BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.7 Perancangan Sistem
3.7.1 Tampilan Sistem Klasifikasi Penyakit Appendicitis
Tampilan ini merupakan tampilan utama sistem untuk training dan juga untuk testing aplikasi. Terdapat beberapa pemrosesan pada halaman ini. Perancangan tampilan tersebut dicantumkan pada Gambar 3.8.
Gambar 3.7. Perancangan Sistem Keterangan:
A. Pada bagian ini digunakan untuk mengupload citra sebagai data training, yaitu:
acute, chronic dan normal.
B. Pada bagian ini digunakan untuk mengatur jumlah EPOCH, Learning rate, Hidden note sebelum data akan dilatih.
C. Pada bagian ini digunakan untuk memproses data training dengan tujuan untuk menyamakan tinggi dan lebar (scaling), serta pre-processing lainnya.
UNIVERSITAS SUMATERA UTARA
D. Pada bagian ini terdapat button ‘Pilih Citra Testing’ digunakan untuk memilih citra sebagai data testing. Selanjutnya terdapat button ‘Image Adjusment’
digunakan untuk menampilkan citra testing yang telah diproses (grayscale).
Dilanjutkan dengan button ‘Otsu Thresholding’ yang akan menampilkan citra data testing yang telah di proses. Kemudian yang terakhir button ‘Test’
digunakan untuk mengindentifikasi penyakit serta menampilkan hasil ekstraksi ciri citra.
E. Pada bagian ini terdapat hasil dari proses citra testing, dari citra asli, citra hasil image adjustment, serta hasil otsu tresholding.
F. Pada bagian ini melampirkan hasil dari klasifikasi penyakit.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan mengkaji hasil dari penerapan metode extreme learning machine pada pengklasifikasian penyakit appendicitis berdasarkan foto ct-scan paru-paru manusia juga percobaan sistem berdasarkan kajian data dan penyusunan seperti uraian pada Bab 3.
4.1. Kebutuhan Sistem
Dalam perancangan klasifikasi penyakit appendicitis berdasarkan foto ct-scan usus manusia menggunakan metode extreme learning machine membutuhkan hardware serta software penunjang berikut ini:
4.1.1 Perangkat Keras dan Perangkat Lunak
Detail hardware dan software yang dipakai yang digunakan dalam membangun sistem ini adalah :
1. Processor Intel® Core™ i5-6200U CPU @ 2.30GHz.
2. Kapasitas hard disk 1,00TB.
3. RAM yang digunakan 4,00 GB.
4. Sistem operasi yang digunakan Windows 10 pro 64-bit.
5. Microsoft Visual Studio 2017.
4.1.2. Implementasi Perancangan Antarmuka
Kajian penyusunan interface berlandaskan rancangan sistem yang telah diuraikan dalam Bab 3 berikut ini:
UNIVERSITAS SUMATERA UTARA
1. Tampilan Awal Aplikasi
Tampilan awal aplikasi adalah halaman depan yang awal mula tampak saat sistem berjalan. Tampilan awal seperti pada Gambar 4.1.
Gambar 4.1. Tampilan Awal Sistem
2. Tampilan Utama Sistem
Halaman utama sistem adalah halaman untuk mengklasifikasi penyakit appendicitis dengan proses pelatihan dan pengujian ct-scan bagian usus menggunakan extreme learning machine. Tampilan tersebut terdapat pada Gambar 4.2.
Gambar 4.2. Tampilan Utama Sistem.
4.1.3. Implementasi Data
Data yang di-input kedalam sistem merupakan foto ct-scan (sumber:
radiopaedia.org). Data tersebut dikategorikan menjadi 3 antara lain acute, chronic, normal. Berikut ini adalah ringkasan data yang digunakan sebagai data training dapat dilihat pada gambar 4.3, 4.4, 4.5.
Gambar 4.3. Appendicitis Acute
Pada gambar 4.3 merupakan seluruh data set pada klasifikasi Appendicitis Acute yang akan menjadi data training pada penelitian kali ini yang mampu menjadi faktor pembanding untuk akurasi yang lebih baik.
UNIVERSITAS SUMATERA UTARA
Gambar 4.4. Appendicitis Chronic
Pada gambar 4.4 merupakan seluruh data set pada klasifikasi Appendicitis Chronic yang akan menjadi data training pada penelitian kali ini yang mampu menjadi faktor pembanding untuk akurasi yang lebih baik.
Gambar 4.5. Appendixs Normal
Pada gambar 4.5 merupakan seluruh data set pada klasifikasi Appendix Normal yang akan menjadi data training pada penelitian kali ini yang mampu menjadi faktor pembanding untuk akurasi yang lebih baik.
UNIVERSITAS SUMATERA UTARA
4.2. Prosedur Operasional
Tampilan utama sistem terdiri dari data sampel, testing, parameter dan result seperti gambar 4.2. Untuk melakukan proses data yang ingin ditraining dapat diinput melalui menu ‘Data Latih’. terdapat 3 button yaitu data akut, data kronis dan data normal.
Tampilan upload citra dapat dilihat pada gambar 4.6.
Gambar 4.6. Tampilan Upload Citra
Pada data sampel terdapat beberapa button yang dinamai sesuai nama penyakit appendicitis. Sebelum citra di training, ada beberapa pengaturan yang dapat disesuaikan. Pixel gambar dapat diatur sesuai dengan kebutuhan. Pada bagian parameter neural network juga dapat disesuaikan sehingga menghasilkan akurasi yang baik. Lama waktu training dapat dilihat pada bagian waktu proses. Tampilan gambar dapat dilihat pada gambar 4.7.
Gambar 4.7.Tampilan parameter dan waktu proses
Setelah Data di training, Masukkan data yang ingin diuji. Dengan cara, pilih button ‘Pilih Citra Testing’ yang terdapat pada bagian ‘Testing’. Kemudian pilih salah satu image yang nantinya di uji coba. Citra yang dipilih akan muncul di aplikasi.
Tampilan gambar dibawah ini (Gambar 4.8).
Gambar 4.8. Tampilan Uji Citra
Kemudian citra akan diolah menjadi citra grayscale. Dengan cara pilih button
‘Image Adjustment’. Kemudian proses thresholding menggunakan otsu-thresholding, Tampilan gambar akan ditunjukkan pada gambar 4.9.
UNIVERSITAS SUMATERA UTARA
Gambar 4.9. Tampilan Pengolahan citra
Gambar yang telah diproses akan diketahui hasilnya dengan cara pilih button
“Test” maka akan menghasilkan klasifikasi jenis penyakit appendicits apa yang terdiagnosa oleh sistem dan tampilan hasil ekstraksi citra. Tampilan ini akan ditunjukkan pada gambar 4.10.
Gambar 4.10. Tampilan Output Sistem
Tombol Hapus Data digunakan untuk mengembalikan proses kerja aplikasi diawal.
4.3. Pengujian Sistem
Dalam tahap ini nantinya dilaksanakan percobaan atas data dan juga sistem. Pengujian sistem dilakukan agar memehami kapasitas sistem yang dibangun. Kemampuan sistem ini bergantung pada proses pelatihan sistem (data training). Parameter yang digunakan hanya satu yaitu nilai ciri dari bentuk penyakit appendicits itu sendiri.
Pengujian sistem ini menggunakan data testing yaitu: 10 citra acute, 10 citra chronic dan 10 citra normal dengan menggunakan data training yaitu: 25 citra acute, 25 citra chronic, 25 citra normal.
Pengujian dilakukan dengan nilai EPOCH = 1000, Learning Rate = 0,2 dan Hidden node yang berbeda-beda, dimulai dari 10, 30, 50, 70 dan 90. Hasil dari pengujian dicantumkan Gambar 4.11. berdasarkan hasil pada masing-masing proses pengujian dengan nilai Hidden node yang berbeda-beda, maka akan diperoleh nilai Hidden node yang mampu melakukan klasifikasi penyakit appendicitis dengan tingkat
akurasi yang tinggi………...
Gambar 4.11. Grafik Hasil Pengujian
Berdasarkan hasil percobaan seperti yang ditunsjukkan pada Gambar 4.11.
semakin kecil nilai Hidden node maka akurasi yang didapatkan juga cukup rendah Sedangkan makin besar nilai Hidden node maka tingkat ketepatan akan makin tinggi sampai batas Hidden Node di angka 30 ≤ 50. Data hasil pengujian dicantumkan dibawah ini pada tabel 4.1.
76.67%
Tabel 4.1. Data Hasil Pengujian No Citra Testing Klasifikasi
Penyakit
Hasil Klasifikasi Berdasarkan Jumlah Hidden Neuron
10 30 50 70 90
1. Acute ACT ACT ACT ACT ACT
2. Acute ACT ACT ACT ACT ACT
3. Acute ACT ACT ACT ACT ACT
4. Acute NRL ACT ACT ACT ACT
5. Acute ACT ACT ACT ACT ACT
6. Acute ACT ACT ACT ACT ACT
Tabel 4.1. Data Hasil Pengujian (lanjutan)
7. Acute NRL ACT ACT ACT ACT
8. Acute NRL CHR CHR CHR CHR
9. Acute ACT ACT ACT ACT ACT
10. Acute ACT ACT ACT CHR ACT
11. Chronic CHR CHR CHR CHR CHR
12. Chronic NRL CHR CHR CHR CHR
UNIVERSITAS SUMATERA UTARA
Tabel 4.1. Data Hasil Pengujian (lanjutan)
13. Chronic CHR CHR CHR CHR CHR
14 Chronic CHR CHR CHR CHR CHR
15. Chronic CHR CHR CHR CHR CHR
16. Chronic CHR CHR CHR CHR CHR
17. Chronic CHR CHR CHR CHR CHR
18. Chronic NRL CHR CHR CHR CHR
Tabel 4.1. Data Hasil Pengujian (lanjutan)
19. Chronic NRL CHR CHR NRL NRL
20. Chronic CHR CHR CHR CHR CHR
21. Normal NRL NRL NRL NRL NRL
22. Normal NRL NRL NRL NRL NRL
23. Normal NRL NRL NRL NRL NRL
24. Normal CHR NRL NRL NRL NRL
UNIVERSITAS SUMATERA UTARA
Tabel 4.1. Data Hasil Pengujian (lanjutan)
25. Normal NRL NRL NRL NRL NRL
26. Normal NRL NRL NRL NRL NRL
27. Normal NRL NRL NRL NRL NRL
28. Normal NRL NRL NRL NRL NRL
29. Normal NRL NRL NRL NRL NRL
30. Normal NRL NRL NRL NRL NRL
Berdasarkan data uji pada tabel 4.1, dapat dihitung nilai akurasi aplikasi dengan persamaan :
𝑷𝒆𝒓𝒔𝒆𝒏𝒕𝒂𝒔𝒆 𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝑱𝒖𝒎𝒍𝒂𝒉 𝒄𝒊𝒕𝒓𝒂 𝒅𝒂𝒕𝒂 𝒖𝒋𝒊 𝒃𝒆𝒏𝒂𝒓
𝒋𝒖𝒎𝒍𝒂𝒉 𝒌𝒆𝒔𝒆𝒍𝒖𝒓𝒖𝒉𝒂𝒏 𝒄𝒊𝒕𝒓𝒂 𝒅𝒂𝒕𝒂 𝒖𝒋𝒊× 𝟏𝟎𝟎%
1. Hidden Neuron 10 pada pengujian menghasilkan persentasi sebagai berikut:
𝑷𝒆𝒓𝒔𝒆𝒏𝒕𝒂𝒔𝒆 𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝟐𝟑
𝟑𝟎× 𝟏𝟎𝟎%
= 𝟕𝟔, 𝟔𝟔𝟔𝟔𝟔𝟔𝟕%
2. Hidden Neuron 30 pada pengujian menghasilkan persentasi sebagai berikut:
𝑷𝒆𝒓𝒔𝒆𝒏𝒕𝒂𝒔𝒆 𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝟐𝟗
𝟑𝟎× 𝟏𝟎𝟎%
= 𝟗𝟔, 𝟔𝟔𝟔𝟔𝟔𝟔𝟕%
3. Hidden Neuron 50 pada pengujian menghasilkan persentasi sebagai berikut:
𝑷𝒆𝒓𝒔𝒆𝒏𝒕𝒂𝒔𝒆 𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝟐𝟗
𝟑𝟎× 𝟏𝟎𝟎%
= 𝟗𝟔, 𝟔𝟔𝟔𝟔𝟔𝟔𝟕%
4. Hidden Neuron 70 pada pengujian menghasilkan persentasi sebagai berikut:
𝑷𝒆𝒓𝒔𝒆𝒏𝒕𝒂𝒔𝒆 𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝟐𝟕
𝟑𝟎× 𝟏𝟎𝟎%
= 𝟗𝟎%
5. Hidden Neuron 90 pada pengujian menghasilkan persentasi sebagai berikut:
𝑷𝒆𝒓𝒔𝒆𝒏𝒕𝒂𝒔𝒆 𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝟐𝟖
𝟑𝟎× 𝟏𝟎𝟎%
= 𝟗𝟑, 𝟑𝟑𝟑𝟑𝟑𝟑𝟑%
UNIVERSITAS SUMATERA UTARA
Gambar 4.12. Grafik Citra Benar dan Salah
Berdasarkan tabel 4.1. dan perhitungan akurasi dapat disimpulkan bawah akurasi terbaik yang dihasilkan menggunakan Hidden Node 30 dan 50 dengan 96,67% , namun faktor pembeda keduanya adalah Hidden Node 30 mampu melatih data dengan memakan waktu yang cukup singkat yaitu 2 Menit 32 Detik (0:02:32) dibandingkan Hidden Node 50 dengan 4 Menit 9 Detik (0:04:09).
23
29
29
27
28
7
1 1 3
0 2 5 10 15 20 25 30 35
Hidden Node 10 Hidden Node 30 Hidden Node 50 Hidden Node 70 Hidden Node 90
Grafik Citra Benar dan Salah
Citra Benar Citra Salah
BAB 5
KESIMPULAN DAN SARAN
Bab ini mengkaji kesimpulan atas metode yang sudah dipakai dalam mengklasifikasi penyakit appendicitis di bagian 5.1 serta saran-saran yang diperlukan untuk pengembangan penelitian selanjutnya di bagian 5.2.
5.1 Kesimpulan
Kesimpuan berlandaskan hasil pengujian sistem klasifikasi penyakit appencitis dengan menggunakan Extreme Learning Machine antara lain :
1. Metode Extreme Learning Machine (ELM) mampu melakukan klasifikasi penyakit appendicits melalui citra ct-scan dengan baik. Sehingga hasil dari proses klasifikasi penyakit appendicitis melalui citra ct-scan bagian usus memiliki tingkat akurasi 96,66%.
2. Hidden Node sangat mempengaruhi akurasi. Setelah melalui beberapa pengujian, relative stabil pada hasil akurasi untuk Hidden node di angka 30.
Adapun nilai Hidden node = 30 merupakan parameter yang baik untuk mengklasifikasi penyakit appendicitis dengan menggunakan Extreme Learning Machine.
3. Hidden Node di angka 30 menjadi nilai terefisien dalam melatih data.
UNIVERSITAS SUMATERA UTARA
5.2 Saran
Berikut saran demi pengembangan serta peningkatan penelitian dimasa yang akan datang antara lain:
1. Pengembangan yang diperluakan dengan menggunakan metode ekstraksi ciri yang baik dan sesuai sehingga nilai ciri dari citra akan diperoleh lebih baik lagi.
2. Menggunakan pengolahan citra yang lebih baik agar pola usus buntu terlihat dengan jelas.
3. Penggunaan data citra yang lebih banyak agar dapat mengenali variasi data citra yang bertujuan menigkatkan tingkat akurasi yang lebih baik lagi.
4. Diharapkan sistem yang dibangun kedepan mampu membaca file ct scan yang mempunyai banyak layer tanpa harus di pilih
5. Menggunakan metode neural network lainnya dengan menggunakan data penelitian yang sama agar dapat membandingkannya metode Extreme Learning machine.
DAFTAR PUSTAKA
Agrawal, C.S. et al. 2008. Role of Serum C-Reactive Protein and Leukocyte Count in the Diagnosis of Acute Appendicitis in Nepalese Population. Nepal Med Coll J, January, 11.
Agustina, Irwin Dwi, Wiwik Anggraeni, dan Ahmad Mukhlason. 2010. “Penerapan Metode Extreme Learning Machine untuk peramalan permintaan. Institut Teknologi Sepuluh Nopember”. Surabaya.
Alqorni, Quwais. 2014. “Aplikasi Android Sistem Pakar Guna Mendiagnosa Penyakit Usus Pada Manusia Menggunakan Metode Certainty Factor”. Universitas Dian Nuswantoro, Semarang
Arif, Mansjoer. 2010. “Kapita Selekta Kedokteran, Edisi 4”. Jakarta : Media Aesculapius FKUI.
Awcock, G.W. 1996. “Applied Image Processing”. McGraw-Hill Book. Singapore.
Depkes RI. 2009. Profil Kesehatan Indonesia. Retrieved April 14, 2014, From http://www.depkes.go.id/downloads/profil_kesehatan_2009/index.html
Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K. 2006. Extreme learning machine : theory and applications. Int. J. of Neurocomputing 70(2006): 489-501.
Junifer, Jefri. 2016. “Mendiagnosis Penyakit Diabetes Melitus Dengan Menggunakan Metode Extreme Learning Machine”. Jurnal ISD. Vol. 2 No. 2.
Liantoni, Febri., Laili, Cahyani. 2017. “Pemanfaatan Therarchical Clustering Untuk Pengelompokan Daun Berdasarkan Fitur Moment Invariant”. Jurnal Ilmiah Edutic. Vol. 3, No. 2. Institut Teknologi Adhi Tama Surabaya.
Malepati, Hazarathaiah. 2010. “Digital Media Processing: DSP Algorithms Using C”.
Newnes.
UNIVERSITAS SUMATERA UTARA
Mohri, Mehryar, Afshin Rostamizadeh, Ameet Talwalkar. 2012. “Foundations of Machine Learning”. Cambridge: MIT Press.
Negnevitsky, Michael. 2005. “Artificial Intelligence a Guide to Intelligent Systems, Second Edition”. Addison Wesley..
Nixon, Mark S, Alberto S. Aguado. 2002. “Feature Extraction & Image Processing”.
Newnes.
Nugroho, Fikhi., Cholissodin, Imam., Suprapto. 2018. “Implementasi Extreme Learning Machine Untuk Deteksi Dini Infeksi Menular Seks (IMS) Pada Puskesmas Dinoyo Kota Malang”. Universitas Brawijaya
Price SA, Wilson, Lorraine M. 2005. “Patofisiologi Konsep Klinis Proses-Proses Penyakit Edisi 6”. Jakarta : EGC.
Putra, D. 2004. “Binerisasi Citra Tangan Dengan Metode Otsu”. Fakultas Teknik, Universitas Udayana.
Rukmono. 2011. “Kumpulan Kuliah Patologi”. Fakultas Kedokteran Universitas Indonesia. Jakarta.
Rull, G. 2011. Acute Appendicitis. Retrieved May 10, 2014, from http://www.patient.co.uk/doctor/Acute-Appendicitis.htm
Safinaz, S. 2014. An Efficient Algorithm for Image Scaling with High Boost Filtering.
International Journal of Scientific and Research Publications. Volume 4, Issue 5.
Sianto, Andry. 2012. “Sistem Pendeteksi Penyakit Usus Buntu Dengan Analisa Foto Lidah”. Sekolah Tinggi. Manajemen Informatika & Teknik Komputer.
Surabaya.
Sjamsuhidajat , D. J. 2010. Buku Ajar Ilmu Bedah ( 3rd ed) . R.Sjamsyhidajat. et al.
(Ed.), 755-761. Jakarta: EGC.
Smeltzer, Suzzanne C, Brenda GB. 2005. “Keperawatan Medikal-Bedah. Edisi 8”.
Jakarta : EGC.
Srimuang, W. & Intarasothonchun, S. 2015. Classification Model of Network Intrusion using Weighted Extreme Learning Machine. International Joint Conference on Computer Science and Software Engineering (JCSSE), Volume 12.
Sun, Z. L., Choi, T. M., Au, K. F. & Yu, Y. 2008. “Sales Forecasting Using Extreme Learning Machine with Applications in Fashion Retailing. Dicision Support System, Agust.pp.
Sunyoto, Andi. 2013. “Analisa Metode Moment Invariant Untuk Mendeteksi Obyek Yang Telah Mengalami Transformasi”. Jurnal Dasi. Vol. 14, No. 1. STMIK AMIKOM. Yogyakarta.
Sutoyo T, Mulyanto E, Suhartono V. 2009. “Teori Pengolahan Citra Digital”. Penerbit Andi. Yogyakarta.
UNIVERSITAS SUMATERA UTARA