PENERAPAN ALGORITME K-MEANS DAN FUZZY C-MEANS CLUSTERING PADA SEGMENTASI CITRA MEDIS MAGNETIC RESONANCE IMAGING (MRI)

I WAYAN ANGGA WIJAYA KUSUMA, Dr. Indah Soesanti, S.T., M.T.; Hanung Adi Nugroho, ST., M.E., Ph.D.

2014 | Tesis | S2 Teknik Elektro

Salah satu permasalahan penting dalam bidang pengolahan citra Magnetic Resonace Imaging (MRI) adalah segmentasi citra ke dalam area homogen. Dengan demikian akan memudahkan pengamat citra untuk melakukan analisis ada tidaknya suatu tumor atau kelainan pada otak pasien. Pada penelitian ini mengusulkan metode segmentasi citra yang membutuhkan waktu relatif lebih singkat dibandingkan metode FCM secara konvensional dalam mensegmantasi namun hasil segmentasi cukup baik. Pada penelitian ini menggunakan metode K-Means dan Fuzzy C-Means dalam segmentasi. Pengukuran rand index (RI), global consistency error (GCE), variation of information (VOI), dan peak signal to noise ratio (PSNR) digunakan untuk mengetahui performa dari algoritma K-Means dan Fuzzy C-Means. Rand Index (RI) menunjukkan bahwa cluster dua data tidak setuju pada setiap pasangan titik. Global Consistency Error (GCE) mengukur kesalahan segmentasi mengambil dua. Variation of Information (VOI) mengukur jumlah kehilangan informasi dan mendapatkan informasi antara dua clustering, Semakin besar nilai PSNR maka citra hasil segmentasi semakin mendekati citra aslinya. Penelitian menunjukkan bahwa metode segmentasi citra menggunakan KMeans dan Fuzzy C-Means cukup baik untuk melakukan segmentasi citra. Ini dapat dilihat dari rata-rata nilai Rand Index (RI) yaitu 0,9304 (jpg), 0,9299 (tif), 0,9215 (bmp), dan 0,9110 (png), rata-rata Global Consistency Error (GCE ) yaitu 0,6296 (jpg), 0,6273 (tif), 0,6135 (bmp), dan 0,6188 (png), rata-rata Variation of Information yaitu 6,4651 (jpg), 6,3788 (tif), 6,7681 (bmp), dan 5,8374 (png), dan rata-rata PSNR yaitu 5,5723 (jpg), 10,1549 (tif), 9,3122 (bmp), dan 10,6104 (png). Metode K-Means dan FCM membutuhkan waktu yang lebih singkat dalam segmentasi citra dibandingkan dengan metode FCM. Ini dapat dilihat dari rata-rata waktu yang dibutuhkan dalam segmentasi citra yaitu 1,64204 detik (jpg), 1,61673 detik (tif), 1,68986 detik (bmp), dan 1,58382 detik (png).

One of the important issues in image processing of Magnetic Resonance Imaging (MRI) was a segmentation of the image into homogeneous regions. Segmentation will change the image of a complex input into a simple image. It would be easier for observers to performed image analysis and diagnosis of the tumor. This research used algorithm K-Means and Fuzzy C-Means clustering. This algorithm take relatively less time but the results were good segmentation. Rand index (RI), a global consistency error (GCE), variation of information (VOI), and peak signal to noise ratio (PSNR) is used to determine the performance of the algorithm K-Means and Fuzzy C-Means. Rand Index (RI) showed that two clusters of data do not agree on every pair of points. Global Consistency Error (GCE) segmentation error measure takes two. Variation of Information (VOI) measures the amount of information loss and gain between the two clustering information, the greater the PSNR value of the image segmentation results closer to the original image. This research showed the result of image segmentation using the KMeans and Fuzzy C-Means is good. It can be seen from the average value of the Rand Index ( RI ) is 0,9304 ( jpg), 0,9299 (tif), 0,215 (bmp), and 0,9110 (png), average of Global Consistency Error (GCE) is 0,6296 ( jpg ), 0,6273 (tif), 0,6135 (bmp), and 0,6188 (png), average of Variation Information is 6,4651 (jpg), 6,3788 ( tif ), 6,7681 (bmp), and 5,8374 (png), and average PSNR is 5,5723 (jpg), 10,1549 (tif), 9,3122 (bmp), and 10,6104 (png). Methods K-Means and FCM requires a shorter time in image segmentation compared to the FCM method. It can be seen from the average time needed to image segmentation is 1.64204 seconds (jpg), 1.61673 seconds (tif), 1.68986 seconds (bmp), and 1.58382 seconds (png).

Kata Kunci : Segmentasi, Clustering, K-means, Fuzzy C-Means