Penentuan Otomatis Posisi Fokus Citra Mikroskopis Bakteri
Tuberkulosis Berbasis Nilai Entropi dan Fuzzy Logic
BUDI SANTOSO, AHMAD ZAINI, I KETUT EDDY PURNAMA
Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo Surabaya 60111
INDONESIA
budisanto.ypm@gmail.com,
{a.zaini,ketutedi}@ee.its.ac.id
Abstrak: - Identifikasi dini tuberkulosis (TB) melalui pengamatan mikroskopis (screening) menggunakan sampel dahak (sputum smear) telah banyak membantu penanggulangan penyakit TB. Namun proses identifikasi TB melalui screening mikroskopis membutuhkan waktu cukup lama, ketelitian tinggi, serta tenaga laboratorium yang ahli.
Otomatisasi mikroskop merupakan solusi peningkatan efisiensi penggunaan sumberdaya pada screening bakteri TB. Pada penelitian ini diusulkan metode perhitungan nilai entropi dan fuzzy logic controller untuk proses autofocus, bertujuan agar akurasi dan kecepatan penentuan posisi fokus obyek mikroskopis dapat ditingkatkan. Pengendalian pencapaian posisi fokus berbasis fuzzy logic dengan input hasil perhitungan nilai entropi citra pada penelitian ini berhasil diterapkan dengan error mencapai 9,1% dan peningkatan kecepatan pencapaian fokus mencapai 73,5%.
Kata Kunci: -autofocus, tuberkulosis, entropi, fuzzy logic controller
Abstract: - Early identification of tuberculosis (TB) through microscopic observation (screening) using a sample of sputum smear has been supporting to the prevention of TB disease. But theTB screening process takes a long time, high precision, and need skilled laboratory personnel.
A microscope automation is one of solutions to improve the efficiency of resource that used in TB bacteria screening. In this research, we proposed calculating entropy value and fuzzy logic controller methods for the autofocus process, to improve the positioning accuracy and speed of focusing microscopic objects. Achievement of the focus position control using fuzzy logic with the input image entropy calculation results in this research, successfully applied with 9.1% error and increasing speed for achievement focus upto 73.5%.
Key-Words: -autofocus, tuberculosis, entropy, fuzzy logic controller
1 Pendahuluan
Pada screening TB mikroskopis menggunakan sampel dahak (sputum smear), keberadaan bakteri dicari secara manual dan teliti. Proses manual scanning dan pengaturan fokus pada tiap titik slide membutuhkan waktu dan usaha yang besar bagi tenaga laborat. Keterbatasan tenaga ahli laboratorium juga menjadi salah satu penyebab peningkatan waktu identifikasi [3]. Otomatisasi mikroskop adalah solusi mekanisme identifikasi bakteri TB yang dapat mengurangi waktu proses. Bagian utama automatic mikroskop adalah automatic slide movement untuk pencarian area bakteri pada slide dan autofocusing untuk menentukan fokus terbaik sebelum pengambilan citra mikroskopis.
Proses autofocus menjadi bagian terpenting karena hasilnya menentukan hasil pengamatan secara keseluruhan. Permasalahan utama pada autofocus adalah pemodelan matematis yang rumit pada penentuan titik fokus lensa mikroskopis, serta adanya variasi ketebalan apusan dari hasil metode pewarnaan Ziehl-Neelsen stain pada slide TB dengan sampel dahak. Hal ini menyebabkan posisi acak bakteri TB terhadap lensa obyektif mikroskop, sehingga posisi fokus selalu berubah pada setiap titik pencarian bakteri TB.
fokus, namun dilakukan pada mikroskop fluoresen yang memiliki sensitifitas tinggi [4]. Jenis mikroskop dan pewarnaan fluoresen akan sulit ditemui pada negara berkembang karena harga yang lebih mahal dibandingkan mikroskop konvensional.
Pada penelitian ini diusulkan metode yang
menggabungkan kecepatan dan ketelitian
penentuan posisi fokus pada pengambilan citra
mikroskopis bakteri TB dengan pewarnaan
Ziehl-Neelsen.
Penggabungan
metode
perhitungan parameter entropi
dan
fuzzy logic
controller
akan memenuhi kebutuhan tersebut.
2 Sistem Kendali Berbasis Logika
Fuzzy
Penggunaan sistem kendali berbasis logika fuzzy (Fuzzy Logic Controller) sangat memungkinkan diterapkan pada penentuan posisi fokus pengamatan mikroskop. Hal ini disebabkan ketidakpastian jarak fokus lensa (focal length) yang terjadi pada setiap pergantian area pengamatan pada obyek.
Dengan fuzzy, posisi akurat fokus dapat didekati dengan perhitungan entropi citra dan aturan (fuzzy rules) berdasarkan intuisi manusia terhadap citra yang telah fokus.
2.1 Perancangan Pengendali Berbasis Logika
Fuzzy
Sistem pengendali berbasis logika fuzzy (FLC) terdiri atas tiga bagian utama (gambar 1) yaitu : fuzzifier, inference system, dan defuzzifier [2].
Pada bagian fuzzifier berisi proses pemetaan besaran input pada fungsi keanggotaan (membership function), menjadi nilai keanggotaan (membership value).
Gb. 1 Diagram FLC.
Pada penelitian ini dipilih dua besaran input yaitu: 1. delta-x, yang didapatkan dari selisih hasil
perhitungan entropi terkini (xn) terhadap hasil perhitungan entropi sebelumnya (xn-1)
∆ [ ] = [ ] − [ − 1]………..(1)
2. delta-max, yang didapatkan dari selisih nilai maksimal perhitungan entropi terkini (xmax) terhadap nilai entropi terkini (xn).
∆ [ ] = − [ ]……….(2)
2.1.1 Fungsi Keanggotaan Input
Input delta-x dibagi menjadi tiga himpunan dengan tiga bentuk fungsi keanggotaan yaitu : Low (trapezoida), Mid (segitiga), dan High (trapezoida).
Gambar 2. Fungsi keanggotaan input delta-x
Sedangkan input delta-max dibagi menjadi dua himpunan dengan dua bentuk fungsi
keanggotaan
yaitu : Negatif (trapezoida), dan Positif
(trapezoida).
Gambar 3. Fungsi keanggotaan input delta-max
Masing-masing fungsi keanggotaan segitiga dan trapezoida dapat hitung melalui persamaan matematis seperti pada persamaan 3 dan 4.
μ
( ) =
⎩
⎪
⎨
⎪
⎧
0, ≤
,
≤ ≤
,
≤ ≤
0, ≥
...
(3)μ
( ) =
1, ≤
,
≤ ≤
0, ≥
...
(4)Persamaan matematis untuk fungsi keanggotaan lain identik dengan kedua persamaan di atas.
2.1.2 Inference System
Selanjutnya, berdasarkan kedua input dirancang sistem penalaran (inference) untuk mendapatkan fuzzy rules.
Gambar 4. Desain inference system dengan 2 input dan 1 output
Hasil perancangan dimuat pada tabel penalaran untuk memudahkan pembuatan fuzzy rules.
Tabel 1. Tabel Penalaran Fuzzy Rules
Delta-x
Low
Mid
High
Delta-Max
Neg
Fast
Mid
Slow
Pos
Fast
Fast
Mid
Dari tabel 1 didapatkan daftar aturan (rules) fuzzy untuk diterapkan pada membership value hasil dari fuzzifier :
IF delta-x low and delta-max negative, THEN speed is fast
IF delta-x low and delta-max positive, THEN speed is fast
IF delta-x mid and delta-max negative, THEN speed is mid
IF delta-x mid and delta-max posiive, THEN speed is fast
IF delta-x high and delta-max negative, THEN speed is slow
IF delta-x high and delta-max negative, THEN speed is mid
2.1.3 Defuzzifikasi
Proses defuzzifikasi dilakukan untuk mendapatkan besaran output pengendali. Pada penelitian ini dipakai fungsi keanggotaan singleton dari metode Sugeno (gambar 5).
Gambar 5. Fungsi keanggotaan output
Berdasarkan nilai output derajat keanggotaan singleton kecepatan, dilakukan perhitungan nilai aktual kecepatan menggunakan metode weighted average berdasarkan persamaan 5.
∗
= ∑
(y)( )………….……...(5)
3
Nilai Entropi
Hasil perhitungan nilai entropi pada sebuah citra merepresentasikan ukuran keacakan pada citra tersebut. Pada penelitian ini, sifat nilai parameter entropi dari sebuah citra yang semakin mengecil saat mendekati posisi fokus dimanfaatkan sebagi input pengaturan FLC.
Nilai entropi sebuah citra dapat dihitung berdasarkan persamaan 6.
= − P(g). log2 [P(g)] …...(6)
Untuk memudahkan perhitungan dalam proses pengendalian, diambil nilai absolut nilai entropi sebelum diproses pada FLC.
4 Alur Kerja Sistem
Secara garis besar, terdapat tiga tahapan kerja pada penelitian ini.
Gambar 6. Alur kerja penelitian perhitungan
FLC ekstraksi &
penentuan step frame
perhitungan
entropi
video
Untuk mendapatkan input video sequence, pada lensa okuler mikroskop dipasang sebuah kamera digital dengan resolusi yang memadai. Hasilnya adalah sequence image atau raw video dengan resolusi 1280x960 piksel yang berisikan citra mikroskopis dari sampel dahak yang telah diproses menjadi slide TB.
Video input kemudian diekstrak menjadi frame berdasarkan urutannya, dan dipilih dengan step frame berdasarkan output FLC. Setiap frame citra dihitung nilai entropi sebagai input FLC. Sedangkan output hasil proses pada FLC akan menentukan kecepatan pergerakan lensa obyektif pada mikroskop untuk mencapai posisi fokus. Dalam penelitian ini, pergerakan mekanik lensa dalam sumbu-z disimulasikan dengan pergerakan step frame pada video sequence citra mikroskopis bakteri tuberkulosis.
5 Implementasi dan Analisis
Pada bagian ini dibahas mengenai input data pengujian terhadap sistem, serta data-data hasil yang didapatkan dari output sistem pengendali posisi fokus citra mikroskopis bakteri tuberkulosis.
5.1 Data Input
Pada penelitian ini data input diperoleh dari Laboratorium Mikrobiologi Fakultas Kedokteran Universitas Airlangga. Terdapat sepuluh data uji yang berupa video sequence pergerakan frame citra mikroskopis bakteri tuberkulosis dimulai dari posisi belum fokus (unfocus) – fokus (on focus) – dan melewati fokus (out of focus) . Video mempunyai resolusi 1280x960 dari hasil pembesaran lensa mikroskop 100X.
Data video sequence dengan kepadatan isi (content density) yang bervariasi dari low, medium, dan high content density. Masing-masing jenis menunjukkan proses pewarnaan (stained) Ziehl-Neelsen dengan apusan tipis, sedang, dan tebal [5]. Variasi ini diharapkan dapat menguji metode yang telah direncanakan, sehingga dapat diketahui respon terhadap kemungkinan kondisi nyata di laboratorium.
5.2 Hasil Pengujian
Pada setiap input video sequence yang diujikan, didapatkan grafik nilai entropi tanpa FLC dan dibandingkan dengan grafik nilai entropi menggunakan FLC (gambar 7).
Dari hasil pengujian didapatkan pola grafik perhitungan entropi dengan puncak masing-masing grafik menunjukkan area posisi fokus, serta selisih
Gambar 7. Grafik salah satu hasil pengujian
pencapaian posisi fokus antara pengujian tanpa FLC(garis putus-putus) dan dengan FLC (garis kontinyu).
Dari grafik pada gambar 7 terlihat bahwa posisi fokus didapatkan pada frame nomor 32 (posisi A dan B), baik tanpa FLC maupun dengan FLC. Namun saat digunakan FLC, hanya dibutuhkan 10 step frame untuk mencapai posisi fokus. Kedua posisi A dan B mempunyai nilai absolut entropi yang sama yaitu 0,465.
Citra pada frame posisi fokus ditunjukkan pada gambar 8. Terlihat bahwa detail isi citra terlihat jelas, dan obyek bakteri tuberkulosis juga dapat diidentifikasi dengan baik. Pada citra mikroskopis, bakteri TB terlihat sebagai obyek berwarna merah dengan bentuk batang pendek (coccus).
Gambar 8. Citra fokus pada posisi frame A dan B
Sedangkan posisi unfocus dan out of focus yang pada grafik gambar 7 ditandai dengan huruf D dan C, masing-masing diperlihatkan pada gambar 9 dan gambar 10.
Gambar 9. Citra pada posisi frame D
Gambar 10. Citra pada posisi frame C
Pada kedua gambar 9 dan gambar 10 terlihat bahwa tidak dimungkinkan identifikasi bakteri TB secara visual, karena posisi yang jauh dari area fokus membuat batas tepi setiap obyek pada citra menjadi tidak jelas dan warna yang cenderung homogen.
Tabel 2 Perbandingan hasil posisi frame fokus dari
Hasil pengujian keseluruhan input data video pada tabel 2 menunjukkan bahwa selisih antara posisi frame yang diidentifikasi sebagai fokus tanpa FLC dan posisi frame dengan FLC tidak jauh berbeda, dengan nilai error tertinggi mencapai 9,1%. Namun didapatkan fakta bahwa perhitungan entropi gagal mengidentifikasi posisi fokus dari beberapa video sequence (tabel 2 baris 3,7, dan 10) baik tanpa ataupun dengan FLC.
Selanjutnya dilakukan perbandingan kecepatan pencapaian posisi frame fokus pada masing-masing pengujian tanpa dan dengan FLC. Kecepatan pencapaian posisi fokus dalam penelitian ini adalah jumlah step frame yang dibutuhkan pada masing-masing pengujian untuk mencapai nilai tertinggi hasil perhitungan entropi.
Tabel 3. Perbandingan pencapaian posisi fokus dari keseluruhan pengujian
Dari tabel 3 terlihat bahwa rata-rata peningkatan pencapaian posisi fokus mencapai 53,9%, kecuali tiga video yang gagal diidentifikasi posisi fokusnya. Sedangkan peningkatan tertinggi mencapa
i 73,5%
didapatkan dari video no.4 berjenis
low content
density.
5 Kesimpulan
Penelitian ini telah menguji proses penentuan posisi fokus pada pengamatan mikroskopis citra bakteri tuberkulosis (TB) dengan pewarnaan Ziehl-Neelsen secara otomatis (autofocus) dengan menggabungkan metode perhitungan entropi dan pengaturan kecepatan berbasis logika fuzzy. Dari keseluruhan pengujian dan perbandingan didapatkan kesimpulan :
mendapatkan posisi fokus yang sesuai dengan pengamatan visual.
Bersama dengan fuzzy logic controller (FLC), tingkat kesalahan penentuan posisi fokus mencapai 9,1% pada citra mikroskopis TB jenis high content density.dan kecepatan pencapaian posisi fokus bertambah sampai dengan 73,5% pada citra mikroskopis TB jenis low content density.
Referensi:
[1] Cicero F. F. Costa Filho and Marly G. F. Costa, “Sputum Smear Microscopy for Tuberculosis: Evaluation of Autofocus Functions and Automatic identificationof Tuberculosis Mycobacterium, Understanding Tuberculosis -Global Experiences and Innovative Approaches to the Diagnosis”, Brazil, 2012.
[2] J.Webb, I. Elamvazuthi, P. Vasant, “The Application of Mamdani Fuzzy Model for Auto
Zoom Function of a Digital Camera”, IJCSIS Vol. 6, No. 3,Pennsylvania, USA, 2009.
[3] Purnawan Junadi, “Kualitas tenaga mikroskopis untuk program directly observed treatment short-course-therapy(DOTS) di Pusat Kesehatan Masyarakat”, Universa Medicina Vol.24 no.2 , FKM-UI, Jakarta, 2004
[4] Qiang Wu, Fatima A. Merchant, Kenneth R. Castleman, “Microscope Image Processing”, Academic Press, Burlington – MA, USA, 2008.