IDENTIFIKASI RETINOBLASTOMA MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
SKRIPSI
WIDYA EKA SANDRI 131402113
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2017
Universitas Sumatera Utara
IDENTIFIKASI RETINOBLASTOMA MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
WIDYA EKA SANDRI 131402113
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2017
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: IDENTIFIKASI RETINOBLASTOMA MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
Kategori
: SKRIPSI
Nama
: WIDYA EKA SANDRI
Nomor Induk Mahasiswa
: 131402113
Program Studi
: S1 TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Baihaqi Siregar, S.Si., MT
Ulfi Andayani, S.Kom., M.Kom
NIP. 197901082012121002
NIP. 198604192015042004
Diketahui/disetujui oleh Program Studi S1 Teknologi Informasi Ketua,
Romi Fadillah Rahmat, B.Comp.Sc., M.Sc NIP. 1987052019091001
Universitas Sumatera Utara
iii
PERNYATAAN
IDENTIFIKASI RETINOBLASTOMA MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 18 Juli 2017
WIDYA EKA SANDRI 131402113
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1.
Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.
2.
Bapak Prof. Dr. Drs. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI Universitas Sumatera Utara dan Dosen Pembanding I saya.
3.
Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara dan Dosen Pembanding II saya.
4.
Ibu Ulfi Andayani, S.Kom., M.Kom selaku Dosen Pembimbing I yang telah memberikan bimbingan dan saran kepada penulis.
5.
Bapak Baihaqi Siregar, S.Si., MT selaku Dosen Pembimbing II yang telah memberikan bimbingan dan saran kepada penulis.
6.
Ayahanda Sarbaini Pasaribu dan Ibunda Indria Lena Harahap yang selalu memberikan doa, kasih sayang, nasehat, dan semangat yang tiada putusnya kepada penulis.
7.
Tiara Dwi Sandri, Tamara Tri Sandri dan Morinho Sandri selaku adik-adik saya yang selalu memberikan semangat kepada penulis.
8.
Keluarga besar dari ayahanda dan ibunda yang juga selalu memberikan dukungan dan semangat kepada penulis.
Universitas Sumatera Utara
v
9.
Pria yang selalu menemani, memberikan doa, nasehat, yang selalu mendengarkan keluh kesah penulis saat pengerjaan skripsi ini, memberikan dukungan dan semangat kepada penulis, Junianto.
10. Sahabat terbaik sedari SMP Yunita Sari dan INSIEME yang tiada henti memberikan semangat dan dukungan kepada penulis. 11. Sahabat POPIWED Deby Aprilia Sihombing, Priyanka S.Kom, Novira Naili Ulya Siregar, Iin Leo yang selalu memberikan dukungan, mendengar keluh kesah saat pengerjaan skripsi ini, menampung segala hal cerita yang lagi senang, bahagia, sedih, memberikan nasehat dan sebagai saudara yang berbeda orangtua. 12. Senior-senior yang telah membantu, memberikan masukan, dan memotivasi penulis dalam pengerjaan skripsi, M.Suryansyah Manik, S.Kom., Eka Pratiwi Goenfi S.Kom. 13. Teman-teman Teknologi Informasi USU terkhusus angkatan 2013 yang selalu memberi semangat kepada penulis. 14. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Medan, 18 Juli 2017
Penulis
Universitas Sumatera Utara
vi
ABSTRAK
Retinoblastoma (kanker mata) adalah penyakit kanker pada mata yang biasanya diderita oleh anak-anak yang menyerang jaringan saraf tipis yang berada di belakang mata (bagian yang sensitif terhadap cahaya). Retinoblastoma dapat menyerang satu ataupun kedua mata dan merupakan jenis penyakit yang dapat disebabkan oleh mutasi genetik yang biasa disebut dengan retinoblastoma1 (RB1). Pada pemeriksaan fisik yang masih dilakukan secara manual melalui oftalmoskopi oleh dokter atau pakar dilakukan dengan melihat adanya tumor berwarna putih / putih kekuningan pada fundus yang sering dikaitkan dengan peningkatan vaskularisasi. Sehingga diperlukan suatu metode yang digunakan untuk dapat mengidentifikasi penyakit retinoblastoma melalui citra fundus retina secara otomatis. Pada penelitian ini metode yang digunakan yaitu backpropagation neural network dengan input berupa citra fundus retina. Tahapan yang dilakukan dalam mengidentifikasi penyakit retinoblastoma berupa proses pengolahan citra (resize, grayscaling, morphological close operation, dan optic disk elimination), feature extraction dengan metode Gray Level Coocurance Matrix dan kemudian classification menggunakan backpropagation neural network. Setelah dilakukan pengujian pada sistem, maka dapat disimpulkan metode yang digunakan pada penelitian ini memiliki kemampuan untuk mengidentifikasi penyakit retinoblastoma dengan akurasi 90%.
Kata kunci : Penyakit retinoblastoma, resize, grayscaling, morphological close opearation, optic disk elimination, gray level coocurance matrix, backpropagation neural network.
Universitas Sumatera Utara
vii
RETINOBLASTOMA DISEASE IDENTIFICATION USING BACKPROPAGATION NEURAL NEWORK
ABSTRACT
Retinoblastoma (eye cancer) is an eye disease that is usually suffered by children that attack the thin nerve tissue behind the eyes (the part which is sensitive to light). Retinoblastoma can attack one or both eyes and it is a type of disease that can be caused by a genetic mutation called Retinoblastoma1 (RB1). On manual physical examination using ophthalmoscopy by a doctor or an expert there is a yellowish white / white tumor on the fundus that is often caused by the vascularization. That is why it needs a method that can be done to identify retinoblastoma disease through retinal fundus images automatically. In this research the method used is Backpropagation Neural Network using input of retinal fundus image. The stages which is done to identify retinoblastoma disease are image processing (resize, grayscaling, morphological close operation, and optic disk elimination), feature extraction using Gray Level Coocurance Matrix method and then classification using backpropagation neural network. After testing on the system in this research, it was concluded that the method used is able to identify retinoblastoma disease with accuracy 90%.
Keyword: Retinoblastoma disease, resize, grayscaling, morphological close opearation, optic disk elimination ,gray level coocurance matrix, backpropagation neural network.
Universitas Sumatera Utara
viii
DAFTAR ISI
Halaman
Persetujuan
ii
Pernyataan
iii
Ucapan Terima Kasih
iv
Abstrak
vi
Abstract
vii
Daftar Isi
viii
Daftar Tabel
xi
Daftar Gambar
xii
Bab 1
Pendahuluan 1.1 Latar Belakang
1
1.2 Rumusan Masalah
3
1.3 Batasan Masalah
3
1.4 Tujuan Penelitian
4
1.5 Manfaat Penelitian
4
1.6 Metodologi Penelitian
4
1.7 Sistematika Penulisan
5
Universitas Sumatera Utara
ix
Bab 2
Landasan Teori 2.1 Retinoblastoma
7
2.1.1. Penyebab Retinoblastoma
8
2.1.2. Gejala Retinoblastoma
9
2.1.3. Diagnosis Retinoblastoma
10
2.1.4. Pencegahan dan Pengobatan Retinoblastoma
11
2.2 Pengenalan Dasar Citra
13
2.2.1. Citra Biner
13
2.2.2. Citra Grayscale
13
2.2.3. Citra Warna
14
2.3 Pengolahan Citra Digital
15
2.3.1. Resize
15
2.3.2. Grayscaling
15
2.3.3. Morphological Operator
16
2.3.4. Thresholding
18
2.4 Gray-Level Co-Occurrence Matrix
18
2.5 Jaringan Saraf Tiruan
20
2.6 Backpropagation
22
2.7 Penelitian Terdahulu
25
Bab 3 Analisis dan Perancangan Sistem 3.1 Dataset
28
3.2 Analisis Sistem
28
3.2.1 Input
29
3.2.2. Proses
29
Universitas Sumatera Utara
x
3.2.2.1 Preprocessing
29
3.2.2.2 Feature Extraction
31
3.2.2.3 Classsification
32
3.2.3. Output
33
3.3 Perancangan Sistem
35
3.3.1 Perancangan menu sistem
35
3.3.2 Perancangan antarmuka
35
3.3.3 Perancangan tampilan halaman testing
36
3.3.4 Perancangan tampilan halaman training
37
Bab 4 Implementasi dan Pengujian 4.1 Implementasi Sistem
Bab 5
39
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak
39
4.1.2 Implementasi Perancangan Antarmuka
40
4.1.3 Implementasi Data
42
4.2
Prosedur Operasional
48
4.3
Pengujian Sistem
56
Kesimpulan dan Saran 5.1
Kesimpulan
63
5.2
Saran
64
Daftar Pustaka
65
Universitas Sumatera Utara
xi
DAFTAR TABEL
Halaman
Tabel 2.1
Penelitian Terdahulu
26
Tabel 4.1
Rangkuman Data Citra Fundus Retina
42
Tabel 4.2
Parameter Backpropagation
57
Tabel 4.3
Hasil Pengujian Identifikasi Retinoblastoma
58
Universitas Sumatera Utara
xii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Gejala leukocoria pada anak penderita Rb
9
Gambar 2.2 Fundus retina normal
10
Gambar 2.3 Fundus retina dengan retinoblastoma
11
Gambar 2.4 Citra Biner
13
Gambar 2.5 Citra Grayscale
14
Gambar 2.6 Citra Warna
15
Gambar 2.7 Fungsi aktivasi neuron (Negnevitsky, 2005)
21
Gambar 2.8 Arsitektur backpropagation
22
Gambar 3.1 Fundus retina normal (a)
29
Fundus retina retinoblastoma (b) Gambar 3.2 Arsitektur umum
34
Gambar 3.3 Struktur menu sistem
35
Gambar 3.4 Rancangan tampilan halaman menu
36
Gambar 3.5 Rancangan tampilan halaman testing
36
Gambar 3.6 Rancangan tampilan halaman training
38
Gambar 4.1 Tampilan halaman menu
40
Gambar 4.2 Tampilan halaman testing
41
Gambar 4.3 Tampilan halaman training
41
Gambar 4.4 Tampilan halaman training
49
Gambar 4.5 Tampilan ketika salah satu button upload citra diklik
50
Gambar 4.6 Tampilan setelah file citra retina dipilih
50
Gambar 4.7 Contoh isi file “DataSetGLCM.txt”
51
Gambar 4.8 Contoh isi file “weights.txt”
52
Gambar 4.9 Tampilan ketika training telah selesai diproses
52
Universitas Sumatera Utara
xiii
Gambar 4.10 Tampilan ketika citra telah dipilih
53
Gambar 4.11 Tampilan setelah citra diproses
54
Gambar 4.12 Hasil citra setelah dilakukan resize citra
54
Gambar 4.13 Hasil citra grayscale
54
Gambar 4.14 Hasil citra morphological close operation
55
Gambar 4.15 Hasil citra thresholding
55
Gambar 4.16 Hasil citra erosion
55
Gambar 4.17 Hasil citra inversion
55
Gambar 4.18 Contoh isi file “DataSetGLCM1.txt”
56
Gambar 4.19 Grafik hasil pelatihan pemilihan parameter
58
Universitas Sumatera Utara
