Oleh:
Nama : Yohanes Tanjung Sarwono NIM : 04.41010.0005
Program : S1 (Strata Satu) Jurusan : Sistem Informasi
SEKOLAH TINGGI
MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA
i
Kemajuan dalam bidang teknologi dan informasi bertujuan untuk membantu pencapaian kebutuhan manusia di mana ruang dan waktu tidak lagi menjadi halangan dalam memberikan informasi. Sistem komputer pada saat ini berkembang hingga memiliki kemampuan dapat berpikir mendekati analisa manusia. Artificial Intelligence atau disebut dengan kecerdasan buatan bertujuan memberikan kemampuan kepada sistem komputer secara umum agar dapat membantu manusia dalam pengambilan keputusan.
Pattern Recognition atau pengenalan pola merupakan salah satu bidang dari computer vision di mana sebuah mesin memiliki kecerdasan buatan dengan diberi kemampuan agar dapat memiliki penglihatan layaknya manusia. Pengenalan pola digunakan untuk membedakan objek yang satu dengan yang lainnya. Dalam topik yang diambil oleh penulis, pengenalan pola digunakan untuk membedakan antara citra atau gambar otak normal dengan otak stroke infark. Citra otak sebagai inputan akan diperbaiki melalui teknik pengolahan citra digital. Hasil dari pengolahan citra ini akan digunakan sebagai data training pada proses pengenalan pola dengan menghitung nilai eigen. Kemudian sebuah citra uji akan ditentukan melalui sistem lebih mendekati pola yang mana dari data training.
iv
ABSTRAKSI ... i
KATA PENGANTAR ... ii
DAFTAR ISI ... iv
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vii
DAFTAR LAMPIRAN ... x
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Perumusan Masalah ... 3
1.3 Pembatasan Masalah ... 3
1.4 Tujuan ... 4
1.5 Sistematika Penulisan ... 4
BAB II LANDASAN TEORI ... 6
2.1 Stroke Infark ... 6
2.2 Magnetic Resonance Imaging (MRI) ... 7
2.3 Pengenalan Pola ... 11
2.4 Pengolahan Citra ... 17
2.5 Analisis Komponen Utama ... 21
2.6 Algoritma Eigen Image ... 22
2.7 Sistem Persamaan Linear ... 27
v
3.2 Prosedur Penelitian... 29
3.3 Pengolahan Citra Digital ... 30
3.4 Algoritma Eigen Image dengan PCA ... 32
3.5 Algoritma Uji Coba Aplikasi ... 36
3.6 Desain Input dan Output ... 39
BAB IV IMPLEMENTASI DAN UJI COBA ... 49
4.1 Kebutuhan Sistem ... 49
4.2 Implementasi Input dan Output ... 50
4.3 Uji Coba Aplikasi... 59
BAB V PENUTUP ... 79
5.1 Kesimpulan ... 79
5.2 Saran ... 79
DAFTAR PUSTAKA ... 81
1 1.1 Latar Belakang Masalah
Di negara-negara industri penyakit stroke menduduki peringkat ketiga penyebab kematian setelah penyakit jantung dan kanker. Di Indonesia, diperkirakan setiap tahun terjadi 500.000 penduduk terkena serangan stroke, dan sekitar 25% atau 125.000 orang meninggal dan sisanya mengalami cacat ringan atau berat. Di Indonesia stroke menempati urutan pertama sebagai penyebab kematian di rumah sakit.
Stroke adalah serangan mendadak pada otak akibat pembuluh otak tersumbat atau pecah. Biasanya kondisi ini akan diikuti dengan gejala seperti nyeri kepala hebat, penurunan kesadaran dan kejang mendadak. Juga terjadi gangguan daya ingat, keseimbangan dan gangguan orientasi tempat, waktu dan orang. Penyebab stroke dikelompokkan menjadi 2 faktor, yaitu faktor medis dan perilaku. Faktor resiko medis, antara lain hipertensi (penyakit tekanan darah tinggi), kolesterol, Arteriosklerosis (pengerasan pembuluh darah), gangguan jantung, diabetes, riwayat stroke dalam keluarga, migrain. Faktor yang kedua adalah faktor resiko perilaku, antara lain merokok (aktif & pasif), makanan tidak sehat (junk food, fast food), alkohol, kurang olahraga, kontrasepsi oral, narkoba, obesitas.
otak tersumbat. Sumbatan ini terjadi akibat lepasnya bekuan yang berasal dari lokasi lain. Sedangkan stroke hemoragik adalah pecahnya pembuluh darah akibat dinding pembuluh rapuh atau anomali-anomali bawaan pada usia muda.
(Yayasan Stroke Indonesia, 2009)
Pendeteksian dan diagnosa kelainan pada otak dilakukan oleh para radiolog dan dokter ahli. Peralatan radiologi yang berfungsi untuk mendeteksi penyekit otak salah satunya adalah Magnetik Resonance Imaging (MRI). Menurut Notosiswoyo (2004) MRI menggunakan prinsip elektromagnetik yang akan menghasilkan image tubuh kita. MRI berkaitan dengan radio frekuensi dan medan magnet yang dapat menghasilkan suatu citra (image) tanpa memakai radiasi ionisasi.
Pemeriksaan gambar kelainan otak hasil MRI ini memerlukan ketelitian dan ketepatan. Lagi pula otak organ tubuh yang letaknya tersembunyi sehingga sulit dideteksi dengan mata telanjang. Untuk membantu dokter dalam mendeteksi penyakit infark dari gambar MRI dalam tugas akhir ini dikembangkan pendeteksian infark dengan menggunakan Pengenalan Pola Eigen Image.
Eigen Image merupakan salah satu algoritma pengenalan gambar yang didasarkan Principal Component Analysis (PCA) yang dikembangkan MIT. PCA adalah teknik statistik untuk menyederhanakan kumpulan data banyak dimensi menjadi dimensi yang lebih rendah.
memberikan output yang sesuai sebagai solusi untuk membantu dokter dalam memberikan diagnosa pasien.
1.2Perumusan Masalah
Berdasarkan latar belakang yang telah diuraikan diatas, diperoleh rumusan permasalahan sebagai berikut:
1. Bagaimana mengaplikasikan metode pengolahan citra gambar pada hasil rekaman MRI sehingga diperoleh pola data antara otak normal dan kelainan otak khususnya stroke infark.
2. Bagaimana mengimplementasikan algoritma pengenalan pola dengan Eigen Image yang mampu mendeteksi kelainan otak khususnya stroke infark. 3. Bagaimana melakukan uji coba untuk pendeteksian citra kelainan otak stroke
infark.
1.3Pembatasan Masalah
Dalam sistem ini, agar tidak menyimpang dari tujuan yang akan dicapai maka pembahasan masalah dibatasi pada hal-hal sebagai berikut:
1. Sistem terdapat login sebelum user yang berhak dapat masuk ke dalam aplikasi.
2. Sistem dikembangkan dengan menggunakan bahasa pemrograman Visual Basic 6 dan database Microsoft Access 2003.
4. Pada aplikasi terdapat fitur untuk pengolahan citra gambar dengan inputan berupa file gambar dengan format BMP, JPG atau GIF.
5. Data normalisasi hasil pengolahan citra gambar disimpan dalam bentuk file teks.
6. Aplikasi ini berbasis desktop dan berjalan pada sistem operasi Windows. 7. Aplikasi tidak menangani sistem informasi perusahaan medis atau rekam
medis pasien tapi berupa aplikasi model yang merupakan implementasi metode pengenalan pola untuk mendeteksi citra stroke infark.
1.4Tujuan
Sesuai dengan permasalahan yang ada maka terbentuk tujuan dari dibuatnya Aplikasi Model Pengenalan Pola Citra Otak Stroke dengan Algoritma Eigen Image ini adalah:
1. Mendapatkan citra hasil rekaman MRI yang tepat sehingga diperoleh pola kelainan otak khususnya stroke infark.
2. Mengimplementasikan model algoritma pengenalan pola dengan Eigen Image yang mampu mendeteksi kelainan otak khususnya stroke infark.
3. Melakukan testing atau uji coba data citra untuk mendeteksi kelainan otak stroke infark.
1.5Sistematika Penulisan
Sistematika penulisan pada laporan ini adalah sebagai berikut:
BAB I : PENDAHULUAN
serta batasan masalah yang dibuat, tujuan dari pembuatan tugas akhir dan sistematika penulisan buku ini.
BAB II : LANDASAN TEORI
Pada bab ini membahas secara singkat teori-teori yang berhubungan dan mendukung dalam pembuatan tugas akhir ini. Adapun teori-teori yang dibahas meliputi : Stroke Infark, Magnetic Resonance Imaging, Pengenalan Pola, Proses Pengolahan Citra, Principal Component Analysis, Algoritma Eigen Image, Sistem Persanaan Liner, Jacobi Iteration.
BAB III : METODE PENELITIAN
Pada bab ini membahas tentang perancangan aplikasi yang meliputi: model pengembangan, prosedur penelitian, algoritma pengolahan citra digital, algoritma Eigen Image, algoritma testing aplikasi, algoritma uji coba aplikasi dan desain input dan output aplikasi.
BAB IV : IMPLEMENTASI DAN UJI COBA
Pada bab ini membahas tentang implementasi dari aplikasi. Serta melakukan pengujian terhadap aplikasi yang dibuat untuk mengetahui apakah aplikasi telah dapat menyelesaikan permasalahan yang dihadapi sesuai dengan yang diharapkan. BAB V : PENUTUP
6 2.1 Stroke Infark
Stroke infark merupakan salah satu jenis penyakit stroke, yaitu berkurangnya aliran darah ke otak bagian tertentu dari otak yang akhirnya menyebabkan kematian sel otak.
Dari gambar 2.1 hasil MRI dapat terlihat gambar irisan otak baik pada kondisi T1 maupun kondisi T2. Pada irisan otak akan terlihat adanya tulang otak, cairan otak dan organ otak yang bentuknya berliku-liku. Pada kondisi T1 cairan otak berwarna hitam dengan otak berwarna agak keputihan. Namun bila pasien menderita infark, terdapat bagian yang berwarna hitam pada organ otaknya (bukan cairan otak). Hal ini menggambarkan adanya penyumbatan pembuluh darah pada organ otak dan biasanya organ otak sekitarnya menjadi rusak akibat bagian yang dikelilingi bagian yang terkena infark tidak mendapatkan makanan (konsumsi darah). Berkebalikan dengan kondisi T2 di mana cairan otak terlihat berwarna putih dan bagian otak berwarna keabu-abuan (agak gelap).
Gambar 2.2 Contoh Gambar Irisan Otak yang Terkena Infark
(Joesoef, 2004)
2.2 Magnetic Resonance Imaging (MRI)
MRI adalah suatu alat kedokteran di bidang pemeriksaan diagnostik radiologi, yang menghasilkan rekaman gambar potongan penampang tubuh organ manusia dengan menggunakan medan magnet berkekuatan antara tesla (1 tesla = 10000 Gauss) dan resonansi getaran terhadap inti atom hidrogen.
Untuk menghasilkan gambaran MRI dengan kualitas yang optimal sebagai alat diagnostik, maka harus memperhitungkan hal-hal yang berkaitan dengan teknik penggambaran MRI, antara lain :
a. Persiapan pasien serta teknik pemeriksaan pasien yang baik. b. Kontras yang sesuai dengan tujuan pemeriksaanya.
c. Artefak pada gambar, dan cara mengatasinya. d. Tindakan penyelamatan terhadap keadaan darurat.
Selanjutnya MRI bila ditinjau dari tipenya terdiri dari :
a. MRI yang memiliki kerangka terbuka (open gantry) dengan ruang yang luas b. MRI yang memiliki kerangka (gantry) biasa yang berlorong sempit.
Sedangkan MRI bila ditinjau dari kekuatan magnetnya terdiri dari 3 jenis, antara lain:
a. MRI Tesla tinggi ( High Field Tesla ) memiliki kekuatan di atas 1 – 1,5 T. b. MRI Tesla sedang (Medium Field Tesla) memiliki kekuatan 0,5 – T. c. MRI Tesla rendah (Low Field Tesla) memiliki kekuatan di bawah 0,5 T.
Sebaiknya suatu rumah sakit memilih MRI yang memiliki tesla tinggi karena alat tersebut dapat digunakan untuk tehnik Fast Scan yaitu suatu tehnik yang memungkinkan 1 gambar irisan penampang dibuat dalam hitungan detik, sehingga kita dapat membuat banyak irisan penampang yang bervariasi dalam waktu yang sangat singkat. Dengan banyaknya variasi gambar membuat suatu lesi menjadi menjadi lebih spesifik.
Secara garis besar instrumen MRI terdiri dari:
magnet, efek medan magnet, magnet shielding, shimming coil dari pesawat MRI tersebut.
b. Sistem pencitraan berfungsi membentuk citra yang terdiri dari 3 buah kumparan koil, yaitu :
1. Gradien koil X, untuk membuat citra potongan sagital. 2. Gardien koil Y, untuk membuat citra potongan koronal. 3. Gradien koil Z untuk membuat citra potongan aksial .
Bila gradien koil X, Y dan Z bekerja secara bersamaan maka akan terbentuk potongan oblik.
c. Sistem frekuensi radio berfungsi membangkitkan dan memberikan radio frekuensi serta mendeteksi sinyal.
d. Sistem komputer berfungsi untuk membangkitkan urutan pulsa, mengontrol semua komponen alat MRI dan menyimpan memori beberapa citra.
e. Sistem pencetakan citra, berfungsinya untuk mencetak gambar pada film rongent atau untuk menyimpan citra.
Prinsip Dasar MRI
Dalam mempelajari mengenai MRI terdapat prinsip dasar. Struktur atom hidrogen dalam tubuh manusia saat di luar medan magnet mempunyai arah yang acak dan tidak membentuk keseimbangan. Kemudian saat diletakkan dalam alat MRI, maka atom H sejajar dengan arah medan magnet. Demikian juga arah spinning sejajar dengan arah medan magnet. Saat diberikan frekuensi radio, maka atomH mengabsorpsi energi dari frekuensi radio tersebut. Akibatnya dengan bertambahnya energi, atom H mengalami pembelokan, sedangkan besarnya pembelokan arah, dipengaruhi oleh besar dan lamanya energi radio frekuensi yang diberikan. Sewaktu radio frekuensi dihentikan maka atom H akan sejajar kembali dengan arah medan magnet . Pada saat kembali inilah, atom H akan memancarkan energi yang dimilikinya. Kemudian energi yang berupa sinyal tersebut dideteksi dengan detektor yang khusus dan diperkuat. Selanjutnya komputer mengolah dan merekonstruksi citra berdasarkan sinyal yang diperoleh dari berbagai irisan.
Selain menggunakan MRI, citra otak didapat menggunakan Computed Tomography (CT) Scan. Tetapi ada beberapa kelebihan MRI dibandingkan dengan pemeriksaan CT scan yaitu:
a. MRI lebih unggul untuk mendeteksi beberapa kelainan pada jaringan lunak otak, sumsum tulang serta muskuloskeletal.
b. Mampu memberi gambaran detail anatomi dengan lebih jelas.
c. Mampu melakukan pemeriksaan fungsional seperti pemeriksaan difusi, perfusi dan spektroskopi yang tidak dapat dilakukan dengan CT scan.
e. MRI tidak menggunakan radiasi pengion.
(Notosiswoyo, 2004)
2.3 Pengenalan Pola
Pola adalah entitas yang terdefinisi dan dapat diidentifikasi melalui ciri-cirinya (features). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi, contohnya:
Tabel 2.1 Contoh Pola dan Ciri-Cirinya
No Pola Ciri
1 Huruf Tinggi, tebal, titik sudut, lengkungan garis
2 Suara Amplitudo, frekuensi, nada, intonasi, warna nada. 3 Tanda tangan Panjang, kerumitan, tekanan.
4 Sidik jari Lengkungan, jumlah garis
Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek uji. Khusus pada pola yang terdapat di dalam citra, ciri-ciri yang dapat diperoleh berasal dari informasi:
a. Spasisal : intesitas pixel, histogram b. Tepi: arah, kekuatan
c. Kontur: garis, elips, lingkaran
2.3.1 Komponen Sistem Pengenalan Pola Sistem pengenalan pola dasar terdiri dari a. Sensor
Sensor digunakan untuk manangkap objek yang ciri atau fiturnya akan diekstraksi.
b. Mekanisme pre-processing
Mekanisme pengolahan objek yang ditangkap oleh sensor biasanya digunakan untuk mengurangi kompleksitas ciri yang akan dipakai untuk proses klasifikasi.
c. Mekanisme pencari fitur
Bagian ini digunakan untuk mengekstraksi ciri yang telah melalui tahapan preprocessing untuk memisahkannya dari fitur-fitur pada objek yang tidak diperlukan dalam proses klasifikasi.
d. Algoritma pemilah
Pada tahapan ini proses klasifikasi dilakukan dengan menggunakan algoritma klasifikasi tertentu. Hasil dari tahapan ini adalah klasifikasi dari objek yang ditangkap ke dalam kriteria-kriteria yang telah ditentukan.
2.3.2 Fitur
Fitur adalah segala jenis aspek pembeda, kualitas atau karakteristik. Fitur bisa berwujud simbolik (misalnya warna) atau numerik (misalnya tinggi). Kombinasi dari d-buah fitur dinyatakan sebagai vektor kolom dimensi-d dan disebut vektor fitur. Ruang dimensi-d yang dibentuk oleh vektor fitur disebut ruang fitur. Objek dinyatakan sebagai sebuah titik di dalam ruang fitur. Penggambaran demikian disebut sebagai diagram hambur (scatter plot). Kualitas dari vektor fitur dilihat dari kemampuannya membedakan objek yang berasal dari kelas yang berbeda-beda di mana berlaku ketentuan berikut:
a. Objek dalam kelas yang sama harus memiliki nilai vektor fitur yang sama. b. Objek dalam kelas yang berbeda harus memiliki nilai vektor fitur yang
berlainan.
2.3.3 Pola
Pola adalah komposit atau gabungan dari fitur yang merupakan sifat dari sebuah objek. Dalam klasifikasi, pola berupa sepasang variabel (x,ω), di mana: a. x adalah sekumpulan pengamatan atau fitur (vektor fitur).
b. ω adalah konsep di balik pengamatan (label).
2.3.4 Pemilah
2.3.5 Pendekatan Pengenalan Pola
Aplikasi pengenalan pola dapat dibuat dengan beberapa pendekatan. Ada pendekatan yang menggunakan basis statistikal untuk menghasilkan pola. Pendekatan lainnya menggunakan struktur dari pola yang menyediakan informasi fundamental untuk pengenalan pola. Pendekatan yang lain adalah dengan membangun dan melatih suatu arsitektur yang secara akurat mengasosiasikan input pola tertentu dengan respon yang diharapkan. Suatu masalah bisa diselesaikan dengan salah satu atau beberapa pendekatan tersebut.
a. Pendekatan pengenalan pola statistikal (StatPR)
Pengenalan pola statistikal memiliki asumsi suatu baris statistik untuk algoritma klasifikasi. Sekelompok karateristik pengukuran yang menunjukkan fitur diekstraksi dari data input dan digunakan untuk menentukan setiap vektor fitur ke dalam salah satu kelas. Fitur diasumsikan dihasilkan secara natural sehingga model yang bersangkutan adalah suatu state of nature atau kelas-kelas probabilitas atau fungsi kepadatan probabilitas (probablity density function) yang telah dikondisikan. Dengan demikian kesimpulannya adalah sebagai berikut:
1. pola dipilah berdasarkan model statistik dari fitur.
2. model statistik didefinisikan sebagai sebuah keluarga dari fungsi kerapatan peluang bersyarat kelas Pr(x|ci) – peluang vektor fitur x jika diberikan
kelas ci.
b. Pendekatan pengenalan pola sintatik (SyntPR)
2. Pengetahuan direpresentasikan secara formal grammar atau deskripsi relasional (graf).
3. SyntPR dipakai tidak hanya utnuk pemilahan, tetapi juga untuk dekripsi. 4. Biasanya SyntPR memformulasikan deskripsi hierarkis dari pola kompleks
yang tersusun dari pola bagian yang lebih sederhana, c. Pendekatan pengenalan pola neural (NeuroPR)
Pendekatan ini menggunakan metode jaringan syaraf tiruan untuk mengindentifikasi pola. Pendekatan ini dapat dijelaskan sebagai berikut:
1. Pemilahan dilakukan berdasarkan tanggapan suatu neuron jaringan pengolah sinyal (neuron) terhadap stimulus masukan (pola).
2. Pengetahuan disimpan dalam sambungan antar neuron dan kekuatan pempombot sinaptik.
3. NeuroPR dapat dilatih, non-algiritmik, strategi black box.
Gambar 2.5. Ilustrasi 3 Pendekatan Pengenalan Pola
Jangkauan dari aplikasi-aplikasi sistem pengenalan pola cukup beragam, di antaranya:
a. Voice recognition, beberapa sistem rahasia menggunakan pengenalan suara sebagai kunci bagi pengguna sistemnya.
b. Fingerprint identification, sistem pengenalan sidik jari telah dipakai secara luas sebagai pengganti password atau pin untuk mengakses sistem komputer tertentu.
c. Face identification, badan penegak hukum sedang mengembangkan sistem untuk mengidentifikasi para buronan dengan melakukan scanning pada sejumlah besar data wajah para pelaku yang sudah di-databasekan berdasarkan foto pelaku kejahatan tersebut.
e. Optical Character Recognition (OCR). OCR saat ini digunakan secara luas pada took retail untuk meningkatkan produktivitas pada konter pengecekan barang.
f. Robot Vision. Banyak aplikasi robotik menggunakan pengenalan pola untuk mengenali objek tertentu pada lingkungan yang unik.
(Fatta, 2009)
2.4 Pengolahan Citra
Pengolahan citra (image processing) merupakan suatu proses dengan masukan berupa citra dan hasilnya juga berupa citra. Pengolahan citra ini bertujuan untuk memperbaiki kualitas citra, dimana citra yang dihasilkan dapat memberikan informasi secara jelas dan informasi ciri citra tersebut sudah berupa numerik. Adapun tahap-tahap dalam pengolahan citra adalah sebagai berikut:
2.4.1 Grayscale
Gray = R + G + B 3
( 2.1 )
Dimana :
R : Tingkat intensivitas warna merah G : Tingkat intensivitas warna hijau B : Tingkat intensivitas warna biru
Secara digital suatu greyscale dapat direpresentasikan dalam bentuk array dua dimensi. Tiap elemen pada array tersebut menunjukkan intensitas (grayscale) dari image pada posisi koordinat yang bersesuaian. Apabila suatu image direpresentasikan dalam 8 bit maka berarti pada image terdapat 28 atau 256 level grayscale (biasanya bernilai 0 – 255). Dimana 0 menunjukkan level intensitas yang paling gelap dan 255 menunjukkan intensitas paling terang. Tiap elemen pada array diatas disebut sebagai picture elemen atau sering dikenal sebagai pixel. Dengan melakukan perubahan pada intensitas masing-masing pixel maka representasi image secara keseluruhan akan berubah. Image yang dinyatakan dengan NxM matriks mempunyai intensitas tertentu pada pixel tertentu. Posisi picture elemen (i, j) dan koordinat pixel (x, y) berbeda dapat dilihat pada Gambar 2.4.
Dy j i 1 to M
y 1
0 to N
Gambar 2.6 Matriks Image
2.4.2 Thresholding
Thresholding digunakan untuk mengatur jumlah derajat keabuan pada citra sesuai keinginan. Misalnya, jika ingin menggunakan derajat keabuan 16, maka hanya membagi derajat keabuan dengan nilai 16. Pada dasarnya, proses thresholding merupakan proses pengubahan kuantitas citra, sehingga untuk melakukan thresholding dengan derajat keabuan dapat digunakan rumus :
a b b wk b x 256 int int .
( 2.2 )
Dimana :
wk adalah nilai derajat keabuan sebelum thresholding x adalah nilai derajat keabuan setelah thresholding a adalah nilai threshold
2.4.3 Histogram Equalization
Histogram equalisasi merupakan suatu proses perataan histogram, dimana distribusi nilai derajat keabuan pada suatu citra dibuat rata dan ditujukan untuk memperjelas gambar. Pada histogram equalization, histogram diratakan berdasarkan suatu fungsi linier. Nilai dari histogram equalization sebagai berikut :
y n x n th w c w
( 2.3 )
Dimana :
th adalah threshold derajat keabuan (256) nx dan ny adalah ukuran gambar
2.4.4 Segmentasi
Secara umum segmentasi citra dapat diartikan membagi citra menjadi bagian-bagian penyusunnya atau segmen-segmen yang lebih kecil sehingga diharapkan untuk pengolahan datanya dapat menjadi lebih cepat. Hasil dari tahap segmentasi citra ini berupa data piksel yang menyusun batas dari suatu daerah atau semua titik dalam suatu daerah. Tahapan dalam proses segmentasi adalah, tiap segmen dari suatu citra dicari rata segmen yaitu jumlah dari intensitas atau tingkat grayscale dari keseluruhan piksel dalam satu segmen dibagi banyaknya piksel dari segmen tersebut. Sehingga tiap segmen terdiri dari piksel yang mempunyai tingkat grayscale yang sama. Proses segmentasi citra dapat dilihat pada Gambar 2.7.
4 piksel
1 piksel
Gambar 2.7 Proses Segmentasi 4 piksel diwakili 1 piksel
2.4.5 Normalisasi
Normalisasi pada citra merupakan proses pada nilai intensitas tiap segmen dari citra agar bernilai 0 dan 1 dengan cara rata segmen dibagi dengan tingkat grayscale yang paling tinggi.
2.5 Analisis Komponen Utama
Analisis Komponen Utama atau Principle Component Analysis (PCA) adalah teknik statistik untuk menyederhanakan kumpulan data banyak dimensi menjadi dimensi yang lebih rendah (extraction feature). PCA merupakan transformasi lineal ortogonal yang mentransformasi data ke sistem koordinat baru, sehingga keragaman terbesar dengan suatu proyeksi berada pada koordinat pertama (disebut prinsipal komponen pertama), keragaman terbesar kedua berada pada koordinat kedua dan seterusnya. Konsep penggunaan PCA meliputi perhitungan nilai-nilai simpangan baku, matriks kovarian, nilai karakteristik (eigen value) dan vektor karakteristik (eigen vector). PCA dapat menggunakan metode kovaransi atau korelasi. Jika diperlukan, data distandarisasi terlebih dahulu sehingga mendekati sebaran normal baku. Dalam hal ini digunakan metode kovaransi dengan algoritma berikut. Mengumpulkan data dalam bentuk matriks tingkat keabuan X berukuran M x N. Misal x1, x2, ..., xM adalah vektor N x I :
(i) Menghitung rata-rata:
(ii) Menghitung selisih rata-rata: (iii) Menentukan matriks kovarian
Dari matriks X=[Φ1Φ2 … ΦM] (matriks NxM),
Hitung kovarian:
(iv) Menentukan nilai karakteristik dan vektor karakteristik dari matrik kovarian
dan
terbesar untuk tiap vektor karakteristik sehingga diperoleh nilai-nilai karakteristik yang dominan.
2.6 Algoritma Eigen Image 2.6.1 Eigen Value
Salah satu tool penting dalam mendeskripsikan eigen value dari suatu matriks bujur sangkar adalah polinomial karakteristik: Jika λ adalah eigen value dari matriks A makan akan ekuivalen dengan persamaan linear (A – λ I) v = 0 (di mana I adalah matriks identitas) yang memiliki pemecahan non-zero v (suatu eigen vector), sehingga ekuivalen dengan determinan:
det (A - λ I) = 0 (2.4)
Fungsi p(λ) = det(A – λ I) adalah sebuah polinomial dalam λ karena determinan dihitung dengan sum of product. Semua eigen value dari suatu matriks A dapat dihitung dengan menyelesaikan persamaan pA(λ) = 0. Jika A adalah matriks ukuran n x n, maka pA memiliki derajat n dan A akan memiliki paling banyak n buah eigen value.
2.6.2 Eigen Vector
Ketika eigen value λ diketahui, eigen vector bisa dicari dengan memecahkan:
(A – λ I) v = 0
Dalam beberapa kasus bisa dijumpai suatu matriks tanpa eigen value, misalnya A:
0 1
di mana karakteristik polinomialnya adalah λ2 + 1 sehingga eigen valuenya adlaah bilangan kompleks i, -i. Eigen vector yang berasosiasi juga tidak riil. Perhatikan lagi contoh berikut ini. Jika diberikan matriks A:
Maka polinomial karakteristiknya dapat dicari sebagai berikut: det = λ2 - 5λ + 6 = 0
Ini adalah persamaan kuadrat. Akarnya adalah λ = 2 dan λ = 3.
Adapun eigen vector yang bisa diperoleh ada 2 buah. Eigen vector pertama dicari dengan mensubstitusikan λ = 3 ke dalam persamaan. Misalnya Y0 adalah eigen
vector yang berasosiasi dengan eigen value λ = 3. Set Y0 dengan nilai
Y0 =
Substitusikan Y0 dengan v pada persamaan:
(A – λ I) v = 0 Kita akan mendapatkan
(2 – 3) X0 + -Y0 = 0
0 + (3-3) Y0 = 0
Kita bisa sederhanakan menjadi
– X0 – Y0 = 0
Atau bisa disederhanakan menjadi
Y0 = – X0
Sehingga eigen vector untuk eigen value = 3 adalah
2 1
0 3
(2 - λ ) -1 0 (3 - λ)
X0
Y0 = = = X0
2.6.3 Eigen Image
Eigen image adalah kumpulan dari eigen vector yang digunakan untuk masalah computer vision pada pengenalan gambar, seperti pengenalan wajah manusia. Untuk menghasilkan eigen images, sekumpulan besar citra digital dari data gambar diambil pada kondisi pencahayaan yang sama dan kemudian dinormalisasi dan kemudian diolah pada resolusi yang sama (misalnya m x n), dan kemudian diperlakukan sebagai vector dimensi mn di mana komponennya diambil dari nilai dari pikselnya.
2.6.4 Algoritma Eigen Image dengan PCA
Eigen image adalah salah satu pengenalan gambar yang didasarkan pada Principal Component Analysis (PCA) yang dikembangkan di MIT. Training image direpresentasikan dalam sebuah vektor flat (gabungan vektor) dan digabung bersama – sama menjadi sebuah matriks tunggal. Eigen image dari masing-masing citra kemudian diekstraksi dan disimpan dalam file temporary atau database. Test image yang masuk didefinisikan juga nilai eigen image-nya dibandingkan dengan eigen image dari image dalam database atau file temporary.
Berikut adalah algoritma perhitungan eigen image dengan menggunakan PCA : 1. Mengumpulkan setiap citra otak I1, I2, I3, ..., IM (training image). Setiap citra
harus memiliki orientasi dan ukuran yang sama, citra otak terletak di tengah gambar dan memiliki ukuran 183 x 183 piksel.
2. Ubah matriks citra Ii menjadi vektor Γi.
( 2.5 )
4. Kurangi masing-masing vektor citra Γi dengan rata-rata.
Φi= Γi - Ψ ( 2.6 )
5. Hitung matriks kovarians C.
( 2.7 )
6. Menggunakan metode PCA pada perhitungan matriks kovarian C untuk mencari eigen vector dan eigen value. Matriks kovarian C ordo N2 x N2 tidak efektif dalam perhitungan, sehingga metode PCA digunakan.
( 2.8 )
( 2.9 )
Setelah menemukan eigen vector dan eigen value dari data citra pada proses training, maka eigen value tersebut akan digunakan untuk pengenalan citra. Berikut algoritma pengenalan citra uji coba:
1. Normalisasi data citra, dengan asumsi citra otak Γ mempunyai orientasi pada posisi tengah dan ukuran citra yang sama dengan data training.
Γ : Φ = Γ – Ψ
2. Melakukan proyeksi ke eigen space. Citra uji ditransformasikan ke komponen eigen image. Hasil bobot disimpan ke dalam vector bobot
( 2.10 )
( 2.11 )
3. Eucledian distance antara 2 vektor bobot d(Ωi, Ωj) digunakan untuk
mengukur kemiripan antara dua buah gambar, i dan j. Berikut adalah formula dari perhitungan Eucledian distance.
( 2.12 )
Keterangan :
dapat memiliki hingga N2 eigen value dan eigen vector
dapat memiliki hingga M eigen value dan eigen vector I matriks citra
N x N ukuran ordo dari matriks I Γ training set
Γi citra otak ke-i dari training set
Γnew citra uji coba(citra baru)
rataan matriks citra M=| Γ| jumlah eigen image
M’ jumlah eigen image yang digunakan untuk pengenalan citra C matriks kovarians
eigen vector (eigen image) λ eigen value
bobot ke-i
vektor bobot dari citra ke-i
(Turk and Pentland, 1991)
2.7 Sistem Persamaan Linear
Sistem Persamaan Linear dengan metode iterasi digunakan untuk mencari nilai eigen vector seperti pada persamaan 2.8. Eigen vector didapat dengan mencari eigen value seperti pada persamaan 2.4. Berikut sistem persamaan linear yang terdiri dari n-persamaan dengan n variabel dinyatakan dengan
( 2.13 )
Gauss-Seidel. Metode Jacobi dikenalkan oleh Carl Jacobi (1804-1851) dan metode Gauss-Seidel dikenalkan oleh Johann Carl Friedrich Gauss (1777-1855) dan Philipp Ludwig von Seidel (1821-1896).
2.8 Metode Jacobi
Persamaan ke-i dalam sistem persamaan 2.13 dinyatakan sebagai berikut :
( 2.14 ) Persamaan (2.14) dapat diekspresikan sebagai:
( 2.15 )
Dari persamaan (2.15) dapat diperoleh penyelesaian persamaan ke-i yaitu:
( 2.16 )
Dengan demikian, algoritma metode Jacobi diekspresikan sebagai :
( 2.17 )
Untuk menyelesaikan sistem persamaan linear dengan metode Jacobi diperlukan
suatu nilai pendekatan awal yaitu . Nilai biasanya tidak diketahui dan dipilih = 0.
29 3.1 Model Pengembangan
Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa hasil pengenalan pola. Gambar diolah menjadi bentuk digital atau angka-angka (matriks normalisasi). Gambar dikonversi ke dalam bentuk bentuk digital sehingga dapat diproses menggunakan Principle Component Analysis (PCA) yaitu algoritma eigen image yang menghasilkan karakteristik dominan sehingga mewakili struktur pola citra tersebut. Kemudian dilakukan testing dan validasi apakah hasil output telah sesuai dengan diagnosa dokter (otak stroke infark atau otak normal).
3.2 Prosedur Penelitian
Pembuatan aplikasi ini menggunakan beberapa tool yaitu Microsoft Visual Studio 6, Microsoft Access 2003, Power Designer 15, Microsoft Word 2003, Microsoft Visio 2003. Prosedur penelitian yang dipakai dalam pengerjaan Tugas Akhir ini adalah:
a. Bahan Penelitian
b. Studi Literatur
Langkah berikutnya yang dilakukan adalah pengumpulan beberapa materi dan teori pendukung dari buku-buku dan ebook yang digunakan sebagai bahan untuk memberikan informasi yang dibutuhkan dan mendukung penyelesaian aplikasi model jaringan syaraf tiruan tersebut.
c. Tahap Perancangan dan Pengembangan Sistem
Dalam membuat pegembangan sistem, terdapat beberapa langkah rancangan sistem yang diambil antara lain:
Membuat flowchart dengan menggunakan Microsoft Visio 2003 pada proses
pengolahan citra, penghitungan eigen image dan validasi.
Membuat desain antarmuka (desain input dan output) dengan menggunakan
Microsoft Visio 2003.
Melakukan pembangunan code berdasarkan algoritma yang telah dipahami
dengan menggunakan bahasa pemrograman Microsoft Visual Basic 6 dan database Microsoft Access 2003.
Melakukan testing dan debugging aplikasi untuk memastikan aplikasi minim
terhadap bug, apabila terdapat bug maka akan dilakukan perbaikan algoritma maupun code yang dibangun.
Mencatat hasil uji coba dan validasi aplikasi.
3.3 Pengolahan Citra Digital
Gambar 3.1. Flowchart Pengolahan Citra Digital
Berikut penjelasan langkah-langkah pengolahan citra :
b. Menghitung dimensi citra berdasarkan point pada tiap pikselnya.
c. Proses greyscale, mengubah citra warna (Red, Green, Blue) menjadi citra greyscale dengan mengambil rata-rata RGB (persamaan 2.1).
d. Proses histogram, berfungsi menampilkan gambaran histogram terhadap citra yang diinputkan, untuk menilai gelap terang gambar.
e. Proses histogram equalisasi, merupakan proses perataan histogram, di mana distribusi nilai derajat keabuan pada suatu citra dibuat rata dan ditujukan untuk memperjelas gambar (persamaan 2.3).
f. Proses tresholding merupakan proses untuk mengatur jumlah derajat keabuan sehingga menghasilkan dimensi citra yang lebih rendah. Karena citra yang diharapkan adalah citra bagian otak saja dengan resolusi gambar lebih rendah, maka sangat penting melakukan proses tresholding. g. Proses Normalisasi, yaitu proses pada nilai intensitas tiap segmen dari
citra agar bernilai 0 atau 1 dengan cara rata segmen dibagi dengan tingkat grayscale yang paling tinggi.
h. Simpan hasil data normalisasi, sebagai data input di proses selanjutnya.
3.4 Algoritma Eigen Image dengan PCA
Gambar 3.2. Flowchart Perhitungan Eigen Image
Berikut penjelasan langkah-langkah pengolahan citra :
a. Proses pembacaan matriks normalisasi dari hasil proses pengolahan citra, matriks normalisasi digunakan sebagai inputan dari proses penghitungan eigen.
b. Proses mengubah masing-masing matriks Ii dengan ordo N x N menjadi
Misalnya di dalam training image terdapat 2 image dengan ukuran 37 x 37 piksel maka kita akan mempunyai eigen vector berukuran 2 x (37 x 37) seperti pada gambar berikut.
Gambar 3.3. Penyusunan Flat Vector
c. Proses perhitungan vektor rataan (Ψ)
Gambar 3.4. Penyusunan Vektor Rataan
d. Proses pengurangan matriks normalisasi dengan vektor rataan dengan menggunakan persamaan 2.6 untuk menghasilkan vektor Φi.
e. Proses menghitung kovarians matriks C dengan menggunakan menggunakan metode PCA, karena proses perhitungan matriks C menurut persamaan 2.7 menghasilkan ordo atau dimensi matriks yang sangat besar (N2 x N2 atau misalnya 1832 x 1832 dengan 183 x 183 adalah ukuran dimensi per gambar) sehingga tidak efisien jika dilakukan perhitungan. Melalui metode PCA, matriks C diwakilkan dengan menggunakan matriks L dengan ordo berdasarkan jumlah citra M x M (dengan M merupakan jumlah data citra otak). Perubahan dari matriks C ke matriks L sebagai penggantinya menggunakan persamaan 2.7 dan 2.8.
f. Proses perhitungan nilai eigen (eigen value) dan eigen vector (eigen image). Terdapat maksimum banyaknya data adalah M eigen value dan M eigen vector. Perhitungan eigen value dengan menggunakan persamaan. 2.9. g. Dari sejumlah maksimum M eigen value dan M eigen vector, dilakukan
eigen value dan eigen vector disimpan untuk digunakan pada saat uji coba data baru.
3.5 Algoritma Uji Coba Aplikasi
Start
Ambil Data Gambar Uji Coba Inisialisasi Eigen Image pada masing-masing Data
Training
Proses Greyscale
Proses Histogram Equalisasi
Proses Treshold
Proses Normalisasi
Menghitung Matriks Flat Vector Gambar Uji Coba
Jarak bobot Gambar Uji Coba dengan bobot Gambar Otak Normal < jarak bobot Gambar Uji Coba dengan bobot Gambar Otak
Stroke
Hasil: Otak Stroke infark
Hasil: Otak Normal
No
Yes
End
Proyeksi Eigen Image pada Gambar Uji Coba ke Eigen Space, menghasilkan
[image:41.595.94.501.84.745.2]vektor bobot
Berikut penjelasan langkah-langkah proses pendeteksian atau uji coba aplikasi: Step 1 : Inisialisasi nilai eigen image dari data image.
Step 2 : Upload data gambar untuk di uji coba atau validasi, dengan ukuran sama dengan data gambar pada saat proses training yaitu 183 x 183.
Step 3 : Proses greyscale, mengubah citra warna (Red, Green, Blue) menjadi citra greyscale dengan mengambil rata-rata RGB.
Step 4 : Proses histogram equalisasi, merupakan proses perataan histogram, di mana distribusi nilai derajat keabuan pada suatu citra dibuat rata dan ditujukan untuk memperjelas gambar.
Step 5 : Proses treshold, yaitu menurunkan dimensi dari citra abu-abu dengan derajat hitam putih pada matriks gambar uji coba.
Step 6 : Proses Normalisasi, yaitu proses pada nilai intensitas tiap segmen dari citra agar bernilai 0 atau 1 dengan cara rata segmen dibagi dengan tingkat greyscale yang paling tinggi.
Step 7 : Mengubah data matriks normalisasi menjadi flat vector untuk gambar uji coba tersebut, kemudian mengurangi vektor I dengan rataan pada proses training Φ = Γ – Ψ.
Step 8 : Proyeksi Eigen Image pada gambar uji coba ke Eigen Space,
menghasilkan vektor bobot untuk gambar uji coba dengan menggunakan persamaan 2.10 dan 2.11.
Perhitungan jarak ini menggunakan persamaan Eucledian Distance pada persamaan 2.12.
Step 10 : Cetak hasil analisa gambar, termasuk otak normal atau otak infark.
3.6 Desain Input dan Output
Pembuatan tampilan sangat diperlukan agar pengguna dapat berinteraksi dengan sistem, sehingga dibutuhkan perancangan secara detil mengenai tampilan aplikasi berdasarkan informasi yang akan ditampilkan. Dalam sub bab ini akan dijelaskan rancangan antar muka dari form-form yang ada serta penjelasan singkat program Aplikasi Model Pengenalan Pola dengan Algoritma Eigen Image.
3.6.1 Form Login
Halaman login merupakan tampilan awal dari aplikasi model pengenalan pola citra stroke. Sebelum masuk ke halaman utama aplikasi, pengguna diarahkan menuju ke form login. Pada form login terdapat inputan berupa username dan password. Untuk default aplikasi, diberikan username admin dan password admin123 sebagai administrator aplikasi. Password pengguna ditampilkan dalam karakter bintang (*). Tabel user untuk mencatat username dan password ini menggunakan database Microsoft Access 2003.
3.6.2 Menu Utama
Setelah pengguna berhasil melakukan otorisasi login, maka masuk ke dalam tampilan halaman menu utama aplikasi. Terdapat 2 bagian pada menu utama yaitu bagian menu dan bagian content. Panel menu terletak pada sebelah kiri aplikasi terdiri dari 3 menu utama, antara lain:
1. Image processing, merupakan menu untuk masuk ke dalam form digital image processing atau pengolahan citra.
[image:44.595.91.515.221.523.2]2. Eigen Image, merupakan menu untuk masuk ke dalam form training data image ke dalam aplikasi pengenalan pola dengan algoritma eigen image dan menu validasi untuk melakukan uji coba aplikasi terhadap data gambar apakah termasuk ke dalam otak normal atau otak infark.
3. Close Form, digunakan untuk menutup semua form yang sedang aktif pada aplikasi.
4. Change Password, merupakan menu untuk masuk ke dalam form ubah password.
5. Exit, digunakan untuk keluar dari aplikasi.
< Content > Image Processing
Eigen Image
Close Form
Change Password
[image:45.595.97.507.86.500.2]Exit
Gambar 3.7 Desain Menu Utama (Halaman Utama Aplikasi)
3.6.3 Form Pengolahan Citra
Form pengolahan citra merupakan form yang digunakan untuk mengolah data mentah berupa gambar menjadi data angka berupa matriks normalisasi. Data gambar tidak dapat diproses secara mentah oleh algoritma eigen, sehingga harus diolah terlebih dahulu menjadi data yang lebih sederhana yaitu dalam bentuk angka-angka. Bagian ini merupakan bagian yang penting, karena apabila terdapat kesalahan input atau pengelompokan data yang salah akan mengurangi akurasi hasil perhitungan. Kualitas gambar juga akan mempengaruhi hasil perhitungan, jika terdapat kemiripan data antara gambar otak normal dan otak infark akan memperbesar kesalahan hasil analisa.
Terdapat 3 tab pada form yang menggambarkan langkah-langkah image processing, antara lain sebagai berikut:
data gambar yang telah berhasil disimpan, terdapat 3 kolom yang akan ditampilkan yaitu id data gambar, nama file gambar dan jenis gambar. Pada bagian tengah terdapat 5 tombol yaitu tombol simpan, ubah, hapus, batal dan refresh. Sedangkan pada sebelah kanan terdapat panel untuk input gambar dan pemilihan analisa berupa checkkbox otak normal dan otak stroke (Gambar 3.8). Data gambar tidak disimpan ke dalam database, tetapi akan disalin oleh aplikasi dan disimpan ke dalam folder images. Pada database hanya akan menyimpan keterangan nama file gambar dan jenis gambar.
2. Tab step 2, berupa proses pengolahan 1 data gambar melalui urutan proses greyscale, histogram, tresholding dan histogram equalisasi. Step 2 dan 3 digunakan untuk melakukan pengolahan data secara manual satu persatu proses. Sedangkan pada step 1 terdapat tombol proses pengolahan citra yang akan melakukan pengolahan pada semua proses hingga tersimpan ke database. (Gambar 3.9).
Image Processing
Eigen Image
Change Password
Exit
Step 1 Step 2 Step 3
Close Form
Data Tersimpan
[image:47.595.91.515.80.591.2]ID Gambar Jenis 1 img001.jpg Normal 2 img002.jpg Normal 3 img003.jpg Stroke . . . . . Simpan Tambah Hapus Batal Refresh <Gambar> Buka File Normal Stroke Proses Pengolahan Citra
Gambar 3.8 Desain Step 1 (Input dan Daftar Citra Normal dan Infark)
Image Processing
Eigen Image
Close Form
Change Password
Exit
Step 1 Step 2 Step 3
Histogram Histogram <gambar normal> Input <gambar normal> Grayscale <gambar normal> Grayscale Treshold <gambar normal> Treshold Hist. Equalization <gambar normal> Hist. Equal
Image Processing
Eigen Image
Close Form
Change Password
Exit
Step 1 Step 2 Step 3 Normalisasi Normal
[image:48.595.96.508.88.501.2]<Matriks Normal> Proses Normalisasi
Gambar 3.10 Desain Step 3 (Pengolahan Citra pada Proses Normalisasi)
3.6.4 Form Pattern Recognition (Eigen Image)
Form Eigen Image digunakan untuk melakukan pelatihan pada data hasil pengolahan citra ke dalam pengenalan pola sekaligus melakukan uji coba data gambar. Terdapat 4 tab yang mewakili tahapan-tahapan dalam proses pelatihan tersebut, antara lain sebagai berikut:
2. Tab Covariance, merupakan form untuk menampilkan matriks kovarians. Cara perhitungan matriks kovarians dengan menggunakan matriks C seperti pada persamaan 2.7 tidak efektif, sehingga diganti dengan menghitung matriks L atau perwakilan dari matriks kovarians. Matriks L yang akan ditampilkan pada form ini memiliki dimensi sesuai dengan data gambar sebagai data training yaitu M x M dengan M adalah jumlah data training. Pada sebelah kiri form adalah nilai matriks kovarians, sedangkan pada sebelah kanan adalah eigen value hasil perhitungan eigen dengan menggunakan matriks L dan algoritma jacobi (Gambar 3.12).
4. Tab Image Processing, menampilkan proses pengolahan data yang telah dilakukan pada tab eigen image (Gambar 3.14).
Image Processing
Eigen Image
Close Form
Change Password
Exit
Rataan Matriks Covariance Eigen I mage
<Data Citra Tersimpan>
I mage Processing
<Rataan Gambar/ Mean Image>
Load Data Gambar
Matriks Rata-Rata
Gambar 3.11 Desain Tab 1 (Matriks Rataan)
Image Processing
Eigen Image
Close Form
Change Password
Exit
Rataan Matriks Covariance Eigen I mage I mage Processing
<Matriks Covariance> <Eigen Value>
Image Processing
Eigen Image
Close Form
Change Password
Exit
Rataan Matriks Covariance Eigen I mage
<Data Citra Uji Coba>
Image Processing
Matriks Data pada Uji Coba Buka File Citra
<Data Citra pada Training>
<Hasil Analisa>
Pengolahan Citra Cek Eigen
Gambar 3.13 Desain Tab 3 (Eigen Image)
Image Processing
Eigen Image
Close Form
Change Password
Exit
Rataan Matriks Covariance Eigen I mage
Histogram <gambar normal> Input <gambar normal> Grayscale <gambar normal> Treshold <gambar normal> Hist. Equalization <gambar normal>
I mage Processing
Gambar 3.14 Desain Tab 4 (Image Processing)
3.6.5 Form Ubah Password
Exit
Image Processing
Eigen Image
Change Password
Exit
Old Password :
New Password :
Confirm Password : Close Form
49 4.1 Kebutuhan Sistem
Sebelum melakukan implementasi dan menjalankan aplikasi Model Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi perangkat lunak (software) dan perangkat keras (hardware) tertentu agar dapat berjalan dengan baik.
4.1.1 Kebutuhan perangkat keras
Persyaratan minimal perangkat keras yang diperlukan untuk menjalankan aplikasi ini adalah sebagai berikut:
a. Prosesor minimal Pentium III 900 MHz. b. Monitor.
c. Memori minimal 256 MB. d. VGA onboard minimal 16 MB. e. Hard Disk dengan free space 2 GB f. Keyboard.
g. Mouse.
4.1.2 Kebutuhan perangkat lunak
1. Komputer dengan sistem operasi Windows. Dapat digunakan pada Windows versi desktop (98, 2000, ME, XP) maupun Windows Server (NT, 2003 Server, 2008 Server).
2. VB Runtime, hanya pada windows dibawah Windows XP untuk menjalankan file exe hasil kompilasi Visual Basic 6.
3. Paket Microsoft Office 2003 atau Microsoft Access 2003 untuk membuka aplikasi yang menggunakan database Access.
4.2 Implementasi Input dan Output
Implementasi input dan output merupakan implementasi dari desain antarmuka input dan output yang telah dibuat pada subbab 3.6. Aplikasi Model Pengenalan Pola dengan Eigen Image untuk mendeteksi kelainan otak memiliki 2 menu utama yaitu image processing dan Eigen Image.
4.2.1 Form Login
kesalahan pengisian username dan password, maka pengguna akan tetap berada pada halaman login.
Gambar 4.1 Halaman Login
Gambar 4.2 Pesan Kesalahan pada Halaman Login
4.2.2 Menu Utama
Pengguna yang telah berhasil masuk ke dalam aplikasi, maka akan masuk ke dalam halaman menu utama aplikasi. Pada menu utama terdapat tanggal, waktu komputer sistem dan 5 menu pada panel sebelah kiri. Tujuh menu tersebut antara lain:
1. Image Processing, untuk membuka form image processing.
3. Close Form, untuk menutup semua form yang sedang aktif. 4. Change Password, untuk memanggil form perubahan password. 5. Exit, untuk keluar dari aplikasi.
Gambar 4.3 Tampilan Menu Utama Aplikasi Pengenalan Pola
4.2.3 Form Pengolahan Citra
Form image processing atau pengolahan citra digunakan untuk mengolah data gambar menjadi data matriks normalisasi yang terdiri dari angka-angka. Berikut adalah 3 tab pada form pengolahan citra, antara lain sebagai berikut:
dari greyscale hingga menjadi data normalisasi tanpa harus menekan tombol pada masing-masing proses (step 1 hingga 3). Pengguna dapat melakukan manupulasi data seperti menambah, mengubah dan menghapus data yang digunakan sebagai data training.
2. Tab Step 2, pada gambar 4.5 terdapat tombol untuk melakukan proses histogram, tresholding dan histogram equalization.
3. Tab Step 3, pada gambar 4.6 terdapat tombol untuk melakukan proses normalisasi data ke matriks 183 x 183 kemudian diolah lagi menjadi vektor normalisasi dengan panjang 1832 atau 33.489 (hasil perkalian dimensi matriks).
Gambar 4.5 Tab Step 2 (Proses Pengolahan dari Greyscale hingga Equalisasi)
4.2.4 Form Eigen Image
Form Eigen Image digunakan digunakan untuk melakukan pelatihan dan pengenalan pola gambar dari inputan hasil normalisasi. Terdapat 4 tab di dalamnya, antara lain:
1. Tab Rataan Matriks, pada gambar 4.7 merupakan form untuk perhitungan nilai rata-rata dari matriks yang terbentuk sebelumnya. Terdapat 1 grid yang menunjukkan bagian dari rataan matriks dari data gambar yang telah diinputkan sebelumnya pada proses pengolahan citra. Pada bagian sebelah kiri atas menunjukkan load data gambar yang merupakan data training, sedangkan pada bagian kiri bawah menunjukkan mean image dari nilai rataan matriks dengan ordo atau dimensi 183 x 183.
2. Tab Covariance, pada gambar 4.10 merupakan form untuk menunjukkan nilai matriks kovarians pada saat proses perhitungan eigen value dan eigen vector. Terdapat 2 grid yaitu grid matriks kovarians dengan dimensi M x M dengan M adalah jumlah data training. Sedangkan grid yang kedua adalah grid eigen value, pada eigen value ini akan diambil K best atau nilai K terbesar, misalnya K = 3 eigen value tertinggi.
dijabarkan pada bab 3 algoritma eigen image. Masing-masing elemen pada matriks uji coba akan dikurangi dengan elemen pada matriks rataan. Kemudian dilakukan proyeksi eigen image pada gambar uji coba ke eigen space untuk mencari vektor bobot gambar uji coba. Kemudian dilakukan pengecekan jarak terdekat antara bobot gambar uji coba dengan bobot pada semua data training. Jarak terkecil antara kedua bobot ini akan menghasilkan analisa gambar yang paling mirip dengan data training. 4. Tab Image Processing, digunakan sebagai view atau tampilan proses
[image:61.595.93.505.321.586.2]pengolahan citra uji coba yang dilakukan pada tab eigen image.
Gambar 4.8 Tab Covariance (Proses Perhitungan Matriks Kovarians)
Gambar 4.10 Tab Eigen Image (Setelah Proses Pengolahan Citra)
4.2.5 Form Ubah Password
[image:64.595.95.510.319.562.2]Form ubah password digunakan untuk melakukan pergantian password lama dengan password baru. Terdapat 3 inputan pada form ubah password, antara lain inputan old password, inputan new password dan inputan confirm password. Dalam mengganti password terdapat 3 syarat yaitu password lama harus benar, inputan new password harus sama dengan confirm password dan minimal panjang password adalah 8 karakter. Aplikasi akan memberi pesan error berwarna merah bila salah.
Gambar 4.12 Form Ubah Password
4.3 Uji Coba Aplikasi
4.3.1 Uji Coba Pengolahan Citra
Pengujian terhadap pengolahan citra digunakan untuk melakukan proses mulai input data gambar, pengolahan gambar dari greyscale hingga normalisasi kemudian disimpan dalam bentuk format teks. Data hasil perhitungan pada proses normalisasi dibulatkan dengan pembulatan 6 angka di belakang koma, sehingga data perhitungan dapat tidak mengalami penurunan nilai terlalu besar karena pembulatan angka yang signifikan.
Tabel 4.1 Uji Coba Proses Pengolahan Citra
No Tujuan uji coba Hasil yang diharapkan Hasil 1 Memastikan dapat
[image:65.595.94.512.317.582.2]melakukan input data gambar, baik untuk data gambar otak normal maupun otak infark
Terdapat tombol upload file citra normal dan citra infark.
Terpenuhi (Gambar 4.15)
2 Memastikan data gambar dapat diolah menjadi vektor normalisasi
Sistem dapat menunjukkan perubahan proses dari data gambar greyscale histogram tresholding equalisasi normalisasi.
Terpenuhi (Gambar 4.14) (Gambar 4.15) (Gambar 4.16) 3 Memastikan
kumpulan data hasil image processing dapat ditampilkan dalam tabel.
Sistem dapat menampilkan semua hasil dan dapat menunjukkan data gambar yang telah diolah menjadi matriks normalisasi dan ditampilkan pada sebuah grid.
Gambar 4.13 Tab Step 1 (Upload File Gambar)
Gambar 4.15 Tab Step 2 (Mengolah Data dari Histogram hingga Equalization)
Gambar 4.16 Tab Step 3 (Mengolah Data dari Equalization hingga Normalisasi)
4.3.2 Uji Coba Input dan Update Data
Form untuk melakukan input data gambar berada pada menu Image Processing pada tab pertama yaitu tab Step 1. Keberhasilan aplikasi pengenalan pola citra sangat bergantung pada inputan yang diberikan. Oleh karena itu, setiap inputan harus dilakukan oleh orang yang bertugas sebagai ahli dalam hal membedakan otak normal atau otak stroke infark. Inputan tersebut akan digunakan sebagai pembanding terhadap data citra yang akan diuji coba, sehingga didapatkan kemiripan dengan citra inputan.
Tabel 4.2 Uji Coba Input dan Update Data
No Tujuan uji coba Hasil yang diharapkan Hasil 1 Memastikan dapat
[image:68.595.91.514.316.747.2]melakukan input data gambar, baik untuk data gambar otak normal maupun otak infark
Terdapat tombol tambah dan upload file citra. Jika tombol tambah ditekan, maka tombol tambah dan hapus akan di-nonaktifkan. Ketika selesai tambah data terdapat pesan data berhasil disimpan.
Terpenuhi (Gambar 4.17) (Gambar 4.18) (Gambar 4.19)
2 Memastikan data gambar dapat
diupdate baik gambar maupun analisa (normal/stroke)
Terdapat tombol simpan untuk mengubah data yang dipilih. Pengguna dapat mengubah analisa maupun gambar. Ketika selesai ubah data terdapat pesan data berhasil diupdate
Terpenuhi (Gambar 4.20) (Gambar 4.21)
3 Memastikan data gambar dapat dihapus dari tabel.
Terdapat tombol hapus untuk menghapus data citra inputan. Ketika menekan tombol hapus terdapat konfirmasi apakah yakin akan dihapus atau tidak.
Terpenuhi (Gambar 4.22) (Gambar 4.23)
4 Memastikan data gambar telah tersimpan di dalam direktori images.
Gambar disimpan dengan nama file img+<kode gambar>.jpg
Terpenuhi (Gambar 4.24) (Gambar 4.25)
5 Memastikan informasi gambar telah tersimpan dalam database
Informasi gambar terdapat pada tabel tbImage.
Gambar 4.17 Tampilan Form Ketika Menekan Tombol Tambah
Gambar 4.19 Tampilan Form Ketika Menekan Tombol Simpan (Simpan Data)
Gambar 4.21 Tampilan Form Ketika Ubah Data Berhasil
Gambar 4.23 Tampilan Data Setelah Dihapus
Gambar 4.25 Isi Direktori images (file-file citra otak)
Gambar 4.26 Informasi Data Gambar Pada Database (tabel tbImage)
4.3.3 Uji Coba Pengenalan Pola
memperoleh rataan eigen yang akan digunakan sebagai dasar pada uji coba citra. Semua data inputan berupa citra otak dengan dimensi piksel 183 x 183 akan dijumlahkan masing-masing elemen, kemudian dibagi dengan jumlah data gambar.
Tabel 4.3 Uji Coba Pengenalan Pola
No Tujuan uji coba Hasil yang diharapkan Hasil 1 Memastikan dapat
melakukan load data gambar untuk diproses
menghasilkan matriks rataan
[image:74.595.95.514.228.678.2]Terdapat tombol load data gambar yang berfungsi menampilkan gambar inputan dan menghitung rata-rata dari matriks gambar keseluruhan inputan. Terdapat progress bar yang menunjukkan progres load data.
Terpenuhi (Gambar 4.27) (Gambar 4.28)
2 Memastikan matriks rataan dapat
ditampilkan
Terdapat grid yang
menampilkan rataan matriks.
Terpenuhi (Gambar 4.28)
3 Memastikan matriks kovarians dan eigen value dapat
ditampilkan
Terdapat grid yang menampilkan matriks
kovarians dan eigen value pada tab Covariance
Terpenuhi (Gambar 4.29)
4 Memastikan data gambar uji coba dapat diupload
Terdapat tombol upload file citra untuk mengupload file citra untuk uji coba.
Terpenuhi (Gambar 4.30)
5 Memastikan data gambar uji coba dapat diolah
Terdapat tombol proses pengolahan citra dan
menampilkan perubahan pada proses pengolahan citra
Terpenuhi (Gambar 4.31) (Gambar 4.32) 6 Memastikan matriks
normalisasi gambar, matriks eigen dan analisa dari gambar dapat ditampilkan
Terdapat grid matriks citra uji coba, dan hasil analisa lebih mirip ke data gambar inputan yang mana dari gambar uji coba tersebut.
Gambar 4.27 Load Data Gambar (Menghitung Rataan Matriks Citra Inputan)
Gambar 4.29 Tampilan Matriks Kovarians dan Hasil Eigen Value
Gambar 4.31 Hasil Proses Pengolahan Citra pada File Uji
Gambar 4.33 Hasil Perhitungan Eigen Image Uji Coba
Gambar 4.34 Hasil Analisa Uji Coba (Gambar inputan paling mirip)
4.3.4 Analisa dan Evaluasi Hasil Uji Coba
gambar 4.37, sedangkan data file yang digunakan sebagai inputan dilampirkan pada tabel 4.4.
Gambar 4.35 Data Gambar Otak Normal (normal_1.bmp – normal_11.bmp)
Gambar 4.37 Form Inputan Data Citra
Tabel 4.4 Data Citra Inputan
File
Setelah data gambar dimasukkan, maka dilakukan uji coba terhadap data gambar otak yang dimiliki menggunakan form uji coba. Tabel hasil uji coba akan ditunjukkan pada tabel 4.5 dan 4.6
Tabel 4.5 Uji Coba Validasi Data Gambar Otak Normal
File
Gambar Analisa Aplikasi Hasil yang diharapkan Kesimpulan
1 img105.jpg (Normal) Normal Benar (*)
2 img106.jpg (Normal) Normal Benar
3 img106.jpg (Normal) Normal Benar (*)
4 img108.jpg (Normal) Normal Salah
5 img107.jpg (Normal) Normal Benar (*)
6 img109.jpg (Normal) Normal Benar
7 img108.jpg (Normal) Normal Benar (*)
8 img105.jpg (Normal) Normal Benar
9 img109.jpg (Normal) Normal Benar (*)
10 img110.jpg (Normal) Normal Benar (*)
11 img109.jpg (Normal) Normal Benar
[image:81.595.95.518.208.725.2]*) gambar input=gambar output
Tabel 4.6 Uji Coba Validasi Data Gambar Otak Infark
File
Gambar Analisa Aplikasi Hasil yang diharapkan Kesimpulan
1 img120.jpg (Stroke) Stroke Benar
2 img111.jpg (Stroke) Stroke Benar (*)
3 img110.jpg (Normal) Stroke Salah
4 img112.jpg (Stroke) Stroke Benar (*)
5 img113.jpg (Stroke) Stroke Benar (*)
6 img113.jpg (Stroke) Stroke Benar
7 img106.jpg (Normal) Stroke Salah
Tabel 4.6 Uji Coba Validasi Data Gambar Otak Infark (Lanjutan)
File
Gambar Analisa Aplikasi Hasil yang diharapkan Kesimpulan
9 img117.jpg (Stroke) Stroke Benar
10 img110.jpg (Normal) Stroke Salah
11 img115.jpg (Stroke) Stroke Benar (*)
12 img116.jpg (Stroke) Stroke Benar (*)
13 img118.jpg (Stroke) Stroke Benar
14 img120.jpg (Stroke) Stroke Benar
15 img117.jpg (Stroke) Stroke Benar (*)
16 img120.jpg (Stroke) Stroke Benar
17 img118.jpg (Stroke) Stroke Benar (*)
18 img119.jpg (Stroke) Stroke Benar (*)
19 img120.jpg (Stroke) Stroke Benar (*)
*) gambar input=gambar output
Prosentase akurasi gambar normal : 10/11 x 100 % = 91 % Prosentase akurasi gambar infark : 16/19 x 100 % = 84.21 %
Beberapa catatan yaitu faktor penyebab yang mempengaruhi akurasi analisa yang kurang optimal, antara lain:
1. Data gambar inputan memiliki resolusi yang jauh lebih kecil dari resolusi gambar asli.
3. Posisi gambar yang tidak sama, idealnya gambar tepat berada di tengah dan tidak condong ke kanan atau ke kiri yang menyebabkan data uji coba akan mencari posisi sudut yang paling mirip.
Basuki, Achmad., Jozua Palandi, Fatchurrochman. 2005. Pengolahan Citra Menggunakan Visual Basic. Graha Ilmu: Yogyakarta.
Fatta, Hanif Al. 2009. Rekayasa Sistem Pengenalan Wajah. Andi: Yogyakarta. Francis and Taylor. 2005. Medical Image Analysis Methods. CRC Press.
Hermawan, Arief. 2006. Jaringan Syaraf Tiruan, Teori dan Aplikasi. Penerbit Andi: Yogyakarta.
Joesoef, A.A. 2004. Aspek Biomolekuler dari Iskemia Otak Akut. RSUD Dr. Soetomo, Malang.
Kendall, K.E., Kendall, J.E. 2003. Analisis dan Perancangan Sistem (Edisi Bahasa Indonesia). PT. Prenhallindo: Jakarta.
Kuswara, Setiawan. 2003. Paradigma Sistem Cerdas, Artificial Intelligence. Bayumedia: Malang.
Mackay, David J.C. 2004. Information Theory, Inference, and Learning Algorithms. Cambridge Universisty Press.
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika: Bandung.
Notosiswoyo, Mulyono dan Suswati, Susy. 2004. Pemanfaatan Magnetic Resonance Imaging sebagai Sarana Diagnosa Pasien. Media Litbang Kesehatan Volume XIV Nomer 3.
Nugroho, Susilo. 2011. Sistem Persamaan Linear dengan Metode Iterasi, (Online), (
http://asimtot.files.wordpress.com/2010/06/sistem-persamaan-linear-metode-iterasi.pdf, diakses 2 November 2011)
Russell, Stuart, Peter Norvig. 2003. Artificial Intelligence A Modern Approach (second edition). Person Education, Inc: New Jersey.
Turk, Matthew A. and Alex P. Pentland. 1991. Face Recognition Using Eigenfaces. MIT (Massachussets Institute of Technology).
World Health Organization. 2010. Cardiovaskuler Disease : prevention and control,(Online),
(http://www.who.int/dietphysicalactivity/publications/facts/cvd/en ,
