Diagnosa Kanker kulit melanoma dengan ABCD (Asymmetry, Border Irregularity, Colour Variation, Diameter.

(1)

(Asymmetric Index, Border Irregularity, Color Variation, Diameter)

SKRIPSI

Disusun oleh :

HANIF VIRLANDY

NPM. 0634010299

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR

SURABAYA

(2)

(Asymmetric Index, Border Irregularity, Colour Variation, Diameter)

SKRIPSI

Diajukan Untuk Memenuhi Sebagai Persyaratan

Dalam Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun oleh :

HANIF VIRLANDY

NPM. 0634010299

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR

SURABAYA

(3)

DIAGNOSA KANKER KULIT MELANOMA DENGAN

MENGGUNAKAN ABCD

(Asymmetric Index, Border Irregularity, Colour Variation, Diameter)

Disusun Oleh :

HANIF VIRLANDY

0634010299

Telah disetujui untuk mengikuti Ujian Negara Lisan Gelombang I Tahun Akademik 2010/2011

Pembimbing Utama Pembimbing Pendamping

Basuki Rachmat S.Si, MT Fetty Tri Anggraeny, S.Kom

NPT. 369 070 602 09 NPT. 382 020 602 098

Mengetahui,

Ketua Program Studi Teknik Informatika Fakultas Teknologi Industri

UPN ”Veteran” Jawa Timur

(4)

DIAGNOSA KANKER KULIT MELANOMA DENGAN

MENGGUNAKAN ABCD

(Asymmetric Index, Border Irregularity, Colour Variation, Diameter)

Disusun Oleh :

HANIF VIRLANDY

NPM. 0634010299

Telah dipertahankan di hadapan dan diterima oleh Tim Penguji Skripsi Program Studi Teknik Informatika Fakultas Teknologi Industri

Universitas Pembangunan Nasional ”Veteran” Jawa Timur Pada Tanggal 24 Oktober 2009

Pembimbing : Tim Penguji :

Dekan Fakultas Teknologi Industri

Universitas Pembangunan Nasional ”Veteran” Jawa Timur

(5)

FAKULTAS TEKNOLOGI INDUSTRI

KETERANGAN REVISI

Kami yang bertanda tangan di bawah ini menyatakan bahwa mahasiswa berikut:

Nama : Hanif Virlandy

NPM : 0634010299

Jurusan : Teknik Informatika

Telah mengerjakan revisi/ tidak ada revisi*) pra rencana (design)/ skripsi ujian lisan

gelombang I, TA 2010/2011 dengan judul:

“DIAGNOSA KANKER KULIT MELANOMA DENGAN MENGGUNAKAN

ABCD (Asymmetric Index, Border Irregularity, Colour Variation, Diameter)”

Surabaya, November 2010

Dosen Penguji yang memerintahkan revisi:

1) Hj. Asti Dwi Irfianti, S.Kom, M.Kom NPT. 373 020 602 13

2) Agustinus Bimo Gumelar, ST, MT

(6)

ii

Syukur Alhamdulillaahi rabbil ‘alamin terucap ke hadirat Allah SWT atas

segala limpahan Kekuatan-Nya sehingga dengan segala keterbatasan waktu,

tenaga, pikiran dan keberuntungan yang “DIAGNOSA KANKER KULIT

MELANOMA DENGAN MENGGUNAKAN ABCD (Asymmetric Index,

Border Irregularity, Color Variation, Diameter) “ tepat pada waktunya.

Skripsi dengan beban 4 SKS ini disusun guna diajukan sebagai salah satu

syarat untuk menyelesaikan program Strata Satu (S1) pada program studi Teknik

Informatika, Fakultas Teknologi Industri, UPN ”VETERAN” Jawa Timur.

Melalui Skripsi ini penyusun merasa mendapatkan kesempatan emas untuk

memperdalam ilmu pengetahuan yang diperoleh selama di bangku perkuliahan,

terutama berkenaan tentang penerapan teknologi bioinformatika. Namun,

penyusun menyadari bahwa Skripsi ini masih jauh dari sempurna. Oleh karena itu

penyusun sangat mengharapkan saran dan kritik dari para pembaca untuk

pengembangan aplikasi lebih lanjut.

Surabaya, 26 November 2010

(7)

iii

Penyusun menyadari bahwasanya dalam menyelesaikan Skripsi ini telah

mendapat banyak bantuan dan dukungan dari berbagai pihak, untuk itu pada

kesempatan yang berharga ini, penyusun mengucapan terima kasih kepada:

1. Ibu dan Bapak tersayang di rumah yang senantiasa memberikan dukungan dan

mendoakan penyusun agar Skripsi ini segera terselesaikan.

2. Kakek dan AdikKu yang telah memberikan dukungan dan doa penyusun agar

Skripsi ini segera terselesaikan.

3. Bapak Ir. Sutiyono, MT, selaku Dekan Fakultas Teknologi Industri.

4. Bapak Basuki Rahmat S.Si, MT, selaku Ketua Jurusan Teknik Informatika

sekaligus Dosen Pembimbing II.

5. Ibu Fetty Anggraeny S.Kom, selaku Dosen Pembimbing II yang dengan sabar

telah meluangkan banyak waktu, pikiran dan tenaga di antara kesibukan

beban-beban kegiatan akademik untuk memberikan bimbingan dan

kesempatan penyusun untuk berkreasi dalam proses pembuatan Skripsi ini.

6. Ibu Fetty Anggraeny S.Kom, Bapak Basuki Rachmat, S.Si, MT, Bapak Nur

Cahyo Wibowo, S.Kom, M.Kom dan Ibu Hj. Asti Dwi Irfianti, S.Kom,

M.Kom, Bapak Chrystia Aji Putra, S.Kom yang telah banyak memberi

masukan serta membuka wawasan baru.

7. Mi2 Qu, yang selalu memberikan semangat kepada penyusun dan telah

memberikan hiburan ketika penyusun berada pada titik jenuh.

(8)

iv

10.Teman-teman spesial satu angkatan yang telah banyak membantu penyusun

Aziz (yang membantu dan memberi semangat untuk lulus), Donny Hermawan

(minjemin komputernya) , Bowo (Sang Admiral), dan teman-teman satu Grup

lainnya.

11.Gang Ceria (Tio, Nanang, Irul, Firman, Venty dan Ratih) yang semuanya

narsis.

12.Serta semua pihak yang tidak dapat disebutkan satu per satu. Terima kasih

banyak atas semua doa dan bantuan yang diberikan selama ini.

Penyusun menyadari bahwa Skripsi ini masih jauh dari sempurna. Oleh

sebab itu, saran dan kritik yang membangun sangat diharapkan untuk penelitian di

masa mendatang. Akhir kata, semoga Skripsi ini bisa memberikan manfaat bagi

pengembangan ilmu pengetahuan.

Surabaya, 26 November 2010

(9)

v

Hal.

ABSTRAK... i

KATA PENGANTAR... ii

UCAPAN TERIMA KASIH... iii

DAFTAR ISI... v

DAFTAR GAMBAR... viii

DAFTAR TABEL... ix

BAB I PENDAHULUAN... 1

1.1. Latar Belakang... 1

1.2. Perumusan Masalah... 2

1.3. Batasan Masalah... 2

1.4. Tujuan... 2

1.5. Manfaat... 3

1.6. Metodologi Penulisan Skripsi... 3

1.7. Sistematika Penulisan... 5

BAB II TINJAUAN PUSTAKA ... 7

2.1. Representasi Pengolahan Citra... 7

2.2. Preprocessing Citra……… 9

2.2.1 Konsep Filtering………. 9

2.3. Segmentasi Citra... 12

2.3.1. Region Growing………..…….

2.4. Ekstrasi Fitur ABCD………..

2.4.1. Asymmetry………...

2.4.2. Border Irregularity……….

2.4.3. Colour Variation………

(10)

vi

3.2. Perancangan Sistem... 25

3.2.1. Data Input... 26

3.2.2. Data Hasil... 26

3.3. Proses Perancangan……... 26

BAB IV IMPLEMENTASI SISTEM... 36

4.1. Kebutuhan Sistem... 36

4.2. Potongan dan Penjelasan Program... 36

4.2.1. Preprocessing... 36

4.2.1.1. Principal Component Analysis... 37

4.2.2. Segmentation... 37

4.4.2.1. Penentuan Titik Tengah (Seed Point)... 37

4.2.3. Ekstraksi Fitur ABCD... 38

4.2.3.1. Asymmetry... 39 4.2.3.3. Colour Variation... 4.2.3.4. Diameter...

(11)

vii

BAB VI PENUTUP... 71

6.1. Kesimpulan... 71

6.2. Saran... 71

DAFTAR PUSTAKA... 72

(12)

viii

No. Hal.

2.1. Metode Box-Counting... 20

2.2 Kalkulasi Fractal Dimension (fd) Menggunakkan Metode Box-Couning... 20

3.1. Blok Diagram Keseluruhan Proses... 27

3.2. Diagram Alir Proses Preprocessing... 28

3.3. Diagram Alir Proses Segmentasi... 29

3.4. Diagram Alir Proses Region Growing... 30

3.5. Diagram Alir Ekstraksi Fitur ABCD... 31

3.6. Antarmuka Perangkat Lunak... 32

3.7. Proses Upload Citra... 33

3.8. Setelah Citra Berhasil Diupload... 33

3.9. Setelah Mengklik Tombol Diagnosa... 34

3.10. Setelah Menentukan Titik Tengah ... 35

4.1. Potongan Program Principal Component Analysis... 37

4.2. Potongan Program Penentuan Seed Point... 38

4.3. Potongan Program Mencari Asymmetry... 39

4.4. Potongan Program Compactness Index... 40

4.5. Potongan Program Fractal Dimension... 41

4.6. Potongan Program Edge Abruptness... 42

4.7. Potongan Program Pigmentation Transation... 42

4.8. Potongan Program Colour Homogeneity... 43

4.9. Potongan Program Mencari Cpg... 43

4.10. Potongan Program Mencari Diameter... 44

(13)

ix

No. Hal.

(14)

(15)

Penyusun : Hanif Virlandy

i

ABSTRAK

Melanoma adalah sejenis kanker berbahaya yang bersifat agresif dan menyebar dengan cepat. Kanker ini timbul di sel-sel yang memproduksi pigmen melanin, yaitu pemberi warna pada kulit. Melanoma lebih mematikan jika muncul di area kulit kepala atau leher. Seringkali melanoma agak sulit dibedakan dengan luka biasa yang bukan kanker. Namun jika bisa didiagnosa sejak dini, maka resiko yang diakibatkan bisa diminimalisir.

Dalam skripsi ini, diagnosa terhadap citra dilakukan melalui tiga proses utama yakni preprocessing, proses segmentasi, dan ekstraksi fitur dermatoskopis. Pada proses preprocessing mempunyai tahapan proses median filtering. Pada proses segmentasi melakukan tahapan proses region growing. Pada proses ekstraksi fitur dermatoskopis menggunakan Ekstraksi Fitur ABCD (Asymmetry, Border Irregularity, Color Variation, dan Diameter).

Pada akhirnya, uji coba dengan menggunakan metode ini menghasilkan suatu fitur dermatoskopis yang membedakan apakah image tersebut melanoma, gejala melanoma (suspicious) atau hanya luka biasa. Untuk menentukan citra melanoma atau bukan, terdapat rumus untuk menghitung Total Dermatoskopic Value (TDV).

(16)

1

1.1 Latar Belakang

Pengolahan citra digital saat ini mengalami kemajuan yang sangat

pesat, karena diikuti dengan kemajuan di bidang perangkat pengolahan citra

itu sendiri. Komputer memiliki peranan yang sangat penting dalam proses

pengolahan citra saat ini. Salah satu penelitian adalah dibidang kedokteran

khususnya pendeteksi kanker kulit melanoma, kanker kulit melanoma

adalah penyakit kulit paling berbahaya bagi manusia dan penyakit yang

paling mematikan dari semua jenis kanker kulit. Jika penyakit ini diketahui

lebih dini, melanoma dapat dihilangkan dan disembuhkan.

Masalah ini menimbulkan ketertarikan dalam memodali para

diagnostic yang memungkinkan kemudahan pengakuan secara klinis dari

melanoama, meliputi interprestasi secara otomatis dari citra warna

dermatoskopis dengan analisa citra terkomputerisasi. Dengan begitu, ada

perkembangan menarik dari system computer bantu (computer-aided

systems atau CAD) untuk diagnosa secara klinis dari melanoma sebagai

sebuah dukungan untuk para pakar dermatologis dalam langkah analisis

yang berbeda, seperti deteksi batas luka, perhitungan fitur diagnosa,

(17)

1.2 Perumusan Masalah

Berdasarkan latar belakang yang dipaparkan di atas, maka dapat

dirumuskan permasalahan dari Skripsi adalah sebagai berikut :

a. Bagaimana melakukan preprocessing citra yaitu median filter.

b. Bagaimana melakukan segmentasi citra yaitu deteksi luka dengan region

growing.

c. Bagaimana melakukan ekstrasi fitur dermatoskopis dengan

menggunakan ekstrasi fitur ABCD (Asymmetric Index, Border

Irregularity, Colour Variation, Diameter).

1.3 Pembatasan Masalah

Dalam pembuatan Skripsi ini, ruang lingkup permasalahan hanya

akan dibatasi pada :

a. Citra tidak tertutupi oleh rambut tebal.

b. Tidak ada objek lain di dalam luka.

1.4 Tujuan

Tujuan pembuatan skripsi ini adalah :

a. Melakukan preprocessing citra yaitu median filter.

b. Melakukan segmentasi citra yaitu deteksi luka dengan region growing.

c. Melakukan ekstraksi fitur dermatoskopis dengan menggunakan

ekstraksi fitur ABCD (Asymmetric Index, Border Irregularity, Colour

(18)

1.5 Manfaat

Manfaat yang diperoleh dari Skripsi ini antara lain sebagai berikut:

a. Dukungan untuk para pakar dermatologis dalam langkah analisis yang

berbeda.

b. Dapat membantu mendiagnosa dan juga menganalisa kanker kulit

melanoma berdasarkan nilai ABCD dan TDV.

c. Kemudahan diagnosa secara klinis dari melanoama, meliputi

interprestasi secara otomatis dari citra warna dermatoskopis

d. Dapat mempermudah dalam melakukan diagnostic awal kanker kulit

melanoma.

1.6 Metodologi Penulisan Skripsi

Pembuatan Skripsi terbagi menjadi beberapa tahapan sebagai

berikut:

1. Studi Literatur.

Tahap ini merupakan tahap awal dari serangkaian tahap

pengerjaan Tugas Akhir ini. Pada tahap ini dilakukan pencarian,

pengumpulan, penyaringan, pembelajaran dan pemahaman literatur

yang berhubungan dengan proses pengolahan citra dokumen

terdegradasi.

(19)

Dari hasil studi literatur dan hasil survei lapangan akan dibuat

deskripsi umum sistem serta dilakukan analisa kebutuhan sistem, selain

itu juga dilakukan perancangan awal aplikasi yang akan dibuat,

sehingga akan dihasilkan desain antarmuka dan proses yang siap untuk

diimplementasikan.

3. Pembuatan Aplikasi.

Pada tahap ini merupakan tahap yang paling banyak

memerlukan waktu karena model dan rancangan aplikasi yang telah

dibuat diimplementasikan dengan menggunakan MATLAB 7.0.

4. Uji coba dan evaluasi aplikasi.

Pada tahap ini aplikasi yang telah dibuat ini akan dilakukan

beberapa skenario uji coba dan dievaluasi untuk kelayakan pemakaian

sistem.

5. Penyusunan Buku Skripsi

Pada tahap ini merupakan tahap terakhir dari pengerjaan Skripsi.

Buku ini disusun sebagai laporan dari seluruh proses pengerjaan

Skripsi. Dari penyusunan buku ini diharapkan dapat memudahkan

pembaca yang ingin menyempurnakan dan mengembangkan aplikasi

lebih lanjut.

1.7 Sistematika Penulisan

Adapun sistematika penulisan laporan Skripsi kali ini yaitu:

(20)

Berisi latar belakang yang menjelaskan tentang latar

belakang permasalahan, tujuan, manfaat, dan sistematika

penulisan yang digunakan dalam laporan Skripsi ini.

BAB II : TINJAUAN PUSTAKA

Pada bab kedua akan dijelaskan mengenai landasan teori

yang terkait dengan Skripsi ini. Semua penjelasan tersebut

terkait dengan berbagai disiplin ilmu yang diterapkan,

mulai dari konsep sampai definisi tiap istilah yang dipakai.

BAB III : DESAIN DAN IMPLEMENTASI

Pada bab ketiga diuraikan mengenai perancangan data,

proses dan antarmuka pada aplikasi pemrosesan citra serta

implementasi algoritma dan rancangan aplikasi proses

binerisasi citra dokumen ke dalam perangkat lunak.

BAB IV : UJI COBA DAN EVALUASI

Pada bab keempat berisi tentang pengujian dan evaluasi

terhadap perangkat lunak yang telah selesai dibuat

sebelumnya. Hasil dari pengembangan aplikasi akan diuji

dan dievaluasi dengan berbagai skenario uji coba.

(21)

Pada bab kelima berisi tentang kesimpulan dan saran untuk

pengembangan aplikasi lebih lanjut dalam upaya

memperbaiki kelemahan pada aplikasi guna untuk

mendapatkan hasil kinerja aplikasi yang lebih baik.

DAFTAR PUSTAKA

(22)

7

Pada bab ini akan diuraikan mengenai dasar-dasar teori yang digunakan

dalam pengerjaan tugas akhir ini. Teori yang dibahas meliputi proses-proses untuk

mengolah citra yakni preprocessing yang terdiri dari tahapan filtering.

Selanjutnya pada tahap segmentation yang meliputi tahapan region growing.

Selanjutnya pada Ekstraksi Fitur ABCD yang meliputi asymmetry index, border

irregularity, color variation, dan diameter yang selanjutnya dapat ditemukan

nilai total dermatoskopic value (TDV)-nya.

2.1 Representasi Pengolahan Citra

Pengolahan citra adalah suatu metode yang digunakan untuk

memproses atu memanipulasi citra dalam bentuk dua dimensi. Segala

operasi untuk memperbaiki, penganalisaan, atau pengubahan suatu gambar

disebut pemrosesan citra (image processing). Konsep dasar pemrosesan

suatu obyek yang menggunakan image processing diambil dari

kemampuan indra penglihatan manusia yang selanjutnya dihubungkan

dengan kemampuan otak manusia.

Dalam sejarahnya, image processing telah diaplikasikan dalam

(23)

berbagai cabang ilmu lainnya, image processing menyangkut pula berbagai gabungan cabang-cabang ilmu. Diantaranya adalah optic,

elektronik, matematika, fotografi, dan teknologi komputer.

Beberapa faktor menyebabkan perkembangan sistem image

processing menjadi lebih berkembang pesat pada saat ini. Salah satu yang utama adalah dibutuhkannya suatu teknologi yang dapat bekerja secara

mandiri, dalam arti teknologi yang dapat memproses data-data yang

diterima dan pada akhirnya teknologi tersebut harus bisa mengambil

keputusan sendiri dari hasil pengolahan data sebelumnya. Selain itu

penurunan biaya akan peralatan komputer yang dibutuhkan serta

peningkatan tersedianya peralatan untuk proses tampilan gambar juga

menjadi salah satu faktor semakin berkembangnya image processing.

Pada umumnya, obyektif dari image processing adalah

mentransformasikan atau menganalisis suatu gambar sehingga informasi

baru tentang gambar dibuat lebih jelas.

Ada 4 klasifikasi dasar dalam image processing, yaitu : point, area, geometric, dan frame.

a. Point memproses nilai pixel image berdasarkan nilai atau posisi dari

pixel tersebut. Contoh dari proses point adalah adding, subtracting, contast stretching, dan lainnya.

b. Area memproses nilai pixel-pixel suatu image berdasarkan nilai pixel

(24)

dari proses area adalah convolution, blurring, sharpening, filtering,

dan lainnya.

c. Geometric digunakan untuk merubah posisi dari pixel-pixel. Contoh dari proses geometric adalah scaling, rotation, mirroring, dan lainnya. d. Sedangkang frame memproses nilai pixel berdasarkan operasi dua

buah image atau lebih. Contoh dari proses frame adalah addition, subtraction, dan lainnya. Perbedaan proses frame disini dengan proses

point yaitu pada proses point nilai-nilai pixel-nya diproses (ditambahkan, dikurangkan, dan lainnya) dengan suatu nilai tertentu,

sedangkan pada proses frame pemprosesan nilai-nilai pixel-nya dilakukan antara dua image.

2.2 Preprocessing Citra

Preprocessing merupakan suatu proses untuk menghilangkan bagian-bagian yang tidak diperlukan pada gambar input atau untuk

menghilangkan noise untuk proses selanjutnya. Ada dua tahapan

preprocessing yakni filtering, dan principal component analysis.

2.2.1 Konsep Filtering

(25)

untuk itu dalam tugas akhir ini dipilih median filter. Konsep dasar dari median filter adalah mengurutkan pixel-pixel berdasarkan intensitas nilainya, kemudian dari data yang diurutkan tersebut

diambil nilai tengahnya. Setelah itu nilai dari pixel di tengah-tengah daerah yang sedang di-filter diganti dengan nilai tengah yang telah didapat.

Sebagai contoh seperti gambar diproses dengan median filter

3x3. Suatu daerah yang di-filter mempunyai nilai-nilai pixel 13, 4, 8, 2, 9, 6, 7, 25, dan 16. Setelah diurutkan didapatkan 2, 4, 6, 7, 8,

9, 13, 16, dan 25. Diambil nilai tengahnya yaitu 8. Setelah itu nilai

pixel paling tengah yaitu 9 diganti dengan nilai tengah yaitu 8.

2.2.2 Principal Component Analysis (PCA)

Prosedur PCA pada dasarnya adalah bertujuan untuk

menyederhanakan variabel yang diamati dengan cara menyusutkan

(mereduksi) dimensinya [1]. Hal ini dilakukan dengan cara

menghilangkan korelasi diantara variabel bebas melalui

transformasi variabel bebas asal ke variabel baru yang tidak

berkorelasi sama sekali atau yang biasa disebut dengan principal component. Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh, maka komponen-komponen tersebut

menjadi variabel bebas baru yang akan diregresikan atau dianalisa

pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan

(26)

Keuntungan penggunaan PCA (Principal Component Analysis) dibandingkan metode lain :

1. Dapat menghilangkan korelasi secara bersih (korelasi = 0)

sehingga masalah multikolinearitas dapat benar-benar teratasi

secara bersih.

2. Dapat digunakan untuk segala kondisi data atau penelitian.

3. Dapat dipergunakan tanpa mengurangi jumlah variabel asal.

4. Walaupun metode regresi dengan PCA ini memiliki tingkat

kesulitan yang tinggi akan tetapi kesimpulan yang diberikan

lebih akurat dibandingkan dengan penggunaan metode lain.

Untuk proses Transform Karhunen-Loève atau PCA,

memfasilitasi proses segmentasi dengan cara memperkuat tepi

dalam citra. Transform ini, yang disebut analisis komponen

prinsipal, adalah proyeksi dari tiga komponen warna di eigen

vektor dari matriks kovarian mereka. Matriks kovarian Cov dari tiga channel RGB dikomputasi seperti dalam persamaan 2.1 :

(2.1)

Dimana (x, y) adalah ukuran tiap channel warna, V adalah matriks

realisasi pixel 3 x xy dari tiga channel warna (Persamaan 2.2), mv

adalah vektor mean dari channel warna (Persamaan 2.3), B = [ b1

b2 b3] adalah matriks yang kolomnya berupa eigen vektor dari matriks kovarian dan Λ adalah matriks diagonal yang berisi eigen

(27)

(2.2)

(2.3)

Transformasi Karhunen-Loève ditulis dalam persamaan 2.4 :

(2.4)

Dimana vk adalah vektor kolom ke kth dalam V dan T berisi

apa yang diketahui sebagai komponen utama. Baris ke kth (k = 1,3) dari T, dicatat sebagai tk, ditunjuk sebagai komponen utama ke kth.

2.3 Segmentasi Citra

Segmentasi bertujuan untuk memilih dan mengisolasikan

(memisahkan) suatu objek dari keseluruhan citra. Segmentasi terdiri dari

downsampling, penapisan dan deteksi tepian. Tahap downsampling

merupakan proses untuk menurunkan jumlah pixel dan menghilangkan sebagian informasi dari citra. Dengan resolusi citra yang tetap,

(28)

2.3.1 Region Growing

Region growing adalah suatu pendekatan untuk menentukan pixel yang bertetanggaan dari suatu seed serta menentukan apakah suatu pixel ditambahkan ke dalam seed

tersebut atau tidak. Prinsip metode ini mulanya ialah penentuan

sekumpulan seed point. Kemudian diinisialisasikan suatu region awal dari seed tersebut. Region ini akan terus berkembang dari

seed point menjadi point-point yang saling berdekatan tergantung pada kriteria yang dibuat. Kriteria yang dibuat biasanya ditentukan

berdasarkan graylevel, intensitas, atau warnanya.

Region Growing adalah teknik segmentasi yang

mengumpulkan pixel ke region homogen menurut kriteria

similaritas [7]. Algoritma ini membutuhkan seed pixel yang berada dalam ROI dan threshold θ sebagai kondisi pemberhenti. Mulai dengan pixel bibit yang merepresentasi aproksimasi pertama ROI. Keempat tetangga pixel yang berada di atas threshold dilabeli sebagai berlanjut. Jika pixel yang terkoneksi ini kurang dari

threshold, maka ia dilabeli sebagai nol, yang mengindikasikan

pixel pembatas, dan tetangganya tidak diproses. Proses rekursif ini berlanjut hingga semua pixel yang terkoneksi gagal dalam tes inklusi dalam region.

(29)

1. Pemilihan seed point yang cocok sangatlah penting.

2. Lebih banyak informasi yang terdapat pada suatu citra akan

lebih baik adanya konektivitas atau informasi pada citra yang

saling berdekatan akan sangat membantu menentukan nilai

thresholding dan seed point.

3. Penentuan nilai minimum area threshold.

4. Kriteria similaritas. Beberapa kriteria yang biasa digunakan,

yaitu gray level, color, dan texture atau bentuk. Cara menentukan region growing :

a. Tentukan beberapa seed pixel. Seed bisa ditentukan manual atau secara random.

b. Untuk setiap pixel seed, jika kriterianya sama (kriteria bisa berupa perbedaan keabuan dengan seed, dan lain-lain) maka tetangga tersebut bisa dianggap berada dalam 1 region atau

daerah dengan pixelseed .

c. Teruskan proses dengan mengecek tetangga dari tetangga yang

sudah kita cek, dst.

d. Tidak bisa hanya digunakan kriteria saja, tanpa melihat

konektivitas ketetanggaan, karena bisa tidak membentuk

daerah.

(30)

2.4 Ekstraksi Fitur ABCD

Dalam diagnosa melanoma, indikator penting TDV (Total

Dermatoscopic) adalah dihitung berdasarkan basis formula ABCD,

menggunakan 4 variabel : Asymmetry, Border Irregularity, Color

Variation dan Diameter.

Untuk mendapatkan nilai TDV, maka didapatkan rumus sebagai

berikut [7]:

TDV = A.1,3 + B. 0,1 + C. 0,5 + D. 0,5 (2.5)

Dari hasil perhitungan TDV, maka nilai yang didapatkan memiliki

kesimpulan sebagai berikut :

a. 1,00 – 4,75 – benign skin lesion (hanya luka biasa) b. 4,75 – 5,45 - suspicious (indikasi melanoma)

c. More than 5,45 – melanoma

2.4.1 Asymmetry

Sebuah melanoma berkembang pada tahi lalat yang sudah

ada, di sisi lain, ia mengakibatkan luka baru yang bisa mirip tahi

lalat aslinya. Sebuah tahi lalat non kanker bagaimanapun juga

bentuknya simetris dan sirkular sedangkan melanoma biasanya

tumbuh secara irregular dan asimetris.

Untuk mengukur asimetri, bergantung pada properti

(31)

mengkalkulasi 2 fitur yaitu indeks asimetri AI dan pemanjangan

indeks Ầ.

a. Asymmetry Index

Sejauh kuantifikasi asimetri diperhatikan, asal dari basis

Cartesian Local adalah pusat massa G dari sebuah luka terkini L yang dijelaskan oleh fungsi biner z(i, j) z(i,j) = 1 jika (i, j) 

L, selain itu 0. Momen terpusat inersial kuadrat () dari tiap luka L berkenaan dengan axis arbitrar melalui G menunjukkan

sudut  dengan axis Cartesian  diberikan dalam persamaan

(2.6) :

(2.6)

Dimana D_ (i,j) adalah jarak antara pixel terkini (i,j) dan

proyeksinya pada , sepanjang normal direksi ke . Axis

utama mayor diasosiasikan ke momen inersia terkecil L dan

menyediakan arah longitudinal, 0, dari L [7]. Lu didapat dari

menghitung derivative Persamaan (2.6) dan mengeset ke 0 seperti dalam persamaan (2.7) :

(32)

Dimana mc11, mc20 dan mc02 merepresentasikan produk standar,

momen kuadratik dengan berkenaan dengan axis Cartesian Gx

dan momen kuadratik yang berkenaan dengan axis Cartesian

vertical Gy [7].

Axis utama minar dari L yang dihubungkan ke arah 0 +

/2 menghasilkan arah transverse dari L yang diasosiasikan ke

momen inersia terbesar. Axis transverse dan longitudinal L bisa digunakan untuk mengkalkulasi indeks asimetri. Ini dilakukan

dengan melipat luka L sekitar axis orthogonal dan mengukur area non overlap seperti dalam persamaan (2.8).

(2.8)

Dimana subscript k mengidentifikasikan axis utama (mayor vs.

minor), Ak berupa area non overlapping yang

berkorespondensi dari luka yang dilipat dan AL (AL = mc00)

adalah area luka [7].

Central Moment didefinisikan sebagai :

(2.9)

Jika f(x,y) adalah citra digital, maka persamaan 2.9 menjadi :

(33)

b. Lengthening Index

Pengukuran ini digunakan untuk mendeskripsikan

pemanjangan sebuah luka, contoh derajat anisotropy luka. Pemanjangan luka direlasikan ke eigen value λ’ , λ’’ dari

matriks tensor inersia [7]. Ini didefinisikan oleh rasio momen inersia λ’ sekitar axis mayor menggunakan momen inersia λ’’ sekitar axis minor.

(2.11)

2.4.2 Border Irregularity

Luka tidak berbahaya umunya punya pembatas yang jelas.

Sebuah melanoma, sering menunjukkan pembatas tak jelas atau

kabur yang mensinyalkan pertumbuhan dan penyebaran kanker.

Irregularitas pembatas luka (Border Irregularity Lesion) ini sudah mempresentasikan faktor diagnostik yang sangat

signifikan ketika menduga bahaya sebuah luka. Dalam kerja ini,

digunakan lima fitur untuk mengkuantifikasi iregularitas

(34)

Abruptness) Cr dan transisi pigmentasi (Pigmentation Transition)

me dan ve.

a. Compactness Index

Indeks kepadatan (Compactness Index / CI) (Persamaan 2.12) adalah pengukuran bentuk pembatas paling popular yang

mengestimasi kebulatan obyek 2D. Bagaimanapun juga, ukuran

ini sangat sensitif ke noise sepanjang pembatas yang

diamplifikasi oleh term kuadrat dari perimeter.

(2.12)

Dimana PLadalah perimeter luka.

Untuk mencari PL, dilakukan operasi edge detector

Robert untuk mendeteksi tepian. Metode Robert adalah nama lain dari teknik differensial yang dikembangkan di atas, yaitu

differensial pada arah horisontal dan differensial pada arah horisontal dan differensial pada arah vertikal, dengan

ditambahkan proses konversi biner setelah dilakukan

differensial [7]. Teknik konversi biner yang disarankan adalah

konversi biner dengan meratakan distribusi warna hitam dan

putih.

(35)

H = [ - 1 1 ] dan V =

b. Fractal Dimension

Fractal memiliki karakteristik kesamaan sendiri (self similarity), artinya fractal memiliki sifat-sifat yang sama untuk berbagai skala atau ukuran yang digunakan. Setiap bagian

fractal yang memiliki skala berbeda tersebut memiliki sifat yang sama dengan keseluruhan fractal. Karakteristik ini yang menyebabkan fractal tidak cocok digunakan untuk teknik kompresi. Karakteristik lain dari fractal adalah dimensinya.

Ukuran dimensi pada umumnya merupakan bilangan

bulat, seperti garis memiliki dimensi 1, bidang memiliki

dimensi 2, dan kubus memiliki dimensi 3, dan seterusnya [7].

Akan tetapi, dimensi fractal merupakan suatu yang aneh karena dapat bernilai pecahan. Dimensi fractal ini dapat digunakan sebagai ciri suatu citra.

Dimensi fractal dapat dihitung dengan metode

perhitungan kotak (box-counting). Metode ini membagi citra menjadi kotak-kotak dengan berbagai variasi ukuran (r).

Salah satu contoh penentuan nilai r adalah 2k, dengan k

= 0,1,2, ... dst, dan 2k, lebih kecil dari ukuran citra. Gambar 2.1

(36)

Gambar 2.1 Metode Box-Counting

Contoh untuk melanoma atau lesion, digunakan grid kotak yang membagi citra ke dalam pixel berukuran r x r (Gambar 2.2). N(r) dievaluasi sebagai jumlah pixel yang berisi potongan pembatas luka. Ukuran pixel berbeda r dan digunakan dan fd diperoleh sebagai slop garis regresi log(r) vs. Log (N(r)).

Gambar 2.2 Kalkulasi Fractal Dimension (fd) Menggunakan Metode

Box-Counting

Secara keseluruhan, hubungan antara N(r) dan fd dapat

(37)

N (r) =  r –fd (2.14)

Persamaan 2.14 diperluas menjadi :

Log ( 1/N(r) ) = fd x Log (r) – Log () (2.15)

c. Edge Abruptness

Luka dengan pembatas irregular (Edge Abruptness) memiliki perbedaan besar dalam jarak radial (contoh jarak d2

antara sentroid GL dan pembatas C) mengestimasi irregularitas

pembatas dengan menganalisa perbedaan distribusi jarak radial:

(2.16)

Dimana md adalah mean jarak d2 antara point pembatas dan

sentroid GL [7].

d. Pigmentation Transition

Fitur penting ini menjelaskan transisi pigmentasi antara

luka kulit dan kulit sekitarnya. Tepi curam yang tajam bersifat

berbahaya ketika pemudaran perlahan-lahan mengindikasikan

luka tak berbahaya. Untuk itu, dipertimbangkan komponen

serian lum (i,j) (Persamaan 2.17) dari citra warna asli hanya

sebagai tiga komponen warna yang berbobot sama. Lalu,

(38)

sepanjang pembatas C dari luka kulit. Diperoleh set-set nilai

magnitude gradien K, e (k) (1 ≤ k ≤ K, dimana K adalah jumlah sampel pembatas) yang mendeskripsikan secara lokal

transisi antara luka dan latar kulit di tiap poin tepi [7]. Untuk

menjelaskan transisi secara global, digunakan mean mc dan

variance ve dari nilai magnitude gradien e(k) yang

mendeskripsikan level kecuraman dan variasinya secara global

(Persamaan 2.18).

(2.17)

(2.18)

2.4.3 Color Variation

Salah satu tanda awal dari melanoma ialah munculnya

variasi warna dalam warna. Karena melanoma tumbuh dalam sel

penumbuh pigmen, mereka sering berwarna warni sekitar coklat,

coklat gelap, atau hitam, tergantung produksi pigmen melanin di

kedalaman berbeda pada kulit.

Untuk membatasi diagnosis lebih jauh, variasi warna dalam

sebuah luka dijelaskan dengan homogenitas warna (Color

Homogeneity) Ch dan korelasi antara geometri dan fotometri

(39)

a. Color Homogeneity

Histogram luminance dari luka dibagi ke dalam tiga interval yang panjangnya sama. Interval yang berelasi ke nilai

luminance ketiga terkecil mendefinisikan area gelap dalam

level intermediate berelasi ke yang lain dari luka dan tidak

terlibat dalam kuantifikasi warna. Lalu, homogenitas warna.

Dijelaskan sebagai jumlah transisi zona lebih terang atau zona

lebih gelap dan zona lebih gelap atau zona lebih terang ketika

memindahi luka secara horizontal dan vertikal [7].

b. Correlation Between Geometry And Photometry

Atribut ini mengevaluasi distribusi warna pada luka.

Termasuk penjelasan evolusi level warna dari sentroid GL

terhadap pembatas luka. Nilai ini lebih besar untuk luka tak

berbahaya karena ia memiliki aspek target, sedangkan nilai

yang kecil menandakan bahaya.

(2.19)

Dimana md dan vd adalah mean dan variance jarak d2 yang

diperkenalkan dalam persamaan 2.19, m1 dan v1 berelasi ke

(40)

2.4.4 Diameter

Melanoma cenderung tumbuh lebih besar dari tahi lalat

umum dan khususnya berdiameter 6 mm. Karena seringkali bentuk

luka tidak beraturan, untuk mencari diameter, ditarik garis dari

(41)

25

ANALISA DAN PERANCANGAN SISTEM

3.1 Analisis Permasalahan

Aplikasi yang akan dibuat pada Skripsi ini merupakan sebuah aplikasi

diagnosa kanker kulit melanoma. Data-data yang diolah adalah data masukkan

berupa citra. Pada aplikasi diagnosa ini, difokuskan pada sebuah form yang

mampu menangani diagnosa dengan mengunakan perumusan Ekstraksi Fitur

ABCD (Asymmetry, Border Irregularity, Colour Variation dan Diameter) yang

berhubung dengan pengolahan citra digital. Pada proses perhitungan ABCD

memerlukan beberapa proses sebelumnya yaitu preprocessing dan segmentasi.

Dalam preprocessing dilakukan pemfilteran citra sedangkan dalam segmentasi

melakukan process region growing.

3.2 Perancangan Sistem

Desain atau perancangan data diperlukan untuk menentukan format

data yang tepat untuk perangakat lunak sehingga dapat dioperasikan secara

benar. Terdapat 3 ( tiga ) macam data yang diperlukan dalam pengoprasian

perangakat lunak yaitu data masukan yang didapatkan dari pengguna

perangkat lunak, data proses yang dibutuhkan dan dihasilkan selama

proses eksekusi perangkat lunak dan data keluaran yang memberikan hasil

(42)

3.2.1 Data Input

Data masukan yang diberikan oleh pengguna berupa citra masukan.

Data citra masukan ini merupakn file citra dokumen yang terdegradasi.

Data citra masukan ini adalah citra luka melanoma maupun yang diduga

melanoma ( suspicious ) dengan format file bebas asal mendukung format

file citra seperti .bmp, .jpg, .gif, dsb, dengan ukuran citra bebas. Citra

masukan diharapkan adalah hasil foto dari luka dengan resolusi citra harus

bagus dan berwarna.

3.2.2 Data Hasil

Data keluaran terakhir yang didapt adalah tampilan data citra

keluaran adalah citra bluring (bluring image) yang dibatasi ROI-nya

(Region of Interest) dan didapatkan nilai – nilai A, B, C, D-nya untuk

dihitung nilai TDV-nya sehingga bisa didapatkan kesimpulan bahwa citra

tersebut melanoma atau hanya luka biasa.

3.3 Proses Perancangan

Pada subbab ini akan diuraikan perancangan proses dalam

pembuatan perangkat lunak untuk melakukan binerisasi citra dokumen.

Perancangan proses ini bertujuan untuk memperjelas hubungan antar

proses beserta langkah – langkah yang dilakukan pada setiap proses.

Secara garis besar, proses yang dilakukan adalah :

1. Data Input : Citra Dermatoskopis

(43)

3. Segmentation

4. Ektraksi Fitur ABCD

5. Data output : Total Dermatoscopic Value

Gambar 3.1 Blok Diagram Keseluruhan Proses

3.3.1 Proses Preprocessing

Proses Preprocessing merupakan tahap paling awal pada aplikasi

ini. Dalam preprocessing, terdapat dua subproses lagi yakni median

filtering. Proses ini dilakukan untuk tujuan menghilangkan area noise pada

tahap awal, melakukan penghalusan tekstur. Untuk tujuan tersebut

digunakan pemfilteran menggunakan median filter yakni mengambil pixel

3 x 3 lalu diurutkan dari yang terkecil hingga terbesar, dan kemudian

diambil nilai tengah, yang bertujuan untuk memperbaiki noise impulsive.

(44)

keluaran dari proses ini adalah data citra preprocessing yang merupakan

citra bluring yang telah terfilter.

Gambar 3.2 Diagram Alir Proses Preprocessing

3.3.2 Proses Segmentasi

Setelah didapatkan bluring image dari hasil preprocessing, maka

citra output dari hasil preprocessing diproses untuk didapatkan Region of Start

Filtering

End

Citra Asli

Semua citra yang telah terilter Input Citra

dermatologi

Citra hasil preprocessing Output Citra

(45)

Interestnya melalui proses segmentasi. Gambar 3.3 menunjukkan rentetan pelaksanaan proses ini hingga selesainya.

Gambar 3.3 Diagram Alir Proses Segmentasi Start penumbuhan luka dengan

penentuan seed pixel Input Citra hasil

preprocessing degree dari citra bluring

(46)

Gambar 3.4 Diagram Alir Proses Region Growing

3.3.3 Proses Penghitungan TDV Melalui Ektraksi Fitur ABCD

Setelah didapatkan ROI dari citra melalui proses segmentasi, maka

(47)

Irregularity, Color Variation, dan Diameter. Setelah didapatkan nilai ABCD- nya, maka dapat dihitung nilai Total Dermatoskopic Value

(TDV). Berikut adalah diagram dari Penghitung TDV:

Gambar 3.5 Diagram Alir Ektraksi Fitur ABCD

3.3.4 Data Output

Data keluaran atau output dari keseluruhan proses adalah berupa

nilai TDV (Total Dermatoskopic Value) yang didapatkan dengan

Start

Mendapatkan nilai Border Irregularity-nya

Mendapatkan nilai Color Variation-nya

Mendapatkan nilai Diameternya

(48)

menghitung Ektraksi Fitur ABCD dan didapatkan kesimpulan apakah citra

yang diperoses tadi adalah melanoma, luka biasa, atau suspect melanoma.

3.4 Perancangan Antarmuka

Untuk memudahkan pengguna, maka perlu dibuat form antarmuka.

Gambar 3.8 menampilkan desain form antarmuka untuk implementasi

sistem binerisasi ini.

Gambar 3.6 Antarmuka Perangkat Lunak

Pada form terdapat tombol ‘Upload image’ untuk mencari file yang

akan menjadi citra masukan. Image dapat berupa tipe *.jpg, *.bmp, *.png,

(49)

Gambar 3.7 Proses Upload Citra

Gambar 3.8 Setelah Citra Berhasil Diupload

Kemudian tombol ‘diagnosa’ untuk menjalankan proses

preprocessing secara keseluruhan yang kemudian akan dihasilkan citra

(50)

Gambar 3.9 Setelah Mengklik Tombol Diagnosa

Lalu cursor mouse berubah, user mengklik daerah luka satu kali dengan

mouse dan menekan enter satu kali saja. Setelah itu muncul garis tepi berwarna hijau dan garis koordinat x dan y dan muncul citra hitam putih pada axis ’ Black

(51)

Gambar 3.10 Setelah Menentukan Titik Tengah

(52)

36 Pada bab ini dilakukan uji coba terhadap sistem yang telah dirancang

dan diimplentasikan. Uji coba dilakukan pada beberapa citra melanoma dan yang

bukan melanoma yaitu citra biasa dan citra luka biasa.

4.1 Kebutuhan Sistem

Sebelum melakukan implementasi dan menjalankan sistem ini,

dibutuhkan spesifikasi perangkat keras dan perangkat lunak dengan

kondisi tertentu agar dapat berjalan dengan baik. Berikut ini adalah

kebutuhan minimal perangkat keras dan perankat lunak untuk menjalankan

aplikasi untuk optimasi penjadwalan mata kuliah dan ujian:

a. Komputer dengan prosesor Pentium 4 1.8 GHz.

b. Memori minimal 512GB.

c. Sistem operasi Microsoft Windows XP SP2.

d. Tools Matlab 7.0

4.2 Potongan dan Penjelasan Program

4.2.1 Preprocessing

Preprocessing adalah tahap paling awal. Dalam preprocessing ini

citra difilter menggunakan median filtering untuk menghilangkan noise.

(53)

4.2.2 Segmentasi

Pada proses segmentasi ini dicari titik tengah dan garis tepi dari

luka melalui fungsi region growing.

4.2.2.1 Penentuan Titik Tengah (Seed Point)

Penentuan titik tengah atau seed point untuk menentukan

tepian daerah region atau penumbuhan dan perhitungan pada

tahap Ekstraksi Fitur ABCD. Gambar 4.2 menunjukkan

potongan program dari penentuan seed point.

[y,x]=getpts; y=round(y(1)); x=round(x(1)); %getpts : membaca koordinat

dari posisi cursor mouse, round(integer paling dekat) ambil yg pertama di

klik

Regi = regiongrowing(double_img,x,y,0.2);

Gambar 4.2 Potongan Program Penentuan Seed Point

Hasil dari proses seed point ini adalah didapatkan titik

tengah koordinat x dan y dimana nilai ini akan menjadi input

dari fungsi regiongrowing yang potongan programnya akan

ditampilkan di bab lampiran.

4.2.3 Ekstraksi Fitur ABCD

Ekstrasi Fitur ABCD atau aturan ABCD adalah bagian yang

terpenting dari skripsi ini, karena dari sinilah dapat ditentukan apakah citra

(54)

aturan untuk mencari 4 komponen penting dari suatu citra luka yang

meliputi menghitung Asymmetry, Border Irregularity, Colour variation

dan Diameter. Setelah dari nilai keempat komponennya ditemukan, lalu

dihitung menggunakan rumus TDV (Total Dermatoskopis Value).

4.2.3.1 Asymmetry

%cari Asymmetry Index

asym = 0.5 * ((teta/M00) + ((teta+pi/2)/M00)) %Rumus asymmetry index

lamda=(miuaks20+miuaks02-sqrt((miuaks20-miuaks02)+4*(miuaks11^2)))/2;

lamda2=(miuaks20+miuaks02+sqrt((miuaks20miuaks02)+4*(miuaks11^2)))/2;

lengt=lamda/lamda2

% Rata-rata asymmetry(A)

nilaiAsym = (asym + lengt)/2;

% A untuk TDV

Atdv = nilaiAsym * 1.3;

Gambar 4.3 Potongan Program Mencari Asymmetry

Untuk mencari nilai asymmetry langkah pertama yang

harus dilakukan adalah mencari nilai asymmetry index, dalam

mencari asymmetry index dilakukan pencarian dari nilai

moment yang potongan programnya di bab lampiran kemudian

dari hasil proses pencarian nilai moment akan digunakan dalam

mencari asymmetry index maupun lengthening index.

(55)

Border Irregularity digunakan untuk mencari nilai

pembatas karena biasanya melanoma memiliki pembatas yang

tidak jelas. Dalam Border Irregularity, terdapat 5 nilai yang

harus dicari diantaranya adalah Compactness Index, Fractal

Dimension, Edge Abruptness, kemudian mean dan varian dari Pigmen Transition.

4.2.3.2.1 Compactness Index

Program dibuat untuk membersihkan bercak-bercak

di dalam daerah luka yang berwarna putih (bernilai 1) agar

jumlah keliling luka dapat dihitunga dengan tepat. Karena

jika tidak, maka bercak-bercak di dalam daerah luka juga

akan terhitung sehingga hasilnya tidak akurat. Gambar 4.4

menunjukkan potongan program untuk menghilangkan

bercak-bercak pada daerah luka yang bernilai 1.

Setelah bercak-bercak hilang, lalu mendeteksi

tepian dengan menggunakan teknik Robert yang sudah

bawaannya dari matlab. Setelah keliling didapat, baru bias

dihitung rumus untuk mendapatkan compactness index.

Gambar 4.4 menunjukkan potongan program dalam

mencari compactness index.

%Mencari PL - didapatkan dengan menghitung jumlah pixel pada pinggiran luka

BW = edge(I, 'robert'); % Agar citra dapat dihitung jumlah pixel pinggirannya

[r,c]=size(I)

(56)

% PL = r;

[row col] = size(PL);

%Rumus Compactness Index

compact = (power(row,2))/(4*pi*M00)

Gambar 4.4 Potongan Program Compactness Index

4.2.3.2.2 Fractal Dimension

Untuk mencari fractal dimension, pertama-tama dari

hasil citra I dimuat kotak-kotak yang sisi-sisinya (r)

ditentukan. Setelah dibuat kotak-kotak yang berukuran rxr,

lalu citra I dinegasikan agar tepian piksel menjadi berwarna

hitam dan daerah lainnya berwarna putih. Lalu dihitung

jumlah kotak yang dilewati oleh garis tepian. Gambar 4.5

menunjukkan potongan program untuk mencari fractal

dimension.

[row column] = size(I);

% Keseluruhan kotak besar citra m = ceil(row/r);

n = ceil(column/r);

% membuat negasi citra negI = ~I;

% Rumus fractal Dimension

fractal = (log(1/fd)+log(lamda))/log(r)

Gambar 4.5 Potongan Program Fractal Dimension

(57)

Edge Abruptness atau kecuraman tepi digunakan

untuk mencari jarak antara centroid dan pembatas. Gambar

4.6 menunjukkan potongan program untuk menghitung

edge abruptness.

d=zeros(r,c); %matriks d-nya dijadikan 0 semua for i=1:r

Edge = ((1/row)*jmlMatriksAtas)/md^2 %rumus dari paper

Gambar 4.6 Potongan Program Edge Abruptness

4.2.3.2.4 Pigmentation Transition

Nilai Pigmentation Transition digunakan untuk

mencari nilai transisi antara pigmentasi luka dan kulit

sekitar. Gambar 4.7 menunjukkan potongan program untuk

mencari nilai mean dan variance.

% Pigmentation Transition

DeltaF = sqrt((boundary(1)-xc)^2+(boundary(2)-yc)^2) % DeltaF = e(k), boundary(1) dan boundary(2) adalah koordinat piksel tepi

me = sum(DeltaF)/r;

ve = (sum((DeltaF)^2) - me^2)/r;

(58)

4.2.3.3 Colour Variation

Melanoma cenderung memiliki warna yang lebih gelap

dibandingkan dengan luka biasa. Maka perhitungan variansi warna

penting untuk dilakukan untuk memperoleh homogenitas dan

korelasi antara geometric and fotometri. Gambar 4.8 menunjukkan

potongan program untuk mencari colour homogenitas atau

homogenitas warna.

for i = 1:k

Ch(i)=abs((transition(i,1,1)/transition(i,1,2)) (transition(i,1,2)/transition(i,1,1)));

end

Gambar 4.8 Potongan Program Colour Homogeneity

Setelah dicari colour homogeneity, kemudian dicari nilai Correlation between geometry and photometry (Cpg). Gambar 4.9

menunjukkan potongan program untuk mencari nilai Cpg.

for i=1:jmlP

matriksAtasCpg(i)=matriksAtasLum(i)*matriksAtasDp(i); %mengkuadratkan nilai didalam matriks

end

jmlMatriksAtasCpg = sum(matriksAtasCpg) Cpg = jmlMatriksAtasCpg/(vd*vl*M00)

Gambar 4.9 Potongan Program Mencari Cpg

(59)

Pada umumnya melanoma berdiameter lebih dari 6 mm.

Untuk mencari diameter, maka ditarik garis lurus dari semua sisi

yang melewati titik tengah (seed point) lalu dicari rata-rata dari

jumlah garis-garis tersebut. Satuan diameter masih dalam bentuk

satuan piksel, oleh karena itu dibagi skala satuan untuk menjadikan

diameter.

%Mencari diameter dengan mengalikan tiap jari2 dengan jumlah piksel DInPixel = 2*(sum(jari2)/nPiksel);

% Konversi pixel to millimeter D = DInPixel * 0.264583 /4;

(60)

45

Pada bab ini dilakukan uji coba terhadap sistem yang telah dirancang

dan diimplentasikan. Uji coba dilakukan pada beberapa citra melanoma dan yang

bukan melanoma yaitu citra biasa dan citra luka biasa.

5.1 Data Uji Coba dan Hasil Implementasi

Data yang digunakan pada uji coba ini adalah 100 citra dokumen yang

telah disiapkan sebelumnya yaitu citra berbagai macam ukuran dan format citra

jpg, jpeg dan bmp. Data citra yang akan diuji akan adalah beberapa bentuk citra

melanoma.

Tabel 5.1 100 Data Uji Coba

No. Hasil Akhir Hasil Center of Gravity

1

(61)

3

4

5

6

7

(62)

9

10

11

12

(63)

14

15

16

17

18

(64)

20

21

22

23

24

(65)

26

27

28

29

30

(66)

32

33

34

35

36

(67)

38

39

40

41

42

(68)

44

45

46

47

48

(69)

50

51

52

53

54

(70)

56

57

58

59

(71)

61

62

63

64

(72)

66

67

68

69

(73)

71

72

73

74

(74)

76

77

78

79

80

(75)

82

83

84

85

86

(76)

88

89

90

91

92

(77)

94

95

96

97

98

99

(78)

(79)

(80)

(81)

(82)

(83)

5.2 Implementasi Antarmuka

Berikut adalah hasil uji coba dari data citra dermatoskopis.

Gambar 5.1 Snap Shot Hasil Uji Coba Citra Uji1.jpg

(84)

Asimetri dari Bentuk, Struktur dan Warna. luka ini dibagi dalam empat

wilayah dan ada simetri diperiksa di sumbu x atau y. Jika asimetri hanya dengan

satu sumbu memberikan 1 point dan jika pada sumbu keduanya terdapat 2 poin.

Jika ada asimetri pada satu sumbu skor adalah 1. Jika asimetri tidak hadir

sehubungan dengan kedua sumbu skor adalah 0. Hebatnya, melanoma yang paling

memiliki nilai asimetri 2. Dengan menggunakan dermoscopy, asimetri bisa lebih

tepat dievaluasi. Memang, warna dan struktur yang jauh lebih baik terlihat

dibandingkan dengan mata telanjang yang, dalam banyak kasus, memungkinkan

penilaian asimetri hanya dengan kontur. Karena faktor yang tinggi (1,3)

Weightingfactor, jadi penilaian asimetri sangat penting untuk skor akhir.

Jika nilai border irregularity mendekati nilai minimum maka luka tersebut

tidak berbahaya karena umunya luka yang tidak berbahaya mempunyai pembatas

yang jelas. Sebuah melanoma, sering menunjukkan pembatas tak jelas atau kabur

yang mensinyalkan pertumbuhan dan penyebaran kanker.

Salah satu tanda awal dari melanoma ialah munculnya variasi warna dalam

warna. Karena melanoma tumbuh dalam sel penumbuh pigmen, mereka sering

berwarna warni sekitar coklat, coklat gelap, atau hitam, tergantung produksi

pigmen melanin di kedalaman berbeda pada kulit, jadi jika nilai dari colour

variation mendekati nilai maximum maka kemungkinan data input adalah

melanoma.

5 struktur utama melihat pada lesi. Tidak ada struktur - warna halus - 1 point,

struktur bersih titik lain 1, pohon seperti batas-batas lain titik 1, titik - 1 point dan

(85)

lesi diukur D. Jika diameter lebih dari 6 mm dapat dinyatakan sebagai

(86)

71 6.1Kesimpulan

Kesimpulan yang dapat diambil dari pembuatan program Diagnosa

Kanker Kulit Melanoma Dengan ABCD (Asymmetric Index, Border

Irregularity, Color Variation dan Diameter) adalah sebagai berikut:

1. Dalam proses Region Growing ini tidak dapat mendeteksi citra yang

beresolusi tinggi dan tidak dapat memproses citra yang memiliki warna

luka yang hampir sama denga warna kulit.

2. Dari hasil uji coba yang telah dilakukan aplikasi ini menunjukkan bahwa

tingkat akurasi dari program ini sebesar 71%.

6.2Saran

Mencoba segmentasi yang lebih akurat sehingga luka yang tertutupi

oleh rambut yang lebat dapat diproses dan bisa dideteksi pada program ini

(87)

72

[1]. Barhouni W, Zagrouba E A, Preliminary Approach For The Automated Recognition Of Malignant Melanoma,2002.

[2]. M. K. Hu, “Visual Pattern Recognition by Moment Invariants”, IRE Trans. Info. Theory, vol. IT-8, pp. 179 – 187, 1962.

[3]. Basuki, Achmad. Pengolahan Citra Digital, Yogyakarta, 2005.

[4]. Barhouni W, Zagrouba E. Boundaries Detection Based on Polygonal Approximation by Genetic Algorithms. Knowledge-Based Intelligent Information engineering Systems and Allied Technologies (KES 2002), Frontiers in articial intelligence and applications, IOS Press 82(2) : 621-7, 2002.

[5]. Harintaka, Karakteristik Titik, Garis, dan Sisi Dari Hasil Berbagai Macam Teknik Filtering, 1993.

[6]. G. Grammatikopoulos, A. Hatzigaidas, A. Papastergiou, P. Lazaridis, Z. Zaharis, D. Kampitaki, G. Tryfon : Automated Malignant Melanoma Detection Using MATLAB. 2006.

[7] Bilqis Amaliah, Chastine Fatichah, M.Rahmat Widyanto, “ABCD Feature Extraction for

Melanoma SkinCancer Diagnosis”,Informatics Department, Faculty of Information Technology, Institut Teknologi Sepuluh Nopember, Faculty of Computer Science Universitas Indonesia

[8]. http://en.wikipedia.org/wiki/Image_moment

(88)

73

% This function performs "region growing" in an image from a specified

% seedpoint (x,y) %

% J = regiongrowing(I,x,y,t) %

% I : input image

% J : logical output image of region

% x,y : the position of the seedpoint (if not given uses function getpts)

% t : maximum intensity distance (defaults to 0.2) %

% The region is iteratively grown by comparing all unallocated neighbouring pixels to the region.

% The difference between a pixel's intensity value and the region's mean,

% is used as a measure of similarity. The pixel with the smallest difference

% measured this way is allocated to the respective region.

% This process stops when the intensity difference between region mean and

% new pixel become larger than a certain treshold (t) %

% Example: %

% I = im2double(imread('medtest.png')); % x=198; y=359;

% J = regiongrowing(I,x,y,0.2); % figure, imshow(I+J);

%

% Author: D. Kroon, University of Twente

if(exist('reg_maxdist','var')==0), reg_maxdist=0.2; end

if(exist('y','var')==0), figure, imshow(I,[]); [y,x]=getpts;

y=round(y(1)); x=round(x(1)); end

J = zeros(size(I)); % Output

Isizes = size(I); % Dimensi input image

reg_mean = I(x,y); % Mean dari region yg tersegmentasi

reg_size = 1; % Jumlah pixel dalam region

% Memory bebas untuk menyimpan tetangga dari region yg (tersegmentasi)

neg_free = 10000; neg_pos=0; neg_list = zeros(neg_free,3);

pixdist=0; % Jarak dari pixel terbaru region ke region mean

% Lokasi tetangga (footprint)

(89)

% Mulai regiogrowing hingga jarak antara regio dan kemungkinan pixel baru

% menjadi lebih tinggi dari suatu treshold tertentu

while(pixdist<reg_maxdist&&reg_size<numel(I))

ins=(xn>=1)&&(yn>=1)&&(xn<=Isizes(1))&&(yn<=Isizes(2));

if(neg_pos+10>neg_free), neg_free=neg_free+10000; neg_list((neg_pos+1):neg_free,:)=0; end

% Tambah pixel dengan intensity paling dekat ke mean region, ke region

dist = abs(neg_list(1:neg_pos,3)-reg_mean); [pixdist, index] = min(dist);

J(x,y)=2; reg_size=reg_size+1;

% Menghitung mean baru dari region

reg_mean= (reg_mean*reg_size + neg_list(index,3))/(reg_size+1);

% Menyimpan koordinat x dan y dari pixel (untuk tetangga tambah proses)

x = neg_list(index,1); y = neg_list(index,2);

% Hapus pixel dari (check) list tetangga

neg_list(index,:)=neg_list(neg_pos,:); neg_pos=neg_pos-1; end

% Mengembalikan area tersegmentasi sebagai logical matrix

J=J>1;

(90)

% Menghilangkan bercak-bercak di dalam citra Regi (a.jpg)

% Scanning horisontal nyari piksel awal dan akhir yang bernilai 1

for i = 1: r

objectOne(firstPos(i,1),firstPos(i,2)) = 1;

if(secondPos(boundCount,1)+secondPos(boundCount,2) ~= 0) objectOne(secondPos(i,1),secondPos(i,2)) = 1;

objectOne = cast(objectOne,'logical');

% Scanning vertikal nyari piksel awal dan akhir yang bernilai 1

(91)

if(firstFound == 0 && I(i,j)==1)

objectTwo(firstPos(i,1),firstPos(i,2)) = 1;

if(secondPos(boundCount,1)+secondPos(boundCount,2) ~= 0) objectTwo(secondPos(i,1),secondPos(i,2)) = 1;

objectTwo = cast(objectTwo,'logical');

trueObj = objectOne & objectTwo; % menggabungkan scanning

horisontal dan vertikal

(92)

(93)

(94)

(95)

(96)

(97)

(98)

(99)

2 Melanoma 0.642417 1.19614 0.0230613 6.10045 7.96206 Melanoma v

4 Melanoma 0.183124 0.0512166 0.325534 0.979811 1.2467 Bening Skin

Melanoma

x

Melanoma

x

6 Melanoma 0.474324 0.256149 0.3202436 4.02659 4.9595 Suspicious x

Melanoma

x

(100)

(101)

47 Melanoma 0.556681 1.64495 0.113186 2.75398 5.0688 Suspicious x

55 Melanoma 0.474102 0.297945 0.1.3414 8.96783 9.84329 Melanoma v

(102)