Perbandingan Metode Median Filtering dengan CLAHE dalam Mengidentifikasi Koloni Bakteri

Ni Ketut Novia Nilasari; Yoga Divayana; Rukmi Sari Hartati

doi:10.24843/MITE.2022.v21i01.P10

Ni Ketut Novia Nilasari Universitas Udayana
Yoga Divayana Universitas Udayana
Rukmi Sari Hartati Universitas Udayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2022.v21i01.P10

Abstrak

Intisari— Penelitian di bidang mikrobiologi terutama bakteri seringkali berpatokan pada penentuan jumlah koloni atau Colony Forming Units (CFUs) yang akurat[1]. Untuk mengetahui pertumbuhan suatu bakteri dapat dilakukan dengan menghitung jumlah koloni bakteri. Hal ini biasanya dilakukan secara manual dengan metode hitung cawan. Penghitungan koloni dengan metode hitung cawan dapat dibantu dengan alat yang disebut dengan colony counter. Cara kerja alat ini adalah menandai koloni yang dihitung dengan pen yang terhubung dengan counter. Setiap koloni yang ditandai, akan terhitung secara otomatis. Namun hal ini juga bisa mengakibatkan kesalahan karena ukuran koloni yang relatif kecil dan jumlah koloni yang dihitung relatif banyak, sehingga akan muncul permasalahan yang sama dengan perhitungan koloni dengan cara manual. Teknologi pengolahan citra digital telah banyak dikembangkan untuk membuat aplikasi dalam berbagai bidang, salah satunya adalah pemanfaatan teknologi citra digital dalam bidang biologi untuk analisis citra. Sebelumnya peneliti telah melakukan penelitian serupa yang bertujuan untuk menghitung koloni bakteri dan menghasilkan akurasi sebesar 94% dan peneliti menemukan bahwa beberapa koloni tidak terdeteksi karena terfilter saat preprocessing, sehingga peneliti melakukan penelitian lebih lanjut mengenai preprocessing

Kata Kunci—Koloni, Pengolahan Citra, Preprocessing

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] E. A. Soesetyaningsih, “Akurasi Perhitungan Bakteri pada Daging Sapi Menggunakan Metode Hitung Cawan,” Berk. SAINSTEK, [S.l.], vol. 8, no. 3, pp. 75–79, 2020, [Online]. Available: https://jurnal.unej.ac.id/index.php/BST/article/view/16828 .
[2] G. A. Nai et al., “Fractal dimension analysis: A new tool for analyzing colony-forming units,” MethodsX, vol. 8, p. 101228, 2021, doi: 10.1016/j.mex.2021.101228.
[3] S. Khan, Farhan M; Gupta, Rajiv; Sekhri, “Automated Bacteria Colony Counting on Agar Plates Using Machine Learning,” J. Environ. Eng., vol. 147, no. 12, 2021, [Online]. Available: https://ascelibrary.org/doi/abs/10.1061/%28ASCE%29EE.1943-7870.0001948.
[4] T. Naets, M. Huijsmans, P. Smyth, L. Sorber, and G. de Lannoy, “A Mask R-CNN approach to counting bacterial Colony Forming Units in pharmaceutical development,” pp. 1–9, 2021, [Online]. Available: http://arxiv.org/abs/2103.05337.
[5] S. Badieyan et al., “Detection and Discrimination of Bacterial Colonies with Mueller Matrix Imaging,” Sci. Rep., vol. 8, no. 1, pp. 1–10, 2018, doi: 10.1038/s41598-018-29059-5.
[6] G. Zhu, B. Yan, M. Xing, and C. Tian, “Automated counting of bacterial colonies on agar plates based on images captured at near-infrared light,” J. Microbiol. Methods, vol. 153, pp. 66–73, 2018, doi: https://doi.org/10.1016/j.mimet.2018.09.004.
[7] N. Dupont-Bloch, “Advanced image processing,” Shoot Moon, no. February, pp. 219–240, 2016, doi: 10.1017/cbo9781316392843.009.
[8] X. Wang, T. Chen, D. Li, and S. Yu, “Processing Methods for Digital Image Data Based on the Geographic Information System,” Complexity, vol. 2021, p. 2319314, 2021, doi: 10.1155/2021/2319314.
[9] L. He, X. Ren, Q. Gao, X. Zhao, B. Yao, and Y. Chao, “The connected -component labeling problem: A review of state-of-the-art algorithms,” Pattern Recognit., vol. 70, pp. 25–43, 2017, doi: 10.1016/j.patcog.2017.04.018.
[10] P. Kaler, “Study of Grayscale image in Image processing,” Int. J. Recent Innov. Trends Comput. Commun., no. November, pp. 309–311, 2016.
[11] G. F. C. Campos, S. M. Mastelini, G. J. Aguiar, R. G. Mantovani, L. F. de Melo, and S. Barbon, “Machine learning hyperparameter selection for Contrast Limited Adaptive Histogram Equalization,” Eurasip J. Image Video Process., vol. 2019, no. 1, 2019, doi: 10.1186/s13640-019-0445-4.
[12] V. G. Rangarajan, Effectiveness of Contrast Limited Adaptive Histogram Equalization (CLAHE) on multispectral satellite imagery. 2016.
[13] J. Ma, X. Fan, S. X. Yang, X. Zhang, and X. Zhu, “Contrast Limited Adaptive Histogram Equalization-Based Fusion in YIQ and HSI Color Spaces for Underwater Image Enhancement,” Int. J. Pattern Recognit. Artif. Intell., vol. 32, no. 7, pp. 1–27, 2018, doi: 10.1142/S0218001418540186.
[14] S. Villar, S. Torcida, and G. Acosta, “Median Filtering: A New Insight,” J. Math. Imaging Vis., vol. 58, pp. 1–17, May 2017, doi: 10.1007/s10851-016-0694-0.
[15] A. Shah et al., “Comparative analysis of median filter and its variants for removal of impulse noise from gray scale images,” J. King Saud Univ. - Comput. Inf. Sci., no. xxxx, 2020, doi: 10.1016/j.jksuci.2020.03.007.
[16] Nilasari.Ni Ketut Novia, Supianto.Ahmad Afif, and Suprapto, , 2014,I dentifikasi Jumlah Koloni Bakteri dengan Metode Improved Counting Morphology. Skripsi. Program Studi Teknik Informatika.Universitas Brawijaya. Malang.
[17] A. Fadjeri, A. Setyanto, and M. P. Kurniawan, “Pengolahan Citra Digital Untuk Menghitung Ekstrasi Ciri Greenbean Kopi Robusta Dan Arabika (Studi Kasus: Kopi Temanggung),” J. Teknol. Inf. dan Komun., vol. 8, no. 1, pp. 8–13, 2020, doi: 10.30646/tikomsin.v8i1.462.
[18] A. Shah et al., “Comparative analysis of median filter and its variants for removal of impulse noise from gray scale images,” J. King Saud Univ. - Comput. Inf. Sci., no. xxxx, 2020, doi: 10.1016/j.jksuci.2020.03.007.
[19] N. L. K. Sari, M. Oktavianti, and S. Samsun, “Analisis Karakter Segmen Abnormal pada Citra Mamografi dengan Menggunakan Berbagai Metode Preprocessing Citra,” J. Ilm. Giga, vol. 22, no. 1, p. 1, 2020, doi: 10.47313/jig.v22i1.737.
[20] G. F. C. Campos, S. M. Mastelini, G. J. Aguiar, R. G. Mantovani, L. F. de Melo, and S. Barbon, “Machine learning hyperparameter selection for Contrast Limited Adaptive Histogram Equalization,” Eurasip J. Image Video Process., vol. 2019, no. 1, 2019, doi: 10.1186/s13640-019-0445-4.