3.4.4. Perkalian citra
Perkalian citra antara citra negatif dengan citra hasil proses contrast stretching menghasilkan citra yang optic disc-nya telah dieliminasi. Adapun citra hasil eliminasi
optic disc ditunjukkan pada Gambar 3.10.
a b
c Gambar 3.10. a citra negatif; b citra hasil proses
contrast stretching; c citra hasil eliminasi
optic disc
3.5. Feature Extraction
Setelah citra hasil eliminasi optic disc didapat, tahap selanjutnya adalah feature extraction menggunakan Gray Level Co-occurrence Matrix GLCM. Bagian citra
yang digunakan dalam perhitungan matriks kookurensi hanya bagian retina. Background dan bagian optic disc yang telah dieliminasi tidak diikutkan dalam
perhitungan. Untuk mengambil bagian retina pada citra, digunakanlah konsep masking. Masking merupakan citra biner yang digunakan untuk mengambil bagian
tertentu dalam sebuah citra tergantung dari nilai piksel yang dimiliki oleh citra biner tersebut. Masking harus memiliki dimensi yang sama dengan citra yang ingin diambil
sub citranya. Masking yang digunakan dalam perhitungan matriks kookurensi ditunjukkan pada gambar 3.11.
Universitas Sumatera Utara
Gambar 3.11. Citra masking
Gambar 3.11 merupakan citra masking yang digunakan hanya untuk memisahkan bagian retina dengan background. Untuk memisahkan bagian retina
dengan optic disc yang telah dieliminasi, digunakan citra masking lain yaitu citra negatif seperti yang ditunjukkan pada Gambar 3.9. Jadi untuk menghitung matriks
kookurensi pada citra digunakan 2 buah citra masking. Perhitungan matriks kookurensi dilakukan dengan cara memeriksa nilai
piksel referensi dengan piksel tetangga di citra retina pada kedua citra masking. Jika nilai piksel referensi dan piksel tetangga pada kedua citra masking adalah 255 atau
putih, maka piksel referensi dan piksel tetangga pada citra retina dapat diperhitungkan dalam perhitungan matriks kookurensi. Sebaliknya jika kedua nilai atau salah satu
nilai pada piksel referensi dan piksel tetangga pada cita masking adalah 0 atau hitam, maka piksel referensi dan piksel tetangga pada citra retina tidak dapat diperhitungkan
dalam perhitungan matriks kookurensi. Adapun langkah-langkah feature extraction menggunakan GLCM adalah
sebagai berikut. 1.
Menentukan nilai gray level untuk membentuk matriks framework. Gray level yang digunakan adalah 256.
2. Menentukan arah dan jarak antar piksel referensi dengan piksel tetangga. Jarak
yang digunakan adalah 1 dan arah yang digunakan adalah 0 , 45, 90, dan 135.
3. Menghitung nilai kookurensi berdasarkan arah dan jarak yang sudah ditentukan.
Nilai kookurensi dihitung menggunakan konsep masking. 4.
Menambahkan matriks kookurensi dengan matriks transpose-nya agar matriks kookurensi menjadi simetris.
Universitas Sumatera Utara
5. Menormalisasi matriks kookurensi yang sudah berada dalam bentuk simetris
dengan cara membagi nilai kookurensi dengan jumlah semua nilai kookurensi yang ada, sehingga hasil penjumlahan semua nilai kookurensi adalah 1.
6. Menghitung fitur statistik. Fitur statistik yang digunakan berjumlah 6, yaitu
contrast, homogenity, energy, entropy, variance, dan correlation.
6 fitur dihitung untuk masing-masing matriks kookurensi yang sudah dinormalisasi. Karena matriks kookurensi dihitung pada 4 arah dan 1 jarak, maka akan terdapat 24
fitur. Contoh fitur dari citra retina pada Gambar 3.10 ditunjukkan pada Tabel 3.4.
Tabel 3.4. Fitur Haralick No.
Fitur Arah
Nilai Fitur
1. Contrast
29.32868
2. Contrast
45
41.13115 3.
Contrast 90
24.163
4. Contrast
135
40.55288 5.
Homogenity
0.2653 6.
Homogenity 45
0.23661
7. Homogenity
90
0.27655 8.
Homogenity 135
0.23694
9. Energy
0.00268
10. Energy 45
0.00236
11. Energy 90
0.00281
12. Energy 135
0.00237
13. Entropy
6.44244 14. Entropy
45
6.58184 15. Entropy
90
6.37543 16. Entropy
135
6.58285 17. Variance
340.12751
18. Variance 45
326.57561
19. Variance 90
342.09923
Universitas Sumatera Utara
Tabel 3.4. Fitur Haralick lanjutan
No. Fitur
Arah Nilai Fitur
20. Variance 135
326.96121
21. Correlation
0.95689 22. Correlation
45
0.93703 23. Correlation
90
0.96468 24. Correlation
135
0.93799
3.6. Klasifikasi
