PENGOLAHAN CITRA FUNDUS DIABETIK RETINOPATI EDISI 1

PENGOLAHAN CITRA FUNDUS
DIABETIK RETINOPATI
EDISI 1

PENERBIT GUNADARMA
2017

Tim Penyusun
Diana Tri Susetianingtias
Sarifuddin Madenda
Rodiah
Fitrianingsih

PENGOLAHAN CITRA FUNDUS
DIABETIK RETINOPATI
EDISI 1

Tim Penyusun
Diana Tri Susetianigtias
Sarifuddin Madenda
Rodiah
Fitrianingsih

PENERBIT GUNADARMA
2017

Judul buku

: Pengolahan Citra Fundus Diabetik Retinopati
Edisi 1

Oleh

: Tim Penelitian

Gambar Sampul

: Rodiah

Design dan Layout

: Rodiah

Diterbitkan pertama kali oleh

: Penerbit Gunadarma

Hak cipta dilindungi oleh undang-undang
Jakarta 2017
ISBN :

ii

KATA PENGANTAR

Bismillaahirrahmaanirrahiim.
Assalamu’alaikum Warrahmatullaahi Wabarokaatuh
Alhamdulillahi Rabbil’aalamiin, segala puji bagi Allah SWT, Tuhan
semesta alam, atas berkat rahmat, karunia, bimbingan, pertolongan, petunjuk,
ilmu, dan pertolongan-NYA, Penulis dapat menyelesaikan penyusunan Buku ini
dengan sebaik-baiknya.

Shalawat dan salam kepada Nabi Muhammad SAW

beserta keluarga, sahabat dan para pengikutnya sampai akhir zaman.
Sepanjang proses penyusunan buku ini, banyak pihak yang telah turut
berkontribusi, baik secara moril maupun materiil. Tanpa bantuan mereka, dalam
penyelesaian buku ini, Penulis tidak akan dapat menyelesaikannya dengan baik.
Untuk itu, dengan kerendahan hati, perkenankan penulis mengucapkan terima
kasih kepada semua Pihak antara lain : DP2M RistekDikti, Lembaga Penelitian
Universitas Gunadarma dan seluruh pihak yang tidak dapat penulis sebutkan satu
per satu yang telah turut memberikan bantuan dan peran serta dalam penyelesaian
buku ini.
Semoga Allah SWT membalas semua keikhlasan, perhatian dan bantuan
yang Bapak, Ibu, dan Rekan berikan kepada penulis karena hanya DIA-lah yang
mampu dan kuasa membalasnya.

iii

Kata Pengantar

Kritik dan saran dari pembaca sangat penulis harapkan untuk perbaikan pada masa
yang akan datang. Kesempurnaan hanya milik Allah SWT semata, sedangkan
kekurangan serta kekhilafan ada pada diri Penulis.

Wassalamu’alaikum warrahmatullaahi Wa barakaatuh
Jakarta, September 2017

Tim Penulis

Kata Pengantar |

iv

DAFTAR ISI
Halaman

KATA PENGANTAR
DAFTAR ISI
BAB 1

BAB 2

BAB 3

v

iii
v

PENDAHULUAN
1.1. Pengolahan Citra

1

1.2. Operasi Pengolahan Citra

1

1.3. Ruang Warna

3

1.4. Pengenalan Citra Medis

3

1.5. Diabetik Retinopati

4

PENGOLAHAN CITRA
2.1. Citra Digital

7

2.2. Thresholding

7

2.3. Jarak Eucledian

8

2.4. Morfologi Citra

8

2.5. Skeleton

10

2.6. Transformasi Top Hat

11

2.7. Transformasi Bottom Hat

12

2.8. Ekstraksi Fitur Bentuk

12

2.9. Matriks Hesian

13

2.10. Vektor Nilai Eigen

14

2.11. Klasifikasi Citra Digital

15

2.12. Deteksi Tepi pada Citra

17

RUANG WARNA
3.1. Ruang Warna RGB

21

3.2. Ruang Warna HSL

22

3.3.Ruang Warna HSV

24

Daftar Isi

BAB 4

3.4.Ruang Warna HSI

25

3.5. Ruang Warna CMY/ CMYK

26

3.6. Ruang Warna YUV

27

3.7. Ruang Warna Luminance In-phase Quadrature (YIQ)

28

3.8. Ruang Warna YCbCr

28

3.9. Ruang Warna CIELAB

29

CITRA MEDIS
4.1. Magnetic Resonance Imaging (MRI)

30

4.2. X-Ray

31

4.3. Ultrasonography (USG)

31

4.3.1.Peralatan Yang digunakan dalam USG

32

4.3.2.Manfaat Alat USG

34

4.3.3.Jenis-jenis USG

35

4.4. Funduscopy

BAB 5

BAB 6

35

4.1.1. Pemeriksaan opthamoloscope

36

4.1.2. Cara Pemeriksaan opthamoloscope

37

4.5. Endoscopy

39

4.6. Computed Tomography (CT-Scan)

41

4.7. Nuclear Medicine

43

ANATOMI MATA DAN RETINA
5.1. Anatomi Mata

45

5.2. Retina

46

5.3. Anatomi Retina

47

5.4. Pembuluh Darah Retina

50

DIABETIK RETINOPATI
6.1. Klasifikasi Diabetik Retinopati

53

6.2. Gejala Diabetik Retinopati

55

6.3. Karakteristik Diabetik Retinopati

57

Daftar Isi |

vi

6.4. Kudran dalam Diabetik Retinopati

BAB 7

59

MICROANEURSYM
7.1. Microaneursym

66

7.2. Segmentasi Kandidat Microaneursym

69

7.2.1. Pendekatan Berbasis Maximally Stable External

69

Region (MSER)
7.2.2. Hasil Segmentasi Kandidat Microaneursym dengan

75

Pendekatan Berbasis Maximally Stable External
Region (MSER)

BAB 8

EXUDATES
8.1. Exudates

79

8.2. Preprocessing Algoritma Warna Referensi

80

8.3. Segmentasi Exudates dengan Warna Referensi

81

8.4. . Hasil Segmentasi Exudates dengan Warna Referensi

89

DAFTAR PUSTAKA

vii

Daftar Isi

99

BAB 1
PENDAHULUAN
1.1.

Pengolahan Citra
Pengolahan Citra merupakan proses memperbaiki kualitas citra agar

mudah diinterpretasikan oleh manusia atau komputer yang merupakan proses
awal dari Komputer visi. Citra/ Gambar adalah informasi yang berbentuk visual.
Citra merupakan fungsi intensitas 2 dimensi yaitu f(x,y), dimana x dan y adalah
koordinat spasial dan f pada titik (x, y) adalah tingkat kecerahan (brightness) citra
pada suatu titik. Citra f(x,y) yang telah dilakukan digitalisasi (secara koordinat
area atau tingkat kecerahan) maka nilai f di koordinat (x, y) menunjukan tingkat
kecerahan (grayness) level dari citra pada titik tersebut dinamakan citra digital
(Gonzalez and Woods, 2008). Citra digital dapat didefinisikan sebagai
representasi dari sebuah citra/ gambar dua dimensi sebagai sebuah kumpulan nilai
digital (elemen gambar atau piksel).
Bagian terkecil yang menyusun citra dan mengandung nilai yang mewakili
kecerahan dari sebuah warna pada titik tertentu dinamakan dengan piksel.
Biasanya bentuk citra digital adalah persegi panjang atau bujur sangkar yang
memiliki lebar dan tinggi tertentu sehingga ukuran citranya selalu bernilai bulat.
Setiap piksel memiliki koordinat sesuai posisinya dalam citra yang dinyatakan
dalam bilangan bulat positif, dimulai dari niai 0 atau nilai 1 tergantung pada
sistem yang digunakan. Setiap piksel juga memiliki nilai berupa angka digital
yang merepresentasikan informasi yang diwakili oleh piksel tersebut (Gonzalez
and Woods, 2008).

1.2.

Operasi Pengolahan Citra
Pada Pengolahan Citra terdapat beberapa operasi diantaranya adalah: (a).

Perbaikan kualitas citra (image enhacement) yaitu memperbaiki kualitas citra
dengan memanipulasi parameter-parameter citra. Operasi perbaikan citra terdiri
dari: perbaikan kontras gelap /terang dan tepian objek (edge enhancement),
penajaman (sharpening), pemberian warna semu (pseudocoloring), dan
Bab 1: Pendahuluan

1

penapisan derau (noise filtering). (b). Pemugaran citra (image restoration) yaitu
menghilangkan cacat pada citra. Operasi Pemugaran citra yang dimaksud adalah
dengan menghilangan kesamaran (deblurring) dan menghilangan derau (noise).
(c). Pemampatan citra (image compression) yaitu: citra direpresentasikan
dalam bentuk lebih kompak, sehingga keperluan memori lebih sedikit dan tetap
mempertahankan kualitas gambar (contoh dari file citra dengan ektension .BMP
menjadi file citra dengan ekstension .JPG). (d). Segmentasi citra (image
segmentation) dilakukan dengan tujuan agar dapat memecah suatu citra ke
dalam beberapa segmen dengan suatu kriteria tertentu. (e). Pengorakan citra
(image analysis) yaitu menghitung besaran kuantitatif dari suatu citra agar
menghasilkan deskripsinya. Hal ini sangat diperlukan untuk melokalisasi objek
yang diinginkan dari sekelilingnya. Beberapa operasi image analysis adalah
pendeteksian tepi objek (edge detection), ekstraksi batas (boundary) dan
represenasi daerah (region). (f). Rekonstruksi citra (Image recontruction) yaitu
membentuk ulang objek dari beberapa citra hasil proyeksi (Munir, 2004).
Beberapa aplikasi pengolahan Citra yang dapat dilakukan dalam beberapa bidang
diantaranya adalah:
1.

Bidang perdagangan. Salah satu contohnya adalah dengan pembacaan bar
code pada barang di supermarket dan pengenalan huruf/angka pada
formulir secara otomatis.

2.

Bidang Militer. Contoh: dengan mengenali peluru kendali melalui sensor
visual, dan mengidentifikasi jenis pesawat musuh.

3.

Bidang

Kedokteran.

Contoh:

Deteksi

kanker

dengan

sinar

X,

Rekonstruksi foto janin hasil USG dan pemeriksaan mata yang
mengunakan kamera fundus
4.

Bidang Biologi. Contoh: Pengenalan kromosom melalui gambar
mikroskopik.

5.

Komunikasi Data. Contoh: Pemampatan citra transmisi.

6.

Hiburan. Contoh: Pemampatan video MPEG.

7.

Robotika. Contoh: Visual guided autonomous navigation.

8.

Pemetaan. Contoh: Klasifikasi penggunaan tanah melalui foto udara.
2

Bab : 1 Pendahuluan

9.

Bidang Geologi. Contoh: Mengenali jenis bebatuan melalui foto udara.

10. Bidang Hukum. Contoh: Pengenalan sidik jari, pengenalan foto narapidana
dengan face recognition dan pengenalan tanda tangan.
1.3.

Ruang Warna
Gelombang cahaya yang nampak tertangkap oleh sel-sel cone dan rod

dalam retina mata diteruskan ke syaraf visual otak dan membangkitkan berbagai
sensasi warna. Tujuan dikembangkannya ruang warna adalah untuk memodelkan,
menghitung dan memvisualisasikan untuk mendapatkan informasi warna sehingga
dapat memudahkan komputer atau sistem digital lainnya memproses informasi
warna dan membedakan warna seperti halnya sistem visual manusia (Madenda,
2015).

Ruang warna terdiri dari beberapa model, diantaranya adalah Sistem

Warna Munsell, Ruang warna RGB, Ruang warna HSL, Ruang Warna HSV,
Ruang Warna L*a*b* dan L*C*H*, Ruang WarnaYUV, YCbCr dan YPbPr
(Madenda, 2015).

1.4.

Pengenalan Citra Medis
Citra medis (medical image) merupakan teknik dan proses yang digunakan

untuk dapat membuat gambar dari tubuh manusia (atau bagian-bagian dan fungsi
daripadanya) dengan tujuan klinis seperti prosedur medis untuk mengungkapkan,
mendiagnosis atau memeriksa penyakit atau ilmu kedokteran. Ada 5 (Lima) faktor
penentu dalam jaminan mutu citra radiografi sehingga mutu cira dan penampakan
struktur anatomi bagian dalam dapat terlihat dengan jelas. Ke lima faktor tersebut
adalah sensitivitas kontras (contrast sensitivity), kekaburan (blurring), derau
visual, artefak, spatial/geometric characteristic. Pada proses pengolahan citra
medis tahapan algoritma terdiri atas 8 bagian yaitu perbaikan, segmentasi,
kuantifikasi, registrasi, visualisasi dan bagian akhir yang mencakup kompresi,
penyimpanan, dan komunikasi. Beberapa jenis citra medis diperoleh dari beberapa
alat pemeriksaan digital seperti Funduscopy dengan mengunakan kamera fundus
untuk pemeriksaan mata, sinar infrared, ultraviolet, X-ray, CT, MRI, ultrasound,
Bab 1: Pendahuluan

3

hasilnya dapat berupa binary image, gray level image, coloring image dan false
color image dengan dimensi visual yang diperoleh dapat berupa citra 2D, 3D, dan
4D (3D + waktu) dalam bentuk lembaran film radiografi ataupun citra digital
dengan format raw data, Analis, DICOM, dan dengan format standar (ppm, dcm
TIFF, PNG dan lain-lain).

1.5.

Diabetik Retinopati
Diabetik Retinopati merupakan penyakit lanjutan dari diabetes melitus

(DM) yang memiliki kasus cukup tinggi yaitu mencapai 40-50% penderita
diabetes (Ilyas, 2003). Penyakit ini merupakan penyebab kebutaan paling sering
ditemukan pada usia dewasa (penderita diabetes melitus) antara 20 sampai 74
tahun. Pasien diabetes memiliki risiko 25 kali rentan mengalami kebutaan
dibanding dengan penderita non-diabetes. Hampir semua penyandang DM tipe 1
akan mengalami Diabetik Retinopati dengan berbagai derajat setelah 20 tahun dan
60% pada Diabetes Melitus tipe 2 (Nasution, 2011). Kerusakan pada lapisan saraf
mata sampai pada

kebocoran

retina akibat

Diabetik Retinopati

akan

mengakibatkan penglihatan menjadi buram sampai pada kebutaan. Penderita
Diabetik Retinopati dapat menjadi buta secara permanen. Beberapa rumah sakit
seperti RS Indera Denpasar dan RS. Sanglah mencatat ada sekitar 123 pasien
Diabetes Melitus yang terdiri dari 57 perempuan dan yang terdiri dari 66 laki-laki
mulai dari periode Oktober 2014 sampai dengan Januari 2015. Dari jumlah
tersebut, sekitar 60,16% pasien mengidap Diabetik Retinopati (Ni Made Ari S, I
Putu B, I Wayan Gede J, I Gede Raka, 2015). Di dunia terdapat sekitar 10%
persen penduduk yang mengalami kebutaan akibat Diabetik Retinopati. Penyakit
Diabetik Retinopati merupakan penyakit penyebab kebutaan paling tinggi yang
menempati posisi keempat setelah katarak, glaukoma, dan degenerasi makula
(Andi Arus Victor, 2008).
Diabetik Retinopati terbagi ke dalam dua jenis yaitu Non Proliferasi
Diabetik Retinopati (NPDR) dan Proliferasi Diabetik Retinopati (PDR). Pada
Diabetik Retinopati dengan tipe NPDR terjadi kelemahan pada pembuluh darah
4

Bab : 1 Pendahuluan

retina. Pada beberapa kasus, terdapat cairan dan darah bocor pada retina. Diameter
pembuluh darah menjadi membesar dengan bentuk tepi pembuluh tidak beraturan.
Jenis Diabetik Retinopati dengan tipe NPDR dapat menjadi tipe Proliferasi
Diabetik Retinopati (PDR) pada stadium parah. Kerusakan pembuluh darah pada
tipe PDR, berakibat pertumbuhan pembuluh darah baru yang tidak normal pada
retina sehingga mengakibatkan terganggunya aliran cairan normal pada mata.
Bola mata akan mendapatkan tekanan yang cukup tinggi. Salah satu cara untuk
mengetahui seseorang menderita Diabetik Retinopati pada tipe NPDR dapat
dilihat dari adanya kemunculan beberapa gejala antara lain Exudates (Soft
Exudates seperti Cotton Wool dan Hard Exudates), Intra Retinal Mikrovaskuler
Abnormalities (IRMAs) yang mengakibatkan penggelembungan vaskuler (Venous
Beading) serta perdarahan titik dan bercak (Dot and blot intraretinal
hemorrhages) (Bowling, 2016).
Klasifikasi NPDR berdasarkan ETDRS (Khurana, 2007) dengan melihat
keberadaan beberapa kelainan pada kuadran citra retina. Pembagian empat
kuadran pada citra fundus dilakukan dengan aproksimasi sudut pengambilan
Optic Disc (Field Of View). Kebocoran lemak pada vascular retina akan
mengakibatkan exudates, Venous Beading pada dua kuadran dan Intra Retinal
Mikrovaskuler Abnormalities pada satu kuadran merupakan dua diantara gejala
klinis sebagai gejala Diabetik Retinopati. Pembuluh darah yang berkelok-kelok
merupakan gejala awal dari Venous Beading sehingga mengakibatkan dinding
pembuluh darah menjadi bocor. Microaneurysms merupakan pelebaran titik fokus
dari pembuluh kapiler retina yang muncul sebagai titik-titik bulat kecil merah
gelap mengakibatkan Haemorrhages. Keberadaan exudates, venous beading yang
terdeteksi, microaneurysms dan haemorrhages pada citra retina menunjukkan
derajat penyakit (stadium) Diabetik Retinopati. Evaluasi klinis yang dilakukan
untuk mendeteksi NPDR adalah dengan melakukan pemeriksaan melalui kamera
fundus atau pemeriksaan langsung melalui ophthalmoscope (Chakrabarti, Harper
and Keeffe, 2012).
Berdasarkan

pengamatan

visual

seorang

dokter

spesialis

mata

(ophthalmologist) vitreo-retina, exudates muncul dalam warna putih kekuningBab 1: Pendahuluan

5

kuningan atau dengan berbagai ukuran, bentuk dan lokasi. Pada beberapa citra,
exudates juga berwarna nampak kehijauan. Exudates kadang terlihat secara
individual, atau dalam bentuk klaster. Exudates memiliki intensitas warna yang
hampir sama dengan optic disc (titik buta pada retina). Ukuran dari exudates
sangat bervariatif, dapat berukuran lebih kecil atau lebih besar dari optic disc.
Kesulitan melihat exudates diakibatkan komposisi warna pada exudates hampir
sama dengan warna pada objek optic disc citra retina. Kelainan lain pada citra
fundus yang juga sulit untuk dilihat secara visual adalah venous beading yaitu
terjadinya penggelembungan pada pembuluh vena retina (Bowling, 2016).
Penderita Diabetik Retinopati biasanya tidak menyadari kelainan yang
terjadi pada retinanya sampai muncul keluhan seperti melihat bayangan benda
hitam melayang mengikuti pergerakan mata atau lebih dikenal dengan istilah
floaters. Pasien Diabetik Retinopati akan mengeluhkan penglihatannya terhalang
secara mendadak (Andi Arus Victor, 2008). Pencegahan kebutaan akibat Diabetik
Retinopati dapat dikurangi jika dilakukan pendeteksian secara dini terhadap
beberapa gejala penyebab Diabetik Retinopati.

6

Bab : 1 Pendahuluan

BAB 2
PENGOLAHAN CITRA
2.1.

Citra Digital
Citra digital adalah representasi dari sebuah citra/ gambar dua dimensi

sebagai sebuah kumpulan nilai digiital yang disebut elemen gambar atau piksel.
Piksel merupakan elemen terkecil yang menyusun citra dan mengandung nilai
yang mewakili kecerahan dari sebuah warna pada titik tertentu. Umumnya citra
digital berbenutk persegi panjang atau bujur sangkar yang memiliki lebar dan
tinggi tertentu sehingga ukuran citra selalu bernilai bulat. Setiap piksel memiliki
kordinat sesuai posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam
bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung pada sistem
yang digunakan. Setiap piksel juga memiliki nilai berupa angka digital yang
merepresentasikan informasi yang diwakili oleh piksel tersebut (Gonzalez and
Woods, 2008).

2.2.

Thresholding
Suatu proses yang digunakan untk menghasilkan citra biner disebut

Thresholding (T). Citra biner adalah cirtra yang memiliki dua tingkat keabuan
(hitam dan putih), tergantung apakah nilai piksel tersebut lebih bessar atau lebih
kecil dari T. Jika nilai tingkat keabuanya lebih besar dari nilai T maka piksel akan
diubah menjadi putih dan jika nilai tingkat keabuannya lebih kecil atau sama
dengan T maka piksel akan diubah menjadi hitam (Gonzalez and Woods, 2008).

g  T ( f ) .............................................................……………...(2.3)

Dimana:
Bab : 2 Pengolahan Citra

7

g= citra biner
f = citra grayscale
T = nilai ambang di antara derajat keabuan
Salah satu pendekatan yang digunakan untuk thresholding adalah metode Otsu.
Metode Otsu melakukan analisis diskriminan dengan mementukan suatu variabel
yang dapat membedakan antara dua atau lebih kelompok yang muncul secara
alami. Analisis ini akan memaksimumkan variabel tersebut agar dapat
memisahkan objek dengan latar belakang (Gonzalez and Woods, 2008).
Pengamatan histrogram dari sebuah citra menghasilkan dua infomasi sekaligus
yakni jumlah level intesitas yang berbeda (disimbolkan dengan L) dan jumlah
piksel-piksel untuk tiap-tiap level intensiitas tersebut (yang disimbolkan dengan
n(k) dengan k=0...255) (Gonzalez and Woods, 2008).

Jarak Euclidean (Euclidian Distance)

2.3.

Jarak Euclidean adalah besarnya jarak suatu garis lurus yang
menghubungkan antar objek. Contohnya untuk mengukur jarak antara dua objek
yaitu A dengan koordinat (x1, y1) dan B dengan koordinat (x2, y2) dapat
dilakukan dengan rumus:

x1  x22   y 2  y12 ..............………………………...(2.4)

2.4.

Morfologi Citra
Penelitian pada objek citra medis (medical image) dilakukan sebagai

bantuan awal dalam melakukan analisis terhadap citra medis. Salah satunya
dilakukan untuk mengetahui bentuk suatu objek yang berada pada citra medis
berdasarkan pendekatan morfologi. Pemrosesan citra secara morfologi biasanya
dilakukan terhadap citra biner (hanya terdiri dari 0 dan 1), walaupun tidak
menutup kemungkinan dilakukan terhadap citra dengan skala keabuan 0-255.
8

Bab : 2 Pengolahan Citra

Morfologi

citra

merupakan

fungsi

matematika

yang

digunakan

untuk

mengekstraksi dan mendeskripsikan struktur geometris objek dalam citra.
Morfologi mempunyai dua operator dasar, yaitu dilasi (dilation) dan erosi
(erosion) yang biasa digunakan untuk mengekstraksi komponen yang diinginkan
dalam sebuah citra.
Operasi dilasi D(A,B) merupakan proses penggabungan titik-titik latar (0) menjadi
bagian dari objek (1) berdasarkan structuring element yang digunakan. Variabel A
adalah citra input, dan B adalah structuring element, sehingga operator  pada
proses dilasi akan digunakan untuk memperbesar komponen yang diinginkan
dengan cara menambahkan seluruh tepinya dengan elemen penyusun B seperti
pada persamaan 2.4 (Soille, 2003).
D( A, B)  A  B

(2.4)

Operasi erosi E(A,B) adalah kebalikan dari operasi dilasi. Pada operasi ini, ukuran
objek diperkecil dengan mengikis sekeliling objek. Operator  akan mengubah
semua titik batas menjadi titik latar dari citra input A berdasarkan structuring
element B. Cara lain untuk proses erosi dapat dilakukan dengan membuat semua
titik di sekeliling titik latar menjadi titik latar seperti pada persamaan 2.5 (Soille,
2003).
E ( A, B)  AB

(2.5)

Berdasarkan dua operator tersebut, dapat diturunkan dua operator lainnya yang
berguna untuk menghaluskan batas komponen yang terhadap citra telah
diekstraksi, yaitu pembukaan (opening) dan penutupan (closing) (Soille, 2003).
Operasi opening A°B dilakukan dengan menghilangkan bagian-bagian kecil yang
terlihat terang (bintik-bintik putih atau noise) melalui proses erosi AB diikuti
operator  untuk dilasi berdasarkan structuring element B seperti pada persamaan
2.6. Structuring element dapat berukuran sembarang. Structuring element juga
memiliki titik poros (disebut juga titik origin/ titik asal/titik acuan). Opening

Bab : 2 Pengolahan Citra

9

dilakukan sehingga citra tampak lebih halus. Operasi opening ini sering
diidentikkan dengan operasi smoothing (Soille, 2003).
AB  ( AB)  B

(2.6)

Operasi closing AB digunakan untuk menghilangkan bagian detail yang terlihat
gelap dan menyisakan bagian terang yang tidak mengganggu. Closing merupakan
operasi rangkap dari opening yang dihasilkan dari dilasi AB diikuti operator 
untuk erosi B melalui persamaan 2.7 (Soille, 2003).
A  B  ( A  B)B

(2.7)

Gambar 2.1 adalah contoh citra hasil penerapan morfologi matematika masingmasing untuk hasil operasi dilasi, erosi, opening dan closing. (Gonzalez et al,
2009).

Gambar 2.1. Contoh Citra Hasil Penerapan Morfologi Matematika
(Gonzalez et al, 2009)
2.5.

Skeleton
Proses mengubah bentuk dari citra hasil restorasi yang berbentuk citra

biner menjadi citra yang menampilkan batas-batas objek yang hanya setebal satu
piksel disebut skeletonisasi. Proses skeletoniisasi mempergunakan algoritma
thinning yang secara iteratif menghapus piksel-piksel pada citra biner, transisi dari
0 ke 1 (atau dari 1 ke 0 pada konversi lain) terjadi sampai dengan terpenuhi suatu
10

Bab : 2 Pengolahan Citra

keadaan dimana satu himpunan dari lebar per unit (satu piksel) terhubung menjadi
suatu garis. Tujuan thining dalam skeletonisasi adalah untuk menghilangkan
piksel-piksel yang berada di dalam obyek depan (foreground object) pada citra
biner. Setiap iterasinya pada Algoritma Thinning Zhang suen terdiri dari dua subiterasi yang berurutan. Iterasi dilakukan terhadap contour points dari wilayah
citra. Contour point adalah setiap piksel dengan nilai 1 dan memiliki setidaknya
satu 8-neighbor yang memiliki nilai 0. Langkah pertama dilakukan terhadap
semua border piksel di citra. Jika salah satu dari keempat kondisi di atas tidak
dipenuhi maka nilai piksel yang bersangkutan tidak diubah. Sebaliiknya jika
semua kondisi tersebut dipenuhi maka piksel tersebut ditandai untuk
penghapusan. Piksel yang telah ditandai tidak akan diihapus sebelum semua
border points selesai diproses. Setelah langkah pertama selesai dilakukan unutk
semua border point maka dilakukan penghapusan untuk titik yang telah ditandai
(diubah menjadi 0) (Gonzalez and Woods, 2008).

2.6.

Transformasi Top Hat
Tranformasi Top Hat adalah perbedaan antara citra dan citra setelah

mengalami operasi opening seperti dapat dilihat pada rumus 2.7. (Solomon and
Breckon, 2011).
TTH ( A, B)  A  ( A  g.B) .................................…………...…….(2.7)

Dimana:
A = Citra Asal
B = Elemen penstruktrur
g = operasi berlaku untuk citra beraras keabuan

Transformasi Top Hat berguna untuk mendapatkan bentuk global suatu objek
yang mempunyai intensitas yang bervariasi (A. Kadir, 2013).

2.7.

Transformasi Bottom Hat
Bab : 2 Pengolahan Citra

11

Operasi Bottom Hat merupakan operasi yang melakukan dilasi dengan
memperbesar warna putih kemudian melakukan erosi denagan pengecilan warna
putih dan dikurangi dengan citra asal. Dilasi yang diikuti erosi memberikan efek
berupa objek-objek yang berdekatan menjadi semakin dekat. Pengurangan oleh
citra asal membuat penghubung antar objek menjadi hasil tersisa atau piksel –
piksel yang digunakan untuk mengisi lubang (penghubung objek) (Kadir, 2013).
Transformasi Bottom Hat didefinisikan pada rumus 2.8 :
TBH ( A, B)  ( A  gB)  A ..................................................................(2.8)

2.8.

Ekstraksi Fitur Bentuk
Ekstraksi fitur merupakan suatu pengambilan ciri/ feature dari suatu

bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses
selanjutnya. Ektraksi fitur dilakukan dengan cara menghitung jumlah titik atau
piksel yang ditemui dalam setiap pengecekan. Pengecekan dilakukan dalam
berbagai arah tracing pada koordinat kartesian dari citra digital yang dianalisis,
yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri. Fitur merupakan
karakteristik unik dari suatu objek yang dibedakan menjadi dua yaitu fitur alami
yang merupakan bagian dari gambar (contohnya kecerahan dan tepi objek) dan
fitur buatan yang merupakan fitur yang diperoleh dengan operasi tertentu pada
gambar (contohnya histogram tingkat keabuan) (Gonzalez and Woods, 2008).
Ekstraksi fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang
menbedakan suatu objek dari objek yang lain (Putra, 2010). Salah satu ekstraksi
fitur adalah ekstraksi fitur bentuk. Bentuk dari suatu objek adalah karakter
konfigurasi permuukaan yang diwakili oleh garris dan kontur.
Dua kategori dari Fitur bentuk yaitu berdasarkan batas (boundary-based)
dan daerah (region-based) tergantung pada teknik yang digunakan. Teknk
berdasarkan batas (boundary-based) mengambarkan bentuk daerah dengan
menggunakan karakteritik eksternal, contohnya adalah piksel sepanjang batas
objek. Sedangkan teknik berdasarkan daerah (region-based) menggambarkan
bentuk wilayah dengan menggunakan karakteristik internal, contohnya adalah
12

Bab : 2 Pengolahan Citra

piksel yang berada dalm suatu wilayah. Fitur bentuk yang biasa digunakan adalah
wilayah (area) yang merupakan jumlah piksel dalam wilayah digambarkan
oleh bentuk (foreground), lingkar (perimeter) adalah jumlah dari piksel yang
berada pada batas dari bentuk. Perimeter didapatkan dari hasil deteksi tepi,
kekompakan (compactnss), dan Euler number atau faktor E adalah perbedaan
antara jumlah dari connected component (C) dan jumlah lubang (H) pada citra.

2.9.

Matriks Hessian
Matriks adalah susunan bilangan yang diatur berdasarkan baris dan

kolom. Bilangan-bilangan tersebut dinamakan entri dalam matriks disebut juga
elemen (unsur). Matriks Hessian adalah matriks yang setiap elemennya
dibentuk dari turunnan partial kedua dari suatu fungsi. Misalkan f(x) fungsi
dengan n variabel yang memiliiki turunan parsial kedua dan turunannya kontinu,
matriks Hessian f(x) dengan rumus :
 2 f

2
 x2 1
 f
H   x 2  1


 2 f
 x 
 n 1

2 f
x1  2
2 f
x 22
2 f
x n  2

2 f
x1  n
2 f
x 2  n
...
2 f
x n2





 ..............................................................(2.9)






Untuk melakukan uji turunan kedua fungsi lebih dari satu variabel,
digunakan Matriks Hessian yaitu untuk mengidentifikasi optimum relatif dari
nilai fungsi tersebut. Penggolongan titik stassioner fungsi dua variabel
dengan mengunakan matriks Hessian misalkan f(x) = F(x1, …, xn) adalah fungsi
bernilai real dengan semua turunan parsialnya kontinu. Misalnya x0 adalah titik
stasioneer dari F dan didefinisikan H = H(x0) dengan persamaan Hij = Fxi, yj (x0).
H (x0) adalah Hessian dari F pada x0 (Magnus, 2007).
Titik stasioner dapat digolongkan sebagai berikut :
1. x0, adalah suatu minimuum relatif dari F jika jika H(x0.) definite positif
Bab : 2 Pengolahan Citra

13

2. x0, adalah suatu maksimum relatif dari F jika H(x0.) definiet negatif
3. x0, adalah suatu titik pelana dari F jika H(x0.) tidak terdefinisi.

2.10.

Vektor Nilai Eigen
Sebuah matriks bujur sangkar dengan orde n x n, misalkan A dan sebuah

vektor kolom X. Vektor X adalah vecktor dalam ruang Euclidian R n

yang

dihubungkan dengan sebuah persamaan :
AX  X ……………....................................................……..(2.10)

Dimana :

 = skalar
X = vector yaang bukan nol Skalar

 = nilai Eigen dari matriks A .
Nilai eigen adalah nilai karakteristik dari suatu matriks bujur sangkar. Vektor X
dalam persamaan (2.10) adalah suatu vektor yang tidak nol yang memenuhi
persamaan (2.11) untuk nilai eigen yang sesuai dan disebut dengan vektor eigen.
Jadi vektor X mempunyai nilai tertentu untuk nilai eigen tertentu (Gaidhane,
Hote, Singh, 2011). Persamaan AX  X dimana A adalah matrik bujur sangkar
dan X adalah vektor bukan nol yang memenuhi perssamaan tersebut. Contoh
sebuah matrik bujur sangkar orde 2x2 :

a12 
a
A =  11
 ................................................................(2.11)
a 21 a 22 

2.11.

Klasifikasi Citra Digital

Berdasarkan warna-warna penyusunnya klasifikasi citra digital terdiri atas :

1. Citra biner
14

Bab : 2 Pengolahan Citra

Citra biner adalah citra yang mana setiap pixel hanya memiliki dua level
nilai keabuan, yaitu hitam dan putih. Nilai biner ini direpresentasikan dengan 1 bit
seperti terlihat pada gambar 2.2.

Gambar 2.2. Representasi Citra Biner (Gonzalez et al, 2009)

2.

Citra Skala Keabuan (Grayscale)
Citra yang tidak berwarna atau hitam putih dikenal sebagai citra dengan

derajat abu-abu (citra graylevel/ grayscale). Derajat abu-abu yang dimiliki
beragam, mulai dari 2 derajat abu-abu (yaitu 0 dan 1) yang dikenal juga sebagai
citra monochrome, 16 derajat keabuan dan 256 derajat keabuan.
Dalam sebuah citra monochrome, sebuah piksel diwakili oleh 1 bit data
yang berisikan data tentang derajat keabuan yang dimiliki piksel tersebut. Data
akan berisi 0 bila piksel berwarna hitam dan 1 bila piksel berwarna putih. Citra
yang memiliki 16 derajat keabuan (mulai dari 0 yang mewakili warna hitam
sampai dengan 15 yang mewakili warna putih) direpresentasikan oleh 4 bit data,
sedangkan citra dengan 256 derajat keabuan (nilai dari 0 yang mewakili warna
hitam sampai dengan 255 yang mewakili warna putih) direpresentasikan oleh 8 bit
data.
Citra skala keabuan memberi kemungkinan warna yang lebih banyak
daripada citra biner, karena ada nilai-nilai lain di antara nilai minimum (0) dan
nilai maksimumnya (1). Banyaknya kemungkinan nilai dan nilai maksimumnya
bergantung pada jumlah bit yang digunakan. Contohnya untuk skala keabuan 4
Bab : 2 Pengolahan Citra

15

bit, maka jumlah kemungkinan nilainya 24 = 16, dan nilai maksimumnya adalah
24 – 1 =15. Untuk skala keabuan 8 bit, maka jumlah kemungkinan nilainya adalah
28 = 256 dam nilai maksimumnya 28 – 1 = 255. Format citra ini disebut skala
keabuan karena pada umumnya warna yang dipakai adalah antara hitam sebagai
warna minimal dan warna putih sebagai warna maksimalnya, sehingga warna di
antara keduanya adalah warna abu-abu. Pada umumnya citra skala keabuan
menggunakan jumlah bit 8 sesuai dengan satuan memori komputer (byte), tetapi
terdapat juga citra skala keabuan yang kedalaman pikselnya bukan 8 bit, misalnya
16 bit untuk penggunaan yang memerlukan ketelitian tinggi seperti pada citra
medis CT scan paru gambar 2.3.

Gambar 2.3. Citra Grayscale CT scan Paru (sumber : RSCM, 2011)

2.12.

Deteksi Tepi pada Citra
Salah satu cara untuk menyederhanakan bentuk citra pada proses analisis

citra medis yaitu dengan melakukan pendeteksian tepi (edge detection). Tepi
16

Bab : 2 Pengolahan Citra

merupakan sederetan piksel yang mempunyai intensitas antara piksel permulaan
dan piksel akhir. Jarak antara titik-titik yang sangat berdekatan akan membentuk
tepi dalam suatu objek. Tepi merupakan batasan-batasan antar daerah dengan
tingkat keabuan yang nyata, yang berfungsi untuk (Nixon and Aguado, 2002) :
1. Memberikan tanda pada bagian yang menjadi detail citra
2. Memperbaiki detail dari citra yang kabur, yang diakibatkan karena error
atau adanya efek dari proses akuisisi citra
Suatu titik (x,y) dikatakan sebagai tepi dari suatu citra bila titik tersebut
mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 2.6 berikut ini
menggambarkan bagaimana tepi suatu citra diperoleh. Dari suatu citra input f(x,y),
akan ditentukan penelusuran arah vertikal dengan differensial arah F/x dan
penelusuran arah horizontal dengan differensial arah F/y untuk didapatkan citra
yang merupakan hasil penelusuran gabungan antara F/x dan F/y

Gambar 2.4. Proses Deteksi Tepi Citra (Nixon and Aguado, 2002)
Pada prosesnya, tepi citra yang dideteksi sering mempunyai intensitas yang lebih
kecil sehingga terkadang tepi citra yang dianalisis tersebut tidak dapat dikenali.
Tepi citra sering tidak lengkap, hal ini dikarenakan warna background hampir
seperti warna foreground. Tepi citra yang ditemukan pendek dan tidak terhubung

Bab : 2 Pengolahan Citra

17

saat dilakukan penelusuran. Beberapa metode pendeteksian tepi antara lain
(Gonzalez et al, 2009) :
1. Metode Robert
Metode Robert adalah nama lain dari teknik differensial pada arah
horizontal dan differensial pada arah vertikal, dengan ditambahkan proses
konversi biner setelah dilakukan differensial. Teknik konversi biner yang
disarankan adalah konversi biner dengan meratakan distribusi warna hitam
dan putih.
2. Metode Prewitt
Metode Prewitt merupakan pengembangan metode Robert dengan
menggunakan filter High Pass Filter (HPF) yang diberi satu angka nol
penyangga. Metode ini mengambil prinsip dari fungsi laplacian yang dikenal
sebagai fungsi untuk membangkitkan HPF (Gonzalez et al, 2009).
3. Metode Sobel
Metode Sobel merupakan pengembangan metode Robert dengan
menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini
mengambil prinsip dari fungsi Laplacian dan Gaussian yang dikenal sebagai
fungsi untuk membangkitkan HPF. Kelebihan dari metode Sobel ini adalah
kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi
tepi (Gonzalez et al, 2009).
4. Canny
Salah satu metode yang dikenal secara luas adalah deteksi tepi metode
Canny yang memiliki kriteria deteksi tepi optimal tanpa adanya kesalahan
deteksi, lokalisir yang baik dengan jarak minimal antara tepi terdeteksi dengan
posisi

tepi

sebenarnya,

dan

respon

tunggal

terhadap

tepi.

Untuk

mengakomodasi kriteria-kriteria tersebut, operator Canny menambahkan
prosedur-prosedur perbaikan sebelum dan sesudah pendeteksian tepi (pre dan
18

Bab : 2 Pengolahan Citra

post processing) agar hasil deteksi tepi yang diperoleh menjadi lebih baik
(Nixon and Aguado, 2002).
Pre dan post processing yang dilakukan pada deteksi tepi metode Canny
antara lain (Nixon and Aguado, 2002) :
a) Smoothing (preprocessing)
Proses smoothing dilakukan untuk menghilangkan noise dan menurunkan
pengaruh tekstur pada citra sehingga diperoleh hasil deteksi yang lebih
baik. Pada metode Canny, digunakan filter Gaussian dalam bentuk matriks
template yang merupakan bobot (weight) dalam perhitungan nilai rata-rata
suatu kelompok piksel pada citra input.
b) Non maximum suppresion (post-processing)
Proses Non Maximum Suppression yang mirip dengan proses thinning
(perampingan) dilakukan untuk menentukan piksel tepi dengan posisi
paling mendekati lokasi terjadinya perubahan nilai piksel di antara
banyaknya piksel tepi yang terdeteksi. Pada umumnya, perubahan nilai
piksel berada pada pusat kumpulan piksel tepi. Penentuan pusat kumpulan
piksel tepi di antaranya dengan penghitungan jarak euclidean antara setiap
piksel tepi p(x, y) ke piksel bukan tepi q(s, t), dimana piksel pada pusat
suatu kumpulan piksel akan memiliki jarak ke piksel tepi terjauh.
c) Hysteresis thresholding (post-processing)
Berbeda dengan metode thinning, pada proses Non Maximum suppresion,
pengubahan menjadi citra biner tersebut menggunakan dua nilai threshold
T1 dan T2 dimana T1 > T2 yang sering disebut juga hysteresis thresholding.
Setiap piksel tepi dengan nilai lebih besar dari T1 dipertahankan sebagai
piksel tepi.
Piksel tepi di sekitar piksel tepi yang nilainya lebih besar dari nilai
threshold T1 di atas juga dipertahankan sebagai piksel tepi jika nilainya
Bab : 2 Pengolahan Citra

19

masih lebih besar dari T2. Hasil dari rangkaian proses deteksi tepi dengan
metode Canny pada citra CT scan paru dapat dilihat pada gambar 2.5.

Citra input

Tepi citra paru
Citra Hasil

Nodul paru

Gambar 2.5 (a) Citra CT Scan Paru
(b) Citra Hasil Dengan Operator Canny

20

Bab : 2 Pengolahan Citra

BAB 3
RUANG WARNA
Gelombang cahaya yang nampak tertangkap oleh sel-sel cone dan rod
dalam retina mata diteruskan ke syaraf visual otak dan membangkitkan berbagai
sensasi warna. Tujuan dikembangkannya ruang warna adalah untuk memodelkan,
menghitung dan memvisualisasikan untuk mendapatkan informasi warna sehingga
dapat memudahkan komputer atau sistem digital lainnya memproses informasi
warna dan membedakan warna seperti halnya sistem visual manusia (Madenda,
2015). Beberapa ruang warna tersebut antara lain adalah sebagai berikut :
1. RGB(Red Green Blue)
2. HSL (Hue Saturation Lightness), HSV (Hue Saturation Value), HSI (Hue
3. Saturation Intensity), dan HCL (Hue Chroma Lightness)
4. YUV, YDbDr, YIQ dan YCbCr (Luminance – Chrominance)

3.1.

Ruang Warna RGB
Ruang

warrna

RGB

adalah

ruaang

warna

berdasarkan

konsep

penammbahan kuat cahaya primer yaitu Red, Green dan Blue. Ruamg yang gelap
total berarti tidak ada sinyal gelombamg cahaya yang diserap oleh mata atau RGB
(0,0,0). Bila ditambahkan cahaaya merah maka ruangan akan berubah menjadi
merah dan semua benda memjadi berwarna merah, misalnya RGB (255,0,0).
Ruang warna standar yang didasarkan pada hasil akuisisi frekuensi warna oleh
sensor elektronik yang bentuk keluarannya berupa sinyal analog adalah Ruang
warna RGB (Red, Green, Blue), yang amplitudonya di digitalisasikan dan
dikodekan dalam 8 bit untuk setiap warnanya. RGB adalah ruang warna aditif
yang bermakna bahwa semua warna dimulai dari hitam dan dibentuk dengan
menambah R, G dan B. Setiap warna yang tampak merupakan kombiinasi dari
tiga komponen R, G dan B. Gabungan dari tga warna ini akan membentuk warna
lain seperti Gambar 3.1. Pada gambar ini, ketiga warna dasar ini memiliki
intensitas yang sama (Madenda, 2015).
Bab : 3 Ruang Warna

21

Gambar 3.1. Ruang warna RGB (Madenda, 2015)

3.2.

Ruang Warna HSL
Tiga konponen warna yang merepresntasikan ruang warna HSL adalah

hue, saturation, dan lightness. Ruamg Warna HSL secara konseptual berbentuk
kerucut berganda atau lingkaran dengan pucuknya berwarna putih, dan sudut
dasarnya berwarna hitam, dan warna sangat gelap pada sekeliling sisi lingkar
horizontal serta pada bagian tengah warna abu-abu sedang. Hue merupakan
kedalaman warna berdasarkan cahaya yang dipantulkan oleh objek. Kedalaman
warna tersebut memiliki tingkatan 0 sampai 359. Contohnya warna Merah berada
pada tingkat 0, warna Kuning 60, warna Hijau pada tingkat 120 dan warna Cyan
pada tingkat 180. Untuk tingkat 240 merupakkan warna Biru, serta 300 adalah
warna Magenta. Saturatin/ Chroma adalah tingkatan warna berdasarkan
ketajamannya berfungsi untuk mendefinisikan apakah warna suatu objek
cenderung murni atau cenderung kotor (gray). Saturation memiliki presentase
yang berkisar antara 0% sampai 100% sebagai warna paling tajam. Lightnes
adalah tingkatan warna berdasarkan pencampuran dengan unsur warna Putih
sebagai unsur warna yang memunculkan kesan warna terang atau gelap. Nilai

22

Bab : 3 Ruang Warna

tingkatan warna pada Lightness berkisar antara 0 untuk warna paling gelap dan
100 untuk warna paling terang.
Perubahan bentuk geometri kubik warna RGB dalam bentuk silinder
menciptakan Ruang Warna HSL (Hue, Saturation and Lightnes/ Luminance),
sehingga lebih mendekati intuisi dan persepsi visual manusia. Perubahan dari
Ruang warna RGB ke Ruang warna HSL dapat dilihat pada persamaan 3.1.
, Jika max  min 
 TidakTerdefinisi




, Jika max  G 
  G  B   60

  max  min 




h(hue)  
, Jika max  B 
B
R





 2   60

 max  min





, Jika max  B 
 R  G  4   60


 max  min


(3.1)

Dimana :




0
, Jika max  min 


 max  min
, Jika L  127 
s( saturation )  

 (21 / 255)

 max  min
 2  (2 L / 255) , Jika L  127 



L

max min
2

Pada Persamaan 2.1, Max = max (R, G, B), Min = min (R, G, B). Intensitas warna
R,G dan B bervariasi dari 0 hingga 255 akan menghasilkan nilai H (Hue) dalam
radian yang bervariasi mulai dari –п/3 hingga +5п/3. Nilai S (Saturation) dan
nilai L (Lightness) masing-masing bervariasi dari 0 sampai 255 (Madenda, 2015).

Bab : 3 Ruang Warna

23

3.3.

Ruang Warna HSV
Ruang warna HSV mendefinisikan warana dalam terminologi Hue,

Saturation dan Value. Hue menyatakan warna sebenarnya yang digunakan untuk
membedakan waarna-warna dan menentukan kemerahan (redness), kehijauan
(greenness) dan bentuk warna lainnya dari cahaya. Hue berasosiaasi degan
panjang gelombang cahaya. Saturation menyaatakan tingkat kemurnian suatu
warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna.
Value (luminance) adalah empat atribut yang menyatakan banyaknya cahaya yang
diterima oleh mata tanpa memperdulikan warna.
Ruang warna HSV hampir sama dengan ruang warna HSL yaitu
merepresentasikan nuansa warna dalam koordinat silindris 3-D. Ruang warna
HSV disebut juga dengan hexcone model (Hue, Saturation dan Value). Konversi
dari ruang warna RGB ke HSV mirip dengan persamaan ruang HSL (Madenda,
2015) seperti dapat dilihat pada persamaan 2.2



 TidakTerdefinisi
, Jika max  min 




 GB 
h(hue)  
, Jika max  R 


 max  min 



 B  R

2
,
max



A
Jika
G


 max  min





(2.2)

Dimana:

0 , Jika max  min


s( saturation )  

max  min , Jika lainnya 
V (value)  max

Pada Persamaan 2.2, Max = max (R, G, B), Min = min (R, G, B). A = п/3
bila H dalam radian atau A = 60o bila H dalam derajat. Nilai komponen H (Hue)
jika dinyatakan dalam radian memiliki nilai yang bervariasi mulai dari –п/3
hingga +5п/3 atau jika dinyatakan dalam derajat memiliki nilai yang bervariasi

24

Bab : 3 Ruang Warna

mulai dari -60o hingga 300o. Nilai S (Saturation) dan nilai V (Value atau
Luminance) masing-masing bervariasi dari 0 sampai 255 (Madenda, 2015).

3.4.

Ruang Warna HSI
Warna juga dapat dispesifikasikan oleh tiga kuantisasi hue, saturation,

intensity (disebut model HSI) seperti pada gambar diabawah. Pada gambar
sebelah kiri merupakan bentuk solid HSI dan sebelah kanan adalah model segitiga
HSI yang merupakan bidang datar dari pemotongan model solid HSI secara
horisontal pada tingkat intensitas tertentu. Hue ditentukan dari warna merah,
saturation ditentukan berdasarkan jarak dari sumbu. Warna pada permukaan
model solid dibentuk dari saturasi penuh, yaitu warna murni, dan spektrum tingkat
keabuan,

Gambar 3.2. Ruang warna HSI (…)
Konversi nilai antar model RGB dan HSI adalah sebagai berikut:

Bab : 3 Ruang Warna

25

dimana kuantitas R, G, dan B adalah jumlah komponen warna merah, hijau, biru
dan dinormilisasi ke [0,1]. Intensitas adalah nilai rata-rata komponen merah, hijau
dan biru. Nilai saturation ditentukan sebagai:

3.5.

Ruang Warna CMY/ CMYK
CMYK (cyan, magenta, yellow-kuning), dan warna utamanya (black-

hitam), dan sering dijadikan referensi sebagai suatu proses pewarnaan dengan
mempergunakan empat warna) adalah bagian dari model pewarnaan yang sering
dipergunakan dalam pencetakan berwarna. Namun ia juga dipergunakan untuk
menjelaskan proses pewarnaan itu sendiri. Meskipun berbeda-beda dari setiap
tempat pencetakan, operator surat kabar, pabrik surat kabar dan pihak-pihak yang
terkait, tinta untuk proses ini biasanya, diatur berdasarkan urutan dari singkatan
tersebut. Model ini, baik sebagian ataupun keseluruhan, biasanya ditimpakan
dalam gambar dengan warna latar putih (warna ini dipilih, dikarenakan dia dapat
menyerap panjang struktur cahaya tertentu). Model seperti ini sering dikenal
dengan nama "subtractive", karena warna-warnanya mengurangi warna terang
dari warna putih.
Dalam model yang lain "additive color", seperti halnya RGB (Red-Merah,
Green-Hijau, Blue-Biru), warna putih menjadi warna tambahan dari kombinasi
warna-warna utama, sedangkan warna hitam dapat terjadi tanpa adanya suatu
cahaya. Dalam model CMYK, berlaku sebaliknya, warna putih menjadi warna
natural dari kertas atau warna latar, sedangkan warna hitam adalah warna
kombinasi dari warna-warna utama. Untuk menghemat biaya untuk membeli tinta,
dan untuk menghasilkan warna hitam yang lebih gelap, dibuatlah satu warna
hitam khusus yang menggantikan warna kombinasi dari cyan, magenta dan
kuning.

26

Bab : 3 Ruang Warna

Gambar 3.2. Ruang warna CYMK (Madenda, 2015).

3.6.

Ruang Warna YUV
Ruang Warna YUV adalah pemisahan komponen kecerahan (luminance)

dan komponen warna (crominanc). Pemisahan komponen tidak hanya dilakukan
dengan pemisahan warna, namun dapat juga dilakukan dengan memisahkan
komponen kecerahan (luminance) dan komponen warna (crominance). Pada
format PAL, sinyal kecerahan dinyatakan dengan Y, sedangkan dua signal warna
dinyatakan dengan U dan V
Masing-masing komponen tersebut diperoleh dengan mentransformasikan
RGB dengan rumus :
Y=0,299 R + 0,587 G + 0,114 B
U=(B-Y) x 0,493
V=(R-Y) x 0,877

Bab : 3 Ruang Warna

27

3.7.

Ruang Warna Luminance In-phase Quadrature (YIQ)
Luminance in-phase quadrature (YIQ) adalah pemisahan sinyal video

menjadi komponen kecerahan dan komponen warna, dapat dilakukan juga sesuai
dengan format NTSC, komponen kecerahan dinyatakan dengan Y, dan dua
komponen warna dinyatakan dengan I dan Q.
Masing-masing komponen tersebut diperoleh dengan mentransformasikan RGB
dengan rumus :
Y=0,299 R + 0,587 G + 0,114 B
I=0,587R-0,275G-0,321B
Q=0,212R-0,523G-0,321B

3.8.

Ruang Warna YCbCr
Ruang warna YCbCr biasa digunakan pada video digital. Pada ruang

warna ini, komponen Y menyatakan intensitas, sedangkan Cb dan Cr menyatakan
informasi warna. Proses konversi dari RGB dilakukan dengan beberapa cara.
Contoh berikut didasarkan pada rekomendasi CCIR 601-1 (Crane, 1997)

Gambar 3.3. Ruang warna YCbCr (Crane, 1997).
28

Bab : 3 Ruang Warna

3.9.

Ruang Warna CIELAB
CIELAB adalah nama lain dari CIE L*a*b*. Diagram kromasitas CIE

(Commission Internatiole de L’Eclairage) ditunjukkan pada Gambar 3.4. Pada
diagram tersebut, setiap perpaduan x dan y menyatakan suatu warna. Namun,
hanya warna yang berada dalam area ladam (tapal kuda) yang bisa terlihat.
Angka yang berada di tepi menyatakan panjang gelombang cahaya. Warna yang
terletak di dalam segitiga menyatakan warna-warna umum di monitor CRT, yang
dapat dihasilkan oleh komponen warna merah, hijau, dan biru.

Gambar 3.4. Diagram kromasitas CIE (Sumber: Russ, 2011)

Bab : 3 Ruang Warna

29

BAB 4
CITRA MEDIS
Pencitraan medis adalah visualisasi bagian tubuh, jaringan, atau organ
tubuh, untuk digunakan dalam diagnosis klinis, pemantauan pengobatan dan
penyakit. Teknik pencitraan mencakup bidang radiologi, kedokteran nuklir dan
pencitraan optik dan intervensi yang dipandu citra. Citra medis saat ini telah
dimanfaatkan untuk beberapa keperluan seperti Magnetic Resonance Imaging
(MRI),

X-Ray,

Ultrasonography,

Funduscopy,

Endoscopy,

Computed

Tomography (CT-Scan), dan Nuclear Medicine.

4.1.

Magnetic Resonance Imaging (MRI)
Magnetic Resonance Imaging (MRI) adalah suatu alat untuk mendiagnosa

penyakit pada pasien untuk memeriksa dan mendeteksi tubuh dengan
menggunakan medan magnet yang besar dengan menggunakan frekuensi radio
tanpa operasi, penggunaan sinar X atau pengunaan bahan radio aktif yang
hasilnya berupa rekaman gambar potongan penampang tubuh / organ manusia
dengan menggunakan medan magnet berkekuatan antara 0,064 – 1,5 tesla (1 tesla
= 1000 Gauss).

Gambar 4.1.Magnetic Resonance Imaging (MRI)
(sumber: https://medlineplus.gov)
Bab 4: Citra Medis

30

Teknik penggambaran MRI relatif komplek karena gambaran yang
dihasilkan tergantung pada banyak parameter. Kualitas gambaran detil tubuh
manusia akan tampak jelas bila pemilihan parameternya tepat, sehingga anatomi
dan patologi jaringan tubuh dapat dievaluasi secara teliti dan tepat. Maka untuk
itu perlu dipahami hal-hal yang berkaitan dengan prosedur tehnik MRI dan
tindakan penyelamatan bila terjadi dalam keadaan darurat. Beberapa faktor
kelebihan yang dimilikinya adalah terutama kemampuan membuat potongan
koronal, sagital, aksial dan oblik tanpa banyak memanipulasi posisi tubuh pasien
sehingga sangat sesuai untuk diagnostik jaringan lunak.
Macam – macam MRI bila ditinjau dari kekuatan magnetnya terdiri dari :
1. MRI Tesla tinggi ( High Field Tesla ) memiliki kekuatan di atas 1 – 1,5 T .
2. MRI Tesla sedang (Medium Field Tesla) memiliki kekuatan 0,5 – T
3. MRI Tesla rendah (Low Field Tesla) memiliki kekuatan di bawah 0,5 T

X-Ray

4.2.

Sinar X-Ray telah dimanfaatkan dibidang kedokteran, salah satunya adalah
dengan menggunakan sinar X-ray mulai dari radasi untuk diagnostic,
pemeriksaan Sinar-X gigi dan penggunaan radiasi Sinar-X untuk terapi.
Radioterapi atau terapi Radiasi adalah salah satu pengobatan dengan
menggunakan sinar sebagai energy intensif membunuh sel kanker.

Alat

diagnosis yang banyak digunakan di daerah adalah pesawat sinar-X (photo
Rontgen) yang berfungsi untuk photo thorax, tulang tangan,kaki dan organ tubuh
yang lainnya. Alat terapi banyak terdapat di rumah sakit-rumah sakit perkotaan
karena membutuhkan daya listrik yang cukup besar. Di negara maju, fasilitas
kesehatan yang menggunakan radiasi sinar-X telah sangat umum dan sering
digunakan.

Ultrasonography (USG)

4.3.

Ultrasonography (USG) merupakan salah satu Citra diagnostik untuk
memeriksa alat dalam tubuh manusia sehingga kita dapat mempelajari bentuk,
31

Bab : 4 Citra Medis

ukuran anatomis, gerakan serta hubungan dengan jaringan sekitarnya.
Pemeriksaan

ini

bersifat

non-invasif

yaitu

pemeriksaan

yang

tidak

menimbulkan rasa sakit pada penderita. Sehingga dapat dilakukan dengan
cepat, aman dan data yang diperoleh mempunyai nilai diagnostik yang
tinggi. Pemeriksaan ini juga tidak ada kontra in

Dokumen yang terkait

Dokumen baru