IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN POLA FRAKTUR TENGKORAK MANUSIA.

(1)

Solihati, Ratna A. 2014

IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN POLA FRAKTUR TENGKORAK MANUSIA Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM

PENGENALAN POLA FRAKTUR TENGKORAK MANUSIA

Skripsi

Diajukan untuk memenuhi sebagian dari

Syarat untuk memperoleh Gelar Sarjana Komputer

Program Studi Ilmu Komputer

OLEH : Ratna Asri Solihati

0907307

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM

(2)

(3)

LEMBAR PENGESAHAN

Ratna Asri Solihati 0907307

IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM

TELAH DISETUJUI DAN DISAHKAN OLEH :

Pembimbing I

Dr. Wawan Setiawan, M.Kom

NIP. 196601011991031005

Pembimbing II

Jajang Kusnendar, M.T

NIP. 197506012008121001

Mengetahui,

Kepala Program Studi Ilmu Komputer

Jajang Kusnendar, M.T

(4)

IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM

Oleh : Ratna Asri Solihati

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar

Sarjana Komputer pada Fakultas Pendidikan Matematikan dan Ilmu Pengetahuan

Alam.

Universitas Pendidikan Indonesia

Oktober 2014

Hak Cipta dilindungi undang-undang

Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian,

(5)

PERNYATAAN

Saya yang bertandatangan di bawah ini, menyatakan skripsi yang berjudul

“IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN

SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM

PENGENALAN POLA FRAKTUR TENGKORAK MANUSIA” sepenuhnya

adalah karya sendiri. Pada isinya tidak ada yang merupakan plagiat dari karya

orang lain dan saya tidak melakukan penjiplakan atau pengutipan dengan

cara-cara yang tidak sesuai dengan etika yang berlaku dalam masyarakat keilmuan.

Bandung, Oktober 2014

Yang membuat pernyataan

(6)

KATA PENGANTAR

Puji syukur saya sampaikan atas kehadirat Allah SWT, yang telah

memberikan rahamat dan hidayahNya , sehingga saya dapat menyelesaikan

penulisan skripsi ini dengan judul “Implementasi Metode Gabor Filter dan

Metode Jaringan Syaraf Tiruan Learning Vector Quantization Pada Sistem

Pengenalan Pola Fraktur Tengkorak Manusia”tepat pada waktunya.

Salawat serta salam senantiasa saya limpahkan kepada Nabi Muhammad

SAW, serta keluarga dan sahabat-sahabat terbaik saya.

Penulisan skripsi ini saya buat dalam rangka memenuhi sebagian

persyaratan mencapai Gelar Sarjana S-1 Program Studi Ilmu Komputer, Fakultas

Pendidikan Matematika dan Ilmu Pengetahuan Alam.

Dalam kesempatan ini, saya ingin menyampaikan segenap ucapan terima

kasih kepada pihak-pihak yang telah mendukung dan membantu dalam

menyelesaikan skripsi ini. Ucapan terima kasih tersebut saya sampaikan kepada :

1. Kedua orangtua yang sangat saya kagumi, yang selalu memberikan

dukungan tiada henti dalam hidup saya, khususnya untuk kelancaran

penulisan skripsi ini.

2. Adik-adik tercinta Sofyan dan Sofwan.

3. Dr. Wawan Setiawan, M.Kom, selaku dosen Pembimbing I atas waktu,

bimbingan, arahan, kritik dan sarannya.

4. Jajang Kusnendar, M.T selaku dosen Pembimbing II atas waktu, bimbingan,

(7)

i

5. Heri Sutarno, MT, selaku dosen Pembimbing Akademik atas bimbingan dan

arahannya.

6. Jajang Kusnendar, M.T, selaku Ketua Program Studi Ilmu Komputer.

7. Seluruh Dosen Program Studi Ilmu Komputer dan Pendidikan Ilmu

Komputer, atas ilmu, didikan, pengajaran dan arahannya selama

perkuliahan.

8. Pihak rumah sakit hasan sadikin yang telah bersedia memberikan data

penelitian.

9. Sahabat C1 2010, sahabat MRL 2009, serta sahabat SD, yang telah

memberikan warna dalam kehidupan perkuliahan selama 4 tahun ini.

10.Sanak saudara, uwa, paman, bibi dan keponakan atas doa dan

dukungannya.

11.Rekan-rekan, staf serta seluruh keluarga Program Studi Ilmu Komputer dan

Pendidikan Ilmu Komputer.

Dan segenap pihak-pihak yang telah membantu dan mendukung dalam

penyelesaian skripsi ini yang tidak dapat saya sebutkan satu persatu.

Saya berharap skripsi ini dapat bermanfaat dan membantu bagi mereka

yang membutuhkan ilmu mengenai tema skripsi ini.

Bandung, Oktober 2014

(8)

ABSTRAK

IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM

Ratna Asri Solihati 0907307

Salah satu tugas dokter saat mengamati gambar citra Sinar X tengkorak manusia adalah diagnosa atas kelainan yang terdapat pada gambar tengkorak tersebut. Saat pengamatan tersebut sering ditemui sikap keragu-raguan dokter dalam mendiagnosis bagian-bagian yang terdapat pada citra tersebut. Keragu-raguan tersebut disebabkan kekaburan penampakan bagian-bagian pada citra, diantaranya sulit membedakan letak fraktur. Pengertian singkat mengenai fraktur itu sendiri merupakan putusnya kontinuitas sebuah tulang atau retaknya tulang yang ditandai oleh rasa nyeri, pembengkakan, gangguan fungsi, dan lain-lain. Seiring berjalannya waktu kemajuan bidang teknologi khususnya di bidang ilmu pengetahuan sudah sangat terlihat berkembang, salah satu contohnya yaitu pengolahan data pada citra. Melihat pada kasus tersebut peneliti melakukan proses pengenalan pola pada citra fraktur manusia yang diharapkan mampu mengenali fraktur yang terdapat pada citra tengkorak manusia. Metode yang digunakan ada dua, yaitu Gabor Filter dan Jaringan Syaraf Tiruan Learning Vector Quantization. Pertama agar citra fraktur dapat dikenali citra akan diekstraksi untuk mendapatkan sebuah pola dengan menggunakan gabor filter yaitu ekstraksi ciri, yang dimana nantinya akan menghasilkan sebuah matriks yang akan menjadi inputan untuk proses thresholding. Selanjutnya, metode jaringan syaraf tiruan dengan algoritma

learning vector quantization digunakan untuk pengakuratan dalam pengenalan

pola dan diterapkan pada tahap recognition (pengecekan dan pengkategorian nilai output dengan nilai input). Saat ini sistem yang dikembangkan telah berhasil mengenali fraktur pada citra tengkorak manusia dengan menghasilkan persentase akurasi terbaik yaitu 84,46%. Dengan persentase tersebut dapat disimpulkan bahwa sistem dapat menghasilkan pengenalan pola fraktur yang akurat.

(9)

ABSTRACT

IMPLEMENTASI METODE GABOR FILTER DAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION PADA SISTEM

Ratna Asri Solihati 0907307

One of the tasks doctors when observing images of X-ray image of a human skull is the diagnosis of abnormalities found on the skull image. When these observations are often encountered attitude of doubt doctors in diagnosing the parts contained in the image. Indecision is due to the appearance of the parts blur in the images, which are difficult to distinguish the location of the fracture. Brief understanding of the fracture itself is breaking the continuity of a bone or bone breakdown characterized by pain, swelling, impaired function, and others. Over time advances in technology especially in the field of science has been very visible growing, one example is the processing of data in the image. Looking at the case of researchers conducted a process of pattern recognition in human fracture image are expected to recognize that there is a fracture in the image of a human skull. There are two methods used, namely Gabor Filter and Neural Network Learning Vector Quantization. First order can fracture recognizable image of the image will be extracted to obtain a pattern using Gabor filters: feature extraction, that which will produce a matrix that will be input to the thresholding process. Furthermore, the method of artificial neural network with learning vector quantization algorithm is used to accurate in pattern recognition and applied to the recognition stage (checking and categorizing the output value with input values). Currently the system has been successfully developed to recognize the image of a human skull fractures to produce the best accuracy percentage is 84.46%. With these percentages can be concluded that the system can produce accurate fracture pattern recognition.

Keywords: Pattern Recognition, Fracture, Gabor Filter, Learning Vector

(10)

DAFTAR ISI

PERNYATAAN ... i

ABSTRAK ... ii

KATA PENGANTAR ... iv

DAFTAR ISI ... vi

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... ix

DAFTAR LAMPIRAN ... xi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 5

1.3 Batasan Masalah ... 6

1.4 Tujuan Penelitian ... 6

1.5 Manfaat Penelitian ... 7

1.6 Sistematika Penulisan ... 7

BAB IIISI ... 9

2.1 Pengolahan Citra ... 9

2.2 Sinar X ... 11

2.3 Fraktur ... 12

2.4 Gabor Filter ... 15

2.5 Jaringan Saraf Tiruan ... 25

2.5.1 Supervised Learning... 29

2.5.2 Multi-Layer Perceptron ... 29

2.6 Metode Learning Vector Quantization ... 30

2.6.1 Pengertian Metode Learning Vector Quantization ... 30

2.6.2 Algoritma Learning Vector Quantization ... 31

2.7 MATLAB ... 32

(11)

vii

3.1 Desain Penelitian ... 36

3.2 Metode Penelitian ... 38

3.3 Alat dan Bahan Penelitian ... 41

3.3.1 Alat Penelitian ... 41

3.3.2 Bahan Penelitian ... 43

BAB IVHASIL PENELITIAN DAN PEMBAHASAN ... 45

4.1 Analisis Sistem ... 45

4.1.1 Deskripsi Umum Sistem ... 45

4.1.2 Pengumpulan Data ... 46

4.1.3 Perancangan Sistem ... 46

4.2 Analisis Kebutuhan Sistem... 58

4.2.1 Batasan dan Asumsi Sistem ... 58

4.2.2 Masukan Sistem ... 58

4.2.3 Model Proses Sistem ... 59

4.2.4 Keluaran Sistem ... 63

4.3 Perancangan Sistem ... 64

4.3.1 Perancangan Data ... 64

4.3.2 Perancangan Antarmuka Sistem ... 65

4.4 Implementasi Sistem ... 68

4.4.1 Implementasi Data ... 68

4.4.2 Implementasi Modul ... 72

4.5 Pengujian Sistem ... 79

4.5.1 Pengujian Implementasi ... 81

4.6 Hasil Pengujian Sistem ... 82

BAB VKESIMPULAN ... 83

5.1 Kesimpulan ... 83

5.2 Saran ... 84

(12)

DAFTAR GAMBAR

Gambar 2.1 Citra Fraktur Pada Tengkorak Manusia ... 13

Gambar 2.2 Gabor kernel dengan nilai lambda yang berbeda ... 16

Gambar 2.3 Gabor kernel dengan nilai theta yang berbeda ... 17

Gambar 2.4 Gabor kernel dengan nilai phi yang berbeda ... 18

Gambar 2.5 Gabor kernel dengan nilai bandwitdh yang berbeda ... 19

Gambar 2.6 Gabor kernel dengan nilai gamma yang berbeda ... 20

Gambar 2.7 Model Generik Multilayer Perceptron ... 26

Gambar 2.8 Struktur Jaringan LVQ ... 31

Gambar 3.1 Desain Penelitian ... 35

Gambar 3.2 Model Sekuensial Linier (Pressman, 2001) ... 39

Gambar 4.1 Alur Proses Sistem Pengenalan Pola Fraktur ... 46

Gambar 4.2 Citra hasil grayscale ... 48

Gambar 4.3 Citra hasil ekstraksi ciri ... 50

Gambar 4.4 Citra hasil thresholding ... 51

Gambar 4.5 Implementasi Proses ... 57

Gambar 4.6 Diagram Konteks Sistem Frarec ... 59

Gambar 4.7 Data Flow Diagram Level 1 Sistem Frarec ... 60

Gambar 4.8 Dialog Chart Frarec ... 66

Gambar 4.9 Rancangan Antarmuka Sistem Frarec ... 68

Gambar 4.10 Implementasi Arsitektur Pada Sistem Frarec ... 71

(13)

ix

DAFTAR TABEL

(14)

x

DAFTAR LAMPIRAN

(15)

BAB I PENDAHULUAN

1.1 Latar Belakang

Seiring berjalannya waktu ilmu pengetahuan semakin berkembang pesat

sesuai dengan berbagai macam pemikiran manusia. Banyak teori-teori maupun

aplikasi baru yang lahir dari beberapa macam pengetahuan. Begitupun dalam

bidang IT, macam-macam jenis pengolahan data lahir dengan teknik yang baru.

Dengan tujuan yaitu agar kinerja dalam menyelesaikan suatu pekerjaan dapat

meningkat lebih baik dan mencapai tujuan. Yang dimana salah satu contoh proses

pengolahan data dalam kasus ini yaitu pengolahan citra atau image processing.

Pengolahan citra adalah pemrosesan citra, khususnya menggunakan

komputer yang menjadikan citra memiliki kualitas lebih baik. Sebagai contoh,

citra pemandangan yang tampak gelap, lalu dengan operasi pengolahan citra

kontrasnya diperbaiki sehingga lebih terang dan tajam.

Seperti dikutip dari tesis milik Enjang tahun 2003 dengan judul

Pengenalan Pola Fraktur Dan Pembuluh Darah Pada Tengkorak Menggunakan

Jaringan Neural Buatan mengemukakan bahwa adapun berbagai macam

penelitian yang sudah dilakukan oleh beberapa orang yang berhubungan dengan

pengolahan citra sinar X khususnya di bidang kedokteran, diantaranya:

a. Automatic Acquisition of Visual Models for Image Recognition (O.Fichera,

(16)

segmentasi gambar tengkorak manusia telah dikembangkan untuk

menunjukkan model organ-organ kepala di bagian-bagian lainnya yang

ditunjukkan pada gambar tengkorak tersebut. Sistem yang dikembangkan

yaitu SLID (System for Learning Image Description) terbukti efektif serta

kerangka deskripsi gambar dapat lebih dipahami.

b. Model-Driven Contour Extraction for Physically Deformed

Objects-Application to Analysis of Stomach X-ray Images (Yasuyo Kita). Pada

penelitian ini telah dikembangkan suatu sistem yang dapat mengekstrak

kontur-kontur yang rusak dari gambar sinar-x lambung manusia. Sistem

yang dikembangkan dapat secara otomatis membentuk model lambung

berdasarkan dua gambar x-ray lambung yang berbeda. Gambar pertama

adalah hasil pemotretan dengan kadar kontras dua kali lipat (double

contras, DC). Gambar yang kedua diambil dari lambung yang terisi

barium (barium-filled, BF). Model yang terbentuk terdiri dari pegas-pegas

yang menyatakan elastisitas lambung.

c. Stochastic Segmentation of Ultrasound Images (I.L Herlin, C. Nguyen, C.

Graffigne). Pada penelitian ini dikembangkan suatu sistem model melalui

metode random Markov untuk membentuk segmentasi gambar hasil

pemeriksaan jantung. Prosedur pengamatan dilakukan secara iteratif untuk

memperkirakan parameter-parameter model. Sistem yang dikembangkan

(17)

d. Knowledge-Based Matching for 3D Radiotherapy Planning (Masaharu

Kobashi, Linda G. Shapiro). Pada penelitian ini dikembangkan sistem

yang dapat membentuk segmentasi dan rekognisi organ-organ penting

dalam gambar CT perut manusia.

Berawal dari pengamatan penulis melihat salah satu tugas dokter saat

mengamati gambar citra Sinar X tengkorak manusia, mendiagnosa atas kelainan

yang terdapat pada gambar tengkorak tersebut. Saat pengamatan tersebut sering

ditemui sikap keragu-raguan dokter dalam mendiagnosis bagian-bagian yang

terdapat pada citra tersebut. Keragu-raguan tersebut disebabkan oleh kekaburan

penampakan bagian-bagian pada citra, diantaranya sulit mengetahui apakah

terdapat fraktur pada tengkorak manusia atau tidak.

Menurut S.C Shanks dalam bukunya yang berjudul A Text Book of X-Ray

Diagnosis (1957) pengertian singkat mengenai fraktur itu sendiri merupakan

putusnya kontinuitas sebuah tulang atau retaknya tulang yang ditandai oleh rasa

nyeri, pembengkakan, gangguan fungsi, dan lain-lain. Kendala utama dalam

pengenalan fraktur adalah pada umumnya citra sinar X fraktur memiliki kualitas

yang rendah, antara lain disebabkan oleh kekaburan citra sinar X ataupun karena

kualitas peralatan rontgen yang digunakan.

Oleh karena itu, peningkatan kualitas citra sinar X fraktur seharusnya

menjadi salah satu prioritas utama sebelum mengidentifikasi parameter-parameter

yang akan digunakan oleh ciri (feature) dari obyek di dalam citra, untuk

(18)

Sepengetahuan penulis, penelitian sebelumnya yang mengarah kepada

pengenalan pola fraktur sudah ada, namun dengan objek penelitian dan metode

yang berbeda yaitu pengenalan pola fraktur dan pembuluh darah pada tengkorak

menggunakan jaringan neural buatan yang dilakukan oleh Enjang Ali Nurdin

(Universitas Indonesia, 2003).

Pada penelitian tersebut metode yang digunakan adalah jaringan syaraf

tiruan dengan pengambilan sampel citra dengan menggunakan ciri moment

invariant sebagai ciri untuk membedakan kelas fraktur dan kelas pembuluh darah.

Lalu selanjutnya penggunaan transformasi Fourier untuk mendeteksi komponen

frekuensi. Dan melalui pembelajaran propagansi balik yang melibatkan ciri-ciri

moment invariant, amplitudo spektrum frekuensi serta sudut fasenya. Namun pada

penelitian tersebut masih terdapat kekurangan diantaranya belum dilakukannya

proses enhancement pada citra x-ray yang digunakan.

Selanjutnya penulis menemukan penelitian yang dilakukan oleh Helsi

Rosyida Mandasari, Handayani Tjandrasa, Arya Yudhi Wijaya mengenai

Segmentasi Pembuluh Darah Retina pada Citra Fundus Mata dengan 2D-Gabor

Filter. Pada penelitian tersebut mampu mensegmentasi pembuluh darah retina

pada citra fundus mata berwarna dengan baik dengan proses enhancement melalui

metode Gabor Filter. Adapun penelitian Laksmita Rahadianti yang berjudul

Pengembangan Algoritma Pembelajaran Berbasiskan Dimensi serta

Komparasinya terhadap Pembelajaran Berbasiskan Vector pada Fuzzy-Neuro

(19)

kesimpulan menggunakan metode Learning Vector Quantization yaitu untuk

memproses masukan sesuai fungsi dan mengeluarkan keluaran berupa

klarifikasinya.

Berdasarkan hal di atas penelitian ini dilakukan untuk mengkaji

pengenalan pola fraktur tengkorak manusia dengan menggunakan metode Gabor

Filter dan Learning Vector Quantization, dimana prosesnya yaitu menguji tingkat

keberhasilan proses enhancement melalui metode Gabor Filter dari

pengklasifikasian input berupa citra fraktur dengan format *jpg, pemilihan ini

dilakukan karena format tersebut merupakan teknik dan standar universal untuk

kompresi dan dekompresi citra tidak bergerak baik itu citra berwarna (yang bit per

pixelnya bisa mencapai hingga 32 bit) maupun citra gray scale. Yang dimana

selanjutnya output yang telah diperoleh dicocokkan dengan nilai training

berdasarkan parameter yang ada melalui metode Learning Vector Quantization

untuk memperoleh kualitas citra fraktur tengkorak manusia yang lebih baik.

1.2 Rumusan Masalah

Secara khusus permasalahan penelitian di rumuskan sebagai berikut:

1. Bagaimana metode Gabor Filter dan Jaringan Syaraf Tiruan Learning

Vector Quantization dapat melakukan pengenalan fraktur pada citra

(20)

2. Apakah penerapan metode Gabor Filter dan Jaringan Syaraf Tiruan

Learning Vector Quantization untuk pengenalan fraktur pada data citra

tengkorak manusia dapat menghasilkan hasil yang akurat?

1.3 Batasan Masalah

Beberapa batasan masalah dalam penelitian adalah sebagai berikut :

1. Sistem tidak dapat melakukan pengambilan gambar secara langsung.

Artinya pengguna tidak melakukan proses foto secara langsung baik

melalui webcam, maupun peralatan sejenis kamera lainnya. Akan

tetapi dengan menggunakan gambar atau data yang sudah ada.

2. Citra tengkorak yang menjadi masukan ke dalam sistem sudah berupa

citra yang sudah terdapat fraktur dan tidak terdapat fraktur.

3. Sistem hanya dapat memberikan informasi berupa apakah terdapat

fraktur atau tidak pada citra tengkorak manusia beserta nilai

akurasinya.

4. Citra tengkorak memiliki format *jpg

1.4 Tujuan Penelitian

(21)

1. Memahami dan mengetahui cara kerja metode Gabor Filter dan

Jaringan Syaraf Tiruan Learning Vector Quantization untuk

pengenalan pola fraktur pada tengkorak manusia.

2. Mengetahui tingkat keakurasian pengenalan pola fraktur dengan

menggunakan metode Gabor Filter dan Jaringan Syaraf Tiruan

Learning Vector Quantization.

1.5 Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat yang berarti, antara

lain :

1. Memberi informasi tingkat akurasi kepada para dokter dalam

mendiagnosis suatu pola fraktur pada citra rontgen melalui metode

Gabor Filter dan Jaringan Syaraf Tiruan Learning Vector

Quantization.

2. Sebagai salah satu referensi bagi penelitian selanjutnya mengenai

pengolahan citra digital dalam memperoleh kualitas citra yang lebih

baik lagi.

1.6 Sistematika Penulisan

Dalam penyusunan skripsi ini, sistematika penulisan dibagi menjadi

(22)

BAB 1 Pendahuluan

Bab ini merupakan pembuatan masalah yang akan diteliti secara umum.

Terdiri dari latar belakang masalah, rumusan masalah, batasan masalah,

tujuan penelitian, manfaat penelitian, dan sistematika penulisan.

BAB II Tinjauan Pustaka

Bab ini berisi landasan teori yang berfungsi sebagai sumber atau alat

pengetahuan dalam memahami permasalahan yang berkaitan dengan

teori-teori mengenai Pengolahan Citra, Gabor Filter, dan Jaringan Syaraf Tiruan

Learning Vector Quantization.

BAB III Metodologi Penelitian

Bab ini berisi mengenai desain penelitian, metode penelitian serta alat dan

bahan penelitian.

BAB IV Hasil Penelitian dan Pembahasan

Bab ini akan dijabarkan hasil penelitian serta pembahasannya. Kemudian

dikupas secara lebih rinci hal-hal yang menjawab apa yang sudah

dirumuskan dalam sebuah rumusan masalah.

(23)

Kesimpulan merupakan jawaban atas rumusan masalah dalam penelitian

dan juga intisari dari BAB IV. Saran atau kesimpulan serta rekomendasi

pengembangan sistem penulis sampaikan pada sub-sub bab saran.

LAMPIRAN

(24)

BAB III

METODOLOGI PENELITIAN 3.1Desain Penelitian

Berikut merupakan desain penelitian yang akan digunakan pada

proses rancang bangun aplikasi sistem pengenalan pola fraktur tengkorak

manusia dengan menggunakan metode Gabor Filter dan Algoritma

(25)

Gambar 3.1 Desain Penelitian

Berikut ini merupakan penjelasan dari penelitian yang telah digambarkan

pada gambar 3.1 : Dari gambar diatas, dapat diperoleh beberapa proses-proses

yang harus dilakukan, proses tersebut dibagi ke dalam 2 fase, yaitu fase

enrollment stage. Fase ini akan mendaftarkan citra ke dalam data model,

sedangkan fase verification stage digunakan untuk memverifikasi antara

masukan dengan citra yang terdapat di dalam data model. Fase ini akan

menghasilkan sebuah deskripsi apakah citra tersebut cocok atau tidak.

1. Pengumpulan Data

Data yang dikumpulkan berupa alat penelitian dan bahan yang akan

digunakan pada tahap training dan testing.

2. Praproses

Pada tahap praproses akan dilakukan proses-proses dasar dari image

processing, yaitu diantaranya grayscallng. Citra yang didapatkan dalam

bentuk citra keabu-abuan, dimana sudah terjadi pemisahan antara

background dengan foreground. Tujuan dilakukannya tahap praproses ini

adalah untuk menjadikan citra yang akan diolah sama, dari segi ukuran

kualitas citra.

3. Ekstraksi Ciri

Tahapan ekstraksi fitur ini, digunakan untuk mengekstrak bagian-bagian

(26)

akan memiliki bagian-bagiannya sendiri. Pada tahap ekstraksi ciri

digunakan sebuah metode yang bernama Filter Gabor, metode ini

berguna untuk menjadikan citra keabu-abuan semakin menonjolkan

ciri-ciri dari citra. Sehingga keluaran dari tahap ini adalah sebuah matriks

ekstraksi yang akan menjadi masukan pada tahap thresholding.

4. Thresholding

Proses thresholding digunakan untuk mengubah citra keabu-abuan

menjadi citra hitam putih atau yang sering disebut dengan citra biner,

karena hanya memiliki 2 nilai yaitu 1 dan 0. Selain itu pada proses

thresholding, terjadi sub proses yaitu mengubah matriks array 2 dimensi

menjadi matriks array 1 dimensi. Pada penelitian ini, matriks hasil

perubahan menjadi 1 kolom 35 baris. Matriks ini akan menjadi inputan

untuk jaringan saraf tiruan.

5. Data Bobot Fraktur

Data bobot fraktur merupakan penyimpanan data bobot yang digunakan

untuk menyimpan bobot dari hasil thresholding, pada penyimpanan akan

disimpan bobot terakhir, sehingga akan menjadi data pedoman dalam

verifikasi citra fraktur masukan dengan data citra fraktur yang telah

melalui proses training data.

6. Training

Tahap training merupakan proses yang akan melakukan pembelajaran

(27)

vector quantization. Training digunakan agar jaringan terbiasa dengan

ciri-ciri dari masing-masing citra, sehingga jaringan akan mendefinisikan

citra tersebut dalam bentuk bobot akhir yang mendetaki nilai target yang

telah ditentukan sebelumnya.

7. Klasifikasi

Tahap klasifikasi merupakan tahap yang digunakan untuk

mengklasifikasikan hasil pengenalan wajah. Tahap ini diproses dengan

menggunakan metode learning vector quantization. Sebuah identitas dari

citra fraktur akan muncul ketika melakukan klasifikasi..

3.2 Metode Penelitian

Pada penelitan ini ada dua jenis metode penelitian yang digunakan untuk

menunjang kebutuhan penelitian, diantaranya :

1. Pengumpulan Data

Tahapan pengumpulan data pada penelitian ini terdiri dari pengumpulan

data sekunder yang dilakukan dengan cara sebagai berikut :

a. Studi Literatur

Cara pengumpulan data dengan mengumpulkan literatur-literatur

yang berhubungan dengan penelitian ini seperti jurnal, textbook,

buku, ebook dan beberapa artikel ilmiah lainnya. Pengumpulan data

(28)

terkait. Selain itu, untuk memperdalam pengetahuan mengenai topik

penelitian ini.

b. Pengumpulan Sample

Pengumpulan data ini dilakukan untuk mengumpulkan sample yang

dibutuhkan untuk pengujian dan sebagai bahan dari penelitian ini.

Sample tersebut merupakan citra wajah yang akan dikumpulkan

sebanyak 50 citra tengkorak yang diambil dalam waktu dan tempat

yang berbeda-beda. Citra tengkorak di kumpulkan untuk kemudian

dibagi menjadi data training dan data testing.

2. Pembangunan Perangkat Lunak

Model proses yang digunakan dalam pembangunan perangkat lunak ini

adalah model sekuensial linier atau sering disebut juga dengan model air

terjun (waterfall). Model sekuensial linier meliputi aktivitas sebagai

berikut:

(29)

1. System Enggineering

Merupakan bagian dari sistem yang terbesar dalam pengerjaan

suatu proyek,dimulai dengan menetapkan berbagai kebutuhan dari

semua elemen yang diperlukan sistem dan mengalokasikannya ke

dalam pembentukan perangkat lunak.

2. Analysis

Merupakan tahap menganalisis hal-hal yang diperlukan dalam

pelaksanaan proyek pembuatan perangkat lunak.

3. Design

Tahap penerjemah dari data yang dianalisis ke dalam bentuk yang

mudah dimengerti oleh user.

4. Coding

Tahap penerjemah data atau pemecahan masalah yang telah

dirancang ke dalam bahasa pemrograman tertentu.

5. Testing

Merupakan tahap pengujian terhadap perangkat lunak yang

dibangun.

6. Maintenance

Tahap akhir dimana suatu perangkat lunak yang sudah selesai

dapat mengalami perubahan-perubahan atau penambahan sesuai

(30)

Setelah perangkat lunak dibangun, selanjutnya dilakukan proses pelatihan

jaringan untuk menemukan bobot penghubung yang mendekati antara

masing-masing data masukan dengan nilai keluaran yang diharapkan.

Berikutnya hasil penelitian diuji dengan data pelatihan dan data pengujian.

Dengan data pelatihan, data diuji untuk melihat kemampuan jaringan

dalam mengenali pola data yang diberikan. Sedangkan data pengujian

digunakan untuk melihat kemampuan jaringan dalam mengenal pola

fraktur

Analisis sensifitas dilakukan dengan mengubah nilai data inisialisasi.

Kemudian dilakukan proses pelatihan dan pengujian kembali. Dari hasil

penelitian dan pengujian dengan berbagai kasus inisialisasi yang

berbeda-beda, dipilih jaringan optimum untuk melakukan pengenalan pola.

Jaringan optimum yang dipilih merupakan jaringan yang dapat mengenali

pola data pelatihan dan nilai akurasi pengenalan pola yang optimum.

Selanjutnya dokumentasi merupakan hasil dari penelitian yang berupa

tulisan dalam bentuk dokumen teknis, jurnal dan skripsi.

3.3Alat dan Bahan Penelitian 3.3.1 Alat Penelitian

Pada penelitian ini digunakan alat penelitian berupa perangkat keras dan

(31)

a. Perangkat keras :

1. Laptop Acer dengan processor Intel Core 2 Duo 2,60 GHz

2. RAM 2 GB

3. Hard disk 50 GB

4. Monitor 12,1”

5. Perangkat USB Flashdrive

b. Perangkat lunak :

1. Windows 7

Windows 7 adalah rilisan terkini Microsoft Windows yang

menggantikan Windows Vista yang digunakan pada computer

pribadi, yang mencakup computer rumah dan desktop bisnis,

laptop, dan pusat media (Media Center). Seperti halnya sistem

operasi lainnya, Windows 7 merupakan sistem dasar untuk

menjalankan berbagai perangkat lunak yang digunakan pada

penelitian ini.

2. Matlab

Adalah sebuah program analisis dan komputasi numerik dan

merupakan suatu bahasa pemrograman matematika lanjutan yang

dibentuk dengan dasar pemikiran menggunakan sifat dan bentuk

matriks. MATLAB telah berkembang menjadi sebuah environment

(32)

untuk melakukan tugas pengolahan sinyal, aljabar linier, dan

kalkulasi matematis lainnya. MATLAB juga memiliki toolbox

yang berisi fungsi-fungsi tambahan untuk aplikasi khusus.

MATLAB bersifat extensible, dalam arti bahwa seorang pengguna

dapat menulis fungsi baru untuk ditambahkan pada library ketika

fungsi-fungsi built-in yang tersedia tidak dapat melakukan tugas

tertentu.

3. Internet Browser (Mozilla Firefox dan Google Chrome)

Mozilla Firefox adalah sebuah tool yang digunakan untuk

mengakses halaman website. Mozilla juga dapat dimanfaatkan

sebagai media komunikasi antar perangkat lunak.

3.3.2 Bahan Penelitian

Data yang digunakan pada penelitian ini berasal dari Rumah Sakit

Hasan Sadikin Bandung bidang bedah syaraf otak. Data hasil rontgen

tengkorak manusia yang diperoleh pada tanggal 2 April 2014 sudah

berbentuk digital. Data yang tersedia merupakan citra rontgen tengkorak

manusia berjenis kelamin pria dan wanita dengan usia yang beragam dan

(33)

BAB V KESIMPULAN

5.1 Kesimpulan

Setelah dilakukan penelitian mengenai implementasi, maka dapat diambil

beberapa kesimpulan untuk menjawab rumusan masalah. Adapun

kesimpulan dari penelitian ini adalah sebagai berikut:

1. Sistem yang dibangun telah berhasil mengenali fraktur pada citra

fraktur tengkorak manusia. Untuk mengetahui persentase akurasi dari

sistem tersebut, maka dilakukan pengujian sistem. Pengujian sistem

dilakukan dengan membandingkan nilai keluaran dengan nilai yang

dilakukan secara manual. Persentase ini didapatkan dari jumlah benar

atau salahnya hasil pengenalan yang didapat dari hasil pengujian data

citra uji pada sistem.

2. Persentase pengenalan tiap citra pada pengujian sistem pengenalan pola

fraktur dengan menggunakan metode filter gabor dan learning vector

quantization menghasilkan pengenalan dengan rata-rata pengenalan

sebesar 100%.

3. Melihat hasil persentase akurasi di atas, dapat disimpulkan bahwa

faktor yang mempengaruhi persentase pengenalan pola fraktur adalah

(34)

5.2 Saran

Beberapa saran yang diberikan untuk penelitian lebih lanjut adalah sebagai

berikut:

1. Pada penelitian selanjutnya diharapkan dapat menggunakan metode

Jaringan Syaraf Tiruan Learning Vector Quantization Fuzzy dengan

tujuan agar lebih akurat dalam pengenalan suatu pola.

2. Pada penelitian selanjutnya diharapkan sistem dapat mendeteksi letak

fraktur secara otomatis melalui proses selection.

3. Pada penelitian selanjutnya diharapkan data penelitian yang diperoleh

diuji coba terlebih dahulu lalu selanjutnya melaporkan hasil atau

keluarannya ke dokter yang terkait dengan data penelitian tersebut

(35)

DAFTAR PUSTAKA

Angsoka Dewi, Ucik Mawarsari, Agung Gumilar Triyanto, Novi Andy Dwi Setiawan, 2010, Neural Networks, Institut Teknologi Sepuluh November Surabaya.

Daugman, J.G , 1985, Uncertainty relation for resolution in space, spatial

frequency, and orientation optimized by two-dimensional visual cortical filters, Optical Society of America, A/Vol. 2, No 7 : Optics and Image

Science.

Dipesh Kumar Solanki, Khagswar Bhoi, 2011, Texture Segmentation Using

Optimal Gabor Filter, Department of Computer Science and

Engineering National Institute of Technology Rourkela, India.

Dwi Ely Kurniawan, 2012, Rancang Bangun Sistem Pengenalan Wajah

Menggunakan Filter Gabor, Tesis, Universitas Diponegoro, Semarang.

Elizabeth, 2008, Pengembangan Sistem Identifikasi Biometrik Wajah

Menggunakan Metode Neural Network dan Pattern Matching, Skripsi,

Universitas Indonesia.

Enjang Ali Nurdin, 2003, Pengenalan Pola Fraktur Dan Pembuluh Darah Pada

Tengkorak Menggunakan Jaringan Neural Buatan, Tesis, Universitas

Indonesia.

Gonzalez, Rafael C., Woods, Richard E., 1992, Digital Image Processin, Second Edition, New Jersey.

Helsi Rosyida Mandasari, Handayani Tjandrasa, Arya Yudhi Wijaya,

Segmentasi Pembuluh Darah Retina pada Citra Fundus Mata dengan 2D-Gabor Filter, Institut Teknologi Sepuluh Nopember (ITS).

Javier R. Movellan, 2008, Tutorial on Gabor Filters, (e-book yang diunduh pada tanggal 16 April 2014).

(36)

Berbasiskan Vector pada Fuzzy-Neuro Learning Vector untuk Pengenalan Citra Wajah Frontal, FASILKOM UI.

Lintang Y Banowosari, Dewi Oktalia, 2010, Analisis Tekstur Parket Kayu Jati

Menggunakan Metode Filter Gabor, Universitas Gunadarma, Depok.

Maharani Dessy Wuryandari, Irawan Afrianto, 2012, Perbandingan Metode

Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah, Jurnal Komputer dan Informatika

(KOMPUTA), Edisi I Volume 1, Bandung.

Munir, Rinaldi, 2012, Pengolahan Citra Digital, [ebook] (diunduh pada tanggal 23 Oktober 2013, website : www.ebookbrowsee.net ).

Muhammad Nasir, Rahmat Syam, Mochamad Hariadi, Enhancement Citra Sidik

Jari Kotor Menggunakan Hybrid Method Dan Gabor Filter, Teknik

Elektro ITS, Surabaya.

Novia R Putri, 2012, Learning Vector Quantization Dengan Logika Fuzzy Untuk Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi Cahaya, Skripsi, Universitas Indonesia, Depok.

Panca Mudji Rahardjo, Juni 2010, Pengenalan Ekspresi Wajah berbasis Filter

Gabor dan Backpropagation Neural Network, Jurnal EECCIS Vol. IV,

No. 1.

S.C Shanks , 1957, A Text Book of X-Ray Diagnosis, London.

Togu Sihombing, Pengenal Huruf Tulisan Tangan Menggunakan Jaringan Saraf Tiruan Metode Lvq (Learning Vector Quantization), 1st International Workshop on Aritifitial Life And Robotics

www.cs.uregina.ca [online], CS425 Lab : Intesity Transformation and Spatial

(37)