Setiyowibowo Aditya Prabhata¹, Bambang Hidayat², Achmad Rizal³. ¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom

(1)

IDENTIFIKASI PENYAKIT KULIT BERDASARKAN KOMBINASI SEGMENTASI WARNA DAN ANALISIS TEKSTUR DENGAN DETEKSI BINARY LARGE OBJECT

(BLOB) MENGGUNAKAN JARINGAN SYARAF TIRUAN-LEARNING VECTOR QUANTIZATION

Setiyowibowo Aditya Prabhata¹, Bambang Hidayat², Achmad Rizal³

¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom Abstrak

Tugas akhir ini membahas tentang bagaimana mengidentifikasi jenis penyakit kulit dengan bantuan komputer, yang di dalamnya telah terdapat suatu program untuk melakukan identifikasi tersebut. Kulit merupakan organ terluas penyusun tubuh manusia yang terletak paling luar dan menutupi seluruh permukaan tubuh. Karena letaknya paling luar, maka kulit yang pertama kali menerima rangsangan seperti rangsangan sentuhan, rasa sakit, maupun pengaruh buruk dari luar. Gangguan pada kulit sering terjadi karena berbagai faktor, antara lain yaitu iklim, lingkungan tempat tinggal, kebiasaan hidup kurang sehat, dan alergi.

Pada tugas akhir ini dibuat suatu program untuk mengidentifikasi jenis penyakit kulit melalui citra kulit berpenyakit berdasarkan segmentasi warna dengan Block Overlapping dan analisis tekstur dengan deteksi BLOB (Binary Large Object) menggunakan identifikasi Jaringan Syaraf Tiruan-Learning Vector Quantization. Secara garis besar proses identifikasi jenis penyakit kulit pada sistem ini terdiri dari beberapa langkah. Dimulai dari pembacaan citra, preprocessing, ekstraksi ciri, identifikasi ciri, kemudian identifikasi jenis penyakit kulit. Cara untuk menganalisa kinerja sistem adalah dengan membandingkan kebenaran data output dalam mengidentifikasi jenis penyakit kulit dengan data input.

Dari hasil pengujian diperoleh hasil akurasi untuk masing-masing jenis penyakit kulit dan kulit normal adalah Acne sebesar 20%, Cacar Air sebesar 35,29%, Campak sebesar 28,57%, DKA sebesar 51,56%, Skabies sebesar 53,7%, dan kulit normal 59,38%. Akurasi tersebut diperoleh dari pengujian 325 citra dengan ukuran Block Overlapping 30 x 30, overlap 50%, 200 hidden layer, 800 epoch. Waktu komputasi rata-rata dalam mengidentifikasi jenis penyakit kulit adalah selama 6,789 detik.

Kata Kunci : citra kulit berpenyakit, segmentasi warna dengan Block Overlapping, analisis tekstur dengan Binary Large Object (BLOB), Jaringan Syaraf Tiruan-Learning Vector Quantization.

(2)

Abstract

The final project is about how to identify types of skin diseased using computers, in which there has been a programto identify them. Skin is the largest constituent of the human body organ that is located at the outside and cover the entire surface pf the body. Because of its location at the outside, the skin receive a stimulus for the first, such as stimulation of touch, pain, and bad influence from the outside. Disorders of the skin often occur due to various factors, such as climate, neighborhood, unhealthliving habits, and allergies.

At the final project is made a program to identify the type af skin disease through diseased skin image based on color segmentation by Block Overlapping and texture analysis by Binary Large Object (BLOB) detection using Learning Vector Quantization-Artificial Neural Network. Generally, the process of identifying types of skin diseases in this system consist of several steps. Strating from the reading of the image, preprocessing, feature extraction, feature identification, and identification types of skin diseases. The way to analyze system performance is to compare the truth of the output data in identifying the type of skin disease with the input data.

From the results of testing was obtained the accuracy for each type of skin disease is acne by 20%, chicken pox by 35,29%, measles by 28,57%, allergic contact dermatitis by 51,56%, and scabies by 53.7%. Accuracy was obtained from 325 test images with size of Block Overlapping 30x30, overlap 50%, 200 hidden layer, and 800 epoch. Average computing time in identifying the type of skin disease is during 6,789 seconds.

Keywords : the image of diseased skin, color segmentation with Block Overlapping, texture analysis with BLOB detection, Learning Vector Quantization-Artificial Neural Network.

Powered by TCPDF (www.tcpdf.org)

(3)

PENDAHULUAN

IDENTIFIKASI PENYAKIT KULIT BERDASARKAN KOMBINASI SEGMENTASI WARNA DAN ANALISIS TEKSTUR DENGAN DETEKSI BINARY LARGE OBJECT (BLOB) MENGGUNAKAN JARINGAN SYARAF TIRUAN-LEARNING VECTOR QUANTIZATION

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Penyakit kulit masih merupakan masalah kesehatan masyarakat, terutama di negara berkembang seperti Indonesia. Penyebab dari penyakit kulit antara lain karena jamur, bakteri, ataupun virus. Menurut [14], penyakit kulit menempati urutan ke-3 di Indonesia, setalah infeksi saluran napas dan diare. Penyakit kulit adalah penyakit yang tidak dapat disembunyikan dan tidak mengenal usia. Oleh karena itu, dewasa maupun anak-anak dapat terkena penyakit ini. Kondisi geografis Indonesia yang merupakan daerah tropis dengan suhu dan kelembaban yang tinggi juga memudahkan tumbuh dan berkembangnya jamur, bakteri, dan virus sehingga menyebabkan penyakit kulit yang bervariasi.

Dengan menggunakan Digital Image Processing akan dikembangkan suatu teknik pengidentifikasian jenis penyakit kulit berbasis software yang akan bermanfaat khusunya di bidang medis. Masukan untuk software yang digunakan adalah citra kulit berpenyakit. Dalam tugas akhir ini akan diteliti bagaimana mengidentifikasi jenis penyakit kulit seseorang melalui citra kulit berpenyakit berdasarkan segmentasi warna dan analisis tekstur dengan deteksi BLOB (Binary Large Object) menggunakan identifikasi Jaringan Syaraf Tiruan-Learning Vector Quantization.

Pada proses analisis tekstur digunakan deteksi BLOB. Tujuannya adalah untuk menganalisis tekstur secara lebih spesifik dan akurat. Deteksi BLOB juga mampu membedakan warna yang mempunyai gradasi tipis. Selain itu, pada proses identifikasi menggunakan Jaringan Syaraf Tiruan-Learning Vector Quantization (JST-LVQ) karena JST tersebut bersifat mengelompokkan vektor-vektor yang jaraknya cukup berdekatan pada kelas yang sama. JST-LVQ merupakan salah satu bentuk jaringan syaraf tiruan yang melakukan pembelajaran pada lapisan kompetitif yang terawasi (supervised learning) [20]. Karena LVQ memiliki linear layer, dalam proses pengklasifikasiannya, metode ini memiliki kemampuan learning yang cepat sekaligus mempertahankan tingkat keakuratan yang tinggi.

(4)

PENDAHULUAN

2

Oleh karena itu, dalam Tugas Akhir ini akan dihasilkan suatu alat bantu berbasis

software yang dapat dimanfaatkan dalam bidang medis untuk mengidentifikasi

penyakit kulit.

1.2 Tujuan

Tujuan tugas akhir ini dapat dirumuskan sebagai berikut.

1. Menerapkan algoritma untuk mengidentifikasi jenis penyakit kulit melalui citra kulit yang berpenyakit.

2. Merancang dan merealisasikan suatu sistem untuk mengidentifikasi jenis penyakit kulit melalui citra kulit yang berpenyakit.

3. Melakukan analisa kinerja sistem dalam mengidentifikasi jenis penyakit kulit melalui citra kulit yang berpenyakit dengan parameter output adalah akurasi dan waktu komputasi.

1.3 Perumusan Masalah

Beberapa permasalahan pada tugas akhir dapat diformulasikan sebagai berikut. 1. Bagaimana mengolah citra kulit berpenyakit dalam lingkungan Matlab.

2. Bagaimana melakukan ekstraksi ciri berdasarkan segmentasi warna dan analisis

tekstur dengan deteksi BLOB (Binary Large Object).

3. Bagaimana melakukan analisis Jaringan Syaraf Tiruan-Learning Vector

Quantization untuk mendapatkan feature dari citra masukan.

4. Bagaimana melakukan identifikasi dari feature yang ada untuk mendiagnosis penyakit kulit seseorang.

1.4 Batasan Masalah

Tugas akhir ini akan membatasi permasalahan pada poin-poin berikut ini. 1. Data citra kulit berpenyakit merupakan file digital dalam format *.jpg.

2. Media yang digunakan untuk mengambil data citra kulit berpenyakit adalah kamera digital dengan resolusi sekitar tujuh megapixel. Selain menggunkan kamera digital, penulis juga mengambil citra kulit berpenyakit dari internet.

3. Cahaya untuk pengambilan citra adalah lampu neon dan blitz.

(5)

PENDAHULUAN

3

4. Ukuran citra yang diolah adalah 480 x 640 pixel.

5. Data masukan yang menjadi objek adalah beberapa citra dari lima jenis kulit berpenyakit, yaitu : skabies, campak, acne, cacar air, dan dermatitis.

6. Analisis dilakukan secara non-realtime.

7. Ciri warna diekstraksi menggunakan segmantasi warna, sedangkan ciri tekstur menggunakan analisis tekstur dengan deteksi BLOB (Binary Large Object).

8. Metode pengenalan/identifikasi menggunakan analisis Jaringan Syaraf

Tiruan-Learning Vector Quantization.

1.5 Metodologi Penelitian

Penelitian ini dilakukan dengan metode-metode sebagai berikut.

1. Melakukan studi literature dengan mempelajari permasalahan yang berkaitan dengan identifikasi jenis penyakit kulit. Proses pembelajaran materi dilakukan dengan kajian berbagai sumber pustaka baik berupa buku, jurnal ilmiah, maupun media elektronik.

2. Pengambilan Data

Merupakan proses pengambilan citra kulit berpenyakit untuk dijadikan bahan latih dan bahan uji sistem.

3. Konsultasi dengan Dosen Pembimbing

Konsultasi dengan dosen pembimbing diperlukan untuk mengkaji dan merumuskan metode yang tepat untuk diimplementasikan dalam sistem sehingga hasil keluaran sistem menjadi maksimal.

4. Penelitian dilakukan dalam bentuk perancangan, realisasi, dan pengujian sistem identifikasi jenis penyakit kulit dalam platform Matlab R2009a.

1.6 Sistematika Penulisan

Tugas akhir ini dibagi dalam beberapa topik bahasan yang disusun secara sistematis sebagai berikut :

Bab I Pendahuluan

Bab ini membahas latar belakang, tujuan, perumusan dan batasan masalah, metodologi penelitian serta sistematika penulisan.

(6)

PENDAHULUAN

4

Bab II Dasar Teori

Bab ini membahas prinsip dasar pengolahan citra digital, segmentasi warna, analisis tekstur dengan deteksi BLOB (Binary Large Object), dan Jaringan Syaraf Tiruan-Learning Vector Quantization.

Bab III Perancangan dan Realisasi Sistem Identifikasi Jenis Penyakit Kulit Bab ini menjelaskan proses desain dan realisasi sistem.

Bab IV Analisa Kinerja Sistem Identifikasi Jenis Penyakit Kulit

Bab ini membahas analisa hasil percobaan secara kualitatif dan kuantitatif. Analisa dilakukan terhadap parameter kinerja sistem yang diamati seperti dijelaskan pada bagian 1.4.

Bab V Kesimpulan dan Saran

Memberikan kesimpulan hasil penelitian serta saran pengembangan penelitian ke depan.

(7)

KESIMPULAN DAN SARAN

54

BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil pengujian dan analisis yang telah dilakukan pada proses identifikasi penyakit kulit, maka dapat diambil beberapa kesimpulan sebagai berikut:

1. Sistem identifikasi penyakit kulit sudah dapat menganalisa jenis penyakit kulit

Acne, Cacar Air, Campak, DKA, dan Skabies. Namun, tingkat akurasi sistem

dalam mengidentifikasi penyakit kulit masih cukup rendah. Ini disebabkan oleh beberapa faktor, yaitu:

a. Keanekaragaman jenis citra dalam satu penyakit, sehingga berakibat ketidaktepatan dalam mengambil ciri dari masing-masing penyakit.

b. Pengambilan citra yang kurang terstandarisasi dengan baik, misal: cahaya, ukuran piksel kamera, dan jarak pengambilan.

c. Adanya pola/ciri yang mirip antar penyakit yang diidentifikasi.

2. Rata-rata akurasi sistem saat menggunakan data latih dalam mengidentifikasi penyakit kulit, paling tinggi dicapai saat ukuran block overlapping 30 x 30 dengan overlap 0%, hidden layer 200, dan epoch 800. Rinciannya adalah sebagai berikut:

a. Acne (30 citra latih), akurasi 100% (16 citra) dan error 0% (0 citra). b. Cacar air (32 citra latih), akurasi 90,6% (29 citra) dan error 9,4% (3 citra). c. Campak (25 citra latih), akurasi 100% (25 citra) dan error 0% (0 citra). d. DKA (37 citra latih), akurasi 100% (37 citra) dan error 0% (0 citra). e. Skabies (36 citra latih), akurasi 86,1% (31 citra) dan error 13,9% (5 citra). f. Normal (30 citra latih), akurasi 76,7% (23 citra) dan error 23,3% (7 citra). g. Rata-rata akurasi adalah 92,23%.

3. Rata-rata akurasi sistem saat menggunakan data uji dalam mengidentifikasi penyakit kulit, paling tinggi dicapai saat ukuran block overlapping 30 x 30 dengan overlap 50% hidden layer 200, dan epoch 800. Rinciannya adalah sebagai berikut:

(8)

KESIMPULAN DAN SARAN

55

a. Acne (50 citra uji), akurasi 20% (10 citra) dan error 80% (40 citra).

b. Cacar air (51 citra uji), akurasi 35,29% (18 citra) dan error 64,71% (33 citra).

c. Campak (42 citra uji), akurasi 28,57% (12 citra) dan error 71,43% (30 citra).

d. DKA (64 citra uji), akurasi 51,56% (33 citra) dan error 48,44% (31 citra). e. Skabies (54 citra uji), akurasi 53,7% (29 citra) dan error 46,3%% (25

citra).

f. Normal (64 citra uji), akurasi 59,38% (38 citra) dan error 40,63% (26 citra).

g. Rata-rata akurasi adalah 41,42%.

h. Waktu komputasi masing-masing citra adalah 6,789 detik.

4. Dalam kasus ini, apabila semakin besar ukuran block overlapping dan hidden

layer, maka rata-rata akurasi akan semakin rendah.

5.2 Saran

Adapun saran untuk pengembangan tugas akhir selanjutnya adalah : 1. Menambah referensi jenis penyakit kulit untuk diidentifikasi.

2. Menggunakan algoritma ekstraksi ciri yang lebih baik sehingga mengurangi kesalahan dalam menentukan ciri.

3. Menggunakan metode identifikasi yang lain dengan waktu komputasi yang singkat. 4. Sistem dibuat secara realtime.

5. Agar tingkat akurasi meningkat, sebaiknya data input sudah diklasifikasikan berdasarkan tingkat keparahan penyakit yang diindentifikasi.

(9)

DAFTAR PUSTAKA

56

DAFTAR PUSTAKA

[1] Agus Prijono & Marvin Ch. Wijaya, 2007. Pengolahan Citra DigitalMenggunakan

MatLAB Image Processing Toolbox. Bandung : Informatika.

[2] Aryuanto, Dkk, “Segmentasi Warna Untuk Ekstraksi Simbol dan Karakter

Pada Citra Rambu Lalu Lintas”, Jurnal Ilmu Komputer dan Informasi, Volume 3,

Nomor 1, ISSN 1979 0732.

[2] Blob detection V: Growing Regions Algorithm, http://geekblog.nl/entry/24, diakses terakhir tanggal 22 April 2011.

[4] BLOBs Lecture on the image part (5) Automatic Perception 9,

www.cvmt.dk/education/teaching/e05/MED3/AP/ap9-BLOB.ppt,diakses terakhir tanggal 22 April 2011.

[5] Cacar Air, http://www.untukku.com/artikel-untukku/cacar-air-untukku.html, diakses terakhir tanggal 22 April 2011.

[6] Dermatology Image Atlas, http://www.dermatlas.com/derm/, diakses terakhir tanggal 26 Januari 2012.

[7] Dermatitis Kontak Alergi, http://ismirayanti.blogspot.com/2010/10/dermatitis-kontak-alergi.html, diakses terakhir tanggal 23 November 2011.

[8] Difla Yustisia Qur’ani dan Safrina Rosmalinda. Jaringan Syaraf Tiruan Learning Vector Quantization Untuk Aplikasi Pengenalan Tanda Tangan, Tugas Akhir, Yogyakarta: Universitas Islam Indonesia.

[9] Eliyani; Pengantar Jaringan Syaraf Tiruan; MateriKuliah.Com; 2005

[10] Fitria, Whielda. (2010). Desain dan Implementasi Sistem Penerjemah Huruf Jepang Kana (Hiragana-Katakana) Ke Huruf Latin Berbasis Pengolahan Citra Digital dan Jaringan Syaraf Tiruan Self-Organizing Map (SOM) Menggunakan Webcam. Institut Teknologi Telkom. Bandung.

[11] Identifikasi Nomor Polisi Mobil Menggunakan Metode Jaringan Saraf Buatan Learning Vector Quantization,

www.gunadarma.ac.id/library/articles/graduate/.../Artikel_50405248.pdf, diakses terakhir tanggal 22 April 2011.

(10)

DAFTAR PUSTAKA

57

[12]K-Means Clustering,

http://www.mathworks.com/searchresults/?c%5B%5D=entiresite&q=kmeans, diakses terakhir tanggal 16 Januari 2012.

[13]Konsep Penyakit Scabies, http://arispurnomo.com/konsep-penyakit-scabies, diakses terakhir tanggal 22 April 2011.

[14] Kuman Penyebab Pioderma Superfisialis pada Anak, dan Kepekaan Terhadap Beberapa Antibiotik, http://eprints.ui.ac.id/2207/, diakses terakhir tanggal 22 April 2011.

[15]Kumpulan Tutorial Statistika, http://statutorial.blogspot.com/2008/01/skewness-dan-kurtosis, diakses terakhir tanggal 15 Januari 2012.

[16]Mengenal Jenis-Jenis Penyakit Kulit,

http://wartawarga.gunadarma.ac.id/2010/01/mengenal-jenis-jenis-penyakit-kulit/, diakses terakhir tanggal 22 April 2011.

[17]Mengenali Jerawat (Acne) dan Tips Pencegahannya, http://www.seksehat.info/obat-dan-kesehatan/mengenali-jerawat-acne-dan-tips-pencegahannya.html, diakses terakhir tanggal 22 April 2011.

[18] Munir, Rinaldi. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika. Bandung.

[19] Parlianawati, Febriana Hida. (2010). Deteksi Kerusakan Tekstil Menggunakan Mikroskop Digital Dino-Lite 211 Dengan Analisa Struktur Berbasis Pengolahan Citra Digital. Institut Teknologi Telkom. Bandung.

[20] Pengenalan Plat Nomor Otomatis Menggunakan Principal Component Analysis (PCA) dan Learning Vector Quantization (LVQ),

http://digilib.ittelkom.ac.id/index.php?option=com_repository&Itemid=34&task=detai l&nim=113050194, terakhir diakses tanggal 26 April 2011.

[21] Pengolahan Citra Digital,

http://www.ittelkom.ac.id/library/index.php?view=article&catid=15%3 Apemrosesan-sinyal&id=383%3Apengolahan-citra-

digital&option=com_content&Itemid=15, diakses terakhir tanggal 22 April 2011.

(11)

DAFTAR PUSTAKA

58

[22] Penyakit Campak, Gejala Penyakit Campak, Cara Mengobati Campak, http://tips-kesehatan.ikutngeblog.info/2010/10/penyakit-campak-gejala-penyakit-campak.html, diakses terakhir tanggal 22 April 2011.

[23] Prakoso, Joko. 2009. Pendeteksian Penyakit Kulit Menggunakan Kombinasi Analisa Warna dan Tekstur dengan Metode Color Histogram dan Edge Histogram Descriptor, Tugas Akhir, Bandung: Institut Teknologi Telkom.

[24] Putra, Darma. 2009. Pengolahan Citra Digital. Yogyakarta: Andi.

[25] Saraswati, Yulia. 2009. Sistem Klasifikasi Jenis Dan Kematangan Buah Tomat

Berdasarkan Bentuk Dan Ukuran Serta Warna Permukaan Kulit Buah Berbasis Pengolahan Citra , Tugas Akhir, Bandung : Institut Teknologi Telkom.