BAB 2

LANDASAN TEORI

2.1 Malaria

Menurut White dan Breman (2008) dalam buku Harrison’s Principles of

Internal Medicine edisi 17 Bab Malaria, malaria adalah sebuah penyakit yang

disebabkan oleh parasit yang siklus hidupnya sebagian hidup di manusia dan

sebagian lagi nyamuk. Malaria merupakan penyebab kematian utama dan

mengancam setidaknya sepertiga dari populasi dunia. Penyakit ini banyak terdapat di

daerah tropis, yaitu, Asia Tenggara, Afrika, dan Amerika Tengah dan Selatan. Pada

setiap tahunnya, 350-550 juta kasus malaria terjadi di seluruh dunia. Satu juta di

antaranya, yang sebagian besar anak-anak, mati tiap tahunnnya. World Health

Organization (2010) juga menyatakan bahwa malaria merupakan masalah kesehatan

serius yang sering terjadi di belahan dunia.

Dalam buku Harrison’s Principles of Internal Medicine edisi 17 Bab Malaria,

White dan Breman (2008) menyebutkan bahwa malaria disebabkan oleh parasit

bersel satu dari genus Plasmodium. Terdapat lebih dari 100 spesies Plasmodium

yang menyebabkan malaria pada berbagai mamalia dan burung. Terdapat empat

spesies Plasmodium yang menyebabkan malaria pada manusia. Setiap spesies

memiliki penampakan yang khas dalam mikroskop, dan setiap spesies menyebabkan

pola gejala yang berbeda. Dua spesies atau lebih dapat menyerang seorang individu

dalam waktu yang bersamaan.

7

8

2.1.1 Klasifikasi Malaria

Menurut White dan Breman (2008), malaria dapat diklasikasikan

menjadi: Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae

dan Plasmodium ovale. Masing-masing penyebarannya dapat dijelaskan

seperti berikut.

Plasmodium falciparum merupakan malaria yang paling mematikan,

terutama di Afrika. Infeksi ini berkembang secara tiba-tiba dan menyebabkan

beberapa komplikasi yang mematikan. Namun pengobatan yang efektif,

penyakit ini hampir selalu dapat diobati.

Plasmodium vivax merupakan spesies yang secara geografis tersebar

paling luas, juga merupakan spesies yang memberikan gejala paling ringan.

Namun, penyakit ini dapat kambuh setiap tiga tahun sekali. Spesies ini

merupakan spesies yang terdapat cukup banyak di daerah beriklim sedang,

khususnya di Asia.

Plasmodium malariae merupakan spesies yang dapat tinggal di dalam

darah sangat lama, kemungkinan sampai puluhan tahun, tanpa menimbulkan

gejala. Namun, seseorang dengan malaria yang tidak menunjukkan gejala ini

bisa menularkan orang lain, dari donor darah ataupun dari gigitan nyamuk

lainnya. Plasmodium malariae sudah dimusnahkan diseluruh dunia namun

tetap ada di Afrika.

Plasmodium ovale merupakan spesies yang jarang. Jenis ini dapat

menimbulkan kekambuhan, dan banyak terjadi di Afrika barat.

9

2.1.2 Siklus Hidup Parasit Malaria

Menurut White dan Breman (2008), parasit malaria pada manusia

memiliki siklus hidup rumit yang membutuhkan inang manusia dan inang

serangga. Pada nyamuk anopheles, plasmodium melakukan reproduksi

seksual. Pada manusia, parasit ini melakukan reproduksi aseksual, mulai di

sel hati (hepatosit), kemudian secara berulang-ulang pada sel darah merah

(eritrosit).

Ketika nyamuk anopheles betina yang terjangkit menghisap darah

manusia, pada waktu yang bersamaan nyamuk ini memasukkan air liurnya

yang bertujuan untuk menjaga agar pembuluh kapiler yang dihisap tidak

membentuk faktor pembekuan darah yang menyebabkan aliran darah

berhanti. Ketika memasukkan air liur ini, parasit pada bentuk sporozoit

masuk ke dalam aliran darah. Kemudian sporozoit ini menjangkit hepatosit.

Selama satu sampai dua minggu (tergantung dari spesies plasmodium), tiap

sporozoit membentuk skizon, sebuah struktur yang mengandung ribuan

merozoit. Ketika skizon ini matang, hepatosit akan ruptur dan melepaskan

merozoit ke aliran darah.

Pada Plasmodium vivax dan Plasmodium ovale, sporozoit

berkembang menjadi hipnozoit, sebuah bentuk dari plasmodium yang berada

dalam fase dorman selama beberapa bulan sampai beberapa tahun. Ketika

hipnozoit ini aktif kembali, mereka akan berkembang menjadi skizon yang

kemudian akan menyebabkan kekambuhan gejala pada orang yang terjangkit.

Berikutnya merozoit yang terlepas ke aliran darah akan menyerbu

eritrosit, kemudian mereka akan tumbuh dan mengkonsumsi hemoglobin. Di

10

dalam eritrosit, sebagian besar merozoit akan berkembang ke fase aseksual

lain, yaitu membentuk skizon yang terisi merozoit. Ketika skizon matang, sel

tersebut akan ruptur dan merozoit akan terlepas dan menyerbu eritrosit,

infeksi ini akan terus berlangsung sampai dihentikan oleh obat atau sistem

imun tubuh.

Selanjutnya plasmodium akan melengkapi siklus hidupnya saat

sebagian dari merozoit pada eritrosit tidak berkembang menjadi skizon,

namun berkembang menjadi bentuk seksual jantan dan betina yang dikenal

sebagai gametosit. Gametosit ini akan bersirkulasi di dalam darah, menunggu

nyamuk anopheles menghisap darah.

Ketika nyamuk betina menghisap gametosit dari darah orang yang

terifeksi, gametosit akan membentuk gamet jantan dan gamet betina. Proses

fertilisasi ini akan membentuk sebuah oosit yang terisi dengan sporozoit.

Kemudian oosit tersebut matang dan ruptur, ribuan sporozoit infeksius ini

akan migrasi ke kelenjar liur nyamuk. Siklus ini akan berulang ketika

nyamuk ini meghisap darah dari manusia berikutnya.

11

Gambar 2.1: Siklus Hidup Parasit Malaria

Sumber: http://www.dpd.cdc.gov/dpdx/HTML/Malaria.htm

2.1.3 Gejala Malaria

Menurut White dan Breman (2008), malaria secara khas menimbulkan

serangan yang hilang timbul, atau paroksismal, setiap serangan terdiri dari

tiga tahap, yaitu, menggigil, diikuti dengan demam, kemudian berkeringat.

Pada tahap menggigil, pasien tersebut akan mengalami sakit kepala, malaise,

fatique, nyeri otot, dan terkadang mual, muntah dan diare. Dalam satu sampai

dua jam, suhu tubuh akan meningkat, kulit akan terasa panas dan kering.

Kemudian, seiring dengan menurunnya suhu tubuh, pasien akan mulai

berkeringat sangat banyak, dan merasa lelah dan lemas.

12

Gejala di atas pertama kali timbul 10 sampai 16 hari dari saat nyamuk

yang terinfeksi menghisap darah. Kemudian, saat banyak eritrosit yang

terserang ruptur secara bersamaan, muncullah semua gejala seperti tersebut di

atas. Siklus ini berbeda pada setiap spesies plasmodium, sehingga durasi

perjalanan penyakit berbeda pada setiap spesies. Serangan gejala muncul

setiap dua hari pada malaria Plasmodium vivax dan Plasmodium ovale, dan

setiap tiga hari pada malaria Plasmodium malariae. Pasien dengan malaria

Plasmodium vivax akan merasa sehat di antara serangan malaria, sedangkan

pada malaria Plasmodium falciparum, pasien akan terus merasa sakit karena

Plasmodium falciparum dapat menyerang eritrosit pada fase perkembangan

apa saja, sehingga jumlah eritrosit yang terinfeksi menjadi jauh lebih banyak

dibandingkan dengan malaria jenis lainnya. Hal ini yang menyebabkan

malaria Plasmodium falciparum menjadi malaria yang paling fatal. Malaria

Plasmodium vivax bisa jauh lebih ringan gejalanya karena parasit ini hanya

menyerang eritrosit muda yang jumlahnya tidak terlalu banyak di aliran

darah, sehingga jumlah parasit di aliran darah tidak sebanyak pada malaria

Plasmodium falciparum.

2.1.4 Diagnosis Malaria

Menurut White dan Breman (2008), cara membedakan jenis malaria

dapat dilakukan pada pemeriksaan sediaan hapusan darah tipis dan tebal.

Pada sediaan darah tipis, dapat ditemukan parasitnya tersebar dan lebih sulit

untuk mencarinya. Eritrositnya tidak mengalami hemolisis (proses

pemecahan sel darah merah), sehingga lebih mudah untuk mengenali stadium

13

dan spesies parasitnya. Penjelasan perubahan eritrosit menurut buku

Harrison’s Principles of Internal Medicine edisi 17 adalah sebagai berikut:

1. Eritrosit yang diserang membesar

- Bentuk eritrosit yang diserang bulat, tepinya rata dan dapat

ditemukan semua stadia dari parasitnya. (Malaria Tertiana

yang disebabkan oleh Plasmodium vivax).

- Bentuk eritrosit yang diserang oval, tepinya bergerigi

(fimbrated) dan terdapat semua stadium parasitnya. (Malaria

Tertiana yang disebabkan oleh Plasmodium ovale).

2. Eritrosit yang diserang tidak membesar

- Umumnya hanya terdapat stadium trofozoit muda atau

gametosit yang berbentuk seperti pisang. (Malaria Tropika

yang disebabkan oleh Plasmodium falciparum).

- Terdapat semua stadium parasitnya. (Malaria Quartana yang

disebabkan oleh Plasmodium malariae ).

Pada sediaan darah tebal, ditemukan parasitnya berkumpul dan lebih

mudah untuk mencarinya. Pada sediaan ini juga ditemukan eritrosit yang

mengalami hemolisis, sehingga lebih sulit untuk mengenali stadium dan

spesies parasitnya sehingga diagnosis yang dapat kita buat yaitu diagnosis

penyakit atau diagnosis spesies parasit malaria.

Pasien dengan malaria memberikan gambaran sediaan darah

tergantung dari stadium yang sedang dialaminya.

14

1. Gambaran satu stadium

- Umumnya hanya terdapat stadium trofozoit muda (dan atau

dengan gametosit ). Karena banyaknya stadium trofozoit muda

yang terdapat dalam sediaan maka tampak gambaran seperti

bintang-bintang di langit dengan gametositnya yang berbentuk

pisang atau bulan sabit. (Malaria Tropika yang disebabkan

oleh Plasmodium falciparum).

2. Gambaran macam-macam stadia

- Adanya bentuk amuboid (trofozoit lanjut) dengan zona merah

yang spesifik. Bentuk dan besar stadium yang lebih lanjut

sebanding dengan besarnya inti leukosit. (Malaria Tertiana

yang disebabkan oleh Plasmodium vivax).

- Adanya bentuk skizont yang khas (seperti bunga seruni) yang

besarnya sepertiga sampai setengah dari inti leukosit dan

pigmennya kasar. (Malaria Quartana yang disebabkan oleh

Plasmodium malariae).

- Malaria Tertiana yang disebabkan oleh Plasmodium ovale

masih sulit dibedakan karena hasil sediaanya mirip dengan

Plasmodium vivax dan malariae.

Cara membedakan jenis malaria dari gambar sediaan darah tebal

menurut White dan Breman (2008) dalam buku Harrison’s Principles of

Internal Medicine edisi 17 adalah sebagai berikut.

15

1. Plasmodium falciparum

Gambar 2.2: Sampel Sediaan Darah Tebal Plasmodium Falciparum

- Sel darah merah sudah mengalami hemolisis.

- Trofozoit muda tampak sangat banyak, dengan bentuk-bentuk

seperti tanda koma, tanda seru, burung terbang sehingga

memberikan gambaran seperti bintang-bintang dilangit

(sterren hemel).

- Gametosit tampak berbentuk seperti pisang, dengan inti dan

pigmen yang tersebar.

2. Plasmodium vivax

- Sel darah merah yang sudah mengalami hemolisis.

- Adanya zona merah, yaitu sisa-sisa titik schuffner.

- Ditemukannya stadium trofozoit muda berbentuk cincin,

stadium trofozoit lanjut amuboid, dan stadium schizont.

16

3. Plasmodium malariae

- Sel darah merah sudah mengalami hemolisis.

- Tampak stadium trofozoit, gametosit, schizont dengan inti

tersusun seperti bunga.

- Parasit tampak kecil jika dibandingkan dengan inti leukosit

yang lain, dengan pigmen yang kasar berwarna coklat

tengguli.

Selanjutnya, cara membedakan jenis malaria dari gambar sediaan

darah tipis menurut White dan Breman (2008) adalah sebagai berikut.

1. Plasmodium falciparum

a. Trofozoit muda

Gambar 2.3: Sampel 1 Sediaan Darah Tipis Plasmodium

Falciparum

- Sel darah merah tidak membesar.

17

- Berbentuk cincin.

- Sering ada infeksi yang multiple dan biasanya parasit

berada di pinggir sel darah merah.

- Kadang tampak titik Maurer tergantung dari

pewarnaannya.

b. Schizont

- Sitoplasma mengisi 2/3 sel darah merah.

- Schizont muda mempunyai inti 8 buah, sedangkan schizont

tua mempunyai inti 12 buah.

- Pigmen sudah menggumpal ditengah pada schizont muda.

c. Mikrogametosit

- Berbentuk seperti pisang gemuk.

- Intinya difus.

- Pigmen mengelilingi inti tersebar agak jauh.

18

d. Makrogametosit

Gambar 2.4: Sampel 2 Sediaan Darah Tipis Plasmodium

Falciparum

- Berbentuk seperti pisang yang agak langsing.

- Intinya padat ditengah.

- Pigmen mengelilingi inti.

2. Plasmodium vivax

a. Trofozoit muda

19

Gambar 2.5: Sampel 1 Sediaan Darah Tipis Plasmodium Vivax

- Sel darah merah mulai membesar.

- Parasit berbentuk cincin. Intinya merah dan sitoplasmanya

biru.

- Mulai terdapat titik schuffner.

b. Trofozoit tua

- Sitoplasma hampir memenuhi seluruh sel darah merah.

- Pigmen bertendensi untuk berkumpul di tengah.

- Berbeda dengan gametosit, pada trofozoit tua masih

terdapat vakuol (rongga udara).

c. Trofozoit lanjut

Gambar 2.6: Sampel 2 Sediaan Darah Tipis Plasmodium Vivax

- Sel darah merah membesar dan sitoplasma terlihat

amuboid.

20

- Titik schuffner semakin jelas terlihat.

- Pigmen mulai muncul dan tersebar.

d. Schizont muda

- Inti sudah membelah lebih dari 1 buah, tetapi masih

dibawah 12 buah.

- Titik schuffner tersebar.

e. Schizont tua

- Inti antara 12 sampai 24 buah.

- Pigmen bertendensi untuk berkumpul di tengah.

f. Mikrogametosit

- Sitoplasma hampir memenuhi seluruh sel darah merah.

- Inti difus di tengah.

- Pigmen tersebar.

g. Makrogametosit

21

Gambar 2.7: Sampel 3 Sediaan Darah Tipis Plasmodium Vivax

- Sitoplasma bulat hampir memenuhi seluruh sel darah

merah.

- Sitoplasma padat dan tidak ada vakuol.

- Inti padat dan jelas, biasanya berada di tepi.

- Pigmen tersebar di perifer.

3. Plasmodium malariae

a. Trofozoit muda

- Sel darah merah tidak membesar.

- Berbentuk cincin.

- Sangat jarang terlihat titik Ziemann.

b. Trofozoit tua

- Sitoplasma hampir memenuhi seluruh sel darah merah.

22

- Sitoplasma berbentuk pita, terlihat melebar dan inti

membesar.

- Pigmen kasar dan tersebar.

23

c. Trofozoit lanjut

Gambar 2.8: Sampel 1 Sediaan Darah Tipis Plasmodium

Malariae

- Sel darah merah tidak membesar.

- Tidak selalu amuboid.

- Ciri khas yang terlihat adalah sitoplasma yang berbentuk

pita halus, dengan inti memanjang.

- Pigmen kasar, berwarna coklat di sekitar sitoplasma.

d. Schizont muda

- Inti dibawah 8 buah.

- Pigmen kasar dan tersebar.

24

e. Schizont tua

Gambar 2.9: Sampel 2 Sediaan Darah Tipis Plasmodium

Malariae

- Inti antara 8 sampai 12, tersusun seperti bunga.

- Pigmen berkumpul di tengah.

f. Mikrogametosit

- Sel darah merah tidak membesar.

- Sitoplasma bulat dan padat.

- Intinya padat dengan batas yang jelas dan biasanya terletak

di tepi sel.

- Pigmen kasar dan tersebar.

g. Makrogametosit

- Sel darah merah tidak membesar.

25

- Sitoplasma bulat dan padat.

- Inti difus, biasanya berada di tengah sel.

- Pigmen kasar dan tersebar.

4. Plasmodium ovale

- Sel darah merah membesar, tapi tidak sebesar bila terserang

Plasmodium vivax.

- Sel darah merah berbentuk lonjong atau oval.

- Pada satu atau kedua ujung dari sel darah merah berbatas tak

beraturan (fimbriated).

- Terdapat titik James.

2.2 Kecerdasan Buatan

2.2.1 Definisi Kecerdasan Buatan

Menurut Kusumadewi (2003), kecerdasan buatan (Artificial

Intelligence) adalah ilmu yang mempelajari cara membuat komputer

melakukan sesuatu seperti yang dilakukan manusia. Definisi kecerdasan

buatan lainnya juga diungkapkan oleh Rich dan Knight (1991), kecerdasan

buatan merupakan studi tentang bagaimana membuat komputer melakukan

hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia. Selain itu

menurut Turban dan Frenzel (1992), kecerdasan buatan merupakan bagian

dari ilmu komputer yang digunakan untuk menciptakan perangkat lunak dan

26

perangkat keras dengan tujuan untuk menghasilkan sesuatu seperti yang

dihasilkan oleh manusia.

Dari definisi tersebut dapat disimpulkan ada tiga tujuan kecerdasan

buatan, yaitu: membuat komputer lebih cerdas, mengerti tentang kecerdasan,

dan membuat mesin yang lebih bermanfaat seperti manusia. Yang dimaksud

kecerdasan adalah kemampuan untuk belajar dan mengerti dari pengalaman,

memahami pesan yang kontradiktif dan ambigu, menanggapi dengan cepat

dan baik atas situasi yang baru terjadi, menggunakan penalaran dalam

memecahkan masalah serta menyelesaikannya dengan efektif. Kecerdasan

tersebut dibuat dan dimasukkan ke dalam suatu sistem (komputer) agar dapat

melakukan pekerjaan seperti yang dapat dilakukan manusia.

2.2.2 Lingkup Kecerdasan Buatan

Menurut Kusumadewi (2003), adapun lingkup utama dalam

kecerdasan buatan adalah:

1. Sistem Pakar (Expert System)

Komputer digunakan sebagai sarana untuk menyimpan

pengetahuan para pakar. Dengan demikian komputer akan

memiliki keahlian untuk menyelesaikan permasalahan dengan

meniru keahlian yang dimiliki oleh pakar.

2. Pengolahan Bahasa Alami (Natural Language Processing)

27

Dengan adanya pengolahan bahasa alami diharapkan user dapat

berkomunikasi dengan komputer menggunakan bahasa sehari-

hari.

3. Pengenalan Ucapan (Speech Recognition)

Melalui pengenalan pengucapan diharapkan manusia dapat

berkomunikasi dengan komputer menggunakan suara.

4. Robotika dan Sistem Sensor (Robotics and Sensory System)

Dengan robotika dan sistem sensor, komputer menjadi suatu

sistem yang dapat meniru pergerakan manusia.

5. Computer Vision

Computer Vision mencoba untuk dapat menginterpretasikan

gambar atau objek-objek tampak melalui komputer.

6. Intelligent Computer-aided Instruction

Komputer dapat digunakan sebagai tutor yang dapat melatih dan

mengajar.

7. Game Playing

Komputer dapat bermain dengan manusia dalam sebuah game.

2.3 Computer Vision

2.3.1 Definisi Computer Vision

28

Menurut Andian Low (1991), computer vision berhubungan dengan

penangkapan gambar, pemrosesan, klasifikasi, pengenalan, dan menjadi

penggabungan pengurutan pembuatan keputusan menuju pengenalan. Dan

menurut Saphiro dan Stockman (2001), computer vision merupakan suatu

bidang yang bertujuan untuk membuat keputusan yang berguna mengenai

objek fisik nyata dan keadaan berdasarkan atas sebuah citra. Computer vision

merupakan kombinasi antara pengolahan citra dan pengenalan pola, yang

bertujuan agar komputer dapat mengenali objek yang diamati. Hasil keluaran

dari proses computer vision adalah pengertian tentang citra.

Menurut Bradski dan Kaehler (2008), computer vision dapat diartikan

sebagai transformasi data dari gambar ataupun video yang ditangkap oleh

camera menjadi sebuah representasi baru, dimana representasi tersebut dapat

dibuat menjadi sebuah keputusan-keputusan. Semua transformasi yang

dilakukan dalam computer vision bertujuan untuk mencapai sebuah goal,

yaitu membuat keputusan yang berguna tentang suatu objek berdasarkan

image yang didapat atau ditangkap oleh hardware. Meskipun komputer

dalam melihat sebuah citra hanya sebagai angka-angka, namun dengan

computer vision kita dapat membangun mesin cerdas yang dapat

menginterpretasikan citra yang dilihat dengan strategi yang berbeda

tergantung kondisinya.

2.3.2 Computer Vision Hierarchy

Menurut Kulkarni (2001), beberapa tahap dalam computer vision

yaitu mencakup akuisisi citra (image acquisition), preprocessing, ekstraksi

29

fitur (feature extraction), associative storage, mengakses basis pengetahuan

dan recognition. Tahap-tahap tersebut ditunjukkan sebagai bagan pada

gambar 2.10.

Gambar 2.10: Bagan Sistem Computer Vision

Menurut Kulkarni (2001), tahap-tahap tersebut dapat digolongkan

dalam level hirarki sebagai berikut.

1. Low-level vision: image enhancement dan menghilangkan noise.

2. Intermediate-level vision: low-level vision yang disertai dengan

edge detection, texture detection, dan feature extraction.

3. High-level vision: low-level vision, intermediate-level vision, yang

kemudian dilanjutkan dengan tahap associative storage,

knowledge base, dan recognition.

Tahap-tahap tersebut dapat digambarkan sebagai berikut menurut

William, Mulya, dan Maharani (2009).

30

Gambar 2.11: Computer Vision Hierarchy

2.3.3 Lingkup Computer Vision

Menurut Bradski dan Kaehler (2008), masalah yang paling sering

dihadapi dalam computer vision adalah banyaknya noise sehingga

mengganggu pengolahan citra, feature extraction, dan lain-lainnya. Tugas-

tugas seperti mengidentifikasi tanda tangan, mengenal objek yang diterima

dari citra yang dihasilkan oleh satelit, mengidentifikasi wajah, dan

membangun citra tiga dimensi dari potongan citra dua dimensi membutuhkan

citra dengan kualitas yang bagus (sedikit noise) agar pemrosesan dapat

menghasilkan keputusan yang baik.

Menurut Szeliski (2011), lingkup computer vision mencakup beberapa

contoh aplikasi sebagai berikut.

31

1. Optical Character Recognition (OCR), membaca tulisan tangan

dan rekognasi plat nomor secara otomatis.

2. Machine inspection dalam industri penerbangan untuk mengecek

performa bagian-bagian pesawat.

3. Navigasi seperti auto-pilot dimana kendaraan dapat berjalan

sendiri ke tujuan tertentu.

4. Surveillance (monitoring), untuk memonitor jika ada penyusup

atau memonitor kondisi lalu lintas

5. Fingerprint recognition, pengenalan sidik untuk akses otomatis.

6. Object modeling, misalnya analisis citra medis atau model

topografi.

2.3.4 Digital Image

Menurut Saphiro dan Stockman (2001), digital image (citra dijital)

digunakan agar berbagai macam hardware maupun software dapat membaca

dan menggunakan gambar dalam bentuk data. Dalam kehidupan sehari-hari

terdapat berbagai macam format data gambar. Meskipun begitu, data gambar

tersebut terdiri dari informasi yang khusus. Citra dijital memiliki informasi

berupa gambar dan terdiri dari elemen terkecil yang disebut pixel. Setiap

elemen merepresentasikan pixel pada gambar.

Menurut William, Mulya, dan Maharani (2009), pixel

direpresentasikan dalam bentuk matriks 2 dimensi dan memiliki nilai yang

32

merupakan variasi komponen warna. Semua warna yang ada merupakan

perpaduan dari 3 warna primer yaitu: merah (red), hijau (green), dan biru

(blue), yang biasa disebut dengan istilah RGB. Kombinasi dari ketiga warna

primer tersebut akan menghasilkan suatu warna tertentu tergantung

komposisi nilai dari ketiga warna tersebut.

Selain itu William, Mulya, dan Maharani (2009) juga menyatakan

bahwa, gambar pada sistem dijital dapat diwakili dengan format RGB untuk

setiap titiknya. Setiap komponen R, G, dan B mempunyai variasi nilai dari 0

sampai 255. Total variasi yang dihasilkan untuk sistem warna dijital ini

adalah 256 x 256 x 256 atau 16.777.216 jenis warna. Karena setiap warna

diwakili dengan satu byte (8 bit), maka total bit yang digunakan untuk

merepresentasikan warna RGB adalah 8 + 8 + 8 atau 24 bit.

Kalkulasi pemrosesan gambar dengan sistem RGB akan

memboroskan memory dan waktu. Untuk itu diperlukan reduksi warna.

Dalam pemrosesan gambar seperti deteksi objek, sistem RGB ini tidaklah

memberikan respon baik. Sehingga digunakanlah sistem grayscale atau gray

level, dimana format gambar warna dikonversi menjadi format gambar abu-

abu. Sistem grayscale memerlukan satu byte (8 bit) untuk penyimpanan data,

dimana mempunyai kemungkinan range warna dari 0 (hitam) sampai 255

(putih).

2.3.5 Pre-Processing

Menurut Kulkarni (2001), pre-processing merupakan sebuah proses

awal untuk menghilangkan bagian-bagian yang tidak diperlukan pada citra

33

input untuk proses selanjutnya. Tahap pre-processing biasanya dilakukan

sebelum kita melakukan inti pemrosesan dari gambar.

Tujuan dari pre-processing antara lain:

- Menghilangkan noise

- Memperjelas suatu fitur data

- Memperbesar atau memperkecil ukuran data

- Mengkonversi data asli agar diperoleh data yang sesuai kebutuhan

Beberapa contoh dari pre-processing yaitu:

- Noise filtering

- Konversi warna RGB menjadi grayscale

- Thresholding

2.3.6 Smoothing

Smoothing merupakan salah satu teknik yang umum digunakan pada

pengolahan gambar. Proses ini bertujuan untuk memperhalus gambar,

mengurangi resolusi gambar, serta mengurangi noise (Bradski & Kaehler,

2008).

Pada prosesnya smoothing menggunakan teknik konvolusi yang

menggunakan kernel dengan berbagai ukuran. Pada pengerjaannya terdapat

beberapa cara untuk melakukan smoothing, seperti mean filter, median filter,

34

gaussian filter, dan bilateral filter. Dimana pada proses paling sederhananya

hasil dari smoothing pada suatu pixel adalah hasil dari rata-rata pixel tersebut

dengan pixel di sekitarnya.

1. Median Filter

Konsep dasarnya adalah dengan menemukan nilai pixel

yang memiliki nilai intensitas dari suatu pixel yang berbeda

dengan nilai pixel yang ada di daerah sekitarnya, dan

menggantinya dengan nilai yang lebih cocok. Cara yang paling

sederhana dalam mencapainya adalah dengan melakukan

pencegahan atau pembatasan nilai pixel, sehingga suatu pixel

tidak memiliki nilai intensitas yang diluar nilai yang ada di

sekitarnya (Davies, 1990).

Untuk itu kita perlu untuk mengetahui nilai intensitas pada

suatu kelompok pixel. Pada pengerjaannya di suatu daerah pixel

seharusnya bagian yang merupakan nilai tertinggi dan terendah,

dan nilai yang sebanding pada kedua bagian akhir distribusi

dihilangkan. Sehingga hasilnya meninggalkan nilai median. Dari

sana didapatkan median filter, dimana didapat seluruh nilai

distribusi intensitas, dan dihasilkan gambar baru yang sesuai

dengan nilai-nilai median yang ada.

Berbeda dengan gaussian filter yang menghaluskan

keseluruhan gambar, pada median filter terlihat bahwa proses

penghalusannya terjadi pada daerah tepi gambar. Sehingga meski

35

terjadi penghalusan gambar, median filter lebih kearah

“melembutkan” gambar yang ada.

Median filter umumnya menggunakan kernel dengan

ukuran 3x3. Namun dapat pula menggunakan ukuran yang lebih

besar. Selain itu, sesuai dengan perkembangannya maka bentuk

yang dipakai juga dapat bermacam-macam, seperti garis (vertikal

atau horizontal) atau salib, yang terpusat pada titik tengahnya. Hal

ini dimaksudkan agar proses yang dihasilkan menjadi lebih cepat.,

terutama karena jumlah pixel yang dihitung menjadi lebih sedikit.

Median filter cukup dikenal baik atas kemampuannya

untuk menghilangkan salt and paper noise. Selain itu median

filter akan meningkatkan kualitas gambar, sehingga memperjelas

daerah tepi (edge) pada gambar (Nixon & Aguado 2002). Hal ini

terjadi karena pada daerah yang terletak pada bagian tepi suatu

gambar, filter akan memproses data dan umumnya akan

mendapatkan nilai yang sesuai dengan yang memiliki nilai

intensitas yang lebih besar. Sehingga filter secara tidak langsung

menentukan terdapat pada bagian mana pixel itu berada. Hal ini

tentu saja membuat daerah tepi menjadi sedikit melebar. Namun

perlu diingat bahwa pixel melebarkan daerah tepi dari kedua sisi,

sehingga hal ini menyebabkan dearah tepinya bisa lebih terlihat

(Davies, 1990).

2.3.7 Image Segmentation

36

Dalam computer vision, segmentasi citra (image segmentation) berarti

proses membagi citra dijital menjadi banyak segmen. Menurut William,

Mulya, dan Maharani (2009), tujuan dari segmentasi adalah

menyederhanakan dan/atau mengubah representasi dari citra menjadi sesuatu

yang lebih berarti dan mudah untuk dianalisa. Segmentasi citra biasanya

digunakan untuk mencari lokasi objek dan batas bidang dalam citra.

Beberapa metode segmentasi adalah sebagai berikut.

1. Metode Thresholding

Thresholding atau binerisasi adalah proses konversi citra

abu-abu menjadi citra hitam putih. Proses ini disebut juga

binerisasi citra (image binarization) dan merupakan metode

sederhana untuk segmentasi citra. Proses ini dilakukan dengan

menggunakan nilai ambang / nilai threshold (threshold value)

sebagai pembatas kompleksitas gambar. Proses thresholding

digunakan untuk mengubah nilai pixel bergantung pada besar

kecilnya nilai pixel tersebut terhadap nilai threshold yang telah

ditentukan. Jika nilai suatu pixel lebih besar atau sama dengan

nilai threshold, maka pixel tersebut akan di-set ke nilai maksimum

dalam grayscale yaitu 255 (warna putih). Sedangkan jika nilai

suatu pixel kurang dari nilai threshold, maka pixel tersebut akan

di-set ke nilai minimum dalam grayscale yaitu 0 (warna hitam).

Proses ini membantu menghilangkan noise pada citra. Tidak ada

ketentuan pasti mengenai berapa batas nilai threshold. Nilai

37

threshold ini dapat diubah sesuai dengan kebutuhan agar proses

konversi menghasilkan citra yang sesuai dengan keinginan.

38

2. Metode Berbasis Histogram

Metode berbasis histogram lebih efisien dibandingkan

dengan metode segmentasi citra lainnya karena biasanya hanya

membutuhkan satu kali melewati pixel. Dalam teknik ini,

histogram dihitung dari seluruh pixel dalam citra. Puncak serta

lembah di dalam histogram digunakan untuk mencari cluster

dalam citra. Pengembangan dari teknik ini adalah secara rekursif

melakukan metode pencarian secara histogram di dalam citra

untuk membagi mereka menjadi cluster yang lebih kecil hingga

tidak ada lagi cluster yang terbuat.

3. Metode Distance Transform

Distance transform juga dikenal sebagai peta jarak, adalah

representasi dari citra dijital. Istilah peta yang dimaksud

tergantung pada objek, apakah gambar awal berubah menjadi

representasi yang lain, atau hanya diberi tambahan. Setiap pixel

gambar diberi label jarak ke pixel pembatas terdekat. Jenis yang

paling umum dari pixel pembatas adalah boundary pixel dalam

binary image. Biasanya transformasi berpatokan pada fungsi jarak

yang dipilih. Hasil dari transformasi adalah gambar grayscale

yang terlihat mirip dengan gambar awal, kecuali intensitas gray-

level pada titik di foreground diubah untuk menunjukkan jarak ke

batas terdekat dari setiap titik.

39

4. Metode Watershed Segmentation

Sebuah visualisasi citra grayscale yang dapat

direpresentasikan sebagai bentuk topografi, dimana nilai abu-abu

dari sebuah pixel diartikan sebagai ketinggian dalam relief.

Watershed adalah suatu bentuk cekungan (titik) yang terbentuk

oleh titik-titik tinggi dan Ridgelines (garis watershed) yang

menurun ke titik-titik yang lebih rendah.

Pendekatan yang berbeda dapat digunakan untuk

menggunakan prinsip watershed untuk segmentasi citra. Pertama

adalah, nilai lokal minima dari gradien gambar sebagai penanda,

dalam hal ini suatu segmentasi dibuat yang kemudian akan

melibatkan penggabungan wilayah. Kedua adalah, marka

transformasi watershed berbasis pada posisi penanda spesifik yang

telah secara eksplisit didefinisikan oleh user atau ditentukan

secara otomatis dengan operator morfologi atau cara lainnya.

Tiga elemen dasar dalam watershed segmentation adalah:

nilai minima, nilai cekungan dan garis watershed. Tujuan dari

watershed segmentation adalah untuk menemukan semua garis

watershed (tingkat abu-abu tertinggi).

40

2.4 OpenCV

2.4.1 Definisi OpenCV

Menurut Bradski dan Kaehler (2008), OpenCV (Open Computer

Vision) adalah sebuah library open source yang dikhususkan untuk

melakukan pengolahan citra yang berbasiskan C/C++ yang saat ini banyak

digunakan dalam program computer vision. OpenCV bisa didapatkan dari

“http://opencv.org/”. Library ini dibuat dengan bahasa C dan C++, serta dapat

dijalankan dalam sistem operasi Windows, Linux, dan Mac OS X.

Salah satu tujuan OpenCV adalah agar komputer mempunyai

kemampuan mirip dengan cara pengolahan visual pada manusia. Keuntungan

dari OpenCV adalah OpenCV menyediakan infrastruktur computer vision

yang mudah digunakan sehingga dapat membantu user dalam membangun

aplikasi berbasis computer vision dengan cepat. OpenCV dirancang untuk

efisiensi komputasional dan dengan fokus pada aplikasi realtime. Menurut

Chandra, Prajnagaja, dan Nugroho (2011), Library pada OpenCV berisi lebih

500 fungsi yang menjangkau berbagai area permasalahan computer vision

seperti, image processing, kalibrasi kamera, user interface, dan robotika.

OpenCV juga memiliki Machine Learning Library (MLL). Library OpenCV

terdiri dari fungsi-fungsi computer vision dan API (Application Programming

Interface) untuk image processing dalam Low-level vision maupun High-level

vision.

Menurut Chandra, Prajnagaja, dan Nugroho (2011), sejak peluncuran

pertama pada Januari 1999, OpenCV telah digunakan pada banyak aplikasi,

41

produk, dan penelitian. Aplikasi-aplikasi ini meliputi penggabungan citra

pada web dan satelit, image scan alignment, pengurangan noise pada citra

medis, sistem keamanan dan pendeteksian gangguan, sistem pengawasan

otomatis dan keamanan, sistem inspeksi pabrik, pengenalan sidik jari,

pengenalan wajah, serta aplikasi militer. OpenCV juga telah digunakan untuk

pengenalan suara, dimana teknik pengenalan visi diaplikasikan pada citra

spektogram suara (Bradski dan Kaehler, 2008).

2.4.2 Fitur OpenCV

Berikut ini adalah beberapa fitur pada library OpenCV.

- Manipulasi data gambar (alokasi memori, melepaskan memori,

duplikasi gambar, konversi gambar)

- Image / video I/O (format input / output dalam gambar ataupun

video yang terhubung dengan hardware seperti kamera)

- Manipulasi matrix dan vektor serta formula linear algebra

(products, solvers, eigenvalues)

- Image processing (filtering, edge detection, sampling dan

interpolasi, konversi warna, histogram)

- Analisis struktural

- Pendeteksian dan pengenalan objek

- Image labeling (line, conic, polygon, text drawing)

42

- Basic GUI (display output, control input)