SEGMENTASI OPTIC NERVE HEAD DARI CITRA FUNDUS RETINA DENGAN ALGORITMA HOUGH TRANSFORM

SEGMENTASI OPTIC NERVE HEAD DARI CITRA FUNDUS

RETINA DENGAN ALGORITMA HOUGH TRANSFORM

Ari Wijayanti1, Handayani Tjandrasa2 Nanik Suciati3 Teknik Infromatika , Institut Teknologi Sepuluh Nopember, ITS

Surabaya, Jawa Timur, Indonesia.

email : riweriwe@gmail.com1, handatj@gmail.com2, nanik@its-sby.edu3 Abstrak

Optic nerve head merupakan bagian dari retina dimana sel ganglion axon keluar dari mata untuk membentuk optic nerve. Bagian optic nerve head ini disebut juga dengan “bintik buta” karena tidak sensitif terhadap cahaya.

Pada tugas akhir ini penulis membuat sebuah perangkat lunak yang mengimplementasikan algoritma Hough Transform dan Active Contour Model untuk melakukan segmentasi bentuk optic nerve head pada citra fundus retina. Tahap pertama dimulai dengan preprocessing, yaitu perbaikan citra menggunakan Homomorphic Filtering untuk menekan efek iluminasi yang tidak merata sambil menjaga intensitas perbedaan di antara semua komponen dalam citra fundus retina. Kemudian dilanjutkan dengan penghapusan pembuluh darah pada citra untuk menghilangkan bagian yang tidak diperlukan pada citra agar mempermudah proses segmentasi selanjutnya. Tahap berikutnya adalah penggunaan Algoritma Hough Transform untuk melakukan circle fitting pada posisi dan perkiraan bentuk optic nerve head,hasil dari circle fitting ini berupa lingkaran yang menjadi inisialisasi level set untuk proses berikutnya yaitu segmentasi bentuk optic nerve head menggunakan active contour model.

Hasil uji coba menunjukkan bahwa algoritma segmentasi yang diimplementasikan mampu melakukan segmentasi optic nerve head pada citra fundus retina dengan radius lingkaran Hough Transform R dan nilai ballon force yang bisa menentukan kontur mengembang atau menyempit (α ) pada Active Contour Model yang ditentukan, yaitu memiliki nilai rata-rata akurasi sebesar 75.5568% setelah dibandingkan dengan segmentasi manual yang dilakukan dengan tangan manusia.

Kata Kunci: Optic nerve head, Hough Transform, Active Contour Model

1. Pendahuluan

Glukoma merupakan penyebab kebutaan kedua setelah katarak di dunia. Penyakit ini adalah penyakit mata yang ditandai dengan adanya peningkatan tekanan bola mata disertai kerusakan struktur dan fungsi syaraf optik. Bilik

anterior dan bilik posterior mata terisi oleh cairan

encer yang disebut humor aqueus. Dalam keadaan normal, cairan ini dihasilkan di dalam bilik posterior, melewati pupil masuk ke dalam bilik anterior lalu mengalir dari mata melalui suatu saluran. Jika aliran cairan ini terganggu (biasanya karena penyumbatan yang menghalangi keluarnya cairan dari bilik anterior), maka akan terjadi peningkatan tekanan. Peningkatan tekanan intraokuler akan mendorong perbatasan antara saraf optikus dan retina di bagian belakang mata. Akibatnya pasokan darah ke saraf optikus berkurang sehingga sel-sel sarafnya mati. Karena saraf optikus mengalami kemunduran, maka akan terbentuk bintik buta pada lapang pandang mata. Yang pertama terkena adalah lapang pandang tepi, lalu diikuti oleh lapang pandang sentral. Jika tidak diobati, glaukoma pada akhirnya bisa menyebabkan kebutaan permanen.

Salah satu metode diagnosa penyakit glukoma adalah dengan mengukur lapang

pandangan mata yang dapat dideteksi dari citra fundus retina. Teknik yang perlu dilakukan untuk mengolah citra fundus retina sebelum dilakukan klasifikasi deteksi apakah retina tersebut menderita glukoma atau tidak ialah segmentasi citra tersebut untuk mendapatkan bentuk lingkaran dari optic nerve head .

Dalam Tugas Akhir ini penulis mengimplementasikan algoritma Hough

Transform dan Active Contour Model untuk

melakukan segmentasi bentuk dari optic nerve

head pada citra fundus retina.

2. Optic Nerve Head

Optic disc atau optic nerve head adalah

lokasi dimana sel ganglion axon keluar dari mata untuk membentuk optic nerve. Pada optic nerve

head tidak ada titik yang yang peka terhadap

cahaya untuk merespon sebuah stimulus cahaya. Hal ini menyebabkan satu titik di bidang visual yang disebut "blind spot" atau "blind spot

fisiologis". Optic disc merupakan awal syaraf

optik dan titik dimana akson sel ganglion retina bermuara. Optic disc juga merupakan titik masuk untuk pembuluh darah utama yang menyuplai retina. Optic nerve head di mata manusia normal membawa 1 - 1.2 juta neuron dari mata ke otak.

Gambar 2.1 Optic Nerve Head 3. Perbaikan Citra

Perbaikan citra merupakan suatu tahapan, dimana citra asli diperbaiki sehingga memudahkan proses pengolahan citra pada tahapan berikutnya. Untuk kasus ini, proses perbaikan citra berupa peningkatan kontras dan intensitas kerataan secara simultan. Metode yang digunakan untuk melakukan perbaikan citra adalah homomorphic

filtering.

3.1 Homomorphic Filtering

Homomorphic filter merupakan suatu

metode yang digunakan dalam pemrosesan citra.

Homomorphic filtering ini digunakan untuk

meng-kompensasi efek dari iluminasi yang tidak seragam pada citra [2]. Dalam teori, fungsi citra

I(x,y) disusun oleh kombinasi perkalian pada

komponen iluminasi i(x,y) dan komponen reflektan r(x,y).

I(x,y) = i(x,y) . r(x,y) (3.1)

Dalam tugas akhir ini metode homomorphic

filtering digunakan untuk menekan efek iluminasi yang tidak merata sambil menjaga intensitas perbedaan di antara semua komponen dalam citra fundus retina.

(1) Penerapan algoritma Fourier transform pada citra fundus retina I(x,y). Hal ini dilakukan untuk mendapatkan jumlah low-frequency dari komponen iluminasi-nya dan

high-frequency dari komponen reflektan.

I(u,v) = F(ln(I(x,y))) = F(ln(i(x,y))) + F(ln(r(x,y))) (3.2) (2) Selanjutnya diaplikasikan Gaussian

low-pass filter G(u,v) pada I [5]. Hal ini

dilakukan untuk menghilangkan detail komponen dan mempertahankan distribusi pencahayaannya.

I’(u,v) = G(u,v) . I(u,v) (3.3)

(3.4) (3) Karena optic nerve head hilang pada

proses Gaussian filtering, selanjutnya

dilakukan pengembalian tepian gigi tersebut menggunakan fungsi spatial dilation. I’

di-invert-transform menjadi domain spatial

kemudian dilakukan antilogarithm, sehingga diperoleh filtered homomorphic view dari iluminasi.

I’(x,y) = ln-1F-1(I’(u,v)) (3.5) Selanjutnya dilakukan dilasi D untuk menyertakan kembali tepian optic nerve

head yang terfilter [5]. Akhirnya, efek

iluminasi dari citra asli dihilangkan, yakni dengan cara melakukan pembagian dengan

dilated homomorphic view dari iluminasi

terhadap citra asli, untuk menghasilkan citra yang ter-homomorphic filter I* , yang tampil dengan iluminasi lebih merata.

(3.6)

dan masing-masing

menunjukkan komponen iluminasi dan reflektan.

4. Segmentasi Citra

Segmentasi membagi sebuah citra ke dalam region-region atau objek-objek yang bersesuaian. Level pembagian sub divisi tergantung pada permasalahan yang ingin dipecahkan. Ini berarti segmentasi harus berhenti ketika object of interest dalam sebuah aplikasi telah terisolasi. . Fitur yang dapat mempengaruhi proses segmentasi citra diantaranya fitur garis, kontras warna, tekstur citra. Proses segmentasi pada citra pada umumnya didasarkan pada sifat

discontinuity dan similarity dari intensitas suatu

piksel citra. Pendekatan discontinuity merupakan proses partisi citra bila terdapat perubahan intensitas atau informasi citra secara tiba-tiba yang pada umumnya disebut dengan edge based. Sedangkan pendekatan similarity merupakan proses partisi citra menjadi bagian-bagian yang memiliki persamaan ciri tertentu yang pada umumnya disebut dengan region based.

4.1 Hough Transform untuk Deteksi Lingkaran

Hough Transform dapat dideskripsikan

sebagai sebuah transformasi dari sebuah titik pada bidang xy terhadap ruang parameter. Ruang

parameter ditentukan berdasarkan bentuk dari objek yang dicari.

Sebuah garis lurus melewati titik dan terhadap bidang xy dapat dideskripsikan sebagai berikut:

(4.1) Ini adalah rumus untuk sebuah garis lurus dalam sistem koordinat Cartesian, dimana a dan

b merepresentasikan parameter dari garis. Hough

Transform untuk garis tidak menggunakan representasi garis, karena garis yang tegak lurus terhadap sumbu x akan memiliki sebuah nilai tak terhingga. Hal ini memaksa ruang parameter a,b untuk memiliki ukuran yang tidak terbatas. Sebaliknya, sebuah garis direpresentasikan oleh garis normalnya yang dapat direpresentasikan oleh sebuah sudut dan sebuah panjang .

(4.2) Ruang parameter kini dapat direntang oleh dan , dimana dapat memiliki nilai terbatas , tergantung pada resolusi yang digunakan untuk . Jarak ke garis akan memiliki ukuran maksimum dari dua kali panjang diagonal citra.

Lingkaran sebenarnya lebih sederhana untuk direpresentasikan ke dalam ruang parameter dibandingkan dengan garis, karena lingkaran dapat langsung ditransfer ke ruang parameter. Rumus dari sebuah lingkaran adalah :

(4.3) Pada tugas akhir ini, tugas dari Hough Transform hanya untuk mendeteksi satu buah lingkaran pada tiap citra untuk mendeteksi letak lingkaran optic nerve head.

Jika lingkaran pada citra memiliki radius R yang telah diketahui, maka pencarian dapat dikurangi ke 2D. Akan tetapi, jika radius R belum diketahui, solusi paling mudah adalah dengan cara menebak, yaitu membuat asumsi nilai R. Batas maksimum nilai R yang paling aman adalah panjang diagonal dari citra. Tidak akan ada kemungkinan lingkaran pada citra yang memiliki radius lebih besar daripada atau sama dengan panjang diagonalnya. Jadi selanjutnya tidak lagi menggunakan ruang parameter 3D. Setiap bidang horizontal akan setara dengan ruang parameter 2D dimana nilai R telah diketahui.

Gambar 3.1 Representasi Ruang Parameter Pada Gambar 3.1, tiap titik pada ruang geometrik (kiri) menghasilkan sebuah lingkaran pada ruang parameter (kanan). Lingkaran-lingkaran pada ruang parameter beririsan pada (a,

b) yang merupakan titik tengah pada ruang

geometrik. Untuk setiap titik batas luar lingkaran digambarkan sebuah lingkaran dengan titik tersebut sebagai titik pusat dan radius R. Lingkaran digambarkan dalam ruang parameter dengan sumbu x adalah nilai a dan sumbu y adalah nilai b, sedangkan sumbu z adalah radius

R. Pada koordinat yang termasuk dalam keliling

lingkaran, nilai matriks akumulator yang pada dasarnya memiliki ukuran yang sama dengan ruang parameter dinaikkan. Caranya adalah menelusuri setiap titik tepi pada citra masukan untuk menggambar lingkaran dengan radius yang telah ditentukan dan menaikkan nilai akumulator. Ketika setiap titik tepi dan radius digunakan, maka perhatian dapat teralihkan pada akumulator. Akumulator sekarang berisi angka-angka yang sesuai dengan jumlah lingkaran yang melewati koordinat individu. Dengan demikian angka tertinggi (dipilih dengan cara tertentu, dalam kaitannya dengan radius) sesuai dengan pusat lingkaran pada citra.

4.2 Active Contour Model

Active contour model juga biasa disebut

snake adalah sebuah framework untuk

menggambarkan sebuah bentuk objek dari citra 2D. Disebut dengan snake karena cara meluncur kontur yang disertai dengan peminimalan energi.

Framework ini mencoba untuk meminimalisasi

sebuah energi yang berhubungan dengan bentuk citra sebagai sebuah jumlah energi internal dan eksternal.

Energi eksternal harus jadi minimum ketika snake telah berada pada posisi batas luar suatu objek. Pendekatan yang paling sederhana adalah memberi nilai gradien rendah pada sekitar posisi kontur hingga mencapai nilai minimum. Sedangkan energi internal harus jadi minimum ketika snake mempunyai bentuk yang sesuai dengan bentuk objek yang dicari. Pendekatan yang paling sederhana adalah dengan memberikan nilai energi yang tinggi untuk kontur memanjang (elastic force) dan kelengkungan kontur yang tinggi (rigid force), tergantung dari seberapa bentuk objek tersebut harus sama, teratur dan sehalus mungkin. [9]

Snake direpresentasikan sebagai kumpulan n titik

pada suatu citra. Representasi posisi dari snake : (4.4) eksternal ernal snake

E

E

E

=

_int

+

(4.5)

(

)

∫

=

∫

+ + =1 0 1 0 int (()) ( ()) (()) )) ( (vs ds E vs E vs E vs ds E

Esnake snake ernal images con

(4.6) (4.7) Dimana:

Einternal = energi internal Eeksternal = energi eksternal

Eimage = menimbulkan image force

Econ = menimbulkan external constraint force

4.3 Energi Internal

Energi spline internal dapat dituliskan dengan :

(4.8) (4.9)

(4.10) Dimana : = energi dari kontur snake

= energy dari kurva spline Bagian pertama membuat snake berlaku seperti selaput dan bagian kedua membuat snake berlaku seperti piringan tipis. Nilai yang besar akan meningkatkan energi internal yang dapat merentangkan snake terus menerus, dimana nilai yang kecil akan membuat fungsi energi tidak sensitif terhadap jumlah rentangan. Sama dengan , nilai yang besar akan meningkatkan energy internal dari snake saat snake membuat lengkungan lebih banyak, sebaliknya nilai yang kecil akan membuat fungsi energi tidak sensitif terhadap lengkungan pada snake. Nilai dan yang lebih kecil akan menempatkan batasan yang lebih sedikit pada ukuran dan bentuk snake.

4.4 Image Force

Image force atau energi citra adalah energi yang membawa snake menuju fitur citra yang menonjol. Energi citra mempunyai tiga komponen yaitu garis (lines), tepi (edges), dan

penghentian (terminations). Energi ini dapat direpresentasikan sebagai :

Eimage = wlineEline + wedgeEedge + wtermEterm (4.11)

Fungsi garis adalah fungsi intensitas dari citra, yang dapat direpresentasikan sebagai :

(4.12) Akan tetapi fungsi garis ini tergantung pada wline , dimana snake akan ditarik ge garis

gelap atau garis terang. [9]. Tepi pada citra dapat dicari dengan fungsi energi sebagai berikut yang akan membuat snake menarik ke arah kontur dengan gradient citra yang besar.

(4.13) 4.5 Desain dari Fungsi SPF

Fungsi SPF memiliki range nilai antara [-1, 1]. Range nilai ini, merepresentasikan tanda dari kekuatan tekanan pada inside dan outside kontur. Sehingga kontur menyempit ketika berada diluar objek, dan melebar ketika berada didalam objek [5].

Fungsi SPF dapat diformulakan sebagai berikut :

Ω       ₋ + + − = xε c c x I c c x I x I spf , | 2 ) ( | max 2 ) ( )) ( ( 2 1 2 1 (4.14) Intensitas pada inside dan outside objek adalah homogen. Hal ini intuitif bahwa Min(I(x)) c1 dan c2 Max(I(x)). Tanda-tanda yang sama tidak bisa diperoleh secara bersamaan dimanapun kontur tersebut. Oleh karena itu, menggunakan formula berikut :

Ω < + <c c MaxI x xε x I Min ( ( )), 2 )) ( ( 1 2 (4.15) Formula level set untuk segmentasi lokal atau global secara selektif, adalah sebagai berikut :

      _{∇ +∇ ∇ Ω}       ₊ ∇ ∇ = ∂ ∂ _{α φ φ ε} φ φ φ x x I spf div x I spf t (( )). | | | | (( )). , _(4.16)

5. Perancangan Sistem Secara Umum Secara umum sistem perangkat lunak ini adalah melakukan segmentasi optic nerve head

(optic disk) pada citra fundus retina dengan

algoritma Hough Transform. Tujuan dari sistem ini ialah untuk melakukan segmentasi bagian

optic nerve head (optic disk) yang selanjutnya

dapat diteruskan untuk melakukan deteksi beberapa penyakit mata, salah satunya glukoma. Secara garis besar system ini terdiri dari 3 tahap, yaitu preprocessing , tahap penghapusan pembuluh pada citra, dan tahap segmentasi.

Tahap segmentasi juga dilakukan dengan dua tahap, yaitu tahap melingkari perkiraan bentuk optic nerve head untuk segmentasi secara kasar dan tahap segmentasi lebih halus lagi mendekati bentuk aslinya. Citra inputan yang diproses pada perangkat lunak ini citra fundus retina berwarna ukuran 185 x 172 pixel. mulai Data citra fundus retina berwarna Preprocessing dengan Homomorphic filtering Penghapusan pembuluh darah dari citra Circle fitting optic nerve head

dengan Hough Transform Hasil segmentasi optic nerve head selesai Segmentasi bentuk optic nerve head dengan Active Contour Model

Gambar 5.1 Diagram Alir Sistem Secara Umum 6. Uji Coba dan Evaluasi

Data utama yang digunakan pada uji coba ini adalah citra fundus retina berwarna berukuran 185 X 172 piksel berformat tif. Citra yang akan digunakan 30 buah. Citra berasal dari database DRIVE. No Nama Urutan Citra Citra 1 2 2 3 3 7 4 9 5 12 6 17 7 19 8 26 9 27

10 29

Tabel 6.1 Data uji coba 6.1. Skenario Uji Coba

Pada bagian ini dijelaskan mengenai skenario uji coba yang telah dilakukan. Terdapat dua skenario, yaitu :

1. Perbandingan nilai akurasi dari hasil segmentasi citra otomatis yang dilakukan oleh sistem dibandingkan segmentasi manual berdasarkan dua nilai inisialisasi radius lingkaran Hough Transform yang berbeda, yaitu R=45 dan R=42.

Perbandingan nilai akurasi dari hasil segmentasi citra otomatis yang dilakukan oleh sistem dibandingkan segmentasi manual dengan nilai α = 10, α = 1, dan α = 0.1 pada Active Contour Model 6.1.1. Uji Coba I dengan Radius Berbeda

Nilai radius sangat berpengaruh pada hasil segmentasi. Hal ini dikarenakan jika nilai radius berbeda, maka hasil cicle fitting oleh

Hough Transform akan menunjukkan perbedaan

yang signifikan pada luasan dan posisi lingkaran, sehingga menyebabkan inisialisasi level set untuk proses kontur aktif juga menjadi berubah yang berakibat pada penurunan nilai akurasi. Pada skenario ini terdapat 30 buah citra yang digunakan dalam uji coba. Pada sub bab ini akan ditampilkan perwakilan beberapa buah citra yang telah diuji dengan nilai R = 45 dan R = 42

(a) (b) (c)

Gambar 6.1 Hasil Segmentasi Citra 9 Uji Coba I; R = 45 ;(a) citra masukan; (b) kontur; (c) binary

mask

(a) (b) (c)

Gambar 6.2 Hasil Segmentasi Citra 9 Uji Coba I, R = 42; (a) citra masukan; (b) kontur; (c) binary

mask

Dari Gambar 6.1 dan 6.2 sekilas telihat hasil segmentasi yang hampir sama, akan tetapi setelah dihitung nilai akurasinya berbeda. Untuk hasil segmentasi citra 9 Uji Coba I dengan R=45 akurasinya 80.1794% dan, sedangkan dengan R=42 nilai akurasinya 83.4509%.

Tabel 6.2 Perbandingan Nilai Rata-rata Akurasi dengan Nilai Radius R yang Berbeda

Nilai R Rata-rata akurasi

45 73.2525%

42 75.5568%

6.1.2. Uji Coba II dengan Nilai Alpha Berbeda

Nilai alpha (α) adalah nilai yang sangat penting pada tahap segementasi akhir dengan active contour model. Nilai α mempengaruhi fungsi SPF pada evolusi kontur. Variasi pada nilai α akan menimbulkan perbedaan nilai akurasi dan error pada hasil segmentasi. Beberapa contoh hasil segmentasi dengan nilai α yang berbeda-beda ditunjukkan pada Gambar 6.3 sampai dengan Gambar 6.5. Uji coba dilakukan pada citra masukan 26 dengan nilai α bervariasi yaitu 0.1 , 1, dan 10.

(a) (b) (c)

Gambar 6.3 Hasil Segmentasi Citra 26 Uji Coba II; α= 0.1 ;(a) citra masukan; (b) kontur; (c)

binary mask

(a) (b) _(c)

Gambar 6.4 Hasil Segmentasi Citra 26 Uji Coba II; α= 1 ;(a) citra masukan; (b) kontur; (c) binary

mask

(a) (b) (c)

Gambar 6.5 Hasil Segmentasi Citra 26 Uji Coba II; α= 10 ;(a) citra masukan; (b) kontur; (c)

Gambar 6.3, 6.4, dan 6.5 adalah hasil segmentasi citra 26 dengan nilai α 0.1, 1, dan 10. Akurasi untuk α=0.1 adalah 82.3529%. Akurasi untuk α=1 adalah 85.9853%. Sedangkan akurasi untuk α=10 adalah 86.7329%.

Tabel 6.3 Perbandingan Nilai Rata-rata Akurasi dengan Nilai Radius α yang Berbeda

Nilai α Rata-rata akurasi

0.1 70.8754

1 73.7828

10 75.5568

6.2. Evaluasi

Dari hasil uji coba yang telah dilakukan, beberapa parameter yang digunakan selama uji coba memberikan pengaruh terhadap hasil segmentasi citra. Parameter tersebut diantaranya adalah besar radius lingkaran yang ditentukan pada algoritma Hough Transform dan nilai α yang digunakan pada fungsi SPF pada Acrive Contour

Model.

Nilai radius sangat berpengaruh pada hasil segmentasi. Hal ini dikarenakan jika nilai radius berbeda, maka hasil cicle fitting oleh Hough

Transform akan menunjukkan perbedaan yang

signifikan pada luasan dan posisi lingkaran, sehingga menyebabkan inisialisasi level set untuk proses kontur aktif juga menjadi berubah yang berakibat pada penurunan nilai akurasi. Dari uji coba yang telah dilakukan terhadap 30 buah citra dapat disimpulkan bahwa nilai R dapat ditentukan berdasarkan kondisi tiap citra yang berbeda-beda, tetapi sebagian besar data citra yang digunakan untuk uji coba ini menghasilkan segmentasi dengan akurasi yang lebih baik saat menggunakan nilai radius R=42.

Nilai alpha (α) adalah nilai yang sangat penting pada tahap segementasi akhir dengan active contour model. Nilai α mempengaruhi fungsi SPF pada evolusi kontur. Variasi pada nilai α akan menimbulkan perbedaan nilai akurasi pada hasil segmentasi. Setelah dilakukan uji coba terhadap 30 buah citra ditarik kesimpulan bahwa peningkatan nilai α berbanding lurus dengan peningkatan akurasi.

7. Kesimpulan dan Saran 7.1. Kesimpulan

Berdasarkan hasil uji coba yang telah dilakukan, terdapat beberapa kesimpulan yang dapat diambil, yaitu:

1. Algoritma Hough Transform dapat digunakan untuk mendeteksi letak lingkaran

optic nerve head pada citra fundus retina akan tetapi untuk menemukan bentuk optic nerve head yang lebih mirip dengan bentuk aslinya dilakukan proses active contour model. Hal ini dilakukan karena bentuk optic nerve head yang tidak persis lingkaran. 2. Kedua metode tersebut terbukti efektif untuk

melakukan segmentasi optic nerve head pada citra fundus retina dengan radius R dan nilai α yang ditentukan, yaitu memiliki nilai akurasi sebesar 75.5568% .

3. Berdasarkan uji coba, radius R dapat ditentukan berdasarkan kondisi tiap citra yang berbeda-beda, akan tetapi pada data uji coba nilai radius yang menghasilkan akurasi hasil segmentasi terbaik saat R=42.

4. Variasi pada nilai α akan menimbulkan perbedaan nilai akurasi pada hasil segmentasi. Setelah dilakukan uji coba terhadap 30 buah citra ditarik kesimpulan bahwa peningkatan nilai α berbanding lurus dengan peningkatan akurasi.

7.2. Saran

Adapun saran yang ingin disampaikan penulis terkait dengan pengerjaan Tugas Akhir ini adalah, hasil segmentasi optic nerve head pada citra fundus retina dengan algoritma Hough Transform dan Contour Active Model memliki nilai akurasi yang seharusnya bisa lebih besar. Hal ini mungkin dikarenakan masih adanya pembuluh darah dan serabut syaraf yang kurang bersih pada citra khususnya pada bagian optic nerve head itu sendiri, sehingga mempengaruhi proses evolusi kontur. Diperlukan algoritma yang lebih optimal untuk melakukan pembersihan pembuluh darah dan serabut syaraf.

8. Referensi

[1] Chrástek, R., Wolf, M., Donath, K., Niemann, H., Paulus, D., Hothorn, T., Lausen, B., Lämmer, R., Mardin, C., Michelson, G., 2005. Automated

segmentation of the optic nerve head for diagnosis of glaucoma. Med. Image Anal. 9

(4), 297–314.

[2] Bock, Rudiger, Meier, Jorg, Nyul, Laszio G., Hornegger, Joachim, dan Michelson, Georg, 2010. Glaucoma risk

index:Automated glaucoma detection from color fundus images, Erlangen Nuremberg

University, Germany. Med. Image. Anal. 14, 471-481.

[3] S., Soemartono, Dr.H.SpM., Mengenali

Glaukoma (Diagnosa dan Pemeriksaan), Glaucoma Center RS Mata Undaan, Surabaya, Indonesia

[4] Yoga, Pramana, 2010. Segmentasi Citra

X-RAY Dental Bitewing Untuk Menentukan Jenis Gigi, Tugas Akhir, Jurusan Teknik

Informatika Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia

[5] MATLAB® . 2008. “image processing MATLAB® toolbox”. MATLAB® 7.6 Help. [6] Michael Kass, Andrew Witkin, Demetri

Terzopoulus. 1988. Snake: Active Contour

Models. International Journal of Computing

Vision 321-331

[7] Utkarsh. 2011. Circle Hough Transform. <URL: http://www.aishack.in/2010/03/circle-hough-transform/ diakses pada 25 Juni 2011> [8] Bourne, Rupert.RA. 2006. The Optic Nerve

Head in Glaucoma. Community Eye Journal.

<URL:

http://www.ncbi.nlm.nih.gov/pmc/articles/P MC1705623/ diakses pada 22 Juni 2011> [9] Wikipedia. 2011. Active Contour Model.

<URL:

http://en.wikipedia.org/wiki/Active_contour_ model#Internal_energy diakses pada 6 Juli 2011>

[10] R.C. Gonzales, et al. 2008. Digital Image

Processing, 3rd edition, United State of America : Prentice Hall.