Analisis Perbandingan Pendeteksian Tepi Citra CT Simulator pada Kanker Paru-Paru Menggunakan Metode Robert, Sobel, Prewitt dan Canny

Hamzah Arman Husni, Rico Adrial

Abstract


Penelitian pendeteksian tepi pada citra CT Simulator dilakukan dengan metode Robert, Sobel, Prewitt, dan Canny. Pendeteksian tepi ini bertujuan untuk mengetahui batasan dari kanker serta mengetahui metode terbaik dalam pendeteksian tepi berdasarkan analisis dari nilai rata-rata citra, kontras, Mean Square Error (MSE) dan Peak Signal to Ratio (PSNR). Penelitian ini dilakukan dengan merancang suatu aplikasi yang dibuat dengan MATLAB. Terdapat lima citra dari pasien kanker paru-paru yang diuji dengan tahapan pendeteksian tepi pada citra asli dan pendeteksian tepi pada citra yang telah diperbaiki kontrasnya. Berdasarkan penelitian yang dilakukan, hasil dari pendeteksian tepi pada citra asli tidak efektif digunakan untuk mengetahui batasan kanker. Pendeteksian tepi pada citra asli dengan menggunakan metode Robert, Sobel, Prewitt dan Canny masih belum mampu memperlihatkan batasan kanker, sedangkan pendeteksian tepi menggunakan metode Canny mampu memperlihatkan batasan kanker walaupun masih terdapat banyak ganggunan (artifact) pada citra. Oleh karena itu, maka dilakukan perbaikan kontras pada citra untuk menampilkan tepi yang jelas sebagai batasan kanker paru-paru. Hasil pendeteksian tepi terbaik ditunjukkan dengan nilai MSE yang paling tinggi dan PSNR yang paling rendah pada citra yang telah diperbaiki  kontrasnya. Pendeteksian tepi terbaik yaitu dengan menggunakan metode Canny yang memiliki nilai rata-rata MSE yaitu 0,8401 dan PSNR yaitu 48,9284 dB. 


References


A. M. Saif, J., H. Hammad, M. and A. A. Alqubati, I. (2016) ‘Gradient Based Image Edge Detection’, International Journal of Engineering and Technology, 8(3), pp. 153–156.

Basyid, F. and Adi, K. (2014) ‘Segmentasi Citra Medis Untuk Pengenalan Objek Kanker Menggunakan Metode Active Contour’, Youngster Physics Journal, 3(3), pp. 209–216.

Pradepp, N., Girisha, H., Sreepathi, B., & Karibasappa, K. (2012) ‘Feature Extraction of Mammograms’, International Journal of Bioinformatics Research, 4(1), pp. 241–244.

Sharma, M. & Mukherjee, S (2012) ‘Artificial Neural Network Fuzzy Inference System (ANFIS) For Brain Tumor Detection’. arXiv preprint arXiv:1212.0059

Tamtama, G.I.W. (2021) ‘Perbandingan dan Analisis Untuk Algoritma Deteksi Tepi Pada Jaringan Saraf Tiruan’, CESS (Journal of Computer Engineering, System and Science), 6(1), p. 67. Available at: https://doi.org/10.24114/cess.v6i1.19003.

The Global Cancer Observatory (2020) ‘Cancer Incident in Indonesia’, International Agency for Research on Cancer, 858, pp. 1–2. Available at: https://gco.iarc.fr/today/data/factsheets/populations/360-indonesia-fact-sheets.pdf.

Harns, D. 2014, CT Simulation Equipment Features, viewed 1 April 2022 , <,https://info.blockimaging.com/ct-simulation-equipment-features >.




DOI: https://doi.org/10.25077/jfu.12.1.22-28.2023

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License

Published by:

Departemen Fisika, FMIPA Universitas Andalas

Kampus Unand Limau Manis Padang Sumatera Barat 25163

Telepon 0751-73307

Email:jfu@sci.unand.ac.id