BAB I PENDAHULUAN 1.1 Latar Belakang Pada dasarnya manusia memiliki system pencernaan yang bernama usus, dalam hal ini usus ialah bagian dari system pencernaan yang bermula dari akhir lambung sampai anus. Usus sendiri memiliki 2 bagian yaitu usus halus dan usus besar [15], yang di mana setiap bagian memiliki perbedaan dalam kerja nya. Di dalam usus besar atau yang dinamakan kolon, sendiri berada antara usus buntu dan rectum. Fungsi utama usus besar ialah menyerap mineral dari pengolahan terakhir makanan pada manusia. Usus besar sendiripun tidak luput dari suatu penyakit, dari penyakit yang kecil hingga penyakit yang besar dan semakin bertambahnya umur yang membuat usus besar mudah mendapatkan suatu kelainan dan juga dengan pola makan yang tidak teratur. Dalam suatu penyakit pendeteksian dan pengklasifikasian kanker pada suatu penyakit lebih awal akan memungkinkan penyembuhan yang cepat, mudah, dan murah pagi pasien yang terkena. Terutama penyakit kanker, dalam hal ini kanker usus besar sendiri yang riskan terkena. Oleh karena itu menuntut paramedic dalam pendiagnosaan yang akurat dan cepat untuk meminimalisir yang terjadi. Tetapi pendeteksian saat ini tergolong manual yaitu dengan mengecek sel pada usus besar itu sendiri dan di amati melalui mikroskop yang akhir nya dapat di diagnosa penyakit kanker pada usus besar. Kesalahan pada manusia pun mungkin saja terjadi dan dapat mempengaruhi hasil dari pendiagnosaan. Oleh sebab itu di bangun tugas akhir ini yang bertujuan untuk simulasi pengklasifikasian kanker pada usus besar, dengan memanfaatkan citra pada kelenjar usus besar dalam bentuk digital. Citra itu sendiri diambil menggunakan kamera digital yang dimana lensa dari kamera digital itu sendiri di hadapkan langsung pada lensa okuler dari mikroskop. Setalah di dapat citra yang akan digunakan, maka di capture oleh computer dengan bantuan software Matlab untuk di ambil informasi yang ada dalam citra tersebut. Dari hasil ini maka kemudian akan diproses pada simulasi pendeteksian kanker usus besar. Oleh demikian tuntutan paramedis agar mendiagnosa dan mengklasifikasi kanker usus besar secara otomatis dan cepat akan terpenuhi.
1.2 Perumusan Masalah Masalah yang diteliti dalam tugas akhir ini ialah: 1. Bagaimana cara mendesain pengklasifikasian penyakit kanker usus besar berbasis pengolahan citra dengan Ekstrasi Ciri Statistik GLCM? 2. Bagaimana mengelola citra sampel jaringan yang nanti akan di ambil informasinya? 3. Bagaimana penerapan dalam proses klasifikasi pada citra menggunakan algoritma Levenberg-Marquardt Algorithm (LMA)
1.3 Tujuan Tujuan pada tugas akhir ini ialah: 1. Mengimplementasikan Levenberg-Marquardt Algorithm (LMA) sebagai algoritma pengklasifikasian pada pengolahan citra menggunakan Ekstrasi Ciri Statistik Grey Level Co-occurrence Matrix (GLCM). 2. Mengimplementasikan Ekxtrasi Ciri Statistik Grey Level Co-occurrence Matrix (GLCM) pada preprocessing. 3. Menganalisa performasi program aplikasi yang akan dibuat berdasarkan parameter akurasi. 4. Mengklasifikasi penyakit kanker usus besar dari hasil gambar mikroskopik patologi anatomi.
1.4 Batasan masalah Tugas akhir ini di batasi oleh beberapa hal, yaitu: 1. Pendeteksian menggunakan Levenberg-Marquardt Algorithm (LMA). 2. Preprocesing menggunakan Grey Level Co-occurrence Matrix (GLCM) 3. Perbesarannnya 100x dengan ukuran 768x576. 4. Studi kasus hanya untuk kanker usus besar limphoma, carcinoma dan normal. 5. Sel yang di dicapture hanya sel kanker usus besar lymphoma, carcinoma dan normal. 6. Analisa hanya pada penerapan Levenberg-Marquardt algorithm (LMA). 7. Sampel diambil dari RS. Hasan Sadikin Bandung.
8. Parameter yang di gunakan hanya parameter perbedaan struktur. 9. Citra sampel sudah dicapture sebelumnya. 10. Format gambar sampel jaringan berupa JPEG. 11. Crop citra per-sel.
1.5 Hipotesis Hipotesis yang akan di peroleh dalam hal ini ke akuratan hasil yang di dapat dari system yang di bangun. Dalam hal ini karena levenbergh-Marquadth algorithm (LMA) sendiri mempunya sifat yang dapat menyesuaikan besarnya perubahan bobot terhadap error yang ada, misal bila error yang di dapat besar maka bobot nya juga berubah dengan selisih yang besar agar lebih cepat mencapai solusi yang optimal, dan juga bila terdapat error yang didapat kecil maka bobotnya jadi lebih sedikit. Oleh Karena itu hipotesa awal mendapatkan akurasi yang baik yaitu antara (80%90%). Dengan inputan yang baik juga menggunakan Ekstrasi Ciri Statistik dengan fungsi Grey Level Co-occurrence Matrix GLCM.
1.6
Metodologi penyelesaian masalah Metode dalam penyelesain tugas akhir ini iala sebagai berikut: 1. Studi Literatur Disini ialah proses pembelajaran teori-teori yang di gunakan dan pengumpulan literature-literatur seperti buku refrensi, artikel-artikel, dan jurnal-jurnal untuk membantu penyelesaian tugas akhir yang di susun. 2. Persiapan data Dalam hal ini ialah merupakan tahapan persiapan data-data yang di perlukan dalam pengerjaan tugas akhir ini. mengumpulkan data-data citra yang di ambil di RS Hasan Sadikin bandung. Data yang di peroleh akan di bagi menjadi dua, ialah data training dan data testing. 3. Perancangan system Dalam tahap perancangan system ialah, dilakukan proses pembuatan klasifikasi citra sampel jaringan
yang di
awali dengan proses
preprocessing yang menggunakan metode ekstrasi ciri statistic Grey Level Co-occurrence Matrix (GLCM) sebagai inputan awal dan berlanjut
pengklasifikasian menggunakan levenbergh-Marquadth algorithm (LMA) yang sebagai berikut algoritma pembelajarannya :
Defenisakan masalah : masukkan dan target yang diinginkan, kemudian inisialisasi bobot pertama dengan nilai acak
Masukkan matriks pola belajar ke dalam jaringan dan hitung nilai keluaran serta eror yang di hasilkan dengan menggunakan persamaan menghitung MSE Hitung matriks jacobian dan matriks eror Hitung perubahan bobot (∆w) Proses adaptive learning rate. Pelatihan ini akan berhenti jika salah satu dari kondisi berikut terpenuhi, yaitu: Ketika gradien lebih kecil daripada nilai threshold yang di tentukan sebelum nya Atau ketika nilai eror lebih kecil daripada eror minimum yang di tentukan Nilai gradien itu sendiri dapat di tentukan dengn rumus g = JTE Ini merupakan teknik pembelajaran atau training dan terdiri dari bnyak lapisan (multilayer network). 4. Implementasi sistem Dalam tahap ini ialah tahapan pengimplementasian system atas rancangan yang sudah dibuat. Yang dimana pengimplementasiannya menggunakan software Matlab yang dalam hal ini sebagai tools pembangunan dan pengujian. 5. Pengujian Dalam tahap ini ialah tahap pengujian terhadap system yang masukannya dari data yang sudah di siapkan. 6. Analisis hasil Dalam tahap ini ialah tahap dimana analisis hasil yang di dapat dari pengujian yang sudah di lakukan. 7. Pembuatan laporan
Dalam tahap ini ialah tahap dimana pembuatan laporan dari hasil pengujian dan analisis yang sudah di dapat sebagai dokumentasi penelitian.
1.7 Jadawal Kegiatan Kegiatan
Studi literatur Persiapan data Perancangan sistem Implementasi sistem Pengujian Analisa hasil Pembuatan laporan
Bulan ke-1
Bulan ke-2
Bulan ke-3
Bulan ke-4
Bulan ke -5
Bulan ke -6
