Segmentasi Pembuluh Darah Pada Citra Retina Menggunakan Algoritme Multi-Scale Line Operator dan Preprocessing Data dengan K-Means

  Vol. 2, No. 6, Juni 2018, hlm. 2353-2363 http://j-ptiik.ub.ac.id

  

Segmentasi Pembuluh Darah Pada Citra Retina Menggunakan Algoritme

Multi-Scale Line Operator dan Preprocessing Data dengan K-Means

_{1 2 3} Winda Cahyaningrum , Randy Cahya Wihandika , Agus Wahyu Widodo

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Unversitas Brawijaya _{1 2 3} Email: winda.cahyaningrum1@gmail.com, rendicahya@gmail.com, a.wahyu.w@gmail.com

  

Abstrak

  Perubahan struktur pembuluh darah pada citra retina dapat dilihat pada beberapa citra retina yang diambil dalam kurun waktu yang berbeda. Perubahan yang terjadi dapat mengindikasikan suatu penyakit tertentu seperti penyakit jantung, diabetic retinopathy, stroke, penyempitan pembuluh nadi dan hipertensi. Perubahan dapat dilihat dengan menganalisis citra retina dan melihat perubahannya, namun hal tersebut membutuhkan waktu yang cukup lama. Penelitian ini mengusulkan otomatisasi proses segmentasi pembuluh darah pada citra retina sehingga dapat membantu dalam proses analisis tersebut, dimana proses ini merupakan tahap yang penting dalam analisis citra retina. Proses segmentasi dilakukan dengan mendeteksi garis menggunakan algoritme Multi-Scale Line Operator dan

  

preprocessing citra menggunakan algoritme K-Means. Pendeteksian garis dilakukan pada beberapa

  skala yang berbeda, kemudian mengkombinasikan hasil dari setiap skala. Preprocessing citra dengan menggunakan algoritme K-Means bertujuan untuk mengabaikan daerah optic disc, yang pada daerah tersebut akan mungkin terdeteksi false positive. Kinerja algoritme yang diusulkan dievaluasi menggunakan dataset DRIVE dan STARE, hasilnya menunjukkan pada dataset DRIVE akurasi yang didapat sebesar 0,940980219 dengan AUC sebesar 0,7462, dan pada dataset STARE akurasi yang didapat sebesar 0,949293361 dengan AUC sebesar 0,778. Hasil tersebut didapat dengan menggunakan jumlah K sebanyak 3 pada algoritme K-Means, yang terdiri dari background, foreground, dan vessel.

  Kata kunci: segmentasi, pembuluh darah retina, multi-scale line operator, optic disc, K-Means

Abstract

The vascular changes that occur in retinal are precursors of a diseases, such as heart disease,

diabetic retinopathy, stroke and hypertension. Changes can be seen by analyzing retinal image, but it

takes a long time. In this study we propose the automation of vascular segmentation processes in retinal

image so that can assist in analysis process, which is an important step in retinal image analysis. The

segmentation process is done by detecting the line using the Multi-Scale Line Operator algorithm and

preprocessing image using K-Means algorithm. Line detection is performed on several different scales,

then combines the results of each scale. Image preprocessing using the K-Means algorithm aims to

ignore the optic disc area, which in that area will probably be detected as false positive. The

performance of proposed algorithm was evaluated using the DRIVE and STARE dataset, the result

showed that average accuracy of the DRIVE dataset reaches 0,940980219 with AUC 0,7462, and for

STARE dataset reaches 0,949293361 with AUC 0,778. The results are obtained by using the number of

K as much as 3 on the K-Means algorithm, which consists of background, foreground, and vessel.

  Index Terms: segmentation, retinal blood vessel, multi-scale line operator, optic disc, K-Means 1.

  2011). Penyakit tersebut dapat dideteksi dengan

   PENDAHULUAN

  melihat perubahan yang terjadi pada pembuluh Perubahan yang terjadi pada citra retina darah retina, antara lain lebar pembuluh darah, menjadi salah satu tanda seseorang menderita percabangan pembuluh darah yang tidak normal, penyakit tertentu. Penyakit yang dapat dideteksi

  arteriovenous nicking, bercak yang ada pada

  dari karakteristik pembuluh darah retina citra retina, adanya neovaskularisasi dan juga seseorang antara lain penyakit jantung, diabetic pembuluh darah yang membengkak (Staal, et al.,

  retinopathy , stroke, penyempitan pembuluh nadi

  2004) (Nguyen, et al., 2013). Deteksi dini dan hipertensi (Nguyen, et al., 2013) penyakit tersebut melalui pembuluh darah sangat

  (Roychowdhury, et al., 2015) (Bernardes , et al., membantu penderita untuk lebih memperhatikan pola hidupnya. Sekitar 10% dari penderita penyakit diabetes menderita penyakit diabetic

  retinopathy

  akurasi dan juga menutupi kelemahan pada algoritme Single-Scale Line Operator yang diusulkan oleh (Ricci & Perfetti, 2007). Multi-

   DATASET

  Gambar 1 Citra Retina 2.

  Penghilangan false positive dilakukan dengan mengabaikan piksel-piksel yang termasuk pada kelompok optic disc.

  positive pada area disekitar optic disc, sehingga akurasi yang dihasilkan akan lebih tinggi.

  memvariasikan skala yang digunakan. Namun disisi lain algoritme Multi-Scale Line Operator memiliki kelemahan yaitu salah deteksi pembuluh darah disekitar area optic disc atau yang disebut dengan false positive (Optic disc merupakan daerah central reflex pada citra retina yang dapat dilihat pada daerah lingkaran biru). Dari kelemahan algoritme tersebut, kami mengusulkan algoritme K-Means yang digunakan untuk menghilangkan false

  Single-Scale Line Operator yaitu dengan

  algoritme yang disarankan untuk digunakan dalam proses segmentasi pembuluh darah pada citra retina (Putra, et al., 2012). Algoritme ini merupakan pengembangan dari algoritme

  Scale Line Operator merupakan salah satu

  Operator . Algoritme ini dapat meningkatkan

  yang merupakan penyebab kebutaan permanen (Staal, et al., 2004) (Akram, et al., 2012). Namun proses mendapatkan citra retina fundus beserta analisisnya memerlukan waktu yang cukup lama yaitu sekitar 6 bulan (Wihandika & Suciati, 2013). Salah satu proses penting yang dilakukan pada tahap analisis yaitu segmentasi pembuluh darah. Segmentasi pembuluh darah pada citra retina fundus telah dilakukan oleh pengamat mata dan waktu yang digunakan untuk mendapatkan hasilnya yaitu sekitar 7200 s untuk setiap gambar (Nguyen, et al., 2013). Oleh karena itu dibutuhkan cara untuk segmentasi citra retina secara otomatis, cepat dan memiliki akurasi yang tinggi.

  2007), munculah penelitian lain yang dilakukan oleh (Nguyen, et al., 2013) dengan menggunakan algoritme Multi-Scale Line

  Operator yang diusulkan oleh (Ricci & Perfetti,

  Dari kelemahan algoritme Single-Scale Line

  efisiensi waktu, namun tingkat akurasi yang dihasilkan tergantung pada algoritme yang digunakan. Pada penelitian sebelumnya beberapa algoritme telah diusulkan untuk segmentasi pembuluh darah. Salah satunya yaitu dengan membagi pembuluh darah yang ada pada retina menjadi dua bagian yaitu pembuluh darah utama dan pembuluh darah tapis yang dilakukan oleh Roychowdhury, et al., (2015) dan Zhao, et al., (2014). Penelitian tentang segmentasi pembuluh darah juga pernah dilakukan oleh (Ricci & Perfetti, 2007) dengan menggunakan algoritme Single-Scale Line Operator, hasilnya menunjukkan terdeteksinya pembuluh darah pada piksel yang salah (false positive) di beberapa daerah seperti di percabangan, di dekat pembuluh darah yang tebal, dan juga di antara dua pembuluh darah yang berdekatan.

  learning memang dapat mengatasi masalah

  namun disisi lain hal ini merupakan salah satu penelitian yang kompleks karena citra yang digunakan memiliki derau, intensitas cahaya pada citra yang gelap, dan juga panjang pembuluh darah pada retina yang beragam (Fraz, et al., 2012). Sehingga diperlukan pemerataan pencahayaan untuk meningkatkan kualitas gambar sebelum diproses lebih lanjut (Akram, et al., 2012), dengan demikian hasil segmentasi akan semakin baik dan memiliki akurasi yang lebih tinggi. Segmentasi berbasis machine

  learning menjadi suatu hal yang sedang populer,

  Segmentasi secara otomatis dengan waktu yang singkat dapat dilakukan dengan menggunakan ilmu pengolahan citra digital berbasis machine learning. Saat ini segmentasi otomatis terhadap citra retina berbasis machine

  Data yang digunakan untuk mengevaluasi algoritme pada penelitian ini didapat dari DRIVE dan STARE. Data dari DRIVE merupakan citra retina berwarna fundus yang didapat dari program yang dilakukan di Belanda. Subjek pada program tersebut yaitu sebanyak 400 subjek yang berumur antara 25 sampai 90 tahun. Terdapat 40 data dipilih secara acak, 7 diantaranya menunjukkan citra retina terindikasi adanya pathology dan 33 lainnya tidak menunjukkan adanya pathology. Empat puluh citra yang terpilih telah dikonversi kedalam format JPEG untuk mempermudah dalam pengolahan citra. Citra fundus didapat menggunakan kamera Canon CR5 non- mydriatic 3CCD dengan sudut 45 derajat Field

  of View (FOV). Setiap citra disimpan dengan

  Inversi citra merupakan pembalikan nilai pada citra, dimana nilai yang rendah akan menjadi tinggi dan begitu pula sebaliknya. Tujuan dilakukan inversi pada citra hasil K-Means yaitu agar piksel yang termasuk pembuluh darah memiliki nilai intensitas yang tinggi.

  al., 2013) yaitu dengan cara memvariasikan ukuran mask W yang digunakan. Langkah- langkah algoritme Multi-Scale Line Operator dijelaskan pada sub bab

  Operator . Algoritme ini diusulkan (Nguyen, et

  yang tujuannya yaitu untuk mengatasi kekurangan dari algoritme Single-Scale Line

  Single-Scale Line Operator (lihat sub bab

  untuk mendeteksi setiap pikselnya termasuk pembuluh darah atau bukan pembuluh darah. Algoritme Multi-Scale Line Operator merupakan pengembangan dari algoritme

  Operator . Tujuan penerapan algoritme ini yaitu

  Setelah citra hasil inversi didapat, maka proses selanjutnya yaitu deteksi garis atau pembuluh darah pada citra retina dengan menggunakan algoritme Multi-Scale Line

  Line Operator

  Deteksi garis menggunakan Multi-Scale

  d.

  Inversi citra Proses selanjutnya yang dilakukan yaitu inversi citra hasil K-Means yang telah didapat.

  ukuran 768 x 584 piksel. Dari 40 gambar yang telah diambil, 20 diantaranya digunakan sebagai data latih dan 20 lainnya digunakan sebagai data uji. Setiap citra telah disegmentasi secara manual oleh dua pengamat retina. Hasil segmentasi pengamat retina pertama menunjukkan sebanyak 12,7% dari gambar terdeteksi sebagai pembuluh darah, sedangkan hasil pengamat retina kedua menunjukkan sebanyak 12,3% dari gambar terdeteksi sebagai pembuluh darah (Ricci & Perfetti, 2007) (Niemeijer, et al., 2004).

  c.

  mengelompokkan piksel-piksel berdasarkan kemiripan antara piksel satu dengan piksel yang lain dengan cara menghitung jaraknya. Tujuan diterapkannya K-Means yaitu untuk menghilangkan false positive pada daerah di dekat optic disc.

  channel . Algoritme K-Means digunakan untuk

  Penghilangan optic disc dengan K-Means Proses ini dilakukan pada citra green

  b.

  Pengambilan green channel merupakan proses awal yang dilakukan pada sebuah citra retina dengan cara mengambil green channel citra retina, yang selanjutnya akan digunakan untuk proses segmentasi. Tujuannya yaitu untuk mendapatkan citra yang menampilkan pembuluh darah yang jelas. Green channel dipilih karena menghasilkan citra yang paling baik dibandingkan dengan red channel dan blue channel .(Nguyen, et al., 2013).

   Pengambilan green channel

  dilakukan yaitu memuat citra retina, citra biner hasil pengamat retina, dan citra mask. Pada citra retina akan dilakukan proses segmentasi pada daerah retina saja, dengan melihat citra mask. Sedangkan citra hasil pengamat akan digunakan untuk menghitung nilai akurasinya. Selanjutnya memasuki tahapan sebagai berikut ini: a.

  Operator dan K-Means. Tahap awal yang

  Penyelesaian masalah segmentasi pembuluh darah pada citra retina dalam hal ini menggunakan algoritme Multi-Scale Line

  Data dari STARE merupakan citra retina berwarna fundus sebanyak 20 citra. Citra ini diambil menggunakan kamera TopCon TRV-50 dengan sudut 35 derajat FOV. Setiap citra pada STARE disimpan dengan ukuran 700 x 605 piksel. Setiap citra telah disegmentasi secara manual oleh dua pengamat retina, hasil pengamat retina pertama menunjukkan sebanyak 10,4% dari gambar terdeteksi pembuluh darah, sedangkan hasil pengamat retina kedua menunjukkan sebanyak 14,9% dari gambar yang terdeteksi sebagai pembuluh darah (Ricci & Perfetti, 2007) (Hoover, et al., 2000).

3. USULAN METODE

  e.

  (0) = (2)

  4. Setelah semua data dikelompokkan pada kelompok tertentu, selanjutnya menghitung titik tengah baru setiap kelompok dengan cara menjumlahkan nilai data yang termasuk kelompok tersebut kemudian membaginya dengan banyaknya data yang termasuk pada kelompok tersebut.

  3. Menghitung jarak antara data yang akan dikelompokkan dengan setiap centroid k , jika jarak antara data dengan cluster k memiliki nilai paling rendah dibandingkan dengan jarak antar data dengan centroid yang lain maka data tersebut termasuk pada cluster k . Perhitungan tersebut dilakukan pada setiap data yang akan dikelompokkan.

  (5) Dimana merupakan nilai intensitas piksel, merupakan jumlah piksel yang berada di daerah FOV.

  2

  ( − )

  (4) = √∑

  ∑

  =

  (0) merupakan centroid awal untuk kelompok foreground, merupakan nilai rerata intensitas piksel (lihat Persamaan(4)), sedangkan merupakan nilai standar deviasi (lihat Persamaan (5)).

  centroid awal untuk kelompok background,

  (0) merupakan

  Dimana (0) merupakan centroid awal untuk kelompok vessel,

  (0) = + (3)

  (0) = − (1)

  Thresholding citra

  2. Selanjutnya menentukan centroid awal setiap K dengan menggunakan rumus yang dapat dilihat pada Persamaan (1), (2), dan (3) (Saffarazadeh, et al., 2014).

  Dimana foreground ditunjukkan dengan anak panah A, background dengan anak pana B dan vessel dengan anak panah C.

  background , foreground, dan vessel dengan ilustrasi yang dapat dilihat pada

  1. Menentukan jumlah K, dalam penelitian ini jumlah K yang digunakan 3 yaitu

  yang terdeteksi didaerah dekat optic disc dapat berkurang. Langkah-langkah K-Means secara umum yang dilakukan pada penelitian ini yaitu sebagai berikut:

  Scale Line Operator. Sehingga false positive

  Algoritme K-Means dalam penelitian ini dilakukan untuk menghilangkan false positive yang terdeteksi didaerah dekat optic disc, dengan cara mengabaikan piksel-piksel yang termasuk pada cluster foreground, yang artinya pada piksel-piksel tersebut tidak dilakukan proses deteksi garis menggunakan algoritme Multi-

   K-Means

  Gambar 2 Diagram alir usulan metode 4.

  Alur penyelesaian masalah secara umum yang telah dijelaskan dapat dilihat pada

  membagi pembuluh darah dan bukan pembuluh darah dengan batas threshold tertentu. Jika nilai pada piksel (x,y) lebih dari nilai threshold maka nilai citra pada piksel (x,y) tersebut diatur menjadi putih, dan jika kurang dari threshold maka diatur menjadi hitam. Proses ini dilakukan pada citra hasil algoritme Multi-Scale Line Operator .

  global thresholding yang mana pada proses ini

  citra menjadi beberapa kelompok. Dalam penelitian ini thresholding yang dilakukan yaitu

  Thresholding merupakan proses membagi

  5. Ulangi langkah 3 dan 4 (iterasi K-Means) hingga kondisi berhenti yaitu tidak ada perubahan lagi pada anggota setiap kelompok.

  6. Jika proses K-Means telah selesai, maka langkah selanjutnya yaitu mengganti piksel- piksel yang termasuk pada kelompok

  ( , )

  didaerah putih lebih tinggi dibandingkan dengan

  ( , )

  didaerah abu-abu. Sehingga pada piksel (x,y) yang berada pada area putih akan lebih kuat dianggap sebagai garis dibandingkan dengan area abu-abu.

  Gambar 3 Rotasi garis Gambar 4 Ilustrasi single-scale line operator Sumber: (Ricci & Perfetti, 2007)

  Berikut ini rumus yang digunakan untuk menghitung nilai respon setiap pikselnya:

  ( , )

  =

  ( , )

  −

  (6) Dimana

  yang berada didaerah putih dan abu-abu. Nilai respon pada piksel (x,y) yang diberikan pada daerah putih akan lebih tinggi dibandingkan dengan nilai respon pada piksel (x,y) yang berada didaerah abu-abu, hal ini terjadi karna nilai

  ( , )

  merupakan nilai respon yang diberikan pada piksel (x,y) dengan menggunakan ukuran window W untuk mencari nilai

  ( , )

  dan

  ( , ) nya.

  ( , )

  menunjukkan seberapa kuat piksel (x,y) dianggap sebagai garis. Selanjutnya

  ( , )

  merupakan nilai

  ( , )

  ( , )

  foreground

  Ilustrasi piksel yang memiliki nilai respon tinggi dan rendah dapat dilihat pada Dapat dilihat bahwa terdapat dua

  dengan warna hitam, dimana jika suatu piksel berwarna hitam maka piksel tersebut akan diabaikan atau tidak dilakukan proses deteksi garis menggunakan multi-

  scale line operator .

  Hasil dari proses penghilangan area optic disc dengan menggunakan algoritme K-Means dapat dilihat pada(c).

5. SINGLE-SCALE LINE OPERATOR

  dan

  gray level pada titik-titik yang telah diketahui.

  ) dengan menggunakan rumus pada Persamaan (6). Nilai respon ini menunjukkan seberapa kuat suatu piksel dianggap sebagai garis.

  ( , )

  maka selanjutnya menghitung nilai responnya (

  Single-Scale Line Operator (SSLO) atau

  yang juga disebut dengan Line Operator yaitu algoritme dasar untuk mendeteksi garis dan umumnya digunakan untuk mendeteksi garis struktur linear. Ide dasar algoritme ini yaitu melihat setiap piksel (x,y) termasuk pada garis atau bukan garis berdasarkan piksel tetangga dengan ukuran mask/window W × W. Algoritme ini dilakukan dengan membuat garis yang melewati titik pusat window, garis tersebut kemudian dirotasi dengan sudut tertentu (Ricci & Perfetti, 2007).

  Padamenunjukkan contoh rotasi garis dengan menggunakan sudut 15 ^o , sehingga didapatkan 12 garis yang setiap garisnya melewati titik pusat window. Setiap garis akan melewati koordinat tertentu pada citra. Jika ukuran mask yang digunakan 15 × 15, maka setiap garis terdiri dari 15 titik (sesuai dengan ukuran window-nya). Sehingga dalam satu garis terdiri dari 15 koordinat, setelah mengetahui titik-titik yang membentuk garis tersebut, selanjutnya melakukan perhitungan rerata nilai

  Jika dilihat padamaka terdapat 12 nilai rerata, dari 12 nilai rerata yang didapat, selanjutnya diambil nilai rerata yang paling tinggi dan nilai tersebut menjadi nilai

  ( , )

  ( , )

  , dimana W merupakan ukuran mask yang digunakan (dalam hal ini 15 × 15) dan (x,y) merupakan current pixel. Langkah selanjutnya yaitu menghitung

  ( , )

  yaitu nilai rerata gray

  level pada piksel (x,y) dengan menggunakan

  ukuran window W. Setelah mendapat nilai

  ( , ) rerata gray level tertinggi pada piksel (x,y) dengan ukuran window W, sedangkan

  ( , )

  (9) Dimana

  Means. Tahap-tahap secara umum dapat dilihat pada dengan penjelasan sebagai berikut: a.

  Menentukan banyak window L yang digunakan dalam Multi-Scale Line

  Operator , dimana L merupakan jumlah ukuran window yang digunakan.

  b.

  Menghitung S ^{ij setiap window L dengan} menggunakan rumus yang ditunjukkan pada Persamaan (8).

  = − (8)

  Dimana L ij adalah nilai rerata yang tertinggi dari 12 garis yang telah terbentuk, dan N ij adalah nilai rerata window W.

  c.

  Setelah nilai Si ^{j setiap scale didapat,} selanjutnya menghitung standarisasi nilai setiap scale tersebut dengan menggunakan rumus yang ditunjukkan pada Persamaan (9), yang kemudian diikuti dengan proses normalisasi. Proses normalisasi dilakukan dengan menggunakan rumus yang ditunjukkan pada Persamaan (10). ′

  ( , )

  =

  ( , ) −

  R’ ^{(x,y) merupakan nilai standarisasi}

  Pada penelitian ini proses deteksi garis dengan menggunakan algoritme Multi-Scale

  pada piksel (x,y), R (x,y) merupakan nilai gray

  level pada piksel (x,y), R mean merupakan

  rerata dari nilai gray level, sedangkan R STD merupakan nilai standar deviasi dari nilai

  gray level yang ada.

  ( , )

  =

  ′ ( , )

  − ′ ′ − ′

  (10) Dimana

  ( , )

  merupakan nilai hasil normalisasi pada piksel (x,y), ′

  ( , )

  merupakan nilai hasil standarisasi pada

  Line Operator dilakukan pada citra hasil K-

  merupakan nilai rerata gray level pada daerah tetangga piksel (x,y) dengan ukuran window W (pada penjelasan selanjutnya nilai ini akan disebut sebagai ).

  merupakan nilai rerata gray level pada daerah tetangga piksel (x,y) dengan ukuran window W.

  ( , )

  (pada penjelasan selanjutnya nilai ini akan disebut sebagai ), sedangkan

  window W

  merupakan nilai rerata gray level tertinggi pada piksel (x,y) dengan ukuran

  ( , )

  menunjukkan seberapa kuat piksel (x,y) dianggap sebagai garis. Selanjutnya

  ( , )

  Algoritme Single-Scale Line Operator ini memiliki kelebihan yaitu mampu mengenali pembuluh darah yang berada di daerah pusat cahaya atau yang biasa disebut central reflex. Disamping kelebihan yang dimiliki, algoritme ini juga memiliki kekurangan yaitu terdeteksinya pembuluh darah pada koordinat piksel yang salah (false positive) yang berada di tiga daerah yaitu (Nguyen, et al., 2013): 1.

  Antara pembuluh darah yang saling berdekatan (lihat(a)).

  2. Persimpangan antara pembuluh darah (lihat (b)).

  3. Daerah dekat pembuluh darah yang tebal (lihat(c)). Ilustrasi kekurangan algoritme Single-Scale Line

  Operator yang telah dijelaskan, dapat dilihat pada

  (a) (b) (c) Gambar 5 Kekurangan algoritme single-scale line operator

  Sumber: (Nguyen, et al., 2013) 6.

MULTI-SCALE LINE OPERATOR

  − piksel (x,y), merupakan nilai minimal ′ dari nilai hasil standarisasi, sedangakan merupakan nilai maksimal dari nilai

  ( , )

  =

  ( , )

  memvariasikan ukuran window W yang digunakan. Tujuan untuk mengatasi kekurangan dari algoritme single-scale line operator (Nguyen, et al., 2013). Bentuk umum multi-scale line operator ditunjukkan pada Persamaan (7).

  single-scale line operator dengan cara

  Algoritme multi-scale line operator merupakan pengembangan dari algoritme

  (7) Dimana

  ( , )

  merupakan nilai respon yang diberikan pada piksel (x,y) dengan menggunakan ukuran window W untuk mencari nilai

  ( , )

  dan

  ( , )

  nya. Pada penjelasan selanjutnya nilai ini akan disebut sebagai .

  ( , )

  ′ hasil standarisasi. _combined d. Langkah selanjutnya yaitu proses S dengan menggunakan rumus pada

  Persamaan (11).

  1

  = + (∑ )

• 1

  (11)

  (a) (b)

  Dimana n L adalah jumlah window L yang _w digunakan, S L adalah nilai rerata tertinggi pada window L dan W, dan I igc adalah nilai yang telah diinversi.

  green channel

  Hasil dari proses deteksi garis menggunakan algoritme Multi-Scale Line Operator dapat dilihat pada(e).

  (c) (d) (e) (f) Gambar 7 Hasil setiap proses

  Pada dimana gambar (a) menunjukkan citra retina asli, gambar (b) menunjukkan hasil pengambilan

  green channel, gambar (c) menunjukkan citra

  hasil proses K-Means, gambar (d) menunjukkan citra hasil inversi, gambar (e) menunjukkan citra hasil Multi-Scale Line Operator, dan gambar (f) menunjukkan citra hasil thresholding.

  7. HASIL

  Terdapat 3 macam pengujian yang digunakan untuk mengevaluasi kinerja algoritme

  Gambar 6 Diagram alir multi-scale line operator

  yang diusulkan, yaitu pengujian kesesuaian citra, pengujian AUC (Area Under the Curve), dan pengujian jumlah K yang digunakan pada algoritme K-Means.

7.1. Akurasi dan AUC

  Hasil akurasi diperoleh dengan menghitung tingkat kemiripan antara citra biner hasil segmentasi sistem dengan citra biner hasil segmentasi manual. Citra biner hasil sistem diperoleh dengan menggunakan nilai threshold (t) yang divariasikan mulai dari 0-255 dan diambil nilai akurasi tertinggi. Selain nilai

  threshold yang divariasikan, ukuran piksel erosi juga divariasikan mulai dari 1 sampai 6 piksel.

  Hasil akurasi dengan menggunakan ukuran piksel erosi yang divariasikan dapat dilihat pada

  Gambar 8 Akurasi dengan variasi erosi

  Padadapat dilihat bahwa dengan menggunakan ukuran erosi piksel yang berbeda dapat menghasilkan akurasi yang berbeda pula. Rerata akurasi pada setiap ukuran piksel erosi yaitu 0,931068663 (erosi 1), 0,937538883 (erosi 2), 0,940240096 (erosi 3), 0,940618152 (erosi 4), 0,940501338 (erosi 5), dan 0,94014129 (erosi 6). Sehingga dapat dilihat bahwa rerata tertinggi diperoleh dengan menggunakan ukuran piksel erosi sebesar 4 piksel.

  Selain menggunakan akurasi sebagai pengukur kinerja algoritme, penelitian ini juga menggunakan pengujian Area Under Curve pada kurva Receiver Operating Characteristic. Hasil AUC didapat dengan menggunakan ukuran piksel erosi yang menghasilkan akurasi tertinggi pada masing-masing citra retina. Nilai AUC setiap gambar dapat dilihat padauntuk dataset DRIVE dengan rerata AUC yang didapat yaitu 0,849116962 dan untuk dataset STARE dengan rerata AUC yang didapat yaitu 0,778141215.

  Tabel 1 Hasil luas AUC dataset DRIVE Citra retina AUC erosi dipakai

  1.bmp 0,838913162

  2 2.bmp 0,723801172 2 3.bmp 0,740026736 1 4.bmp 0,655640787 6 5.bmp 0,725447151 4 6.bmp 0,685630557 4 7.bmp 0,698588871 6 8.bmp 0,832242416 3 9.bmp 0,738621358 5 10.bmp 0,729813015 4 11.bmp 0,73819526 4 12.bmp 0,791380064 4 13.bmp 0,660083423 5 14.bmp 0,834150323 2 15.bmp 0,813154654 3 16.bmp 0,711042404 4 17.bmp 0,80496752 2 18.bmp 0,825273298 4 19.bmp 0,662002093 3 20.bmp 0,819703559 4 21.bmp 0,790407484 2 22.bmp 0,672710827 3 23.bmp 0,778346146 3 24.bmp 0,680055674 4 25.bmp 0,716590416 6 26.bmp 0,826196501 2 27.bmp 0,735465318 5 28.bmp 0,654265549 4 29.bmp 0,736854901 5 30.bmp 0,753811882 3 31.bmp 0,737582662 4 32.bmp 0,759529459 3 33.bmp 0,728202104 4 34.bmp 0,688123107 3 35.bmp 0,695117835 5 36.bmp 0,642191413 5 37.bmp 0,689070596 5 38.bmp 0,865065771 3 39.bmp 0,824431625 4 40.bmp 0,847322722

  3 Tabel 2 Hasil luas AUC dataset STARE Citra retina AUC erosi dipakai Perbandingan hasil dilakukan dengan

  1.bmp 0,935895735

  2

  membandingkan hasil akurasi penelitian ini

  2.bmp 0,842481445

  4

  dengan hasil akurasi yang diperoleh (Nguyen, et

  3.bmp 0,824985508

  2

  al., 2013) yang menggunakan algoritme multi-

  4.bmp 0,655175994

  4 scale line operator tanpa ada preprocessing

  menggunakan K-Means. Hasil perbandingan

  5.bmp 0,838074747

  2 akurasi dan AUC dapat dilihat pada 6.bmp 0,781363644

  3 Tabel 4 Perbandingan hasil akurasi 7.bmp 0,786068458 3 8.bmp 0,795261179

  2 DRIVE 9.bmp 0,698809047

  2 Peneliti akurasi AUC 10.bmp 0,834612616

  1

  tertinggi rerata tertinggi rerata

  11.bmp 0,815266357

  2 Nguyen 0,96529 0,944 0,94773 0,849 12.bmp 0,661771682

  4 Cahya 13.bmp 0,73595461

  2 0,96531 0,941 0,86507 0,746

  ningum

  14.bmp 0,726704257

  2 15.bmp 0,900637511

  1 Max 0,96531 0,944 0,94773 0,849 16.bmp 0,751867648

  1 Dari hasil perbandingan dapat dilihat 17.bmp 0,700625205

  2

  bahwa rerata akurasi yang diperoleh pada

  18.bmp 0,74524284

  1

  penelitian ini lebih rendah dibandingkan dengan

  19.bmp 0,744070694

  2

  rerata akurasi yang diperoleh pada penelitian

  20.bmp 0,787955116

  4

  (Nguyen, et al., 2013). Namun akurasi tertinggi yang dapat dicapai dengan menggunakan multi-

7.2. Pengujian jumlah K pada K-Means

  scale line operator yang dikombinasikan dengan

  Pengujian jumlah K dilakukan dengan K-Means lebih tinggi dibandingkan dengan menggunakan jumlah K sebanyak 2 dan hanya menggunakan multi-scale line operator. perlakuan yang sama saat pengujian kesesuaian

  Hal ini terjadi karena tidak semua citra retina citra dan pengujian AUC. Hasil pengujian memiliki area yang terang seperti optic disc, jumlah K dapat dilihat pada dari hasil sehingga beberapa piksel yang seharusnya tersebut dapat dilihat bahwa jumlah K termasuk pada kelompok background namun berpengaruh terhadap tingkat akurasi dan AUC, masuk pada kelompok foreground . hal ini terjadi karena piksel-piksel yang

  Perbandingan citra hasil segmentasi (Nguyen, et termasuk pada kelompok vessel seharusnya al., 2013) dengan hasil segmentasi pada dapat terdeteksi sebagai pembuluh darah dengan penelitian ini dapat dilihat pad Dimana melihat piksel tetangga. Namun karena piksel nomor 1, 2 dan 3 menunjukkan perbandingan tetangga termasuk pada kelompok non-vessel, dengan hasil akurasi pada penelitian ini lebih maka piksel tetangga tersebut tidak ikut tinggi dibandingkan dengan penelitian yang dikomputasikan, sehingga hasil S ij rendah, yang dilakukan (Nguyen, et al., 2013). Sedangkan mengakibatkan piksel tersebut terdeteksi sebagai nomor 2 menunjukkan sebaliknya, yaitu hasil bukan pembuluh darah. akurasi pada penelitian ini lebih rendah dibandingkan dengan penelitian yang dilakukan

  Tabel 3 Hasil pengujian jumlah K (Nguyen, et al., 2013).

  DRIVE STARE Jumlah K akurasi AUC akurasi AUC

  2 0,92653 0,67684 0,9406 0,6866 3 0,93973 0,73795 0,9493 0,7781

8. PERBANDINGAN HASIL

• – A survey.

  preprocessing K-Means, hal ini terjadi

  Hoover, A., Kouznetsova, V. & Goldbaum, M., 2000, Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response. IEEE, Volume 19, p. 203

  Digital Ocular Fundus Imaging: A Review. Volume 226, pp. 161-181. Fraz, M. et al., 2012. Blood vessel segmentation methodologies in retinal images

  Blood Vessel Enhancement and Segmentation for Screening of Diabetic Retinopathy. Volume 10, Bernardes , R., Serranho , P. & Lobo , C., 2011.

  10. DAFTAR PUSTAKA Akram, M. U., Jamal, I. & Tariq, A., 2012.

  4. Jumlah K yang digunakan pada algoritme K- Means menghasilkan akurasi yang tinggi jika menggunakan K sebanyak 3 yang terdiri dari foreground, background, dan vessel. Karena jika menggunakan K sebanyak 2 yang terdiri dari vessel dan non-vessel, maka piksel-piksel yang seharusnya dapat terdeteksi sebagai vessel menjadi salah deteksi sebagai non-vessel. Pada penelitian ini terdapat beberapa kekurangan yang dapat menjadikan koreksi dan saran untuk penelitian selanjutnya. Hasil penelitian ini menunjukkan bahwa false positive yang terdeteksi didaerah sekitar optic disc dapat dihilangkan, namun true positive yang ada didaerah tersebut juga menghilang. Pada penelitian selanjutnya diharapkan dapat mengatasi masalah tersebut yaitu mempertahankan true positive yang ada pada daerah optic disc, sehingga akurasi dapat meningkat.

  3. Hasil rerata akurasi yang didapat yaitu 0,940980219 (DRIVE) dan 0,949293361 (STARE). Sedangkan nilai AUC yang didapat sebesar 0,7462 (DRIVE) dan 0,778 (STARE) dengan ukuran erosi yang digunakan mulai dari 1 hingga 6 dan nilai threshold yang mulai dari 81-123 (DRIVE) dan 60-128 (STARE).

  karena beberapa citra retina tidak memiliki daerah yang terang seperti optic disc. Sehingga piksel yang seharusnya termasuk pada kelompok background namun masuk pada kelompok foreground.

  2. Tidak semua citra retina menghasilkan akurasi yang tinggi saat menggunakan

  dibandingkan dengan penelitian (Nguyen, et al., 2013).

  false positive yang terdeteksi di daerah dekat optic disc , sehingga akurasinya meningkat

  Proses preprocessing dengan menggunakan algoritme K-Means berhasil mengurangi

  K-Means, dapat ditarik kesimpulan bahwa: 1.

  multi-scale line operator dengan preprocessing

  Berdasarkan hasil segmentasi pembuluh darah pada citra retina menggunakan algoritme

   KESIMPULAN

  Tabel 5 Perbandingan hasil citra 9.

• –210, Nguyen, U. T., Bhuiyan, A., Park, L. . A. &

  Ramamohanarao, K., 2013. An effective retinal blood vessel segmenta tion method using multi-sca le line detection. Niemeijer, M. et al., 2004. Comparative study of retinal vessel segmentation methods on a new publicly available database. SPIE, Volume 5370, p. 648 –656. Putra, R. E., Tjandrasa, H. & Suciati, N., 2012.

  Review Algoritma Segmentasi Pembuluh Darah Pada Citra Fundus Retina Mata untuk Membantu Diagnosis Diabetic Retinopathy.

  Ricci, E. & Perfetti, R., 2007. Retinal blood vessel segmentation using line operators and support vector classification. Roychowdhury, S., Koozekanani, . D. D. &

  Parhi, K. K., 2015. Blood Vessel Segmentation of Fundus Images by Major Vessel Extraction and Subimage Classification.

  Saffarazadeh, V. M., Osareh, A. & Shadgar, B., 2014. Vessel Segmentation in Retinal Image Using Multi-Scale Line Operator and K-Means Clustering. Journal of

  Medical Signal & Sensor, 4(2), pp. 122- 129.

  Staal, J. et al., 2004. Ridge-Based Vessel Segmentation in Color Images of the Retina.

  Wihandika, R. C. & Suciati, N., 2013. Retinal Blood Vessel Segmentation with Optic Disc Pixels Exclusion. I.J. Image,

  Graphics and Signal Processing, pp. 26- 33.

  Zhao, Y. Q., Wang, X. H., Shih, F. Y. & Wang,

  X. F., 2014. Retinal vessels segmentation based on level set and region growing.