Tugas praktik capstone: Pipeline OPG — dari citra ke insight klinis (Streamlit)
Pengolahan Citra Digital (PCD) — integrasi materi PPP semester
Petunjuk umum
Ini adalah praktikum capstone yang merangkai seluruh topik Pengolahan Citra Digital sesuai RPS/PPP MK PCD. Anda membangun mini aplikasi Streamlit untuk mengeksplorasi orthopantomogram (OPG) — radiograf panoramik gigi — seperti contoh berikut:

PCD/radigraphs/12052026_133040.pngFilosofi sesi: Anda boleh dan didorong memakai AI (ChatGPT, Claude, Cursor, dll.) untuk menulis kode, UI, dan dokumentasi. Yang dinilai bukan kecepatan copy-paste, melainkan:
- apakah Anda memahami setiap tahap pipeline;
- apakah Journal Keputusan menunjukkan trade-off parameter yang disadari;
- apakah Anda bisa mempertahankan pilihan algoritma saat audit;
- apakah aplikasi jujur tentang batasan (bukan pseudo-diagnosis).
Peringatan etis: Aplikasi ini hanya untuk pembelajaran PCD, bukan alat diagnosis klinis. Semua keluaran harus dilabeli “hasil edukatif — bukan rekomendasi medis”.
Rujukan teori (modul di repo):
| Minggu PPP | Topik | Modul |
|---|---|---|
| 3–4 | Operasi titik, histogram, transformasi intensitas | Ketetanggaan & filter lokal |
| 5–7 | Filter spasial linear & non-linear | Ketetanggaan piksel |
| 9 | Morfologi biner | Morfologi biner (teori) |
| 10–11 | Deteksi tepi & Canny | Deteksi tepi (teori), Morfologi & fitur spasial |
| 12 | Threshold global & Otsu | Segmentasi threshold (teori) |
| 13 | Segmentasi warna & GLCM | Segmentasi warna & GLCM (teori) |
| 14 | Ekstraksi ciri | Ekstraksi ciri (teori) |
| 15 | Pengenalan pola & pipeline CV | Pengenalan pola & CV (teori) |
Lingkungan: Python 3, numpy, scipy, matplotlib, opencv-python, scikit-image, streamlit, pandas.
Artefak pengumpulan: repo/folder berisi app_opg_pipeline.py, README.md (cara jalan + disclaimer), Journal Keputusan (Markdown), screenshot ≥ 3 tahap pipeline, unggah ke GitHub / LMS.
Apa yang harus Anda bangun?
Satu aplikasi Streamlit multi-tab yang memproses OPG dari citra mentah hingga ringkasan objek (mis. jumlah komponen gigi tersegmentasi, area, lokasi). Minimal 5 tab berikut:
| Tab | Tahap pipeline | Konsep PPP |
|---|---|---|
| 1 — Citra & histogram | Muat OPG, slider kecerahan/kontras, histogram, CLAHE opsional | Minggu 3–4 |
| 2 — Restorasi | Gaussian / median denoise; bandingkan sebelum–sesudah | Minggu 5–7 |
| 3 — Segmentasi | Otsu + histogram + \(T\); opsional adaptive jika iluminasi tidak seragam | Minggu 12 |
| 4 — Morfologi & labeling | Opening/closing, connectedComponents, overlay warna per label |
Minggu 9, 11–12 |
| 5 — Ciri & ringkasan | Tabel per objek: label, area, centroid, kompakitas; opsional Sobel/Canny pada ROI | Minggu 10–11, 14–15 |
Tab bonus (opsional, poin plus): pseudo-color overlay (Minggu 4), fitur GLCM pada ROI mahkota gigi (Minggu 13), atau perbandingan singkat dengan detektor modern (YOLO) plus penjelasan mengapa pipeline klasik tetap relevan (Minggu 15).
Alur kerja (eksplorasi ±2–3 sesi)
Anda bebas membagi waktu; urutan di bawah mencegah “langsunng segmentasi tanpa pikir”.
| Tahap | Fokus Anda | Output |
|---|---|---|
| 0 — Observasi klinis | Amati OPG: enamel, tulang, sinus, gigi impaksi | Catatan 5 observasi anatomi |
| 1 — Skeleton app | Prompt AI → kerangka Streamlit multi-tab | app_opg_pipeline.py jalan |
| 2 — Eksplorasi per tab | Geser slider; isi Journal Keputusan | ≥ 1 baris journal per tab |
| 3 — Integrasi | Pastikan output tab \(n\) jadi input tab \(n+1\) | Pipeline end-to-end |
| 4 — Red team | Sengaja rusak parameter; jelaskan kegagalan | Bagian “Apa yang bisa salah?” |
| 5 — Audit & submit | Demo + pertanyaan kritis | Push repo |
Identitas (README / Markdown pertama)
- Nama, NIM, kelas
- Tanggal
- AI tools yang dipakai (jujur)
- Versi paket utama
- Sumber citra OPG (default:
radigraphs/12052026_133040.pngdari repo kelas)
Persiapan
Paket
pip install numpy scipy matplotlib opencv-python scikit-image streamlit pandasCitra uji
Salin PCD/radigraphs/12052026_133040.png ke folder proyek Anda, atau unggah via Streamlit. OPG memiliki:
- Enamel sangat radiopak (terang), tulang alveolar abu-abu, ruang udara gelap
- Overlap gigi posterior rahang atas–bawah
- Noise butiran pada area tulang
- Gigi impaksi (mis. molar ketiga) di sisi kiri/kanan
Ini sengaja menantang untuk threshold dan morfologi — jangan expect segmentasi sempurna; yang dinilai adalah analisis kegagalan.
Menjalankan aplikasi
streamlit run app_opg_pipeline.pyBagian A — Observasi sebelum coding (wajib, ±30 menit)
Tanpa AI dulu, buka citra OPG dan jawab:
- Struktur terang mana yang ingin Anda segmentasi sebagai “gigi”?
- Di mana kontras lemah antara gigi dan tulang?
- Apakah satu threshold global cukup untuk seluruh OPG lebar ini? Mengapa?
- Apa risiko menghitung jumlah objek = jumlah gigi?
- Satu pertanyaan yang ingin Anda jawab dengan pipeline (bukan “deteksi karies” — itu butuh data dan validasi klinis).
Simpan sebagai observasi_opg.md.
Bagian B — Bangun aplikasi Streamlit (eksplorasi + AI)
B.1 Prompt awal (contoh — sesuaikan)
Buat aplikasi Streamlit multi-tab untuk pipeline pengolahan citra OPG dental. Tab 1: upload citra, slider brightness/contrast, histogram, CLAHE. Tab 2: Gaussian dan median denoise. Tab 3: Otsu threshold dengan garis T di histogram. Tab 4: morfologi opening/closing dan connected components dengan overlay warna. Tab 5: tabel pandas area, centroid, kompakitas per label. Gunakan OpenCV dan scikit-image. Sertakan disclaimer edukatif. Default citra:
12052026_133040.png.
B.2 Fitur wajib per tab
Tab 1 — Citra & histogram
Tab 2 — Restorasi
Tab 3 — Segmentasi
Tab 4 — Morfologi & labeling
Tab 5 — Ciri & ringkasan
B.3 Kerangka kode (kembangkan dengan AI)
"""Capstone OPG — kerangka pipeline Streamlit PCD."""
from pathlib import Path
import cv2
import numpy as np
import pandas as pd
import streamlit as st
DEFAULT_OPG = Path("12052026_133040.png")
@st.cache_data
def load_gray(source) -> np.ndarray:
if source is None:
if not DEFAULT_OPG.exists():
raise FileNotFoundError("Letakkan 12052026_133040.png di folder app.")
return cv2.imread(str(DEFAULT_OPG), cv2.IMREAD_GRAYSCALE)
buf = np.frombuffer(source.read(), np.uint8)
return cv2.imdecode(buf, cv2.IMREAD_GRAYSCALE)
def adjust_bc(img: np.ndarray, alpha: float, beta: float) -> np.ndarray:
return np.clip(alpha * img.astype(np.float64) + beta, 0, 255).astype(np.uint8)
def otsu_mask(img: np.ndarray) -> tuple[np.ndarray, int]:
T, m = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
return (m > 0).astype(np.uint8), int(T)
def compactness(area: float, perimeter: float) -> float:
if perimeter <= 0:
return 0.0
return float(4 * np.pi * area / (perimeter**2))
st.set_page_config(page_title="PCD Capstone — OPG Pipeline", layout="wide")
st.title("Pipeline OPG — Pengolahan Citra Digital")
st.warning("Hasil edukatif — bukan diagnosis medis.")
uploaded = st.sidebar.file_uploader("Unggah OPG", type=["png", "jpg", "tif"])
try:
gray0 = load_gray(uploaded)
except FileNotFoundError as e:
st.error(str(e))
st.stop()
tab1, tab2, tab3, tab4, tab5 = st.tabs(
["1 Histogram", "2 Restorasi", "3 Segmentasi", "4 Morfologi", "5 Ciri"]
)
# --- Tab 1: lengkapi slider, CLAHE, histogram matplotlib ---
with tab1:
st.image(gray0, caption="OPG asli", use_container_width=True)
# TODO: alpha, beta, CLAHE, histogram
# --- Tab 2: Gaussian / median ---
with tab2:
st.info("TODO: denoise + perbandingan")
# --- Tab 3: Otsu + overlay ---
with tab3:
st.info("TODO: segmentasi dari output tab 1/2")
# --- Tab 4: morfologi + connected components ---
with tab4:
st.info("TODO: opening/closing, label, filter area")
# --- Tab 5: tabel ciri ---
with tab5:
st.info("TODO: DataFrame area, centroid, kompakitas")B.4 Setelah AI generate — checklist audit mandiri
Sebelum lanjut eksplorasi, verifikasi sendiri (jangan skip):
| Pertanyaan kritis | ✓ |
|---|---|
| Apakah citra dibaca grayscale, bukan channel BGR mentah? | |
| Apakah \(T\) Otsu berubah saat CLAHE/blur digeser? | |
| Apakah opening menghapus noise kecil tanpa menghilangkan mahkota gigi? | |
| Apakah jumlah label masuk akal (bukan otomatis = 32 gigi)? | |
| Apakah ada filter area minimum agar titik noise tidak jadi “gigi”? |
Jika ada “tidak”, perbaiki dulu — ini bukti pemahaman, bukan bug hunt kosong.
Bagian C — Journal Keputusan (inti penilaian)
Isi journal_keputusan.md — minimal satu baris per tab + satu baris integrasi:
| Tab | Parameter kunci | Observasi | Keputusan Anda | Mengapa (kait teori) |
|---|---|---|---|---|
| 1 | CLAHE clip=2.0, tile=8 | Akar lebih kontras | Pakai CLAHE sebelum Otsu | Histogram lebih bimodal di ROI posterior |
| 2 | median k=3 | Noise tulang berkurang | Median, bukan Gaussian besar | Salt-and-pepper pada radiograf [Minggu 7] |
| 3 | Otsu setelah CLAHE, \(T=142\) | Overlap rahang masih gabung | Terima; morfologi lanjut | Global gagal sebagian pada OPG lebar [Minggu 12] |
| 4 | opening 3×3, area > 800 px | 41 komponen → 28 | Filter area min | Menghapus speckle; overlap tetap ada |
| 5 | — | 28 ≠ jumlah gigi sebenarnya | Tampilkan tabel, bukan diagnosa | Connected components ≠ anatomi gigi |
Contoh gaya analisis (tulis ulang dengan data Anda):
Tab 3: \(T=142\) setelah CLAHE. Mahkota gigi anterior terang masuk foreground, tetapi regio molar bawah kanan masih menyatu karena overlap proyeksi OPG — ini batasan geometri, bukan sekadar salah \(T\).
Bagian D — Red team: sengaja gagal (±20 menit)
Pilih dua eksperimen “sengaja buruk” dan dokumentasikan:
- CLAHE clipLimit terlalu tinggi → apa yang terjadi pada noise tulang?
- Opening kernel terlalu besar → bagian gigi mana yang hilang?
- Tanpa filter area minimum → berapa “gigi” fiktif terhitung?
- Otsu pada citra asli tanpa pra-proses vs setelah restorasi — bandingkan \(T\) dan mask.
Tulis red_team.md (±½ halaman): “Jika dokter gigi memakai app saya apa adanya, apa yang paling berbahaya?” — jawab jujur.
Bagian E — Sesi audit (pertahanan)
Anda dapat dipanggil demo satu tab + menjawab pertanyaan. Jawab dari journal Anda, bukan chatbot.
Pertanyaan kritis (pipeline lengkap)
Fondasi & restorasi
- Mengapa OPG disimpan grayscale, bukan RGB? Kapan pseudo-color membantu interpretasi ([Minggu 4])?
- Filter linear vs median: mana yang Anda pilih untuk noise radiograf dan mengapa?
Segmentasi & morfologi
- Tunjuk histogram saat \(T\) Otsu = … — di mana lembah antara enamel dan latar?
- Mengapa opening sebelum
connectedComponents? Operasi morfologi apa untuk menutup lubang kecil di mask (PCD 09)?
- Apakah satu \(T\) global adil untuk sisi kiri dan kanan OPG yang pencahayaannya beda?
Ciri & pengenalan pola
- Apa arti kompakitas rendah pada objek tersegmentasi di OPG?
- Mengapa menghitung label = menghitung gigi adalah kesalahan logika?
- Sebut satu fitur dari PCD 14 yang tidak relevan untuk OPG grayscale.
AI & etika
- Baris kode mana yang Anda ubah setelah AI generate?
- Mengapa YOLO (Minggu 15) tidak menggantikan pemahaman pipeline tahap demi tahap?
Bagian F — Refleksi capstone
Jawab 3–5 kalimat per poin di refleksi.md:
- Gambar diagram alur pipeline Anda (boleh Mermaid): dari OPG mentah → keputusan edukatif.
- Tahap paling sensitif terhadap parameter — segmentasi, morfologi, atau labeling?
- Satu konsep dari Minggu 12 (Otsu) dan Minggu 9 (morfologi) yang paling terasa nyata pada OPG.
- Jika diberi waktu + dataset berlabel, langkah validasi apa sebelum app boleh mendekati klinis?
flowchart LR
A[OPG grayscale] --> B[Histogram / CLAHE]
B --> C[Denoise median/Gaussian]
C --> D[Otsu + mask]
D --> E[Opening / closing]
E --> F[Label + filter area]
F --> G[Tabel ciri + visualisasi]
G --> H[Insight edukatif + disclaimer]
Checklist pengumpulan
Rubrik penilaian (indikatif)
| Aspek | Indikator |
|---|---|
| Pipeline lengkap | Tab 1–5 terhubung; output masuk akal pada OPG |
| Journal & red team | Parameter + alasan teori; analisis kegagalan jujur |
| Pemahaman kritis | Audit: histogram, morfologi, batasan hitung objek |
| Etika & integritas | Disclaimer; sumber citra; transparansi penggunaan AI |
| Kelengkapan | README, refleksi, artefak rapi |
Catatan integritas akademik
- Boleh: AI untuk UI, boilerplate OpenCV, styling Streamlit.
- Wajib: Journal dan refleksi hasil eksperimen Anda; cantumkan prompt/AI yang dipakai di README.
- Larangan: Klaim diagnostik (“terdeteksi karies”, “8 gigi impaksi”) tanpa ground truth dan validasi.
- Sumber citra: patuhi lisensi; citra default repo kelas untuk praktikum.
Lampiran — muat OPG dari repo
Jika Anda clone repositori materi:
cp PCD/radigraphs/12052026_133040.png ./12052026_133040.pngAtau set path absolut di sidebar aplikasi Anda.