ANALISIS DAN PERANCANGAN
3.1. Arsitektur Umum
Dalam rangka membangun suatu sistem yang mampu mengklasifikasi penyakit tuberculosis, penelitian ini mengusulkan suatu pendekatan yang terdiri atas 4 (empat) proses. Proses-proses tersebut meliputi pre-procesing, segmentasi dan clasification sebagaimana yang ditunjukkan pada Gambar 3.1.
Adapun tahapan-tahapannya ialah sebagai berikut: Tahapan-tahapan tersebut dimulai dari pengumpulan data yang akan dijadikan sebagai data training dan data testing, yaitu: citra primary, miliary, dan normal. Selanjutnya dilakukan tahapan preprocessing yang terdiri atas scaling, agar ukuran citra sesuai dengan yang dibutuhkan. Kemudian dilakukan penyeragaman gambar keabuan dengan menggunakan grayscale. Tahapan selanjutnya yaitu segmentasi dengan melakukan pembentukan citra biner menggunakan thresholding. Setelah itu masuk ke klasifikasi dengan menggunakan extreme learning machine. Setelah tahapan-tahapan tersebut dilakukan akan didapatkan hasil klasifikasi penyakit tuberculosis. Adapun tahapan-tahapan diatas dapat dilihat dalam bentuk arsitektur umum pada Gambar 3.1.
Gambar 3.1. Arsitektur Umum Klasifikasi Penyakit Tuberculosis.
3.2. Dataset
Data citra yang digunakan dalam penelitian ini adalah foto rontgen paru-paru manusia yang diambil langsung dari RSU. Dr. Pirngadi Medan. Data foto rontgen paru-paru yang digunakan sebanyak 60 citra. Citra yang diperoleh dibagi menjadi dua dataset yaitu: data training dan data testing. Data training adalah data yang sudah diketahui label-labelnya kemudian data tersebut digunakan sebagai pembanding terhadap data testing pada proses pengklasifikasian penyakit tuberculosis. Sedangkan data testing adalah data untuk mengetahui klasifikasi jenis penyakit tuberculosis. Pembagian data training dan data testing dapat dilihat pada Tabel 3.1.
Tabel 3.1. Pembagian data training dan data testing
No Dataset Jumlah Data
Jenis penyakit tuberculosis yang digunakan pada penelitian ini yaitu primary, miliary dan normal. Pembagian citra ditunjukkan pada Tabel 3.2.
Tabel 3.2. Pembagian citra berdasarkan penyakit
No Dataset Jumlah Data
1 Primary 20
2 Miliary 20
3 Normal 20
3.3. Preprocessing
Tahapan ini merupakan tahap pengolahan citra yang yang bertujuan untuk menghasilkan citra yang lebih baik untuk diproses ketahapan selanjutnya. Tahapan preprocessing ini terdiri dari scaling dan grayscale.
3.3.1 Grayscale
tahapan pertama yaitu grayscale. Dimana pada tahapan ini bertujuan untuk penyeragaman warna keabuan pada citra yang akan diproses. Pada citra asli terlihat warna keabuan tidak merata. Rumus perhitungan komposisi nilai warna yang digunakan dengan memberitakan nilai ambang batas seperi persamaan 3.1.:
Grayscale = (0,3*R + 0,5*G + 0,2B)...(3.1) Ket:
R = unsur warna merah G = Unsur warna hijau B = unsur warna biru
Citra grayscale dapat dilihat pada gambar 3.2.
Gambar 3.2 Citra Grayscale
3.3.2 Scaling
Tahapan berikutnya menggunakan scaling. Tahapan ini dibutuhkan untuk mengatur ukuran pixel pada citra. Semakin banyak jumlah pixel maka akan semakin banyak waktu untuk proses pengolahan citra. Citra scaling dapat dilihat pada Gambar 3.3.
Gambar 3.3. Citra Scaling
Misalkan citra yang semula berukuran 300x300 diubah menjadi 4x4. Dalam penelitian ini, citra yang berukuran 300x300 diubah menjadi 30x30. Penulis telah melakukan uji coba dan pemilihan ukuran 30x30 sesuai dengan kebutuhan system.
3.4. Thresholding
Tahapan setelah preprocessing yaitu thresholding yang bertujuan untuk menghasilkan citra menjadi warna hitam dan putih. Hasil dari proses thresholding dapat dilihat pada Gambar 3.4.
Gambar 3.4. Citra Thresholding
3.5. Binerisasi
Setelah thresholding, citra akan diubah menjadi citra biner. Output yang dihasilkan pada tahapan ini adalah 0 dan 1. citra biner ini digunakan sebagai masukan dalam proses klasifikasi dengan menggunakan extreme learning machine. Citra biner dapat dilihat pada gambar 3.5.
Gambar 3.5. Citra Biner 30x30
3.6. Klasifikasi
Dalam penelitian ini, Metode yang digunakan untuk proses klasifikasi yaitu extreme learning machine. Adapun Arsitektur extreme learning machine untuk klasifikasi penyakit tuberculosis dapat dilihat pada Gambar 3.6.
Gambar 3.6. Arsitektur Extreme Learning Machine untuk Klasifikasi Penyakit Tuberculosis
Input Layer Hidden Layer Output Layer
Keterangan dari gambar arsitektur extreme learning machine untuk klasifikasi penyakit tuberculosis dapat dilihat pada Tabel 3.7.
Tabel 3.7. keterangan Arsitektur ELM beberapa uji coba terhadap kebutuhan sistem. Pemilihan hidden node yang berjumlah 50 node merupakan suatu bobot yang baik dalam menghasilkan akurasi yang tinggi dalam sistem klasifikasi penyakit tuberculosis dan tidak memakan banyak waktu dalam proses pengolahan citra. Data yang akan dimasukkan dalam input layer akan ditransformasi terlebih dahulu. Pelatihan dilakukan untuk mencari bobot dan bias optimal atau sesuai untuk digunakan pada proses testing. Langkah-langkah training yang akan diproses adalah sebagai berikut:
1. Penentuan jumlah node pada hidden layer
Penentuan jumlah node pada artificial neural network, khususnya pada hidden layer, merupakan hal yang penting sebelum menjalankan training, karena hidden layer berperan penting dalam penghitungan hasil akhir dari artificial neural network.
Jumlah node yang tidak sesuai pada hidden layer akan mengakibatkan permasalahan pada proses training. Jika node tidak sesuai di hidden layer maka terjadi kondisi underfitting, dimana node yang tersedia tidak dapat bekerja secara baik dalam menerima sinyat dari input layer. Sebaliknya jika jumlah node terlalu banyak maka dapat menyebabkan waktu untuk proses data lebih lama. Selain itu jika node yang banyak dapat menyebabkan overfitting, dimana jumlah informasi yang diterima tidak
cukup untuk diproses dalam data training karena banyaknya kapasitas pemrosesan informasi yang dimiliki jaringan.
Pada penelitian ini, proses training akan dilakukan dengan jumlah neuron pada hidden layer bernilai 𝑜, di mana 𝑜 = 10, 30, 50, 100. Hal ini dilakukan untuk mengetahui jumlah neuron pada hidden layer yang sesuai untuk proses identifikasi.
Kemudian masuk kedalam tahap testing untuk menguji tingkat keakuratan system dalam klasifikasi penyakit tuberculosis berikut langkah-langkahnya:
2. Penentuan fungsi aktivasi
Tahap yang dilakukan setelah jumlah neuron pada hidden layer adalah menentukan fungsi aktivasi yang akan digunakan neuron dalam proses training dan proses testing.
Fungsi aktivasi yang digunakan dalam penelitian ini adalah fungsi sigmoid binner.
Fungsi sigmoid merupakan fungsi aktivasi neuron yang umumnya digunakan pada algoritma backpropagation, yang bertujuan untuk mengurangi waktu komputasi.
Fungsi sigmoid biner pada artificial neural network didefinisikan oleh persamaan 3.6:
...(3.6) 3. Proses training
Proses training merupakan tahap pertama yang dilakukan oleh ELM dalam menjalankan proses klasifikasi penyakit tuberculosis dari citra rontgen. Hasil akhir dari proses ini adalah sebuah artificial neural network yang telah dilatih untuk memberikan hasil yang sesuai dengan data yang telah diberikan selama proses training.
4. Pengacakan input weight dan bias
Tahap pertama yang dilakukan dari proses training pada penelitian ini adalah pemberian nilai input weight dan bias. Jumlah neuron pada input layer yang digunakan pada penelitian ini disesuaikan dengan jumlah parameter yang diterima dari dataset yang digunakan. Input weight dan bias dari artificial neural network pada penelitian ini diberikan secara acak.
5. Perhitungan hidden layer output matrix
Setelah tahap pengacakan input weight dan bias selesai dilakukan, tahap yang akan dilakukan adalah penghitungan hidden layer output matrix. Hidden layer output matrix merupakan hasil pengolahan dari masukan yang telah diterima oleh neuron
pada hidden layer dari neuron pada input layer. Pengolahan dilakukan menggunakan fungsi aktivasi yang telah ditentukan pada tahap sebelumnya.
6. Perhitungan output weight
Penghitungan output weight dilakukan setelah proses penghitungan hidden layer output matrix telah selesai dilakukan. Hasil dari proses ini adalah sebuah matriks yang merepresentasikan weight dari setiap neuron pada output layer.
7. Proses testing
Artificial neural network yang telah dihasilkan pada proses training, akan diuji pada proses testing. Proses testing dilakukan untuk mengetahui efektivitas dari metode ELM dalam melakukan proses klasifikasi penyakit tuberculosis.
8. Perhitungan keluaran
Proses penghitungan dilakukan menggunakan artificial neural network yang telah dilatih pada proses training sebelumnya. Hasil dari proses penghitungan akan berupa klasifikasi penyakit tuberculosis tersebut.