Segmentasi Cortical Bone Pada Citra Dental Panoramic Radiograph Dengan Kombinasi Filter Gaussian Dan Modifikasi Watershed Gradient-Barrier

  

Jurnal Cybermatika | Vol. 3 No. 1 | Juni 2015 | Artikel 2

  radiograph berguna untuk mengidentifikasi penyakit osteoporosis (Arifin A. Z., et al., 2006b) (Taguchi, et al., 2006).

  Coritcal bone, dental panoramic radiograph, filter gaussian, segmentasi, watershed gradient-barrier.

  Osteoporosis atau keropos tulang adalah penyakit kronik yang ditandai dengan pengurangan massa tulang yang disertai kemunduran mikroarsitektur dan penurunan kualitas jaringan tulang yang dapat menimbulkan kerapuhan. Keadaan ini berisiko tinggi karena tulang menjadi rapuh dan mudah retak bahkan patah. Resiko ini dapat dicegah jika orang yang dicurigai memiliki

  skeletal bone mineral density (BMD) rendah melakukan kontrol

  dan pencegahan sejak dini. BMD dapat diukur berdasarkan

  lumbar spine dan femoral neck menggunakan scanner tulang,

  seperti Dual-energy X-ray absorptiometry (DXA) (Arifin A. Z., et al., 2006b). Faktor jumlah peralatan tersebut yang terbatas dan biaya kontrol yang masih mahal menjadi hambatan tersendiri bagi sebagian besar kalangan, sehingga perlu adanya alternatif lain dalam mengatasi permasalahan ini. Di sisi lain, di bidang kedokteran gigi, telah lama dikenal citra dental panoramic radiograph yang diambil untuk menyediakan informasi tentang struktur oral tidak kasat mata. Bahkan, citra ini sering diambil saat dilakukan pemeriksaan gigi karies dan harga pemeriksaannya terbilang murah. Beberapa studi menunjukkan bahwa pengukuran lebar rahang bawah cortical bone berdasarkan citra dental panoramic

  Tantangan inilah yang kemudian coba dijawab oleh para peneliti, khususnya dibidang medical image processing untuk membuat sistem yang mampu mengolah citra dental panoramic, guna menghasilkan output berupa informasi deteksi dan prediksi penyakit secara otomatis. Sistem ini meminimalkan adanya pengamatan dan penilaian dari dokter. Cukup banyak peneliti yang fokus dalam penelitian ini, dimulai dengan penelitian membuat sebuah computer-aided system untuk mengukur secara otomatis lebar dari mandibular inferior cortex suatu cortical bone dan mencari korelasinya terhadap BMD yang diukur oleh scanner DXA pada tulang belakang dan paha (Arifin A. Z., et al., 2006a). Pada penelitian tersebut sensitifitas dan spesifisitas rata-ratanya mampu mencapai 94.4 % dan 64.0 %. Kinerja ini masih terhitung rendah bila dilihat dari masih banyaknya pasien yang salah didiagnosis oleh sistem. Penelitian lain berkaitan dengan segmentasi cortical bone pada dental panoramic radiograph menggunakan watershed dan active contour generalized gradient

  modified Hausdorff distance (MHD) 0,06, dan waktu eksekusi 2,53 detik.

  vector flow (GGVF) Snake . Penelitian ini cukup berhasil

  melakukan segmentasi, serta mendeteksi tepi obyek yang berbentuk cekung, dalam, dan sempit. Akan tetapi, untuk evolusi kurva terjebak oleh obyek-obyek lain yang bukan cortical bone membuat susah untuk mencapai tepi cortical bone (Denny, Arifin, & Soelaiman, 2008). Berikutnya, penelitian tentang metode watershed yang diintegrasikan dengan active contour berbasis level set. Dimana

  watershed

  berfungsi sebagai proses awal dalam menghasilkan

  region contour tertutup dengan ketebalan satu piksel, sedangkan active contour

  level set berfungsi untuk mendeteksi tepi hingga dihasilkan segmentasi cortical bone (Indriyani, Arifin, & Soelaiman, 2009). Selain itu, terdapat juga penelitian tentang penerapan multi direction gradient vector flow (MDGVF) dalam melakukan segmentasi berdasarkan arah gradien dari setiap piksel objek sehingga pergerakan kurva tidak terjebak dalam tepi yang bukan merupakan cortical bone. Hasil segmentasi dengan

  Kata Kunci

  (ME) 1,43%, relative foreground area error (RAE) 1,05%,

  7 Segmentasi Cortical Bone Pada Citra Dental Panoramic

Radiograph Dengan Kombinasi Filter Gaussian Dan

Modifikasi Watershed Gradient-Barrier

  tegar.pf@gmail.com Agus Zainal Arifin

  Arif Fadllullah

  Institut Teknologi Sepuluh Nopember

  arif.fadl@gmail.com Muhamad Nasir

  Institut Teknologi Sepuluh Nopember

  biruhitam.nasir@gmail.com Tegar Palyus Fiqar

  Institut Teknologi Sepuluh Nopember

  Institut Teknologi Sepuluh Nopember

  gradient-barrier 0,025. Hasil kinerja segmentasi modifikasi watershed gradient-barrier memiliki rata-rata misclassification error

  agus.za@its-sby.edu ABSTRAK

  Osteoporosis merupakan penyakit kelainan tulang yang disebabkan hilangnya sebagian kalsium dalam tulang. Sifatnya yang silent disease membuat penderita kurang menyadari apakah mereka terserang penyakit osteoporosis atau tidak, sehingga perlu adanya tindakan pencegahan sejak dini. Salah satu penelitian yang telah berkembang adalah mendiagnosis osteoporosis berdasarkan lebar segmentasi cortical bone pada citra dental panoramic

  radiograph . Untuk mengatasi perpendaran cahaya dan ambiguitas

  konsistensi tepi segmentasi diperlukan beberapa metode pengolahan citra. Penelitian ini mengkombinasikan filter gaussian dengan modifikasi watershed gradient-barrier. Filter gaussian digunakan sebagai tahapan awal segmentasi untuk menghaluskan citra agar kompleksitas watershed berkurang. Kemudian modifikasi watershed gradient-barrier berguna untuk mereduksi

  region overlapping

  . Hasil reduksi inilah yang kemudian di- merging hingga mendapatkan bentuk segmentasi cortical bone. Uji coba penelitian dilakukan pada sampel cortical bone pada sisi kiri dan kanan dengan filter gaussian round mask 5 dan threshold

1. PENDAHULUAN

  MDGVF menunjukkan tingkat akurasi yang lebih baik dibandingkan dengan metode active contour yang lain (Hendra, Arifin, & Soelaiman, 2009). Hanya saja kompleksitas segmentasi pada beberapa penelitian terkait masih terhitung tinggi. Belum lagi metode watershed yang diterapkan secara langsung ke citra asal, tanpa adanya preprocessing tentu akan sulit untuk mereduksi

  kanan L

  diaplikasikan secara langsung ke gradien yang beragam dari sebuah citra itu sendiri. Pada perumusan ini, regional minimal dari kolam penangkapan dibentuk dengan nilai kecil dari gradien yang berhubungan ke objek yang diamati.

  Jika ini dilakukan, maka dihasilkan garis watershed berdasarkan bentuk shape (daerah) dari pertemuan aliran air dua atau lebih objek dengan tidak memperdulikan besar kecilnya nilai gradien, sehingga pembuatan garis dengan teknik ini tentu akan menghasilkan region yang overlapping. Watershed gradient-

  barrier

  (Yang & Ahuja, 2014) merupakan satu dari sekian banyak metode pengembangan watershed yang tidak hanya ditentukan berdasarkan lokasi dimana air dari marker yang berbeda bertemu, tetapi juga menambahkan fitur penggunaan gradien citra objek dengan threshold (ambang batas) tertentu secara langsung untuk memandu water-flow (aliran air) dalam proses watershed. Gradien yang kuat bertindak sebagai penghalang bagi water-flow; air hanya dapat mengalir di sekitar region “isolated islands”.

  Alur kerja watershed gradient barrier adalah sebagai berikut: a) Lakukan input citra awal L dan tentukan marker citra berdasarkan intensitas tingkat keabuan. b) Berikan label yang berbeda (lbl

  i

  | i=1,2,…n) untuk semua marker hingga dihasilkan kandidat

  region

  . c) Untuk setiap lbl

  i

  , cek ketetanggaan semua piksel L

  i(x,y)

  baik ke kiri L

  (x-1,y),

  (x+1,y)

  Salah satu aplikasi dasar dari segmentasi watershed yaitu ekstraksi dari seragam objek yang dekat dari background. Bagian citra yang mempunyai sifat variasi kecil di tingkat keabuan mempunyai nilai gradien yang kecil, sebaliknya nilai gradien yang besar untuk variasi tingkat keabuan yang besar. Segmentasi

  )=0). Jika tidak, maka lbl

  tetangga menjadi garis watershed (relabel(lbl

  i

  yang berbeda, maka ganti nilai lbl

  i

  piksel tetangga tidak perlu diganti. f) Jika piksel tetangga memiliki lbl

  i

  i

  , atas L

  tetangga menjadi garis watershed (relabel(lbl

  i

  , dan diagonalnya. d) Jika piksel tetangga memiliki lbl i yang sama, maka cek apakah nilai piksel gradien tetangga >= threshold (T). e) Jika ya, maka ganti nilai lbl

  (x,y+1)

  , bawah L

  (x,y-1)

  watershed

  Gambar 1. (a) Pada waktu t belum dibangun dam. (b) pada waktu t+b, dibangun dam

  region yang overlapping, sehingga proses region merging untuk

  ................................ (1) Dengan adalah standar deviasi dari distribusinya. Sedangkan fungsi gauss 2D adalah:

  mendapatkan representasi objek cortical bone membutuhkan waktu yang lama. Oleh karena itu, pada penelitian ini diusulkan metode baru untuk melakukan segmentasi cortical bone pada citra dental panoramic

  radiograph . Metode ini mengkombinasikan filter gaussian dan

  modifikasi watershed berbasis gradient-barrier. Filter gaussian merupakan tahapan preprocessing sebelum melakukan watershed guna mencegah region yang overlapping. Sedangkan modifikasi

  watershed

  gradient-barrier digunakan untuk membentuk dan mereduksi region catchment basin berdasarkan fitur gradien citra objek sebagai threshold hingga didapatkan segmentasi cortical

  bone

  yang tepat. Diharapkan dengan penelitian ini, dapat memecahkan masalah ambiguitas konsistensi tepi segmentasi sebelum masuk ketahapan perhitungan lebar cortical bone untuk klasifikasi penyakit osteoporosis.

  2. KAJIAN PUSTAKA

  2.1 Filter Penghalusan (Smoothing)

  Pada penelitian ini, teknik smoothing yang digunakan adalah filter

  gaussian sebagai salah satu filter penghalus yang dapat mencegah

  kesalahan deteksi tepi citra. Hal ini sebagai akibat adanya intensitas noise berlebih. Proses filter bekerja dengan mengganti nilai setiap piksel dalam citra dengan rata-rata dari level intensitas dalam piksel tetangga (Wieclawek & Pietka, 2015). Matriks kernel (mask) gauss didasarkan pada fungsi distribusi peluang

  gaussian , seperti persamaan 1 dan 2 (Basu, 2002): ( )

  √

  ( )

  watershed ditunjukan pada Gambar 1.

  | | √

  citra. Konsep ini memvisualisasikan sebuah citra dalam tiga dimensi (Indriyani, Arifin, & Soelaiman, 2009), yaitu dua koordinat ruang versus tingkat keabu-abuan. Proses pembentukan

  2.3 Watershed Gradient-Barrier Watershed merupakan salah satu cara untuk segmentasi sebuah

  ............................... (5)

  )

  ( | | | |

  ............................... (4) Dimana Gx dan Gy adalah gradien pada arah x dan y. Sedangkan arah gradien ditentukan dengan menggunakan persamaan 5 (Gonzales, Woods, & Eddins, 2009).

  Total gradien dari dua daerah tersebut dapat ditentukan sebagai jarak Euclidean dengan menerapkan hukum phytagoras pada persamaan 4 (Gonzales, Woods, & Eddins, 2009).

  ......................... (2)

  ............................... (3) Jika hanya menggunakan persamaan 3, maka kekuatan tepi yang dihasilkan hanya pada arah horizontal. Untuk itu, digunakan rumus yang sama dengan mengganti nilai x (kolom) menjadi y (baris) sehingga dihasilkan kekuatan tepi untuk arah vertikal.

  ( ) ( )

  Dalam hal ini, penelitian kami menggunakan operator sobel. Untuk kekuatan edge dapat digunakan persamaan 3 (Gonzales, Woods, & Eddins, 2009).

  strength/magnitude ) dan arah tepi (edge direction/orientation).

  Pada tahapan menghitung potensi gradien citra ada dua buah informasi yang dibutuhkan yaitu kekuatan tepi (edge

  2.2 Potensi Gradien Citra (Gradient Magnitude)

  i )=0).

  g) Lakukan kembali langkah c, d, e, dan f hingga benar-benar didapatkan region catchment basin dengan kontur tertutup.

  Desain sistem ditunjukkan pada Gambar 2. Metode watershed sangat sensitif terhadap sekecil apapun intensitas warna yang beragam. Semakin banyak region pada citra yang memiliki intensitas warna beragam maka semakin banyak pula garis watershed yang dihasilkan. Untuk itu, filter gaussian diperlukan untuk meminimalkan noise dan mengurangi detail intensitas warna yang tidak perlu, sehingga diharapkan mampu mencegah region yang overlapping. Hasil filter ini ditunjukkan pada Gambar 3.

2.4 Usulan Metode

  catchmen basin menggunakan modifikasi gradient-barrier watershed

  Bone

  

Gambar 2. Blok Diagram Sistem

  Tidak

  Ya

  Pertahankan Gradient Lakukan Watershed, beri Label yang berbeda untuk tiap Region yang dihasilkan

  (0,025) ? Reduksi Gradient

  Magnitude > T barrier

  Intensitas Piksel Gradient

  Magnitude dengan Sobel

  Ubah ke Citra Gradient

  Gradient Magnitude

  , round mask = 5 Urutkan intensitas setiap Piksel

  Filter Gaussian

  Mulai Normalisasi Citra

  Selesai Input Citra Cortical

  yang menyertakan fitur gradien dengan threshold, T=0,025 agar region yang merepresentasikan cortical bone saja yang dihasilkan. Jika region yang dihasilkan di area cortical bone masih terdiri dari banyak label, maka dilakukan region merging hingga benar-benar dihasilkan satu label segmentasi cortical bone.

  Penelitian dimulai dengan pengambilan Region of Interest (ROI) citra cortical bone

  Flood Minimal baru terbentuk Ya

  , karena ada Label yang hilang

  Watershed

  Urutkan kembali Label-Label Region

  Region Merging , Ganti Label Tetangga = Label Flood Minimal.

  Ada Bobot Region Watershed Tetangga < Flood Minimal ?

  Watershed Tetangganya

  Cek Flood Minimal dengan Region

  Pilih 1 Region sebagai Flood Minimal, pertimbangan intensitas piksel dan luas wilayah tertinggi

  magnitude yang digunakan adalah sobel. Hasil dari gradient

  Citra hasil gaussian masih memungkinkan terjadinya segmentasi yang overlapping, karena sesuai dengan karakteristik watershed yang akan membentuk garis watershed dengan intensitas warna sekecil apapun. Untuk itu, pembentukan region harus dibatasi dengan mencari gradient magnitude terlebih dulu. Gradient

  , kemudian citra dinormalisasi dan dikenai filter gaussian dengan round mask 5. Filter ini selain akan menghaluskan citra, juga akan menyeragamkan beberapa piksel dengan intensitas yang mendekati sama guna mencegah kecilnya area región yang dihasilkan. Berikutnya, membentuk region

  Tidak Segmentasi Flood Minimal

  magnitude dapat dilihat pada Gambar 4.

  | i=1,2,…n) dari flood minimal baik pada posisi atas bawah kiri dan kanan dengan terlebih dahulu menghapus garis watershed; d) menggabungkan catchmen basin yang memiliki bobot kurang (union) dari flood minimal

  yang dihasilkan disekitar cortical bone hanya satu label; h) Segmentasi label cortical bone.

  catchmen basin

  ); f) mengurutkan kembali label-label catchmen basin karena ada label yang hilang; g) lakukan kembali langkah c, d, e,dan f hingga benar-benar

  f

  )=R

  i

  dengan flood minimalnya (relabel(R

  catchmen basin yang telah bergabung menjadi label yang sama

  ); e) overwrite label

  (

  i

  Hasil citra gradient magnitude kemudian diproses ke dalam algoritma watershed. Hasil segmentasi watershed pada tahap awal dapat dilihat pada Gambar 5. Pada tahapan ini, walaupun representasi tepi citra cortical bone telah tampak, tetapi masih banyak sekali catchment basin (kolam tangkapan) yang terdapat pada citra watershed. Oleh karena itu, diperlukan teknik tambahan yang mampu meminimalisir region yaitu dengan modifikasi gradient-barrier .

  ) dan pemilihan ini didasarkan pada pertimbangan tingginya intensitas warna dan luas wilayah; c) cek ketetanggaan catchment basin (R

  watershed yang menjadi kandidat flood minimal (R f

  yang ada; b) pilih region

  region catchment basin watershed

  saling berdekatan untuk kemudian digabungkan menjadi catchment basin yang baru. Ada beberapa aturan terkait proses ini, diantaranya: a) Labeli

  region merging , dimana region-region catchment basin yang

  Setelah proses watershed berbasis gradient-barrier dilakukan, output citra berupa segmentasi dengan beberapa catchment basin yang telah direduksi. Jika catchment basin disekitar cortical bone yang dihasilkan satu, maka bisa secara langsung dilakukan segmentasi akhir. Akan tetapi, bagaimana catchment basin disekitar wilayah cortical bone yang dihasilkan lebih dari satu, maka perlu adanya tahapan tambahan. Salah satunya dengan

  Gambar 3. Citra asli dan citra hasil filter gaussian Gambar 4. Gradient magnitude cortical bone kiri dan kanan Gambar 5. Watershed pada cortical bone kiri dan kanan Gambar 6. Hasil segmentasi watershed gradient-barrier pada salah satu sampel dengan ambang batas, T ^{1 =0,01, T 2 =0,03,} T ^{3 =0.05, T 4 =0,06}

  gradien yang memiliki kedalaman kurang dari ambang batas (T) yang diberikan; dan c) hasil reduksi dimasukkan ke dalam proses watershed untuk kemudian mendapatkan catchment basin dan diberi label. Penentuan ambang batas menjadi bagian terpenting dalam proses segmentasi watershed pada penelitian ini, sehingga diperlukan pencarian ambang batas yang tepat untuk seluruh sampel. Berdasarkan Gambar 6, nilai T yang tepat untuk sampel tersebut adalah 0,06. Akan tetapi, nilai T ini masih belum bisa dijadikan acuan sebagai magic number untuk citra tes, karena perlu diuji lebih lanjut untuk seluruh sampel lainnya hingga mendapat kemungkinan magic number T yang tepat.

  gradient magnitude dari terkecil hingga terbesar; b) mereduksi

  Alur dari modifikasi gradient-barrier diantaranya: a) membuat dan mengurutkan daftar (baris dan kolom) intensitas piksel

  Gambar 7. Pengambilan sampel cortical bone kiri dan kanan

  3. METODE PENELITIAN

  ∑ || ||

  bone . Distorsi noise sekitar tepi cortical bone turut mempengaruhi

  0,02. Akan tetapi, dari sisi waktu eksekusi metode yang diusulkan 90 kali lebih cepat terhadap kedua metode lainnya. Dengan kata lain, metode yang ditawarkan mampu menyelesaikan permasalahan berkaitan dengan region yang overlapping dan ambiguitas konsistensi tepi, sehingga hasil segmentasi menjadi lebih tepat, akurat, dan juga cepat. Akan tetapi, pada sebagian sampel, khususnya untuk segmentasi sampel dengan kesalahan tertinggi, metode yang diusulkan masih memiliki kelemahan. Ini disebabkan sampel tersebut memiliki intensitas warna dan kontras yang rendah, serta intensitas noise berlebih disekitar tepi cortical

  contour berbasis level set yang hanya sebesar 0,96, 0,84 , dan

  berbasis level set yang memperoleh rata-rata waktu eksekusi sebesar 157 dan 177 detik. Secara keseluruhan, diketahui bahwa kesalahan klasifikasi (ME) dan kesalahan deteksi area (RAE) hasil segmentasi metode yang diusulkan untuk semua citra hasil terhadap citra referensi masih terhitung kecil, hanya di bawah 3%. Selain itu, kesalahan distorsi atau perubahan ukuran dan bentuk hasil segmentasi semua citra hasil (MHD) kurang dari 0,1. Selisih rata-rata hasil ME, RAE dan MHD untuk metode yang diusulkan juga tidak berbeda jauh dengan metode watershed yang berintegrasi dengan active

  contour

  eksekusi waktu terkecil diperoleh dari metode yang diusulkan hanya sebesar 2,53 detik, sangat jauh berbeda bila dibandingkan dengan metode watershed klasik dan watershed dengan active

  level set sebesar 0,04, kemudian metode yang diusulkan dan watershed klasik sebesar 0,06 dan 0,08. Pada Gambar 12, rata-rata

  11, rata-rata nilai modified Hausdroff distance (MHD) terkecil diperoleh dari metode watershed dengan active contour berbasis

  set dan watershed klasik sebesar 1,89% dan 6,97%. Pada Gambar

  Pada Gambar 9, rata-rata nilai misclassification error (ME) terkecil diperoleh dari metode watershed dengan active contour berbasis level set sebesar 0,47%, kemudian metode yang diusulkan dan watershed klasik sebesar 1,43% dan 7,04%. Pada Gambar 10, rata-rata nilai relative foreground area error (RAE) terkecil diperoleh dari metode yang diusulkan sebesar 1,05%, kemudian metode watershed dengan active contour berbasis level

  Gambar 8. (a) citra asli, (b) modifikasi watershed gradient- barrier, region merging (c) iterasi=1, (d) iterasi=2, dan (e) segmentasi cortical bone

  Hasil penelitian untuk salah satu sampel seperti ditunjukkan pada Gambar 8.

  4. HASIL DAN PEMBAHASAN

  ............... (9) dan dinotasikan piksel area citra referensi dan piksel area citra hasil dari sistem.

  ( ) | |

  Uji coba menggunakan total 20 sampel berupa citra tif dental

  ME didefinisikan sebagai bentuk korelasi antara citra segmentasi dari sistem dengan observasi ahli. Hal ini sesuai dengan rasio perbandingan dari piksel background yang dikenali sebagai

  panoramic radiograph

  dengan ukuran 256x256 piksel. Sampel ditunjukkan pada Gambar 7 yang diambil dari penelitian sebelumnya (Arifin A. Z., et al., 2006b) berdasarkan posisi foramen mental untuk setiap citra orisinil digital panaromic yang area penentuannya dibantu oleh penguji ahli. Pengambilan sampel dilakukan pada dua sisi, yaitu cortical bone sisi kiri dan sisi kanan. 1 sampai 10 untuk sampel sisi kiri dan 11 sampai 20 untuk sampel sisi kanan cortical bone.

  Pada tahapan ini, dihitung evaluasi kinerja metode yang diusulkan terhadap citra cortical bone dengan dua metode sebagai pembanding. Dua metode yang digunakan adalah metode

  watershed dan metode watershed berintegrasi dengan active contour

  berbasis level set. Evaluasi penelitian ini menggunakan misclassification error (ME), relative foreground area error (RAE), modified Hausdroff

  distance (MHD), dan waktu eksekusi (Sezgin & Sankur, 2004).

  foreground dan rasio perbandingan dari piksel foreground yang

  ....................... (7) Dimana adalah area dari referensi citra, dan adalah area dari citra hasil. Distorsi bentuk dari citra yang dihasilkan dan referensi citra (ground truth) dapat diukur dengan metode MHD. Formula MHD yang digunakan persamaan 8 dan 9 (Sezgin & Sankur, 2004). ( ) ( ( ) ( )) ............... (8) Dimana

  dikenali sebagai background. Formula ME yang digunakan persamaan 6 (Sezgin & Sankur, 2004) sebagai berikut.

  | | | | | | | |

  ............................ (6) Dimana dan dinotasikan sebagai background dan

  foreground

  dari citra original (ground truth), sedangkan dan dan dinotasikan sebagai background dan foreground dari citra hasil segmentasi sistem. RAE mengukur jumlah perbedaan properti objek seperti area dan bentuk, pengukuran perbedaan ini dilakukan terhadap segmentasi citra yang dihasilkan oleh sistem terhadap citra referensi (observasi ahli). Formula RAE yang digunakan persamaan 7 (Sezgin & Sankur, 2004) sebagai berikut.

  {

  dalam mengaburkan garis tepi yang pada gilirannya masih terjadi kesalahan untuk melakukan segmentasi tepi cortical bone. Hal tersebut bisa dilihat pada Gambar 13.

  Gambar 10. Hasil Perbandingan Nilai RAE Gambar 11. Hasil Perbandingan Nilai MHD Gambar 12. Hasil Perbandingan Nilai Waktu Eksekusi Gambar 13. (a) Citra Asli, (b) Citra Groundtruth, (c) Citra Hasil Segmentasi Metode Usulan

5.

KESIMPULAN DAN SARAN

  Sampel ke- watershed klasik watershed dengan active contour berbasis level set metode yang diusulkan

  8

  10

  12

  14

  16

  18

  20

  22 1 2 3 4 5 6 7 8 9 1011121314151617181920

  re la ti ve fo re g ro u n d a re a e rr o r

  0.05

  4

  0.1

  0.15

  0.2

  0.25

  0.3 1 2 3 4 5 6 7 8 9 1011121314151617181920

  mo d if ied Ha u sd ro ff d ista n ce

  Sampel ke- watershed klasik watershed dengan active contour berbasis level set metode yang diusulkan

  50 100 150 200 250 300 1 2 3 4 5 6 7 8 9 1011121314151617181920

  w a kt u (s)

  Sampel ke- watershed klasik watershed dengan active contour berbasis level set metode yang diusulkan

  6

  2

  Kesimpulan dari penelitian yaitu metode baru yang ditawarkan telah memberikan hasil yang tepat, akurat, dan cepat dalam melakukan segmentasi cortical bone pada citra dental panoramic

  6

  radiograph

  . Pengunaan filter gaussian mampu menyeragamkan intensitas warna antar piksel yang nilainya mendekati sama, sehingga area region menjadi lebih lebar dan mencegah region yang overlapping. Penggunaan modifikasi watershed gradient-

  barrier dengan nilai threshold untuk membentuk garis watershed

  sangat efektif mereduksi region yang overlapping, serta mempercepat waktu eksekusi dengan mengurangi jumlah iterasi saat proses penggabungan catchment basin hingga membentuk segmentasi cortical bone. Dari 20 sampel data uji cortical bone diperoleh rata-rata ME 1,43%, RAE 1,05%, MHD 0,06, dan waktu eksekusi 2,53 detik.

  Saran pada penelitian ini yaitu diperlukannya pengambilan dan pemilihan citra dental panoramic radiograph yang memiliki intesitas warna dan kontras yang tinggi, serta intensitas niose yang rendah untuk mengatasi kesalahan hasil pengkasifikasian citra segmentasi cortical bone. Penelitian selanjutnya dapat dikembangkan sistem dengan penentuan parameter round mask filter gaussian dan threshold fitur gradien secara otomatis terhadap masing-masing citra dental panoramic radiograph, serta pengembangan metode ini lebih lanjut hingga ke tahapan pengukuran lebar cortical bone untuk klasifikasi penyakit osteoporosis.

  1

  2

  3

  4

  5

  7

  Sampel ke- watershed klasik watershed dengan active contour berbasis level set metode yang diusulkan

  8

  9

  10

  11

  12

  13

  14

  15

  16 1 2 3 4 5 6 7 8 9 1011121314151617181920

  misc la ss if ica ti o n e rr o r

  Gambar 9. Hasil Perbandingan Nilai ME