviation,
third moment dan smoothness. Tekstur yang diajukan Haralick (Haralick, 1973) terdiri atas
maximum probability, element-difference moment, inverse element-difference moment,
uniformity dan entropy.
b.
Analisis Tekstur
Dalam pengolahan citra terdapat analisis citra. Analisis citra bertujuan
mengidentifikasi parameter-parameter yang diasosiasikan dengan ciri dari objek dalam citra
yang kemudian digunakan untuk menginterpretasikan citra. Analisis citra terdiri dari tiga
tahapan yaitu ekstraksi ciri, segmentasi dan klasifikasi. Salah satu cara yang sering
digunakan dalam memilah-milah citra adalah segmentasi, yaitu membagi citra menjadi
bagian yang diharapkan termasuk objek-objek yang dianalisis. Segmentasi sering
dideskripsikan sebagai proses analogi terhadap proses pemisahan latar depan dan latar
belakang. Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan
tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity)
susunan struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai
dasar dari segmentasi, klasifikasi, maupun interpretasi citra. Tekstur didefinisikan sebagai
fungsi dari variasi spasial intensitas piksel (nilai keabuan) . Berdasarkan strukturnya,
tekstur dapat diklasifikasikan dalam 2 golongan (Karyanti, Yuli, 2010), yaitu makrostruktur
dan mikrostruktur.
Gambar 2 Contoh tekstur (album tekstur Brodatz)
Atas : makrostruktur, Bawah : mikrostruktur
Sumber : www.biomed.ee.itb.ac.id/praktikum_citra/Modul_3_EL4027.pdf
c.
Pendekatan Statistik untuk Ekstraksi Fitur Tekstur
1) Kekontrasan (Contrast)
Disebut juga dengan “sum of squares variance”. Contrast menunjukkan ukuran
penyebaran elemen-elemen matriks citra, jika letaknya jauh dari diagonal utama
maka nilai kekontrasan semakin besar. Secara visual, nilai kekontrasan adalah
variasi antar derajat keabuan suatu daerah citra.
2) Homogeneity (Invers Difference Moment)
Tekstur yang homogen adalah mengandung struktur yang berulang dan
seragamannya menghasilkan pola tertentu.
3) Entropy
Digunakan untuk mengukur ketidakmenentuan (Randomness) dan akan bernilai 0
untuk citra yang kontras.
4) Energy
Energy mengacu pada homogenitas dari tekstur, jika nilai energi tinggi maka jumlah
area yang homogen besar, dan sebaliknya jika nilai energi rendah maka jumlah area
yang homogen sedikit atau kecil.
5) Korelasi (Correlation)
Menunjukkan ukuran ketergantungan linear derajat keabuan pixel dan tetangganya
dari citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra
(Karyanti, Yuli, 2010).
d.
Masalah Utama Analisis Tekstur
Masalah utama yang berhubungan dengan analisis tekstur adalah segmentasi tekstur
(texture segmentation), sintesis tekstur (texture synthesis), bentuk tekstur (shape from
texture) dan klasifikasi tekstur (texture classification) (Tuceryan, Jain, 1998).
1) Segmentasi tekstur
2) Sintesis tekstur
3) Bentuk tekstur
4) Klasifikasi tekstur
e.
Metode Filter Gabor
Filter Gabor merupakan salah satu filter yang mampu mensimulasikan karakteristik
sistem visual manusia dalam membedakan tekstur berdasarkan atas kapabilitas untuk
mengidentifikasikan berbagai frekuensi dan orientasi spasial tekstur dari citra yang diamati.
Untuk Filter Gabor sesuai dengan aplikasi pengenalan tekstur dalam computer vision. Pada
penelitian filter Gabor digunakan untuk orientasi secara spasial. Dimana secara spasial
fungsi Gabor merupakan sinusoida yang dimodulasi oleh fungsi Gauss, secara matematis
dapat ditulis dengan persamaan (Karyanti, Yuli, 2010) :
(
)
[
(
)]
(
)
Respon impuls filter Gabor 2D diilustrasikan pada Gambar 3.
Gambar 3 Respon impuls filter Gabor 2D
Sumber : Modul-3-EL4027
(1)
Tabel 1 Enam Parameter Filter Gabor
Sumber : D.Clausi and M. Ed Jernigan 2000
Parameter
Simbol
Nilai
Frekuensi tengah (ternormalisasi)
F
√2 , √2 , √2 , √2 , √2 , √2 , √2
20 21
22
Lebar pita frekuensi
BF
1 oktaf
Lebar pita angular
Bө
300 atau 450
Spacing frekuensi
SF
1 oktaf
Spacing angular
Sө
300 atau 450
Orientasi
ө
23
24
25
26
Sө = 300 : 00, 300, 600, 900, 1200, 1500
Sө = 450 : 00, 450, 900, 1350, 1800, 2250
Ada enam parameter yang harus ditetapkan dalam implementasi Filter Gabor.
Keenam parameter yang terdapat pada Tabel 1 adalah: F, ө, σx,σy BF danBө
1. Frekuensi (F) dan orientasi (ө) mendefinisikan lokasi pusat filter.
2. BF dan Bө menyatakan konstanta lebar pita frekuensi dan jangkauan angular filter.
3. Variabel σx berkaitan dengan respon sebesar -6dB untuk komponen frekuensi spasial.
σx = √ln2 (2BF +1)
√2πF (2BF -1)
4. Variabel σy berkaitan dengan repon sebesar -6dB untuk komponen angular.
σy =
√ln2
√2πF tan (Bө/2)
5. Posisi (F,ө) dan lebar pita (σx,σy) dari Filter Gabor dalam domain frekuensi harus
ditetapkan dengan cermat agar dapat menangkap informasi tekstur dengan benar.
Frekuensi tengah dari filter kanal harys terletak dekat dengan frekuensi karakteristik
tekstur.
6. Setelah mendapatkan ciri Filter Gabor dapat dilakukan ekstraksi ciri. Salah satu ciri
dapat dipilih adalah ciri energi.
7. Lebar pita frekuensi (BF) dan jarak frekuensi tengah (SF) sebesar satu oktaf, serta lebar
pita angular (Bө) dan jarak angular (Sө) sebesar 300 dan 450. Pemilihan lebar pita
angular sebesar 300 dan 450 adalah karena nilai ini dianggan mendekati karakteristik
sistem visual manusia (Ajeng, 2010).
f.
Metode Clustering K-Means
K-Means merupakan salah satu metode data clustering yang berusaha mempartisi
data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi
data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama
dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik
yang berbeda dikelompokkan ke dalam kelompok yang lain. Tujuan dari data clustering ini
adalah untuk meminimalisasikan objective function yang diset dalam peroses clustering,
yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan
memaksimalkan variasi antar cluster.
Dasar Algoritma K-Means (MacQueen, 1967):
1. Tentukan jumlah cluster yang akan dibentuk.
2. Bangkitkan titik pusat klaster(centroid) awal secara random.
3. Hitung jarak setiap data ke masing-masing centroid(menggunakan euclidean
distance space).
4. Kelompokkan setiap data berdasarkan jarak terdekat antara data dengan centroid.
5. Tentukan posisi centroid baru.
6. Kembali ke langkah 3 jika posisi centroid baru tidak sama dengan centroid lama.
g.
Euclidean Distance
Euclidean Distance merupakan salah satu teknik perhitungan similaritas yang umum
digunakan untuk menghitung jarak fitur tekstur. Untuk menghitung jarak antara fitur tekstur
dan fitur bentuk objek dari suatu citra dengan citra yang lain (Alexander, 2009).
( | fi ( I )  fi ( J ) | )
2
D(I,J) =
(2)
i
h.
Kanker Serviks
Leher rahim atau serviks adalah bagian dari sistem organ reproduksi wanita. Organ
leher rahim dapat terjangkit penyakit kanker leher rahim (cervical cancer) yang dimulai
dalam sel pada permukaan serviks. Kanker leher rahim adalah tumor ganas/karsinoma yang
tumbuh di dalam leher rahim/serviks, yaitu suatu daerah pada organ reproduksi wanita yang
merupakan pintu masuk ke arah rahim yang terletak antara rahim (uterus) dengan liang
senggama (vagina). Kanker ini biasanya terjadi pada wanita yang telah berumur, tetapi
bukti statistik menunjukan bahwa kanker leher rahim dapat juga menyerang wanita yang
berumur antara 20 sampai 30 tahun (Anonim, 2007). Seiring waktu, kanker serviks dapat
menyerang lebih dalam ke dalam serviks dan jaringan di dekatnya. Sel-sel kanker dapat
menyebar dengan melepaskan diri dari tumor (primer) asli. Mereka memasuki pembuluh
darah atau pembuluh getah bening, yang cabang ke seluruh jaringan tubuh. Sel-sel kanker
dapat menempel pada jaringan lain dan tumbuh untuk membentuk tumor baru yang dapat
merusak jaringan tersebut.
i.
Cara Mendeteksi Kanker Serviks
Untuk mempelajari sejauh mana penyakit, dokter akan melakukan beberapa tes
berikut (Anonim, 2009):
1) Chest x-ray: sinar X sering dapat menunjukkan apakah kanker telah menyebar ke paruparu.
2) CT scan: Sebuah mesin x-ray yang dihubungkan ke komputer mengambil serangkaian
gambar detil dari organ-organ penderita. Sebuah tumor di hati, paru-paru, atau di
tempat lain dalam tubuh dapat muncul pada CT scan. Penderita mungkin menerima
bahan kontras melalui suntikan di lengan atau tangan, melalui mulut, atau dengan
enema. Bahan kontras membuat daerah abnormal lebih mudah untuk dilihat.
3) MRI: Sebuah magnet kuat yang dihubungkan ke komputer digunakan untuk membuat
gambar rinci panggul dan perut. Dokter dapat melihat gambar di monitor dan dapat
mencetak mereka pada film. MRI dapat menunjukkan apakah kanker telah menyebar.
Kadang-kadang bahan kontras membuat daerah abnormal muncul lebih jelas pada
gambar.
4) PET scan: Penderita menerima suntikan dari sejumlah kecil gula radioaktif. Sebuah
mesin membuat gambar terkomputerisasi gula yang digunakan oleh sel dalam tubuh
penderita. Sel-sel kanker menggunakan gula lebih cepat dari sel normal, dan area
dengan kanker terlihat terang pada gambar.
j.
Stadium Kanker Serviks
Penentuan stadium didasarkan di mana kanker ditemukan. Ini adalah tahapan kanker
serviks invasive (Anonim, 2009):
1) Tahap I: tumor telah menyerang leher rahim di bawah lapisan atas sel. Sel-sel kanker
hanya ditemukan di leher rahim.
2) Tahap II: tumor meluas ke bagian atas vagina. Pada tahap ini mungkin melampaui leher
rahim ke jaringan terdekat ke dinding panggul (lapisan bagian tubuh antara pinggul).
Tumor tidak menginvasi sepertiga bagian bawah vagina atau dinding panggul.
3) Tahap III: tumor meluas ke bagian bawah vagina. Pada tahap ini juga mungkin telah
menyerang dinding panggul. Jika blok tumor aliran urine, satu atau kedua ginjal tidak
dapat bekerja dengan baik.
4) Stadium IV: tumor menyerang kandung kemih atau rektum. Ataupun kanker telah
menyebar ke bagian lain dari tubuh.
5) Kanker Berulang: kanker telah melalui proses perawatan, namun telah kembali setelah
periode waktu yang tidak dapat terdeteksi. Kanker mungkin muncul lagi di leher rahim
atau di bagian lain dari tubuh.
METODE PENELITIAN
Data yang digunakan dalam penelitian adalah citra serviks yang diperoleh dari situs
Geneva
Foundation
for
Medical
Education
and
Research
(GFMER):
http://www.gfmer.ch/Books/Cervical_cancer_modules/Unaided_visual_inspection_atlas.ht
m. Jumlah data citra yang digunakan dari sumber tersebut sebanyak 14 citra yang terdiri
dari 3 citra serviks normal dan 11 citra serviks abnormal. Citra serviks berupa citra digital
yang diperoleh melalui proses pemeriksaan Kolposkopi oleh dokter ahli.
Tabel 2 Data Citra yang digunakan
1.
Normal_1
Normal_2
Normal_3
Abnormal
Cervical_1
Cervical_2
Cervical_3
Cervical_4
Cervical_5
Cervical_6
Cervicitis_1
Cervicitis_2
Chronic
Ectopy
Metode Pengidentifikasian Citra
Penelitian ini berbasis metode pengolahan citra. Berdasarkan penelitian “Texture
Segmentation using Gabor Filters” yang dilakukan oleh Naotoshi Seo, tahap untuk
segmentasi tekstur terdiri dari tiga tahap, yaitu tahap filtering dengan Filter Gabor, ekstraksi
fitur statistik, dan clustering (Seo, 2006). Selain tahap yang dilakukan oleh Seo, penelitian
yang dilakukan penulis menambahkan tahap resize citra, proses grayscaling, perbaikan
citra dengan perataan histogram. Data berupa citra digital serviks yang dijadikan sebagai
masukan, kemudian dilakukan tahap identifikasi citra serviks berdasarkan tekstur. Tahapan
terdiri dari resize image, proses grayscaling, perataan histogram, filtering dengan Filter
Gabor, ekstraksi fitur tekstur statistik dan terakhir tahap clustering. Setelah tahap filtering
dengan Filter Gabor, tahap selanjutnya bercabang menjadi dua yaitu clustering dan
ekstraksi fitur tekstur statistik. Tahap clustering akan menghasilkan keluaran berupa
gambar lima warna cluster untuk lima varian tekstur. Tahap ekstraksi fitur statistik akan
menghasilkan keluaran berupa hasil identifikasi, apakah citra masukan adalah citra serviks
normal atau abnormal. Tahap tersebut disediakan dalam bentuk alur seperti pada Gambar 4.
Citra
serviks
Resize Citra
Grayscaling
Perataan
Histogram
Filtering dengan
Gabor
Ekstraksi Fitur
Statistik
Clustering dengan
K-Means
Hasil
Identifikasi
(Normal/
Abnormal)
Hasil Citra
5 Cluster
Tekstur
Gambar 4 Tahap Identifikasi
2.
Resize Image
Tahap ini digunakan untuk mengubah dimensi citra. Citra kanker serviks mempunyai
ukuran resolusi yang berbeda-beda, oleh karena itu dilakukan tahap resize agar dimensi
citra yang akan diproses mempunyai nilai piksel yang sama. Fungsi yang digunakan pada
Matlab 7.11 untuk mengubah citra yaitu imresize. Fungsi imresize digunakan untuk proses
resize citra dengan ditentukan ukuran pixel citra dalam bentuk baris dan kolom. Pada
penelitian ini digunakan ukuran dimensi 400 x 496 pixel.
3.
Proses Grayscaling
Tahap berikutnya setelah resize citra yaitu proses transformasi grayscale.
Transformasi grayscale adalah proses untuk mengubah citra yang memiliki warna menjadi
citra yang memiliki tingkat warna abu-abu (gray-level). Proses grayscaling langsung
membagi sama rata ketiga nilai warna tersebut untuk mendapatkan nilai yang baru (ratarata dari ketiga nilai warna Red, Green, dan Blue). Citra yang akan di-grayscale nilai tiap
titik akan disamakan nilai Red, Green, dan Blue-nya sehingga untuk tiap titik hanya
memiliki 1 nilai saja yang disebut nilai gray-level.
4.
Perbaikan Citra dengan Perataan Histogram
Tujuan dari perataan histogram adalah untuk memperoleh penyebaran histogram yang
merata, sedemikian sehingga setiap derajat keabuan memiliki jumlah piksel yang relatif
sama. Karena histogram menyatakan peluang piksel dengan derajat keabuan tertentu.
5.
Proses Filtering dengan Filter Gabor
Untuk melakukan segmentasi citra tekstur berdasarkan perulangan pola lokal pada
frekuensi dan orientasi tertentu digunakan metode Filter Gabor. Pemilihan Filter Gabor
sebagai filter dikarenakan kemampuannya dalam mensimulasikan karakteristik sistem
visual manusia dalam mengisolasi frekuensi dan orientasi citra.
Pada dasarnya, filter Gabor merupakan kelompok Wavelet yang digunakan untuk
mendapatkan distribusi energi pada frekuensi dan arah tertentu dari fitur lokal yang
digunakan untuk ekstraksi citra. Filter ini sudah digunakan secara luas untuk mengekstraksi
ciri tekstur citra dan terbukti sangat efisien (Zhang, et al, 2003). Proses Filter Gabor
disediakan dalam bentuk diagram alur dibawah ini, seperti pada Gambar 5.
Gambar 5 Alur Filter Gabor
a. Masukan Frekuensi dan Orientasi
Pada proses Filter Gabor dibutuhkan dua nilai masukan yaitu nilai frekuensi dan
orientasi. Frekuensi tengah ternormalisasi yang direkomendasikan adalah 0, 1, 2, 3, 4, 5 dan
6. Orientasi yang direkomendasikan dengan sudut 0˚, 30˚, 60˚, 90˚, 120˚, dan 150˚
(D.Clausi and M.Ed Jernigan 2000).
Awalnya penelitian yang dilakukan penulis menggunakan frekuensi 0 sampai 6, dan
orientasinya 0˚, 30˚, 45˚, 60˚, 90˚, 120˚, 150˚. Namun, nilai yang dihasilkan dari pasangan
parameter tersebut memiliki selisih nilai yang acak sehingga sulit didapat hasil yang
maksimal maka penulis membatasi parameter frekuensi dan orientasi menjadi tidak terlalu
banyak.
Untuk nilai masukan power (frekuensi ternormalisisasi) yang digunakan dalam
penulisan ini yaitu skala 0 sampai dengan 5, sedangkan orientasi yang digunakan adalah 0˚,
30˚, 60˚, dan 90˚. Yang memasukkan nilai tersebut adalah user. Nilai masukan pasangan
power dan orientasi digunakan untuk mendapatkan hasil yang optimal.
b. Proses Ekstraksi Fitur Tekstur Statistik
Proses ekstraksi fitur tekstur statistik dilakukan secara global yakni dengan
melakukan perhitungan fitur tekstur secara statistik pada citra secara keseluruhan.
Perhitungan fitur tesktur secara statistik didasarkan pada analisis statistik , yakni energy,
entropy, standar deviation, dan smoothness (Gonzales and Wintz, 1987; Gonzales and
Woods, 2002; Haralick, 1999). Diagram alur proses ekstraksi fitur tekstur statistik
ditunjukkan pada Gambar 6.
Gambar 6 Diagram Alur Tahap Ekstraksi Fitur Tekstur Statistik
c. Perhitungan Nilai Energi
Fungsi proses ini untuk menghitung energi suatu citra. Energy mengacu pada
homogenitas dari tekstur, jika nilai energi tinggi maka jumlah area yang homogen besar,
dan sebaliknya jika nilai energi rendah maka jumlah area yang homogen sedikit atau kecil.
∑
()
(3)
d. Perhitungan Nilai Entropy
Entropy digunakan untuk mengukur keragaman dari intensitas citra. Entropy yang
dihasilkan melalui wavelet dapat dipilih untuk menjadi ciri suatu citra. Entropy
menunjukkan ukuran ketidakteraturan bentuk. Nilai entropy besar untuk citra dengan
transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur
(bervariasi).
( )
∑
( )
( )
(4)
e. Perhitungan Nilai Standar Deviasi
Standar deviasi digunakan untuk mengukur rata-rata kontras dari intensitas citra.
∑
(
)
(5)
f. Perhitungan Nilai Smoothness
Smoothness untuk mengukur kehalusan relatif dari intensitas citra. Nilai R = 0 untuk
citra dengan intensitas yang konstan, sedangkan nilai R yang mendekati 1 untuk citra
dengan intensitas yang bertebaran. (Gonzales, et al, 2002)
(
)
6.
(6)
Proses Clustering K-Means
K-Means merupakan salah satu metode data clustering yang berusaha mempartisi
data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi
data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama
dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik
yang berbeda dikelompokkan ke dalam kelompok yang lain. Pada proses ini yang
dikelompokkan adalah warna. Perhitungan selisih jarak menggunakan Euclidean Distance
dilakukan setelah proses ekstraksi fitur tekstur statistik. Area yang similar akan
dikelompokkan sesuai cluster warna yang telah ditentukan. Warna untuk menglompokkan
hasil cluster diproses secara acak.
HASIL DAN PEMBAHASAN
a
b
Gambar 7 Citra serviks yang belum diproses
a : serviks normal, b : serviks abnormal
Tahap berikutnya transformasi grayscale, dimana citra berwarna akan diubah menjadi citra
keabuan. Gambar 8 akan ditampilkan citra hasil transformasi grayscale.
a
b
Gambar 8 Citra grayscale
a : Citra grayscale serviks normal, b : Citra grayscale serviks abnormal
Setelah proses grayscaling, selanjutnya adalah perbaikan citra dengan perataan histogram.
Tujuan dari perataan histogram adalah untuk memperoleh penyebaran histogram yang
merata, sedemikian sehingga setiap derajat keabuan memiliki jumlah pixel yang relatif
sama. Karena histogram menyatakan peluang piksel dengan derajat keabuan tertentu.
Gambar 9 menunjukkan citra transformasi grayscale yang sudah diratakan histogramnya.
a
b
Gambar 9 Citra setelah perataan Histogram
a : Citra serviks normal, b : Citra serviks abnormal
Tahap selanjutnya yaitu Filter Gabor, Filter Gabor merupakan salah satu filter yang mampu
mensimulasikan karakteristik sistem visual manusia dalam membedakan tekstur
berdasarkan atas kapabilitas untuk mengidentifikasikan berbagai frekuensi dan orientasi
spasial tekstur dari citra yang diamati. Pada penelitian ini, parameter yang digunakan
memiliki nilai frekuensi 5 dan orientasi 00. Gambar 10 merupakan citra hasil filter Gabor.
a
b
Gambar 10 Citra Filter Gabor
a: Citra serviks normal, b : Citra serviks abnormal
Tahap terakhir adalah pengelompokkan warna berdasarkan tekstur, tahap ini dikenal
sebutan clustering. Pada proses ini yang dikelompokkan adalah warna, warna tersebut
sebelumnya dihitung dengan metode Euclidean Distance. Area yang similar akan
dikelompokkan sesuai cluster warna yang telah ditentukan.
a
b
Gambar 11 Citra Hasil Clustering
a : Citra serviks normal, b : Citra serviks abnormal
1.
Hasil Ekstraksi Fitur Tekstur Statistik
Fitur tekstur statistik yang digunakan pada penulisan ini terdiri dari energi, entropy,
smoothness dan standard deviasi. Tabel 3 merupakan hasil perhitungan fitur tekstur
statistik dengan energi dan entropy. Selain energi dan entropy, perhitungan statistik yang
ditampilkan pada aplikasi adalah standar deviasi dan nilai smoothness. Nilai fitur tekstur
dihitung pada saat proses filter Gabor dilakukan, untuk memproses filter Gabor pasangan
nilai frekuensi dan orientasi harus dimasukkan terlebih dahulu. Input filter Gabor
merupakan pilihan yang bebas dipilih oleh user (choosen by user), pilihan masukan
berdasarkan enam parameter (D.Clausi and M.Ed Jernigan 2000) yang telah ditentukan
pada metode Filter Gabor.
Masukan yang diberikan pada penelitian ini menggunakan power (frekuensi
ternormalisasi) 0, 1, 2, 3, 4, 5 sedangkan orientasi 00, 300, 600 dan 900. Nilai energi dan
entropy yang ditampilkan pada tabel merupakan nilai yang akan dianalisis. Perhitungan
standar deviasi diproses kembali setelah semua nilai energi dan entropy diketahui. Hal ini
bertujuan untuk mengambil nilai terbesar agar frekuensi dan orientasi dapat digunakan
sebagai parameter analisis.
Tabel 3 Hasil Ekstraksi Fitur Statistik
Orientasi (0)
Nama File
Power Nilai
0
30
60
90
Normal_1.jpg
Energi
0.334266
0.307364
0.330938
0.310548
0
Entropy
7.44038
6.69665
6.69831
7.36408
1
0.206863 0.00666448 0.00667099 0.179586
7.6401
5.35185
5.35205
7.53025
2
0.00814706 0.00540196 0.00393918 0.00680577
5.31368
5.09616
4.88655
5.27383
3
0.0399718 0.0183646 0.0139678 0.0312337
6.54269
6.00726
5.80523
6.34138
4
0.327069
0.297636
0.298839
0.297861
7.97585
7.91445
7.91505
7.91146
5
0.330868
0.330809
0.33069
0.330629
7.99212
7.99235
7.99225
7.99211
Normal_2.jpg
0
1
2
3
4
5
Normal_3.jpg
0
1
2
3
4
5
Abnormal.jpg
0
1
2
3
4
5
Cervical_1.jpg
0
1
2
3
Energi
Entropy
0.311424
7.29691
0.180807
7.54155
0.0095005
5.24972
0.0324335
6.35015
0.297574
7.91584
0.329044
7.989
Energi
0.324481
Entropy
7.30563
0.213961
7.67056
0.00904572
5.48254
0.0245121
6.23657
0.319858
7.96042
0.328686
7.98363
Energi
0.320245
Entropy
7.62526
0.186972
7.59082
0.0100527
5.34531
0.0397188
6.52851
0.307524
7.93753
0.325085
7.9867
Energi
0.310609
Entropy
7.61842
0.181543
7.55604
0.00899417
5.42515
0.0408182
0.3079
6.63195
0.00353543
4.81784
0.00476653
4.85827
0.0245837
6.1356
0.32616
7.97613
0.328953
7.98524
0.306809
6.60497
0.00602801
5.24379
0.00241808
4.3164
0.0164957
5.93355
0.304137
7.9297
0.328706
7.98344
0.307476
6.99166
0.00517123
5.14335
0.00845936
5.51212
0.0309629
6.39146
0.324766
7.97571
0.324894
7.98685
0.306334
6.98912
0.00423437
5.05471
0.00888587
5.53987
0.0330978
0.30852
6.55262
0.00356151
4.82256
0.00512437
4.97407
0.0245033
6.12427
0.319336
7.96043
0.328926
7.98522
0.319424
6.75914
0.00604301
5.24719
0.00291278
4.43534
0.0189136
5.99716
0.307956
7.93725
0.328827
7.98338
0.317066
6.96582
0.00517254
5.14131
0.00717131
5.37134
0.0267305
6.2854
0.31876
7.96644
0.324699
7.98689
0.306278
7.03034
0.00396038
5.00577
0.00809976
5.4513
0.025418
0.310914
7.18405
0.180213
7.53856
0.00834466
5.21891
0.0324823
6.34306
0.297286
7.91226
0.328989
7.98526
0.310012
7.41828
0.180423
7.55635
0.00796787
5.28682
0.0336593
6.44024
0.309018
7.93383
0.328929
7.98355
0.310278
7.58798
0.180608
7.56575
0.00841995
5.33856
0.0380601
6.49419
0.30001
7.92154
0.324693
7.98705
0.309647
7.61221
0.178632
7.53536
0.00677458
5.3216
0.0357838
4
5
Cervical_2.jpg
0
Energi
Entropy
1
2
3
4
5
Cervical_3.jpg
0
Energi
Entropy
1
2
3
4
5
Cervical_4.jpg
0
Energi
Entropy
1
2
3
4
5
Cervical_5.jpg
0
Energi
Entropy
6.62217
0.301856
7.90547
0.326196
7.9725
0.329141
7.68023
0.19626
7.60422
0.00664323
5.16086
0.0443077
6.64496
0.33266
7.97722
0.324161
7.97758
0.308279
7.6004
0.179112
7.57036
0.00884454
5.17917
0.0391009
6.47987
0.0397739
6.50247
0.325857
7.9822
0.326853
7.60406
0.247688
7.78557
0.0108838
5.66337
0.0565669
6.84998
0.332153
7.97518
0.326915
7.97476
0.310964
7.46769
6.52809
6.32908
6.50397
0.304649
0.297403
0.311486
7.91985
7.90533
7.93015
0.326049
0.325775
0.325644
7.97263
7.97235
7.97184
0.332067
0.327245
0.332839
7.06018
7.13814
7.69869
0.00402642 0.00435585 0.204385
4.99651
5.0503
7.62798
0.0115166 0.0123842 0.00837492
5.72251
5.76224
5.45242
0.0435665 0.0361278 0.0450487
6.70351
6.57288
6.66293
0.321644
0.319476
0.33187
7.95902
7.95912
7.98043
0.323987
0.323837
0.323862
7.97751
7.97759
7.97768
0.306805
0.305493
0.329657
0.93025
6.90555
7.60835
0.00429371 0.004208
0.198122
4.95542
4.93683
7.62571
0.00697724 0.0086087 0.00775026
5.31553
5.49766
5.30319
0.0393473 0.0390623 0.0397739
6.53733
6.54834
6.50247
0.317945
0.31746
0.328453
7.9553
7.95895
7.97945
0.325723
0.325427
0.325263
7.98223
7.98219
7.98192
0.31801
0.319078
0.320955
6.95203
6.98024
7.58802
0.0067491 0.00704475 0.187141
5.37276
5.40496
7.58933
0.00730391 0.00583369 0.00813116
5.22319
5.119
5.40379
0.0269707 0.0322497 0.0411261
6.37389
6.51454
6.62947
0.324718
0.321303
0.310235
7.9622
7.95415
7.92971
0.327019
0.327089
0.327054
7.97466
7.97481
7.9749
0.305986
0.307497
0.311938
6.80756
6.77412
7.44188
1
2
3
4
5
Cervical_6.jpg
0
1
2
3
4
5
Cervicitis_1.jpg
0
1
2
3
4
5
Cervicitis_2.jpg
0
1
2
3
4
0.180154
7.55952
0.0106192
5.29621
0.0360184
6.66145
0.298392
7.90543
0.326305
7.97168
Energi
0.31081
Entropy
7.38671
0.181383
7.5712
0.0108347
5.297
0.0375802
6.4647
0.297903
7.91984
0.325573
7.98852
Energi
0.310519
Entropy
7.46936
0.178272
7.54432
0.00658655
5.09738
0.0354918
6.4558
0.330409
7.98317
0.328178
7.98647
Energi
0.310508
Entropy
7.34477
0.180281
7.54188
0.00704532
5.17512
0.0336407
6.40867
0.297816
0.00616387
5.25867
0.00549369
5.14128
0.0291676
6.32688
0.32594
7.96529
0.326126
7.97185
0.307624
6.74255
0.00718715
5.27513
0.0101715
5.44764
0.0360564
6.44569
0.318073
7.96325
0.325343
7.98823
0.317138
6.7776
0.0046925
5.06055
0.00390847
4.76498
0.0234817
6.18208
0.315192
7.95729
0.328104
7.9868
0.329796
6.71995
0.081921
5.46056
0.00767355
5.28332
0.0273495
6.29219
0.323462
0.00625623
5.2639
0.0062707
5.2233
0.0226101
6.17605
0.319262
7.95326
0.325832
7.97162
0.307591
6.75573
0.00766314
5.31759
0.012326
5.6166
0.0307612
6.34525
0.31973
7.96796
0.325026
7.98817
0.304006
6.75631
0.00468195
5.0592
0.00715772
5.26653
0.0212035
6.13108
0.314092
7.95533
0.328014
7.98714
0.307029
6.7025
0.00789781
5.43311
0.00872945
5.39029
0.0366804
6.51133
0.323964
0.188692
7.57202
0.00763832
5.26909
0.0457561
6.63837
0.327178
7.96725
0.325717
7.97106
0.310332
7.38123
0.17979
7.55512
0.00854416
5.23054
0.0342675
6.39942
0.297424
7.91479
0.324936
7.98826
0.32067
7.42572
0.186555
7.57524
0.00837326
5.31682
0.0358552
6.46971
0.332245
7.98938
0.327998
7.98723
0.332604
7.33394
0.23291
7.71879
0.00944157
5.42175
0.0466603
6.65705
0.329528
7.91074
7.96971
7.97054
7.97444
0.329175
0.329058
0.329078
0.329217
7.98442
7.98456
7.98457
7.98464
Chronic.jpg
0
Energi
0.310588
0.329335
0.307245
0.33295
Entropy
7.49105
6.83403
6.74847
7.44043
1
0.180537 0.00694248 0.00711863 0.213825
7.53389
5.40523
5.42184
7.63924
2
0.00796467 0.0067395 0.00500358 0.00696023
5.31352
5.32165
5.10998
5.29477
3
0.0348093
0.03277
0.0382299 0.0347342
6.46467
6.492
6.61481
6.46906
4
0.298529
0.320721
0.322447
0.33247
7.90709
7.9568
7.9615
7.97534
5
0.328584
0.32848
0.32842
0.328442
7.98233
7.98265
7.98246
7.98273
Ectopy.jpg
0
Energi
0.307678
0.310275
0.304735
0.332123
Entropy
7.2678
6.62455
6.57816
7.23251
1
0.179262 0.00304052 0.00275584 0.204732
7.54383
4.6849
4.61064
7.61675
2
0.00895212 0.00341815 0.00356965 0.00597486
5.12076
4.6522
4.70994
5.00844
3
0.0338803 0.0289325 0.0284617 0.0363324
6.37458
6.23929
6.27742
6.465
4
0.297821
0.328001
0.326664
0.330048
7.92322
7.97885
7.97869
7.98829
5
0.327959
0.327794
0.327532
0.327433
7.98708
7.98727
7.98722
7.98707
Tabel 3 merupakan nilai fitur energi dan entropy pada proses filter Gabor. Masingmasing citra serviks mempunyai nilai 48 nilai, nilai tersebut terdiri dari fitur energi dan
entropy. Setiap 1 citra memiliki 12 energi dan 12 entropy, yang didapat dari pasangan nilai
frekuensi dan orientasi. Kesimpulan yang dapat diambil dari keseluruhan nilai pada tabel
yaitu adanya nilai yang signifikan (bervariasi) pada pasangan frekuensi 5 dan orientasi 0 0,
300, 600, dan 900.
Tabel 4 merupakan nilai fitur energi, entropy, smoothness, standard deviasi dengan
parameter frekuensi 5 dan orientasi 00.
Tabel 4 Hasil Perhitungan dengan Parameter power 5, orientasi 00.
Nilai
Citra
Energi
Entropy
Smoothness
Std deviasi
Normal_1
0.330868
7.99212
0.076679
0.288179
Normal_2
0.329044
7.989
0.0760249
0.286845
Normal_3
0.328686
7.98363
0.076154
0.287152
Abnormal
0.325085
7.9867
0.0725013
0.279587
Cervical_1
0.326196
7.9725
0.0716773
0.27787
5
Cervical_2
Cervical_3
Cervical_4
Cervical_5
Cervical_6
Cervicitis_1
Cervicitis_2
Chronic
Ectopy
0.324161
0.325857
0.326915
0.326305
0.325573
0.328178
0.329175
0.328584
0.327959
7.97758
7.9822
7.97476
7.97168
7.98852
7.98647
7.98442
7.98233
7.98708
0.0705622
0.072285
0.0717444
0.0738578
0.0735603
0.0745556
0.0753558
0.0743728
0.0761595
0.275534
0.279137
0.27801
0.282396
0.281782
0.283834
0.285477
0.283458
0.28712
Citra Normal_1.jpg berdasarkan nilai pada tabel diatas mempunyai karakteristik nilai
energi paling besar. Hal ini menunjukkan bahwa tekstur pada citra Normal_1, halus. Nilai
smoothness Normal_1 mendekati nilai 1, nilai 0.076679 merupakan nilai terbesar dibanding
citra lainnya. Dilihat dari nilai yang diperoleh hasil perhitungan smoothness, tekstur pada
citra ini kasar. Nilai standard deviasi pada citra Normal_1 yaitu 0.288179, merupakan nilai
terbesar dibanding citra lain.
Citra Cervical_2.jpg berdasarkan Tabel 4.2 memiliki nilai energi terkecil, dengan nilai
0.324161. Hal ini menunjukkan bahwa citra bertekstur halus berdasarkan nilai energi,
namun hasil ini tidak sesuai dengan kondisi sebenarnya yang menunjukkan bahwa citra
tersebut seharusnya bertekstur kasar. Selain nilai energi, nilai smoothness dan standard
deviasi pada citra Cervical_2 juga memiliki nilai terkecil.
Pada penelitian ini akan dilakukan analisis untuk semua citra yang ada pada Tabel 4,
namun analisis untuk mengidentifikasi tekstur citra serviks dilihat berdasarkan nilai energi
dan entropy. Oleh karena itu, analisis akan dilakukan berdasarkan nilai energi dan entropy
untuk seluruh citra.
Tabel 5 Urutan Nilai Energi dari Citra Bertekstur Halus.
No
Nilai Energi
Citra
1
0.324161
Cervical_2
2
0.325085
Abnormal
3
0.325573
Cervical_6
4
0.325857
Cervical_3
5
0.326196
Cervical_1
6
0.326305
Cervical_5
7
0.326915
Cervical_4
8
0.327959
Ectopy
9
0.328178
Cervicitis_1
10 Chronic
0.328584
11 Normal_3
0.328686
12 Normal_2
0.329044
13 Cervicitis_2
0.329175
14 Normal_1
0.330868
Berdasarkan hasil pada Tabel 5 Cervical_2 memiliki nilai energi besar sehingga tekstur
dianggap halus. Dari hasil tersebut citra dinilai sebagai serviks normal. Dari sumber data
yang penulis dapat di situs GFMER citra dinyatakan positif terkena kanker serviks. Adanya
kesalahan analisa disebabkan karena faktor keterbatasan data citra. Citra serviks sulit
didapat karena data pasien kanker serviks bersifat rahasia. Data yang digunakan sebagai
bahan uji coba memiliki intensitas cahaya yang tidak sama dan jarak pengambilan objek
dari sudut (angle) yang berbeda. 3 citra normal jika dianalisis berdasarkan fitur energi maka
dianggap sebagai serviks abnormal. Sehingga keakuratan hasil yang diperoleh dari nilai
energi sebagai berikut :
Jumlah Data yang Digunakan : 14
Data Teridentifikasi Salah
:3
Data Teridentifikasi Benar : 11
 11 
Persentase    X 100%  78.57%
 14 
Selain dengan fitur energi, analisis dilakukan berdasarkan fitur entropy. Tabel 6 merupakan
nilai entropy seluruh citra yang telah diurutkan berdasarkan tekstur halus hingga tekstur
kasar. Nilai fitur entropy dimulai dari nilai terbesar hingga terkecil.
Tabel 6 Urutan Nilai Entropy dari Citra Bertekstur Halus.
No
Nilai Entropy
Citra
1
7.99212
Normal_1
2
7.989
Normal_2
3
7.98852
Cervical_6
4
7.98708
Ectopy
5
7.9867
Abnormal
6
7.98647
Cervicitis_1
7
7.98442
Cervicitis_2
8
7.9867
Normal_3
9
7.98264
Chronic
10 Cervical_3
7.9822
11 Cervical_2
7.97758
12 Cervical_4
7.97476
13 Cervical_1
7.9725
14 Cervical_5
7.97168
Berdasarkan hasil pada Tabel 6 citra Normal_1 dan Normal_2 memiliki nilai entropy besar
sehingga tekstur dianggap halus. Dari hasil tersebut citra dinilai sebagai serviks normal.
Dari sumber data yang penulis dapat di situs GFMER citra dinyatakan negatif terkena
kanker serviks atau dinyatakan normal. Identifikasi berdasarkan entropy memiliki hasil
yang sama dengan data referensi pada situs GFMER.
Citra Normal_3 dianggap abnormal karena faktor keterbatasan data citra. Data yang
digunakan sebagai bahan uji coba memiliki intensitas cahaya yang tidak sama dan jarak
pengambilan objek dari sudut (angle) yang berbeda. Citra Normal_3 jika dianalisis
berdasarkan fitur entropy maka dianggap sebagai serviks abnormal. Faktor jarak, cahaya,
posisi pengambilan gambar dan ukuran yang dapat memengaruhi nilai entropy sehingga
berdampak pada hasil tekstur.
Keakuratan hasil yang diperoleh dari nilai entropy sebagai berikut :
Jumlah Data yang Digunakan : 14
Data Teridentifikasi Salah
:1
Data Teridentifikasi Benar : 13
 13 
Persentase    X 100%  92.85%
 14 
KESIMPULAN
Penelitian dilakukan untuk mengidentifikasi citra serviks normal dan abnormal. Dari
serangkaian tahapan yang dilakukan, didapatkan hasil akhir berupa citra yang
dikelompokkan berdasarkan warna tekstur dan angka yang kemudian dianalisis. Proses
analisis tekstur citra serviks untuk menentukan jenis serviks tersebut apakah normal atau
abnormal. Nilai pada penelitian ini terdiri dari energi, entropy, smoothness, dan standar
deviasi. Dari keempat nilai yang dianalisis, nilai smoothness dan standar deviasi memiliki
hasil yang berbanding terbalik dengan teori. Sehingga nilai yang digunakan untuk tahap
analisis lebih lanjut adalah nilai fitur energi dan entropy. Persentase tingkat keberhasilan
analisis berdasarkan energi sebesar 78.57%, hal ini terjadi karena 3 citra negatif kanker
serviks dianggap abnormal. Persentase tingkat keberhasilan analisis berdasarkan entropy
sebesar 92.85%, hal ini terjadi karena 2 citra negatif kanker serviks terbukti normal dan 1
citra dianggap abnormal. Kesalahan identifikasi disebabkan karena faktor data yang
digunakan, penelitian ini menggunakan data citra yang belum maksimal seperti perbedaan
tingkat intesitas cahaya dan ukuran dimensi citra. Analisis identifikasi serviks normal dan
abnormal menggunakan metode Filter Gabor dan ekstraksi ciri tekstur statistik dilakukan
sebagai langkah awal deteksi dini kanker serviks.
DAFTAR PUSTAKA
[1]
[2]
[3]
Ajeng, Pambayun Di. 2010. “The Application of Gabor Filters As A Tool for Texture
Analysis of Mammograms Image”. Skripsi Jurusan Teknik Informatika. Universitas
Gunadarma. Depok.
Aldo Campana. 2011. Unaided Visual Inspection of the Cervix
Clinical
Downstaging
Picture
Atlas,
http://www.gfmer.ch/Books/Cervical_cancer_modules/Unaided_visual_inspection_atl
as.htm. 2011 .diakses 28 Mei 2011
Alexander, Bunga J. 2009. “Klasifikasi Citra dengan Metode Transformasi Wavelet
pada Lima Biji-Bijian”. Skripsi Jurusan Teknik Elektro. Universitas Diponegoro.
Semarang.
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
Al-Tayeche, Rami, And Ahmed, Khalil. 2003. CBIR: Content Based Image Retrieval.
Report Submitted in Partial Fulfillment of the Requirements of Engineering Project
Department of Systems and Computer Engineering Faculty of Engineering Carleton
University.
Anonim.
2007.
Kanker
:
Pertumbuhan,
Terapi
dan
Nanomedis,
http://www.nano.lipi.go.id/utama.cgi?artikel&1187593839, diakses 25 Juli 2011.
Anonim. 2009. “Stadium Kanker Leher Rahim”, http://www.kankersehat.com/, 2009,
diakses 28 Mei 2011.
Bertalya. 2010. “Materi Pengolahan Citra : Perataan Histogram”,
http://bertalya.staff.gunadarma.ac.id/Downloads/files/16166/histogram.pdf.
D. Clausi, M. Ed Jernigan. 2000 ”Designing Gabor filters for optimal texture
separability,” Pattern Recognition, vol. 33, pp. 1835-1849.
Ferlay J. Globocan. 2002. “Cancer incidence, mortality and prevalence worldwide”.
IARC Cancer Base No.5. Version 2.0. IARC Press, 2004. Lyon, France.
Gonzales, R. C. And P. Wintz. 2004. Digital Image Processing. Addison Wesley Pub.
Company. USA.
Gonzales, R. C. And Woods, R. E. 2002. Digital Image Processing, 2nd ed.,Prentice
Hall, Upper Saddle River, NJ.
Haralick, R. K. Shanmugam. 1998 "Feature Normalization and Likelihood-Based
Similarity Measures for Image Retrieval". in Pattern Recognition Letters, 22(5):563582
Karyanti, Yuli. 2010. “Pencarian Citra Berdasarkan Filter Lokal Tekstur”. Disertasi
Program Doktor Teknologi Informasi. Universitas Gunadarma. Depok.
Rinaldi, Munir. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.
Informatika Bandung. Bandung.
Rui, Y., Thomas, Huang And Ship-Fu, Chang, 1999. “Image Retrieval: Current
Techniques Promising Directions, And Open Issues”. Journal of Visual
Communication and Image Representation 10.39-62.
Seo, Naotoshi. 2006. “Texture Segmentation using Gabor Filters”. ENEE731 Project
1.
Tuceryan, M. And Anil, K. Jain. 1999. Texture Analysis, The Handbook of Pattern
Recognition and Computer Vision (2nd Edition), by C. H. Chen, L. F. Pau,
P.S.P.Wang (eds), pp. 207-248, Word Scientific Publishing Co.
Wang. 2001. Integrated Region Based Image Retrieval. Boston, Kluwer Academic
Publisher.
Zhang, Dengsheng, Ayliwin Wong, Maria Indrawan, Guojun Lu. 2003. ContentBased Image Retrieval Using Gabor Texture Features. Gippsland School of
Computing and Infromation Technology. Monash University Churchill. Victoria.
Australia.
Zhen, Zhou Wang And YuMing, Zhang. 2009. “Brightness-Based Selection and Edge
Detection-Based EnhancementSeparation Algorithm for Low-Rosolution Metal
Transfer Image”. IEEE Transactions on Automatic Science and Engineering, Vol:6
(1) 181-187.