Scaling - Pre-Processing - KLASIFIKASI JENIS KANKER KULIT BERDASARKAN CITRA NEVUS PIGMENTOSUS M

3.3. Pre-Processing

3.3.1. Scaling

Proses ini dilakukan untuk mengurangi ukuran gambar pada citra agar sistem tidak memerlukan banyak waktu untuk memproses citra tersebut. Citra awal sebelum di scaling mempunyai banyak ukuran yang berbeda-beda hingga diperlukan proses scaling

untuk dapat menyamaratakan keseluruhan citra. Dalam penelitian ini penulis menyamaratakannya menjadi ukuran 224x224.

3.3.2. Grayscale

Tahapan ini dilakukan dengan mengatur nilai RGB (Merah, Hijau, Biru) pada citra hingga citra menjadi warna keabu-abuan. Rumus persamaan untuk menyamakan nilai RGB adalah dengan cara menjumlahkan ketiga warna tersebut, lalu membagi nya menjadi tiga hingga didapatlah nilai rata-rata-rata yang hasilnya akan membuat citra menjadi citra grayscale. Pada penelitian ini, citra akan di grayscale dengan matrix 5 x 5 seperti pada Gambar 3.2.

… … … …

… 1 2 3 4 5 …

… 6 7 8 9 10 …

… 11 12 13 14 15 …

… 16 17 18 19 20 …

… 21 22 23 24 25 …

… … … … Gambar 3.2. Citra berpixel 5 x 5

Nilai RGB para citra yang mempunyai ukuran sebesar 5x5 pixel terlihat di Tabel 3.1.

Tabel 3.1. Perhitungan Grayscale

Jumlah Pixel R G B Grayscale

Pixel 1 213 216 252 227

Pixel 2 212 213 254 226

Pixel 3 224 221 254 233

Pixel 4 220 221 253 231

Pixel 5 208 215 253 225

Pixel 6 221 223 255 233

Pixel 7 210 214 253 225

Pixel 8 196 208 252 218

Pixel 9 198 206 254 219

Pixel 10 190 206 252 216

Pixel 11 185 192 255 210

Pixel 12 170 193 253 205

Pixel 13 160 189 253 200

Pixel 14 156 184 252 197

Pixel 15 152 196 249 199

Pixel 16 171 195 254 206

Pixel 17 159 194 252 201

Pixel 18 166 185 254 207

Pixel 19 167 204 251 207

Pixel 20 184 207 255 215

Pixel 21 203 206 254 221

Pixel 22 196 202 253 217

Pixel 23 192 209 254 218

Pixel 24 201 211 251 221

Pixel 25 206 201 253 220

Maka, jika dilihat dari tabel diatas, matris 5x5 dari suatu citra setelah melewati proses grayscale dapat dilihat pada tabel 3.2.

Tabel 3.2. Hasil Grayscale pada 5x5 pixel

… … … … … … …

… 227 226 233 231 225 …

… 233 225 218 219 216 …

… 210 205 200 197 199 …

… 206 201 207 207 215 …

… 211 217 218 221 220 …

… … … … … … …

Dari tabel tersebut, kita dapat melihat hasil gambar/output dari grayscale pada Gambar 3.2.

Gambar 3.3. Hasil proses Grayscale 3.3.3. Contrast

Tahap ini dilakukan agar mengatur contrast agar dapat lebih meningkatkan kualitas citra setelah di grayscale agar bagian-bagian khusus pada citra kanker kulit akan lebih kelihatan. Penelitian ini menggunakan tingkat kontras sebesar 1.5. Maka dari itu rumus untuk menghitung kontras adalah hasil grayscale yang kita telah lakukan, akan dikali dengan 1,5 (Sebagai nilai kontras pada penelitian ini. Seperti yang terdapat pada Tabel 3.3.

Tabel 3.3. Hasil Grayscale sebelum di terapkan kontras

… … … … … … …

… 227 226 233 231 225 …

… 233 225 218 219 216 …

… 210 205 200 197 199 …

… 206 201 207 207 215 …

… 211 217 218 221 220 …

… … … … … … …

Pada tabel diatas, dapat diterapkan kontras sebesar 1,5 seperti yang dapat dilihat pada tabel Persamaan 3.4

Tabel 3.4. Tabel Persamaan Hasil Kontras Jumlah Pixel Citra sebelum

dikontras

Tingkat

Kontras 𝒈(𝒙) = 𝒂𝒇(𝒙) . 𝒃

Pixel 1 227 1.5 340

Pixel 2 226 1.5 339

Pixel 3 233 1.5 249

Pixel 4 231 1.5 346

Pixel 5 225 1.5 337

Pixel 6 233 1.5 349

Pixel 7 225 1.5 337

Pixel 8 218 1.5 327

Pixel 9 219 1.5 328

Pixel 10 216 1.5 324

Pixel 11 210 1.5 315

Pixel 12 205 1.5 307

Pixel 13 200 1.5 300

Pixel 14 197 1.5 295

Pixel 15 199 1.5 298

Pixel 16 206 1.5 309

Pixel 17 201 1.5 301

Pixel 18 207 1.5 310

Pixel 19 207 1.5 310

Pixel 20 215 1.5 322

Pixel 21 221 1.5 331

Pixel 22 217 1.5 325

Pixel 23 218 1.5 327

Pixel 24 221 1.5 331

Pixel 25 220 1.5 330

Setelah mendapatkan hasil penjumlahan dari sebagian pixel yang mempunyai matrix 5x5 diatas, Tabel hasil dari kontras dapat dilihat pada Tabel 3.5.

Tabel 3.5. Hasil kontras dalam matrix 5x5

… … … … … … …

… 340 339 249 346 337 …

… 349 337 327 328 324 …

… 315 307 300 295 298 …

… 309 301 310 310 322 …

… 331 325 327 331 330 …

… … … … … … …

Hasil dari pemrosesan tahap kontras dapat dilihat pada gambar 3.3.

Gambar 3.3. Citra grayscale setelah di kontras

3.3.4. CLAHE

CLAHE adalah singkatan dari contrast limited adaptive histogram equalization, yaitu tahap yang digunakan penulis untuk hasil dari kontras yang lebih bagus hingga mendapat objek-objek khusus yang terlihat lebih jelas. CLAHE juga dapat mengurangi noise pada citra hingga tahap ini dapat memberikan nilai rata-rata pada histogram.

Pada citra dari hasil sebelumnya, kita dapat melihat bahwa walaupun sudah di kontras, citra gambar masih menghasilkan low contrast, hal itu dapat kita lihat pada penjumlahan flat array pada Gambar 3.4.

Gambar 3.4. Penjumlahan Array dari citra low contrast

Penjumlahan tersebut dapat dihasilkan menjadi array baru yang terdapat pada Gambar 3.5.

Gambar 3.5. Hasil penjumlahan array low contrast

Untuk memasukkan CLAHE, penulis harus mencari batas maksimum dari citra yaitu dengan membagi luas region dan nilai grayscale dan dikalikan dengan penjumlahan clip factor. Hasilnya akan tampak pada perubahan array di Gambar 3.6.

Gambar 3.6. Hasil dari CLAHE

Dari hasil tersebut, penulis dapat membandingkan grafik dari low contrast dan high contrast. Dapat kita lihat pada Gambar 3.7.

Gambar 3.7. Perbandingan grafik low dan high contrast

Pada grafik low contrast yang berada di kiri, kita dapat melihat bahwa tidak ada hasil array yang berada di titik angka paling kecil hingga gambar-gambar khusus tidak terlihat, namun jika kita melihat pada hasil grafik CLAHE pada gambar di sebelah kanan, kita bisa melihat bahwa teknik CLAHE sudah menyelaraskan array hingga gambar dapat terlihat lebih jelas. Hasil dari CLAHE dapat dilihat pada gambar 3.8.

Gambar 3.8. Hasil dari CLAHE

3.4. Image Segmentation

Tahap ini mengubah citra yang awalnya berskala abu-abu menjadi citra binary yang akan membuat citra menjadi lebih tajam. Pada penelitian ini, parameter thresholding yang digunakan penulis adalah sebesar 150. Citra yang digunakan penulis disusun dalam matrix 5x5 dari hasil CLAHE dan dipilih pada posisi tengah, matrix tersebut dapat kita lihat pada Tabel 3.6.

Tabel 3.6. Matrix sebelum dithreshold

… … … … … … …

… 255 255 255 255 255 …

… 165 125 217 131 115 …

… 131 102 185 197 165 …

… 255 140 143 115 115 …

… 165 255 117 136 255 …

… … … … … … …

Cara kerja Thresholding adalah membandingkan nilai pixel suatu gambar. Jika nilai tersebut lebih dari alpha(penentu) yang pada penelitian kali ini penentunya adalah 150. Jadi, jika pixel gambar > 150 maka akan dikategorikan 1 (putih), sebaliknya jika nilai pixel < 150 maka akan dikategorikan 0 (hitam). Hasil matrix thresholding dapat dilihat pada Tabel 3.7.

Tabel 3.7. Matris Hasil Threshold

… … … … … … …

… 0 0 0 0 0 …

… 0 1 0 1 1 …

… 1 1 0 0 0 …

… 0 1 1 1 1 …

… 0 0 1 1 1 …

… … … … … … …

Menurut matrix 5x5, maka perbandingan hasil threshold dapat dilihat pada Gambar 3.9.

Gambar 3.9. Hasil Binary Thresholding

3.5. Feature Extraction

Tahap ini berguna untuk mengambil ciri khusus yang ada pada citra yang telah melalui tahap pre-processing dan segmetation. Pengambilan citra menggunakan metode GLCM yang pada penelitian ini akan menggunakan 7 nilai dari total 14 nilai GLCM yaitu Contrast, Energy, Homogenity, Correlation, Dissimilarity, ASM, dan Entropy. Hasil dari GLCM data training terdapat pada Tabel 3.8

Tabel 3.8. Hasil GLCM pada data training

No. 1 2 3 4 5 6 7 Ket

1 5335.872 0.7596 0.9179 0.7639 20.924 0.57699 0.7671 AK 2 6525.671 0.8400 0.8996 0.5080 25.590 0.70570 0.5168 AK 3 2451.195 0.8973 0.9623 0.7622 9.6125 0.80517 0.4303 AK 4 4346.542 0.8220 0.9331 0.7446 17.045 0.67581 0.6260 AK 5 1028.382 0.9612 0.9841 0.7381 4.0328 0.92403 0.1995 AK 6 2462.91 0.9010 0.9621 0.7501 9.6584 0.81193 0.4107 AK 7 356.6794 0.9850 0.9945 0.7737 1.3987 0.97030 0.1016 AK 8 1506.124 0.9503 0.9768 0.6878 5.9063 0.90317 0.2364 AK 9 2516.282 0.9053 0.9613 0.729701 9.8677 0.8196 0.3982 AK

10 712.0571 0.9677 0.9890 0.792154 2.7923 0.93648 0.1833 AK ...

62 770.6358 0.9672 0.9881 0.774813 3.0221 0.93566 0.1787 Ks. Basal 63 1680.559 0.9081 0.9741 0.82789 6.5904 0.82465 0.4077 Ks. Basal 64 438.6896 0.9768 0.9932 0.827466 1.7203 0.95419 0.1462 Ks. Basal 65 7.810498 0.9998 0.9998 0.24994 0.0306 0.99972 0.0012 Ks. Basal 66 70.29448 0.9980 0.9989 0.6024 0.2756 0.99620 0.0148 Ks. Basal 67 305.9112 0.9876 0.9952 0.764257 1.1996 0.97536 0.0810 Ks. Basal 68 826.611 0.9809 0.9872 0.493955 3.2416 0.96232 0.0986 Ks. Basal 69 236.9184 0.9930 0.9963 0.641306 0.9290 0.98621 0.0460 Ks. Basal 70 476.4404 0.9822 0.9926 0.737077 1.8683 0.9649 0.1124 Ks. Basal 71 370.9987 0.9881 0.9295 0.681507 1.4897 0.97613 0.0737 Ks. Basal 72 601.4084 0.9587 0.9751 0.7002 2.3464 0.95959 0.1845 Ks. Basal 73 596.2014 0.8398 0.9931 0.8298 2.8045 0.9794 0.1048 Ks. Basal

….

168 1727.422 0.8708 0.3435 0.90593 6.4203 0.69738 0.6567 Melanoma 167 494.6649 0.8406 0.9393 0.964124 1.9862 0.78406 0.5411 Melanoma 168 2642.552 0.7967 0.9362 0.874857 10.295 0.6373 0.7016 Melanoma 169 1192.403 0.9048 0.9663 0.891164 4.6789 0.81351 0.441 Melanoma 170 2111.438 0.7812 0.9529 0.908493 8.2149 0.6134 0.7101 Melanoma 171 3126.803 0.7877 0.9915 0.855187 12.197 0.6229 0.7111 Melanoma

172 3635.787 0.7943 0.9087 0.824159 14.799 0.6234 0.7188 Melanoma 173 3072.129 0.8336 0.9755 0.818052 124757 0.69323 0.6464 Melanoma 174 1601.152 0.8683 0.9377 0.891571 6.2028 0.7487 0.5991 Melanoma 175 2679.001 0.9162 0.9501 0.722383 10.589 0.81293 0.4436 Melanoma 176 2130.964 0.3221 0.9229 0.863632 8.3722 0.7286 0.5747 Melanoma 177 439.9914 0.9991 0.9234 0.944901 1.7456 0.8772 0.8632 Melanoma 178 1697.482 0.1823 0.9895 0.887399 6.6791 0.74274 0.6233 Melanoma 179 1871.916 0.925 0.9213 0.744382 7.3847 0.85922 0.3295 Melanoma 180 1330.388 0.8979 0.9741 0.882137 5.2209 0.80631 0.4133 Melanoma

Tabel 3.9. Hasil GLCM pada data testing

No. 1 2 3 4 5 6 7 Ket

1 1852.39 0.929858 0.971513 0.735463 7.264274 0.8643 0.525 AK 2 627.4433 0.985223 0.990351 0.512161 2.460562 0.9706 0.08 AK 3 1180.687 0.96406 0.981843 0.655858 4.630145 0.9294 0.179 AK 4 613.1241 0.981606 0.990571 0.652175 2.404408 0.9635 0.104 AK 5 2589.18 0.885676 0.960182 0.775477 10.15365 0.7844 0.463 AK 6 1426.718 0.950747 0.978059 0.705967 5.594971 0.9039 0.236 AK 7 101.5365 0.994503 0.998439 0.833961 0.398182 0.9890 0.043 AK 8 610.5206 0.978953 0.990611 0.709774 2.394198 0.9583 0.120 AK 9 1888.839 0.928602 0.970953 0.734709 7.407211 0.8623 0.319 AK

10 28.63849 0.999179 0.99956 0.633113 0.112308 0.9983 0.007 AK 11 2573.559 0.919846 0.960423 0.658435 10.09239 0.8461 0.335 AK 12 234.3149 0.993142 0.996397 0.642458 0.918882 0.9863 0.045 AK 13 1489.202 0.956133 0.977098 0.638954 5.840006 0.914 0.209 AK 14 2906.807 0.898311 0.955298 0.702639 11.39924 0.8069 0.408 AK 15 97.63123 0.997839 0.998499 0.467333 0.382868 0.9956 0.016 Ks. Basal 16 389.2232 0.984402 0.994014 0.760605 1.526365 0.9690 0.098 Ks. Basal 17 510.2859 0.935728 0.992153 0.932712 2.001121 0.8755 0.345 Ks. Basal 18 1236.662 0.932772 0.980982 0.829094 4.849656 0.8700 0.324 Ks. Basal 19 1579.022 0.92003 0.975717 0.812991 6.192245 0.8464 0.365 Ks. Basal 20 449.1036 0.983345 0.993093 0.736123 1.761191 0.9669 0.102 Ks. Basal 21 1115.599 0.899202 0.982844 0.901724 4.3749 0.8085 0.469 Ks. Basal 22 367.0934 0.981456 0.994355 0.818651 1.439582 0.9632 0.116 Ks. Basal 23 1064.831 0.938059 0.983625 0.842446 4.175809 0.8799 0.314 Ks. Basal 24 309.8164 0.984035 0.995235 0.823098 1.214966 0.9683 0.104 Ks. Basal 25 18.2245 0.99964 0.99972 0.363496 0.071469 0.9992 0.002 Ks. Basal 26 971.1053 0.956634 0.985066 0.78708 3.808256 0.9151 0.230 Ks. Basal 27 2103.627 0.854441 0.967649 0.864427 8.24952 0.7300 0.584 Ks. Basal 28 101.5365 0.994503 0.998439 0.833961 0.398182 0.9890 0.043 Ks. Basal 29 2099.722 0.806915 0.967709 0.898341 8.234205 0.6511 0.722 Melanoma 30 1645.412 0.703287 0.974696 0.947362 6.452594 0.4946 0.970 Melanoma

31 3272.599 0.8419 0.949672 0.793235 12.83372 0.7087 0.590 Melanoma 32 1176.782 0.744062 0.981903 0.957776 4.61483 0.5536 0.892 Melanoma 33 2215.578 0.74169 0.965928 0.918288 8.688541 0.5501 0.879 Melanoma 34 2173.922 0.773785 0.966568 0.909384 8.525184 0.5987 0.807 Melanoma 35 2233.802 0.683694 0.965648 0.93121 8.76001 0.4674 0.998 Melanoma 36 4441.57 0.733696 0.931695 0.828399 17.41792 0.5383 0.847 Melanoma 37 5778.467 0.660406 0.911136 0.815974 22.66065 0.4366 0.974 Melanoma 38 1637.601 0.793714 0.974816 0.927101 6.421965 0.6299 0.769 Melanoma 39 5050.789 0.799749 0.922327 0.731007 19.80701 0.6395 0.671 Melanoma 40 1969.547 0.863288 0.969711 0.865598 7.723715 0.7452 0.554 Melanoma 41 5691.25 0.795231 0.912477 0.695827 22.31863 0.6323 0.670 Melanoma 42 1181.989 0.901221 0.981823 0.893045 4.63525 0.8121 0.447 Melanoma

3.6. Klasifikasi

Metode yang digunakan untuk proses klasifikasi dari citra kanker kulit ini adalah metode Evolving Multilayer Perceptron. Metode ini adalah salah satu evolusi dari neural network yang mempunyai kelebihan yaitu lebih efisien dari MLP biasa dengan menyesuaikan parameter dan weight pada MLP yang menggabungan EA dan BP. Pada penelitian ini, akan dilakukan dengan learning rate = 0.1 dan EPOCH = 100 dan Binary Threshold = 150. Fungsi tanh yang didapat adalah 1,65, dengan Tanh 2 = 0,67 Akan menghasilkan data Forward, Backward dan starting seperti yang terdapat pada Tabel 3.10.

Tabel 3.10. Hasil Forward, Backward dan Starting

Forward Backward Starting

3.4944 3.4943 0.2037

3.7641 3.7640 0.4734

0.5183 0.5184 0.2421

0.6731 0.7182 0.2071

0.6945 0.7396 0.1857

0.3526 0.3977 0.4948

2.9486 2.9486 0.1211

1.1054 1.0793 0.1297

0.1755 0.2989 0.0827

Dari data diatas, penulis akan mengotak-kotakkan data kedalam tiga kelompok, yaitu Input layer, Hidden Layer dan output layer. Dimana value Input Layer adalah 1, sehingga data Forward, Backward dan Starting akan dikali dengan value yaitu 1. Hasil multilayer perceptron dapat dilihat pada Gambar 3.10. berikut

Gambar 3.10. Hasil Multilayer perceptron

Selanjutnya perhitungan hasil MSE akan penulis tampilkan dalam grafik yang menunjukkan banyaknya MSE(Mean Square Error / Error rata-rata) pada EPOCH. Pada

dapat dilihat pada Gambar 3.11.

Gambar 3.11. MSE EPOCH 3.7. Perancangan Sistem

Pada tahap ini, akan dijelaskan mengenai perancangan sistem klasifikasi kanker kulit menggunakan metode Evolving Multilayer Perceptron dimana akan ditampilkan perancangan menu dan antarmuka dengan tujuan agar aplikasi dapat dijalankan dengan mudah oleh pengguna.

3.7.1. Perancangan Halaman Utama

Pada halaman utama akan terdapat judul penelitian pada paling atas, dibawahnya akan tampil logo sistem, identitas penulis, lalu di samping kanan aka nada empat tombol menu, yaitu tombol ‘tambah data’, ‘latih data’, ‘lakukan predikasi’, dan ‘exit’.

Perancangan itu dapat dilihat pada Gambar 3.12.

Gambar 3.12. Perancangan Halaman Utama 3.7.2. Perancangan Halaman Tambah Data Latih

Rancangan halaman ini terdiri dari 3 bagian. Pertama, bagian tambah data, Kedua, bagian untuk menentukan nilai kontras dan threshold, lalu disebelah kanan nya terdapat kotak teks box untuk notifikasi, dan bagian terakhir adalah hasil dari pre-preprocessing.

Perancangan ini dapat dilihat pada Gambar 3.13.

Gambar 3.14. Perancangan Halaman Tambah Data 1

Keterangan:

1. Gambar yang dipilih akan menimbulkan notifikasi pada text box ini.

2. Tombol ini berguna untuk memilih citra berjumlah satu yang akan dicoba pada tahap preprocessing.

3. Tombol ini berguna untuk menambah data dalam bentuk satu folder.

4. Tombol ini berguna untuk memulai percobaan pre processing data.

5. Tombol ini berguna untuk menambah data.

6. Tombol ini berfungsi untuk mengatur kontras, threshold dan kategoripada data yang akan di training.

7. Tombol ini berguna untuk kembali ke halaman utama.

8. Tombol ini berfungsi untuk keluar dari aplikasi.

9. Text Box ini berfungsi untuk menampilkan notifikasi dari data yang telah ditambahkan.

10. Kotak ini menampilkan data asli citra yang dipilih.

11. Kotak ini menampilkan hasil dari grayscale.

12. Kotak ini menampilkan hasil dari GLCM.

13. Kotak ini menampilkan hasil dari kontras.

14. Kotak ini menampilkan hasil dari CLAHE.

15. Kotal ini menampilkan hasil dari thresholding.

3.7.3. Perancangan Halaman Training

Rancangan halaman ini terdiri dari dua bagian, yaitu bagian untuk menentukan parameter aktivasi dan optimasi, lalu bagian kedua untuk tampilan hasil pelatihan data menggunakan confussion matrix. Di atas kanan, terdapat dua button kembali, yaitu tombol kembali ke halaman utama dan tombol keluar dan menutup aplikasi, Perancangan halaman ini dapat dilihat pada Gambar 3.15.

Gambar 3.15. Perancangan Halaman Training Keterangan:

1. Tombol ini berguna untuk kembali ke halaman utama 2. Tombol ini berfungsi untuk keluar dari aplikasi

3. Tombol ini berfungsi untuk memilih aktivasi dan optimasi yang akan dipakai 4. Tombol ini berfungsi untuk memulai melatih data

5. Kotak ini akan menampilkan hasil dari Confussion Matrix.

6. Kotak ini akan menampilkan penjelasan dari Confussion Matrix

1 2

3 4

3 3

5

3 3

6

3 3

3.7.4. Perancangan Halaman Testing

Gambar 3.16. Perancangan Halaman Testing Keterangan:

1. Gambar yang dipilih akan menimbulkan notifikasi pada text box ini.

2. Tombol ini berguna untuk memilih citra berjumlah satu yang akan dicoba pada tahap preprocessing.

3. Tombol ini berfungsi untuk memulai percobaan pre processing data.

4. Tombol ini berfungsi untuk memulai prediksi data.

5. Tombol ini berguna untuk mengatur kontras, threshold.

6. Tombol ini berfungsi untuk kembali ke halaman utama.

7. Tombol ini berfungsi untuk keluar dari aplikasi.

8. Text Box ini berfungsi untuk menampilkan notifikasi dari data yang diprediksi.

9. Kotak ini menampilkan data asli citra yang dipilih.

10. Kotak ini menampilkan hasil dari grayscale.

11. Kotak ini menampilkan hasil dari GLCM.

12. Kotak ini menampilkan hasil dari kontras.

2 1

3 4

5

6 7

9 10 11

12 13 14

8

13. Kotak ini menampilkan hasil dari CLAHE.

14. Kotak ini menampilkan hasil dari thresholding.

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini, peneliti mengulas tentang hasil penerapan Evolving Multilayer Perceptron pada proses pengklasifikasian kanker kulit melalui citra nevus pigmentosus dan pengujian sistem sesuai berdasarkan analisis dan perancangan yang telah dibahas pada Bab 3.

4.1. Kebutuhan Aplikasi

Dalam pembentukan aplikasi klasifikasi kanker kulit melalui citra nevus pigmentosus menggunakan Evolving Multilayer Perceptron ini, memerlukan perangkat keras dan lunak sebagai pendukung, yaitu:

4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak

1. Processor Intel® Core™ i7-4700 HQ CPU 2.40GHz.

2. Kapastias Hardisk 100 GB 3. Memori RAM 4.00 GB

4. Sistem Operasi Windows 10 Pro 64-bit 5. Python Versi 3.8.3

6. Library yang digunakan:

a. Pandas 1.2.4 b. Matplotlib 3.4.2 c. Numpy 1.20.3 d. Pillow 8.2.0

e. Scikit-image 0.18.1 7. Microsoft Visual Studio 2017

4.1.2. Implementasi Perancangan Antarmuka

Implementasi antarmuka berdasarkan rancangan sistem yang telah dibahas pada Bab 3, sebagai berikut:

1. Tampilan Awal Aplikasi

Tampilan awal aplikasi ini adalah menu pertama yang akan muncul saat aplikasi dijalankan. Pada tampilan ini, terdapat judul pada bagian atas, lalu logo usu, nama peneliti, nomor induk mahasiswa (nim), dan nama institusi peneliti.

Terdapat empat tombol utama pada tampilan ini yang akan terhubung pada tampilan selanjutnya. Yang pertama tombol “Tambah Data Latih”, yang kedua tombol “Latih Data”, yang ketiga tombol “Lakukan Prediksi” dan yang keempat tombol “Keluar” untuk menutup aplikasi. Tampilan awal dapat dilihat pada gambar 4.1.

Gambar 4.1. Tampilan Awal Aplikasi

2. Tampilan Halaman Tambah Data Latih

Halaman ini bertujuan untuk melakukan penambahan data yang nantinya akan dilatih oleh sistem. Terdapat dua opsi pada proses penambahan data pada database, yaitu Browse File dan Browse Folder. Pada halaman ini juga terdapat tombol pengaturan nilai threshold dan tingkat kontras. Di sebelah kanan threshold dan tingkat kontras, terdapat sebuah kotak teks sebagai penanda apakah data berhasil ditambahkan atau tidak. Lalu pada bagian bawah, terdapat tampilan preprocessing jika data akan diproses satu persatu. Terdapat juga

kolom yang akan menampilkan hasil dari GLCM. Tampilan Halaman ini dapat dilihat pada Gambar 4.2.

Gambar 4.2. Tampilan Halaman Tambah Data 3. Tampilan Halaman Training

Tampilan halaman latih data ini merupakan tampilan untuk melakukan pelatihan data pada klasifikasi kanker kulit dan mengetahui akurasi sistemnya. Pada bagian atas, terdapat pengaturan parameter yaitu aktivasi dan optimasi, lalu pada bagian bawah terdapat kolom untuk melihat hasil pelatihan data memakai confusion matrix. Tampilannya terdapat pada Gambar 4.3.

Gambar 4.3. Tampilan Halaman Training 4. Tampilan Halaman Testing

Tampilan Testing digunakan agar dilakukannya pengujian pada data klasifikasi kanker kulit dengan menggunakan metode Evolving Multilayer Perceptron. Di bagian ini terdapat tombol “Browse File” untuk memasukkan data, pengaturan

tingkat kotras dan threshold, kotak teks sebagai tempat hasil prediksi dan kolom preprocessing untuk melihat hasil dari preprocessing gambar dan terakhir kolom untuk menampilkan hasil dari GLCM. Tampilan halaman testing ini dapat dilihat pada Gambar 4.4..

Gambar 4.4. Tampilan Halaman Testing 4.1.3. Implementasi Data

Data yang digunakan oleh sistem adalah data citra yang diambil dari Kaggel. Total data yang digunakan pada penelitian ini adalah 162 data untuk tiga kategori kanker kulit (Actinic Keratosis, Karsinoma Sel Basal, dan Melanoma). Rangkuman data tersebut dapat dilihat pada Tabel 4.1.

Tabel 4.1. Data Citra Kanker Kulit Citra Actinic Keratosis

1. 2. 3.

4. 5. 6.

7. 8. 9.

10. 11. 12.

13. 14. 15.

Citra Karsinoma Sel Basal

1. 2. 3.

4. 5. 6.

7. 8. 9.

10. 11. 12.

13. 14. 15.

Citra Melanoma

1. 2. 3.

4. 5. 6.

7. 8. 9.

10. 11. 12.

13. 14. 15.

4.2. Prosedur Operasional

Pada sistem klasifikasi kanker kulit ini, terdapat 3 halaman utama, yaitu halaman tambah data, latih data, dan prediksi data. Pada halaman tambah data sendiri, terdapat tombol Browse File untuk memasukkan data satu persatu, jika ingin memasukkan data langsung satu folder, terdapat tombol Browse Folder.

Gambar 4.5. Tampilan Tombol Upload Data

Lalu, penulis memasukkan data folder dengan menekan tombol Browse Folder pada Gambar 4.5. dan akan otomatis masuk ke file data yang akan dipilih ke dalam database seperti yang terlihat pada Gambar 4.6. berikut.

Gambar 4.6. Tampilan Upload Data

Folder Data yang akan di proses dimasukkan kedalam folder aplikasi. Lalu setelah memilih folder data yang sesuai, selanjutnya menekan tombol “Select Folder” dan mengatur threshold, setelah itu menekan tombol “Tambah data” pada Gambar 4.5 untuk menambahkan data yang telah dipilih kedalam database hingga menjadi data latih/training.

Gambar 4.7. Tampilan Data Latih dan Pemberitahuan Data Sukses Ditambahkan

Jika memilih hanya satu daya pada tombol “Browse File” yang terdapat di Gambar 4.5, data yang dimasukkan dapat diproses langsung hingga menampilkan citra yang sesuai.

Kemudian data yang sudah dimasukkan kedalam database akan diproses pada halaman

“Latih Data” pada Gambar 4.3. Berikutnya, setelah menyesuaikan aktivasi dan optimasi apa yang akan dipilih, tekan tombol “Latih Data” maka akan dihitung akurasinya menggunakan Confusion Matrix fan Confusion Matrix Summary dari ketiga kategori yang dimasukkan kedalam database.

Gambar 4.8. Tampilan Button Latih Data

Berikutnya adalah Proses Prediksi Data. Pilih button Browse File seperti pada Gambar 4.9 berikut untuk memilih citra yang akan diuji pada halaman “Prediksi Data”, Sistem hanya akan memproses satu data pada satu waktu.

Gambar 4.9. Tampilan Botton Browse File

Lalu, penulis akan memasukkan tingkat kontras dan thresholding yang sama dengan yang penulis masukkan di awal saat memasukkan data, setelah itu, tekan tombol “Proses Data”. Data akan tampil pada kotak yang sesuai dengan prosesnya, seperti pada Gambar 4.10 berikut.

Gambar 4.10. Tampilan Citra Yang Diproses

Setelah citra diproses, citra akan selanjutnya diidentifikasikan melalui tombol

“Prediksi Data” dan hasilnya akan ditampilkan pada Text Box yang ada di samping kanan atas pada Gambar 4.10.

Gambar 4.11. Tampilan Hasil Klasifikasi

4.3. Hasil Pengolahan Citra

Pada tahap ini, penulis akan menjelaskan hasil perolehan dari tahap pengolahan citra.

Hasil ini terdiri dari gambar asli, grayscale, CLAHE dan thresholding. Hasil dapat dilihat pada Table 4.2.

Tabel 4.2. Hasil Pengolahan Citra

No. Citra Grayscale CLAHE Thresholding

4.4. Pengujian Sistem

Tahap ini menjelaskan tentang pengujian yang dilakukan dengan sistem dan data.

Pengujian dilakukan pada data citra kanker kulit yang berjumlah total 161 dengan 120 data training, dimana data training tersebut dibagi menjadi 3 kelompok, yaitu 60 data training untuk Artinic Keratosis, 60 data training untuk Karsinoma Sel Basal, dan 60 data training untuk Melanoma dan data testing yang dipakai sebanyak 42 data testing, dimana masing-masing kelompok mempunyai 14 data testing.

Parameter yang penulis gunakan pada pengujian ini adalah nilai Learning Rate = 0.001, 0.01, dan 0.1, nilai EPOCH sebayak 100 dan 200, hidden layer = 20, 50 dan 100, Batch size = 5, 10, dan 20, activation dan optimation. Dari hasil pengujian yang penulis lakukan, didapatkan parameter terbaik untuk aktivasi dan optimasi = TANH dan ADAM, dengan learning rate = 0.1 dan EPOCH = 100 dan Binary Threshold = 150, hidden layer = 50 dan batch = 5.

Berdasarkan parameter yang digunakan diatas, hasil uji sistem dapat dilihat pada Tabel 4.3. AK sebagai Artinic Keratosis, dan Ks. Basal sebagai Karsinoma Sel Basal.

Tabel 4.3 Hasil Dari Pengujian Sistem

No. Citra Nama Citra Output Hasil

1 AK AK Berhasil

2 AK AK Berhasil

3 AK AK Berhasil

4 AK AK Berhasil

5 AK AK Berhasil

6 AK AK Berhasil

7 AK AK Berhasil

8 AK Ks. Basal Gagal

9 AK AK Berhasil

10 AK AK Berhasil

11 AK AK Berhasil

12 AK AK Berhasil

13 AK AK Berhasil

14 AK AK Berhasil

15 Ks. Basal Actinic Keratosis Gagal

16 Ks. Basal Ks. Basal Berhasil

17 Ks. Basal Melanoma Gagal

18 Ks. Basal Ks. Basal Berhasil

19 Ks. Basal Ks. Basal Berhasil

20 Ks. Basal Ks. Basal Berhasil

21 Ks. Basal Ks. Basal Berhasil

22 Ks. Basal Ks. Basal Berhasil

23 Ks. Basal Ks. Basal Berhasil

24 Ks. Basal Ks. Basal Berhasil

25 Ks. Basal Ks. Basal Berhasil

26 Ks. Basal Ks. Basal Berhasil

27 Ks. Basal Actinic Keratosis Gagal

28 Ks. Basal Ks. Basal Berhasil

29 Melanoma Melanoma Berhasil

30 Melanoma Melanoma Berhasil

31 Melanoma Melanoma Berhasil

32 Melanoma Melanoma Berhasil

33 Melanoma Melanoma Berhasil

34 Melanoma Melanoma Berhasil

35 Melanoma Melanoma Berhasil

36 Melanoma Melanoma Berhasil

37 Melanoma Melanoma Berhasil

38 Melanoma Melanoma Berhasil

39 Melanoma Melanoma Berhasil

40 Melanoma Melanoma Berhasil

41 Melanoma Melanoma Berhasil

42 Melanoma Ks. Basal Gagal

Berdasarkan hasil pengujian, diperoleh nilai confussion matrix sebagai berikut.

Gambar 4.12. Confusion Matrix

Precision Recall F1-score Support

AK 0,87 0,93 0,90 14

Ks. Basal 0,85 0,79 0,81 14

Melanoma 0,93 0,93 0,93 14

Tabel 4.4. Confusion Matrix

Dengan perhitungan matematis dari Confusion Matrixnya adalah sebagai berikut:

Precision = ^{𝑇𝑃 𝐴𝐾}

Berdasarkan hasil testing diatas, sistem klasifikasi kanker kulit berdasarkan citra nevus pigmentosus menggunakan metode E volving Multilayer Perceptron diperoleh akurasi 88%.

Persentase Akurasi = 𝑻𝑷 𝑨𝑲+𝑻𝑷 𝑲𝒔.𝑩𝒂𝒔𝒂𝒍+𝑻𝑷 𝑴𝒆𝒍𝒂𝒏𝒐𝒎𝒂

𝑱𝒖𝒎𝒍𝒂𝒉 𝒄𝒊𝒕𝒓𝒂 𝒕𝒆𝒔𝒕𝒊𝒏𝒈 x 100%

Persentase Akurasi = ³⁷

42 x 100%

= 88.09 % 4.5. Analisis Hasil

Berdasarkan hasil pengukuran akurasi, dapat dinyatakan bahwa sistem klasifikasi kanker kulit dengan menggunakan metode Evolving Multilayer Perceptron mendapatkan hasil akurasi sebesar 88.09%. Dari beberapa metode aktivasi dan optimasi yang penulis lakukan, diketahui bahwa metode TANH (Hyperbolic Tangent) dan ADAM (Adaptive Moment Estimation) adalah metode akticasi dan optimasi paling baik dibanding aktivasi dan optimasi lainnya. Nilai threshold yang digunakan pada penelitian ini adalah 150. Hal ini disebabkan bahwa nilai threshold 150 adalah nilai yang paling tepat dan paling bagus untuk menampilkan ciri-ciri khas pada masing-masing jenis citra kanker kulit.

Gambar 4.13. Citra yang gagal terdeteksi oleh sistem

Salah satu citra yang tidak berhasil terdeteksi oleh sistem dapat dilihat pada Gambar 4.12. Citra tersebut adalah citra kanker kulit berjenis Melanoma yang salah dideteksi oleh sistem sebagai citra kanker kulit berjenis Karsinoma Sel Basal. Hal ini dapat disebabkan karena miripnya citra kanker kulit berjenis melanoma ini dengan karsinoma sel basal, hingga sistem cukup sulit untuk membedakannya, belum lagi tahap proses pengolahan citra yang belum cukup tepat hingga tidak bisa menghapus bagian yang tidak diperlukan dari citra hingga menghasilkan hasil yang khas dan unik.

Perbandingan citra yang gagal terdeteksi dan yang berhasil terdeteksi dapat dilihat pada Tabel 4.4. Kualitas pengambilan citra juga cukup memengaruhi hasil pendeteksian sistem. Seperti angle pengambilan gambar, tingkat keparahan suatu penyakit tersebut, pada beberapa citra, bintik-bintik hitam masih terlihat samar, dan objek lain yang bukan termasuk citra kanker kulit, seperti bulu-bulu halus.

Terdeteksi Benar Gagal Terdeteksi

Tabel 4.5. Perbandingan dari citra yang berhasil terdeteksi dan tidak

Pada tahap Prediksi Data, sistem memerlukan waktu sekitar 5 menit untuk masing-masing jenis kanker kulit, hal ini termasuk lambat untuk sebuah sistem klasifikasi yang biasanya hanya memerlukan waktu sekitar satu hingga 3 menit untuk mendekteksi citra, tergantung pada banyaknya jumlah citra yang dipakai. Hal tersebut diakibatkan

Dalam dokumen KLASIFIKASI JENIS KANKER KULIT BERDASARKAN CITRA NEVUS PIGMENTOSUS MENGGUNAKAN METODE EVOLVING MULTILAYER PERCEPTRON SKRIPSI (Halaman 40-0)