IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
SINDI ABUL KHAIRI 101402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Teknologi Informasi
SINDI ABUL KHAIRI
101402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
ii
PERSETUJUAN
Judul : IDENTIFIKASI OSTEOPOROSIS MELALUI BONE
RADIOGRAPH MENGGUNAKAN EVOLVING
MULTILAYER PERCEPTRON
Kategori : SKRIPSI
Nama : SINDI ABUL KHAIRI
Nomor Induk Mahasiswa : 101402084
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
M. Fadly Syahputra, B.Sc., M.Sc, IT Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc
NIP. 198301292009121003 NIP. 198603032010121004
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Romi Fadillah Rahmat, B.Comp.Sc., M.Sc
PERNYATAAN
IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 April 2017
Sindi Abul Khairi
iv
UCAPAN TERIMA KASIH
Alhamdulillah, segala puji bagi Allah SWT yang telah memberikan rahmat, karunia,
taufik dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini. Penulis
mengucapkan banyak terima kasih kepada:
1. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc, selaku ketua program studi
Teknologi Informasi dan pembimbing 1 dan bapak Muhammad Fadly
Syahputra, B.Sc., M.Sc.IT, selaku wakil dekan 2 dan pembimbing 2 yang
telah banyak memberikan bimbingan, motivasi dan dukungannya selama
penyusunan dan penulisan skripsi ini.
2. Tim penguji, Bapak Indra Aulia, S.TI., M.Kom, dan Ibu Ulfi Andayani,
S.Kom., M.Kom, selaku penguji 1 dan penguji 2 yang telah memberikan kritik
dan saran dalam penyempurnaan skripsi ini.
3. Dekan Ilmu Komputer dan Teknologi Informasi, Prof. Dr. Drs. Opim Salim
Sitompul, M.Sc, serta seluruh Bapak dan Ibu dosen yang telah memberikan
ilmu yang bermanfaat bagi penulis.
4. Seluruh staf TU (Tata Usaha) program studi Teknologi Informasi yang telah
banyak membantu dan mengurusi segala kegiatan administrasi penulis.
5. Ayahanda Anwar Iska dan Ibunda Zarlina yang selalu mendoakan, mendukung
dan senantiasa memberikan kasih sayang sepanjang masa.
6. Abang-abang, kakak-kakak, adik-adik, dan teman-teman program studi
teknologi informasi khususnya angkatan 2010 yang namanya tidak dapat
penulis cantumkan satu per satu atas segala dukungannya sehingga
menghadirkan semangat kepada penulis dalam menyelesaikan skripsi ini.
Akhirnya, penulis berharap agar skripsi ini berguna dan memberikan manfaat
ABSTRAK
Osteoporosis merupakan penyakit yang ditandai dengan penurunan kepadatan mineral
tulang. Osteoporosis merupakan penyebab umum patah tulang untuk orang yang
lanjut usia. Saat ini identifikasi osteoporosis masih dilakukan secara manual oleh
pakar Rheumatologi melalui citra hasil X-Ray, sehingga hasil identifikasi tergantung
dari keahlian dan pengalaman pakar Rheumatologi mengenai osteoporosis. Oleh
karena itu diperlukan suatu pengolahan citra pada citra bone radiograph untuk
membantu dokter atau ahli rheumatologi dalam mendiagnosis osteoporosis. Tujuan
dari penelitian ini adalah untuk membangun suatu sistem Computer Aided Diagnosis
(CAD) menggunakan Simple Evolving Connectionist Systems (SECoS) atau disebut
juga Evolving Multilayer Perceptrons (eMLP) untuk membantu ahli rheumatologi
dalam menganalisis citra bone radiograph, membantu mencegah peningkatan jumlah
kesalahan klasifikasi yang mungkin terjadi. Evolving multi layer perceptron
merupakan algoritma multi layer perceptron pada jaringan syaraf tiruan yang telah
mengimplementasikan konsep dari Evolving Connectionist System (ECOS). Algoritma
ini dapat mengembangkan struktur jaringannya sendiri sesuai dengan input yang
diterima. Teknik pengolahan citra digital akan diterapkan untuk meningkatkan
kualitas citra. Ekstraksi fitur tekstur dari citra dilakukan dengan menggunakan Gray
Level Co-occurrence matrix (GLCM) yang dibangun dengan empat arah yang berbeda
untuk setiap citra. Hal ini akan digunakan untuk mengklasifikasi setiap citra dan
kemudian akan dikelompokkan ke dalam kategori normal atau osteoporosis. Tiga
lapisan jaringan dari Simple Evolving Connectionist Systems (SECoS) dengan 16 fitur
diusulkan untuk mengklasifikasikan daerah yang ditandai ke dalam normal atau
osteoporosis. Berdasarkan pengujian dataset bone radiograph diperoleh sensitivitas
84.61% dan spesifisitas 90.90%.
Kata kunci: osteoporosis, identifikasi, bone radiograph, evolving connectionist
vi
OSTEOPOROSIS IDENTIFICATION ON BONE RADIOGRAPH USING EVOLVING CONNECTIONIST SYSTEMS
ABSTRACT
Osteoporosis is a disease characterized by decreased bone mineral density.
Osteoporosis identification from radiograph image can be done by various methods,
one of them is the measurement of Bone Mineral Densitometry (BMD). However, this
method requires comprehensive and expensive equipment and therefore, a cheaper
and easier approach is needed. The purpose of this study is to build an Evolving
Multilayer Perceptron (eMLP) system to help rheumatologists in analysing bone
radiograph images and help preventing classification errors that may occur. Digital
image processing techniques will be applied to improve the image quality. Each bone
radiograph images is adjusted for intensity transformation, then median filtering to
remove noise and Contrast Limited Adaptive Histogram Equalization (CLAHE) is
applied to each bone radiograph images to enhance image contrast. Texture feature
extraction of bone radiograph images is done using Grey Level Co-occurrence matrix
(GLCM) built with four different directions for each bone radiograph images. This
will be used to classify each bone radiograph images either normal category or
osteoporosis. Three network layers from Simple Evolving Connectionist Systems
(SECoS) with 16 features proposed to classify the area marked into normal or
osteoporosis. Based on the bone radiograph dataset testing, the results show 84.61%
of sensitivity and 90.90% of specificity.
Keyword: osteoporosis, bone radiograph, evolving connectionist systems,
DAFTAR ISI
Hal.
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL x
DAFTAR GAMBAR xi
BAB 1 PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 2
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Metode Penelitian 3
1.7 Sistematika Penulisan 4
BAB 2 LANDASAN TEORI 6
viii
2.1.1 Patofisiologi 6
2.1.2 Jenis-jenis osteoporosis 6
2.1.3 Faktor resiko 10
2.1.4 Tanda dan gejala 11
2.1.5 Pencegahan dan pengobatan 11
2.2 Image Processing 13
2.2.1 File Format 14
2.3 Perbaikan Citra (Image Enhancement) 15
2.3.1 Ekualisasi Histogram (Histogram Equalization) 15
2.3.2 Adaptif Histogram Equalization 15
2.4 Ekstraksi Fitur (Feature Extraction) 16
2.5 Pattern Recognition 19
2.5.1 Struktur dan sistem pengenalan pola 19
2.5.2 Fitur dan vektor fitur 20
2.5.3 Supervised dan Unsupervised 20
2.6 Evolving Connectionist Systems (ECoS) 20
2.7 Penelitian terdahulu 25
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 27
3.1 Identifikasi Masalah 27
3.2 Dataset 27
3.3 Metode Penelitian 27
3.5 Perancangan Sistem 36
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 41
4.1 Implementasi Sistem 41
4.1.1 Spesifikasi software dan hardware yang digunakan 41
4.1.2 Implementasi perancangan antarmuka 42
4.1.3 Implementasi data 47
4.2 Prosedur Operasional 48
4.2.1 Menu file 49
4.2.2 Menu classification 50
4.2.3 Menu help 53
4.3 Evaluasi Pengujian Sistem 54
4.3.1 Pelatihan dan pengujian dataset 55
BAB 5 KESIMPULAN DAN SARAN 61
5.1 Kesimpulan 61
5.2 Saran 61
x
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 26
Tabel 4.1 Ukuran Kinerja Hasil Diagnosis 41
Tabel 4.2 Rangkuman Bone Radiograph Dataset 47
Tabel 4.3 Citra Bone Radiograph Sebagai Data Training 55
Tabel 4.4 Citra Bone Radiograph Sebagai Data Testing 56
Tabel 4.5 Parameter dan hasil pelatihan pada bone radiograph suatu dataset 56
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset 58
DAFTAR GAMBAR
Hal.
Gambar 2.1. Struktur regional citra (Pertiwi, 2011) 16
Gambar 2.2 Contoh penentuan awal matriks GLCM (Kadir & Susanto 2013) 17
Gambar 2.3 Matriks framework menjadi matriks simetris (Kadir & Susanto 2013) 17
Gambar 2.4 Normalisasi matriks GLCM (Kadir & Susanto 2013) 18
Gambar 2.5 Struktur sistem pengenalan pola (Putra, 2010) 19
Gambar 2.6 Arsitektur ECoS (Kasabov, 2008) 21
Gambar 2.7 Proses Interaksi ECoS (Kasabov, 2007) 22
Gambar 2.8 PseudoCode SeCOS 24
Gambar 3.1 Arsitektur umum proses pelatihan dan pengujian 28
Gambar 3.2 General ECoS architecture (Watts, 2009) 30
Gambar 3.3 Arsitektur umum SECoS (Kasabov, 2007) 31
Gambar 3.4 Algoritma eMLP pada sistem 35
Gambar 3.5 Rancangan tampilan awal aplikasi CAD 36
Gambar 3.6 Rancangan tampilan menu Create Dataset 38
Gambar 3.7 Rancangan tampilan menu evolving Multilayer Perceptron (eMLP) 39
Gambar 3.8 Rancangan tampilan results 40
Gambar 3.9 Rancangan tampilan pemilihan show sample 40
Gambar 4.1 Tampilan awal aplikasi CAD 43
xii
Gambar 4.3 Tampilan menu evolving Multilayer Perceptron (eMLP) 45
Gambar 4.4 Tampilan hasil klasifikasi 46
Gambar 4.5 Tampilan pemilihan citra secara manual 47
Gambar 4.6 Tampilan awal aplikasi 48
Gambar 4.7 Tampilan sub-menu Open 49
Gambar 4.8 Tampilan awal aplikasi setelah memilih citra input baru 50
Gambar 4.9 Tampilan sub-menu New 51
Gambar 4.10 Tampilan sub-menu evolving Multilayer Perceptron (eMLP) 52
Gambar 4.11 Tampilan train dan recall suatu dataset 53
Gambar 4.12 Contoh hasil klasifikasi suatu dataset 54
Gambar 4.13 Tampilan About 54
Gambar 4.14 Grafik hasil pelatihan (waktu eksekusi) pada dataset 57
Gambar 4.15 Grafik hasil pelatihan (total node) pada dataset 57
Gambar 4.16 Grafik hasil pelatihan (akurasi pengujian) pada dataset 58
