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