ear biometric dengan metode ekstraksi fitur geometrical

SEGMENTASI ENDAPAN URIN PADA CITRA MIKROSKOPIK BERBASIS WAVELET
Miftahus Sholihin, Agus Zainal Arifin, Anny Yuniarti
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia
digunakan dalam melakukan proses segmentasi
tersebut masih terdapat kelemahan baik secara
komputasi maupun secara hasil. Hal ini juga
dipengaruhi oleh citra urin itu sendiri, dimana citra
urin tersebut memiliki beberapa karakteristik antara
lain mempunyai tepi yang tidak jelas, memiliki
susunan partikel yang sangat komplek serta memiliki
kontras untuk tiap-tiap elemen sangat rendah.
Abstrak
Segmentasi terhadap endapan urin sangat
penting dalam melakukan diagnosis terhadap
jenis penyakit yang berhubungan dengan urin.
Dalam melakukan proses segmentasi endapan
urin dibutuhkan suatu metode yang dapat
melakukan proses segmentasi secara efisien dan
efektif, sehingga dapat membantu dunia medis
dalam melakukan diagnosis terhadap penyakit.
Segmentasi berbasis wavelet ini memiliki
beberapa langkah proses. Pertama dilakukan
pre-processing,
selanjutnya
melakukan
transformasi wavelet yang diikuti dengan operasi
morfologi, kemudian dilakukan pemrosesan
terhadap tiap-tiap region, langkah terakhir yang
dilakukan adalah menghilangkan overlapped
region. Langkah-langkah tersebut bertujuan
untuk mengetahui elemen-elemen urin yang
terdiri dari sel darah merah, sel darah putih, dan
epitelium. Penentuan nilai minimum sangat
berpengaruh terhadap hasil dari proses
segmentasi. Jika nilai minimum yang digunakan
terlalu
kecil
dapat
mengakibatkan
oversegmentation. Berdasarkan hasil ujicoba,
nilai minimum untuk sel darah merah yang
cukup optimal adalah 100 dengan rata-rata
akurasi 48.6%, sedangkan nilai minimum untuk
sel darah putih dan epithelium yang cukup
optimal adalah 300 dan 1500 dengan rata-rata
akurasi 37.88% dan 71.42%.
Oleh karena itu dalam tugas akhir ini metode yang
digunakan untuk menyelesaikan masalah segmentasi
endapan urin pada citra mikroskopik dengan
menggunakan metode berbasis wavelet. Tahapantahapan yang digunakan untuk menyelesaikan
masalah tersebut adalah sebagai berikut : transformasi
wavelet dan morfologi digunakan untuk mengatasi
masalah defocusing terhadap citra urin, edge detection
dan adaptive threshold digunakan untuk mengatasi
masalah citra yang memiliki tepi yang tidak jelas serta
watershed algorithm yang digunakan untuk mengatasi
masalah overlapping terhadap citra.
Tujuan dalam pembuatan Tugas Akhir ini adalah
untuk melakukan proses segmentasi endapan urin
pada citra mikroskopik berbasis wavelet. Dengan
adanya metode segmentasi tersebut diharapkan dapat
membantu dunia medis dalam melakukan proses
diagnosis terhadap penyakit yang berhubungan
dengan urin.
2. Metode Wavelet
Wavelet adalah fungsi matematika yang memotongmotong data menjadi sekumpulan frekuensi yang
berbeda, sehingga masing-masing komponen tersebut
dapat dipelajari dengan menggunakan skala resolusi
yang berbeda.
1. Pendahuluan
Deteksi terhadap endapan urin sangat penting dalam
membantu proses diagnosis terhadap suatu jenis
penyakit seperti radang pada ginjal, radang pada
saluran kencing serta radang pada kandung kemih.
Dalam melakukan proses segmentasi terhadap
endapan urin tersebut dibutuhkan suatu metode yang
mampu melakukan proses segmentasi secara efektif
dan efisien, sehingga diharapkan dapat membantu
dunia medis dalam melakukan deteksi penyakit yang
berkaitan dengan urin.
3.
Transformasi Wavelet Diskrit (Discrate
Wavelet Transform)
Transformasi wavelet diskrit secara umum merupakan
dekomposisi citra pada frekuensi subband citra
tersebut dimana komponennya dihasilkan dengan cara
penurunan
level
dekomposisi.
Implementasi
transformasi wavelet diskrit dapat dilakukan dengan
cara melewatkan sinyal frekuensi tinggi atau highpass
filter dan frekuensi rendah atau lowpass filter.
Gambar 1 adalah gambar dari transformasi wavelet
diskrit dua dimensi dengan level dekomposisi satu.
Sampai saat ini banyak sekali metode-metode yang
digunakan untuk melakukan proses segmentasi
terhadap endapan urin tersebut. Metode-metode
tersebut antara lain clustering, edge detection, region
extraxtion, thresholding. Metode-metode yang
Suatu citra jika dilakukan proses transformasi wavelet
diskrit dua dimensi dengan level dekomposisi satu,
maka akan menghasilkan empat buah subband, yaitu :
1




Koefisien Approksimasi (CA j+1)
subband LL.
Koefisien Detil Horisontal (CD(h) j+1)
subband HL.
Koefisien Detil Vertikal (CD(v) j+1)
subband LH.
Koefisien Detil Diagonal (CD(d) j+1)
subband HH.
Reconstruction). Cara kerja dari DWT balik dapat
dilihat pada Gambar 2.
atau
atau
atau
atau
Dengan Level Dekomposisi 1 subband hasil dari
dekomposisi dapat didekomposisi lagi karena level
dekomposisi wavelet bernilai dari 1 sampai n atau
disebut juga transformasi wavelet multilevel. Jika
dilakukan dekomposisi lagi, maka subband LL yang
akan didekomposisi karena subband LL berisi
sebagian besar dari informasi citra. Jika dilakukan
dekomposisi dengan level dekomposisi dua maka
subband LL akan menghasilkan empat buah subband
baru, yaitu subband LL2 (Koefisien Approksimasi 2),
HL2 (Koefisien Detil Horisontal 2), LH2 (Koefisien
Detil Vertikal 2), dan HH2 (Koefisien Detil Diagonal
2).
Gambar 2 Proses Rekonstruksi Wavlet Dua Dimensi
5. Morphology Image Processing
Operasi morfologi adalah teknik pengolahan citra
digital yang didasarkan pada bentuk segmen atau
region dalam citra. Konsep yang dipakai dalam
operasi morfologi adalah konsep himpunan. Dalam
operasi morfologi dikenal dengan adanya struktur
elemen. Dengan mengatur atau memilih ukuran dan
bentuk dari struktur elemen yang digunakan maka
dapat mengatur sensivitas operasi morfologi terhadap
bentuk tertentu pada citra masukan. Operasi morfologi
tersebut antara lain adalah dilasi, erosi, dan filling.
Dilasi adalah sebuah operasi morfologi yang dapat
“memperbesar” atau “mengentalkan” objek dari
sebuah citra. Jumlah piksel yang ditambahkan
tergantung dari struktur elemen yang digunakan untuk
memproses suatu citra. Misal terdapat dua himpunan
A dan B pada ruang Z2, operasi dilasi A oleh struktur
elemen B dilambangkan dengan 𝐴 ⊕ 𝐵. Dilasi dapat
didefinisikan sebagai persamaan berikut :
Gambar 1 Proses Dekomposisi Wavelet Dua Dimensi
𝐴 + 𝐵 = 𝑧 (𝐵)𝑧 ∩ 𝐴 ≠ ∅ }.
4.
Inverse Discrete Wavelet Transform (IDWT)
Dua Dimensi
Inverse Discrete Wavelet Transform (IDWT)
merupakan kebalikan dari discrate wavelet transform
( DWT). Pada tahap ini dilakukan proses rekonstruksi
dengan arah yang berlawanan dari proses sebelumnya.
Yaitu dengan proses up-sampling dan pem-filter-an
dengan koefisien-koefisien filter balik. Proses upsampling dilakukan dengan mengembalikan dan
menggabungkan sinyal seperti semula. Proses ini
dilakukan dengan menyisipkan sebuah kolom
berharga nol di antara setiap kolom dan melakukan
konvolusi pada setiap baris dengan filter satu dimensi.
Hal yang sama dilakukan dengan menyisipkan sebuah
baris nol di antara setiap baris dan melakukan
konvolusi pada setiap kolom dengan filter yang
lainnya. Filter yang digunakan pada transformasi
balik (rekonstruksi) ini adalah filter yang mempunyai
hubungan khusus terhadap filter pada sisi
dekomposisi yaitu filter Lo_R (Low Pass Filter
reconstruction) dan Hi_R (High Pass Filter
(1)
Erosi adalah sebuah operasi morfologi yang dapat
“menyusutkan” atau “menguruskan” objek dari
sebuah citra. seperti pada proses dilasi “penusutan”
atau “pengurusan” juga dipengaruhi dengan struktur
elemennya. Misal terdapat dua himpunan A dan B
pada ruang Z2, operasi dilasi A oleh struktur elemen B
dilambangkan dengan 𝐴𝛩𝐵 . Erosi dapat didefinisikan
sebagai persamaan berikut :
𝐴𝛩𝐵 = {𝑧 |(𝐵)𝑧 ∈ 𝐴} .
(2)
6. Canny Edge Detection
Deteksi tepi (Edge Detection) pada suatu citra adalah
suatu proses yang menghasilkan tepi-tepi dari obyekobyek citra, tujuan dari deteksi tepi adalah untuk
menandai bagian yang menjadi detail dari citra dan
juga untuk memperbaiki detail citra yang kabur, yang
terjadi karena error atau adanya efek akuisisi terhadap
citra. Suatu titik dapat dipandang sebagai tepi dari
suatu citra jika titik tersebut memiliki perbedaan yang
tinggi dengan tetangganya.
2
Gambar 3 Blok Diagram Sistem
Algoritma deteksi tepi Canny dikenal sebagai
algoritma yang optimal dalam melakukan proses
pendeteksian terhadap tepi. Untuk meningkatkan
metode-metode yang telah ada dalam pendeteksian
tepi, algoritma deteksi tepi canny mengikuti kriteriakriteria sebagai berikut :
 Tingkat error yang rendah. Error terjadi bila
ada tepi yang penting tetapi tepi tersebut
tidak muncul atau sebaliknya
 Titik edge pada suatu citra akan tepat
terdeteksi, dengan kata lain jarak antara edge
piksel sudah terdeteksi dan edge yang
sebenarnya (actual edge) adalah yang paling
minimum.
 Merespon atau menghasilkan satu edge saja,
ini sudah diimplementasikan karena dua dari
kriteria penting yang disebutkan masih
belum cukup untuk mengeleminasi nilai
kemungkinan dari edge.
Untuk melakukan proses segmentasi endapan
urin pada citra mikroskopik berbasis wavelet,
berikut ini adalah diagram alir dari proses blok
segmentasi berbasis wavelet, pemrosesan tiaptiap region, dan menghilangkan overlapped
region.

Segmentasi berbasis wavelet.
Mulai
Masukan
Citra Urin
Rubah ke Grayscale
Berdasarkan kriteria-kriteria diatas, metode deteksi
tepi Canny bisa dijelaskan sebagai berikut :
1. Pertama-tama dilakukan proses penghalusan
(smoothing) citra untuk menghilangkan noise
dengan menggunakan Gaussian filter.
2. Local gradient 𝑔 𝑥, 𝑦 = [𝐺𝑥2 + 𝐺𝑦2 ]1/2 , dan
arah tepi 𝑎 𝑥, 𝑦 = 𝑡𝑎𝑛 −1 (𝐺𝑦 /𝐺𝑥 ), dihitung
pada tiap-tiap titik. Titik tepi didefinisikan
sebagai titik yang mempunyai local
maximum pada arah gradient
3. Titik yang telah ditentukan pada langkah (2)
memberikan kenaikan pada bukit citra.
Aloritma ini kemudian menelusuri titik
sepanjang bukit sampai pada puncaknya dan
memberikan nilai 0 pada piksel yang tidak
berada pada puncak bukit untuk memberikan
output berupa garis tipis. Proses ini dikenal
sebagai nonmaximal suppression. Pikselpiksel pada bukit kemudian disegmentasi
dengan menggunakan dua threshold, T1 dan
T2 dimana T1 < T2. Piksel dengan nilai lebih
besar dari pada T2 maka dikatakan sebagai
tepi yang tebal. Sedangkan nilai piksel di
antara T1 dan T2 disebut tepi yang tipis.
Dekomposisi Wavelet
Daubechies 9/7
Rekronstruksi Citra
Gaussian Filtering
Operasi Morfologi
Selesai
Gambar 4 Diagram Alir Segmentasi Berbasis Wavelet
7. Desain Sistem
Gambar 3 adalah desain blok diagram yang
merupakan gambaran umum dari proses segmentasi
berbasis wavelet.
3


Pemrosesan tiap-tiap region.
Setting nilai minimum 200, dimana besarnya
sel darah merah 200 sampai 300, sel darah
putih besarnya 301 sampai 1500, dan
epielium besarnya > 1500.
1. Ujicoba pada citra urin
Pada awal proses dilakukan pengambilan citra urin.
Citra urin tersebut menurut dokter Komang dan
dokter Ita terdiri dari sel darah merah yang berjumlah
11 dan sel darah putih berjumlah 9, dan epitelium 0.
Citra urin tersebut kemudian dilakukan proses
perubahan dari bentuk RGB ke bentuk grayscale.
Kemudian dilakukan proses transformasi wavelet
yang diikuti dengan operasi morfologi. Operasi ini
bertujuan untuk mengatasi masalah defocusing
terhadap citra urin. Setelah itu dilakukan proses
pengambilan nilai dari masing-masing region yang
ada. Nilai ini digunakan untuk menentukan apakah
region tersebut masuk sebagai sel darah merah, sel
darah putih atau sebagai epithelium. Besarnya nilai sel
darah merah berkisa antara 100 sampai dengan 300.
Sedangkan untuk sel darah putih besarnya berkisar
antara 301 sampai dengan 1500, sedangkan untuk
epithelium besarnya diatas 1500. Langkah terakir
yang dilakukan adalah dengan menggunakan
algoritma watershed. Langkah ini dilakukan dengan
tujuan untuk mengatasi masalah overlapping terhadap
citra sehingga akan dihasilkan hasil segmentasi yang
bagus dan akurat.
Gambar 5 Diagram Alir Pemrosesan Tiap-Tiap Region
8. Lingkungan Ujicoba
Lingkungan uji coba yang meliputi perangkat lunak
dan perangkat keras yang digunakan. Perangkat lunak
diimplementasikan dengan menggunakan MATLAB
7.04, karena kemudahan penggunaannya untuk
keperluan pengolahan citra digital.
Adapun
implementasi dari tugas akhir ini dilakukan dalam
lingkungan perangkat keras dengan spesifikasi
prosesor intel core 2 duo 2.0 GHz dengan RAM 2 GB
DDR2. Perangkat lunak ini dibangun pada system
operasi Microsoft Windows Vista Home Edition
dengan menggunakan Matlab 7.04.
9. Ujicoba
Tujuan dari ujicoba ini adalah untuk membuktikan
tingkat akurasi dari aplikasi yang dibuat dibandingkan
dengan pengamatan dokter spesialis urin. Skenario
yang dilakukan dalam proses ujicoba ini adalah
sebagai berikut :
 Memasukan citra urin kedalam sistem.
 Setting nilai minimum 100, dimana besarnya
sel darah merah 100 sampai 300, sel darah
putih besarnya 301 sampai 1500, dan
epielium besarnya > 1500.
 Setting nilai minimum 150, dimana besarnya
sel darah merah 150 sampai 300, sel darah
putih besarnya 301 sampai 1500, dan
epielium besarnya > 1500.
Gambar 6 Citra Masukan Ujicoba 1
4
Gambar 8 Citra Masukan Ujicoba 2
Gambar 7 Hasil Segmentasi Ujicoba 1
Gambar 7 adalah hasil dari proses segmentasi dari
citra masukan. Dari Gambar 7 terlihat bahwa objek
dan beckground sudah dibedakan. Warna putih adalah
objek dari elemen-elemen yang terdapat pada urin
sedangkan untuk warna hitam menunjukan sebagai
background. Objek tersebut dikatakan sebagai sel
darah merah, sel darah putih atau epithelium
didasarkan pada luas dari masing-masing region.
Untuk region yang paling kecil dikatakan sebagai sel
darah merah, sedangkan untuk sel darah putih lebih
besar dari sel darah merah, namun demikian tidak
selamanya sel darah putih lebih besar dari sel darah
merah. Hal ini dapat mengakibatkan kesalahan dalam
proses segmentasi. Untuk epithelium memiliki luas
yang paling besar bila daibandingkan dengan sel
darah merah atau sel darah putih.
Gambar 9 adalah hasil dari proses segmentasi dari
citra masukan. Dari Gambar 9 terlihat bahwa objek
dan beckground sudah dibedakan. Warna putih adalah
objek dari elemen-elemen yang terdapat pada urin
sedangkan untuk warna hitam menunjukan sebagai
background. Objek tersebut dikatakan sebagai sel
darah merah, sel darah putih atau epithelium
didasarkan pada luas dari masing-masing region.
Untuk region yang paling kecil dikatakan sebagai sel
darah merah, sedangkan untuk sel darah putih lebih
besar dari sel darah merah, namun demikian tidak
selamanya sel darah putih lebih besar dari sel darah
merah. Hal ini dapat mengakibatkan kesalahan dalam
proses segmentasi. Untuk epithelium memiliki luas
yang paling besar bila daibandingkan dengan sel
darah merah atau sel darah putih.
2. Ujicoba pada citra urin
Pada awal proses dilakukan pengambilan citra urin.
Citra urin tersebut menurut dokter Komang dan
dokter Ita terdiri dari sel darah merah yang berjumlah
17 dan sel darah putih berjumlah 8, dan epitelium 0.
Citra urin tersebut kemudian dilakukan proses
perubahan dari bentuk RGB ke bentuk grayscale.
Kemudian dilakukan proses transformasi wavelet
yang diikuti dengan operasi morfologi. Operasi ini
bertujuan untuk mengatasi masalah defocusing
terhadap citra urin. Setelah itu dilakukan proses
pengambilan nilai dari masing-masing region yang
ada. Nilai ini digunakan untuk menentukan apakah
region tersebut masuk sebagai sel darah merah, sel
darah putih atau sebagai epithelium. Besarnya nilai sel
darah merah berkisa antara 100 sampai dengan 300.
Sedangkan untuk sel darah putih besarnya berkisar
antara 301 sampai dengan 1500, sedangkan untuk
epithelium besarnya diatas 1500. Langkah terakir
yang dilakukan adalah dengan menggunakan
algoritma watershed. Langkah ini dilakukan dengan
tujuan untuk mengatasi masalah overlapping terhadap
citra sehingga akan dihasilkan hasil segmentasi yang
bagus dan akurat.
Gambar 9 Hasil Segmentasi Ujicoba 2
10. Pembahasan
Aplikasi yang dibuat ini bertujuan untuk melakukan
proses segmentasi terhadap endapan urin dan juga
untuk mengetahui elemen-elemen apa saja yang ada
pada urin tersebut. Proses untuk mengetahui jenis
elemen penyusun urin tersebut hanya didasarkan pada
ukurannya saja. Data yang digunakan sebagai data
masukan dalam aplikasi ini adalah data citra urin yang
berasal dari College of Communication Engineering,
Chongqing University, China.
5
Pada aplikasi ini langkah awal dari proses pengujian
adalah dengan menjalankan aplikasi yang telah dibuat,
kemudian memasukan citra urin yang ingin diproses
sebagai masukan dari aplikasi. Setelah citra urin
dimasukan langkah selanjutnya adalah dengan
melakukan perubahan citra dari RGB ke grayscale.
Kemudian dilakukan proses transformasi wavelet.
Alasan penggunaan transformsi wavelet ini adalah
karena kemampuan wavelet dalam membedakan
frekuensi yang beragam dan dapat mempertahankan
tiap detil sinyal pada level yang berbeda-beda. Pada
objek seperti citra, wavelet secara umum melakukan
proses dekomposisi sinyal menjadi dua bagian yaitu
sinyal berfrekuensi rendah dan sinyal berfrekuensi
tinggi. Pada citra berfrekuensi rendah merupakan
komponen global yang terdapat pada citra, sedangkan
untuk sinyal frekuensi tinggi berisikan bagian-bagian
kecil dari sebuah citra atau disebut sebagai detil citra.
Dalam kandungan urin terdiri dari beberapa elemen
antara lain sel darah merah, sel darah putih, dan
epithelium. Kandungan urin tersebut memiliki ukuran
dan bentuk yang berbeda-beda. Sel darah merah
merupakan elemen yang memiliki ukuran paling kecil,
sedangkan sel darah putih ukuranya lebih besar dari
sel darah merah, sedangkan untuk epithelium
memiliki ukuran yang paling besar bila dibandingkan
dengan sel darah merah dan juga sel darah putih.
Dalam melakukan proses segmentasi ini untuk
menentukan jenis elemen dalam urin dilihat dari aspek
ukuran urin tersebut.
2.
3.
4.
5.
6.
Dalam tugas akhir ini penentuan suatu region
dikatakan sebagai sel darah merah, sel darah putih,
dan epithelium hanya melihat dari ukuran region
tersebut. Sehingga dapat mengakibatkan kesalahan
dalam melakukan segmentasi. Hal ini dapat
dipengaruhi oleh beberapa faktor anatara lain
besarnya ukuran sel darah putih tidak selamanya lebih
kecil dari sel darah merah begitu pula sebaliknya,
dalam proses penentuan region termasuk sel darah
merah, sel darah putih, dan epitelium tidak hanya
dilihat dari segi ukurannya saja, akan tetapi harus
dilihat dari bentuk, warna, morfologi, dan juga sel
penyusunnya. Berdasarkan hasil ujicoba, nilai
minimum untuk sel darah merah yang cukup optimal
adalah 100 dengan rata-rata akurasi
48.6%,
sedangkan nilai minimum untuk sel darah putih dan
epithelium yang cukup optimal adalah 300 dan 1500
dengan rata-rata akurasi 37.88% dan 71.42%.
diikuti dengan operasi morfologi yang
dapat menghasilkan citra yang focus.
Pemilihan nilai minimum dan nilai
maksimum sangat berpengaruh terhadap
hasil dari segmentasi. Jika nilai minimum
terlalu
kecil
akan
mengakibatkan
oversegmentasi dan jika nilai minimum
yang digunakan terlalu besar maka akan
mengakibatkan miss segmentasi.
Ukuran sel darah merah, sel darah putih,
dan epithelium berbeda-beda untuk tiaptiap citra. Hal ini dapat mengakibatkan
kesalahan dalam proses segmentasi.
Berdasarkan ujicoba yang dilakukan nilai
minimum untuk sel darah merah yang
cukup optimal adalah 100 dengan rata-rata
akurasi 48.6%, sedangkan nilai minimum
untuk sel darah putih dan epithelium yang
cukup optimal adalah 300 dan 1500
dengan rata-rata akurasi 37.88% dan
71.42%.
Penggunaan metode deteksi tepid an
adaptive threshold dapat membantu
mengatasi masalah segmentasi terhadap
citra yang memiliki tepi yang kurang jelas.
Penggunaan algoritma watershed dapat
membantu dalam mengatasi masalah
overlapping terhadap region, akan tetapi
metode yang digunakan tersebut juga
masih memiliki kelemahan, karena dapat
mengakibatkan oversegmentasi.
5.2. Saran
1. Aplikasi ini dapat disempurnakan lagi
dalam melakukan proses segmentasi
dengan cara melakukan pengamatan
terhadap bentuk morfologi dari urin
tersebut.
Sehingga
dalam
proses
segmentasi didasarkan pada bentuk,
ukuran, dan kerapatan dari sel penyusun
urin tersebut.
2. Untuk mendapatkan hasil yang bak
hendaknya melakukan perbaikan metode
yang dapat mengatasi masalah overlapped
terhadap region
11. Kesimpulan
Daftar Pustaka
Dari hasil ujicoba dan pembahasan dari tugas
akhir, penulis menarik beberapa kesimpulan
sebagai berikut :
1. Penggunaan transformasi wavelet untuk
mengatasi masalah defocusing terhadap
citra
dilakukan
dengan
cara
mendekomposisi citra dan melakukan
rekonstruksi kembali terhadap citra yang
[1]
[2]
[3]
6
R.C. Gonzales dan R.E. Woods, Digital Image
Processing, 2nd ed. Upper Saddle River, NJ:
Prentice-Hall, 2002.
R.C. Gonzales, R.E. Woods dan Steven
L.Eddins, Digital Image Processing Using
Matlab®, 2nd ed. Upper Saddle River, NJ:
Prentice-Hall, 2004.
http://www.ittelkom.ac.id/library/index.php
[4]
[5]
[6]
[7]
[8]
terakir di akses : 27 desember 2009.
http://aseppopy.net/kesehatan/sekilas-tentangurin.
terakir di kases : 01 januari 2010.
MATLAB 7.04 Help and Documentation.
Y.-K. Sun, Wavelet Analysis and Application,
vol. 3(1), China Machine Press, 2005.
Yong-Ming Li ∗, Xiao-Ping Zeng, A new
strategy for urinary sediment segmentation
based on wavelet, morphology and
combination
method,
College
of
Communication Engineering, Chongqing
University, Chongqing 400044, China.
B.-G. Kim, J.-I. Shim, D.-J. Park, Fast image
segmentation based on multi-resolution
analysis and wavelets, Pattern Recognit. Lett.
24 (2003) 2995–3006.
7