Analisis metode jaringan syaraf tiruan backpropgation untuk pengenalan sel kanker otak

BIODATA

Data Pribadi

Nama : Novita Handayani

Tempat/Tanggal Lahir : Karawang,06 November 1991

Jenis Kelamin : Perempuan

Alamat : KP Krajan Desa Pangulah Selatan RT 02/02

KotaBaru, Karawang

No. Telp : 085717649930

Email : handayani.novita1991@gmail.com

Riwayat Pendidikan

1997 – 2003 Lulus SDN 2 Pangulah Selatan 2003 – 2006 Lulus SMPN 1 Jatisari-Karawang 2006 – 2009 Lulus SMAN 1 Cikampek-Karawang 2009 – 2013 UNIKOM

ANALISIS METODE JARINGAN SYARAF TIRUAN

BACKPROPAGATION UNTUK PENGENALAN

SEL KANKER OTAK

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer

NOVITA HANDAYANI

10109092

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

iii

KATA PENGANTAR

Puji dan syukur kehadirat Allah SWT, atas berkat rahmat dan hidayah-Nya sehingga penulis dapat menuangkan ide dan gagasan dalam karya ilmiah Tugas Akhir ini. Penulis mengangkat judul : “ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL

KANKER OTAK ”.

Tugas Akhir ini diajukan untuk memenuhi syarat mata kuliah Tugas Akhir program STRATA I Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia (UNIKOM), Bandung. Dengan terselesaikannya Tugas Akhir ini,Penulis ungkapkan rasa syukur yang tiada terhingga kepada Allah SWT. dan Penulis mengucapkan terimakasih kepada :

1. Kedua Orang Tua yang saya hormati dan saya cintai yang telah memberikan kepada Penulis dukungan dan motivasi untuk menyelesaikan laporan Tugas Akhir ini.

2. Ibu Nelly Indriani Widiastuti,S.Si.,M.T. selaku dosen pembimbing dan Penguji 2 yang telah menyediakan waktunya dan memberikan banyak masukan kepada penulis.

3. Ibu Tati Harihayati Mardzuki, S.T.,M.T. selaku dosen wali IF-3, reviewer, dan penguji 1 yang telah memberikan banyak masukan kepada penulis. 4. Bapak Hendri Karisma, S.Kom. selaku penguji 3 yang telah memberikan

banyak masukan kepada penulis.

5. Bapak Irawan Afrianto,S.T.,M.T. selaku Ketua Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

6. Bapak Prof. Dr. H. Denny Kurniadie, Ir., M.Sc. selaku Dekan Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

iv

8. Rekan-rekan seperjuangan IF-3 angkatan 2009 yang selalu memberikan semangat dan motivasi kepada penulis.

9. Rekan-rekan satu bimbingan ibu nelly, rekan-rekan reviewer ibu tati. 10.Sahabat – sahabatku Desi Trisna, Ratih Paramila, Lina Nuraeni dan Nina

yang selalu memberikan semangat saat penulis butuh motivasi.

11.Pihak-pihak yang telah membantu yang tidak dapat disebutkan satu persatu.

Akhir kata, Penulis berharap semoga laporan ini dapat bermanfaat bagi para pembaca.

Bandung 2013

v DAFTAR ISI

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... ix

DAFTAR SIMBOL ... xi

DAFTAR LAMPIRAN ... xii

BAB 1 PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 2

1.3. Maksud dan Tujuan ... 2

1.4. Batasan Masalah ... 3

1.5. Metodologi Penelitian ... 3

1.5.1. Metode pengumpulan data ... 4

1.5.2. Pengembangan Perangkat Lunak ... 4

1.6. Sistematika Penulisan ... 6

BAB 2 LANDASAN TEORI ... 5

2.1.Citra Digital ... 7

2.1.1 Penerapan Citra Digital Bidang Biomedis ... 8

2.1.2 Citra MRI ... 8

2.1.3 Pengolahan Citra Digital ... 10

2.1.3.1 Scalling ... 10

2.1.3.2 Grayscale ... 10

2.1.3.3 Tresholding ... 11

2.2.Kecerdasan Buatan... 11

2.2.1 Jaringan Syaraf Tiruan ... 12

2.2.2 Backpropagation ... 14

vi

2.3.1 Kompleksitas Algoritma... 18

BAB 3 ANALISIS ALGORITMA ... 23

3.1. Analisis Domain Masalah ... 23

3.2. Analisis Metode ... 23

3.2.1 Citra Input ... 24

3.2.2 Preprocessing ... 24

3.2.2.1 Scaling ... 24

3.2.2.2 Grayscale ... 24

3.2.2.3Threshold ... 26

3.2.3 Pembelajaran ... 27

3.2.4 Pengenalan ... 41

3.3. Analisis Kompleksitas Waktu Asimptotik Metode Backpropagation ... 46

3.4. Analisis Spesifikasi Kebutuhan Perangkat Lunak ... 52

3.4.1 Analisis Kebutuhan Non-Fungsional ... 54

3.4.1.1Analisis Kebutuhan Perangkat Keras ... 54

3.4.1.2 Analisis Kebutuhan Perangkat Lunak ... 54

3.4.1.3 Analisis Kebutuhan Pengguna ... 55

3.4.2. Analisis Kebutuhan Fungsional ... 55

3.4.2.1.Diagam Konteks ... 55

3.4.2.2. Data Flow Diagram (DFD) ... 56

3.4.2.3. Spesifikasi Proses ... 56

3.4.2.4. Kamus Data ... 56

3.4.2.5. Perancangan Struktur Menu ... 56

3.4.2.6. Perancangan Antarmuka ... 56

BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 57

4.1 Implementasi Sistem ... 57

4.1.1 Implementasi Perangkat Keras ... 57

4.1.2 Implementasi Perangkat Lunak ... 57

4.1.3 Implementasi Antarmuka ... 58

4.2 Pengujian Sistem... 58

vii

4.2.1.1 Rencana Pengujian ... 58

4.2.1.2 Pengujian ... 58

4.2.2.Pengujian Performansi ... 60

4.2.2.1.Rencana Pengujian Akurasi ... 60

4.2.2.2.Pengujian Akurasi ... 61

4.2.2.3 Pengujian Performansi Berdasarkan Waktu Pembelajaran ... 62

4.2.3 Pengujian White-Box ... 63

4.2.3.1Pengujian Proses Grayscale ... 63

4.2.3.2Pengujian Proses Threshold ... 65

4.2.3.3Pengujian Proses Pembelajaran Backpropagation ... 67

4.2.3.4Pengujian Proses Pengenalan Backpropagation ... 69

BAB 5 KESIMPULAN DAN SARAN ... 73

5.1 Kesimpulan ... 73

5.2 Saran ... 73

75

DAFTAR PUSTAKA

[1] Argisraha Satria C, 2012, Indonesian Journal Of Tropical and Infectious Deseas, Digital Detection System Design Of Mycrobacterium Tuberculosis Trough Axtraction Of Sputum Image Using Neural Network , No.1, Vol 3. [2] Zamani Mizza A, 2012, Teknik Pomits, Implementasi Algortima Genetika

pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara, No.1, Vol 1.

[3] Arif Riantini S, ITT Telkom, Deteksi Tumor Otak Berdasarkan Citra Magnetic Resonance Imaging (MRI) Berbasis Jaringan Syaraf Tiuan Radial Basis Function (RBF).

[4] Sommerville.I, 2011, Software Engineering (9th Edition). USA : Pearson. [5] Kusumadewi, 2003 , Artificial Intelligence ( Teknik dan Aplikasinya ), Graha

Ilmu : Yogyakarta.

[6] Putra Darma, 2010, Pengolahan Citra Digital, ANDI : Yogyakarta.

[7] Notosiswoyo M, 2004, Media Litbang Kesehatan, Pemanfaatan Magnetic Resonance Imaging (MRI) sebagai sarana diagnose pasien, no.3, vol XIV. [8] Adam Mukharil Bachtiar, Diktat Perkuliahan Analisis Algoritma, Universitas

Komputer Indonesia, Bandung.

1 BAB 1

PENDAHULUAN

1.1. Latar Belakang

Metode jaringan syaraf tiruan backpropagation merupakan metode yang banyak digunakan untuk diaplikasikan pada penyelesaian suatu masalah berkaitan dengan identifikasi, prediksi, dan pengenalan pola. Penelitian yang menggunakan metode backpropagation, salah satunya untuk mengidentifikasi suatu penyakit melalui pengenalan pola pada citra medis.

Berdasarkan hasil studi literatur penggunaan metode backpropagation untuk identifikasi penyakit melalui pengenalan pola citra medis contohnya penelitian yang dilakukan untuk identifikasi penyakit TBC (Tuberculosis). Langkah-langkah pengenalan pola penyakit TBC adalah preprocessing yang terdiri dari grayscale dan threshold, lalu pembelajaran menggunakan metode backpropagation. Tingkat akurasi yang dihasilkan pada penelitian ini sebesar 77.5% dalam pengenalan pola penyakit TBC menggunakan metode backpropagation [1]. Penelitian lain yang menggunakan metode backpropagation adalah penelitian untuk mengklasifikasikan kanker payudara. Penelitian ini bertujuan untuk mencari optimasi parameter pembelajaran yang paling baik dengan menggunakan algoritma genetika, optimasi parameter pembelajaran bertujuan untuk meningkatkan akurasi. Langkah-langkah untuk mengklasifikasikan kanker payudara adalah preprocessing dataset, pembangkitan populasi awal, pembelajaran backpropagation, lalu identifikasi, pada penelitian ini didapatkan akurasi sebesar 97% dalam mendeteksi kanker payudara [2]. Penelitian untuk mengidentifkasi penyakit tumor otak pernah dilakukan dengan menggunakan jaringan syaraf tiruan radial basic function, langkah-langkah proses pengidentifikasian terdiri dari preprocessing, ekstraksi cirri statistik, lalu pembelajaran menggunakan metode radial basis function, pada penelitian ini didapatkan tingkat akurasi sebesar 80% dalam mengidentifikasi tumor otak [3].

2

manusia. Kelebihan penerapan kecerdasan buatan pada suatu sistem adalah sistem dapat menarik kesimpulan dari hasil pembelajaran berdasarkan basis pengetahuan yang dimasukkan. Contoh sistem berbasis kecerdasan buatan adalah sistem pengenalan gambar menggunakan jaringan syaraf tiruan, yaitu suatu sistem dimana sistem tersebut dapat mengenali gambar dengan menggunakan data yang sudah diperoleh dari proses pembelajaran gambar yang telah dilakukan sebelumnya.

Metode backpropagation merupakan salah satu metode pembelajaran dari Jaringan Syaraf Tiruan (JST). Algoritma ini akan menghasilkan kinerja yang lebih baik karena latihan yang berulang–ulang. Metode backpropagation dipilih karena kemampuannya untuk belajar dan menangani nilai tersembunyi yang berada di dataset. Dataset adalah keseluruhan data training, dengan kelebihan tersebut dapat mewujudkan sistem yang konsisten bekerja dengan baik.

Penelitian-penelitian yang pernah dilakukan sebelumnya dengan menggunakan metode jaringan syaraf tiruan untuk identifikasi suatu penyakit melalui pola citra medis telah berhasil dilakukan, tetapi belum ditemukan penelitian untuk mengenali pola sel kanker otak menggunkan metode backpropagation, oleh sebab itu, perlu dilakukan penelitian untuk membuktikan apakah metode backpropagation cocok untuk mengenali pola kanker otak.

1.2. Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan, maka permasalahan yang ada pada penelitian ini adalah bagaimana menerapkan jaringan syaraf tiruan backpropagation pada pengenalan citra kanker otak dengan memanfaatkan fitur bit channel pada pixel hasil threshold.

1.3. Maksud dan Tujuan

3

Tujuan dari penelitian yang dilakukan dalam menganalisis metode jaringan syaraf tiruan backpropagation dalam pengenalan sel kanker otak untuk mengetahui performansi dan akurasi pada pengenalan citra kanker otak menggunakan metode jaringan syaraf tiruan backpropagation.

1.4. Batasan Masalah

Batasan masalah disusun agar sistem yang dibangun dapat terarah dan tidak menyimpang, batasan masalah dari aplikasi yang akan dibangun adalah sebagai berikut :

1. Citra yang akan diolah adalah citra MRI hasil pemotretan otak yang sehat dan otak sakit. Citra diakuisisi menggunakan kamera digital. Citra didapatkan dari RS. Hasan Sadikin. Data yang diolah berupa file gambar dua dimesi dengan format .bmp berukuran 45 x 45 pixel.

2. Proses terdiri dari input citra, preprocessing dan backpropagation. 3. Data keluaran berupa hasil klasifikasi kanker atau normal.

4. Metode yang digunakan sebagai metode pembelajaran adalah metode jaringan syaraf tiruan backpropagation.

5. Sistem yang akan dibangun berbasis desktop.

6. Sistem yang dibangun menggunakan pemodelan terstruktrur.

7. Sistem yang dibangun menggunakan bahasa pemrograman Visual C# dan menggunakan Microsoft Visual Studio 2010 sebagai editor untuk menulis kode program. Pengolahan grafik menggunakan Microsoft Visio 2007 dan Photoshop CS5.

1.5. Metodologi Penelitian

4

secara sistematis, faktual dan akurat. Metode penelitian ini memiliki dua tahapan, yaitu tahap pengumpulan data dan tahap pengembangan perangkat lunak.

1.5.1. Metode pengumpulan data

Metode Pengumpulan data yang digunakan untuk pembangunan aplikasi pendeteksi sel kanker otak menggunakan metode jaringan syaraf tiruan backpropagation adalah studi pustaka. Studi ini dilakukan dengan cara mempelajari, literatur-literatur dari perpustakaan yang bersumber dari buku- buku, teks, jurnal ilmiah, situs - situs di internet, dan bacaan-bacaan yang berkaitan dengan topik penelitian.

1.5.2. Pengembangan Perangkat Lunak

Tahapan pengembangan sistem yang digunakan dalam penelitian ini mengacu pada model waterfall, tahapan-tahapan pembangunan perangkat lunak yang digunakan dalam metode penelitian ini adalah sebagai berikut [4]:

1. Requirement definition

Tahap ini adalah tahapan analisis terhadap kebutuhan simulator dan tahap untuk mengadakan pengumpulan data citra MRI dengan melakukan kunjungan ke RS.Hasan Sadikin.

2. System and software design

5

3. Implementation and unit testing

Tahap ini mendesain sistem dan program maka pada tahap ini desain diterjemahkan ke dalam kode-kode dengan menggunakan bahasa pemrograman C# (C-Sharp). Program yang dibangun langsung diuji secara unit. Pengujian dilakukan untuk menemukan kesalahan-kesalahan terhadap simulator untuk kemudian bias diperbaiki.

4. Integration and system testing

Tahapini adalah tahappenyatuan unit-unit program kemudian diuji secara keseluruhan untuk memastikan lagi kesalahan-kesalahan yang masih terjadi pada simulator untuk kemudian diperbaiki.

5. Operation and maintenance

Tahap ini mengoperasikan aplikasi dilingkungannya dan melakukan pemeliharaan seperti penyesuaian atau perubahan karena adaptasi dengan situasi yang sebenarnya, pada simulator pengenalan sel kanker otak tahap ini tidak diperlukan.

6

1.6. Sistematika Penulisan

Sistematika penulisan disusun untuk memberikan gambaran secara umum tentang permasalahan dan pemecahannya. Sistematika penulisan penelitian tugas akhir ini adalah sebagai berikut :

BAB 1 : PENDAHULUAN

Bab 1 pendahuluan membahas mengenai latar belakang, rumusan masalah, maksud dan tujuan, batasan masalah, metode penelitian, serta sistematika penulisan untuk menjelasakan pokok-pokok pembahasannya.

BAB 2 : LANDASAN TEORI

Bab 2 Landasan Teori membahas tentang konsep dasar dan teori – teori yang berkaitan dengan penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis permasalahan.

BAB 3 : ANALISIS ALGORITMA

Bab 3 Analisis algoritma, membahas mengenai analisis domain masalah, analisis metode, analisis optimasi.

BAB 4 : IMPLEMENTASI DAN PENGUJIAN

Bab 4 implementasi dan pengujian, membahas mengenai implementasi serta pengujian sistem untuk mengetahui performansi algoritma.

BAB 5 : KESIMPULAN DAN SARAN

7 BAB 2

LANDASAN TEORI

2.1.Citra Digital

Pengolahan citra digital adalah proses pengolahan gambar dua dimensi menggunakan komputer, citra digital adalah sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu [6]. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f pada titik koordinat (x,y) dinamakan intensitas atau tigkat keabuan dari citra pada titik tersebut. Apabila nilai x,y, dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapatdikatakan bahwa citra tersebut adalah citra digital, gambar 2.1 menunjukan posisi koordinat citra digital [6].

Gambar 2.1 Koordinat Citra Digital [6]

Citra digital dapat ditulis dalam bentuk matriks seperti gambar 2.2

Gambar 2.2 Matriks Citra Digital [6]

8

sering digunakan pada citra digital. Gambar 2.3 menunjukan ilustrasi digitalisasi citra dengan M=16 baris dan N=16 kolom.

Gambar 2.3 Ilustrasi Digitalisasi Citra [6]

2.1.1. Penerapan Citra Digital Bidang Biomedis

Pengolahan citra digital mengalami kemajuan penting dalam bidang kedokteran ketika ditemukannya tomografi terkomputerisasi (Computerized Tomography/CT) pada tahun 1970-an dan kini teknologi tomografi tersebut sudah maju sangat pesat. Pengolahan citra digital dapat digunakan untuk deteksi tumor atau kanker rahim, identifikasi penyakit paru-paru, identifikasi penyakit hati, identifikasi penyakit tulang, segmentasi tulang dari otot yang lainnya, klasifikasi gigi dan analisis citra mikroskopis. Beberapa dari kemajuan pada bidang kedokteran tersebut karena kemampuan pengolahan citra digital mampu menginterpretasikan sinar x (x ray). Kemampuan lainnya adalah aplikasi volumetric 3D Magnetic Resonance Imaging (MRI) yang mampu mendapatkan pencitraan organ dalam tubuh manusia secara jelas dengan menggunakan scanner MRI [6].

2.1.2. Citra MRI

9

berkekuatan antara 0,064 – 1,5 tesla (1 tesla = 1000 Gauss) dan resonansi getaran terhadap inti atom hydrogen [7].

Selanjutnya MRI bila ditinjau dari tipenya terdiri dari [7]:

1. MRI yang memiliki kerangka terbuka (open gantry) dengan ruang yang luas.

2. MRI yang memiliki kerangka (gantry) biasa yang berlorong sempit. Sedangkan bila ditinjau dari kekuatan magnetnya terdiri dari [7] :

a. MRITesla tinggi ( High Field Tesla) memiliki kekuatan di atas 1 – 1,5 T b. MRI Tesla sedang (Medium Field Tesla) memiliki kekuatan 0,5 – 1T 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 teknik 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.

Ada beberapa kelebihan MRI dibandingkan dengan pemeriksaan CT Scan yaitu [7]:

a. MRI lebih unggul untuk mendeteksi beberapa kelainan pada jaringan lunak seperti 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. d. Mampu membuat gambaran potongan melintang, tegak, dan miring tanpa

merubah posisi pasien.

e. MRI tidak menggunakan radiasi pengion.

10

Gambar 2.4 Alat MRI [7]

2.1.3. Pengolahan Citra Digital

Pengolahan citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia/mesin(komputer). Inputannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan.

Proses pengolahan citra yang digunakan pada penelitian ini terdiri dari proses scaling, grayscale, thresholding.

2.1.3.1.Scaling

Scaling atau Penskalaan citra adalah sebuah operasi geometri yang memberikan efek memperbesar atau memperkecil ukuran citra input sesuai dengan variabel penskalaan citranya. Scaling digunakan untuk memperbesar (zoom-in) atau memperkecil (zoom-out) citra [6]. Rumus yang digunakan untuk proses scaling terlihat seperti persamaan 2.1.

x = Shx y = Svy (2.1) Keterangan :

Sh : faktor skala horizontal

Sv : faktor skala vertikal

2.1.3.2.Grayscale

11

dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan kebuan disini merupakan warna abu dengan berbagai dari hitam hingga mendekati putih. Citra grayscale memiliki kedalaman warna 8 bit ( 256 kombinasi warna keabuan ) [6]. Rumus yang digunakan untuk grayscale terlihat seperti persamaan 2.2.

Grayscale = ( R + G + B) / 3 (2.2)

Keterangan :

R = Red (menyatakan warna merah) G = Green (menyatakan warna hijau) B = Blue (menyatakan warna biru)

2.1.3.3.Tresholding

Tresholding atau pengambangan membuat citra memiliki dua tingkat keabuan yaitu hitam dan putih, proses pengambangan akan menghasilkan citra biner [6]. Proses tresholding mengikuti aturan dari persamaan 2.3.

( , ) = 1 ( , ) ≥

0 ( , ) < (2.3)

Keterangan :

g (x,y) : citra biner dari citra grayscale T : nilai ambang

2.2.Kecerdasan Buatan

Kecerdasan buatan ( Artificial Intelligence ) merupakan salah satu ilmu komputer yang membuat agar mesin ( komputer ) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia [5]. Kecerdasan buatan mempunyai dua bagian utama yang sangat dibutuhkan dalam melakukan aplikasi, seperti terlihat pada gambar 2.5 komponen yang dibutuhkan adalah :

a. Basis Pengetahuan ( Knowledge Base ), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya [5].

12

Gambar 2.5 Penerapan Kecerdasan Buatan [5]

Kecerdasan buatan terdiri dari beberapa kajian diantaranya adalah sistem pakar, jaringan syaraf tiruan, computer vision, simulasi crowd, logika fuzzy, algoritma genetika, dokumen minning.

2.2.1. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (neural network) adalah salah satu kajian pada kecerdasan buatan. Jaringan syaraf tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk menstimulasikan proses pembelajaran pada otak manusia tersebut [5]. Istilah buatan maksudnya adalah jaringan syaraf yang diimplementasikan menggunakan program computer untuk menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

13

Gambar 2.6 Komponen Jaringan Syaraf Tiruan [5]

Jaringan Syaraf tiruan mempunyai dua macam proses pembelajaran yaitu pembelajaran terawasi dan pembelajaran tidak terawasi. Pembelajaran terawasi adalah jika output yang diharapkan telah diketahui sebelumnya, sedangkan pembelajaran tidak terawasi adalah proses pembelajaran yang tidak memerlukan target output [5].

1. Pembelajaran Terawasi ( Supervised Learning )

Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. Metode pembelajaran terawasi diantaranya Hebb Rule, Perceptron, Delta Rule, Backpropagation, Learning Vektor Quantization, Heteroassociative

Memory.

2. Pembelajaran Tak Terawasi ( Unsupervised Learning )

Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Metode pembelajaran tidak terawasi salah satunya adalah jaringan kohonen

Output dari percepton yang lain Input dari

14

2.2.2. Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceprton dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur ( backward ). Untuk mendapatkan error ini, tahap perambatan maju ( forward ) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, seperti terlihat pada rumus 2.4. merupakan fungsi aktivasi sigmoid biner, yaitu [5] :

f

( x) =

(2.4)

Arsitektur backpropagation terlihat seperti gambar 2.7, jaringan terdiri atas 3 unit (neuron) pada lapisan input yaitu x _,x , danx ; 1 lapisan tersembunyi dengan 2 neuron, yaitu z danz ; serta 1 unit pada lapisan output, yaitu y. bobot yang menghubungkan x _,x , danx dengan neuron pertama pada lapisan tersembunyi

adalah v v v ( v ∶ Bobot yang menghubungkan neuron input ke-i ke neuron

15

Gambar 2.7 Arsitektur jaringan backpropagation [2].

Algoritma backpropagation [5]:

Inisialisasi bobot (ambil bobot awal dengan nilai random).

Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE: 1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran,

kerjakan: Feedforward:

a. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).

b. Tiap-tiap unit tersembunyi (Zi, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot:



 

 n

1 i

ij i j 0

j v xv

in _

z ( 2.5)

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f( z_inj) ( 2.6)

kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

16

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

yk = f(y_ink) (2.8)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

Backpropagation

d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya:

k = (tk – yk) f’(y_ink) (2.9)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk):

wjk = k zj (2.10)

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k):

w0k = k (2.11)

kirimkan k ini ke unit-unit yang ada di lapisan bawahnya.

e. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya):



kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:

j = _inj f’(z_inj) (2.13)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij):

vjk = j xi (2.14)

17

v0j = j (2.15)

f. Tiap-tiap unit output (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p):

wjk(baru) = wjk(lama) + wjk (2.16)

Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n):

vij(baru) = vij(lama) + vij (2.17)

2.Tes kondisi berhenti

Keterangan Rumus :

_ : Bobot sinyal unit tersembunyi : Keluaran unit tersembunyi

_ : Bobot sinyal lapisan keluaran : Keluaran unit keluaran

: Kesalahan

Δ : Koreksi bobot unit keluaran

v : Bobot yang menghubungkan neuron input ke-i ke neuron ke-j pada lapisan tersembunyi

Δ : Koreksi bobot unit tersembunyi xi : Unit ( neuron ) pada lapisan input n : Jumlah neuron (unit) pada lapisan input v : Bobot awal masuk ke hidden

v0 : Bobot bias yang menuju ke hidden w : Bobot awal hidden ke output w0 : Bobot bias yang menuju ke output α : Learning rate / rasio pembelajaran

2.3Algoritma

18

langkah dalam menentukan suatu masalah. Algortima adalah serangkaian urutan langkah-langkah atau prosedur untuk menyelesaikan suatu masalah dengan memproses nilai masukan menjadi nilai keluaran.

Dalam mempelajari algortima, kita diperlukan untuk dapat menganalis algoritma dalam menentukan performansinya. Suatu Algoritma tidak saja harus benar, tetapi juga harus efisien dengan menghitung nilai dari performansinya. Setiap algortima memiliki nilai performansi yang berbeda-beda. Performansi suatu Algoritma dapat diukur dengan menghitung nilai kompleksitas waktunya dimana setiap langkahnya akan dihitung [8].

2.3.1 Kompleksitas Algoritma

Kompleksitas algoritma terdiri dari waktu dan ruang. Kompleksitas waktu asimptotik merupakan waktu yang dibutuhkan suatu Algoritma menyelesaikan tiap langkahnya. Setiap Algoritma memiliki kompleksitas waktu yang berbeda-beda. Komplesitas waktu asimptotik diperlukan untuk menghitung performansi suatu Algoritma. Untuk menghitung kompleksitas waktu asimptotik suatu Algoritma digunakanlah notasi “O-Besar” (Big-O) yang merupakan notasi kompleksitas waktu asimptotik. Definisi dari Big-O atau O(g(n)) adalah kumpulan semua fungsi yang order of growth-nya lebih kecil atau sama dengan g(n), sedangkan definisi dari order of growth adalah istilah yang dapat digunakan untuk pola varian jumlah input dalam suatu pengujian algoritma [8]. Contoh :

( ) ; 100 + 5 ( )

1

2 ( −1) ( )

∉ ( ) ; 0,0001 ∉ ( ) ; + + 1 ∉ ( )

Perhitungan kompleksitas waktu asimptotik dengan menghitung nilai O-besar dari setiap instruksi di dalam Algoritma dengan contoh dibawah ini, kemudian diterapkan teorema O-Besar.

19

2. Pengaksesan elemen larik atau memilih field tertentu dari sebuah record membutuhkan waktu O(1).

Read(x); O(1) x:=x+a[k]; O(1)+ O(1)+O(1)= O(1) Writeln(x); O(1)

Kompleksitas waktu di atas adalah O(1), didapat dari = O(1)+ O(1)+ O(1)

= O(max(1,1))+ O(1) = O(1)+ O(1)

= O(max(1,1)) = O(1)

3. If c then s1 else s2. Membutuhkan waktu Tc + max(Ts1,Ts2).

read(x); O(1)

if x mod 2=0 then O(1) begin

x:=x+1; O(1) writeln(x);O(1) end

else

writeln(x); O(1)

Kompleksitas waktu di atas adalah O(1), didapat dari = O(1) + O(1) max (O(1)+ O(1), O(1))

= O(1) + max(O(1), O(1)) = O(1)

4. Kalang for. Kompleksitas waktu kalang for adalah jumlah pengulangan dikali dengan kompleksitas waktu badan kalang.

For i=1 to n do O(n) Jumlah:= jumlah +a[i]; O(1) Kompleksitas waktu di atas adalah O(n), didapat dari = O(n) . O(1)

20

5. While c do s; dan repeat s until c; untuk kedua buah kalang, kompleksitas waktunya adalah jumlah pengulangan dikali dengan waktu badan c dan s.

i:=2; O(1)

while i<=n do O(n) begin

jumlah:=jumlah+a[i]; O(1) i:= i +1; O(1)

end;

Kompleksitas waktu di atas adalah O(1), didapat dari = O(1)+ O(n){O(1)+O(1)}

= O(1)+ O(n) O(1) = O(1)+ O(n.1) = O(1)+ O(n) = O(n)

Berikut ini adalah pengelompokan algoritma berdasarkan notasi O-besar dapat dilihat pada Tabel 2.1.

Tabel 2.1 Pengelompokan Algoritma Berdasarkan Notasi O-Besar

Kelompok Algoritma Nama

O(1) O(log n) O(n) O(n log n)

O( )

O( )

O(2 ) O(n!)

konstan logaritmik lanjar n log n kuadratik kubik eksponensial faktorial

Urutan spektrum kompleksitas waktu algoritma adalah :

O(1)<O(log n) < O(n)< O(n log n) < O( ) O( )<...<O(2 )<O(n!)

21

Penjelasan masing-masing kelompok algoritma dapat dilihat pada Tabel 2.2.

Tabel 2.2 Kelompok Algoritma dan Penjelasannya

Kelompok Algortima

Penjelasan

O(1) Kompleksitas O(1) berarti waktu pelaksanaan algoritma adalah tetap, tidak bergantung pada ukuran masukan. Contohnya prosedur tukar di bawah ini:

procedure tukar(var a : integer; var b : integer); var

temp: integer; begin

temp:=a; a:=b; b:=temp; end;

Di sini jumlah operasi penugasan (assignment) ada tiga buah dan tiap operasi dilakukan satu kali. Jadi, T(n) = 3 = O(1).

O(log n) Kompleksitas waktu logaritmik berarti laju pertumbuhan waktunya

berjalan lebih lambat daripada pertumbuhan n. Algoritma yang termasuk kelompok ini adalah algoritma yang memecahkan persoalan besar dengan mentransformasikannya menjadi beberapa persoalan yang lebih kecil yang berukuran sama (misalnya algoritma pencarian_biner). Di sini basis algoritma tidak terlalu penting sebab bila n dinaikkan dua kali semula, misalnya, log n meningkat sebesar sejumlah tetapan.

O(n) Algoritma yang waktu pelaksanaannya lanjar umumnya terdapat

pada kasus yang setiap elemen masukannya dikenai proses yang sama, misalnya algoritma pencarian_beruntun. Bila n dijadikan dua kali semula, maka waktu pelaksanaan algoritma juga dua kali semula.

O(n log n) Waktu pelaksanaan yang n log n terdapat pada algoritma yang

22

Kelompok Algoritma

Penjelasan

O( ) Algoritma yang waktu pelaksanaannya kuadratik hanya praktis digunakan untuk persoalana yang berukuran kecil. Umumnya algoritma yang termasuk kelompok ini memproses setiap masukan dalam dua buah kalang bersarang, misalnya pada algoritma urut_maks. Bila n = 1000, maka waktu pelaksanaan algoritma adalah 1.000.000. Bila n dinaikkan menjadi dua kali semula, maka waktu pelaksanaan algoritma meningkat menjadi empat kali semula.

O( ) Seperti halnya algoritma kuadratik, algoritma kubik memproses setiap masukan dalam tiga buah kalang bersarang, misalnya algoritma perkalian matriks. Bila n = 100, maka waktu pelaksanaan algoritma adalah 1.000.000. Bila n dinaikkan menjadi dua kali semula, waktu pelaksanan algoritma meningkat menjadi delapan kali semula

O(2 ) Algoritma yang tergolong kelompok ini mencari solusi persoalan secara "brute force", misalnya pada algoritma mencari sirkuit Hamilton. Bila n = 20, waktu pelaksanaan algoritma adalah 1.000.000. Bila n dijadikan dua kali semula, waktu pelaksanaan menjadi kuadrat kali semula!

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

1

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

ANALISIS METODE JARINGAN SYARAF TIRUAN

BACKPROPAGATION UNTUK PENGENALAN

SEL KANKER OTAK

Novita Handayani

Teknik Informatika - Universitas Komputer Indonesia Jl. Dipati Ukur No. 112-116, Bandung 402123 E-mail handayani.novita1991@gmail.com

ABSTRAK

Berdasarkan hasil studi literatur penggunaan metode backpropagation untuk identifikasi penyakit melalui pengenalan pola citra medis, sebagai contoh penelitian yang dilakukan untuk identifikasi penyakit TBC (Tuberculosis) tingkat akurasi yang dihasilkan pada penelitian ini sebesar 77.5%. Penelitian lain yang menggunakan metode backpropagation adalah penelitian untuk mengklasifikasikan kanker payudara didapatkan akurasi sebesar 97%. Penelitian untuk mengidentifkasi penyakit tumor otak menggunakan jaringan syaraf tiruan radial basic function didapatkan tingkat akurasi sebesar 80% dalam mengidentifikasi tumor otak. Belum ditemukan penelitian untuk mengenali pola sel kanker otak menggunkan metode backpropagation, oleh sebab itu, perlu dilakukan penelitian untuk membuktikan apakah metode backpropagation cocok untuk mengenali pola kanker otak.

Metode yang digunakan adalah jaringan syaraf tiruan- backpropagation. Metode backpropagation. Metode pendekatan yang digunakan adalah terstruktur dan metode pengembangannya menggunakan model waterfall.

Simulator dibangun menggunakan Microsoft Visual Studio 2010 dengan menggunakan bahasa C#.

Berdasarkan hasil pengujian dengan menggunakan tiga parameter pembelajaran yang berbeda, maka diperoleh kesimpulan tingkat akurasi yang dihasilkan pada penelitian ini masih kurang baik dalam mengenali sel kanker otak dengan tingkat akurasi rata-rata 57% dengan rata-rata waktu pengenalan 29.5 milisecond dengan menggunakan 10 data uji dengan 5 data normal dan 5 data kanker.

Kata Kunci : Pengenalan Sel Kanker Otak, Jaringan Syaraf Tiruan Backpropagation, Citra Digital.

1. PENDAHULUAN

Metode jaringan syaraf tiruan backpropagation merupakan metode yang banyak digunakan untuk diaplikasikan pada penyelesaian

suatu masalah berkaitan dengan identifikasi, prediksi, dan pengenalan pola. Penelitian yang menggunakan metode backpropagation, salah satunya untuk mengidentifikasi suatu penyakit melalui pengenalan pola pada citra medis.

Berdasarkan hasil studi literatur penggunaan metode backpropagation untuk identifikasi penyakit melalui pengenalan pola citra medis contohnya penelitian yang dilakukan untuk identifikasi penyakit TBC (Tuberculosis). Langkah-langkah pengenalan pola penyakit TBC adalah preprocessing yang terdiri dari grayscale dan threshold, lalu pembelajaran menggunakan metode backpropagation. Tingkat akurasi yang dihasilkan pada penelitian ini sebesar 77.5% dalam pengenalan pola penyakit TBC menggunakan metode backpropagation [1]. Penelitian lain yang menggunakan metode backpropagation adalah penelitian untuk mengklasifikasikan kanker payudara. Penelitian ini bertujuan untuk mencari optimasi parameter pembelajaran yang paling baik dengan menggunakan algoritma genetika, optimasi parameter pembelajaran bertujuan untuk meningkatkan akurasi. Langkah-langkah untuk mengklasifikasikan kanker payudara adalah preprocessing dataset, pembangkitan populasi awal, pembelajaran backpropagation, lalu identifikasi, pada penelitian ini didapatkan akurasi sebesar 97% dalam mendeteksi kanker payudara [2]. Penelitian untuk mengidentifkasi penyakit tumor otak pernah dilakukan dengan menggunakan jaringan syaraf tiruan radial basic function, langkah-langkah proses pengidentifikasian terdiri dari preprocessing, ekstraksi cirri statistik, lalu pembelajaran menggunakan metode radial basis function, pada penelitian ini didapatkan tingkat akurasi sebesar 80% dalam mengidentifikasi tumor otak [3].

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

2

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

adalah keseluruhan data training, dengan kelebihan tersebut dapat mewujudkan sistem yang konsisten bekerja dengan baik.

Penelitian-penelitian yang pernah dilakukan sebelumnya dengan menggunakan metode jaringan syaraf tiruan untuk identifikasi suatu penyakit melalui pola citra medis telah berhasil dilakukan, tetapi belum ditemukan penelitian untuk mengenali pola sel kanker otak menggunkan metode backpropagation, oleh sebab itu, perlu dilakukan penelitian untuk membuktikan apakah metode backpropagation cocok untuk mengenali pola kanker otak.

Tujuan dari penelitian yang dilakukan dalam menganalisis metode jaringan syaraf tiruan backpropagation dalam pengenalan sel kanker otak untuk mengetahui performansi dan akurasi pada pengenalan citra kanker otak menggunakan metode jaringan syaraf tiruan backpropagation.

2. ISI PENELITIAN

2.1 Metode yang digunakan

Pada penelitian ini metode yang digunakan meliputi preprocessing dan metode jaringan syaraf tiruan backpropagation.

2.1.1Preprocessing

Preprocessing terdiri dari scaling, grayscale, dan thresholding.

1. Scaling

Scaling atau Penskalaan citra adalah sebuah operasi geometri yang memberikan efek memperbesar atau memperkecil ukuran citra input sesuai dengan variabel penskalaan citranya. Scaling digunakan untuk memperbesar (zoom-in) atau memperkecil (zoom-out) citra [5]. Rumus yang digunakan untuk proses scaling terlihat seperti persamaan 1.

x′= Shx y′= Svy (1) Keterangan :

Sh : faktor skala horizontal

Sv : faktor skala vertikal

2. Grayscale

Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian RED = GREEN = BLUE. [5].

Rumus yang digunakan untuk grayscale terlihat seperti persamaan 2.

Grayscale = ( R + G + B) / 3 (2)

3. Tresholding

Tresholding atau pengambangan membuat citra memiliki dua tingkat keabuan yaitu hitam dan putih, proses pengambangan akan menghasilkan citra biner [6]. Proses tresholding mengikuti aturan dari

Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceprton dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur ( backward ). Untuk mendapatkan error ini, tahap perambatan maju ( forward ) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, seperti terlihat pada rumus 4. merupakan fungsi aktivasi sigmoid biner, yaitu [4] :

f( x) = (4) Algoritma backpropagation [4]:

Inisialisasi bobot (ambil bobot awal dengan nilai random).

Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE:

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f(z_inj) (6) kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). c. Tiap-tiap unit output (Yk, k=1,2,3,...,m)

menjumlahkan sinyal-sinyal input terbobot.

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

3

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

Backpropagation

d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya:

k = (tk – yk) f’(y_ink) (9) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk):

wjk = k zj (10) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k):

w0k = k (11) kirimkan k ini ke unit-unit yang ada di lapisan bawahnya.

e. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): fungsi aktivasinya untuk menghitung informasi error:

j = _inj f’(z_inj) (13) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij):

vjk = j xi (.14) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v0j):

v0j = j (15) f. Tiap-tiap unit output (Yk, k=1,2,3,...,m)

memperbaiki bias dan bobotnya (j=0,1,2,...,p): 2. Tes kondisi berhenti

2.1.3 Analisis Algoritma Asimptotik

Kompleksitas algoritma terdiri dari waktu dan ruang. Kompleksitas waktu asimptotik merupakan waktu yang dibutuhkan suatu Algoritma menyelesaikan tiap langkahnya. Setiap Algoritma memiliki

kompleksitas waktu yang berbeda-beda. Komplesitas waktu asimptotik diperlukan untuk menghitung performansi suatu Algoritma. Untuk menghitung kompleksitas waktu asimptotik suatu Algoritma digunakanlah notasi “O-Besar” (Big-O) yang merupakan notasi kompleksitas waktu asimptotik. Definisi dari Big-O atau O(g(n)) adalah kumpulan semua fungsi yang order of growth-nya lebih kecil atau sama dengan g(n), sedangkan definisi dari order of growth adalah istilah yang dapat digunakan untuk pola varian jumlah input dalam suatu pengujian algoritma [6]

Berikut ini adalah pengelompokan algoritma berdasarkan notasi O-besar dapat dilihat pada Tabel1 [6].

Tabel 1. Pengelompokan Algoritma Berdasarkan Notasi O-Besar [6]

Urutan spektrum kompleksitas waktu algoritma adalah :

O(1)<O(log n) < O(n)< O(n log n) < O( ) O( )<...<O(2)<O(n!)

algoritma polinomial algortima eksponensial

Penjelasan masing-masing kelompok algoritma dapat dilihat pada Tabel 2.

Tabel 2 Kelompok Algoritma dan Penjelasannya[6] Kelompok

Algortima

Penjelasan

O(1) Kompleksitas O(1) berarti waktu pelaksanaan algoritma adalah tetap, tidak bergantung pada ukuran masukan.

O(n) Algoritma yang waktu pelaksanaannya lanjar umumnya terdapat pada kasus yang setiap elemen masukannya dikenai proses yang sama, misalnya algoritma pencarian_beruntun. Bila n dijadikan dua kali semula, maka waktu pelaksanaan algoritma juga dua kali semula.

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

4

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

kecil. Umumnya algoritma yang termasuk kelompok ini memproses setiap masukan dalam dua buah kalang bersarang, misalnya pada algoritma urut_maks. Bila n = 1000, maka waktu pelaksanaan algoritma adalah 1.000.000. Bila n dinaikkan menjadi dua kali semula, maka waktu pelaksanaan algoritma meningkat menjadi empat kali semula.

O(2 ) Algoritma yang tergolong kelompok ini mencari solusi persoalan secara "brute force", misalnya pada algoritma mencari sirkuit Hamilton. Bila n = 20, waktu pelaksanaan algoritma adalah 1.000.000. Bila n dijadikan dua kali semula, waktu pelaksanaan menjadi kuadrat kali semula!

2.2 Analisis Algoritma

Proses yang digunakan pada penelitian ini terlihat seperti gambar 1

Gambar 1 Proses Pengenalan Kanker Otak

2.2.1 Citra Input

Citra input merupakan citra MRI otak yang terdiri dari citra MRI otak normal dan citra MRI kanker otak. Citra MRI pada awalnya belum berupa citra digital, jadi diperlukan proses akuisisi citra menggunakan kamera digital. Citra input diubah ekstensinya dari jpeg menjadi bmp menggunakan photoshop CS5.

2.2.2 Preprocessing

1. Scaling

Scaling merupakan proses penskalaan pada gambar, pada proses penskalaan gambar, gambar dapat diperbesar atau diperkecil, pada penelitian ini gambar akan diperkecil. Gambar yang akan menjadi data latih dan data uji diperkecil menggunakan library aforge dengan ukuran lebar 45 pixel dan panjang 45 pixel.

2. Grayscale

Grayscale merupakan proses pengubahan citra menjadi citra keabuan. Sebagai contoh kasus, terdapat citra MRI kanker otak berukuran 45 x 45 pixel terlihat seperti gambar 2.

Gambar 2. Citra MRI Kanker Otak Ukuran 45 x 45 Pixel

Sebagai contoh perhitungan diambil matriks 3 x 3 pixel dari citra MRI kanker otak diambil pada koordinat ((25,25), (25,26), (25,27), (26,25), (26,26), (26,27), (27,25), (27,26), (27,27)), terlihat seperti gambar 3, matriks dari citra tersebut akan diubah menjadi citra keabuan.

x/y 25 26 27

25 (175,169,197) (174,168,196) (166,157,188) 26 (200,194,222) (200,194,222) (195,186,217) 27 (195,189,215) (200,194,222) (202,193,222)

Gambar 3 Matriks Citra MRI Kanker Otak Ukuran 3x3 Pixel

Langkah-langkah perhitungan grayscale adalah sebagai berikut:

a. Setiap pixel dihitung nilai grayscale nya grayscal e = R + G+ B

3

b. Nilai RGB setiap pixel diulang dengan nilai grayscale yang dihasilkan pada perhitungan langkah a. Hasil dari proses grayscale terlihat seperti gambar 4

Gambar 4 Citra Kanker Otak Hasil Grayscale

Matriks citra grayscale pada gambar 4, terlihat pada gambar 5, nilai RGB pada masing-masing pixel telah sama.

Gambar 5 Matriks Citra Kanker Otak Hasil

Grayscale 3. Threshold

Threshold merupakan proses pengubahan citra menjadi citra biner atau citra hitam putih. Citra masukan yang akan diubah menjadi citra biner adalah citra kanker otak pada gambar 4. Proses threshold dilakukan dengan langkah-langkah sebagai berikut :

a. Tentukan nilai threshold (T) dengan rentang 0-255, dalam penelitian ini diambil nilai T=190, karena jika nilai T< 190 maka background dari otak terlalu banyak, sedangkan apabila T >190 maka pixel kanker terlalu banyak yang hilang b. Jika nilai pixel lebih dari atau sama dengan 190

maka ubah nilai pixel pada citra menjadi 1, jika nilai pixel kurang dari 190 maka ubah nilai pixel menjadi 0.

Hasil proses threshold terlihat pada gambar 6 x/y 25 26 27

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

5

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

Gambar 6 Citra Kanker Otak Hasil

Threshold

Matriks citra kanker otak hasil threshold terlihat seperti gambar 7

x/y 25 26 27 25 0 0 0 26 1 1 1 27 1 1 1

Gambar 7 Matriks Kanker Otak Hasil

Threshold

2.2.3 Pembelajaran

Metode pembelajaran yang digunakan pada penelitian ini adalah jaringan syaraf tiruan backpropagation dengan menggunakan dua perambatan yaitu perambatan maju dan perambatan mundur. Masukan pada proses pembelajaran merupakan matriks hasil threshold citra kanker otak pada gambar 6. Selanjutnya, matriks tersebut diubah menjadi vektor terlihat seperti gambar 8

0

Gambar 8 Vektor Citra Kanker Otak

Ditambahkan satu citra otak normal dengan matriks 3x3, diketahui vektor dari citra tersebut seperti terlihat pada gambar 9

1

Gambar 9 Vektor Citra Otak Normal

Vektor dari citra kanker otak dan citra otak normal kemudian disatukan untuk kemudian dilatih. Terlihat seperti gambar 10

Gambar 10 Gabungan Vektor Kanker Otak dan Otak Normal

Dengan target seperti gambar 11, 1 merupakan klasifikasi kanker dan 0 merupakan klasifikasi normal

1 0

Gambar 11 Target Output

Menurut buku yang berjudul machine learning karangan Tom M. Mitchell [7], pada buku tersebut dijelaskan mengenai pembangunan sebuah mesin pembelajaran untuk pengenalan wajah, arsitektur yang digunakan pada pembelajarannya menggunakan 2 layer dan jumlah unit sebanyak input yang akan direduksi, sedangkan pada penelitian ini jumlah layer yang digunakan yaitu 3 layer dan 8 unit perceptron. Arsitektur backpropagation terlihat seperti gambar 3.12, terdapat 9 input ( ,

, , , , , , , ,), 3 input layer ( z0, z1, z2 ), 4 hidden layer (z3, z4, z5, z6), dan satu output layer ( z7). Z adalah penamaan untuk perceptron. Arsitektur backpropagation yang digunakan pada penelitian ini terlihat seperti gambar 12.

Gambar 12. Arsitektur

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

6

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

Langkah-langkah proses pembelajaran adalah sebagai berikut :

1. Tentukan nilai maksimum perulangan, rasio pembelajaran, dan error minimum. Pada contoh perhitungan ini digunakan batasan sebagai berikut:

Maksimum perulangan = 2

Rasio pembelajaran = 0.5, dengan range 0-1, maka dalam contoh kasus ini dipilih nilai 0.5 sebagai rasio pembelajaran

Error minimum = 0.01

2. Inisialisasikan bobot awal dengan nilai random dengan interval 0-1

3. Perulangan dilakukan selama nilai perulangan lebih kecil dari maksimal perulangan dan kuadrat error lebih besar dari nilai error minimum. Setiap data dilakukan perulangan perhitungan langkah 4 dan langkah 5.

4. Perambatan maju (feedforward) perulangan ke-1

Data ke-1

5. Perambatan Mundur ( backpropagation) Pada data kedua dilakukan operasi-operasi yang sama dengan menggunakan bobot-bobot akhir hasil pengolahan data pertama ini sebagai bobot-bobot awalnya. Proses ini dilakukan secara berulang sampai pada maksimum perulangan atau kuadrat error < target error.

2.2.4 Pengenalan

Pengenalan merupakan proses yang dilakukan untuk mengenali citra uji. Sebagai contoh kasus terdapat citra kanker otak untuk citra uji berukuran 3 x 3 pixel yang telah di-preprocessing terlebih dahulu, dan diubah dari matriks menjadi array satu dimensi terlihat seperti gambar 13

0

Gambar 13 Array Citra Uji

Langkah –langkah proses pengenalan adalah sebagai berikut :

1. Lakukan proses pembelajaran terlebih dahulu menggunakan perambatan maju dan perambatan mundur, proses pembelajaran sama dengan penjelasan pada sub-bab 3.2.3. Proses pembelajaran telah dilakukan dan didapatkan bobot-bobot hasil pembelajaran.

2. Setelah didapatkan bobot hasil pembelajaran, lakukan proses pengenalan dengan menggunakan perambatan maju (Feedforward)

3. Nilai z hasil perhitungan pada proses feedforward menjadi hasil pengenalan. Diketahui batas ambang (threshold) Threshold=0.5, artinya jika nilai y >= 0.5 maka dijadikan 1. Target 1 merupakan target untuk klasifikasi kanker , dan sebaliknya jika nilai y < 0.5 maka dijadikan 0. Target 0 merupakan target untuk klasifikasi normal. Nilai y={0.9379}, maka hasil z ={1}, artinya data uji merupakan citra dengan klasifikasi kanker.

2.2.5 Analisis Kompleksitas Waktu Asimptotik Metode Backpropagation

Perhitungan kompleksitas waktu asimptotik metode backpropagation dapat dihitung dengan menelusuri setiap langkah metode backpropagation pada pseudocode-nya, sebelum dilakukan proses pembelajaran menggunakan metode backpropagation dilakukan proses preprocessing. Berikut adalah algoritma preprocessing sebelum dilakukan proses pembelajaran menggunakan metode backpropagation.

Berdasarkan hasil perhitungan Big-O dari grayscale adalah

O (n) . O (n) + O(1) + O(1) + O(1) + O(1) + O(1) = O(n2)

Hasil dari perhitungan notasi Big-O dari graysale adalah O(n2) dan termasuk kedalam kelompok kuadratik, waktu pelaksanaan algoritmanya menjadi 4 kali semula.

Berdasarkan hasil perhitungan Big-O dari threshold adalah

O (n) . O (n) + O(1) + O(1) + O(1) + O(1) + O(1) + O(1) + O(1) + O(1) = O (n2)

Hasil dari perhitungan notasi Big-O dari threshold adalah O(n2) dan termasuk kedalam kelompok kuadratik, waktu pelaksanaan algoritmanya menjadi 4 kali semula.

Setelah dilakukan preprocessing maka dilakukan perhitungan menggunakan metode backpropagation yang terdiri dari proses pembelajaran dan pengenalan. Pseudocode pembelajaran backpropagation dan perhitungan nilai Big-O terlihat pada tabel 3.5

Best Case = 100n { 1 + n ( n ( 1 + 1 + n . 1) + 1 + 1

Didapatkan kompleksitas waktu asimptotik dari proses pembelajaran yaitu:

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

7

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

O (n20) hampir mirip dengan O (n2) termasuk kedalam kelompok kuadratik, waktu pelaksanaan algoritmanya menjadi 4 kali semula.

Berdasarkan hasil perhitungan Big-O dari proses pengenalan adalah

n . 1 + 1 + n . 1 + 1 + n. 1 + n . 1 + 1 = 4n Karena n ≥ 1 maka termasuk O (n). Nilai dari kompleksitas pengenalan metode backpropagation yang dihasilkan dari perhitungan Big-O adalah O(n) atau disebut lanjar. Algoritma yang waktu pelaksanaannya lanjar maka waktu pelaksanaan algoritmanya dua kali semula. Lanjar termasuk dalam urutan spektrum kompleksitas waktu algoritma polinomial yaitu algoritma yang performansinya baik.

2.3 Hasil Penelitian

Rencana pengujian performansi yang akan dijalankan pada simulator ini merupakan pengujian dengan menggunakan berbagai kombinasi parameter pembelajaran, terlihat pada tabel 3

Tabel 3 Rencana Pengujian Performansi Kombinasi Parameter Nilai

I Maksimal Perulangan 50 Rasio Pembelajaran 0.5 Minimal Error 0.1 II Maksimal Perulangan 100

Rasio Pembelajaran 1 Minimal Error 0.01 III Maksimal Perulangan 500

Rasio Pembelajaran 1 Minimal Error 0.001 Pengujian untuk kombinasi parameter I terlihat pada tabel 4.

Tabel 4. Hasil Pengujian Kombinasi Parameter I

No Nama

Pengujian untuk kombinasi parameter II terlihat pada tabel 5

Tabel 5 Hasil Pengujian Kombinasi Parameter II No Nama Pengujian untuk kombinasi parameter III terlihat pada tabel 6

Tabel 6 Hasil Pengujian Kombinasi Parameter III

Kesimpulan hasil pengujian performansi didapatkan tingkat akurasi rata-rata dari ketiga kombinasi parameter sebesar 57% dan waktu pengenalan rata-rata sebesar 29.5 milisecond.

Jur nal Ilmiah Komput er dan Infor mat ika (KOMPUTA)

8

Edisi.,Volume,. Bulan.. ISSN : 2089-9033

Tabel 7 Pengujian Waktu Pembelajaran Terhadap Jumlah Citra Latih

Grafik pengujian performansi berdasarkan waktu pembelajaran terhadap jumlah citra latih terlihat pada gambar 14.

Gambar 14. Grafik Waktu Pembelajaran Terhadap Jumlah Data Latih

Berdasarkan pengujian proses pembelajaran dapat ditarik sebuah kesimpulan semakin sedikit citra latih maka waktu yang digunakan juga sedikit, dan semakin banyak citra latih maka waktu yang digunakan juga semakin lama.

3. PENUTUP

Berdasarkan hasil yang didapat dalam penelitian dan penyusunan skripsi ini serta disesuaikan dengan tujuannya, maka diperoleh kesimpulan, tingkat akurasi rata-rata 57% artinya tingkat akurasi yang dihasilkan pada penelitian ini masih kurang baik, dan rata-rata waktu pengenalan 30 milisecond dengan menggunakan 10 data uji dengan 5 data normal dan 5 data kanker, hal tersebut terjadi karena arsitektur jaringan syaraf tiruan yang digunakan dan inisialisasi bobot-bobot awal yang digunakan belum cukup baik . Performansi yang dihasilkan pada penelitian ini cukup, tetapi ada ketidaksinkronan antara hasil akurasi dan performansi, hal tersebut terjadi akibat perbedaan arsitektur compiler pada saat implementasi, dan perbedaan implementasi antara struktur data dan arsitektur jaringan syaraf tiruan yang digunakan.

Pada masa yang akan datang pengenalan sel kanker otak dapat dikembangkan lebih lanjut, adapun saran untuk dimasa mendatang adalah dengan menggunakan arsitektur jaringan syaraf tiruan dan inisialisasi nilai bobot-bobot awal yang lebih baik. Pembuatan struktur data dan algoritma yang lebih baik agar hasil yang penelitian yang didapatkan agar lebih mangkus.

DAFTAR PUSTAKA

[1] Argisraha Satria C, 2012, Indonesian Journal Of Tropical and Infectious

Deseas, Digital Detection System Design Of Mycrobacterium Tuberculosis

Trough Axtraction Of Sputum Image Using Neural Network , No.1, Vol 3.

[2] Zamani Mizza A, 2012, Teknik Pomits, Implementasi Algortima Genetika

pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara, No.1, Vol 1. [3] Arif Riantini S, ITT Telkom, Deteksi Tumor

Otak Berdasarkan Citra Magnetic Resonance

[5] Putra Darma, 2010, Pengolahan Citra Digital, ANDI : Yogyakarta.

[6] Adam Mukharil Bachtiar, Diktat Perkuliahan Analisis Algoritma, Universitas Komputer Indonesia, Bandung.