3.2 Analisis
3.2.2 Pre-Processing
3.2.2.1 Grayscaling
Pada proses ini, potongan citra berwarna(RGB) akan diubah menjadi citra abu-abu(grayscale).Transformasi citra kebentuk grayscale dilakukan dengan mengambil pixel dari suatu citra yang kemudian dihitung dengan menggunakan persamaan berikut:
Grayscale = 0,21R + 0,71G+ 0,07B (3.1) Contoh perhitungan konversi citra rgb ke dalam grayscale :
Gambar 3.2 Citra RGB
Gambar di atas merupakan citra rgb dengan ukuran 248 X 148 dengan nilai Red 191, Green 114 dan Blue 84, lalu citra tersebut diubah kedalam grayscale dengan persamaan :
Grayscale = 0,21R + 0,71G+ 0,07B
Grayscale = 0,21(191) + 0,71 (114) + 0,07 (84) Grayscale = 40,11 + 80,94 + 5,88
Grayscale = 126,93
Sehingga citra rgb di atas menjadi citra grayscale seperti ini:
Gambar 3.3 Citra Grayscale 3.2.3 Segmentation
Pada penelitian ini proses segmentasi menggunakan Otsu Thresholding.Tujuan Otsu Thresholding adalah membagi histogram citra gray level kedalam dua daerah yang berbeda secara otomatis tanpa membutuhkan bantuan user untuk memasukkan nilai ambang.Pendekatan yang dilakukan oleh metode otsu adalah dengan melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis Diskriminan akan memaksimumkan variable tersebut agar dapat membagi objek latar depan (foreground) dan latar belakang (background).
Berikut ini merupakan langkah-langkah untuk menghitung nilai Otsu Thresholing dengan menggunakan citra grayscale pada gambar 3.2 :
1. Hitung histogram ternormalisasi dari citra. Simbolkan histogram tersebut sebagai , i=0,1,2.... L-1.
(3.2)
Dengan adalah jumlah piksel pada tiap intensitas dan MN adalah jumlah semua mulai dari sampai .
2. Hitung jumlah kumulatif (cumulative sum) dari, (k), untuk k=0,1,2...L-1 dengan menggunakan rumus
25
(3.5)
5. Hitung varians antar kelas (between-class variance), untuk k=0,1,2 ... L-1 dengan menggunakan rumus
(3.6)
6. Memilih nilai threshold k∗yang merupakan indeks dimana nilai varians antar kelas maksimum, ( max.Jika ternyata terdapat lebih dari satu nilai k∗ maka gunakan nilai rata-rata untuk mendapatkan nilai threshold.
7. Hitunglah separability measurement, ∗ pada k=k∗ dengan menggunakan rumus
(3.7)
Sedangkan ,
(3.8) Perlu diingat kembali bahwa nilai k adalah pada saat (k) maksimum.Berdasarkan persamaan diatas maka didapatkan nilai ambang batas dan juga nilai threshold maka digunakan untuk segmentasi citra.Teknik segementasi yang digunakan adalah :
1 if f(x,y) >k*
g(x,y) = (3.9)
0 if f(x,y) ≤ k*
Hasil segmentasi adalah citra biner yang memiliki nilai intestitas hanya 0 dan 1.Nilai intensitas 0 menyatakan warna hitam(dianggap beckground) sedangkan nilai intenstitas 1 menyatakan warna putih (dianggap foreground atau objek).
Berdasarkan persamaan diatas maka nilai thesholding berdasarkan gambar 3.2 adalah 88 maka perhitungannya seperti berikut ini:
40 160 69 170 123 20 250 140 80 90 70 30 128 115 85 140 234 70 221 125 20 34 80 221 30
Nilai 40< 88 menjadi nol,sedangkan nilai 88>255 merupakan satu,maka perhitungan diatas menjadi
0 1 0 1 1
0 1 1 0 1
1 1 0 1 0
1 1 0 1 1
0 0 0 1 0
Sehingga menghasilkan citra Otsu Thresholding pada gambar 3.3
Gambar 3.4 Citra Thresholding 3.2.4 Feature Extraction
Setelah dilakukan pengubahan gambar dengan citra rgb ke citra grayscale dilakukan thresholding pada poses segmentasi,maka dilakukan converting kembali dari citra thresholding menjadi citra grayscale kembali,karena pada citra thresholding merupakan citra Gray-Level Histogram sedangkan pada GLCM citra yang digunakan merupakan cooccurance matrix,maka citra perlu di convert kembali menjadi graycale,lalu di lakukan ekstraksi fitur dengan Gray level Cooccurace Matrix(GLCM).Proses GLCM adalah metode pengekstrak gambar pada orde kedua dalam analisis statistika gambar, hal ini berarti GLCM dapat bekerja pada matriks dua dimensi.
Proses GLCM mengkonversi gambar ke fitur Grayscale, fitur ini didapat dari rata-rata intensitas warna pada fitur RGB. Proses GLCM akan menghasilkan variabel yang nantinya digunakan sebagai input dalam proses klasifikasi.
27
hasil ekstraksi yang merupakan variabel yang dominan dalam klasifikasi menggunakan foto hasil colonoscopy, yaitu:
1) ASM (Energi)
2) VAR (Sum of Squares)
3) IDM (Inverse Difference Moment (IDM)) 4) MP (Maksimum Probabilitas)
5) H (Homogenitas) 6) D (Dissimilarity)
Berikut ini merupakan contoh menggunakan tujuh citra colonoscopy yang terdapat dalam citra training dalam program ini,hasil ekstraksi fitur dengan menggunakan enam parameter di atas :
Tabel 3.1 Nilai parameter GLCM
Stadium ASM VAR IDM MP H D
Stadium 0
48798 1833269363123 435,4369 1 435,4369 7647500 Stadium
0
63000 397334830539861 331,8002
`
81431 559468339889103 645,089 1 645,089 11669775 Stadium
1
94393 896886209464604 870,468 1 870,468 11385910 Stadium
83277 663518170719550 691,1577 1 691,1577 10401839 Stadium
4
128434 3,3918824319173 6E+15
985,8183 1 985,8183 17255142
3.2.5 Klasifikasi Linear Discriminant Analysis
Setelah di dapat nilai fitur pada proses ekstraki fitur menggunakan GLCM,tahapan berikutnya yaitu proses klasifikasi citra menggunakan metode Linear Dicriminant Analysis.Langkah-langkah membuat klasifikasi dengan Linear Discriminant Analysis pada tugas akhir ini adalah :
1. Terdiri dari 6 fitur dataset sebagai input yang dilambang pada (x) yaitu:
1. ASM (energi)
2. VAR (sum of squares)
3. IDM (inverse difference moment ) 4. MP (maksimum probabilitas) 5. H (homogenitas)
6. D (dissimilarity)
2. Dibagi menjadi 5 kelas output,kelas dilambang dengan Stadium ( Stadium 1( Stadium 2( Stadium 3( dan Stadium 4(
3. Lalu dataset yang dilambangkan pada x akan di dalam data matriks,data matriks di lambangkan dengan X.X berisi (NxM),dalam hal ini N merupakan jumlah citra yang akan diproses sedangkan M merupakan dataset fitur yang dilambang kan dengan x,lalu data X yang akan dikelompokan berdasarkan kelas antar stadium dari Y.
X= Y= (3.10)
4. Dari data yang sudah di testing pada data testing akan dicari mean dari tiap kelas dalam hal sistem ini class dibagi menjadi lima yaitu,stadium 0,1,2,3 dan 4 dan setiap kelas di lambangkan dengan
,
(3.11)
5. Selanjutnya akan dicari covariance tiap kelas ( ) untuk kelas 1 dan
29
= -µ)( -µ
(3.12) 7. Dan akan ketemu nilai (Sw) Scatter Within Class denganmenjumlahkan kedua covariance tersebut.
= -
(3.13) 8. Kemudian akan dilakukan proses perhitungan untuk mencari eigenvalue dan eigen vector image.
(3.14) Dimana:
A merupakan matriks λ merupakan eigen x merupakan vektor
9. Setelah mendapatkan eigen value dan eigen vector akan dapat melakukan proses ekstraksi fitur dari tiap tiap image.
10. Hasil Ekstraksi tersebut akan dilakukan pencarian jarak terdekat dengan Euclidean dan menghasilkan klasikasi dengan Linear disciminant Analysis
(3.15) Berikut ini merupakan contoh pengklasifikasian berdasarkan persamaan diatas :
1. Terdapat w kelas berbeda dengan dan dengan ( =5) dan ( =6) dan M=2 dengan :
= =
2. Berdasarkan data diatas maka terdapat =[3 3,6] , =[4,67 2] dan µ=[
3. Berdasarkan data tersebut maka dihitung between class varience ( setiap kelas dengan (2x2) dan total between class variance (2x2) untuk :
=n1(μ1 − μ)T (μ1 − μ)
=
Selanjutnya untuk dilakukan cara seperti diatas sehingga menghasilkan :
= Maka :
= + =
4. Langkah selanjutnya mencari nilai
, ,berdasarkan persamaan 3.13 maka
nilai:
= , = dan
=
5. Selanjutnya ubah matriks (W) dalam class dengan menggunakan persamaan berikut ini :
W= S ,maka nilai S =
dan W=
6. Selanjutnya mencari nilai eigen values dan eigen vector berdasarkan persamaan 3.14 maka:
31
perubahan matriks class,untuk itu nilai perubahan matriks pertama dan kedua hari dihitung.
= S
= = =
Dan
=
Berdasarkan data diatas maka eigen vector dan eigen values pada dan adalah :
λ = , V =
dan λ = , V =
8. Maka langkah selanjutnya dilakukan persamaan 3.15 maka klasfikasi telah dilakukan, berdasarkan persamaan tersebut maka jumlah value yang terdapat pada masuk pada klasifikasi pada kelas satu dan jika value masuk pada kelas dua.Berikut ini merupakan nilai Y.
= dan =
9. Setelah melakukan tahap diatas maka gambar 3.3 yang telah diklasifikasikan menggunakan Linear Discriminant Analysis kedalam atau dalam stadium 0 (Usus Normal) .
3.3 Rancangan Antarmuka
Tampilan antarmuka (interface) merupakan tampilan penghubung komunikasi antara manusia dan komputer. Perancangan tampilan antarmuka pada sistem bertujuan untuk memberikan gambaran tampilan sistem yang akan dibangun. Perancangan antarmuka terdiri dari rancangan tampilan screen, tampilan halaman utama dan tampilan halaman training.
3.3.1 Rancangan Tampilan Utama
Tampilan halaman screen adalah tampilan awal pada saat sistem dijalankan.
Rancangan tampilan screen dapat dilihat pada Gambar
Gambar 3.5. Rancangan Halaman Utama Keterangan :
1. Picture Box yang berisi gambar usus 2. Label dari judul program
3. Menu “Data traning” yang berisi database yang akan digunakan untuk
33
3.3.2 Tampilan Data Training
Gambar 3.6 Rancangan Data Training Keterangan :
1. Select box “stadium” yang digunakan untuk mengselect stadium yang ingin di tampilkan pada data training
2. Buton file yang digunakan mencari file image yang ingin di training
3. Citra input berupa citra colonoscopy
4. Citra hasil otsu berupa citra dari hasil convert citra colonoscopy berbentuk rgb menjadi grayscale lalu di ubah menjadi citra otsu yang berbentuk citra biner
5. Tabel pada no.5 merupakan parameter dari GLCM yang akan digunakan untuk mengklasfikasian data
6. Button simpan berfungsi untuk menyimpan data yang akan ditraining
7. Button keluar berfungsi untuk kembali ke halaman utama
3.3.3 Halaman Pengujian
Gambar 3.7 Rancangan Data Testing Keterangan:
1. Button pada no.1 berfungsi untuk mencari citra yang akan diproses.
2. Picturebox,berfungsi untuk menampilkan isi dari file citra yang dipilih 3. Picturebox2, berfungsi untuk menampilkan proses dari picturebox1
yang telah diproses.
4. Tombol „Proses‟ berfungsi untuk memproses citra dari picturebox 5. Tombol „Simpan‟ berfungsi untuk menyimpan hasil proses dari
picturebox2
6. Tombol „Lanjut‟ berfungsi untuk lanjut ke proses GLCM .
35
3.3.4 Form GLCM (Gray-Level Co-occurence Matrix)
Gambar 3.8 Rancangan Form GLCM Keterangan:
1. Picturebox berfungsi sebagai hasil dari proses pada convert dari image grayscale menjadi image segmentation dengan otsu thresholding 2. Text box otsu thresholding yang berisi nilai thresholding
3. Tombol „Lanjut‟ berfungsi untuk lanjut ke proses klasifikasi menggunakan Linear Discriminant Analysis (LDA).
4. Tabel hasil dari data glcm yang berupa energi,kontras,korelasi,Sum of Squere,Inverse Different Moment (IDM),sum average,sum varience,sum entropy,entropy,differential variance,different entropy,maksimum probabilitas,homogenitas dan dissimilarity.
3.3.5 Form Hasil Klasifikasi
Gambar 3.9 Rancangan hasil klasifikasi Keterangan:
1. Berisi Hasil diagnosa yang berhasil diklasifikasi pada penelitian ini 2. Berisi nilai Linear Discriminant pada citra yang sudah di klasifikasi
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi implementasi dan pengujian aplikasi berdasarkan analisis dan perancangan aplikasi yang telah dibahas pada bab sebelumnya. Pada tahap ini, bertujuan untuk menampilkan hasil perancangan aplikasi yang telah dibangun dan proses pengujian aplikasi dalam melakukan klasifikasi stadium kanker usus besar.
4.1 Kebutuhan Aplikasi
Dalam perancangan aplikasi klasifikasi stadium kanker usus besar menggunakan citra colonoscopy menggunakan Linear Discriminant Analysis memerlukan perangkat keras dan perangkat lunak pendukung antara lain :
4.1.1 Perangkat Keras
Spesifikasi perangkat keras yang digunakan pada aplikasi ini antara lain : Processor : Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz 2.59 GHz RAM : 8.00 GB
Harddisk : 1TB
4.1.2 Perangkat Lunak
Spesifikasi perangkat lunak yang digunakan pada aplikasi ini antara lain :
Windows 10 64 bit
Visual Studio 2017
Balsamiq Mockups 3
Corel Photo-Paint X6 64 bit
Microsoft Access 2013
4.2 Implementasi Perancangan AntarMuka
Adapun tampilan dari perancangan antar muka yang telah di implementasikan antara lain sebagai berikut:
4.2.1 Halaman Utama
Halaman utama adalah halaman awal yang muncul pada saat sistem dijalankan.Yang terdiri dari menu “Data Training” dan Data Testing” ,Picture Box yang berisi tampilan usus besar dan sebuah text yang berisi judul sistem. Tampilan Halaman utama dapat dilihat pada Gambar 4.1.
Gambar 4.1 Halaman utama
4.2.2 Halaman Data Training
Halaman data training terdiri dari select bar stadium (0,1,2,3 dan 4),browser file yang akan dipilih,citra colonoscopy dan citra otsu,nilai otsu serta nilai-nilai dari parameter glcm. Citra yang akan di Training satu persatu melalui browser file.Sebelum melakukan proses training stadium harus dipilih melalui select bar selanjutnya dilakukan proses,hasil citra yang telah diproses di data training akan di simpan di dalam database pada microsoft acces 2013.Halaman Data Training dapat dilihat pada gambar 4.2
39
Gambar 4.2. Halaman Data Training
Terdapat 55 data colonoscopy,41 di antara nya akan trainng,adapun hasil cita colonoscopy yang akan di training adalah sebagai berikut :
Tabel 4.1 Data Training No Citra
Colonoscopy
Stadium 0
Stadium 1
Stadium 2
Stadium 3
Stadium 4
1
2
3
Tabel 4.1 Data Training (Lanjutan)
4
5
6
7
8
9
10
41
Tabel 4.1 Data Training (Lanjutan)
11
12
13
14
15
16
17
Tabel 4.1 Data Training (Lanjutan) 18
19
20
21
22
23
24
43
Tabel 4.1 Data Training (Lanjutan)
25
26
27
28
29
30
31
Tabel 4.1 Data Training (Lanjutan)
32
33
34
35
36
37
38
45
Tabel 4.1 Data Training (Lanjutan)
39
40
41
4.3 Implementasi Data
Pada implementasi data,data training yang terdiri dari 41 data di pra-processing dengan cara croping dan grayscale,croping dilakukan secara manual ini dikarenakan image colonoscopy yang digunakan pada penilitian ini memiliki ukuran yang berbeda sehingga jika dilakukan proses croping bisa terjadi kemungkinan gambar terpotong pada ukuran yang berbeda sehingga terjadi perbedaan klasifikasi dengan stadium yang seharusnya.setelah cita grayscale di peroleh langkah selanjutnya melakukan segmentasi menggunakan otsu thresholding,dilakukan dengan otsu thresholding bertujuan untuk mencari nilai matrix pada image tersebut.Adapun citra grayscale dan citra thresholding terdapat pada tabel 4.2.
Tabel 4.2 Citra Grayscale dan Citra Thresholding No Citra Colonoscopy Citra Grayscale Citra Otsu
Thresholding
Stadium
1 Stadium 0
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
2 Stadium 0
3 Stadium 0
4 Stadium 0
5 Stadium 0
6 Stadium 0
7 Stadium 0
8 Stadium 0
47
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
9 Stadium 0
10 Stadium 0
11 Stadium 1
12 Stadium 1
13 Stadium 1
14 Stadium 1
15 Stadium 1
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
16 Stadium 1
17 Stadium 1
18 Stadium 1
19 Stadium 1
20 Stadium 2
21 Stadium 2
22 Stadium 2
49
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
23 Stadium 2
24 Stadium 2
25 Stadium 2
26 Stadium 2
27 Stadium 2
28 Stadium 2
29 Stadium 3
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
30 Stadium 3
31 Stadium 3
32 Stadium 4
33 Stadium 3
34 Stadium 3
35 Stadium 3
36 Stadium 3
51
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
37 Stadium 3
38 Stadium 4
39 Stadium 4
40 Stadium 4
41 Stadium 4
Setelah dilakukan segmentasi dengan otsu thresholding,selanjutnya data tersebut di converting kembali menjadi citra grayscaling,lalu citra tersebut di feature ekstraksi menggunakan glcm menggunakan 6 parameter.Parameter dalam glcm tersebut akan menjadi input dalam pengklasifikasian menggunakan Linear Discriminant Analysis.Adapun data GLCM berdasarkan 6 Parameter tersebut pada citra training di atas terdapat pada tabel 4.3
Tabel 4.3 Parameter GLCM berdasarkan Citra Colonoscopy
No Stadium ASM VAR_ IDM MP H D
1 Stadium 0 152564 5,58297492794 748E+15
872,9284 1 872,92 84
4366162 5 2 Stadium 0 86040 1,00569462089
937E+15
492,8502 1 492,85 02
1581064 9
Tabel 4.3 Parameter GLCM berdasarkan Citra Colonoscopy (Lanjutan) 3 Stadium 0 72646 613265709888
644
512,4872 1 512,48 72
1083440 8 4 Stadium 0 42597 119329722015
405
285,3276 1 285,32 76
7755956 5 Stadium 0 29574 407974561940
21,3
247,9211 1 247,92 11
5238757 6 Stadium 0 116691 2,54261816828
871E+15
680,1919 1 680,19 19
2104975 9 7 Stadium 1 76743 707780780843
123
416,4084 1 416,40 84
1517689 7 8 Stadium 1 83381 926355227905
134
700,3522 1 700,35 22
1168513 9 9 Stadium 1 63000 397334830539
861
331,8002 1 331,80 02
1183204 3 10 Stadium 1 84025 936334342389
805
444,8705 1 444,87 05
1577444 5 11 Stadium 1 142934 4,67885706581
571E+15
723,853 1 723,85 3
2059834 4 12 Stadium 1 60848 363776308482
854
410,7972 1 410,79 72
1011703 9 13 Stadium 1 96799 1,41493242862
477E+15
459,8727 1 459,87 27
1947928 5 14 Stadium 2 101498 1,69300455965
441E+15
771,1827 1 771,18 27
1701641 2 15 Stadium 2 52957 234233272623
639
311,2774 1 311,27 74
9997855 16 Stadium 2 104227 1,81333517178
071E+15
703,9898 1 703,98 98
1618552 5 17 Stadium 2 103528 1,74732518789
218E+15
320,6032 1 320,60 32
2084286 9 18 Stadium 2 87380 1,06862507985
697E+15
434,1183 1 434,11 83
1612986 5 19 Stadium 2 18764 103322874903
77,1
267,4928 1 267,49 28
1480240 20 Stadium 2 87417 1,05828037172
216E+15
704,5529 1 704,55 29
1111139 2 21 Stadium 2 50306 201123979952 289,789 1 289,78 1034356
53
Tabel 4.3 Parameter GLCM berdasarkan Citra Colonoscopy (Lanjutan) 24 Stadium 3 81801 619995336331
347
477,2788 1 477,27 88
1290102 5 25 Stadium 3 108782 2,05861510843
545E+15
767,6341 1 767,63 41
1658956 4 26 Stadium 3 53524 175423705118
183
443,4261 1 443,42 61
7098179 27 Stadium 3 25322 258142580152
94,2
254,2842 1 254,28 42
2488345 28 Stadium 3 24651 239830413390
04,9
247,881 1 247,88 1
2262541 29 Stadium 4 113628 2,34634355732
102E+15
301,4634 1 301,46 34
2323965 0 30 Stadium 4 122006 1,82972793343
487E+15 31 Stadium 4 92512 839340015054
549
639,9818 1 639,98 18
1295690 6 32 Stadium 4 87613 701806066895
385
473,4039 1 473,40 39
1417502 4 33 Stadium 4 102420 1,13507292533
367E+15
696,3536 1 696,35 36
1441485 4 34 Stadium 4 23164 150040808245
65,7
373,4934 1 373,49 34
1613873
Selanjutnya data training berdasarkan 6 parameter glcm di atas pada microsoft acces,ini bertujuan agar data tersebut tersimpan ke dalam database sehingga tidak perlu dilakukan testing data setiap akan melakukan tsting citra.Adapun tampilan database pada microsoft acces adalah sebagai berikut :
Gambar 4.3 Database pada data training
4.4 Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui kemampuan sistem yang dibangun dalam melakukan klasifikasi Citra Colonoscopy. Kemampuan sistem dalam melakukan klasifikasi Citra Colonoscopy bergantung pada proses pelatihan Linear Discriminant Analysis karena proses pelatihan menghasilkan bobot akhir yang akan digunakan pada tahap pengujian.
Halaman Pengujian terdiri atas 3 yang pertama pengujian dengan Grayscale,lalu dengan citra otsu dengan menyertakan nilai GLCM dengan proses pengujian akhir berupa klasifikasi menggunakan LDA dengan tampilan akhir hasil diagnosa dari pengujian tersebut.
4.4.1 Tampilan Grayscale citra
Berisi browser image dengan hasil citra colonoscopy yang di ubah menjadi citra grayscale.
Gambar 4.4 Pengujian dengan Grayscale 4.4.2 Tampilan pengujian dengan Otsu Thresholding dan GLCM
Setelah dilakukan pengujian Citra menjadi grayscaling selanjutnya dilakukan proses Thresholding dengan Otsu lalu dilakukan GLCM dengan menggunakan parameter asm,var,idm,mp,h,d.
55
Gambar 4.5 Pengujian dengan Thresholding dan GLCM
4.4.3 Tampilan Hasil
Tampilan hasil berupa analog yang berisi hasil diagnosa dengan nilai LDA yang menjadi dasar hasil melakukan diagnosa.
Gambar 4.6 Hasil Klasfikasi
Hasil pengujian klasifikasi Citra Colonoscopy dapat dilihat pada Tabel 4.4 Citra uji terdiri dari 14 citra colonoscopy.
Tabel 4.4 Hasil Pengujian Klasifikasi Linear Discriminant Analysis
57
6 5 7
Untuk menghitung akurasi pengujian, persamaan yang digunakan adalah persamaan 4.1:
Akurasi = X 100% (4.1)
Akurasi hasil pengujian pada Tabel 4.4 dapat dilihat pada Tabel 4.5. Tabel 4.5 menunjukkan jumlah actual output yang sesuai dengan desired output pada setiap jenis citra Colonoscopy beserta nilai akurasinya dengan menggunakan persamaan 4.1.
59
Tabel 4.5 Akurasi Pengujian Stadium Citra Jumlah Actual Output yang
sesuai dengan Desired Output
Akurasi
Stadium 0 3 75%
Stadium 1 3 100%
Stadium 2 3 100%
Stadium 3 1 100%
Stadium 4 2 100%
Berdasarkan hasil pada Tabel 4.5,maka akurasi keseluruhan dapat dihitung. Akurasi keseluruhan diperoleh dengan menggunakan persamaan 4.1 yaitu dengan menambahkan jumlah actual output yang sesuai dengan desired output dari masing- masing citra retina dibagi dengan jumlah seluruh data citra retina seperti berikut.
Akurasi =
= 92,58%
Berdasarkan perhitungan akurasi di atas maka system ini menghasilkan 92,58 % akurasi berdasarkan 14 data testing dengan menggunakan Linear Discriminant Analysis.
BAB 5
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran yang diperoleh dalam merancang aplikasi klasifikasi kanker usus besar berdasarkan citra colonoscopy menggunakan Linear Discriminant Analysis.
5.1 Kesimpulan
Berdasarkan hasil pembahasan klasifikasi stadium kanker usus besar menggunakan Linear Discriminant Analysis dapat disimpulkan hal-hal sebagai berikut :
1. Linear Discriminant Analysis mampu menentukan stadium kanker usus besar pada citra colonoscopy berdasarkan 55 citra,untuk data testing 75% dengan 41 citra dan 25% atau 14 citra untuk data testing dengan akuransi sebesar 92,58%.Yang terbagi atas stadium 0 dengan jumlah data 4 dari 3 yang sesuai dengan desired output adalah 75%,stadium 1 dengan jumlah data 3 dari 3 100%,stadium 2 dengan jumlah data 3 dari 3 100%,stadium 3 dengan jumlah data 1 dari 1 100% dan stadium 4 dengan jumlah data 2 dari 2 100%
2. Jumlah data testing sangat berpengaruh pada ketepatan klasifikasi stadium,semakin banyak data yang di testing klasifikasi semakin tepat.
3. Kegagalan klasifikasi di sebabkan adanya nilai keterdekatan antara fitur GLCM dari citra dengan stadium berikutnya.
4. Algoritma yang digunakan menggunakan waktu yang lama untuk mengklasfikasi sistem.
5.2 Saran
Adapun saran yang dapat diberikan oleh penulis terkait dengan penelitian ini untuk pengembangan selanjutnya adalah sebagai berikut :
1. Menggunakan data training yang lebih banyak sehingga mampu mendapatkan akurasi yang lebih tinggi.
2. Menggunakan metode lain dalam proses ekstraksi fitur.
3 Menggunakan Algoritma selain Algortima Linear Discriminant Analysis sehingga diharapkan proses dapat berjalan lebih baik dan lebih cepat dari menggunakan Linear Discriminant Analysis
DAFTAR PUSTAKA
Alteri, R (2011). Colorectal Cancer Facts & Figure 2011-2013. Atlanta: American Cancer Society.
American Cancer Society. (2011). Colorectal Cancer. Atlanta: American Cancer Society.
American Joint Commitee on Cancer (AJCC). (2010). Colon and Rectum Cancer Staging. 7thEdition. Springer-Verlag New York: American Cancer Society.
Anami, B. S., &Vishwanath, C. B. (2009). Texture Based Identification and Classification of Bulk Sugary Food Object. ICGST. Vol. 9. Page 9-14.
Burt, W. R. (2000). Colon Cancer Screening. Journal from Gastroenterology. Vol.
119. Issue 4. Page 837-853.
Chen, J., &Chaudhari, N. S. (2003). Protein Family Classification Using Second-Order Recurrent Neural Networks. Genome Informatics. Vol. 14.
Fausett, L. (1994). Fundamental of Neural Network (Archetectures, Algorithm, and Application). Upper Saddle River, New Jersey: Prentice Hall Inc.
Gontar Alamsyah Siregar. (2007). DeteksiDinidanPenatalaksanaanKankerUsusBesar.
Medan: RepostoryUniversitas Sumatera Utara.
Guntau, J. Endoskopie Atlas. Hamburg, Jerman: Albertinen-Krankenhaus. Diakses dari http://endoskopiebilder.de/kolon_normalbefunde.html pada tanggal 4 April 2017, Jam 14.00 WIB.
Hanke, J.E. &Wichern, D.W. (2005). Bussiness Forecasting, 8th Edition. Upper Saddle River, New Jersey:Prentice Hall.
Haralick, R. M., Shanmugam, M., &Dinstein, I. (1973). Features for Image Classification. IEEE Transaction System, Man and Cybernetics. Vol. SMC-3.
No. 6. Page 610-621.
Haykin, S. (1999). Neural Network: A Comprehensive Foundation. Singapore:
Prentice Hall.
Hota, H. S., Shrivas, A. K., &Singhai, S. K. (2013). Artificial Neural Network, Decision Tree and Statistical Techniques Applied for Designing and Developing E-mail Classifier. International Journal of Recent Technology and Engineering (IJRTE). Vol. 1. Issue 6. Page 164-169.
Hu, H. Y., & Hwang, Jenq-Neng. (2002). Handbok of Neural Network Signal Processing. CRC Press.
International Agency for Research on Cancer (IARC). (2013). Lastest World Cancer Statistic. Switzerland: World Health Organization.
Japerson, K. W. et al. (2010). Hereditary and Familial Colon Cancer.
Gastroenterology. Vol. 110. Issue 4. Page 335-339.
Kim ,Kyung-Joong& Cho, Sung-Bae. (2003). Prediction of Colon Cancer Using an Evolutionary Neural Network. Journal from Elsevier. Page 361-379.
Mohanaiah, P., Sathyanarayana, P., &GuruKumar, L. (2013). Image Texture Feature Extraction Using GLCM Approach. International Journal of Scientific and Research Publication. Vol. 3.
National Cancer Institute. (2006). Cancer of the Colon and Rectum.
Diaksesdarihttp://www.cancer.gov/cancertopics/types/colon-and-rectal padatanggal 22 Desember 2013, Jam 11.00 WIB.
Parker, S. (2009). The Human Body Book (EnsiklopediaTubuhManusia). Penerjemah:
Winardini. Indonesia: PenerbitErlangga.
Prytherch, R. (2005). Harrod’s Librarians’ Glossary and Reference Book. England :Ashgate Publishing Company.
Tortora, G. J., & Grabowski, S. R. (2002). Principles of Anatomy and Physiology.
10thEdition. Columbia: John Wiley & Sons Inc .
Uppuluri, A. (2008). GLCM Texture Features. Diaksesdarihttp://www.
mathworks.com/matlabcentral/fileexchange/22187-glcm-textures/content/
GLCM_Features1.m padatanggal 20 Desember 2013, Jam 16.00 WIB.
World Health Organization (WHO). (1977). Manual of The International Statistical Classification of Diseases, Injuries, and Cause of Death. Switzerland: World Health Organization.