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 : novii.here@gmail.com

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). Boundary-

based 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) :

( )

[

(

)] ( ) (1)

Respon impuls filter Gabor 2D diilustrasikan pada Gambar 3.

Gambar 3 Respon impuls filter Gabor 2D

Sumber : Modul-3-EL4027

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 2

1 2

2 2

3 2

4 2

5 2

6

Lebar pita frekuensi BF 1 oktaf

Lebar pita angular Bө 300 atau 45

0

Spacing frekuensi SF 1 oktaf

Spacing angular Sө 300 atau 45

0

Orientasi ө Sө = 30

0 : 0

0, 30

0, 60

0, 90

0, 120

0, 150

0

Sө = 450 : 0

0, 45

0, 90

0, 135

0, 180

0, 225

0

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 45

0. Pemilihan lebar pita

angular sebesar 300 dan 45

0 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).

D(I,J) = ))()(( ||2

i

JfiIfi (2)

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 paru-

paru.

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

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

1. 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 (rata-

rata 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, 30

0, 60

0 dan 90

0. 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

Nama File Power Nilai Orientasi (

0)

0 30 60 90

Normal_1.jpg

0 Energi 0.334266 0.307364 0.330938 0.310548

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 Energi 0.311424 0.3079 0.30852 0.310914

Entropy 7.29691 6.63195 6.55262 7.18405

1 0.180807 0.00353543 0.00356151 0.180213

7.54155 4.81784 4.82256 7.53856

2 0.0095005 0.00476653 0.00512437 0.00834466

5.24972 4.85827 4.97407 5.21891

3 0.0324335 0.0245837 0.0245033 0.0324823

6.35015 6.1356 6.12427 6.34306

4 0.297574 0.32616 0.319336 0.297286

7.91584 7.97613 7.96043 7.91226

5 0.329044 0.328953 0.328926 0.328989

7.989 7.98524 7.98522 7.98526

Normal_3.jpg

0 Energi 0.324481 0.306809 0.319424 0.310012

Entropy 7.30563 6.60497 6.75914 7.41828

1 0.213961 0.00602801 0.00604301 0.180423

7.67056 5.24379 5.24719 7.55635

2 0.00904572 0.00241808 0.00291278 0.00796787

5.48254 4.3164 4.43534 5.28682

3 0.0245121 0.0164957 0.0189136 0.0336593

6.23657 5.93355 5.99716 6.44024

4 0.319858 0.304137 0.307956 0.309018

7.96042 7.9297 7.93725 7.93383

5 0.328686 0.328706 0.328827 0.328929

7.98363 7.98344 7.98338 7.98355

Abnormal.jpg

0 Energi 0.320245 0.307476 0.317066 0.310278

Entropy 7.62526 6.99166 6.96582 7.58798

1 0.186972 0.00517123 0.00517254 0.180608

7.59082 5.14335 5.14131 7.56575

2 0.0100527 0.00845936 0.00717131 0.00841995

5.34531 5.51212 5.37134 5.33856

3 0.0397188 0.0309629 0.0267305 0.0380601

6.52851 6.39146 6.2854 6.49419

4 0.307524 0.324766 0.31876 0.30001

7.93753 7.97571 7.96644 7.92154

5 0.325085 0.324894 0.324699 0.324693

7.9867 7.98685 7.98689 7.98705

Cervical_1.jpg

0 Energi 0.310609 0.306334 0.306278 0.309647

Entropy 7.61842 6.98912 7.03034 7.61221

1 0.181543 0.00423437 0.00396038 0.178632

7.55604 5.05471 5.00577 7.53536

2 0.00899417 0.00888587 0.00809976 0.00677458

5.42515 5.53987 5.4513 5.3216

3 0.0408182 0.0330978 0.025418 0.0357838

6.62217 6.52809 6.32908 6.50397

4 0.301856 0.304649 0.297403 0.311486

7.90547 7.91985 7.90533 7.93015

5 0.326196 0.326049 0.325775 0.325644

7.9725 7.97263 7.97235 7.97184

Cervical_2.jpg

0 Energi 0.329141 0.332067 0.327245 0.332839

Entropy 7.68023 7.06018 7.13814 7.69869

1 0.19626 0.00402642 0.00435585 0.204385

7.60422 4.99651 5.0503 7.62798

2 0.00664323 0.0115166 0.0123842 0.00837492

5.16086 5.72251 5.76224 5.45242

3 0.0443077 0.0435665 0.0361278 0.0450487

6.64496 6.70351 6.57288 6.66293

4 0.33266 0.321644 0.319476 0.33187

7.97722 7.95902 7.95912 7.98043

5 0.324161 0.323987 0.323837 0.323862

7.97758 7.97751 7.97759 7.97768

Cervical_3.jpg

0 Energi 0.308279 0.306805 0.305493 0.329657

Entropy 7.6004 0.93025 6.90555 7.60835

1 0.179112 0.00429371 0.004208 0.198122

7.57036 4.95542 4.93683 7.62571

2 0.00884454 0.00697724 0.0086087 0.00775026

5.17917 5.31553 5.49766 5.30319

3 0.0391009 0.0393473 0.0390623 0.0397739

6.47987 6.53733 6.54834 6.50247

4 0.0397739 0.317945 0.31746 0.328453

6.50247 7.9553 7.95895 7.97945

5 0.325857 0.325723 0.325427 0.325263

7.9822 7.98223 7.98219 7.98192

Cervical_4.jpg

0 Energi 0.326853 0.31801 0.319078 0.320955

Entropy 7.60406 6.95203 6.98024 7.58802

1 0.247688 0.0067491 0.00704475 0.187141

7.78557 5.37276 5.40496 7.58933

2 0.0108838 0.00730391 0.00583369 0.00813116

5.66337 5.22319 5.119 5.40379

3 0.0565669 0.0269707 0.0322497 0.0411261

6.84998 6.37389 6.51454 6.62947

4 0.332153 0.324718 0.321303 0.310235

7.97518 7.9622 7.95415 7.92971

5 0.326915 0.327019 0.327089 0.327054

7.97476 7.97466 7.97481 7.9749

Cervical_5.jpg 0 Energi 0.310964 0.305986 0.307497 0.311938

Entropy 7.46769 6.80756 6.77412 7.44188

1 0.180154 0.00616387 0.00625623 0.188692

7.55952 5.25867 5.2639 7.57202

2 0.0106192 0.00549369 0.0062707 0.00763832

5.29621 5.14128 5.2233 5.26909

3 0.0360184 0.0291676 0.0226101 0.0457561

6.66145 6.32688 6.17605 6.63837

4 0.298392 0.32594 0.319262 0.327178

7.90543 7.96529 7.95326 7.96725

5 0.326305 0.326126 0.325832 0.325717

7.97168 7.97185 7.97162 7.97106

Cervical_6.jpg

0 Energi 0.31081 0.307624 0.307591 0.310332

Entropy 7.38671 6.74255 6.75573 7.38123

1 0.181383 0.00718715 0.00766314 0.17979

7.5712 5.27513 5.31759 7.55512

2 0.0108347 0.0101715 0.012326 0.00854416

5.297 5.44764 5.6166 5.23054

3 0.0375802 0.0360564 0.0307612 0.0342675

6.4647 6.44569 6.34525 6.39942

4 0.297903 0.318073 0.31973 0.297424

7.91984 7.96325 7.96796 7.91479

5 0.325573 0.325343 0.325026 0.324936

7.98852 7.98823 7.98817 7.98826

Cervicitis_1.jpg

0 Energi 0.310519 0.317138 0.304006 0.32067

Entropy 7.46936 6.7776 6.75631 7.42572

1 0.178272 0.0046925 0.00468195 0.186555

7.54432 5.06055 5.0592 7.57524

2 0.00658655 0.00390847 0.00715772 0.00837326

5.09738 4.76498 5.26653 5.31682

3 0.0354918 0.0234817 0.0212035 0.0358552

6.4558 6.18208 6.13108 6.46971

4 0.330409 0.315192 0.314092 0.332245

7.98317 7.95729 7.95533 7.98938

5 0.328178 0.328104 0.328014 0.327998

7.98647 7.9868 7.98714 7.98723

Cervicitis_2.jpg

0 Energi 0.310508 0.329796 0.307029 0.332604

Entropy 7.34477 6.71995 6.7025 7.33394

1 0.180281 0.081921 0.00789781 0.23291

7.54188 5.46056 5.43311 7.71879

2 0.00704532 0.00767355 0.00872945 0.00944157

5.17512 5.28332 5.39029 5.42175

3 0.0336407 0.0273495 0.0366804 0.0466603

6.40867 6.29219 6.51133 6.65705

4 0.297816 0.323462 0.323964 0.329528

7.91074 7.96971 7.97054 7.97444

5 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. Masing-

masing 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 00,

300, 60

0, dan 90

0.

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.

Citra Nilai

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

Cervical_2 0.324161 7.97758 0.0705622 0.275534

Cervical_3 0.325857 7.9822 0.072285 0.279137

Cervical_4 0.326915 7.97476 0.0717444 0.27801

Cervical_5 0.326305 7.97168 0.0738578 0.282396

Cervical_6 0.325573 7.98852 0.0735603 0.281782

Cervicitis_1 0.328178 7.98647 0.0745556 0.283834

Cervicitis_2 0.329175 7.98442 0.0753558 0.285477

Chronic 0.328584 7.98233 0.0743728 0.283458

Ectopy 0.327959 7.98708 0.0761595 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 Citra Nilai Energi

1 Cervical_2 0.324161

2 Abnormal 0.325085

3 Cervical_6 0.325573

4 Cervical_3 0.325857

5 Cervical_1 0.326196

6 Cervical_5 0.326305

7 Cervical_4 0.326915

8 Ectopy 0.327959

9 Cervicitis_1 0.328178

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

%57.78%10014

11

XPersentase

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 Citra Nilai Entropy

1 Normal_1 7.99212

2 Normal_2 7.989

3 Cervical_6 7.98852

4 Ectopy 7.98708

5 Abnormal 7.9867

6 Cervicitis_1 7.98647

7 Cervicitis_2 7.98442

8 Normal_3 7.9867

9 Chronic 7.98264

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

%85.92%10014

13

XPersentase

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] 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.

[2] 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

[3] Alexander, Bunga J. 2009. “Klasifikasi Citra dengan Metode Transformasi Wavelet

pada Lima Biji-Bijian”. Skripsi Jurusan Teknik Elektro. Universitas Diponegoro.

Semarang.

[4] 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.

[5] Anonim. 2007. Kanker : Pertumbuhan, Terapi dan Nanomedis,

http://www.nano.lipi.go.id/utama.cgi?artikel&1187593839, diakses 25 Juli 2011.

[6] Anonim. 2009. “Stadium Kanker Leher Rahim”, http://www.kankersehat.com/, 2009,

diakses 28 Mei 2011.

[7] Bertalya. 2010. “Materi Pengolahan Citra : Perataan Histogram”,

http://bertalya.staff.gunadarma.ac.id/Downloads/files/16166/histogram.pdf.

[8] D. Clausi, M. Ed Jernigan. 2000 ”Designing Gabor filters for optimal texture

separability,” Pattern Recognition, vol. 33, pp. 1835-1849.

[9] Ferlay J. Globocan. 2002. “Cancer incidence, mortality and prevalence worldwide”.

IARC Cancer Base No.5. Version 2.0. IARC Press, 2004. Lyon, France.

[10] Gonzales, R. C. And P. Wintz. 2004. Digital Image Processing. Addison Wesley Pub.

Company. USA.

[11] Gonzales, R. C. And Woods, R. E. 2002. Digital Image Processing, 2nd

ed.,Prentice

Hall, Upper Saddle River, NJ.

[12] Haralick, R. K. Shanmugam. 1998 "Feature Normalization and Likelihood-Based

Similarity Measures for Image Retrieval". in Pattern Recognition Letters, 22(5):563-

582

[13] Karyanti, Yuli. 2010. “Pencarian Citra Berdasarkan Filter Lokal Tekstur”. Disertasi

Program Doktor Teknologi Informasi. Universitas Gunadarma. Depok.

[14] Rinaldi, Munir. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Informatika Bandung. Bandung.

[15] 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.

[16] Seo, Naotoshi. 2006. “Texture Segmentation using Gabor Filters”. ENEE731 Project

1.

[17] 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.

[18] Wang. 2001. Integrated Region Based Image Retrieval. Boston, Kluwer Academic

Publisher.

[19] Zhang, Dengsheng, Ayliwin Wong, Maria Indrawan, Guojun Lu. 2003. Content-

Based Image Retrieval Using Gabor Texture Features. Gippsland School of

Computing and Infromation Technology. Monash University Churchill. Victoria.

Australia.

[20] 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.