segementasi citra x-ray thorax penderita

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014
ISSN : 2356-0010
SEGEMENTASI CITRA X-RAY THORAX PENDERITA
TUBERKULOSIS BERBASIS KULSTERING DENGAN
METODE FUZZY C-MEANS
Julius Santony, S.Kom, M.Kom, Fakultas Ilmu Komputer,
Universitas Putra Indonesia YPTK Padang
e-mail : [email protected]
Abstrak - Untuk mendeteksi TB pada paru tersebut salah satunya dapat dilakukan dengan
pemeriksaan hasil x-ray thorax. Pemeriksaan x-ray untuk paru- paru sering nampak kabur, kurang
kontras, dan tidak jelas,. Untuk meghasilkan citra thorax yang bagus dari hasil x-ray maka dapat
dilakukan dengan pengolahan citra digital dengan proses segmentasinya berbasis klustering yaitu
Fuzzy C-Means. Metode segmentasi berbasis klustering Fuzzy C-Means ini dapat melakukan
pengelompokan berdasarkan perbedaan nilai piksel dari suatu citra paru, sehingga dapat diketahui
batas antara bagian paru-paru yang terkena kuman TB dan bagian paru-paru yang sehat. Sistem yang
dirancang diverifikasi untuk 30 X-ray thorax penderita tuberkulosis. Setelah dilakukan pengolahan ke
30 citra X-ray thorax tersebut terlihat bagian yang terkena kuman tuberkulosis terlihat lebih cerah dari
citra aslinya dengan tingkat akurasi 85,83%. Sedangkan sisanya yaitu 14.17% perbedaan antara citra
yang asli dengan citra hasil pengolahan tidak terlihat jelas.
Kata Kunci : tuberkulosis, x-ray thorax, segmentasi, klustering, Fuzzy C-Means.
PENDAHULUAN
Tuberkulosis (TB) merupakan salah
satu penyakit yang telah lama dikenal dan
sampai saat ini masih menjadi penyebab
utama kematian di dunia. Prevalensi TB di
Indonesia dan negara- negara sedang
berkembang lainnya cukup tinggi. Pada tahun
2006, kasus baru di Indonesia berjumlah
>600.000 dan sebagian besar diderita oleh
masyarakat yang berada dalam usia produktif
(15-55 tahun) (Saptawati L., et al, 2012).
Salah satu bagian tubuh yang dapat diserang
oleh tuberkulosis adalah bagian paru-paru,
yang dikenal dengan TB paru. Salah satu cara
untuk mendeteksi tuberkulosis pada paru-paru
tersebut adalah dengan photo x-ray thorax
yang hasilnya dapat disimpan dalam bentuk
soft copy yaitu dalam bentuk file .jpg.
Teknologi yang digunakan yaitu Computer
Radiography (CR) yaitu suatu sistem dengan
proses mengubah sistem analog pada
konvensional radiografi menjadi digital
radiografi. Photo yang dihasilkan setelah
diamati oleh beberapa pengamat dapat
menghasilkan pembacaan yang berbeda-beda,
hal ini disebabkan karena kualitas dari hasil
photo yang tidak bagus. Untuk mengatasi
masalah tersebut digunakan pengolahan citra
segmentasi berbasis klustering Fuzzy CMeansuntuk meningkatkan dan memperbaiki
mutu citra sehingga dapat dibedakan dengan
jelas antara objek yang sehat dan yang
terdapat
Tuberkulosisnya.
Dengan
pengolahan citra tersebut, maka hasil
pemeriksaan x-ray langsung bisa dianalisis
Segmentasi Citra X-Ray . . .
dengan cepat dan akurat meskipun suatu citra
diamati oleh beberapa pengamat.
Penelitian
yang
telah
pernah
dilakukan terkait dengan citra paru-paru
diantaranya adalah segmentasi citra paru-paru
dengan menggunakan metode active countour
(Widodo S., 2011), klasifikasi citra paru-paru
dengan ekstrasi fitur histogram dan jaringan
syaraf tiruan back propagation (Bisri H.,
2013), klasifikasi citra paru-paru dengan
teknik
computed
tomography
images
(Bhuvaneswari C., 2014), segmentasi citra
paru-paru dengan metode wathershed-based
segmentation (Le K., 2011), segmentasi tepi
citra CT scan paru-paru menggunakan metode
chain code dan operasi morfologi (Masfran, et
al, 2012),
Sistem
Computer Assisted
Diagnosis (CAD) dengan metode ekstraksi
untuk mengambil keputusan yang tepat dan
meningkatkan akurasi fitur tumor jinak dan
ganas paru-paru dari citra X – ray (Lingayat
NS., et al, 2013), ) desain dan pengembangan
sistem paru dalam mendiagnosis tuberkulosis
dengan menggunakan teknik pengolahan citra
dan jaringan syaraf tiruan pada Matlab
(Chandrika V., et al, 2013)
METODE PENELITIAN
Untuk mendapatkan objective image
penyakit tuberkulosis pada paru-paru dengan
metode segmentasi berbasis clustering Fuzzy
C-Means
dan maka dilakukan tahapan
penelitian seperti berikut:
a. Tahap pra pengolahan
1) Citra asli
40
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014
2) Berdasarkan
citra
asli
dilakukan proses Grayscale
yang terdiri dari :
a) Grayscale Normal
b) Gray Matter (GM)
c) White Matter (WM)
d) Cerebropinal Fluid (CSF)
3) Filter Gaussian
b. Tahapan Pengolahan data
1) Input data yang telah melalui
proses
pra-pengolahan
(tahapan 1),2), dan 3)
2) Segmentasi
Berbasis
Clustering Fuzzy C-Means
Fuzzy C-means cluster pertama kali
dikemukakan oleh Dunn pada tahun 1973 dan
kemudian dikembangkan oleh Bezdek pada
tahun 1981 yang banyak digunakan dalam
pattern recognition. Metode ini merupakan
pengembangan dari metode non hierarki Kmeans Cluster, karena pada awalnya
ditentukan dulu jumlah kelompok atau cluster
yang akan dibentuk. Kemudian dilakukan
iterasi sampai mendapatkan keanggotaan
kelompok tersebut. Metode Clustering engan
Fuzzy C-means ini dapat digunakan di
berbagai bidang.
Prinsip
utama
pengelompokkan
dengan fuzzy c-means cluster adalah
meminimumkan fungsi objektif
c
N
J FCM P, U, X, c , m   (uik ) m d ik2
i 1 k 1
x k , p i 
..(1)
dengan asumsi constraint
c
u
i 1
ik
 1 ,untuk k  1,  , N ...........(2)
Keterangan:
P dan U adalah variabel yang kondisi
optimalnya diharapkan, untuk matriks U
kondisi optimalnya berarti konvergensi
keanggotaan kelompok dalam FCM. X, c, m
adalah parameter input dari JFCM, dimana:
1. c adalah jumlah cluster yang
memenuhi X (jumlah cluster yang
diinginkan, 2  c  N )
2. m  1 adalah tingkat ke-fuzzyan dari hasil pengelompokkan.
Parameter ini disebut dengan
fuzzier, nilai dari m yang sering
dipakai dan dianggap yang paling
halus adalah m=2
3. uik adalah tingkat keanggotaan
yang merupakan elemen dari
matriks U.
4. N jumlah observasi.
2
5. d ik adalah jarak observasi yang
ISSN : 2356-0010
2
T
d ik2 x k ,p i   x k  p i A  x k  p i  A x k  p i  ..(3)
Jika A adalah matriks identitas maka
d ik2 adalah jarak Euclid.
Algoritma pengelompokan Fuzzy Cmeans cluster diberikan sebagai berikut
(Pravitasari AA., 2009) :
1. Menentukan c banyak cluster
atau kelompok yang ingin dibuat.
2. Menentukan tingkat ke-fuzzy-an
hasil pengelompokan (m).
3. Menghitung fuzzy cluster center
(P) dengan persamaan (2)
N
p 
*
i
u
k 1
N
m
ik k
u
k 1
x
................................ (4)
m
ik
4. Update anggota matriks U dengan
persamaan
u ik* 
1
 d ik2


 2
j 1  d jk
c




1 /  m 1
............. (5)
5. Bandingkan nilai keanggotaan
dalam matriks U, jika tidak
banyak mengalami perubahan
maka artinya sudah konvergen
dan
keanggotaannya
sudah
maksimal. Iterasi dihentikan dan
didapatkan
hasil
pengelompokkan.
Penentuan jumlah kelompok dalam
Fuzzy C-Means Cluster didasarkan pada dua
hal. Yang pertama adalah dengan membatasi
jumlah kelompok yang terbentuk melalui
proporsi eigen value matriks similarity dari
objek yang akan dikelompokkan. Yang kedua
adalah melakukan kontrol dengan indeks XB.
Tujuannya adalah untuk mengetahui apakah
benar jumlah cluster terbaik bisa didapatkan
diantara jumlah cluster yang dibatasi oleh
proporsi eigen value matriks similarity.
Untuk lebih jelasnya tahapan
penelitian di atas dapat dilihat dari bagan
berikut ini :
dapat dirumuskan sebagai berikut:
Segmentasi Citra X-Ray . . .
41
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014
Mulai
ISSN : 2356-0010
metode Fuzzy C- Mean, fitur - fitur yang
berdekatan ke dalam suatu klaster
Data set yang digunakan untuk
keperluan pengujian diambil dari hasil
Computer Radiography (CR) x-ray thorax
dari 30 pasien tuberkulosis. Gambar 2 berikut
ini adalah contoh citra x-ray thorax penderita
tuberkulosis yang didapat :
Citra Grayscale
Filter Gaussian
Tahap Penelitian
Input Data Pengujian Citra XRay Thorax hasil filterisasi
Segmentasi Berbasis Clustering
Fuzzy C-Means
Gambar 2. Citra X-ray Thorax
Pengolahan citra untuk 30 gambar xray thorax tersebut dilakukan dengan cara
mengurangi noise. Pengurangan noise
dilakukan dengan filter Gaussian penting
dilakukan sebelum kita melanjutkan ke proses
pengolahan citra selanjutnya. Hasil citra biner
dengan pengurangan noise dengan filter
Gaussian dapat dilihat pada gambar 3 berikut
ini :
Data disimpan dalam database
Selesai
Gambar 1. Tahapan Penelitian
HASIL & PEMBAHASAN
1. Pengumpulan Data
Seluruh citra uji yang digunakan
citra X-Ray Thorax hitam putih adalah citra
dengan dimensi piksel yang mempunyai
ukuran yang sama yaitu 250 x 250 piksel,
yang tujuannya untuk menyeragamkan
dimesnsi dari citra uji. Citra yang akan
dikumpulkan adalah sebanyak 30 sampel citra
X-Ray Thorax pendertita tuberkulosis yang
berjenis .jpg
2. Pemrosesan Awal
Citra yang didapat akan dilakukan proses
filtering dengan menggunkan smooth filter.
Smooth filter bertujuan untuk memperhalus
kontur citra atau dengan kata lain dapat
meminimalisir noise berupa speckle pada citra
hasil ruang warna dengan menerapkan
metode tapis low pas filter dengan kernel
3x3. Filter ini juga bertujuan untuk dapat
membantu pada proses klastering dengan
Segmentasi Citra X-Ray . . .
Gambar 3. Citra X-Ray Thorax hasil filter
Gaussian
1. Proses Fuzzy C-means
Setealah noise pada citra dikurangi,
maka 30 citra hasil pemrosesan awal diproses
lagi dengan proses Fuzzy C-means. Proses
yang dilakukan adalah pencocokan atau
pembandingan
saat
identifikasi yang
diawali
dengan pemilihan pusat klaster
berdasarkan kemiripan jarak yang paling
tinggi kemudian dilakukan pembandingan
data acuan yang terdapat pada klaster terpilih.
Selanjutnya menghitung perubahan matrik
partisi dan mendapatkan pusat klaster yang
baru dan derajad keanggotaan yang terbaru.
Dari proses Fuzzy C-means didapat tingkat
akurasi dan eror dibandingkan dengan
pemeriksaan thorax secara manual seperti
dapat dilihat pada table 1 berikut ini :
42
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 2, Desember 2014
Tabel 1. Hasil Perhitungan Citra Hasil
Segmentasi Berbasis Clustering Fuzzy CMeans
No.
Citra
Jumlah Tingkat Error
Citra
Akurasi (%)
(%)
1.
Paru Kanan
30
82.43
0
2.
Paru Kiri
30
89.23
10
Rata-rata
85,83
5
SIMPULAN & SARAN
Simpulan
Berdasarkan penelitian yang telah
dilakukan dan hasil yang telah didapat maka
dapat disimpulkan bahwa segmentasi citra
berbasis klustering Fuzzy C-Means pada 30
citra x-ray thorax penderita tuberkulosis
mengahasilkan tingkat akurasi yang cukup
tinggi
setelah
dibandingkan
dengan
pemeriksaan secara manual, yaitu sebesar
85,83%. Untuk tingkat kesalahan dari ke 30
citra tersebut tersebut cukup rendah yaitu 5%
Saran
Hasil yang didapat masih memiliki
kekurangan dan keterbatasan, hal ini dapat
dilihat dari masih adanya eror dan ketidak
tepatan
hasil
akhir
pemeriksaaan
dibandingkan dengan pemeriksaan secara
manual. Oleh sebab itu masih banyak metode
yang dapat digunakan untuk dilanjutkan pada
penelitian-penelitian berikutnya.
DAFTAR PUSTAKA
Beevi
SZ,
Sathik
MM
dan
Senthamaraikannan K (2010), “A Robust
Fuzzy Clustering Technique with Spatial
Neighborhood Information for Effective
Medical Image Segmentation”, International
Journal of Computer Science and
Information Security, Vol. 3 No. 7, ISSN :
1947-5500, March 2010, Pp. 132-138
Bezdek JC (1984), “FCM – The Fuzzy CMeans Clustering Algorithm”, Computers &
Geosciences Vol. 10, No. 2-3, Pp. 191-203
Departemen Kesehatan Republik Indonesia
(2011), “Pedoman nasional: penanggulangan
tuberculosis”, Cetakan ke- 2. Jakarta:
Depkes RI
Bhuvaneswari C, Aruna P dan Loganathan
D (2014), “Classification of Lung Diseases by
Image Processing Techniques Using
Computed Tomography Images”,
Segmentasi Citra X-Ray . . .
ISSN : 2356-0010
International Journal of Advanced
Computer Research Vol. 4 No. 1, ISSN:
No. 2249-7277, 14 Maret 2014
Bisri H, Bustomi MA dan Purwanti E
(2013), “Klasifikasi Citra Paru-Paru dengan
Ekstraksi Fitur Histogram dan Jaringan
Syaraf Tiruan Backpropagation”, Jurnal
Sains dan Semi Pomits Vol. 2 No. 2 , ISSN :
2337-3520
Chandrika V, Parvathi CS dan Bhaskar
(2013), “Design and Development of
Pulmonary Tuberculosis Diagnosing System
Using Image Processing Technique and
Artificial Neural Network in Matlab”, Vol. 4
No. 2, ISSN : 0976-6464, April 2013
Gonzalez RC, Woods RE (2002), “Digital
Image Processing Second Edition”, New
Jersey : Pearson Prentice Hall
Le K (2011), “A Design of A Computer-Aided
Diagnostic Tool For Chest X-Ray Analysis”,
International Journal of Computer Science
& Information Technology, Vol. 3 No. 2,
April 2011
Lingayat NS, Tarambale MR (2013), “A
Computer Based Feature Etraction Of Lung
Nodule in Chest X-Ray Image”, International
Journal of Bioscience, Biochemistry, and
Bioinformatics, Vol. 3 No. 6, November
2013
Masfran, Ananda dan Nugroho ES (2012),
“Segmentasi Tepi Citra CT Scan Paru-Paru
Menggunakan Metode Chain Code dan
Operasi
Morfologi”,
Jurnal
Teknik
Informatika, Vol. 1, September 2012
Saptawati L, Mardiatuti, Anis Karuniawati
dan Rumende CM (2012), “Evaluasi Metode
FASTPlaqueTBTM
untuk
Mendekteksi
Mycobacterium Ttuberculosis pada Sputum di
beberapa Unit Pelayanan Kesehatan di JakartaIndonesia”, Jurnal Tuberkulosis Indonesia
Vol. 8, , ISSN 1829 - 5118 , Maret 2012, Hal.
1-6
Widodo S (2011), “Segmentasi Otomatis
Untuk Visualisasi 3-D Organ Paru Pada Citra
Computer Tomography Menggunakan Active
Countour”, Jurnal Duta.com Vol. 1 No. 2,
September 2011
43