LAPORAN
TUGAS AKHIR 1
Sistem Deteksi Tingkat Keparahan Penyakit
OSTEOARTHRITIS Pada Bagian Ossa Manus Menggunakan Metode Self
Organizing Mapping
Disusun
oleh :
PUTRI
KURNIASIH
064.12.004
JURUSAN
TEKNIK INFORMATIKA
FAKULTAS
TEKNOLOGI INDUSTRI
UNIVERSITAS
TRISAKTI
JAKARTA
2015
BAB I
PENDAHULUAN
1.1
Latar Belakang
Perkembangan teknologi
mengalami kemajuan yang pesat, begitu pula dengan perkembangan teknologi pada
bidang kesehatan, termasuk unit radiologi. Teknologi yang berkembang pada
bidang radiologi saat ini mulai ber basiskan komputerisasi, atau dikenal
sebagai teknik radiografi digital.
Aplikasi Sistem Deteksi
Tingkat Keparahan Penyakit OSTEOARTHRITIS Pada Bagian sendi pergelangan tangan
Menggunakan Metode Self Organizing Mapping merupakan system deteksi yang
bertujuan untuk melihat keparahan penyakit arthiritis yang kini penyakit paling
besar jumlahnya di Indonesia dan menyerang di segala umur. Sistem deteks ini
menggunakan pengolahan citra pada sinar X-Ray.
Namun penderita
Osteoarthritis (OA) penduduk di Indonesia pada tahun 2004 adalah 60.000.000
pada tahun 2007. Yang paling banyak digunakan metode untuk menilai status sendi
OA adalah X-ray, magnetic resonance imaging (MRI) dan Artroskopi. Beberapa
kasus diukur dengan osteo-CT. Secara umum, dokter Indonesia yang akrab
menggunakan pencitraan X-ray atau MRI.
1.2 Rumusaan Masalah
Berdasarkan latar
belakang yang telah di paparkan di atas maka permasalahan yang muncul adalah :
1.
Bagaimana mendapatkan data
Osteoarthiritis ?
2.
Bagaimana mengklasifikasi Osteoartritis
berdasarkan pada citra x-ray ?
3.
Mengapa menggunakan metode SOM ?
4.
Bagaimana model citra x-ray dan
bagaimana bentuk posisi koordinat pada bidang citra x-ray ?
5.
Bagaimana perbaikan kontras pada citra
X-Ray ?
1.3 Batasan Masalah
Penulisan dan
pembahasan tugas akhir ini memiliki batasan-batasan masalah sebagai berikut:
1.
Hanya mengimplementasi gambar pada citra
x-ray pada penderita penyakit Osteoarthritis pada Minus ( pada telapak tangan
).
2.
Hanya akan difokuskan pada Korelasi
Antara Indeks Massa Tubuh (IMT) Dengan Terjadinya Osteoartritis (OA) Sendi
pergelangan Tangan.
3.
Sistem informasi ini hanya menampilkan
Histogram Tingkat Keabuan.
4.
Sistem informasi ini hanya menampilkan
Interaksi Sinar-X dengan Bahan.
1.4 Tujuan
Tujuan dari tugas akhir
ini adalah :
1.
Mengetahui bagaimana tingkat keparahan
osteoartritis dengan menggunakan Self Organizing Map (SOM).
2.
Mengetahui jalan Cerita dari kecerdasan
buatan pada metode Self Organizing Mapping ( SOM ).
3.
Mengetahui Alasan menggunakan Self Orgaizing
Mapping (SOM).
4.
untuk mengetahui 3 (tiga) komponen utama
dalam pencitraan, yaitu Gelombang pengindera (sensing waves), benda (object),
dan alat pengindera (sensor).
5.
untuk mengetahui model citra x-ray dan
untuk mengetahui posisi koordinat pada bidang citra x-ray.
1.5 Metodologi
Penelitian
Metodologi yang
digunakan dalam penelitian ini yaitu metodologi SOM ( Self Organizing Maps ).
SOM merupakan salah satu bentuk topologi
dari Artificial Neural Network (ANN). Kohonen SOM telah banyak
dimanfaatkan untuk pengenalan pola baik berupa citra maupun suara.
Metode ini terdiri dari
beberapa langkah, yaitu:
1.
Studi Pustaka
Pengumpulan kebutuhan dan studi pustaka
Pada tahap ini dilakukan pengumpulan
data dan bahan.
2.
Analisa
Pada tahap ini penulis melakukan
analisa seperti apa kebutuhan minimal sistem yang
dibutuhkan dan kebutuhan pendukung
lainnya.
3.
Desain
Pada tahap ini penulis mendesain
tampilan dan cara kerja aplikasi yang akan dibuat.
4.
Implementasi
Pada tahap ini desain yang telah dibuat
diimplentasikan ke dalam bentuk perangkat lunak.
5.
Uji Coba
Pada tahap ini aplikasi akan diuji
dan dianalisa apakah telah berjalan sesuai dengan
parameter yang telah ditentukan
dengan parameter yang telah ditentukan.
BABI
PENDAHULUAN
Bab ini
berisi latar belakang, perumusan masalah,maksud dan tujuan, batasan masalah,
metodologi penelitian, serta sistematika penulisan tugas akhir.
BAB II
LANDASAN TEORI
Bab ini
berisi pembahasan mengenai landasan teori yang berhasil dihimpun dan menjadi
acuan penulis dalam penulisan tugas akhir.
BAB III ANALISA DAN DESAIN
Bab ini
membahas tentang desain aplikasi berbasis Android dengan metode SOM. Perancangan sistem menghasilkan beberapa diagram antara
lain Use Case Diagram, Sequence Diagram dan
Class Diagram. Perancangan tugas
akhir ini menggunakan metode waterfall.
BAB IV
IMPLEMENTASI DAN UJI COBA
Bab ini
membahas implementasi aplikasi Tugas Akhir
Online yang dibuat.
BAB V
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan yang didapat dari seluruh
tahapan penelitian dan saran yang diharapkan dapat berguna dalam pengembangan
penelitian selanjutnya
2.1 Anatomi Ossa Manus
Tulang
pada bagian sendi pergelangan hingga jari-jari tangan ( Ossa Manus ) merupakan
salah satu daerah yang dapat dijadikan gambaran kondisi ada atau tidaknya
tanda-tanda penyakit osteoporosis, karena seringkali rasa nyeri dan
pembengkakan yang terjadi pada tangan terletak pada sekitar daerah tersebut.
Gambar 2.1 Struktur
Rangka Ossa Manus
2.2 Pengenalan
Penyakit OSTEOARTHIRITIS
Arthritis
adalah istilah umum untuk peradangan (inflamasi) dan pembengkakan di daerah
persendian. Terdapat lebih dari 100 macam penyakit yang mempengaruhi daerah
sekitar sendi. Yang paling banyak adalah Osteoarthritis (OA), arthritis gout (pirai),
arthritis rheumatoid (AR), dan fibromialgia. Gejala klinis yang sering adalah
rasa sakit, ngilu, kaku, atau bengkak di sekitar sendi.
Osteoartitis
(OA) merupakan penyakit sendi degeneratif, dimana keseluruhan struktur dari
sendi mengalami perubahan patologis. Ditandai dengan kerusakan tulang rawan
(kartilago) hyalin sendi, meningkatnya ketebalan serta sklerosis dari lempeng
tulang, pertumbuhan osteofit pada tepian sendi, meregangnya kapsula sendi,
timbulnya peradangan, dan melemahnya otot–otot yang menghubungkan sendi.
(Felson, 2008)
Gambar 1.1
Osteoarthiritis
Berdasarkan penyebabnya, OA dibedakan
menjadi dua yaitu OA primer dan OA sekunder. OA primer, atau dapat disebut OA
idiopatik, tidak memiliki penyebab yang pasti ( tidak diketahui ) dan tidak
disebabkan oleh penyakit sistemik maupun proses perubahan lokal pada sendi. OA
sekunder, berbeda dengan OA primer, merupakan OA yang disebabkan oleh
inflamasi, kelainan sistem endokrin, metabolik, pertumbuhan, faktor keturunan
(herediter), dan immobilisasi yang terlalu lama. Kasus OA primer lebih sering
dijumpai pada praktik sehari-hari dibandingkan dengan OA sekunder ( Soeroso,
2006 ).
Mekanisme
pertahanan sendi diperankan oleh pelindung sendi yaitu : Kapsula dan ligamen
sendi, otot-otot, saraf sensori aferen dan tulang di dasarnya . Kapsula dan
ligamen-ligamen sendi memberikan batasan pada rentang gerak (Range of motion)
sendi (Felson, 2008).
Pada umumnya,
pasien OA mengatakan bahwa keluhan-keluhan yang dirasakannya telah berlangsung
lama, tetapi berkembang secara perlahan Berikut adalah keluhan yang dapat
dijumpai pada pasien OA :
a. Nyeri
sendi Keluhan ini merupakan keluhan utama pasien.
Nyeri
biasanya bertambah dengan gerakan dan sedikit berkurang dengan istirahat.
Beberapa gerakan dan tertentu terkadang dapat menimbulkan rasa nyeri yang
melebihi gerakan lain. Perubahan ini dapat ditemukan meski OA masih tergolong
dini ( secara radiologis ). Umumnya bertambah berat dengan semakin beratnya
penyakit sampai sendi hanya bias digoyangkan dan menjadi kontraktur, Hambatan
gerak dapat konsentris ( seluruh arah gerakan ) maupun eksentris ( salah satu
arah gerakan saja ) ( Soeroso, 2006 ).. Kartilago tidak mengandung serabut
saraf dan kehilangan kartilago pada sendi tidak diikuti dengan timbulnya nyeri.
Sehingga dapat diasumsikan bahwa nyeri yang timbul pada OA berasal dari luar kartilago.
(Felson, 2008).
b.
Hambatan
gerakan sendi Gangguan ini biasanya semakin bertambah berat secara perlahan
sejalan dengan pertambahan rasa nyeri ( Soeroso, 2006 ).
c.
Pembesaran
sendi ( deformitas ) Sendi yang terkena secara perlahan dapat membesar (
Soeroso, 2006 ).
d.
Pembengkakan
sendi yang asimetris Pembengkakan sendi dapat timbul dikarenakan terjadi efusi
pada sendi yang biasanya tidak banyak ( < 100 cc ) atau karena adanya osteofit,
sehingga bentuk permukaan sendi berubah ( Soeroso, 2006 ).
e.
Tanda
– tanda peradangan. Tanda – tanda adanya peradangan pada sendi ( nyeri tekan,
gangguan gerak, rasa hangat yang merata, dan warna kemerahan ) dapat dijumpai
pada OA karena adanya synovitis. Biasanya tanda – tanda ini tidak menonjol dan
timbul pada perkembangan penyakit yang lebih jauh. Gejala ini sering dijumpai
pada OA lutut ( Soeroso, 2006 ). h. Perubahan gaya berjalan Gejala ini
merupakan gejala yang menyusahkan pasien dan merupakan ancaman yang besar untuk
kemandirian pasien OA, terlebih pada pasien lanjut usia. Keadaan ini selalu
berhubungan dengan nyeri karena menjadi tumpuan berat badan terutama pada OA
lutut ( Soeroso, 2006 ).
2.3
Self Organizing maps
SOM ( Self Organizing Maps
) merupakan jenis pembelajaran neural
network tanpa pengawas (Kohonen,1982,1990,1995; Kohonen, Oja, et al, 1996). Beradaptasi
dengan set pelatihan SOM membentuknya output dengan sendirinya. SOM dasar
terdiri dari neuron M terletak pada biasa rendah dimensi kisi, biasanya 1 atau
2 dimensi. Kisi dimensi lebih tinggi yang mungkin, tetapi mereka tidak umumnya
digunakan sejak visualisasi mereka bermasalah. Kisi biasanya baik
heksagonal atau persegi panjang. Arsitektur
dari SOM terdiri dari 3 bagian, yang meliputi masukan, lapis tersembunyi, dan
keluaran
Gambar
2.2 Arsitektur skema Self Organizing
Maps.
Bola abu-abu membentuk
lapisan masukan, dan yang coklat membentuk lapisan output. Panah menghubungkan input
dan output lapisan koneksi dengan bobot sendiri.(Shumsky,1998).
Hal ini terkenal
(Kohonen (1995)) yang SOM melakukan dua jenis kompresi data:
·
pengurangan o dimensi
data dengan minimal kehilangan informasi. (Jaringan saraf ini dapat output
tunggal set karakteristik yang independen);
·
Pengurangan o dari
berbagai data karena terminal prototipe komposisi pemisahan. (Clustering dan
kuantisasi data set);
2.3.1 Algoritma Self Organizing Maps
Self-Organizing
algoritma Maps dapat dipecah menjadi 6 langkah [Buck03] :
.
1. Bobot masing-masing node diinisialisasi.
2. Vektor A dipilih secara acak dari set data
pelatihan dan disajikan ke jaringan.
3. Setiap simpul dalam jaringan diperiksa untuk
menghitung bobot yang yang 'yang paling suka vektor input. Node menang umumnya
dikenal sebagai Terbaik Matching Unit (BMU). (Persamaan 1).
4. Radius lingkungan dari BMU dihitung. Nilai ini
dimulai besar. Biasanya sudah diatur untuk menjadi radius jaringan, mengurangi
setiap waktu-langkah. (Persamaan 2a, 2b).
5. Setiap node ditemukan dalam radius BMU, dihitung
dalam 4 yang disesuaikan untuk membuat mereka lebih seperti vektor input
(Persamaan 3a, 3b). Itu lebih dekat node adalah dengan BMU, semakin nya 'bobot
yang diubah (Persamaan 3c).
6. Ulangi 2) untuk N iterasi.
Persamaan dimanfaatkan
oleh algoritma adalah sebagai berikut:
Ada
beberapa hal yang perlu diperhatikan tentang formula ini. Persamaan 1 hanya rumus
jarak euclidean, kuadrat. Hal ini squared karena kita tidak prihatin dengan
jarak numerik yang sebenarnya dari input. Beberapa semacam skala seragam untuk membandingkan
setiap node dengan vektor input. Ini persamaan menyatakan bahwa,menghilangkan
kebutuhan untuk komputasi mahal operasi akar kuadrat untuk setiap node dalam
jaringan. Persamaan 2a dan 3b memanfaatkan peluruhan eksponensial. Pada t = 0
mereka di max mereka. Sebagai t (jumlah iterasi saat) meningkat, mereka
mendekati nol. Ini adalah persis apa yang kita inginkan. Dalam 2a, jari-jari
harus mulai keluar sebagai radius kisi, dan pendekatan nol, pada saat jari-jari
hanya node BMU (lihat Gambar 4). Persamaan 2b hampir sewenang-wenang. Setiap nilai konstan dapat dipilih. Ini memberikan
nilai yang baik, meskipun, karena tergantung langsung pada ukuran peta dan untuk
melakukan jumlah iterasi tersebut.
Persamaan
3a adalah fungsi pembelajaran utama. W
(t + 1) adalah baru, 'berpendidikan', nilai bobot dari node yang diberikan.
Seiring waktu, persamaan ini pada dasarnya membuat diberikan simpul berat lebih
seperti vektor input yang dipilih saat ini, I. Sebuah simpul yang sangat
berbeda dari vektor input saat akan belajar lebih dari sebuah node sangat mirip
dengan vektor input saat ini. Perbedaan antara berat badan dan simpul vektor
input kemudian skala oleh tingkat pembelajaran saat ini SOM, dan oleh Θ (t).
2.4 Pengolahan Citra Digital
Citra Digital
Citra digital dihasilkan melalui proses digitalisasi sehingga mampu
menghasilkan citra digital, misalnya CT-Scan (Computer Tomographic Scan), USG
(Ultra Sound Grapic), Mammography, kamera digital, scanner, dll. Citra digital
disebut juga citra diskrit. Citra digital merupakan citra yang telah disimpan
dalam bentuk file sehingga dapat diolah dengan menggunakan komputer. Citra
digital merupakan suatu larik dua dimensi atau suatu matriks yang
elemen-elemennya menyatakan tingkat keabuan dari elemen gambar. Jadi informasi
yang terkandung bersifat diskrit. Citra digital tidak selalu merupakan hasil
langsung data rekaman suatu sistem. Kadang-kadang hasil rekaman data bersifat
kontinu seperti gambar pada monitor televisi, foto sinar-X, dan lain sebagainya.
Dengan
demikian untuk mendapatkan suatu citra digital diperlukan suatu proses
konversi, sehingga citra tersebut selanjutnya dapat diproses dengan komputer.
Komputer digital yang umum dipakai saat ini hanya dapat mengolah citra digital.
Citra digital mengandung sejumlah elemen-elemen dasar. Elemen-elemen dasar
dalam citra digital adalah : (Rinaldi,2004)
·
Kecerahan (brightness)
Kecerahan
disebut juga intensitas cahaya. Kecerahan pada sebuah titik (piksel) di dalam
citra bukanlah intensitas yang riil, tetapi sebenarnya adalah intensitas
rata-rata dari suatu area yang melingkupinya.
·
Kontras (contrast)
Kontras
menyatakan sebaran terang (lightness) dan gelap (darkness) di dalam sebuah
gambar. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi
citranya adalah terang atau sebagian besar gelap. Pada citra dengan kontras
yang baik, komposisi gelap dan terang tersebar secara merata.
·
Kontur (contour)
Kontur
adalah keadaan yang ditimbulkan oleh perubahan intensitas pada pikselpiksel yang
bertetangga. Karena adanya perubahan intensitas mata manusia dapat mendeteksi
tepi-tepi (edge) objek di dalam citra
·
Warna (colour)
Warna
adalah persepsi yang dirasakan oleh system visual manusia terhadap panjang
gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang
gelombang (λ). Warna-warna yang diterima oleh mata merupakan hasil kombinasi
cahaya dengan panjang gelombang berbeda. Kombinasi warna yang memberikan
rentang warna yang paling lebar adalah red (R) merah, green (G) hijau, blue (B)
biru.
·
Bentuk (shape) Shape adalah
property intrinsic dari objek tiga dimensi, dengan pengertian bahwa shape
merupakan property intrinsic utama untuk sistem visual manusia. Pada umumnya
citra yang dibentuk oleh mata merupakan citra dwimatra (2 dimensi), sedangkan
objek yang dilihat umumnya berbentuk trimatra (3 dimensi). Informasi bentuk
objek dapat diekstraksi dari citra pada permulaan prapengolahan dan segmentasi
citra.
·
Tekstur (texture)
Tekstur
diartikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan
piksel-piksel yang bertetangga. Jadi tekstur tidak dapat didefinisikan untuk
sebuah piksel. Sistem visual manusia menerima informasi citra sebagai suatu
kesatuan.
Resolusi
citra yang diamati ditentukan oleh skala pada mana tekstur tersebut dipersepsi.
2.5 Perbaikan Kualitas Citra
Perbaikan
kualitas citra (image enhancement) merupakan salah satu proses awal dalam
pengolahan citra (image processing). Perbaikan kualitas diperlukan karena
sering kali citra yang dijadikan objek pembahasan mempunyai kualitas yang
buruk, misalnya citra mengalami derau (noise) pada saat pengiriman melalui
saluran transmisi, citra terlalu terang/gelap, citra kurang tajam, kabur dan
sebagainya. Melalui operasi pemrosesan awal inilah kualitas citra diperbaiki
sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misalnya untuk
aplikasi pengenalan (recognition) objek di dalam citra. (Rinaldi,2004)
Proses-proses
yang termasuk ke dalam perbaikan kualitas citra : (Rinaldi,2004)
1.
Pengubahan kecerahan gambar (image brightness)
2.
Peregangan kontras (contrast strerching)
3.
Pengubahan histogram
4
Pelembutan citra (image smoothing)
5.
Penajaman (sharpening) tepi (edge)
6.
Pewarnaan semu (pseudocolouring)
2.6
Use case diagram
Sebuah model use case menunjukkan
pandangan sistem dari perspektif pengguna, sehingga menggambarkan apa yang
sistem lakukan tanpa menjelaskan bagaimana sistem melakukannya (Kendall &
Kendall, 2011).
Use case diagram menjelaskan manfaat
sistem jika dilihat menurut pandangan
orang yang berada di luar sistem (actor). Diagram ini menunjukkan fungsionalitas
suatu sistem dan bagaimana sistem berinteraksi dengan dunia luar. Use case
diagram dapat digunakan selama proses analisis untuk menangkap requirements
sistem dan untuk memahami bagaimana sistem seharusnya bekerja.
Simbol-simbol use
case diagram :
1.
Actor
Actor dalam use case
diagram berfungsi untuk menggambarkan orang atau sesuatu yang berinteraksi dengan
sistem. Actor merepresentasikan
peranan user (manusia, device, atau
sistem lain) yang terlibat dalam sistem tersebut. Kriteria yang harus dimiliki actor adalah harus merupakan bagian
eksternal dari sistem dan memberi stimulasi pada fungsionalitas sistem. Actor diletakkan di luar batas sistem. Actor dinotasikan seperti gambar di
bawah ini :
2.
Use
case
Use case menggambarkan tindakan (action) atau interaksi antara actor
dan sistem. Secara umum, use case
adalah Pola perilaku software aplikasi. Urutan transaksi yang berhubungan yang
dilakukan oleh actor dengan software aplikasi. Use case tidak digunakan untuk menggambarkan sistem secara detail. Use case digunakan untuk menggambarkan
apa yang ada di dalam sistem, bukan bagaimana sistem di desain atau dibangun.
Use case dibuat berdasarkan keperluan actor. Setiap use case
harus diberi nama yang menyatakan hal yang dicapai dari hasil interaksinya
dengan actor. Nama use case boleh terdiri dari beberapa
kata dan tidak boleh ada dua use case
yang memiliki nama yang sama. Use case
digambarkan dengan simbol elips seperti gambar di bawah ini :

3.
Association
relationship
Association
relationship merupakan jalur
komunikasi antara actor dan use case. Association relationship
memiliki stereotype “include”, “extend” dan “generalization” relationship.
Association relationship dinotasikan seperti gambar di bawah ini :
Gambar
2.6‑3
Association relationship
4.
Include
relationship
Include
relationship menggambarkan bahwa
suatu use case seluruhnya meliputi
fungsionalitas dari use case lainnya.
Include relationship dinotasikan
seperti :
Gambar
2.6‑4Include
relationship
5.
Extend
relationship
Extend relationship menggambarkan bahwa suatu use case merupakan tambahan fungsionalitas dari use case yang lain jika kondisi atau
syarat tertentu dipenuhi. Extend
relationship dinotasikan seperti gambar di bawah ini :
Gambar
2.6‑5
Extend relationship
6.
Generalization
relationship
Generalization relationship merupakan
relationship antara use case yang lebih umum dengan use case yang mewarisi sifat dari use case umum dan menambah behavior. Generalization relationship dinotasikan seperti gambar di bawah
ini :
Gambar
2.6‑6
Generalization relationship
Analisis
kebutuhan pada pengembangan system deteksi penyakit Osteoarthiritis pada bagian
Manus dengan menggunakan metode SOM online ini di buat berdasarkan hasil
analisa terhadap data berupa
gambar diagram Use-Case sistem deteksi
penyakit Osteoarthiritis pada bagian Manus dan gambar diagram alir perangkat
lunak.
DAFTAR PUSTAKA
Kendall, K. E., & Kendall, J.
E. (2011). SYSTEM ANALYSIS AND DESIGN. New Jersey: Prentice Hall.
Ariyanto.(2010).STUDI KORELASI ANTARA INDEKS MASSA
TUBUH (IMT)
DENGAN TERJADINYA
OSTEOARTRITIS (OA) SENDI LUTUT, Diploma IV Fisioterapi Universitas Muhammadiyah
Surakarta.
Soeroso S, Isbagio H,
Kalim H, Broto R, Pramudiyo R. Osteoartritis. In: Sudoyo AW,
Setiyohadi
B, Alwi I, Simadibrata M, Setiati S, editors. Buku Ajar Ilmu Penyakit Dalam Jilid II Edisi IV. Jakarta:Fakultas Kedokteran
Universitas Indonesia;2006.p.1195-1201.
Felson,
D.T., 2008. Osteoarthritis. Dalam : Fauci, A., Hauser, L.S., Jameson, J.L., Ed.
HARRISON's Principles of Internal
Medicine Seventeenth Edition. New York,
United States of America. McGraw-Hill
Companies Inc. : 2158-2165
Felson, D.T., 2006.
Osteoarthritis of the knee. Massachusetts Medical Society. Didapat
dari
: http://content.nejm.org/cgi/content/short/354/8/841. [diakses pada tanggal 12
Maret 2010]
Rinaldi Munir, Pengolahan CITRA DIGITAL dengan
Pendekatan Algoritmik, Penerbit
INFORMATIKA, Bandung, 2004.
Aniarti
Murni, Pengantar Pengolahan Citra, Elex Media Komputindo, Jakarta, 1992.
Jain,
Anil, Fundamentals of Digital Image Processing, Prentice-Hall International,
1995.
Jain, Ramesh, Machine Vision, McGraw-ill, 1995.