Professional Documents
Culture Documents
Deteksi Diameter Tumor Pada Kulit Menggunakan Segmentasi Citra Berdasarkan Karakteristik Abcde
Deteksi Diameter Tumor Pada Kulit Menggunakan Segmentasi Citra Berdasarkan Karakteristik Abcde
314~323
ISSN: 2355-6579
E-ISSN: 2528-2247 314
ABSTRACT
Skin cancer is malfunctional skin cell which have an uncontrolled growth factor and in the
final phase of skin cancer, can make the person who suffer die. Detect the disease as early as
possible is one way to avoid the worst possible defects and, because of its location on the surface
of the skin, it would be easy for anyone to identify the skin cancer (melanoma). Early detection
can be performed based on the characteristics Asymmetrical Shape, Border, Color, Diameter,
Evolution (ABCDE). In this research, The early detection is focused on identifying diameter at 30
nevus images. Research method that used is processing the nevus images by converting the
images into HSI images and then converted into a binary image, next step is do a segmentation
using median filter, morphological construction process and at the final stage, do a edge detection
with sobel operator. Edge detection process will simplify the nevus diameter area calculation.
Result of the research with the 30 nevus images is the image processing method which suggested
in this research can detect the nevus diameter and sucess to identify 26 images as normal nevus
with diameter <6mm and 4 nevus images as melanoma with diameter >6mm.
Keyword: Nevus, Melanoma, Segmentation, Diameter Detection
Diterima Agustus 5, 2016; Revisi Agustus 18, 2016; Disetujui Agustus 30, 2016
315
mengidentifikasi nevus normal atau memiliki ukuran yang besar. Tetapi, apabila
melanoma. Beberapa penelitian sebelumnya dilakukan operasi pengangkatan tumor, tumor
telah melibatkan serangkaian proses ini tidak akan tumbuh kembali; (2) Tumor
pengolahan citra untuk menganalisis citra ganas termasuk ke dalam kanker, tumor ini
nevus. Tetapi sebagian besar melakukan dapat meyebar ke dalam jaringan tubuh.
pengolahan citra nevus pada citra kanal warna Seiring dengan perkembangan tumor ganas,
RGB dengan menggunakan matlab beberapa sel kanker dapat menyebar ke
(Grammatikopoulos et al., 2006). Chastine, dkk seluruh anggota badan melalui darah atau
(2010) juga melakukan penelitian dengan citra organ-organ tubuh, sehingga membentuk
berwarna dengan fuzzy region growing. tumor baru yang letaknya jauh dari tumor asal.
Amaliah, dkk (2012) menggunakan citra Perbedaan tumor jinak dan ganas dapat dilihat
berwarna yang dianalisa menggunakan pada Gambar 1.
analisa morfologi. Pada penelitian ini terdapat
perbedaan, yaitu preprosessing citra akan b. ABCDE’s Melanoma
dilakukan pada kanal citra HSI dengan Menurut Rigel et al., (2005) ada beberapa
serangkaian proses segmentasi dan deteksi karakteristik yang biasa digunakan oleh
tepi Sobel. Tujuan penelitian ini untuk dermatologist untuk mengkategorikan
mendapatkan diameter nevus untuk citra HSI. melanoma, yaitu yang dikenal sebagai
Selain itu juga ingin mengetahui metode ABCDE’s Melanoma. Metode ABCDE’s
deteksi Sobel dalam mendeteksi tepi nevus Melanoma, terdiri dari:
pada tumor apakah cukup memadai digunakan 1. A - Asymmetrical Shape
dalam perhitungan diameter nevus. Paper ini Bentuk dari melanoma tidak simetris
terbagi dalam beberapa bagian. Selain sementara nevus atau tahi lalat
membahas landasan teori, bagian 2 mempunyai bentuk yang simetris
membahas tentang metode penelitian yang 2. B - Border
digunakan dalam penelitian. Bagian 3 Secara umum tahi lalat mempunyai
menjelaskan tentang hasil dan pembahasan permukaan yang lembut dan garis tepi
tentang kalkulasi diameter nevus setelah yang jelas. Melanoma biasanya
melalui serangkaian proses segmentasi pada mempunyai garis tepi yang tidak jelas dan
citra HSI. Selanjutnya ditutup dengan sulit untuk di definisikan.
kesimpulan dan rencana penelitian lanjutan. 3. C - Color
Dari segi warna, melanoma mempunyai
a. Perbedaan Tumor Kulit Jinak dan karateristik permukaan kulit memiliki
Melanoma beberapa warna (coklat, hitam, biru dan
Geetha & Selvi (2015) membagi tumor lainnya) dan distribusi warna tidak merata.
menjadi 2 jenis, yaitu tumor jinak dan ganas: Sedangkan tahi lalat memiliki 1 warna
saja.
4. D - Diameter
Melanoma biasanya memiliki diameter
yang lebih besar dari 6 milimeter.
5. E - Evolution
Faktor yang penting dalam diagnosa
melanoma adalah perkembangan dari
tahi lalat itu sendiri. Jika tahi lalat semakin
berkembang, baik dari sisi warna
(memiliki beberapa warna) dan ukuran
membesar, sebaiknya dikonsultasikan
dengan dokter ahli kulit.
Para ahli harus terus memperbarui informasi
terkait epidemiologi, faktor resiko dan alat
medis yang dapat dipakai untuk membuat
diagnosa awal dan peningkatan mutu
Gambar 1 pengambilan keputusan terkait kanker kulit
Perbedaan Tumor Kulit Jinak dan Melanoma melanoma (Arrangoiz, 2016). Pendeteksian
awal sangat penting, maka penelitian deteksi
(1) Tumor jinak tidak termasuk ke dalam diameter citra tumor jinak pada kulit
kanker. Tumor jenis ini tidak menyebar ke menggunakan segmentasi citra berdasarkan
dalam jaringan tubuh. Tumor jinak bisa karakteristik ABCDE menjadi suatu tindakan
c. Model Warna
Model warna (color model) adalah
spesifikasi koordinat sistem dan bagian dalam
sistem yang dimana setiap warna
direpresentasikan dengan suatu titik poin
(Gonzalez, 2008).
Beberapa model warna yang dikenal
yaitu RGB (Red Green Blue) yang banyak
dipakai sebagai model di monitor dan kamera
video; CMY (Cyan, Magenta, Yellow) dan
CMYK (Cyan, Magenta, Yellow, Black) banyak
dipakai sebagai model dalam percetakan
warna; pada Gambar 2, menunjukkan model
warna HSI dimana model HSI (Hue,
Saturation, Intensity) mempunyai kelebihan
memisahkan warna hitam putih dengan warna
lain dengan kata lain efektif dalam
mengeliminir pengaruh cahaya dan bayangan
(Ho, Lee & Hai, 2003).
Gambar 2
d. Citra Biner Model Warna HSI
Citra biner adalah hasil output dari
objek area yang ingin diteliti dengan nilai pixel Langkah berikutnya adalah melakukan
0 atau 1 (Gonzalez, 2008). Semua operasi pengecekan setiap pixel untuk mengetahui
proses citra berfokus pada memperjelas objek apakah pixel tersebut termasuk area objek
yang diteliti. Tahap pertama yang dilakukan penelitian diberi nilai atau tidak termasuk ke
ialah menemukan karakteristik sebuah area dalam area penelitian diberi nilai 0.
sehingga dapat dengan mudah membedakan Proses pemisahan pixel, berjalan di dalam
mana area objek utama yang ingin diteliti dan konteks antara pengolahan citra tingkat rendah
yang bukan. (low-level image processing) dan analisis citra.
Setelah melalui proses pemisahan pixel, dapat
diketahui area mana yang termasuk objek
penelitian dan mana yang bukan. Setelah
proses tersebut juga dapat dilakukan analisa
bentuk atau yang lebih dikenal dengan nama
morfologi (Bernd, 2015).
e. Segmentasi
Segmentasi adalah metode
pengolahan citra yang memiliki input berupa
citra dan output berupa atribut hasil dari
ekstraksi citra. (Gonzalez, 2008) Segmentasi
memiliki beberapa metode dasar, diantaranya
: metode berbasis pixel, metode yang hanya
menggunakan nilai abu abu dari sebuah pixel.
Metode berbasis area, metode yang
menganalisa nilai abu-abu di area yang luas.
Metode berbasis garis tepi, mendeteksi garis
tepi dan mencari gradiasi yang sama lalu
mencoba untuk mengikutinya sampai
tersegmentasi.
Kelemahan dari pendekatan metode-
metode tersebut adalah metode-metode
tersebut hanya berbasiskan dari informasi
yang tersedia di citra. Teknik berbasis pixel
tidak mempertimbangkan pixel yang ada di terapkan median filter ke total 2 sinyal yang
sebelahnya. Teknik bebasis garis tepi hanya ada.
mencari diskontinuitas sementara teknik
bebasis area menganalisa area yang bersifat M([· · · 0 1 0 0 · · · ] + [· · · 0 0 1 0 · · · ]) = [· ·
homogen atau sama. (Bernd, 2005). ·0110···].
Grayscale Rekonstruksi
Threshold Morfologi
Gambar 5
Citra asli nevus IMD002
Tampilkan
a. Citra RGB ke HSI
Citra Citra tersebut dilakukan konversi dari
RGB menjadi color model HSI untuk
mengeliminir efek cahaya dan bayangan.
Gambar 4
Hasil konversi citra dapat dilihat pada Gambar
Alur Pemrosesan Citra
6.
Dalam proses penelitan citra, dataset
yang digunakan berasal dari Dermatology
Service of Hospital Pedro Hispano,
Matosinhos, Portugal (Mendonça, 2013),
Dataset tersebut merupakan dataset yang
bersifat open access source dataset, yang
berarti dapat diakses secara bebas. Jumlah
citra yang dipilh untuk dilakukan uji coba
deteksi diameter tumor jinak pada kulit
menggunakan segmentasi citra berdasarkan
karakteristik ABCDE adalah sebanyak 30 citra.
Spesifikasi citra–citra tersebut diperbesar
sebanyak 20 kali dengan ukuran 8-bit citra
RGB dengan resolusi 768x560 pixels
Gambar 6
menggunakan alat dermoscopic.
Citra nevus IMD002 setelah dikonversi ke HSI
b. Citra Biner
Untuk dapat dilakukan proses
segmentasi, terlebih dahulu citra IMD002 perlu
dilakukan pemrosesan menjadi citra biner agar
proses segmentasi dapat berjalan lebih
optimal. Hasil dari dari konversi citra menjadi
citra biner dapat dilihat pada Gambar 7.
Gambar 9
Citra nevus IMD002 yang dilakukan grayscale
thresholding
e. Rekonstruksi Morfologi
Citra yang yang telah dilakukan filter
median dilakukan rekonstruksi morfologi. Citra
pada Gambar 10 adalah citra yang telah
Gambar 7 dilakukan rekonstruksi morfologi, pada gambar
Citra nevus IMD002 dikonversi ke binary tersebut sudah mulai dapat terlihat mana area
image kulit nevus dan yang bukan.
c. Filter Median
Filter median dilakukan untuk
mengurangi adanya noise pada citra. Setelah
dilakukan proses ini dapat dilihat bahwa hasil
citra menjadi lebih halus. Hasil setelah
dilakukan median filter dapat dilihat pada
Gambar 8.
Gambar 10
Citra nevus IMD002 yang dilakukan
konstruksi morfologi
Gambar 11 Tabel 1
Citra nevus IMD002 yang dilakukan deteksi Hasil Eksperimen Citra Tumor Jinak (Nevus)
tepi sobel Im Diame Diamet Status
N Typ
ag ter er <
g. Kalkulasi Diameter o e
e (px) (mm) 6mm
Hasil Gambar 9, hasil citra grayscale IM Aty
thresholding, dilakukan kalkulasi luas diameter 434.68 Norma
1 D0 pica 5.75
dan kemudian digabungkan dengan Gambar 09 l
02 l
11, citra yang telah dilakukan deteksi tepi IM Aty
sobel. Hal ini dilakukan untuk menambah 333.73 Norma
2 D0 pica 4.42
presisi deteksi diameter pada citra nevus. Hasil 90 l
04 l
angka dari diameter citra IMD002 masih IM Co
berupa pixel. Oleh karena itu, angka diameter 285.46 Norma
3 D0 mm 3.78
citra IMD002 dikonversikan kembali ke dalam 65 l
09 on
satuan yang dipakai dalam karakteristik
IM Co
ABCDE yaitu milimeter. Setelah dilakukan 274.73 Norma
4 D0 mm 3.63
konversi diameter, diketahui bahwa luas 19 l
10 on
diameter dari citra tersebut sebesar 5.75
IM Aty
milimeter dan termasuk kedalam kategori 350.65 Norma
5 D0 pica 4.64
normal ( < 6 milimeter ). Hasil output akhir 55 l
13 l
dapat dilihat di Gambar 12.
IM Aty
290.83 Norma
6 D0 pica 3.85
52 l
15 l
IM Co
329.77 Norma
7 D0 mm 4.36
45 l
16 on
IM Co
518.50 Melan
8 D0 mm 6.86
34 oma
17 on
IM Co
397.43 Norma
9 D0 mm 5.26
46 l
22 on
IM Co
1 244.23 Norma
D0 mm 3.23
0 87 l
24 on
IM Co
1 324.24 Norma
D0 mm 4.29
1 36 l
25 on
Gambar 12 IM Aty
Citra nevus IMD002 akhir setelah 1 397.51 Norma
D0 pica 5.26
penggabungan deteksi tepi sobel dan 2 79 l
27 l
grayscale threshold dalam mencari IM Aty
pehitungan diameter 1 551.06 Melan
D0 pica 7.29
3 85 oma
30 l
IM Aty
1 545.69 Melan
D0 pica 7.22
4 00 oma
32 l
IM Aty
1 386.00 Norma
D0 pica 5.11
5 46 l
33 l
IM Co
1 342.02 Norma
D0 mm 4.52
6 36 l
35 on
IM Co
1 247.91 Norma
D0 mm 3.28
7 24 l
38 on
IM Co
1 299.07 Norma Gambar 13
D0 mm 3.96
8 16 l Histogram Hasil Eksperimen Citra Tumor
39 on
IM Co Jinak (Nevus)
1 289.55 Norma
D0 mm 3.83
9 41 l Hasil deteksi pengukuran luas citra
41 on
IM Co tumor jinak dalam pixel maupun milimeter
2 395.19 Norma dirangkum ke dalam bentuk tabel untuk
D0 mm 5.23
0 22 l memudahkan analisa. Penjelasan lebih
42 on
IM Co lengkap terkait 30 citra yang diujicoba dapat
2 493.75 Melan dilihat pada tabel 1, dan untuk memudahkan
D0 mm 6.53
1 71 oma pembacaan informasi terkait luas diameter,
44 on
IM Co maka ringkasan 30 citra yang diproses dapat
2 220.01 Norma dilihat melalui histogram di Gambar 13.
D0 mm 2.91
2 37 l Hasil penelitian deteksi dini kanker
45 on
IM Co kulit terhadap 30 citra nevus, diperoleh hasil
2 333.70 Norma bahwa metode pengolahan citra yang
D0 mm 4.41
3 28 l diusulkan dapat mendeteksi diameter nevus
50 on
IM Co dan berhasil mengidentifikasi citra tersebut
2 134.25 Norma sebagai 26 citra memiliki luas diameter nevus
D0 mm 1.78
4 34 l yang diidentifikasi sebagai tumor jinak dan 4
92 on
citra nevus yang memiliki diameter > 6 mm dan
IM Co
2 226.52 Norma dinyatakan sebagai tumor melanoma.
D1 mm 3.00
5 90 l 4. Kesimpulan
03 on
Kesimpulan dari penelitian ini bahwa
IM Co
2 240.84 Norma dengan operasi kanal warna HSI dengan
D1 mm 3.19
6 22 l dilakukan konversi menjadi citra biner,
05 on
dilakukan segmentasi citra berupa filter
IM Co
2 266.71 Norma median, konstruksi morfologi dan pada tahap
D1 mm 3.53
7 31 l akhir deteksi tepi dengan operator sobel serta
07 on
dilakukan penggabungan citra untuk
IM Co
2 442.17 Norma menambah presisi perhitungan luas diameter.
D1 mm 5.85 Hasil menunjukkan citra nevus dapat
8 20 l
12 on
diidentifikasi sebagi nevus normal dan
IM Co melanoma berdasarkan kalkulasi diameter.
2 307.42 Norma
D1 mm 4.07 Penelitian ini merupakan studi awal
9 48 l
18 on untuk melakukan analisa karakteristik ABCD
IM Co pada sel nevus. Setelah dilakukan deteksi
3 297.75 Norma
D1 mm 3.94 diameter tumor jinak, alur proses kerja dapat
0 32 l
25 on dikembangkan lebih lanjut agar akurasi area
tumor jinak menjadi lebih baik. Teknik
pengolahan citra juga dapat dikembangkan
serta digabungkan dengan metode
karakteristik yang lain yang belum dilakukan
yaitu karakteristik ABCE (Rigel et al., 2005)
dengan menggunakan citra HSI. Tujuan
Cancer Facts and Figures (2016). American Mendonça, T., Ferreira, P.M., Marques, J.S.,
Cancer Society. Marcal, A.R., Rozeira, J. (2013). PH² - A
http://www.cancer.org/acs/groups/content dermoscopic image database for research
/@research/documents/document/acspc- and benchmarking. 35th International
047079.pdf. diakses 22 Desember 2016. Conference of the IEEE Engineering in
Medicine and Biology Society, July 3-7.
Castro, E.A. & Donoho, D.L. (2009). Does
Median Filtering Truly Preserve Edges. Rigel, D.S, Friedman, R.J., Kopf, A.W., Polsky,
D. (2005). ABCDE-An Evolving Concept
Better Than Linear Filtering?. The Annals of in the Early Detection of Melanoma.
Statistics Vol 37, no 3, pp. 1172-1206. American Medical Association.
Fatichah, C., Amaliah, B., Widyanto, MR. Sood. H. & Shukla, M. (2014). Various
(2010). Skin Lesion Detection using Fuzzy Techniques for Detecting Skin Lesion: A
Region Growing and ABCD Feature Review. International Journal of Computer
Extraction for Melanoma Skin Cancer Science and Mobile Computing, Vol.3
Diagnosis. Journal of Computing and Issue.5, pp. 905-912.
Informatics Technology.
Tsai, S.H., Hsieh, Y.H. & Chen, C.S. (2013). A
Geetha, P. & Selvi, V. (2015). An Impression of Novel Clustering Approach for the
Cancers and Survey of Techniques in Segmentation of Pathological Cells
Image Processing for Detecting Various Image. International Conference on
Cancers: A Review. International Advanced Robotics and Intelligent
Research Journal of Engineering and Systems.
Technology (IRJET) vol. 02 pp 236-242.