Smart Innovation, Systems and Technologies 182

Yu-Dong ZhangTomonoby SenjyuChakchai SO–INAmit Joshi   Editors

Smart Trends in Computing and Communications: Proceedings of SmartCom 2020

Smart Innovation, Systems and Technologies

Volume 182

Series Editors

Robert J. Howlett, Bournemouth University and KES International,Shoreham-by-sea, UK

Lakhmi C. Jain, Faculty of Engineering and Information Technology,Centre for Artificial Intelligence, University of Technology Sydney,Sydney, NSW, Australia

The Smart Innovation, Systems and Technologies book series encompasses thetopics of knowledge, intelligence, innovation and sustainability. The aim of theseries is to make available a platform for the publication of books on all aspects ofsingle and multi-disciplinary research on these themes in order to make the latestresults available in a readily-accessible form. Volumes on interdisciplinary researchcombining two or more of these areas is particularly sought.

The series covers systems and paradigms that employ knowledge and intelligencein a broad sense. Its scope is systems having embedded knowledge and intelligence,which may be applied to the solution of world problems in industry, the environmentand the community. It also focusses on the knowledge-transfer methodologies andinnovation strategies employed to make this happen effectively. The combination ofintelligent systems tools and a broad range of applications introduces a need for asynergy of disciplines from science, technology, business and the humanities. Theseries will include conference proceedings, edited collections, monographs, hand-books, reference books, and other relevant types of book in areas of science andtechnology where smart systems and technologies can offer innovative solutions.

High quality content is an essential feature for all book proposals accepted for theseries. It is expected that editors of all accepted volumes will ensure thatcontributions are subjected to an appropriate level of reviewing process and adhereto KES quality principles.

** Indexing: The books of this series are submitted to ISI Proceedings,EI-Compendex, SCOPUS, Google Scholar and Springerlink **

More information about this series at http://www.springer.com/series/8767

Yu-Dong Zhang • Tomonoby Senjyu •

Chakchai SO–IN • Amit JoshiEditors

Smart Trends in Computingand Communications:Proceedings of SmartCom2020

123

EditorsYu-Dong ZhangSchool of InformaticsUniversity of LeicesterLeicester, England, UK

Tomonoby SenjyuUniversity of the RyukyusNishihara, Japan

Chakchai SO–INKhon Kaen UniversityKhon Kaen, Thailand

Amit JoshiGlobal Knowledge Research FoundationGujarat, India

ISSN 2190-3018 ISSN 2190-3026 (electronic)Smart Innovation, Systems and TechnologiesISBN 978-981-15-5223-6 ISBN 978-981-15-5224-3 (eBook)https://doi.org/10.1007/978-981-15-5224-3

© The Editor(s) (if applicable) and The Author(s), under exclusive license to Springer NatureSingapore Pte Ltd. 2021This work is subject to copyright. All rights are solely and exclusively licensed by the Publisher, whetherthe whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse ofillustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, andtransmission or information storage and retrieval, electronic adaptation, computer software, or by similaror dissimilar methodology now known or hereafter developed.The use of general descriptive names, registered names, trademarks, service marks, etc. in thispublication does not imply, even in the absence of a specific statement, that such names are exempt fromthe relevant protective laws and regulations and therefore free for general use.The publisher, the authors and the editors are safe to assume that the advice and information in thisbook are believed to be true and accurate at the date of publication. Neither the publisher nor theauthors or the editors give a warranty, expressed or implied, with respect to the material containedherein or for any errors or omissions that may have been made. The publisher remains neutral with regardto jurisdictional claims in published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Singapore Pte Ltd.The registered company address is: 152 Beach Road, #21-01/04 Gateway East, Singapore 189721,Singapore

Preface

This SIST volume contains the papers presented at the SmartCom 2020: FourthInternational Conference on Smart Trends for Computing and Communications.The conference was held during January 24–25, 2020, at Hotel Novotel, SiamSquare, Bangkok, and organized by Global Knowledge Research Foundation withsupport from Knowledge Chamber of Commerce and Industry and InterYIT IFIP—International Federation for Information Processing.

The books presents the state-of-the-art as well as emerging topics pertaining toinformation, computer communications and effective strategies for its implemen-tation for engineering and managerial applications.

The conference attracts a large number of high-quality submissions and stimu-lates the cutting-edge research discussions among many academic pioneeringresearchers, scientists, industrial engineers, students from all around the world andprovides a forum to researchers on proposing new technologies, sharing theirexperiences and discussing future solutions for design infrastructure for ICT, pro-viding common platform for academic pioneering researchers, scientists, engineersand students to share their views and achievements, enriching technocrats andacademicians by presenting their innovative and constructive ideas and focusing oninnovative issues at international level by bringing together the experts from dif-ferent countries.

Research submissions in various advanced technology areas were received, andafter a rigorous peer review process with the help of program committee membersand 56 external reviewers for 262 papers from 20 different countries includingAustralia, China, Malaysia, Indonesia, Thailand, Bangladesh, Japan, South Koreaand Sri Lanka, etc., out of which 50 were accepted with an acceptance ratio of 0.19.

This event’s success was possible only with the help and support of our team andorganizations. With immense pleasure and honor, we would like to express oursincere thanks to the authors for their remarkable contributions, all the TechnicalProgram Committee members for their time and expertise in reviewing the paperswithin a very tight schedule and the publisher Springer for their professionalhelp. This is the fourth conference of the series SmartCom in which proceedings ispublished as a CCIS volume by Springer. We are overwhelmed by our two

v

distinguished scholars and appreciate them for accepting our invitation to deliverkeynote speeches to the conference and six technical session chairs for analyzingthe research work presented by the researchers. Most importantly, we are alsograteful to our local support team for their hard work for the conference. This serieshas already been made a continuous series which will be hosted at different loca-tions every year.

This event’s success was possible only with the help and support of our team andorganizations. With immense pleasure and honor, we would like to express oursincere thanks to the authors for their remarkable contributions, all the TechnicalProgram Committee members for their time and expertise in reviewing the paperswithin a very tight schedule and the publisher Springer for their professionalhelp. This is the fourth conference of the series SmartCom in which proceedings ispublished as a SIST volume by Springer. We are overwhelmed by our three dis-tinguished scholars and appreciate them for accepting our invitation to deliverkeynote speeches including Prof. Mike Hinchey, President IFIP; Prof. Milan Tuba,Singidunum University, Serbia; and Dr. ChakChai So-In, Khon Kaen University,Thailand, in the conference and further six technical session chairs for analyzing theresearch work presented by the researchers. Most importantly, we are also gratefulto our local support team for their hard work for the conference. This series hasalready been made a continuous series which will be hosted at different locationsevery year.

Bangkok, Thailand Yu-Dong ZhangTomonoby SenjyuChakchai SO–IN

Amit Joshi

vi Preface

Contents

1 Accurate Detection of Facial Landmark Points Using LocalIntensity Information for Emotion Detection . . . . . . . . . . . . . . . . . 1Payal Bhattacherjee and M. M. Ramya

2 Statistical Approach to Detect Alzheimer’s Disease and AutismSpectrum-Related Neurological Disorder Using MachineLearning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17Akhilesh Kumar Sharma and Devesh K. Shrivastav

3 The Development and Gap of Chinese and American OpenAccess Journals: From the Perspective of Network Influence . . . . . 25Danyang Li, Xinlai Li, and Biying Gao

4 The Use of Mobile Apps to Facilitate Customers’ Choice-MakingWhen Grocery Shopping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39Asle Fagerstrøm, Niklas Eriksson, and Valdimar Sigurdsson

5 Implementation of Best Hybrid Adaptive and Intelligent MIMODetector on Reconfigurable Architecture for 5G LTE/IoTEnvironment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49Tipparti Anil Kumar and Lokam Anjaneyulu

6 Automated Detection of Retinal Hemorrhage Basedon Supervised Classifiers and Implementation in Hardware . . . . . . 57K. A. Sreeja, S. S. Kumar, and Arun Pradeep

7 Data Encryption as Security Measure in IoT-EnabledHealthcare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69M. Shankar Lingam, G. S. Raghavendra, Arun Kumar, V. Anand,and A. M. Sudhakara

8 Agents-Based Service Restoration in Electrical SecondaryDistribution Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83Rukia J. Mwifunyi, Nerey H. Mvungi, and Mussa M. Kissaka

vii

9 Packet-Level and Physical-Level Cross-TechnologyCommunications: A Brief Introduction . . . . . . . . . . . . . . . . . . . . . . 95Liwen Qiu, Qinglin Zhao, Lianbo Zhang, Shumin Yao, Jing Zhao,and Li Feng

10 Smart Traffic Navigation System (STNS) to Reduce Travel Timeby Integrating Signals from Navigation and Traffic Systems . . . . . 101S. Sripranav, Akshay Ravi, K. Gautham, and R. Leela Velusamy

11 Selective Sensor Control via Cauchy Schwarz Divergence . . . . . . . 113Nida Ishtiaq, Sabita Panicker, Amirali K. Gostar,Alireza Bab-Hadiashar, and Reza Hoseinnezhad

12 Step-Factor Resampling Technique for Imbalanced SequenceData Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125Iroshan Aberathne, Chamila Walgampaya, and Udara Rathnayake

13 Rice Disease Detection Based on Image Processing Technique . . . . 135Md. Asfaqur Rahman, Md. Shahriar Nawal Shoumik,Md. Mahbubur Rahman, and Most. Hasna Hena

14 Electromagnetic Radiation from Cell Phones Usedin Dhaka City . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147M. Quamruzzaman, Munima Haque, Shahina Haque,and Utpal Chandra Das

15 Expressing Opinions Application: A Case Study at RajamangalaUniversity of Technology, Isan, Khon Kaen Campus . . . . . . . . . . . 159Ekaphong Tangtrakul, Jatupol Nampromma,and Phoemporn Lakkhanawannakun

16 Toward Clarifying Human Information Processing by AnalyzingBig Data: Comparing Response Time to Questionnaires IncludedHeteronym Word for Problem Solving Between Visuallyand Auditory Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171Keiko Tsujioka

17 Mango Species Detection from Raw Leaves Using ImageProcessing System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183Most. Hasna Hena, Md. Helal Sheikh, Md. Shamim Reza,and Ahmed Al Marouf

18 Frequency Reconfigurable Planner Antennas for WirelessApplications: A Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193Dinesh Yadav and Vivekanand Tiwari

19 Room Temperature Pt-Modified WO3/p–Si Film Gas Sensorfor Detection of Methanol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201Anup Dey, Komal Kumari, Abir Jana, Bijoy Goswami,Poushali Nandi, and S. K. Sarkar

viii Contents

20 Graph Degree Linkage Clustering for Identify Student’sPerformance on Kompetisi Sains Madrasah in Indonesia . . . . . . . . . 211Ahmad Hanif Asyhar, A. Umar, Dian Candra Rini Novitasari,Kusaeri, Ahmad Fauzi, Nurissaidah Ulinnuha, Dwi Rolliawati,Noor Wahyudi, Ahmad Yusuf, Ali Mustofa, and Zakiyatul Ulya

21 Stepwise Iterative Maximum Likelihood Clustering Basedon Kompetisi Sains Madrasah’ Scores for Identifying Qualityof Junior High School Grading Distribution . . . . . . . . . . . . . . . . . . 221Kusaeri, Nanik Puji Hastuti, Ali Musthofa, Ahmad Fauzi,Ahmad Hanif Asyhar, Dian Candra Rini Novitasari, Dwi Rolliawati,Zakiyatul Ulya, Ahmad Yusuf, Nurissaidah Ulinnuha,and Noor Wahyudi

22 Detecting the Width of Pap Smear Cytoplasm Image Basedon GLCM Feature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231Nita Merlina, Edi Noersasongko, Pulung Nurtantio, M. A. Soeleman,Dwiza Riana, and Sri Hadianti

23 Design of a Novel Wideband Dipole Antennafor mm-Wave Frequencies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241Paikhomba Loktongbam, Chaitali Koley, Debashish Pal,and Ayan Kumar Bandhopadhyay

24 Forecasting Sea Surface Temperature in Java Sea UsingGeneralized Regression Neural Networks . . . . . . . . . . . . . . . . . . . . 249Dian Candra Rini Novitasari, Wahyu Tri Puspitasari,Rahmat Pramulya, Hetty Rohayani, R. R. Diah Nugraheni Setyowati,Dwi Rukma Santi, Muhammad Fahrur Rozi, and Ary Widjajanto

25 Natural Disaster Predictions of Whirlwinds in Cilacap Regionof Central Java Using Adaptive Neighborhood ModifiedBackpropagation (ANMBP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259Dian Candra Rini Novitasari, Fitria Febrianti, Arnita,Rinda Nariswari, R. R. Diah Nugraheni Setyowati, Putri Wulandari,Ahmad Zoebad Foeady, Moh. Hafiyusholeh, and Fajar Setiawan

26 Designing Memristor-Based Timing Circuits and PerformanceComparison with CMOS Counterparts . . . . . . . . . . . . . . . . . . . . . . 269Abir Jana, Disha Bhattacharjee, Komal Kumari, Anup Dey,Bijoy Goswami, and Subir Kumar Sarkar

27 Identify Elementary Student Distribution Based on KompetisiSains Madrasah Data Using Probabilistic Distance Clustering . . . . 281Ahmad Yusuf, Noor Wahyudi, Zakiyatul Ulya,Nurissaidah Ulinnuha, Dwi Rolliawati, Ali Mustofa, Ahmad Fauzi,Ahmad Hanif Asyhar, Kusaeri, Ratna Indriyati,Dian Candra Rini Novitasari, and Maryunah

Contents ix

28 Classification of Tomato Plant Diseases Through LeafUsing Gray-Level Co-occurrence Matrix and Color Momentwith Convolutional Neural Network Methods . . . . . . . . . . . . . . . . . 291Anton Anton, Supriadi Rustad, Guruh Fajar Shidik,and Abdul Syukur

29 Leverage from Blockchain in Commodity Exchange:Asset-Backed Token with Ethereum Blockchain Networkand Smart Contract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301Richard, Yaya Heryadi, Lukas, and Agung Trisetyarso

30 A Review of Focused Crawling Schemes for Search Engine . . . . . . 311Suresh Kumar and Manisha Gupta

31 Design and Simulation of Multi-channel V-TDMA for IoT-BasedHealthcare Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319Anita Ramachandran, Malaika Afra Taj, Raghav Maheshwari,and Anupama Karuppiah

32 Design and Development of Tiny Humanoid Walkingand Dancing Robot with Obstacle Detection for VisualImpaired People . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331Amrita Ganguly, Jasmine Ara, and Bijan Paul

33 A Survey on DBN for Intrusion Detection in IoT . . . . . . . . . . . . . . 339Harsh Namdev Bhor and Mukesh Kalla

34 Organ Detection in Surgical Videos Using Neural Networks . . . . . 345Amit Kumar, Anshu Gupta, and Ankita Pramanik

35 Implementation Aspects of Multi-bit Adders Using UTBSOITransistors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355Rekib Uddin Ahmed and Prabir Saha

36 Accelerating Latency of Binary Division Through VedicMethodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365Deepak Kumar and Prabir Saha

37 Monitoring the torsional vibrations on the main propulsion plantof marine cargo ship installed two-stroke diesel engine:Theoretical case study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379Do Duc Luu and Cao Duc Hanh

38 Analysing Different Full Adder Based on 45 nm Technology . . . . . 393Ankit Kumar, Shyam Akashe, and Seelam VSV Prabhu Deva Kumar

39 Design of RF Energy Harvesting Circuit at 900 MHzfor Low-Powered DC Applications . . . . . . . . . . . . . . . . . . . . . . . . . 401Anoop Chiluveru, Shyam Akashe, and Shailendra Singh Ojha

x Contents

40 Noise Voltage: A New Dependability Concern in Low-PowerFinFET-Based Priority Encoder at 45 nm Technology . . . . . . . . . . 411Vishwas Mishra, Abhishek Kumar, Shobhit Tyagi, Divya Mishra,and Shyam Akashe

41 Assessment of Suitability of Metaheuristics and MachineLearning for Task Scheduling Process: A Review of Aptnessin Heavy Task Environments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419Shantanu Anandrao Lohi and Nandita Tiwari

42 A Review on Indian UID-Based Automated Electoral RollGeneration Mechanism Shunning Duplication and Redundancy . . . 427Harish Vasantrao Gorewar and Nandita Tiwari

43 A Review of Deep Learning Techniques for Identificationand Diagnosis of Plant Leaf Disease . . . . . . . . . . . . . . . . . . . . . . . . 435Ravindra Namdeorao Jogekar and Nandita Tiwari

44 Analysis and Prediction of Student Data Using Data Science:A Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443Sandeep S. Ganorkar, Nandita Tiwari, and Varsha Namdeo

45 Efficient Target Detection and Classification of SAR ImagesUsing Z-Buffer Convolutional Neural Networks . . . . . . . . . . . . . . . 449P. Vasuki, A. Shakin Banu, S. Mohamed Mansoor Roomi,and G. Maragatham

46 Context-Aware Deep Convolutional Neural Network Applicationfor Fire and Smoke Detection in Virtual Environmentfor Surveillance Video Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . 459Akm Ashiquzzaman, Sung Min Oh, Dongsu Lee, Jihoon Lee,and Jinsul Kim

47 Design and Development of Efficient Cost-Saving Algorithmsfor Guiding Customer Purchasing Patterns in ModernConsumerism Scenario Using Feed Forward BackPropagation Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469Sonia Maria D’Souza and K. Satyanarayan Reddy

48 Mild Cognitive Impairment and Technology for Older Adults:A Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477Nita Rosa Damayanti and Nazlena Mohamad Ali

49 Identify Education Quality Based on Islamic Senior High SchoolData in Kompetisi Sains Madrasah Using Fuzzy C-MeansClustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487Dian Candra Rini Novitasari, Abdullah Faqih, Noor Wahyudi,Nurissaidah Ulinnuha, Zakiyatul Ulya, Ali Mustofa, Ahmad Fauzi,Ahmad Hanif Asyhar, Kusaeri, Dwi Rolliawati, and Ahmad Yusuf

Contents xi

50 Obstacle Avoidance with Sensors Using Soft ComputingTechniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 497Amit Yadav, Garima Jain, Divya Mishra, and Dharvendra P. Yadav

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 507

xii Contents

About the Editors

Prof. Yu-Dong Zhang received his B.S. and M.S. degrees from NanjingUniversity of Aeronautics and Astronautics in 2004 and 2007, prior to completinghis Ph.D. in Signal and Information Processing at Southeast University in 2010.From 2010 to 2012, he worked at Columbia University as a postdoc. From 2012 to2013, he worked as a research scientist at Columbia University and New York StatePsychiatric Institute. From 2013 to 2017, he worked as a Full Professor and doc-toral advisor at the School of Computer Science and Technology, Nanjing NormalUniversity. Since 2018, he has been a Full Professor at the Department ofInformatics, University of Leicester, UK.

Prof. Tomonoby Senjyu received his B.S. and M.S. degrees in ElectricalEngineering from the University of the Ryukyus, Nishihara, Japan, in 1986 and1988, respectively, and his Ph.D. in Electrical Engineering from NagoyaUniversity, Japan, in 1994. He is currently a Full Professor at the Department ofElectrical and Electronics Engineering, University of the Ryukyus. His researchinterests include renewable energy, power system optimization and operation,power electronics, and advanced control of electrical machines.

Prof. Chakchai SO–IN has been with the Department of Computer Science atKhon Kaen University since 2010. Dr. SO–IN received his B.E. and M.E. degreesfrom Kasetsart University (KU), Bangkok, Thailand, in 1999 and 2001, respec-tively. He also completed M.S. and Ph.D. degrees in Computer Engineering at theDepartment of Computer Science and Engineering, Washington University, in St.Louis (WUSTL), MO, USA, in 2006 and 2010. He has authored more than 100publications in prominent journals and proceedings, together with 10 books. Hisresearch interests include mobile computing/sensor networks, Internet of Things,computer/wireless/distributed networks, cyber security, intelligent systems and thefuture Internet. He is a senior member of the IEEE and ACM.

xiii

Dr. Amit Joshi is currently Director of the Global Knowledge ResearchFoundation, and an entrepreneur and researcher. Holding a B.Tech. in InformationTechnology and M.Tech. in Computer Science and Engineering, he has conductedextensive research in the areas of cloud computing and cryptography in medicalimaging, with a focus on analyzing current government strategies and global for-ums concerning security. Dr. Joshi has more than 10 years of experience in aca-demia and industry, having worked at prestigious organizations. He is an activemember of the ACM, IEEE, CSI, AMIE, IACSIT Singapore, IDES, ACEEE, NPA,and many other professional societies. Currently, he is the International Chair ofInterYIT at the International Federation of Information Processing (IFIP, Austria).He has presented and published more than 50 papers in national and internationaljournals/conferences of the IEEE and ACM, and has edited more than 20 books forSpringer, ACM, and other reputed publishers. He has also organized more than 40national and international conference and workshops in association with the ACM,Springer, and the IEEE, e.g. in India, the UK, Thailand, and Europe.

xiv About the Editors

Chapter 22Detecting the Width of Pap SmearCytoplasm Image Based on GLCMFeature

Nita Merlina, Edi Noersasongko, Pulung Nurtantio, M. A. Soeleman,Dwiza Riana, and Sri Hadianti

Abstract Color image segmentation on cytoplasmPap smear single cell image iden-tified as normal condition is an interesting subject to study. It is caused by the imagelimitation and morphological transformation complexity of the cell structural part.Feature analysis on cytoplasm area is an important thing in the process of biomedicalimage analysis because of the noise and complex background and the bad cytoplasmcontrast as well. Thus, an analysis on the feature area on cytoplasm automaticallyis an urge thing to do to identify Pap smear normal cell image based on featureanalysis on cytoplasm area in single cell image identified as normal condition. Thepurpose of this research is to analyze how far the process color image segmentationon cytoplasm by using normal single cell image is able to produce features of textureand form analysis. To analyze the form of cytoplasm, this research used RGB colorto HSV color conversion method which produces metric and eccentricity value. Itis then continued to the process of threshold image and counting the wide area bychanging threshold into binary image. On the other side, to analyze the texture, thisresearch applied an analysis using gray-level co-occurrence matrix (GLCM) usingK-means method to produce contrast, correlation, energy, and homogeneity param-eters. The result of the research is the segmentation outcome to Pap smear normalsingle cell image sample to get metric, eccentricity, contrast, correlation, and energyfeatures.

22.1 Introduction

Women are generally susceptible to cervical cancer, which ranks fourth as a verydeadly disease [1]. Papanicolaou test also called Pap smear or Pap test is a healthtest method that can help prevent cervical cancer. The main purpose of a Pap smear

N. Merlina (B) · E. Noersasongko · P. Nurtantio · M. A. SoelemanUniversitas Dian Nuswantoro, Semarang, Indonesiae-mail: nita@mhs.dinus.ac.id

N. Merlina · D. Riana · S. HadiantiSTMIK Nusa Mandiri, Jakarta, Indonesia

© The Editor(s) (if applicable) and The Author(s), under exclusive licenseto Springer Nature Singapore Pte Ltd. 2021Y.-D. Zhang et al. (eds.), Smart Trends in Computing and Communications: Proceedingsof SmartCom 2020, Smart Innovation, Systems and Technologies 182,https://doi.org/10.1007/978-981-15-5224-3_22

231

232 N. Merlina et al.

is to detect cell abnormalities that may occur or before the cancer develops. Correctinterpretation of microscopic examination of cells and tissues is very important forthe final diagnosis judgment of the disease [2]. However, the Pap smear testingprocess has weaknesses, especially in many developing countries where the numberof pathologists who can examine slides is inadequate. In Indonesia, with a populationof productive age women spread across 32 provinces with limited facilities andlimited human resources, it is estimated that 80% of the coverage of examinationswill be completed in five years with 7,992,486 Pap smear tests per year [3].

The classification of cervical cells in Pap smear images is an interesting thingbecause of image limitations and the complexity of morphological alterations in thestructural parts of cells [4]. Pap smear image processing has been performed forsingle cell types and non-overlapping. Image segmentation process is expected toidentify cytoplasm and nucleus images [5–7]. Segmentation is needed to define thearea of interest (ROI) in a normal single cell image and is the basis of an automaticcervical cancer screening system. Efficient image segmentation enables extractionof significant information and streamlines image data for further analysis. Weaksegmentation results in weak results during image analysis [8]. Analysis of featuresin the cytoplasm area in normal Pap smear cell images is interesting. That is dueto image limitations and the complexity of morphological changes in the structuralparts of cells. Analysis of features in the cytoplasm area is important in the processof analyzing biomedical images, and it is caused by background noise and complexand weak cytoplasm contrast. So, it is necessary to do an analysis of the features ofthe area in the cytoplasm by automation to identify the normal Pap smear cell imagebased on the analysis of the features of the cytoplasm area in a single cell image thatis detected normally. The purpose of this research is to see the extent of the process ofanalyzing feature areas in the cytoplasm by using a normal single cell image so thatfeatures of texture and shape analysis can be produced. The results of this study areexpected to facilitate the identification of cytoplasm images from Pap smear images.

This paper is divided into several sections. Section 22.2, related work, discussesabout the methods used in the research. Section 22.3 describes the results anddiscussion, which will be enclosed with conclusions and further research plans.

22.2 Related Work

There are many methods used to identify the area of cytoplasm image, and thisstudy attempts to do different things, which is to propose a segmentation methodfor cytoplasm area in a single Pap smear image that utilizes the GLCM feature.This GLCM feature has not been widely used in previous research. In the initialdetection of a Pap smear image, a single cell image is easy to observe [9]. In theprevious research, cytoplasm detection process has been successfully carried out by

22 Detecting the Width of Pap Smear Cytoplasm … 233

color classification using K-means and joint shape matching. However, this researchis limited only to determine the presence of cytoplasm and not to determine theextent of cytoplasm in detail [10, 11]. The gray-level co-occurrence matrix (GLCM)previous studies have been used, but they use a dataset from a nearby hospital andonly discuss cervical cancer related without the Pap smear cell being used [12].

22.3 Method

Data processing techniques use the MATLAB application program on color andbinary image matrices as well as analyzing textures. In order to determine the areain cytoplasm image, the initial step of this research is to convert RGB color to HSVcolor (hue, saturation, value). The HSV color model was formulated by searchingthe RGB color cube along the gray axis of the color wheel, where this model is morewidely used than RGB in depicting color sensations. After the HSV color conversionis generated, the next step is to determine the threshold image and calculate the areaof the area by changing the threshold image into a binary image that aims to calculateobjects in a digital image in a simple way from the original image. In this process,we need a boundary value called the threshold value. Image intensity values thatare more than or equal to the threshold value will be changed to white (1), whileimage intensity values less than the threshold value will be changed to black (0)[13]. Furthermore, to analyze the texture of the image of the area value that hasbeen segmented by the K-means method and the researcher uses the Gray-Level Co-OccurrenceMatrix (GLCM) so that the parameters obtained are contrast, correlation,energy, and homogeneity. The results of this research are the results of segmentationof a single Pap smear normal cell image sample so that it can be done well and isable to get the features of metric, eccentricity, contrast, correlation, and energy [14],where the texture has characteristics that can be extracted to distinguish an imagewith another image. Figure 22.1 shows the image of a single cell used in this study.

In this study, a research flow diagram is shown in Fig. 22.2 on the digital imageof papers.

Fig. 22.1 Example of a single cell image

234 N. Merlina et al.

Fig. 22.2 Research stages

22.4 Results and Discussion

22.4.1 Result

The stages of the research consisting of five stages of the process are evaluated ontraditional Pap smear images. All of these images were obtained through a Logitechcamera (Logitech HD C525 Webcam) adjusted to an optical microscope (OlympusCH20). 40× amplification is used, and the results are saved in JPEG format. Thefollowing are the results of the process of segmentation methods in each.

22.4.1.1 Convert RGB Color to HSV Color

The result of the conversion ofRGBcolor intoHSVcolor aims to detect the cytoplasmso as to produce an image as shown in Fig. 22.3, where the cytoplasm has a colorthat is more dominant than the nucleus.

Fig. 22.3 Image results from color conversion

22 Detecting the Width of Pap Smear Cytoplasm … 235

Fig. 22.4 Image from threshold

22.4.1.2 Threshold Image

When analyzing an area in the cytoplasm, the initial process is to determine theedge of the object from a single normal cell. The results of edge detection in normalsingle cell images are taken from images that have been converted to HSV color, andFig. 22.4 shows images of edge detection.

22.4.1.3 Binary Imagery

The calculation process of the attributes that exist in a single normal Pap smearcell can be simply done by the process of conversion to binary images; after theconversion process is carried out, the area calculation process can be carried out,along with pictures that present the results of binary images (Figs. 22.5, 22.6, and22.7).

Fig. 22.5 Binary image

236 N. Merlina et al.

Fig. 22.6 Width binary image

Fig. 22.7 Chart width of binary image

22.4.1.4 Gray-Level Co-occurrence Matrix (GLCM)

The process of this GLCM is to analyze the texture of the cytoplasm area, so thatthis research results in segmentation of a single Pap smear normal cell image sampleby producing metric, eccentricity, contrast, correlation, and energy features. Thefollowing are the formulas for calculating the metric feature, eccentricity, contrast,correlation, and energy:

Contrast =∑

i1

∑

i2

(i1 − i2)2 p(i1, i2) (22.1)

Homogeneity =∑

i1

∑

i2

p(i1, i2)

1+ |11 − i2| (22.2)

Energy =∑

i1

∑

i2

p2(i1, i2) (22.3)

22 Detecting the Width of Pap Smear Cytoplasm … 237

Table 22.1 Texture of the cytoplasm area

Metric Eccentricity Contrast Correlation Energy Homogeneity

0.01 1 0.01 0.99 0.57 1

0.01 0.46 0.01 0.98 0.49 0.99

0.01 1 0.01 0.99 0.49 1

0.02 1 0.01 0.99 0.51 1

0.95 0.7 0.01 0.99 0.53 1

0.78 0.7 0.01 0.88 0.95 1

0.01 0.73 0.01 0.98 0.52 0.99

0.67 0.53 0.01 0.99 0.5 1

Entropy = −∑

i1

∑

i2

p(i1, i2) log p(i1, i2) (22.4)

Eccentricity = e =√1− b2

a2(22.5)

Metric = M = 4π × A

C2(22.6)

Table 22.1 gives the results of the GLCM calculations that have been carried out.

22.4.2 Discussion

In this study, we segmented Pap smear images by taking ten image from a singlenormal goal, but there are two images that are not segmented perfectly; this is becausethere is noise in the image, so the segmentation is done using the method taken lessthan perfect.

22.5 Conclusion

The results of this study are to see the extent of the cytoplasm color image segmen-tation process using normal single cell images so that features of texture and shapeanalysis can be produced. To analyze the shape of the cytoplasm, this study uses themethod of convertingRGBcolor conversion intoHSVcolor conversion that producesmetric and eccentricity values and then proceeds with the process to determine thethreshold image and calculate the area of the area by changing the threshold imagewhich becomes a binary image. For texture analysis, the analysis is done using thegray-level co-occurrence matrix (GLCM) method which uses the K-means method

238 N. Merlina et al.

to obtain contrast, correlation, energy, and homogeneity parameters. The results ofthis research are the results of segmentation of normal Pap smear single cell imagesamples so that they can be done well and are able to get the features of metric,eccentricity, contrast, correlation, and energy. The limitation of this study is that thenumber of samples used needs to be increased so that it will produce more featuredata to get more extensive information. This research is a preliminary study for cyto-plasm recognition. Further research will focus on segmentation of the cytoplasm insingle Pap smear cells by adding new features besides GLCM. Another thing to dois research for group Pap smears.

References

1. Irawan, F.: Statistik penderita kanker di Indonesia (2018)2. Riana, D., Widyantoro, D.H., Mengko, T.L.: Extraction and classification texture of inflam-

matory cells and nuclei in normal pap smear images. In: 2015 4th International Conferenceon Instrumentation, Communications, Information Technology, and Biomedical Engineering(2015)

3. Kusuma, F.: Tes Pap Dan Cara Deteksi Dini Kanker Serviks Lainnya, Departemen ObstetridanGinekologi Fakultas KedokteranUniversitas Indonesia RSUPNDr. CiptoMangunkusumo,Prevention and Early Detection of Cervical Cancer (PEACE), Jakarta (2012)

4. Plissiti , S.E., Dimitrakopoulos, P., Sfikas, G., Nikou, C., Krikoni, O., Charchanti, A.: Datasetfor feature and image based classification of normal and pathological cervical cells in papsmear images. In: 25th IEEE International Conference on Image Processing (2018)

5. Lu, Z., Carneiro, G., Bradley, A.P.: Automated nucleus and cytoplasm segmentation ofoverlapping cervical cells. In: International Conference on Medical Image Computing andComputer-Assisted Intervention, vol 8149. Lecture Notes in Computer Science, pp. 452–460(2013)

6. Zhao, L., Li, K. Wang, M., Yin, J., Zhu, E., Wu, C., Wang, S., Zhu, C.: Automatic cytoplasmand nuclei segmentation for color cervical smear image using an efficient gap-search MRF 46.Comput. Biol. Med. 71, 46 (2016). ISSN 00104825

7. Riana, D., Hidayanto, A.N.,Widyantoro, D.H.,Mengko, T.L.R., Kalsoem, O.: Segmentation ofoverlapping cytoplasm and overlapped areas in Pap smear images. In: Information, Intelligence,Systems & Applications (IISA), pp. 1–5 (2017)

8. Sun, G., Li, S., Cao, Y., Lang, F.: Cervical cancer diagnosis based on random forest. Int. J.Performability Eng. (2017)

9. Riana, D., Ramdhani, Y., Prasetio, R.T., Hidayanto, A.N.: Improving hierarchical decisionapproach for single image classification of pap smear. Int. J. Electr. Comput. Eng. 8, 5415–5424(2018)

10. Riana, D., Tohir, H., Hidayanto, A.N.: Segmentation of Overlapping Areas on Pap SmearImages with Color Features Using K-Means and Otsu Methods (2018). https://ieeexplore.ieee.org/xpl/conhome/8767368/proceeding

11. Song, Y., Qin, J., Lei, B., He, S., Choi, K.-S.: Joint shape matching for overlapping cyto-plasm segmentation in cervical smear images. In: 2019 IEEE 16th International Symposiumon Biomedical Imaging (ISBI 2019) Venice, Italy, pp. 191–194 (2019)

12. Nehra, S., Raheja, J.L., Butte, K., Zope, A.: Detection of cervical cancer using GLCMand support vector machines, pp. 49–53. https://ieeexplore.ieee.org/xpl/conhome/8768798/proceeding

22 Detecting the Width of Pap Smear Cytoplasm … 239

13. Pamungkas, A.: Pemrograman Matlab (2019). [Online]. Available: https://pemrogramanmatlab.com/pengolahan-citra-digital/segmentasi-citra

14. Bhan, S., Vyas, A., Mishra, G.: Supervised segmentation of overlapping cervical pap smearimages. In: 2016 International Conference on Signal Processing and Communications (2016)

Jakarta, 05 Februari 2020

Kepada Yth.

Tim Penilai Usulan Guru Besar atas nama Dr. Dwiza Riana, S.Si.,MM.,M.Kom

Di Tempat

KLARIFIKASI TERKAIT KESAMAAN KARYA ILMIAH DENGAN DISERTASI

Klarifikasi Disertasi dengan judul “PEROLEHAN CITRA SEL TUNGGAL PAP SMEAR

UNTUK DETEKSI DINI KANKER SERVIKS MELALUI PROSES PEMISAHAN SEL

TUMPANG TINDIH DAN ELIMINASI SEL RADANG” terkait kesamaan dengan artikel ilmiah yang

telah dipublikasikan dengan judul “DETECTING THE WIDTH OF PAP SMEAR CYTOPLASM

IMAGE BASED ON GLCM FEATURE”.

Berdasarkan hasil analisa dan perbandingan yang dilakukan terhadap komponen permasalahan penelitian,

tujuan penelitian, data set yang digunakan, algoritma, metode penelitian, hasil penelitian dan kontribusi

paper dan disertasi diperoleh hasil sebagai berikut:

1. Permasalahan penelitian dalam kedua penelitian ini sangat berbeda. Penelitian pada paper fokus kepada

Analisis citra sel tunggal Pap Smear, sedangkan permasalahan pada disertasi mengatasi keberadaan sel

tumpang tindih untuk memperoleh citra sel tunggal dan khusus pada proses pengolahan citra sehingga

kemiripan dari permasalahan penelitian sebesar 0%.

2. Terdapat perbedaan tujuan yang sangat signifikan dari kedua penelitian ini. Tujuan penelitian pada

paper adalah menganalisis sejauh mana proses segmentasi citra warna pada sitoplasma dengan

menggunakan citra sel normal tunggal mampu menghasilkan ciri tekstur dan analisis bentuk. Sedangkan

tujuan penelitian disertasi mendapatkan citra sel tunggal, menyelesaikan masalah pada sel radang dan

mengidentifikasi sel nukleus pada citra Pap-smear tumpang tindih. Sehingga kemiripan tujuan

penelitian antara keduanya sebesar 0%.

3. Dataset yang digunakan dalam kedua penelitian sangat berbeda dan memiliki permasalahan atau

peluang penelitian yang tidak sama. Sehingga dengan dataset yang tidak sama maka kedua penelitian

tidak memiliki kemiripan atau kemiripannya sebesar 0%.

4. Terdapat perbedaan algoritma yang digunakan dalam kedua penelitian sehingga kemiripannya 0%.

5. Dari kedua gambar metode penelitian terlihat bahwa tahapan penelitian yang dilakukan dalam kedua

penelitian ini sangat berbeda dan tentu saja sesuai dengan tujuan penelitian masing-masing. Kesamaan

kedua penelitian ini adalah bertujuan untuk mendapatkan solusi bagi deteksi dini secara otomatis citra

Pap-smear untuk menanggulangi permasalahan cervical cancer. Sehingga kemiripan pada metode

penelitian sebesar 0%.

6. Hasil penelitian dari keduanya jelas memiliki perbedaan sehingga kemiripannya 0%.

Masing-masing penelitian memiliki kontribusi yang berbeda sehingga dapat dinyatakan memiliki

kemiripan 0%.

Untuk rincian dari analisa kemiripan pada masing-masing paper dapat dilihat pada tabel yang disertakan

dalam surat klarifikasi ini.

Demikian klarifikasi ini saya sampaikan kepada Bapak dan Ibu Tim Penilai, mohon maaf jika

terdapat hal-hal yang kurang berkenan dan atas perhatian Bapak dan Ibu diucapkan terimakasih.

Hormat saya,

Dr. Dwiza Riana, S.SI.,MM.,M.Kom

Perbandingan dan Klarifikasi Kemiripan Paper Detecting the Width of Pap Smear Cytoplasm Image Based on GLCM Feature dengan

Disertasi an Dwiza Riana

No Komponen

yang

dibandingkan

Paper: Detecting the Width of Pap Smear

Cytoplasm Image Based on GLCM

Feature, International Smart Trends in

Computing and Communications:

Proceedings of SmartCom, 2020

Disertasi, 28 Agustus 2015, berjudul Perolehan Citra

Sel Tunggal mikroskopik Pap Smear Melalui proses

pemisahan sel tumpeng tindih dan eliminasi sel radang

(ImageAcquisition of Pap Smear Single Cell for Early

Detection of Cervical Cancer Cells through the process

of separation of overlapping cells and elimination of

inflammatory cells )

Klarifikasi kemiripan

Paper terhadap Disertasi

1 Permasalahan

Penelitian

Segmentasi citra warna pada sitoplasma citra

Pap smear sel tunggal yang teridentifikasi

dalam kondisi normal merupakan hal yang

menarik untuk diteliti. Hal ini disebabkan oleh

keterbatasan citra dan kompleksitas

transformasi morfologi bagian struktur sel.

Analisis ciri pada bidang sitoplasma

merupakan hal yang penting dalam proses

analisis citra biomedis karena adanya noise dan

background yang kompleks serta kontras

sitoplasma yang buruk pula

Diagnosis kanker serviks pada citra Pap smear terkadang

sulit dilakukan padahal merupakan prosedur yang sangat

penting. Untuk memperoleh informasi diagnostik yang

dapat diandalkan, nukleus dan karakteristik sel harus

diidentifikasi dan dievaluasi dengan benar. Namun,

kehadiran sel-sel radang dan sel tumpang tindih dalam citra

mikroskopik Pap smear mempersulit proses deteksi.

Disertasi ini difokuskan pada pengembangan metode

segmentasi citra untuk secara efisien menangani masalah

keberadaan spesifik sel-sel radang dan sel tumpang tindih

pada citra mikroskopik Pap smear untuk mendapatkan sel

tunggal bagi deteksi dini kanker serviks. Citra mikroskopik

Pap smear memiliki kompleksitas dan karakteristik

tertentu, tantangan bagi setiap metode segmentasi untuk

mengatasi kompleksitas dan masalah citra Pap Smear, yaitu

tingginya tingkat tumpang tindih sel, kurangnya

homogenitas dalam intensitas citra dan keberadaan sel-sel

radang. Permasalahan dalam penelitian ini adalah

mengatasi keberadaan sel tumpang tindih dan sel radang

pada citra mikroskopik Pap smear. Membangun teknik

segmentasi pada citra sel tumpang tindih adalah rintangan

utama untuk analisis sel servik.

Permasalahan penelitian

dalam kedua penelitian ini

sangat berbeda. Penelitian

pada paper fokus kepada

Analisis citra sel tunggal Pap

Smear, sedangkan

permasalahan pada disertasi

mengatasi keberadaan sel

tumpang tindih untuk

memperoleh citra sel tunggal

dan khusus pada proses

pengolahan citra sehingga

kemiripan dari permasalahan

penelitian sebesar 0%

2 Tujuan

Penelitian

menganalisis sejauh mana proses segmentasi

citra warna pada sitoplasma dengan

menggunakan citra sel normal tunggal mampu

menghasilkan ciri tekstur dan analisis bentuk

Tujuannya untuk mencapai identifikasi akurat dari daerah

tertentu yang menjadi perhatian, dan agar mendapatkan

kesimpulan yang dapat diandalkan tentang konten dari citra

Pap smear. Pengolahan citra Pap smear terkait dengan

beberapa aspek dari bidang ilmiah pengolahan citra

biomedis, seperti deteksi objek, delinasi objek, pemisahan

bagian yang tumpang tindih dan identifikasi normal dan

abnormal dari objek sel dalam citra yang mengandung

noise dan artefak.

Terdapat perbedaan tujuan

yang sangat signifikan dari

kedua penelitian ini. Tujuan

penelitian pada paper adalah

menganalisis sejauh mana

proses segmentasi citra

warna pada sitoplasma

dengan menggunakan citra

sel normal tunggal mampu

menghasilkan ciri tekstur dan

analisis bentuk. Sedangkan

tujuan penelitian disertasi

mendapatkan citra sel

tunggal, menyelesaikan

masalah pada sel radang dan

mengidentifikasi sel nukleus

pada citra Pap-smear

tumpang tindih. Sehingga

kemiripan tujuan penelitian

antara keduanya sebesar 0%

3 Data set Data privat dari Laboratorium Patology

Bandung berupa sel tunggal sebanyak 10 citra

Data privat dari Laboratorium Patology Bandung berupa

sel tumpang tindih sebanyak 418 citra

Dataset yang digunakan

dalam kedua penelitian

sangat berbeda dan memiliki

permasalahan atau peluang

penelitian yang tidak sama.

Sehingga dengan dataset

yang tidak sama maka kedua

penelitian tidak memiliki

kemiripan atau kemiripannya

sebesar 0%

4 Algoritma Untuk menganalisis bentuk sitoplasma,

penelitian ini menggunakan metode konversi

warna RGB menjadi warna HSV yang

menghasilkan nilai metrik dan eksentrisitas.

Kemudian dilanjutkan dengan proses citra

threshold dan penghitungan luas area dengan

merubah threshold menjadi citra biner. Di sisi

lain, untuk menganalisis tekstur, penelitian ini

menggunakan analisis grey level co-occurance

matrix (GLCM) menggunakan metode K-

means untuk menghasilkan parameter kontras,

korelasi, energi, dan homogenitas

Dalam penelitian ini, algoritma segmentasi dikembangkan

untuk pemisahan sel tumpang tindih dan segmentasi sel

radang pada citra Pap smear. Tahapan pre-processing

berupa konversi warna, peningkatan citra, pengenalan

objek dan pembersihan latar belakang dengan rule

klasifikasi tekstur untuk menghasilkan cropping sel

tumpang tindih secara otomatis. Segmentasi sel tumpang

tindih dilakukan untuk segmentasi sitoplasma tumpang

tindih dan daerah tumpang tindih dengan graylevel

thresholding. Proses selanjutnya dilakukan delinasi sel

tumpang tindih dengan empat proses yaitu pembagian

daerah tumpang tindih, pencarian jarak terdekat dari

pinggiran daerah tumpang tindih, penyambungan pinggiran

sitoplasma tumpang tindih dengan pendekatan geometri

dan proses isolasi sel tumpang tindih. Proses ini

menghasilkan perolehan citra sel tunggal. Tahap

selanjutnya dilakukan eliminasi sel radang dan deteksi

nukleus dengan kombinasi graylevel thresholding dan

defenisi aturan jarak. Akhirnya dilakukan analisa

morphologi dan identifikasi sel untuk menentukan

kenormalan sel. Metode pemisahan sel tumpang tindih

dievaluasi dengan menggunakan 21 citra yang

mengandung 24 citra sel tumpang tindih, 61 sel nukleus dan

155 sel radang dengan lima ukuran daerah tumpang tindih

yang berbeda-beda yaitu >150x200 piksel, > 100 x 200

piksel, >150x150 piksel, >150x200 piksel, >100x100, dan

>200x200 piksel.

Terdapat perbedaan

algoritma yang digunakan

dalam kedua penelitian

sehingga kemiripannya 0%

5 Metode

penelitian

Flowchart Prosedur Eksperimen

Dari kedua gambar metode

penelitian terlihat bahwa

tahapan penelitian yang

dilakukan dalam kedua

penelitian ini sangat berbeda

dan tentu saja sesuai dengan

tujuan penelitian masing-

masing. Kesamaan kedua

penelitian ini adalah

bertujuan untuk

mendapatkan solusi bagi

deteksi dini secara otomatis

citra Pap-smear untuk

menanggulangi

permasalahan cervical

cancer. Sehingga kemiripan

pada metode penelitian

sebesar 0%.

6 Hasil Penelitian Hasil dari penelitian ini adalah hasil

segmentasi sampel citra normal single cell Pap

smear untuk mendapatkan fitur metrik,

eksentrisitas, kontras, korelasi, dan energi.

Dari analisis data uji citra mikroskopik Pap smear

menunjukkan pemisahan sel tumpang tindih dapat

menghasilkan perolehan citra tunggal Pap smear. Metode

eliminasi sel radang dapat secara signifikan menghilangkan

sel-sel radang dan mendeteksi nukleus pada 142 citra sel

tunggal yang berhasil diisolasi, di mana identifikasi berupa

fitur area, perimeter dan roundness nukleus dan sitoplasma

serta klaisikasi sel dapat dilakukan. Hasil penelitian

menunjukkan bahwa metode eliminasi sel radang secara

signifikan menyederhanakan proses deteksi nukleus,

sehingga mengurangi jumlah sel inflamasi yang dapat

mengganggu Aspek-aspek yang dibahas dalam penelitian

ini, memberikan konteks yang terintegrasi untuk analisis

secara efisien bagi deteksi otomatis kanker serviks untuk

segmentasi sel radang dan pemisahan sel tumpang

tindih pada citra sel mikroskopik Pap smear.

Hasil penelitian dari

keduanya jelas memiliki

perbedaan sehingga

kemiripannya 0%.

7 Kontribusi Melakukan segmentasi sampel citra normal

single cell Pap smear sehingga mendapatkan

fitur metrik, eksentrisitas, kontras, korelasi,

dan energi.

Kontribusi penelitian disertasi berupa metode eliminasi sel

radang yang secara signifikan dapat menyederhanakan

proses deteksi nukleus, sehingga mengurangi jumlah sel

radang yang mengganggu deteksi nukleus. Metode yang

memberikan konteks yang terintegrasi untuk analisis secara

efisien bagi deteksi otomatis kanker serviks untuk

segmentasi sel radang dan pemisahan sel tumpang tindih

pada citra sel mikroskopik Pap smear. Kontribusi metode

terdiri dari tahapan proses pemisahan citra sel tumpang

tindih dengan pendekatan geometrik, perolehan citra

tunggal Pap-smear, kemudahan analisa morpologi dan

identifikasi jenis sel, mengatasi permasalahan keberadaan

sel radang dan proses eliminasi citra sel radang, yang belum

pernah dilakukan dalam penelitian lain.

Masing-masing penelitian

memiliki kontribusi yang

berbeda sehingga dapat

dinyatakan memiliki

kemiripan 0%.

PEROLEHAN CITRA SEL TUNGGAL PAP SMEAR UNTUK

DETEKSI DINI KANKER SERVIKS MELALUI PROSES

PEMISAHAN SEL TUMPANG TINDIH DAN

ELIMINASI SEL RADANG

DISERTASI

Karya tulis sebagai salah satu syarat

untuk memperoleh gelar Doktor dari

Institut Teknologi Bandung

Oleh

DWIZA RIANA

NIM : 33211015

(Program Studi Teknik Elektro dan Informatika)

INSTITUT TEKNOLOGI BANDUNG

2015

ABSTRAK

PEROLEHAN CITRA SEL TUNGGAL PAP SMEAR UNTUK

DETEKSI DINI KANKER SERVIKS MELALUI PROSES

PEMISAHAN SEL TUMPANG TINDIH

DAN ELIMINASI SEL RADANG

Oleh

Dwiza Riana

NIM : 33211015

Diagnosis kanker serviks pada citra Pap smear terkadang sulit dilakukan

padahal merupakan prosedur yang sangat penting. Untuk memperoleh informasi

diagnostik yang dapat diandalkan, nukleus dan karakteristik sel harus diidentifikasi

dan dievaluasi dengan benar. Namun, kehadiran sel-sel radang dan sel tumpang

tindih dalam citra mikroskopik Pap smear mempersulit proses deteksi. Disertasi ini

difokuskan pada pengembangan metode segmentasi citra untuk secara efisien

menangani masalah keberadaan spesifik sel-sel radang dan sel tumpang tindih pada

citra mikroskopik Pap smear untuk mendapatkan sel tunggal bagi deteksi dini

kanker serviks. Citra mikroskopik Pap smear memiliki kompleksitas dan

karakteristik tertentu, tantangan bagi setiap metode segmentasi untuk mengatasi

kompleksitas dan masalah citra Pap Smear, yaitu tingginya tingkat tumpang tindih

sel, kurangnya homogenitas dalam intensitas citra dan keberadaan sel-sel radang.

Tujuannya untuk mencapai identifikasi akurat dari daerah tertentu yang menjadi

perhatian, dan agar mendapatkan kesimpulan yang dapat diandalkan tentang konten

dari citra Pap smear. Pengolahan citra Pap smear terkait dengan beberapa aspek

dari bidang ilmiah pengolahan citra biomedis, seperti deteksi objek, delinasi objek,

pemisahan bagian yang tumpang tindih dan identifikasi normal dan abnormal dari

objek sel dalam citra yang mengandung noise dan artefak. Permasalahan dalam

penelitian ini adalah mengatasi keberadaan sel tumpang tindih dan sel radang pada

citra mikroskopik Pap smear. Membangun teknik segmentasi pada citra sel

tumpang tindih adalah rintangan utama untuk analisis sel servik. Dalam penelitian

ini, algoritma segmentasi dikembangkan untuk pemisahan sel tumpang tindih dan

segmentasi sel radang pada citra Pap smear. Tahapan pre-processing berupa

konversi warna, peningkatan citra, pengenalan objek dan pembersihan latar

belakang dengan rule klasifikasi tekstur untuk menghasilkan cropping sel tumpang

tindih secara otomatis. Segmentasi sel tumpang tindih dilakukan untuk segmentasi

sitoplasma tumpang tindih dan daerah tumpang tindih dengan graylevel

thresholding. Proses selanjutnya dilakukan delinasi sel tumpang tindih dengan

empat proses yaitu pembagian daerah tumpang tindih, pencarian jarak terdekat dari

pinggiran daerah tumpang tindih, penyambungan pinggiran sitoplasma tumpang

tindih dengan pendekatan geometri dan proses isolasi sel tumpang tindih. Proses ini

menghasilkan perolehan citra sel tunggal. Tahap selanjutnya dilakukan eliminasi

ii

sel radang dan deteksi nukleus dengan kombinasi graylevel thresholding dan

defenisi aturan jarak. Akhirnya dilakukan analisa morphologi dan identifikasi sel

untuk menentukan kenormalan sel. Metode pemisahan sel tumpang tindih

dievaluasi dengan menggunakan 21 citra yang mengandung 24 citra sel tumpang

tindih, 61 sel nukleus dan 155 sel radang dengan lima ukuran daerah tumpang tindih

yang berbeda-beda yaitu >150x200 piksel, > 100 x 200 piksel, >150x150 piksel,

>150x200 piksel, >100x100, dan >200x200 piksel. Dari analisis data uji citra

mikroskopik Pap smear menunjukkan pemisahan sel tumpang tindih dapat

menghasilkan perolehan citra tunggal Pap smear. Metode eliminasi sel radang

dapat secara signifikan menghilangkan sel-sel radang dan mendeteksi nukleus pada

142 citra sel tunggal yang berhasil diisolasi, di mana identifikasi berupa fitur area,

perimeter dan roundness nukleus dan sitoplasma serta klaisikasi sel dapat

dilakukan. Hasil penelitian menunjukkan bahwa metode eliminasi sel radang secara

signifikan menyederhanakan proses deteksi nukleus, sehingga mengurangi jumlah

sel inflamasi yang dapat mengganggu Aspek-aspek yang dibahas dalam penelitian

ini, memberikan konteks yang terintegrasi untuk analisis secara efisien bagi deteksi

otomatis kanker serviks untuk segmentasi sel radang dan pemisahan sel tumpang

tindih pada citra sel mikroskopik Pap smear.

Kata kunci: citra Pap smear images, nukleus, sel radang, sel tumpang tindih,

segmentasi, threshold, area, perimeter, roundness, cervical cancer. Total kata:

496

iii

ABSTRACT

IMAGE ACQUISITION OF PAP SMEAR SINGLE CELL FOR

EARLY DETECTION OF CERVICAL CANCER CELLS

THROUGH THE PROCESS OF SEPARATION OF

OVERLAPPING CELLS AND ELIMINATION OF

INFLAMMATORY CELLS By

Dwiza Riana

NIM : 33211015

The diagnosis of cervical cancer in Pap smear images is a difficult though

extremely important procedure. In order to obtain reliable diagnostic information,

the nuclei and their characteristics must be correctly identified and evaluated.

However, the presence of inflammatory and overlapping cells in these images

complicates the detection process. This dissertation is focused on the development

of image segmentation methods for efficiently handle specific problems presence

of inflammatory cells and cell overlapping on the Pap smear microscopic images to

obtain single cells for early detection of cervical cancer. Microscopic Pap smear

image present great complexity and particular characteristics, the challenge for any

methodology is to overcome the complexity and problems on Pap smear images,

namely, the high degree of cell overlapping, the lack of homogeneity in image

intensity and the existence of inflammatory cells. The goal is to achieve an accurate

identification of the region of interest, and as a result to obtain reliable conclusions

about the content of the Pap smear images. The processing of Pap smear images is

related with several aspects of the scientific field of biomedical image processing,

reviews such as object detection, object delineation, separation of partially occluded

or overlapping objects and identification of normal and abnormal objects in images

containing noise and artifacts.

The problem in this research is to overcome the existence of overlapping

cells and inflammatory cells in the microscopic image of the Pap smear. Develoving

segmentation techniques for overlapping cell has become a major hurdle for

automated analysis of cervical cells. In this research, the segmentation algorithms

developed for the separation of overlapping cells and inflammatory cells in the

image segmentation Pap smear. The pre-processing such as color conversion, image

enhancement, object recognition and cleaning background with rule of texture

classification to generate a cropping overlapping cell automatically. The

segmentation of overlapping cell segment such as segmentation of cytoplasm

overlapping, and segmentation of areas overlapping with graylevel thresholding.

The delineation of overlapping cell with four processes, namely the division of areas

overlapping, the search for the closest distance from the edges area overlapping,

outskirts of cytoplasmic splicing overlap with the approach of geometry and

isolation of cells overlapping. This process resulted in the acquisition of the image

of a single cell. The next stage is detection of

iv

inflammatory cells and nucleus performed by definition of distance rule. Finally,

morphological analysis and identification of the cell automatically to determine the

normality of the cell. Overlapping cell separation methods were evaluated using 21

images containing 24 images of overlapping cells , 61 cells and 155 cell nucleus

inflammation in five overlapping areas with different size are > 150x200 pixels,>

100 x 200 pixels,> 150x150 pixels,> 150x200 pixels,> 100x100, and> 200x200

pixels. Analysis of the test data Pap smear microscopy image shows the separation

of overlapping cells can produce a single image acquisition Pap smear. The method

of elimination of inflammatory cells can significantly eliminate inflammatory cells

and detect nuclei in all the image of 142 single cells of data set, where the

identification of such features area, perimeter and roundness of the nucleus and the

cytoplasm and cell classification can be done. The results show that this method

significantly simplifies the process of detection nucleus, thereby reducing the

number of inflammatory cells that can interfere. The aspects discussed in this study,

provide an integrated context for analysis efficiently for automated detection of

cervical cancer for segmentation of inflammatory cells and separation of

overlapping cell on Pap smear microscopic cell images.

Keyword: Pap smear images, nucleus, inflammatory cells, overlapping cells,

segmentation, threshold, area, perimeter, roundness, cervical cancer.

v

vi

Dipersembahkan kepada Ibunda Hj Salbiyah Saropi, Ayahanda H. Zakaria

Husein Safe’i. Suami terkasih H. Moch. Hendro Gunawan, Anak-anakku Alya

Shafira Hewiz dan Rayhan Konan Ferdion

vii

PEDOMAN PENGGUNAAN DISERTASI

Disertasi Doktor yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan

Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak

cipta ada pada pengarang dengan mengikuti aturan HaKI yang berlaku di Institut

Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi

pengutipan atau peringkasan hanya dapat dilakukan seizin pengarang dan harus

disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya.

Memperbanyak atau menerbitkan sebagian atau seluruh disertasi haruslah seizin

Direktur Program Pascasarjana, Institut Teknologi Bandung.

viii

KATA PENGANTAR

Penulis bersyukur ke hadirat Allah SWT. Hanya berkat dan rakhmat Allah SWT

penulis dapat menyelesaikan penulisan disertasi ini, yang merupakan salah satu

syarat untuk memperoleh gelar Doktor dari Institut Teknologi Bandung.

Penulis sangat berterima kasih pada Prof. Dr. Ir. Tati Latifah R. Mengko, sebagai

ketua Tim Pembimbing atau promotor, atas segala saran, bimbingan dan nasehatnya

selama penelitian berlangsung dan selama penulisan disertasi ini.

Penulis juga berterima kasih atas saran, kritik dan nasehat dari anggota Tim

Pembimbing atau co promotor Dr. Ir. Dwi H. Widyantoro.

Penulis mengucapkan terima kasih kepada seluruh pimpinan, dosen dan staf di

lingkungan STEI ITB dan Sekolah Pasca Sarjana yang telah memberikan arahan

dan bantuan kepada penulis selama mengikuti perkuliahan di Program Doktor.

Penulis juga berterima kasih kepada Laboratorium Patologi Klinik Veteran

Bandung, tempat penulis mendapatkan data citra Pap smear. Kepada dr Oemie

Kalsoem, Sp. PA selaku Kepala Laboratorium Khusus Patologi Veteran Bandung

dan dokter ahli patologi atas bantuan verifikasi ilmiah serta telah berkolaborasi

dengan penulis dalam proses penelitian.

Terima kasih disampaikan kepada Kementerian Pendidikan Dan Kebudayaan

Direktorat Jenderal Pendidikan Tinggi atas bantuan Beasiswa program doktor

BPPDN angkatan 2011, Beasiswa Sandwich Program/ Program Peningkatan

Publikasi Internasional Mahasiswa S3 di Ioannina of University (2013) dan hibah

Penelitian Disertasi Doktor dari Ditlitabmas tahun 2014, yang diterima selama

pendidikan program doktor.

ix

Terima kasih kepada Prof. Christophoros Nikou, Marina E. Plissiti, PhD, dan

Vrigkas Michalis atas diskusi, masukan dan bantuan kepada penulis dalam

penulisan jurnal dan bantuan selama melakukan penelitian di Ioannina, Greece.

Ketua Yayasan Bina Sarana Informatika (BSI) dan Ketua Yayasan Indonesia Nusa

Mandiri beserta segenap pengurus yayasan yang telah memberikan kesempatan dan

bantuan baik moril maupun materiil bagi penulis untuk melanjutkan studi di

Program Doktor STEI ITB. Direktur BSI dan seluruh jajarannya. Rektor dan staf

karyawan di Universitas BSI Bandung atas kerjasama selama ini sehingga ritme

kerja dan kuliah dapat berdampingan secara dinamis.

Suamiku tercinta H. Moch. Hendro Gunawan, ST, MT, atas pengertian, perhatian,

dukungan moril dan doa’nya, semoga ALLAH membalas kebaikan mas dengan

pahala yang berlipat ganda. Putri dan putra kami tercinta Alya Shafira Hewiz dan

Rayhan Konan Ferdion atas kesabaran dan keikhlasan waktu untuk menemani di

setiap kondisi.

Papak dan Mamak, serta Mami dan Opa terima kasih atas segala doa, cinta, kasih

sayang, dan dukungan yang tiada batasnya, semoga ALLAH melimpahkan berkah

sebagai balasannya, Cak, Kak Toton, adik-adik (Triza-Kia, Andi-Tini, Fauzan- Irin)

serta seluruh keluarga besar Soedijono, Saropi dan Monasir yang senantiasa

mengiringi dengan doa, harapan dan semangat.

Teman-teman di Program Doktor STEI ITB, khususnya angkatan 2011, 2010 dan

2013 terima kasih atas semangat, kerjasama dan bantuan yang diberikan selama

menjalani perkuliahan. Pak Tohir atas waktu diskusi dan debat dalam memahami

Matlab.

x

DAFTAR ISI

ABSTRAK .............................................................................................................. i

ABSTRACT .......................................................................................................... iii

PEDOMAN PENGGUNAAN DISERTASI ...................................................... vii

KATA PENGANTAR ........................................................................................ viii

DAFTAR ISI .......................................................................................................... x

DAFTAR GAMBAR DAN ILUSTRASI .......................................................... xiv

DAFTAR TABEL............................................................................................. xviii

DAFTAR ISTILAH DAN DEFINISI ................................................................ xx

DAFTAR SINGKATAN DAN LAMBANG .................................................... xxi

Bab I Pendahuluan .......................................................................................... 1

I.1 Latar Belakang ..................................................................................... 1

I.2 Rumusan dan Batasan Masalah ........................................................... 3

I.3 Tujuan .................................................................................................. 4

I.4 Ruang Lingkup .................................................................................... 4

I.5 Hipotesis .............................................................................................. 5

I.6 Peta Jalan Penelitian dan Kontribusi ................................................... 5

I.6.1 Peta Jalan Penelitian ...................................................................... 8

I.6.2 Kontribusi Penelitian ................................................................... 13

I.7 Sistematika Penulisan ........................................................................ 13

Bab II Tinjauan Pustaka .............................................................................. 15

II.1 Penelitian Kanker Serviks dan Citra Sel Mikroskopik Pap

smear 15

II.2 Citra Tunggal dan Tumpang tindih Pap smear .................................. 16

II.3 Segmentasi pada Citra Pap smear ..................................................... 18

II.3.1 Pengaturan Thresholding ............................................................. 18

II.3.2 Deteksi Tepi (Edge Detection) .................................................... 19

II.3.3 Morphologi Matematika (Mathematical Morphology) ............... 21

II.3.4 Klasifikasi piksel (Pixel Classification) ...................................... 22

II.3.5 Pencocokan Bentuk (Template Matching) .................................. 24

II.3.6 Model Perubahan bentuk (Demorfable Models) ......................... 25

II.3.7 Segmentasi pada Citra Sel Tumpang tindih ................................ 26

xi

II.3.8 Klasifikasi Citra Sel Pap smear ................................................... 32

Bab III Akuisisi dan Komponen Citra Mikroskopik Pap smear .................... 35

III.1 Sampel Pap smear dan Permasalahannya ................................................. 35

III.2 Proses Akuisisi Sampel Mikroskopik Pap smear pada Laboratorium

Khusus Patologi Veteran Bandung ................................................................... 37

III.3 Jenis dan Komponen Citra Mikroskopik Pap smear ................................ 43

III.4 Segmentasi Area Nukleus dan Perbandingan dengan Area Sitoplasma .. 47

Bab IV Eliminasi Sel Radang dan Deteksi Nukleus pada Citra Sel Tunggal

Pap smear 54

IV.1 Material dan Metode .......................................................................... 56

IV.1.1 Pre-processing ............................................................................. 58

IV.1.2 Segmentasi Citra dan Sub Citra ................................................... 60

IV.1.3 Ekstraksi Sel Radang dan Deteksi Nukleus ................................. 63

IV.1.4 Analisa Morphologi dan Identifikasi Sel ..................................... 65

IV.2 Hasil Eksperimen ............................................................................... 68

IV.2.1 Studi Group ................................................................................. 68

IV.2.2 Evaluasi Numerik ........................................................................ 68

IV.2.3 Hasil Analisa Fitur Morphologi ................................................... 73

IV.3 Diskusi ............................................................................................... 76

IV.3.1 Evaluasi dari metode yang diusulkan .......................................... 76

IV.3.2 Perbandingan Metode Usulan dengan Metode Lain ................... 78

Bab V Pemisahan Sel Tumpang Tindih dan Eliminasi Sel Radang Pap

Smear 81

V.1 Delinasi Sel Tumpang Tindih. ........................................................... 83

V.2 Material dan Metode .......................................................................... 89

V.2.1 Pre-processing ............................................................................. 95

V.2.2 Cropping sel tumpang tindih otomatis ...................................... 105

V.2.3 Segmentasi Sel Tumpang Tindih ............................................... 105

V.2.4 Hasil Delinasi Sel Tumpang Tindih .......................................... 106

V.2.5 Deteksi nukleus dan sel radang pada sel tunggal ...................... 108

V.2.6 Analisa Morphologi dan Identifikasi Sel ................................... 109

V.3 Hasil Eksperimen dan Evaluasi ....................................................... 110

xii

V.3.1 Evaluasi Numerik ...................................................................... 110

V.3.2 Studi Group ............................................................................... 115

V.3.3 Hasil Analisa Fitur Tekstur dan Morphologi ............................. 118

V.4 Diskusi ............................................................................................. 124

Bab VI Kesimpulan dan Pengembangan Riset ......................................... 130

VI.1 Kesimpulan ...................................................................................... 131

VI.2 Pengembangan Riset ........................................................................ 132

DAFTAR PUSTAKA ........................................................................................ 133

RIWAYAT HIDUP ........................................................................................... 141

xiii

DAFTAR LAMPIRAN

Lampiran 1. Makalah pada International Journal of E-Health and

Medical Communications (IJEHMC)

2. Makalah pada American Institute of Physics (AIP)

Publishing ............................................................................ 144

xiv

DAFTAR GAMBAR DAN ILUSTRASI

Gambar I.1 Peta Penelitian Citra Pap smear Tahun 1981 – 2008 ....................... 6

Gambar I.2 Peta Penelitian Citra Pap smear Tahun 2009 – 2015 ………… 7

Gambar I.3 Citra (a) dan (b) adalah contoh citra yang digunakan dalam

penelitian ini yang memiliki sel tunggal, nukeus dan sitoplasma

yang tumpang tindih dan sel radang. Citra tunggal

penelitian sebelumnya citra (c) dan (d) oleh Plissiti dan

Nikou (2013) tanpa sel radang ············································8

Gambar II.1 Proses Pengambilan Sampel Pap smear (Riana, 2010) ··············· 15

Gambar II.2 Penelitian Kanker Serviks ················································· 16

Gambar II.3 Sel tunggal (a) dan tumpang tindih (b) dengan sel radang ............... 17

Gambar III.1 Contoh Sampel Pap smear konvensional ······························· 35

Gambar III.1 Sistem Berjalan Pemeriksaan Slide Pap smear di Laboratorium

Patologi Klinik Veteran Bandung ······································· 39

Gambar III.2 Proses Akuisisi Citra ....................................................................... 40

Gambar III.4 Database Citra tunggal dan tumpang tindih dengan sel radang

Pap smear (1a) Slide CV-140949 dan (1b) CV-142200 ................... 42

Gambar III.5 Contoh Citra Pap smear Konvensional Sel bertumpuk dan

Dipenuhi Sel radangRadang ·············································· 43

Gambar III.6 Contoh lactobacilli sebagai latar belakang pada citra Pap smear 47

Gambar III.7 Citra asli sel nukleus hasil cropping kelas normal dan abnormal

(1a-7a) dan hasil penggabungan citra R+G+B masing-masing

kelas (1b -7b)....................................................................................48

Gambar III.8 Contoh hasil akhir luas nukleus salah satu citra yang diterapkan

pada 4 metode deteksi tepi ............................................................. 48

Gambar III. 9 Grafik Rekomendasi Kanal Warna untuk Setiap

Kelas ................................................................................................ 52

Gambar IV.1 Contoh Citra Asli ························································· 56

Gambar IV.2 Skema segmentasi dan eliminasi sel radang pada sel tunggal ....... 57

Gambar IV.3 Citra asli dan hasil pre-processing ................................................. 59

Gambar IV.4 Citra invert binary dan hasil cropping otomatis sel ················· 61

xv

Gambar IV.5 Ilustrasi centroid dan bounding box ································· 61

Gambar IV.6 Hasil tahapan preprocessing pada sub citra.························ 62

Gambar IV.7 Kandidat Nukleus dalam Sel ········································· 63

Gambar IV.8 Ekstraksi sel radang sebuah citra setelah aplikasi metode

yang diusulkan ·························································· 64

Gambar IV.9 Proses Eliminasi sel radang··········································· 66

Gambar IV.10 Hasil eliminasi sel radang, (a) Sel radang yang telah

diekstraksi jenis sel telah diidentifikasi dan (b) Menunjukkan

nilai fitur dari nukleus terdeteksi.····································· 66

Gambar IV.11 Hasil dari metode yang diusulkan untuk ekstraksi sel radang

dan deteksi sitoplasma dan nukleus ································· 69

Gambar IV.12 Grafik yang menunjukkan perbandingan area nukleus

(kurva bawah) dan sitoplasma (kurva atas)untuk 86 citra········· 73

Gambar IV.13 Grafik perbandingan nilai perimeter 86 citra, sitoplasma

(‘+’) dan nukleus (garis kontinu) ···································· 73

Gambar IV.14 Grafik Garis Perbandingan Roundness antara Sitoplasma

dan Nukleus······························································ 74

Gambar IV.15 Citra hasil reduksi sel radang pada sel tumpang tindih. Citra

asli (a) (c) dan citra hasil dimana sitoplasma dideteksi sebagai

satu sel (b) (d) ··························································· 75

Gambar IV.16 Data latih untuk klasifikasi Bayesian ····························· 77

Gambar V.1 Ilustrasi Pemisahan Sel Tumpang Tindih. ·························· 82

Gambar V. 2 Posisi Titik Kriteria 1 ················································· 85

Gambar V. 3 Posisi Titik Kriteria 2 ················································· 85

Gambar V. 4 Posisi Titik Kriteria 3 ················································· 85

Gambar V. 5 Posisi Titik Kriteria 4 ·················································· 86

Gambar V. 6 Posisi Titik Kriteria 5 ················································· 86

Gambar V. 7 Posisi Titik Kriteria 6 ················································· 86

Gambar V. 8 Posisi Titik Kriteria 7 ·················································· 86

Gambar V. 9 Posisi Titik Kriteria 8 ················································· 87

Gambar V.10 Contoh Citra masukan ukuran 1280 x720 dengan dua sel

tumpang tindih (1) dan ukuran 1600x1200 dengan lima sel

xvi

tumpang tindih (2) ............................................................................ 89

Gambar V.11 Skema pemisahan sel tumpang tindih dan eliminasi sel radang 92

Gambar V.12 Citra hasil proses konversi warna dan peningkatan citra ··········· 95

Gambar V.13 Objek-objek yang dikenali dalam citra sel tumpang tindih ········· 96

Gambar V.14 Arah-arah yang ada pada GLRL ········································ 98

Gambar V.15 Proses cropping manual sel nukleus dan sel radang .................... 100

Gambar V.16 Hasil CCI untuk Decision Tree learning algorithm (J48) 135º ... 101

Gambar V.17 Rule Klasifikasi Fitur GLRLM untuk Sel Nukleus dan

Sel Radang ..................................................................................... 102

Gambar V.18 Citra sel tumpang tindih hasil dari pembersihan latar belakang 103

Gambar V.19 Hasil pre processing citra cropping sel tumpang tindih (a-c)

dan daerah tumpang tindih (d-e) ······································· 103

Gambar V.20 Hasil segmentasi citra sel tumpang tindih ··························· 104

Gambar V.21 Contoh hasil segmentasi citra daerah tumpang tindih ············· 105

Gambar V.22 Citra hasil pembagian daerah tumpang tindih menjadi

dua bagian ································································ 105

Gambar V. 23 Hasil Penyambungan Pinggiran Sitoplasma ······················· 106

Gambar V. 24 Hasil proses delinasisel dan hasil akhir citra-citra tunggal ······· 106

Gambar V. 25 Ilustrasi deteksi sel nukleus dan radang pada citra ················ 107

Gambar V. 26 Hasil akhir deteksi sel nukleus dan radang ························· 108

Gambar V. 27 Proses Citra sel tumpang tindih, sel tunggal dan sel radang ····· 109

Gambar V. 28 Contoh Hasil Pemisahan Sel Tumpang Tindih dan Eliminasi

Sel Radang ································································ 110

Gambar V. 29 Proses Pemisahan Sel Tumpang Tindih dan Eliminasi Sel

Radang ····································································· 114

Gambar V.30 Ilustrasi proses isolasi citra sel tumpang tindih pada beberapa

Citra dengan ukuran daerah tumpang tindih (a) > 100 x 200,

(b) >150x200, (c) >150x150, (d) >150x200 .................................. 115

Gambar V.31 Hasil akhir fitur morphologi dan identifikasi jenis sel ············ 116

Gambar V.32 Grafik Nilai Mean Sel Nukleus dan Sel Radang .............., ......... 118

Gambar V.33 Grafik perbandingan nilai area, roundness dan perimeter

nukleus citra sel tunggal terdeteksi .............................................. 121

xvii

Gambar V. 34 Grafik perbandingan nilai area nukleus dan area

sitoplasma ······························································ 121

Gambar V.35 Sel Nukleus dan Sel Radang yang terdeteksi ............................. 123

Gambar V.36 Citra dengan lima sel tumpang tindih ......................................... 124

Gambar V.37 Hasil pre-processing sel tumpang tindih dan daerah

tumpang tindih ............................................................................. 124

Gambar V.38 Ilustrasi Proses Delinasi pada Citra Empat Sel

Tumpang Tindih ........................................................................... 125

Gambar V.39 Grafik Nilai Daerah Tumpang Tindih dan Total

Waktu Proses .............................................................................. 126

xviii

DAFTAR TABEL

Tabel II.1 Kelebihan dan Keterbatasan dari Metode Penentuan Sel Citra

Pap smear ····························································································· 28

Tabel II.2 Rangkuman Teknik Segmentasi ············································· 31

Tabel III.1 Karakteristik 7 Kelas Sel Tunggal Pap smear (Riana dkk. 2010) ····· 44

Tabel III.2 Data Herlev (Jantzen,J.dkk. 2005) ········································· 47

Tabel III.3 Jumlah citra pada masing-masing kelas yang luas nukleusnya

mendekati luas manual ······················································· 49

Tabel III.4 Perbandingan korelasi Spearman’s rho (r) untuk 280 luas citra

sel nukleus ······································································ 49

Tabel III.5 Perbandingan korelasi Spearman’s rho untuk modifikasi kanal

warna pada kelas normal ····················································· 51

Tabel III.6 Perbandingan korelasi Spearman’s rho untuk modifikasi kanal

warna pada kelas abnormal ·················································· 51

Tabel III.7 Rangkuman hasil nilai korelasi Spearman rho untuk kelas normal

dan abnormal ··································································· 52

Tabel III.8 Rasio Area Nukleus dan Sitoplasma pada Tujuh Kelas

(diolah dari data Herlev (jantzen, 2005)) ··································· 53

Tabel IV.1 Contoh fitur sitoplasma dan nukleus sel tunggal ························ 65

Tabel IV.2 Algoritma_Segmentasi _Sel_Radang_pada_Citra_Sel_Tunggal_

Pap_ smear ···································································· 67

Tabel IV.3 Eksekusi Citra ································································ 69

Tabel IV.4 Perhitungan Sensitivity dan Specificity 79 Citra ························ 71

Tabel IV.5 Perbandingan nilai mean dan standar deviasi fitur sitoplasma

dan nukleus ····································································· 74

Tabel IV.6 Nilai Parameter-Parameter ·················································· 77

Tabel IV.7 Perbandingan Citra Hasil dari Ketiga Metode ··························· 78

Tabel V.1 Algoritma_Pembagian_Daerah_Tumpang_Tindih ······················· 83

Tabel V.2 Algoritma_Pencarian_Jarak_Terdekat ····································· 84

Tabel V.3 Ketentuan Penyambungan Daerah Tumpang tindih Sel

Horizontal ······································································· 84

Tabel V.4 Algoritma_Penyambungan_Pinggiran_Sitoplasma ······················ 87

xix

Tabel V.5 Algoritma_Isolasi_Sel_Tumpang_Tindih ································· 88

Tabel V.6 Data Citra yang Digunakan dalam Penelitian ····························· 90

Tabel V.7 Algoritma_ Pemisahan_Sel_Tumpang_Tindih_ dan eliminasi_sel

radang ··········································································· 93

Tabel V.8 Algoritma_Mencari_Nilai_GLRLM ····································· 101

Tabel V.9 Perhitungan Nilai Sensitivity dan Specificity ····································· 111

Tabel V.10 Eksekusi Seluruh dalam Menit ·········································· 112

Tabel V.11 Nilai Parameter Deteksi Otomatis dan Pemisahan

Sel Tumpang Tindih ························································ 113

Tabel V.12 Nilai Tekstur arah 135º untuk Sel Nukleus ···························· 118

Tabel V.13 Nilai Tekstur arah 135º untuk Sel Radang ....................................... 118

Tabel V.14 Hasil Fitur Morpologi Citra Sel Tunggal Terdeteksi ················ 119

Tabel V.15 Contoh Hasil Identifikasi Sel Tunggal Terdeteksi .......................... 122

Tabel V.16 Perbandingan Metode Usulan dengan State of The Art * ................ 127

xx

DAFTAR ISTILAH DAN DEFINISI

No Nama Defenisi Konseptual Keterangan

1 Sel Tunggal

Satu sel yang terdiri dari

sitoplasma dan nukelus. Sel relatif

kecil, bentuk bulat, dengan inti

besar, letaknya di tengah,

sitoplasma sedikit, padat, agak

gelap, dan berwarna basofil

(Lestadi, 2009).

2 Sel

Tumpang

Tindih

Dua atau lebih sel tunggal yang

bertumpuk atau tumpang tindih.

3 Sitoplasma

Sitoplasma adalah bagian sel yang

terbungkus membran sel. Pada sel

eukariota, sitoplasma adalah

bagian non-nukleus dari

protoplasma. Pada sitoplasma

terdapat sitoskeleton, berbagai

organel dan vesikuli, serta sitosol

yang berupa cairan tempat organel melayang-layang di dalamnya

4 Sel Nukleus

Nukleus (jamak: nuklei) dalam arti

umum adalah inti atau bagian

tengah yang dikelilingi bagian-

bagian lain dalam kelompok atau

kumpulan. Dalam biologi seluler,

nukleus memiliki arti khusus yaitu

inti sel, bagian dari sel yang

mengandung kromosom (materi genetik atau DNA).

5 Sel Radang

Sel radang atau inflamasi

berbentuk bulat kecil dan

berwarna hitam dalam konteks

penelitian ini adalah sel radang

mengganggu lapang pandang

pembacaan preparat. Jika terlalu

banyak sel radang dapat

menyulitkan diagnosa ahli patologi

karena sel-sel tertutup radang dan

lapang pandang menjadi kotor. Hal

ini menyulitkan penilaian pada sel.

xxi

DAFTAR SINGKATAN DAN LAMBANG

SINGKATAN Nama Pemakaian

pertama kali pada halaman

HVP

ACS

WHO

dkk

HD

C525

CH20

CH21

JPEG

GLCM

GLRLM

CV

CIN

NS

NI

NC

MLD

SD

MD

CIS

R

G

B

min

Max

ROI

RAM

Human Papilloma Virus

American Cancer Society

World Health Organization

dan kawan-kawan

Merk Kamera Logitech

Merek web cam

No Seri Mikroskop

No Seri Mikroskop

Joint Photographic Experts Group

Gray Level Co-occurrence Matrixr

Grey-Level Run-Length Matrix

Awalan nomor registrasi slide

Cervical Intraepithelial Neoplasia

Normal Superficial

Normal Intermediate

Normal Columnar

Mild (Light) Dysplasia

Severe Dysplasia

Moderate Dysplasia

Carcinoma In Situ

Red (merah)

Green (Hijau)

Blue (Biru)

minimum

Maximum

Regions of Interest

Random Access Memory

1

1

1

1

4

4

4

4

4

12

34

42

43

44

44

44

44

44

44

44

47

47

47

53

53

59

68

xxii

GB

TP

TN

FN

FP

SRE

LRE

GLN

RP

RLN

LGRE

HGRE

SRLGE

SRHGE

LRLGE

LRHGE

CCI

J 48

LAMBANG

f(x,y)

g(x,y)

fsmooth(x,y)

fsharp (x,y)

k

π

(m,n)

Si(mi,ni)

Cnj(mj,nj)

D

(Xi , Yj)

(Pi, Qi)

Gigabyte

True Positif

True Negatif

False Negatif

False Positif

Short Runs Emphasis

Long Runs Emphasis

Gray Level Nonuniformity

Run Percentage

Run Length Non-uniformity

Low Gray Level Run Emphasis

High Gray Level Run Emphasis

Short Run Low Gray-Level Emphasis

Short Run High Gray-Level Emphasis

Long Run Low Gray-Level Emphasis

Long Run High Gray-Level Emphasis

Correctly Classified Instances

Nama Algoritma

Fungsi f( x,y)

Fungsi f( x,y)

Fungsi pada rumus unsharp

Fungsi unsharp

Konstanta pada rumus unsharp

Phi

Baris dan kolom

Centroid Sitoplasma

Centroid Calon nukleus

Jarak Terdekat

Titik Boundary

Koordinat tepi tumpang tindih

68

70

70

70

70

98

98

98

98

99

99

99

100

100

100

100

101

101

59

59

59

59

59

65

67

67

67

67

89

83

xxiii

K

m

Y

X

p(i, j |θ)

Nr

Konstanta

Gradien

Sebuah fungsi garis

Variabel

Intensitas i dengan banyaknya elemen j,

dalam arah θ

Jumlah different run length

83

83

88

88

89

90

1

Bab I Pendahuluan

Pendahuluan ini dirinci dalam subbab, yaitu latar belakang, masalah penelitian,

tujuan, lingkup permasalahan, dan hipotesis yang digunakan, peta jalan penelitian

dan kontribusi yang dihasilkan, dan diakhiri dengan sistematika penulisan disertasi.

I.1 Latar Belakang

Kanker serviks disebabkan oleh Human Papilloma Virus atau yang lebih dikenal

dengan virus HPV. Pada tahun 2013, American Cancer Society (ACS)

memperkirakan bahwa 12.360 wanita didiagnosa kanker serviks, dan 4030 atau

hampir sepertiganya wanita akan meninggal karena penyakit kanker serviks (Siegel

dkk. (2014)). Di negara maju kejadian kanker serviks dan tingkat kematian telah

mengalami penurunan sejak diperkenalkannya test Pap oleh Papanicolaou (1942)

di pertengahan abad ke 20, dan secara kontinu mengalami penurunan sampai hari

ini (Howlander dkk. (2013)). Pada kurun waktu 2001-2010, kejadian kanker serviks

meningkat dengan rata-rata peningkatan pertahun 2.0% pada wanita dengan usia

lebih muda dari 50 tahun, dan 3.1% pada wanita usia 50 tahun dan lebih tua. Pada

periode yang sama, menurut Howlander dkk (2013) tingkat kematian rata-rata

menurun 1,3% pada wanita lebih muda dari 50 tahun dan 1.9% pada wanita usia 50

tahun ke atas. Pada tahun 2012 ACS bekerjasama dengan 25 organisasi bekerjasama

mengeluarkan panduan skrining kanker serviks untuk pencegahan dan deteksi dini

kanker serviks (Saslow dkk. 2012). Panduan skrining dibuat lebih spesifik yang

berdasarkan usia wanita, riwayat skrining, faktor resiko dan pemilihan skrining test

(Smith dkk. 2014). Sehingga memang memungkinkan terjadi penurunan angka

kematian akibat kanker serviks, selain itu di negara maju kesadaran pemeriksaan

dini sudah tinggi.

Di negara berkembang, kanker serviks adalah kanker kedua yang paling umum di

kalangan wanita, di mana lebih dari 85% dari 530 000 kasus baru kanker serviks

yang terjadi di seluruh dunia (Jemal dkk, 2011). Insiden kanker serviks menurut

World Health Organization (WHO) tiap tahun di seluruh dunia menunjukkan

bahwa rata-rata jumlah kasus baru sekitar 490.000 dan 240.000 diantaranya

2

meninggal (Prayitno, 2006). Estimasi kasus kanker serviks, seluruh dunia setiap

satu menit, satu kasus baru dan setiap dua menit, satu kematian (Kusuma (2012)).

Tingkat kanker serviks di Indonesia tinggi, laporan tentang kejadian kanker serviks

dan efektivitas skrining sangat terbatas. Rumah sakit pemerintah melaporkan

kanker serviks sampai 28% di antara semua kasus kanker perempuan, mewakili

75% dari semua kanker ginekologi yang sebagian besar didiagnosis pada stadium

lanjut menurut Tjindarbumi dkk. (2002) dan Aziz (2009). Insiden kanker serviks di

Indonesia setiap hari 41 kasus kanker serviks baru dan setiap hari terdapat 20

kematian akibat kanker serviks menurut Kusuma (2012).

Tes Papanicolaou juga disebut Pap smear atau tes Pap, adalah metode tes kesehatan

yang dapat membantu mencegah kanker serviks. Tujuan utama dari Pap smear

adalah untuk mendeteksi kelainan sel yang mungkin terjadi atau sebelum kanker

berkembang. Interpretasi yang benar dari pemeriksaan mikroskopis sel dan jaringan

sangat penting untuk keputusan diagnosis akhir penyakit.

Namun proses skrining Pap smear memiliki kelemahan, terutama di banyak negara

berkembang di mana jumlah ahli patologi yang bisa memeriksa slide tidak

memadai. Di Indonesia, dengan populasi wanita usia produktif yang tersebar di 32

propinsi dengan kendala sarana dan sumber daya manusia terbatas, diperkirakan 80

% cakupan pemeriksaan akan diselesaikan dalam lima tahun dengan 7.992.486 tes

Pap smear pertahun (Kusuma (2012)). Interpretasi visual dari citra Pap smear

adalah memakan waktu dan dalam banyak kasus rawan terjadi kesalahan prosedur

(Plissiti dkk. (2011a)). Ini merupakan konsekuensi dari kenyataan bahwa Pap

smear konvensional menunjukkan kondisi sel yang dipenuhi sel radang dan

tumpang tindih. Selain itu, terdapat variasi dalam pencahayaan dan konsentrasi

pewarna dari sel-sel karena prosedur pewarnaan. Juga, terdapat faktor

mikrobiologis lain yang mempengaruhi, seperti pengeringan udara, darah yang

berlebihan, lendir, bakteri, atau peradangan, yang membuat penentuan dari sel-sel

yang mencurigakan menjadi tugas yang sulit menurut Plissiti dkk. (2011a). Selain

itu masih sedikitnya ahli patologi yang terampil dan berpengalaman serta prosedur

yang sangat rentan terhadap kesalahan manusia, yang menyebabkan ketidaktepatan

dan inkonsistensi dari diagnosis (Kusuma (2012), Suryatenggara

3

dkk. (2009), Purwadi (2012)). Pada deteksi dini citra sel Pap smear dilakukan

pengamatan pada citra sel tunggal. Sehingga pada kondisi sel yang tumpang tindih

diperlukan teknik pemisahan sel tumpang tindih untuk mendapatkan citra sel

tunggal. Selain itu keberadaan sel radang juga perlu dieliminasi sehingga citra sel

tunggal cukup bersih dan terdiri dari nukleus, sitoplasma dan latar belakang. Selama

ini efisiensi analisis terhadap citra Pap smear menjadi perhatian banyak peneliti.

Metode deteksi dan segmentasi banyak diusulkan oleh beberapa peneliti yang

bertujuan membuat proses dan klasifikasi citra Pap smear menjadi akurat

diantaranya Isa, M. A. (2005), Chang dkk. (2009), Plissiti dkk. (2011a), Muhimmah

dkk. (2012), Moshavegh dkk. (2012), dan Tareef dkk (2015).

Dalam disertasi ini perolehan citra sel tunggal Pap Smear dilakukan melalui metode

pemisahan sel tumpang tindih dan eliminasi sel radang yang bertujuan menjadikan

proses deteksi dini kanker serviks menjadi lebih mudah untuk dilakukan. Hal ini

dapat membantu petugas laboratorium, ahli patologi dan dokter dalam mendeteksi

dini sel kanker serviks melalui pemeriksaan mikroskopik pada citra sel Pap smear.

I.2 Rumusan dan Batasan Masalah

Berdasarkan latar belakang maka rumusan dan batasan masalah penelitian ini

adalah sebagai berikut:

Rumusan Masalah:

1. Bagaimana memisahkan sel tumpang tindih menjadi sel tunggal sehingga

dapat membantu ahli patologi dalam deteksi dini kanker serviks?

2. Bagaimana mengatasi keberadaan sel radang pada citra sel tunggal

mikroskopis Pap smear sehingga proses identifikasi sel mudah dilakukan

dan membantu ahli patologi dalam deteksi dini kanker serviks?

Batasan masalah dari penelitian ini adalah:

1. Menggunakan citra dari hasil akuisisi citra sel tunggal dan sel tumpang

tindih yang memiliki sel radang dari Laboratorium Khusus Patologi Veteran

Bandung. Selain itu digunakan juga data Herlev (Jantzen, dkk, 2005). Kedua

kelompok data mikroskopik tes Pap smear tersebut sudah diverifikasi

secara manual oleh ahli patologi.

4

2. Akuisisi citra pada slide Pap smear mengikuti prosedur manual

mikroskopik cahaya seperti yang digunakan ahli patologi dengan

pencahayaan bervariasi sesuai fungsi yang ada pada mikroskop.

3. Citra analog yang digunakan dalam penelitian ini mengadopsi teknik

pewarnaan Pap smear dan standarisasi preparat yang telah baku dan

digunakan secara luas.

4. Program pendukung yang dibangun menggunakan personal komputer atau

laptop dengan spesifikasi yang umum digunakan di Indonesia.

I.3 Tujuan

Tujuan yang ingin dicapai dalam penelitian ini adalah:

1. Memperoleh citra sel tunggal Pap smear untuk deteksi dini kanker servik

melalui pemisahan sel tumpang tindih pada citra sel mikroskopis Pap smear

sehingga dapat membantu ahli patologi dalam deteksi dini kanker serviks.

2. Mengeliminasi sel radang untuk menangani keberadaan sel radang sehingga

proses identifikasi nukleus pada citra sel mikroskopis Pap smear menjadi

mudah dilakukan dan membantu ahli patologi dalam deteksi dini kanker

serviks.

I.4 Ruang Lingkup

Ruang lingkup penelitian terdiri dari pemisahan citra sel tumpang tindih dan

eliminasi sel radang untuk memperoleh citra sel tunggal Pap smear untuk deteksi

dini kanker serviks. Citra sel diakuisisi dari slide Pap smear yang diperoleh dari

Laboratorium Khusus Patologi Veteran Bandung. Akuisisi citra dilakukan

menggunakan logitech camera (Logitech HD webcam C525) yang terpasang pada

mikroskop Olympus CH20 dan Olympus CX21. Pembesaran digunakan 40x dan

citra disimpan dalam format JPEG. Citra masukan yang digunakan memiliki

karakteristik yang sesuai dengan tujuan penelitian dan mewakili permasalahan yang

dihadapi oleh ahli patologi pada deteksi dini Pap smear. Berjenis squamous

5

sel, yang terdiri dari citra berkelompok, baik sel tunggal maupun sel tumpang

tindih.

I.5 Hipotesis

Hipotesa_1 : Metode pemisahan sel tumpang tindih dapat menghasilkan citra sel

tunggal mikroskopis Pap smear sehingga dapat membantu ahli

patologi untuk mendeteksi dini kanker serviks.

Hipotesa-2 : Metode eliminasi sel radang pada citra tunggal Pap smear dapat

mengatasi persoalan keberadaan sel radang dan memudahkan

deteksi sel sehingga dapat membantu ahli patologi untuk

mendeteksi dini kanker serviks.

I.6 Peta Jalan Penelitian dan Kontribusi

Selama ini banyak metode muncul dalam literatur, yang ditujukan pada deteksi

nukleus dan sitoplasma dalam citra Pap smear. Dalam konteks ini, teknik

pengolahan citra dan ekstraksi ciri serta metode klasifikasi telah dikembangkan oleh

beberapa peneliti, untuk memperoleh kesimpulan yang berguna untuk karakterisasi

citra Pap smear. Alur penelitian yang akan disampaikan mengenai jenis sel yang

telah digunakan selama ini dalam penelitian citra Pap smear. Pada bagian ini juga

akan diberikan gambaran tentang fitur-fitur yang terkait dengan karakterisasi citra

Pap smear serta beberapa teknik segmentasi dan deteksi citra sel Pap smear dalam

rangka menjelaskan peta penelitian (the state of art) dalam bidang penelitian ini.

Gambar I.1 menunjukkan penelitian-penelitian yang telah dilakukan sejak tahun

1981 hingga 2008 yang terkait dengan citra sel Pap smear. Dapat dilihat bahwa

sebagian besar penelitian fokus pada citra sel tunggal tanpa sel radang, dan beberapa

peneliti telah melakukan upaya penelitian pada citra sel tumpang tindih.

Gambar I.2 merupakan pengelompokan penelitian pada tahun berikutnya 2009 –

2015, dari bagian ini terlihat bahwa penelitian tentang citra sel tumpang tindih mulai

banyak dilakukan.

6

Tahun

2008 Menggunakan edge

enhancement baru untuk

perbaikan tepi nukleus dan

deteksi kontur sitoplasma.

Memperkenalkan metode

baru pengukuran error. (Yang-Mao dkk)

2005 Berdasarkan teknik Region

growing untuk menentukan

titik lokasi dengan nilai

threshold ditentukan secara otomatis (Isa dkk)

2004 Memperkenalkan sebuah

fungsi kriteria baru

berdasarkan struktur statistik

dari objek yang digunakan (Bak dkk)

2003 Memperkenalkan langkah

optimasi yang didasarkan

pada algoritma genetik

untuk meningkatkan kualitas

segmentasi (Lassouaoui dan

Hamami )

2002 Menggabungkan informasi

warna pada watershed

segmentasi.

Tingkat akurasi segmentasi

tinggi (Lezoray dan Cardot)

2000 Memperkenalkan formulasi baru tranformasi Hough.

Menggunakan deformable

model untuk perbaikan batas sel (Garrido.dkk)

1998

Memastikan batas tertutup

nukleus dan sitoplasma

Tingkat akurasi segmentasi

tinggi. (Bamford, dkk)

Menggabungkan

pengetahuan tentang

bentuk sel.

Menginvestigasi kasus

sel - sel payudara

(Wu. dkk)

1996 Segmentasi sederhana untuk

menentukan batas sel

Nukleus (Bamford, dkk)

1981 Identifikasi sel nukleus

berdasarkan kontur

nukleus dan profile densitas (Bengston,dkk)

Jenis

Sel

Sel Tunggal Sel tumpang tindih Sel Tunggal +Sel Radang

Sel tumpang

tindih+ Sel Radang

Gambar I.1 Peta Penelitian Citra Pap smear Tahun 1981 – 2008.

Bagian yang diarsir pada Gambar I.2 merupakan posisi riset atau penelitian ini,

yaitu pada kelompok sel tunggal dengan sel radang dan sel tumpang tindih dengan

sel radang. Posisi penelitian ini berbeda dengan penelitian-penelitian sebelumnya

yang tidak memperhitungkan sel radang. Pada tahun 2014 terdapat satu penelitian

7

yang juga meneliti tentang sel radang tetapi jenis citra yang digunakan berbeda

dengan penelitian ini.

Tahun

Deteksi sitoplasma

dan nukleus dengan

fungsi multi level set

(Lu dkk.).

2015 Eliinasi Sel

Radang pada citra

Pap smear

Pemisahan sel

tumpang tindih

dan eliminasi sel

radang pada citra

tumpang tindih Pap smear.

2014 Deteksi sitoplasma

dan nukleus dengan

pengelompokan dan

klasifikasi piksel

serta segmentasi

wilayah tumpang tindih (Tareef dkk)

2013 Deteksi Sitoplasma dengan

Canny dan Otsu, fitur area,

perimeter dan roundness

(Riana.dkk)

Deteksi otomatis

nukleus cervical

ephitelial Pap

smear

kemungkinan

tumpang tindih

dan sel radang (Muhimmah,dkk)

Analisa tekstur nukleus

dengan klasifikasi decision

tree (Riana.dkk)

Deteksi area/luas nukleus

dengan 4 operator dan

modifikasi kanal warna (Riana.dkk)

Deteksi nukleus dan

sitoplasma

(Ushizima,dkk)

2012 Segmentasi nukleus pada

sel epithelial menggunakan

operasi morphologi dan

transformasi watershed (Muhimmah,dkk)

Deteksi nukleus pada citra

liquid Pap smear (Malviya,dkk)

Deteksi dan segmentasi

pada sel free-lying nukleus (Moshavegh,dkk)

2011 Menggunakan

matematika

morphologi untuk

deteksi otomatis

lokasi nukleus. (Plissiti dkk)

2010 Segmentasi

kelompok nukleus (Jung dan Kim)

Menggunakan citra

binary untuk

menghitung nukleus (Jung dkk )

2009 Memastikan batas tertutup pada sel (Lin dkk)

Jenis

sel

Sel Tunggal Sel tumpang tindih Sel Tunggal

dengan Sel Radang

Sel Tumpang

tindih dengan Sel Radang

Gambar I.2. Peta Penelitian Citra Pap smear Tahun 2009 – 2015

8

Selanjutnya akan dijelaskan mengenai peta jalan penelitian yang terkait dengan

Gambar I.1 dan Gambar I.2 tentang tiga bagian yaitu penelitian-penelitian yang

terkait dengan jenis sel yang digunakan dalam penelitian citra Pap smear, metode

segmentasi dan deteksi citra, serta klasifikasi citra sel Pap smear.

I.6.1 Peta Jalan Penelitian

a. Jenis Sel yang terdapat dalam Penelitian Citra Pap smear

Gambar I.3 adalah contoh citra penelitian yang digunakan dalam disertasi ini citra

(a) dan (b) yaitu citra sel tunggal dan sel tumpang tindih dengan sel radang. Salah

satu contoh citra Pap smear yang digunakan pada penelitian-penelitian sebelumnya

yaitu citra (c) dan (d) citra tunggal tanpa radang. Citra (b) dan (d) merupakan citra

hasil segmentasi manual oleh ahli Patologi.

(a) (b)

(c) (d)

Gambar I.3 Citra (a) dan (b) adalah contoh citra yang digunakan dalam penelitian

ini yang memiliki sel tunggal, nukeus dan sitoplasma yang tumpang tindih dan sel

radang. Citra tunggal penelitian sebelumnya citra (c) dan (d) oleh Plissiti dan

Nikou (2013) tanpa sel radang.

9

Banyak publikasi berkaitan dengan citra Pap smear, umumnya peneliti

menggunakan citra sel tunggal, seperti Bamford dkk. (1996), (1998), Garrido dkk.

(2000), Lezoray dan Cardot (2002), Bak dkk. (2004), Isa dkk. (2005), Lassouaoui

dan Hamami (2003), Yang-Mao dkk. (2008), Lin dkk. (2009), Moshavegh dkk.

(2012), Malviya dkk. (2012), dan Muhimmah dkk. (2012), mengidentifikasi citra

Pap smear yang hanya berisi satu sel atau sel tunggal atau sel terisolasi. Tetapi

untuk semua penelitian terdahulu tentang sel tunggal masalah sel-sel radang belum

dipertimbangkan dalam banyak metode.

Beberapa penelitian fokus pada sel tumpang tindih seperti Bengston dkk. (1981),

mengenali sel nukleus tumpang tindih. Wu dkk. (1998), menyelidiki kasus tumpang

tindih tetapi pada sel-sel payudara. Jung dkk. (2010), menggunakan citra biner

untuk menghitung nukleus yang tumpang tindih. Plissiti dkk. (2012a) fokus pada

deteksi nukleus dalam citra sel konvensional Pap smear yang mengandung sel-sel

tunggal dan kelompok sel. Ushizima dkk. (2013) mendeteksi sel tumpang tindih

pada citra Pap smear juga tanpa sel radang. Seperti halnya sel tunggal untuk semua

penelitian terdahulu tentang sel tumpang tindih, masalah sel-sel radang belum

dipertimbangkan juga dalam banyak metode.

Tahun 2013, ada penelitian yang menangani sel nukleus yang tumpang tindih dan

memiliki sel radang tapi pada jenis sel ephitelial Pap smear oleh Muhimmah dkk.

(2013). Tetapi penelitian tersebut belum mencakup tentang deteksi sitoplasma

hanya deteksi nukleus. Menurut Plissiti dan Nikou (2013) deteksi sitoplasma pada

sel tumpang tindih masih permasalahan yang sulit.

Hingga Tahun 2015 terdapat penelitian tentang sel nukleus dan sitoplasma tumpang

tindih. Tareef dkk. (2015) melakukan penelitian tentang deteksi nukleus dan

sitoplasma tumpang tindih dengan pengelompokan piksel dan klasifikasi piksel. Lu

dkk. (2015) mendeteksi nukleus dan sitoplasma tumpang tindih dengan fungsi multi

level set. Tetapi kedua peneliti tersebut tidak membahas keberadaan sel radang

dalam penelitian mereka. Sedangkan penelitian disertasi ini memiliki fokus pada

sel tunggal dan sel tumpang tindih yang memiliki sel radang serta tidak fokus hanya

terhadap deteksi nukleus saja tetapi juga mendeteksi sitoplasma tumpang tindih.

10

b. Metode Segmentasi dan Deteksi Otomatis Citra Sel Pap smear.

Selama ini penelitian tentang citra sel tunggal dan tumpang tindih lebih banyak

terfokus pada isolasi nukleus. Prasyarat untuk setiap pengolahan lebih lanjut dari

citra Pap smear dan pengambilan kesimpulan untuk karakterisasi citra Pap smear

menurut Plissiti dan Nikou (2012b) adalah penentuan akurat dari daerah nukleus.

Namun, lokasi nukleus yang tepat dan penggambaran nukleus yang akurat dalam

citra tidak jelas didefinisikan dalam banyak kasus, terutama karena sel sitoplasma

yang tumpang tindih, tidak konsisten pewarnaan dan adanya banyak latar belakang.

Sehingga tidak bisa dihindari bahwa penentuan batas-batas sitoplasma juga menjadi

bagian yang penting. Menurut Plissiti dan Nikou (2013), ada dua masalah yang

terbuka untuk setiap metode yang diusulkan untuk analisa otomatis citra Pap smear,

yaitu penentuan secara akurat posisi nukleus dan penggambaran yang tepat dari

nukleus. Kedua masalah tersebut memang paling banyak dicoba diselesaikan oleh

peneliti-peneliti sebelumnya. Sedangkan untuk kondisi citra sitoplasma tumpang

tindih masih belum banyak diteliti. Padahal kondisi sitoplasma yang tumpang tindih

banyak menjadi masalah pada pembacaan slide oleh ahli patologi.

Kondisi sel Pap smear yang tidak selamanya tunggal, tentu menimbulkan

permasalahan lain. Pada sel yang tumpang tindih bahkan yang memiliki sel radang

tidak saja pada dua masalah tersebut yang menjadi problem. Selain nukleus,

penentuan secara akurat posisi sitoplasma dan penggambaran yang tepat

sitoplasma, serta pembersihan sel radang menjadi penting dilakukan terutama pada

sel tumpang tindih. Sehingga ada beberapa masalah terbuka yang perlu diselesaikan

dalam penelitian citra Pap smear, yaitu deteksi yang tepat dari lokasi nukleus,

penentuan akurat dari batas nukleus, deteksi yang tepat dari lokasi sitoplasma,

penentuan akurat dari batas sitoplasma dan ekstraksi sel radang. Pada penelitian

disertasi ini semua masalah tersebut dicoba diselesaikan, mengingat data citra

penelitian ini memiliki semua permasalahan di atas.

Selama ini ada enam metode deteksi dan segmentasi dalam pengolahan citra Pap

smear (Plissiti dan Nikou, 2013). Metode-metode ini berhasil memisahkan latar

belakang citra dan untuk mengenali lokasi dan batas-batas sel. Empat metode

11

pertama, yaitu pengaturan thresholding oleh Cahn dkk. (1977), Borst dkk. (1979),

Bengtsson dkk. (1979), MacAulay dan Palcic (1988), Poulsen dan Pedron (1995),

Wu dkk. (1998a), Kim dkk. (2007), Li dkk. (2007), dan Chang dkk. (2009), deteksi

tepi (edge detection) oleh Tsai dkk. (2008), Yang dkk. (2008), Malm dan Brun

(2009), dan Lin dkk. (2009), matematika morphologi (mathematical morphology)

oleh peneliti-peneliti seperti Jackway (1995) dan (1996), Bamford dan Lovell

(1996), Kim dkk. (2006), Nallaperumal dan Krishnaveni (2008), Kale dan Aksoy,

(2010), dan Plissiti dkk. (2010), (2011a), (2011b), dan metode klasifikasi piksel

(pixel classification) oleh Lassouaoui dan Hamami (2003), Lezoray dan Cardot

(2002), Bak dkk. (2004), Sobrevilla dkk. (2008), Vaschetto dkk. (2009), Mustafa

dkk. (2009), Tareef dkk (2014), dan Lu dkk(2015). Dua metode berikutnya adalah

pencocokan bentuk (template matching) oleh Wu dkk. (1998b), Garrido dan de la

Blanca (2000), dan Plissiti dkk. (2012a). Metode terakhir model Perubahan bentuk

(deformable models) oleh Bamford dan Lovell (1998), Plissiti dkk. (2010), dan

Harandi dkk. (2010).

Menurut Plissiti dkk. (2011a), metode-metode tersebut belum dapat menangani sel

yang tumpang tindih secara sempurna. Penelitian pertama tentang segmentasi sel

tumpang tindih nukleus yang berhasil dilakukan oleh Bengtsson dkk. (1981).

Penelitian yang mengusulkan algoritma yang berdasarkan informasi kontur dan

kepadatan nukleus. Perlu dicatat bahwa kontur inti pada penelitian ini diekstrak

melalui prosedur thresholding. Berdasarkan pengetahuan tersebut maka dalam

penelitian ini untuk mengekstraksi sel radang dan deteksi nukleus serta sitoplasma

digunakan pula metode segmentasi thresholding.

Penelitian terkini menunjukkan segmentasi sel tumpang tindih cukup berhasil

dengan menggabungkan beberapa metode tersebut, seperti Tareef dkk. (2014)

mendeteksi cellular clump dan pengelompokan super piksel dengan klasifikasi

piksel dan pengaturan thresholding dalam proses segmentasi sitoplasma tumpang

tindih. Lu dkk. (2015) melakukan optimasi dengan fungsi multi level set untuk

deteksi otomatis dan segmentasi citra sel tumpang tindih. Walaupun belum

menghasilkan pemisahan sel tumpang tindih menjadi sel tunggal. Kedua penelitian

ini tidak mempertimbangkan keberadaan sel radang.

12

Penelitian disertasi ini mendeteksi secara otomatis segmentasi sel radang dan

pemisahan citra sel sitoplasma yang tumpang tindih. Beberapa metode dan

pengetahuan digabungkan untuk mengekstraksi sel radang dan memisahkan sel

tumpang tindih sehingga menghasilkan sel tunggal yang teridentifikasi fitur

nukleus, sitoplasma dan jenis sel.

c. Klasifikasi Citra Sel Pap smear.

Selama ini belum banyak penelitian tentang klasifikasi yang khusus untuk

membedakan citra sel nukleus dan sel radang. Banyak penelitian tentang klasifikasi

citra Pap smear bertujuan hanya untuk mengklasifikasi nukleus agar dapat

terbedakan ke dalam kelas-kelas normal dan abnormal. Penggunaan fitur kuantitatif

dan kualitatif data Jantzen (2005) dengan multiple classifier oleh Riana (2009),

penggunaan hierarchical decision approach berdasarkan importance performance

analysisis oleh Riana (2010) dan (2012a) untuk melakukan klasifikasi citra sel Pap

smear dari data Harlev (Martin, 2003) ke dalam dua dan tujuh kelas sel.

Analisa fitur berupa luas nukleus untuk penggunaan klasifikasi lebih lanjut

dilakukan oleh Riana dkk. (2012b), (2012d), (2014a) untuk citra sel normal, citra

sel abnormal (Riana dkk. (2012c)), perbandingan citra sel normal dan sel abnormal

(Riana dkk. (2013a)). Analisa fitur luas sitoplasma diteliti oleh Hasanuddin dkk.

(2012).

Analisa tekstur untuk data Herlev oleh Pratama dkk. (2013) dan Riana dkk. (2013b)

menghasilkan rule klasifikasi sel nukleus saja tetapi belum digunakan untuk

mendapatkan daerah tertentu pada sel. Penggunaan fitur-fitur yang dihasilkan dari

analisa morphologi untuk membedakan objek-objek yang ada dalam suatu citra

dilakukan oleh Soille dkk. (1999). Plissiti dkk. (2011b) menggunakan fitur

morphologi kedalaman intensitas untuk menentukan lokasi nukleus. Suryatenggara

dkk. (2009) menggunakan tiga parameter, yaitu rasio N/C, koefisien wavelet, dan

intensitas warna. Penggunaan Gray Level Co-occurrence Matrix (GLCM) oleh

Pratama dkk. (2013), dan Riana dkk. (2013b) hanya dilakukan pada citra sel nukleus

saja. Klasifikasi yang khusus untuk membedakan

13

sel nukleus dan sel radang dengan fitur GLCM untuk ekstraksi sel radang dan

nukleus oleh Riana dkk. (2014b). Sedangkan pada penelitian disertasi ini akan

menggunakan rule klasifikasi fitur GLRM sel nukleus dan sel radang untuk

menentukan daerah region minima dari citra sel sitoplasma tumpang tindih guna

mendukung proses pemisahan sel sitoplasma tumpang tindih menjadi sel tunggal.

Pada akhirnya dilakukan identifikasi kelas sel dengan menggunakan perbandingan

area nukleus dan sitoplasma.

I.6.2 Kontribusi Penelitian

Kontribusi yang diberikan dari penelitian ini adalah proses preprocessing untuk

mendapatkan citra sel tunggal Pap smear melalui proses pemisahan sel tumpang

tindih dan eliminasi sel radang untuk deteksi dini kanker serviks. Tujuannya adalah

untuk mencapai identifikasi akurat pada daerah yang menjadi titik perhatian dalam

kasus citra Pap smear yaitu nukleus serta untuk mendapatkan konten dari citra Pap

smear. Secara rinci kontribusi yang diberikan dari penelitian ini adalah:

K-1 Proses pemisahan dua citra sel tumpang tindih menjadi citra sel tunggal Pap

smear sehingga dapat membantu ahli patologi dalam deteksi dini kanker

serviks.

K-1 Proses eliminasi sel radang untuk menangani keberadaan sel radang sehingga

proses identifikasi nukleus pada citra sel mikroskopis Pap smear mudah

dilakukan sehingga membantu ahli patologi dalam deteksi dini kanker

serviks.

I.7 Sistematika Penulisan

Dalam laporan disertasi ini digunakan sistematika sebagai berikut:

Bab I Pendahuluan

Bab awal terdiri dari latar belakang, rumusan dan batasan masalah, tujuan, ruang

lingkup, hipotesis, peta jalan penelitian dan kontribusi serta sistematika penulisan.

14

Bab II Tinjauan Pustaka

Bab ini berisi uraian tentang state of art disusun mulai dari penelitian kanker

serviks, jenis citra Pap smear, metode segmentasi pada citra Pap smear, segmentasi

pada citra sel tumpang tindih dan klasifikasi pada citra Pap smear.

Bab III Akuisisi dan Komponen Citra Sel Pap smear

Bab ini berisi sampel Pap smear dan permasalahannya, akuisisi sampel

mikroskopik Pap smear dan data penelitian, komponen citra sel Pap smear,

segmentasi area nukleus, dan perbandingan area nukleus dan sitoplasma.

Bab IV Eliminasi Sel Radang dan Deteksi Nukleus pada Citra Sel Tunggal

Pap smear

Bab ini berisi segmentasi dan eliminasi sel radang, material dan metode yang

digunakan, hasil-hasil eksperimen dan diskusi berupa evaluasi dari metode usulan.

Bab V Pemisahan Citra Sel Tumpang tindih dan Eliminasi Sel Radang

Bab ini berisi tentang proses pemisahan citra sel tumpang tindih dan eliminasi sel

radang untuk mendapatkan citra sel tunggal, material dan metode, hasil ekperimen

yang diperoleh dan evaluasi serta diskusi.

Bab VI Kesimpulan dan Saran.

Bagian terakhir berisi kesimpulan hasil penelitian yang telah dilakukan dan saran-

saran untuk pengembangan lebih lanjut.

15

Bab II Tinjauan Pustaka

Dalam bagian ini akan dibahas tentang penelitian kanker serviks dan citra sel

mikroskopik Pap smear, citra sel tunggal dan tumpang tindih Pap smear, fitur- fitur

penting, teknik analisa citra, deteksi tepi dan thresholding, dan teknik pengujian

data.

II.1 Penelitian Kanker Serviks dan Citra Sel Mikroskopik Pap smear

Penelitian tentang Pap smear diawali pada tahun 1930 oleh Georgeus Papanicolau

dengan menemukan mekanisme diagnosa pra-kanker rahim. Suatu mekanisme

untuk mendiagnosis sel pra kanker mulut rahim yang dikenal dengan Pap smear.

Hal ini dilakukan sebagai usaha pengukuran penyakit kanker mulut rahim, sejak

penyakit kanker mulut rahim menjadi ancaman yang serius bagi wanita. Secara

teknik Pap smear dilakukan dengan mengambil lendir dengan menggunakan

spatula dan diletakkan di preparat. Seorang ahli patologi akan memeriksa preparat

tersebut dengan mikroskop. Gambar di bawah ini menunjukkan proses pengambilan

sampel Pap smear.

Gambar I.7. Proses Pengambilan Sampel Pap smear (Riana, 2010)

Metode Papanicolau, diawali dengan peletakan spesimen sampel sel leher rahim

pada preparat. Selanjutnya menggunakan suatu cairan khusus sampel sel tersebut

diberi warna dengan tujuan untuk mempermudah diagnosis yang dilakukan di

bawah miskroskop (Gambar II.1).

16

Penelitian tentang kanker serviks dibagi menjadi dua kelompok besar, seperti

diilustrasikan pada Gambar II.2. Kelompok pertama merupakan ranah penelitian

yang dilakukan oleh dokter (Physician). Pada kelompok pertama ini dilakukan

preparation data yang melibatkan para ahli patologi (obgyn dan oncology) yang

akan melakukan tes Pap smear. Tahap ini data preparation akan diolah baik dengan

colouring atau teknik pewarnaan yang lazim digunakan dan akan memiliki

knowledge dan decision dari para ahli. Proses imaging analog akan menghasilkan

citra analog. Kelompok kedua adalah ranah penelitian yang berfokus pada teknik

(engineering), yaitu digitalisasi citra dan proses pengolahan serta analisis citra.

Gambar II.2 Penelitian Kanker Serviks

II.2 Citra Tunggal dan Tumpang tindih Pap smear

Hasil dari tes Pap smear akan didapatkan citra analog berupa citra mikroskopik sel

serviks. Umumnya slide Pap smear berisi sel tunggal dan kelompok sel. Di Negara

berkembang seperti Indonesia tes Pap smear masih dilakukan dengan

menggunakan metode konvensional. Contoh hasil dari pengambilan konvensional

seperti Gambar II.3.

17

Sitoplasma

Nukleus

Latar belakang

Sel radang

(a)

(b)

Gambar II.3 Sel tunggal (a) ,Sel tunggal dan tumpang tindih (b) dengan sel radang

Citra Pap smear (Gambar II.3), (a) terdiri atas 3 bagian wilayah, yaitu nukleus,

sitoplasma yang mengelilingi nukleus, serta latar belakang yang bukan merupakan

area sel. Sedangkan (b) menunjukkan kelompok sel tunggal dan tumpang tindih

dengan kondisi adanya sel radang.

Pada penelitian sebelumnya, permasalahan sel radang dan deteksi nukleus pada sel

yang tumpang tindih tidak dipertimbangkan dalam banyak metode. Banyak

penelitian terdahulu yang mengidentifikasi batas-batas nukleus dan sitoplasma

dalam citra serviks yang berisi sel tunggal atau sel yang terisolasi oleh Bamford

dkk. (1996) dan (1998), Garrido dkk. (2000), Lezoray dan Cardo (2002), Bak dkk.

(2004), Isa dkk. (2005), Lassouaoui dan Hamami (2003), Yang-Mao dkk. (2008),

Lin dkk. (2009), Moshavegh dkk. (2012), Malviya dkk. (2012), dan Muhimmah

dkk (2012). Sementara sel radang dan sel tumpang tindih ini banyak ditemukan ahli

patologi dalam proses skrining. Keberadaan sel radang yang terkadang berlebihan

dan ketidakmampuan mengidentifikasi nukleus pada sel yang tumpang tindih akan

mengakibatkan hasil negatif atau positif palsu cukup tinggi (Kusuma 2012), dan ini

masih merupakan kelemahan tes Pap smear (Kusuma 2012, dan Purwadi, 2012).

Sehingga segmentasi sel radang dan pemisahan sel tumpang tindih menjadi hal yang

penting.

18

II.3 Segmentasi pada Citra Pap smear

Segmentasi adalah membagi suatu citra menjadi wilayah-wilayah yang homogen

berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel

dengan tetangganya. Penelitian tentang citra Pap smear selalu berhubungan dengan

penentuan akurat dari daerah sel nukleus. Tetapi penentuan lokasi ini dalam

beberapa kasus menjadi tidak mudah terutama karena adanya sel tumpang tindih,

pewarnaan yang tidak konsisten, dan adanya banyak latar belakang. Bahkan di

Indonesia yang masih menggunakan metode konvensional keberadaan sel radang

menambah kesulitan dalam mengidentifikasi sel serviks. Dari kondisi tersebut

terdapat dua masalah penting yang perlu diselesaikan dalam penelitian tentang citra

Pap smear untuk setiap metode analisis otomatis yang diusulkan, yaitu deteksi yang

tepat dari lokasi nukleus dan penentuan akurat batas nukleus. Beberapa metode

yang pernah diusulkan oleh beberapa peneliti sebelumnya dalam area penelitian ini

dalam Plissiti, dan Nikou (2013), dijelaskan pada bagian ini.

II.3.1 Pengaturan Thresholding

Pengaturan thresholding digunakan untuk mengukur jumlah derajat keabuan yang

ada pada citra. Dengan thresholding maka derajat keabuan bisa diubah sesuai

dengan keinginan. Upaya pertama untuk mendeteksi dan segmentasi sel dalam citra

serviks mikroskopis berbasis pada teknik pengaturan thresholding yaitu

mengeksploitasi karakter-karakter histogram intensitas piksel-piksel yang ada oleh

Cahn dkk. (1977), Borst dkk. (1979), dan Bengtsson dkk. (1979). Secara umum,

ruang lingkup metode ini adalah secara otomatis mendeteksi nilai threshold untuk

tujuan memisahkan sel dari latar belakang dan nukleus sel dari sitoplasmanya.

Peneliti lain melakukan perbandingan dari beberapa metode pemilihan threshold

yaitu MacAulay dan Palcic, B. (1988).

Poulsen dan Pedron (1995) mengajukan sebuah metode untuk mendeteksi daerah

yang diinginkan (Region of Interest) dengan cara mereduksi resolusi citra Pap

smear. Wu dkk. (1998) melakukan penelitian tentang masalah segmentasi

ditransformasikan ke dalam proses optimisasi, dimana penentuan dari nilai

19

threshold optimal berdasarkan dari sebuah citra parametrik, yaitu pendekatan dari

citra inisial. Sebuah teknik pengaturan threshold juga diajukan Kim dkk. (2007),

untuk proses binerisasi citra dan penentuan lokasi inti sel, pada ekstraksi fitur dan

klasifikasi dari nukleus pada kelas normal atau abnormal dengan menggunakan

sebuah jaringan saraf tiruan Fuzzy Radial Basis Function. Sebuah metode multi

skala lokal untuk pengaturan penyesuaian threshold yang berdasar pada kestabilan

bentuk diajukan pada Li dan Najarian (2007) untuk mengekstraksi daerah inti sel

dari latar belakangnya, dimana nilai threshold didapatkan dari data perkiraan bentuk

dari objek hasil segmentasi citra. Chang dkk. (2009) melakukan deteksi nukleus

dengan cara menentukan threshold citra yang didapatkan setelah mengaplikasikan

‘mean filter’ dan mengatur skala dari tingkat keabuan piksel yang ada. Sebuah

algoritma ‘line-scan’ juga diajukan untuk mendeteksi inti sel yang abnormal.

Akhirnya Plissiti dkk. (2011a) menggunakan global threshold untuk menghasilkan

citra binner pada penelitian tentang deteksi otomatis sel nukleus. Nilai threshold

diperoleh untuk setiap kanal warna untuk menentukan kedalaman objek dalam citra

sehingga dapat dibedakan lokasi nukleus.

Penggunaan threshold sampai saat ini masih unggul digunakan pada tahap awal

proses untuk mengurangi tingkat kerumitan dari sebuah citra dengan cara cepat dan

sederhana. Kondisi citra sel servik biasanya memiliki tingkat kerumitan yang tinggi,

kondisi sel tumpang tindih, tidak konsisten pewarnaan dan adanya banyak latar

belakang, Plissiti dan Nikou (2013). Mengingat keberadaan sel radang pada citra

sel dalam penelitian ini maka penggunaan nilai beberapa threshold diperlukan

untuk memudahkan isolasi calon nukleus, sitoplasma, daerah tumpang tindih dari

latar belakang.

II.3.2 Deteksi Tepi (Edge Detection)

Penggunaan detektor tepi dalam menganalisis citra telah lazim digunakan. Banyak

metode segmentasi yang diusulkan untuk segmentasi nukleus dan sitoplasma

berdasarkan deteksi tepi. Beberapa metode yang telah dikembangkan untuk

mengsegmentasi nukleus dan sitoplasma berdasarkan deteksi tepi, tidak

membutuhkan pengetahuan awal tentang objek yang ingin dicari pada citra. Tsai

20

dkk (2008) mengembangkan sebuah pendeteksi sitoplasma dan kontur nukleus,

yang melakukan segmentasi pada struktur bagian-bagian dari sel servik pada citra

yang belum disegmentasi. Algortima ini mengurangi gangguan dan meningkatkan

kualitas kontur objek.

Sebuah metode semi otomatis yang mirip juga diajukan oleh Yang-Mao dkk.

(2008), dimana peningkatan kualitas tepi nukleus dan pendeteksi kontur sitoplasma

diterapkan sebelum segmentasi citra servik. Pada tahap pre processing, digunakan

teknik untuk menghilangkan gangguan dan meningkatkan perbedaan anatara warna

terang dan gelap pada citra servik untuk mendapatkan threshold optimal yang dapat

digunakan untuk segmentasi citra.

Malm dan Brun (2009) menggunakan sebuah algoritma segmentasi nukleus yang

menggunakan anisotropic dilation untuk isolasi kurva. Lebih spesifik digunakan

deteksi tepi Canny yang dilanjutkan dengan serangkaian hasil proses morphologi

pada proses deteksi perbaikan dan penentuan tepi terdekat untuk proses segmentasi

dari struktur nukleus. Metode lain yang menggunakan deteksi tepi untuk citra

serviks yang diusulkan Lin (2009). Pertama digunakan sebuah metode kesamaan

kedalaman warna yang digunakan untuk meningkatkan perbedaan terang dan gelap

diantara nukleus dan sitoplasma, Setelah itu digunakan filter Gaussian untuk

menghilangkan gangguan. Kemudian operator Sobel dan ‘non- maximum

supression’ digunakan untuk mengekstraksi gradien citra, dimana citra dibuat biner

dengan mengatur batas atas dan batas bawah tepi. Hasilnya diperoleh dua kurva

terpanjang yang terdekat dari semua tepi yang terdeteksi dan dipilih untuk

membentuk tepi nukleus dan sitoplasma.

Penggunaan beberapa deteksi tepi yaitu Sobel, Prewitt, Roberts dan Canny pada

segmentasi luas nukleus pada sel tunggal sudah dilakukan. Deteksi luas nukleus sel

normal superfisial Pap smear menggunakan operasi kanal warna oleh Riana dkk.

(2012b), menunjukkan perbandingan untuk empat metode deteksi yaitu Roberts,

Prewitt, Sobel dan Canny. Selain pada kelas normal, dilakukan juga proses

egmentasi luas nukleus pada sel abnormal Pap smear oleh Riana dkk. (2012c).

Deteksi tepi Canny terbukti lebih powerful untuk deteksi tepi sel nukleus

21

Normal Superfisial, Normal Intermediate, Severe Dysplasia dan Moderate

Dysplasia dengan hasil deteksi tepi yang lebih sensitif. Tetapi pada kelas lain

terutama kelas abnormal belum signifikan. Pada penelitian tersebut digunakan sel

nukleus dari data Herlev (Martin, (2003)) yang tidak mengandung sel radang.

Penelitian awal juga telah dilakukan untuk segmentasi sitoplasma dengan deteksi

tepi Canny oleh Hasanuddin dkk. (2012) terhadap data citra sel tunggal tanpa

radang, hanya saja untuk sitoplasma yang tumpang tindih belum dapat terdeteksi

dengan baik.

Penelitian lanjutan menggunakan deteksi tepi Canny dengan modifikasi kanal

warna dan rekonstruksi morphologi untuk segmentasi sel nukleus dan pengukuran

luas pada sel normal Pap smear dilakukan oleh Riana dkk. (2012d) dan (2014a),

menunjukkan hasil bahwa deteksi tepi Canny tidak konsisten untuk mendeteksi luas

nukleus pada kelas normal Pap smear jika dibandingkan dengan luas nukleus pada

ground truth data Herlev. Begitu pula pada penelitian tentang perbandingan

segmentasi luas ukleus sel normal dan abnormal Pap Smear dengan deteksi tepi

Canny dan rekonstruksi morfologi (Riana dkk. (2013a), masalah akurasi

pendeteksian tepi nukleus belum terselesaikan. Sehingga pada penelitian ini tidak

mempertimbangkan lebih lanjut penggunaan detektor tepi seperti Roberts, Prewitt,

Sobel dan Canny lebih lanjut.

II.3.3 Morphologi Matematika (Mathematical Morphology)

Metode mathematical morphology juga digunakan untuk tujuan menganalisa citra

serviks. Tahun 1996, Bamford dan Lovell menggunakan algoritma water

immersion untuk mendeteksi lokasi sel tertutup atau tunggal pada citra

mikroskopik. Perlu dicatat bahwa pada metode ini tidak dimaksudkan untuk

mendeteksi nukleus pada citra yang kondisi selnya berkelompok. Metode

morphologi juga diusulkan oleh Jackway (1995) dan (1996) untuk menganalisa

citra yang berisi nukleus tunggal pada sel Squamous Ephiteal dan mendeteksi sel

normal dan abnormal, namun pada metode ini permasalahan dari akurasi

pendeteksian tepi nukleus belum terselesaikan. Beberapa peneliti lain juga

menggunakan metode ini seperti sepert Kim dkk. (2006) menggunakan metode

22

fuzzy grayscale morphological operations untuk mengektraksi nukleus.

Transformasi watershed sudah digunakan juga oleh Kale dan Aksoy (2010) untuk

mendapatkan daerah sel. Sebuah metode transformasi watershed menggunakan

multi skala morphologi gradien dan kanal warna diajukan pada Nallaperumal dan

Krishnaveni (2008). Selanjutnya Plissiti dkk. (2011a) menggunakan rekonstruksi

morphologi untuk mendeteksi lokasi regional minima yang mengindikasikan

keberadaan calon nukleus pada citra sel serviks yang kondisi sel bisa tunggal

ataupun berkelompok. Tetapi kondisi sel tidak mengandung sel radang.

Penggunaan matematika morphologi berupa proses dilasi dan erosi telah dilakukan

pada penelitian awal ini untuk citra sel tumpang tindih dan ternyata menghasilkan

penyimpangan batas-batas tepi sel yang signifikan dari batas tepi sel yang

sebenarnya.

II.3.4 Klasifikasi piksel (Pixel Classification)

Cara lain mendeteksi bagian struktur sel adalah menggunakan skema klasifikasi

piksel. Lassouaoui dan Hamami (2003) menggunakan metode klasifikasi piksel

berdasarkan algoritma multifractal untuk mengklasifikasi piksel-piksel yang ada

pada latar belakang, sitoplasma atau nukleus. Kemudian, langkah optimisasi

dilakukan, dengan pembelajaran yang dilakukan dengan algoritma genetik, dan

kemudian piksel diklasifikasi ulang.

Metoda pixel classification digunakan oleh Lezoray dan Cardot (2002) untuk

menandai nukleus. Tujuannya untuk menghindari segmentasi yang berlebihan yang

mungkin terjadi jika menggunakan metode watershed. Untuk tujuan ini, digunakan

K-means dan Bayesian Classifier untuk mendeteksi nukleus dan kelas piksel yang

lain. Untuk algoritma berikutnya, sekumpulan data pembelajaran dari citra yang

mengandung data asli digunakan untuk mengestimasi parameter masing-masing

distribusi Gaussian pada penggunaan Bayesian Classifier. Hasil penelitian

menunjukan tingkat akurasi segmentasi yang tinggi dalam mendeteksi nukleus pada

sel tunggal pada pre processing dengan menggunakan kedua klasifikasi, sehingga

metode Lezoray dan Cardot (2002) akan digunakan sebagai metode pembanding

dalam penelitian ini.

23

Pendekatan lain dengan menggunakan sebuah fungsi kriteria berdasarkan statistik

dari struktur objek pada citra diajukan oleh Bak dkk. (2004), yang merefleksikan

karakteristik baik lokal maupun global dari citra. Sebuah spasial lokal didefinisikan

dan dikombinasikan dengan spasial lokal lain dari awal probabilitasnya,

menghasilkan kemungkinan spasial lokal akhir yang berfungsi sebagai fungsi

kriteria. Sebagai inisial, piksel-piksel dikluster dengan menggunakan algoritma K-

means, dan kemudian hasil segmentasi didapatkan dengan prosedur pengulangan,

dimana setiap piksel diperlakukan sebagai daerah yang paling mungkin sebagai

daerah nukleus, sitoplasma, atau latar belakang dengan menggunakan definisi awal

dari fungsi kriterianya.

Sobrevilla dkk. (2008) mendeteksi daerah yang diinginkan pada citra Pap smear

menggunakan teknik berbasis fuzzy dan klasifikasi piksel. Lalu dilanjutkan dengan

mendeteksi nukleus berdasar aturan-aturan fuzzy. Vaschetto dkk. (2008)

menggunakan sebuah algoritma berdasarkan kombinasi informasi tiga warna,

pengetahuan pakar, dan sistem fuzzy, yang bertujuan untuk meningkatkan

keakuratan metode yang diajukan oleh Sobrevilla dkk. (2008) untuk mendeteksi

dan melakukan segmentasi nukleus pada citra Pap smear.

Sebuah algoritma modifikasi Seed Bases Region Growing untuk otomasi

segmentasi sel servik diajukan oleh Mustafa dkk. (2009). Pada langkah pertama

digunakan algoritma klustering K-means untuk mengklasifikasi piksel-piksel dari

citra menjadi tiga kategori yaitu sitoplasma, nukleus, dan latar belakang. Kemudian

dari hasil ekstraksi klasifikasi dan menggunakan perhitungan momen, lokasi dari

piksel awal ditentukan dan kemudian algoritma modifikasi Seed Bases Region

Growing diterapkan. Metode ini melakukan segmentasi sel berkali-kali pada citra,

dengan menandai piksel sitoplasma, nukleus, dan latar belakang.

Plissiti (2012a) menggunakan klasifikasi piksel untuk mendeteksi centroid nukleus.

Pada tahap awal menerapkan aturan empiris yang bergantung pada jarak antar

centroid nukleus untuk mengurangi kejadian false positive. Kemudian langkah

kedua teknik klasifikasi fuzzy C-Means dan Support Vector Machines digunakan

untuk menentukan centroid nukleus yang sebenarnya.

24

Tareef, dkk (2014) menggunakan klasifikasi piksel untuk mendeteksi sel yang

tumpang tindih pada tahap awal segmentasi sel tumpang tindih. Selanjutya Lu, dkk

(2015) menggunakan klasifikasi piksel untuk mendapatkan sel yang tumpang tindih

pada tahap awal segmentasi yang disebutnya sebagai peta super piksel.

II.3.5 Pencocokan Bentuk (Template Matching)

Sel nukleus umumnya berbentuk elips. Berdasarkan bentuk nukleus ini beberapa

metode yang berdasarkan pencocokan bentuk nukleus diusulkan untuk menentukan

tepi nukleus pada citra Pap smear. Sebuah algoritma berdasarkan pencocokan

parameter untuk segmentasi citra sel dengan aplikasinya pada sebuah citra servik

pertama kali diajukan oleh Wu dkk. (1998), yang menerapkan bentuk dan informasi

daerah citra. Pada penelitian tersebut, sebuah bentuk model elips sebagai bentuk

nukleus diperkenalkan, dan parameter-parameternya dicocokkan agar sama dengan

bentuk nukleus dengan meminimalisir sebuah fungsi cost. Setelah itu dilakukan

proses optimasi untuk menemukan nilai yang optimal. Dengan cara

mengkombinasikan informasi bentuk, banyaknya parameter akan tereduksi secara

signifikan dan metode akan menghasilkan deteksi tepi nukleus.

Lebih lanjut, Garrido dan de la Blanca (2000) mengembangkan sebuah metodologi

berdasarkan pada pendekatan model perubahan bentuk yang terdiri dari tiga tahap:

1) Inisial estimasi dari lokasi sel pada citra. 2) Perhitungan pendekatan bentuk elips

dari tepi nukleus. 3) Perbaikan dari tepi nukleus menggunakan model perubahan

bentuk lokal. Lebih jelasnya, deteksi dari lokasi nukleus didapatkan dari perumusan

ulang dari transformasi Hough secara umum. Kemudian bentuk inisial dari nukleus

diestimasi dengan penentuan bentuk elips. Solusi akhir adalah dengan

menggunakan model perubahan bentuk yang akan mengerucut pada tepi nukleus

yang benar. Penggunaan metode pencocokan bentuk juga dilakukan oleh Plissiti

dkk. (2012a) dalam penelitiannya tentang ekstraksi sel nukleus dengan

mengkombinasikan bentuk, tekstur dan fitur intensitas.

25

II.3.6 Model Perubahan bentuk (Demorfable Models)

Secara umum, penerapan dari model perubahan bentuk untuk mendefinisikan tepi

nukleus dibatasi oleh pendekatan model inisial, dimana sangat penting inisial model

ini sama dengan tepi dari citra aslinya. Untuk alasan ini, metode yang diajukan

berdasarkan perubahan bentuk ini juga harus bisa menyelesaikan masalah deteksi

posisi nukleus yang benar pada citra yang mengandung sel yang banyak, atau

aplikasinya dan tidak terbatas pada citra yang hanya mengandung satu sel saja.

Bamford dan Lovell (1998) menggunakan model active countour untuk

menentukan tepi dari nukleus, dimana diinisialisasikan melalui pembentukan dari

sebuah search space, lokasi yang paling mungkin untuk nukleus didefinisikan,

dilanjutkan dengan sebuah algoritma Viterbi search-based dua active countour,

untuk menemukan tepi nukleus.

Harandi (2010) mengusulkan sebuah metode untuk melokalisasi sel pada resolusi

rendah dikombinasikan dengan deteksi tepi dari nukleus dan sitoplasma pada

resolusi tinggi. Metode kontur aktif geometri tanpa inisialisasi ulang atau

Geometric Active Contour Without Re-initialization digunakan untuk melokalisasi

sel servik pada sebuah citra dengan resolusi rendah, dimana kemudian

diklasifikasikan dengan sel free-lying, sel terhubung dan objek yang tidak relevan.

Setelah proses deteksi dari posisi pada masing-masing sel, citra asli dibagi dalam

beberapa subcitra yang mengandung sel yang telah terdeteksi, dan pada masing-

masing subcitra sebuah proses binary mask dilakukan, agar objek yang tidak

diinginkan dapat dihilangkan. Dalam rangka untuk memisahkan sel-sel yang

berbeda dalam tiap kluster, sel pertama kali dimodelkan sebagai lingkaran, yang

berlaku sebagai inisial kontur dari model ini. Harus diingat metode ini diaplikasikan

pada citra dengan resolusi tinggi, dan mengidentifikasi sitoplasma. Prosedur yang

sama dilakukan untuk menentukan tepi nukleus, yang mana diinisialisasikan juga

sebagai sebuah lingkaran. Plissiti, ME (2012a) menggunakan metode perubahan

bentuk berupa Gradient Vector Flow untuk meningkatkan keakuratan penentuan

tepi nukleus dalam proses ekstraksi sel nukleus.

26

II.3.7 Segmentasi pada Citra Sel Tumpang tindih

Terdapat beberapa teknik analisa untuk mengidentifikasi batas-batas citra sel

tunggal dan sel tumpang tindih yang telah digunakan selama ini. Segementasi pada

citra sel tumpang tindih memiliki dua fokus utama yaitu pada isolasi batas – batas

nukleus tumpang tindih dan sitoplasma tumpang tindih. Beberapa peneliti telah

berhasil mengisolasi nukleus yang tumpang tindih.

Bamford dkk. (1996), fokus pada mengidentifikasi batas-batas nukleus

menggunakan dua citra dengan ukuran 128x128 dengan kondisi sel tunggal dan

tidak tumpang tindih. Penelitian sebelumnya tentang segmentasi citra sel Pap smear

menunjukkan metode segmentasi sederhana sudah digunakan Bamford dkk. (1996)

dan (1998) untuk penentuan batas-batas sel dan memastikan batas- batas yang

tertutup pada sitoplasma dan nukleus yang terisolasi. Tingkat akurasi segmentasi

tinggi dengan jumlah tes citra yang banyak. Walau masih kurang dalam identifikasi

batas nukleus dan sitoplasma.

Wu dkk. (1998), menggabungkan pengetahuan tentang bentuk sel untuk investigasi

kasus sel-sel payudara yang tumpang tindih. Garrido dkk. (2000), memperkenalkan

formulasi baru untuk tranformasi Hough. Selain itu menggunakan deformable

model dalam segmentasi untuk memperbaiki batas sel. Segmentasi yang

menggabungkan informasi warna dengan watershed menghasilkan tingkat akurasi

segmentasi yang baik oleh Lezoray dan Cardot (2002).

Lassouaoui dan Hamami (2003), memperkenalkan langkah optimasi yang

didasarkan pada algoritma genetik untuk meningkatkan kualitas segmentasi. Pada

penelitiannya Bak dkk. (2004), memperkenalkan sebuah fungsi kriteria baru

berdasarkan struktur statistik dari objek yang digunakan.

Isa dkk. (2005), melakukan segmentasi berdasarkan teknik region growing untuk

menentukan titik lokasi dengan nilai threshold ditentukan secara otomatis. Yang-

Mao dkk. (2008), menggunakan metode edge enhancement baru untuk perbaikan

tepi nukleus dan deteksi kontur sitoplasma dan memperkenalkan metode baru

27

pengukuran error. Lin dkk. (2009) melakukan segmentasi untuk memastikan batas-

batas tertutup pada sel serviks.

Dari semua peneliti tersebut sebagian besar belum berhasil menangani segmentasi

untuk sel yang tumpang tindih. Penelitian Plissiti, M.E dkk. (2011a), sudah

menangani sel tumpang tindih. Dalam penelitian tersebut telah dideteksi intensitas

lembah-lembah nukleus dan dapat mendeteksi lokasi nukleus. Tetapi semua

peneliti-peneliti tersebut belum mempertimbangkan keberadaan sel radang, hal ini

dikarenakan kondisi citra sel yang digunakan memang tidak memiliki sel radang.

Segmentasi sel pada citra mikroskopik adalah landasan dari analisis kuantitatif.

Seperti diketahui karakteristik ganas atau abnormal sel-sel kanker terkandung dalam

nukleus, sehingga bagaimana mengisolasi nukleus ini menjadi tugas yang penting

dalam segmentasi. Isolasi nukleus menjadi semakin sulit pada kondisi sel

sitoplasma tumpang tindih.

Penelitian yang fokus pada segmentasi sitoplasma tumpang tindih tanpa

mempertimbangkan keberadaan sel radang telah dilakukan oleh Tareef, dkk (2014)

dan Lu, dkk (2015). Kedua peneliti tersebut melakukan segmentasi pada sitoplasma

tumpang tindih, sehingga dapat ditentukan batas-batas sitoplasma secara akurat.

Tareef, dkk (2014) melakukan segmentasi berdasarkan peningkatan tepi, gradien

thresholding, operasi morphologi, dan region properties untuk mendeteksi

pasangan nukleus dan sitoplasma. Lu, dkk (2015) telah berhasil melakukan

segmentasi untuk sel tunggal dan sel tumpang tindih dalam beberapa kondisi ukuran

tumpang tindih yang areanya tidak besar, dengan mengoptimasi fungsi multi level

pada segmentasi sel tumpang tindih. Perlu dicatat bahwa kedua peneliti belum

melakukan pemisahan sel tumpang tindih menjadi sel-sel tunggal. Seperti diketahui

pemisahan sel tumpang tindih menjadi sel-sel tunggal diperlukan untuk identifikasi

lebih akurat terhadap pengamatan perbandingan area nukleus dan area sitoplasma

terkait dengan penilaian abnormalitas sel.

Tabel II.1 merangkum semua kelebihan metode yang digunakan dan beberapa

keterbatasan dari penelitian yang telah dilakukan.

28

Tabel II.1 Kelebihan dan Keterbatasan dari Metode Penentuan Sel Citra Pap

smear Metode Tahun Kelebihan Keterbatasan

Bamford dkk. 1996 Metode segmentasi sederhana untuk menentukan batas sel tunggal.

Memastikan batas tertutup.

Tidak menangani sel tumpang tindih.

Kurangnya identifikasi batas

nukleus.

Kondisi sel tanpa sel

radang.

Bamford dkk. 1998 Memastikan batas yang tertutup pada

nukleus dan sitoplasma pada sel

tunggal.

Tingkat akurasi segmentasi tinggi.

Jumlah tes citra banyak

Tidak menangani sel yang

tumpang tindih.

Menggunakan dua gambar

sel.

Kondisi sel tanpa sel

radang.

Wu dkk. 1998 Menggabungkan pengetahuan

tentang bentuk sel.

Menginvestigasi kasus sel - sel

payudara yang tumpang tindih.

Banyak parameter yang

diatur.

Garrido dkk. 2000 Memperkenalkan formulasi baru

tranformasi Hough.

Menggunakan deformable model

untuk perbaikan batas sel

Metode dipengaruhi oleh

kelebihan titik atau tumpang

tindih objek dalam citra

yang kompleks.

Kondisi sel tanpa sel

radang.

Lezoray dan

Cardot

2002 Menggunakan klasifikasi K-Means

dan Bayessian untuk mengklasfikasi

nukleus, sitoplasma dan latar

belakang. Tingkat akurasi segmentasi tinggi.

Dibutuhkan training set

untuk mencapai hasil

terbaik.

Kondisi sel tanpa sel

radang.

Lassouaoui

dan Hamami 2003 Memperkenalkan langkah optimasi

yang didasarkan pada algoritma

genetik untuk meningkatkan kualitas segmentasi pada sel tunggal

Tidak menangani sel yang

tumpang tindih.

Kondisi sel tanpa sel

radang.

Bak dkk 2004 Memperkenalkan sebuah fungsi kriteria baru berdasarkan struktur

statistik dari objek yang digunakan.

Kondisi sel tanpa sel

radang.

Isa dkk. 2005 Berdasarkan teknik region growing

untuk menentukan titik lokasi dengan

nilai threshold ditentukan secara otomatis pada sel tunggal

Tidak menangani sel yang

tumpang tindih.

Kondisi sel tanpa sel

radang.

Yang-Mao

dkk.

2008 Menggunakan edge enhancement

baru untuk perbaikan tepi nukleus

dan deteksi kontur sitoplasma.

Memperkenalkan metode baru

pengukuran error.

Kondisi sel tanpa sel

radang.

Lin dkk. 2009 Memastikan batas tertutup pada sel

tunggal

Tidak menangani sel yang

tumpang tindih. Kondisi sel tanpa sel radang

Plissiti dkk. 2011a Menangani nukleus pada sel

tumpang tindih.

Menggunakan mathematical

morpology.

Metode baru mendeteksi otomatis

lokasi nukleus.

Hanya mendeteksi nukleus.

Gagal mendeteksi abnormal

sel

Kondisi sel tanpa sel radang

29

Tabel II.1 Kelebihan dan Keterbatasan dari Metode Penentuan Sel Citra Pap

smear (….lanjutan)

Metode Tahun Kelebihan Keterbatasan

Moshavegh

dkk.

2012 Deteksi dan segmentasi pada sel free-lying nukleus yang tunggal

Citra tunggal Tidak menangani sel

tumpang tindih dan sel tanpa radang

Plissiti dkk. 2011a Menangani nukleus pada sel

tumpang tindih.

Menggunakan mathematical

morpology.

Metode baru mendeteksi otomatis

lokasi nukleus.

Hanya mendeteksi nukleus.

Gagal mendeteksi abnormal

sel

Kondisi sel tanpa sel radang

Moshavegh

dkk. 2012 Deteksi dan segmentasi pada sel

free-lying nukleus yang tunggal Citra tunggal

Tidak menangani sel

tumpang tindih dan sel

tanpa radang

Malviya dkk. 2012 Deteksi nukleus pada citra liquid Pap smear pada sel tunggal

Tidak berhasil menangani

sel yang tumpang tindih.

Sel Pap smear tanpa sel

radang

Muhimmah dkk.

2012 Segmentasi nukleus pada sel

epithelial menggunakan operasi

morphologi dan transformasi

watershed pada sel tunggal

Tidak menangani sel tumpang tindih.

Hanya mendeteksi nukleus.

Citra berskala abu - abu.

Hasil deteksi nukleus masih

ada perbedaan dengan expert.

Ushizima dkk. 2013 Deteksi nukleus dan sitoplasma

pada sel tumpang tindih.

Belum berhasil memisahkan

sel tumpang tindih. Sel Pap

smear tanpa sel radang

Muhimmah

dkk.

2013 Menangani deteksi otomatis

cervical ephitelial dalam Pap smear

yang kemungkinan berisi sel

nukleus yang tumpang tindih dan sel radang.

Tidak mendeteksi

sitoplasma.

Masih terdapat nukleus

yang belum terdeteksi.

Menangani sel radang

Tareef dkk 2014 Deteksi otomatis dan segmentasi

pada sitoplasma tumpang tindih,

menggunakan klasifikasi piksel dan

gabungan beberapa metode untuk

peningkatan tepi, gradien

thresholding, operasi morphologi,

dan region properties untuk mendeteksi nukleus dan sitoplasma.

Tidak memperhitungkan

keberadaan sel radang dan

belum memisahkan sel

tumpang tindih menjadi sel

tunggal

Lu dkk 2015

Deteksi otomatis dan segmentasi

untuk sel tunggal dan sel tumpang

tindih dalam beberapa kondisi

ukuran tumpang tindih tertentu.

Tidak memperhitungkan

keberadaan sel radang dan

belum memisahkan sel

tumpang tindih menjadi sel tunggal

Metode segmentasi nukleus berdasarkan Water Immersion Algorithm oleh Bamford

dkk. (1996). Penelitian-penelitian sebelumnya banyak menggunakan model

tradisional active countour atau snake secara luas sebagai teknik dasar

30

boundary oleh Bamford dkk. (1998), Williams dan Shab (1992), Hu dkk. (1987).

Dalam Bamford dkk. (1996) digunakan segmentasi berdasarkan metode dual active

contour.

Penelitian tentang metode deteksi dengan memanfaatkan kesamaan bentuk nukleus

berdasarkan pada Hough Transform juga telah diperkenalkan Mouroutis dkk.

(1998), dan Garrido dkk. (2000). Kemudian, metode Generalized Hough Transform

oleh Ballard dkk. (1981) dan Davies dkk. (1989) digunakan untuk mendeteksi

bentuk elips, berdasarkan pada analisa properti dari elips. Sebuah kombinasi dari

Hough transform dan deformable model digunakan oleh Lee dan Street (2000)

untuk menemukan satu set bentuk nukleus. Suatu bentuk perubahan Hough yaitu

Compact Hough Transform, menggunakan maximum likehood disajikan dalam

Mouroutis dkk. (2000). Fuzzy Logic Engine telah diterapkan dalam Begelman dkk.

(2004) untuk membedakan nukleus dari latar belakang yang berwarna sama.

Penelitian lain melakukan segmentasi sel dengan menggunakan model statistik

Bhanu dkk. (1995), yang berasal dari distribusi fitur dan logika fuzzy dilatih sesuai

dengan distribusi dari fitur. Philip dkk. (1996), mengusulkan bentuk fuzzy dari

Hough Transform yang ditambahkan pada properti dari lingkaran dan transformasi

elips.

Genetic Algorithm telah digunakan secara luas dalam segmentasi sel oleh

Lassouaoui, dan Hamami (2003), Bhanu dkk. (1995), dan Goldberg dkk. (1989).

Kombinasi algoritma multifractal oleh Lassouaoui dan Hamami (2003), didasarkan

pada perhitungan singularity exponent pada tiap titik, dan Genetic Algorithm juga

telah diusulkan. Algoritma multifractal digunakan untuk menentukan interval

singularity exponent untuk tiap kelas seperti nukleus, sitoplasma dan

latarbelakangnya. Hal ini memungkinkan untuk meningkatkan presisi di antar kelas

sel dan untuk mengurangi kebingungan antar berbagai kelas.

Metode konvensional Seed Base Region Growing oleh Romberg dkk. (2000) telah

digunakan untuk mendeteksi tepi daerah-daerah tertentu pada citra digital. tetapi

algoritma Seed Base Region Growing tidak bisa mengatasi sel yang tidak terpisah,

sehingga menyebabkan proses deteksi tepi tidak lengkap.

31

Sebagian besar teknik segmentasi pada penelitian sebelumnya, diterapkan pada

citra mikroskopik dimana sel diperbesar dalam kotak sel dan tidak ada tumpang

tindih. Beberapa metode yang diusulkan untuk segmentasi sel tunggal pada citra

mikroskopis Bamford dkk. (1996). Namun, sel yang diperoleh dari tes Pap smear

lebih sulit untuk disegmentasi karena keragaman struktur sel yang terkandung

dalam citra, intensitas variasi latar belakang, dan tumpang tindih kelompok sel.

Tingkat kesulitan tertinggi pada sel yang tumpang tindih adalah mengidentifikasi

batas-batas yang tumpang tindih.

Tabel II.2 Rangkuman Teknik Segmentasi

Teknik

Segmentasi

Kelebihan Keterbatasan

Water Immersion Algoritm

Memastikan tertutupnya deteksi batas-batas

Tidak menangani sel yang tumpang tindih

Improved Active Contour Model

Lebih menguntungkan dari model tradisional Active Contour

Sederhana dalam komputasi

Hough Transform Mendeteksi bentuk nukleus yang sama dan yang diinginkan

Bentuk dari objek harus bulat atau hampir bulat

Generalized

Hough Transform

Lebih menguntungkan dari model

tradisional Hough Transform. Dapat mendeteksi bentuk ellips.

Tidak menangani sel yang tumpang

tindih

Compact Hought Transform

Tidak membutuhkan informasi analitis tentang kurva

Tidak menangani sel yang tumpang tindih

Fuzzy Logic

Engine

Dapat menangani ketidakpastian data

(warna, bentuk bundar, dan dimensi

objek) dengan baik

Rule Fuzzy Logic sudah tetap dan

tidak dapat mengadopsi perubahan

kondisi

Genetic

Algorithm

Pencarian yang efektif untuk parameter segmentasi pada wilayah

yang luas

Sangat lambat

Seed Base Region

Growing

Algorithm

Mendeteksi tepi dari wilayah tertentu

pada citra yang diinginkan.

Mampu menangani noise.

Algoritma memakan waktu. Hasil Deteksi tepi sangat subjektif

karena pengguna harus

mendefenisikan parameter.

Tidak dapat menangani sel yang

bentuknya terhubung.

Moving k-means Clustering

Dapat menemukan nilai threshold secara otomatis

Tidak dapat memisahkan sel yang tumpang tindih

Modified Seed

Based Region

Growing

Algorithm

Lokasi titik awal dan nilai threshold dapat ditentukan secara otomatis

Tidak dapat memisahkan sel yang

tumpang tindih

Segmentasi otomatis pada nukleus citra sel Pap smear dilakukan Plissiti dkk.

(2010). Model deformable telah digunakan untuk menentukan batas-batas nukleus

32

dalam Pap smear konvensional pada citra sel serviks. Estimasi awal dari kontur

deformable diperoleh secara otomatis dan tidak diperlukan adanya interaksi

pengguna. Sebuah teknik deteksi tepi otomatis untuk citra Pap smear menggunakan

Moving k-means Clustering oleh Holmquist dkk. (1978) dan dimodifikasi dengan

Modified Seed based Region Growing diusulkan dalam Isa dkk. (2005). Modified

Seed based Region Growing ini lebih menguntungkan dari konvensional Seed Base

Region Growing dalam mendeteksi tepi daerah-daerah tertentu yang menjadi

perhatian. Dalam penelitian tersebut, algoritma Moving k- means Clustering

digunakan untuk mencari nilai threshold dan nilai-nilai ini kemudian digunakan

dalam Modified Seed based Region Growing untuk mendeteksi daerah tepi secara

otomatis. Rangkuman teknik pada segmentasi citra mikroskopik sel diberikan pada

Tabel II.2.

Hampir seluruh metode-metode dalam Tabel II.2 tidak menangani sel tumpang

tindih. Tareef dkk. (2015) melakukan penelitian tentang deteksi nukleus dan

sitoplasma tumpang tindih dengan pengelompokan piksel dengan klasifikasi piksel

dan thresholding. Lu dkk. (2015) mendeteksi nukleus dan sitoplasma tumpang

tindih dengan optimalisasi fungsi multi level set. Walau demikian kedua peneliti

tersebut tidak membahas keberadaan sel radang dalam penelitian mereka. Tetapi

penelitian mereka telah dapat melakukan segmentasi citra sel sitoplasma tumpang

tindih. Perbedaan kedua penelitian terakhir dengan penelitian disertasi ini bahwa

penelitian ini memiliki fokus pemisahan sel tumpang tindih menjadi sel tunggal

sekaligus mengatasi keberadaan sel radang dan pada akhirnya dilakukan

identifikasi terhadap jenis sel yang sedang diamati.

II.3.8 Klasifikasi Citra Sel Pap smear

Penelitian tentang klasifikasi citra Pap smear dilakukan sebagai upaya untuk

mengidentifikasi nukleus. Sehingga penelitian tentang klasifikasi citra Pap smear

selalu berdasarkan pada perhitungan fitur yang diekstraksi dari daerah nukleus dan

sitoplasma. Tujuannya untuk mengklasifikasi nukleus. Klasifikasi yang bertujuan

untuk membedakan citra sel nukleus dan sel radang belum banyak dilakukan.

Muhimmah dkk (2013) melakukan ekstraksi fitur dan tahap seleksi

33

fitur untuk pemisahan sel radang dari nukleus. Fitur diekstraksi berdasarkan bentuk,

tekstur, dan intensitas.

Jantzen (2005) melakukan ektraksi 20 fitur terhadap sel nukleus dan sitoplasma

untuk 917 citra sel tunggal yang terdiri dari 7 kelas. Tiga kelas dikategorikan kelas

normal dan 4 kelas berikutnya adalah kelas abnormal. Nilai 20 fitur citra sel tunggal

tersebut telah banyak digunakan terutama untuk penelitian tentang klasifikasi citra

Pap smear. Penggunaan fitur kuantitatif dan kualitatif dengan multiple classifier

oleh Riana (2009), penggunaan hierarchical decision approach berdasarkan

importance performance analysisis oleh Riana (2010) dan (2012a) untuk

menganalisa klasifikasi citra sel data Harlev ke dalam dua dan tujuh kelas sel.

Penelitian tentang proses ekstraksi fitur melalui serangkaian metode usulan pada

citra sel tunggal data Herlev (Martin, 2003) dilakukan dengan melibatkan fitur luas,

sebagai upaya mengenali sel serviks. Penelitian terhadap luas nukleus dengan

menggunakan modifikasi kanal warna dengan empat operator deteksi tepi untuk

citra sel normal Pap smear oleh Riana dkk. (2012b), citra sel abnormal Riana dkk.

(2012c), penggunaan operator Canny pada sel normal Riana dkk. (2012d) dan

(2014a), serta perbandingan dengan sel abnormal oleh Riana dkk. (2013a). Untuk

mengetahui jenis konversi warna yang tepat untuk penanganan citra Pap smear

pada masing-masing kelas. Penelitian fokus pada perhitungan luas (area), keliling

(perimeter) dan kebundaraan (roundness). Selain terhadap luas nukleus juga telah

dilakukan deteksi luas citra sel sitoplasma oleh Hasanuddin dkk. (2012).

Penelitian terkait nilai tekstur dari nukleus telah pula dilakukan untuk menambah

informasi 20 fitur yang sudah ada pada data Herlev oleh Pratama dkk. (2013) dan

Riana dkk. (2013b). Analisa tekstur dapat digunakan untuk mendapatkan fitur-fitur

penting dari suatu objek dalam citra. Hasil dari analisa fitur dapat digunakan untuk

membedakan objek-objek yang ada dalam suatu citra, seperti fitur-fitur yang

dihasilkan dari analisa morphologi (Soille dkk. 1999). Penelitian sebelumnya

banyak yang menggunakan fitur morphologi dan analisa tekstur seperti contrast,

correlation, energy, homogeneity, entropy dan lain-lain. Plissiti

34

dkk. (2011b), telah menggunakan fitur morphologi dalam penelitian tentang citra

serviks berupa fitur kedalaman intensitas untuk menentukan lokasi nukleus.

Penelitian lain yang melibatkan fitur morphologi dengan menggunakan tiga

parameter, yaitu rasio N/C, koefisien wavelet, dan intensitas warna (Suryatenggara

dkk. 2009). Metode analisis tekstur yang telah digunakan dalam menganalisa citra

sel servik khususnya untuk sel tunggal adalah Gray Level Co- occurrence Matrix

(GLCM). Ada 5 parameter yang diekstrak, yaitu contrast, correlation, energy,

homogeneity dan entropy (Pratama dkk. (2013), dan Riana dkk. (2013b). Klasifikasi

yang khusus untuk membedakan sel nukleus dan sel radang telah dicoba dengan

menggunakan analisa tekstur telah dilakukan terutama untuk penggunaan GLCM

untuk ekstraksi sel radang dan nukleus oleh Riana dkk. (2014b). Pada penelitian ini

analisa tekstur Gray Level Run Leng Matriks (GLRLM) akan dimanfaatkan untuk

menentukan daerah region minima untuk mendapatkan daerah calon nukleus.

Sampai saat ini sudah terlihat usaha dari para peneliti untuk mengusulkan teknik

segmentasi yang efektif untuk citra Pap smear. Walaupun teknik-teknik yang sudah

ada memiliki performa yang tinggi, tetapi proses otomasi belum tersedia.

Diharapkan ke depannya pengembangan metode otomasi untuk interprestasi Pap

smear akan ditemukan. Pada bagian-bagian berikutnya dalam disertasi ini akan

ditunjukkan kontribusi dari penelitian ini terhadap proses otomatisasi yang

bertujuan untuk segmentasi sel radang dan pemisahan sel tumpang tindih.

35

Bab III Akuisisi dan Komponen Citra Mikroskopik Pap smear

Bab ini berisi tentang penjelasan mengenai akuisisi citra mikroskopik Pap smear

yang terdiri dari sampel Pap smear dan permasalahannya, proses akuisisi citra

mikroskopik Pap smear, komponen citra Pap smear serta pengenalan area nukleus

dan sitoplasma pada citra mikroskopik Pap smear.

III.1 Sampel Pap smear dan Permasalahannya

Pencegahan kanker serviks merupakan tindakan preventif sekunder, yaitu deteksi lesi

prakanker melalui tes Pap smear dan rangkaian tindak lanjut, misalnya pemeriksaan

kolposkopi dan biopsi. Pengalaman di negara maju menunjukkan bahwa konsep

tersebut baru efektif jika cakupan populasi yang diperiksa tes Pap smear mencapai

sebagian besar populasi yang beresiko. Namun, implementasi hal tersebut

membutuhkan tidak hanya biaya, tetapi juga sumber daya manusia dan logistik

peralatan yang besar.

Tes Pap atau yang lebih dikenal dengan Pap smear adalah salah satu deteksi dini

terhadap kanker serviks yang sering dilakukan. Pap smear banyak ditawarkan oleh

klinik laboratorium yang dilakukan oleh dokter dan tenaga medis. Pelaksanaannya

mudah dan murah. Pada prinsipnya, Pap smear adalah mengambil sel epitel yang ada

di leher Rahim yang kemudian dilihat kenormalannya.

Cara melakukan Pap smear konvensional adalah sebagai berikut (Samadi, 2011) :

1. Usapkan spatula eyre pada ektoserviks (bibir mulut Rahim) terlebih dahulu.

Lalu, pulas di kaca benda.

2. Usapkan cytobrush dan endoserviks. Lalu, pulas di kaca benda.

3. Rendam kaca benda dalam alkohol 96% minimal 30 menit untuk

mendapatkan sampel Pap smear konvensional.

Gambar III.1 Contoh Sampel Pap smear konvensional.

36

Selain cara konvensional terdapat cara pemeriksaan sitology serviks berbasis cairan

atau Liquid- Based Cytology (LBC). Pemeriksaan ini merupakan pemeriksaan Pap

smear. Hasil pengambilan sel-sel mulut Rahim “dilarutkan” lebih dahulu pada suatu

cairan, kemudian di-sentrifugasi atau diambil endapannya, baru kemudian dibuat

hapusan dan dibaca di bawah mikroskopik. Dengan teknik ini, keakuratan hasil

pemeriksaan lebih tinggi walaupun biayanya lebih mahal (Samadi, 2011). Perbedaan

hasil konvensional dan hasil LBC, pada LBC keberadaan sel radang tidak

mengganggu lapang pandang pemeriksaan. Metode LBC mengurangi latar belakang

yang mengganggu. Di negara maju LCB telah luas digunakan, sedangkan di

Indonesia penggunaan LBC tidak begitu popular karena biaya pemeriksaan yang

lebih mahal.

Dilakukan pemeriksaan sel-sel serviks pada sampel untuk mengetahui karakterisasi

slide (normal atau abnormal) oleh ahli sitologi. Teknik Papanicolaou menyediakan

prosedur pewarnaan sel serviks sehingga mudah diperiksa di bawah mikroskop

optik. Namun, prosedur manual ini tetap memungkinkan terjadi keliru identifikasi

slide dianggap sel normal, padahal tidak normal (False Negative). Hal ini terutama

karena minimya pengalaman, stres atau kelelahan pengamat. Pada kondisi temuan

abnormal (baik valid atau karena kesalahan teknis) biasanya menghasilkan

kecemasan yang cukup besar. Untuk menghindari hal ini banyak upaya telah

dilakukan agar skrinning dan analisis slide Pap smear dibantu komputer.

Diharapkan sistem tersebut dapat memberikan kesimpulan yang dapat diandalkan

tentang isi slide Pap smear dalam cara yang cepat dan konsisten, walaupun itu

bukan hal yang mudah.

Plissiti dkk. (2011a) menyatakan bahwa kondisi sampel konvensional Pap smear

yang dilihat di bawah mikroskop sering terdapat variasi dalam pencahayaan dan

konsentrasi pewarna dari sel-sel karena prosedur pewarnaan. Juga, terdapat faktor

mikrobiologis lain yang mempengaruhi, seperti pengeringan udara, darah yang

berlebihan, lendir, bakteri, atau peradangan, yang membuat penentuan dari sel-sel

yang mencurigakan menjadi tugas yang sulit.

Penelitian ini menggunakan sampel sel yang berasal dari metode pengambilan

konvensional. Berdasarkan hasil wawancara dengan ahli patologi sampel yang

37

diperoleh dari metode konvensional memiliki permasalahan yang sering dihadapi

oleh ahli patologi saat identifikasi sampel dan perlu untuk ditangani. Beberapa

permasalahan sampel atau slide hasil pengambilan konvensional Pap smear, yaitu:

1. Adanya sel radang yang cukup menganggu proses identifikasi sel nukleus.

2. Adanya sel yang tumpang tindih yang menyulitkan identifikasi sitoplasma

dan nukleus.

3. Sel terlihat menumpuk dan batas sitoplasma sulit teridentifikasi.

4. Adanya latar belakang yang mengandung sel darah.

5. Kesulitan membedakan sel yang abnormal dan sel menopause yang terjadi

akibat meningkatnya tingkat hormon.

6. Kesulitan mengenali sel yang terkena virus HPV. Sel HPV tampak terang di

bagian sitoplasma.

Dalam penelitian ini mencoba menyelesaikan dua permasalahan, yaitu tentang

keberadaan sel radang yang cukup menganggu proses identifikasi sel nukleus, dan

sel tumpang tindih. Penyelesaian permasalahan ini akan dibahas pada bab-bab

selanjutnya. Sedangkan permasalahan lainnya memerlukan penelitian lanjutan yang

dapat dikembangkan oleh peneliti lain agar dapat memberikan solusi pada

permasalahan identifikasi sampel Pap smear konvensional.

Sebagai upaya penyelesaian permasalahan pada sampel Pap smear konvensional

maka dilakukan digitalisasi sampel Pap smear konvensional melalui proses akuisisi

citra sampel mikroskopik Pap smear.

III.2 Proses Akuisisi Sampel Mikroskopik Pap smear pada Laboratorium

Khusus Patologi Veteran Bandung.

Penelitian tentang citra sel tunggal dan tumpang tindih dengan sel radang diperoleh

dari akuisisi sampel atau slide Papsmear pada Laboratorium Khusus Patologi Veteran

Bandung dengan menggunakan mikroskop dan kamera.

Prosedur berjalan sistem pemeriksaan sampel atau slide di Laboratorium Khusus

Patologi Veteran Bandung, terdiri dari lima proses sebagai berikut:

38

1. Proses Registrasi dan Penomoran Slide.

Laboratorium atau institusi pengirim baik perorangan atau lembaga mengirimkan

slide hasil pengambilan sampel serviks dengan metode Pap smear ke

Laboratorium Patologi Veteran Bandung dengan mengisi formulir penerimaan.

Selanjutnya slide di registrasi oleh petugas dan diberi penomoran. Nomor

registrasi slide dicatat dalam Buku Nomor Registrasi Sitologi.

2. Proses Fiksasi Ulang.

Slide yang telah diregistrasi dan formulir diteruskan ke proses fiksasi ulang

dengan alkohol 95% atau 96% agar konsisi slide tetap terjaga.

3. Proses Staining (Pewarnaan)

Slide yang sudah difiksasi dilakukan proses pewarnaan dengan menggunakan

modifikasi Papnicolau. Semua proses terdata dalam formulir. Hasil dari proses

ini berupa slide yang sudah siap untuk dibaca atau dianalisa oleh ahli patologi.

4. Proses Analisa Slide

Ahli Patologi melakukan pembacaan slide dan mengidentifikasi sel dalam slide.

Hasil analisa ahli patologi akan dimuat dalam formulir jawaban. Setelah itu slide

akan diarsipkan dalam arsip slide.

5. Proses Pembuatan Laporan dan Pengiriman Laporan.

Formulir jawaban dari ahli patologi akan disusun dalam laporan berupa formulir

jawaban dalam format Bethesda dan akan dikirim ke laboratorium atau institusi

pengirim.

Prosedur sistem berjalan pemeriksaan slide Pap smear di Laboratorium Khusus

Patologi Veteran Bandung digambarkan dengan diagram alir data seperti pada

Gambar III.2.

39

Gambar III.2 Sistem Berjalan Pemeriksaan Slide Pap smear di Laboratorium

Khusus Patologi Veteran Bandung

Slide yang sudah diarsipkan menjadi objek penelitian untuk dilakukan akuisisi citra.

Pada proses ini digunakan dua jenis mikroskop optik yaitu Olympus CH21 dan

Olympus CX20. Pembesaran lensa menggunakan perbesaran 40x dan gambar yang

diperoleh disimpan dalam format JPEG. Semua proses akuisisi citra diperoleh

melalui kamera Logitech (Logitech HD web cam C525) yang terhubung dengan

mikroskop. Proses akuisisi citra dapat dilihat pada Gambar III.3 .

40

Gambar III.3 Proses Akuisisi Citra

Piranti yang digunakan dalam akuisisi citra berupa mikroskop dan camera dengan

spesifikasi sebagai berikut:

1. Mikroskop

a. Tipe : Binokular untuk mengamati bagian dalam sel.

b. Merk : Olympus CH21 dan Olympus CH20

c. Lensa : Okuler dengan perbesaran 10x, dan lensa objektif

dengan perbesaran 4x, 10x, 40x, dan 100x

d. Pencahayaan : 6 volt 20 watt lampu halogen.

e. Numerical Aperture (NA): 4x NA: 0.1, 10x NA: 0.25, 40x NA:0.65, 100x

NA: 1.25.

2. Kamera

Kamera Logitech HD web cam C525 dengan resolusi 2 MP ditempatkan pada

posisi lensa okuler mikroskop pada saat akuisisi citra.

41

Proses akuisisi yang benar untuk mendapatkan citra mikroskopik yang baik

dilakukan dengan mengikuti standar pengoperasian mikroskop secara umum.

Adapun urutan langkah sebagai berikut:

Tahap persiapan :

1. Keluarkan mikroskop dari tempatnya, lensa okuler dan lensa objektif.

2. Pasanglah lensa okuler mulai dari perbesaran lemah, kemudian pasang

semua lensa objektif masing-masing pada tempatnya.

3. Siapkan kamera yang akan digunakan untuk pengambilan citra.

4. Siapkan preparat yang akan diamati.

5. Carilah tempat yang baik agar mikroskop dapat mendapatkan cahaya yang

baik.

Tahap inti :

1. Letakkan mikroskop di atas meja, untuk memindahkan mikroskop gunakan

cara yang benar yaitu tangan kiri memagang lengan mikroskop dan tangan

kanan menopang kaki mikroskop.

2. Putar revolver sehingga lensa objektif dengan perbesaran lemah berada pada

posisinya suatu poros dengan lensa okuler yang ditandai bunyi klik pada

revolver.

3. Mengatur cermin dan diafragma untuk melihat kekuatan cahaya masuk,

hingga dari lensa okuler tampak terang berbentuk bulat.

4. Tempatkan preparat pada meja benda tepat pada lubang preparat dan jepit

dengan penjepit benda.

5. Aturlah fokus untuk memperjelas gambar objek/benda dengan cara

memutar pemutar kasar, sambil dilihat dari lensa okuler. Untuk

mempertajam putarlah pemutar halus.

6. Apabila bayangan objek sudah ditemukan, maka untuk memperbesar

gantilah lensa objektif dengan ukuran dari 10 X, 40 X atau 100 X, dengan

cara memutar revolver hingga bunyi klik.

42

7. Setelah diperoleh objek sel yang tepat pada pembesaran 40x maka lensa

okuler diganti dengan kamera Logitech HD web cam C525 dengan resolusi

2 MP yang sudah terhubung dengan komputer atau laptop.

8. Lakukan pengambilan citra dan disimpan dalam folder khusus pada laptop.

9. Apabila selesai digunakan, bersihkan mikroskop dan kamera serta simpan

pada tempat yang tidak lembab.

Gambar III.4 dan III.5 adalah contoh hasil akuisisi citra yang dilakukan dalam

penelitian ini.

(1a) CV-140949 Sel Tunggal

(1b) CV-142200 – Kelompok Sel

Gambar III.4. Database Citra tunggal dan tumpang tindih dengan sel radang Pap

smear (1a) Slide CV-140949 dan (1b) CV-142200

43

Gambar III.5 Contoh Citra Pap smear Konvensional Sel bertumpuk dan Dipenuhi

Sel radang

Proses akuisisi citra menghasilkan citra sel mikroskopik Pap smear yang berupa

citra sel tunggal mikroskopik Pap smear dengan sel radang dan citra sel tumpang

tindih mikroskopik Pap smear dengan sel radang.

Selanjutnya citra hasil akuisisi akan dilakukan proses pengenalan nukleus. Seperti

diketahui nukleus menjadi bagian penting untuk diamati dalam proses identifikasi.

Sel-sel normal dan abnormal diidentifikasi dengan mengevaluasi perubahan

kepadatan dan morfologi bagian struktural dari sel, yaitu nukleus dan sitoplasma.

Nukleus adalah bagian struktural dari sel yang menghadirkan perubahan signifikan

ketika sel dipengaruhi oleh penyakit. Perubahan ini diidentifikasi melalui

interpretasi visual dari slide oleh seorang ahli.

III.3 Jenis dan Komponen Citra Mikroskopik Pap smear

1. Jenis Sel pada Citra Mikroskopik Pap smear

Sel pada Citra Mikroskopik Pap smear dapat dikelompokkan berdasarkan

Bethesda sistem (Cibas, E.S., dan Ducatman, B.S., 2009) yaitu:

a. Sel Epitel Squamous, jenis sel ini terdiri dari :

1. Normal, terdiri dari superficial, intermediate, parabasal dan basal.

2. Atipik

44

3. CIN (Cervical Intraepithelial Neoplasia ).

b. Sel Epitel Glandular atau kelenjar, terdiri dari:

1. Endoserviks, terdiri dari normal, atipik dan ganas.

2. Endometrium

Selain itu, Martin (2003) dan Jantzen, dkk (2005) mengelompokkan citra Pap smear

menjadi 7 kelas yaitu tiga kelas pertama adalah Normal Superficial (NS), Normal

Intermediate (NI), Normal Columnar (NC). Sedangkan empat kelas berikutnya

adalah kelas abnormal yaitu Mild (Light) Dysplasia (MLD), Severe Dysplasia (SD),

Moderate Dysplasia (MD), dan Carcinoma In Situ (CIS). Pada penelitian ini

digunakan jenis kelas dan karateristik umum sel nukleus pada citra Pap smear

seperti pada Tabel III.1.

Tabel III.1 Karakteristik 7 Kelas Sel Tunggal Pap smear (Riana dkk. 2010)

No Nama Kelas Karakteristik Sampel Citra

1 Normal

Superficial

Sel berbentuk oval. Nukleus berukuran sangat kecil. Perbandingan luas wilayah nukleus

dengan luas wilayah sitoplasma sangat

kecil.

2 Normal

Intermediate

Sel berbentuk bulat.

Nukleus berukuran besar. Perbandingan luas wilayah nukleus

dengan luas wilayah sitoplasma kecil.

3 Normal

Columnar

Sel berbentuk seperti kolom.

Nukleus berukuran besar. Perbandingan luas wilayah nukleus

dengan luas wilayah sitoplasma sedang.

4 Mild (Ligh)t

Dysplasia

Nukleus berukuran besar dan berwarna

terang.

Perbandingan luas wilayah nukleus dan

sitoplasma sedang.

45

Tabel III.1 Karakteristik 7 Kelas Sel Tunggal Pap smear (Riana dkk. 2010)

...(lanjutan)

No Nama Kelas Karakteristik Sampel Citra

5 Moderate

Dysplasia

Nukleus berukuran besar dan berwarna

gelap.

Sitoplasma berwarna gelap. Perbandingan luas wilayah nukleus

dengan luas wilayah sitoplasma besar.

6 Severe

Dysplasia

Nukleus berukuran besar, berwarna gelap,

dan bentuknya tidak teratur.

Sitoplasma berwarna gelap. Perbandingan luas wilayah nukleus dengan

luas wilayah sitoplasma sangat besar.

7 Carcinoma

In Situ

Nukleus berukuran besar, berwarna gelap,

dan bentuknya tidak teratur.

Perbandingan luas wilayah nukleus

dengan luas wilayah sitoplasma sangat

besar.

2. Sitoplasma pada Citra Sel Pap smear

Sitoplasma adalah bagian sel yang terbungkus membran sel. Pada sel eukariota,

sitoplasma adalah bagian non-nukleus dari protoplasma. Pada sitoplasma terdapat

sitoskeleton, berbagai organel dan vesikuli, serta sitosol yang berupa cairan tempat

organel melayang-layang di dalamnya. Gambar I.3 dan II.3 adalah contoh

sitoplasma pada citra sel Pap smear. Pada pembacaan slide Pap smear diperhatikan

sitoplasma apakah mengalami eosinofilik, apakah ada tonjolan atau bentuk yang

abnornal, warna terang pada sitoplasma (prinuclea rhalo) dan lain- lain. Rasio

perbandingan area sitoplasma dan nukleus menjadi informasi yang penting dalam

penentuan abnormalitas sel.

3. Nukleus pada Citra Sel Pap smear

Nukleus (jamak: nuklei) dalam arti umum adalah inti atau bagian tengah yang

dikelilingi bagian-bagian lain dalam kelompok atau kumpulan (Gambar I.3 dan

46

II.3). Dalam biologi seluler, nukleus memiliki arti khusus yaitu inti sel, bagian dari

sel yang mengandung kromosom (materi genetik atau DNA). Dalam kasus citra

Pap smear, objek yang menarik adalah nukleus, karena merupakan bagian

struktural dari sel-sel yang menyajikan perubahan signifikan ketika sel dipengaruhi

oleh penyakit. Namun, deteksi akurat dan segmentasi nukleus dalam citra Pap

smear adalah tugas yang sulit karena beberapa alasan, diantaranya keberadaan sel

radang yang mirip dengan nukleus. Pada reduksi sel radang, deteksi sitoplasma

menjadi hal yang penting, untuk mendapatkan nukleus yang sebenarnya.

Segmentasi yang benar dari nukleus sangat penting karena mengarah ke

perhitungan fitur yang menonjol, yang dapat berkontribusi dalam identifikasi

kelainan pada bentuk atau struktur inti, untuk mengenali kategori sel normal atau

abnormal.

4. Sel Radang pada Citra Sel Pap smear

Sel radang disebut juga inflamasi. Dalam pemeriksaan slide Pap smear, sel radang

mengganggu lapang pandang pembacaan jika terlalu banyak. Sehingga bisa

menyulitkan diagnosa ahli patologi karena sel tertutup dengan sel radang dan lapang

pandang menjadi kotor. Sel radang terdiri dari beberapa jenis, diantaranya:

1. Sel polimorfonuklear (PMN), yaitu netrofil (jumlahnya paling banyak dalam

darah), eosinofil (bila terjadi alergi) dan basophil.

2. Sel monomorfonuklear (MMN), yaitu Limposit: sel-T, dan sel-B, Histiosit,

Sel datia inti ganda, dan Sel epitel

Tetapi apapun jenis sel radang bukan menjadi fokus dalam pemeriksaan Pap smear.

Sel radang dikaji lebih dalam pada teori kedokteran dan di luar konteks dari Pap

test. Tetapi keberadaannya yang cukup banyak dalam pengambilan konvensional

Pap smear menjadi masalah yang perlu ditangani.

5. Komponen Lain dalam Citra Sel Pap smear

Komponen lain dalam citra sel Pap smear konvensional adalah keberadaan bakteri

lactobacilli dan artifak (Gambar III.6). Lactobacilli bermanfaat karena menjaga

keseimbangan PH. Tetapi dalam kondisi preparat yang memiliki latar

47

belakang lactobacilli dan artifak yang cukup banyak, juga dapat mengganggu

lapang pandang.

Gambar III.6 Contoh lactobacilli sebagai latar belakang pada citra Pap smear

III.4 Segmentasi Area Nukleus dan Perbandingan dengan Area Sitoplasma

1. Segmentasi Area Nukleus.

Penelitian lebih lanjut tentang karakteristik nukleus dilakukan untuk mengetahui

kanal warna apa yang sesuai untuk masing-masing kelas dalam proses segmentasi,

sebagai rujukan bagi penelitian tentang deteksi nukleus lebih lanjut. Sebanyak 280

sampel citra nukleus untuk kelas normal dan abnormal dari data Herlev

(Jantzen,J.dkk. 2005) digunakan untuk penelitian ini. Distribusi sampel diambil

sebanyak 40 untuk setiap kelas yaitu Normal Superficial (NS), Normal Intermediate

(NI), Normal Columnar (NC), Mild (Light) Dysplasia (MLD), Severe Dysplasia

(SD), Moderate Dysplasia (MD), dan Carcinoma In Situ (CIS).

Tabel III.2 Data Herlev (Jantzen,J.dkk. 2005)

Nama Kelas Jumlah

data

Jumlah

Sampel

Normal Superficial 74 40

Normal Intermediate 70 40

Normal Columnar 98 40

Mild (Light) Dysplasia 182 40

Severe Dysplasia 146 40

Moderate Dysplasia 197 40

Carcinoma In Situ 150 40

Total Data 917 280

Proses segmentasi luas nukleus untuk sel normal dan abnormal menggunakan

operasi kanal warna (R+G+B, R+G, R+B, G+B dan grayscale) dan deteksi tepi

yang terdiri dari Roberts, Prewitt, Sobel dan Canny. Penggunaan detektor tepi

tersebut untuk mendiagnosis berbagai citra dan sudah lazim digunakan.

48

Gambar III.7. Citra asli sel nukleus hasil cropping kelas normal dan abnormal

(1a-7a) dan hasil penggabungan citra R+G+B masing-masing kelas (1b -7b).

Penelitian ini mengusulkan teknik untuk memisahkan kanal RGB dan memodifikasi

kanal warna serta melakukan segmentasi terhadap nukleus dengan menggunakan

modifikasi kanal RGB (R+G+B, R+G, R+B, G+B). Salah satu contoh hasil

modifikasi kanal warna menggunakan R+G+B pada kelas normal dan abnormal

diberikan pada Gambar III.7.

Roberts_R+G+B

Roberts_R+G

Roberts_R+B

Roberts_G+B

Roberts_Grayscale

Prewitt_R+G+B

Prewitt_R+G

Prewitt_R+B

Prewitt_G+B

Prewitt_Grayscale

Sobel_R+G+B

Sobel_R+G

Sobel_R+B

Sobel_G+B

Sobel_Grayscale

Canny_R+G+B

Canny_R+G

Canny_R+B

Canny_G+B

Canny_Grayscale

Gambar III.8 Contoh hasil akhir luas nukleus salah satu citra yang diterapkan pada

4 metode deteksi tepi.

(1a) (2a) (3a) (4a) 5(a) 6(a) 7(a)

(1b) (2b) (3b) (4b) 5(b) 6(b) 7(b)

49

Dalam penelitian ini dibandingkan empat metode deteksi tepi Roberts, Prewitt,

Sobel dan Canny digunakan untuk mendeteksi tepi citra nukleus. Contoh hasil

deteksi tepi dan luas nukleus dari keempat metode deteksi tersebut diberikan pada

Gambar III.8. Hasil perhitungan luas nukleus dari 280 citra selanjutnya diseleksi

secara manual untuk dikelompokkan nilai luas yang memiliki selisih luas nukleus

paling minimum terhadap luas manual.

Tabel III.3 Jumlah citra pada masing-masing kelas yang luas nukleusnya

mendekati luas manual

Diperoleh hasil pada Tabel III.3, yang menunjukkan bahwa deteksi tepi Canny

memiliki nilai luas nukleus yang paling banyak mendekati nilai luas manual untuk

kelas 3,4,5,6 dan 7.

Tabel III.4 Perbandingan korelasi Spearman’s rho (r)

untuk 280 luas citra sel nukleus

Metode Deteksi

Tepi dan

Modifikasi Kanal

Warna

p

Metode Deteksi

Tepi dan

Modifikasi Kanal

Warna

p

Metode Deteksi

Tepi dan

Modifikasi Kanal

Warna

p

Rs_R+G+B 0,295** Rs_R+B 0,264** Rs_Gs 0,083

Pt_R+G+B 0,433** Pt_R+B 0,376** Pt_Gs 0,060

Sl_R+G+B 0,436** Sl_R+B 0,363** Sl_Gs 0,019

Cy_R+G+B 0,454** Cy_R+B 0,355** Cy_Gs 0,106

Rs_R+G 0,355** Rs_G+B 0,210**

Pt_R+G 0,349** Pt_G+B 0,393**

Sl_R+G 0,390** Sl_G+B 0,386**

Cy_R+G 0,180** Cy_G+B 0,295**

Ket : Rs = Roberts; Pt=Prewitt; Sl= Sobel; Cy= Canny; R=Red; G=Green; B=Blue;

Gs=Grayscale

P = Nilai Spearman’s rho ** Correlation is significant at the 0.01 level (2 tailed) * Correlation is significant at the 0.05 level (2 tailed)

50

Pada penelitian ini juga digunakan korelasi Spearman rho untuk membandingkan

ke 280 luas citra nukleus dari data Herlev. Hasil dari perbandingan luas segmentasi

dari keempat metode dan luas manual pada Tabel III.4.

Pada Tabel III.4 untuk semua modifikasi kanal warna (R+G+B, R+G, R+B dan

G+B) menghasilkan nilai p yang signifikan pada level 0,01. Kecuali untuk

grayscale diperoleh nilai p (0,019-0,106) yang tidak signifikan untuk keempat

deteksi tepi. Dari keseluruhan nilai korelasi terlihat deteksi tepi Canny dengan

modifikasi color warna R+G+B (Cy_R+G+B ) menunjukkan nilai korelasi p =

0,454 (sig.0,01 (2 tailed)) mengindikasikan nilai luas nukleus 280 citra dengan

modifikasi kanal warna R+G+B dengan deteksi tepi Canny memiliki nilai luas yang

sangat dekat dengan luas manual.

Berdasarkan hasil ini maka dilakukan analisis lanjutan dengan menggunakan

metode deteksi tepi Canny dengan modifikasi color warna untuk kelas normal dan

abnormal. Tujuannya untuk melihat sejauh mana metode deteksi tepi Canny dengan

modifikasi kanal warna dapat menghasilkan pengukuran luas nukleus yang

mendekati hasil manual, pada tiap-tiap kelas normal dan abnormal.

a. Hasil Segmentasi Area Nukleus Sel Normal Menggunakan Operasi Kanal

Warna dengan Deteksi Tepi Canny

Pengamatan dilakukan untuk 90 citra nukleus yang terdistribusi masing-masing 30

citra untuk setiap kelas normal. Nilai korelasi pada Tabel III.5 menunjukkan

hubungan yang sangat erat antara luas nukleus dari hasil segmentasi manual dan

Canny pada citra nukleus yang sama. Deteksi tepi Canny dengan R+G+B dan G+B

menunjukkan kinerja paling dekat dengan perhitungan manual (0,305 untuk

R+G+B dan 0,208 untuk G+B pada 0,05 p-value dengan 2-tailed).

Kinerja yang superior dari Canny dengan modifikasi kanal warna terlihat pada kelas

Normal Superficial. Di kelas tersebut Canny dengan modifikasi kanal warna

menunjukkan deteksi nukleus yang baik di semua modifikasi, memiliki jangkauan

korelasi Spearman rho 0,504 – 0,793. Dimana nilai tertinggi berada pada hasil kanal

warna grayscale. Semua korelasi tersebut signifikan pada 0,01 p-value (2-

51

tailed). Ini berarti bahwa hasil perhitungan luas nukleus untuk kelas Normal

Superficial memiliki korelasi kuat untuk segmentasi manual.

Di kelas Normal Intermediate, kinerja terbaik diperoleh pada Canny dengan semua

modifikasi kanal warna. Semua deteksi tepi Canny dengan modifikasi kanal warna

menunjukkan korelasi yang lebih tinggi dalam tes nonparametrik. Dalam hal ini,

deteksi tepi Canny dengan R+G+B mencapai 0,817. Sedangkan untuk kelas Normal

Columnar, nilai tertinggi dicapai pada 0,505 untuk Canny dengan R+B. Temuan ini

menunjukkan bahwa detektor tepi Canny tidak sensitif untuk kelas ini.

Tabel III.5. Perbandingan korelasi Spearman’s rho untuk

modifikasi kanal warna pada kelas normal

Metode All Normal

Class

Normal

Superficial

Normal

Intermediate

Normal

Columnar Canny_R+G+B 0,305** 0,707** 0,817** 0,264

Canny_R+G 0,138 0,577** 0,615** 0,212

Canny_R+B 0,179 0,709** 0,596** 0,505** Canny_G+B 0,208* 0,504** 0,724** 0,103

Canny_Grayscale 0,203 0,793** 0,414* 0,377*

Total Citra 90 30 30 30 ** Correlation is significant at the 0.01 level (2 tailed) * Correlation is significant at the 0.05 level (2 tailed)

b. Hasil Segmentasi Area Nukleus Sel Abnormal Menggunakan Operasi

Kanal Warna dengan Deteksi Tepi Canny

Untuk kelas abnormal, pengamatan dilakukan terhadap 160 citra yang terdistribusi

ke dalam 40 citra sel nukleus, hasil analisis korelasi diberikan pada Tabel III.6.

Tabel III.6. Perbandingan korelasi Spearman’s rho untuk

modifikasi kanal warna pada kelas abnormal

Metode All Abnormal

Class

Mil Light

Dysplasia

Severe

Dysplasia

Moderate

Dysplasia

Carsinoma

In Situ Canny_R+G+B 0,518** 0,298 0,586** 0,494** 0,251

Canny_R+G 0,358** 0,009 0,445** 0,314* 0,138

Canny_R+B 0,489** 0,267 0,558** 0,450** 0,305

Canny_G+B 0,397** 0,159 0,420** 0,396** 0,122

Canny_Grayscale 0,365** 0,232 0,283 0,419** 0,226

Total Citra 160 40 40 40 40 ** Correlation is significant at the 0.01 level (2 tailed) * Correlation is significant at the 0.05 level (2 tailed)

All=Abnormal Class; MLD =Mild (Light) Dysplasia cells; MD= Moderate Dysplasia; SD= Severe Dysplasia; CIS= Carcinoma In Situ

52

Korelasi Spearman rho digunakan untuk perbandingan hasil luas 160 citra dari data

Herlev. Hasil perbandingan untuk luas nukleus dari semua kelas abnormal dan

setiap kelas Mild (Light) Dysplasia (MLD) dan Severe Dysplasia (SD) nilai

tertinggi pada modifikasi kanal warna R+G+B. Sedangkan pada kelas Moderate

Dysplasia (MD) dan Carcinoma In Situ (CIS), nilai tertinggi pada modifikasi kanal

warna R+B seperti terlihat pada Tabel III.6.

Dari nilai korelasi Spearman rho untuk segmentasi luas nukleus pada kelompok sel

normal dan abnormal di atas maka dapat dirangkum kesimpulan pada Tabel

III.7. Grafik rekomendasi untuk untuk modifikasi kanal warna untuk setiap kelas

diberikan pada Gambar III.9.

Tabel III.7 Rangkuman hasil kanal warna untuk kelas normal dan abnormal

Kelas Nilai Spearman rho Kanal Warna

Normal Superficial 0,793 Grayscale

Normal Intermediate 0,817 R+G+B

Normal Columnar 0,505 R+B

Mild (Light) Dysplasia 0,298 R+G+B

Severe Dysplasia 0,581 R+G+B

Moderate Dysplasia 0,450 R+B

Carcinoma In Situ 0,305 R+B

Gambar III.9 Grafik Rekomendasi Kanal Warna untuk Setiap Kelas.

53

Rekomendasi dari penelitian tentang karakteristik nukleus ini menunjukkan bahwa

pada tujuh kelas dari citra Pap smear memungkinkan untuk memiliki perlakukan

yang berbeda pada saat pengenalan nukleus pada masing-masing kelas. Untuk kelas

Normal Superficial dapat dipertimbangkan penggunaan kanal warna grayscale.

Sedangkan penggunaan modifikasi kanal warna R+G+B dapat dipertimbangkan

untuk segmentasi pada kelas-kelas Normal Intermediate, Mild (Light) Dysplasia,

dan Severe Dysplasia. Untuk kelas Normal Columnar, Moderate Dysplasia, dan

Carcinoma In Situ dapat digunakan modifikasi kanal warna R+B. Modifikasi kanal

warna RGB dibutuhkan untuk kelas-kelas lain kecuali kelas Normal Superficial.

Usulan penggunaan masing-masing kanal warna pada setiap kelas sejalan dengan

karakteristik nukleus pada Tabel III.1 dimana keabnormalan nukleus seiring dengan

perubahan bentuk nukleus dan perubahan warna.

2. Perbandingan Area Nukleus dan Sitoplasma.

Nilai rasio perbandingan antara area nukleus dan sitoplasma menjadi penilaian

utama untuk tingkat abnormalitas sel. Pada bagian ini digunakan data area nukleus

dan area sitoplasma dari data Herlev (Jantzen, 2005). Tujuannya untuk mengetahui

besarnya nilai rasio nukleus dan sitoplasma pada masing-masing kelas. Dari 917

citra data Herlev diperoleh data rasio area nukleus dan sitoplasma untuk ketujuh

kelas pada Tabel III.8. Tabel data rasio nukleus dan sitoplasma ini akan digunakan

dalam identifikasi kelas sel pada proses-proses penelitian di bab- bab selanjutnya.

Tabel III.8 Rasio Area Nukleus dan Sitoplasma pada Tujuh Kelas

(diolah dari data Herlev (jantzen, 2005))

Nilai Kelas

Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Kelas 6 Kelas 7

Max 0.032665 0.095717 0.667894 0.621777 0.758475 0.843202 0.885497

Min 0.00399 0.012663 0.153379 0.099454 0.143762 0.179315 0.230741

Average 0.011796 0.031257 0.34599 0.267897 0.378829 0.485541 0.602169

Standar

Deviasi 0.006146 0.014082 0.103219 0.102974 0.119767 0.142986 0.132108

54

Bab IV Eliminasi Sel Radang dan Deteksi Nukleus pada Citra

Sel Tunggal Pap smear

Dalam bab ini akan dibahas tentang eliminasi sel radang pada citra sel tunggal Pap

smear. Metode ini dibangun dengan menggabungkan pengetahuan tentang deteksi

sitoplasma dan nukleus. Algoritma segmentasi dikembangkan untuk mengekstrak

sel-sel radang dan memungkinkan deteksi nukleus menjadi akurat. Algoritma yang

diusulkan didasarkan pada kombinasi graylevel thresholding dan definisi aturan

jarak, yang memerlukan identifikasi sel-sel radang. Proses eliminasi sel radang ini

selanjutnya akan digunakan pada proses pemisahan sel tumpang tindih.

Meskipun ada banyak metode yang diusulkan dalam literatur untuk analisis citra

Pap smear, masalah identifikasi sel radang belum banyak ditangani. Penelitian

tentang penentuan batas nukleus dan sitoplasma dalam citra serviks yang hanya

berisi satu sel atau sel terisolasi telah dilakukan oleh beberapa peneliti, (Bamford,

dan Lovell (1996), Bamford dan Lovell (1998), Lassouaoui dan Hamami (2003),

Bak dkk. (2004), Yang-Mao dkk. (2008), Lin dkk. (2009), Yung-Fu dkk. (2014).

Metode yang diusulkan dalam Plissiti dkk. (2011a), dan Plissiti dkk. (2011b) yaitu

mendeteksi lokasi nukleus dan penetapan batas masing-masing nukleus, dalam citra

sel Pap smear konvensional yang mengandung sel-sel yang terisolasi dan kluster

atau kelompok sel.

Selain itu, banyak metode tidak menggunakan informasi warna dari citra serviks.

Dalam Garrido dan de la Blanca (2000) telah mengusulkan metode menggunakan

citra grayscale untuk mendapat tepi benda tumpang tindih dalam citra yang

kompleks. Selain itu, metode lain seperti algoritma genetika oleh Lassouaoui dan

Hamami (2003), klasifikasi piksel oleh Bak dkk. (2004), region growing oleh Isa

(2005), deformable models oleh Plissiti dkk. (2010), deteksi kontur oleh Tsai dkk.

(2008), Malm dan Brun (2009) juga diusulkan untuk segmentasi citra serviks

menggunakan citra grayscale. Harus dicatat bahwa tak satu pun dari penelitian

tersebut di atas berhubungan dengan keberadaan sel-sel radang dalam citra Pap

smear.

55

Segmentasi citra sel dengan menggunakan thresholding telah diusulkan oleh

beberapa peneliti, seperti Poulsen dan Pedron (1995), Wu dkk. 1998, Riana dkk.

(2014a). Melalui teknik ini, citra biner yang diekstraksi dengan thresholding dari

citra awal menjadi sangat jelas dan sederhana untuk dianalisis dan secara signifikan

mengurangi sejumlah data. Secara umum, tujuan dari metode ini adalah secara

otomatis mengidentifikasi nilai thresholding untuk memisahkan sel dari latar

belakang dan nukleus dari sitoplasma. Perbandingan beberapa metode seleksi

thresholding dilakukan oleh Sezgin dan Sanlur (2004). Sebuah teknik thresholding

juga diusulkan dengan metode multiscale local adaptive threshold berdasarkan

stabilitas bentuk pada ekstraksi nukleus dari latar belakang oleh Li, dan Najarian

(2007).

Dalam penelitian ini mengusulkan sebuah metodologi untuk analisis citra sel Pap

smear yang mempunyai dua tujuan spesifik, yaitu:

1. Ekstraksi sel radang dalam citra yang mengandung sel-sel tunggal

2. Deteksi lokasi nukleus dan sitoplasma

Dengan demikian, kontribusi utama penelitian ini ada dua. Pertama, bagian- bagian

dari citra yang tidak termasuk temuan atau bagian yang membantu proses analisa,

seperti latar belakang, akan dibuang. Kedua, ekstraksi sel radang menyebabkan

isolasi nukleus yang sebenarnya dari masing-masing sel, memberikan informasi

tambahan dan saling melengkapi. Dengan cara ini, ahli cytologist atau patologi

dapat memperoleh keputusan diagnostik yang dapat diandalkan tentang slide Pap

smear.

Metode penelitian ini didasarkan pada teknik threshold dan menghasilkan

segmentasi citra yang efektif. Metode ini menggabungkan pengetahuan apriori

tentang posisi nukleus, yang diestimasi bergantung pada pusat massa atau centroid

sitoplasma. Secara umum, nukleus yang terletak di tengah sitoplasma. Berdasarkan

fakta ini, penelitian ini mengusulkan sebuah metode yang dapat membedakan lokasi

nukleus dalam citra Pap smear. Metode ini memanfaatkan nukleus dan karakteristik

sitoplasma melalui analisis citra morfologi. Metode ini telah dievaluasi dengan

menggunakan data tes sebanyak 222 citra Pap smear konvensional, yang

mengandung total 418 sel terisolasi dan terdapat sel-sel

56

radang di sekitarnya. Bab ini disusun sebagai berikut bagian pertama menjelaskan

secara rinci material dan metodologi yang diusulkan. Pada bagian kedua disajikan

hasil eksperimen, evaluasi numerik dan analisa fitur dan pada bagian ketiga terdapat

evaluasi dari metode dan perbandingan dengan metode lainnya.

IV.1 Material dan Metode

Dalam penelitian ini digunakan beberapa citra Pap smear yang mengandung sel-

sel tunggal atau tumpang tindih yang dikelilingi oleh sel-sel radang. Citra-citra ini

diperoleh melalui slide mikroskopis menggunakan kamera digital yang diadopsi

pada mikroskop. Citra simpan dalam format JPEG. Penelitian ini menghasilkan

sebuah database citra yang didasarkan pada hasil pengamatan laboratorium yang

diberikan oleh ahli patologi di Laboratorium Patologi di Indonesia. Total basis data

terdiri dari 222 citra.

(a) (b) (c)

(d) (e) (f)

Gambar IV.1 Contoh Citra Asli

Gambar IV.1 (a-f) menggambarkan beberapa contoh citra dalam penelitian ini.

Karakteristik sel di semua citra adalah sel normal dengan sel-sel radang, kecuali

(1e) yang ditandai sebagai sel yang tidak normal (kriteria atipic).

57

Citra Sel Pap smear

Gambar IV.2. Skema segmentasi dan eliminasi sel radang pada sel tunggal

Skema dari metode yang diusulkan diilustrasikan pada Gambar IV.2. Tahap

pertama adalah tahap pre-processing yang meliputi konversi warna dan

peningkatan citra untuk diproses lebih lanjut. Langkah selanjutnya adalah

Segmentasi Citra

Citra Hasil, Ekstraksi Fitur

dan Identifikasi Jenis Sel

Analisa Morphologi dan Identifikasi Sel

(Area, Perimeter, Roundness)

Ekstraksi sel radang dan deteksi nukleus

Segmentasi Sub Citra

1. Segmentasi dengan lokal

threshold

2. Cropping otomatis

kandidat nucleus

3. Perhitungan fitur kandidat

nukleus

Pre-processing

Konversi Warna

Peningkatan Citra

1. Segmentasi dengan global threshold.

2. Cropping otomatis sel

3. Perhitungan Fitur Sitoplasma

Pre-processing citra

Konversi Warna

Peningkatan Citra

58

pengolahan ditingkatkan citra, yang bertujuan untuk segmentasi satu sel dari latar

belakang dan untuk mengekstrak nukleusnya dari sel-sel radang. Selanjutnya,

proses ekstraksi fitur diterapkan, di mana beberapa fitur penting yang dihitung,

seperti area, perimeter dan kebulatan (roundness) dari nukleus dan sitoplasma.

Fitur-fitur ini diambil untuk analisa lebih lanjut. Setiap tahap dari skema metode ini

dibahsa secara rinci dalam paragraf berikutnya.

IV.1.1 Pre-processing

Tahap pre-processing mempersiapkan citra untuk diproses lebih lanjut. Citra Pap

smear adalah citra optik berwarna yang berkualitas buruk karena variasi proses

stanning digunakan untuk mewarnai sel dan pencahayaan merata di seluruh bidang

pandang. Informasi warna tidak signifikan dibandingkan dengan intensitas citra.

Oleh karena itu dalam tahap pre-processing, langkah pertama adalah mengkonversi

citra RGB ke citra grayscale. Nilai grayscale diperoleh dengan persamaan dari

komponen R, G, dan komponen B seperti yang diberikan dalam (4.1).

1 gray = 0.2989 * R + 0.5870 * G + 0.1140 *B (4.1)

Diperlukan batas yang jelas antara nukleus dan sitoplasma untuk mengekstrak

nukleus dari sel. Namun, kontras citra Pap smear sangat kurang dan perbedaan

homogenitas dalam intensitas citra membuat proses lebih lanjut menjadi sulit.

Dengan demikian, perlu untuk dilakukan peningkatan kontras citra untuk

mendapatkan tepi dan batas-batas yang jelas dari nukleus. Ini merupakan prasyarat

untuk mendapatkan segmentasi dan ekstraksi fitur yang akurat dari citra.

Penyesuaian citra (image adjustment) dan penyaringan (filtering) digunakan untuk

meningkatkan kontras citra, sehingga batas-batas sel yang jelas dapat dibedakan

dari latar belakang citra. Kualitas citra yang telah ditingkatkan lebih cocok untuk

prosedur segmentasi. Prosedur ini membuat nilai-nilai intensitas dalam citra

grayscale yang kontrasnya rendah dipetakan ke nilai-nilai baru dalam citra,

disesuaikan hingga 1%, sehingga, kontras citra meningkat. Masking unsharp

59

digunakan untuk meningkatkan ketajaman citra, yang menghasilkan citra tepi

g(x,y) dari sebuah citra input f(x, y) yang diberikan oleh:

g(x,y) = f(x,y) – fsmooth(x,y) (4.2)

Dimana fsmooth(x,y) adalah menghaluskan f(x,y). Kombinasi semua variabel dalam

persamaan, di mana k adalah nilai-nilai konstan bervariasi antara 0,2 dan 0,7,

menghasilkan persamaan penajaman citra sebagai berikut,

fsharp (x,y) = f(x,y) +k * g (x,y) (4.3)

Seperti dapat dilihat pada Gambar IV.3 (d), setelah langkah preprocessing citra

lebih jelas daripada citra awal, karena tepi dan komponen frekuensi tinggi lainnya

telah ditingkatkan. Citra yang diperoleh dari langkah preprocessing kemudian

digunakan sebagai input pada langkah berikutnya untuk ekstraksi sel radang.

Citra asli (4a) Citra Grayscale (4b)

Citra Adjust (4c) Citra Sharpened (4d)

Gambar IV.3 Citra asli dan hasil pre-processing

60

IV.1.2 Segmentasi Citra dan Sub Citra

Pada langkah ini, citra diproses agar dapat secara efektif mendeteksi ROI (regions

of interest) dalam kasus ini adalah sel dari latar belakang. Latar belakang dalam

citra ini diharapkan dapat menunjukkan karakteristik homogen, sedangkan noise

yang tinggi akan dihapus pada langkah preprocessing. Selain itu, latar belakang

memperlihatkan perbedaan yang signifikan dari daerah sel, karena umumnya

intensitas sel lebih rendah dari intensitas latar belakang. Untuk alasan ini, image

thresholding menyediakan cara yang mudah dan efektif untuk menentukan daerah

ROI dalam citra tertentu.

Hasil dari proses thresholding sangat tergantung pada pilihan nilai ambang batas.

Dalam percobaan ini, ditentukan nilai ambang batas atau thresholding 0,65 untuk

semua citra dalam database. Nilai ini telah secara empiris diperoleh dengan trial

dan error untuk 222 citra input.

Setelah penerapan proses thresholding dalam citra, diambil citra biner yang berisi

daerah ROI, yang digambarkan sebagai daerah putih yang dibangun oleh 4-

connected components. Daerah ini diharapkan menjadi citra sel-sel yang terisolasi

atau kelompok sel. Selanjutnya dapat dihitung beberapa fitur tambahan dari obyek

yang dihitung, seperti area dan pusat massa, yang kemudian akan digunakan untuk

definisi sel nukleus, seperti yang dijelaskan dalam bagian berikutnya.

Untuk mengambil informasi yang berguna dari karakteristik citra sel, maka secara

mandiri setiap sel terdeteksi diproses dengan pemotongan (cropping) otomatis citra.

Untuk itu digunakan persegi panjang terkecil (bounding box) yang mengandung

daerah yang diamati.

Dalam penelitian ini digunakan biner invert yaitu membalikkan citra biner ketika

sel-sel ditampilkan sehingga nilai-nilai 0 akan ditampilkan sebagai putih dan 1

nilai-nilai yang ditampilkan sebagai hitam (Gambar IV.4).

Penggunaan invert binary untuk proses cropping sel, labelling dan region

properties. Pada daerah yang berwarna putih diberikan label dan diambil properti

61

citranya berupa luas dan centroid. Proses ini menggunakan 4-connected objects

untuk menemukan koneksi dalam 4 arah.

Untuk mengekstrak fitur area dari citra biner dihitung dari jumlah piksel putih pada

daerah sel. Centroid ditentukan dari pusat massa. Elemen pertama dari centroid

adalah koordinat horizontal (atau koordinat x) dari pusat massa, dan elemen kedua

adalah koordinat vertikal (atau koordinat y).

Gambar IV.4 Citra invert binary dan hasil cropping otomatis sel.

Cropping citra sel otomatis menggunakan region of interest untuk mendapatkan

area spesifik di setiap sel dan akan ditentukan pusat massa dari sel. Proses ini

menggunakan persegi panjang terkecil yang mengandung daerah sel atau yang

disebut bounding box. Gambar IV.5, menggambarkan massa dan bounding box.

Wilayah ini terdiri dari piksel putih, kotak hijau adalah bounding box, dan titik

merah adalah centroid.

62

Gambar IV.5 Ilustrasi centroid dan bounding box

Proses cropping otomatis dilakukan berulang sebanyak daerah yang dianggap

sebagai sebuah sel dalam citra. Proses cropping otomatis diulang sesuai dengan

jumlah sel dalam citra menghasilkan satu set sub citra.

Untuk setiap sub citra diekstrak, mengikuti langkah preprocessing, mirip dengan

prosedur sebelumnya (penyesuaian citra grayscale dan filtering) untuk peningkatan

karakteristik citra. Selain itu, prosedur thresholding kemudian dilakukan di setiap

sub citra, untuk mengekstraksi kandidat nukleus dalam sel.

(a) Citra Grayscale

(b) Citra Adjusted

(c) Citra Sharpened

(d) Binary images

63

Gambar IV.6 Hasil tahapan preprocessing pada sub citra.

Hal ini didasarkan pada kenyataan bahwa daerah nukleus lebih gelap dari daerah

sitoplasma di setiap sub citra. Nilai threshold diatur sebesar 0,25 untuk semua sub

citra yang dihasilkan cropping otomatis dari 222 citra asli dalam data set. Nilai ini

diperoleh secara empiris.

Pada Gambar IV.6 dapat dilihat beberapa langkah dari prosedur thresholding dalam

tiga sub citra. Pada Gambar. IV.6 (d) citra biner dihasilkan dengan kemungkinan

berisi lebih dari satu calon nukleus. Namun, diharapkan di setiap sub citra dideteksi

hanya satu sel (Gambar IV. 7), proses lebih lanjut diperlukan untuk menentukan

nukleus yang benar di setiap sub citra dan untuk mengekstrak sel-sel radang.

Gambar IV.7 Kandidat Nukleus dalam Sel

IV.1.3 Ekstraksi Sel Radang dan Deteksi Nukleus

Ektraksi sel inflamasi atau radang dan deteksi nukelus didasarkan pada pengetahuan

apriori tentang fitur geometris nukleus. Dalam penelitian ini, dianggap bahwa

bentuk nukleus mengikuti pola elips dan posisi nukleus dalam sel diasumsikan

dekat dengan pusat massa sitoplasma. Dengan demikian, digunakan aturan jarak,

membandingkan jarak euclidean dari posisi pusat massa sitoplasma ke semua pusat

massa calon nukleus.

64

Definisi jarak terpendek antara inti dan pusat massa sitoplasma menunjukkan

adanya nukleus sebenarnya. Semua kandidat lain yang memiliki jarak yang lebih

besar ke pusat massa sitoplasma dibuang, dan dinyatakan sebagai sel-sel radang.

Sel-sel radang ini akan diambil dan dihilangkan dengan mengubah warna menjadi

warna yang sama dengan warna sitoplasma. Nukleus sel yang terdeteksi tersisa

dengan warna aslinya. Gambar IV.8 (b) menunjukkan hasil dari prosedur ini

dibandingkan dengan citra asli. Dalam citra ini, dapat dilihat bahwa sel-sel radang

dalam citra dapat dihilangkan.

(a) Citra asli

(b) Citra Hasil

65

Gambar IV.8 Ekstraksi sel radang sebuah citra setelah aplikasi metode yang

diusulkan.

IV.1.4 Analisa Morphologi dan Identifikasi Sel

Langkah analisa morphologi untuk sitoplasma dan nukleus adalah melakukan

analisis morphologi bentuk daerah sel yang berhasil dideteksi pada citra untuk

mengekstrak kesimpulan yang berguna. Ekstraksi fitur morphologi dilakukan,

dengan menghitung area, perimeter dan kebulatan (roundness) wilayah sitoplasma

dan nukleus. Daerah nukleus dihitung dari himpunan piksel putih untuk setiap

nukleus yang terdeteksi dalam bounding box. Demikian pula, daerah sitoplasma

dihitung dengan menghitung piksel putih di bounding box dari sitoplasma.

Perimeter adalah jumlah piksel yang terdiri dari batas objek. Sedangkan untuk

perhitungan kebulatan (roundness) digunakan rumus berikut

Kebulatan = 4π Αrea / Perimeter2 (4.4)

Contoh ekstraksi ciri morphologi pada citra dapat dilihat pada Tabel IV.1. Analisis

fitur sel morphologi tersebut adalah salah satu proses yang paling penting, dalam

rangka untuk memperoleh kesimpulan diagnostik yang handal dan mendeteksi

secara dini kanker serviks. Untuk sel yang terdeteksi sempurna dapat dihitung nilai

area, perimeter dan roundness Tabel IV.1 berisi fitur yang diperoleh dari proses

ini.

Tabel IV.1. Contoh fitur sitoplasma dan nukleus sel tunggal

Properti Sitoplasma Nukleus Sitoplasma Nukleus

Area 65447 1534 108865 3271

Perimeter 2441.454 183.4386 2188.542 236.4508

Roundness 2740.324 0.134742 4123.69 0.277703

66

Hasil akhir dari eliminasi sel radang berupa citra tunggal yang terdeteksi fitur

nukleus dan teridentifikasi jenis sel. Identifikasi jenis sel mengacu pada Tabel

III.8 tentang rasio area nukleus dan sitoplasma pada tujuh kelas data Herlev.

Gambar IV.9 menunjukan proses eliminasi sel radang dari salah satu citra. Hasil

akhir diperlihatkan pada Gambar IV.10 berupa salah satu sel yang telah diekstraksi

sel radang dan berhasil diidentifikasi kelas sel sebagai kelas satu yaitu Normal

Superficial.

Gambar IV.9 Proses Eliminasi sel radang

(a) (b)

67

Gambar IV.10 Hasil eliminasi sel radang, (a) Sel radang yang telah diekstraksi

jenis sel telah diidentifikasi dan (b) Menunjukkan nilai fitur dari nukleus

terdeteksi.

Penjelasan mengenai lima tahap dalam metode usulan telah diuraikan di atas.

Selanjutnya untuk setiap tahap dari skema metode yang diusulkan dapat ditulis

dengan algoritma seperti pada Tabel IV.2.

Tabel IV.2. Algoritma_Segmentasi _Sel_Radang_pada_Citra_Sel_Tunggal_Pap_

smear

Pseudo-code

Input : Citra Pap smear dengan sel radang

Output: Citra nukleus dan sitoplasma terdeteksi

Stage 1 : Preprocessing

1. Konversi citra dari RGB ke grayscale.

2. Tingkatkan citra dengan adjustment dan filter unsharp.

Stage 2: Segmentasi Citra

3. Terapkan global threshold 0.65 untuk mendapatkan citra hitam putih calon

sitoplasma.

4. Hitung fitur sitoplasma yaitu centroid, area, dan bounding box.

5. Cropping otomatis sitoplasma dengan bounding box >200x200 piksel.

6. if cropping otomatis calon nukleus > 200x200 piksel then S adalah citra

sitoplasma terdeteksi atau sub citra dari citra awal.

Stage 3: Segmentasi sub citra.

7. for k = 1,2,3, …, n; dimana n adalah sub citra

8. Konversi sub citra dari RGB ke grayscale.

9. Tingkatkan sub citra dengan adjustment dan unsharp.

10. Terapkan global threshold 0.25 untuk mendapatkan citra hitam putih calon

nukleus.

11. Hitung fitur calon nukleus yaitu centroid, area, dan bounding box.

12. Cropping otomatis calon nukleus dengan bounding box >13x13 piksel.

13. if cropping calon nukleus > 13x13 piksel then Cn adalah calon nukleus.

Stage 4: Ektraksi Sel Radang dan Deteksi Nukleus

14. Ekstraksi sel radang dilakukan dengan mengambil semua nilai dari proses 10.

15. Deteksi Nukleus:

for i = urutan sitoplasma; j = urutan calon nukleus; [m,n]= (baris, kolom).

16. Tentukan S1, S2, …, Si = S1(m1,n1) , S2(m2,n2),…, Si(mi,ni) sebagai centroid

sitoplasma terdeteksi.

68

i(mi,ni) + j(mj,nj)

17. Tentukn Cn1, Cn2, …,Cni = Cn1(m1,n1) , Cn2(m2,n2),…, Cnj(mj,nj) sebagai centroid

calon nukleus terdeteksi.

18. Hitung jarak terdekat D = min (S 2 Cn 2)1/2

19. end

20. D adalah nukleus terdeteksi.

21. end

Stage 5: Analisa Morphologi dan Identifikasi Jenis Sel

22. Ambil fitur area sitoplasma dan nukleus terdeteksi.

23. Hitung fitur perimeter dan roundness dari sitoplasma dan nukleus terdeteksi.

24. Hitung perbandingan area nukleus terdeteksi dengan area sitoplasma

terdeteksi.

25. Tentukan jenis sel.

IV.2 Hasil Eksperimen

IV.2.1 Studi Group

Dalam penelitian ini digunakan 222 citra database citra Pap smear dengan sel-sel

sel radang yang memiliki 418 citra cropping, yaitu 255 sel tunggal dan163 citra sel

tumpang tindih. Sebagai data pelatihan diambil sebanyak 143 citra yang setelah

dilakukan proses cropping memiliki 293 citra, dimana 169 adalah sel tunggal dan

124 sel tumpang tindih.

Selanjutnya, metode yang diusulkan diuji dalam hal penentuan akurat dari nukleus

dan batas sitoplasma pada data uji sebanyak 79 citra dengan sel-sel sel radang yang

berisi 125 citra cropping, yaitu 86 sel tunggal dan 39 sel tumpang tindih. Harus

dicatat bahwa pelatihan dan uji merupakan citra yang independen. Citra- citra ini

diperoleh melalui kamera Logitech (Logitech HD C525) dengan dua jenis

mikroskop optik Olympus CH20 dan Olympus CH31, menggunakan lensa

perbesaran 40x dan citra yang diperoleh disimpan dalam format JPEG. Citra-citra

tersebut kemudian di-cropping secara otomatis untuk mendapatkan satu sel yang

mengandung sel-sel radang atau inflamasi.

IV.2.2 Evaluasi Numerik

Penerapan metode yang diusulkan untuk data set citra menghasilkan hasil yang

menjanjikan, yang menunjukkan bahwa metode ini dapat mendeteksi sel-sel radang

dan untuk menentukan secara akurat sitoplasma dan nukleus (Gambar

69

IV.11). Hal ini dicapai untuk 86 citra sel tunggal, di mana sel-sel radang dan

segmentasi sitoplasma dan nukleus berhasil diekstrak. Dalam 39 citra, sel radang

diidentifikasi dengan benar, yang kemudian diberi warna sama dengan warna

sitoplasma.

Metode yang diusulkan seluruhnya dilakukan secara otomatis. Terdiri dari dua

tahap yaitu preprocessing, segmentasi dan penentuan nukleus. Tabel IV.3

menunjukkan waktu proses 79 citra uji dengan Matlab menggunakan Core I3

dengan RAM 3 GB. Tahap segmentasi memiliki waktu proses 0.1645 ± 0.1159

detik dan lebih lama dibandingkan dengan tahapan preprocessing. Hal ini

disebabkan pada tahap ini dilakukan segmentasi berupa deteksi sitoplasma dan sub

segmentasi yaitu ekstraksi sel radang, deteksi calon nukleus dan penentuan nukleus

berdasarkan jarak terdekat dari pusat centroid.

Gambar IV.11 Hasil dari metode yang diusulkan untuk ekstraksi sel inflamasi dan

deteksi sitoplasma dan nukleus.

70

Dalam waktu tersebut untuk 79 citra berkelompok yang mengandung sel radang

dapat dieksekusi sebanyak 125 sel dengan hasil 86 nukleus dapat dideteksi dengan

baik sedangkan 39 nukleus belum terdeteksi dengan benar. Perhitungan secara detil

untuk proses deteksi nukleus dan defenisi sel radang melibatkan 1046 sel kandidat

nukleus yang terdiri dari 188 sel nukleus dan 858 sel radang.

Tabel IV.3 Eksekusi Citra

Tahapan Prosess Waktu dalam detik

Preprocessing 0.1645 ± 0.1159

Segmentasi dan deteksi nukleus 0.9191 ± 0.4468

Tahap segmentasi dan deteksi nukleus dinyatakan berhasil jika nukleus dan sel

radang terdeteksi benar diantara sekumpulan kandidat nukleus. Pada proses ini 75

nukleus masih ditandai sebagai sel radang dan sebanyak 113 nukleus dideteksi

secara akurat atau 60,11 %. Sedangkan untuk deteksi sel radang, 278 sel masih

terdeteksi sebagai nukleus sedangkan 580 terdeteksi secara benar sebagai sel radang

atau sebesar 67,59%.

Perhitungan nilai True Positive (TP), True Negative (TN), False Positive (FP), dan

False Negative (FN) dari hasil deteksi nukleus dan sel radang digunakan dua

perhitungan statistik untuk performansi, yaitu:

1. Sensitivity yang menghitung proporsi sel nukleus yang terdeteksi dengan

benar dan didefenisikan sebagai:

Sensitivity = . TP . x 100% (4.5)

TP + FN

2. Specificity yang menghitung proporsi sel radang yang terdeteksi dengan

benar dan didefenisikan sebagai:

Specificity = . TN . x 100 % (4.6)

TN + FP

Nilai Sensitivity diperoleh sebesar 70.96 % menunjukkan masih terdapat sel nukleus

yang dianggap sel radang, ini sesuai dengan kondisi kesulitan yang dihadapi oleh

ahli patologi. Sedangkan nilai Specificity sebesar 82,54% menunjukkan bahwa sel

radang dideteksi dengan baik dan hanya sedikit sel radang yang dianggap sebagai

sel nukleus.

71

Secara lengkap nilai false negative dari hasil metode usulan diberikan pada Tabel

IV.4, berikut ini.

Tabel IV.4. Perhitungan Sensitivity dan Specificity 79 Citra

72

73

D = min (S Cn ) (4.7) ) )

Pada penentuan sel nukleus diantara sel radang atau calon nukleus digunakan

parameter jarak terdekat dari centroid calon nukleus ke centroid sitoplasma.

Parameter jarak terdekat dapat didefenisikan sebagai berikut:

Jika i = urutan sitoplasma

j = urutan calon nukleus (m,n)

= (baris, kolom)

Maka didapat nilai-nilai centroid yang terdeteksi, yaitu:

Centroid sitoplasma terdeteksi :

S1, S2, …,Si = S1(m1,n1) , S2(m2,n2),…, Si(mi,ni) dan

Centroid calon nukleus terdeteksi :

Cn1, Cn2, …,Cni = Cn1(m1,n1) , Cn2(m2,n2),…, Cnj(mj,nj)

Sehingga parameter jarak terdekat ditentukan sebagai:

2 2 1/2i(mi,ni + j(mj,nj

dimana D adalah Jarak terdekat atau minimum antara centroid sitoplasma dan

centroid calon nukleus. Sehingga nukleus yang sebenarnya adalah Cnj(mj,nj) jika D

terpenuhi.

IV.2.3 Hasil Analisa Fitur Morphologi

Selanjutnya dievaluasi 86 citra yang berhasil diekstraksi sel radang dan berhasil

dideteksi sitoplasma dan nukleusnya. Dalam citra ini, telah dihitung tiga ciri-ciri

morphologi sitoplasma dan nukleus, yaitu area, perimeter dan kebulatan atau

roundness. Dalam Gambar IV.12 dan IV.13, bisa melihat hasil dari perbandingan

daerah dan perimeter inti dan sitoplasma masing-masing. Seperti yang diharapkan,

sitoplasma memiliki area dan perimeter yang lebih besar dari nukleus.

74

Area

2.5

2

1.5

1

0.5

0

5

x 10

0 10 20 30 40 50 60 70 80 90

Index Citra

Gambar IV.12 Grafik yang menunjukkan perbandingan area nukleus (kurva

bawah) dan sitoplasma (kurva atas) untuk 86 citra.

Perimeter

15000

10000

5000

0 0 10 20

30 40

50 60 70 80 90

Index Citra

Gambar IV.13 Grafik perbandingan nilai perimeter 86 citra, sitoplasma (‘+’) dan

nukleus (garis kontinu).

Tabel IV.5 menunjukkan fitur yang diukur dari sitoplasma dan nukleus yang

dihasilkan oleh metode ini dari 86 citra, yaitu rata-rata dan standar deviasi. Dimana

hasil untuk daerah sitoplasma adalah 122.741,9 ± 40.075,61, sedangkan hasil untuk

nukleus adalah 7.218,55 ± 9101. Tingginya nilai standar deviasi dari

75

daerah sitoplasma dapat dijelaskan sebagai intensitas nilai sitoplasma memiliki nilai

variasi yang beragam dibandingkan dengan intensitas nilai-nilai nukleus.

Tabel IV.5 Perbandingan nilai mean dan standar deviasi fitur sitoplasma dan

nukleus

Measures Sitoplasma Nukleus

Area Perimeter Roundness Area Perimeter Roundness

N 86 86 86 86 86 86

Mean 122741,9 4326,79 14455,92 7218,55 413,28 0,179

Standar 40075,61 3718,47 51482,56 9101 797,67 0,311

Deviasi

Gambar IV.14 menunjukkan nilai-nilai kebulatan setiap sitoplasma dan nukleus.

Seperti yang diamati, nukleus dari semua sel memiliki bentuk bulat; ini juga

ditunjukkan oleh hasil kebulatan, yaitu 0,179 ± 0,311. Ini menunjukkan bahwa

nukleus yang normal biasanya memiliki bentuk yang halus dan melingkar.

Sebaliknya, sitoplasma memiliki berbagai bentuk,sehingga nilai kebulatan

sitoplasma sangat bervariasi 14.455,92 ± 51.482,56.

Roundness

2

1.8

1.6

1.4

1.2

1

0.8

0.6

0.4

0.2

0

5

x 10

0 10 20 30 40 50 60 70 80 90

Index Citra

Gambar IV.14 Grafik Garis Perbandingan Roundness antara Sitoplasma dan

Nukleus

76

IV.3 Diskusi

IV.3.1 Evaluasi dari metode yang diusulkan

Dalam penelitian ini diusulkan sebuah metode untuk ekstraksi sel radang dan

deteksi nukleus yang benar dalam citra Pap smear. Tes pada 79 citra yang

mengandung 125 sel dilakukan dan metode menghasilkan hasil yang akurat dalam

86 citra sel tunggal, di mana identifikasi sitoplasma dan inti dapat diandalkan.

Dalam 39 citra sel lainnya, berhasil diekstraksi sel radang dan terdeteksi batas

sitoplasma, tetapi belum berhasil menentukan nukleus dari setiap sel tumpang

tindih.

Seperti yang diverifikasi oleh ahli (dalam hal ini ahli patologi), metode mengarah

ke deteksi pada 86 sel dalam citra yang sesuai dari data set penelitian ini. Citra-

citra ini mengandung sel-sel pada kelas Normal Superfisial yang nukleusnya

berbentuk lingkaran dan berlokasi di pusat daerah sitoplasma. Namun, dalam 39

citra yang tersisa (Gambar IV.15) di mana metode luput untuk mengidentifikasi

beberapa nukleus, dapat diamati bahwa batas sitoplasma tidak digambarkan dengan

benar, dan terdapat sel-sel tumpang tindih.

(a) (b)

(c) (d)

Gambar IV.15 Citra hasil reduksi sel radang pada sel tumpang tindih. Citra asli (a)

(c) dan citra hasil dimana sitoplasma dideteksi sebagai satu sel (b)

dan (d).

77

Dalam penelitian ini, dilakukan analisis morphologi sel terdeteksi. Dari rata-rata

dan standar deviasi dari semua hasil analisis morfologi, ada perbedaan yang jelas

antara ukuran rata-rata dan standar deviasi dari sitoplasma dan nukleus. Hal ini

dapat dijelaskan sebagai gambar yang termasuk dalam kumpulan data (125 citra)

hanya berisi sel superfisial yang normal, yang menunjukkan rasio besar sitoplasma

dan nukleus. Hal ini konsisten dengan hasil perhitungan dimana perimeter dan

kebulatan, yang menunjukkan sel-sel normal superfisial dan sesuai dengan

verifikasi dari ahli.

Hasil menunjukkan bahwa metode yang diusulkan telah berhasil mendeteksi

nukleus dan sitoplasma dalam citra Pap smear, terutama sel-sel dalam kondisi

normal (normal superficial) dengan kondisi sitoplasma tidak terlipat atau tumpang

tindih. Identifikasi daerah nukleus sel serviks pada citra Pap smear konvensional

tetap menjadi masalah yang sulit, terutama pada sel-sel yang memiliki sel radang

dan tumpang tindih. Segmentasi yang akurat dari daerah nukleus merupakan

prasyarat untuk menarik kesimpulan untuk diagnostik dan karakterisasi mengenai

konten citra Pap smear.

Beberapa parameter yang digunakan dalam algoritma dapat dilihat pada Tabel

IV.6. Nilai-nilai parameter ini diambil dari citra dengan ukuran 1600x1200 dan

1280x720 yang merupakan ukuran citra dalam populasi. Nilai global threshlold

untuk mendapatkan sitoplasma adalah 0.65. Dengan nilai ini dapat dilakukan isolasi

sel dan latar belakang. Sedangkan untuk nukleus global threshlold 0.25 untuk

mendapatkan calon nukleus dalam sel. Hal ini dimaksudkan untuk proses

segmentasi selanjutnya.

Parameter ukuran sel pada saat segmentasi harus lebih dari 200x200 piksel, jika

kurang maka dianggap bukan sitoplasma. Untuk mendefenisikan nukleus

digunakan parameter jarak terdekat antara centroid sitoplasama dan centroid calon

nukleus yang diperoleh secara otomatis. Nilai-nilai area, perimeter dan roundness

untuk sitoplasma dan nukleus menghasilkan nilai rata-rata dan standar deviasi yang

menunjukan keragaman dari masing-masing nilai.

78

Tabel IV.6 Nilai Parameter-Parameter

Tahapan Metode Parameter Nilai

Preprocessing Ukuran Citra

Threshold Sitoplasma

Threshold nukleus

1600x1200 dan 1280x720

0.65

0.25

Segmentasi Ukuran sel

Ukuran Nukleus

>200x200

>13x13

IV.3.2 Perbandingan Metode Usulan dengan Metode Lain

Keberhasilan metode segmentasi radang terletak pada keberhasilan menidentifikasi

objek sel tunggal di proses awal atau pre-processing. Teknik pengenalan objek pada

metode usulan mampu memisahkan sitoplasma dari latar belakang untuk masuk

pada tahap segmentasi sel radang. Untuk mengetahui apakah proses pengenalan

objek sitoplasma ini unggul dari metode lain maka perlu dilakukan dilakukan

perbandingan dengan metode lain. Metode usulan dibandingkan dengan salah satu

metode yang ada dalam state of the art dalam penelitian citra kanker serviks yaitu

metode Lezoray, O., dan Cardot, H. (2002).

Gambar IV.16. Data latih untuk klasifikasi Bayesian

Metode Lezoray melakukan pengenalan objek sitoplasma dan nukelus berdasarkan

skema pixel classification, yaitu pada penggunaan k-means clustering dan

Bayesian. Untuk mengetahui apakah kedua metode ini cukup baik diaplikasikan ke

data set yang digunakan dalam penelitian ini dengan mengikuti prinsip Lezoray.

Sebagai catatan sebelum diujicobakan ke data set sesuai dengan prinsip Lezoray,

maka dilakukan proses penyederhaan citra dimana latar belakang citra akan dihapus

dan digunakan klasifikasi pada setiap piksel sebagai sitoplasma dan latar belakang.

Tabel IV.7 Perbandingan Citra Hasil dari Ketiga Metode

79

Citra Asli K- Means Bayesian Metode Usulan

Penerapan algoritma klasifikasi k-means clustering tidak membutuhkan data uji dan

langsung diterapkan pada setiap citra pada data set. Penerapan pada klasifikasi

Bayesian membutuhkan beberapa parameter yang harus didefenisikan

80

terlebih dahulu. Gambar IV.16 adalah citra yang digunakan untuk data latih

klasifikasi Bayesian.

Pengujian dilakukan terhadap data tes yang terdiri dari 79 citra dengan sel-sel

radang, yang berisi 125 citra cropping (86 citra sel terisolasi dan 39 citra sel

tumpang tindih). Algoritma pengujian terdiri dari 3 tahapan :

1. Penyederhaan (simplification) citra

Penyederhanaan citra dengan membuang background:

a) Citra diubah ke dalam citra hitam putih

b) Sel dan nukleus yang terdeteksi diberi warna semula, hanya background

saja yang hitam.

2. Penggunaan Klasifikasi K-means

3. Penggunaan Klasifikasi Bayesian.

Hasil dari kedua klasifikasi Bayesian dan K-means yang diuji ke 79 citra diperoleh

kondisi bahwa kedua metode ini belum mampu mendeteksi nukleus, sel radang dan

sitoplasma secara akurat jika dibandingkan dengan metode usulan. Seperti yang

ditunjukkan oleh citra pada Tabel IV.7, dalam semua citra yang diuji, untuk

klasifikasi K-Means dan Bayesian menunjukkan hasil tidak seakurat yang

diharapkan, dimana dalam beberapa kondisi sitoplasma maupun nukleus tidak

terdeteksi dengan sempurna. Sedangkan pada hasil metode usulan terlihat bahwa

sitoplasma dan nukleus berhasil dideteksi yang berhasil dibedakan dalam dua citra

hasil yaitu sitoplasma dan nukleus.

81

Bab V Pemisahan Sel Tumpang Tindih dan Eliminasi Sel

Radang Pap Smear

Dalam bab ini akan dibahas tentang pemisahan sel tumpang tindih dan eliminasi sel

radang. Metode ini dibangun dengan menggabungkan pengetahuan tentang

pemisahan sitoplasma tumpang tindih, eliminasi sel radang dan deteksi nukleus.

Algoritma segmentasi dikembangkan untuk memisahkan sitoplasma tumpang

tindih dan mengeliminasi sel-sel radang dan memungkinkan deteksi nukleus

menjadi akurat. Algoritma yang diusulkan didasarkan pada kombinasi graylevel

thresholding dan definisi aturan jarak, dan pendekatan geometri.

Pemisahan sel tumpang tindih tetap menjadi salah satu masalah yang paling

menantang dalam analisis citra mikroskopis. Dalam bab ini akan dibahas tentang

pemisahan citra sel tumpang tindih dan pada citra sel Pap smear. Algoritma

pemisahan sel tumpang tindih dikembangkan untuk segmentasi sel dan daerah

tumpang tindih sitoplasma. Proses pemisahan citra sel tumpang tindih akan

menghasilkan citra akhir berupa sel tunggal yang terdeteksi nukleus dan

teridentifikasi jenis selnya.

Sel yang tumpang tindih adalah fenomena yang umum dalam slide mikroskopik

Pap smear. Menurut ahli patologi salah satu problem dalam diagnosis cytopatology

Pap smear adalah penilaian terhadap sel tumpang tindih yang dapat menyebabkan

kesalahan diagnostik. Fokus utama pada bagian ini adalah pemisahan sel tumpang

tindih pada citra Pap smear. Menurut Plissiti dan Nikou (2013), sampai saat ini

deteksi sitoplasma pada sel tumpang tindih masih menjadi permasalahan yang sulit,

belum ada metode dalam literatur yang hasilnya secara otomatis dapat

menggambarkan sitoplasma dalam kelompok sel dalam kondisi tumpang tindih.

Penelitian sebelumnya fokus pada isolasi nukleus dan kondisi sel tidak mengandung

sel radang.

Segmentasi pada citra nukleus tumpang tindih sudah diteliti oleh beberapa peneliti

sebelumnya seperti Yang Mao dkk. (2008), Bamford dan Lovell (1998) dan Plissiti

dan Nikou (2012a). Lebih khusus lagi penelitian yang menggunakan teknik

segmentasi untuk memisahkan sel nukleus yang tumpang tindih, seperti

82

geometri active countours oleh Zimmer dan Olivio-Martin (2005), physically based

model oleh Plissiti dan Nikou (2012a) yang memanfaatkan pengetahuan tentang

bentuk elips untuk menduga batas nukleus tumpang tindih.

Pada sel sitoplasma yang tumpang tindih pengetahuan tentang bentuk geometri dan

fisik sel tidak bisa diterapkan dikarenakan bentuk dari sitoplasma yang tidak

beraturan.

Penelitian tentang segmentasi sitoplasma tumpang tindih telah dilakukan Tareef

dkk. (2015) dan Lu dkk. (2015). Terdapat tiga stage yang diusulkan untuk deteksi

otomatis dan segmentasi sitoplasma tumpang tindih oleh Tareef dkk, (2015) yaitu:

1. Stage satu berupa deteksi sel tumpang tindih menggunakan superpixel

clustering dan thresholding,

2. Stage dua berupa segmentasi dan deteksi nuklei dengan menggunakan

Suport Vector Machine,

3. Stage ketiga berupa segmentasi sel tumpang tindih berdasarkan proses

peningkatan tepi sel, gradien threholding, operasi morphologi dan evaluasi

region properties.

Penggunaan ketiga stage yang berisi kumpulan metode dan teknik yang jika dilihat

secara mandiri tidak menunjukkan suatu hal yang baru, tetapi ketika metode-

metode tersebut digabungkan dapat digunakan untuk segmentasi sel tumpang

tindih. Tarref dkk (2014) sebagian besar berhasil melakukan segmentasi hampir

semua sel tumpang tindih pada data set ISBI 2014, tetapi belum melakukan

pemisahan sel tumpang tindih menjadi sel-sel tunggal. Hal lain peneliti tersebut

tidak membahas keberadaan sel radang dalam penelitiannya.

Terdapat perbedaan penelitian disertasi ini bahwa penelitian ini memiliki fokus

pemisahan sel tumpang tindih menjadi sel tunggal sekaligus mengatasi keberadaan

sel radang dan pada akhirnya dilakukan analisa morphologi untuk nukleus dan

sitoplasma terdeteksi dan identifikasi terhadap jenis sel yang sedang diamati. Bab

ini disusun sebagai berikut, bagian pertama menjelaskan secara rinci proses delinasi

sel tumpang tindih, bagian kedua tentang material dan metodologi

83

yang dijelaskan secara rinci pada setiap langkahnya. Pada bagian ketiga disajikan

hasil eksperimen dan evaluasi dari metode yang diusulkan.

V.1 Delinasi Sel Tumpang Tindih.

Proses delinasi sel tumpang tindih adalah rangkaian proses pemisahan sel tumpang

tindih. Delinasi adalah menggambarkan sel tumpang tindih. Terdapat empat proses

dalam delinasi sel, yaitu pembagian daeran tumpang tindih, pencarian jarak

terdekat, penyambungan pinggiran sitoplasma dan isolasi sel tumpang tindih.

Proses delinasi sel tumpang tindih akan menghasilkan sel-sel tunggal.

Gambar V.1 Ilustrasi Pemisahan Sel Tumpang Tindih.

Ilustrasi delinasi sel tumpang tindih pada Gambar V.1, dapat dijelaskan sebagai

berikut:

a. Pembagian daerah tumpang tindih

Hal ini dilakukan dengan membagi daerah tumpang tindih menjadi dua bagian

untuk mempermudah penentuan titik sambung daerah tumpang tindih dengan

sel tumpang tindih. Proses membagi dua daerah tumpang tindih menjadi

84

bagian atas dan bagian bawah dilakukan dengan mendapatkan titik tengah

boundary. Caranya dengan menghitung tinggi boundary dan dibagi dua.

Jika diketahui Xi dan Yj dimana i =1,2,3,…., n dan j = 1,2, 3,…, m dan titik

boundary (Xi , Yj) = (X1 , Y1), (X2 , Y2), (X3 , Y3), …, (Xn , Ym), maka tinggi

boundary adalah Y1, Y2, Y3, … Ym. Sehingga titik tengah (K) diperoleh dari nilai

rata-rata dari penjumlahan nilai maxsimum dan minimum Yi. Proses pembagian

daerah tumpang tindih dibuat dalam algoritma pada Tabel V.1 berikut ini:

Tabel V.1 Algoritma_Pembagian_Daerah_Tumpang_Tindih

Pseudo-code

Input : Pinggiran (boundary) daerah tumpang tindih

Output: Pinggiran bagian atas dan pinggiran bagian bawah daerah

tumpang tindih

1. Bagi dua pinggiran daerah tumpang tindih menjadi bagian atas dan

bagian bawah. 2. if pinggiran (Xi , Yi) = (X1 , Y1), (X2 , Y2), (X3 , Y3), …, (Xn , Ym) then

tinggi pinggiran adalah Y1, Y2, Y3, … Ym.

3. Ambil Y max dan Y min 4. Tentukan titik tengah (K)= (Ymax +Ymin)/2 5. if Yi < K then pinggiran bagian atas daerah tumpang tindih = 0 6. else pinggiran bagian bawah daerah tumpang tindih =1

7. end

b. Pencarian jarak terdekat dari boundary awal (atas dan bawah).

Mencari jarak terdekat dari pinggiran sitoplasma tumpang tindih ke bagian atas

dan bawah daerah tumpang tindih. Pada proses ini dilakukan perhitungan jarak

terdekat antara pinggiran sitoplasma tumpang tindih dengan dua bagian atas dan

bawah dari daerah tumpang tindih pada proses sebelumnya. Jika diketahui

koordinat pinggiran sitoplasma tumpang tindih (Pi, Qi), koordinat pinggiran

daerah tumpang tindih bagian atas (Xi, Yi) <= K dan koordinat pinggiran daerah

tumpang tindih bagian bawah (Xi, Yi) > K, maka diperoleh dua jarak terdekat

antara kedua koordinat yaitu:

D< = K = min ((Pi – Xi)2 + (Qj – Yj)

2)1/2 (5.12)

D> K = min ((Pi – Xi)2 + (Qj – Yj)

2)1/2 (5.13)

Algoritma pencarian jarak terdekat dibuat dalam Tabel V.2 berikut ini.

85

Tabel V.2 Algoritma_Pencarian_Jarak_Terdekat

Pseudo-code

Input : Pinggiran sitoplasma tumpang tindih, pinggiran bagian atas daerah

tumpang tindih,dan pinggiran bagian bawah daerah tumpang tindih.

Output: Jarak terdekat antara pinggiran sitoplasma tumpang tindih dengan

pinggiran bagian atas daerah tumpang tindih (D<k), dan Jarak terdekat antara

pinggiran sitoplasm tumpang tindih dengan pinggiran bagian bawah daerah

tumpang tindih (D>=K).

1. if (Pi, Qi) koordinat pinggiran sitoplasma tumpang tindih dan (Xi, Yi) koordinat pinggiran daerah tumpang tindih then

2. D < K = min ((Pi – Xi)2 + (Qj – Yj)2)1/2 dan 3. D> =K = min ((Pi – Xi)2 + (Qj – Yj)2)1/2

4. end

c. Penyambungan pinggiran sitoplasma

Pada proses ini dilakukan penyambungan tepi sel dengan menggunakan dua

titik terdekat yang merupakan hasil dari jarak terdekat pada proses sebelumnya.

Selanjutnya dilakukan penyambungan dengan ketentuan pada Tabel V.3.

Ketentuan penyambungan ini berlaku untuk posisi titik di atas dan bawah

dengan kondisi sel tumpang tindih horizontal.

Tabel V.3 Ketentuan Penyambungan Pinggiran Sitoplasma dengan Koordinat

Pinggiran Daerah Tumpang Tindih

Posisi Titik Ketentuan Penyambungan

. A (Pi, Qi)

. B (Xi, Yi)

Jika nilai Pi = Xi (Yi - Qi) adalah banyaknya

piksel , sehingga Garis (Xi, Qi) (Xi, Yi) = 1 atau

penyambungan dilakukan dengan mengisi warna

putih pada piksel.

L. . A (Pi, Qi)

. . M

B (Xi, Yi)

Jika nilai Pi > Xi dan Yi > Qi maka perlu tentukan

dua titik yaitu L = {(Xi Pi) ; Qi} dan M = {(Qi

Yi) ; Pi} sehingga membentuk daerah persegi

panjang LBMA = 1 atau penyambungan dengan

mengisi warna putih pada piksel.

Ketentuan pada Tabel V.3 dapat dirinci untuk 8 posisi titik (Gambar V.2-V.9),

sehingga diperoleh 8 kriteria. Misal (Pi,Qi) adalah koordinat pinggiran

86

sitoplasma tumpang tindih yang memenuhi kriteria jarak terdekat dan (Xi,Yi)

adalah koordinat pinggiran daerah tumpang tindih yang memenuhi kriteria jarak

terdekat, berlaku ketentuan:

1. Jika Pi < Xi dan Qi > Yi maka nilai piksel Pi sampai dengan Xi dan Yi

sampai dengan Qi =1 (diberi warna putih), atau ((Pi -Pi’) 2 +(Qi-Qi’) 2)1/2

)((Pi -Xi’) 2 +(Qi-Yi’) 2)1/2 ) diberi nilai 1.

Gambar V.2 Posisi Titik Kriteria 1.

2. Jika Pi < Xi dan Qi < Yi maka nilai piksel Pi sampai dengan Xi dan Qi

sampai dengan Yi =1 (diberi warna putih).

Gambar V.3 Posisi Titik Kriteria 2.

3. Jika Pi > Xi dan Qi > Yi maka nilai piksel Xi sampai dengan Pi dan Yi

sampai dengan Qi =1(diberi warna putih).

Gambar V.4 Posisi Titik Kriteria 3.

(Pi,Qi) (Xi’,Yi’)

(Xi,Yi)

)

(Pi’,Qi’

(Xi,Yi)

i)

(Pi,Q

(Pi,Qi)

i)

(Xi,Y

87

4. Jika Pi >Xi dan Qi < Yi maka nilai piksel Xi sampai dengan Pi dan Qi

sampai dengan Yi =1 (diberi warna putih).

Gambar V.5 Posisi Titik Kriteria 4.

5. Jika Pi =Xi dan Qi < Yi maka nilai piksel Qi sampai dengan Yi =1 (diberi

warna putih).

(Xi,Yi)

(Pi,Qi)

Gambar V.6 Posisi Titik Kriteria 5.

6. Jika Pi = Xi dan Qi > Yi maka nilai piksel Yi sampai dengan Qi =1 (diberi

warna putih).

Gambar V.7 Posisi Titik Kriteria 6

7. Jika Pi < Xi dan Qi = Yi maka nilai piksel Pi sampai dengan Xi =1 (diberi

warna putih).

Gambar V.8 Posisi Titik Kriteria 7.

(Xi,Yi)

(Pi,Qi)

(Pi, Qi)

(Xi,Yi)

(Pi,Qi)

(Xi,Yi)

88

8. Jika Pi > Xi dan Qi = Yi maka nilai piksel Xi sampai dengan Pi

=1(diberi warna putih).

Gambar V.9 Posisi Titik Kriteria 8.

Algoritma penyambungan pinggiran sitoplasma membutuhkan input berupa

koordinat pinggiran sitoplasma tumpang tindih, dan koordinat pinggiran daerah

tumpang tindih yang memenuhi kriteria jarak terdekat. Algoritma secara

lengkap dapat dilihat pada Tabel V.4.

Tabel V.4 Algoritma_Penyambungan_Pinggiran_Sitoplasma

Pseudo-code

Input : Koordinat pinggiran sitoplasma tumpang tindih, dan koordinat

pinggiran daerah tumpang tindih yang memenuhi kriteria jarak

terdekat.

Output: Koordinat calon pinggiran sitoplasma terdeteksi dan kumpulan

piksel hasil penyambungan.

1. Misal (Pi,Qi) adalah koordinat pinggiran sitoplasma tumpang tindih

yang memenuhi kriteria jarak terdekat dan (Pi,Qi) adalah koordinat pinggiran daerah tumpang tindih yang memenuhi kriteria jarak terdekat.

2. if Pi < Xi dan Qi > Yi then piksel Pi sampai dengan Xi dan Yi sampai

dengan Qi =1. 3. elseif Pi < Xi dan Qi < Yi then piksel Pi sampai dengan Xi dan Qi sampai

dengan Yi =1. 4. elseif Pi > Xi dan Qi > Yi then piksel Xi sampai dengan Pi dan Yi sampai

dengan Qi =1. 5. elseif Pi >Xi dan Qi < Yi then piksel Xi sampai dengan Pi dan Qi sampai

dengan Yi =1. 6. elseif Pi =Xi dan Qi < Yi then piksel Qi sampai dengan Yi =1. 7. elseif Pi = Xi dan Qi > Yi then piksel Yi sampai dengan Qi =1. 8. elseif Pi < Xi dan Qi = Yi then piksel Pi sampai dengan Xi =1. 9. elseif Pi > Xi dan Qi = Yi then piksel Xi sampai dengan Pi =1 10. end

(Xi,Yi)

(Pi,Qi)

89

d. Isolasi sel tumpang tindih

Isolasi sel tumpang tindih dilakukan dengan membuat garis lurus yang membagi

dua daerah tumpang tindih menjadi dua bagian kiri dan kanan. Garis ini

memenuhi persamaan garis lurus:

Y = m (X) + C (5.1)

dimana m adalah gradien dan nilai C adalah konstanta berupa nilai pergeseran

garis. Nilai pergeseran garis dibutuhkan untuk mendapatkan posisi garis

pemisah yang tepat saat isolasi sel tumpang tindih. Dalam penelitian ini nilai C

diperoleh sebesar 100 dari riset yang dilakukan. Nilai ini untuk mendapatkan

posisi isolasi sel tumpang tindih. Pada algoritma isolasi sel tumpang tindih input

berupa koordinat pinggiran sitoplasma tumpang tindih yang memenuhi kriteria

jarak terdekat. Sedangkan output berupa sel tunggal yang terisolasi (Tabel V.5).

Tabel V.5 Algoritma_Isolasi_Sel_Tumpang_Tindih

Pseudo-code

Input: Koordinat pinggiran sitoplasma tumpang tindih yang memenuhi

kriteria jarak terdekat

Output: Sel tunggal terisolasi.

1. Ambil dua titik (Pi,Qi) yang memenuhi kriteria jarak terdekat.

2. Buat persamaan garis lurus Y = mX+C, dengan konstanta 100 dan m

adalah nilai gradien dua titik tersebut sebagai pembatas.

3. Isolasi sel sebelah kiri dengan menggabungkan koordinat pinggiran

sitoplasma sebelah kiri pembatas dengan koordinat daerah tumpang

tindih sebelah kanan.

4. Isolasi sel sebelah kanan dengan menggabungkan koordinat pinggiran

sitoplasma sebelah kanan pembatas dengan koordinat daerah tumpang

tindih sebelah kiri.

V.2 Material dan Metode

a. Material

Dalam penelitian ini digunakan beberapa citra Pap smear yang mengandung

memiliki seltumpang tindih dan sel-sel radang. Citra-citra ini diperoleh melalui

kamera Logitech (Logitech HD C525). Untuk citra pertama dipilih dari kelompok

data yang diambil dengan mikroskop optik Olympus CH20. Sedangkan citra

90

kedua diambil dengan mikroskop optik Olympus CH21. Pengambilan

menggunakan lensa perbesaran 40x dan citra disimpan dalam format JPEG.

(1) (2)

Gambar V.10. Contoh Citra masukan ukuran 1600x1200 dengan dua sel tumpang

tindih(1) dan ukuran 1280 x720 dengan lima sel tumpang tindih (2).

Citra pada Gambar V.10 merupakan dua contoh citra berasal dari database slide

hasil pengolahan ahli patologi dari Laboratorium Khusus Patologi Veteran

Bandung. Dalam penelitian ini digunakan citra Pap smear dari beberapa slide yang

berbeda.

Sebanyak 119 citra sel digunakan untuk riset mendapatkan tiga nilai threshold

untuk sitoplasma tumpang tindih, bagian tumpang tindih dan calon nukleus. Untuk

data tes terdiri dari 21 citra sel yang terdiri dari 61 citra sel tunggal dan diantaranya

sebanyak 24 dalam kondisi tumpang tindih. Jumlah sel radang sebanyak 155 sel dan

nukleus sebanyak 61 sel. Kondisi citra memiliki dua sel tumpang tindih atau lebih

dari dua sel tumpang tindih. Posisi daerah tumpang tindih adalah horizontal. Ukuran

citra beragam yaitu 400x300, 1600x1200, 1200x1600, dan 1280x 270. Sedangkan

ukuran daerah tumpang tindih memiliki berbagai ukuran >150x200, > 100 x 200,

>150x200, >150x150, dan >150x200. Secara lengkap data tes disajikan dalam

Tabel V.6.

91

Tabel V.6 Data Citra yang Digunakan dalam Penelitian

No

Citra sel

tumpang

tindih

Ukuran

citra

Ukuran daerah

tumpang tindih

Sel

tumpang

tindih

Sel

Tunggal

Nukleus

Sel

Radang

1

400x300

>150x200

1

2

2

2

2

1600x1200

>100x200

1

3

3

2

3

1200x1600

>150x200

1

2

2

1

4

1600x1200

>150x150

1

2

2

0

5

1600x1200

>150x200

1

2

2

5

6

1280x270

>200x200

4

5

5

19

7

1600x1200

>100x100

1

2

2

8

8

1600x1200

>150x200

1

2

2

0

9

1200x1600

>150x200

1

3

3

38

10

1200x1600

>150x200

1

3

3

10

11

1200x1600

>100x200

1

4

4

5

12

1200x1600

>150x150

1

3

3

1

13

1200x1600

>150x200

1

3

3

10

14

1200x1600

>150x200

1

3

3

11

Tabel V.6 Data Citra yang Digunakan dalam Penelitian (…lanjutan)

92

No

Citra sel

tumpang

tindih

Ukuran

citra

Ukuran daerah

tumpang tindih

Sel

tumpang

tindih

Sel

Tunggal

Sel

Nukleus

Sel

Radang

15

1200x1600

>150x200

1

3

3

12

16

1200x1600

>150x200

1

3

3

2

17

1200x1600

>150x200

1

3

3

1

18

1200x1600

>150x200

1

3

3

12

19

1200x1600

>150x200

1

3

3

2

20

1200x1600

>100x200

1

4

4

5

21

1200x1600

>100x200

1

3

3

9

Total

24

61

61

155

b. Metode

Metode usulan pemisahan sel tumpang tindih terbagi ke dalam enam stage. Gambar

V.11 menunjukkan secara rinci ke enam stage pada skema metode usulan

pemisahan sel tumpang tindih.

1. Stage 1 : Pre-processing

2. Stage 2 : Cropping sel tumpang tindih otomatis

3. Stage 3 : Segmentasi sel tumpang tindih

4. Stage 4 : Delinasi sel tumpang tindih

5. Stage 5 : Deteksi nukleus dan sel radang pada sel tunggal

6. Stage 6 : Analisa morphologi dan identifikasi sel

93

Pre-processing images

Citra Tumpang Tindih

Konversi warna

Peningkatan citra,

Pengenalan objek

Pembersihan latar belakang

Cropping sel Tumpang tindih otomatis

Gambar V.11 Skema pemisahan sel tumpang tindih dan eliminasi sel radang

Segmentasi Sel Tumpang Tindih

Citra hasil berupa sel tunggal

terdeteksi nukleus dan

teridentifikasi jenis sel

Analisa Morphologi dan

Identifikasi Sel

(Area, Perimeter, Roundness)

Eliminasi Sel Radang dan

deteksi nukleus

Pemisahan Sel Tumpang Tindih

Pembagian daerah tumpang tindih Pencarian jarak terdekat dari

boundary awal (atas dan bawah). Penyambunagn pinggiran

sitoplasma

Isolasi sel tumpang tindih.

Segmentasi daerah Tumpang Tindih

Boundary daerah tumpang

tindih

Labeling dan region

properties daerah tumpang

tindih

Segmentasi Sitoplasma Tumpang

Tindih

Boundary sitoplasma dan

nukleus

Labeling, region properties

dan penentuan centroid

sitoplasma dan nukleus

Pre-processing images

Peningkatan citra

Konversi warna

94

Tahapan pada skema pemisahan sel tumpang tindih dan eliminasi sel radang yang

diusulkan dapat dibuat dalam algoritma enam stage, seperti pada Tabel V.7.

Tabel V.7. Algoritma_ Pemisahan_Sel_Tumpang_Tindih_

dan_Eliminasi_Sel_Radang

Pseudo-code

Input : Citra Pap smear tumpang tindih dengan sel radang

Output: Citra sel tunggal nukleus dan sitoplasma terdeteksi

Stage 1 : Pre-processing

1. Konversi citra dari RGB ke grayscale.

2. Tingkatkan citra dengan adjustment dan filter unsharp.

3. Pengenalan objek, terapkan global threshold 0.72 untuk mendapatkan

bounding box citra hitam putih sitoplasma tumpang tindih, threshold 0.18

untuk mendapatkan bounding box citra hitam putih daerah tumpang tindih,

threshold 0.07 untuk mendapatkan bounding box citra hitam putih calon

nukleus.

4. if bounding box >13x13 piksel then Cn adalah calon nukleus.

5. Hitung nilai GLRM calon nukleus dengan Algoritma_Mencari_Nilai_

GLRM.

6. Gunakan rule klasifikasi tekstur GLRM untuk membedakan objek yang

mengandung bagian sitoplasma tumpang tindih dengan latar belakang.

7. if bounding box > 600x600 piksel then sitoplasma tumpang tindih

8. if bounding box >150x150 atau > 100x200 atau >150X200 atau >200x200

piksel then daerah tumpang tindih

Stage 2: Cropping sel tumpang tindih otomatis

9. Konversi citra dari RGB ke grayscale.

10. Tingkatkan citra dengan adjustment dan filter unsharp.

Stage 3: Segmentasi sel tumpang tindih

11. for i = (1,2, …, N) dimana N sitoplasma tumpang tindih.

12. Segmentasi sitoplasma tumpang tindih dengan threshold 0,72 untuk

mendapatkan citra hitam putih sitoplasma tumpang tindih.

13. Tandai citra sitoplasma tumpang tindih (labeling).

14. Hitung fitur sitoplasma tumpang tindih yaitu centroid, area, dan bounding

box.

15. Tandai pinggiran sitoplasma tumpang tindih (boundary).

16. for i = (1,2, …, N) dimana N daerah tumpang tindih.

17. Segmentasi daerah tumpang tindih dengan threshold 0,18 untuk

mendapatkan citra hitam putih daerah tumpang tindih.

18. Tandai citra daerah tumpang tindih (labeling).

19. Hitung fitur daerah tumpang tindih dengan bounding box.

20. Tandai pinggiran daerah tumpang tindih (boundary).

95

Stage 4: Pemisahan sel tumpang tindih

21. Bagi dua boundary daerah tumpang tindih terdiri dari bagian atas dan

bawah dengan Algoritma_Pembagian_Daerah_Tumpang_Tindih

22. Hitung jarak terdekat antara bagian atas dan bawah dengan boundary

sitoplasma tumpang tindih dengan Algoritma_Pencarian_Jarak_Terdekat

23. Sambung tepi sel dengan Algoritma_Penyambungan_Pinggiran_

Sitoplasma.

24. Isolasi sel tumpang tindih dengan Algoritma_Isolasi_Sel_Tumpang_Tindih

Stage 5: Eliminasi Sel Radang dan Deteksi Nukleus pada Sel Tunggal

25. Hitung region properties calon sitoplasma terisolasi berupa centroid.

26. Hitung region properties calon nukleus terisolasi berupa centroid

27. for i = urutan sitoplasma

i. j = urutan calon nukleus [m,n]

= (baris, kolom)

28. S1, S2, …, Si = S1(m1,n1) , S2(m2,n2),…, Si(mi,ni) adalah centroid sitoplasma terdeteksi.

29. Cn1, Cn2, …,Cni = Cn1(m1,n1) , Cn2(m2,n2),…, Cnj(mj,nj) adalah centroid calon nukleus terdeteksi.

30. Jarak terdekat adalah D = min (S 2 Cn 2)1/2

31. end

32. D adalah nukleus terdeteksi.

33. end

34. end

i(mi,ni) + j(mj,nj)

Stage 6: Analisa Morphologi dan Identifikasi Sel

35. Ambil fitur area sitoplasma dan nukleus terdeteksi.

36. Hitung fitur perimeter dan roundness dari sitoplasma dan nukleus

terdeteksi.

37. Hitung perbandingan area nukleus terdeteksi dengan area sitoplasma

terdeteksi.

38. Tentukan jenis sel.

V.2.1 Pre-processing

Proses pre processing dilakukan dalam beberapa tahap yaitu konversi warna dan

peningkatan citra (brightness dan filtering), pengenalan objek dan pembersihan

latar belakang.

1. Proses konversi warna dan peningkatan citra.

Tahap pre-processing mempersiapkan citra untuk diproses lebih lanjut. Langkah

pertama adalah mengkonversi citra RGB ke citra grayscale. Nilai grayscale

96

diperoleh dengan persamaan dari komponen R, G, dan komponen B seperti yang

diberikan dalam (4.1).

(a) Citra Grayscale (b) Citra adjust

(c) Citra filtering

Gambar V.12. Citra hasil proses konversi warna dan peningkatan citra

Agar batas antara sel dan latar belakang jelas perlu dilakukan peningkatan kontras

citra untuk mendapatkan tepi dan batas-batas dari sel tumpang tindih. Penyesuaian

citra (image adjustment) dan penyaringan (filtering) digunakan untuk

meningkatkan kontras citra. Kualitas citra yang telah ditingkatkan lebih cocok

untuk prosedur segmentasi. Prosedur ini membuat nilai-nilai intensitas dalam citra

grayscale yang kontrasnya rendah dipetakan ke nilai-nilai baru dalam citra.

Digunakan Masking Unsharp (persamaan 4.3) untuk meningkatkan ketajaman citra.

Gambar V.12 merupakan contoh hasil proses konversi warna dan peningkatan citra.

2. Pengenalan objek dan pembersihan latar belakang.

Pengenalan objek dilakukan untuk mendapatkan objek yang specifik dari citra sel

Pap smear. Gambar V.13 menunjukkan objek-objek yang menjadi fokus dalam

metode ini.

97

Citra masukan pada proses isolasi sitoplasma tumpang tindih memiliki

kompleksitas yang tinggi, salah satunya karena kondisi latar belakang yang tidak

rata. Sehingga diperlukan proses pembersihan latar belakang yang tujuannya untuk

mendapatkan objek sel tumpang tindih yang benar-benar terpisah dari latar

belakang.

Sel tumpang

tindih

Daerah

tumpang

tindih

Calon

nukleus

Gambar V.13. Objek-objek yang dikenali dalam citra sel tumpang tindih

Pengetahuan tentang objek sel pada citra dilakukan dengan memanfaatkan

informasi dari analisa tekstur. Tujuannya untuk mendeteksi lokasi regional minima

yang mengindikasikan keberadaan calon nukleus pada citra sel serviks dalam sel

berkelompok. Rule klasifikasi untuk mendapatkan sel nukleus dan sel radang yang

berguna untuk mendeteksi keberadaan sel yang memiliki calon nukleus. Proses ini

juga untuk mempermudah proses deteksi nukleus dan sel radang pada tahap

berikutnya.

Analisa tekstur dapat digunakan untuk mendapatkan fitur-fitur penting dari suatu

objek dalam citra. Hasil dari analisa fitur dapat digunakan untuk membedakan

objek-objek yang ada dalam suatu citra, seperti fitur-fitur yang dihasilkan dari

analisa morphologi (Soille, 1999) dan analisa tekstur (Galloway, 1975). Penelitian

sebelumnya banyak yang menggunakan fitur morphologi dan analisa tekstur seperti

contrast, correlation, energy, homogeneity, entropy dan lain-lain. Plissiti, dkk.

(2011b), telah menggunakan fitur morphologi dalam penelitian tentang citra serviks

berupa fitur kedalaman intensitas untuk menentukan lokasi nukleus. Penelitian lain

yang melibatkan fitur morphologi dengan menggunakan tiga

98

parameter, yaitu rasio N/C, koefisien wavelet, dan intensitas warna oleh

Suryatenggara dkk. (2009). Pada penelitian ini digunakan rule klasifikasi tekstur

untuk mendapatkan daerah region minima yang potensial memiliki kandidat

nukleus dalam sel.

Metode analisis tekstur yang telah digunakan dalam menganalisa citra sel servik

khususnya untuk sel tunggal adalah Gray Level Co-occurrence Matrix (GLCM).

Ada 5 parameter yang diekstrak, yaitu contrast, correlation, energy, homogeneity

dan entropy, Pratama dkk. (2012). Penggunaan GLCM untuk ekstraksi sel radang

dan nukleus oleh Riana dkk. (2014b) menghasilkan akurasi 82,8571 % dengan

metode klasifikasi Decision Tree learning algorithm (J48) (Riana dan Murni

(2009)), dan masih mungkin untuk ditingkatkan untuk fitur lain. Sehingga untuk

penelitian ini dilakukan klasifikasi untuk fitur Gray-Level Run-Length Matrix

(GLRM) untuk ekstraksi nukleus dan sel radang.

Grey-Level Run-Length Matrix (GLRLM) adalah sebuah matriks dimana fitur- fitur

tekstur dapat diambil untuk dianalisa. Tekstur adalah pola dari intensitas keabuan

piksel dalam arah tertentu. Run length adalah banyaknya piksel-piksel bersebelahan

yang memiliki intensitas keabuan yang sama dalam arah tertentu. Nilai statistik Run-

length dapat menunjukkan tingkat kekasaran dari suatu tekstur pada arah tertentu.

Tekstur yang halus cenderung lebih banyak memiliki short runs dengan intensitas

tingkat keabuan yang mirip, sedangkan tekstur kasar memiliki lebih banyak long run

dengan intensitas tingkat keabuan yang berbeda secara signifikan (Galloway, 1975).

Matriks Gray-Level Run-Length adalah matriks dua dimensi dimana masing-

masing elemen p(i, j |θ) adalah intensitas i dengan banyaknya elemen j, dalam arah

θ, dan Nr adalah jumlah different run length. Gambar V.14 adalah representasi dari

matriks GLRL (Grey-Level Run-Length) pada arah 0º [ P(i, j | θ = 0º ) ]. Selain

dalam arah 0º, matriks GLRL juga bisa diperoleh dalam arah 45º, 90º, atau 135º.

99

Gambar V.14. Arah-arah yang ada pada GLRL

Dari matrik GLRL dapat diambil 11 ukuran statistik sebagai parameter analisa

tekstur (Xu et al., 2004) dan Tang, X (1998), yaitu:

1. Short Runs Emphasis (SRE)

SRE mengukur distribusi dari shorts runs dan didefinisikan sebagai:

(5.1)

SRE ini sangat tergantung pada terjadinya short runs dan diharapkan bernilai

besar untuk tekstur halus.

2. Long Runs Emphasis (LRE)

LRE mengukur distribusi dari long runs dan didefinisikan sebagai

(5.2)

LRE ini sangat tergantung pada terjadinya long runs dan diharapkan bernilai

besar untuk tekstur dengan struktur kasar.

3. Gray Level Nonuniformity (GLN)

GLN mengukur kesamaan nilai tingkat keabuan seluruh citra dan

didefinisikan

sebagai:

(5.3)

GLN bernilai kecil jika nilai tingkat keabuan bernilai sama di seluruh citra.

4. Run Percentage (RP)

RP mengukur homogenitas dan distribusi runs dari sebuah citra dalam arah

100

tertentu dan didefinisikan sebagai:

(5.4)

RP diharapkan bernilai terbesar ketika length of runs bernilai 1 untuk semua

tingkatan abu-abu dalam arah tertentu.

5. Run Length Non-uniformity (RLN)

RLN mengukur kesamaan panjang dari runs di seluruh citra dan didefinisikan

sebagai:

(5.5)

RLN diharapkan bernilai kecil jika run lengths bernilai sama di seluruh citra.

6. Low Gray Level Run Emphasis (LGRE)

LGRE mengukur distribusi dari nilai tingkat keabuan rendah (low gray level

values) dan didefinisikan sebagai:

(5.6)

LGRE diharapkan bernilai besar untuk citra dengan nilai tingkat keabuan

rendah.

7. High Gray Level Run Emphasis (HGRE)

HGRE mengukur distribusi dari nilai tingkat keabuan tinggi dan didefinisikan

sebagai:

(5.7)

HGRE bernilai besar untuk citra dengan nilai tingkat keabuan yang tinggi.

Kempat fitur GLRLM berikut ini digunakan untuk mengukur hubungan distribusi

dari distribusi run dan gray level, yaitu:

101

8. Short Run Low Gray-Level Emphasis (SRLGE)

(5.8)

9. Short Run High Gray-Level Emphasis (SRHGE)

(5.9)

10. Long Run Low Gray-Level Emphasis (LRLGE)

(5.10)

11. Long Run High Gray-Level Emphasis (LRHGE)

(5.11)

Pada pembentukan rule klasifikasi digunakan data set sebanyak 169 citra yang

terdiri dari 83 citra sel tunggal nukleus dan 86 citra sel tunggal radang yang berasal

dari slide Pap smear. Citra sel tunggal nukleus dan radang diambil secara cropping

manual, seperti yang diilustrasikan pada Gambar V.15. Data set diambil dari 10

slide yang terdiri dari 67 citra Pap smear yang memiliki sel nukleus dan sel radang.

sel radang sel nukleus

Gambar V.15 Proses cropping manual sel nukleus dan sel radang

102

Selanjutnya dilakukan ektraksi fitur pada sel nukleus dan sel radang untuk

mendapatkan 11 nilai kuantitatif GLRLM untuk sel nukleus dan sel radang dari 169

citra, diperoleh kumpulan nilai GLRLM untuk semua arah 0º, 45º, 90º, dan 135º.

Tabel V.8 adalah algoritma pencarian nilai GLRLM.

Tabel V.8 Algoritma_Mencari_Nilai_GLRLM

Pseudo-code

Input : Citra cropping manual sel radang dan nuklei

Output : Fitur GLRLM untuk sel radang dan nuklei

1. Konversi citra dari RGB ke grayscale.

2. Tingkatkan citra dengan adjustment dan filter unsharp.

3. Pengenalan objek, terapkan global threshold 0.07 untuk mendapatkan

bounding box citra.

4. if bounding box >50x50 piksel then calon nukleus.

5. Buat matriks GLRLM ukuran 8x8 piksel.

6. Hitung 11 property GLRLM (grayRLprops) untuk empat arah 0º, 45º,

90º, dan 135º

Fitur GLRLM yang dihasilkan untuk sel radang dan nukleus dibentuk dalam file

arff (Ryan dkk. 2006) dengan dua kelas yaitu radang dan nukleus. Selanjutnya

diproses dengan Weka software package (Witten dkk. 2000).

Gambar V.16 Hasil CCI untuk Decision Tree learning algorithm (J48) 135º

103

Kelompok data diklasifikasikan ke dalam dua kategori nukleus dan radang dengan

menggunakan Decision Tree learning algorithm (J48) menghasilkan nilai CCI

(Correctly Classified Instances) sebesar 96,4497% untuk kelompok data GLRLM

arah 135º. Nilai ini paling baik jika dibandingkan dengan arah yang lain yang CCI

nya lebih kecil, juga untuk CCI rule klasifikasi GLCM sebesar 82,8571

% untuk data yang sama oleh Riana dkk. (2014b). Sehingga diputuskan untuk

menggunakan rule klasifikasi GLRLM dengan arah 135º (Gambar V.16).

Rule klasifikasi GLRLM untuk isolasi sel nukleus dan sel radang diperoleh seperti

pada Gambar V.17. Ada 8 fitur GLRM yang terlibat dalam klasifikasi ini yaitu

LGRE, GLN, RLN, LRLGE, SRHGE, SRLGE, LRHGE, dan RP.

Gambar V.17 Rule Klasifikasi Fitur GLRLM untuk Sel Nukleus dan Sel Radang

Rule tersebut digunakan dalam penelitian ini untuk mendapatkan daerah region

minima yang memiliki kandidat nukleus dalam sel. Sehingga pengenalan objek sel

tumpang tindih lebih tepat dilakukan dan berguna untuk membersihkan latar

belakang. Citra hasil pengenalan objek dan pembersihan latar belakang pada

Gambar V.18. Selanjutnya nilai-nilai properti pada citra diambil untuk

mendapatkan citra cropping sel tumpang tindih dan citra cropping daerah tumpang

tindih.

104

Gambar V.18 Citra sel tumpang tindih hasil dari pembersihan latar belakang

Citra cropping sel tumpang tindih dan citra cropping daerah tumpang tindih akan

dilakukan kembali proses pre-processing (Gambar V.19).

Citra cropping sel tumpang tindih Citra cropping daerah tumpang tindih

(a) (b) (c)

(d) (e) (f)

Gambar V.19 Hasil pre processing citra cropping sel tumpang tindih (a-c) dan

daerah tumpang tindih (d-e)

105

V.2.2 Cropping sel tumpang tindih otomatis

Hasil Cropping sel tumpang tindih otomatis diperoleh citra sel yang memiliki

daerah tumpang tindih. Proses yang dilakukan pada sel tumpang tindih ini berupa

konversi citra dari RGB ke grayscale. Selanjutnya dilakukan peningkatan citra

dengan adjustment dan filter unsharp.

V.2.3 Segmentasi Sel Tumpang Tindih

Pada tahap ini terbagi dalam dua proses yaitu segmentasi terhadap sitoplasma

tumpang tindih dan daerah tumpang tindih.

1. Segmentasi sitoplasma tumpang tindih.

Tujuannya untuk mengenali sitoplasma pada objek sel tumpang tindih. Proses

ini terdiri dari dua langkah. Langkah pertama yaitu labeling untuk menandai

area objek dan region properties untuk mendapatkan centroid dari sitoplasma

dan nukleus. Langkah kedua dilakukan proses deteksi tepi untuk mendeteksi

tepi sel tumpang tindih. Gambar V.20 adalah hasil segmentasi citra sel

tumpang tindih.

Gambar V.20 Hasil segmentasi citra sel tumpang tindih

2. Segmentasi daerah tumpang tindih.

Citra hasil pre processing yang berupa daerah tumpang tindih dilakukan proses

labelling untuk menandai area objek dan region properties untuk mendapatkan

bounding box dan memastikan objek tersebut adalah bagian tumpang tindih.

Langkah kedua dilakukan deteksi tepi untuk mendeteksi tepi

106

daerah tumpang tindih. Hasil segmentasi daerah tumpang tindih seperti pada

GambarV.21.

Gambar V.21 Contoh hasil segmentasi daerah tumpang tindih.

V.2.4 Hasil Delinasi Sel Tumpang Tindih

a. Pembagian daerah tumpang tindih

Daerah tumpang tindih dibagi menjadi dua bagian untuk mempermudah

penentuan titik sambung daerah tumpang tindih dengan sel tumpang tindih.

Proses membagi dua daerah tumpang tindih menjadi bagian atas dan bagian

bawah dilakukan dengan mendapatkan titik tengah boundary.

Gambar V.22 merupakan citra hasil pembagian daerah tumpang tindih menjadi

dua bagian. Citra bagian atas ditandai dengan tepi bagian hitam dan citra bagian

bawah dengan warna putih.

citra bagian atas citra bagian bawah

Gambar V.22 Citra hasil pembagian daerah tumpang tindih menjadi dua

bagian

107

Proses selanjutnya dilakukan pencarian jarak terdekat dari boundary awal pada

bagian atas dan bawah daerah tumpang tindih.

b. Penyambungan pinggiran sitoplasma

Pada proses ini dilakukan penyambungan tepi sel dengan menggunakan dua

titik terdekat yang merupakan hasil dari jarak terdekat pada proses sebelumnya.

Selanjutnya dilakukan penyambungan dengan ketentuan pada Tabel V.3. Hasil

berupa koordinat calon pinggiran sitoplasma terdeteksi dan kumpulan piksel

hasil penyambungan (Gambar V.23). Kumpulan piksel hasil penyambungan

ukurannya sangat kecil.

Gambar V.23 Hasil Penyambungan Pinggiran Sitoplasma

c. Isolasi sel tumpang tindih

Isolasi sel tumpang tindih dilakukan dengan membuat garis lurus yang membagi

dua daerah tumpang tindih menjadi dua bagian kiri dan kanan.

Gambar V.24 Hasil proses delinasi sel dan hasil akhir citra-citra tunggal

108

Hasil akhir dari proses delinasi, citra sel tumpang tindih akan terpisah menjadi

sel-sel tunggal. Gambar V.24 menunjukkan dua citra tunggal hasil proses

delinasi sel.

V.2.5 Deteksi nukleus dan sel radang pada sel tunggal

Untuk sel-sel tunggal yang berhasil dipisahkan selanjutnya diproses untuk ekstraksi

sel radang dan deteksi nukleus menggunakan skema segmentasi sel radang dan

deteksi nukleus pada sel tunggal pada bab sebelumnya.

(a) (b)

(c) (d)

(e)

109

Gambar V.25 Ilustrasi deteksi sel nukleus dan radang pada citra

(a) (b) Gambar V.26 Hasil akhir deteksi sel nukleus dan radang

Gambar V.25 menunjukkan proses deteksi sel radang dan nukleus. Gambar (a) dan

(b) adalah proses deteksi lima calon nukleus. Deteksi nukleus berhasil dilakukan

untuk sel sebelah kanan (c) dengan ditandai nukleus yang benar diberi tepi warna

putih. Sedangkan pada calon nukleus yang lain dianggap sebagai radang dan diberi

warna merah. Gambar (d) menunjukkan proses deteksi nukleus pada sel sebelah

kiri, warna merah pada nukleus adalah hasil dari proses sebelumnya. Gambar (e)

adalah penggabungan hasil dari proses (c) dan (d) dalam satu sel tumpang tindih.

Pendefenisian nukleus yang benar pada citra-citra sel tunggal hasil proses isolasi

sitoplasma tumpang tindih terlihat pada Gambar V.26

(f) dan (g).

V.2.6 Analisa Morphologi dan Identifikasi Sel

Tahap analisa morphologi dan identifikasi sel dilakukan setelah diperoleh citra sel-

sel tunggal. Fitur morphologi yang ditampilkan berupa area, perimeter dan

roundness dari nukleus. Ekstraksi fitur morphologi dilakukan, dengan menghitung

area, kebulatan (roundness), dan perimeter dari area nukleus dan sitoplasma.

Daerah nukleus dihitung dari himpunan piksel putih untuk setiap nukleus yang

terdeteksi dalam bounding box. Demikian pula, daerah sitoplasma dihitung dengan

menghitung piksel putih di bounding box dari sitoplasma. Perimeter adalah jumlah

piksel yang terdiri dari batas objek. Sedangkan untuk perhitungan kebulatan

(roundness) digunakan Rumus 4.4.

110

Nilai area nukleus dan area sitoplasma dihitung untuk setiap sel. Dengan acuan

rasio nukleus dan sitoplasma dari data Herlev (Tabel III.8), maka jenis sel dapat

ditentukan.

V.3 Hasil Eksperimen dan Evaluasi

V.3.1 Evaluasi Numerik

Penerapan skema metode yang diusulkan untuk citra-citra yang terdiri dari dua sel

tumpang tindih horizontal menunjukkan bahwa metode dapat mendeteksi sel-sel

radang dan menentukan secara akurat sitoplasma dan nukleus secara optimal, serta

identifikasi jenis sel dapat dilakukan dengan benar.

Gambar V.27 Proses Citra dengan sel tumpang tindih, sel tunggal dan sel radang.

111

Hasil yang diperoleh telah dikonfirmasi dengan ahli patologi. Berdasarkan hasil

pengamatan visual oleh ahli patologi, proses pemisahan sel tumpang tindih dan

eliminasi sel radang sudah sesuai dengan kondisi identifikasi manual. Aplikasi

pemisahan sel tumpang tindih dan eliminasi sel radang dapat dilihat pada Gambar

V.27. Sedangkan Gambar V.28 adalah contoh hasil akhir dari citra masukan yang

terdiri dari sel tumpang tindih dan sel tunggal dengan sel radang dengan hasil akhir

berupa perolehan citra sel tunggal 1, 2 dan 3.

Gambar V.28 Contoh Hasil Pemisahan Sel Tumpang Tindih dan Eliminasi Sel

Radang

112

Perhitungan nilai True Positive (TP), True Negative (TN), False Positive (FP), dan

False Negative (FN) dari hasil deteksi nukleus dan sel radang pada perolehan citra

sel tunggal Pap smear sebanyak 56 sel, digunakan dua perhitungan statistik untuk

performansi dari persamaan 4.5 dan 4.6.

Nilai Sensitivity diperoleh sebesar 82,56 % menunjukkan prosentase sel nukleus

berhasil diidentifikasi dengan benar. Sedangkan nilai Specificity sebesar 81,27 %

menunjukkan prosentase sel radang diidentifikasi dengan benar. Secara lengkap

nilai false negative dari hasil metode usulan diberikan pada Tabel V.9, berikut ini.

Tabel V.9 Perhitungan Nilai Sensitivity dan Specificity

Citra

Nukleus Radang Calon

Nukleus

% %

Nukleus (N)

Radang (NR)

Radang ( R)

Nukleus (RN)

Sensitivity (SE)

Specificity (SP)

TP FP TN FN (TP/(TP+FN)) (TN/(TN+FP))

1 2 0 2 0 4 100.00 100.00

2 1 0 0 0 1 100.00 0.00

3 2 1 1 0 3 100.00 50.00

4 2 0 0 0 2 100.00 0.00

5 2 0 1 0 3 100.00 100.00

6 2 1 11 0 13 100.00 91.67

7 2 0 4 0 6 100.00 100.00

8 2 0 0 0 2 100.00 0.00

9 3 0 38 6 41 33.33 100.00

10 3 0 10 0 13 100.00 100.00

11 4 1 5 0 9 100.00 83.33

12 3 0 1 0 4 100.00 100.00

13 3 0 10 1 13 75.00 100.00

14 3 1 11 5 14 37.50 91.67

15 3 0 12 2 15 60.00 100.00

16 3 0 2 2 5 60.00 100.00

17 3 0 1 1 4 75.00 100.00

18 3 0 12 4 15 42.86 100.00

19 3 0 2 1 5 75.00 100.00

20 4 0 5 0 9 100.00 100.00

21 3 1 9 1 12 75.00 90.00

Total 56 5 137 23 193 1733.69 1706.67

Rata-Rata 82.56 81.27

113

1. Performa Pemisahan Sel Tumpang Tindih dan Eliminasi Sel Radang

Metode yang diusulkan terdiri dari dua tahap yaitu pre processing, proses isolasi

yang terdiri dari segmentasi sitoplasma dan segmentasi daerah tumpang tindih serta

penentuan nukleus. Tabel V.10 menunjukkan waktu proses citra uji dengan Matlab

menggunakan Core I3 dengan RAM 3 GB. Tahap pre-processing membutuhkan

waktu 0.81504 menit dan tahap–tahap berikutnya berupa cropping sel tumpang

tindih, segmentasi sel tumpang tindih, delinasi sel tumpang tindih, deteksi nukleus

dan sel radang, serta analisa morphologi dan identifikasi jenis sel secara

keseluruhan mempunyai waktu proses 7.9811 dengan standar deviasi 4.5898 menit.

Dengan kondisi waktu proses seperti ini untuk citra dengan jumlah sel dan daerah

tumpang tindih yang lebih banyak akan membutuhkan waktu lebih lama. Jika

dilihat dari waktu eksekusi citra secara keseluruhan akan menggunakan waktu

8.7961 ± 4.5898 menit.

Tabel V.10 Eksekusi Seluruh Citra dalam Menit

Tahapan Prosess Waktu

Pre processing 0.81504

Segmentasi, delinasi sel tumpang tindih,

deteksi nukleus dan sel radang, analisa

morphologi dan identifikasi sel

7.9811 ± 4.5898

2. Nilai-nilai Parameter

Nilai-nilai parameter dibuat agar dapat memberikan kriteria saat penggunaan

metode usulan ini. Tabel V.11 berisi nilai-nilai parameter yang digunakan dalam

tahapan metode. Nilai-nilai parameter ini diambil dari citra ukuran 400x300,

1280x720 dan 1600x1200.

Nilai global threshlold untuk mendapatkan sel tumpang tindih pada citra 0.72.

Dengan nilai ini dapat dilakukan isolasi sel dengan latar belakang. Sedangkan untuk

mendapatkan daerah tumpang tindih digunakan threshlold 0.18.

114

Tabel V.11 Nilai Parameter Pemisahan Sel Tumpang Tindih dan Eliminasi Sel

Radang

Tahapan Metode (stage)

Parameter Nilai

Preprocessing

dan Cropping sel

tumpang tindih otomatis

Ukuran Citra

Threshold Sel tumpang tindih Threshold daerah tumpang tindih

400x300, 1280x720, dan 1600x1200

0.72 0.18

Segmentasi sel

tumpang tindih,

delinasi sel

tumpang tindih

Ukuran sel tumpang tindih

Ukuran sel yang memiliki daerah

tumpang tindih

Ukuran daerah tumpang tindih

Threshold Calon Nukleus

Ukuran Calon Nukleus

>200x200

>600x600

>150x200, > 100 x 200,

>150x150, >150x200,

>100x100 dan >200x200.

0.07 >50x50

Parameter ukuran sel pada saat segmentasi harus lebih dari 200x200 piksel, jika

kurang maka dianggap bukan sel. Sedangkan ukuran sel yang memiliki bagian yang

tumpang tindih lebih besar dari 600x600 piksel. Jika kurang dari dari ukuran

tersebut maka dianggap bukan sel yang memiliki daerah tumpang tindih. Kedua

nilai tersebut sama untuk semua citra masukan.

Nilai threshold sebesar 0.07 digunakan untuk mendefenisikan nukleus digunakan

parameter jarak terdekat antara centroid sitoplasama dan centroid calon nukleus

yang diperoleh secara otomatis. Pada proses pembacaan slide Pap smear mengikuti

prosedur manual mikroskop cahaya yang umum digunakan. Sedangkan untuk

tingkat pencahayaan sangat variatif tergantung dari kenyamanan mata pemeriksa

dalam hal ini ahli patologi. Penggunaan jenis mikroskop yang berbeda juga

menambah nilai variasi dari parameter sel.

Daerah tumpang tindih dibatasi untuk arah yang horizontal. Hal ini terkait dengan

ketentuan penyambungan tepi sel yang tumpang tindih. Tabel V.11 memberikan

gambaran parameter-parameter yang digunakan untuk deteksi nukleus dan

pemisahan sel tumpang tindih.

115

V.3.2 Studi Group

Dalam penelitian ini terdapat 56 citra tunggal Pap smear yang merupakan

perolehan dari metode pemisahan sel tumpang tindih dan eliminasi sel radang.

(Tabel V.1).

Gambar V.29 menunjukan proses pemisahan sel tumpang tindih dan eliminasi sel

radang dari salah satu citra. Dari citra awal diperoleh citra hitam putih dari

sitoplasma. Kemudian proses dilanjutkan untuk mendapatkan citra hitam putih

calon nukleus dan daerah tumpang tindih. Hasil cropping sel tumpang tindih

dilakukan proses penggambaran atau delinasi sel. Akhirnya diperoleh dua citra

tunggal yang terisolasi.

Gambar V.29 Proses Pemisahan Sel Tumpang Tindih dan Eliminasi Sel Radang

Metode yang diusulkan diuji untuk proses pemisahan sel tumpang tindih dan

eliminasi sel radang pada data citra dengan arah daerah tumpang tindih horizontal.

Beberapa hasil pemisahan sel tumpang tindih pada citra dapat dilihat pada Gambar

V.30.

Keberhasilan saat pengujian data tergantung apakah daerah tumpang tindih dapat

terdeteksi. Variasi citra yang menjadi data uji sangat tinggi terutama pada ukuran

116

daerah tumpang tindih. Sehingga parameter nilai ukuran dari daerah tumpang

tindih memiliki variasi yang cukup banyak.

(a)

(b)

(c)

(d)

Gambar V.30 Ilustrasi proses isolasi citra sel tumpang tindih pada beberapa citra

dengan ukuran daerah tumpang tindih (a) > 100 x 200, (b) >150x200, (c)

>150x150, (d) >150x200.

117

Gambar V.30 memperlihatkan berbagai macam variasi parameter nilai daerah

tumpang tindih yang dapat diakomodir oleh metode pemisahan sel tumpang tindih.

Citra di bagian tengah adalah citra awal yang tumpang tindih, setelah diproses

menjadi citra tunggal yang terdapat di sebelah kiri dan kanan.

118

Gambar V.31 Hasil akhir fitur morphologi dan identifikasi jenis sel

Gambar V.31 merupakan contoh hasil akhir analisa morphologi dan identifikasi

jenis sel pada citra sel tunggal yang berhasil dipisahkan. Hasil dari ke 56 citra

tunggal yang berhasil dipisahkan, sel dikelompokkan dalam kelas Normal

Superficial dan Normal Intermediate. Hasil ini sesuai dengan verifikasi ahli

patologi.

V.3.3 Hasil Analisa Fitur Tekstur dan Morphologi

Pada bagian ini akan dianalisa fitur tekstur dari sel radang dan nukleus untuk

mengetahui nilai perbedaan fitur tekstur antara sel radang dan sel nukleus. Selain

itu juga akan dianalisa fitur morphologi dari sel tunggal yang berhasil diisolasi.

1. Hasil Analisa Fitur Tekstur Sel Radang dan Sel Nukleus.

119

Seperti telah dijelaskan pada tahapan metode pengenalan objek dan pembersihan

latar belakang digunakan nilai-nilai tekstur sel radang dan sel nukleus untuk

mendeteksi keberadaan sel-sel yang memiliki calon nukleus sebelum proses

segmentasi sel tumpang tindih. Evaluasi numerik untuk analisa tekstur sel radang

dilakukan dari nilai GLRLM dari 86 sel radang dan 83 sel nukleus untuk 11 fitur

tekstur. Nilai tekstur yang dianalisa diambil arah 135º.

Pada proses pengenalan objek sel radang dan sel nukleus diperoleh 8 fitur GLRM

yang dapat membedakan keduanya. Fitur-fitur tersebut adalah LGRE, GLN, RLN,

LRLGE, SRHGE, SRLGE, LRHGE, dan RP. Sedangkan tiga fitur GLRM lainnya

SRE, LRE dan HGRE tidak digunakan. Dari tiga fitur yang tidak digunakan dapat

dianalisa bahwa untuk nilai SRE dan LRE, sel radang dan nukleus tidak bisa

dibedakan dari nilai short runs yang tergantung pada struktur halus dan long runs

pada struktur kasar. Nilai rata-rata dan standar deviasi untuk kedua kelompok data

adalah rata-rata nilai SRE nukleus sebesar 0,18±0.07. Nilai ini dapat dikatakan sama

dengan nilai rata-rata SRE radang sebesar 0,18±0.05. Artinya patut diduga kondisi

struktur halus sel nukleus dan sel radang adalah mirip atau sama dan tidak bisa

dibedakan. Untuk fitur HGRE berupa nilai high graylevel untuk nilai tingkat keabuan

tinggi. HGRE bernilai besar untuk citra dengan nilai tingkat keabuan yang tinggi.

Tabel V.12 Nilai Tekstur arah 135º untuk Sel Nukleus

120

Secara keseluruhan sebaran data nilai tekstur GLRLM untuk kelompok sel nukleus

dan sel radang dapat dilihat pada Tabel V.12 dan V.13.

Tabel V.13 Nilai Tekstur arah 135º untuk Sel Radang

Untuk memudahkan membandingkan nilai rata-rata untuk kesebelas fitur tekstur

dan radang, maka dibuat grafik nilai mean atau rata-rata untuk kedua kelompok data

seperti pada Gambar V.32.

Grafik Nilai Mean Sel Nukleus dan Sel Radang

Gambar V.32 Grafik Nilai Mean Sel Nukleus dan Sel Radang

Dari grafik terlihat untuk sepuluh nilai GLRM radang dan nukleus memiliki ukuran

yang hampir sama, garis pada grafik dari kedua kelompok data nyaris berimpit.

Tetapi yang menarik adalah ada perbedaan yang cukup signifikan antara sel nukleus

dan sel radang pada fitur LRHGE, yaitu Long Run High Gray-Level Emphasis fitur

GLRLM yang digunakan untuk mengukur hubungan distribusi dari distribusi run

dan gray level yang bernilai tinggi.

121

3. Hasil Analisa Fitur Morphologi Sel Nukleus.

Nilai-nilai fitur morphologi yang didapat dari pengukuran nukleus dan sitoplasma

dari perolehan citra sel-sel tunggal yang berhasil dipisahkan dan terdeteksi

nukleusnya. Untuk penggambaran nilai fitur diambil sebanyak 41 citra sel tunggal

yang mewakili hasil perolehan citra sel tunggal, seperti pada Tabel V.14.

Tabel V.14 Hasil Fitur Morpologi Citra Sel Tunggal Terdeteksi

No

Citra sel

Tunggal

Nukleus

Area

Sitoplasma

Area

Nukleus Area Roundness Perimeter

1 1a 3344 0.80206 268.4508 230367 3344

2 1b 3193 0.76584 228.8944 222167 3193

3 2a 2958 0.7531 222.1665 188882 2958

4 3a 2338 0.5437 232.4508 172344 2338

5 4a 3933 0.40733 417.83 144300 3933

6 4b 2994 0.31008 348.333 161155 2994

7 5a 3469 0.43298 433.0437 196827 3469

8 7a 2135 0.26648 317.3036 192086 2135

9 7b 3685 0.5478 290 117710 3685

10 8a 3562 0.2058 466.3574 171522 3562

11 8b 4377 0.2529 2 152878 4377

12 9a 3344 0.80206 268.4508 230367 3344

13 9b 3193 0.76584 228.8944 222167 3193

14 9c 1258 0.3368 216.6518 99737 1258

15 10a 3469 0.43298 433.0437 196827 3469

16 10b 2135 0.26648 317.3036 192086 2135

17 10c 1657 0.7608 165.4386 101942 1657

18 11a 2958 0.7531 222.1665 188882 2958

19 11c 1258 0.3368 216.6518 99737 1258

20 12a 3933 0.40733 417.83 144300 3933

21 12b 2994 0.31008 348.333 161155 2994

22 12c 1258 0.3368 216.6518 99737 1258

Tabel V.14 Hasil Fitur Morpologi Citra Sel Tunggal Terdeteksi (. .. lanjutan)

No

Citra sel

Tunggal

Nukleus

Area

Sitoplasma

Area

Nukleus Area Roundness Perimeter

23 13a 2338 0.5437 232.4508 172344 2338

24 13c 3256 0.371 332.0904 143524 3256

25 14c 3256 0.371 332.0904 143524 3256

26 15a 3089 0.676 239.6224 122956 3089

122

27 15b 3344 0.80206 268.4508 230367 3344

28 15c 3193 0.76584 228.8944 222167 3193

29 16a 1258 0.3368 216.6518 99737 1258

30 16b 3344 0.80206 268.4508 230367 3344

31 16c 3193 0.76584 228.8944 222167 3193

32 17a 2338 0.5437 232.4508 172344 2338

33 17c 1258 0.3368 216.6518 99737 1258

34 18a 3344 0.80206 268.4508 230367 3344

35 18b 3193 0.76584 228.8944 222167 3193

36 18c 1657 0.7608 165.4386 101942 1657

37 19a 2338 0.5437 232.4508 172344 2338

38 19c 3256 0.371 332.0904 143524 3256

39 20a 1258 0.3368 216.6518 99737 1258

40 20b 2958 0.7531 222.1665 188882 2958

41 21a 1258 0.3368 216.6518 99737 1258

42 21b 295 0.7531 222.1665 188882 2958

Total 115532.00 22.54 11179.91 6993991.00 115532.00

Mean 2750.76 0.54 266.19 166523.60 2750.76

St Dev 17023.83 3.32 1647.43 1030271.17 17023.83

Semua nilai fitur morphologi untuk nukleus dibuat dalam Grafik V.33 untuk

menunjukkan perbandingan nilai area, roundness dan perimeter.

Hasil verifikasi ahli, kondisi perbandingan nilai morphologi nukleus mengarah

kepada bentuk morphologi sel squomous normal. Ciri-ciri nilai roundness

menunjukkan nilai standar deviasi yang cukup kecil berarti nukleus memiliki

kebundaran yang relatif sama dan normal.

Grafik V.34 menunjukkan perbandingan nilai area nukleus dan area sitoplasma.

Terlihat perbedaan nilai area yang cukup besar antara keduanya. Nilai rata-rata area

nukleus pada Tabel V.14 sebesar 2750.76 dan area sitoplasma 166523.60. Nilai

rasio perbandingan keduanya sebesar 0.016518, nilai ini jika dibandingkan dengan

Tabel III.8 tentang rasio area nukleus dan sitoplasma pada tujuh kelas yang diolah

dari data Herlev (Jantzen, 2005), nilai tersebut mendekati nilai rasio kelas 1 sebesar

0.011796 yaitu kelas Normal Superficial. Jadi sebagian besar sel diidentifikasi

sebagai kelas Normal Superficial, hasil ini memiliki kesamaan dengan verifikasi

ahli.

123

Gambar V.33 Grafik perbandingan nilai area, roundness dan perimeter nukleus

citra sel tunggal terdeteksi.

Gambar V.34 Grafik perbandingan nilai area nukleus dan area sitoplasma

Hasil analisa morphologi ini didukung dengan hasil identifikasi pemisahan sel

tumpang tindih dan eliminasi sel radang untuk 56 citra sel tunggal yang berhasil

dideteksi, beberapa contoh diberikan pada Tabel V.15.

Hasil menunjukan bahwa 52 citra sel tunggal yang teridentifikasi adalah kelas

Normal Superficial dan ada empat citra sel tunggal teridentifikasi sebagai kelas

Normal Intermediate.

124

Tabel V.15 Contoh Hasil Identifikasi Sel Tunggal Terdeteksi

No Citra sel tumpang

tindih

Ukuran

citra

Sel tumpang

tindih

Sel Tunggal

teridentifikasi

Identifiksi

Kelas

1

400x300

1

2

Normal

Superficial

2

1600x1200

1

3

Normal

Superficial

3

1200x1600

1

2

Normal

Superficial

4

1600x1200

1

2

Normal

Intermediate

5

1600x1200

1

2

Normal

Superficial

6

1280x270

4

2

Normal

Superficial

7

1600x1200

1

2

Normal

Superficial

8

1600x1200

1

2

Normal

Superficial

V.4 Diskusi

Dalam bagian ini berisi evaluasi dari metode yang diusulkan. Metode pemisahan

citra sel tumpang tindih Pap smear bertujuan menghasilkan perolehan citra sel

tunggal untuk selanjutnya dideteksi nukleus pada masing-masing sel. Deteksi

daerah tumpang tindih pada citra sel konvensional Pap smear masih merupakan

masalah terbuka. Uji coba pada 61 citra sel tunggal dengan kondisi 24 citra sel

tumpang tindih horizontal dengan ukuran daerah tumpang tindih yang berbeda-

beda >150x200 piksel, > 100 x 200 piksel, >150x150 piksel, >150x200 piksel,

>100x100, dan >200x200 piksel. Sedangkan satu citra terdiri dari lima sel tumpang

tindih (Gambar V.36). Diharapkan citra-citra ini dapat mewakili beberapa kondisi

daerah tumpang tindih yang terdapat pada citra konvensional Pap smear.

125

Seperti yang diverifikasi oleh ahli (dalam hal ini ahli patologi), metode pemisahan

sel tumpang tindih dan eliminasi sel radang menghasilkan perolehan 61 citra sel

tunggal dari data set penelitian ini. Citra-citra ini mengandung sel-sel pada kelas

Normal Superfisial dan Normal Intermediate yang nukleusnya berbentuk lingkaran

dan berlokasi di pusat daerah sitoplasma.

Metode usulan mendeteksi nukleus dan sel radang pada 61 citra sel, Gambar V. 35

adalah contoh citra-citra sel tunggal terisolasi dengan nukleus berwarna hitam dan

sel radang warna merah muda.

Gambar V.35 Contoh Sel Nukleus dan Sel Radang yang terdeteksi

Pada penerapan metode pemisahan sel tumpang tindih dan eliminasi sel radang

pada citra dengan empat daerah tumpang tindih (Gambar V.36) dimana citra ini

memiliki lima sitoplasma tumpang tindih horizontal dan 24 kandidat nukleus. Posisi

empat daerah tumpang tindih, yaitu di sisi kiri, dua di tengah dan di kanan pada

citra.

Gambar V.36 Citra dengan lima sel tumpang tindih

126

Hasil dari pre processing pada citra ini menghasilkan dua citra cropping yang terdiri

dari cropping sel tumpang tindih (a) dan cropping daerah tumpang tindih

(b) pada Gambar V.37.

(a) (b)

Gambar V.37 Hasil pre-processing sel tumpang tindih dan daerah tumpang tindih

Gambar V.37 (a) dan (b) menunjukkan proses delinasi sel tumpang tindih pada sel

nomor 4 dan 5. Gambar (a) adalah ilustrasi boundary bagian atas daerah tumpang

tindih dan (b) bagian bawah daerah tumpang tindih. Gambar (c) dan (d) adalah hasil

proses isolasi sel. Pada Gambar (e) terlihat dua sel yang dapat diisolasi, yaitu sel

yang terletak paling kanan atau sel nomor 1 dan paling kiri atau sel nomor 5. Pada

sel bagian tengah (nomor 2,3 dan 4) belum dapat diisolasi dengan sempurna. Dua

sel yang berhasil diisolasi selanjutnya dilakukan proses deteksi nukleus dan

hasilnya secara tepat dapat ditentukan nukleus yang benar pada kedua sel.

Namun pada Gambar V.38 di mana metode luput untuk mengisolasi tiga sel

tumpang tindih yang lain, dapat diamati bahwa batas sitoplasma dari ketiga sel yang

di tengah tidak dapat didelinasi dengan benar. Hal ini diakibatkan sel nomor 3 yang

berbentuk bulat tidak teridentifikasi sebagai sebuah sel dan cenderung terdeteksi

sebagai daerah tumpang tindih (Gambar V.19). Verifikasi dari ahli patologi

terhadap sel nomor 3 adalah sel parasabasal dan cenderung abnormal. Sehingga

dalam kondisi ini perlu dilakukan penelitian lanjutan untuk dapat mengisolasi

ketiga sel tersebut.

127

(a) (b)

(c) (d)

(e)

Gambar V.38 Ilustrasi Proses Delinasi pada Citra Empat Sel Tumpang Tindih

Walaupun pada citra ini belum dapat terisolasi sempurna, tetapi deteksi pada

masing-masing nukleus untuk sel nomor satu dan lima berhasil dilakukan. Sehingga

dalam hal ini dapat disimpulkan citra ini dapat dideteksi dan dipisahkan untuk sel-

sel dengan ukuran daerah tumpang tindih >100x100.

Pada proses pengenalan objek yang memiliki kandidat nukleus yaitu sel radang dan

sel nukleus digunakan delapan fitur GLRM yang dapat membedakan keduanya.

Fitur-fitur tersebut adalah LGRE, GLN, RLN, LRLGE, SRHGE, SRLGE, LRHGE,

dan RP. Sedangkan tiga fitur GLRM lainnya SRE, LRE dan HGRE tidak

digunakan.

128

Dari tiga fitur yang tidak dimanfaatkan dalam klasifikasi yaitu SRE, LRE dan

HGRE dapat disimpulkan bahwa tingkat kemiripan sel radang dan nukleus untuk

struktur halus sel nukleus dan sel radang adalah sangat mirip atau sama dan tidak

bisa dibedakan. Hal ini menunjukkan bahwa upaya otomatisasi ekstraksi sel radang

dan identifikasi nukleus bukan hal yang mudah karena kondisi kemiripan dari kedua

sel.

Gambar V.39 Grafik Nilai Daerah Tumpang tindih dan Total Waktu Proses

Dalam penelitian ini, total waktu proses dibandingkan dengan ukuran daerah

tumpang tindih yang berbeda-beda yaitu >150x200 piksel, > 100 x 200 piksel,

>150x150 piksel, >150x200 piksel, dan >200x200 piksel. Grafik pada Gambar V.39

adalah nilai-nilai yang diperoleh dari proses citra-citra tersebut. Proses pemisahan

sel tumpang tindih membutuhkan waktu rata-rata 8.7961 ± 4.5898 menit. Peneliti

sebelumnya Lu dkk (2015) yang melakukan segmentasi sitoplasma tumpang tindih

menggunakan optimasi dengan Multiple Level Set Functions, waktu proses yang

dibutuhkan dalam range 5-60 menit, untuk jumlah sel 2-10 sel. Nilai waktu total

proses perlu dilakukan pengembangan sehingga dapat dihasilkan metode yang

memiliki waktu proses yang lebih singkat. Tabel V.16 menunjukkan perbandingan

metode usulan dengan metode lainnya, baik mengenai jumlah slide, jumlah citra,

jumlah sel, kriteria performa dan hasil kuantitatif.

Tabel V.16 Perbandingan Metode Usulan dengan State of The Art *

129

Metode Slide Citra Ukuran Sel Kriteria

Performansi

Hasil Kuantitatif

Bamford

dkk. (1998)

- - 128 x

128

20130 Pengamatan visual 99,64% sel

tersegmentasi

Wu dkk.

(1998)

1 1 80x100 1 Perbandingan K

means dan Bayesian dalam citra

Tingkat kesalahan

lebih kecil dari 5 %

Garrido

dkk. (2000)

- 3 - - Pengamatan visual Tidak memiliki

hasil kuantitatif

Lezoray

dan

Cardot

(2002)

- 10 - 209 Ukuran Vinet

Jumlah bagian yang

tersegmentasi

Ukuran rata-rata

Vinet 2.24 untuk

RGB dan 3.41

untuk HSL. Rata-

rata perbedaan

daerah

tersegmentasi

dengan manual 2.87

% untuk RGB dan

0.47% untuk HSL

Lassouao

ui dan

Hamami (2003)

- 2 256 x 256

Pengamatan visual Tidak memiliki

hasil kuantitatif

Bak, dkk (2004)

- 2 - - Pengamatan visual Tidak memiliki hasil kuantitatif

Isa dkk (2005)

- 3 - - Pengamatan visual Tidak memiliki hasil kuantitatif

Yang

Mao

dkk.

(2008)

- - 64x64 124 Error kesalahan

klasifikasi,

kesalahan tepi,

modifikasi

Hausdorff distance,

relative foreground

area error, relative

distance error

Rata-rata kesalahan

segmentasi sebesar

0.1145

Lin dkk

(2009)

- 10 - 10 Kesalahan

klasifikasi, relative

foreground area

error, modifikasi Hausdorff distance

Rata-rata kesalahan

segmentasi sebesar

0.1323

Plissiti,

M.E.

(2011a)

15 38 1536 x2048

5617 Sensitivity (Se)

Specificity (Sp)

Waktu proses (3 GB)

Indikasi nilai rata-

rata Se=90.57%, Sp

= 75.28% untuk

FCM dan

Se=69,86%, Sp =

92,02 untuk SVM. 83.04 ± 52.77 detik

Tabel V.16 Perbandingan Metode Usu lan dengan State of The Art * (...lanjutan)

Metode Slide Citra Ukuran Sel Kriteria

Performansi

Hasil Kuantitatif

Plissiti dan

Nikou

(2011b)

1 50 260x300 Dua sel

nukleus

tumpang tindih

Pengamatan visual,

Hausdorff distance

dan Euclidean Waktu proses (3 GB)

Hausdorff distance 19.58 dan euclidean

8.64 90.52 ± 7.36 detik

Tareef dkk

(2014)

Data

sintet is

45 512x512 270 sel tunggal

dan tumpang

tindih

Index Zijdenbos

Similarity Index (ZSI ) pixel

0.926 ± 0.047

130

ISBI

2014 (nukleus).

Index ZSI pixel

(sitoplasma) Waktu proses (8 GB)

0.914 ± 0.075

56 detik

Pemisahan 5 21 400x300, 1600 x1200

dan

1280

x720

61 sel tunggal Pengamatan visual Indikasi nilai rata-

Sel dengan 24 Sensitivity (Se) rata Se=82,56 %,

Tumpang kondisi sel Specificity (Sp) Sp = 81,27 %

Tindih dan tumpang tindih Waktu proses (4 8.7961 ± 4.5898 Eliminasi dengan 5 GB) menit

Sel Radang variasi ukuran Evaluasi fitur area, Klasifikasi kelas sel

(Disertasi) daerah perimeter dan

tumpang roundness dari

tindih. Total nucleus dan

193 sel yaitu sitoplasma

56 nukleus dan

137 se radang

* Diolah kembali dari Plissiti, M.E. (2012a)

Pemisahan sel tumpang tindih diterapkan pada 61 citra sel tunggal dengan 24

kondisi citra sel sitoplasma tumpang tindih horizontal menunjukkan bahwa seluruh

citra dapat dipisahkan. Tetapi perlu pengembangan dengan menambah citra uji

yang memenuhi paramater-parameter yang ditentukan sehingga dapat

dibandingkan performanya dengan metode lain.

Pemisahan sel tumpang tindih dari sel servik pada citra Pap smear konvensional

masih merupakan pekerjaan yang sulit terutama pada kondisi citra yang memiliki

kompleksitas dan variasi yang tinggi serta memiliki keterbatasan parameter

tertentu. Penyelesaian pada permasalahan pada penelitian ini dapat menjanjikan

bahwa analisis terhadap slide Pap smear dapat ditingkatkan melalui analisis dan

penelitian yang lebih lengkap pada bagian sel-sel dari slide Pap smear yang lebih

kompleks guna mendukung kemudahan dan efektifnya proses skrining pada kasus

deteksi dini kanker serviks.

Bab VI Kesimpulan dan Pengembangan Riset

Bab ini berisi kesimpulan dari hasil penelitian yang telah dilakukan dan beberapa

saran yang diberikan supaya dapat digunakan sebagai masukan pada penelitian

lebih lanjut.

131

VI.1 Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan, dapat diambil kesimpulan

sebagai berikut:

1. Perolehan citra sel tunggal Pap smear untuk deteksi dini kanker servik dapat

dilakukan melalui metode pemisahan sel tumpang berupa melalui pembagian

daerah tumpang tindih, pencarian jarak terdekat dari pinggiran daerah tumpang

tindih, penyambungan pinggiran sitoplasma tumpang tindih dan proses isolasi

sel tumpang tindih untuk lima ukuran daerah tumpang tindih yang berbeda-

beda yaitu >150x200 piksel, > 100 x 200 piksel, >150x150 piksel, >150x200

piksel, >100x100, dan >200x200 piksel. Tahapan pre- processing berupa

konversi warna, peningkatan citra, pengenalan objek dan pembersihan latar

belakang dengan rule klasifikasi tekstur untuk menghasilkan cropping sel

tumpang tindih secara otomatis. Segmentasi sel tumpang tindih dilakukan

untuk segmentasi sitoplasma tumpang tindih dan daerah tumpang tindih

dengan graylevel thresholding. Eliminasi sel radang dan deteksi nukleus dapat

dilakukan dengan menerapkan defenisi aturan jarak. Hasil menunjukkan

bahwa metode ini berhasil memisahkan dua sitoplasma yang tumpang tindih

secara horizontal. Menghasilkan citra sel tunggal yang terdeteksi nukleus dan

sel radang yang tereliminasi, untuk ukuran parameter-parameter yang sudah

ditentukan. Hasil verifikasi ahli patologi disimpulkan bahwa proses pemisahan

sel tumpang tindih dan eliminasi sel radang ini sudah dapat memisahkan sel

sesuai dengan cytomorphology sel, sehingga dapat membantu ahli patologi

untuk mendeteksi dini kanker serviks. Metode pemisahan sehingga dapat

membantu ahli patologi dalam deteksi dini kanker serviks

2. Metode eliminasi sel radang dapat digunakan untuk menangani keberadaan sel

radang sehingga proses identifikasi nukleus pada citra sel tunggal mikroskopis

Pap smear dapat dilakukan dan diharapkan dapat membantu ahli patologi

dalam deteksi dini kanker serviks. Hasil menunjukkan secara signifikan dapat

menghilangkan sel radang dan mendeteksi nukleus secara akurat pada sel yang

berhasil diisolasi. Hasil verifikasi ahli patologi menyebutkan bahwa metode

eliminasi sel radang telah berhasil

132

meminimalkan sel radang dan membantu patolog untuk memudahkan

penilaian terhadap struktur sel dan jenis sel. Identifikasi jenis sel sudah sesuai

dengan cytomorphology secara ilmu cytopathology, sehingga dapat membantu

ahli patologi untuk mendeteksi dini kanker serviks.

VI.2 Pengembangan Riset

Berdasarkan hasil dan keterbatasan penelitian yang telah dilakukan maka masih

terbuka peluang untuk perbaikan hasil penelitian ataupun pengembangan lebih

lanjut. Beberapa pengembangan riset yang dapat dilakukan , yaitu:

1. Metode pemisahan citra sel tumpang tindih dapat dikembangkan untuk

mengakomodir posisi sel tumpang tindih selain horizontal, variasi ukuran

daerah tumpang tindih, dan sel yang tumpang tindih yang lebih dari dua sel.

Peningkatan waktu proses pemisahan sel tumpang tindih. Fitur tekstur sel

radang dan nukleus dikembangkan terutama untuk fitur yang potensial sebagai

pembeda seperti fitur LRHGE, yaitu Long Run High Gray-Level Emphasis

yang memiliki nilai rata-rata yang berbeda cukup signifikan antara sel radang

dan sel nukleus. Penggunaan jenis pengklasifikasi lain dapat dipertimbangkan

dan penggunaan data set citra tumpang tindih lain seperti ISBI 2014.

2. Penelitian ini baru menyelesaikan sebagian kecil permasalahan yang dihadapi

oleh ahli patologi dalam proses skrinning Pap smear. Terutama untuk

mengurangi keberadaan sel radang dan sel tumpang tindih yang cukup

mengganggu proses identifikasi sel. Sedangkan permasalahan lain masih

banyak yang perlu diselesaikan pada citra sel Pap smear konvensional. Riset

dapat dilanjutkan untuk mengatasi persoalan lain seperti menghilangkan latar

belakang yang mengandung sel darah, identifikasi sel tumpang tindih

kompleks dengan batas sitoplasma yang tidak jelas, dan identifikasi sel yang

abnormal, sel menopause, serta sel yang terkena virus HPV.

Beberapa usulan riset ini diharapkan akan menghasilkan satu mekanisme otomatis

identifikasi citra Pap smear agar dapat membantu ahli patologi dalam

mengidentifikasi sel mikroskopik Pap smear pada deteksi dini kanker serviks.

133

DAFTAR PUSTAKA

Aziz, M.F. (2009): Gynecological Cancer in Indonesia, J Gynecol Oncol, 20 (1), 8–

10

Bak, E., Najarian, K., dan Brockway, J. P. (2004): Efficient Segmentation

Framework of Cell Images in Noise Environments, in Proc. 26th Int. Conf.

IEEE Eng. Med. Biol, 1, 1802–1805.

Bamford, P., dan Lovell, B. (1996): A Water Immersion Algorithm for Cytological

Image Segmentation, Proceedings of the APRS Image

134

Segmentation workshop, University of Technology Sydney, Sydney, 75-

79.

Bamford, P., dan Lovell, B. (1998): Unsupervised Cell Nucleus Segmentation With

Active Contours, Signal Processing, 71, 12, 203-213.

Begelman, G., Gur, E., Rivlin, E., Rudzsky, M., dan Zalevsky, Z. (2004): Cell

Nuclei Segmentation Using Fuzzy Logic Engine, International Conference

on Image Processing, 5, 2937-2940.

Bengtsson, E., Eriksson, O., dan Holmquist, J. (1979): High Resolution

Segmentation of Cervical Cells, J Histochem Cytochem, 27, 1, 621–628.

Bhanu, B., Lee, S., dan Ming, J. (1995): Adaptive Image Segmentation Using A

Genetic Algorithm, IEEE Transaction on Systems, Man, and Cybernetics,

25, 1543-1567.

Borst, H., Abmayr, W., dan Gais, P. (1979): A Thresholding Method for Automatic

Cell Image Segmentation, J Histochem Cytochem, 27, 1, 180– 187.

Cahn, R.L., Poulsen, R.S., dan Toussaint, G. (1977): Segmentation of Cervical Cell

Images. J Histochem Cytochem, 25, 7, 681–688.

Chang, C.W., Lin M.Y., Harn H.J., Harn,Y.C., Chen, C.H., Tsai, K.H., dan Hwang,

C.H. (2009): Automatic Segmentation of Abnormal Cell Nuclei from

Microscopic Image Analysis for Cervical Cancer Screening. Proceeding of

The 3rd IEEE International Conference on Nano-Molecular Medicine and

Engineering, Tainan, Taiwan, 77–80.

Cibas, E.S., dan Ducatman, B.S. (2009) : Cytology Diagnosis Principles and

Clinical Correlates, 3rd ed. ISBN 978-1-4160-5329-3, Saunders Elsevier, 1-

64.

Davies, E.R. (1989): Finding Ellipses Using The Generalised Hough Transform,

Pattern Recognition Letters, 9, 87-96.

Duanggate, C., Uyannovara, B., dan Koanantakul, T. (2008): A Review of Image

Analysis and Pattern ClassificationTechniguees for Automatic Pap smear

Screening Process, The 2008 International Conference on Embedded

System Intelligent Technology, Thailand, 212-217.

Garrido, A., dan Perez de la, B.N. (2000): Applying Deformable Templates for Cell

Image Segmentation, Pattern Recognition, 821-832.

Galloway (1975): Texture Analysis Using Gray Level Run Lengths, Computer

Graphics and Image Processing, 4, 172–179.

135

Goldberg, D. E. (1989): Genetic Algorithms in Search, Optimization, and

Machine Learning, Wesley Edition.

Hasanuddin, Riana, D., Dewi, D.E.O., Widyantoro, D. H., dan Mengko, T.L.R.

(2012): Detection of Cytoplast Area of Pap SmearImage Using Image

Segmentation, International Conference on Women’s Health in Science &

Engineering (WiSE Health), ITB, Bandung, 22-26.

Holmquist, J., Bengtsson, E., Eriksson, O., Nordin, B., dan Stenkvist, B. (1978):

Computer Analysis of Cervical Cells Automatic Feature Extraction and

Classification, The Journal of Histochemistry and Cytochemistry. 26, 11,

1000-1017.

Howlander, N., Noone, A.M., dan Krapcho, M. (2013): eds. SEER Cancer Statistics

Review, 1975-2010. Bethesda, MD: National Cancer Institute.

Huttenlocher, D.P., Klanderman, G.A., dan Rucklidge, W.J. (1993): Comparing

Images Using The Hausdorff Distance, IEEE Trans. Pattern Anal.

Machine Intell. 15, 850–863.

Isa, M. A. (2005 ): Automated Edge Detection Technique for Pap Smear Images

Using Moving K-Means Clustering and Modified Seed Based Region

Growing Algorithm, International Journal of The Computer, the internet

and Management. 13, 3, 45-59.

Jackway, P. (1995): Morphological Multiscale Gradient Watershed Image

Analysis, Proceedings of the 9th Scadinavian Conference on Image

Analysis (SCIA 1995), 87-94.

Jackway, P. (1996): Gradient Watersheds in Morphological Scale Space, IEEE

Transactionson Image Processing, 5, 913-921.

Jantzen, J. N., Dounias, G., dan Bjerregaard, B. (2005): Pap-smear Benchmark Data

For Pattern Classification, Technical University of Denmark, Denmark.

Jemal, A., Bray, F., Center, M.M., Ferlay, J., Ward, E., Forman, D. (2011): Global

Cancer Statistics. CA Cancer J Clin, 61(2), 69–90.

Jung, C., Kim, C., Wan Chae, S., dan Oh, S. (2010): Unsupervised Segmentation

of Overlapped Nuclei Using Bayesian Classification. IEEE Trans Biomed

Eng. 55, 12, 2825–2832.

Jung, C., dan Kim, C. (2010): Segmenting Clustered Nuclei Using H-Minima

Transform-Based Marker Extraction and Contour Parameterization. IEEE

Trans Biomed Eng. 57, 10, 2600–2604.

136

Kale, A., dan Aksoy, S. (2010): Segmentation of Cervical Images. Proceedings of

the 20th international, 2399- 2402.

Kim, K.B., Kim, S., dan Sim, K.B. (2006): Nucleus Classification and Recognition

of Uterine Cervical Pap-Smears Using Fuzzy ART Algorithm. Proc 6th Int

Conf Simul Evol Learning, Lect Notes Comput Sci

, 4247, 560–567.

Kim, K.B., Song, D. H., dan Woo, Y.W. (2007): Nucleus Segmentation and

Recognition of Uterine Cervical Pap-smears. Proc 11th RSFDGrC, Lect

Notes Comput Sci, 4482, 153–160.

Kusuma, F. (2012): Tes Pap Dan Cara Deteksi Dini Kanker Serviks Lainnya,

Departemen Obstetri dan Ginekologi Fakultas Kedokteran Universitas

Indonesia RSUPN Dr. Cipto Mangunkusumo, Prevention and Early

Detection of Cervical Cancer (PEACE), Jakarta

Lassouaoui, N dan Hamami, L. (2003): Genetic Algorithms and Multifractal

Segmentation of Cervical Cell Images, Proc. Of IEEE-EURASIP 7th

International Symposium on Signal Processing and its Applications, 2, 1- 4.

Lee, K.M., dan Street, W.N. (2000): Learning Shapes for Automatic Image

Segmentation. Proc. INFORMS-KORMS Conference, ,Seoul, Korea, 1461-

1468.

Lezoray, O., dan Cardot, H. (2002): Cooperation of Color Pixel Classification

Schemes and Color Watershed: A Study for Microscopic Images, IEEE

Trans. Image Process, 11, 7, 783–789.

Li, Z., dan Najarian, K. (2007): Biomedical Image Segmentation Based on Shape

Stability, Proceedings of the 14th IEEE International Conference on

Image Process (ICIP), San Antonio, 281–284.

Lin, C. H., Chan,Y. K., dan Chen, C. C. (2009): Detection and Segmentation of

Cervical Cell Cytoplast and Nucleus, Int. J. Imaging Syst. Technol, 19, 3,

260–270.

Lu, Z., Carneiro, G., dan Bradley, A.P. (2015): An Improved Joint Optimization of

Multiple Level Set Functions for the Segmentation of Overlapping Cervical

Cells, IEEE Transactions On Image Processing, 24, 4, 1261- 1272.

MacAulay, C., dan Palcic, B. (1988): A Comparison of Some Quick and Simple

Threshold Selection Methods for Stained Cells. Anal Quant Cytol Histol, 10

(2), 134–138.

Malm, P., dan Brun, A. (2009): Closing Curves with Riemannian Dilation:

Application to Segmentation Inautomated Cervical Cancer Screening.

137

Proc 5th Int Symp Visual Comput 2009, Lect Notes Comput Sci, 5875,

337–346.

Malviya, R.P.K.K., Chatterjee, J., Manjunatha, M., dan Ray, A.K. (2012):

Computer Assisted Cervical Cytological Nucleus Localization, Department

of Information Technology, Govt. of India, New Delhi.

Moshavegh, R., Ehteshami, B.B., Mehner, A., Sujathan, K., Maim., dan Bengtsson,

E. (2012): Automated Segmentation of Free-Lying Cell Nuclei in Pap

Smears for Malignancy-Associated Change Analysis, 34th Annual

International Conference of the IEEE EMBS San Diego, California USA,

5372-5375.

Muhimmah, I., Kurniawan, R., dan Indrayanti. (2012): Automatic Epithelial Cells

Detection of Pap smears images using Fuzzy C-Means Clustering, 4th

International Conference on Bioinformatics and Biomedical Technology,

122-127.

Muhimmah, I., Kurniawan, R., dan Indrayanti. (2013): Analysis of Features to

Distinguish Epithelial Cells And Inflammatory Cells in Pap smear Images,

6th International Conference on Biomedical Engineering and Informatics

(BMEI 2013), 122-127.

Mustafa, N., Isa, M.N.A., dan Mashor, M.Y. (2009): Automated Multicells

Segmentation of Thinprep® Image Using Modified Seed Based Region

Growing Algorithm. Biomed Soft Comput Hum Sci. 14 (2), 41–47.

Nallaperumal, K., dan Krishnaveni, K. (2008): Watershed Segmentation of Cervical

Images Using Multiscale Morphological Gradient and HSI Colour Space.

Int J Imag Sci Eng (IJISE), 2 (2), 212–216.

Papanicolaou, G.N. (1942): A New Procedure for Staining Vaginal Smears,

Science. 95, 2469, 438–439.

Poulsen, R.S., dan Pedron, I. (1995): Region of Interest Finding in Reduced

Resolution Colour Imageryapplication to Cancer Cell Detection. Pattern

Recognition, 28(11), 1645–1655.

Philip, K. P., Dove, E. L, McPherson, D.D, Gotteiner, N.L, Standford, W dan

Chandran, K.B. (1996): The Fuzzy Hough Transform-Feature Extraction in

Medical Images, IEEE Transactions on Medical Imaging. 15, (3), 353- 368.

Plissiti, M.E., Nikou, C dan Charchanti A. (2010): Accurate Localization of Cell

Nuclei in Pap Smearimages Using Gradient Vector Flow Deformable

Models. In: Proceeding of the 3rd internationalmconference on Bio-

inspired Signals and Systems (BIOSIGNALS), Valencia, Spain, 284–289.

138

Plissiti, M.E., Nikou, C. dan Charchanti, A. (2011a): Automated Detection of Cell

Nuclei in Pap Smear Images Using Morphological Reconstruction and

Clustering, IEEE Transactions On Information Technology In Biomedicine.

15, (2), 233-241

Plissiti, M.E., Nikou, C. dan Charchanti, A. (2011b): Combining Shape, Texture

and Intensity Features for Cell Nuclei Extraction in Pap Smear Images,

Pattern Recognition Letters, 32, (6), 838–853

Plissiti, M.E. dan Nikou, C. (2012a): Overlapping Cell Nuclei Segmentation Using

A Spatially Adaptive Active Physical Model, 11, 4568-80, doi:

10.1109/TIP.2012.2206041.

Plissiti, M.E. dan Nikou, C. (2012b): Methods for Cytological Images Analysis.

PhD Thesis, University of Ioannina, Greece, 1-113.

Plissiti, M.E dan Nikou. C. (2013): A Review of Automated Techniques for

Cervical Cell Image Analysis and Classification. Iacoviello, D. and

Andreaus, U. (eds.), Biomedical Imaging and Computational Modeling in

Biomechanics, Lecture Notes in Computational Vision and Biomechanics 4,

ISSN 2212-9391, ISSN 2212-9413 (electronic), ISBN 978-94-007-

4269-7, ISBN 978-94-007-4270-3 (eBook), DOI 10.1007/978-94-007-

4270-3_1, Springer Science+Business Media Dordrecht, 1-18.

Pratama, G.K., Riana, D., Dewi, D.E.O., Widyantoro, D.H., dan Mengko, T.L.R.

(2012): Pap Smear Nuclei Tekstur Analysis. International Conference on

Women’s Health in Science & Engineering (WiSE Health), ITB, Bandung,

18-22.

Prayitno, A. (2006): Cervical Cancer With Human Papilloma Virus and Epstein

Barr Virus Positive, Journal Of Carcinogenesis, doi:10.1186/1477-3163- 5-

13. 5, 13.

Purwadi, S. (2012): Indonesian Cervical Cancer Challenge, Divisi Oncologi Dept

Obstetrics Gynecology Faculty of Medicine. Universitas Indonesia,

Prevention and Early Detection of Cervical Cancer (PEACE).

Riana, D, dan Murni, A. (2009): Performance Evaluation of Pap Smear Cell Image

Classification Using Quantitative And Qualitative Features Based on

Multiple Classifiers. In: Proceedings of the international conference on

Advanced Computer Science and Information Systems (ACSIS’09) Jakarta,

Indonesia, 38–42.

Riana, D (2010): Hierarchical Decision Approach Berdasarkan Importance

Performance Analysis untuk Klasifikasi Citra Tunggal Pap Smear

Menggunakan Fitur Kuantitatif Dan Kualitatif, Thesis. Faculty of Computer

Science, University of Indonesia.

139

Riana, D., Dewi, D.E.O., Widyantoro, D. H., Mengko, T.L.R. (2012b): Segmentasi

Luas Nukeus Sel Normal Superfisial Pap smear Menggunakan Operasi

Kanal Warna dan Deteksi Tepi, Seminar Nasional Inovasi Teknologi,

Jakarta.

Riana, D., Dewi, D.E.O., Widyantoro, D. H., Mengko, T.L.R. (2012c):

Segmentation and Area Measurement in Abnormal Pap Smear Images

Using Color Canals Modification with Canny Edge Detection, International

Conference on Women’s Health in Science & Engineering (WiSE Health),

ITB, Bandung, 106-109.

Riana, D., Dewi, D.E.O., Widyantoro, D. H., Mengko, T.L.R. (2012d): Color

Canals Modification with Canny Edge Detection and Morphological

Reconstruction for Cell Nucleus Segmentation and Area Measurement in

Normal Pap Smear Images, The Fourth International Conference on

Mathematics and Natural Sciences (ICMNS), ITB, Bandung, 414-417

Riana, D., Widyantoro, D. H., dan Mengko, T.L.R (2013a): Perbandingan

Segmentasi Luas Nukleus Sel Normal dan Abnormal Pap Smear

Menggunakan Operasi Kanal Warna dengan Deteksi Tepi Canny dan

Rekonstruksi Morfologi, Jurnal TICOM, ISSN 2302 –3252, Jakarta,

Indonesia, 1,(2), 70-78.

Riana, D., Widyantoro, D. H., dan Mengko, T.L.R (2013b): Ekstraksi dan

Klasifikasi Tekstur Citra Sel Nukleus Pap Smear, Jurnal TICOM, ISSN

2302 –3252, Jakarta, Indonesia, 1, (3), 186-193.

Riana, D., Widyantoro, D.H., Mengko, T.L.R, dan Kalsoem, O. (2014b): Ekstraksi

Fitur Kuantitatif Tekstur Dan Klasifikasi Sel Nukleus Dan Sel Radang Pada

Citra Pap Smear, Konferensi Nasional Ilmu Komputer, Aptikom, Makasar.

Ryan, S., dan Hall, M. (2006): Practical Data Mining, University of Waikato.

Samadi, H.P., (2011). Yes, I Know Everything about Kanker Serviks! Mengenali,

Mencegahnya, dan Bagaimana Anda Menjalani Pengobatannya, Women

Health Series Tumor & Kanker, Metagraf.

Saslow, D., Solomon, D., Lawson, H.W. (2012): American Cancer Society,

American Society for Colposcopy and Cervical Pathology, and American

Society for Clinical Pathology Screening Guidelines for The Prevention and

Early Detection of Cervical Cancer, Am J Clin Pathol, 137, 516–542.

Siegel, R., Ma, J., Zou, Z., dan Jemal, A. (2014): Cancer Statistics, CA Cancer J

Clin. In press.

140

Soille, P. (1999): Morphological Image Analysis, Principles and Applications,

Springer-Verlag, 173-174.

Smith, R.A, Baptiste, D. M, Brooks, D., Cokkinides,V., Doroshenk, M., dan

Saslow,D. (2014): Cancer Screening in the United States, 2014: A Review

of Current American Cancer Society Guidelines and Current Issues in

Cancer Screening, Ca Cancer J Clin , 64, 30–51.

Suryatenggara, J., Ane, B.K., Pandjaitan, M., Steinberg, W. (2009): Pattern

Recognition on 2d Cervical Cytological Digital Images for Early Detection

of Cervix Cancer, IEEE 978-1-4244-5612-3/09/.

Tareef, A., Song, Y., Cai1, W., Feng, D.D., dan Chen, M. (2015): Automated Three-

Stage Nucleus and Cytoplasm Segmentation of Overlapping Cells, 13th

International Conference on Control, Automation, Robotics & Vision

Marina Bay Sands, Singapore, (ICARCV 2014), 865-870.

Tjindarbumi, D., dan Mangunkusumo, R. (2002): Cancer in Indonesia, Present and

Future, Jpn J Clin Oncol, 32(Suppl), S17–S21.

Tsai, M.H., Chan,Y.K., Lin, Z.Z., Yang-Mao, S.F., dan Huang, P.C. (2008):

Nucleus and Cytoplast Contour Detector of Cervical Smear Image, Pattern

Recognit Lett, 29, 1441–1453.

Ushizima, D.M., Gomes, A.H., Carneiro, C.M., dan Bianchi, A.G.C. (2013):

Automated Pap Smear Cell Analysis: Optimizing the Cervix Cytological

Examination, 12th International Conference on Machine Learning and

Applications, 441-444.

Vaschetto, F., Montseny, E., Sobrevilla, F., dan Lerma, E. (2009) Threecond: An

Automated and Unsupervised Three Colour Fuzzy-Based Algorithm For

Detecting Nuclei in Cervical Pap Smear Images, in Proceedings of the 9th

International Conference on Intelligent Systems Design and Applications,

1359-1364.

Williams, D., dan Shab, M. (1992): A fast algorithm for active contours and

curvature estimation, Computer Vision. Graphics and Image Processing:

Image Understanding, 55, 14-26.

Witten, I.H. dan Frank, G. (2000): Data Mining: Practical Machine Learning Tools

with Java Implementations, Morgan Kaufmann, San Francisco.

Wu, H.S., Barba, J., dan Gil, J. (1998): A Parametric Fitting Algorithm for

Segmentation of Cell Images, IEEE Trans. Biomed. Eng, 45, (3), 400–407.

Xu, D., Kurani, A.S., Furst, J.D., dan Raicu, D.S. (2004): Run-length Encoding for

Volumetric Texture, The 4th IASTED International Conference on

Visualization, Imaging, and Image Processing.

141

Yang-Mao, S. F, Chan, Y. K., dan Chu, Y. P. (2008): Edge Enhancement Nucleus

and Cytoplast Contour Detector of Cervical Smear Images, IEEE Trans.

Syst. Man Cybern. B, Cybern, 38, (2), 353–366.

Yung, F. C, Po-Chi, H., Ker-Cheng. L., Hsuan-Hung. L, Li-En, W, Chung-Chuan,

C., dan John, Y. C. (2014): Semi-Automatic Segmentation and of Pap Smear

Cells, IEEE Journal Of Biomedical and Health Informatics, 18, 94- 108.

Zimmer, C dan Olivio-Martin, C. (2005): Coupled Parametric Active Contours,

IEEE Transactions on Pattern Analysis and Machine Intelligence, 27, (11),

1838-1842.

Pustaka dari Situs Internet :

Martin E. (2003): Pap smear classification. Technical University of Denmark –

DTU,http://labs.fme.aegean.gr/decision/images/stories/docs/martin2003.zi

p . Download (diturunkan/diunduh) pada 20 Januari 2013.

Plissiti, M.E. (2012b) : Methods for Cytological Image Analysis, University of

Ioannina Greece, http://www.cs.uoi.gr/tech_reports/publications/PD-2012-

2.pdf. Download (diturunkan/diunduh) pada 19 November 2014.

Romberg J, Akram W and Gamiz J. (1997): Image segmentation using region

growing.Available:

http://www.owlnet.rice.edu/~elec539/Projects97/WDEKnow/index.html

Download(diturunkan/diunduh) pada 15 Mei 2013.

Riana D, Murni A, Widyantoro. D. H, Mengko T.L.R. (2012a): Quantitative and

Qualitative Features of Pap Smear Cell Image Using Importance

Performance Analysis for Hierarchical Decision Approach, e-journal

Aptikom, ISSN : 2088-2335 (Print) – 2088-2343 (Online) International

Conference On ICT For Better Life 2012 in Hongkong. 21 Juli 2012

http://portalgaruda.org/?ref=browse&mod=viewarticle&article=49408

Download(diturunkan/diunduh) pada 21 Juli 2012.

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 22 Oktober 1970 di Palembang, Sumatera Selatan.

Putri kedua dari lima bersaudara dari Bapak H. Zakaria Husein Safe’i dan Ibu Hj.

Salbiyah Saropi. Ia lulus dari SD Xaverius VII Palembang tahun 1982, SMP Negeri

15 Palembang tahun 1986 dan SMA Negeri IV Palembang pada tahun 1989.

142

Ia memperoleh gelar Sarjana pada tahun 1994 di Jurusan Matematika Universitas

Sriwijaya, Palembang. Magister Manajemen konsentrasi Sistem Informasi pada

tahun 2004 di Program Studi Magister Manajemen Universitas Budi Luhur Jakarta.

Magister Ilmu Komputer pada tahun 2010 di Program Studi Pascasarjana Magister

Ilmu Komputer Universitas Indonesia dengan Beasiswa Pendidikan Pasca Sarjana

(BPPS) DIKTI. Pada tahun 2013, memperoleh beasiswa Program Peningkatan

Program Peningkatan Kualitas Publikasi Internasional (PKPI) (dh Sandwich

Program) di Departement of Computer Science, University of Ioannina, Greece.

Sejak tahun 1995 ia menjadi staf pengajar pada AMIK BSI di Jakarta. Pada tahun

2003 ia menjadi staf pengajar di Jurusan Sistem Informasi STMIK Nusa Mandiri.

Mulai Tahun 2010 aktif di Program Studi Magister Manajemen dan Fakultas

Teknik di Universitas BSI Bandung.

Penulis menikah dengan H. Moch Hendro Gunawan, ST, MT pada tahun 1997 dan

mempunyai dua orang anak, putri pertama Alya Shafira Hewiz, 16 tahun, dan putra

bungsu, Rayhan Konan Ferdion, 11 tahun.

Daftar publikasi :

1. Riana, D., Plissiti, E. M, Nikou. C., Widyantoro, D.H., Mengko, T.L.R,

Kalsoem, O. (2014) Inflammatory Cell Extraction And Nuclei Detection

In Pap Smear Images, International Journal of E-Health and Medical

Communications (IJEHMC), ISSN: 1947315x, 19473168, Vol:6, Issue:2,

27-43, April-June 2015

2. Riana. D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R (2014) : Color Canals

Modification With Canny Edge Detection And Morphological

Reconstruction For Cell Nucleus Segmentation And Area Measurement In

Normal Pap Smear Images, AIP Publishing – American Institute of Physics

Suite 1 No 1, 2 Huntington Quadrangle Melville, NY 11747-4502 USA –

1589, 1589 414 (2014); doi: 10.1063/1.4818832.

http://scitation.aip.org/content/aip/proceeding/aipcp/10.1063/1.4868832

3. Riana D, Widyantoro. D. H, Mengko T.L.R (2013): Ekstraksi dan klasifikasi

tekstur citra sel nukleus pap smear, Jurnal TICOM Vol.1 No.3 Mei 2013,

Hal 186-193, ISSN 2302 –3252, Jakarta, Indonesia

http://portalgaruda.org/?ref=browse&mod=viewarticle&article=132260

143

4. Riana D, Widyantoro. D. H, Mengko T.L.R (2013): Perbandingan Segmentasi

Luas Nukleus Sel Normal dan Abnormal Pap Smear Menggunakan

Operasi Kanal Warna dengan Deteksi Tepi Canny dan Rekonstruksi

Morfologi, Jurnal TICOM Vol.1 No.2 Jan 2013, Hal 70-78, ISSN 2302 –

3252, Jakarta,Indonesia

http://portalgaruda.org/?ref=browse&mod=viewarticle&article=29237

Daftar seminar dan konferensi yang diikuti :

1. Riana, D., Widyantoro, D.H., Mengko, T.L.R, Kalsoem, O. (2014).

Ekstraksi Fitur Kuantitatif Tekstur Dan Klasifikasi Sel Nukleus Dan Sel

Radang Pada Citra Pap Smear. Konferensi Nasional Ilmu Komputer,

Aptikom, Makasar 4-6 Desember 2014.

2. Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012): Segmentation

and Area Measurement in Abnormal Pap Smear Images Using Color

Canals Modification with Canny Edge Detection. International

Conference on Women’s Health in Science & Engineering (WiSE Health),

ITB, Bandung. (24-11-2012)

3. Pratama GK, Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012):

Pap smear nuclei tekstur analysis, International Conference on Women’s

Health in Science & Engineering (WiSE Health), ITB, Bandung.

4. Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012): Color canals

modification with canny edge detection and morphological reconstruction

for cell nucleus segmentation and area measurement in normal pap smear

images. The Fourth International Conference on Mathematics and Natural

Sciences (ICMNS), ITB, Bandung.

5. Hasanuddin, Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012):

Detection of Cytoplast Area of Pap Smear Image Using Image

Segmentation, International Conference on Women’s Health in Science &

Engineering (WiSE Health), ITB, Bandung.

6. Riana D, Murni A, Widyantoro. D. H, Mengko T.L.R. (2012): Quantitative

and Qualitative Features of Pap Smear Cell Image Using Importance

Performance Analysis for Hierarchical Decision Approach, e- journal

Aptikom, ISSN : 2088-2335 (Print) – 2088-2343 (Online) International

Conference On ICT For Better Life 2012 in Hongkong. 21 Juli 2012

http://portalgaruda.org/?ref=browse&mod=viewarticle&article=49408

7. Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012):

Segmentasi Luas Nukeus Sel Normal Superfisial Pap smear Menggunakan

Operasi Kanal Warna dan Deteksi Tepi. Seminar Nasional Inovasi

Teknologi, Jakarta. 2012.

144

https://drive.google.com/a/bsi.ac.id/file/d/0BzeEZJN_MGUrNDRUUzRq

VVpaTDg/edit

8. Riana D, (2010): Prediction Image Pap Smear Web Based With Decision Tree,

Proceedings International Seminar of Information Technology- Green

Technology For Better World, ISBN 978-602-97962-0-9, 181- 185,

Jakarta Indonesia.

9. Riana D. (2010): Expert System Female Reproduction Cancer and Herbal

Treatment with certainty Factor Method, Proceedings International

Seminar Information Technology ISIT (2010) Green Technology For

Better World, ISBN 978_602-97962- 0-9. Jakarta Indonesia

10. Riana D, Murni A. (2009): Performance evaluation of Pap smear cell image

classification using quantitative and qualitative features based on multiple

classifiers. In: Proceedings of the international conference on Advanced

Computer Science and Information Systems (ACSIS’09) Jakarta,

Indonesia, 38–42.

11. Riana D, Murni A .(2009) : Classification of Pap Smear Cell Image Based On

Quantitative Features Using Multiple Classifier System, Proceedings

International Seminar of Information Technology, ISSN 2086-1796, 101-

105. Jakarta Indonesia.

Daftar hibah penelitian yang pernah diperoleh:

1. Reduksi Sel Radang dan Deteksi Nukleus pada Citra Pap Smear. Penelitian

Disertasi Doktor; Keputusan Direktur Penelitian dan Pengabdian kepada

Masyarakat Nomor: 0263/E5/2014 didanai DIKTI – 2014.

2. Penggunaan E-learning Dalam Penanggulangan Penyakit Menular

Menggunakan Moodle 1.9. PKMT Research. No. SP2H

:003/SP2H/PP/DP2M/III/2007, No DIPA :0148.0/023-04.0/XI/2008 didanai

DIKTI – 2010.

3. Analisis Keunggulan Kompetitif UKM dengan Pendekatan Soft Systems

Methodology Approach. PKMT Research. No.

SP2H:003/SP2H/PP/DP2M/III/2007,No DIPA :0148.0/023-04.0/XI/2008

didanai DIKTI -2010.

4. Pengukuran Kualitas Desain Web dan Kepuasan Pengguna Transaksi Bisnis

Berjenis Kelamin Wanita No.SP2H:003/SP2H/PP/DP2M/III/2007 didanai

DIKTI -2009.

5. Pemodelan Nilai Persentil Data Antropologi Siswa untuk Pemodelan Kursi dan

Meja Sekolah Software Humancad Mannequin. No. SP2H :

003/SP2H/PP/DP2M/III/2007, didanai DIKTI-2008.

145

LAMPIRAN

1. Makalah pada Jurnal Internasional IJEHMC

2. Makalah pada American Institute of Physics (AIP) Publishing

146