3.3.4. Background Exclusion
Tahapan background exlusion ini bertujuan untuk memisahkan pembuluh darah dan struktur retina dari background. Diterapkan operasi subtract antara hasil citra CLAHE
dan hasil citra morphological close sehingga didapatkan pembuluh darah dan strutur retina yang terpisah dari background. Berikut hasil dari proses operasi subtract terlihat
pada Gambar 3.6.
Gambar 3.6. Citra hasil background exclusion
3.4. Segmentation
Tahapan setelah preprocessing yaitu segmentasi yang bertujuan untuk menghasilkan citra biner dengan menggunakan thresholding. Hasil dari proses thresholding dapat
dilihat pada Gambar 3.7.
Gambar 3.7. Citra hasil thresholding
3.5. Post-processing
Hasil dari tahapan sebelumnya masih terdapat banyak objek yang bukan pembuluh darah retina sehingga perlu dilakukan eliminasi terhadap objek tersebut. Proses untuk
menghilangkan objek yang bukan merupakan pembuluh darah dapat menggunakan
Universitas Sumatera Utara
connected component analysis. Objek yang memiliki ukuran kurang dari 70 piksel maka akan tereliminasi dan dianggap bukan pembuluh darah. Hasil dari proses ini
dapat dilihat pada Gambar 3.8.
Gambar 3.8. Citra hasil connected component analysis
3.6. Ekstraksi Fitur
Tahapan setelah pengolahan citra yaitu mengekstraksi fitur atau ciri dari hasil tahapan akhir pengolahan citra. Ekstraksi fitur pada penelitian ini menggunakan dua metode
yaitu fractal dimension dan invariant moments. Fractal dimension menggunakan metode box counting.
3.6.1. Fractal Dimension
Ekstrasi ciri yang pertama dilakukan yaitu menghitung fractal dimension pada gambar hasil akhir dari pengolahan citra yang berukuran 700x605 piksel. Metode yang
digunakan dalam menghitung fractal dimension ini yaitu box counting. Tahapan yang dilakukan dalam metode ini diantaranya yaitu :
1. Citra dibagi kedalam kotak-kotak dengan ukuran s. Nilai s berubah dari 1
hingga 2
k
, dengan k = 0, 1, 2, . . . dan seterusnya dan 2
k
tidak boleh lebih besar dari ukuran citra. Bila citra berukuran 2
m
x 2
m
maka nilai k akan berhenti sampai m. Nilai k yang digunakan pada gambar ini yaitu 0,1,2,3,4,5,6,7,8,9
karena nilai dari 2
k
= 2
9
= 512 sehingga apabila nilai k 9 maka melewati ukuran piksel dari gambar tersebut.
2. Hitung banyaknya kotak yang melingkup satu objek. Banyaknya kotak
merupakan s
2
yang dimulai dari nilai s
2
, s
1 2
, s
3 2
,. . . , s
8 2
, dan s
9 2
.
Universitas Sumatera Utara
Universitas Sumatera Utara
3.6.2. Invariant Moments
Ektraksi ciri yang kedua yaitu invariant moments. Adapun langkah pertama yang dilakukan untuk mendapatkan nilai nvariant moments dari citra yaitu dengan
menghitung nilai moment. Nilai momen yang dicari merupakan citra hasil akhir dari pengolahan citra yaitu connected component anaysis yang berukuran 700x605 piksel.
Momen dihitung dengan menggunakan persamaan 2.13. ∑ ∑
Nilai momen yang yang diperoleh dari Gambar 3.8 yaitu :
1. 2.
3.
Setelah didapat nilai momen maka langkah selanjutnya yaitu menghitung nilai momen pusat dengan menggunakan persamaan 2.14.
∑ ∑ ̅ ̅
Momen pusat yang akan dicari dengan nilai
̅
dan
̅
, sehingga dapat dihasilkan nilai momen pusat yaitu :
1. 2.
3. 4.
5. 6.
7.
Setelah didapatkan nilai momen pusat maka akan dilakukan normalisasi dengan menggunakan persamaan 2.15.
Universitas Sumatera Utara
=
Hasil dari normalisasi momen pusat pada Gambar 3.8 yaitu :
1. 5.576766151741881E-5
2. 0.00216678311428031
3. 0.0021142258282804503
4. 2.5032428111441995E-5
5. 7.531189717463117E-6
6. 8.086826847570918E-6
7. 1.0070806023442597E-7
Tahapan terakhir yaitu menghitung nilai invariant moments dikarenakan
nilai yang didapat sangat kecil maka nilai tersebut didefinisikan kedalam persamaan | | | | agar dapat terlihat perbedaan dari setiap nilainya.
=
= [
] [
] [
] [
] [
]
Maka nilai invariant moments dari Gambar 3.8 yaitu :
1. 2.
3. 4.
5. 6.
7.
Universitas Sumatera Utara
Setelah didapatkan nilai ekstraksi ciri, maka nilai dari fractal dimension dan nilai-nilai dari invariant moments akan menjadi input pada proses identifikasi
diagnosis penyakit hypertensive retinopathy ini dengan menggunakan probabilistic neural network.
3.7. Klasifikasi