JURNAL INFORMATIKA IMPLEMENTASI MODEL BACKPROPAGATION DALAM MENGENALI POLA GAMBAR UNTUK MENDIAGNOSE PENYAKIT KULIT [1]
Youllia Indrawaty , Asep Nana Hermana[2], Akbar Ramadhan[3] JurusanTeknikInformatika Institut Teknologi Nasional Bandung ABSTRAK
Jaringan Syaraf Tiruan (JST) adalah salah satu model dari banyak model dari kecerdasan buatan. JST telah diterapkan secara luas untuk masalah-masalah dalam dunia nyata. JST telah banyak digunakan untuk mengindentifikasi pola atau tren dalam data, salah satu implementasinya adalah dalam bidang Kedokteran untuk mengenali pola gambar penyakit kulit. Salah satu model dari JST yang biasa dipakai untuk pengenalan pola pada gambar adalah backpropagation. Backpropagation merupakan salah satu model populer dari JST yangbiasa dipakai untuk peramalan, prediksi, dan pembuat keputusan berdasarkan input data masuk yang sudah dipelajari terlebih dahulu. Tujuan dari penelitian ini adalah untuk mengimplementasikan model backpropagation untuk memprediksi penyakit kulit. Input yang masuk berupa citra kulit yang menggambarkan keadaan penyakit (panu / skabies) RGB 50x50 piksel yang ditransformasikan ke dalam bentuk citra biner melalui proses grayscaling dan thresholding untuk mempertegas warna hitam dan putih. Disamping mengenali pola gambar kulit, penelitian ini juga menggabungkan dengan konsep sistem pakar, yang digunakan untuk menelusuri gejala-gejala penyakit kulit yang dirasa. Penggabungan antara jaringan syaraf tiruan perambatan balik dengan sistem pakar menjadi suatu alternatif dalam mendiagnose penyakit kulit yang dapat disimpulkan pembandingan hasil antara penelusuran gejala dengan gambar keadaan kulit, yang dapat dijadikan sebagai rujukan dasar pengobatan penyakit kulit. Kata Kunci : jaringan syaraf tiruan backpropagation, sistem pakar, pengolahan citra ABSTRACT Artificial neural network (ANN) is one model of many models from artificial intellegent. ANN has been applied generally for any trouble in real world. ANN used to indentify the pattern or trend of data. One of model from ANN that used to pattern recognition on image is backpropagation. Backpropagation is one of famous model in ANN that commonly used for forecasting, prediction, and decision making based on data input that have been learned before. One of backpropagation implementation is on medical’s area to recognize the skin image pattern. So, the purpose from this research are implement the backpropagation model to predict the skins disease. The input that in are skin image which representated the disease’s condition (panau or scabies) RGB 50x50 pixel that transforms to binary code through some process are grayscaling and thresholding to affirmed the black and which colours. Beside that, this research also combined with expert system, that used to be trace the evidence of skins disease. The combination between ANN and expert system can be an alternative for diagnose the disease that can be concluted the comparation result between evidence tracing with skin image recognition, and being the basic referencess of medical treatment. Keywords : artificial neural network backpropagation , expert system, image processing. No.1 , Vol. 3, Januari – April 2012
1
JURNAL INFORMATIKA PENDAHULUAN [2] Kulit merupakan bagian tubuh yang paling utama yang perlu diperhatikan. Kulit juga merupakan organ tubuh paling besar yang melapisi seluruh bagian tubuh, membungkus daging dan organ-organ yang ada didalamnya. Kulit memiliki fungsi melindungi bagian tubuh dari berbagai macam gangguan dan rangsangan dari luar. Mengingat pentingnya kulit sebagai pelindung organorgan tubuh didalamnya, maka kulit perlu dijaga kesehatannya. Selain sebagai pelindung tubuh, kulit juga memiliki nilai estetika, kulit wajah yang segar, lembab, halus, lentur dan bersih akan tampak lebih indah. Pengetahuan untuk penyakit kulit sangat dibutuhkan untuk pencegahan secara cepat dan tepat. Meski cenderung dianggap sepele, penyakit kulit itu sangat mengganggu. Untuk itu pengobatannya tidak boleh dilakukan secara sembarangan. Idealnya seluruh kulit tubuh harus diperiksa untuk membuat diagnosis dan tatalaksana. Dengan demikian mereka sebagai penderita penyakit kulit harus mempercayakan kepada pakar, dalam hal ini Dokter spesialis penyakit kulit dan kelamin ataupun dokter umum, yang sudah mengetahui lebih banyak tentang penyakit kulit. Namun untuk memeriksakan diri kepada pakar, terdapat pula kelemahannya, seperti terbatasnya dokter spesialis kulit dan kelamin, waktu, dan mahalnya biaya untuk berkonsultasi juga menjadi suatu kendala. Karena hal tersebut maka dibutuhkan suatu aplikasi untuk membantu menegakkan diagnose dini untuk pengobatan dan membandingkan hasil untuk penanganan lebih dan juga dapat dijadikan alat untuk membantu masyarakat umum untuk mendiagnose penyakit kulit yang dijadikan sebagai rujukan dasar. Dari analogi seorang pasien yang memeriksan diri kepada seorang dokter kulit, yang dimulai dari konsultasi terhadap gejala-gejala yang dirasa untuk kemudian dicocokkan dengan melihat No.1 , Vol. 3, Januari – April 2012
keadaan langsung berupa pemeriksaan fisik terhadap kulit seorang pasien. Dari analogi tersebut terkonseplah suatu rancangan aplikasi untuk mendiagnose penyakit kulit yang tidak hanya melakukan penelusuran gejala tetapi juga pemeriksaan langsung terhadap gambar keadaan kulit yang diimplementasikan oleh model backpropagation untuk dikenali polanya. Dengan menggunakan konsep sistem pakar saat proses penelusuran gejala, teknik pengolahan citra untuk merubah hasil tangkapan gambar kulit pasien dari webcamera yang berupa citra RGB menjadi nilai masukan yang berupa citra biner untuk pengenalan pola yang menggunakan metode backpropagation dari konsep jaringan syaraf tiruan, Output dari aplikasi yang dihasilkan berupa decision making yang menggunakan konsep sistem pakar yang juga didukung dengan penggunaan metode pemecahan masalah yaitu certainty factor untuk mengelola sesuatu yang tidak diketahui kepastiannya, dalam hal ini untuk membuktikan apakah suatu fakta/gejala itu pasti ataukah tidak pasti digambarkan oleh suatu aturan pembobotan dalam bentuk bilangan (nilai CF dalam setiap rule-base sytem), dan pengenalan pola jaringan saraf tiruan dengan backpropagation, yang menganalisis suatu gambar keadaan kulit yang sudah diekstraksi cirinya oleh teknik pengolahan citra dari citra RGB menjadi citra biner melalui proses grayscaling dan thresholding. Penggabungan antara sistem pakar dan jaringan syaraf tiruan backpropagation menjadi suatu alternatif solusi untuk memprediksi suatu penyakit kulit. Yang selama ini hanya berupa penelusuran gejala penyakit saja atau melalui pengenalan citra gambar penyakit saja. Dengan dikombinasikan maka dapat disimpulkan pembandingan antara hasil prediksi penelusuran dan prediksi gambar keadaan kulit, untuk dijadikan sebagai rujukan dasar pengobatan penyakit kulit.
2
JURNAL INFORMATIKA Rumusan Masalah • Bagaimana metode certainty factor dalam mengidentifikasi penyakit dari tiap gejala yang memiliki bobot CF yang berbeda-beda. • Bagaimana merubah citra RGB ke citra Biner. • Bagaimana menentukan nilai masukan yang akan dilakukan saat proses pembelajaran pada metode backpropagation. • Bagaimana mempelajari cara kerja metode backpropagation dalam mengenali pola gambar keadaan kulit. Tujuan • Pembelajarandalam mengimplementasikan model backpropagation untuk membantu mendiagnose penyakit kulit. Batasan Masalah • Metode inferensi yang digunakan dalam pengambilan keputusan adalah backward chaining. • Metode pembobotan yang dilakukan sistem pakar untuk kombinasi setiap Rule adalah certainty factor. • Representasi Pengetahuan yang digunakan adalah Kaidah Produksi. • Metode yang digunakan untuk mengolah citra RGB menjadi Citra Biner adalah grayscaling dan thresholding. • Citra keadaan kulit ditangkap melalui webcamera. • Format gambar yang digunakan adalah .bmp • Resolusi yang dipakai untuk citra adalah 50x50 piksel. • informasi yang dihasilkan dari aplikasi ini adalah nama penyakit,.
No.1 , Vol. 3, Januari – April 2012
•
Penyakit kulit yang didiagnosa hanya panu dan skabies. • Gejala penyakit kulit dimasukkan berjumah 10 (5 untuk panu dan 7 untuk skabies termasuk 2 irisan) • System yang berbasis desktop application. TEORI Sistem Pakar Definisi Sistem pakar adalah suatu sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. Bagian dalam sistem pakar terdiri dari 2 komponen utama, yaitu knowledge base yang berisi gudang pengetahuan atau segala sesuatu yang berhubungan dengan database pengetahuan dari sistem pakar. Dan mesin inferensi yang menggambarkan kesimpulan yang berupa metode penalaran dari suatu sistem pakar. Certainty Factor [6] Certainty factor (CF) adalah sebuah metode untuk mengelola sesuatu yang tidak diketahui kepastiannya dalam rule-base systems. Cara dalam mendapatkan tingkat keyakinan (CF) yaitu dengan mewawancarai seorang pakar. Nilai CF (rule) didapat dari interpretasi pakar yang diubah menjadi nilai CF tertentu. Pengolahan Citra Pengolahan citra digital adalah teknik untuk mentransformasikan suatu citra menjadi citra lain dengan menggunakan komputer, dengan tujuan agar citra lebih mudah untuk diinterpretasikan. Beberapa contoh bentuk citra antara lain : • Citra RGB : Representasinya dalam citra, triplet akan terdiri dari 3 angka yang mengatur intensitas dari Red(R), Green(G), dan Blue(B) dari suatu triplet. Setiap triplet akan merepresentasikan 1 piksel (picture element). citra setiap piksel pada citra 3
JURNAL INFORMATIKA
•
•
•
direpresentasikan dengan 24 bit, 8 bit untuk R, 8 bit untuk G, dan 8 bit untuk B.[1] Citra Grayscale : citra yangdisimpan dalam format 8 bit untuk setiap sample piksel, yang memungkinkan sebanyak 256 intensitas. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing R, G, dan B menjadi citra grayscale dengan nilai X, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai R, G, dan B. [1] Citra Threshold : Citra threshold dilakukan dengan mempertegas citra dengan cara mengubah citra hasil yang memiliki derajat keabuan 256 (8 bit), menjadi hanya dua buah yaitu hitam dan putih. Misalkan ditetapkan suatu nilai batas / ambang, sebesar 128 dimana elemen-elemen (piksel) pada citra batas nilainya lebih kecil dari pada nilai batas tersebut “menyala”, dan elemen-elemen lainnya dianggap “dimatikan”, dan keduanya diubah nilainya sesuai statusnya. [1] Citra Biner : Citra biner adalah citra dimana piksel-pikselnya hanya memiliki dua buah nilai intensitas, biasanya bernilai 0 dan 1 dimana 0 menyatakan warna latas belakang (background) dan menyatakan warna tinta/objek
No.1 , Vol. 3, Januari – April 2012
(foreground) atau dalam bentuk angka 0 untuk warna hitam dan angka 255 untuk warna putih.[1] Jaringan Syaraf Tiruan Backpropagation Jaringan syaraf tiruan (JST) atau artificial neural network adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Arsitektur jaringan syaraf tiruan backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 1 adalah arsitektur jaringan syaraf tiruan backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah lapisan tersembunyi yang terdiri dari P Unit, serta m buah unit keluaran. Vji merupakan bobot garis dari unit masukan ke Xi ke unit lapisan tersembunyi Zj (Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit lapisan tersembunyi Zj). Wkj merupakan bobot dari unit lapisan tersembunyi Zj ke unit keluaran Yk (Wk0 merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran Zk).
4
JURNAL INFORMATIKA
Gambar 1. Jaringan syaraf tiruan backpropagation
PERANCANGAN Sistem aliran peta dijelaskan dalam gambar 2 yang menggambarkan perancangan sistem utama secara
keseluruhan untuk mendiagnose penyakit kulit.
Gambar 2. Flowchart sistem utama
No.1 , Vol. 3, Januari – April 2012
5
JURNAL INFORMATIKA Penjelasan : Dimulai dari interface aplikasi, yang dilanjutkan untuk memilih cara penelusuran apakah mulai dari konsultasi gejala atau langsung ke pengenalan pola gambar. Untuk konsultasi dimulai proses penelusuran terhadap gejala-gejala yang dirasa dan menghasilkan diagnose dari hasil penelusuran tersebut. Kemudian setelah ditelusuri oleh sistem pakar, hasil diagnose akan PENGUJIAN Pengujian pada sistem pakar Langkah 1 Sistem pakar : “apakah anda merasa gatal (isi kepastian CF dengan angka [0,1]?” Pengguna : “Ya, CF = 0.8” CF1 (Panu, terasa gatal) = 0.8 * 0.1 .....................................(1) = 0.08 Langkah 2 Sistem pakar : “gatal disertai kemerahmerahan atau tidak tetapi gatal sangat hebat bila udara dingin/pada malam hari (isi kepastian CF dengan angka [0,1])?” Pengguna : “kemerah-merahan, CF = 0.6” CF4 (Panu, terasa gatal ∩ kemerahmerahan) = min[0.8;0.6] * 0.2 = 0.6 * 0.2 ....(2) = 0.12 Langkah 3 Sistem pakar : “apakah kulit terasa kasar seperti bersisik? (isi kepastian CF dengan angka [0,1])” Pengguna : “Ya, CF = 0.8”
No.1 , Vol. 3, Januari – April 2012
dibandingkan dengan hasil dari pengenalan pola gambar kulit pasien. Melalui webcamera untuk mengambil sampel gambar, gambar tersebut akan dirubah menjadi aras keabuan dan dikerucutkan lagi menjadi citra biner, sebagai masukan untuk pengetesan pola. Dan setelah gambar dieksekusi, maka akan muncul hasil pengetesan apakah dia terkena penyakit kulit (panu/skabies) atau tidak. CF6 (Panu, terasa gatal ∩ kemerahmerahan ∩ bersisik) = min[0.8;0.6;0.8] * 0.4 ..................(3) = 0.6 * 0.4 = 0.24 Rule ke-1, ke-4, ke-6, mempunyai hipotesis yang sama, yaitu panu. Perhitungan nilai CF gabungan tersebut adalah : CF = CF1 + CF4 + CF6 (1-CF1) ...(4) = 0.08 + 0.12 + 0.24 (1-0.08) = 0,4208 Kesimpulan diberikan sistem pakar kepada pengguna adalah Panu dengan tingkat kepastian 42%. Pengujian pada pengenalan pola Pengujian Pelatihan dilakukan terhadap 29 data latih dengan target error 0.001, learning rate 0.125, epoch 300, momentum 0.2, Threshold pengetesan 0.5, dan jumlah hiden 50.
6
JURNAL INFORMATIKA • • •
Jumlah gambar yang dikenali :24 Jumlah gambar tidak dikenali : 5 Jumlah gambar dikenali dengan benar : 24 • Jumlah gambar dikenali dengan salah : 0 • Jumlah gambar yang diuji : 29 Perhitungan persentase keberhasilan dihitung dengan cara berikut :
............................(5) Persentase gambar dikenali : 82,76% Persentase kebenaran pengenalan gambar : 82,76% PENUTUP Kesimpulan Dari hasil implementasi didapat keakuratan hasil pelatihan sebesar 82,76% dan dapat disimpulkan bahwa metode backpropagation dapat membantu mengenali penyakit kulit. Dan juga sistem pakar yang dibantu dengan metode
pembobotan certainty factor dalam menelusuri sebab-akibat yang tidak diketahui kepastiannya. penggabungan sistem pakar sebagai penelusuran gejala-gejala yang dirasa dengan jaringan syaraf tiruan sebagai pengenalan pola gambar penyakit, cukup dijadikan bahan rujuan dasar untuk penanganan lebih lanjut kepada pakar. DAFTAR PUSTAKA 1. Hanif Al Fatta (2007). Konversi Format Citra RGB ke Format Grayscale menggunakan Visual Basic. STIMIK AMIKON Yogyakarta. Diakses pada tanggal 17 Juli 2012 pada pukul 19.45 2. Nirmawati (2004). Uji Banding Hasil Pengobatan Sulfur 10% Dalam Petrolatum dengan Salep 24 pada Penderita Skabies. Universitas Padjajaran, Bandung. 3. T.Sutojo, S.Si, M.Kom, dkk (2010). Kecerdasan Buatan. ANDI, Yogyakarta.
No.1 , Vol. 3, Januari – April 2012
7
