Bab I Pendahuluan
I. 1 Latar Belakang Dewasa ini, kebutuhan akan sebuah teknologi yang mampu menganalisis dan mengklasifikasikan berbagai citra ke dalam kelas-kelas yang sesuai sangat dibutuhkan. Tidak hanya untuk memudahkan proses penyimpanan dan pengambilan citra (image retrieval), melainkan juga sebagai dasar untuk dapat dipergunakan ke dalam proses selanjutnya. Pada penelitian Wei, Tsun &Wilson (2005) di bidang kedokteran salah satunya, teknik pengklasifikasian citra medis hasil pemeriksaan radiologi dengan similiarity measure dipergunakan untuk menentukan kelas abnormal dan kelas normal dari sekumpulan citra mammogram, yang kemudian dapat digunakan untuk mendiagnosis adanya sel kanker payudara. Dalam thesis penelitian ini, teknik klasifikasi berbasiskan Jaringan Syaraf Tiruan (JST) akan diterapkan oleh peneliti guna membantu memprediksi atau mengukur tingkat keparahan penyakit osteoarthritis melalui citra X-ray dari keempat kelas atau derajat yang ada. Keempat derajat tersebut memiliki gambaran kondisi osteoarthritis yang berbeda-beda dan hanya mampu diadignosa oleh para ahli rheumatologi atau ahli bedah tulang melalui serangkaian pemeriksaan medis. Penelitian dalam mengklasifikasi penyakit osteoarthritis juga pernah dilakukan sebelumnya oleh Boniatis et al pada daerah panggul (hip) melalui X-ray dengan analisis tekstur, dan menghasilkan 94% tingkat pengenalan pola. Penelitian tersebut kemudian peneliti coba terapkan kembali dalam thesis ini guna
2
mengklasifikasi atau memprediksi tingkat keparahan osteoarthritis pada daerah tangan atau Manus, dengan pula mempergunakan fitur tekstur di dalamnya. Penyakit osteoarthritis umumnya terjadi pada daerah sekitar tulang rawan dan persendian seperti sendi jari-jari, lutut, dan tulang punggung yang menimbulkan gejala rasa kaku, peradangan, nyeri serta pembengkakan yang disertai warna kemerah-merahan. Gejala-gejala ini yang digunakan sebagai analisa awal oleh rheumatologi (Slowik, 2011). Namun, dalam memastikan kondisi osteoarthritis, tidak cukup berdasarkan dari gejala yang timbul. Karena banyak kasus yang memperlihatkan bahwa osteoarthritis stadium lanjut tidak atau hanya sedikit memperlihatkan gejala, begitu juga sebaliknya. Oleh karena itu, pemeriksaan lebih lanjut seperti foto rontgen (X-ray), Magnetic Resonance Imaging (MRI), ataupun Computed Tomography Imaging (CT Scan) dianjurkan untuk dilakukan agar dapat memberikan hasil yang lebih akurat. Beberapa gambaran yang digunakan oleh pakar rheumatologi atau ahli orthopedi dalam menentukan tingkat keparahan penyakit osteoathritis seseorang dari foto X-ray yaitu dengan melihat ada atau tidaknya kista (cysts), pembengkakan, pembentukan tulang baru yang tidak rata dan runcing-runcing (osteophyte), terjadinya subchondral sclerosis, serta pengurangan massa tulang rawan (Brandt, Doherty & Lohmander, 2003). Gambaran kondisi inilah yang kemudian dijadikan peneliti sebagai acuan dalam membantu rheumatologi memastikan kondisi penyakit osteoarthritis dari sekumpulan citra X-ray. Setiap gambaran ciri-ciri osteoarthritis yang nampak pada citra X-ray, akan diolah dan diekstrak fiturnya berdasarkan kecerahan (intensity) dan tekstur
3
yang kemudian akan diproses untuk menghasilkan prediksi dalam piranti lunak berbasis metode jaringan syaraf tiruan Backpropagation. Pemilihan metode backpropagation di dalam penelitian ini dikarenakan kemampuan dari metode tersebut yang secara terbimbing (supervised) dapat melakukan pengenalan serta pendeteksian yang sangat baik dan cocok untuk berbagai jenis aplikasi (Siang, 2005). Hal ini terbukti pada beberapa penelitian sebelumnya yang mempergunakan metode backpropagation dalam penerapannya. Seperti pada penelitian Niu & Ye (2009) yang mengaplikasikan backpropagation dalam mendeteksi kerusakan struktur pada pembangunan jembatan dan memiliki tingkat keberhasilan cukup tinggi. Penelitian lainnya (Subekti, Balza & Gogot, 2008) pada bidang kedokteran, backpropagation juga berhasil diterapkan untuk menganalisis kondisi ginjal dari spektrum dengan persentase ketepatan identifikasi
sebesar
98%.
Oleh
karena
itulah,
peneliti
menetapkan
backpropagation sebagai metode JST yang akan dipergunakan untuk mengukur tingkat keparahan penyakit osteoarthritis di dalam thesis penelitian ini.
I. 2 Rumusan Permasalahan Permasalahan yang ada di dalam penelitian ini yaitu : 1. Bagaimana menentukan jenis fitur dan dimensi vektor fitur yang tepat agar mampu mempercepat proses learning tanpa mengurangi akurasi hasil klasifikasi? 2. Bagaimana
menghasilkan klasifikasi dengan akurasi dan reliabilitas
pengenalan grade penyakit osteoarthritis yang tinggi?
4
I. 3 Tujuan Tujuan yang ada di dalam penelitian ini yaitu : 1. Memperoleh hasil prediksi yang tepat dalam mengukur tingkat keparahan penyakit osteoarthritis dari setiap citra X-ray yang diujikan. 2. Mengembangkan
salah
satu
cara
dalam
menyediakan
alat
bantu
mendiagnosis/memprediksi derajat atau grade penyakit osteoarthritis, yaitu dengan menerapkan metode jaringan syaraf tiruan backpropagation.
I. 4 Manfaat Manfaat yang ada di dalam penelitian ini yaitu : 1. Membantu rheumatologi dalam memastikan tingkat keparahan dari kondisi pasien osteoarthritis sehingga pengobatan yang dapat diberikan tidak overtreatment maupun undertreatment. 2. Dapat dijadikan sebagai salah satu rancangan awal atau dasar untuk mengembangkan sebuah sistem pengukuran tingkat keparahan penyakit lainnya, yang dapat diterapkan dalam penelitian-penelitian selanjutnya.
I. 5 Ruang Lingkup Ruang lingkup dalam penelitian ini yaitu sebagai berikut : 1. Citra yang dipergunakan sebagai sampel berupa sekumpulan citra X-ray digital 8-bit berukuran 200x150 piksel serta Region of Interest (ROI) dari X-ray tersebut berukuran 30x20 piksel dan 30x50 piksel dengan format *.JPEG, yang merupakan hasil proses scanning, cropping dan konversi warna sebelumnya
5
2. Daerah citra yang diambil dan dideteksi hanya berkisar antara pergelangan hingga jari-jari tangan (Manus) 3. Jumlah class sebanyak empat kelas yang mewakili empat grade / derajat keparahan osteoarthritis, yaitu grade 1, grade 2, grade 3 dan grade 4.
