APLIKASI MODEL JARINGAN SYARAF TIRUAN DENGAN RADIAL BASIS FUNCTION UNTUK MENDETEKSI KELAINAN OTAK (STROKE INFARK) Yohanes Tanjung Sarwono1) 1)
S1/Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya, email:
[email protected]
Abstract: stroke disease is one of the deadly diseases caused by blockage of blood vessel. Neural Network as one of Artificial Intelligence areas which simulate like human neuron brain and convert it into mathematics calculation. Preprocessing used to convert brain images into numerical. This numerical will be input to clustering process and training it with Neural Network that use Radial Basis Method. Result of this training method will be used to analyze and predict brain image whether to be normal or stroke. Keywords: Digital Image Processing, Artificial Intelligence, Neural Network, K-Means Cluster, Stroke Disease
Di negara-negara industri penyakit
Stroke dapat dibedakan menjadi 2
stroke menduduki peringkat ketiga penyebab
golongan besar yaitu stroke iskemik (Infark) dan
kematian setelah penyakit jantung dan kanker. Di
stroke perdarahan (Hemoragik). Pada stroke
Indonesia, diperkirakan setiap tahun terjadi
iskemik (Infark) terjadi proses Arteriosklerosis
500.000 penduduk terkena serangan stroke, dan
atau
sekitar 25% atau 125.000 orang meninggal dan
pembuluh darah otak tersumbat. Sumbatan ini
sisanya mengalami cacat ringan atau berat. Di
terjadi akibat lepasnya bekuan yang berasal dari
Indonesia stroke menempati urutan pertama
lokasi lain. Sedangkan stroke hemoragik adalah
sebagai penyebab kematian di rumah sakit.
pecahnya
Stroke adalah serangan mendadak pada otak akibat pembuluh otak tersumbat atau pecah.
darah
terlalu
kental
pembuluh
darah
yang
membuat
akibat
dinding
pembuluh rapuh atau anomali-anomali bawaan pada usia muda.
Biasanya kondisi ini akan diikuti dengan gejala-
Pendeteksian dan diagnosa kelainan
gejala seperti nyeri kepala hebat, penurunan
pada otak dilakukan oleh para radiolog dan
kesadaran dan kejang mendadak. Juga terjadi
dokter ahli. Peralatan radiologi yang berfungsi
gangguan
dan
untuk mendeteksi penyekit otak salah satunya
gangguan orientasi tempat, waktu dan orang.
adalah Magnetik Resonance Imaging (MRI).
Penyebab stroke dikelompokkan menjadi 2
Menurut Notosiswoyo (2004) MRI menggunakan
faktor, yaitu faktor medis dan perilaku. Faktor
prinsip elektromagnetik yang akan menghasilkan
resiko medis, antara lain hipertensi (penyakit
image tubuh kita. MRI berkaitan dengan radio
tekanan darah tinggi), kolesterol, Arteriosklerosis
frekuensi
(pengerasan pembuluh darah), gangguan jantung,
menghasilkan suatu citra (image) tanpa memakai
diabetes, riwayat stroke dalam keluarga, dan
radiasi ionisasi.
daya
ingat,
keseimbangan
dan
medan
magnet
yang
dapat
migrain. Faktor yang kedua adalah faktor resiko
Pemeriksaan gambar kelainan otak hasil
perilaku, antara lain merokok (aktif & pasif),
MRI ini memerlukan ketelitian dan ketepatan.
makanan tidak sehat (junk food, fast food),
Lagi pula otak organ tubuh yang letaknya
alkohol, kurang olahraga, kontrasepsi oral,
tersembunyi sehingga sulit dideteksi dengan mata
narkoba, obesitas.
telanjang. Pendeteksian penyakit infark dari
1
gambar MRI dapat menggunakan Jaringan Syaraf
c th w w n n x y
Radial Basis Function (RBF). Pada
prinsipnya
banyak
metode
jaringan syaraf yang telah dikembangkan, seperti
dimana:
Backpropagation, Self Organizing Maps (SOM),
w:
dan lain sebagainya. Alasan penggunaan jaringan
equalization,
syaraf tiruan dengan metode RBF karena
Cw : histogram kumulatif dari w,
keunggulan dalam hal kecepatan iterasi jika
th: adalah threshold derajat keabuan (256)
dibandingkan dengan metode jaringan syaraf
nx dan ny adalah ukuran gambar d.
tiruan lainnya.
nilai
keabuan
hasil
histogram
Proses filter background, merupakan proses untuk menghilangkan atau membuang latar
METODE PENELITIAN
belakang citra yang tidak diperlukan. Karena
Digital Image Processing
citra yang diharapkan adalah citra bagian
Melakukan pengolahan citra digital pada
otak saja, maka sangat penting melakukan
data gambar otak normal dan stroke infark untuk mengubah file data gambar hingga menjadi
proses filter background. e.
Proses Segmentasi, membagi obyek menjadi
menjadi bentuk matriks normalisasi yang berupa
segmen-segmen yang lebih kecil sehingga
angka.
diharapkan untuk pengolahan datanya dapat
Berikut
langkah-langkah
dalam
melakukan pengolahan citra :
menjadi lebih cepat. Hasil segmen ini akan
a.
Proses pembacaan file gambar untuk otak
diperoleh gambar yang berukuran 37 x 37
normal dan stroke infark yang berukuran
piksel.
185 x 185 piksel. File gambar berformat
b.
f.
Proses Normalisasi, yaitu proses pada nilai
.BMP atau .JPG.
intensitas tiap segmen dari citra agar bernilai
Proses greyscale, mengubah citra warna
0 atau 1 dengan cara rata segmen dibagi
(Red, Green, Blue) menjadi citra greyscale
dengan tingkat grayscale yang paling tinggi.
dengan mengambil rata-rata RGB dengan persamaan:
g.
Simpan hasil data normalisasi, sebagai data input di proses selanjutnya. Data disimpan
Gray = R + G + B
ke dalam bentuk file text (.txt) dan tidak
3
menggunakan database agar lebih cepat pada
R : Tingkat intensivitas warna merah
saat upload data pada inputan pelatihan
G : Tingkat intensivitas warna hijau
jaringan syaraf.
B : Tingkat intensivitas warna biru c.
Proses histogram equalisasi, merupakan proses
perataan
histogram,
di
mana
distribusi nilai derajat keabuan pada suatu citra dibuat rata dan ditujukan untuk memperjelas gambar dengan persamaan:
2
rumus jarak Eucledian (Eucledian Distance) hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid. Berikut adalah persamaan Eucledian Distance:
d ( x i , j ) ( xi j ) 2
Step 4 :
Mengklasifikasikan
setiap
data
berdasarkan kedekatannya dengan centroid (jarak terkecil). Step 5 :
Mengupdate
nilai
centroid.
Nilai
centroid baru diperoleh dari rata-rata cluster yang bersangkutan dengan menggunakan rumus:
j ( t 1)
1 N Sj
x
j
jSj
dimana:
j (t+1) = centroid baru pada iterasi ke (t+1), NSj = banyak data pada cluster Sj Gambar 1. Flowchart Pengolahan Citra Digital
Step 6 : Melakukan perulangan dari langkah 2 hingga 5 hingga anggota tiap cluster tidak ada
K-Means Clustering
yang berubah.
Algoritma K-Means diperkenalkan oleh
Step 7 : Jika langkah 6 telah terpenuhi, maka
J.B. MacQueen pada tahun 1976. Metode ini
nilai rata-rata pusat cluster ( j) pada iterasi
mempartisi data ke dalam cluster (kelompok) sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam cluster yang sama dan data yang mempunyai karakteristik berbeda dikelompokkan ke dalam kelompok yang lain.
terakhir akan digunakan sebagai parameter untuk Radial Basis Function yang ada di hidden layer. Pada gambar 2 ditunjukkan diagram alir langkahlangkah
dalam
proses
clustering
dengan
menggunakan metode K-Means.
Berikut adalah langkah-langkah dari algoritma KMeans: Step 1 : Menentukan banyak K-cluster yang ingin dibentuk. Step 2 : Membangkitkan nilai random untuk pusat cluster awal (centroid) sebanyak k. Step 3 : Menghitung jarak setiap data input terhadap masing-masing centroid menggunakan
3
Jika ada input yang masuk, sel akan aktif dan akan mentransmisikan sinyal ke sel lain melalui akson dan sypnatic gap. Untuk lebih jelasnya susunan neuron biologis ini dapat dilihat pada Gambar 3 berikut :
Gambar 3. Susunan Neuron Biologis Pada jaringan syaraf tiruan, juga terdapat istilah neuron atau lebih sering disebut unit, sel, j ( t 1)
1 N Sj
x
atau node. Setiap neuron terhubung dengan j
neuron-neuron lain melalui layer dengan bobot
j Sj
tertentu. Bobot di sini melambangkan informasi yang j (t 1) j
digunakan
oleh
jaringan
untuk
menyelesaikan persoalan. Pada jaringan syaraf biologis, bobot tersebut dapat dianalogikan dengan aksi pada proses kimia yang terjadi pada synaptic
gap.
Sedangkan,
setiap
neuron
mempunyai internal state yang disebut aktivasi. Aktivasi tersebut merupakan fungsi dari input Gambar 2. Flowchart K-Means Clustering
yang diterima. Suatu neuron akan mengirim sinyal ke neuron-neuron lain, tetapi pada suatu saat,
Neural Network Jaringan syaraf manusia terdiri atas selsel yang disebut neuron. Ada tiga komponen
hanya
dikeluarkan
ada
satu
walaupun
sinyal
yang
sinyal
dapat tersebut
ditransmisikan pada beberapa neuron lain.
utama neuron yang fungsinya dapat dianalogikan
Pada jaringan syaraf, neuron-neuron
dengan yang terjadi pada jaringan syaraf tiruan,
tersusun dalam layer. Neuron yang terletak dalam
yaitu dendrit, soma, dan akson. Dendrit akan
layer yang sama, biasanya mempunyai hubungan
menerima sinyal-sinyal dari neuron lain. Sinyal
yang sama antara satu dengan lainnya.
tersebut
merupakan
impuls
listrik
yang
Pengaturan neuron dalam layer dan
ditransmisikan melalui sypnatic gap melalui
hubungan-hubungannya
disebut
arsitektur
proses kimia. Sedangkan, soma atau badan sel
jaringan. Jaringan syaraf dapat diklasifikasikan
akan menjumlah sinyal-sinyal input yang masuk.
menjadi dua jenis, yaitu single layer dan
4
multilayer. Untuk lebih jelasnya, susunan single layer dan multilayer terdapat pada Gambar 4 dan Gambar 5. Dalam jaringan single layer, neuronneuron
dapat
dikelompokkan
menjadi
dua
bagian, yaitu unit-unit input dan unit-unit output. Unit-unit input menerima masukan dari luar sedangkan unit-unit output akan mengeluarkan respon dari jaringan sesuai dengan masukannya. Sedangkan, dalam jaringan multilayer, selain ada unit-unit input dan output, juga
Gambar 5. Jaringan Syaraf Multilayer
terdapat unit-unit yang tersembunyi (hidden). Jumlah unit hidden tersebut tergantung pada
Radial Basis Function Algorithm
kebutuhan. Semakin kompleks jaringan, unit
Topologi jaringan RBFN (Radial Basis
hidden yang dibutuhkan makin banyak, demikian
Function Network) terdiri dari layer input unit,
pula jumlah layernya. Pada Gambar 5 terdapat
layer hidden unit dan layer output unit. Topologi
tiga buah layer dengan bobot v dan w . Jaringan
RBFN digambarkan sebagai berikut:
multilayer sering dipakai untuk persoalan yang lebih rumit karena pelatihan untuk hal yang kompleks akan lebih berhasil jika menggunakan jaringan multilayer.
Gambar 6. Topologi Radial Basis Function Network
Berikut
langkah-langkah
proses
pelatihan
jaringan dengan metode RBF: Step 1 : Inisialisasi centre data input matriks normalisasi dan dan centre hasil perhitungan KMeans Clustering. Gambar 4. Jaringan Syaraf Single Layer Step 2 : Melakukan inisialisasi nilai spread yang akan
digunakan
pada
perhitungan
matriks
Gaussian.
5
Step 3 : Menentukan sinyal input ke hidden layer dan menghitung nilai fungsi aktivasinya pada tiap hidden layer menggunakan rumus berikut:
m
= 1,2,3,... Sesuai dengan jumlah training pattern
j
= 1,2,3… sesuai dengan jumlah hidden unit
X
vektor input
t
vektor data sebagai center
Step 4 : Menghitung bobot baru (W) dengan mengalikan pseudoinverse dari matriks G dengan vector target (d) dari data training dengan menggunakan rumus pada persamaan berikut:
Gambar 7. Flowchart Proses Training Jaringan Step 5 : Menghitung nilai output jaringan Y(n)
Syaraf Tiruan dengan Metode Radial Basis
menggunakan rumus pada persamaan berikut:
Function Testing Algorthm Uji coba atau testing pada aplikasi
Step 6 : Simpan nilai hasil training. Hasil training yang disimpan adalah data center 1, center 2, nilai output dan nilai spread yang digunakan dalam proses training jaringan syaraf. Data hasil training tersebut disimpan ke dalam file teks (.txt). Berikut diagram alir proses training
jaringan
menggunakan Function).
syaraf
metode
RBF
tiruan (Radial
dengan Basis
digunakan untuk melakukan validasi apakah telah memberikan diharapkan.
output Berikut
sesuai
dengan
yang
langkah-langkah
dalam
melakukan uji coba: Step 1 : Inisialisasi center hasil perhitungan algoritma K-Means, dengan memanggil centroid 1 dan centroid 2 iterasi terakhir. Step 2 : Inisialisasi range output target hasil perhitungan RBF (spread value, W1, W2 dan bias).
6
Step 3 : Upload data gambar untuk di uji coba atau validasi. Step 4 : Proses greyscale, mengubah citra warna (Red, Green, Blue) menjadi citra greyscale dengan mengambil rata-rata RGB. Step 5 : Proses histogram equalisasi, merupakan proses perataan histogram, di mana distribusi nilai derajat keabuan pada suatu citra dibuat rata dan ditujukan untuk memperjelas gambar. Step 6 : Proses Segmentasi, yaitu membagi obyek menjadi segmen-segmen yang lebih kecil sehingga diharapkan untuk pengolahan datanya dapat menjadi lebih cepat. Dari hasil segmen ini akan diperoleh gambar yang berukuran 37 x 37 piksel. Step 7 : Proses Normalisasi, yaitu proses pada nilai intensitas tiap segmen dari citra agar bernilai 0 atau 1 dengan cara rata segmen dibagi dengan tingkat greyscale yang paling tinggi. Step 8 : Menghitung nilai output jaringan Y(x). Step 9 : Melakukan pengecekan terhadap nilai Y(x) apakah lebih kecil dari batas atas Y normal. Step 10 : Cetak hasil analisa gambar, termasuk otak normal (jika Y(x) lebih kecil dari batas atas Y normal) dan otak infark (Jika Y(x) lebih besar dari batas atas Y normal).
Gambar 8. Flowchart Uji Coba Aplikasi
HASIL DAN PEMBAHASAN Digital Image Processing Form image processing atau pengolahan citra digunakan untuk mengolah data gambar menjadi data akhir yang lebih sederhana yaitu data matriks normalisasi yang terdiri dari angkaangka.
7
Radial Basis Function Training Form RBF training digunakan untuk melakukan pelatihan jaringan syaraf tiruan dari inputan hasil normalisasi. Data normalisasi akan dicluster terlebih dahulu dengan K-Means untuk menghasilkan nilai centre 1 dan centre 2 yang akan digunakan pada pelatihan jaringan syaraf.
Gambar 9. Tab Step 1 (Data Gambar Input dan Greyscale)
Gambar 12. Tab Data (Input Matriks Normalisasi dan Generate Centroid Awal) Gambar 10. Tab Step 2 (Pengolahan Citra dari Histogram hingga Equalization)
Gambar 13. Tab Cluster (Clustering dengan KMeans ke cluster 1 dan cluster 2) Gambar 11. Tab Step 3 (Proses Segmentasi, Matriks dan Vektor Normalisasi)
8
output Y(x) untuk gambar yang diuji coba. Y(x) akan dibandingkan dengan batas bawah (minimal value) dan batas atas (máximum value) untuk memeperoleh
analisa
apakah
data
gambar
termasuk gambar otak normal atau otak stroke infark. Kesimpulan hasil analisa akan muncul pada groupbox Analisa JST-RBF.
Gambar 14. Tab RBF Step 1 (Proses Training Radial Basis Function)
Gambar 16. Form Validasi (Proses Pengolahan Citra dan Analisa)
Gambar 15. Tab RBF Step 2 (Proses Training RBF hingga Matriks W) Validasi Form validasi merupakan form uji coba data gambar. Inputan pada form ini adalah data gambar otak yang akan diuji untuk dianalisa apakah termasuk otak normal atau otak infark.
Gambar 17. Form Validasi (Hasil Analisa)
Data gambar diolah terlebih dahulu yaitu melalui proses
greyscale,
tresholding,
histogram
SIMPULAN
equalization, dan segmentation. Output gambar
Berdasarkan hasil evaluasi yang telah
dari segmentasi akan diolah menjadi matriks
dilakukan dalam pembuatan Aplikasi Model
normalisasi 37 x 37 kemudian menjadi vektor
Jaringan Syaraf Tiruan dengan Radial Basis
normalisasi
vektor
Function dapat disimpulkan bahwa Tugas Akhir
normalisasi akan dihitung menggunakan centroid
telah sesuai dengan tujuan. Berikut adalah
1 dan 2 hasil clustering, nilai spread, matriks W
beberapa poin kesimpulan dari pengerjaan Tugas
dan bias, sehingga akan menghasilkan nilai
Akhir ini:
1
x
1369.
Kemudian
9
1. Sistem telah berhasil menangani pengolahan citra dari proses input gambar hingga normalisasi
dengan
memakai
beberapa
persamaan. 2. Sistem telah mengimplementasikan proses pelatihan jaringan syaraf tiruan yang dimulai dengan clustering dan kemudian dilatih dengan metode RBF. 3. Sistem dapat melakukan validasi dengan memberi input data gambar, kemudian sistem akan memberikan estimasi hasil analisa. 4. Sistem RBF memiliki keunggulan dalam hal kecepatan pelatihan karena tidak ada target
Russell, Stuart, Peter Norvig. 2003. Artificial Intelligence A Modern Approach (second edition). Person Education, Inc: New Jersey. World Health Organization. 2010. Cardiovaskuler Disease : prevention and control,(Online), (http://www.who.int/dietphysicalactivity/ publications/facts/cvd/en , diakses 1 November 2010). Yayasasan Stroke Indonesia. 2009. Stroke Urutan Ketiga Penyakit Mematikan. (Online), (http://www.yastroki.or.id/read.php?id=3 00, diakses 1 November 2010) Yayasasan Stroke Indonesia. 2009. 2 Macam Jenis Stroke dan Teknik Deteksi. (Online), (www.yastroki.or.id/read.php?id=205, diakses 1 November 2010).
iterasi pada proses pelatihan (hanya 1 kali jalan).
5. Data input memiliki peran penting, oleh karena itu dibutuhkan data gambar tanpa konversi signifikan dan dalam jumlah banyak (misal >50 gambar). DAFTAR RUJUKAN Basuki,
Achmad., Jozua Palandi, Fatchurrochman. 2005. Pengolahan Citra Menggunakan Visual Basic. Graha Ilmu: Yogyakarta. Hermawan, Arief. 2006. Jaringan Syaraf Tiruan, Teori dan Aplikasi. Penerbit Andi: Yogyakarta. Joesoef, A.A. 2004. Aspek Biomolekuler dari Iskemia Otak Akut. RSUD Dr. Soetomo, Malang. Kendall, K.E., Kendall, J.E. 2003. Analisis dan Perancangan Sistem (Edisi Bahasa Indonesia). PT. Prenhallindo: Jakarta. Kuswara, Setiawan. 2003. Paradigma Sistem Cerdas, Artificial Intelligence. Bayumedia: Malang. Mackay, David J.C. 2004. Information Theory, Inference, and Learning Algorithms. Cambridge Universisty Press. Notosiswoyo, Mulyono dan Suswati, Susy. 2004. Pemanfaatan Magnetic Resonance Imaging sebagai Sarana Diagnosa Pasien. Media Litbang Kesehatan Volume XIV Nomer 3.
10
