Segmentasi Citra Berwarna dengan Menggunakan Metode Clustering Berbasis Patch untuk Identifikasi Mycobacterium Tuberculosis

Riries Rulaningtyas, Andriyan B. Suksmono, Tati L. R. Mengko, G. A. Putri Saptawati

= http://dx.doi.org/10.20473/jbp.v17i1.2015.19-25
Abstract views = 3960 times | downloads = 6080 times downloads = 779 times downloads = 488 times

Abstract


Citra berwarna memiliki banyak variasi nilai intensitas pada masing-masing piksel dalam satu citra. Dengan kasat mata, citra seperti terlihat memiliki warna yang sama dengan citra yang lain. Namun bila diolah oleh komputer suatu piksel dengan warna yang sama dengan piksel yang lain, ternyata memiliki kombinasi nilai intensitas yang berbeda. Variasi nilai intensitas ini akan sangat mempengaruhi hasil proses pengolahan citra oleh komputer.

Dalam penelitian ini, dilakukan uji coba proses segmentasi citra berwarna pada citra mikroskopis bakteri TBC (mycobacterium tuberculosis) yang berasal dari dahak atau sputum pasien, sebagai sampel citra warna yang memiliki variasi nilai intensitas yang begitu kompleks. Sputum yang diperoleh dari pasien dilakukan pewarnaan dengan metode pewarnaan Ziehl – Neelsen. Metode pewarnaan ini umum digunakan di puskesmas, karena di puskesmas pada umumnya menggunakan mikroskop optik untuk memeriksa slide sputum. Hasil pewarnaan memberikan efek warna merah untuk bakteri TB dan background berwarna biru. Hasil pewarnaan ini memberikan citra slide yang kompleks, akibat hasil pewarnaan yang berbeda bergantung pada skill tenaga laboran, sehingga petugas klinis mengalami kesulitan ketika melakukan pemeriksaan slide secara manual. Untuk membantu petugas klinis dalam melakukan pembacaan slide, maka pada penelitian ini dilakukan segmentasi warna citra slide untuk mengekstrasi citra bakteri TB dan menghilangkan citra background.

Beberapa metode telah dilakukan dalam penelitian ini, yaitu adaptive color thresholding pada ruang warna RGB, HSV, CIE L*a*b, yang memberikan hasil segmentasi yang baik pada ruang warna CIE L*a*b. Kemudian dicoba metode segmentasi k-means clustering dan k-nearest neighbors untuk memperbaiki performansi segmentasi warna adaptive color thresholding, dan metode k-nearest neighbors memberikan akurasi yang paling baik 97,90% , namun belum mampu memberikan hasil yang bagus pada citra utuh dan waktu komputasi proses pembelajaran yang lama.  

Untuk memperbaiki performansi hasil segmentasi citra berwarna pada citra sputum penyakit TBC ini, maka pada penelitian ini dilakukan metode segmentasi fast k-means clustering, yang membutuhkan waktu komputasi yang lebih cepat dari metode k-nearest neihgbors dan hasil segmentasi yang lebih baik. Metode fast k-means clustering yang digunakan ditunjang dengan penerapan pengolahan citra berbasis patch, untuk menghindari variasi global yang dapat mempengaruhi hasil segmentasi. Dengan metode segmentasi citra berbasis patch ini ternyata memberikan hasil yang lebih baik dibanding metode segmentasi yang diterapkan pada citra utuh yang secara serentak dilakukan pengolahan citranya.

 


Full Text:

PDF Remote Remote

Refbacks

  • There are currently no refbacks.


Copyright (c) 2015 Biosains

View My Stats

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.