SKRIPSI
GABE R. SITUNGKIR 121402073
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2019
IDENTIFIKASI PENYAKIT TUMOR OTAK PADA CITRA CT-SCAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
GABE R. SITUNGKIR 121402073
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2019
Judul : IDENTIFIKASI PENYAKIT TUMOR OTAK PADA CITRA CT-SCAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
Kategori : SKRIPSI
Nama : GABE R. SITUNGKIR
Nim : 121402073
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
iv
PERNYATAAN
IDENTIFIKASI PENYAKIT TUMOR OTAK PADA CITRA CT-SCAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 18 Desember 2019
GABE R. SITUNGKIR 121402073
Puji dan syukur kepada Tuhan YME, karena diberikan sebagian kebijaksanaan dan karunia-Nya yang berlimpah kepada penulis hingga dapat melakukan penyusunan skripsi ini hingga selesai, sebagai syarat untuk mendapatkan gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. Dalam tahap penyelesaian tugas akhir ini, banyak dukungan dan doa dari berbagai pihak, sebab itu penulis ingin mengucapkan terima kasih kepada:
1. Tuhan YME, atas karunia dan izin-Nya penulis dapat menyelesaikan penulisan tugas akhir ini.
2. Kedua Orang tua penulis Nahot Situngkir, dan Ibu Sinur Bako yang telah banyak memberikan dukungan, dorongan, dan kesabaran kepada penulis sehingga penulis bisa menyelesaikan skripsi ini.
3. Ketiga Saudara penulis yang memberikan dorongan dan motivasi sebelum dan selama kuliah.
4. Bapak Ivan Jaya, S.Si., M.Kom. selaku Dosen Pembimbing I yang sudah memberikan bimbingan, petunjuk, kesabaran, dan semangat dalam proses penyelesaian skripsi ini.
5. Bapak Niskarto Zendrato, S.Kom., M.Kom. selaku Dosen Pembimbing II yang telah memberikan bimbingan, petunjuk dan semangat dalam proses penyelesaian skripsi ini.
6. Dr. Sawaluddin, M.IT. selaku Dosen Pembanding I dalam memberikan bimbingan, petunjuk, dorongan, semangat, kritik, dan saran selama proses perkuliahan dan penyempurnaan skripsi ini.
7. Bapak Dedy Arisandi, S.T., M.Kom. selaku Dosen Pembanding II yang telah memberikan kritik dan saran yang membangun dalam proses penyempurnaan skripsi ini.
8. Ketua dan Sekretaris Program Studi S1 Teknologi Informasi, Dekan dan Wakil Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, dan seluruh
vi
dosen serta staff kepegawaian di lingkungan Program Studi S1 Teknologi Informasi yang turut membantu dan membimbing penulis pada masa perkuliahan.
9. Teman-teman penulis yang selalu sabar dalam segala bentuk tingkah laku yang konyol selama perkuliahan dan waktu dalam pengerjaan skripsi ini.
10. Terima kasih kepada teman yang mau meminjamkan laptop di saat penulis membutuhkannya untuk pengerjaan skripsi ini.
11. Teman - teman Teknologi Informasi USU untuk angkatan 2012, yang telah membantu dalam aktifitas perkuliahan, dan semangat serta dorongan dalam pengerjaan penulisan tugas akhir kepada penulis.
Dunia medis terus berkembang dalam segala lini dengan mengikuti perkembangan teknologi.
Dimana dalam dunia kedokteran perkembangan teknologi berperan aktif dalam mempermudah dokter untuk melakukan diagnosa suatu penyakit. Tumor otak merupakan pertumbuhan jaringan akibat adanya sel-sel tidak normal pada otak dan sekitar otak.
Diagnosis penyakit pada otak termasuk tumor otak dapat diketahui oleh para radiolog dan dokter ahli dengan menggunakan Computed Tomography (CT) Scan. Karena dilakukan secara manual dan kasat mata oleh dokter dan radiolog, pemeriksaan terhadap potongan gambar hasil CT Scan sulit jika diidentifikasi langsung oleh dokter dan radiolog dimana akan menghasilkan perbedaan pendapat diantara mereka dalam mengidentifikasi pendarahan pada otak. Oleh sebab itu diperlukan suatu sistem yang dapat membantu mengambil keputusan dan mengidentifikasi penyakit tumor otak. Sistem tersebut dibangun menggunakan convolutional neural network (CNN) agar dapat memberikan hasil identifikasi yang baik. Hasil dari penerapan metode tersebut menghasilkan akurasi sebesar 91.67% dimana dari 2 identifikasi otak normal maupun tumor otak memiliki akurasi yang sama yaitu 91.67%. CNN juga harus memiliki epoch yang cukup besar agar mendapatkan hasil akurasi yang tinggi.
Kata Kunci : Otak , Tumor Otak, CNN, CT-Scan, Citra
viii
IDENTIFICATION OF BRAIN TUMOR DISEASE IN CT-SCAN IMAGE USING CONVOLUTIONAL NEURAL NETWORK
ABSTRACT
The medical world continues to develop in all lines by following technological developments.
The medical world the development of technology plays an active role in making it easier for doctors to diagnose a disease. Brain tumors are tissue growths caused by abnormal cells in the brain or around the brain. Diagnosis of diseases of the brain including brain tumors can be known by radiologists and doctors using Computed Tomography (CT) Scan. The output of CT-Scan is an image that is sometimes difficult to classify by radiologists and doctors, giving rise to disagreements between the two in classifying brain hemorrhage. Therefore we need a system that can help make decisions and identify brain tumor disease. The system was built using a convolutional neural network (CNN) in order to provide good identification results. The results of the application of this method resulted in an accuracy of 91.67% in which of the 2 identification of normal brain and brain tumors have the same accuracy that is 91.67%. CNN must also have an epoch that is large enough to get high accuracy results.
Keywords: Brain, Brain Tumor, CNN, CT-Scan, Image
PERSETUJUAN iii
PERNYATAAN iv
UCAPAN TERIMA KASIH v
ABSTRAK vii
ABSTRACT viii
DAFTAR ISI ix
DAFTAR GAMBAR xi
DAFTAR TABEL xii
BAB 1 PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Batasan Masalah 3
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 3
1.6. Metodologi Penelitian 4
1.7. Sistematika Penulisan 5
BAB 2 LANDASAN TEORI 6
2.1. Tumor Otak 6
2.1.1. Penyebab Tumor Otak 6
2.1.2. Gejala Tumor Otak 7
2.2. Citra Digital 7
2.2.1. RGB Image 8
2.2.2. Grayscale Image 9
2.2.3. Threshold Image 9
2.3. Midpoint Filtering 10
2.4. Convolutional Neural Network 11
2.4.1. Convolution Layer 12
2.4.2. Stride 14
2.4.3. Padding 14
2.4.4. Pooling Layer 14
x
2.4.5. Fully connected layer 15
2.5. Penelitian Terdahulu 16
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 18
3.1. Arsitektur Umum 18
3.2. Dataset 19
3.3. Preprocessing 20
3.3.1. Midpoint Filtering 20
3.3.2. Grayscaling 20
3.4. Segmentation 21
3.5. Klasifikasi 22
3.6. Perancangan Sistem 25
3.6.1. Form Home 25
3.6.2. Form Pengujian Training 26
3.6.3. Form Pengujian Testing 27
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 30
4.1. Implementasi Sistem 30
4.2. Tampilan Antarmuka Sistem 30
4.2.1. Form Home 31
4.2.2. Form Pengujian Training 32
4.2.3. Form Pengujian Testing 33
4.3. Prosedural Operasional 34
4.4. Pengujian Sistem 39
BAB 5 KESIMPULAN DAN SARAN 45
5.1. Kesimpulan 45
5.2. Saran 45
DAFTAR PUSTAKA 46
LAMPIRAN
DAFTAR GAMBAR
Gambar 2.1 RGB Image 8
Gambar 2.2 Citra Grayscale 9
Gambar 2.3 Citra Thresholding 10
Gambar 2.4 Ilustrasi Midpoint filter 11
Gambar 2.5 Arsitektur Convolutional Neural Network 12
Gambar 2.6 Operasi dot 13
Gambar 2.7 Proses Konvolusi 13
Gambar 2.8 Contoh Fully Connected Layer 15
Gambar 3.1 Arsitektur umum 19
Gambar 3.2 Citra Midpoint Filter 20
Gambar 3.3 Citra Grayscale 21
Gambar 3.4 Citra Threshold 21
Gambar 3.5 Arsitektur CNN untuk Klasifikasi Tumor Otak 22
Gambar 3.6 Rancangan Tampilan Form Home 25
Gambar 3.7. Rancangan Tampilan Form Pengujian Training 26
Gambar 3.8. Rancangan Tampilan Form Pengujian Testing 28
Gambar 4.1 Tampilan Form Home 31
Gambar 4.2 Tampilan Form Pengujian Training 32
Gambar 4.3 Tabel Akurasi Pengujian Testing 33
Gambar 4.4 Tampilan Folder Gambar Otak Normal 34
Gambar 4.5 Tampilan Folder Gambar Tumor Otak 35
Gambar 4.6. Tampilan Pelatihan Selesai 35
Gambar 4.7. Tampilan Citra Dipilih 36
Gambar 4.8. Tampilan Citra yang terpilih 36
Gambar 4.9. Tampilan Gambar Yang Mengalami Proses Midpoint Filtering 37
Gambar 4.10. Tampilan Gambar Yang Mengalami Proses Grayscaling 37
Gambar 4.11. Tampilan Gambar Yang Mengalami Proses Thresholding 38
Gambar 4.12. Tampilan hasil identifikasi dengan CNN 38
xii
DAFTAR TABEL
Tabel 3. 1 Keterangan Arsitektur CNN 22
Tabel 4. 1 Parameter Convolutional Neural Network 39
Tabel 4. 2 Hasil Pengujian Klasifikasi Citra CT-Scan Otak 40
Tabel 4. 3 Tabel Akurasi Pengujian 43
Tabel 4. 4 Pengujian Akurasi Dengan Parameter Nilai Maksimum Epoch 43
1.1.Latar Belakang
Dunia medis terus berkembang dalam segala lini dengan mengikuti perkembangan teknologi. Dimana dalam dunia kedokteran perkembangan teknologi berperan aktif dalam mempermudah dokter untuk melakukan diagnosa suatu penyakit. Beberapa penyakit yang di diagnosa adalah paru-paru, jantung dan tumor otak.
Tumor otak merupakan pertumbuhan jaringan akibat adanya sel-sel tidak normal pada otak dan sekitar otak. Penyebabnya hingga saat ini masih belum diketahui. Berdasarkan hasil dugaan dari para peneliti, tumor otak diduga disebabkan faktor keturunan dan akibat terpapar radiasi zat kimia berbahaya. Tumor otak juga dapat dialami seseorang karena penyebaran sel kanker dari bagian tubuh lain yang kemudian menyebar hingga ke otak (metastasis). Untuk itu perlu dilakukan diagnosa terkait dengan tumor otak.<https://hellosehat.com/kesehatan/penyakit/tumor-otak/>
[diakses pada 01Desember 2019].
Diagnosis penyakit pada otak termasuk tumor otak dapat diketahui oleh para radiolog dan dokter ahli dengan menggunakan Computed Tomography (CT) Scan. CT Scan merupakan pengenmbangan dari X-ray (rontgen) yang berfungsi untuk memperoleh citra bagian dalam dan sudut kecil bagian tubuh seperti pada otak, tulang tengkorak dan organ tubuh lainnya. Cara kerja CT Scan yaitu dengan memancarkan X- ray melalui sebuah generator dengan waktu dan jumlah tertentu. Kemudian X-rayakan melewati jaringan tubuh yang diperiksa dan ditangkap oleh detektor citra. Potongan gambar organ tubuh dihasilkan dari adanya perbedaan masa organ tubuh saat dilewati X-ray, yang kemudian akan dilakukan rekonstruksi oleh komputer canggih sehingga diperoleh gambaran potongan organ tubuh. Karena dilakukan secara manual dan kasat mata oleh dokter dan radiolog, pemeriksaan terhadap potongan gambar hasil CT Scan sulit jika diidentifikasi langsung oleh dokter dan radiolog dimana akan menghasilkan
2
perbedaan pendapat diantara mereka dalam mengidentifikasi pendarahan pada otak.
Oleh karena itu, akurasi hasil keputusan oleh dokter dan radiolog tersebut dirasa masih kurang .<http://www.xrayindonesia.com/article/detail/138/...> [diakses pada 01Desember 2019].
CNN (Convolutional Neural network) merupakan salah satu metode identifikasi yang sering digunakan dalam sebuah sistem identifikasi.Convolutional Neural Network (CNN) merupakan perkembangan dari (MLP)Multilayer Perceptron yang termasuk dalam neural network bertipe feed forward (bukan berulang).
Convolutional Neural Network adalah neural network yang dibuat untuk mengolah data berjenis 2 dimensi. Karena dapat digunakan pada jaringan dengan kedalaman tinggi dan sering diaplikasikan untuk mengolah data citra, Convolutional Neural Network dikategorikan dalam jenis Deep Neural Network (Suartika, et.al, 2016). CNN digunakan untuk menganalisa gambar visual, mendeteksi dan mengenali objek pada image, yang merupakan vektor berdimensi tinggi yang akan melibatkan banyak parameter untuk mencirikan jaringan. Penelitian terdahulu yang menggunakan metode CNN yaitu Sinulingga (2018) melakukan penelitian terhadap keamanan mobil berdasarkan pengenalan wajah, dimana keakuratan keseluruhan hingga 83,64% dalam berbagai kondisi seperti keadaan gelap maupun dalam keadaan pose wajah yang ekspresif, serta posisi wajah yang serong menghadap ke satu sisi. Selanjutnya Nasution (2019) dalam penelitiannya mampu melakukan klasifikasi penyakit tuberculosis melalui citra X-ray dengan baik. Sehingga hasil yang diperoleh memiliki tingkat akurasi 92,59 %.
Penelitian mengenai identifikasi tumor otak menggunakan metode yang berbeda-beda sebelumnya sudah banyak dilakukan. El-Sayed et al. (2009) menggunakan metode Feed Porward Backpropagation Artificial Neural Network (FPANN) dan K-Nearest Neighbor (KNN). Dahab et al. (2012) menggunakan metode Probabilistik Neural Network (PNN). Penelitian selanjutnya Leena (2015) mengklasifikasikan jenis tumor otak menggunakan metode Hyperbolic Hopfield Neural Network (HHNN). Serta Harahap (2018) menggunakan metode Counterpropagation Neural Network(CPNN) untuk klasifikasi jenis tumor otak.
Berdasarkan latar belakang di atas, maka penulis melakukan penilitian dengan judul “Identifikasi Tumor Otak pada Citra CT-SCAN Menggunakan Convolutional Neural Network”.
1.2.Rumusan Masalah
Tumor otak merupakan satu dari sekian jenis penyakit yang paling berbahaya hingga saat ini. Untuk mendapatkan hasil klasifikasi yang akurat dalam identifikasi tumor otak tidaklahmudah. Identifikasi tumor otak yang dilakukan oleh ahli radiolog dan dokter dari citra hasil CT Scan tidak selalu sama. Perbedaan pendapat kerap terjadi karenakeputusan yang diambil berdasarkan kesimpulan masing-masing secara manualdengan kasat mata. Untuk itu diperlukan suatu aplikasi yang dapat mengidentifikasi tumor otak berdasarkan pengolahan citra digital CT Scan.
1.3. Batasan Masalah
Untuk mencegah Semakin luasnya ruang lingkup permasalahan pada penelitian ini, penulis membuat batasan masalah diantaranyaadalah :
1. Data citra yang dipakai merupakan hasil digitasi foto CT Scan otak denganformat .jpg.
2. Citra foto CT Scan otak yang digunakan memiliki ukuran 300 x 300 piksel.
3. Aplikasi yang akan dibangun hanya akan melakukan identifikasitumor otak berdasarkan foto CT Scan otak.
4. Output yang dihasilkan adalah identifikasi otak tumor atau otak normal.
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk melakukan identifikasi terhadap penyakit tumor otak pada citra CT Scan menggunakanmetode Convolutional Neural Network.
1.5. Manfaat Penelitian
Adapun manfaat dari penelitian ini antara lain yaitu:
1. Membantu dokter untuk mengidentifikasi tumor pada otak secara otomatis.
4
2. Memberi masukan terhadap penelitian lain di bidang pengolahan citra.
1.6. Metodologi Penelitian
Adapun tahap penelitian yang dilakukan adalah sebagai berikut : 1. Studi Literatur
Tahap pertama yang dilakukan penulis yaitu peninjauan terhadap buku, e- book, artikel, journal, serta hasil penelitian terdahulu seperti tesis dan skripsi untuk referensi dalam mengerjakan proses penelitian. Hal ini dilakukan untuk mendapatkan data dan informasi yang berhubungan dengan metode Convolutional Neural Network.
2. Analisis dan Perancangan
Tahap kedua yang dilakukan penulis yaitu melakukan analisa terhadapat data studi literatur kemudian melakukan perancangan menggunakan algoritma Convolutional Neural Network.
3. Implementasi
Tahap ketiga yang dilakukan penulis yaitu mengimplementasikan Algoritma Convolutional Neural Network dalam pembuatan aplikasi dengan menggunakan bahasa pemrograman C Sharp (C #).
4. Pengujian
Tahap keempat yang dilakukan penulis yaitu melakukan pengujian terhadap sistem untuk mengidentifikasi penyakit tumor pada otak berdasarkan digitasi foto ber-ekstensi *.jpg
5. Dokumentasi
Pada tahap ini penulis akan membuat dokumentasi atau laporan dan kesimpulan akhir dari analisa dan pengujian dalam bentuk skripsi.
1.7. Sistematika Penulisan
Sistematika penulisan terdiri dari beberapa bagian yangkemudian dijelaskan sebagai berikut.
BAB 1 PENDAHULUAN
Berisi penjelasan mengenai latar belakang penelitian judul skripsi
“Identifikasi Tumor Otak pada Citra CT-SCAN Menggunakan Convolutional Neural Network”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, serta sistematika penulisan skripsi.
BAB 2 LANDASAN TEORI
Berisi penjelasan mengenai teori-teori terkait tumor otak, citra,neural network dan algoritma CNN.
BAB 3 ANALISIS DAN PERANCANGAN
Berisipenjelasan mengenai arsitektur umum dan langkah langkah yang dilakukan, tahappreprocessing, proses training, proses validation, proses testing dan perancangan aplikasiyang akan dibangun dalam penelitian.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Berisi penjelasan mengenai sistem yang dibangun berdasarkan hasil analisis dan perancangan. Selanjutnya dilakukan pengujian terhadap sistem apakah sistem sesuai dengan yang rancangan sebelumnya.
BAB 5 KESIMPULAN DAN SARAN
Berisi penjelasan mengenaikesimpulan isi uraian dari bab-bab sebelumnya beserta saran-saran diharapkan nantinya dikemudian hari dapat bermanfaat terhadap pengembangan selanjutnya.
BAB 2
LANDASAN TEORI
2.1 Tumor Otak
Di dalam otak, sel-sel normal yang menua atau rusak akan mati dan digantikan oleh sel-sel baru. Ketika sel yang tua atau rusak tidak mati sewajarnya dan kemudian muncul saat tidak diperlukan, maka akan terjadi penumpukan sel-sel ekstra yang membentuk gumpalan jaringan. Sel-sel yang tumbuh dengan tidak normal di dalam otak disebut tumor (Nayak, et al. 2014).
Pada otak, terdapat jaringan pendukung lunak dan sel-sel saraf yang terhubung ke sumsum tulang belakang(medula spinalis). Hubungan antara otak dengan medula spinalisakan membentuk sistem saraf pusat yang merupakan inti dari keberadaan manusia. Sistem saraf pusat bertugas untuk mengontrol kepribadian, indera, fungsi dasar tubuh serta bagaimana kita berfungsi di lingkungan. Tumbuhnya tumor pada otak, bergantung jenis dan ukurannya, akan mempengaruhi sistem saraf pusat karena sel-sel abnormal tersebut dapat menekan saraf dan merusak bagian otak serta menghalangi jalannya cairan dalam otak yang dapat mengakibatkan terjadinya pembengkakan. Hal ini dapat mengakibatkan penderitanya mengalami permasalahan seperti rasa sakit kepala dan mual, perubahan penglihatan, perkataan dan pendengaran, kesalahan dalam memori dan juga dapat mengakibatkan kematian
2.1.1. Penyebab Tumor Otak
Tumor otak merupakan pertumbuhan jaringan akibat adanya sel-sel tidak normal pada otak dan sekitar otak. Pertumbuhan sel-sel tidak normal terjadi pada otak dan jaringan sekitarnya seperti kelenjar pineal, kelenjar pituari, saraf kranial atau meninges.
Penyebabnya hingga saat ini masih belum diketahui. Berdasarkan hasil dugaan dari para peneliti, tumor otak diduga disebabkan faktor keturunan dan akibat terpapar radiasi zat kimia berbahaya. Tumor otak juga dapat dialami seseorang karena penyebaran sel kanker dari bagian tubuh lain yang kemudian menyebar hingga ke otak
(metastasis). Hingga saat ini tumor otak akibat metastasis lebih banyak dilaporkan daripada akibat tumor pada otak itu sendiri.
2.1.2. Gejala Tumor Otak
Gejala tumor otak terlihat mirip seperti gejala pada penyakit sehari-hari lainnya, mulai dari sakit kepala, pusing sampai depresi. Hal itu menyebabkan gejala tumor otak mungkin sulit untuk dideteksi sejak dini. Namun secara umum, berikut merupakan gejalamaupun tanda-tanda kanker otak yang biasa muncul:
1. Sering terjadi Sakit kepalaringan hingga berat dan mungkin berhari-hari 2. Vertigo, biasanya diikuti muntah dan mual-mual
3. Gangguan penglihatan(mata rabun tepi) 4. Otot terasa lemah
5. Sulit untuk berkata-kata
6. Kaki, tangan dan anggota tubuh lain melemah 7. Masalah kesimbangan koordinasi tubuh 8. Kedutan atau terkejang
9. Sulit Mendengar 10. Mudah lupa
2.2 Citra Digital
Citra ialah sebuahgambaran (representasi), tiruan, mirip-tidaknya sebuah obyek (Sutoyo, dkk. 2009). Citra sebagai sebuah output sistem bermacam-macam berdasarkan sifatnya. Misalnya ada yang bersifat optik (foto), analogue (sinyal video pada TV) serta bersifat digital (gambar dan video) yang bisa disimpan. Bentuk Citra banyak ditemui pada kehidupan sehari-hari, seperti dalam bentuk citra analogue maupun citra digital. Citra analoguemisalnya seperti cetakan foto pada kertas licin, lukisan pada kanpas atau dinding, dan yang lainnya. Citra analoguememiliki sifat kontiniu (berkelanjutan), contohnya pada monitor televisi, X-ray, cetakan foto di kertas licin, mural, citra hasil CT scan, gambar yang tersimpandalam pita kaset, dan yang lainnya.
8
Berbeda dengan citra analogue, citra digital merupakan citra yang bisa dilakukan komputasi karena adanya jenis dan ukuran dari file citra. Citra analogue tidak dapat diolah langsung oleh komputer. Setiap kotak yang terbentuk dinamakan pixel yang memiliki ko-ordinat (x) dan (y). Sumbu (x) untuk kolom sifatnya horisontal dan (y) untuk baris bersifat vertical. Setiap pixel memiliki nilai berdasarkan derajat keabuan (gray level). Gray level menunjukkan nilai keabuan atau kode warna (Ainun, 2014).
2.2.1 RGB image
RGB image adalah citra yang memiliki informasi warna kombinasi Red (merah), Green (hijau) dan Blue(biru) pada setiap pikselnya. Citra digital RGB merupakan citra 24bitdimanakomponenred,greendanblueadalah8bit tiap warnanya.Denganrange 0- 255,citraRGBmenghasilkan16
jutalebihvariasiwarna.Dikarenakanketepatannyaterhadapreplika gambar kehidupan nyata, RGB Image juga disebut sebagai TrueColor Image. Color Image dapat dilihat pada gambar 2.4. Dalam model warna RGB, Color Image bisa diwakili oleh fungsi intensitas (Kumar & Verma, 2010).
Gambar 2.1. RGB Image (Kumar dan Verma, 2010)
2.2.2 Grayscale Image
Grayscale adalah derajat keabuan suatu pixel pada suatu citra yang berisi informasi mengenaiintensitas warna hitam dan putih saja. Suatu citra dikatakan sebagai Grayscale apabila sebuah citra tidak mempunyai warna Red Green Blue (RGB) atau dapat dikatakan sebuah citra yang mempunyai nilai dari putih yang mempunyaiintensitas paling besar sampai hitam yang mempunyai intensitas rendah seperti yang terlihat pada gambar 2.2. Citra grayscale terdiri dari x dan y dalam spasial ko-ordinat serta memiliki nilai intensitasnya masing-masing. Setiap gambar citra Grayscale mempunyai intensitas antara 0 (warna hitam) hingga 255 (putih) dalam citra 8 bit-nya.
Gambar 2.2 Citra Grayscale (Kumar & Verma, 2010)
2.2.3 Threshold image
Threshold pada citra berfungsi untuk membuat citra menjadi hitam dan putih (2bit) sehingga hasilnya lebih tegas. Dalam threshold harus ditetapkan nilai ambang batas untuk mengkonversi elemen matriks citra menjadi hitam (0) atau putih (1). Apabila nilainya berada dibawah variabel pembatas maka dikonversi menjadi hitam (0), bila nilainya diatas variabel tersebut maka dikonversi menjadi putih (1). Terhadap citra RGB, harus diawali dengan diubah menjadi grayscale(citra keabuan).
10
Gambar 2.3. Citra Thresholding
2.3 MidpointFiltering
Midpoint filteringberguna untuk menghilangkan derau (noize) pada citra dengan mencari nilai tengah data dari gray level terendah (min) hingga tertinggi (max) dalam citra yang ditentukan oleh sebuah kernel.Midpoint filter bisa dirumuskan sebagai berikut :
𝒇(𝒚, 𝒙) = 𝒎𝒂𝒙𝒑,𝒒∈𝑺𝒚𝒙(𝒈(𝒑,𝒒)) + 𝒎𝒊𝒏𝒑,𝒒∈𝑺𝒚𝒙 (𝒈(𝒑,𝒒))
𝟐 (2.1)
Keterangan :
max(𝑝,𝑞) : Nilai maximum pixel tetangga min(𝑝,𝑞) : Nilai minimum pixel tetangga
S : citra
y dan x : ko-ordinat pixel citra
g : kernel
p dan q : Ko-ordinat citra
Ilustrasi Midpoint filtering :
Gambar 2.4. Ilustrasi Midpoint filtering(Fanny Fairina N, 2014)
Gambar 2.4 menunjukkan proses midpoint filtering pada kernel 3 x 3 disisi kiri yang merupakan kernel awal yang masih memiliki derau (noize) sementara sisi sebelah kanan merepresentasikan kernel yang telah mengalami proses midpoint filtering. Pada kernel awal dilakukan proses midpoint filtering dengan melakukan oerasi perhitungan terhadap pixel-pixel tetangga, seperti pada rumus 2.1. Nilai 4 sebagai intensitas pixel baru pada kernel disisi kanan dihasilkan melaui pencarian nilai tengah data dari nilai max (7) dan minimal (1) terhadap pixel-pixel tetangga tersebut sesuai Gambar 2.4.
2.4 Convolutional Neural Network
CNN (Convolutional Neural Network) merupakan salah satu metode identifikasi yang sering digunakan dalam sebuah sistem identifikasi. Convolutional Neural Network (CNN) merupakan perkembangan dari MLP (Multi Layer Perceptron) yang termasuk dalam neural network bertipe feed forward (bukan berulang). Convolutional Neural Network adalah neural network yang dibuat untuk mengolah data berjenis 2 dimensi.
Karena dapatdigunakan pada jaringan dengan kedalaman tinggi dan sering diaplikasikan untuk mengolah data citra, Convolutional Neural Network dikategorikan dalam jenis Deep Neural Network (Suartika, et.al, 2016). CNN digunakan untukmenganalisis gambar visual, mendeteksi dan mengenali objek pada gambar
12
(image), yang merupakanvektor berdimensi tinggi yang akan melibatkan banyak parameter untuk mencirikan jaringan.
Convolutional Neural Network hampir sama dengan jenis neural network lainnya apabila dilihat secara umum, dimana memiliki weight, bias dan activation function. Arsitektur Convolutional Neural Network dapat dilihat pada gambar 2.5.
Gambar 2.5.Arsitektur Convolutional Neural Network (Peng, et al, 2017)
Dari gambar 2.5. dapat dilihat ada tiga tipe layer dalam convolutional network:
2.4.1. ConvolutionLayer
Convolution layermerupakan susunan neuron yang dibentuk sedemikian rupa sehingga menjadi sebuah filter yang memiliki tinggi dan panjang (piksel). Biasanya, layer pertama pada feature extraction layer merupakan conv. layer yang memiliki ukuran 5x5x3. Panjang 5 piksel, tinggi 5 pixels dan memiliki tebal 3 sesuai dengan jumlah channel gambar tersebut.
Pada Gambar 2.5 terdapat tiga buah filter. Setiap filter akan dilakukan pergeseran kesemua bagian gambar. Proses yang terjadi adalah dilakukannya operasi dot antara input dengan ketiga filter yang nantinya akan menghasilkan keluaran berupa feature map (activation map). Dengan menggeser filter keseluruh bagian gambar, dihasilkan sebuah keluaran yang disebutsebagai feature mapatauactivation map (Nurfita, 2018).
Proseskonvolusi dapat dilihat padagambar 2.6.
Gambar 2.6. Operasi dot(Dharmadi, 2018)
Gambar 2.7.Proses Konvolusi dengan 2 filter untuk menghasilkan Feature Map / Activation map (Karpathy, 2018).
14
2.4.2. Stride
Stride merupakan parameter penentu banyaknya pergeseran dari filter. Misalnya pada Gambar 2.7, ditentukan jumlah stride adalah 2, akan terjadi pergeseran filter sejumlah piksel secara horisontal dan kemudian vertikal.
Besar kecilnya nilai stride sangat berpengaruh terhadap waktu atau lamanya proses komputasi. Penggunaan stride yang semakin kecil akan memperoleh informasi yang lebih detail dibandingkan stride bernilai besar. Walaupun demikian perlu digarisbawahi bahwa stride bernilai kecil tidak selamanya akan menghasilkan output yang baik.
2.4.3. Padding
Padding (zero padding) merupakan parameter penentu banyaknya piksel bernilai 0 dimana nantinya akan diberikan ke setiap sisi input. Penambahan zero padding bertujuan untuk melakukan perubahan dimensi output dari feature map.
Misalnya, pada sebuah layer dengan dimensi 5 x 5 dilakukan proses konvolusi dengan filter 3 x 3 dan stride bernilai 2. Hasil yang diperoleh adalah feature map dengan ukuran dimensi 2 x 2. Selanjutnya apabila diberikan padding sejumlah 1, maka akan dihasilkan feature map berukuran 3 x 3 dimana telah terjadi manipulasi dimensi dan lebih banyak informasi yang didapat.
2.4.4. Pooling layer
Pergeseran filter ditentukan oleh sebuah parameter bernama stride dan padding.
Stridemenentukan jumlah pixels yang bergeser secara horisontal dan vertical. Besar kecilnya nilai stride mempengaruhi lama proses komputasi. Penggunaan stride yang lebih kecil akan mendapatkan informasi yang lebih detail apabila dibandingkan dengan stride bernilai besar. Walaupun demikian, perlu digaris bawahi bahwa stride bernilai kecil tidak serta merta memperoleh output yang baik. (Sena, 2017b).
Sedangkan Padding (zero padding) merupakan parameter penentu banyaknya piksel bernilai 0 dimana nantinya akan diberikan ke setiap sisi input. Penambahan zero padding bertujuan untuk melakukan perubahan dimensi output dari feature map.
Hal tersebut dilakukan agar dimensinya tetap atau paling tidak hanya mengalami sedikit pengurangan. Kemudian selanjutnya bisa menggunakan convolutional layer yang lebih deep sehingga menghasilkan feature map hasil ekstrak yang lebih banyak.
Selain itu juga akan menaikkan performa model karena filter informasi difokuskan pada data sebenarnya yang ada pada zero padding.
Untuk menghitung dimensi dari feature map dapat menggunakan persamaan 2.2.
𝒐𝒖𝒕𝒑𝒖𝒕 = 𝑵−𝑭+𝟐𝑷
𝑺 + 𝟏 (2.2)
dimana:
N = Panjang/Tinggi Input
F = Panjang/Tinggi Filter
P = Padding (bernilai 0)
S = Stride
2.4.5. Fully connected layer
Perlu dilakukan pembentukan kembali feature map atau proses flatten ke dalam bentuk vektor karena feature map hasil dari proses ekstraksi fitur masih memiliki bentuk multidimensional layer. Hal tersebut dilakukan supaya nantinya dapat difungsikan untuk masukan dari Fully Connected Layer.
16
Gambar 2.8. Contoh Fully Connected Layer(Murray, 2017)
2.5 Penelitian Terdahulu
Penelitian terkait identifikasi tumor otak dengan metode yang berbeda-beda sebelumnya sudah banyak dilakukan. El-Sayed et al. (2009) mengunakan metode Backpropagation Artificial Neural Network dan K Nearest Neighbor (KNN). Untuk ekstraksi fitur mereka menggunakan Discrete Wavelet Transformation (DWT), direduksi kembali dengan menggunakan Principles Component Analysis (PCA).
Penelitian selanjutnya Dahab et al. (2012) melakukan grayscaling pada citra MRI dan dilakukan gaussian filter saat proses pre-processingnya. Kemudian citra MRI tersebut disegmentasi dengan teknik Canny Edge Detection untuk kemudian diklasifikasi dengan metode probabilistic Neural Network (PNN).
Pada tahun 2015, Leena juga melakukan penelitian pada citra CT-Scan menggunakan metode Hyperbolic Hopfield Neural Network (HHNN). Noise pada citra dihilangkan dengan bilateral filter kemudian dilakukan segmentasi menggunakan Enhanced Markov Random Field Approach. Selanjutnya dilakukan ekstrasi fitur dengan menggunakan Texture Descriptor yang kemudian diklasifikasi dengan menggunakan metode HHN.
Selain itu penelitian lainnya, Harahap (2018) menggunakan metode Counterpropagation Neural Network untuk klasifikasi tumor otak melalui citra MRI.
Pada tahap pre-processing menggunakan Contrast Enhancement kemudian dilakukan segmentasi dengan treshold and skull stripping. Kemudian dilakukan ekstraksi fitur dengan menggunakan Metric & Eccentricity Calculation. Tahap akhirnya dilakukan klasifikasi menggunakan metode CPNN.
Penelitian terdahulu yang menggunakan metode Convolutional Neural Network (CNN) yaitu Sinulingga (2018) melakukan penelitian terhadap keamanan mobil berdasarkan pengenalan wajah, dimana keakuratan keseluruhan hingga 83,64%
dalam berbagai kondisi seperti keadaan gelap, pose ekspresif serta posisi wajah menghadap satu sisi. Selanjutnya Nasution (2019) dalam penelitiannya mampu melakukan klasifikasi penyakit tuberculosis melalui citra X-ray dengan baik. Sehingga hasil yang diperoleh memiliki tingkat akurasi 92,59 %.
BAB 3
ANALISIS DAN PERANCANGAN
3.1 Arsitektur Umum
Metode yang dilakukan untuk identifikasi penyakit tumor otakyaitu terdiri dari beberapa tahapan. Tahapan tersebut diawali dengan pengumpulan data citra tumor otak dan normalyang kemudian digunakan untuk data testing dan data training.Pada tahap preprocessing digunakan Midpoint filtering digunakan untuk melakukan proses filterisasi pixel gambar yang digunakan dalam pemrosesan foto citra CT-Scan.
Kemudian dilakukan penyeragaman gambar keabuan dengan menggunakan grayscale.
Tahapan selanjutnya yaitu segmentasi yaitu thresholding yang untukmenentukan proses hitam putih melalui nilai ambang yang ditentukan. Setelah proses segmentation selesai selanjutnya melakukan binerisasi yaitu citra akan diubah menjadi citra biner. Setelah itu masuk ke klasifikasi dengan menggunakan Convolution Neural Network. Proses dari keseluruhan tahapan tersebut akan menghasilkan identifikasi apakah citra tersebut termasuk tumor otak atau normal. Adapun Arsitektur umum berdasarkan beberapa
tahapan diatas dapat dilihat pada Gambar 3.1 .
Gambar 3.1 Arsitektur umum 3.2 Dataset
Data citra yang digunakan dalam penelitian ini adalah citra CT-Scan yang diperoleh dari Radiopaedia dan kaggle.com. Data citra CT-scan yang diperoleh sebanyak 100 citra dataset training dan 24 citra dataset testing. Masing-masing dataset training yaitu 12 normal, dan 12 tumor otak.Data tesebut akan digunakan sebagai data testing dan data training.
20
3.3 Pre-processing
Tahapan ini merupakan tahap pengolahan citra yang bertujuan untuk menghasilkan citra yang lebih baik untuk diproses ke tahapan selanjutnya. Tahapan pre-processing ini terdiri dari Midpoint filtering dan grayscale.
3.3.1. MidpointFiltering
Tahap kedua yaitu midpoint filtering. Dimana pada tahapan ini bertujuan mereduksi bintik- bintik dari suatu citra agar menghasilkan citra yang lebih baik untuk melakukan proses pre- processing berikutnya. Citra Midpoint Filter dapat dilihat pada gambar 3.2.
Gambar 3.2Citra Midpoint Filter(https://.radiopaedia.org)
3.3.2. Grayscale
Tahapan selanjutnya yaitu grayscale. Dimana pada tahapan ini bertujuan untuk penyeragaman warna keabuan pada citra yang akan diproses. Pada citra asli terlihat warna keabuan tidak merata. Citra Grayscale dapat dilihat pada gambar 3.3.
Gambar 3.3Citra Grayscale
3.4 Segmentation
Tahapan ini merupakan tahap proses pemisahan objek yang satu dengan objek yang lain dalam suatu gambar (citra) menjadi objek-objek berdasarkan karakteristik khusus yang dimiliki suatu citra. Pada tahap ini akan melakukan proses thresholding dimana berguna untuk memisahkan antara objek dan backgroundnya. Thresholding merupakan teknik yang sederhana serta efektif untuk segmentasi citra. Proses thresholding sering disebut dengan proses binerisasi. Untuk gambar threshold dapat dilihat pada gambar 3.4.
Gambar 3.4 Citra Threshold
22
3.5 Klasifikasi.
Dalam penelitian ini, Metode yang digunakan untuk proses klasifikasi yaitu Convolutional Neural Network. Adapun Arsitektur Convolutional Neural Network untuk klasifikasi tumor otakdapat dilihat pada Gambar 3.5.
Gambar 3.5. Arsitektur CNN untuk Klasifikasi Tumor Otak
Keterangan dari gambar arsitektur Convolutional Neural Network untuk klasifikasi tumor otakdapat dilihat pada Tabel 3.1.
Tabel 3.1. Keterangan Arsitektur CNN
Layer Jumlah Node Keterangan
Input 90000 Jumlah tiap pixel citra
Hidden 300
Output 2
Arsitektur yang akan digunakan dalam jaringan ini terdiri dari 3 Layer yaitu Input Layer, Hidden Layer, dan Output Layer. Data Input sebanyak 90000 node, Hidden sebanyak 300node dan Output terdiri dari 2node (Tumor otakdan Normal). Hidden
Node ditentukan secara random (Huang, 2006). Dapat ditentukan melalui beberapa uji coba terhadap kebutuhan sistem. Pemilihan Hidden Node yang berjumlah 300Node merupakan suatu bobot yang baik dalam menghasilkan akurasi yang tinggi dalam sistem identifikasi tumor otak dan tidak memakan banyak waktu dalam proses pengolahan citra. Data yang akan dimasukkan dalam Input Layer akan ditransformasi terlebih dahulu. Pelatihan dilakukan guna mencari bobot dan bias optimal atau sesuai untuk digunakan pada proses Testing. Langkah-langkah Training untuk 1 kali Epoch yang akan diproses adalah sebagai berikut:
Langkah 1 : Inisialisasi semua bobot dan bias secara acak.
Langkah 2 : Jika kondisi penghentian belum terpenuhi, maka lakukan langkah 3 sampailangkah 7.
Fase I propagasi maju (feedforward)
Langkah 3 :Tiap unit masukan menerima sinyal dan meneruskan sinyal tersebut ke semuaHidden layer.
Langkah 4 : Menghitung net input ke hidden layer ℎ1
𝑛𝑒𝑡ℎ1 = 𝑤1∗ 𝑖1+ 𝑏1∗ 1 (3.1) Langkah 5 : Selanjutnya tentukan fungsi aktivasi sigmoid ke hidden layer ℎ1 dengan persamaan
𝑜𝑢𝑡ℎ1 = 1
1+𝑒𝑛𝑒𝑡ℎ1 (3.2)
Setelah mendapatkan Output pada lapisan Hidden Layer maka langkah selanjutnya.
Langkah 6 : Menghitung net hidden layer ke Output Layer 𝑜1 dengan persamaan 𝑛𝑒𝑡𝑜1 = 𝑤5∗ 𝑜𝑢𝑡ℎ1+ 𝑤6∗ 𝑜𝑢𝑡ℎ2+ 𝑏2 ∗ 1 (3.3) Langkah 7 : Menghitung nilai output
𝑜𝑢𝑡𝑜1= 1
1+𝑒𝑛𝑒𝑡𝑜1 (3.4)
Langkah 8 : Menentukan nilai Error pada output 𝐸𝑡𝑜𝑡𝑎𝑙 = ∑1
2(𝑡𝑎𝑟𝑔𝑒𝑡 − 𝑜𝑢𝑡𝑝𝑢𝑡)2 (3.5)
24
Fase II: Propagasi Mundur (Backward)
Langkah 9 : Hitung faktor 𝜕output berdasarkan nilai error dan nilai output
𝜕 ∑ 𝑡𝑜𝑡𝑎𝑙
𝜕𝑜𝑢𝑡𝑜1 = 2 ∗ 1
2(𝑡𝑎𝑟𝑔𝑒𝑡𝑜1− 𝑜𝑢𝑡𝑜1)2−1∗ −1 (3.6)
𝜕merupakan unit kesalahan yang digunakan untuk mengubah bobot layer pada langkah selanjutnya.
Langkah 10: Hitung hasil nilai output
𝑜𝑢𝑡𝑜1 = 1
1+𝑒𝑛𝑒𝑡𝑜1 (3.7)
Langkah 11 : Menghitung net dari Output layer ke Hidden Layer
𝑛𝑒𝑡𝑜1 = 𝑤5∗ 𝑜𝑢𝑡ℎ1+ 𝑏2∗ 1 (3.8)
Fase III: Perubahan Bobot
Langkah 12 :Hitung semua perubahan bobot.
Perubahan bobot pada Output Layer ditunjukkan pada persamaan 3.9.
𝑤𝑏𝑎𝑟𝑢 = 𝑤𝑙𝑎𝑚𝑎− 𝑛 ∗ 𝜕 ∑ 𝑜1
𝜕𝑤𝑙𝑎𝑚𝑎 (3.9)
Perubahan bobot pada Hidden Layer ditunjukkan pada persamaan 3.10.
𝑤𝑏𝑎𝑟𝑢 = 𝑤𝑙𝑎𝑚𝑎− 𝑛 ∗ 𝜕 ∑ ℎ1
𝜕𝑤𝑙𝑎𝑚𝑎 (3.10)
W = Bobot n = Learning Rate Σ = Jumlah total
Kemudian masuk kedalam tahap Testinguntuk menguji tingkat keakuratan sistem dalamidentifikasi tumor otakberikut langkah-langkahnya:
1. Masukkan data yang diuji.
2. Masukkan nilai Hidden Node yang optimal dari data pelatihan.
3. Melakukan proses Feedforward dan Backwardyaitu menghitung keluaran Output.
Fungsi aktivasi yang digunakan pada jaringan ini adalah Sigmoid Biner.
4. Analisis hasil Output
5. Menarik kesimpulan dari hasil Output.
3.6 Perancangan Sistem 3.6.1. Form Home
Form Home merupakan tampilan yang pertama kali muncul pada saat sistem dijalankan. Pada form ini terdapat keterangan judul penelitian, logo, nama dan nim penulis penelitian. Rancangan tampilan form Home dapat dilihat pada gambar 3.6
Gambar 3.6. Rancangan Tampilan Form Home
Pada gambar 3.13 terdapat beberapa komponen visual yang akan dijelaskan yaitu sebagai berikut:
26
1. Menu “Home, Pengujian”, digunakan untuk menampilkan menu-menu yang ada didalam sistem. Menu “Home” digunakan untuk menampilkan cover sistem. Menu “pengujian” digunakan untuk menampilkan halaman pengujian.
2. Labeltext ”Judul” digunakan untuk menampilkan judul dari sistem 3. Labeltext ”Skripsi” digunakan untuk menampilkan tujuan dari sistem 4. Imagebox “Logo USU” digunakan untuk menampilkan logo institusi 5. Labeltext ”Nama” digunakan untuk menampilkan Nama dan NIM
6. Labeltext ”Instansi” digunakan untuk menampilkan instansi asal perancang
3.6.2. Form Pengujian Training
Pada halaman form Pengujian Training, user diminta untuk melakukan beberapa aksi dalam memilih data train yang akan dijadikan acuan. Rancangan tampilan Form pengujian training dapat dilihat pada gambar 3.7
Gambar 3.7. Rancangan Tampilan Form Pengujian Training
Pada gambar 3.7 terdapat beberapa komponen yang digunakan dalam membangun rancangan halaman Form pengujian training, yaitu sebagai berikut:
1. Menu “Home, Pengujian”, digunakan untuk menampilkan menu-menu yang
ada didalam sistem. Menu “Home” digunakan untuk menampilkan cover sistem. Menu “pengujian” digunakan untuk menampilkan halaman.
2. Button untuk membuka explorer dan memilih data train otak yang normal 3. Button untuk membuka explorer dan memilih data train otak yang terkena
tumor
4. Rictextbox yang berfungsi untuk menampilkan hasil dari data gambar yang dipilih dan proses training sampai selesai.
5. Textbox yang menampilkan jumlah sampel data train normal 6. Textbox yang menampilkan jumlah sampel data train tumor otak 7. Textbox yang menampilkan jumlah sampel data train yang dipilih 8. Textbox yang menampilkan runningtime dari proses training data train 9. Textbox yang menampilkan berapa jumlah epoch
10. Textbox yang menampilkan berapa jumlah learning rate 11. Textbox yang menampilkan berapa jumlah hidden layer
3.6.3. Form Pengujian Testing
Pada halaman Form pengujian testing, user diminta untuk melakukan beberapa aksi yaitu memilih gambar yang akan di diagnosa kemudian mengikuti alur proses pengolahan citra sampai identifikasi citra tersebut. Rancangan tampilan Form pengujian testing dapat dilihat pada gambar 3.15.
28
Gambar 3.8. Rancangan Tampilan Form Pengujian Testing
Pada gambar 3.8 terdapat beberapa komponen yang digunakan dalam membangun rancangan halaman Form Pengujian Testing, yaitu sebagai berikut:
1. Menu “Home, Pengujian”, untuk menampilkan menu pada halaman utama yang ada didalam sistem. Menu “Home” digunakan untuk menampilkan cover sistem. Menu “pengujian” digunakan untuk menampilkan halaman.
2. Imagebox berfungsi untuk menampilkan ambar asli yang dipili untuk melakukan diagnose otak normal atau tumor.
3. Button browse yang berfungsi untuk membuka explorer untuk mencari gambar yang akan di diagnose.
4. Textbox yang akan menampilkan informasi nama file yang dipilih.
5. Imagebox yang berfungsi untuk menampilkan gambar yang sudah diproses filtering menggunakan midpoint filtering.
6. Button aksi filtering untuk melakukan proses filtering menggunakan midpoint.
7. Textbox yang menampilkan runningtime dari proses filtering.
8. Imagebox yang berfungsi untuk menampilkan gambar yang sudah diproses grayscale.
9. Button aksi grayscaleuntuk melakukan proses grayscale.
10. Textbox yang menampilkan runningtime dari proses grayscale.
11. Imagebox yang berfungsi untuk menampilkan gambar yang sudah diproses thresholding.
12. Button aksi thresholding untuk melakukan proses thresholding.
13. Textbox yang menampilkan nilai ambang threshold dari proses thresholding.
14. Textbox yang menampilkan runningtime dari proses thresholding.
15. Button aksi identifikasi untuk melakukan proses identifikasi menggunakan CNN.
16. Textbox yang menampilkan hasilidentifikasi dari proses identifikasi menggunakan CNN.
17. Textbox yang menampilkan runningtime dari proses identifikasi menggunakan CNN.
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4. 1 Implementasi Sistem
Setelah melakukan proses tahap analisis dan perancangan, maka tahapan selanjutnya adalah melakukan proses implementasi, dimana implementasi sistem merupakan hasil dari analisis dan perancangan sistem yang diterjemahkan ke dalam bahasa pemrograman.
Dalam melakukan penelitian pada tahap implementasi sistem dengan algoritma CNN(Convolutional Neural Network), bahasa pemrograman yang digunakan pada sebuah sistem adalah C Sharp (C#).
4.2. Tampilan Antarmuka Sistem
Tampilan Antarmuka Sistem ialah hasil dari proses tahap implementasi. Tampilan yang dibangun sesederhana mungkin akan dapat memudahkan user dalam berkomunikasi pada sistem. Beberapa form yang terdapat didalam sebuah tampilan sistem pada penelitian ini terdiri dari form Home, form Pengujian Training, dan form pengujian testing.
4.2.1. Form Home
Tampilan awal yang terlihat pada saat kita menjalankan sistem adalah tampilan pada form Home. Pada form ini terdapat beberapa identitas penulis, seperti: judul penelitian, logo instansi, nama dan nim penulis, fakultas, program studi, nama universitas, dan tahun.Tampilan form Home dapat dilihat pada gambar 4.1.
Gambar 4.1. Tampilan Form Home
32
4.2.2. Form Pengujian Training
FormPengujian Trainingmerupakan form tempat dilakukannya proses training. Pada form ini userakan melakukan beberapa tindakan untuk melakukan proses training.
User harus menekan tombol browse untuk mengambil sampel gambar yang ingin di train. User harus mengambil gambar yang ingin di train sesuai klasifikasi button yang tertera. Jika user ingin mengambil data trainotak normal, maka user harus memilih gambar otak normal. Begitu juga sebaliknya jika user ingin memilih data train otak yang terkena tumor otak. Jika sudah memilih gambar yang ingin di training, selanjutnya user harus menekan tombol train untuk memulai proses training. Jika proses training selesai maka akan muncul informasi bahwasanya training telah selesai. Untuk Tampilan formPengujian Training dapat dilihat pada gambar 4.2.
Gambar 4.2. Tampilan Form Pengujian Training
4.2.3. Form Pengujian Testing
FormPengujian Testing merupakan form tempat diakukannya proses identifikasi dan klasifikasi penyakit otak yaitu tumor otak. Pada form ini, user diminta agar mengikuti alur proses pengolahan citra sampai proses identifikasi penyakit tumor otak. Pertama- tama user harus menekan tombol browse untuk memilih gambar yang ingin di identifikasi atau didiagnosa. Jika sudah memilih ngambar yang ingin di identifkasi, maka gambar tersebut akan muncul pada imagebox original image. Setelah itu, user harus melakukan proses filtering agar dapat mereduksi atau mengurangi noise yang ada pada gambar saat pengambilan gambar dengan melakukan CT-scan. Pada tahap selanjutnya gambar tersebut harus melakukan proses grayscale, dan pada akhir nya akan dilakukan proses thresholding untuk menghasilkan citra putih dan hitam. Setelah itu, gambar thresholding tersebut akan dilakukan proses identifikasi menggunakan algoritma CNN dengan menekan tombol identifikasi. Pada akhirnya sistem akan mengeluarkan informasi berupa diagnosa yaitu otak normal atau tumor otak. Tampilan form pengujian Testing dapat dilihat pada gambar 4.7.
Gambar 4.3. Tampilan Form Pengujian Testing
34
4.3. Prosedural Operasional
Pada saat ingin menjalankan sistem ini maka halaman yang pertama kali terlihat adalah tab home. Jika ingin mulai melakukan training, dapat menekan menu training dan jika ingin memulai proses testing dapat menekan tombol testing.
Pada tab training terdapat 3 tombol. Pengguna memilih folder citra pada masing-masing tombol dengan mengklik tombol ‘browse’ pada kotak citra otak normal, dan citra otak yang terkena tumor. Lalu pengguna membuka direktori dimana folder dari file citra berada. Tampilan pada saat masing-masing tombol di klik dapat dilihat pada gambar 4.4 folder citra otak normal 4.5 folder citra tumor otak.
Gambar 4.4 Tampilan Folder Gambar Otak Normal
Gambar 4.5 Tampilan Folder Gambar Tumor Otak
Setelah folder-folder citra dipilih kemudian klik tombol ‘Training’. Proses pelatihan selesai ditandai dengan munculnya notifikasi bahwa pelatihan data citra telah selesai.
Maka hasil proses akan disimpan di database. Tampilan pelatihan selesai dapat dilihat pada gambar 4.6.
Gambar 4.6. Tampilan Pelatihan Selesai
36
Setelah proses pelatihan selesai, pengguna dapat melakukan proses pengujian sistem.
Pada halaman utama, pengguna dapat memilih citra CT-scan yang ingin di uji dengan mengklik tombol ‘browse image’. Fotoyang dipilihkemudian ditampilkan pada bagian ‘original image’. Tampilan pada saat citra dipilih dan ditampilkan dapat dilihat pada gambar 4.7. Tampilan Pemilihan Citra dan 4.8. Tampilan Citra yang dipilih.
Gambar 4.7. Tampilan Citra Dipilih
Gambar 4.8. Tampilan Citra yang terpilih
Setelah citra dipilih, pengguna dapat melakukan proses latih citra dengan mengklik tombol preprocessing. Citra yang dipilih akan melalui midpoinmt filtering, dan grayscaling, selanjutnya tahapan segmentasi menggunakan thresholding. Keluaran dari proses kemudian terlihat pada setiap imagebox. Hasil pengujian citra yang dipilih akan muncul pada kotak ‘Result’. Tampilan hasil citra yang dilatih dapat dilihat pada gambar 4.9, 4.10, 4.11, dan 4.12.
Gambar 4.9. Tampilan Gambar Yang Mengalami Proses Midpoint Filtering
Gambar 4.10. Tampilan Gambar Yang Mengalami Proses Grayscaling
38
Gambar 4.11. Tampilan Gambar Yang Mengalami Proses Thresholding
Gambar 4.12. Tampilan hasilidentifikasi dengan CNN
4.4. Pengujian Sistem
Tahap pengujian sistem merupakan tahap dimana dilakukan identifikasi terhadap implementasi sistem. Pada tahap ini akan dapat diketahui ketepatan fungsi sistem berdasarkan tahap analisis dan perancangan sistem. Pengujian sistem dilakukan terhadap Foto CT Scanotak berformat *.jpg. Proses utama dari sistem ini adalah proses pengujian testing.
Pada bagian ini menjelaskan tentang hasil dari pengujian sistem pengidentifikasian citra otak dalam klasifikasi penyakit tumor otak. Pengujian sistem menggunakan parameter CNN yang dapat dilihat pada tabel 4.1. kemudian hasil dari pengujian- pengujian tersebut dapat dilihat pada tabel 4.2, tabel 4.3, dan tabel 4.4.
Tabel 4.1. Parameter Convolutional Neural Network
No ParameterCNN Keterangan
1 Jumlah Hidden Layer 300
2 Maksimum Epoch 1000
3 Learning Rate 0.2
Hasil pengujian klasifikasi citra CT-scanOtak dapat dilihat pada Tabel 4.2dengan menggunakan parameter CNN seperti yang tertera pada Tabel 4.1. Citra uji otaknormal berjumlah 12 dan citra uji tumor otak berjumlah 12. Sehingga jumlah seluruh citra uji adalah 24 citra.
40
Tabel 4.2. Hasil Pengujian Klasifikasi Citra CT-Scan Otak No Citra Asli Midpoint
Filtering
Gray- scaling
Thres-
holding Actual Desire
1 Normal Normal
2 Normal Normal
3 Normal Normal
4 Normal Normal
5 Normal Normal
6 Normal Normal
7 Normal Tumor
8 Normal Normal
9 Normal Normal
10 Normal Normal
11 Normal Normal
12 Normal Normal
13 Tumor Normal
14
Tumor Tumor
15
Tumor Tumor
16
Tumor Tumor
17
Tumor Tumor
18
Tumor Tumor
42
Untuk menghitung akurasi pengujian , persamaan yang digunakan adalah persamaan 4.1.
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟
𝑇𝑜𝑡𝑎𝑙 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑥 100 (4.1)
Dari tabel 4.2 dapat dilihat berapa banyak jumlah target yang berhasil pada setiap jenis citra CT-scan beserta nilai akurasinya dengan menggunakan persamaan 4.1.
19
Tumor Tumor
20
Tumor Tumor
21
Tumor Tumor
22
Tumor Tumor
23
Tumor Tumor
24
Tumor Tumor
Tabel 4.3. Tabel Akurasi Pengujian
No Jenis Citra Target benar Akurasi (%)
1 Normal 11 91.67
2 Tumor 11 91.67
Berdasarkan nilai akurasi pada tabel 4.3, akurasi keseluruhan dapat dilakukan penghitungan. Akurasi keseluruhan diperoleh dengan menggunakan persamaan 4.1 yaitu dengan menambahkan jumlah target benar kemudian dibagi dengan jumlah seluruh data citra CT-Scan seperti berikut.
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 11 + 11
24 𝑥 100 = 91.667%
Untuk pengujian selanjutnya yaitu pengujian menggunakan beberapa parameter epoch dalam proses testing. Pemilihan parameter maksimum epoch dilakukan dengan menggunakan epoch yang berbeda-beda. Percobaan yang dilakukan menggunakan data yang sama.
Tabel 4.4. Pengujian Akurasi Dengan Parameter Nilai Maksimum Epoch No Maksimum
Epoch
Target benar
Akurasi (%)
Normal Tumor
1 100 8 9 70.8
2 200 9 10 79.16
3 500 10 10 83.3
4 800 10 11 87.5
5 1000 11 11 91.67
Dari tabel 4.4 menunjukkan maksimum epoch, jumlah target output yang sesuai dan akurasinya. Hasil pengujian yang dapat dilihat pada tabel 4.4 dan menunjukkan bahwa
44
pada maksimum epoch ke 1000, akurasi mencapai 91,67%. Pada tabel dapat dilihat semakin besar nilai epoch nya semakin tinggi juga persentase akurasi dari setiap pengujian data citra CT-scan.
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil pengujian dan pembahasan sistem, dapat disimpulkan bahwa;
1. Algoritma Convolutional Neural Network dapat melakukan klasifikasi penyakit pneumonia melalui citra CT-scan dengan baik dengan tingkat akurasi 91,67%.
2. Pada percobaan pengujian diatas dapat dilihat bahwa parameter epochsemakin besar nilai maka akansemakin tinggi juga persentase akurasi dari setiap pengujian data citra otak untuk mengklasifikasikan penyakit tumor otak.
5.2 Saran
Beberapa saran yang dapat disampaikan, yaitu antara lain:
1. Menggunakan data citra pelatihan yang lebih banyak agar pada saat pengujian data dihasilkan akurasi yang relatif lebih tinggi.
2. Diperlukan beberapa algoritmapengolahan citra tambahan atau lebih relevan agar hasil segmentasi tumoryang didapatkan lebih baik.
46
DAFTAR PUSTAKA
Abdel-Zaher. Ahmed M., Eldib, Ayman M. 2015. Breast cancer classification using deep belief networks. Department of Systems and Biomedical Engineering, Cairo University, Giza, Egypt
American Brain Tumor Association. 1991. A Primer Of Brain Tumors. Des Plaines,Illinoi.
Brain Tumour Research Report on National Research Funding. 2016. Report onNational Research Funding. http://www.braintumourresearch.org.
Oktober2016.
Chen, Yongdong., Ling, Lijuan., Huang, Qinghua. 2016. Classification of breast tumors in ultrasound using biclustering mining and neural network. Datong, China.
Chon, A., Balachandar, N. & Lu, P. 2017. Deep Convolutional Neural Network
for Lung Cancer Detection.
(Online)http://cs231n.stanford.edu/reports/2017/pdfs/518.pdf (5 November 2017).
Christanto, William. 2018. Klasifikasi Pneumonia MenggunakanConvolutional Neural Network. Skripsi. Universitas Sumatera Utara.
Dahab, D. A., Ghoniemyy, S. S. A., Selim, G. M. 2012. Automatic Brain Tumor Detection and Identification Using Image Processing and Probabilistic Neural Network Techniques. International Journal of Image Processing and Visual Communication ISSN 2319-1724 : Volume (Online) 1, Issue, 2 October 2012.
Deore, Yogita Ashok. & Ghuse, Namrata D. 2016. Efficient Image Processing Based Liver Cancer Detection Method. International Journal on Recent and Innovation Trends in Computing and Communication (IJRITCC) 4(12):238- 241.
automatic MRI Brain Images Classification. Studia Univ. Babes-Bolyai, Informatica, Volume LIV, No. 1, 2009.
Gawande, S.S. & Mendre, V. 2017. Brain Tumor Diagnosis Using Image Processing : A Survey. IEEE International Conference on Recent Trends in Electronic Information & Communication Technology (RTEICT).
Gonzalez, R. C. & Woods, R. E. 1992. Digital Image Processing. Addison- Wesley: Reading.
Harahap , Y. T. A. 2018. Klasifikasi Jenis Tumor Otak Menggunakan Counterpropagation Neural Network. Skripsi. Universitas Sumatera Utara.
Kharat, K. D., Kulkarni, P. P., Nagori, M. B. 2012. Brain Tumor Classification UsingNeural Network Based Methods. International Journal of Computer Scienceand Informatics ISSN (PRINT): 2231 –5292, Vol-1, Iss-4, 2012.
Kumar, T., Verma, K. 2010. A Theory Based of RGB Image to Gray Image.International Journal of Computer Applications (0975 – 8887) Volume 7–No.2, September 2010.
Leena, N. V. 2015. Automatic Brain Tumor Medical Image Classification usingHyperbolic Hopfield Neural Network. Journal of Chemical and PharmaceuticalResearch, 2015, 7(2):190-199.
Marbun, J.T. 2017. Klasifikasi Stroke Menggunakan Convolutional Neural Network. Skripsi. Universitas Sumatera Utara.
N Fanny, F. 2014. Implementasi dan Perbandingan Metode Midpointfilterdan Yp Mean Filter untuk Mereduksi NoisePada Citra Digital. Skripsi. Universitas Sumatera Utara.
Nasution, S.A. 2019. Klasifikasi Penyakit Tuberculosis (TB)Organ Paru Manusia Berdasarkan CitraX-Ray Menggunakan MetodeConvolution Neural Network (CNN). Skripsi. Universitas Sumatera Utara.
48
Rao, P., Pereira, A.N. & Srinivasan, R. 2016. Convolutional Neural Network for Lung Cancer Screening in Computed Tomography (CT) Scans. IEEE International Conference on Contemporary Computing and Informatics (IC3I).
Sarraf, Saman., Tofighi, Ghassem. 2016. Alzheimer’s Disease Classification via Deep Convolutional Neural Network using MRI and fMRI. Canada.
Sartika, I.W., Wijaya, A.Y. & Soelaiman, R. 2016. Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS 5(1):A65-A69).
Selvathi, D., Malini, C. & Shanmugavalli, P. 2013. Automatic Segmentation and Classification of Liver Tumor in CT Images Using Adaptive Hybrid Technique and Contourlet Based ELM Classifier. IEEE Proceeding ofInternational Conference on Recent Trends in Information Technology (ICRTIT), pp.250 – 256.
Sinulingga, E. E. 2018. Sistem Keamanan Mobil Berdasarkan Pengenalan Wajah dengan Convolutional Neural Network. Skripsi. Universitas Sumatera Utara.
<https://www.alodokter.com/melacak-penyakit-dengan-ct-scan> [diakses pada 01 Desember 2019].
<https://hellosehat.com/kesehatan/penyakit/tumor-otak/> [diakses pada 01 Desember 2019].
