PERBAIKAN CITRA MENGGUNAKAN AUTOMATIC COLOR
EQUALIZATION UNTUK SEGMENTASI CITRA MELANOMA
DENGAN METODE MAMDANI-FIS
Army Justitia, Nanik Suciati, dan Bilqis Amaliah Jurusan Teknik Informatika, Fakultas Teknologi InformasiInstitut Teknologi Sepuluh Nopember Kampus ITS Keputih–Sukolilo, Surabaya 60111
army10@mhs.if.its.ac.id,nanik@if.its.ac.id,bilqis@its-sby.edu
ABSTRAK
Segmentasi citra merupakan tahap yang penting dalam menganalisa citra dermoscopy karena akan mempengaruhi hasil diagnosis. Permasalahan yang sering muncul dalam proses segmentasi citra dermoscopy adalah kontras yang rendah antara luka melanoma dengan kulit sekitar. Pada penelitian ini digunakan pendekatan fuzzy untuk mengklasifikasikan piksel ke dalam kategori piksel melanoma atau piksel kulit. Mamdani Fuzzy Inference System (Mamdani-FIS) merupakan salah satu metode fuzzy yang memiliki kelebihan terhadap toleransi data yang tidak tepat, mudah dimengerti dan lebih sesuai dengan penalaran manusia. Ruang warna RGB dipilih untuk merepresentasikan warna luka atau kulit. Algoritma
Automatic Color Equalization (ACE) merupakan algoritma peningkatan kekontrasan warna
yang mampu mengurangi jumlah variasi warna dan meningkatkan kontras citra. Dalam penelitian ini diusulkan perbaikan citra dengan ACE dan metode segmentasi berbasis Mamdani-FIS. Kinerja metode yang diusulkan telah dibandingkan dengan metode segmentasi
thresholding dengan mapping nilai intensitas. Dari hasil uji coba diketahui bahwa metode
segmentasi menggunakan ACE dan Mamdani-FIS telah terbukti berhasil menurunkan nilai kesalahan hasil segmentasi sebesar 0,008 dibandingkan dengan metode segmentasi
thresholding dengan mapping nilai intensitas.
Kata kunci: segmentasi, kekontrasan, algoritma ACE, Mamdani-FIS, melanoma
PENDAHULUAN
Melanoma adalah kanker kulit paling mematikan yang berasal dari sel-sel penghasil pigmen (melanosit). Kejadian ini berkembang secara signifikan beberapa tahun terakhir. Di Negara Amerika Serikat pada tahun 2011 diperkirakan terdapat 70.230 kejadian dan diperkirakan total 8.790 kematian (Siegel dkk, 2011). Jika penyakit ini dapat dideteksi dini, maka melanoma bisa disembuhkan dengan eksisi.
Dermoscopy telah menjadi salah satu alat paling penting untuk diagnosa melanoma atau
luka terpigmen pada kulit lainnya, seperti luka bakar dan tahi lalat. Citra dermoscopyic mempunyai potensi yang besar pada diagnosa dini kanker melanoma, tetapi mempunyai kelemahan dalam waktu (time consuming) dan subjektif, bahkan untuk dermatologis (Binder dkk, 1995). Oleh karena itu, hal ini menimbulkan ketertarikan dalam perkembangan sistem diagnosis berbantu komputer (computer-aided diagnosis system) yang dapat membantu pakar dermatologis dalam mengevaluasi secara klinis.
Tahap segmentasi merupakan tahap yang paling penting dalam analisa karena akan mempengaruhi hasil diagnosis. Beberapa penelitian tentang segmentasi citra dermoscopic
melibatkan proses klasifikasi piksel yang didalamnya termasuk jaringan saraf tiruan, logika
fuzzy dan komputasi evolusioner (Celebi dkk, 2009).
Mamdani Fuzzy Inference System (Mamdani-FIS) merupakan salah satu metode logika
fuzzy yang memiliki kelebihan terhadap toleransi data yang tidak tepat, mudah dimengerti dan
lebih sesuai dengan penalaran manusia (human-like inference). Mamdani-FIS telah banyak digunakan pada disiplin ilmu sebagai kontrol sistem, pembuat keputusan (decision making) dan pengenalan pola. Pada penelitian ini metode Mamdani-FIS digunakan untuk melakukan segmentasi luka melanoma.
Penelitian yang dilakukan oleh Shin (Shin dkk, 2002) menyarankan ruang warna terbaik adalah RGB atau YcbCr untuk merepresentasikan warna kulit. Menurut penelitian tersebut, ruang warna RGB unggul 5 dari 8 uji performa. Berdasarkan hal tersebut, penelitian ini menggunakan ruang warna RGB untuk merepresentasikan warna kulit.
Algoritma Automatic Color Equalization (ACE) adalah algoritma peningkatan kekontrasan warna dengan menggabungkan 2 teknik metode normalisasi popular, yaitu
Grayworld dan normalisasi MaxRGB (Schaefer, 2011). Algoritma ACE mampu mengurangi
jumlah variasi warna dan meningkatkan kontras citra. Algoritma ACE memperhitungkan tingkat terang relatif dan saturasi dari sebuah piksel serta telah terbukti menurunkan nilai error hasil segmentasi melanoma.
Penelitian ini bertujuan melakukan peningkatan kekontrasan warna dengan algoritma ACE dan segmentasi melanoma dengan metode Mamdani-FIS. Metode Mamdani-FIS dengan algoritma ACE diharapkan mampu menurunkan nilai border error hasil segmentasi.
METODE
Algoritma ACE merupakan algoritma peningkatan kekontrasan warna yang menggabungkan 2 teknik normalisasi, yaitu Grayworld dan MaxRGB (Schaefer, 2011). Algoritma ACE terdiri dari dua tahap, yaitu penyesuaian kromatik/spatial dan penyekalaan ‘tone’ secara dinamis. Tahap penyesuaian kromatik/spatial adalah tahap dimana normalisasi warna dan peningkatan kontras citra sebenarnya dilakukan. Sedangkan tahap kedua dilakukan mapping ‘tone’ secara akurat dan pencahayaan yang konstan.
Pada tahap penyesuaian kromatik/spatial dihasilkan citra intermediate M yang berasal dari citra input I berdasarkan persamaan dibawah ini :
( ) = ∑ , ( ( )( , )( )), = , , , (1)
dimana ( ) − ( ) merupakan mekanisme inhibisi lateral, ( , )adalah jarak Euclidean antara lokasi piksel p dan j dan menyeimbangkan efek filtering global dan lokal, j bervariasi untuk keseluruhan citra (yaitu perbedaan antara lokasi sekarang dan semua lokasi citra lain yang diekstraksi). Mekanisme inhibisi lateral diasumsikan dengan menghitung perbedaan antara nilai setiap piksel dan semua piksel subset citra yang dipilih lainnya. (∙)adalah fungsi yang memperhitungkan tingkat terang relatif dari sebuah piksel dan (secara empiris) dipilih menjadi fungsi saturasi miring linier dengan kemiringan adalah 5 yang memenuhi persyaratan sebagai berikut :
( ) = ⎩ ⎪ ⎨ ⎪ ⎧−127.5 { < . . ≤ ≤ . 127.5 > . . (2)
Nilai piksel dari citra intermediate M kemudian diproses lagi untuk menghasilkan citra keluaran O. Mapping yang digunakan sesuai dengan rumus :
( ) = [127.5 + ( )], = , , , (3)
dimana adalah kemiringan segment ( ), 0 , ( ), 255 . Pada Gambar 1,
I merupakan citra input, M merupakan citra intermediate, dan O merupakan citra output
sedangkan subscript c menunjukkan masing-masing channel RGB. Hasil dari peningkatan kekontrasan warna bisa dilihat pada Gambar 2, dimana menampilkan citra sebelum dan sesudah peningkatan kekontrasan warna. Dari Gambar 2 bisa dilihat bahwa variasi warna dari citra output menjadi berkurang, dan menjadikan daerah kulit menjadi lebih terang serta daerah luka menjadi lebih gelap. Selain itu citra menjadi lebih detail, guratan-guratan kulit terlihat jelas dan rambut tipis dan menjadi terlihat lebih gelap dan jelas. Untuk menghilangkan gangguan (noise) tersebut digunakan median filter dengan nilai ketetanggaan 7x7.
Gambar 1. Flowchat algoritma ACE
Gambar 2. Contoh citra asli (kiri) dan citra hasil peningkatan kekontrasan warna (kanan)
Gambar 3 Fuzzy set untuk segmentasi melanoma
Sistem Inferensi Fuzzy pertama kali diperkenalkan oleh Ebrahim Mamdani pada tahun 1975 ketika ia membuat sebuah sistem fuzzy untuk mengontrol steam engine dan boiler
combination. Sistem ini mengaplikasikan aturan yang ada pada himpunan fuzzy berdasarkan
operator pengalaman manusia. Sistem inferensi ini memiliki empat langkah, yaitu fuzzifikasi, inferensi, agregasi dan defuzzifikasi (Lee, 2005).
diolah yaitu chanel Red, Green dan Blue yang merupakan komponen penyusun ruang warna RGB. Untuk merepresentasikan variabel Red, Green, Blue digunakan kurva berbentuk bahu. Nilai minimal batas luka dan nilai rata-rata batas luka digunakan untuk membangun derajat keanggotaan. Gambar 3 menunjukkan derajat keanggotaan variabel fuzzy pada permasalahan segmentasi melanoma.
Inferensi merupakan proses evaluasi aturan (rule) fuzzy untuk menghasilkan output dari tiap aturan. Rule merupakan aturan yang digunakan dalam fuzzy untuk menentukan suatu keputusan. Berdasarkan jumlah variabel fuzzy yang digunakan dan jumlah keluaran nilai fuzzy maka terbentuk 23= 8 rule. Rule tersebut adalah :
Rule 1 : IF Blue is Luka AND Green is Luka AND Red is Luka THEN Pixel is Luka
Rule 2 : IF Blue is Luka AND Green is Luka AND Red is Kulit THEN Pixel is Luka
Rule 3 : IF Blue is Luka AND Green is Kulit AND Red is Luka THEN Pixel is Luka
Rule 4 : IF Blue is Luka AND Green is Kulit AND Red is Kulit THEN Pixel is Luka
Rule 5 : IF Blue is Kulit AND Green is Luka AND Red is Luka THEN Pixel is Luka
Rule 6 : IF Blue is Kulit AND Green is Luka AND Red is Kulit THEN Pixel is Luka
Rule 7 : IF Blue is Kulit AND Green is Kulit AND Red is Luka THEN Pixel is Luka
Rule 8 : IF Blue is Kulit AND Green is Kulit AND Red is Kulit THEN Pixel is Kulit
Pada proses ini yang digunakan adalah operator AND sehingga hasilnya merupakan nilai minimal dari 3 variabel yang digunakan.
Agregasi merupakan proses mengkombinasikan hasil dari keluaran semua aturan untuk menghasilkan sebuah himpunan fuzzy tunggal. Metode aggregasi yang digunakan adalah maximum, yaitu mancari nilai maksimal dari masing-masing himpunan fuzzy. Langkah selanjutnya adalah melakukan penegasan (defuzzifikasi) menggunakan metode centroid. Operator morfologi closing dan flood filling digunakan untuk menutupi lubang dan menghilangkan piksel terisolasi.
UJI COBA DAN PEMBAHASAN
Dataset yang digunakan untuk uji coba terdiri dari 120 citra dermoscopic (60 citra melanoma dan 60 citra non melanoma). Dataset diambil dari website http://dermis.net dan dari dr. Pocut, RSU. Dr. Soetomo. Dataset merupakan citra berwarna RGB dengan ukuran 150 x 150 piksel. Citra memiliki variasi warna pada daerah kulit dan luka melanoma, beberapa terdapat gangguan (noise) berupa rambut halus dan terdapat citra dengan kontras tinggi dan kontras rendah. Citra ground truth yang digunakan untuk mengevaluasi kinerja hasil segmentasi dilakukan oleh seorang dokter spesialis kulit, yaitu dr. Meidyta Sinantryana W, dengan cara memilih tepi luar luka melanoma.
Uji coba dilakukan dengan menghitung kinerja hasil segmentasi menggunakan perhitungan XOR yang diusulkan oleh (Hance dkk, 1996) dimana menghitung persentase kesalahan deteksi tepi dengan rumus:
AB adalah Automatic Border yang diperoleh dari hasil segmentasi metode yang diusulkan, sedangkan MB adalah Manual Border yang diperoleh dari hasil segmentasi dermatologis.⊕ adalah operasi eksklusif OR (XOR) yang pada dasarnya menekankan pada ketidakcocokan antara region target (Manual Border) dan region prediksi (Automatic Border).
Tabel 1 Hasil perhitungan border error dari segmentasi ACE-Mamdani, thresholding dan Mamdani
No. Border Error Citra Border Error Citra Border Error Citra Border Error
1 2 3 1 2 3 1 2 3 1 2 3 1. 0.134 0,177 0,162 31. 0.185 0,213 0,103 61. 0.096 0,144 0,848 91. 0.251 0,211 1,013 2. 0.098 0,129 0,155 32. 0.098 0,114 2,251 62. 0.156 0,153 0,741 92. 0.109 0,165 0,186 3. 0.127 0,244 0,152 33. 0.075 0,296 - 63. 0.147 0,159 0,247 93. 0.078 0,055 0,466 4. 0.201 0,161 1,004 34. 0.212 0,261 0,215 64. 0.259 0,202 0,905 94. 0.156 0,044 0,063 5. 0.173 0,174 0,220 35. 0.118 0,189 0,126 65. 0.138 0,124 0,208 95. 0.140 0,212 0,998 6. 0.389 0,279 0,852 36. 0.216 0,182 0,176 66. 0.206 0,129 0,178 96. 0.204 0,252 0,597 7. 0.166 0,211 0,353 37. 0.135 0,163 0,178 67. 0.236 0,157 0,729 97. 0.209 0,138 0,162 8. 0.166 0,166 0,471 38. 0.218 0,173 0,467 68. 0.113 0,045 - 98. 0.226 0,120 0,205 9. 0.246 0,213 0,142 39. 0.250 0,258 0,304 69. 0.199 0,167 0,161 99. 0.090 0,222 0,285 10. 0.210 0,247 0,275 40. 0.141 0,248 0,392 70. 0.148 0,089 0,286 100. 0.108 0,156 0,173 11. 0.140 0,159 0,181 41. 0.118 0,281 0,867 71. 0.134 0,157 - 101. 0.125 0,239 -12. 0.216 0,151 0,167 42. 0.122 0,274 0,194 72. 0.151 0,238 2,314 102. 0.168 0,208 0,422 13 0.132 0,152 0,155 43. 0.205 0,236 0,923 73. 0.161 0,180 0,282 103. 0.158 0,254 0,429 14. 0.203 0,244 0,348 44. 0.229 0,248 0,436 74. 0.136 0,077 0,567 104. 0.133 0,122 -15. 0.182 0,117 0,156 45. 0.218 0,219 0,338 75. 0.232 0,162 0,177 105. 0.099 0,156 -16. 0.220 0,245 0,820 46. 0.207 0,251 0,604 76. 0.081 0,025 0,038 106. 0.137 0,160 0,554 17. 0.188 0,317 0,307 47. 0.221 0,173 - 77. 0.118 0,205 0,780 107. 0.214 0,182 0,290 18. 0.310 0,131 0,371 48. 0.343 0,352 0,913 78. 0.194 0,336 0,549 108. 0.167 0,161 0,143 19. 0.156 0,122 0,125 49. 0.135 0,148 0,175 79. 0.248 0,303 0,330 109. 0.208 0,115 0,111 20. 0.138 0,258 0,242 50. 0.140 0,238 0,209 80. 0.174 0,184 0,633 110. 0.075 0,195 0,285 21. 0.120 0,159 0,140 51. 0.225 0,176 - 81. 0.072 0,059 0,054 111. 0.083 0,044 0,051 22. 0.245 0,199 0,434 52. 0.054 0,061 0,078 82. 0.102 0,113 0,163 112. 0.066 0,078 -23. 0.291 0,253 0,526 53. 0.068 0,033 0,039 83. 0.108 0,047 0,041 113. 0.062 0,116 0,985 24. 0.238 0,194 0,572 54. 0.103 0,113 0,145 84. 0.139 0,196 0,475 114. 0.125 0,095 0,221 25. 0.268 0,329 - 55. 0.161 0,074 0,160 85. 0.074 0,090 0,113 115. 0.132 0,172 0,148 26. 0.172 0,142 0,135 56. 0.106 0,062 0,101 86. 0.097 0,040 0,039 116. 0.141 0,123 -27. 0.130 0,457 0,537 57. 0.201 0,150 0,974 87. 0.240 0,141 0,136 117. 0.139 0,123 0,530 28. 0.358 0,256 0,812 58. 0.098 0,089 0,816 88. 0.189 0,193 0,188 118. 0.112 0,137 0,712 29. 0.135 0,125 0,106 59. 0.201 0,202 0,504 89. 0.145 0,156 0,995 119. 0.193 0,219 -30. 0.091 0,085 0,107 60. 0.160 0,135 0,437 90. 0.215 0,162 0,157 120. 0.051 0,049 0,041 Avg 0,164 0,172 0,403
Gambar 4 Hasil segmentasi dari citra pada Gambar 2. Kolom pertama merupakan ground
truth, kolom berikutnya berturut-turut adalah hasil segmentasi dari metode ACE-Mamdani, thresholding, dan Mamdani tanpa ACE
Kinerja hasil segmentasi metode ACE-Mamdani kemudian dibandingkan dengan hasil segmentasi metode thresholding dengan mapping nilai intensitas (Amaliah dkk, 2010) dan metode Mamdani tanpa algoritma ACE. Hasil dari uji coba dapat dilihat pada Tabel 1, dimana kolom 1 pada border error merupakan hasil dari metode ACE-Mamdani, kolom 2 merupakan hasil dari metode thresholding dan kolom 3 merupakan hasil dari metode Mamdani tanpa algoritma ACE.
Dari Tabel 1 bisa dilihat bahwa rata-rata kinerja border error dari metode yang diusulkan sebesar 0,164, sedangkan metode pembanding dengan thresholding didapatkan
yang diusulkan mampu mengurangi border error sebesar 0,008. Namun jika dibandingkan dengan rata-rata hasil segmentasi dengan metode Mamdani tanpa peningkatan kekontrasan warna terlihat selisih yang sangat jauh, yaitu 0,237. Selain itu terdapat banyak citra yang tidak bisa terdeteksi. Hal ini dikarenakan citra dataset memiliki variasi warna dan variasi kekontrasan sehingga mengakibatkan kesalahan dalam mendeteksi piksel citra.
Pada Gambar 4 ditunjukkan hasil segmentasi dari citra pada Gambar 2 (citra 7 pada Tabel 1). Segmentasi dengan metode ACE–Mamdani menghasilkan border error hasil segmentasi sebesar 0,166, dengan metode thresholding sebesar 0,211 dan 0,353 jika menggunakan metode Mamdani tanpa ACE. Hal ini membuktikan bahwa proses peningkatan kekontrasan warna sangat diperlukan dalam metode segmentasi dengan Mamdani, sehingga mampu menurunkan border error hasil segmentasi.
KESIMPULAN DAN SARAN
Algoritma ACE telah terbukti mengurangi variasi warna dan meningkatkan kekontrasan pada citra dataset, menjadikan luka melanoma menjadi lebih gelap dan kulit menjadi lebih terang sehingga mampu mengurangi nilai border error pada metode segmentasi Mamdani. Jika dibandingkan dengan metode thresholding dengan mapping nilai intensitas, metode segmentasi ACE-Mamdani lebih baik sebesar 0,006. Sedangkan jika dibandingkan dengan metode segmentasi Mamdani tanpa algoritma ACE, metode segmentasi ACE-Mamdani lebih baik 0,237.
Penelitian selanjutnya akan difokuskan pada pengoptimalan derajat keanggotaan sehingga akan didapatkan nilai border error yang paling minimal. Selain itu juga akan dikembangkan metode segmentasi dari metode segmentasi yang lain sehingga menghasilkan hasil segmentasi yang lebih baik, waktu komputasi yang kecil, dan nilai border error yang minimal.
DAFTAR PUSTAKA
Amaliah, B., Fatichah, C. dan Widiyanto. (2010). Segmentasi Citra Melanoma Menggunakan Metode Thresholding dengan Mapping Nilai Intensitas, Seminar Nasional Riset dan
Teknologi Informasi (SRITI 2010), STMIK AKAKOM, Yogyakarta.
Binder, M., Schwarz, M., Winkler, A., Steiner, A., Kaider, A., Wolff, K. dan Pchamberger, M. (1995). Epiluminescence Microscopy: A Useful Tool for the Diagnosis of
Pigmented Skin Lesions for Formally Trained Dermatologists, Arch. Dermatol., Vol. 131, No. 3, Hal. 286-291.
Celebi, M. E., Iyatomi, H., Schaefer, G. dan Stoecker. W. V. (2009). Lesion Border Detection in Dermoscopy Images, Computerized Medical Imaging and Graphics, Vol. 33, Hal.
148-153.
Hance, G., Umbaugh, S., Moss. R. dan Stoecker. W. (1996). Unsupervised color image segmentation with application to skin tumor borders, IEEE Engineering in Medicine
and Biology Magazine, 15(1), Hal. 104–11.
Lee, K. H. (2005). First Course on Fuzzy Theory and Application, Republic of South Korea. KAIST.
Schaefer, G., Rajab, M., I., Celebi, M. E. dan Iyatomi, H. (2011). Colour and Contrast Enhancement for Improved Skin Lesion Segmentation, Computerized Med. Img. And
Graphics, Vol. 35, Hal. 99-104.
Shin, M. C., Chang, K. I. dan Tsap, L. V. (2002). Does Color Space Transformation Make Any Difference on Skin Detection, Proceedings of the IEEE Workshop on
Applications of Computer.
Siegel, R., Ward, E., Brawley, O. dan Jemal, A. (2011). Cancer Statistik, 2011, CA: A Cancer
