ADLN PERPUSTAKAAN UNIVERSITAS AIRLANGGA SKRIPSI SKRIPSI

ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCAN MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN BACKPROPAGATION

SKRIPSI

FRANSISKA MEILISA

PROGRAM STUDI S1 TEKNOBIOMEDIK DEPARTEMEN FISIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS AIRLANGGA 2016

SKRIPSI

DETEKSI MENINGIOMA DAN …

FRANSISKA M.

ADLN-PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI

DETEKSI MENINGIOMA DAN...

FRANSISKA MEILISA

ADLN-PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI

DETEKSI MENINGIOMA DAN...

FRANSISKA MEILISA


PEDOMAN PENGGUNAAN SKRIPSI Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah. Dokumen skripsi ini merupakan hak milik Universitas Airlangga.

iv SKRIPSI


FRANSISKA M.


KATA PENGANTAR Puji syukur kehadirat Tuhan Yang Maha Esa atas limpahan berkat serta hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Deteksi Meningioma dan Schwannoma dari Citra CT-Scan Menggunakan Gray Level Co-occurrence Matrices dan Backproagation”. Skripsi ini dibuat untuk memenuhi salah satu syarat kelulusan Teknobiomedik,

Departemen

Fisika,

Fakultas

di

Program Sains

dan

Studi

S1

Teknologi,

Universitas Airlangga. Diharapkan melalui skripsi ini, penulis dapat melakukan penelitian dengan baik dan menghasilkan karya yang bermanfaat bagi dunia medis. Selain itu, skripsi ini diharapkan dapat membantu generasi selanjutnya dalam mengangkat sebuah topik penelitian dan melakukan penyusunan skripsi. Skripsi ini dapat diselesaikan berkat kerja keras dan juga dukungan berbagai pihak yang telah membantu penyusunan skripsi ini sehingga dapat diselesaikan dengan baik. Oleh karena itu, penulis mengucapkan terima kasih, terutama kepada : 1. Kedua orang tua, dan saudara-saudara yang selalu mendukung penulis dengan doa, cinta, dorongan moral, serta semangat yang tak pernah putus untuk menyelesaikan naskah skripsi ini. 2. Yohanna Mailiyana selaku kakak perempuan penulis yang telah memberikan kontribusinya dalam pengumpulan data.

v SKRIPSI


FRANSISKA M.


3. Dr. Moh. Yasin, M.Si selaku ketua Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga. 4. Dr. Khusnul Ain,S.T.,M.Si selaku

Ketua

Program

Studi

S1

Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga. 5. Prof. Dr. Retna Apsari. M.Si selaku dosen pembimbing I skripsi ini yang telah membimbing penulisdengan memberikan saran, arahan, waktu, serta fasilitas lainnya dalam penulisan skripsi. 6. Endah Purwanti,S.Si. M.T selaku pembimbing II yang telah memberikan bimbingan kepada penulisberupa

saran,

arahan, waktu serta fasilitas

lainnya dalam penulisan skripsi. 7. Franky Chandra S.A, S.T, M.T selaku penguji I proposal dan skripsi. 8. Drs. Adri Supardi, M.S selaku penguji II skripsi. 9. Lailatul Muqmiroh, dr., SpRad(K) selaku dokter pembimbing penulis yang memberikan saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan skripsi ini. 10. Dr. Suryani Dyah Astuti. M.Si selaku dosen wali penulis yang telah mengijinkan serta memberi berbagai saran dalam pengambilan mata kuliah skripsi yang memberikan saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan skripsi ini. 11. Sri Andreani Utomo,dr,Sp.Rad(K) dan Rahardian Indarto Susilo, dr.,SpBS selaku pembimbing klinis penulis di RSUD dr. Soetomo yang memberikan

vi SKRIPSI


FRANSISKA M.


saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan skripsi ini. 12. Para pegawai diklat RSUD Ulin Banjarmasin yang telah memberikan izin serta arahan penulis dalam pengambilan data CT-Scan. 13. Para pegawai instalasi radiologi RSUD Ulin Banjarmasin yang telah memberikan arahan, ilmu, maupun bantuan dalam pengambilan data CTScan. 14. Para pegawai instalasi radiologi RSUD dr. Soetomo Surabaya yang telah memberikan arahan, dan bantuan dalam pengambilan data CT-Scan. 15. Sdri. Priyanka Wardani selaku senior penulis yang memberikan pengarahan dalam pembuatan naskah maupun penggunaan Matlab. 16. Dewa Ayu Githa M.S, Anif Hidayati, Rizka Andhitia M.P, Kirana Nathalie P., Karina Dwi S., Novia Dwi A., Cindy Astelia, Inas Fatimah, dan Fadilla Nashiri K. selaku teman perjuangan skripsi penulis yang telah memberikan bantuan dan semangat dalam penulisan skripsi. 17. Teman-teman S-1 Teknobiomedik angkatan 2012 yang turut membantu dan memotivasi kepada penulis dalam penulisan skripsi. Penulis menyadari bahwa skripsi skripsi ini masih jauh dari kata sempurna.Oleh karena itu, kritik dan saran yang membangun sangat diharapkan untuk mengembangkan penelitian skripsi ini. Surabaya, 20 Juli 2016 Penulis

vii SKRIPSI


Fransiska Meilisa FRANSISKA M.


Fransiska Meilisa, 2016.Deteksi Meningioma dan Schwannoma dari Citra CT-Scan Menggunakan Gray Level Co-Occurrence Matrices (GLCM) dan Backpropagation. Skripsi di bawah bimbingan Prof. Dr. Retna Apsari, M.Si dan Endah Purwanti, S.Si, M.T, Program Studi S1 Teknobiomedik, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya.

ABSTRAK Penelitian ini bertujuan untuk membangun sebuah program yang mampu mendeteksi kelainan meningioma, schwannoma, dan normal dari citra otak CTScan menggunakan jaringan syaraf tiruan backpropagation. Fitur yang digunakan sebagai masukan backpropagation adalah fitur tekstur energi, entropi, dan inverse different moment. Semua fitur tersebut diambil menggunakan metode gray level co-occurrence matrices (GLCM). Akurasi pelatihan backpropagation tertinggi yaitu sebesar 85,5263% dengan maksimum epoh 10000, learning rate 1, dan jumlah neuron di hidden layer 10. Akurasi pengujian sebesar 89,47% dari seluruh data uji, 100% untuk keseluruhan data uji meningioma, 100% untuk keseluruhan data uji normal, dan 50% untuk keseluruhan data uji schwannoma. Akurasi pengujian untuk membedakan otak normal dengan tumor memiliki akurasi yang lebih tinggi daripada literatur. Akan tetapi akurasi utntuk membedakan keseluruhan kasus lebih rendah daripada penelitian sebelumnya. Penambahan fitur morfologi ventrikel otak dan massa tumor dapat menjadi pertimbangan untuk penelitian selanjutnya guna meningkatkan akurasi sistem. Kata kunci : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation

viii SKRIPSI


FRANSISKA M.


Fransiska Meilisa, 2016.Meningioma and Schwannoma detection ofCT-Scan Images Using Gray Level Co-Occurrence Matrices (GLCM) and Backpropagation. This thesis was under guidance of Prof. Dr. Retna Apsari, M.Si and Endah Purwanti, S.Si, M.T, Biomedical Engineering Study Program, Faculty of Science dan Technology, Airlangga University, Surabaya.

ABSTRACT This research aims to develop a program that can detect brain abnormalities such as meningioma, schwannoma, and normal brain from CT scan images using backpropagationneural networks. The featurs that used as backpropagation inputsare energy, entropy, and inverse different moment of the textural features. All of these features were extratcted using gray level cooccurrence matrices (GLCM) method. The highest backpropagation training accuracy is 85,5263% using 10000 maximum epoch ,1 learning rate, and 10neurons in the hidden layer. Testing accuracy is 89,47% for overall testing data, 100% for overall meningioma testing data, 100% for overall normal brain data, and 50% for overall schwannoma testing data. Testing accuracy to distinguish normal brain and tumour is higher than the previous research. However, accuracy to distinguish all cases lower than the previous research. The addition of morphological features of the brain ventricles and tumor mass can be considered for further research in order to improve the accuracy of the system. Key words : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation

ix SKRIPSI


FRANSISKA M.


DAFTAR ISI HALAMAN JUDUL ........................................................................................

i

LEMBAR PERNYATAAN ................................................................................ ii LEMBAR PENGESAHAN ..............................................................................

iii

PEDOMAN PENGGUNAAN SKRIPSI ............................................................ iv KATA PENGANTAR ........................................................................................

v

ABSTRAK .......................................................................................................... viii ABSTRACT .......................................................................................................

ix

DAFTAR ISI.......................................................................................................

x

DAFTAR TABEL ............................................................................................

xiii

DAFTAR GAMBAR .......................................................................................

xiv

DAFTAR LAMPIRAN.......................................................................................

xvi

BAB I PENDAHULUAN ................................................................................

1

1.1 Latar Belakang ..................................................................................

1

1.2 Rumusan Masalah .............................................................................

7

1.3 Batasan Masalah ...............................................................................

8

1.4 Tujuan Penelitian ..............................................................................

8

1.5 Manfaat Penelitian ............................................................................

9

BAB II TINJAUAN PUSAKA ........................................................................

10

2.1 Otak .....................................................................................................

10

2.2 Tumor Otak .........................................................................................

11

2.2.1 Diagnosa Tumor Otak ...............................................................

12

2.2.1.1 Imaging Test Computed Tomography ..........................

12

2.2.1.2 Imaging Test Magnetic Resonance Imaging ................. 12 2.2.1.3 Biopsi (Biopsy) .............................................................

13

2.2.2 Gambaran Radiologis Tumor Otak Pada CT-Scan ...................

14

2.2.3 Jenis-Jenis Tumor Otak ............................................................. 15 2.2.3.1 Tumor Otak Primer ....................................................... 15 2.2.3.2 Tumor Otak Sekunder (Metastatic Brain Tumours)...... 19 2.3 Computed Tomography .......................................................................

21

x SKRIPSI


FRANSISKA M.


2.4 CT-Scan (Computed Tomogrphy Scanner) .........................................

22

2.4.1 Sinar-X ......................................................................................

22

2.4.2 Prinsip Dasar CT-Scan ..........................................................

23

2.4.3 Rekonstruksi Citra CT-Scan ...................................................... 25 2.5 Gray Level Co-occurance Matrices.....................................................

30

2.5.1 Kontruksi Co-occurance Matrices..........................................

31

2.5.2 Fitur Tekstur Gray Level Co-occurance Matrices.....................

33

2.6 Jaringan Syaraf Tiruan ........................................................................

34

a. Pembelajaran Terawasi (Supervised Learning)............................

35

b. Pembelajaran Tak Terawasi (Unsupervised Learning)................. 35 c. Pembelajaran Hibrida (Hybrid Learning) .................................... 2.7 Bacpropagation .................................................................................

35 36

BAB III METODE PENELITIAN......................................................................

41

3.1 Tempat dan Waktu Pelaksanaan..........................................................

41

3.2 Peralatan dan Software.........................................................................

41

3.3 Prosedur Penelitian............................................................................... 42 3.3.1 Persiapan Data............................................................................ 42 3.3.2 Ekstrasi Fitur Tekstur................................................................. 44 3.3.3 Pelatihan Jaringan Backpropagation.......................................... 45 3.3.4 Pengujian Jaringan Backpropaation..........................................

47

3.3.5 Analisa Data...............................................................................

47

3.4 Desain Interface..................................................................................

48

BAB IV HASIL DAN PEMBAHASAN...........................................................

55

4.1 Tampilan Program ............................................................................... 55 4.1.1 Jendela Beranda.........................................................................

55

4.1.2 Jendela Program Deteksi............................................................ 56 4.1.3 Jendela Program Training dan Testing......................................

57

4.1.4 Jendela Bantuan.........................................................................

61

4.2 Hasil Pengumpulan Data...................................................................... 62 4.3 Hasil Ekstrasi Fitur............................................................................... 63 xi SKRIPSI


FRANSISKA M.


4.4 Peatihan Jaringan Backpropagation..................................................... 69 4.5 Pengujian Backpropagation................................................................. BAB V KESIMPULAN DAN SARAN

74 80

5.1 Kesimpulan...................................................................................... 80 5.2 Saran................................................................................................

80

DAFTAR PUSTAKA.......................................................................................... 82 LAMPIRAN.......................................................................................................

85

xii SKRIPSI


FRANSISKA M.


DAFTAR TABEL Nomor

Judul Tabel

Halaman

Tabel 2.1

Gejala dan Pengobata Meningioma dan Schwannoma

17

Tabel 2.2

Diagnosa Pembeda Meningioma dengan Schwannoma

18

Tabel 4.1

Nilai Hasil Ekstrasi Fitur dan Uji Citra.........................

78

xiii SKRIPSI


FRANSISKA M.


DAFTAR GAMBAR Nomor

Judul Gambar

Halaman

Gambar 2.1

Otak Manusia ................................................................

10

Gambar 2.2

Citra MRI dari Tumor Otak Benigna dan Maligna........

13

Gambar 2.3

Prosedur Biopsi..............................................................

14

Gambar 2.4

Otak Normal pada Citra CT-Scan..................................

15

Gambar 2.5

Tumor Otak pada Citra CT-Scan....................................

15

Gambar 2.6 Gambar 2.7 Gambar 2.8

Citra CT-Scan otak normal, meningioma, dan schwannoma...................................................................

19

Tumor Otak Menekan dan Merubah Posisi Jaringan Normal...........................................................................

20

Dua Buah Poyeksi Memperlihatkan Sebuah Objek yang Terdiri dari Sepasang Silinder...............................

22

Gambar 2.9

Susunan Alat CT-Scan....................................................

23

Gambar 2.10

Pengukuran Transmisi Sinar-X......................................

24

Gambar 2.11

Matriks RekonstruksiCT-Scan......................................

26

Gambar 2.12

Algoritma ART pada CT-Scan.......................................

29

Gambar 2.13

Algoritma Backprojection CT-Scan...............................

30

Gambar 2.14

Algoritma FBP CT-Scan................................................

30

Gambar 2.15

Arah Sudut dalam Membangun GLCM........................

31

Gambar 2.16

Arsitektur Jaringan Backpropagation............................

37

Gambar 3.1

Diagram Prosedur Penelitian..........................................

43

Gambar 3.2

Algoritma PelatihanBackpropagation..........................

46

Gambar 3.3

Algoritma Pengujian Backpropagation..........................

47

Gambar 3.4

Desain Tampilan Jendela Beranda.................................

48

Gambar 3.5

Desain Tampilan Jendela Program Deteksi....................

49

Gambar 3.6

Desain Tampilan Jendela Login.....................................

51

Gambar 3.7

Desain Tampilan Jendela Program Training dan Testing............................................................................

53

xiv SKRIPSI


FRANSISKA M.


Gambar 3.8

Desain Tampilan Jendela Bantuan.................................

54

Gambar 4.1

Tampilan Jendela Beranda.............................................

56

Gambar 4.2

Tampilan Jendela Program Deteksi................................

57

Gambar 4.3

Tampilan Jendela Login.................................................

58

Gambar 4.4

Tampilan Jendela Training dan Testing.........................

59

Gambar 4.5

Tampilan Panel Training................................................

60

Gambar 4.6

Tampilan Panel Testing..................................................

60

Gambar 4.7

Tampilan Jendela Bantuan.............................................

61

Gambar 4.8

Grafik Nilai Rata-Rata Fitur IDM dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih..............................................

Gambar 4.9

Grafik Nilai Rata-Rata Fitur Entropi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih..............................................

Gambar 4.10

66

Grafik Nilai Rata-Rata Fitur Energi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih..............................................

Gambar 4.11

64

68

Grafik MSE Pelatihan Backpropagation dengan masukan energi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum Epoh 10000...............

Gambar 4.12

71

Akurasi Pelatihan Backpropagation dengan masukan energi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum Epoh 10000......................................

Gambar 4.13

72

Grafik Akurasi Terhadap Learning Rate dari Berbagai Variasi Epoh dan Hidden LayerMenggunakan 3 Masukan.........................................................................

Gambar 4.14

73

Grafik Waktu Pelatihan Terhadap Learning Rate dari Berbagai Variasi Epoh dan Hidden Layer Menggunakan 3 Masukan..............................................

74

xv SKRIPSI


FRANSISKA M.


DAFTAR LAMPIRAN Nomor

Judul Lampiran

Halaman

Lampiran 1

85

Lampiran 2

Nilai Hasil Ekstrasi Fitur Citra CT-Scan Otak Data Training.................................................................. Akurasi Pelatihan Backpropagation...............................

Lampiran 3

Listing GUI Program......................................................

95

Lampiran 4

Bukti Pengambilan Data.................................................

119

88

xvi SKRIPSI


FRANSISKA M.


BAB I PENDAHULUAN 1.1 Latar Belakang Tumor otak merupakan salah satu penyakit yang sangat mematikan dan banyak diderita oleh pasien dengan variasi usia yang sangat beragam.Cancer Support Communitymenyatakan bahwa pada tahun 2012 di United States, lebih dari 688.000 orang didiagnosa menderita tumor otak primer dimana 63% merupakan tumor otak jinak dan 37% merupakan tumor otak ganas. Selain itu, menurut American Brain Tumor Association, tumor otak merupakan penyebab kematian nomor lima dari seluruh pasien kanker pada wanita yang berusia 20-39 tahun (Sari et al, 2014). Kasus tumor otak primer yang paling banyak yaitu meningioma dan schwannoma. Menurut American Brain Tumor Association jumlah kasus meningioma mencapai 34% dari keseluruhan kasus tumor otak primer. Sedangkan jumlah kasus shwanoma mencapai 8% dari keseluruhan kasus tumor otak primer pada rongga intrakranial, sebagian besar berasal dari syaraf akustik dan trigeminal (Sun et al, 1998). Tumor merupakan massa jaringan yang terdiri dari sel tumor. Sel tumor ialah sel tubuh kita sendiri yang mengalami perubahan (transformasi)sehingga bentuk, sifat, dan kinetikanya berubah, sehingga tumbuhnya menjadi autonom, liar, tidak terkendali dan terlepas dari koordinasi pertumbuhan normal (Sukardja, 2000). Dari definisi tersebut maka tumor otak merupakan massa jaringan dari sel-sel otak yang tumbuh tidak terkendali.

1 SKRIPSI


FRANSISKA M.


2

Tumor otak ada dua jenis yaitu benigna (jinak) dan maligna (ganas).Tumor benigna memiliki pertumbuhan sel yang lambat dan memiliki batas yang jelas serta jarang menyebar (Mayfield Clinic, 2013). Tumor maligna memiliki pertumbuhan sel yang cepat dan memiliki batas yang tidak jelas serta menyebar ke area otak yang lain (Mayfield Clinic, 2013). Walaupun tumor benigna tumbuh secara lambat, pertumbuhannya dapat membahayakan kehidupan pasien. Tumor benigna dapat tumbuh membesar dan menekan organ maupun jaringan sehat pada otak sehingga dapat menganggu fungsinya dan menyerang jaringan lain (Kohir,2015). Oleh karena itu dibutuhkan sebuah diagnosa dini tumor otak sebagai langkah pengambilan keputusan bagi tenaga medis untuk memberikan terapi yang sesuai bagi pasien. Diagnosa tumor otak ditegakkan berdasarkan pemeriksaan klinis dan pemeriksaan penunjang yaitu pemeriksaan radiologi dan patologi anatomi (Japardi, 2002). Sangat sulit mendiagnosa tumor otak melalui pemeriksaan klinis karena gejala klinis setiap individu berbeda dan tergantung dari lokasi serta besarnya massa tumor sehingga dibutuhkan pemeriksaan penunjang terutama pemeriksaan radiologis. Pemeriksaan secara radiologis atau scan merupakan langkah awal untuk identifikasi keberadaan serta lokasi tumor otak tumbuh (Kohir 2015). Pemeriksaan ini bersifat non-invassive dan dapat dilakukan oleh beberapa peralatan medis seperti X-Rays, Positron Emission Tomography (PET), Computed Tomography Scan (CT-Scan), dan Magnetic Tomography Imaging (MRI).

SKRIPSI


FRANSISKA M.


3

Beberapa dekade terakhir CT scan digunakan secara luas dalam mendukung diagnosis klinik suatu penyakit. Alat ini dapat membantu tenaga medis dalam menentukan lokasi patologis dengan lebih akurat. CT scan dapat menampilkan bermacam-macam

jaringan

tubuh

berdasarkan

perbedaan

tingkat

keabuannya(Padma et al,2011a). CT scan memiliki keterbatasan dalam menampilkan citra kepala akibat adanya efek volume ruang yang mana berimbas pada rendahnya kontras antar jaringan otak dan objek lainnya sehingga memiliki intensitas yang sama (Padma et al,2011b). Berdasarkan permasalahan tersebut maka analisis suatu citra CT scan otak oleh mata telanjang memerlukan waktu yang lama, seharusnya pasien membutuhkan penanganan yang cepat dan tepat sesuai jenis tumor yang diderita. Oleh karena itu sudah dilakukan penelitian mengenai deteksi, segmentasi, maupun klasifikasi kelainan otak guna menghemat waktu pemeriksaan radiologis. Penelitian sebelumnya yang dilakukan oleh Susmikanti (2010), dilakukan pengenalan berbasis jaringan syaraf tiruan dalam analisa CT scan tumor otak benigna dengan fitur dominan yang disederhanakan oleh Principle Component Analysis dan jaringan syaraf tiruan perceptron. Dalam penelitian tersebut didapatkan akurasi rata-rata sebesar 95,8% bagi jaringan yang dibangun untuk membedakan otak normal, meningioma, Adenoma Pituitari, Kraniofaringioma, Pilocytic Astrositoma, dan Akustik Neurinoma. Penelitian yang dilakukan oleh Padma et al (2011b), dibangun sebuah program segmentasi jaringan lunak dan klasifikasi tumor otak dari citra CT scan dengan fitur tekstur dan Bidirectional Associative Memory (BAM) classifier.

SKRIPSI


FRANSISKA M.


4

Berdasarkan penelitian Padma et al (2011b), dalam penelitian ini digunakan 13 fitur tekstur dari metodeGray Level Co-occurrence Matrices (GLCM) dalam empat sudut yakni 0ᵒ, 45ᵒ, 90ᵒ, dan 135ᵒ. 13 buah fitur tekstur tersebut kemudian direduksi menggunakan student t-test (ρ<0,001) menjadi 8 fitur dan selanjutnya dilakukan percobaan untuk mengetahui kombinasi fitur yang tepat sebagai masukan. Citra CT-Scan yang digunakan yaitu 30 normal dan 50 tumor otak (benigna dan maligna). 13 fitur tekstur yang digunakan direduksi sehingga didapatkan

8

fitur

terbaik

yaitu

variance,

angular

second

moment

(ASM/energy),contrast, correlation, entropy, sum entropy, difference variance, dan

difference

entropy.Akurasi

klasifikasi

tertinggi

didapatkan

dengan

menggunakan kombinasi 4 masukan fitur tekstur yaitu energy, entropy, variance, dan inverse difference moment sebesar 93,7%. Nilai akurasi berkurang seiring bertambahnya fitur tekstur dari GLCM. Klasifikasi dibuat untuk membedakan citra normal dengan abnormal (tumor otak). Selain itu dengan keempat buah fitur tekstur tersebut, didapatkan akurasi segmentasi tertinggi sebesar 99,7%. Penelitian selanjutnya yang dilakukan oleh Padma et al (2013), dilakukan klasifikasi tumor otak dan segmentasi jaringan lunak otak pada citra CT scan menggunakan Dominat Gray Level Run Length Texture Features berbasis Waveletdan SVM (Support Vector Machine) Classifier. Dalam penelitian ini didapatkan akurasi kalsifikasi otak normal dan abnormal (tumor) sebesar 98,3% dan dapat melakukan segmentasi pada area tumor. Segmentasi yang dilakukan oleh program ini tidak sebaik hasil segmentasi menggunakan fitur tekstur menggunakan metode GLCM dari penelitianPadma et al (2011b).

SKRIPSI


FRANSISKA M.


5

Beberapa peneliti tersebut menjadi dasar bagi penulis unutk melakukan penelitian yang berjudul “Deteksi Meningiomadan Schwannomadari Citra CTScan Menggunakan Gray Level Co-occurrence Matrices (GLCM) dan Backpropagation”. Pemilihan kedua jenis tumor tersebut sebagai objek penelitian yaitu berdasarkan ciri dan tingkat keabuan yang hampir sama pada citra CT-Scan sehingga menyebabkan keraguan bahkan kesalahan diagnosis bagi para medis. Perbedaan dari kedua jenis tumor otak tersebut terlihat pada tekstur jaringannya setelah dilakukan pembedahan. Berdasarkan Grossman et al (1994), tekstur massa jaringan meningioma hiperdens dan schwannoma isodensdibandingkan jaringan otak normal. Berdasarkan Claussen et al (1982), massa yang hiperdens memiliki tingkat keabuan yang lebih tinggi dariada jaringan normal begitu juga sebaliknya massa isodens memiliki tingkat keabuan yang sama dengan jaringan otak normal. Pada citra CT-Scan, terkadang massa hiperdens terutama massa isodens memiliki tingkat keabuan yang sama dengan jaringan normal sehingga dalam pemeriksaan tumor pasien harus diberikan zat kontras. Hal tersebut mengakibatkan sulitnya diagnosis untuk membedakan kedua sifat jaringan tersebut pada citra CT-Scan. Citra CT-Scan dalam diperoleh melalui mesin CT-Scan multislice dengan spesifikasi yang sama yaitu ukuran citra 512x512 piksel dengan keadaan maksimum 130kV. Hal ini dibutuhkan untuk mengurangi perbedaan kualitas citra yang didapatkan sebagai sumber data. Fitur yang diambil dari citraCT-Scan yaitu fitur tekstur. Berdasarkan Padma et al (2011b), fitur berdasarkan intensitas saja tidak cukup unutk melakukan klasifikasi maupun segmentasi citra otak CT-Scan karena kompleksitas patologi

SKRIPSI


FRANSISKA M.


6

otak dengan intensitas dan kontras yang sama pada banyak bagian. Oleh karena itu dalam penelitian ini digunakan fitur tektstur untuk membedakan massa jaringan hiperdens dan isodens dari kedua jenis tumor tersebut dengan massa jaringan otak normal. Fitur tekstur yang diambil dari GLCM untuk analisis citra CT-Scanotakmerupakan 4 fitur tektur yang digunakan dalam penelititan Padma et al (2011b) yaitu energy, entropy, variance, dan inverse difference moment. Namun dalam penelitian ini hanya diambil fiturenergy, entropy, dan inverse differrent moment karena nilai semua fitur varians sama untuk semua citra. Ketigat fitur tekstur tersebut mampu menggambarkan homogenitas massa tumor, homogenitas edema, selisih tingkat keabuan massa dengan jaringan sekitarnya, dan keberagaman tingkat keabuan jaringan normal citra otak normal dengan meningioma dan schwannoma. Penelitian ini menggunakan backpropagation sebagai metode klasifikasi citra CT-Scan otak. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan (Siang, 2005; dalam Azizi, 2013). Dalam penelitian ini dilakukan variasi nilai parameter jaringan backpropagation yaitu maksimum epoh, learning rate dan jumlah neuron di hidden layer. Variasi nilai parameter tersebut bertujuan untuk mengetahui nilai parameter optimum yang menghasilkan akurasi tertinggi dari aplikasi yang dibangun. Fitur yang menjadi input backpropagation dalam penelitian ini yaitu 4 fitur tekstur dari GLCM.Keempat

SKRIPSI


FRANSISKA M.


7

fitur tektur tersebut dilakukan variasi kombinasi input untuk mendapatkan akurasi terbaik. Keluaran dari backpropagation ada tiga yaitu normal, meningioma, dan schwannoma. Penilaian keberhasilan dan kinerja backpropagation dalam penelitian ini diukur melalui tingkatakurasi. Akurasi merupakan kesesuain antara dignosis ahli radiologi dengan keluaran dari backropagation. Nilai akurasi dalam penelitian ini akan menjadi dasar dalam analisis kinerja dari sistem deteksi yang dibuat.

1.2 Rumusan Masalah Berdasarkan uraian latar belakang permasalahan di atas, penulis merumusakan masalah sebagai berikut: 1. Bagaimana kombinasi fitur tekstur energy, entropy, dan inverse difference moment yang didapatkan dari gray level co-occurrence matrices (GLCM) sehingga dihasilkan akurasi tertinggi? 2. Berapa nilai parameter optimal backpropagation yang digunakan dalam pembelajaran jaringan syaraf tiruan backpropagation untuk klasifikasi citra CT-Scan otak? 3. Berapakah tingkat akurasi sistem klasifikasi citra CT scan otak untuk deteksi meningioma dan schwannoma menggunakan gray level cooccurrence matrices (GLCM) dan backpropagation ?

SKRIPSI


FRANSISKA M.


8

1.3 Batasan Masalah 1. Citra yang digunakan sebagai objek penelitian adalah citra CT-Scan yang merupakan citra digital potongan aksial otak yang diperoleh dari RSUD Ulin Banjarmasin dan RSUD dr. Soetomo Surabaya, serta telah diklasifikasi oleh dokter radiologi. 2. Citra otak diperoleh dari subyek normal tanpa diagnosa tumor otak dan penderita meningioma dan schwannomadi RSUD Ulin Banjarmasin dan RSUD dr.Soetomo, Surabaya.

1.4 Tujuan Penelitian Tujuan dari penelitian ini yaitu: 1. Mendapatkankombinasi fitur tekstur energy, entropy, dan inverse difference moment yang didapatkan dari GLCM sehingga dihasilkan akurasi tertinggi. 2. Memperoleh nilai parameter optimal backpropagation yang digunakan dalam pembelajaran jaringan syaraf tiruan backpropagation untuk klasifikasi citra CT-Scan otak. 3. Memperoleh tingkat akurasi sistem klasifikasi citra CT-scan otak untuk deteksi meningioma dan schwannoma menggunakan gray level cooccurrence matrices (GLCM) dan backpropagation.

SKRIPSI


FRANSISKA M.


9

1.5 Manfaat Penelitian 1. Mengembangkan sistem CAD (Computer Aided Detection) pada alat tomografi sehingga mampu membantu tugas seorang radiologis dalam menganalisis citra tomografi otak yang memiliki penyakit seperti meningioma dan schwannoma. 2. Memberikan wacana bagi peneliti-peneliti di masa mendatang untuk mengembangkan

alat

bantu

diagnosis

khususnya

untuk

deteksimeningioma dan schwannoma.

SKRIPSI


FRANSISKA M.


BAB II TINJAUAN PUSTAKA 2.1 Otak Otak merupakan organ tubuh yang terdiri dari kumpulan jaringan lunak seperti spong dan berfungsi sebagai pusat koordinasi tubuh. Organ ini dilindungi oleh tengkorak, tiga lapisan jaringan tipis (meninges), cairan serebrospinal yang mengalir di ruangan antara meninges dengan otak (ventrikel).

Gambar 2.1Otak Manusia (Utari, 2012) Otak melaksanakan semua fungsi yang disadari. Otak bertanggung jawab terhadap pengalaman-pengalaman berbagai macam sensasi atau rangsangan terhadap kemampuan manusia untuk melakukan gerakan-gerakan yang menuruti kemauan (disadari), dan kemampuan untuk melaksanakan berbagai macam proses mental, seperti ingatan atau memori, perasaan emosional, intelegensia, berkomunikasi, sifat atau kepribadian dan ramalan (Utari, 2012). Secara garis besar otak dibagi menjadi serebrum (otak besar), serebelum (otak kecil), mesensefalon (otak tengah), diensefalon (otak depan), dan pons varoli (jembatan varol). Serebrum berfungsi dalam mengatur semua aktivitas mental, yang berkaitan dengan kepandaian (intelegensia), ingatan (memori), 10 SKRIPSI


FRANSISKA M.


11

kesadaran, dan pertimbangan. Serebelum mempunyai fungsi utama dalam koordinasi terhadap otot dan tonus otot, keseimbangan dan posisi tubuh. Mesensefalon berfungsi penting pada refleks mata, tonus otot serta fungsi posisi atau kedudukan tubuh. Diensefalon terdiri atas dua bagian, yaitu thalamus yang berfungsi menerima semua rangsang dari reseptor kecuali bau, dan hipothalamus yag berfungsi dalam pengaturan suhu, pengaturan nutrien, penjagaan agar tetap bangun, dan penumbuhan sikap agresif. Pons varoli merupakan serabut saraf yang menghubungkan otak kecil bagian kiri dan kanan serta menghubungkan otak besar dan sumsum tulang belakang.

2.2 Tumor Otak Tumor otak merupakan penyakit yang menjadi objek dalam penelitian ini. Tumor (disebut juga neoplasma atau lesi) merupakan jaringan abnormal yang tumbuh dari pembelahan sel yang tidak terkendali (Mayfield Clinic, 2013). Sel normal tumbuh secara terkendali sebagai sel baru untuk mengganti sel yang sudah tua atau rusak. Beberapa faktor dapat menyebabkan sel tumbuh secara tidak terkendali dan menyimpang dari sifatnya sehingga menganggu bahkan merusak sel disekitarnya. Pilihan tindakan yang tepat bagi pasien tumor otak sangat bergantung pada jenis ukuran, lokasi, menyebar atau tidak, dan usia serta riwayat medisnya. Tindakan yang diberikan dapat bersifat kuratif atau fokus untuk mengurangi gejala yang ditimbulkan. Tindakan yang berupa terapi maupun operasi dapat meningkatkan masa serta kualitas hidup pasien.

SKRIPSI


FRANSISKA M.


12

2.2.1 Diagnosa Tumor Otak Diagnosa awal dilakukan dengan memperolah data riwayat kesehatan keluarga pasien dan pemeriksaan fisik. Setelah itu dilakukan pemeriksaan neurologis unutk mengetahui status mental, memory, fungsi syaraf cranial, kekuatan otot, koordinasi, refleks, dan respon terhadap rasa sakit. Namun terkadang dibutuhkan pemeriksaan tambahan sepert audiometri, evaluasi hormon endokrin dalam urin dan darah, tes ketajaman pengelihatan, dan spinal tap. Langkah selanjutnya dilakukan pemeriksaan radiologis melalaui CT-Scan atau MRI (Magnetic Resonanse Imaging). 2.2.1.1 Imaging Test Computed Tomography Computed Tomography (CT) Scan merupakan sebuah tes yang aman dan noninvasive yang menggunnakan pancaran sinar-X dan komputer untuk menghasilkan citra otak 2 dimensi (Mayfield Clinics, 2013). Alat ini dapat menghasilkan citra otak dalam potongan aksial. Potongan tersebut jumlahnya ditentukan dari kemampuan atau spesifikasi

CT-Scan

yang

digunakan.

Zat

kontras

terkadang

diinjeksikan pada pasien dalam pemeriksaan radiologis alat ini agar meningkatkan kualitas citra dari organ yang ingin dilihat. 2.2.1.2 Imaging Test Magnetic Resonance Imaging Magnetic Resonance Imaging (MRI) merupakan sebuah tes noninvasive yang memanfaatkan medan magnet dan gelombang radio unutk menghasikan citra jaringan otak secara detail (Mayfield

SKRIPSI


FRANSISKA M.


13

Clinics,2013). Alat ini menghasilkan citra 3 dimensi dari potongan tubuh seperti Gambar 2.2. Zat kontras terkadang diperlukan untuk memperjelas citra organ tubuh yang ingin dilihat. MRI sangat berfungsi dalam evalusai lesi otak dan efeknya terhadap jaringan sekitar.

Gambar 2.2Citra MRI dari Tumor Otak Benigna dan Maligna (Mayfield Clinics, 2013) 2.2.1.3 Biopsi (Biopsy) Hasil diagnosa pemeriksaan radiologis terkadang masih belum jelas dan tepat dalam menentukan jenis tumor otak sehingga diperlukan biopsi. Biopsi merupakan sebuah prosedur untuk mengambil sedikit bagian dari tumor untuk diperiksa oleh ahli patologis di bawah mikroskop (Mayfield Clinics, 2013). Biopsi dapat dilakukan saat operasi pengangkatan tumor atau sebagai prosedur diagnosa. Biopsi sebagai prosedur diagnosa dilakukan dengan pengambilan sebagian kecil jaringan tumor menggunakan jarum biopsi melalui lubang kecil yang dibuat pada tengkorak seperti pada Gambar 2.3

SKRIPSI


FRANSISKA M.


14

Gambar 2.3 Prosedur Biopsi (Mayfiled Clinics, 2013) 2.2.2 Gambaran Radiologis Tumor Otak pada CT-Scan Pemeriksaan dengan CT-Scan di daerah kepala dengan maupun tanpa kontras, sangat membantu dalam diagnosa jenis tumor otak. Jaringan abnormal pada CT-Scan umumnya memiliki densitas atau kepadatan yang berbeda dengan jaringan normal.Massa yang berwarna lebih terang dari jarngan otak normal meruapakan hasil dari peningkatan penyerapan sinarX disebut hiperdens (Claussen et al, 1982).Massa yang berwarna lebih gelap daripada jaringan otak normal karena penurunan serapan sinar-X disebut hipodens (Claussen et al, 1982).Massa yang memiliki warna sama dengan jaringan otak normal karena memiliki daya serap sinar-X yang sama dengan jaringan normal disebut isodens (Clausen et al, 1982) . Adanya massa pada citra otak CT-Scan menyebabkan peningkatan densitas jaringan

akibat proliferasi sel tumor dan penurunan densitas

jaringan akibat adanya edema (Claussen et al, 1982). Ventrikel otak perlu dicermati untuk mengetahui ada atau tidaknya perubahan posisi maupun pendesakan massa yang menyebabkan pergeseran struktur garis tengah

SKRIPSI


FRANSISKA M.


15

otak, ventrikel ketiga, maupun pineal, dan perubahan posisi jaringan otak disekitarnya (Armstrong et al 1940).Citra CT-Scan tumor otak dan otak normal dapat dilihat pada Gambar2.4dan Gambar 2.5.

Gambar 2.4Otak Normal pada Citra CT-Scan (Armstrong et al, 1940)

Gambar 2.5Tumor Otak pada Citra CT-Scan (Claussen et al, 1982) 2.2.3 Jenis-Jenis Tumor Otak Tumor otak diberi nama sesuai dengan asal selnya tumbuh. Tumor otak dapat bersifat primer (sel berasal dari otak sendiri) dan sekunder (sel berasal dari penyebaran tumor di area lain). 2.2.3.1 Tumor Otak Primer Tumor otak primer merupakan pertumbuhan abnormal sel yang dimulai dari otakcdan biasanya tidak menyebar ke bagian tubuh yang lain (Mayfield Clinic, 2013). Tumor otak ini dapat bersifat benigna (jinak) dan maligna (ganas). Tumor benigna memiliki pertumbuhan sel yang lambat, memiliki batas yang jelas dan jarang menyebar. Walaupun

SKRIPSI


FRANSISKA M.


16

tidak bersifat ganas, tumor ini mengandung sel jinak yang tumbuh tak terkendali di lokasi vital otak dan membahayakan nyawa pasien. Tumor maligna memiliki pertumbuhan sel yang cepat, memiliki batas yang tidak jelas serta menyebar ke area otak yang lain. Tumor ini terkadang disebut kanker otak, namun sebenarnya bukan karena tidak menyebar ke organ tubuh lain selain tulang belakang dan otak. Dalam penelitian ini dipilih jenis tumor otak primer meningioma dan schwannoma. Meningioma merupakan salah satu jenis tumor otak primer dan neoplasma ekstraksial yang paling sering terjadi. Namun sebenarnya meningioma tidak tumbuh dari jaringan otak itu sendiri, melainkan timbul dari meninges, yaitu tiga lapisan jaringan tipis yang menutupi otak dan sumsum tulang belakang (American Brain Tumor Association, 2012). Tumor ini paling sering tumbuh ke dalam bagian organ yang diserang sehingga menyebabkan tekanan pada otak atau sumsum tulang belakang, tetapi juga memungkinkan tumbuh keluar menuju tengkorak. Kebanyakan meningioma jinak, tumbuh lambat, beberapa berisi kista (kantung dari cairan), kalsifikasi, atau buntalan padat pembuluh darah. Schwannoma merupakan tumor yang timbul dari sel Schwann di akson selubung mielin (Mehra et al, 2013). Secara histologi schwannoma berasal dari sel Schwann perineural (Grossman et al, 1994). Berdasarkan Chung et al, 1998, kasus schwannoma meliputi 8% dari keseluruhan kasus tumor otak primer pada rongga intrakranial, kebanyakan berasal dari syaraf akustik (vestibular schwannoma/akustik

SKRIPSI


FRANSISKA M.


17

neuroma). Paling sering kedua terjadi pada syaraf trigeminal (trigeminal schwannoma) dan jarang terjadi pada syaraf wajah. Gejala dan pengobatan kedua jenis tumor tersebut dapat dilihat pada Tabel 2.1. Tabel 2.1 Gejala dan PengobatanMeningioma dan Schwannoma (Mayfield Clinics, 2013) Meningioma Schwannoma 1. Gejala seringkali tidak terasa 1. Gejala yang timbul hingga massa membesar. menyebabkan 2. Gejala yang timbul terganggunya syaraf yang tergantung lokasi tumbuhnya diserang (wajah, akustik, tumor. atau trigeminal). Gejala 3. Gejala awal seperti sakit 2. Pada vestibular kepala, melemahnya alat schwannoma hilangnya gerak, gangguan pendengaran, pusing, dan pengelihatan, sampai adanya suara dengungan perubahan kepribadian. pada telinga (Mayfield Clinics, 2013). 1. Pembedahan (surgery) 1. Pembedahan (surgery) dengan mempertimbangkan dengan prioritas persentase apakah organ vital pasien hilangnya fungsi syaraf. cukup kuat untuk menahan 2. Radioterapi dan anestesi dan pembedahan radiosurgery. (ABTA, 2012). 3. Observasi (growth 2. Radioterapi dan monitoring) Pengobatan radiosurgery. 3. Kemoterapi interferon rekombinan alfa-2beta (IFN alfa-2beta), HU, somatostatin (Moore et al,2010). 4. Observasi (growth monitoring) Berdasarkan Tabel 2.2, satu-satunya tanda yang benar-benar menbedakan meningioma dengan schwannoma yaitu sifat jaringan yang ditampilkan pada citra CT-Scan sbelum pasien diberikan kontras. Pada meningioma jaringan bersifat hiperdens sedangkan schwannoma bersifat isodens. Pada citra CT-Scan, terkadang massa hiperdens

SKRIPSI


FRANSISKA M.


18

terutama massa isodens memiliki tingkat keabuan yang sama dengan jaringan normal sehingga dalam pemeriksaan tumor pasien harus diberikan zat kontras. Oleh karena itu dalam penelitian ini digunakan citra CT-Scan pos kontras. Tabel 2.2 Diagnosa Pembeda Meningioma dengan Schwannoma (Grossman et al, 1994) Fitur Meningioma Schwannoma Dural tail Sering Sangat jarang Bony Reaction Osteolisis atau hipertosis Jarang Angle Made with Dura Obtus akut Kalsifikasi 20% Sangat jarang Cyst (nekrosis) Jarang Mencapai 10% Enhancement Seragam Inhortogenus dalam 32% Keterlibatan Kanal Jarang 80% Auditori Internal Atenuasi Prekontras CT Hiperdens Isodens Pendarahan Jarang Umumnya ada Massa meningioma cendrung tampak

dan homogen setelah

pemberian kontras. Hal ini sangat meningkatkan penggambaran tumor, terutama jika sebelum pemberian kontras bersifat

isodense.

Meningioma bisa berbentuk bulat, oval, atau lobular dengan batas yang jelas (Clausen et al, 1982). Sebagian besar schwannoma hanya terlihat setelah pemberian kontras. Peningkatannya graylevelintens, menjadi tampak, dan sebagian besar homogen (Clausen et al, 1982). Berdasarkan Gambar 2.6, dapat terlihat ciri utama dari tumor otak pada citra CTScan yaitu adanya sekumpulan massa dengan tingkat keabuan yang seluruhnya hampir seragam sehingga homogenitas citra menjadi meningkat sehingga nilai fitur energi meningkat. Ventrikel otak yang normal memiliki keberagaman graylevel yg tinggi dari

SKRIPSI


FRANSISKA M.

19


berbagai jaringan otak (CSF, garis tengah otak, pineal) sehingga nilai entropi meningkat. Adanya massa dengan graylevel yang hampir seragam, mendorong dan mendominasi jaringan otak lain sehingga mempersempit area jaringan normal menyebabkan keberagaman graylevel

menurun

sehingga

menurunkan

nilai

fitur

entropi.

Meningioma bersifat hiperdens dengan batas tegas yakni batas memiliki tingkat keabuan yang lebih cerah daripada jaringan otak lain maupun edema sehingga selisih graylevel antar piksel lebih kecildan mengakibatkan nilai fitur IDM (inverse different moment) meningkat. Sedangkan schwannoma bersifat isodens namun massa akan tampak setelah pemberian kontras dengan batas tidak begitu tegas sehingga selisih grayscale antar piksel lebih besardan mengakibatkan nilai IDM rendah.

Gambar 2.6(Dari Kiri Ke Kanan) Citra CT-Scan otak normal, meningioma, dan schwannoma 2.2.3.2

Tumor Otak Sekunder (Metastatic Brain Tumours)

Tumor otak ganas pada awalnya merupakan sel kanker pada bagian tubuh lain yang menyebar ke otak (Mayfield Clinic, 2013). Tumor ini terbentuk saat sel kanker terbawa oleh aliran darah ke otak. Kanker

SKRIPSI


FRANSISKA M.


20

yang biasanya menyebar ke otak yaitu kanker paru-paru dan kanker payudara. Tumor benigna dapat tumbuh membesar dan menekan organ maupun jaringan sehat pada otak sehingga dapat menganggu fungsinya dan menyerang jaringan lain (Kohir, 2015).Tumor benigna, maligna maupun metastasis berpotensi untuk membahayakan nyawa. Otak tidak bisa memberikan ruang lebih bagi tumor untuk tumbuh karena tertutup oleh tengkorak sehingga pertumbuhan tumor menyebabkan tekanan dan perubahan posisi pada jaringan otak seperti pada Gambar 2.7. Beberapa jenis tumor otak menyebabkan obstruksi cairan serebrospinal yang mengalir di sekitar maupun melalui otak. Obstruksi ini meningkatkan tekanan dan memperbesar ventrikel otak (hydrocephalus). Tumor juga terkadang menyebabkan edema (pembengkakan).

Ukuran,

tekanan,

dan

pembengkakan

ini

membentuk efek massa yang menyebabkan berbagai keluhan bagi pasien.

Gambar 2.7 Tumor Otak Menekan dan Merubah Posisi Jaringan Normal (Mayfield Clinics, 2013)

SKRIPSI


FRANSISKA M.


21

2.3 Computed Tomography Dua kata tersebut memiliki hubungan yang sangat erat. Tomographymengacu pada gambaran irisan melintang dari sebuah objek melalui transmisi maupun refleksi data yang dikumpulkan dengan memperjelas objek dari berbagai arah berbeda (Avinash et al, 1999). Computed merupakan kata kerja dari bahasa inggris yang artinya dihitung atau terkomputasi (perhitungan menggunakan komputer). Computed tomography merupakan sebuah metode untuk memperoleh gambaran melintang sebuah objek melaui transmisi maupun refleksi data yang diambil dalam berbagai arah dan dihitung atau terkomputasi oleh komputer. Computed tomoraphy atau CTtelah dikembangkan dalam kebutuhan klinis sejak tahun 1972 dan 1973 oleh Godfrey Hounfield (Grossman et al, 1994). Metode ini telah memungkinkan dokter untuk melihat organ dalam pasien dengan presisi sangat baik tanpa melakukan pembedahan. Pada dasarnya, tomografi memberikan pencitraan dengan merekonstruksi gambar dari proyeksinya. Dalam arti sempit, sebuah proyeksi pada sudut tertentu adalah integral dari gambar pada arah yang ditentukan oleh sudut itu (Avinash et al, 1999), seperti yang diilustrasikan pada Gambar. 2.8. Namun, dalam arti luas, proyeksi berarti informasi yang berasal dari energi yang ditransmisikan, ketika sebuah objek diterangi dari sudut tertentu, fraseproyeksi terdifraksi dapat digunakan ketika sumber energi berdifraksi, seperti halnya dengan USG dan oven microwave (Avinash et al, 1999).

SKRIPSI


FRANSISKA M.


22

Gambar2.8 Dua Buah Poyeksi Memperlihatkan Sebuah Objek yang Terdiri dari Sepasang Silinder (Avinash et al, 1999) 2.4 CT-Scan (Computed Tomography Scanner) CT-Scan merupakan salah satu alat diagnostik dalam dunia kedokteran yang menggunakan metode computed tomography. Penggunaan CT dalam pencitraan kedokteran nuklir telah berkembang, pertama dengan pengenalan PET dikombinasikan dengan CT (PET/CT) dan, baru-baru ini, dengan pengenalan SPECT dikombinasikan dengan CT (SPECT/CT) (Goldman, 2007). Alat inimampu memberikan gambaran organ dalam pasien tanpa dilakukan pembedahan oleh dokter. Di Indonesia, penggunaan CT-Scan telah banyak dilakukan oleh rumah sakit pemerintah maupun swasta. Alat ini memanfaatkan sinar-X sebagai sumbernya. 2.4.1 Sinar-X Sinar-X ditemukan oleh Wilhelm Conrad Rontgen seorang berkebangsaan Jerman pada tahun 1895 (Mukhlis, 2001; dalam Suyatno 2008). Pembangkit sinar-X berupa tabung hampa udara yang di dalamnya terdapat filamen yang juga sebagai katoda dan terdapat komponen anoda. Jika filamen dipanaskan maka akan keluar elektron

SKRIPSI


FRANSISKA M.


23

dan apabila antara katoda dan anoda diberi beda potensial yang tinggi, elektron akan dipercepat menuju ke anoda. Dengan percepatan elektron tersebut maka akan terjadi tumbukan tak kenyal sempurna antara elektron dengan anoda, akibatnya terjadi pancaran radiasi sinar-X. 2.4.2 Prinsip Dasar CT-Scan Hounsfield mengasumsikan hasil citra objek yang dipindai oleh CT-Scan merupakan irisan aksialnya. Dalam membangun sebuah CTScan, Hounsfield memanfaatkan sinar-X . Sinar-X yang digunakan telah difokuskan atau dibentuk menjadi seberkas sinar sempit (selebar pensil) (Goldman, 2007). Ukuran cahaya tersebut yaitu 3 mm dalam bidang irisan dan lebarnya 13 mm tegak lurus dengan bidang irisan. Posisi tabung sinar-X saling berhadapan dengan detektor x-ray yang terletak di sisi lain dari subjek. Secara bersamaan, tabung memancarkan sinar-X selebar pensil tadi pada subjek dan detektor menerima atau mengukur sinar-X yang dilewatkan. Gerakan memindai transversal linier dari tabung dan detektor tersebut dikenal sebagai translasi. Susunan peralatan ini digambarkan pada Gambar 2.9.

Gambar 2.9 Susunan Alat CT-Scan (Goldman, 2007)

SKRIPSI


FRANSISKA M.


24

Selama gerak translasi, pengukuran transmisi sinar-X melalui subjek yang diterima oleh detektor pada banyak lokasi seperti yang diperlihatkan Gambar 2.10. Besarnya sinar-X yang melewati pasien dalam setiap satu pengukuran disebut sebuah ray. Semua pengukuran yang dilakukan selama translasi dan ray yang dihasilkan disebut sebuah view. Sebagai contoh, scanner Hounsfield Mark I mengukur translasi darin 160 ray setiap view. Setelah melakukan translasi, tabung detektor diputar terhadap subjek sebanyak 1ᵒ, dan translasi diulang untuk mengumpulkan view yang kedua. Jika translasi pertama diperoleh dengan posisi tabung tepat di atas dan detektor di bawah subjek (0ᵒ), maka tabung detektor berputar sebanyak 1ᵒ kemudian translasi dilakukan kembali untuk mendapatkan view kedua. Rotasi dan translasi ini dilakukan terus hingga 180 kali pada CT-Scan generasi pertama dan 360 kali pada CT-Scan saat ini.

Gambar 2.10 Pengukuran Transmisi Sinar-X (Goldman, 2007)

SKRIPSI


FRANSISKA M.


25

Kombinasi translasi yang diikuti oleh rotasi disebut gerak translasi rotasi. Pengumpulan data dilakukan oleh pancaran seberkas sinar sempit dan satu detektor sintilasi natrium iodida (NaI). Susunan alat dengan detektor tunggal dan seberkas cahay sempit dengan gerakan translasi rotasi ini merupakan CT-Scan generasi pertama dibutuhkan waktu 5 sampai 6 menit untuk melakukan sebuah pemindaian. Untuk meminimalkan waktu pemindaian, scanner Mark I menggunakan 2 buah detektor yang berdekatan dan sinar-X dengan lebar 26mm secara bersamaan untuk melakukan pengukuran dan menghasilkan dua citra irisan aksial subjek. Pada akhir pemindaian, Hounsfield mendapatkan 28.800 pengukuran (180 view x 160 ray) untuk setiap irisan yang diambil melalui banyak sudut (180) dan posisi (160). 2.4.3 Rekonstruksi Citra CT-Scan Hounsfield membagi sebuah irisan subjek ke dalam matriks balok 3 dimensi disebut voxel seperti yang diperlihatkan oleh Gambar 2.11. Arah sumbu X dan Y berada pada bidang irisan sedangkan arah sumbu Z berada di sepanjang aksis subjek (arah ketebalan irisan). Dimensi Z dari voxel merupakan ketebalan irisan. Dimensi voxel X dan Y yang dinyatakan sebagai W dalam Gambar 2.13. bergantung pada ukuran dari area hasil pengukuran sinar-X yang diperoleh sebagai ukuran matriks (jumlah baris dan kolom). Misalnya setiap translasi menempuh jarak 250 mm.

SKRIPSI


FRANSISKA M.


26

Setelah pengumpulan seluruh view didapatkan pengukuran yang mencakup sebuah area pemindaian berbentuk lingkaran ( scan cricle) dengan diameter 250 mm. Jika scan circle dibagi kedalam matriks berukuran 250 baris x 250 kolom, maka setiap voxel memiliki ukuran 1 mm x 1 mm. Jika ukuran matriks 250 x 250 maka ukuran voxel menjadi 0,5 mm x 0,5 mm. Matriks tersebut disebut sebagai matriks rekonstruksi.

Gambar 2.11 Matriks RekonstruksiCT-Scan (Goldman, 2007) Tujuan dari rekonstruksi gambar CT yaitu untuk menentukan seberapa banyak atenuasi atau pelemahan dari sinar-X yang terjadi dalam setiap voxel dari matriks rekonstruksi (Goldman, 2007). Nilai perhitungan atenuasi tersebut mewakili tingkat keabuan dalam sebuah gambaran 2 dimensi dari irisan subjek. Dalam dunia citra digital, voxel 2 dimensi yang terletak pada pada bidang irisan (X dan Y) biasanya dikenal juga sebagai pixel, namun ukuran pixel citra yang ditampilkan (matriks citra) tentunya tidak sama dengan pixel matriks rekonstruksi akan tetapi cukup terinterpolasi dari matriks rekonstruksi agar bisa ditampilkan pada layar maupun untuk keperluan grafis seperti zooming atau pembesaran citra.

SKRIPSI


FRANSISKA M.


27

Hasil rekonstruksi ditampilkan dengan mempertimbangkan baris dari voxel yang merupakan ray selama pengumpulan data yang ditunjukkan oleh Gambar 2.11. Pada Gambar 2.11, Ni merupakan intensitas sinar-X yang ditransmisikan dan ray diukur oleh detektor. No merupakan ray hasil pengukuran intensitas sinar-X yang diterima oleh subjek. Ha tersebut dapat diketahui bahwa Xi merupakan jumlah dari nilai atenuasi dalam voxel sepanjang ray. Perhitungan jumlah atenuasi tersebut untuk baris voxel seperti pada Gambar 2.14diperlihatkan oleh persamaan berikut: Xi = µ1 + µ2 + µ3 + µ4 + .......... µn

....................................(2.1)

Keterangan: Xi : Jumlah atenuasi = -ln(Ni/No) µi = atenuasi dari voxel i = wi.µi Dengan cara yang sama, pengukuran untuk semua ray di semua posisi dan sudut dapat dinyatakan sebagai jumlah dari nilai-nilai atenuasi voxel pada setiap ray yang diukur. Perlu dierhatikan bahwa nilai Xi diketahui melauiperhitungan dari setiap pengukuran intensitas sinar-X oleh detektor (Ni) dengan dimensi voxel X dan Y (W) diketahui dan intensitas sinar-x yang yang diterima pasien diketahui (No). Pada scanner buatan Hounsfield, No langsung diukur oleh detektor referensi yang melakukan sampling intensitas sinar-Xdari tabungnya. Scanner modern menentukan No dari pemindaian kalibrasi secara berkala.

SKRIPSI


FRANSISKA M.


28

Sebagai contoh sebuah matriks berukuran 2 x 2 pada Gambar 2.15. View didapatkan dalam 4 arah sudut (0ᵒ, 90ᵒ, 45ᵒ, 135ᵒ) dan setiap pengukuran merupakan jumlah dari nilai penguatan voxel setiap ray. Nilai setiap atenuasi (U) dalam matriks tersebut belum diketahu nilainya sehingga dibutuhkan sebuah algoritma yang disebut ART (algebraic reconstruction technique). Cara kerja atau algoritma dari ART dapat dilihat pada Gambar 2.12. Algoritma ART memiliki kelemahan yaitu tidak ada jaminan bahwa ART mampu melakukan seluruh pengukuran secara tepat karena pengukuran itu sendiri mengandung kesalahan acak. Kesalahan acak ini muncul dari noise (quantum mottle) pada citra akibat terbatasnya jumlah poton sinar-X (akibat terbatasnya dosis radiasi pada pasien) yang terlibat pada setiap pengukuran oleh detektor. Oleh karena itu muncul algoritma baru dalam rekonstruksi citra CT-Scan yaitu backprojection. Algoritma backprojection dapat dilihat pada Gambar 2.13. Pada Gambar 2.13backprojection diberikan pada sebuah model yang memiliki 3 buah objek dengan nilai atenuasi berbeda. Pada setiap view, nilai atenuasi dapat dengan mudah dibedakan secara mendatar sepanjang arah dihasilkannya ray. Penjumlahan view backprojection dalam berbagai sudut dapat membangun sebuah citra. Walaupun algoritma ini efisien namun hasil rekonstruksi citra menghasilkan citra yang sangat kabur (blurr). Oleh

SKRIPSI


FRANSISKA M.

29


karena itu dibuatlah sebuah filter untuk menghasilkan citra yang lebih jelas disebut FBP (filtered backprojection).

Gambar 2.12Algoritma ART pada CT-Scan (Goldman, 2007) FBP merupakan operasi matematik konvolusi yang difungsikan sebagai filter citra. Filter ini masih digunakan pada CT-Scan generasi terbaru karena efisien dan memberikan hasil yang menjanjikan. Implementasi dari algoritma FBP dapat dilihat pada Gambar 2.14. Kebanyakan rekonstruksi citra CT-Scan saat ini menggunakan FBP untuk

merekonstruksi

citra

yang kabur

secara

parsial

untuk

meminimalkan munculnya noise.

SKRIPSI


FRANSISKA M.


30

Gambar 2.13Algoritma Backprojection CT-Scan (Goldman, 2007)

Gambar 2.14Algoritma FBP CT-Scan (Goldman, 2007) 2.5 Gray Level Co-occurrence Matrices (GLCM) Metode gray level co-occurance matrices (GLCM) digunakan untuk melakukan ekstraksi 14 fitur tekstur pertama kali diperkenalkan oleh Haralick pada tahun 1973. Fitur tekstur mengandung informasi mengenai distribusi spasial dari variasi derajat keabuan sebuah citra (Haralick et al, 1973). Informasi tekstur dapat digunakan untuk membedakan sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar dan halus, sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tersebut, yang sama sekali lepas dari warna permukaan tersebut (Budiarso, 2010). GLCM pada dasarnya merupakan metode histogram dua dimensi. Metode GLCM memperhitungkan hubungan spasial antara pixeldengan tingkat keabuan yang berbeda (Nayak et al, 2014). Metode perhitungan GLCM yaitu dengan menghitung seberapa sering pixel dengan intensitas tertentu (i) terjadi dalam kaitannya dengan pixel lain (j) pada jarak (d) dan orientasi (Ɵ) tertentu.

SKRIPSI


FRANSISKA M.

31


2.5.1 Kontruksi Co-occurance Matrices Haralick mendefinisikan GLCM sebagai matriks persegi P dengan ukuran N x N. P(x1,x2) merupakan distribusi probabilitas bersama dari pasangan pixel bertetangga dengan graylevel x1dan x2 pada posisi (m,n) berjarak r dengan sudut Ɵ. Sudut Ɵ inilah yang menunjukkan empat arah sudut tetangga yaitu 0ᵒ, 45ᵒ, 90ᵒ, dan 135ᵒ seperti pada Gambar 2.15.

Gambar 2.15Arah Sudut dalam Membangun GLCM (Nayak et al, 2014) Berdasarkan definisi GLCM menurut Haralick, dimisalkan sebuah citra grayscale I dengan jumlah total level keabuan N, maka ketentuan untuk pasangan pixel dengan jarak r dan sudut Ɵ adalah (Putra, 2010): ( ,

,

,

,

,

− )

, SKRIPSI

,

=

) = | ( , ), ( , ) ∈

) = | ( , ), ( , ) ∈

( ,

) = | ( , ), ( , ) ∈

,

=

,

=

| ...................................................................................(2.2)

( ,

( −

= 0, | − | = ,

: −

=− , −

= ,

,

:( −

=

,

:| −

,

= ,| − | = =

| ..................(2.3)

| = , ( − ) = 0,

,

=

| ...................................................................................(2.4)


FRANSISKA M.

32


,

,

( , ,

=

Keterangan :

) = | ( , ), ( , ) ∈

:( −

= , −

= ),

,

=

| ...................................................................................(2.5)

P = probabilitas kemunculan pasangan piksel bertetangga x1 = graylevelpasangan piksel tetangga x2 x2 = graylevelpasangan piksel tetangga x1 r = jarak piksel tetangga j = posisi baris piksel x1 k = posisi kolom piksel x1 m= posisi baris piksel x2 n = posisi kolom piksel x2 Matriks PƟ,r(x1,x2) yang sudah terbentuk kemudian ditambah dengan transposenya sehingga terbentuk matrik simetris. Selanjutnya semua komponen matriks simetris ini dibagi dengan jumlah komponen matriks sehingga terbentuk matriks p yang sudah ternormalisasi. PƟ,r(x1,x2)=PƟ,r(x2,x1) (Haralick et al, 1973) sehingga kemunculan pasangan pixel pada arah sudut 0ᵒ sama dengan arah sudut 180ᵒ. Begitu juga dengan arah sudut lainnya yaitu 45ᵒ dengan 225ᵒ, 90ᵒ dengan 270ᵒ, dan 135ᵒ dengan

315ᵒ

karena

matriks

sudut

tersebut

merupakan

matriks

simetris,sehingga dalam GLCM hanya digunakan keempat sudut tersebut.

SKRIPSI


FRANSISKA M.


33

Fitur tekstur akan diambil dari masing-masing sudut tersebut. Albergsten 2008 menyarankan untuk hanya menggunakan nilai rata-rata fitur tekstur dari keempat sudut jika ingin menghindari ketergantungan arah piksel bertetangga.

2.5.2 Fitur Tekstur Gray Level Co-occurence Matrices Informasi tekstur dapat digunakan untuk membedakan sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar dan halus, sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tersebut, yang sama sekali lepas dari warna permukaan tersebut (Budiarso, 2010).Fitur tekstur dihitung dengan melakukan rata-rata matriks co-occurence empat arah sehingga dihasilkan suatu matriks. Haralick merumuskan 14 fitur tektur yang dapat diambil dari GLCM. Dalam penelitian ini hanya digunakan 3 fitur tekstur. Matriks p merupakan matrisk GLCM yang sudah dinormalisasi dengan dimensi i baris dan j kolom, maka fitur tekstur dari GLCM dapat dirumuskan sebagai berikut (Haralick et al, 1973): 1. Angular second moment (ASM/energy) ASM juga dikenal sebagai keseragaman energi. ASM mengukur atau menyatakan homogenitas dari suatu citra. Nilai ASM besar jika citra memiliki homogenitas yang sangat baik. ASM dapat dihitung menggunakan Persamaan = Ʃ Ʃ { ( , )} ..................................................................................(2.6)

SKRIPSI


FRANSISKA M.


34

2. Inverse Difference Moment (IDM) Inverse Difference Momen (IDM) menyatakan homogenitas lokal. IDM bernilaibesar ketika tingkat keabuan lokal seragam dan invers dari GLCM tinggi (Nayak et al, 2014). Dengan kata lain nilai IDM akan meningkat apabila selisih derajat keabuan sepasang piksel semakin kecil. Nilai IDM dapat dihitung menggunakan Persamaan = ƩƩ

(

3. Entropy (Entropi)

)

p(i,j)...........................................................................(2.7)

Entropi adalah ukuran statistik dari keacakan (ketidakteraturan) yang dapat digunakan untuk mengkarakterisasi tekstur citra input. Apabila sebuah citra secara tekstural tidak seragam, maka banyak elemen GLCM yang bernilai rendah sehingga nilai entropi menjadi besar. Entopi dapat dihitung menggunakan Persamaan =

−Ʃ ∑

( , )log ( ( , ))..............................................................(2.8)

2.6 Jaringan Syaraf Tiruan Jaringan syaraf

tiruan (JST) didefenisikan sebagai susunan dari elemen-

elemen penghitung yang disebut neuron atau titik (node) yang saling terhubung guna dimodelkan untuk meniru fungsi otak manusia (Sinambela et al, 2013). Hal paling penting dari konsep jaringan syaraf yaitu adanya proses pembelajaran dengan tujuan utama melakukan pengaturan terhadap bobot-bobot yang ada pada jaringan syaraf, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data

SKRIPSI


FRANSISKA M.


35

yang dilatih. Selama proses pembelajaran terjadi perbaikan bobot-bobot berdasarkan algoritma tertentu. Pembelajaran atau pelatihan Jaringan syaraf tiruan dikelompokkan menjadi 3 (Sinambela et al, 2013) yaitu: a. Pembelajaran Terawasi (Supervised Learning) Dalam metode ini, setiap pola yang diberikan kedalam jaringan syaraf tiruan telah diketahui outputnya. Selisih antara pola output aktual (output yang dihasilkan) dengan pola output yang dikehendaki (output target) yang disebut error digunakan untuk mengoreksi bobot jaringan syaraf tiruan hingga mampu menghasilkan output sedekat mungkin dengan target yang telah diketahui oleh jaringan syaraf tiruan. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. Contoh pembelajaran terawasi adalah: Hebbian, Perceptron, ADALINE, Boltzman, Hopfield, dan Backpropagation. b. Pembelajaran Tak Terawasi (Unsupervised Learning) Metode ini tidak memerlukan target output. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini yaitu mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. c. Pembelajaran Hibrida (Hybrid Learning) Metode ini merupakan kombinasi dari metode pembelajaran supervised learning dan unsupervised learning. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi. Dalam penelitian ini digunakan jaringan syaraf

SKRIPSI


FRANSISKA M.


36

tiruan backpropagation untuk klasifikasi citra CT-Scan otak normal, meningioma, dan schwannoma.

2.7 Backpropagation Backpropagation merupakan salah satu jenis jaringan syaraf tiruan yang terdiri dari beberapa layer (multilayer) dengan metode pembelajaran terawasi (Supervised

Learning).

Algoritma

pembelajaran

error

backpropagation

merupakan sebuah algoritma jaringan syaraf yang belajar untuk membedakan pola yang tidak bisa dipisahkan secara linier (Anzai, 1946). Setiap unit jaringan backpropagation yang berada di lapisan input terhubung dengan setiap unit yang ada di lapisan tersembunyi (hidden layer) terhubung dengan setiap unit yang ada di lapisan output. Ketika jaringan diberikan pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit-unit lapisan tersembunyi untuk selanjutnya keluaran akan memberikan respon sebagai keluaran jaringan syaraf tiruan. Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka keluaran akan dijalankan mundur (backward) pada lapisan tersembunyi kemudian dari lapisan tersembunyi menuju lapisan masukan. Arsitektur jaringan backpropagation ditunjukkan oleh Gambar 2.16. Setiap unit di dalam layer input pada jaringan backpropagation selalu terhubung dengan setiap unit yang berada pada layer tersembunyi, demikian juga setiap unit pada layer tersembunyi selalu dari banyak lapisan (Sinambela et al, 2013) yaitu: 1. Lapisan input (1 buah), yang terdiri dari 1 hingga n unit input. 2. Lapisan tersembunyi (minimal 1 buah), yang terdiri dari 1 hingga p unit tersembunyi.

SKRIPSI


FRANSISKA M.


37

3. Lapisan output (1 buah), yang terdiri dari 1 hingga m unit output.

Gambar2.16 Arsitektur Jaringan Backpropagation (Sinambela et al, 2013) Algoritma pelatihan backpropagation terdiri dari 2 tahapan (Sinambela et al, 2013), feedforward dan backward propagation. Algoritma pelatihan jaringan backpropagation(Sinambela et al, 2013) dapat dilakukan sebagai berikut: 1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). 2. Tetapkan: maksimum Epoh, Target Error, dan Learning Rate (α). 3. Inisialisasikan: Epoh = 0. 4. Kerjakan langkah-langkah berikut selama (Epoh < maksimum Epoh) dan (MSE < Target Error): a.

Epoh = Epoh + 1

b. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran feedforward sebagai berikut:

SKRIPSI


FRANSISKA M.


38

b.1 Tiap-tiap unit input (Xi, i=1, 2, 3…., n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b.2 Tiap-tiap unit pada suatu lapisan tersembunyi (Zi, j=1, 2, 3,….p) menjumlahkan sinyalsinyal input terbobot: z_inj = b1j + Ʃ

xi vij............................................................................................(2.9)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya: zj = f (z_inj) = 1

.................................................................................... (2.10)

_

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). b.3 Tiap-tiap unit output (Yk, k=1, 2, 3,…..m) menjumlahkan sinyalsinyal input terbobot. zink = b2k + Ʃ

zi wjk...........................................................................................(2.11)

yk = f (yink) =

.........................................................................................(2.12)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Catatan: Langkah (b.2) dilakukan sebanyak jumlah neuron pada hidden layer. Backward propagation b.4 Tiap-tiap unit output (Yk, k=1,2,3,…..,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: δ2k = tk − yk f′(y_ink)............................................................................................(2.13)

SKRIPSI


FRANSISKA M.


39

φ2jk = δk zj.................................................................................................................. ( 2.14) β2k = δk............................................................................................................................. (2.15) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk: ∆wjk = α φjk.................................................................................................................. (2.16) Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k: ∆b2k = α.................................................................................................................. (2.17) Langkah (b.4) dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya. b.5 Tiap-tiap unit tersembunyi (Zj, j=1,2,3,….,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): δ_inj = Ʃ

δi wjk.................................................................................................... (2.18)

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: δ1j = δ_inj f′(z_in j ).................................................................................................(2.19) φ1ij = δj xj..................................................................................................................... (2.20) β1j = δ1j.......................................................................................................................... (2.21) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij: ∆vij = α φ 1ij................................................................................................................. (2.22)

SKRIPSI


FRANSISKA M.


40

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1j: b1j = α φ 1j.................................................................................................................. (2.23) b.6 Tiap-tiap unit output (Yk, k=1,2,3,….,m) memperbaiki bias dan bobotnya (j = 0,1,2,….,p): wjk(baru) = wjk(lama) + ∆wjk.......................................................................... (2.24) b2k(baru) = b2k(lama) + ∆b2 k..........................................................................(2.25) Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…..,p) memperbaiki bias dan bobotnya (i=0,1,2,….,n ): vij(baru) = vij(lama) + ∆vij.......................................................................... (2.26) b1j(baru) = b1j + ∆b1 j.......................................................................... (2.27) 5. Hitung (MSE) Mean Square Error Setelah dilakukan algoritma tersebut pada jaringan, maka akan didapatkan jaringan yang sudah dilatih. Sehingga untuk melakukan identifikasi, dapat dilakukan dengan langsung memberikan input dan jaringan akan mengklasifikasikannya sesuai dengan bobot- bobot yang diperoleh dari proses training sebelumnya. Dimana besar mean square errorditunjukka persamaan berikut. =

= Ʃ

SKRIPSI

Ʃ

( )−

( )

................................................................................................ (2.28)

( )................................................................................................................................ (2.29)


FRANSISKA M.


BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian ini dilaksanakan di Laboratorium Instumentasi Medis dan Laboratorium Komputer, Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga untuk membuat sistem. Penelitian dilakukan selama kurang lebih enam bulan dari Februari hingga Juli 2016 3.2 Peralatan dan Software Peralatan dan bahan yang digunakan selama penelitian adalah: 1. Laptop Hewlett Packard model Pavilion 14n016TU dengan spesifikasi sebagai berikut: a. Intel Core i7-4500U @1.80GHz-2.40GHz processor / RAM 4 GB. b. 64-bit operating system. 2. Data citra potongan axial otak dari RSUD Ulin Banjarmasin dan RSUD dr. Soetomo Surabaya. 3. Software yang digunakan yaitu Windows 8, Microsoft Office 2010, Microsoft Excel 2010dan MATLAB R2013a.

41 SKRIPSI


FRANSISKA M.


42

3.3 Prosedur Penelitian Penelitian Klasifikasi Citra CT Scan untuk Deteksi Meningioma dan Schwannoma Menggunakan Gray Level Co-occurrence Matrices (GLCM) dan Backpropagation akan dilakukan dengan beberapa tahap seperti ditunjukkan dalam Gambar 3.1. dengan penjelasan lengkap pada subbab 3.3.1 hingga 3.3.5. 3.3.1 Persiapan Data Data citra CT-Scan otakpost contrast dalam penelitian ini berjumlah 95 pasien meliputi 32 citra otak normal, 43 meningioma, dan 20schwannoma yang telah terdiagnosa secara visual oleh dokter radiologi. Data yang digunakan dalam penelitian ini didapatkan dari RSUD Ulin Banjarmasin dan RSUD dr.Soetomo Surabaya. Citra

yang

didapatkankemudian

dibagi

untuk

keperluan

trainingdan testing jaringan backpropagation dalam penelitian ini. Sebanyak 80% data diambil dari masing-masing kasus untuk keperluan latih, sehingga data latihberjumlah 76 citra yang terdiri dari 34 meningioma, 16 schwannoma, dan 26 normal. Sebanyak 20% atau sisanya dari masing-masing kasus digunakan untuk keperluan uji, sehingga data ujiterdiri dari 9 meningioma, 4 schwannoma, dan 4 normal.

SKRIPSI


FRANSISKA M.


Citra otak CT scan

43

Persiapan Data Citra Testing

Citra Training

Pembentukan Matriks GLCM 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ Penghitungan fitur tekstur dari Matriks GLCM Energy

Entropy

Ekstraksi fitur tekstur

IDM

Pemilihan fitur dan variasi nilai parameter JST Pelatihan jaringan backpropagation

Pelatihan jaringan

Bobot akhir

Pengujian jaringan Backpropagation Testing Akurasi

Analisa data

Analisa data

Gambar 3.1 Diagram Prosedur Penelitian

SKRIPSI


FRANSISKA M.


44

3.3.2 Esktrasi Fitur Tekstur Fitur tekstur dalam penelitian ini didapatkan melalui metode gray level co-occurrence matrices (GLCM). Matriks GLCM dibentuk melalui empat arah sudut yakni 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ yang juga mewakili arah 180ᵒ, 225ᵒ, 270ᵒ, 315ᵒ sehingga nilai fitur akan tetap sama walaupun posisi kepala pasien berubah-ubah. Ekstrasi fitur ini dilakukan pada data-data citra CT-Scan pada tahap persiapan data. Fitur-fitur yang diambil dari metode GLCM yaiu 3 fiturdari 14 fitur tekstur Haralick yang mewakili citra sebagai berikut : 1. Angular second moment (ASM/energy) ASM juga dikenal sebagai keseragaman energi. ASM mengukur atau menyatakan homogenitas dari suatu citra. Nilai ASM besar jika citra memiliki homogenitas yang sangat baik. ASM dapat dihitung menggunakan Persamaan 2.6 2. Inverse Difference Moment (IDM) Inverse Difference Momen (IDM) menyatakan homogenitas lokal. IDM bernilaibesar ketika tingkat keabuan lokal seragam dan invers dari GLCM tinggi (Nayak et al, 2014). Nilai IDM dapat dihitung menggunakan Persamaan 2.7 3. Entropy (Entropi) Entropi adalah ukuran statistik dari keacakan (ketidakteraturan) yang dapat digunakan untuk mengkarakterisasi tekstur citra input. Entopi dapat dihitung menggunakan persamaan 2.8

SKRIPSI


FRANSISKA M.


45

Semua fitur tekstur diatas didapatkan melaui metode GLCM. nilai fitur yang digunakan sebagai input backpropagation merupakan nilai rata-rata masing-masing fitur dari ke empat sudut matriks GLCM yaitu 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ. Hasil ekstrasi fitur data trainingdan testingdiberikan pada Lampiran 2.

3.3.3 Pelatihan Jaringan Backpropagation Pelatihan dilakukan menggunakan data yang diperoleh dari proses persiapan data. Fitur yang didapatkan dari proses ekstraksi fitur menjadi masukan bagi backpropagation. Keluaran dari jaringan backpropagation

ada

3

yaitu

normal

dengan

indeks

0,

meningiomadengan indeks 0,5, dan schwannomadengan indeks 1. Algoritma pelatihan backpropagation dapat dilihat pada Gambar 3.2. Pelatihan ini dilakukan percobaan untuk mendapatkan kombinasi input dan nilai parameter optimal dengan nilai akurasi tertinggi. Parameter yang digunakan yaitu maksimal epoh, learning rate (α), dan jumlah neuron di hidden layer. Tingkat akurasi dari variasi nilai parameter dan input disajikan pada Lampiran 2.

SKRIPSI


FRANSISKA M.


46

Gambar 3.2 Algoritma Pelatihan Backpropagation (Sinambela et al, 2013)

SKRIPSI


FRANSISKA M.


3.3.4

47

Pengujian Jaringan Backpropagation

Data uji bagi jaringan backpropagation yang dibuat merupakan 20% dari masing-masing citra otak terdiri dari 6 normal, 9 meningioma, dan 4 schwannoma pada proses persiapan data. Fitur masukan merupakan kombinasi dari jumlah fitur yang didapatkan dengan akurasi tertinggi pada tahap pelatihan. Nilai bobot dan error yang digunakan didapat memlalui tahap pelatihan backpropagation. Algoritma pengujian backpropagation disajikan pada Gambar 3.3

Gambar 3.3 Algoritma PengujianBackpropagation 3.3.5 Analisa Data Hasil pengujian disajikan pada Tabel 4.1. Tingkat akurasi pengujian jaringan backpropagation dapat diketahui dengan menbandingkan hasil keluaran jaringan dengan hasil diagnosa dokter radiologi. Tingkat kebenaran klasifikasi atau akurasi merupakan proporsi dari klasifikasi benar terhadap jumlah klasifikasi total (Padma et al,

SKRIPSI


FRANSISKA M.


48

2011a).Akurasi dalam penelitian ini merupakan persentase kesesuain dignosa dokter radiologi dengan keluaran jaringan backpropagation. Tingkat akurasi tersebut dapat dihitung menggunakan persamaan berikut: =

Ʃ

100%

3.4 Desain Interface Perangkat interface pada penelitian ini didesain menggunakan Graphical User Interface (GUI). Pembuatan interface bertujuan untuk mempermudah penggunaan user. GUI yang dibuat terdiri dari beberapa menu utama atau jendela yaitu beranda, program deteksi, program trainingdan testing, dan bantuan. 1. Jendela Beranda

1

2

3

4 5 Gambar 3.4 Desain Tampilan Jendela Beranda

Berdasarkan Gambar 3.4 jendela beranda terdiri dari : 1. Program deteksi

: push button yang berisi perintah untuk membukaprogram deteksi.

2. Program training dan testing : push button yang berisi perintah untuk

SKRIPSI


FRANSISKA M.

49


membuka program training dan testing. : push button yang berisi perintah untuk

3. Bantuan

membuka jendela bantuan. : push button yang berisi perintah untuk

4. Tentang

membuka jendela tentang. : push button yang berisi perintah untuk

5. Keluar

memberikan pilihan mengakhiri program kepada user. Jendela beranda memiliki dua buah axes yang berfungsi untuk menampilkan logo Universitas Airlangga. 2. Jendela Program Deteksi Jendela program deteksi berfungsi untuk melakukan diagnosa atau mendeteksi citra yang dimasukkan oleh user. Selain itu jendela ini digunakan oleh peneliti untuk menguji citra data uji. Desain tampilan jendela program deteksi ditunjukkan oleh Gambar 3.5.

3

2 5

4

8

6

9

7

1

10

Gambar 3.5 Desain Tampilan Jendela Program Deteksi

SKRIPSI


11

FRANSISKA M.


50

Berdasarkan Gambar 3.5 jendela program deteksi terdiri : 1. Axes 1

: berfungsi menampilkan citra yang akan didiagnosa.

2. Browse

:push button yang berisi perintah untuk memilih citra yang akan didiagnosa.

3. Edit 1

: berfungsi menampilkan nama citra.

4. Ambil fitur

: push button yang berisi perintah untuk menghitung nilai fitur citra.

5. Text 5

: berfungsi menampilkan nilai fitur entropi.

6. Text 6

: berfungsi menampilkan nilai fitur IDM.

7. Text 7

: berfungsi menampilkan nilai fitur energi.

8. DIAGNOSA

: push button yang berisi perintah untuk melakukan diagnosa.

9. Text 8

: berfungsi menampilkan text yang menyatakan hasil diagnosa.

10. Reset

: push button yang berisi perintah untuk mengosongkan semua data.

11. Keluar

: push button yang berisi perintah untuk memberikan pilihan mengakhiri program.

3. Jendela Program Trainingdan Testing Jendela program training dan testing berfungsi untuk mendapatkan bobot baru menggunakan data yang digunakan dalam penelitian ini maupun data baru yang digunakan user. Desain jendela program training dan

SKRIPSI


FRANSISKA M.

51


testing ditampilkan oleh Gambar 3.7, selain itu berfungsi sekaligus untuk menguji data uji yang didapatkan dalam penelitian maupun data uji baru dari user. Sebelum memasuki jendela program training dan testing dibuat jendela login. Desain tampilan jendela login ditunjukkan oleh Gambar 3.6.

4

5

1 2 3

Gambar 3.6 Desain Tampilan Jendela Login Berdasarkan Gambar 3.6 jendela login terdiri dari : 1. Edit 1

: berfungsi untuk mengisi username.

2. Edit 2

: berfungsi untuk mengisi password.

3. Login

: push button yang berisi perintah untuk memeriksa kecocokan antarausername dengan password, jika cocok maka akan terbuka jendela program training dan testing, jika tidak

maka

akan

terbuka

textbox

berisi

keterangan

ketidakcocokan. 4. Axes 1

: berfungsi menampilkan logo Universitas Airlangga.

5. Axes 2

: berfungsi menampilkan logoUniversitas Airlangga.

SKRIPSI


FRANSISKA M.


52

Setelah username dan password cocok maka akan terbuka jendela program training dan testing. Berdasarkan Gambar 4.7 jendela ini terdiri atas: : push button yang berisi perintah memilih data

1. Browse

trainingdan testing. 2. Edit 1

: berfungsi menampilkan nama data training.

3. Edit 2

: berfungsi memasukkan nilai learning rate.

4. Edit 3

: berfungsi memasukkan nilai hidden layer.

5. Edit 4

: berfungsi memasukkan nilai epoh.

6. Edit 5

: berfungsi menampilkan nama data testing.

7. Tabel fitur

: berfungsi menampilkan data fitur training dan testing.

8. Tabel output

: berfungsi menampilkan output jaringan dan target pada training maupun testing.

9. Text 1

: berfungsi menampilkan akurasi pelatihan.

10. Text 2

: berfung menampilkan jumlah data latih.

11. Text 13

: berfungsi menampilkan jumlah data benar.

12. Text 15

: berfungsi menampilkan akurasi testing.

13. Mulai Training

: push button yang berisi perintah untuk memulai training.

14. Mulai Testing

: push button yang berisi perintah untuk memulai testing.

15. Tabel Bobot W1 : berfungsi menampilkan bobot W1.

SKRIPSI


FRANSISKA M.

53


16. Tabel Bobot W2 : berfungsi menampilkan bobot W2. 17. Tabel Bobot b1

: berfungsi menampilkan bobot b1.

18. Tabel Bobot b2

: berfungsi menampilkan bobot b2.

19. Reset

: push button yang berisi perintah untuk mengosongkan semua data. : push button yang berisi perintah menampilkan

20. Keluar

pilihan untuk mengakhiri program.

6

1

2

1

5

7 4

8

4

15

13

5

9

8

16

17

18

10 12

11 19

14 20

Gambar 3.7 Desain Tampilan Jendela Program Training dan Testing 4. Jendela Bantuan Jendela bantuan berisi instruksi untuk menampilkan petunjuk atau instruksi cara menggunakan program ini. Desain jendela bantuan ditunjukkan oleh Gambar 3.8.

SKRIPSI


FRANSISKA M.


54

Jendela bantuan memiliki push button KELUAR yang berisi perintah perintah menampilkan pilihan untuk mengakhiri program.

Gambar 3.8Desain Tampilan Jendela Bantuan

SKRIPSI


FRANSISKA M.


BAB IV HASIL DAN PEMBAHASAN 4.1 Tampilan Program Tampilan program deteksi meningioma dan schwannoma dari citra CTScan ini didesain menggunakan Graphical User Interface (GUI) dengan tujuan untuk mempermudah user dalam menggunakannya. Interface program didesain menggunakan GUI sehingga lebih praktis dan aplikatif. Pada subbab 4.1.1 sampai dengan 4.1.4 akan dijelaskan tampilan jendela-jendela di dalam GUI beserta fungsi menu dan tombol di dalamnya. Desain interface program ini diberi nama AIMeSD (Artificial Intelligent for Meningioma and Schwannoma Detection). Program ini memiliki nama lain yaitu “Aplikasi Pendeteksi Meningioma dan Schwannoma dari Citra CT-Scan Otak menggunakan Backpropagation”. 4.1.1 Jendela Beranda Jendela beranda merupakan tampilan awal yang berisi menu utama dari keseluruhan program deteksi meningioma dan schwannoma dari citra CT-Scan ini. Tampilan jendela beranda ditunjukkan oleh Gambar 4.1. Jendela beranda dapat dibuka melalui menu “beranda” pada jendela bantuan, program deteksi, login, serta program training dan testing. Menu yang terdapat di dalam jendela ini yaitu program training dan testing, dan program deteksi. Kedua menu tersebut digunakan untuk masuk ke dalam jendele-jendela utama program. Menu bantuan 55 SKRIPSI


FRANSISKA M.


56

digunakan untuk menampilkan instruksi atau cara penggunaan program ini. Selain itu juga terdapat tombol KELUAR yang akan memberikan penawaran kepada user untuk mengakhiri penggunaan program.

Gambar 4.1 Tampilan Jendela Beranda 4.1.2 Jendela Program Deteksi Jendela program deteksi merupakan salah satu jendela utama yang digunakan user untuk melakukan deteksi citra CT-Scan untuk mengetahui apakah dari citra tersebut otak pasien normal, meningioma, atau schwannoma. Jendela ini juga digunakan oleh pembuat program untuk melakukan pengujian. Tampilan jendela program deteksi ditunjukkan oleh Gambar 4.2. Jendela program deteksi dapat dibuka melalui menu “program deteksi” pada jendela beranda, bantuan, login, serta program traing dan testing.

SKRIPSI


FRANSISKA M.


57

Gambar 4.2 Tampilan Jendela Program Deteksi Hal pertama yang harus dilakukan user yaitu menekan tombol “BROWSE” untuk memilih citra dengan format “.dcm” atau DICOM. Kemudian user menekan tombol “AMBIL FITUR” untuk mengetahui nilai fitur tekstur citra yang terdiri dari entropi, IDM, dan energi. Setelah nilai muncul maka user dapat menekan tombol “DIAGNOSA” untuk mengetahui hasil diagnosa program terhadap citra yang digunakan. 4.1.3 Jendela Program Training dan Testing Jendela program latihdan uji berfungsi untuk mendapatkan bobot baru menggunakan data yang digunakan dalam penelitian ini maupun data baru yang digunakan user. Bobot awal yang digunakan dalam tariningdipilih secara acak oleh program latihdan uji dengan rentang nilai dari -1 hingga 1. Bobot baru akan digunakan ke dalam backpropagation yang telah dibangun secara mandiri oleh peneliti. Sebelum masuk ke dalam jendela ini user harus memasukkan username

SKRIPSI


FRANSISKA M.


58

serta password yang diberikan oleh peneliti ke dalam jendela login. Tampilan jendela login ditunjukkan oleh Gambar 4.3. Tampilan jendela program trainingdan testing ditunjukkan oleh Gambar 4.4. Hal pertama yang harus dilakukan oleh user setelah login yaitu memasukkan data pelatihan dengan format “.mat”

menggunakan

tombol “BROWSE” pada panel training. Tampilan panel training ditunjukkan oleh Gambar 4.5. Kemudian mengisi nilai parameter backpropagation yaitu learning rate, hidden layer (jumlah neuron pada hidden layer), dan epoch (maksimum epoh). Setelah semua parameter diisi kemudian user menekan tombol “MULAI TRAINING” dan proses pelatihan dimulai. Proses ini akan berakhir jika grafik MSE muncul dan nilai hasil pelatihan berupa akurasi pelatihan, jumlah data latih, jumlah data benar, dan tabel output target telah disajikan. Setelah proses pelatihan selesai bobot akan muncul pada panel testing.

Gambar 4.3Tampilan Jendela Login

SKRIPSI


FRANSISKA M.


59

Gambar 4.4 Tampilan Jendela Training dan Testing Bobot pada panel testingtesrdiri dari W1, W2, b1, dan b2. Tampilan panel testingditunjukkan oleh Gambar 4.6. Setelah semua bobot muncul pada tabel, user memasukkan data testing dalam format “.mat” menggunakan tombol “BROWSE” di panel testing kemudian menekan tombol “Mulai Testing”. Hasil pengujian berupa akurasi dan tabel kesesuain antara outputdengan target akan muncul jika proses testingselesai. Pada jendela program training dan testing terdapat tombol “RESET” yang berfungsi untuk mengosongkan semua data pada panel training maupun testing sehingga user bisa menggunakan data baru. Selain itu, terdapat tombol “KELUAR” yang akan memberikan pilhan pada user untuk mengakhiri atau menutup program.

SKRIPSI


FRANSISKA M.


60

Gambar 4.5 Tampilan Panel Training

Gambar 4.6 Tampilan Panel Testing

SKRIPSI


FRANSISKA M.


61

4.1.4 Jendela Bantuan Jendela bantuan berisi instruksi untuk menapilkan petunjuk atau instruksi cara menggunakan program ini. Tampilan jendela bantuan ditunjukkan pada Gambar 4.7. Jendela bantuan dapat dibuka melalui menu “bantuan” pada jendela beranda, program deteksi, login, serta program training dan testing. Instruksi yang diberikan berupa cara penggunaan program deteksi, dan program training dan testing. Selain itu juga berisi petunjuk mengenai spesifikasi citra yang digunakan. Jendela ini memiliki menu beranda, program deteksi, dan program training dan testing. Menumenu tersebut berfungsi untuk membuka jendela yang dibutuhkan. Pada jendela bantuan ini

terdapat

tombol

“KELUAR”

yang akan

memberikan pilhan pada user untuk mengakhiri atau menutup program.

Gambar 4.7 Tampilan Jendela Bantuan

SKRIPSI


FRANSISKA M.


62

4.2 Hasil Pengumpulan Data Citra CT-Scan dalam penelitian ini didapatkan dari RSUD Ulin Banjarmasin dan RSUD dr. Soetomo Surabaya. Data yang didapatkan merupakan citra CT-Scan otak pos kontras berjumlah 95 pasien dan telah didiagnosa secara visual oleh dokter radiologi namun belum dibuktikan secara histopatologi. Data tersebut terdiri dari 43 meningioma, 20 schwannoma, dan 32 normal. Semua citra yang diperoleh memiliki format DICOM (.dcm). Format tersebut merupakan format citra asli dari mesin CT-Scan. Citra yang diperoleh memiliki ukuran sebesar 512x512 piksel dan diambil menggunakan mesin CT-Scan multisclice dengan kondisi maksimum generator sinar X sebesar 130kV. Semua data tersebut dibagi secara acak untuk keperluan ujidan latih. Sebanyak 80% data diambil dari masing-masing kasus untuk keperluan latih, sehingga data latihberjumlah 76 citra yang terdiri dari 34 meningioma, 16 schwannoma, dan 26 normal. Sebanyak 20% atau sisanya dari masing-masing kasus digunakan untuk keperluan uji, sehingga data ujiterdiri dari 9 meningioma, 4 schwannoma, dan 4 normal. Data latihmaupun uji langsung diekstrasi fitur teksturnya menggunakan Gray Level Co-occurrence Matrices (GLCM) tanpa melalui proses perbaikan citra. Hal ini dilakukan karena CT-Scan memiliki perbaikan citra otomatis dan sekaligus untuk menghindari informasi asli citra yang hilang.

SKRIPSI


FRANSISKA M.


63

4.3 Hasil Ekstrasi Fitur Tekstur Ekstrasi fitur dilakukan pada data latih maupun uji untuk mengetahui ciri khas yang menggambarkan diagnosa citra. Dalam penelitian ini digunakan metode statistik orde dua yaitu Gray Level Co-occurrence Matrices(GLCM) untuk mengetahui tiga fitur tekstur dari citra yaitu energy, entropi, dan inverse difference moment (IDM). GLCM digunakan untuk mengetahui probabilitas pasangan piksel yang saling bertetangga dengan tingkat keabuan, jarak, dan sudut tertentu. Penlitian GLCM dilakukan dalam empat arah sudut yaitu yaitu 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ dengan jarak 1 piksel. Albergsten (2008) menyarankan untuk hanya menggunakan nilai rata-rata fitur tekstur dari keempat sudut jika ingin menghindari

ketergantungan

arah piksel

bertetangga. Penelitian ini

menggunakan saran dari Albergsten (2008) untuk menghindari penggunaan rotasi, sehingga nilai fitur akan tetap sama walaupun posisi kepala pasien berubah-ubah. Penggunaan rotasi juga dihindari karena dalam kasus tumor otak terjadi pergeseran garis tengah otak maupun organ lainnya akibat pendesakan massa sehingga sangat sulit untuk menentukan posisi kepala pasien agar tepat mengarah ke atas. Selain itu penggunaan rata-rata sebagai input mampu mengurangi beban komputasi. Fitur pertama yang dihitung yaitu inverse difference moment (IDM) yang dihitung menggunakan persamaan 2.7. Gambar 4.8 menunjukkan sebaran nilai rata-rata fitur IDM untuk data latih. Berdasarkan Gambar 4.1 nilai ratarata fitur IDM untuk semua data latih memiliki rentang yang hampir sama.

SKRIPSI


FRANSISKA M.

64


Citra normal memiliki rentang nilai IDM 0,620585-0,739645 dengan rata-rata keseluruhan 0,670535. Citra meningioma memiliki rentang nilai IDM 0,673713-0,786974

dengan

rata-rata

keseluruhan

0,730743.

Citra

Schwannoma memiliki rentang nilai 0,745112-0,795052 dengan rata-rata keseluruhan

0,767268,

maka

dapat

disimpulkan

bahwa

schwannomacenderung memiliki nilai IDM yang tinggi kemudian diikuti oleh meningioma dan terakhir normal.

IDM Latih 0.84

IDM

0.79 0.74 M 0.69

S N

0.64 0.59 0

20

40

60

80

Data Ke-

Gambar 4.8 Grafik Nilai Rata-Rata Fitur IDM dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih Keterangan : M : meningioma S : schwannoma N : normal Inverse Difference Momen (IDM) dalam Persamaan 2.7 menyatakan homogenitas lokal. IDM bernilaibesar ketika tingkat keabuan lokal seragam dan invers dari GLCM tinggi (Nayak et al, 2014), dengan kata lain nilai IDM

SKRIPSI


FRANSISKA M.


65

akan meningkat apabila selisih derajat keabuan sepasang piksel semakin kecil. Semakin besar jumlah pasangan piksel dengan selisih tingkat keabuan kecil semakin besar nilai IDM. Hal tersebut sesuai dengan ciri khas dari meningioma yaitu memiliki batas yang tegas dimana pinggiran massa memiliki tingkat keabuan sangat cerah dibandingkan jaringan disekitarnya terutama terhadap edema yang hipodens dan mengelilingi massa sehingga piksel dengan selisih tingkat keabuan sangat besar berjumlah banyak dan nilai IDM lebih kecil daripada schwannoma. Citra normal memiliki nilai IDM paling kecil karena jaringan otak normal terdiri dari berbagai jaringan otak dengan nilai tingkat keabuan sangat beragam dan berbeda dengan jaringan lainnya namun tidak memiliki banyak piksel dengan tingkat keabuan lebih cerah yang merupakan massa tumor. Fitur kedua yaitu entropi yang dihitung menggunakan persamaan 2.8. Gambar 4.2 menunjukkan sebaran nilai rata-rata fitur entropiuntuk data latih. Berdasarkan Gambar 4.9 nilai rata-rata fitur entropi untuk semua data latih memiliki rentang yang hampir sama. Citra normal memiliki rentang nilai entropi 1,24836-1,7858 dengan rata-rata 1,53981. Citra meningioma memiliki rentang entropi 1,10678-1,59834 dengan rata-rata 1,380673 dengan rata-rata 1,380673. Citra schwannoma memiliki rentang entropi 1,12074-1,30842 dengan rata-rata 1,228831. Kesimpulan yang dapat diambil yaitu citra otak normal cenderung memiliki nilai entropiyang tinggi diikuti oleh meningioma kemudian schwannoma.

SKRIPSI


FRANSISKA M.


66

Entropi Latih 1.79 1.69

Entropy

1.59 1.49 M

1.39

S

1.29

N

1.19 1.09 0

20

40

60

80

Data Ke-

Gambar 4.9 Grafik Nilai Rata-Rata Fitur Entropi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih Keterangan : M : meningioma S : schwannoma N : normal Persamaan 2.8menyatakan bahwa entropi adalah ukuran statistik dari keacakan (ketidakteraturan) yang dapat digunakan untuk mengkarakterisasi tekstur citrainput. Apabila sebuah citra secara tekstural tidak seragam, maka banyak elemen GLCM yang bernilai rendah sehingga nilai entropi menjadi besar.Semakin tinggi keberagaman tingkat keabuan dalam sebuah citra maka semakin tinggi nilai entropi. Hal tersebut sesuai dengan ciri dari citra otak normal yang terdiri dari berbagai macam organ, jaringan, dan ventrikel dengan tingkat keabuan berbeda-beda sehingga memiliki kebergaman tingkat keabuan yang tinggi. Citra yang memiliki tumor otak seperti meningioma dan schwannoma memiliki keberagaman tingkat keabuan yang lebih rendah

SKRIPSI


FRANSISKA M.


67

akibat adanya massa tumor dengan tingkat keabuan lebih cerah hampir homogen dan mendesak jaringan otak normal sehingga mempersempit bahkan menghilangkan area tersebut.Meningioma memiliki nilai entropi yang lebih tinggi daripada schwannoma akibat adanya batas massa tumor yang tegas atau pinggiran massa tumor dengan tingkat keabuan lebih cerah dibandingkan jaringan disekitarnya sehingga meningkatkan keberagaman tingkat keabuan citra. Fitur tekstur ketiga yaitu energi atau Angular Second Moment (ASM) yang dihitung menggunakan persamaan 2.6. Gambar 4.10 menunjukkan sebaran nilai rata-rata energiuntuk data latih. Berdasarkan Gambar 4.3 nilai rata-rata untuk semua data latih memiliki rentang yang hampir sama. Citra normal memiliki rentang nilai energi 0,254271-0,432998dengan rata-rata 0,323518. Citra meningioma memiliki rentang nilai energi 0,301707-0,5285599 dengan rata-rata 0,391749. Citra schwannoma memiliki rantang nilai energi 0,438638—0,502142 dengan rata-rata 0,462996. Kesimpulan yang dapat diambil yaitu citra otak normal cenderung memiliki energi yang lebih rendah diikuti oleh meningioma kemudian schwannoma. Persamaan 2.7 menyatakan bahwa energi atau Angular Second Moment (ASM) juga dikenal sebagai keseragaman energi. ASM mengukur atau menyatakan homogenitas dari suatu citra. Semakin tinggi keseragaman tingkat keabuan suatu citra semakin tinggi nilai energi. Citra otak normal memiliki nilai energi yang kecil karena keberagaman tingkat keabuan yang tinggi sehingga homogenitas citra rendah. Berbeda dengan citra yang

SKRIPSI


FRANSISKA M.

68


memiliki kelainan tumor seperti meningioma dan schwannoma. Tumor yang memiliki tingkat keabuan lebih cerah dan hampir homogen atau seragam menyebabkan citra menjadi lebih homogen sehingga meningkatkan nilai energi. Adanya batas tegas pada massa meningioma menyebabkan nilai energinya lebih rendah daripada schwannoma. Batas yang tegas tersebut memiliki tingkat keabuan yang lebih cerah daripada jaringan disekitarnya sehingga memperkecil homogenitas citra. Massa schwannoma yang tidak memiliki batas tegas menyebabkan homogenitas citranya lebih tinggi.

Energi Latih 0.53

Energi

0.48 0.43 M

0.38

S

0.33

N

0.28 0.23 0

20

40

60

80

Data Ke-

Gambar 4.10 Grafik Nilai Rata-Rata Fitur Energi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih Keterangan : M : meningioma S : schwannoma N : normal

SKRIPSI


FRANSISKA M.


69

4.4 Pelatihan Jaringan Backpropagation Data yang digunakan dalam pelatihan backpropagation merupakan 80% dari keseluruhan masing-masing citra otak normal, meningioma dan schwannoma, sehingga terdapat 26 citra otak normal, 34 meningioma, dan 16 schwannoma. Kemudian dilakukan ekstrasi fitur terhadap semua data latih dan setiap citra diberi indeks yang menyatakan target atau hasil diagnosa. Penelitian ini menggunakan target atau indeks keluaran hasil diagnosa dengan rentang 0 hingga 1. Hal ini dilakukan karena backpropagation menggunakan fungsi aktivasi sigmoid. Berdasarkan Siang(2009), fungsi aktivasi sigmoid memiliki nilai maksimum 1 dan nilai minimum 0. Citra normal diberi indeks atau target 0, meningioma 0,5 dan schwannoma 1. Indeks tersebut dipilih berdasarkan rentang keluaran fungsi aktivasi sigmoid, namun belum ada referensi yang memberikan ketentuan nilai berapa yang harus digunakan dalam rentang tersebut. Hasil ektrasi fitur citra untuk pelatihan disajikan pada Lampiran I. Pelatihan

backpropagation

dalam

penelitian

ini

bertujuan untuk

mendapatkan bobot yang mampu menghasilkan perhitungan keluaran sedekat mungkin dengan target sehingga dihasilkan akurasi yang tinggi. Bobot awal yang digunakan dipilih secara acak dengan rentang nilai dari -1 hingga 1. Tahap pelatihan ini dilakukan variasi parameter backpropagation yaitu maksimal epoh, hidden layer, dan learning rate atau laju pembelajaran. Selain variasi parameter dalam pelatihan juga dilakukan variasi input untuk

SKRIPSI


FRANSISKA M.


mengetahui

fitur

tekstur

yang

benar-benar

mudah

dikenali

70

oleh

backpropagation. Hasil pelatihan backpropagation disajikan pada Lampiran 2. Hasil pelatihan dinyatakan dalam bentuk persentase akurasi. Akurasi pelatihan menyatakan banyaknya kesesuain keluaran selama pelatihan terhadap target atau hasil diagnosa dokter. Akurasi pelatihan juga menggambarkan kemampuan backpropagation untuk mengenali pola yang diberikan. Berdasarkan Lampiran 2, untuk variasi satu input akurasi tertinggi didapatkan dari pelatihan menggunakan fitur entropi sebesar 81,5789%, diikuti oleh IDMsebesar 78,9473% kemudian energi sebesar 77,6315%. Pelatihan menggunakan variasi dua input akurasi tertinggi didapatkan dari variasi fitur energi+IDM sebesar 84,2105%, diikuti oleh entropi+IDM sebesar 82,8947%, kemudian energi+entropi sebesar 81,5789%. Akurasi tertinggi diperoleh dari pelatihan menggunakan tiga input atau keseluruhan fitur tekstur yang diekstrasi yaitu energi, entropi, dan idm sebesar 85,5263%yang ditunjukkan oleh Gambar 4.12 dengan MSE sebesar 0,0068 ditunjukkan oleh Gambar 4.11. Hal ini menunjukkan bahwa ketiga fitur tekstur tersebut benarbenar menggambarkan citra otak normal, meningioma, dan schwannoma serta tidak bisa dipisahkan.Batas MSE yang digunakan dalam pelatihan yaitu sebesar 0,001. Batas ini dipilih karena berdasarkan Gambar 4.4 MSE diatas nilai batas tersebut tercapai pada epoh pertama sehingga nilai batas diperkecil untuk meningkatkan nilai epoh selama pelatihan. Banyaknya epoh diharapkan mampu meningkatkan akurasi karena penbaharuan bobot semakin sering

SKRIPSI


FRANSISKA M.


71

diakukan. Oleh karena itu diharapkan dalam penelitian selanjutnya mengkaji dan menggunakan jaringan syaraf tiruan lain yang mampu berada pada rentang error maupun MSE dengan nilai sekecil mungkin dan epoh besar.

Gambar 4.11 Grafik MSE Pelatihan Backpropagationdengan masukan energi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum Epoh 10000 Variasi parameter backpropagation maupun input yang digunakan dalam pelatihan sangat mempengaruhi tingkat akurasi maupun durasi pelatihan. Berdasarkan Lampiran 2 Gambar 4.13, dan Gambar 4.14, semakin banyak hidden layer yang digunakan akurasi cenderung semakin meningkat. Hal ini terjadi karena semakin banyak hidden layer semakin banyak bobot sehingga

SKRIPSI


FRANSISKA M.


72

perhitungan output menjadi lebih teliti yang ditandai dengan semakin banyak pola yang dikenali selama pelatihan sehingga akurasi pelatihan meningkat. Penelitian menggunakan variasi jumlah hidden layer 3, 5, dan 10 agar komputasi tidak terlalu berat sehingga waktu berjalannya program saat pelatihan maupun pengujian tidak berlangsung lama. Semakin banyak jumlah hidden layer semakin panjang durasi pelatihan.

Gambar 4.12 Akurasi Pelatihan Backpropagation dengan masukan energi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum Epoh 10000 Semakin besar nilai learning ratesemakin tinggi akurasi yang didapatkan. Learning

SKRIPSI

rate

sangat

mempengaruhi

laju

pembelajaran


sehingga

FRANSISKA M.

73


mempercepat tercapainya MSE maupun iterasi yang diinginkan. Dalam penelitian ini MSE yang diinginkan yaitu sebesar 0,001 tidak pernah tercapai sehingga learning rate hanya berpengaruh dalam kecepatan pembelajaran dengan MSE terkecil yang dicapai yaitu 0,0068. Berdasarkan Gambar 4.7, semakin besar nilai learning rate durasi pelatihan cenderung semakin singkat.

Akurasi

Akurasi Pelatihan 3 Masukan 89 87 85 83 81 79 77 75 73 71 69 67 65 63 61 59 57 0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Learning Rate Epoh=1000 HD=3

Epoh=5000 HD=3

Epoh=10000 HD=3

Epoh=1000 HD=5

Epoh=5000 HD=5

Epoh=10000 HD=5

Epoh=1000 HD=10

Epoh=5000 HD=10

Epoh=10000 HD=10

Gambar 4.13 Grafik Akurasi Terhadap Learning Rate dari Berbagai Variasi Epoh dan Hidden LayerMenggunakan 3 Masukan Semakin besar nilai maksimum epoh semakin meningkat akurasi pelatihan.

Semakin

banyak

epoh

yang

dilakukan

semakin

sering

pembaharuan bobot dilakukan. Hal ini menyebabkan semakin teliti atau

SKRIPSI


FRANSISKA M.

74


semakin akurat perhitungan yang dilakukan backpropagation yang ditandai dengan semakin tingginya tingkat akurasi pelatihan program.Semakin tinggi akurasi pelatihan menandakan bahwa semakin banyak pola yang mampu dikenali oleh backpropagation. penelitian ini menggunakan variasi epoh sebesar 1000, 5000, dan 10000 yang memiliki durasi pelatihan 15 detik hingga 2 menit sehingga durasi waktu pelatihan tidak terlalu panjang.

Waktu (s)

Grafik Waktu Pleatihan 3 Masukan 170.0000 160.0000 150.0000 140.0000 130.0000 120.0000 110.0000 100.0000 90.0000 80.0000 70.0000 60.0000 50.0000 40.0000 30.0000 20.0000 10.0000 0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Learning Rate Epoh=1000 HD=3

Epoh=5000 HS=3

Epoh=10000 HD=3

Epoh=1000 HD=5

Epoh=5000 HD=5

Epoh=10000 HD=5

Epoh=1000 HD=10

Epoh=5000 HD=10

Epoh=10000 HD=10

Gambar 4.14 Grafik Waktu Pelatihan Terhadap Learning Rate dari Berbagai Variasi Epoh dan Hidden Layer Menggunakan 3 Masukan Hasil pelatihan dengan akurasi tertinggi sebesar 85,5263% dengan MSE 0,0068 menggunakan hidden layer 10, learning rate 1, dan maksimum epoh

SKRIPSI


FRANSISKA M.

1


75

10000. Bobot hasil pelatihan maupun parameter pelatihan kemudian disimpan sebagai dasar pengelompokkan saat pengujian. 4.5 Pengujian Backpropagation Tahap

pengujian

bertujuan

untuk

mengetahui

kemampuan

backpropagation yang telah dibangun dan dilatih untuk mengenali pola baru. Selain itu hal ini juga bertujuan untuk mengetahui kemampuan fitur yang digunakan dalam menggambarkan citra CT-Scan otak normal, meningioma, dan schwannoma. Data yang digunakan dalam pengujian backpropagation merupakan 20 % dari keseluruhan masing-masing citra otak normal, meningioma dan schwannoma, sehingga terdapat 6 citra otak normal, 9 meningioma, dan 4 schwannoma. Pengujian ini menggunakan parameter dan bobot yang sudah didapatkan dari pelatihan dengan akurasi tertinggi yaitu 10 hidden layer, laerning rate 1, dan maksumim epoh 10000. Bobot yang telah didapatkan kemudian digunakan di dalam jendela deteksi. Selama proses pengujian ini, satu persatu gambar dimasukkan ke dalam jendela program deteksi yang akan menampilkan nilai fitur sekaligus hasil diagnosa oleh backpropagationyang ditunjukkan oleh Gambar 4.7. Hasil pengujian berupa nilai fitur, diagnosa dokter, keluaran atau target, serta kesesuain keluaran disajikan pada Tabel 4.1. Berdasarkan Tabel 4.1, hasil uji menunjukkan bahwa ada dua buah citra yang tidak sesuai dengan diagnosa dokter sehingga diperoleh akurasi keseluruhan sistem sebesar 89,47%. Akurasi sistem yang didapatkan lebih

SKRIPSI


FRANSISKA M.


76

kecil daripada penelitian yang dilakukan oleh Susmikanti (2010). Hal ini menunjukkan bahwa perceptron yang dibangun dalam penelitian Susmikanti (2010) mampu mengenali dengan baik fitur dominan yang digunakan, akan tetapi penelitian Susmikanti (2010) hanya untuk jenis tumor benigna. Uji untuk setiap kasus memiliki akurasi yang berbeda-beda. Akurasi 100% didapatkan untuk uji kasus meningioma dan otak normal, sehingga dari keselurhan data yang didapatkan, program ini mampu membedakan semua citra meningioma dan normal. Akurasi ini lebih tinggi daripada akurasi yang didapatkan dalam penelitian yang dilakukan oleh Padma et al (2011b) dan Padma et al (2013). Hal ini menunjukkan bahwa backpropagation mampu mengenali dengan lebih baik pola masukan citra otak normal dan tumor. Akurasi sebesar 50% didapatkan dari uji kasus schwannoma. Hanya 2 dari 4 citra yang didiagnosa sesuai dengan diagnosa dokter dan sisanya terdiagnosa sebagai meningioma. Hal ini disebabkan karena nilai kedua fitur citra tersebut hampir sama sekaligus berada pada rentang nilai fitur meningioma. Hasil akurasi masing-masing kasus ini dapat diambil kesimpulannya bahwa program mampu membedakan citra otak normal dan meningioma dengan sangat baik, namun program ini masih belum bisa membedakan kasus meningioma dan schwannoma dengan sangat baik walaupun sebenarnya masih bisa membedakan beberapa citra pada kedua kasus tersebut. Pengujian kasus schwannoma hanya memiliki akurasi sebesar 50% karena setengah dari data ujinya terdiagnosa sebagai meningioma. Hal ini terjadi karena fitur

SKRIPSI

yang digunakan terutama fitur IDM, belum mampu


FRANSISKA M.

77


menggambarkan ketegasan batas massa tumor dengan sangat baik. Oleh karena itu untuk penelitian selanjutnya dapat digunakan segmentasi massa tumor secara otomatis untuk mengambil fitur ketegasan batas massa sehingga program mampu mengenali kasus schwannoma dengan lebih baik. Berdasarkan Tabel 4.1 dan Lampiran 1 dapat diketahui bahwa terjadi overlap pada setiap rentang nilai fitur. Overlap terjadi karena nilai fitur setiap kasus tidak dapat dipisahkan secara linier. Backpropagation berperan untuk mengenali pola setiap kasus dengan fitur yang saling overlap dan mampu mengenali pola yang serupa namun tidak sama baik dalam pelatihan maupun dalam pengujian. Jika rentang nilai fitur dapat dipisahkan secara linier maka tidak diperlukan jaringan syaraf tiruan seperti backpropagation. Data yang digunakan dalam penelitian ini terdiri atas citra otak normal, tumor (meningioma dan schwannoma) yang benigna (jinak) maupun maligna (ganas) dari pasien dengan usia yang sangat beragam. Pada penelitian selanjutnya sangat diharapkan untuk klasifikasi sifat benigna dan maligna tumor serta diberikan pilihan masukan usia bagi user untuk memperkecil nilai rentang fitur yang overlap sehingga mampu meningktakan akurasi sistem. Tujuan utama dari pembuatan program ini yaitu mampu mengenali kelainan

meningioma

dan

schwannoma

yang

berada

pada

bagian

cerebellopontine angle (CPA) yang sangat sulit untuk dibedakan. Satusatunya yang membedakan kedua tumor tersebut yakni massa meningioma yang hiperdens dan massa schwannoma yang isodens sebelum pemberian zat kontras. Sayangnya perbedaan ini tidak mampu dibedakan secara kasat mata

SKRIPSI


FRANSISKA M.


78

sehingga dibutuhkan pemberian kontras pada pasien walapun efeknya akan mulai menghilang setelah dua menit pertama perlakuan tersebut. Penelitian ini menggunakan citra pos kontras sehingga massa tumor menjadi lebih terlihat. Ciri unik dari massa meningioma yaitu batas tegas dan bentuk massa yang jelas setelah pemberian kontras sedangkan massa schwannoma menjadi tampak karena mayoritas penyangatan kontras terjadi secara homogen. Penelitian ini menggunakan dua buah citra meningioma pada daerah CPA. Kemudian salah satu citra tersebut digunakan sebagai data pelatihan dan sisanya digunakan sebagai data pengujian untuk melihat kemampuan backpropagationdalam membedakan meningioma pada daerah CPA dengan schwannoma. Tabel 4.1 Nilai Hasil Ekstrasi Fitur dan Uji Citra No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19.

Entropi 1,06677 1,44403 1,11883 1,38476 1,1793 1,33486 1,42613 1,43663 1,22839 1,30842 1,1607 1,21863 1,29589 1,7858 1,57138 1,708 1,63669 1,66808 1,46154

SKRIPSI

IDM 0,815994 0,703689 0,774038 0,740136 0,770661 0,734499 0,72291 0,733201 0.755783 0,745112 0,787707 0,770778 0,747525 0,620585 0,664031 0,62603 0,643615 0,633223 0,693018

ASM 0,485197 0,34788 0,528599 0,413705 0,475174 0,421212 0,384183 0,373062 0,469401 0,438638 0,481054 0,463499 0.442765 0,262912 0,306214 0,254271 0,279825 0,269798 0,3635

Target 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 1 1 1 1 0 0 0 0 0 0

Output 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 1 0,5 0,5 1 0 0 0 0 0 0


Sesuai/Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Tidak Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai

FRANSISKA M.


BerdasarkanTabel

4.1

baris

pertama

merupakan

hasil

79

pengujian

menggunakan citra meningioma pada daerah CPA yang terdeteksi sebagai meningioma oleh backpropagtaion yang telah dibangun. Sehingga dapat disimpulkan bahwa dari keseluruhan data yang didapatkan, backpropagation masih mampu membedakan meningioma pada daerah CPA dengan schwannoma menggunkanan fitur tekstur IDM, energi, dan entropi yang menjadi tujuan utama dalam penelitian.

SKRIPSI


FRANSISKA M.


BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa: 1. Akurasi pelatihan tertinggi yaitu sebesar 85,5263% didapatkan dengan kombinasi fitur tekstur energi+entropi+inverse different moment. 2. Akurasi pelatihan tertinggi didapatkan menggunakan variasi nilai parameter backpropagation yaitu 1 untuk learning rate, 10 buah neuron padahidden layer, dan 10000 maksimum epoh. 3. Tingkat akurasi sistem klasifikasi citra CT-scan otak untuk deteksi meningioma dan schwannoma menggunakan gray level co-occurrence matrices (GLCM) dan backpropagation yaitu sebesar 89,47% . 5.2 Saran Dari hasil penelitian dan pembahasan, berikut beberapa saran bagi penelitian mendatang: 1.

Menggunakan citra CT-Scan yang sudah terdiagnosa secara visual oleh dokter radiologi dan dibuktikan secara histopatologi sehingga hasil diagnosa program lebih dipercaya dan diandalkan oleh tenaga medis.

2.

Menggunakan jaringan syaraf tiruan dengan algoritma yang lebih sederhana dan mampu berada pada rentang syarat error maupun MSE maksimum yang ditentukan.

80 SKRIPSI


FRANSISKA M.


3.

81

Melakukan segmentasi otomatis indikator bentuk ventrikel otak (cairan serebrospinal, tengkorak, dan organ lainnya), dan massa tumor, sehingga mampu menambahkan fitur yang menggambarkan bentuk ventrikel otak maupun massa tumor serta ketegasan batas massa tumor.

4.

Menambahkan detail diagnosa pada hasil keluaran jaringan syaraf tiruan yang dibuat seperti maligna (ganas) dan benigna (jinak) serta diberikan pilihan masukan usia bagi user untuk memperkecil nilai rentang fitur yang overlap sehingga mampu meningktakan akurasi sistem.

SKRIPSI


FRANSISKA M.


DAFTAR PUSTAKA Albergsten Fritz. 2008. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices. Image Processing Laboratory Department of Informatics University of Oslo. Anzai Yuichiro. 1946. Pattern Recognition and Machine Learning. ACADEMIC PRESS, INC, San Diego, California, United States of America. Armstrong, P. Martin, L.W, A. Norman A. G. Brenbridge.1940. Diagnostic Imaging. Blackwell Scientific Publications, London. Azizi

Mumammad Fitri Qomari. 2013. Perbandingan antara Metode Backpropagation dengan Metode Learning Vector Quantization (LVQ) Pada Pengenalan Citra Barcode. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Semarang.

Budiarso Zuly. 2010. Identifikasi Macan Tutul dengan Gray Level Co-occurrence Matrices (GLCM). Fakultas Teknologi Informasi, Universitas Stikubank, Semarang. C. Claussen, R. Fahlbusch, R. Felix, T, Grumme . 1. Heinzerling 1.R. IglesiasRozas· E. Kazner· K Kretzschmar· M. Laniado W. Lanksch . W. Miiller-Forell . T.H. Newton· W. Schorner G. Schroth· B. Schulz· O. Stochdorph . G. Sze . S. Wende.1982. Computed Tomography and Magnetic Resonance Tomography of Intracranial Tumors A Clinical Perspective.Springer-Verlag Berlin Heidelberg. Cancer Support Community. 2013. Frankly Speaking About Cancer: Brain Tumor. Cancer Support Community, United States. Chung, S.Y, Dong, I.K, Byung, H.L. 1998. Facial Nerve Schwannoma : CT and MR Findings. Yonsei Medical Journal, Vol. 39, No.2, pp. 148~153. Goldman Lee W. 2007. Principles of CT and CT Technology. Department of Radiation Therapy and Medical Physics, Hartford Hospital, Hartford, Connecticut, United States of America. Grossman, R.I. David, M.Y. 1994. Neuroradiology The Requisites. Mosby-Year Book, Inc, United States of America. Haralick, R.M., Shanmugam, K., Its’hak Dinstein.1973. Textural Features for Images Classification.IEEE Transaction on System, Man, and Cybernetics Vol.SMC-3 No.6

82 SKRIPSI


FRANSISKA M.

ADLN M- PERPUSTAKAAN UNIVERSITAS AIRLANGGA

83

Kohir Vinadayath V, Sahebgoud H Karaddi. 2015. Detection of Brain Tumor Using Back-propagation and Probabilistic Neural Network.Proceedings of 19th IRF International Conference, 25th January 2015, Chennai, India. Japardi Iskandar. 2002. Gambar CT Scan pada Tumor Otak Benigna. Fakultas Kedokteran, Bagian Bedah, Universitas Sumatera Utara. Nayak, G.R, Mr. Toran, V. 2014. Brain Cancer Classification using Backpropagation Neural Network and Principle Component Analysis. International Journal of Technical Research and Application eISSN:2320-8163, www.ijtra.com Vol 2, Issue 4 National Cancer Institute. 2009. What You Need to Know About Brain Tumours. US Departemen of Health and Human Services, United States. Mayfield Clinic. 2013. Brain Tumors: An Introduction.Mayfield Clinic and Spine Institute, University of Cincinnati Departmen of Neurosurgery, Ohio, United States of America. Mayfield Clinic. 2013. Acoustic Neuroma.Mayfield Clinic and Spine Institute, University of Cincinnati Departmen of Neurosurgery, Ohio, United States of America. Moore, K., Lyndon, K,. 2010. Primary Brain Tumors: Characteristics, Practical Diagnostic and Treatment Approaches. http://www.springer.com/9781-4419-0409-6. ISBN: 978-1-4419-0409-6 Padma A, Sukanesh R. 2011a.Automatic Diagnosis of Abnormal Tumor Region from Brain Computed TomographyImages Using Wavelet Based Statistical Texture Feature. International Journal Of Computer Sciene, Engineering, and Information Technology, Madurai, India. Padma A, Sukanesh R. 2011b.Texture Feature Based Analysis of Segmenting Soft Tissue from Brain CT images using BAM type Artificial Neural Network. Journal Of Information Engineering, and Applications, Madurai, India. Padma A, Sukanesh R. 2013. SVM Based Classification of Soft Tissues in Brain CT Images Using Wavelet Based Dominant Gray Level Run Length Texture Feature. Middle-East Jornal of Scientific Research, Madurai, India. Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta: Penerbita Andi. Sari EDY, Windarti I, Wahyuni A. 2013. Clinical Characteristics and Histopathology of Brain Tumor at Two Hospitals in Bandar Lampung. Faculty of Medicine Lampung University, Lampung.

SKRIPSI


FRANSISKA M.

ADLN M- PERPUSTAKAAN UNIVERSITAS AIRLANGGA

84

Siang Jong Jek. 2009. Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab/ADI. Yogyakarta: Penerbita Andi. Sinambela, D.P, Sitorus, S.H. 2013. Pengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital. Universitas Mpu Tantular, Jakarta Sukardja I Dewa Gede. 2000. Onkologi Klinik Edisi 2. Airlangga University Press, Surabaya. Sun Y.C, Dong I.K, Byung H.L, Pyeong H.Y, Pyoung J, Tae S.C. 1998. Facial Nerve Schwannomas : MR and CT Finding. Yonsei Medical Journal. Vol. 39. No. 2 pp. 148~153, 1998. Susmikanti Mike. 2010. Pengenalan Pola Berbasis Jaringan Syaraf Tiruan dalam Analisa CT Scan Tumor Otak Beligna. Pusat Pengembangan Informatika Nuklir-BATAN, Kawasan PUSPITEK, Gd 71. Serpong, Tangerang. Utari, Ida. 2012. Kesehatan Otak Modal Dasar Hasilkan SDM Handal. PROFESI Volume 08 / Februari – September 2012. Akper PKU Muhammadiyah, Surakarta.

SKRIPSI


FRANSISKA M.


85

Lampiran 1 Nilai Hasil Ekstrasi Fitur Citra CT-Scan Otak Data Training No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33.

SKRIPSI

IDM 0,770661 0,755783 0,734499 0,674917 0,774038 0,764881 0,714787 0,783396 0,772361 0,777771 0,729105 0,746166 0,703689 0,674595 0,786974 0,691949 0,779006 0,677141 0,730623 0,72291 0,708667 0,715463 0,691431 0,686786 0,752514 0,719485 0,745075 0,740136 0,697814 0,733201 0,770515 0,774964 0,673713

Entropi 1,1793 1,22839 1,33486 1,59834 1,11883 1,26334 1,3943 1,19242 1,15112 1,10678 1,39178 1,32962 1,44403 1,55135 1,13656 1,53075 1,1533 1,55042 1,36551 1,42613 1,51962 1,42157 1,53913 1,59259 1,34897 1,51709 1,39798 1,38476 1,59517 1,43663 1,31413 1,26705 1,57671

Energi 0,475174 0,469401 0,421212 0,317678 0,528599 0,418599 0,375026 0,452082 0,487053 0,505436 0,340711 0,402659 0,34788 0,306056 0,46885 0,345688 0,480502 0,319287 0,407921 0,384183 0,3103 0,38177 0,314113 0,313068 0,433051 0,335313 0,415246 0,413705 0,331856 0,373062 0,420705 0,41557 0,349874


Output 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5

FRANSISKA M.


No. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60. 61. 62. 63. 64. 65. 66. 67. 68. 69. 70. 71.

SKRIPSI

IDM 0,703689 0,787707 0,770778 0,795052 0,779779 0,759809 0,752382 0,747525 0,745112 0,787707 0,770778 0,795052 0,779779 0,759809 0,752382 0,747525 0,745112 0,669025 0,620585 0,66226 0,664031 0,62603 0,698843 0,643615 0,693018 0,70582 0,739645 0,731197 0,629665 0,633223 0,669025 0,620585 0,66226 0,664031 0,62603 0,698843 0,643615 0,693018

Entropi 1,44403 1,1607 1,21863 1,12074 1,18901 1,25887 1,27839 1,29589 1,30842 1,1607 1,21863 1,12074 1,18901 1,25887 1,27839 1,29589 1,30842 1,57404 1,7858 1,57616 1,57138 1,708 1,41073 1,63669 1,46154 1,40041 1,24836 1,29585 1,68049 1,66808 1,57404 1,7858 1,57616 1,57138 1,708 1,41073 1,63669 1,46154

Energi 0,34788 0,481054 0,463499 0,502142 0,472877 0,45426 0,448733 0,442765 0,438638 0,481054 0,463499 0,502142 0,472877 0,45426 0,448733 0,442765 0,438638 0,307567 0,262912 0,306416 0,306214 0,254271 0,349285 0,279825 0,3635 0,392135 0,432998 0,414042 0,266773 0,269798 0,307567 0,262912 0,306416 0,306214 0,254271 0,349285 0,279825 0,3635


86

Output 0,5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

FRANSISKA M.


No. 72. 73. 74. 75. 76.

IDM 0,70582 0,739645 0,731197 0,629665 0,633223

Entorpi 1,40041 1,24836 1,29585 1,68049 1,66808

Energi 0,392135 0,432998 0,414042 0,266773 0,269798

87

Output 0 0 0 0 0

Keterangan : Meningioma =0,5 Schwannoma = 1 Normal = 0

SKRIPSI


FRANSISKA M.


Lampiran 2 Akurasi Pelatihan Backpropagartion Tabel 1. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy LR 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

3 1000 5000 47,3684(11s) 65,7895(37s) 50(11s) 68,4211(35s) 55,2632(9s) 71,0526(32s) 57,8947(8s) 72,3684(32s) 59,2105(8s) 77,6316(32s) 63,1579(8s) 75(30s) 65,7895(6s) 76,3186(30s) 68,4211(6s) 76,3186(28s) 73,6842(5s) 77,6316(28s) 75(4s) 78,2632(26s)

10000 67,1052(71s) 68,4211(67s) 72,3684(64s) 75(64s) 78,9474(63s) 77,6313(63s) 76,3168(61s) 77,6316(61s) 76,3168(58s) 78,2632(57s)

1000 47,3684(14s) 48,6842(11s) 53,9474(11s) 57,8947(11s) 59,2105(10s) 65,9971(9s) 68,4211(9s) 73,6842(8s) 75(6s) 78,2632(6s)

5 5000 60,5263(51s) 61,8421(50s) 63,1579(46) 65,7895(45) 73,6842(43) 76,3158(43s) 77,6316(41s) 72,3684(41s) 73,6842(42s) 75(39s)

10000 59,2105(92s) 63,1579(86s) 65,7895(86s) 68,4211(88s) 71,0526(86s) 75(84s) 78,9474(84s) 76,3158(83s) 81,5789(82s) 80,2632(82s)

1000 56,5789(18s) 57,8947(17s) 60,5263(17s) 67,1052(15s) 73,6842(16s) 77,6316(16s) 75(15s) 76,3158(14s) 78,9474(13s) 80,2632(13s)

10 5000 52,6316(85s) 55,2631(85s) 59,2105(83s) 63,1579(83s) 65,7895(81s) 73,6842(76s) 77,6316(76s) 80,2632(75s) 77,6316(4s) 78,9474(74s)

10000 53,9474(132s) 56,5789(132s) 60,5263(132s) 64,3146(126s) 68,4211(126s) 72,3684(117,6s) 75(126s) 77,6316(114s) 78,9474(108s) 80,2632(108s)

88 SKRIPSI


FRANSISKA M.


Tabel 2. Akurasi (%)dan Waktu (second) Pelatihan Backpropagation dengan Input IDM LR 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

1000 44,7368(15s) 46,0526(15s) 48,6842(13s) 50(13s) 52,6316(11s) 53,9474(12s) 56,5789(12s) 59,2105(11s) 65,7894(8s) 64,4737(8s)

3 5000 44,7368(41s) 46,0526(40s) 48,6842(35s) 53,9474(32s) 56,5789(32s) 61,8421(31s) 65,7894(30s) 68,4211(28s) 71,0526(26s) 67,1052(27s)

10000 47,3684(82s) 46,0526(80s) 48,6842(80s) 52,6316(78s) 57,8947(75s) 59,2105(72s) 64,4737(70s) 68,4211(69) 72,3684(67s) 71,0526(61s)

1000 46,0526(17s) 47,3684(17s) 48,6842(15s) 53,9474(12s) 56,5789(12s) 61,8421(12s) 65,7894(12s) 71,0526(12s) 67,1052(11s) 68,4211(11s)

5 5000 47,3684(52s) 48,6842(50s) 51,3158(50s) 53,9474(50s) 55,2632(49s) 57,8947(49) 65,7894(46s) 68,4211(42s) 73,6842(42s) 75(42s)

10000 48,6842(98s) 51,3158(97s) 52,6316(97s) 55,2632(95s) 57,8947(92s) 61,8421(90s) 63,1579(87s) 65,7894(86s) 68,4211(86s) 73,6842(86s)

1000 51,3158(23s) 53,9474(23s) 56,5789(23s) 57,8947(21s) 59,2105(21s) 63,1579(19) 68,4211(19s) 71,0526(19s) 73,6842(18s) 72,3684(15s)

10 5000 50(89s) 52,6316(87s) 51,3158(85s) 55,2632(84s) 57,8947(81s) 65,7894(82s) 67,1052(80s) 78,9473(79s) 72,3684(75s) 76,3158(77s)

10000 51,3158(156s) 52,6316(156s) 53,9474(150s) 59,2105(138s) 61,8421(138s) 63,1579(120s) 65,7894(114s) 68,4211(114s) 72,3684(120s) 75(102s)

89 SKRIPSI


FRANSISKA M.


Tabel 3. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Energy LR 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

1000 48,6842(30s) 47,3684(30s) 48,6842(15s) 50(14s) 50,8347(11s) 53,9474(13s) 55,2632(12s) 57,8947(13s) 59,2105(15s) 61,8421(13s)

3 5000 52,6316(45s) 51,3158(43s) 52,6316(40s) 55,2632(40s) 56,5789(32s) 59,2105(37s) 61,8421(32s) 60,5263(37s) 59,2105(35s) 63,1579(35s)

10000 44,7368(89s) 46,0526(85s) 48,6842(80s) 47,3684(69s) 50(65s) 52,6316(41s) 56,5789(44s) 57,8947(35s) 59,2105(33s) 61,8421(40s)

1000 50(25s) 51,3158(25s) 53,9474(23s) 57,8947(26s) 61,8421(29s) 65,7894(27s) 68,4211(24s) 67,1052(24s) 73,6842(22s) 75(22s)

5 5000 51,3158(86s) 52,6316(69s) 53,9474(60s) 56,5789(57s) 60,5263(49s) 63,1579(49s) 68,4211(47s) 71,0526(47s) 67,1052(44s) 72,3684(42s)

10000 50(108s) 53,9474(102s) 56,5789(92s) 57,8947(90s) 59,2105(89s) 63,1579(95s) 65,7894(93s) 72,3684(90s) 71,0526(87s) 75(79s)

1000 52,6316(20s) 53,9474(19s) 52,6316(17s) 55,2632(16s) 56,5789(16s) 60,5263(18s) 63,1579(16s) 65,7894(17s) 71,0526(15s) 72,3684(15s)

10 5000 53,9474(72s) 55,2632(71s) 56,5789(71s) 60,5263(74s) 63,1579(72s) 68,4211(69s) 76,3158(63s) 71,0526(65s) 72,3684(62s) 75(59s)

10000 55,2632(156s) 60,5263(156s) 64,4737(144s) 71,0526(144s) 77,6315(138s) 76,3158(138s) 76,3158(132s) 75(132s) 73,6842(126s) 72,3684(120s)

90 SKRIPSI


FRANSISKA M.


Tabel 4. Akurasi (%)dan Waktu (second) Pelatihan Backpropagation dengan Input Energy+ IDM LR 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

1000 64,4737(19s) 65,7894(17s) 67,1052(17s) 72,3684(15s) 73,6842(14s) 78,9474(14s) 77,9312(13s) 76,3158(11s) 72,3684(12s) 73,6842(10s)

3 5000 65,7894(45s) 65,7894(44s) 67,1052(44s) 68,4211(42s) 72,3684(41s) 75(39s) 78,9474(38s) 80,2655(33s) 77,9312(29s) 76,3158(27s)

10000 67,1052(92s) 68,4211(75s) 69,7368(71s) 72,3684(69s) 73,6842(66s) 75(64s) 78,9474(60s) 76,3158(57s) 77,9312(52s) 78,9474(49s)

1000 65,789(27s) 64,4737(24s) 67,1052(19s) 68,4211(17s) 68,4211(16s) 72,3684(16s) 73,6842(15s) 76,3158(14s) 80,2655(13s) 81,5789(13s)

5 5000 67,1052(52s) 68,4211(53s) 69,7368(51s) 72,3684(51s) 73,6842(50s) 73,6842(43s) 75(40s) 76,3158(42s) 78,9474(39s) 82,8947(38s)

10000 69,7368(2,3m) 72,3684(106s) 73,6842(103s) 75(104s) 76,3158(101s) 77,9312(91) 77,9312(90s) 78,9474(89s) 81,5789(88s) 84,2105(81s)

1000 63,1578(28s) 65,7894(24s) 65,7894(20s) 67,1052(19s) 68,4211(17s) 65,7894(17s) 67,1052(16s) 72,3684(16s) 75(17s) 78,9474(15s)

10 5000 65,7894(92s) 67,1052(79s) 65,7894(78s) 65,7894(78s) 68,4211(75s) 72,3684(73s) 78,9474(69s) 77,9312(67s) 80,2655(67s) 81,5789(65s)

10000 67,1052(201s) 68,4211(186s) 69,7368(147s) 72,3684(144s) 75(141s) 78,9474(132s) 76,3158(132s) 77,9312(126s) 80,2655(126s) 82,8947(120s)

91 SKRIPSI


FRANSISKA M.


Tabel 5. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + IDM LR 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

1000 57,8947(26s) 57,8947(22s) 59,2105(20s) 61,8421(19s) 65,7894(18s) 67,1052(16s) 64,4737(17s) 65,7894(15s) 68,4211(13s) 69,7368(10s)

3 5000 59,2105(50s) 61,8421(46s) 63,1578(43s) 63,1578(43s) 64,4737(40s) 65,7894(41s) 67,1052(41s) 68,4211(39s) 69,7368(32s) 72,3684(29s)

10000 61,8421(79s) 61,8421(74s) 63,1578(71s) 64,4737(69s) 67,1052(65s) 68,4211(61s) 69,7368(58s) 69,7368(53s) 73,6842 (51s) 73,6842 (49s)

1000 63,1578(28s) 64,4737(25s) 65,7894(22s) 67,1052(20s) 68,4211(18s) 69,7368(19s) 72,3684(19s) 73,6842(17s) 69,7368(17s) 72,3684(16s)

5 5000 72,3684(53s) 73,6842(52s) 73,6842(51s) 75 (47s) 76,3158((43s) 77,9312(40s) 78,9474(41s) 76,3158(41s) 76,3158 (39s) 75(38s)

10000 73,6842(80s) 75(78s) 76,3158(76s) 77,9312(73s) 78,9474(74s) 80,2655(72s) 77,9312(70s) 75(67s) 76,3158(68s) 76,3158(64s)

1000 65,7894(29s) 67,1052(28s) 72,3684(27s) 71,0526(27s) 72,3684(26s) 76,3158(23s) 78,9474(21s) 77,9312(20s) 76,3158(20s) 75 (26s)

10 5000 73,6842(60s) 75(58s) 76,3158(56s) 77,9312(55s) 78,9474(53s) 80,2655(50s) 81,5789(48s) 78,9474(45s) 78,9474(43s) 76,3158(47s)

10000 75 (88s) 76,3158(86s) 77,9312(86s) 78,9474(84s) 78,9474(81s) 81,5789(83s) 82,8947(76s) 80,2655(70s) 78,9474(75s) 78,9474(73s)

92 SKRIPSI


FRANSISKA M.


Tabel 6. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + Energy LR 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

1000 59,2105(18s) 63,1578(17s) 65,7894(15s) 67,1052(14s) 69,7368(12s) 64,4737(12s) 65,7894(10s) 65,7894(10s) 68,4211(7s) 72,3684(8s)

3 5000 61,8421(39s) 63,1578(37s) 65,7894(37s) 69,7368(33s) 70,1844(30s) 73,6842(28s) 78,9474(27s) 75(27s) 76,9451(24s) 78,9474(22s)

10000 64,4737(69s) 65,7894(64s) 65,7894(58s) 67,1052(50s) 68,4211(48s) 72,3684(49s) 75(45s) 78,9474(43s) 72,3684(40s) 73,6842(39s)

1000 63,1578(21s) 61,8421(20s) 61,8421(15s) 64,4737(16s) 65,7894(13s) 67,1052(14s) 68,4211(13s) 69,7368(17s) 72,3684(11s) 75(12s)

5 5000 63,1578(53s) 75,(52s) 76,3157(47s) 76,3157(44s) 73,6842(41s) 75(40s) 78,9981(37s) 71,0526(34s) 78,9474(35s) 80,2655(32s)

10000 64,4737(102s) 63,1578(93s) 65,7894(95s) 67,1052(91s) 69,7368(92s) 71,0526(90s) 75(91s) 76,3158(89s) 77,6315(88s) 80,2655(88s)

1000 65,7894(25s) 67,1052(24s) 68,4211(22s) 69,7368(20s) 71,0526(23s) 75(23s) 72,3684(22s) 73,6842(21s) 75(21s) 78,9474(21s)

10 5000 72,3684(91s) 73,6842(93s) 75(90s) 72,3684(89s) 73,6842(87s) 73,6842(89s) 75(85s) 80,2655(77s) 78,9474(75s) 78,9474(73s)

10000 73,6842(138s) 75(138s) 76,3158(132s) 78,9474(126s) 78,9474(128s) 81,5789(126s) 80,2655(126s) 78,9474(126s) 78,9474(126s) 80,2655(120s)

93 SKRIPSI


FRANSISKA M.


Tabel 7. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + Energy + IDM LR 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

1000 59,2105(19s) 60,5263(18s) 63,8421(18s) 64,4737(16s) 67,1052(16s) 71,0526(17s) 72,3684(18s) 75(15s) 78,9474(15s) 82,8947(15s)

3 5000 59,2105(74s) 60,5263(59s) 61,8421(55s) 63,1578(54s) 64,4737(49s) 67,1052(49s) 69,7368(47s) 65,7894(45s) 69,7368(44s) 76,3158(42s)

10000 60,5263(120s) 63,8421(93s) 64,4737(89s) 65,7894(84s) 67,1052(81s) 68,4211(80s) 65,7894(78s) 69,7368(77s) 73,6842(73s) 75(75s)

1000 59,2105(28s) 61,8421(27s) 63,1578(23s) 61,8421(20s) 71,0526(19s) 72,3684(18s) 73,6842(16s) 75(15s) 77,6316(17s) 78,9474(15s)

5 5000 59,2105(55s) 60,5263(57s) 63,1578(56s) 64,4737(54s) 71,0526(51s) 72,3684(52s) 61,8421(53s) 71,0526(51s) 73,6842(49s) 77,6316(49s)

10000 59,2105(97s) 61,8421(96s) 63,1578(91s) 64,4737(89s) 71,0526(96s) 61,8421(92s) 73,6842(80s) 75(86s) 77,6316(89s) 80,2655(88s)

1000 69,7368(26s) 73,6842(25s) 75(24s) 76,3158(21s) 75(20s) 75(20s) 76,3158(19s) 78,9474(19) 80,2655(17s) 82,8947(18s)

10 5000 71,0526(80s) 72,3684(79s) 73,6842(76s) 75(78s) 76,3158(76s) 78,9474(74s) 80,2655(74s) 78,9474(60s) 80,2655(58s) 81,5789(55s)

10000 72,3684(156s) 73,6842(144s) 75(132s) 77,6316(132s) 78,9474(138s) 80,2655(138s) 82,8947(120s) 82,8947(126s) 84,2105(120s) 85,5263(108s)

94 SKRIPSI


FRANSISKA M.


95

Lampiran 3 Listing GUI Program GUI Jendela Beranda

function varargout = beranda(varargin) % BERANDA MATLAB code for beranda.fig % BERANDA, by itself, creates a new BERANDA or raises the existing % singleton*. % % H = BERANDA returns the handle to a new BERANDA or the handle to % the existing singleton*. % % BERANDA('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in BERANDA.M with the given input arguments. % % BERANDA('Property','Value',...) creates a new BERANDA or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before beranda_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to beranda_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help beranda % Last Modified by GUIDE v2.5 19-May-2016 12:40:29 % Begin initialization code - DO NOT gui_Singleton = 1; gui_State = struct('gui_Name', 'gui_Singleton', 'gui_OpeningFcn', 'gui_OutputFcn', 'gui_LayoutFcn',

SKRIPSI

EDIT mfilename, ... gui_Singleton, ... @beranda_OpeningFcn, ... @beranda_OutputFcn, ... [] , ...


FRANSISKA M.


96

'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before beranda is made visible. function beranda_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to beranda (see VARARGIN) % Choose default command line output for beranda handles.output = hObject; guidata(hObject, handles); set(handles.axes1,'XTick', [ ],'YTick', [ ]) set(handles.axes2,'XTick', [ ],'YTick', [ ]) gambar=imread('UNAIR.jpg'); axes(handles.axes1); imshow(gambar); %set(handles.axes1,'Visible', 'on'); %imshow(handles.axes1.gambar); image=imread('UNAIR.jpg'); axes(handles.axes2); imshow(image) %set(handles.axes2,'Visible', 'on'); %imshow(handles.axes2.image); % Update handles structure % UIWAIT makes beranda wait for user response (see UIRESUME) % uiwait(handles.figure1); % --- Outputs from this function are returned to the command line. function varargout = beranda_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure

SKRIPSI


FRANSISKA M.


% eventdata MATLAB % handles

97

reserved - to be defined in a future version of structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) selection=questdlg(['Apakah Anda Ingin Keluar?'],['Keluar'],... 'Ya','Tidak','Ya'); if strcmp (selection, 'Tidak') return; end delete (handles.figure1);

% --- Executes during object creation, after setting all properties. function axes1_CreateFcn(hObject, eventdata, handles) % hObject handle to axes1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: place code in OpeningFcn to populate axes1

% --- Executes during object creation, after setting all properties. function axes2_CreateFcn(hObject, eventdata, handles) % hObject handle to axes2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: place code in OpeningFcn to populate axes2

SKRIPSI


FRANSISKA M.


98

% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)




% --- Executes on button press in pushbutton6. function pushbutton6_Callback(hObject, eventdata, handles) % hObject handle to pushbutton6 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) deteksi; delete(handles.figure1);

% --- Executes on button press in pushbutton7. function pushbutton7_Callback(hObject, eventdata, handles) % hObject handle to pushbutton7 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB

SKRIPSI


FRANSISKA M.


99

% handles structure with handles and user data (see GUIDATA) login; delete(handles.figure1);

% --- Executes on button press in pushbutton8. function pushbutton8_Callback(hObject, eventdata, handles) % hObject handle to pushbutton8 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) bantuan; delete(handles.figure1);

% --- Executes on button press in pushbutton9. function pushbutton9_Callback(hObject, eventdata, handles) % hObject handle to pushbutton9 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) tentang; delete(handles.figure1);

GUI Jendea Program Deteksi function varargout = deteksi(varargin) % DETEKSI MATLAB code for deteksi.fig % DETEKSI, by itself, creates a new DETEKSI or raises the existing % singleton*. % % H = DETEKSI returns the handle to a new DETEKSI or the handle to % the existing singleton*. % % DETEKSI('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in DETEKSI.M with the given input arguments. % % DETEKSI('Property','Value',...) creates a new DETEKSI or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before deteksi_OpeningFcn gets called. An

SKRIPSI


FRANSISKA M.


100

% unrecognized property name or invalid value makes property application % stop. All inputs are passed to deteksi_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help deteksi % Last Modified by GUIDE v2.5 19-May-2016 21:23:18 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @deteksi_OpeningFcn, ... 'gui_OutputFcn', @deteksi_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before deteksi is made visible. function deteksi_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to deteksi (see VARARGIN) % Choose default command line output for deteksi handles.output = hObject;

SKRIPSI


FRANSISKA M.


101

% Update handles structure guidata(hObject, handles); set(handles.axes1,'XTick', [ ],'YTick', [ ]) % UIWAIT makes deteksi wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = deteksi_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;

function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of edit1 as a double

% --- Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white');

SKRIPSI


FRANSISKA M.


102

end

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); [namafile,direktori]=uigetfile({'*.dcm';},'Akuisisi Citra Digital','H:\Documents\Kuliah\Smester 8\data CT'); k = dicomread(fullfile(direktori,namafile)); set(proyek.figure1,'CurrentAxes',proyek.axes1); set(imshow(k)); set(proyek.figure1,'Userdata',k); set(proyek.axes1,'Userdata',k); set(proyek.edit1,'Enable','on'); set(proyek.edit1,'String',namafile);

% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); J=get(proyek.axes1,'Userdata'); a=fgln0(J); b=fgln90(J); c=fgln45(J); d=fgln135(J); energi=(asm(a)+asm(b)+asm(c)+asm(d))/4; entropy=(entropi(a)+entropi(b)+entropi(c)+entropi(d))/4; invers=(idm(a)+idm(b)+idm(c)+idm(d))/4; set(handles.text5,'String',entropy); set(handles.text6,'String',invers); set(handles.text7,'String',energi);

% --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) a=str2double(get(handles.text5,'string'));

SKRIPSI


FRANSISKA M.


103

b=str2double(get(handles.text6,'string')); c=str2double(get(handles.text7,'string')); T=[a b c]; W1 =[bobotW1]; b1 =[bobtb1];%bobot pada 10 hidden layer W2 =[bobotW2]; b2 =bobotb2; [m,n]=size(T); JumPola=m; %jumlah semua pola latih (4) J0neuron=1; %jumlah neuron pada output layer (1) JHneuron=10; %jumlah neuron pada hidden layer for pp=1:JumPola CP=T(pp,:); for ii=1:JHneuron v=CP*W1(:,ii); v2=v+b1(1,ii); A1= [1/(1+exp(-v2))]; %matrik 3x1 end for jj=1:JHneuron v=A1*W2(:,1); v2=v(1,:)+b2; end y= 1/(1+exp(-v2)); y=tam(y); if y<0.2 tar='Suspect Normal'; elseif y>0.8 tar='Suspect Schwannoma'; else end

tar='Suspect Meningioma';

end set(handles.text8,'String',tar);

% --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) % hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) s=''; set (handles.edit1, 'String', s); set (handles.text5, 'String', s); set (handles.text6, 'String', s);

SKRIPSI


FRANSISKA M.


104

set (handles.text7, 'String', s); set (handles.text8, 'String', s); cla reset; set(handles.axes1,'XTick', [ ],'YTick', [ ]) % --- Executes on button press in pushbutton5. function pushbutton5_Callback(hObject, eventdata, handles) % hObject handle to pushbutton5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) selection=questdlg(['Apakah Anda Ingin Keluar?'],['Keluar'],... 'Ya','Tidak','Ya'); if strcmp (selection, 'Tidak') return; end delete (handles.figure1);


% --- Executes during object creation, after setting all properties. function edit2_CreateFcn(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

SKRIPSI


FRANSISKA M.


105



function edit4_Callback(hObject, eventdata, handles) % hObject handle to edit4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit4 as text % str2double(get(hObject,'String')) returns contents of edit4 as a double % --- Executes during object creation, after setting all properties. function edit4_CreateFcn(hObject, eventdata, handles) % hObject handle to edit4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

SKRIPSI


FRANSISKA M.


106

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% Hint: place code in OpeningFcn to populate axes1

% --- Executes during object creation, after setting all properties. function axes1_CreateFcn(hObject, eventdata, handles) % hObject handle to axes1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: place code in OpeningFcn to populate axes1

% ------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles) % hObject handle to Untitled_1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) beranda; delete(handles.figure1);

% ------------------------------------------------------------------function Untitled_2_Callback(hObject, eventdata, handles) % hObject handle to Untitled_2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) login; delete(handles.figure1);

SKRIPSI


FRANSISKA M.


107

% ------------------------------------------------------------------function Untitled_3_Callback(hObject, eventdata, handles) % hObject handle to Untitled_3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) tentang; delete(handles.figure1);

% ------------------------------------------------------------------function Untitled_4_Callback(hObject, eventdata, handles) % hObject handle to Untitled_4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) bantuan; delete(handles.figure1);

GUI Jendela Program Training dan Testing

function varargout = pelatihan(varargin) % PELATIHAN MATLAB code for pelatihan.fig % PELATIHAN, by itself, creates a new PELATIHAN or raises the existing % singleton*. % % H = PELATIHAN returns the handle to a new PELATIHAN or the handle to % the existing singleton*. % % PELATIHAN('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in PELATIHAN.M with the given input arguments. % % PELATIHAN('Property','Value',...) creates a new PELATIHAN or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before pelatihan_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to pelatihan_OpeningFcn via varargin.

SKRIPSI


FRANSISKA M.


% % *See GUI Options on GUIDE's Tools menu. only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

108

Choose "GUI allows

% Edit the above text to modify the response to help pelatihan % Last Modified by GUIDE v2.5 19-May-2016 21:31:01 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @pelatihan_OpeningFcn, ... 'gui_OutputFcn', @pelatihan_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before pelatihan is made visible. function pelatihan_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to pelatihan (see VARARGIN) % Choose default command line output for pelatihan handles.output = hObject; % Update handles structure guidata(hObject, handles);

SKRIPSI


FRANSISKA M.


109

% UIWAIT makes pelatihan wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = pelatihan_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); [namafile,direktori]=uigetfile({'*.mat';}); k = importdata(fullfile(direktori,namafile)); handles.k=k; guidata(hObject,handles); set (handles.edit1, 'String', direktori); set (handles.uitable1, 'Data', k);


% --- Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles)

SKRIPSI


FRANSISKA M.


110

% hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end



% --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO)

SKRIPSI


FRANSISKA M.


111

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); [namafile,direktori]=uigetfile({'*.mat';}); tes = importdata(fullfile(direktori,namafile)); handles.tes=tes; guidata(hObject,handles); set (handles.edit5, 'String', direktori); set (handles.uitable3, 'Data', tes);



function edit3_Callback(hObject, eventdata, handles) % hObject handle to edit3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

SKRIPSI


FRANSISKA M.


112

% Hints: get(hObject,'String') returns contents of edit3 as text % str2double(get(hObject,'String')) returns contents of edit3 as a double



% --- Executes during object creation, after setting all properties. function edit4_CreateFcn(hObject, eventdata, handles) % hObject handle to edit4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.

SKRIPSI


FRANSISKA M.


113

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) P=handles.k(:,1:3); T=handles.k(:,4); JumPola=length(P(:,1)); %jumlah semua pola latih (4) DimPola=length(P(1,:)); %dimensi pla latih (2) JOneuron=1; %jumlah neuron pada output layer (1) JHneuron=str2double(get(handles.edit3, 'String')); %jumlah neuron pada hidden layer LR=str2double(get(handles.edit2, 'String')); %learning rate Epoch=str2double(get(handles.edit4, 'String')); %maksimum iterasi MaxMSE=0.0001; %maksimum MSE %bobot random dari input layer ke hiden layer dan bobot random hidden layer ke output layer dengan range -1 - +1 W1=[]; for i=1:JHneuron W1=[W1;(rand(1,DimPola)*2-1)]; end W1=W1'; b1=[]; for i=1:JHneuron b1=[b1;(rand(1,1)*2-1)]; end b1=b1'; W2=[]; W2=[W2;(rand(JHneuron,1)*2-1)]; b2=[]; b2=[b2;(rand(1,1)*2-1)]; MSEepoch=MaxMSE+1; % mean square error untuk 1 epoch ee=1; %index epoch while (ee<=Epoch) && (MSEepoch>MaxMSE) for pp=1:JumPola CP=P(pp,:);%current pattern CT=T(pp,:);%current target %perhitungan maju for ii=1:JHneuron v=CP*W1(:,ii);

SKRIPSI


FRANSISKA M.


114

v2=v+b1(1,ii); A1=[A1 1/(1+exp(-v2))];

end for jj=1:JHneuron v=A1*W2(:,1); v2=v(1,:)+b2; end y=1/(1+exp(-v2)); Error=(CT-y)^2; error=Error+error; if (y>0.8) yk=1; elseif (y<0.2) yk=0; else yk=0.5; end if (yk==CT) sum=sum+1; end del=(CT-y)*y*(1-y); dw2=[]; for jj=1:JHneuron delta2(jj,1)=LR*del*A1(jj);%bener end dw2=[delta2]; dol2=LR*del;%bener dn=[]; for n=1:JHneuron dn(n)=del*W2(n,1); end for jj=1:JHneuron D1(jj)=A1(1,jj)*(1-A1(1,jj))*dn(1,jj); end dW1=[]; db1=[]; %perubahan bobot for ii=1:DimPola for jj=1:JHneuron delta1(ii,jj)=LR*D1(jj)*CP(ii); dol1(jj)=LR*CP(ii)*D1(jj); end dW1=[delta1]; db1=[dol1]; end W1=W1+dW1; %W1 baru b1=b1+db1; b2=b2+dol2; W2=W2+dw2;%W2 baru

SKRIPSI


FRANSISKA M.


115

yt(pp)=yk; tt(pp)=CT;

end akurasi=((sum/JumPola)*100); MSEepoch=error/JumPola; ee=ee+1; end set (handles.uitable2, 'Data', set (handles.text11, 'String', set (handles.text12, 'String', set (handles.text13, 'String', set (handles.uitable4, 'Data', set (handles.uitable5, 'Data', set (handles.uitable7, 'Data', set (handles.uitable6, 'Data', figure(1); plot(ee,MSE); xlabel('Epoch') ylabel('MSE')

out); akurasi); JumPola); sum); W1); b1); W2); b2);

% --- Executes on button press in pushbutton5. function pushbutton5_Callback(hObject, eventdata, handles) % hObject handle to pushbutton5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) s=''; set (handles.uitable1, 'Data', ''); set (handles.uitable2, 'Data', ''); set (handles.uitable3, 'Data', ''); set (handles.text5, 'String', s); set (handles.text11, 'String', s); set (handles.text12, 'String', s); set (handles.text13, 'String', s); set (handles.uitable4, 'Data', ''); set (handles.uitable5, 'Data', ''); set (handles.uitable7, 'Data', ''); set (handles.uitable6, 'Data', ''); set (handles.uitable8, 'Data', ''); set (handles.edit1, 'String', s); set (handles.edit2, 'String', s); set (handles.edit3, 'String', s); set (handles.edit4, 'String', s); set (handles.edit5, 'String', s);

SKRIPSI


FRANSISKA M.


116

% --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) % hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) T=handles.tes(:,1:3); t=handles.tes(:,4); W1 =get(handles.uitable4, 'Data'); b1=get(handles.uitable5, 'Data'); W2 =get(handles.uitable7, 'Data'); b2 =get(handles.uitable6, 'data'); [m,n]=size(T); JumPola=m; %jumlah semua pola latih (4) J0neuron=1; %jumlah neuron pada output layer (1) JHneuron=str2double(get(handles.edit3, 'String')); %jumlah neuron pada hidden layer Jumbenar=0; for pp=1:JumPola CP=T(pp,:); A1=[]; for ii=1:JHneuron v=CP*W1(:,ii); v2=v+b1(1,ii); A1=[A1 1/(1+exp(-v2))]; %matrik 3x1 end for jj=1:JHneuron v=A1*W2(:,1); v2=v(1,:)+b2; end y=1/(1+exp(-v2)); %tes akurasi if y<0.2

tar=0; elseif y>0.8 tar=1; else tar=0.5; end if (tar==t(pp)) Jumbenar=Jumbenar+1; end out(pp)=tar; end akr=(Jumbenar/JumPola)*100; cc=[out' t]; set (handles.uitable8, 'Data', cc);

SKRIPSI


FRANSISKA M.


117

set (handles.text15, 'String', akr);

% --- Executes on button press in pushbutton6. function pushbutton6_Callback(hObject, eventdata, handles) % hObject handle to pushbutton6 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) selection=questdlg(['Apakah Anda Ingin Keluar?'],['Keluar'],... 'Ya','Tidak','Ya'); if strcmp (selection, 'Tidak') return; end delete (handles.figure1);

% ------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles) % hObject handle to Untitled_1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) beranda; delete(handles.figure1);

% ------------------------------------------------------------------function Untitled_2_Callback(hObject, eventdata, handles) % hObject handle to Untitled_2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) deteksi; delete(handles.figure1);

% ------------------------------------------------------------------function Untitled_3_Callback(hObject, eventdata, handles) % hObject handle to Untitled_3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) bantuan;

SKRIPSI


FRANSISKA M.


118

delete(handles.figure1);

% ------------------------------------------------------------------function Untitled_4_Callback(hObject, eventdata, handles) % hObject handle to Untitled_4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) tentang; delete(handles.figure1); % ------------------------------------------------------------------function Untitled_4_Callback(hObject, eventdata, handles) % hObject handle to Untitled_4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) tentang; delete(handles.figure1);

SKRIPSI


FRANSISKA M.


119

Lampiran 4 Bukti Pengambilan Data

SKRIPSI


FRANSISKA M.


SKRIPSI


120

FRANSISKA M.


SKRIPSI


121

FRANSISKA M.


122

Fransiska Meilisa

SKRIPSI


FRANSISKA M.

ADLN PERPUSTAKAAN UNIVERSITAS AIRLANGGA SKRIPSI SKRIPSI

Recommend Documents