SKRIPSI PENDETEKSIAN TEPI CITRA CT SCAN PADA TUMOR OTAK DENGAN METODE FUZZY LOGIC MENGGUNAKAN GNU OCTAVE UVI DAMAYANTI H21114304 DEPARTEMEN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS HASANUDDIN MAKASSAR 2018
SKRIPSI
PENDETEKSIAN TEPI CITRA CT SCAN PADA TUMOR OTAK
DENGAN METODE FUZZY LOGIC MENGGUNAKAN GNU OCTAVE
UVI DAMAYANTI
H21114304
DEPARTEMEN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
PENDETEKSIAN TEPI CITRA CT SCAN PADA TUMOR OTAK
DENGAN METODE FUZZY LOGIC MENGGUNAKAN GNU OCTAVE
SKRIPSI
Diajukan Sebagai Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
pada Program Studi Fisika Departemen Fisika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Hasanuddin
UVI DAMAYANTI
H211 14 304
DEPARTEMEN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
iv
PERNYATAAN
Saya menyatakan bahwa skripsi ini merupakan karya orisinal saya dan
sepanjang pengetahuan saya tidak memuat bahan yang pernah dipubliksai atau
telah ditulis oleh orang lain dalam rangka tugas akhir untuk suatu gelar akademik
di Universitas Hasanuddin atau di lembaga pendidikan lainnya di manapun,
kecuali bagian yang telah di kutip berdasarkan kaidah ilmiah yang berlaku. Saya
juga menyatakan bahwa skripsi ini merupakan hasil kerja saya sendiri dan dalam
batas tertentu dibantu oleh pihak pembimbing.
Penulis
Uvi Damayanti
v
ABSTRAK
Penelitian untuk mendeteksi tepi citra CT Scan pada citra digital tumor otak
dengan metode fuzzy logic telah dilakukan melalui proses pengolahan citra
berbasis komputer menggunakan GNU Octave. Data citra CT Scan dimasukkan
kedalam GNU Octave kemudian dilakukan pre-processing untuk memperkecil
ukuran citra digital tumor otak yaitu mengubah ukuran piksel dari 468 x 392
piksel menjadi 68 x 62 piksel. Hal ini dilakukan untuk menghindari waktu
eksekusi yang terlalu lama. Setelah pre-processing, selanjutnya dilakukan uji
karakteristik output program menggunakan fuzzy logic untuk mengetahui
karakteristik dari program yang telah dibuat. Uji karakteristik output program
meliputi karakteristik simetri putar nilai piksel dan batas nilai piksel. Hasilnya
menunjukkan bahwa simetri putar nilai piksel tidak memengaruhi penentuan edge
atau non edge dan batas nilai piksel pada program ini memiliki batas yang cukup
lebar sehinggal perlu dilakukan constrast streching. Constrast streching dilakukan
dengan cara meregangkan nilai instensitas citra agar sesuai dengan rentang
intensitas yang diinginkan sehingga dihasilkan citra digital baru dengan rentang
intensitas yang sesuai dengan rentang instensitas yang digunakan pada program
penelitian ini. Selanjutnya, dilakukan deteksi tepi pada citra digital tumor otak
menggunakan fuzzy logic. Fuzzy logic terdiri dari tiga tahapan yaitu fuzzifikasi,
rules dan defuzzifikasi. Hasilnya menunjukkan bahwa titik-titik putih pada hasil
deteksi tepi menandakan edge (tepi) dan titik-titik hitam menandakan non edge
(bukan tepi).
Kata kunci : citra digital tumor otak, contrast stretching, deteksi tepi, fuzzy logic.
vi
ABSTRACT
Research to detect the edge of CT Scan image in digital image of brain tumor by
fuzzy logic method has been done through computer-based image processing
using GNU Octave. CT Scan image data inserted into GNU Octave and then pre-
processing to reduce the size of digital images of brain tumors is to resize pixels
from 468 x 392 pixels to 68 x 62 pixels. This is done to avoid execution time is
too long. After pre-processing, then the program output characteristics test is
performed using fuzzy logic to determine the characteristics of the program that
has been made. Test the output characteristics of the program include the
characteristics of rotating pixel value and pixel value limit. The result shows that
the rotation symmetry of pixel value does not affect the determination of edge or
non edge and the pixel value limit in this program has a sufficiently wide limit for
constrast streching. Construction streching is done by stretching the image instinct
value to fit the desired intensity range so that a new digital image is produced with
an intensity range that matches the range of instances used in this research
program. Next, edge detection in digital images of brain tumors using fuzzy logic.
Fuzzy logic consists of three stages: fuzzification, rules and defuzzification. The
results show that the white dots on edge detection indicate the edge and the black
dots indicate non edge (not the edge).
Keyword : digital image of brain tumor, contrast stretching, detect the edge, fuzzy
logic.
vii
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT karena atas berkat dan
rahmatnya sehingga penulis dapat menyelesaikan skripsi dengan judul
“Pendeteksian Tepi Citra CT Scan pada Citra Tumor Otak dengan Metode Fuzzy
Logic Menggunakan GNU Octave”, yang merupakan salah satu syarat
menyelesaikan pendidikan StrataSatu (S1) Departemen Fisika Fakultas
Matematika dan Ilmu Pengetahan Alam Universitas Hasanuddin.
Dalam penyelesaian skripsi penulis mengalami berbagai hambatan dan
menyadari bahwa skripsi ini masih jauh dari kesempurnaan, hal ini terjadi karena
kelemahan dan keterbatasan yang dimiliki penulis. Alhamdulillah hambatan dapat
teratasi dan tentunya tidak lepas dari dukungan, bimbingan dan bantuan dari
berbagai pihak serta merupakan kewajiban penulis dengan segala kerendahan hati
untuk menghaturkan rasa terima kasih yang sebesar-besarnya kepada:
1. Orang Tua tercinta Kawir,S.Sos dan Nursiah,S.Pd. untuk kasih sayang dan
kesabaran yang luar biasa, setiap hal yang telah mereka lakukan serta
tentunya do’a kebaikan dan dukungan yang tak pernah putus. Hal inilah
yang kemudian dengan izin-Nya memberikan kemudahan dan kelancaran
bagi penulis hingga selesainya studi ini. Semoga Allah SWT senantiasa
memberikan lindungan, kebahagian dan keberkahan.
2. Saudara-saudariku, Muhammad Iqbal Kawir dan Endang Tri Yulianti
Kawir untuk selalu menjadi saudara-saudari yang baik dan menjadi
penyemangat bagi penulis. Semoga kami dapat berbakti kepada orang tua.
3. Kakak sekaligus teman, Kak Alamsyah Wibowo yang telah menemani dan
membimbing penulis sejak pengumpulan mahasiswa baru sampai
pengumpulan mahasiswa akhir selama kurang lebih 4 tahun. Terima kasih
atas ilmu dan waktunya. Semoga Allah SWT senantiasa memberikan
lindungan, kebahagian dan keberkahanuntuk kita berdua.
4. Bapak Dr. Arifin, M.T. selaku ketua Departemen Fisika Fakultas
Matematika dan Ilmu pengertahuan Alam Universitas Hasanuddin.
viii
5. Bapak Dr. Tasrief Surungan, M.Sc. selaku pembimbing utama dan
BapakEko Juarlin, S.Si., M.Si. selaku pembimbing pertama, yang telah
banyakmemberikan ilmu dan waktunya untuk membimbing, mendukung,
serta memberikan saran-saran selama penelitian, penulisan, dan
penyelesaian skripsi ini.
6. Bapak Drs. Bansawang,B.J., M.Sc., IbuNur Hasanah, S.Si., M.Si. dan Ibu
Dr. Sri Suryani, DEA.selaku tim penguji dalam melaksanakan seminar
proposalpenelitian, seminar hasil penelitian, dan ujian sidang skripsi fisika.
7. Bapak Drs. Bansawang,B.J., M.Sc.selaku penasehat akademik dan dosen
yang telah memberikan banyak ilmu bermanfaat dan bantuan kepada penulis
dalam menyelesaikan penelitian ini.
8. Seluruh Bapak dan Ibu Dosen di Departemen Fisika Fakultas Matematika
dan Ilmu Pengetahuan Alam yang telah mendidik dan membagi ilmunya
kepada penulis.
9. Seluruh staf akademik Departemen Fisika, Fakultas MIPA, Pak Aji, Pak
Ali,dan Ibu Rana serta kepada seluruh laboran-laboran di lingkup
depatemen fisika, Pak Adi dan Pak Syukur yang dengan senang hati
membantu penulis dalam menyelesaikan urusan-urusan akademik.
10. Teman seperjuangan penulis dalam penelitian ini Agustina Yahya, Yuniar
P. Ismail dan Hafazhahniah Ibrahim yang selama penelitian, seminar
proposal penelitian, seminar hasil penelitian, dan ujian sidang skripsi fisika
dari Laboratorium Fisika Teori dan Komputasi serta penyusunan skripsi
senantiasa memberi semangat dan sangat membantu dalam suksesnya
penelitian dan penulisan ini.
11. Teman-teman tersayang dan seperjuangan Hasmilah, Siti Nurul Rahma,
Ruwaidah IL, Nur Afni Saharuddin, Hardianti (011), Noviana, Dina
Junipuspita, Nurdiana, Nurul Mutmainnah Ramlan, Nursyafarinah,
Radha hartina Putri, Aristiriani Eka Savitry, Hardianti (013), dan
Eunike Dwioknain yang sudah menjadi saudari tak sedarah dalam
menghadapi segala situasi bersama dengan penulis, serta selalu mendoakan
yang terbaik bagi penulis.
ix
12. Seluruh Teman-teman Resistan, Himafi FMIPA Unhas angkatan 2014,
Deda, Diana, Tina, Nina, Afni, Nufi, Anti 11, Eunike, Desi, Erni, Anti
13, Novi, Radha, Dina, Yuniar, Nurul, Nia, Resti, Aswan, Taufik, Anna,
Ariyadi, Ainul, Alkadri, Jaya, Ainul, Awal, Iswar, Firman, Laode,
Okta, Uni, Oci’, Nur, Rusmi, Ila’, Bela, Ditha, Rosdiana, Kima,
Asyifa,Musdalipa, Akram, DPR, Risda, Dewi, Rusnianti, Alifka, Nanna,
Reza, Yakin, Arin, Putri, Riska, Sidiq, Alm.Baliq,yang sudah menjadi
bagian terpenting bagi penulis. Terimakasih teman-teman, ”Persaudaraan
Tak Bertepi”.
13. Saudari-saudari Conditioner Squad, Ruwaidah IL, Nurdiana,
Nursyafarinah, Nur Afni Saharuddin, Hardianti11, Hardianti 13,
Eunike Dwioknain, Desy Natalia, Ernianty Danbar, Dina Junipuspita,
Noviana, Agustina Yahya, Hafazhahniah Ibrahim, Radha Hartina
Putri, Aristiany Eka Savitri, Nurul Mutmainnah Ramlan, Yuniar P.
Ismail dan Annamaintin K.L. Terima kasih telah menjadi saudari-saudari
manis yang banyak membantu dikala susah dan senang.
14. Sahabat-sahabat tercinta dan teristimewa A Day Yeaahh, terima kasih
untuk kasih sayang, dukungan dan kebersamaan serta keceriaan yang telah
diberikan kepada penulis.
15. Teman-teman angkatan Fisika 2014,Chairil Anwar, Zaky Mubarak, Bayu
Aditya Nugraha, Asdar, Arham, Asri, Arief, Taufik dan Arkan yang
sudah menemani penulis selama kurang lebih 4 tahun, Terima kasih teman-
teman.
16. Kakak-kakak Himafi FMIPA Unhas angkatan 2013, Kak Bau Irfan, Kak
Azizul, Kak Takdir, Kak Sultan. Kakak 2012, Kak Lilis, Kak Arif, Kak
Jabal, Kak Taufik. Kakak 2011, Kak Tanto, Kak Marwan, Kak Ucok,
Kak Alim. Kakak 2010, Kak Fitrah, Kak Rahmat Hidayat, Kak Difar,
Kak Bahar, Kak Inno.Kakak 2010++, Kak Hasebi, Kak Aryo, Kak Nas.
Serta adik-adik angkatan 2015, 2016, 2017 yang tak bisa penulis sebutkan
satu persatu.
x
17. Kepada Teman-Teman KKN Unhas Gelombang 96 tahun 2017, Kabupaten
Takalar, Kecamatan Mangarabombang, terkhusus teman-teman posko
Kelurahan Allepolea, Endang, Pio, Kak Bubu, Adi, Ayu, Agung, Peli,
Ferdi, Besse, Kak Zuhri, Syahrul, Zul Abad, Maya, Erni, Rizka, Kak
Haidil, Kak Haidir, Darna, Asyang, Ardi, Ani, Kak Danang yang
mengisihari-hari penulis dengan keceriaan terkhusus pada saat mengikuti
KKN selama satu bulan lebih. Semoga ke depan masih dapat saling menjaga
silaturahmi.
18. Saudari-saudari tersayang Sikamara’, Dewi, Nunu, Omi dan Anti yang
terus memberikan dukungan keceriaan kepada penulis dan menemani
penulis selama kurang lebih 7 tahun, Terima kasih Sikamara’. Semoga
kalian dapat menggapai impian dan cita-cita kalian.
19. Saudara-saudari SEGOS (Second Generation of Smadab)yang telah
menemani dan mewarnai hari-hari penulis selama kurang lebih 7 tahun.
Semoga ke depan masih dapat saling menjaga silaturahmi.
20. Sahabat-sahabat tercinta dari kecil sampai sekarang, Nila, Reski, Tita,
Iqbal, Rudi, dkk. Terima kasih atas kebersamaannya.
Tentunya masih banyak pihak yang telah memberikan bantuan dan
dukungan kepada penulis, namun tidak bisa penulis sebutkan namanya satu –
persatu di sini. Oleh karena itu, penulis hanya bisa mengucapkan terima kasih
sebesar – besarnya kepada semua pihak tersebut. Semoga Allah SWT membalas
semua kebaikannya dengan balasan yang jauh lebih besar. Aamiin.
Penulis menyadari skripsi ini masih jauh dari kesempurnaan, untuk itu kritik
dan saran yang bersifat membangun dari semua pihak sangatlah di harapkan.
Akhir kata penulis mengharapkan semoga penelitian ini dapat berguna dan
bermanfaat bagi penulis dan pihak lain yang membutuhkan.
Makassar, 8 Agustus 2018
Uvi Damayanti
H211 14 304
xi
DAFTAR ISI
Halaman
HALAMAN PENGESAHAN ..........................................................................i
PERNYATAAN ...............................................................................................ii
ABSTRAK ........................................................................................................iii
ABSTRACT .....................................................................................................iv
KATA PENGANTAR ......................................................................................v
DAFTAR ISI ....................................................................................................vi
DAFTAR GAMBAR ........................................................................................vii
DAFTAR TABEL ............................................................................................viii
BAB I PENDAHULUAN .................................................................................1
I.1 Latar Belakang..............................................................................................1
I.2 Ruang Lingkup .............................................................................................2
I.3 Rumusan Masalah .........................................................................................2
I.4 Tujuan Penelitian ..........................................................................................3
BAB II TINJAUAN PUSTAKA ......................................................................4
II.1 Citra Digital ................................................................................................4
II.2 Citra Tumor Otak ........................................................................................8
II.3 Pengolahan Citra .........................................................................................9
II.4 Deteksi Tepi ................................................................................................11
II.5 Logika Fuzzy ...............................................................................................12
BAB III METODE PENELITIAN ..................................................................23
III.1 Alat dan Bahan ...........................................................................................23
III.2 Prosedur Penelitian.....................................................................................23
III.3 Bagan Alir Penelitian .................................................................................30
BAB IV HASIL DAN PEMBAHASAN...........................................................31
IV.1 Karakteristik Output Program ....................................................................31
IV.2 Contrast Streching .....................................................................................35
IV.3 Deteksi Tepi...............................................................................................36
BAB V PENUTUP ...........................................................................................38
xii
IV.1 Kesimpulan ................................................................................................38
IV.2 Saran..........................................................................................................38
DAFTAR PUSTAKA .......................................................................................39
xiii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Citra digital fungsi dua variabel .....................................................5
Gambar 2.2 Citra ke dalam bentuk piksel .........................................................5
Gambar 2.3 a) Red b) Green c) Blue .................................................................6
Gambar 2.4 Warna untuk citra abu-abu.............................................................7
Gambar 2.5 Kedalaman piksel derajat keabuan .................................................8
Gambar 2.6 a) Citra otak b) Citra tumor otak ....................................................8
Gambar 2.7 a) Logika Tegas b) Logika Fuzzy ...................................................14
Gambar 2.8 Contoh fungsi keanggotaan trapesium ...........................................15
Gambar 2.9 Konfigurasi dasar sistem logika fuzzy ...........................................16
Gambar 2.10 Himpunan Fuzzy untuk Variabel Penentuan Batas Warna ............18
Gambar 2.11 Proses pengambilan keputusan metode Mamdani ........................20
Gambar 2.12 Metode defuzzifikasi pada aturan Mamdani .................................21
Gambar 3.1 Himpunan fuzzy untuk variabel black dan white .............................26
Gambar 3.2 Himpunan fuzzy untuk variabel penentuan batas tepi .....................26
Gambar 4.1 a) Fungsi Black b) Fungsi White ....................................................31
Gambar 4.2 a) Fungsi Edge b) Fungsi Non Edge ..............................................32
Gambar 4.3 Hasil Cropping citra digital tumor otak .........................................35
Gambar 4.4 Citra digital tumor otak .................................................................36
Gambar 4.5 Citra digital tumor otak hasil fuzzy logic ........................................36
Gambar 4.6 Batas tepi tumor otak .....................................................................37
xiv
DAFTAR TABEL
Halaman
Tabel 2.1 Warna dan nilai penyusun warna .......................................................6
Tabel 3.1 Piksel dengan matriks 3x3 .................................................................24
Tabel 3.2 Piksel dengan matriks 3x3 .................................................................26
Tabel 3.3 Aturan Fuzzy .....................................................................................27
Tabel 4.1 Karakteristik simetri putar nilai piksel................................................33
Tabel 4.2 Batas Nilai Piksel...............................................................................34
Tabel 4.3 Data base batasan-batasan dari citra digital tumor otak ......................35
1
BAB I
PENDAHULUAN
I.1 Latar Belakang
Tumor otak meliputi sekitar 85-90% dari seluruh tumor susunan saraf pusat.
Angka kejadian tumor otak ganas dan jinak di Amerika Serikat adalah 21,42 per
100.000 penduduk per tahun (7,25 per 100.000 penduduk untuk tumor otak ganas,
14,17 per 100.000 penduduk per tahun untuk tumor otak jinak). Angka kejadian
untuk tumor otak ganas di seluruh dunia berdasarkan angka standar populasi
dunia adalah 3,4 per 100.000 penduduk. Angka mortalitas adalah 4,25 per
100.000 penduduk per tahun. Mortalitas lebih tinggi pada pria. Data cancer
registry dari RSK Dharmais, RSCM, RS Persahabatan, IAPI dan KPKN [1].
Diagnosis penyakit tumor otak oleh para dokter masih menggunakan cara
yang manual yaitu dengan melihat citra (image) yang dihasilkan oleh alat
pencitraan medis. Hasil citra tersebut biasanya terdapat gangguan (noise). Selain
itu, data citra juga masih alami, yaitu bercampur dengan citra lain, ukuran besar
dan bersifat kompleksyang terkadang menjadi penyebab terjadinya perbedaan
diagnosis yang dilakukan oleh para dokter sehingga dibutuhkan sebuah alat bantu
pengolahan citra berbasis komputer untuk dapat dijadikan sebagai salah satu
acuan dalam mendiagnosis penyakit tumor otak [2].
Perangkat lunak berupa GNU Octave adalah salah satu program pengolahan
citrayang berkembang pesat dalam beberapa tahun terakhir sehingga banyak
dimanfaatkan dalam berbagai bidang khususnya dalam bidang medis. Salah satu
pemanfaatan pengolahan citra dalam bidang ini yaitu mendeteksi tepi berbagai
citra penyakit berbasis komputer dengan menerapkan berbagai ilmu fisika.
Penelitian tentang deteksi tepi menggunakan fuzzy logic telah dilakukan
oleh Shika Bharti dan Sanjeev Kumar. Penelitian menghasilkan hasil deteksi tepi
pada buah-buahan menggunakan metode Sobel dan Canny [2]. Nikitha dan Myna
juga telah melakukan penelitian mengenai fuzzy logic. Penelitian tersebut
menghasilkan hasil deteksi tepi pada payudara dengan memvariasikan fungsi
black-white dan fungsi edge-background [3]. Penelitian mengenai fuzzy logic juga
2
telah dilakukan oleh M. Hari Krishnan dan R. Viswanathan. Penelitian tersebut
menghasilkan hasil deteksi tepi pada payudara disertai pengaturan kontras dan
pengurangan noise [4].
Berdasarkan uraian diatas, penelitian mengenai deteksi tepi citra
menggunakan fuzzy logic berpotensi untuk diwujudkan. Metode yang digunakan
yaitu menggunakan metode fuzzy logic untuk menentukan batas-batas tepi citra
dan uji karakteristik output program yang ditentukan secara statistik serta
akumulasi piksel tumor otak sehingga dapat memberikan informasi tentang hasil
deteksi tepi citra tumor otak.
I.2 Ruang Lingkup
Ruang lingkup pada penelitian ini bertujuan agar pembahasan tidak meluas
dan tidak menimbulkan penyimpangan, penulis membatasi permasalahan pada:
citra yang diolah adalah hasil pemindaian otak dengan menggunakan CT Scan
tanpa membahasproses pemindaian maupun perangkatnya, resize (ukuran piksel
dan cropping) pada citra dilakukan sebelum identifikasi, input citra yang
digunakan dalam sistem deteksi tepi berupa citra yang disimpan dalam format
JPEG, citra CT Scan yang digunakan pada penelitian ini menggunakan citra tumor
otak, menggunakan software GNU Octave, menganalisis karakteristik output
program yang ditentukan secara statistik dan akumulasi piksel citra digital tumor
otak, menghasilkan batas tepi tepi yaitu fuzzy logic dan contrast streching
ditentukan secara statistik sehingga dapat memberikan informasi tentang hasil
deteksi tepi citra digital tumor otak.
I.3 Rumusan Masalah
Rumusan masalah dari penelitian ini, yaitu :
1. Bagaimana menghasilkan karakteristik output program ?
2. Bagaimana menghasilkan batas tepi citra digital tumor otak yang dapat
dijadikan sebagai informasi pendukung dan parameter dalam dunia medis
tentang diagnosistumor otak ?
3
I.4 Tujuan Penelitian
Tujuan dari penelitian ini, yaitu ;
1. Menghasilkan karakteristik output program.
2. Menghasilkan batas tepi citra digital tumor otak yang dapat dijadikan sebagai
informasi pendukung dan parameter dalam dunia medis tentang
diagnosistumor otak.
4
BAB II
TINJAUAN PUSTAKA
II.1 Citra Digital
Citra atau image adalah representasi spasial dari suatu objek dalam bidang
dua dimensi yang biasanya ditulis dalam koordinat cartesian x-y dan setiap
koordinat merepresentasikan satu sinyal terkecil dari objek. Fungsi dari citra
adalah model matematika yang sering digunakan untuk menganalisis dimana
semuafungsi analisis digunakan untuk mempertimbangkan citra sebagai fungsi
dengan 2 variabel [12].
Citra merupakan gambaran yang terekam oleh kamera atau oleh sensor.
Mengutarakan pengertian tentang citra [12], yaitu :
1. Gambaran objek yang dihasilkan oleh pantulan atau pembiasan sinar yang
difokuskan oleh sebuah lensa atau sebuah cermin.
2. Gambaran rekaman suatu objek (biasanya berupa gambaran pada foto) yang
dibuat dengan cara optik, elektro-optik, optik mekanik atau elektronik. Pada
umumnya digunakan gambar bila radiasi elektromagnetik yang dipancarkan
atau dipantulkan dari suatu objek tidak langsung direkam pada film.
Sedangkan penginderaan jauh pada ilmu dan seni untuk memperoleh
informasi tentang objek, daerah atau gejala dengan cara menganalisis data
yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap
objek, daerah atau gejala yang dikaji.
Citra digital adalah citra yang sudah dikonversi menjadi format biner dan
dapat dibaca oleh komputer [5]. Sedangkan piksel adalah titik-titik kecil
berbentuk segi empat yang membentuk citra tersebut. Titik-titik tersebut
merupakan satuan terkecil dari suatu citradigital disebut sebagai picture
element[6].
Citra digital juga dapat didefinisikan sebagaifungsi dua variabel f(x,y)
dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada
koordinat tersebut. Secara matematis fungsi intensitas cahaya pada bidang
disimbolkan dengan f (x,y)seperti pada gambar 2.1[7]:
5
(x,y) : koordinat pada bidang
f (x,y) : intensitas cahaya (brightness) pada titik (x,y)
Gambar 2.1 Citra digital fungsi dua variabel [7]
Citra digital merupakan citra yang disimpan dalam bentuk file. Citra digital
hanya dapat diolah menggunakan komputer. Jenis citra lain jika akan diolah pada
komputer harus diubah ke dalam citra digital. Citra digital diperoleh dari proses
digitalisasi. Digitalisasi merupakan representasi dari fungsi malar menjadi nilai-
nilai diskrit [8].
Gambar 2.2 Citra ke dalam bentuk piksel [8]
Gambar 2.2 menunjukkan bahwa citra digital terdiri dari sejumlah elemen
tertentu yang memiliki lokasi dan nilai tertentu. Elemen-elemen ini disebut piksel
[8]. Citra digital memiliki beberapa karakteristik ekstensi tersendiri. Ekstensi pada
citra digital umumnya berdasarkan tipe dan cara kompresi yang digunakan pada
citra digital tersebut. Beberapa macam ekstensi citra digital antara lain PNG,
JPEG, TIFF dan BMP [9].
6
II.1.1 Citra Berwarna
Citra berwarna yaitu citra yang nilai pikselnya merepresentasikan warna
tertentu. Banyaknya warna yang mungkin digunakan bergantung kepada
kedalamanan piksel citra yang bersangkutan.Proses awal yang banyak dilakukan
dalam image processing adalah merubah citra berwarna menjadi citra grayscale.
Hal ini digunakan untuk menyederhanakan model citra [8]
Tabel 2.1 Warna dan nilai penyusun warna [8]
Warna R G B
Merah 255 0 0
Hijau 0 255 0
Biru 0 0 255
Hitam 0 0 0
Putih 255 255 255
Kuning 0 255 255
Tabel 2.1 menunjukkan bahwa citra berwarna direpresentasikan dalam
beberapa channel yang menyatakan komponen-komponen warna penyusunnya.
Banyaknya channel yang digunakan bergantung pada model warna yang
digunakan pada citra tersebut. Contoh model warna yang biasa digunakan pada
citra digital adalah Red, Green dan Blue (RGB) [8].
Gambar 2.3 a) Red b) Green c) Blue [12]
Gambar 2.3 menunjukkan citra berwarna terdiri dari 3 layer matrix, yaitu R-
layer, G-layer, dan B-layer yang merupakan kombinasi dari elemen warna red
(merah), green (hijau) dan blue (biru). Tiap titik atau pixel merupakan kombinasi
dari ketiga elemen warna tersebut. Setiap elemen memiliki 0 – 255 tingkat warna
[12].
7
II.1.2Citra Abu-abu
Grayscalling yaitu teknik yang digunakan untuk mengubah citra berwarna
(RGB) menjadi bentuk grayscale (hitam ke putih). Matriks penyusun citra yang
sebelumnya 3 matriks akan berubah menjadi 1 matriks saja. Untuk mengubah
citra berwarna yang mempunyai nilai matriks masing-masing,yaitu R, G, dan
Bmenjadi citra grayscale dengan nilai Gy konversi dapat dilakukan dengan
mengambil rata-rata dari nilai R, G, dan B sehingga dapat dituliskan pada
persamaan (2.1) sebagai berikut [12] :
Gy(x,y) = 𝑅 (𝑥,𝑦) + 𝐺 (𝑥,𝑦) + 𝐵 (𝑥,𝑦)
3 (2.1)
dimana :
Gy(x,y) : Nilai intensitas citra abu-abu
R(x,y) : Nilai intensitas warna merah dari citra asal
G(x,y) : Nilai intensitas warna hijau dari citraasal
B(x,y) : Nilai intensitas warna biru dari citra asal
Proses-proses selanjutnya tetap diperhatikan tiga layer dari suatu citra. Bila
setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan
tiga perhitungan yang sama. Jadi, konsep itu dirubah dengan menggunakan tiga
layer diatas mejadi satu layer matriks grayscale dan hasilnya ada citra grayscale
sehingga citra ini tidak ada lagi warna, yang ada adalah derajat keabuabuan [12].
Gambar 2.4 Warna untuk citra abu-abu [10]
Gambar 2.4 menunjukkan citra abu-abu yaitu citra yang nilai pikselnya
merepresentasikan derajat keabuan atau intensitas warna putih hitam. Nilai
intensitas paling rendah merepresentasikan warna hitam dan nilai intensitas paling
tinggi merepresentasikan warna putih. Pada umumnya, citra abu-abu memiliki
kedalaman piksel 8 bit (256 derajat keabuan). Namun, terdapat juga citra abu-abu
yang kedalaman pikselnya bukan 8 bit, misalnya 16 bit untuk penggunaan yang
8
memerlukan ketelitian tinggi. Citra abu-abu memiliki kedalaman piksel seperti
pada gambar 2.5 [10].
Gambar 2.5Kedalaman piksel derajat keabuan [10]
II.2 Citra Tumor Otak
Tumor otak adalah jaringan sel yang tumbuh dan berkembang tidak
terkontrol. Tumor otak yang beradadi dalam kepala akan menganggu fungsi
normal otak dan akan meningkatkan tekanan pada otak sehingga mengakibatkan
sebagian jaringan otak akan mengalami kemunduran, mendesak rongga tengkorak
dan menyebabkan kerusakan jaringan. Organisasi Kesehatan Dunia yaitu WHO
membagi tipe tumor otak sebanyak 120 jenis dengan kriteria tumor otak
didasarkan Anaplasia. Anaplasia adalah cara pertumbuhan sel tumor dimana
semakin rendah derajat anaplasia mengindikasikan pertumbuhan tumor lebih
lambat [11].
a)... b)
Gambar 2.6 a) Citra otak b) Citra tumor otak [11]
Gambar 2.6 menunjukkan perbedaan citra otak pada seseorang yang tidak
menderita tumor otak dan citra otak yang menderita tumor otak. Citra berwarna
hitam pada gambar 2.6 b) mengindikasikan adanya tumor yang berada di dalam
otak [11].
9
Citra tumor otak dihasilkan melalui alat pemeriksaan yang disebut CT Scan
secara spesifik untuk memperkuat diganosa dan mengetahui letak tumor otak
tersebut. CT Scan merupakan alat diagnostik yang penting dalam evaluasi pasien
yang diduga menderita tumor otak. Beberapa jenis tumor otak akan terlihat lebih
nyata ketika pemeriksaan CT Scan disertai pemberian zat kontras dan deteksi tepi
[25]. Diagnosis penyakit tumor otak oleh para dokter menggunakan cara yang
manual yaitu dengan melihat citra (image) yang dihasilkan oleh alat pencitraan
medis. Hasil citra tersebut biasanya terdapat gangguan (noise) sehingga
dibutuhkan sebuah alat bantu pengolahan citra berbasis komputer untuk dapat
dijadikan sebagai salah satu acuan dalam mendiagnosis penyakit tumor otak [2].
II.3 Pengolahan Citra
Pengolahan citra merupakan salah satu cabang ilmu informatika yang
berkutat pada usaha untuk melakukan transformasi suatu citra menjadi citra lain
dengan menggunakan teknik tertentu. Pengolahan citra (image processing)
merupakan suatu proses dengan masukan berupa citra dan hasilnya juga berupa
citra. Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas
citra. Namun,seiring dengan berkembangnya duniakomputasi yang ditandai
dengan semakin meningkatnya kapasitas dan kecepatan proses komputer serta
dapat mengambil informasi dari suatu citra maka,imageprocessing tidak dapat
dilepaskan dengan bidang computer visiondengan perangkat lunak berupa
program GNUOctave yang merupakan salah satu aplikasi pengolahan
citra.GNUOctave adalah sebuah program untuk analisis dan komputasi numerik
berbasis matriks [12].
Pengolahan citra mempunyai dua tujuan utama sesuai dengan
perkembangan computer vision itu sendiri, yakni sebagai berikut [12] :
1. Memperbaiki kualitas citra dimana citra yang dihasilkan dapat menampilkan
informasi secara jelas atau dengan kata lain manusia dapat melihat informasi
yang diharapkan dengan menginterprestasikan citra yang ada.
2. Mengekstraksi informasi ciri yang menonjol pada suatu citra yaitu informasi
citra dimana manusia mendapatkan informasi ciri dari citra secara numericatau
10
dengan kata lain computer melakukan interprestasi terhadap informasi yang
ada pada citra melalui besaran-besaran data yang dapat dibedakan secara jelas.
Pengolahan citra memiliki masukan berupacitra dan keluarannya juga
berupa citra tapi dengan kualitas lebih baik dari citra masukan, misalnya citra
warnanya kurang tajam, kabur, mengandung noise seperti bintik-bintik putih
sehingga perlu ada proses untuk memperbaiki citra agar mudah diinterpretasikan.
Operasi-operasi pada pengolahan citra dapat diklasifikasikan dalam beberapa jenis
sebagai berikut [13] :
1. Perbaikan citra (image restoration), seperti : penghilangan kesamaran, citra
tampak kabur karena pengaturan fokus lensa tidak tepat atau kamera bergerak
dan penghilangan derau (noise).
2. Perbaikan kualitas citra (image enhancement), seperti : perbaikan kontras
gelap/terang, perbaikan tepian objek, penajaman dan pemberikan warna semu.
3. Pemampatan citra (image compression), seperti : suatu file citra berbentuk
BMP berukuran 258 kb dimampatkan dengan metode JPEG menjadi
berukuran 49 kb.
4. Segmentasi citra (image segmentation) berkaitan erat dengan pengenalan pola.
5. Analisis citra (image analysis), seperti : deteksi tepi citra.
6. Rekonstruksi citra (image reconstruction), seperti : beberapa foto rontgen
digunakan untuk membentuk tulang gambar organ tubuh.
Operasi pemulihan citra bertujuan untuk mengembalikan kondisi citra
akibat adanya gangguan yang menyebabkan penurunan kualitas citra. Berdasarkan
cakupan operasi, makaoperasi pengolahan citra dikategorikan sebagai berikut [13]
:
1. Operasi Titik
Operasi yang dilakukan terhadap setiap piksel pada citra yang keluarannya
hanya ditentukan oleh nilai piksel itu sendiri.
2. Operasi Area
Operasi yang dilakukan terhadap setiap piksel pada citra yang keluarannya
dipengaruhi oleh piksel tersebut dan piksel lainnya dalam suatu daerah
tertentu. Salah satu contoh dari operasi berbasis area adalah operasi
11
ketetanggaan yang nilai keluarannya dari operasi tersebut ditentukan dari nilai
piksel-piksel yang memiliki hubungan ketetanggaan dengan piksel yang
sedang diolah.
3. Operasi Global
Operasi yang dilakukan terhadap setiap piksel pada citra yang keluarannya
ditentukan oleh keseluruhan piksel yang membentuk citra.
II.4 Deteksi Tepi
Tepi (edge) adalah perubahan nilaiintensitas derajat keabu-abuan yang
mendadak (besar) dalam jarak singkat. Tepi biasanya terdapat pada batas antara
dua daerah berbedapada suatu citra. Tepi dapat diorientasikan dengan suatu arah
yang berbeda-beda tergantung perubahan intensitas [9].
Ada tiga macam tepi yang terdapat di dalam citra digital [9], yaitu :
1. Tepi curam
Tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 900.
2. Tepi landai
Tepi lebar yaitu tepi dengan sudut arah kecil. Tepi landai dapat dianggap
terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan.
3. Tepi yang mengandung derau (noise)
Umumnya tepi yang terdapat pada aplikasi computer vision mengandung
derau. Operasi peningkatan kualitas citra (image enhancement) dapat
dilakukan terlebih dahulu sebelum pendeteksian tepi.
Pendeteksian tepi suatu citra digital dapat diartikan sebagai suatu proses
yang menghasilkan tepi-tepi dari objek-objek yang terdapat dalam citra digital
tersebut. Deteksi tepi adalah salah satu dari banyak operasi yang ada pada
pengolahan citra. Deteksi tepi banyak dipakai untuk mengidentifikasi suatu objek
dalam sebuah gambar. Tujuan dari deteksi tepi adalah untuk menandai bagian
yang menjadi detail citradan memperbaiki detail citra yang kabur karena adanya
kerusakan atau efek akuisisi data [9].
Tujuan pendeteksian tepi adalah untuk meningkatkan penampakan garis
batas suatu daerah atau objekdi dalam citra, mencirikan batas objek danberguna
12
untuk proses segmentasi dan identifikasi objek serta termasuk dalam komponen
berfrekuensi tinggi sehingga memerlukan HPF (High Pass Filter). Pendeteksian
tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi
mencirikan batas-batas objek sehingga tepi berguna untuk proses segmentasi dan
identifikasi objek di dalam citra [9].
Pendeteksian tepi merupakan bagian dari analisis citra. Analisis citra
diawali dengan ekstraksi ciri (feature ekstraksi) dan sering diaplikasikan untuk
pendeteksian tepi yaitu metode Prewitt dan Sobel. Selain, metode-metode klasik
tersebut terdapat juga terdapat metode pendeteksian tepi dengan memanfaatkan
logika fuzzy. Logika fuzzy berkemampuanmengatasi ambiguitas dan kekaburan
image dengan baik seperti perbedaan batas warna. Maka, logika fuzzy dianggap
mampu untuk menangani proses pendeteksian tepi [9].
II.5Logika Fuzzy
II.5.1 Pengertian Logika Fuzzy
Logika fuzzy pertama kalidiperkenalkan oleh Lofti A. Zadeh dari
Universitas Barkley, California pada tahun 1965. Zadeh memodifikasikan
teorihimpunan yang setiap anggotanya memiliki derajat keanggotaan yang
bernilai kontinu antara 0 sampai 1 yang digunakan untuk menangani kekaburan.
Himpunan ini disebut dengan himpunan kabur (fuzzy set). Logika fuzzy adalah
suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang
output [14].
Logika fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau
kesamaran (fuzzyness) antara benar dan salah. Teori logika fuzzy yakni sebuah
logika yang nilainya bisa bernilai benar dan salah secara bersamaan. Namun,
berapa besar kebenaran dan kesalahan suatu nilai tergantung kepada bobot
keanggotaan yang dimilikinya. Sebelum munculnya teori logika fuzzy (fuzzy logic)
dikenal sebuah logika yang dinamakan logika tegas (crisp logic) yang memiliki
nilai benar atau salah secara tegas [15].
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai
dapat bernilai benar atau salah secara bersamaan. Fuzzy dikenal dengan derajat
13
keanggotaan yang memilikirentang nilai 0 (nol) hingga 1 (satu). Berbeda dengan
himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak) secara tegas. Logika
fuzzy digunakan untuk menterjemahkan suatu nilai besaran yang diekspresikan
menggunakan bahasa (linguistic), misalkan besarankecepatan atau laju
kendaraanyang diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat
[16].
Logika fuzzy merupakan modifikasi dari teori himpunan dimana setiap
anggotanya memiliki derajat keanggotaan yang bernilai antara 0 sampai 1. Sejak
ditemukan pertama kali oleh Lotfi A. Zadeh pada tahun 1965, logika fuzzy telah
digunakan pada lingkup domain permasalahan yang cukupluas, seperti kendali,
proses, klasifikasi dan pencocokan pola, manajemen dan pengambil keputusan,
riset operasi, ekonomi dan lain-lain. Sejak tahun 1985, terjadi perkembangan yang
sangat pesat pada logika fuzzy, terutama dalam hubungan yang bersifat non-linear,
ill-defined, time-varying dan situasi-situasi yang sangat kompleks [16].
Logika fuzzy menunjukkan sejauh mana suatu nilai itu benar dan sejauh
mana suatu nilai itu salah. Tidak seperti logika klasik (crisp)/tegas, suatu nilai
hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau
tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota
himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan [17].
Logika fuzzy dipakai dalam banyak bidang termasuk pengolahan citra.
Fuzzyimage processing merupakan kumpulan pendekatan fuzzy pada bidang
pengolahan citra untuk memahami, mempresentasikan, mengolah citra,
segmentasi citra dan bagian-bagiannya sebagai himpunan fuzzy. Fuzzy image
processing ada tiga tahapan utama yaitu prosesfuzzifikasi, aturan-aturan (rules
based) dan defuzzifikasi [9].
II.5.2 Perbedaan Logika Fuzzy dengan Logika Tegas
Logika fuzzy digunakan untuk menterjemahkan suatu besaran yang
diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat. Logika fuzzy
menunjukkan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu
salah, sedangkan logika klasik (crisp)/tegas, suatu nilai hanya mempunyai dua
14
kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat
keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1
(satu) berarti nilai tersebut adalah anggota himpunan [17].
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang
input kedalam suatu ruang output [15].
Gambar 2.7a) Logika Tegas b) Logika Fuzzy [15]
Pada gambar 2.7 menunjukkan a) Apabila X lebih dari atau sama dengan
17dikatakan dewasa, sebaliknya nilai X yang kurang dari 17 adalah dikatakan
anak-anak. Maka X = 1, 2, 3, 4, ....., dst dikatakan anak-anak. Sedangkan pada
gambar 2.7 b) nilai X = 10, 11, 12, 13, ....., dikatakan ada dewasanya dan ada
juga anak-anaknya [15].
1. Derajat Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaan yang
memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk
mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada
beberapa fungsi yang bisa digunakan diantaranya [18] :
1. Representasi linear
2. Representasi kurva segitiga
3. Representasi kurva trapesium
4. Representasi kurva bentuk bahu
Derajat keanggotaan sebagai fungsi matematis tertentu. Derajat keanggotaan
dari masing-masing elemen memerlukan perhitungan. Fungsi matematis yang
15
biasanya digunakan yaitu fungsi trapesium. Fungsi keanggotaan trapesium
mempunyai bentuk seperti pada persamaan (2.2) dan dispesifikasikan oleh empat
parameter {a, b, c, d} seperti pada persamaan (2.2) [19].
Trapesium {a, b, c, d} =
{
0, 𝑥 ≤ 𝑎𝑥−𝑎
𝑏−𝑎, 𝑎 ≤ 𝑥 ≤ 𝑏
1, 𝑏 ≤ 𝑥 ≤ 𝑐𝑑−𝑥
𝑑−𝑐, 𝑐 ≤ 𝑥 ≤ 𝑑
0, 𝑑 ≤ 𝑥
(2.2)
Gambar 2.8Contoh fungsi keanggotaan trapesium [19]
Gambar 2.8 menunjukkan parameter {a,b,c,d} (dengan a<b<c<d)
menentukan koordinat x pada empat sudut dari fungsi keanggotaan trapesium
[19].
II.5.3 Sistem Interferensi Fuzzy
Sistem Interferensi Fuzzy (Fuzzy Inference System/FIS) disebut juga fuzzy
inference systemadalah sistem yang dapat melakukan penalaran dengan prinsip
seperti manusia melakukan penalaran dengan nalurinya. FIS tersebut bekerja
berdasarkan kaidah-kaidah linguistik dan memiliki algortitma fuzzy yang
menyediakan sebuah aproksimasi untuk dilakukan analisa matematik [17].
Fuzzy Inference System (FIS) adalah sebuah proses dari pemetaan
perumusan masalah yang diinputkan dan akan menghasilkan output menggunakan
logika fuzzi (fuzzy logic). Pemetaan ini menyediakan basis dasar (rule) dari
keputusan yang mana yang akan dipilih. Proses dari Fuzzy Inference System (FIS)
0
0.2
0.4
0.6
0.8
1
1.2
a b c d
µF(x)
x
16
ini sendiri melibatkan membership functions, fuzzy logic operator, dan if-then
rules[17].
Ada dua jenis dari Fuzzy Inference System (FIS) yang bisa
diimplementasikan pada Fuzzy Logic Toolbox, yaitu Mamdani-type dan Sugeno-
type. Proses-proses yang ada di dalam Fuzzy Inference System (FIS) adalah
Fuzzifikasi, Operasi Fuzzy Logic, Implikasi, Agregasi dan
Defuzzifikasi[24].Konfigurasi dasarnya digambarkan seperti terlihat pada gambar
2.9[19].
Gambar 2.9Konfigurasi dasar sistem logika fuzzy [19]
Metode Fuzzy Inference System (FIS) terdiri dari dua tahapan, tahapan
pertama adalah tahapan pre-processing dimana parameter yang digunakan dalam
logika fuzzy akan diambil atau diimplementasikan ke tahapan selanjutnya akan
dihitung. Parameter ini merepresentasikan jarak antara intensitas piksel dalam
matriks 3x3. Pada tahapan selanjutnya akan dihitung, jarak yang telah dihitung
akan dievaluasi dengan 2 tahap sistem logika fuzzy yang akan memutuskan bahwa
bagian tengah dari matriks tersebut adalah sebuah piksel tepian (edge) dan bukan
piksel tepian[17].
Fuzzy Image Processing adalah koleksi dari semua pendekatan yang
memahami, menghadirkan dan memproses citra, corak dan segmen
sebagaipenetapan fuzzy. Penyajian dan proses tergantung pada teknik pemilihan
fuzzy dan masalah untuk dipecahkan. Fuzzy Image Processing mempunyai tiga
tahap utama : pertama, image fuzzyfication yaitu menentukan derajat dari setiap
input pada himpunan fuzzy yang sesuai. Kedua, modifikasi nilai-nilai keanggotaan
dengan menggunakan aturan yang sesuai. Terakhir, image defuzzyfication yaitu
Crisp input
Fuzzifikasi
Logika Pengambilan
Keputusan Defuzzifikasi
Crisp output
Basis Pengetahuan
17
mengubah besaran fuzzy yang disajikan dalam bentuk himpunan fuzzy keluaran
dengan fungsi keanggotaannya untuk mendapatkan kembali bentuk tegasnya atau
nilai real. Selanjutnya fuzzy output akan dimasukkan pada proses defuzzifikasi
untuk menghasilkan crisp output. Hasil output berupa nilai gray level baru [17].
Ada beberapa jenis FIS yang dikenal yaitu [24] :
1. Metode Tsukamoto
Pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk
If-Then harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi
keanggotaan yang monoton. Hasilnya, output hasil inferensi dari tiap-tiap
aturan diberikan secara tegas (crips) berdasarkan a-predikat (fire strength).
Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.
2. Metode Sugeno
Penalaran dengan metode Sugeno diperkenalkan oleh Takagi Sugeno
Kang pada tahun 1985. Pada metode penalaran atau rule evaluation Takagi
Sugeno, output sistem tidak berupa himpunan fuzzy, melainkan berupa
konstanta atau persamaan linear. Penelitian ini menggunakan model Fuzzy
Sugeno Orde-Nol. Bentuk umum model fuzzy Sugeno orde nol adalah :
IF (x1 is A1) o (x2 is A2) o (x3 is A3) .... o (xN is AN) then z = k (2.3)
Ai : himpunan fuzzy ke-i sebagai antesden.
K : suatu konstanta (tegas) sebagai konsekuen.
3. Metode Mamdani
Metode mamdani sering juga dikenal dengan nama metode min-max.
Metode ini perkenalkan oleh Ebrahim Mamdani pada tahun 1975.Output dari
metode ini diperlukan 4 tahapan, yaitu pembentukan himpunan fuzzy, aplikasi
fungsi implikasi, komposisi aturan dan penegasan (defuzzy).
18
II.5.4Metode Kerja Logika Fuzzy
Tahapan yang diperlukan dalam proses logika fuzzy adalah sebagai berikut :
II.5.4.1 Fuzzifikasi
Fuzzifikasi adalah pengubahan seluruh variabel input / output ke bentuk
himpunan fuzzy. Rentang nilai variabel input dikelompokkan menjadi beberapa
himpunan fuzzy dan tiap himpunan mempunyai derajat keanggotaan tertentu [5].
Pengertian lain, fuzzifikasi adalah suatu proses pengubahan nilai tegas atau real
yang ada ke dalam fungsi keanggotaan [15]. Pada tahap ini yaitu menentukan
crispinputx1 dan y1 kemudian menentukan derajat atau tingkatan dari setiap input
pada himpunan fuzzyyang sesuai. Crisp input selalu memiliki nilai kuantitatif
yang dibatas oleh himpunan semesta [22]. Bentuk fuzzifikasi menentukan derajat
keanggotaan suatu nilai rentang input/output. Derajat keanggotaan himpunan
fuzzy dihitung dengan menggunakan rumusfungsi keanggotaan dari segitiga
fuzzifikasi.Bentukfuzzifikasi yang dipakai pada sistem ini adalah bentuk segitiga
dan bentuk bahu seperti terlihat pada gambar (2.10)[5]
Gambar 2.10 Himpunan Fuzzy untuk Variabel Penentuan Batas Warna [5]
𝜇𝐵𝑙𝑎𝑐𝑘[𝑥1] {
1 𝑥1 ≤ 0127,5−𝑥1
(127.5−0) 0 ≤ 𝑥1 ≤ 127,5
0 𝑥1 ≥ 127,5
𝜇𝐺𝑟𝑎𝑦[𝑥1]
{
0 𝑥1 ≤ 0 𝑎𝑡𝑎𝑢 𝑥1 ≥ 127,5
(𝑥1−0)
(127.5−0) 0 ≤ 𝑥1 ≤ 127,5
(255−𝑥1)
(255−127,5) 127,5 ≤ 𝑥1 ≥ 255
(2.4)
(2.5)
19
𝜇𝑊ℎ𝑖𝑡𝑒[𝑥1] {
0 𝑥1 ≤ 127,5𝑥1−127,5
(255−127,5)127,5 ≤ 𝑥1 ≥ 255
1 𝑥1 ≥ 255
Keterangan dari rumusan tersebut adalah black untuk batas warna hitam
pada himpunan fuzzy, gray untuk batas warna abu-abu himpunan fuzzypada
himpunan dan white untuk batas warna putih himpunan fuzzypada himpunan[5].
II.5.4.2 Aturan Dasar (Rule Based)
Aturan dasar (rule based) pada logika fuzzy merupakan suatu bentuk aturan
relasi / implikasi “Jika-maka” atau “If-then” [12]. Aturan dasar ini merupakan
proses pengambilan keputusan (inference) yang berdasarkan aturan-aturan yang
ditetapkan pada basis aturan (rules based) untuk menghubungkan antar peubah-
peubah fuzzy masukan dan peubah fuzzy keluaran. Aturan-aturan ini berbentuk
jika ... maka (IF .... THEN). Pada tahap ini, hasil dari fuzzifikasi pada setiap rule
akan dilihat kembali. Apabila rule ditemukan “AND” makan akan dicari nilai
minimumnya, sedangkan jika ditemukan “OR” makan akan dicari nilai
maksimumnya [22].
µaub(x) = max [ µA(x) µB(x) ] (2.7)
atau
µanb(x) = min [ µA(x) µB(x) ] (2.8)
Logika pengambilan keputusan (fuzzy interference) mengaplikasikanaturan-
aturan fuzzy pada masukan fuzzy kemudian mengevaluasi setiap aturan. Prinsip
logika fuzzy digunakan untuk mengkombinasi aturan-aturan JIKA-MAKA (IF-
THEN) yang terdapat dalam basis aturan suatu pemetaan data suatu himpunan
fuzzy input dan himpunan fuzzy output. Logika pengambilan keputusan merupakan
langkah kedua dalam pemrosesan logika fuzzy. Terdapat beberapa metode
pengambilan keputusan dalam logika fuzzy diantaranya yaitu metode Mamdani
[19].
Fungsi implikasi yang digunakan pada pengambilan keputusan dengan
metode Mamdani dengan menggunakan MIN dan dalam melakukan komposisi
dengan menggunakan MAX. Metode komposisi ini sering disebut MAX-MIN.
(2.6)
20
Contoh dalam penggunaan pengambilan keputusan dengan metode Mamdani
dengan memisalkan fungsi keanggotaan masukan dan keluaran menggunakan
fungsi segitiga dan mempunyai 2 aturan fuzzy, yaitu [19] :
- IF Kesalahan adalah Nol dan Beda kesalahan adalah Positif maka
keluaran Positif.
- IF Kesalahan adalah Nol dan Beda kesalahan adalah Nol maka keluaran
adalah Nol.
Gambar 2.11 Proses pengambilan keputusan metode Mamdani [19]
Gambar 2.11 menunjukkan proses pengambilan keputusan metode
Mamdani. Langkah pertama pengambilan keputusan metode Mamdani adalah
melakukan proses fuzzifikasi untuk memetakan data tegas masukan kesalahan dan
beda kesalahan data fuzzy sesuai tipe dan bentuk fungsi / derajat keanggotaan.
Langkah kedua adalah melakukan proses terhadap kedua data fuzzy tersebut
dengan operator AND yang akan mengambil nilai paling minimal dari dua data
tersebut. Langka ketiga adalah implikasi MIN akan memotong fungsi keluaran
setelah melalui operator AND sehingga didapatkan daerah fuzzy. Ketiga proses
tersebut juga diterapkan pada aturan-aturan fuzzy berikutnya. Setelah semua
aturan telah dieksekusi, dilakukan proses komposisi dengan metode MAX yaitu
solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan,
kemudian menggunakannya untuk memodifikasi daerah fuzzy dan
mengaplikasikannya ke output dengan menggunakan operator OR (union). Jika
proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang
merefleksikan kontribusi dari tiap-tiap proposisi. Setelah proses implikasi dan
komposis telah dilakukan maka proses selanjutnya adalah proses defuzzifikasi
[19].
21
II.5.4.3 Defuzzifikasi
Input dari proses defuzzifikasi adalah himpunan fuzzy yang diperoleh dari
komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan
suatu bilangan pada domain himpunan fuzzy tersebut, sehingga jika diberikan
suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai
crisp tertentu sebagai keluarannya [19].
Ada beberapa metode defuzzifikasi pada komposisi aturan Mamdani,
diantaranya yaitu metode COA, bisektor, MOM, LOM dan SOM seperti pada
gambar 2.12 [19].
Gambar 2.12Metode defuzzifikasi pada aturan Mamdani[19]
a. Metode COA
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat
daerah fuzzy. Secara umum dirumuskan pada persamaan (2.9) untuk variabel
kontinu dan persamaan 2.10 untuk variabel diskrit [19].
𝑧 = ∫ z μ(z) dz𝑧
∫ μ(z) dz𝑧
(2.9)
𝑧 =∑ 𝑧𝑗 μ(zj)𝑛𝑗=1
∑ μ(zj)𝑛𝑗=1
(2.10)
b. Metode bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada
dimain fuzzy yang memiliki nilai keanggotaan sebagian dari jumlah total nilai
keanggotaany pada daerah fuzzy. Secara umum dituliskan pada persamaan(2.11),
yaitu [19] :
22
∫ 𝜇(𝑧)𝑑𝑧 = ∫ 𝜇(𝑧)𝑑𝑧𝛽
𝑧𝐵𝑂𝐴
𝑧𝐵𝑂𝐴
𝛼 (2.11)
Dimana,
α = min {z | z€Z}
β = max {z | z€Z}
c. MOM
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-
rata domain yang memiliki nilai keanggotaan maksimum [19].
d. LOM
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai
terbesar dari domain yang memiliki nilai keanggotaan maksimum [19].
e. SOM
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil
dari domain yang memiliki nilai keanggotaan maksimum [19].
Untuk memperbaiki hasil yang didapatkan, dilakukan operasi pengontrasan.
Operasi pengontrasan dilakukan menurut persamaan (2.12) [5] :
C(i,j) = K*( µ(i,j) – P ) + P (2.12)
Dimana :
C(i,j) = skala keabuan setelah dikontraskan pada titik i,j
K = suatu konstanta
µ(i,j) = nilai skala keabuan hasi aturan fuzzy
P = nilai skala keabuan sebagai pusat pengontrasan
23
BAB III
METODE PENELITIAN
III.1 Alat dan Bahan
III.1.1 Alat
Alat yang digunakan pada penelitian ini, yaitu :
1. CPU dengan sistem operasi Windows 10
2. CPU dengan sistem operasi Linux Pedora 23
3. Perangkat lunak berupa program GNU Octave (GUI)
III.1.2 Bahan
Bahan yang digunakan pada penelitian ini yaitu, citra digital tumor otak.
III.2 Prosedur Penelitian
III.2.1 Metode Pengumpulan Data
Pengambilan data citra digital tumor otak pada hasil alat pencitraan medis
yaitu CT Scan.
III.2.2 Metode Pengolahan Data
Pengolahan data yang dilakukan pada penelitian ini, yaitu :
1. Akusisi Citra
Pengambilan data citra digital tumor otak dilakukan dengan
menggunakan CT Scan di ruang radiologi. Data citra yang diperoleh yaitu
citra digital tumor otak yang diambil berdasarkan slice dengan potongan
aksial dari 1 (satu) orang pasien tumor otak.
2. Pre-Processing
Berdasarkan penelitian yang telah dilakukan, citra digital tumor otak
yang akan di input pada GNU Octave, dilakukan pre-processingterlebih
dahulu dengan cara resize dari 468 x 392 piksel menjadi 68 x 62 piksel
menggunakan microsoft office 2010. Hal ini dilakukan untuk menghindari
waktu eksekusi yang terlalu lama.
24
3. Uji karakteristik output piksel
Uji karakteristik output program yang dilakukan pada penelitian ini,
yaitu:
a. Memilih piksel.
Tabel 3.1 Piksel dengan matriks 3x3 [3]
b. Menentukan nilai pada setiap piksel.
c. Menjalankan program untuk mendapatkan keluaran dengan perintah “run”
untuk mendapatkan keluaran jenis kelompok piksel tersebut apakah edge
atau non edge dengan perintahkeluaran yaitu “OH” sehingga akan
menampilkan OH=0 apabila termasuk non edge dan OH=255 apabila
termasuk edge.
d. Mengubah nilai piksel kemudian menjalankan kembali program tersebut.
e. Menganalisis batas dari suatu piksel yang menghasilkan edgedan non
edgeberdasarkan bentuk dan nilai piksel yang telah divariasikan.
4. Contrast Streching
Contrast streching adalah teknik perbaikan kualitas citra sederhana dengan
meningkatkan kontras citra dengan cara meregangkan rentang nilai intensitas citra
supaya sesuai rentang intensitas yang diinginkan. Langkah-langkah yang
dilakukan pada contrast streching, yaitu :
a. Memilih citra tumor dengan melakukan cropping pada bagian tumor otak
tersebut.
b. Mengubah citra berwarna menjadi citra grayscale.
Gy(x,y) = 𝑅 (𝑥,𝑦) + 𝐺 (𝑥,𝑦) + 𝐵 (𝑥,𝑦)
3 (3.1)
c. Menghitung nilai rata-rata pada pada bagian tumor otak.
P1 P2 P3
P4 P5 P6
P7 P8 P9
25
𝑚 = ∑𝑍𝑖 𝜇(𝑍𝑖)
𝑛
𝑛0 (3.2)
d. Menghitung standar deviasi pada bagian tumor otak.
𝑠𝑡𝑑 = √∑ (𝑍𝑖−(𝑚)201
𝑛−1 (3.3)
e. Menentukan batas warna
- Batas bawah - Batas atas
Bb = m – std Ba = m + std (3.4)
5. Deteksi Tepi
Pendeteksian tepi suatu citra digital digunakan sebagai suatu proses
yang menghasilkan tepi-tepi dari objek-objek yang terdapat dalam citra digital
tersebut. Penelitian ini menggunakan sistem interferensi fuzzi dengan metode
Mamdani. Maka untuk mendapatkan output diperlukan 3 tahapan, yaitu
pembentukan himpunan fuzzy (fuzzifikasi),aturan dasar (rule based) dan
penegasan (defuzzifikasi).
a. Fuzzifikasi
Fuzzifikasi adalah pengubahan seluruh variabel input / output ke
bentuk himpunan fuzzy.Dalam artian lain, fuzzifikasi adalah suatu proses
pengubahan nilai tegas atau real yang ada ke dalam fungsi keanggotaan.
1) Memasukkan citra tumor otak ke dalam program GNU Octave dengan
kode imread (“citra tumor otak.jpg").
2) Mengubah citra berwarna yang mempunyai nilai matriks masing-masing
R, G, dan B menjadi citra grayscale dengan nilai Gy, maka konversi
dapat dilakukan dengan mengambil rata-rata dari nilai R, G, dan B
sehingga dapat dituliskan menjadi :
Gy(x,y) = 𝑅 (𝑥,𝑦) + 𝐺 (𝑥,𝑦) + 𝐵 (𝑥,𝑦)
3 (3.5)
3) Memilih satu piksel yang terdiri dari 9 (sembilan) titik dengan matriks
3x3.
26
Tabel 3.2 Piksel dengan matriks 3x3 [3]
P1 P2 P3
P4 P5 P6
P7 P8 P9
4) Membuat fungsi Black dan White.
a) . b)
Gambar 3.1Himpunan fuzzy untuk variabel black dan white
a) Fungsi blackb) Fungsi white [3]
1. Persamaan fungsi black dan fungsi white [3]
a. P0B = ( - ( 𝑃0
255 )) + 1 (3.6)
b. P0W = 𝑃0
255 (3.7)
Keterangan :
P0B : Fuzzy output pada fungsi black
P0W : Fuzzy output pada fungsi white
P0 : Fuzzy input dari piksel
0
2
0 100 200 300Ou
tpu
t
Input
Fungsi Black
0
2
0 100 200 300Ou
tpu
t
Input
Fungsi White
27
5) Membuat fungsi tepi (edge) dan fungsi bukan tepi (non edge) [2].
a) b)
Gambar 3.2 Himpunan Fuzzy untuk Variabel Penentuan Batas Tepi
a) Non edge b) Edge [2]
1. Persamaan fungsi edge dan fungsi non edge[2]
a. Jika P0 ≤ 81
FE = ( −( 𝑃0−1 ) + 80 )
80 (3.8)
b. Jika P0 > 81
FE = 0 (3.9)
c. Jika P0≤ 81
FNE = 0 (3.10)
d. Jika P0 > 81
FNE = ( ( 𝑃0−1 )− 80 )
170 (3.11)
Keterangan :
FE : Fuzzy output pada fungsi edge
FNE : Fuzzy output pada fungsi non edge
P0 : Fuzzy input dari piksel
b. Aturan Dasar (rules based)
1) Membuat aturan fuzzy inputs pada 8 (delapan) titik yaitu P1, P2, P3,
P4, P6, P7, P8 dan P9 yang terdiri dari black dan white secara acak
dan berdasarkan pola dan logika.
-1
0
1
2
0 100 200 300
Ou
tpu
t
Input
Fungsi Edge
-1
0
1
2
0 100 200 300
Ou
tpu
t
Input
Fungsi Non Edge
28
2) Membuat aturan fuzzy output pada 1 (satu) titik yaitu P5 yang terdiri
dari edge dan non edge sehingga menghasilkan seperti pada tabel 3.3.
Tabel 3.3 Aturan Fuzzy [3]
NO Fuzzy Inputs
Fuzzy
Output
P1 P2 P3 P4 P6 P7 P8 P9 P5
1 W W W W W B B B Edge
2 B B B W W W W W Edge
3 B W W B W B W W Edge
4 W W B W B W W B Edge
5 B B W B W B W W Edge
6 W W B W B W B B Edge
7 B W W B W B B W Edge
8 W B B W B W W B Edge
9 B B B B W W W W Edge
10 W W W B W B B B Edge
11 B B B W B W W W Edge
12 W W W W B B B B Edge
13 W B B W B W W W Edge
14 W W W W B W B B Edge
15 B B W B W W W W Edge
16 W W W B W B B W Edge
17 B B W B W B B W Edge
18 W W W B B B B B Edge
19 B B W W W W W W Non edge
20 W B B W W W W W Non edge
21 W W B W B W W W Non edge
22 W W W W B W W B Non edge
23 W W W W W B B W Non edge
24 W W W W W W B B Non edge
25 B W W B W W W W Non edge
26 W W W B W B W W Non edge
27 B W B W W W W W Non edge
28 W W W B W B W W Non edge
29 B B B B B B B B Non edge
30 W W W W W W W W Non edge
29
3) Memasukkan nilai fuzzy inputsyang berasal dari citra digital yang
terdiri dari P1, P2, P3, P4, P6, P7, P8 dan P9 ke dalam fungsi black
atau white (Lihat gambar 3.1 dan 3.2) sesuai dengan aturan fuzzy
(Lihat tabel 3.3).
4) Mencari nilai minimum antara 8 (delapan) titik (fuzzy input)
disekitarnya yang terletak di sudut kiri atas (P1), kiri bawah (P7),
kanan atas (P3), kanan bawah (P9), horizontal bawah (P8), horizontal
atas (P2), vertikal kiri (P4) dan vertikal kanan (P6). Hal ini merupakan
operasi fuzzy yang menggunakan “and=min”.
5) Mencari nilai minimum antara fungsi edge atau non edge dengan hasil
nilai minimum dari kedepalan titik (fuzzy input) tersebut. Hal ini
dinamakan aplikasi metode implikasi “min”.
6) Mengulangi langkah 4) dan 5) hingga rules ke-30.
7) Mencari nilai maksimum dari hasil implikasi dari semua rules yakni
rule1 sampai rule30. Hal ini dinamakan aplikasi metode agregasi
“or=max”.
c. Defuzzifikasi
Defuzzifikasi adalah proses untuk mengubah besaran dari himpunan
fuzzy ke dalam bentuk nilai real (crisp). Pada metode ini, solusi crisp
diperoleh dengan cara mengambil titik pusat daerah fuzzy.
1) Menghitung pusat gravitasi (titik berat) dari dari daerah agregasi.
𝑧 ∗= ∫ z μ(z) dz𝑧
∫ μ(z) dz𝑧
(3.12)
Dimana,
μ(z)=Hasil fuzzifikasi non edge atau edge (koordinat-y).
z = Fuzzy inputs dari keseluruhan titik piksel pada citra
(koordinat-x)
Z* = Hasil defuzzifikasi non edge / edgecitra digital tumor otak
30
II.3 Bagan Alir Penelitian
Mulai
Akuisisi Citra (CT Scan)
Citra Digital
Deteksi Tepi menggunakan
Fuzzy Logic
Analisis
Fuzzifikasi
Defuzzifikasi
Rules based
Batas Tepi Tumor Otak dan Hasil Fuzzy Logic
Selesai
Uji karakteristik
output program
31
BAB IV
HASIL DAN PEMBAHASAN
IV.1Karakteristik Output Program
Uji karakteristik output program pada penelitian ini yaitu karakteristik
simetri putar nilai piksel dan batas nilai piksel. Simetri putar menguji tentang
perputaran dari dari nilai piksel yang mendeteksi edge / non edge. Berikut ada
halah hasil penelitian dari karakteristik simetri putar nilai piksel.
IV.1.1 Karakteristik Simetri PutarNilai Piksel
Tabel 4.1 Karakteristik simetri putar nilai piksel
NO PIKSEL KETERANGAN
1. 10 20 18010 20 18010 20 180
Edge
2. 180 20 10180 20 10180 20 10
Edge
3. 180 180 18020 20 2010 10 10
Edge
4. 10 10 1020 20 20180 180 180
Edge
5. 100 110 120100 110 120100 110 120
Non Edge
6. 120 110 100120 110 100120 110 100
Non Edge
32
7. 120 120 120110 110 110100 100 100
Non Edge
8. 100 100 100110 110 110120 120 120
Non Edge
Tabel 4.1 menunjukkan bahwa simetri putar dari nilai piksel yang
divariasikan tidak memengaruhi penentuan edge dan non edge.Hal ini
menunjukkan aturan fuzzy logic tidak bervariasi terhadap simetri putar dari nilai
piksel. Misalnya pada piksel nomor satu sampai nomor empat memiliki piksel
dengan nilai yang sama kemudian diputar dan didapatkan penentuan edge yang
tidak bervariasi, begitupun seterusnya.
IV.1.2 Karakteristik Batas Nilai Piksel
Karakteristik batas nilai piksel menguji tentang batas untuk penentuan edge
/ non edge. Berikut adalah hasil karakteristik nilai piksel.
Tabel 4.2 Batas Nilai Piksel
NO PIKSEL KETERANGAN
1. 0 1 990 1 990 1 99
Non Edge
2. 0 1 1000 1 1000 1 100
Edge
3. 180 190 71180 190 71180 190 71
Non Edge
33
4. 180 190 70180 190 70180 190 70
Edge
Tabel 4.2 menunjukkan bahwa batas untuk penentuan edge dan non edge
dari nilai piksel yang divariasikan memiliki range batas yang cukup lebar
sehingga dilakukan contrast streching.Misalnya pada piksel nomor satu dan
nomor dua merupakan batas edge dan non edge yaitu berada pada nilai 99 dan
100.
IV.2Contrast Streching
Contrast streching adalah teknik perbaikan kualitas citra sederhana untuk
meningkatkan kontras citra dengan cara meregangkan rentang nilai intensitas citra
supaya sesuai dengan rentang nilai intensitas yang diinginkan. Misalnya, untuk
membuat nilai piksel mempunyai rentang penuh yang dimungkinkan sesuai
dengan tipe citra.
Contrast streching citra digital tumor otak dilakukan dengan memilih nilai
piksel tumor otak. Pemilihan nilai piksel citra digital tumor otak hanya dilakukan
pada salah satu bagian citra digital tumor otak tersebut. Nilai piksel citra digital
tumor otak dipilih dengan cara memisahkan terlebih dahulu dari background
(cropping) seperti pada gambar 4.1, yaitu:
Gambar 4.1Hasil cropping citra digital tumor otak
Gambar 4.1 menunjukkan citra digital tumor otak yang dipisahkan dengan
background (kotak warna hitam). Selanjutnya, dilakukan identifikasi pada citra
34
digital tumor otak untuk contrast streching dengan cara membuat data
baseditunjukkan pada tabel 4.3 berikut.
Tabel 4.3 Data base batasan-batasan dari citra digital tumor otak.
Citra
Keterangan
Mean Standar
Deviasi
Batas
Bawah
Batas
Atas
Tumor Otak 168,62 8,6021 160,0179 177,2221
Tabel 4.3 menunjukkan bahwa berdasarkan hasil yang telah diperoleh dari
data base batasan dari nilai piksel yang terdapat pada citra digital tumor otak
dengan rentang 160 sampai dengan 177 bernilai 255 pada citra. Angka lainnya
meluruh linear dalam rentang 0 - 160 dan 177 – 255 pada citra.
IV.3 Deteksi Tepi Citra
Citra digital tumor otak selanjutnya dilakukan resize dari 468 x 392 piksel
menjadi 68 x 62 piksel sehingga menghasilkan seperti pada gambar 4.4, yaitu :
Gambar 4.2 Citra digital tumor otak
Hasil deteksi tepi pada citra digital tumor otak menggunakan fuzzy logic
pada gambar 4.2 menghasilkan seperti pada gambar 4.3, yaitu:
35
Gambar 4.3 Citra digital tumor otak hasil fuzzy logic
Gambar 4.3 menunjukkan hasil deteksi tepi citra tumor otak menggunakan
metode fuzzy logic menghasilkan keluaran yang mencirikan batas-batas tepi dan
ketajaman garis tepi pada citra digital tumor otak. Batas tepi antara background
dengan permukaan tengkorak, batas tepi antara bagian dalam tengkorak dengan
lapisan otak dan batas tepi lapisan otak dengan permukaan otak menandakan hasil
deteksi tepi yang berbeda. Hal ini dikarenakan warna putih pada permukaan
tenggorak sangat tipis sehingga hanya menandakan batas tepi antara background
dengan permukaan tengkorak dan batas tepi antara permukaan otak dengan
lapisan otak. Batas tepi pada citra tumor otak ditandai dengan warna putih dan
bukan tepi ditandai dengan warna hitam seperti ditunjukkan pada gambar 4.4
sebagai berikut.
Gambar 4.4 Batas tepi tumor otak
Gambar 4.4 menunjukkan bahwa deteksi tepi menggunakan metode fuzzy
logic ini dapat membantu penentuan batas tepi citra digital tumor otak secara jelas
dan mampu meningkatkan penampakan garis batas citra digital tumor otak
Batas Tepi Lokasi
Tumor Otak
Tumor Otak
36
sehingga dapat dijadikan sebagai parameter dalam dunia medis mengenai
diagnosis tumor otak.
IV.3.1 Contoh Perhitungan Pendeteksian Tepi
1. Fuzzifikasi
a) Membuat fungsi black dan fungsi white untuk himpunan fuzzy input
seperti pada gambar 4.5 berikut, yaitu :
Gambar 4.5Himpunan fuzzy untuk variabel black dan white
b) Fungsi black b) Fungsi white [3]
b) Membuat fungsi edge dan fungsi non edge untuk himpunan fuzzy output
seperti pada gambar 4.6 berikut, yaitu :
a) b)
Gambar 4.6 Himpunan Fuzzy untuk Variabel Penentuan Batas Tepi
b) Non edge b) Edge [2]
2. Rules (Aturan)
Aturan dasar pada penelitian ini terdiri dari 30 rules, delapan fuzzy
inputs dan satu fuzzy output seperti pada tabel 4.4 berikut [3], yaitu :
0
2
0 100 200 300Ou
tpu
t
Input
Fungsi Black
0
2
0 100 200 300Ou
tpu
t
Input
Fungsi White
-1
0
1
2
0 100 200 300
Ou
tpu
t
Input
Fungsi Edge
-1
0
1
2
0 100 200 300
Ou
tpu
t
Input
Fungsi Non Edge
37
Tabel 4.4 Aturan Fuzzy [3]
NO Fuzzy Inputs
Fuzzy
Output
P1 P2 P3 P4 P6 P7 P8 P9 P5
1 W W W W W B B B Edge
2 B B B W W W W W Edge
3 B W W B W B W W Edge
4 W W B W B W W B Edge
5 B B W B W B W W Edge
6 W W B W B W B B Edge
7 B W W B W B B W Edge
8 W B B W B W W B Edge
9 B B B B W W W W Edge
10 W W W B W B B B Edge
11 B B B W B W W W Edge
12 W W W W B B B B Edge
13 W B B W B W W W Edge
14 W W W W B W B B Edge
15 B B W B W W W W Edge
16 W W W B W B B W Edge
17 B B W B W B B W Edge
18 W W W B B B B B Edge
19 B B W W W W W W Non edge
20 W B B W W W W W Non edge
21 W W B W B W W W Non edge
22 W W W W B W W B Non edge
23 W W W W W B B W Non edge
24 W W W W W W B B Non edge
25 B W W B W W W W Non edge
26 W W W B W B W W Non edge
27 B W B W W W W W Non edge
28 W W W B W B W W Non edge
29 B B B B B B B B Non edge
30 W W W W W W W W Non edge
38
3. Hasil tranformasi fuzzy inputs ke dalam fungsi black dan fungsi white
seperti pada tabel 4.5 berikut, yaitu :
Tabel 4.5 Aturan Fuzzy
NO Fuzzy Inputs
Fuzzy
Output
P1 P2 P3 P4 P6 P7 P8 P9 P5
1 W W W W W B B B Edge
2 B B B W W W W W Edge
3 B W W B W B W W Edge
4 W W B W B W W B Edge
5 B B W B W B W W Edge
6 W W B W B W B B Edge
7 B W W B W B B W Edge
8 W B B W B W W B Edge
9 B B B B W W W W Edge
10 W W W B W B B B Edge
11 B B B W B W W W Edge
12 W W W W B B B B Edge
13 W B B W B W W W Edge
14 W W W W B W B B Edge
15 B B W B W W W W Edge
16 W W W B W B B W Edge
17 B B W B W B B W Edge
18 W W W B B B B B Edge
19 B B W W W W W W Non edge
20 W B B W W W W W Non edge
21 W W B W B W W W Non edge
22 W W W W B W W B Non edge
23 W W W W W B B W Non edge
24 W W W W W W B B Non edge
25 B W W B W W W W Non edge
26 W W W B W B W W Non edge
27 B W B W W W W W Non edge
28 W W W B W B W W Non edge
29 B B B B B B B B Non edge
30 W W W W W W W W Non edge
39
4. Hasil implikasi yaitu mencari nilai minimun diantara fuzzy inputs tersebut
sehingga menghasilkan seperti pada tabel 4.6 berikut, yaitu :
Tabel 4.6 Aturan Fuzzy
NO Fuzzy Inputs Fuzzy Output
P1 P2 P3 P4 P6 P7 P8 P9 Implikasi
1 0,96 0,92 0,29 0,96 0,29 0,03 0,07 0.70 E = 0,03
2 0,03 0,07 0,70 0,96 0,29 0,96 0,92 0,29 E = 0,03
3 ... ... ... ... ... ... ... ... E = ...
4 ... ... ... ... ... ... ... ... E = ...
5 ... ... ... ... ... ... ... ... E = ...
6 0,96 0,92 0,70 0,96 0,70 0,96 0,07 0,70 E = 0,07
7 ... ... ... ... ... ... ... ... E = ...
8 ... ... ... ... ... ... ... ... E = ...
9 ... ... ... ... ... ... ... ... E = ...
10 ... ... ... ... ... ... ... ... E = ...
11 ... ... ... ... ... ... ... ... E = ...
12 ... ... ... ... ... ... ... ... E = ...
13 ... ... ... ... ... ... ... ... E = ...
14 ... ... ... ... ... ... ... ... E = ...
15 ... ... ... ... ... ... ... ... E = ...
16 ... ... ... ... ... ... ... ... E = ...
17 ... ... ... ... ... ... ... ... E = ...
18 ... ... ... ... ... ... ... ... E = ...
19 0,03 0,07 0,29 0,96 0,29 0,96 0,92 0,29 NE= 0,03
20 0,96 0,07 0,70 0,96 0,29 0,96 0,92 0,29 NE= 0,07
21 ... ... ... ... ... ... ... ... NE = ...
22 ... ... ... ... ... ... ... ... NE = ...
23 ... ... ... ... ... ... ... ... NE = ...
24 ... ... ... ... ... ... ... ... NE = ...
25 ... ... ... ... ... ... ... ... NE = ...
26 ... ... ... ... ... ... ... ... NE = ...
27 0,96 0,92 0,70 0,96 0,29 0,96 0,92 0,29 NE = 0,29
28 ... ... ... ... ... ... ... ... NE = ...
29 ... ... ... ... ... ... ... ... NE = ...
30 ... ... ... ... ... ... ... ... NE = ...
40
5. Hasil agregasi yaitu mencari nilai maksimum diantara 30 rulestersebut
sehingga menghasilkan seperti pada tabel 4.7 berikut, yaitu :
Tabel 4.7 Aturan Fuzzy
NO Fuzzy Inputs Fuzzy Output
P1 P2 P3 P4 P6 P7 P8 P9 Implikasi
1 0,96 0,92 0,29 0,96 0,29 0,03 0,07 0.70 E = 0,03
2 0,03 0,07 0,70 0,96 0,29 0,96 0,92 0,29 E = 0,03
3 ... ... ... ... ... ... ... ... E = ...
4 ... ... ... ... ... ... ... ... E = ...
5 ... ... ... ... ... ... ... ... E = ...
6 0,96 0,92 0,70 0,96 0,70 0,96 0,07 0,70 E = 0,07
7 ... ... ... ... ... ... ... ... E = ...
8 ... ... ... ... ... ... ... ... E = ...
9 ... ... ... ... ... ... ... ... E = ...
10 ... ... ... ... ... ... ... ... E = ...
11 ... ... ... ... ... ... ... ... E = ...
12 ... ... ... ... ... ... ... ... E = ...
13 ... ... ... ... ... ... ... ... E = ...
14 ... ... ... ... ... ... ... ... E = ...
15 ... ... ... ... ... ... ... ... E = ...
16 ... ... ... ... ... ... ... ... E = ...
17 ... ... ... ... ... ... ... ... E = ...
18 ... ... ... ... ... ... ... ... E = ...
19 0,03 0,07 0,29 0,96 0,29 0,96 0,92 0,29 NE= 0,03
20 0,96 0,07 0,70 0,96 0,29 0,96 0,92 0,29 NE= 0,07
21 ... ... ... ... ... ... ... ... NE = ...
22 ... ... ... ... ... ... ... ... NE = ...
23 ... ... ... ... ... ... ... ... NE = ...
24 ... ... ... ... ... ... ... ... NE = ...
25 ... ... ... ... ... ... ... ... NE = ...
26 ... ... ... ... ... ... ... ... NE = ...
27 0,96 0,92 0,70 0,96 0,29 0,96 0,92 0,29 NE = 0,29
28 ... ... ... ... ... ... ... ... NE = ...
29 ... ... ... ... ... ... ... ... NE = ...
30 ... ... ... ... ... ... ... ... NE = ...
41
6. Hasil agregasi yaitu mencari nilai maksimum diantara 30 rules seperti
pada gambar 4.7 berikut, yaitu :
a) . b)
Gambar 4.7 Himpunan Agregasi untuk Variabel Penentuan Batas Tepi
a) Non Edge b) Edge [2]
b)
7. Defuzzifikasi
Defuzzifikasi pada penelitian ini menggunakan metode Center of
Area atau metode CoA dengan solusi crisp diperoleh dengan cara
mengambil titik pusat daerah fuzzyagregasi dengan cara menghitung pusat
gravitasi (titik berat) dari dari daerah agregasi (gambar 4.7) yang
dirumuskan seperti pada persamaan 4.1.
𝑧 ∗= ∫ z μ(z) dz𝑧
∫ μ(z) dz𝑧
(4.1)
Dimana,
μ(z)=Hasil fuzzifikasi non edge atau edge (koordinat-y).
z = Fuzzy inputs dari keseluruhan titik piksel pada citra
(koordinat-x)
Z* = Hasil defuzzifikasi non edge / edge citra digital tumor otak
42
8. Hasil defuzzifikasi dari non edge dan edge akan dibandingkan. Jika hasil
defuzzifikasi non edge lebih besar daripada edge maka akan menandakan
non edge atau bukan tepi. Jika hasil defuzzifikasi non edge lebih kecil
daripada edge maka akan menandakan edge atau tepi.
43
BAB V
PENUTUP
IV.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat disimpulkan bahwa:
1. Simetri putar dari nilai piksel tidak memengaruhi penentuan edge dan non
edge untuk masing-masing fungsi black dan fungsi white yang divariasikan
2. Batas untuk penentuan edge dan non edge dari nilai piksel yang divariasikan
memiliki rentang batas yang berbeda dari kedua fungsi black dan fungsi white
tersebut.
3. Deteksi tepi menggunakan metode fuzzy logic adalah metode deteksi tepi yang
menghasilkan titik-titik putih yang menandakan bahwa titik tersebut terdeteksi
sebagai tepi. Begitupun sebaliknya sehingga dapat dijadikan informasi
pendukung dan parameter dalam dunia medis terutama mengenai diagnosis
tumor otak yang mampu menghasilkan garis batas tepi citra sehingga batas
tepi citra digital tumor otak dapat dilihat dengan jelas.
IV.2 Saran
Berdasarkan hasil penelitian yang telah dilakukan, saran untuk penelitian
selanjutnya, yaitu :
4. Uji karakteristik output program dapat dilakukan dengan mengubah fungsi
black dan white atau dengan mengubah fungsi edge dan non edge pada nilai
piksel yang divariasikan.
5. Deteksi tepi citra menggunakan metode fuzzy logic membutuhkan RAM yang
lebih tinggi dari RAM yang biasanya untuk mempercepat waktu eksekusi dari
metode tersebut.
44
DAFTAR PUSTAKA
[1] Kementerian Kesehatan Republik Indonesia. Panduan Penatalaksanaan
Tumor Otak. Komite Penanggulangan Kanker Nasional, Jakarta, Indonesia,
2018.
[2] S. Bharti dan S. Kumar. “An Edge Detection Algorithm based on Fuzzy
Logic”. International Journal of Engineering Trends and Techonology,
Vol.4, 2013.
[3] B. S. Nikitha dan A. N. Myan. “Fuzzy Logic based Edge Detection in
Color Image”. International Advanced Research Journal in Science,
Engineering dan Technology, Vol.2, 2015.
[4] M. H. Krishnan dan R. Viswanathan. “A New Concept of Reduction of
Gaussian Noise in Image based on Fuzzy Logic”. Applied Mathematical
Sciences, Vol.7, No.12:595-602, 2013.
[5] S. J. P. Yulianto, Y. Nataliani dan A. Kurniawan.”Penerapan Logika Fuzzy
pada Sistem Deteksi Tepi Aplikasi ComputerAssistant Diagnosis Kanker
Payudara”. Jurnal Teknologi Informasi, Vol.6, No.1;Hal.1-100, 2009.
[6] Sigit dan Agung. Pengertian – Pengertian Dasar Image Processing.
Diktat. Grafika Komputer dan Pengolahan Citra (Image Processing),
Universitas Gunadarma, Depok. 2013.
[7] D. Purba. Pengolahan Citra Digital. Penerbit ANDI, Yogyakarta, 2010.
[8] R. D. Kusumanto dan A. N. Tompunu, “Pengolahan Citra Digital untuk
mendeteksi Obyek menggunakan Pengolahan Warna Model Normalisasi
RGB”. Seminar Nasional Teknologi Informasi dan Komunikasi Terapan,
Palembang, 2011.
[9] D. K. H. Putra, Kushartantya dan A. Sugiharto. “ Pendeteksian Tepi Citra
Digital dengan Logika Fuzzy”. Jurnal Masyakat Informatika, Vol.4,
No.7:11-21, 2017.
[10] N. Gopinath. “Extraction of Cancer Cells from MRI Prostate Image using
Matlab”. International Journal of Engineering Science and Innovative
Technology (IJESIT), Vol.1, No.1, 2012.
45
[11] Understanding Brain Tumor. National Brain Tumor Society,
http://braintumor.org/, 1 April 2018.
[12] E. Prasetyo. Pengolahan Citra Digital dan Aplikasinya menggunakan
Matlab. Penerbit ANDI, Yogyakarta, 2011.
[13] H. Sangian. Makalah Pengolahan Citra. Makalah, Jurusan Informatika
Teknik Informatika Universitas Negeri Manado, Manado, 2012.
[14] M. S. Ardisasmita. “Metode Segmentasi Citra Resonansi Magnetik Otak
menggunakan Sistem Pengkodean Neurofuzzy”. Pusat Pengembangan
Teknologi Informatika dan Komputasi BATAN, Hal.1-11, 2017.
[15] Anonim. Handout Mata Kuliah Artificial Intelegence Logika Fuzzy.
Diktat, Teknik Elektro Fakultas Teknik Universitas Widyagama, Malang,
2017.
[16] H. S. Husni, F. Arifin dan Yuliyanti. “Logika Fuzzy untuk Audit Sistem
Informasi”. ComTech, Vol.4, No.1:68-75, 2013.
[17] H. Nasution. “Implementasi Logika Fuzzy pada Sistem Kecerdasan
Buatan”. Jurnal ELKHA, Vol.4, No.2:4-8, 2012.
[18] T. Sutojo. Logika Fuzzy menggunakan Matlab. Diktat, Institut Bisnis dan
Informatika STIKOM, Surabaya, 2017.
[19] Sutikno dan I. Waspada. “Perbandingan Metode Defuzzifikasi Sistem
Kendali Logika Fuzzy Model Mamdani pada Motor DC”. Jurnal
Masyarakat Informatika, Vol.2, No.3:27-37, 2016.
[20] Ernawati, K. Anggriani dan F. F. Coantera. “Deteksi Tepi Citra Batik
Besurek Motif Gabungan menggunakan Fuzzy Inferences System (FIS)”.
Seminar Nasional Teknologi Informasi, Hal.87-94, Bengkulu, 2017.
[21] R. Munir. Sistem Inferensi Fuzzy. Diktat. Teknik Informatika STEI ITB.
Bandung, 2017.
[22] H. Thendean dan M. Sugiarto. “Penerapan Fuzzy If-Then Rules untuk
Peningkatan Kontras pada Citra Hasil Mammografi”. Jurnal Informatika,
Vol.9, No.1:1-7, 2008.
[23] M. Ula. “Implementasi Logika Fuzzy dalam Optimasi Jumlah Pengadaan
Barang menggunakan Metode Tsukamoto (Studi Kasus : Toko Kain My
46
Text)”. Jurnal ECOTIPE, Vol.1, No.2:36-46, 2014.
[24] U. Vanitha, P. P. Deepak, N. Pon Nageswaran dan R. Sathappan. “Tumor
Detection in Brain Using Morphological Image Processing”. Journal of
Applied Science and Engineering Methodologies, Vol.1, No.1:131-136,
2015.
[25] Dr. I. Japardi. “Gambaran CT Scan pada Tumor Otak Benigna”. USU
Digital Library, Hal. 1-8, Fakultas Kedokteran Bagian Bedah, Universitas
Sumatera Utara, 2002.