Klasifikasi Tumor dan Kista pada Citra Panoramik Gigi Manusia Menggunakan Metode Support Vector Machine (SVM) Dosen Pembimbing : Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng Dr. I Ketut Eddy Purnama, S.T., M.T.
Cucun Very Angkoso ~ 22.09.205.004
Latar Belakang g 1. Tumor atau pertumbuhan abnormal jaringan tubuh secara tidak terorganisir semakin meningkat tingkat kejadiannya 2. Baru terdeteksi dalam stadium lanjut setelah timbul gejala klinis yang bisa di dirasakan k penderita d i 3. SVM adalah salah satu metode klasifikasi yang memiliki iliki performansi f i yang telah l h terbukti handal di bidang aplikasi seperti bi i f bioinformatics ti Cucun Very Angkoso ~Slide 2
Analsis Statistik Hubungan Antar Piksel
Statistik orde-pertama Statistik orde-pertama dihitung melalui nilai piksel dari gambar semisal fitur variance dengan mengabaikan hubungan antar piksel tetangga.
Statistik orde-kedua Perhitungan statistik orde-kedua mempertimbangkan hubungan antara dua piksel (piksel yang bertetangga) pada gambar.
Statistik orde-lebih-tinggi (higher-order statistics). Perhitungan statistik orde orde-ketiga ketiga dan yang lebih tinggi, mempertimbangkan hubungan antara tiga atau lebih piksel, hal ini secara teoritis memungkinkan p belum biasa diterapkan. p tetapi
Cucun Very Angkoso ~Slide 9
Ekstraksi Fitur
GLCM (Gray-Level Cooccurrence Matrix) atau Grey Tone Spatial Dependency Matrix Ekstraksi fitur oleh Haralick
GLRLM (Gray Level Run Length Matrix) M M G M.M. Galloway ll
Cucun Very Angkoso ~Slide 10
GLCM (Gray Gray--Level Cooccurrence Matrix) Matrix)
Contoh citra dengan 4 tingkat keabuan. Kanan: Hasil GLCM pada jarak 1 arah 0 Cucun Very Angkoso ~Slide 11
Grafik Nilai Range Hasil Ekstraksi Fitur Menggunakan Fitur Contrast 1.40
1.216
1.20
1.194
1.00
0.966 0.831
0.80
Min 0.682
0.667
Max
0.60
AVG 0.529 0.458
0.40
0.366
0.333 0.211
0.20
0 227 0.227
0.00 Kista-GLCM
Cucun Very Angkoso ~Slide 18
Tumor-GLCM
Kista-HEGLCM
Tumor-HEGLCM
Grafik nilai range hasil ekstraksi fitur menggunakan fitur Low Gray Level Run Emphasis (LGRE) 0.25
0.20
0.195
0.15 Min Max
0.113
AVG
0 10 0.10 0.091
0.090
0.096 0.072
0.067
0.065
0.05
0 045 0.045
0.051
0.034 0.017 0.00 Kista GLRLM Kista-GLRLM
Cucun Very Angkoso ~Slide 19
Tumor GLRLM Tumor-GLRLM
Kista HEGLRLM Kista-HEGLRLM
Tumor HEGLRLM Tumor-HEGLRLM
Tabel Distribusi Data Pelatihan dan Pengujian
Data
Pengujian I
Pengujian II
Pengujian III
Kelas
Kelas
Kelas
Kista
Tumor
Kista
Tumor
Kista
Tumor
Citra 1 s.d. s d 10
Latih
dan Citra 1 s.d. 20
8
citra 21 s.d. 30
12
11
20 Citra 21 s.d. 30 Uji
7
Citra 11 s.d. 20 4 3 10
Cucun Very Angkoso ~Slide 20
Citra 11 s.d. 30
9
11
20 Citra 1 s.d. 10 6 4 10
9 20 6 10
Pengaruh Kuantisasi Citra 80 70
Nilai Akura asi (%)
60 50 40
GLCM8 GLCM16
30
GLCM32 GLCM64
20
GLCM128 10 0 1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20
Kernel Option
Cucun Very Angkoso ~Slide 24
Pengaruh Penggunaan Preprocessing HE 80
70
Nilai Aku urasi (%)
60
50
40 GLCM8 30 HEGLCM8 20
GLCM16
10
HEGLCM16
0 1
2
3
4
5
6
7
8
9
10
11
12
Kernel Option
Cucun Very Angkoso ~Slide 25
13
14
15
16
17
18
19
20
Pengaruh penggabungan fitur dari GLCM dan HEGLRLM 90
80
70
Nila ai Akurasi (%)
60
50
40 GLCMHEGLRLM 30 HEGLRLM 20 GLCM16 10
0 1
2
3
4
5
6
7
8
9
10
11
12
Kernel Option
Cucun Very Angkoso ~Slide 26
13
14
15
16
17
18
19
20
Kurva ROC Pada Penggunaan 3 Model Ekstraksi Fitur Yang Berbeda 100 90
TPR R (Sensitivity)) (%)
80 70 60 50 40
GLCM16 (SVM)
30
HEGLRLM (SVM)
20
GLCMHEGLRLM (SVM)
10 0 0
10
20
30
40
50
60
FPR (1-Specificity) (1 Specificity) (%)
Cucun Very Angkoso ~Slide 27
70
80
90
100
Grafik Pengaruh Penggunaan Jumlah Fitur 100%
90%
80% %
76.67%
76.67%
HEGLRLM (7 Fitur)
GLCMHEGLRLM (23 Fitur)
73.33%
Nilai akurasi
70%
66.67%
60% 50.00% 50%
40%
30%
20%
10%
0% GLCM16 (16 Fitur)
HEGLCM16 (16 Fitur)
GLRLM (7 Fitur) Jenis Ekstraksi Fitur
Cucun Very Angkoso ~Slide 28
Grafik Pengaruh Penggunaan Mesin Klasifikasi 100%
90%
80%
76.67%
76.67%
76.67% 73.33%
70%
Nilai akurasi
60%
50%
40%
30%
20%
10%
0% SVM-HEGLRLM
JST-HEGLRLM
SVM-GLCMHEGLRLM
Jenis Ekstraksi Fitur
Cucun Very Angkoso ~Slide 29
JST-HEGLCMGLRLM
KESIMPULAN (1)
Pada penelitian ini telah diujikan 5 model desain sistem klasifikasi kista dan tumor pada citra panoramik rahang gigi gg manusia menggunakan metode SVM yyaitu: 1. 2. 3. 4. 5.
Model dengan ekstraksi fitur GLCM tanpa HE sebagai preprocessing. g ekstraksi fitur GLCM dengan g HE sebagai g ppreprocessing. p g Model dengan Model dengan ekstraksi fitur GLRLM tanpa HE sebagai preprocessing. Model dengan ekstraksi fitur GLRLM dengan HE sebagai preprocessing. Model dengan penggabungan ekstraksi fitur GLCM dan GLRLM serta HE sebagai b i preprocessing. i
Dari hasil pengujian ke-5 model diatas, didapatkan bahwa penggunaan metode t d klasifikasi kl ifik i SVM menunjukkan j kk bahwa b h penggunaan ekstraksi fitur HE-GLRLM memberikan kinerja akurasi sistem klasifikasi terbesar yaitu sebesar 76,667%.
Cucun Very Angkoso ~Slide 31
KESIMPULAN (2)
Penggunaan preprocessing HE tidak menjamin mampu meningkatkan kinerja akurasi mesin klasifikasi, klasifikasi yaitu saat menggunakan ektraksi fitur berdasarkan GLCM akurasi sistem menurun dari 73,33% menjadi 66,67% tetapi meningkat saat penggunaan ekstraksi fitur berdasarkan GLRLM yaitu dari 50% menjadi 76,667% saat menggunakan preprocessing HE.
Hasil pengujian penggunaan mesin klasifikasi JST-backpropagation tidak mampu meningkatkan nilai akurasi akurasi, yaitu menunjukkan nilai akurasi sebesar 76,667% saat penggunaan HE-GLRLM, serta 73,33% berbanding 76,667% dibanding metode SVM saat menggunakan gabungan fitur GLCMHEGLRLM.
Nilai kinerja akurasi sistem tidak berbanding lurus terhadap jumlah fitur yang digunakan akan tetapi lebih tergantung pada jumlah fitur yang tepat dan mampu merepresentasikan t ik karakteristik k kt i tik tekstur t k t objek. bj k
Cucun Very Angkoso ~Slide 32
KESIMPULAN (3)
Fitur berdasarkan GLRLM menunjukkan lebih tepat merepresentasikan karakteristik tekstur objek citra panoramik rahang gigi manusia jika dibandingkan dib di k penggunaan ekstraksi k k i fitur fi berdasarkan b d k GLCM dengan d kinerja akurasi sitem sebesar 76,667%, baik saat penggunaan metode klasifikasi SVM maupun JST-Backpropagation yaitu pada saat menggunakan ekstraksi fitur berdasarkan HE-GLRLM. HE GLRLM
Model rancangan sisitem yang terekomendasikan berdasarkan kinerja akurasinya adalah model dengan ekstraksi fitur berdasarkan GLRLM dengan preprocessing HE serta pada penggabungan fitur pada model GLCMHEGLRLM yang telah menunjukkan nilai yang sama besar k tik dilakukan ketika dil k k klasifikasi. kl ifik i
Cucun Very Angkoso ~Slide 33
Kelanjutan Riset
Proses preprocessing yang tepat terbukti meningkatkan kinerja akurasi sistem sehingga penambahan yang lebih b h preprocessing i l bih akurat k t sangatt memungkinkan peningkatan keakurasian sistem.
Pencarian dan pemilihan fitur tekstur yang lain yang lebih tepat dapat ditambahkan untuk meningkatkan kinerja sistem klasifikasi.
Karena keterbatasan jumlah data yang diteliti sehingga gg kedepan p pperlu diuji j keakurasian sistem dengan melibatkan jumlah data aktual yang lebih banyak, sehingga pengukuran kinerja sistem klasifikasi bisa dilakukan lebih baik.
Cucun Very Angkoso ~Slide 34
Diskusi
g j Usaha untuk meningkatkan kinerja klasifikasi
Cucun Very Angkoso ~Slide 35
Cucun Very Angkoso ~Slide 36