Image Enhancement Local binary pattern
Fitur histogram memberi informasi tekstur sebuah citra. Ciri tekstur sel serviks menentukan sifat
permukaaan sel nukleus dan sitoplasma secara keseluruhan. Fitur ini mampu membedakan kasarhalus
permukaan objek dalam citra sel serviks. Beberapa fitur histogram yang digunakan yaitu mean, standart deviasi,
smoothness, momen dan entropi.
Gambar 3. Plot Fitur Mean
Fitur mean menyatakan sebaran intensitas sebuah citra. Pada grafik fitur mean sel serviks Gb.3 tampak
range nilai mean sel normal berada pada range nilai mean sel abnormal. Range nilai mean sel abnormal
yaitu berkisar dari 87 sampai 200 sedangkan sel normal berkisar dari 107 sampai 198. Nilai mean sel serviks
abnormal memiliki range yang cukup lebar dibandingkan dengan nilai mean sel serviks normal.
Gambar 4. Plot Fitur Standar Deviasi
Nilai standar deviasi memberi informasi tentang kontras citra yaitu sebaran terang lightness dan gelap
darkness citra sel servik. Pada gambar 4 tampak range nilai standar deviasi sel abnormal berkisar dari 18
sampai 67 dan sel normal berkisar dari 18 sampai 69. Tidak ada perbedaan signifikan pada range nilai standar
deviasi antara sel abnormal dan sel normal. Tampak pula bahwa citra sel normal columnar memiliki kontras
cukup tinggi dibandingkan sel normal jenis lain. Dan sebaran nilai kontras citra normal columnar memiliki
kemiripan dengan nilai kontras citra abnormal severe dysplastic.
Nilai smoothness
menggambarkan kelembutankekasaran permukaan objek
nukleussitoplasma dalam citra sel serviks. Pada gambar 5 terlihat range nilai smoothness sel abnormal
berkisar dari 0,005 sampai 0,065 sedangkan sel normal berkisar dari 0,005 sampai 0,068. Range nilai
smoothness sel abnormal maupun sel normal hampir sama. Nilai smooothnes sel abnormal severe dysplastic
dan sel normal columnar cukup tinggi. Hal ini menunjukkan bahwa nilai intensitas kedua sel tersebut
cukup konstan. Secara visual tampak terdapat kemiripan intensitas yang konstan antara backgroud,
sitoplasma maupun nukleus.
Gambar 5. Plot Fitur Smoothness
Gambar 6. Plot Fitur Momen
Range nilai momen sel abnormal berkisar dari - 2,01 sampai 2,66 sedangkan sel normal berkisar dari -
2,05 sampai 1,99. Tampak bahwa range nilai momen sel abnormal lebih lebar dibandingkan range nilai
momen sel normal. Dari Gambar 6, tampak pula bahwa nilai momen sel normal pada umumnya lebih rendah
dibandingkan sel abnormal. Dan pada grafik tersebut tampak nilai momen pada beberapa data sel normal
columnar cukup tinggi.
Gambar 7. Plot Fitur Skewness
Nilai skewness menyatakan ukuran kecondongan histogram citra Gb. 7. Range nilai skewness sel
abnormal berkisar dari 0,004 sampai 0,098 sedangkan sel normal berkisar dari 0,005 sampai 0,033. Range
nilai skewness sel abnormal cukup lebar dibandingkan dengan range nilai skewness sel normal. Nilai skewness
yang cukup tinggi pada sel abnormal yaitu superficiel dysplastic sedangkan pada sel normal yaitu normal
columnar.
ISSN :2407-2281
F 96
Gambar 8. Plot Fitur Entropi
Nilai entropi memberi informasi keteracakankeseragaman intesitas citra sel servik. Pada
gambar 8. tampak range nilai entropi sel abnormal berkisar dari 6,16 sampai 7,81 sedangkan sel normal
berkisar dari 6,18 sampai 7,69. Terlihat nilai entropi tidak ada perbedaan yang signifikan antara sel
abnormal dan sel normal. Hal ini berarti intensitas citra sel abnormal dan sel normal cenderung seragam.
Fitur FFT diperoleh dengan menentukan mean dari magnitudo koefisien FFT 2 dimensi pada setiap
region citra sel serviks hasil ekualisasi histogram. Ekstraksi fitur FFT dilakukan terhadap seluruh set data
yaitu 917 citra yang terdiri dari 675 data sel abnormal dan 242 data sel normal.
Hasil deteksi outlier, menunjukkan data outlier pada fitur histogram didominasi oleh citra sel abnormal
yaitu sebanyak 16 data. Sedangkan data outlier pada fitur FFT didominasi oleh citra sel serviks normal
superficiel. Hal ini karena terdapat beberapa data citra sel normal superficiel yang memiliki lebih dari satu sel.
Pengujian dilakukan pada set data sel serviks hasil ORC pada setiap fitur yaitu fitur histogram, fitur FFT
level 1, fitur FFT level 2, fitur FFT level 3 dan fitur FFT level 4. Data uji yang digunakan untuk fitur
histogram yaitu 267 data. Sedangkan data uji untuk fitur FFT yaitu 271 data.
Dari hasil pengujian terhadap fitur fistogram, FFT level 1, FFt level 2, FFT level 3 dan FFT level 4,
menunjukkan bahwa fitur histogram memberi hasil yang kurang baik dengan total output benar yaitu 197
data dan total ouput salah yaitu 70 data. Pada fitur FFT level 1 memberi hasil lebih baik dengan total ouput
benar yaitu 231 data dan total output salah yaitu 40 data. Pada fitur FFT level 2 memberi hasil lebih baik
dibandingkan fitur FFT level 1 dengan total output benar yaitu 233 data dan total output salah 38 data.
Pada fitur FFT level 3 memberi hasil yang paling baik dibandingkan dengan fitur yang lain dengan total
output benar yaitu 236 data dan total output salah 35 data. Sedangkan fitur FFT level 4 menghasilkan total
output benar yaitu 233 data dan total output salah yaitu 38 data.
Unjuk kerja FKNN untuk setiap fitur dinyatakan dalam tabel akurasi dan laju error pada Tabel 1.
Tampak bahwa secara umum fitur FFT lebih baik dibandingkan fitur histogram untuk mendukung FKNN
dalam mengklasifikasi citra papsmear. Tingkat akurasi FKNN tertinggi diperoleh pada fitur FFT level 3.
Tabel 1. Unjuk Kerja FK-NN pada Setiap Fitur
Jenis Fitur Akurasi
Laju Error Histogram
73,78 0,2622
FFT Level 1 85,24
0,1476 FFT Level 2
85,98 0,1402
FFT Level 3 87,08
0,1292; FFT Level 4
85,98 0,1402
KESIMPULAN 1.
Fitur histogram yaitu mean, standart deviasi, momen dan smoothness mendukung kinerja
FKNN dengan tingkat akurasi sebesar 73,78 dengan laju error 0,2622.
2. Fitur FFT level 3 mampu memberikan hasil
yang optimal pada kinerja FKNN. 3.
Tingkat akurasi tertinggi algoritma FKNN sebesar 87,08 dengan laju error 0,1292.
DAFTAR PUSTAKA Agustina, Silvia, 2008, Analysis of Pap Smear Image
Using Computer Software, Fakultas Life Science, Program Studi Biomedical
Engineering, Swiss Germany University SGU.
Ahmad, Usman, 2005, Pengolahan Citra Digital Teknik Pemrogramannya, Penerbit Graha
Ilmu, Yogyakarta. American Cancer Society, 2007, Detailed Guide:
Cervical Cancer, http:www.cancer.orgdocrootCRIcontent.
html, 20 Mei 2012. Centers for Disease Control and Prevention, 2006,
Genital HPV Infection – CDC Fact Sheet, http:www.cdc.govSTDHPVSTDFact-
HPV.html, 20 Mei 2012. Gonzalez, R.C.,Woods, Richard E., 2002, Digital
Image Processing, Pearson Education, Inc., New Jersey.
Hoda, Rana S., Hoda, Syed. A., 2007, Fundamental of Pap Test Cytology,Humana Press, Totowa,
New Jersey. Jan, J., 2006, Medical Image Processing,
Reconstruction, and Restoration: Concepts and Methods, Taylor Francis Group, Boca
Raton, FL. Jordan, Joseph A., Singer, A., 2006, The Cervix,
Blackwell Publishing, Inc., United States. Karp, Gerald C., 2005, Cell and Molecular Biology:
Concepts and Experiments, 4th ed, John Wiley and Sons, Asia.
Kumar, V., Abbas, A.K., Fausto, N., Mitchell, R.N., 2007, Robbins Basic Pathology, Saunders
Elsevier. Kusumadewi, Sri, 2004, Membangun Jaringan Syaraf
Tiruan Menggunakan MATLAB dan EXCEL LINK, Penerbit Graha Ilmu,
Yogyakarta. Mahanta, L.B., Nath D.C., Nath C.K., 2012, Cervix
Cancer Diagnosis from Pap Smear Images Using Structure Based Segmentation and
Shape Analysis,
ISSN :2407-2281
F 97