Analisis Sistem

ANALISIS DAN PERANCANGAN SISTEM

3.2 Analisis Sistem

Sistem klasifikasi penyakit kanker usus besar (colorectal) menggunakan metode Learning Vector Quantization (LVQ) merupakan sistem yang dapat mengklasifikasikan jenis penyakit kanker usus besar (colorectal) berdasarkan usus besar normal, kanker carcinoma dan kanker lymphoma. Proses perancangan sistem pada arsitektur umum terdapat pada gambar 3.2

Gambar 3.2. Arsitektur Umum InpuCitra Mikroskopik Jaringan Usus

Citra Latih (Training Data)

Citra Uji (Testing Data)

Classification Output

(Normal, Carcinoma,

Lymphoma) Learning Vector Quantization

Preprocessing

Pembentukan Citra Keabuan (Grayscale)

Perbaikan Citra (Contrast Stretching)

Feature Extraction

Gray Level Coocurance Matrix Pengukuran Citra

(Resizing) (Grayscale)

23

3.3 Input

Sebelum melakukan proses klasifikasi, perlu dilakukan proses input citra mikroskopik jaringan usus besar yang akan diklasifikasi untuk menentukan jenis usus besar. citra yang akan di klasifikasi terdiri dari usus besar normal, kanker sarcinoma, kanker lymphoma.

Citra usus besar diperoleh dari penelitian sebelumnya. Pada penelitian sebelumnya pengambilan citra menggunakan kamera digital yang telah terpasang pada mikroskop digital. Citra yang dihasilkan yaitu citra berwarna yang akan disimpan dalam bentuk

*.jpeg dan berukuran 768x576 piksel. Pada sistem ini, terbagi menjadi dua kelompok, yaitu proses training dan testing. Proses training merupakan proses pembentukan database yang menyimpan nilai ciri dari tiap citra yang dijadikan sebagai referensi bagi citra uji nantinya.

3.4 Proses

Pada tahap ini merupakan proses untuk pengolahan citra mikroskopik jaringan usus besar.

Proses yang dilakukan terdiri dari preprocessing, feature extraction, dan classification.

3.4.1 Preprocessing

A. Resizing

Pada tahap awal proes preprocessing yaitu dilakukan resize untuk mengubah ukuran citra dengan memperkecil ukuran citra pada arah horizontal atau vertikal menjadi ukuran 300x300. Hal ini bertujuan untuk menyeragamkan ukuran dari masing-masing citra

B. Grayscale

Pada tahap ini citra RGB diubah menjadi citra keabuan untuk mendapatkan nilai keabuan dari setiap pixel yang ada pada citra. Proses ini harus dilakukan sebelum masuk kedalam proses selanjutnya. Untuk mengubah citra berwarna yang memiliki nilai masing-masing r, g dan b menjadi grayscale dengan nilai s. konversi dapat dilakukan dengan mengambil nilai rata-rata dari r, g dan b.

Contoh citra hasil proses grayscaling dapat dilihat pada Gambar 3.1.

(a) (b)

Gambar 3.3. Proses Citra Grayscale, (a) CitraAsli (b) Citra Grayscale C. Contrast Stretching

Selanjutnya citra yang telah digrayscale akan diproses pada contrast stretching. Contrast stretching adalah tahapan untuk mengatur kontras citra sehingga didapatkan kontras pada citra yang lebih baik dan lebih jelas.

Gambar 3.4. Citra Mikroskopik Jaringan Usus Besar Contrast

3.5 Feature Extraction

Pada penelitian ini ekstraksi ciri menggunakan metode Gray Level Cooccurance Matrix (GLCM). GLCM adalah matriks yang merepresentasikan hubungan ketetanggaan antara dua piksel dalam citra berskala keabuan (grayscale) pada arah orientasi tertentu dan jarak spasial. Dalam ektraksi ciri diambil ciri-ciri khusus pada setiap gambar sehingga dapat mempermudah dalam proses selanjutnya. Citra input harus berupa citra grayscale, jika tidak maka citra tersebut harus dikonversi ke dalam bentuk citra berskala keabuan.

GLCM merupakan matriks berukuran n x n. Dimana n adalah banyaknya level abu-abu yang dimiliki oleh citra grayscale.

25

Langkah-langkah ekstraksi fitur menggunakan GLCM adalah sebagai berikut:

a. Menentukan gray level sebagai ukuran matriks.

b. Menentukan jarak spasial dan sudut orientasi antara piksel referensi dengapiksel tetangga. Jarak yang akan digunakan pada penelitian ini adalah 1 dan sudut yang digunakan adalah 0⁰, 45⁰, 90⁰, dan 135⁰.

c. Nilai kookurasi dihitung berdasarkan jarak dan sudut yang telah ditentukan.

d. Matriks kookurensi harus dijumlahkan dengan matriks transposenya agar matrix kookuransi menjadi simetris.

e. Matriks kookuransi dinormalisasikan kebentuk probabilitas dengan cara membagi masing-masing nilai kookuransi dengan semua jumlah nilai kookuransi yang ada pada matriks, sehingga hasil penjumlahan semua nilai pada matriks bernilai 1.

f. Menghitung fitur statistik dari matriks yang telah dinormalisasi. 5 fitur yang akan digunakan adalah contrast, energy, homogeneity, entropy, dan dissimilarity g. Menghitung rata-rata dari nilai setiap fitur statistik yang ada sehingga diperoleh

satu nilai yang mewakili masing-masing fitur.

Beberapa fitur statistik pada GLCM diantaranya energy atau Angular Second Moment (ASM) digunakan untuk mengukur keseragaman tekstur dari suatu objek, hightlight geometri dan kemenerusan lapisan. Entropy digunakan untuk mengukur ketidaktraturan atau kompleksitas dari suatu objek. Contrast menunjukan variasi pasangan keabuan pada sebuah citra. Homogeneity atau Inverse Difference Moment digunakan untuk mengukur keseragaman dari suatu objek. Dissimilarity untuk menghitung nilai ketidakmiripan suatu tekstur. Persamaan untuk mengukur nilai masing-masing dapat dilihat pada persamaan berikut ini (Sandri, 2017).

𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑ 𝑝_𝑖,𝑗²

𝑗 𝑖

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = ∑ ∑ 𝑃_𝑖,𝑗

𝑗

log 𝑃_𝑖,𝑗

𝑖

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑(𝑖 − 𝑗)²𝑃_𝑖,𝑗

𝑗 𝑖

𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ ∑ 𝑖

1 + ( 𝑖 − 𝑗)² 𝑃_𝑖,𝑗

𝑗 𝑖

𝐷𝑖𝑠𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 = ∑ 𝑃_𝑖,𝑗 | 𝑖 − 𝑗|

𝑁−1

𝑖,𝐽 = 0

Gambar 3.5. Persamaan pengukur nilai GLCM

3.6 Klasifikasi

Setelah didapat nilai fitur pada proses ekstraksi fitur menggunakan Gray Level Coocurance Matrix (GLCM), tahapan selanjutnya yaitu proses klasifikasi citra mengunakan metode learning vektor quantization (LVQ). Pada tahap ini memiliki dua proses yaitu proses training dan proses testing. Proses training menggunakan nilai fitur yang didapat dari data training yang telah diekstraksi fitur. Pada proses testing dilakukan nilai pendekatan dengan menggunakan nilai fitur yang didapat pada data testing.

Dalam penelitian ini, Larning Vector Quantization (LVQ) digunakan untuk melakukan klasifikasi pola ke dalam beberapa kelas dengan mencari bobot akhir untuk proses klasifikasi dengan menghitung jarak antar data dan bobot akhir. Arsitektur LVQ terdiri atas dua lapisan yaitu lapisan input dan lapisan output. Lapisan input pada penelitian ini diperoleh dari proses ekstraksi fitur 20 nilai fitur dan lapisan output merupakan kelas dari proses klasifikasi yaitu normal, kanker carcinoma dan kanker lymphoma. Adapun Arsitektur umum dari Learning Vector Quantization dapat dilihat dari gambar 3.2.

27

B1

B2

B3

Gambar 3.6. Arsitektur Learning Vector Quantization (LVQ)

Keterangan :

 A1, A2, A3,…. A.. = Nilai input dari hasil ektraksi fitur

 || A-W1||, ||A-W2||, || A-W3|| = Jarak bobot

 Y1, Y2, Y3 = Lapisan output

 B1, B2, B3 = Nilai output yang akan digunakan dalam proses uji

 W1, W2, W3,…W… = Nilai data inisialisasi 3.6.1 Proses Training

Pada tahap training, algoritma LVQ yang akan memproses input dengan menerima vektor masukan sebanyak 20 fitur dengan keterangan dari kelas fitur. Proses penerapan Algoritma Learning Vector Quantization (LVQ) pada proses training digambarkan pada gambar 3.7 dibawah ini.

A1

A2

A3

A4

A30

|| A-W1 ||

|| A-W2 ||

|| A-W3 ||

Y1

Y2

Y3

Gambar 3.7. Pseudocode Penerapan Algoritma LVQ pada Citra Usus Besar

Adapun penjelasan dari gambar 3.7 yaitu:

 Tahap Pertama padaalgoritma LVQ adalah tahap inisialisasi untuk penentuan awal bobot, maksimal literasi, minimum error dan learning rate untuk mendapatkan hasil akhir yang akurat pada citra

 Tahap selanjutnya yaitu tahap inisialisasi nilai input dan target dari input. Nilai input didapat dari hasil ekstraksi fitur. pada tahap ini, setiap nilai input pada citra telah ditentukan target kelas citranya yaitu Normal, Carcinoma dan Lymphoma.

 Tahap berikutnya, yaitu inisialisasi kondisi awal yaitu epoch= 0 dan error= 1.

Perhitungan bobot dimulai dari kondisi awal epoch sampai maksimum yang telah ditentukan.

 Selama epoch lebih kecil dari maksimal epoch atau α>Eps maka hitung setiap bobot pada suatu input kemudian tetapkan bobot dengan nilai terkecil sebagai jarak terpendek pada bobot.

29

 Tahap selanjutnya yaitu bandingkan target kelas dengan bobot. Jika target kelas dan bobot sama maka perbaharui nilai bobot dengan persamaan berikut ini:

wj(baru) = wj(lama) + α [x-wj(lama)]

 Tetapi jika target kelas dan bobot berbeda maka perbaharui nilai dengan persamaan berikut ini:

wj(baru) = wj(lama) - α [x-wj(lama)]

 Lakukan perhitungan yang sama seperti input awal pada setiap input dengan menggunakan bobot yang telah diperbaharui

 Setelah setiap input selesai dilakukan perhitugan, maka kurangi nilai α dan lakukan literasi epoch sampai epoch mencapai maksimal epoch atau α mendekati nilai Eps

 Pada tahap terakhir yaitu jika literasi epoch berakhir maka tetapkan bobot baru pada epoch terakhir sebagai bobot akhir yang akan digunakan sebagai nilai bobot pada proses data training.

3.6.2 Proses Testing

Pada tahap proses testing, data input diidentifikasikan dengan cara yang sama dengan tahap training yaitu nilai setiap bobot dihitung pada input dan memilih jarak terkecil pada bobot kedua. Nilai pada jarak bobot yang paling kecil akan mewakili setiap kelas pada citra masukan.

3.7 Output

Setelah dilakukan tahapan pemrosesan maka diperoleh output sistem yaitu apakah usus besar tergolong dalam kanker carcinoma, kanker lymphoma atau normal.