Bab ini akan membahas tentang analisis dan perancangan dalam aplikasi identifikasi diagnosis penyakit retinoblastoma. Tahap pertama yaitu analisis data yang digunakan, analisis terhadap tahapan pengolahan citra yang diterapkan, feature extraction, beserta implementasi metode backpropagation neural network dalam mengidentifikasi penyakit ini. Pada tahapan selanjutnya yaitu dilakukan perancangan tampilan antarmuka sistem yang akan dibangun.
3.1. Dataset
Data citra yang digunakan dalam penelitian ini adalah citra retina yang diperoleh dari situs Retina Image Bank, yaitu http://imagebank.asrs.org. Retina Image Bank merupakan suatu proyek dari American Society of Retina Specialists yang berisi kumpulan gambar retina dengan berbagai kondisi. Data citra yang diperoleh dari dataset ini terdapat 25 citra normal dan 25 citra retinoblastoma. Data citra yang telah dikumpulkan dibagi menjadi dua dataset, yaitu untuk dataset pelatihan dan pengujian yang akan digunakan untuk mengetahui berapa akurasi dari proses pengidentifikasian. Dataset pelatihan untuk normal sebanyak 20 citra dan untuk retinoblastoma sebanyak 20 citra. Sedangkan untuk dataset pengujian akan digunakan sebanyak 5 citra normal dan 5 citra retinoblastoma.
3.2. Analisis Sistem
29
3.2.1. Input
Citra yang diambil adalah fundus retina yang diambil melalui kamera fundus yang terdiri dari lapisan interior bola mata, meliputi retina, optic disc, dan macula. Citra yang digunakan diperoleh dari situs Retina Image Bank, yaitu http://imagebank.asrs.org yang 80 % dari setiap kelompok gambar akan digunakan untuk pelatihan dan 20 % untuk pengujian. Jenis citra yang digunakan pada penelitian ini dapat dilihat pada Gambar 3.1.
Gambar 3.1. Fundus Retina Normal (a) Fundus Retina Retinoblastoma (b) 3.2.2 .Proses
Pada tahap ini merupakan proses untuk pengolahan citra fundus retina. Proses yang dilakukan terdiri dari preprocessing, feature extraction, dan classification.
3.2.2.1. Preprocessing
Pada tahap preprocessing, citra fundus retina diolah agar diekstraksi dengan menghasilkan ciri yang baik. Tahapan yang dilakukan pada preprocessing ini yaitu resize, grayscale, morphological close operation, dan optic disc elimination.
a. Resize
bertujuan untuk menyeragamkan ukuran dari masing-masing citra yang digunakan selama proses pelatihan dan pengujian.
b. Grayscale
Tahap selanjutnya yaitu dilakukan grayscale fundus retina untuk mengubah citra berwarna menjadi citra keabuan pada citra dengan ukuran pixel 200x200. Grayscaling dilakukan dengan tujuan untuk mengurangi jumlah parameter yang akan digunakan pada classification sehingga dapat mempercepat proses pelatihan.
c. Morphological close operation
Setelah melewati tahap preprocessing, tahap berikutnya yaitu morphological close operation. Dengan menggunakan metode ini, pembuluh darah dan hemorrhages yang keliatan lebih gelap akan tereliminasi.
d. Optic disc elimination
Tahap berikutnya yaitu optic disc elimination. Optic disc mempunyai karakteristik dan ciri yang hampir sama dengan tumor sehingga harus dieliminasi. Tahap-tahap pendekatan yang dilakukan yaitu thresholding, erosion, inversion.
a. Thresholding
Pada tahap awal untuk mengeliminasi optic disc yaitu thresholding. Thresholding yaitu metode segmentasi yang sederhana . Dengan metode ini dihasilkan segmentasi dari optic disc.
b. Erosion
31
c. Inversion
Pada tahap selanjutnya yaitu inversion (pembentukan citra negatif). Piksel yang didapatkan apabila hitam diubah menjadi putih dan putih diubah menjadi hitam.
3.2.2.2.Feature extraction
Proses selanjutnya yaitu feature extraction . Bentuk atau bagian yang telah direpresentasikan akan diambil ciri pembedanya dengan menggunakan metode GLCM, sehingga didapatkan hasil dari ekstraksi fitur yang digunakan untuk proses selanjutnya yaitu tahapan identifikasi. Langkah-langkah yang dilakukan pada ekstraksi fitur menggunakan GLCM pada penelitian ini yaitu :
1. Menentukan nilai gray level pada citra berdasarkan hasil pada tahap preprocessing terakhir yaitu inversion.
2. Membentuk matriks framework berdasarkan nilai gray level citra.
3. Menentukan jarak dan arah yang digunakan untuk membentuk matriks kookurensi. Pada penelitian ini jarak yang digunakan adalah 1 dan arah yang digunakan adalah 0º, 45º, 90º, dan 135º,
4. Membentuk matriks kookurensi berdasarkan jarak dan arah yang dipilih.
5. Membentuk matriks simetris dengan cara menambahkan matriks kookurensi dengan matriks transpose.
6. Melakukan normalisasi terhadap matriks dengan cara membagi setiap elemen matriks simetris dengan penjumlahan seluruh nilai elemen pada matriks simetris. 7. Menghitung fitur statistik dari matriks yang telah
8. Menghitung rata-rata dari nilai setiap fitur statistik yang ada sehingga diperoleh satu nilai yang mewakili masing-masing fitur.
9. Hasil dari fitur ekstraksi pada proses pelatihan kemudian disimpan ke dalam file “DataSetGLCM.txt” sementara untuk hasil fitur ektraksi pada pegujian disimpan ke dalam file “DataSetGLCM1.txt”. Hasil fitur ekstraksi selanjutnya akan dipakai pada klasifikasi dengan backpropagation. 3.2.2.3.Classification
Tahap terakhir dari proses identifikasi retinoblastoma melalui citra fundus retina yaitu classification. Informasi yang didapat dari proses sebelumnya akan diklasifikasikan berdasarkan hasil proses training. Klasifikasi dilakukan dengan menggunakan metode backpropagation neural network. Langkah-langkah yang dilakukan pada backpropagation dapat dilihat pada bagian 2.6.
Tujuan dari pelatihan jaringan backpropagation adalah mengatur nilai error agar menjadi semakin kecil atau tidak ada error sama sekali dengan cara mencari bobot yang sesuai sehingga nilai output mendekati target. Tahap awal yang dilakukan pada proses pelatihan yaitu input data pelatihan. Pada penelitian ini penulis menggunakan 40 data masukan untuk dilatih. Setiap data masukan terdiri dari lima fitur hasil fitur ekstraksi yang kemudian akan digunakan sebagai input neuron. Kemudian tentukan target keluaran dari setiap data masukan. Lalu inisialisasi nilai seluruh bobot dan bias secara acak dalam range -1 sampai 1. Kemudian tentukan nilai parameter learning rate, maksimum epoch, dan minimum error yang digunakan.
33
(persamaan 2.14 dan 2.17). Hasil perhitungan faktor kesalahan tersebut selanjutnya akan digunakan untuk menghitung suku perubahan bobot pada lapisan output dan lapisan tersembunyi. (persamaan 2.15 dan 2.18). Kemudian hitung jumlah error data masukan dengan menjumlahkan nilai error setiap neuron pada lapisan output. Kemudian hitung nilai error pada setiap epoch dengan menjumlahkan hasil penjumlahan error setiap data masukan.
Jika nilai error suatu epoch lebih kecil dari nilai minimum error yang ditentukan maka iterasi akan berhenti. Begitu juga sebaliknya. Setelah iterasi berhenti nilai bobot akhir akan disimpan ke dalam file “weights.txt” untuk digunakan pada tahap pengujian. Pelatihan jaringan backpropagation menggunakan arsitektur jaringan dengan 5 input neuron, 2 hidden neuron , dan 2 output neuron.
Setelah dilakukan proses pelatihan jaringan backpropagation, maka selanjutnya dilakukan pengujian. Pada pengujian jaringan backpropagation dilakukan hanya dengan melaksanakan fase arah maju (feedforward). Data yang digunakan pada pengujian merupakan data yang tidak dipakai pada saat pelatihan. Adapun bobot yang digunakan pada fase arah maju adalah bobot hasil proses pelatihan. Lalu dilakukan perhitungan nilai keluaran dari setiap node pada lapisan tersembunyi dan lapisan output. Setelah dilakukan pengujian terhadap hasil keluaran setiap node pada lapisan output, jika hasil keluaran node lebih besar dari 0.5 maka nilai keluaran tersebut akan diubah menjadi 1 yang menunjukkan adanya indikasi retinoblastoma. Sebaliknya jika nilai keluaran kecil dari 0.5 akan diubah menjadi 0 yang menunjukkan tidak terdapat adanya indikasi retinoblastoma (normal).
3.2.3. Output
Training Dataset
Arsitektur umum metodologi pada penelitian ini berdasarkan analisis sistem yang dilakukan ditunjukkan pada Gambar 3.2.
35
3.3 Perancangan Sistem
Pada tahapan perancangan sistem ini akan dijelaskan tentang perancangan menu sistem dan perancangan antarmuka aplikasi identifikasi penyakit retinoblastoma. Perancangan ini bertujuan agar pengguna dapat lebih mudah dalam menggunakan aplikasi.
3.3.1. Perancangan menu sistem
Struktur menu pada sistem terdiri dari sebuah tampilan halaman menu yang di dalamnya terdapat akses untuk menuju halaman lain yaitu training dan testing yang masing-masing halaman memiliki fungsi untuk melakukan upload dan process, ditambah dengan fungsi reset pada halaman testing. Struktur menu pada sistem dapat dilihat pada Gambar 3.3.
Gambar3.3. Struktur menu sistem
3.3.2. Perancangan antarmuka
Perancangan antarmuka terdiri atas rancangan tampilan menu, tampilan halaman testing, dan tampilan halaman training.
3.3.2.1. Perancangan tampilan menu
Gambar 3.4 Rancangan Tampilan Halaman Menu 3.3.2.2. Perancangan tampilan halaman testing
Perancangan testing sistem (front-end) pada penelitian ini menggunakan Graphical User Interface (GUI). Halaman ini dirancang untuk mempermudah pengguna dalam melakukan proses yang ada yaitu pengimputan citra, pemrosesan dan hasil yaitu citra yang di input normal atau terkena retinoblastoma. Gambar dari rancangan halaman testing sistem dapat dilihat pada gambar 3.5.
37
Keterangan :
a. Bagian ini akan menampilkan image hasil dari citra retina yang dipilih. b. Textfield yang merupakan tempat hasil url location file. Textfield ini
juga bisa diklik sehingga akan menampilkan kotak dialog untuk memilih file citra retina.
c. Tombol open yang akan menampilkan kotak dialog dan memilih citra retina yang akan diuji.
d. Tombol process yang akan memproses citra retina yang telah dipilih sebelumnya. Setelah diproses maka hasilnya akan tampil pada bagian-bagian preprocessing image yaitu grayscale, morpclose(morphological close), thresholding, erosion, inversion Selain itu juga akan tampil nilai dari ekstrasi cirinya pada bagian feature extraction. Dan juga hasil dari identifikasi citra retina pada bagian result.
e. Bagian ini merupakan panel yang akan menampilkan hasil dari image yang telah diproses.
f. Pada bagian ini akan tampil nilai dari ekstraksi ciri dari citra retina hasil GLCM.
g. Panel yang akan menampilkan hasil identifikasi dari citra retina input.
3.2.2.3. Perancangan tampilan halaman training
Gambar 3.6. Rancangan halaman training
Keterangan :
a. Panel yang akan menampilkan file citra normal yang telah dipilih. b. Panel yang akan menampilkan file citra Rb yang telah dipilih.
c. Tombol upload citra normal yang akan menampilkan kotak dialog dan bisa pilih file lebih dari satu atau multiselected.
d. Tombol upload citra Rb yang akan menampilkan kotak dialog dan bisa pilih file lebih dari satu sama halnya dengan tombol upload citra normal.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan membahas hasil dari implementasi metode Backpropagation Neural Network dalam mengidentifikasi penyakit retinoblastoma melalui citra fundus retina dan pengujian sistem sesuai dengan analisis data dan perancangan sistem yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, proses untuk mengidentifikasi diagnosis penyakit retinoblastoma dimulai dengan dilakukannya preprocessing, ekstraksi ciri, dan hingga tahap akhir yaitu pengidentifikasian yang diimplementasikan ke dalam bahasa pemrograman Java dengan perancangan yang telah dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut:
1. Processor Intel(R) Core(TM) i3-3217U CPU 1.80 GHz. 2. Kapasitas hard disk 500GB.
3. Memori RAM yang digunakan 4,00 GB.
4. Sistem operasi yang digunakan Microsoft Windows 10 Pro. 5. Eclipse IDE Luna Service Release 1a ( 4.4.1).
4.1.2. Implementasi Perancangan Antarmuka
Implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah dibahas pada Bab 3 adalah sebagai berikut :
1. Tampilan Halaman Menu
Halaman menu merupakan tampilan awal saat sistem pertama kali dijalankan. Tampilan halaman menu dapat dilihat pada Gambar 4.1. Pada tampilan halaman menu terdapat dua button yaitu button training dan testing yang jika diklik akan langsung menuju halaman training atau testing.
Gambar 4.1. Tampilan halaman menu 2. Tampilan Halaman Testing
41
Gambar 4.2. Tampilan halaman testing
3. Tampilan Halaman Training
Tampilan ini merupakan halaman untuk training data dan memperoleh hasil ekstraksi citra untuk kemudian dilakukan identifikasi dengan backpropagation neural network. Tampilan halaman training dapat dilihat pada Gambar 4.3.
4.1.3. Implementasi data
Data yang dimasukkan ke dalam sistem adalah citra retina yang bersumber dari situs Retina Image Bank. Data tersebut dipilih dan dibagi menjadi dua kategori yaitu normal dan retinoblastoma. Rangkuman data dapat dilihat pada Tabel 4.1.
Tabel 4.1. Rangkuman data citra fundus retina
No Nama Citra Normal Rb
1 01_h.jpg √
2 02_h.jpg √
3 03_h.jpg √
4 04_h.jpg √
5 05_h.jpg √
43
7 07_h.jpg √
8 08_h.jpg √
9 09_h.jpg √
10 10_h.jpg √
11 11_h.jpg √
12 12_h.jpg √
13 13_h.jpg √
14 14_h.jpg √
16 16_h.jpg √
17 17_h.jpg √
18 18_h.jpg √
19 19_h.jpg √
20 20_h.jpg √
21 21_h.jpg √
45
23 23_h.jpg √
24 24_h.jpg √
25 25_h.jpg √
26 rb1.jpg √
27 rb2.jpg √
28 rb3.jpg √
30 rb5.jpg √
31 rb6.jpg √
32 rb7.jpg √
33 rb8jpg √
34 rb9.jpg √
35 rb10.jpg √
36 rb11.jpg √
47
38 rb13.jpg √
39 rb14.jpg √
40 rb15.jpg √
41 rb16.jpg √
42 rb17.jpg √
43 rb18.jpg √
44 rb19.jpg √
46 rb21.jpg √
47 rb22.jpg √
48 rb23.jpg √
49 rb24.jpg √
50 rb25.jpg √
4.2. Prosedur Operasional
Tampilan awal aplikasi merupakan tampilan menu untuk melakukan training dan testing seperti yang ditunjukkan pada Gambar 4.1. Selanjutnya Tampilan halaman testing sistem ditunjukkan pada Gambar 4.2 yang merupakan bagian front-end sistem. Sebelum dilakukan testing, maka terlebih dahulu dilakukan training terhadap dataset. Tampilan halaman untuk melakukan training terhadap dataset dapat dilihat pada Gambar 4.4
49
Gambar 4.4 Tampilan halaman training
Gambar 4.5. Tampilan ketika salah satu button upload citradiklik
Citra retina yang telah dipilih akan ditampilkan pada panel citra masing-masing. Tampilan tersebut dapat dilihat pada Gambar 4.6.
51
Setelah citra retina selesai dipilih, kemudian dapat diklik button process. Setelah diklik maka akan dilakukan pelatihan terhadap data uji dengan menggunakan backpropagation. Citra yang telah di upload akan dilakukan preprocessing terlebih dahulu dimana hasil preprocessing citra akan disimpan ke dalam folder
“Dataset/Training”. Kemudian citra di fitur ektraksi dengan metode GLCM yang hasilnya disimpan ke dalam file “DataSetGLCM.txt” untuk diambil ciri fiturnya yang selanjutnya data tersebut akan dilatih dengan menggunakan backpropagation untuk memperoleh
bobot akhir yang akan disimpan ke dalam file “weights.txt”. Setelah selesai pengujian, akan ditampilkan notifikasi bahwa training setelah selesai diproses. Contoh isi file
“DataSetGLCM.txt” dan “weights.txt” dapat dilihat pada Gambar 4.7 dan 4.8.
Gambar 4.8. Contoh Isi File “weights.txt”
Tampilan setelah proses training dilakukan dapat dilihat pada Gambar4.9.
Gambar 4.9. Tampilan ketika training telah selesai diproses
53
Gambar 4.10. Tampilan ketika citra telah dipilih
Gambar 4.11. Tampilan setelah citra diproses
Hasil dari masing-masing tahapan pada preprocessing dapat dilihat pada Gambar 4.12, Gambar 4.13, Gambar 4.14, Gambar 4.15, Gambar 4.16, Gambar 4.17.
55
Gambar 4.14. Hasil citra morphological Gambar 4.15. Hasil citra thresholding
close operation
Gambar 4.16. Hasil citra erosion Gambar 4.17. Hasil citra inversion
Gambar 4.18. Contoh Isi File “DataSetGLCM1.txt”
Output yang diperoleh dari tahapan-tahapan sebelumnya kemudian ditampilkan pada panel result apakah citra normal atau terdapat indikasi retinoblastoma. Jika terdapat indikasi retinoblastoma maka akan ditampilkan persentase dari indikasinya dengan menghitung luas tumor dibandingkan dengan luas retina mata yang sudah dikurangi dengan luas keseluruhan citra. Luas tumor diperoleh dari jumlah piksel putih pada citra hasil thresholding yang belum mengalami penipisan piksel (erosion) sedangkan luas retina diperoleh dari pengurangan total piksel citra yang telah di resize dengan jumlah piksel hitam yang mengelilingi retina mata. Rumus untuk menghitung persentase dari indikasi retinoblastoma dapat dilihat pada persamaan 4.1.
Persentase = Jumlah piksel putih x 100 (4.1) (Total piksel - Jumlah piksel hitam)
4.3. Pengujian Sistem
57
Tabel 4.2. Parameter Backpropagation
No Parameter Keterangan
1 Jumlah input neuron 5
2 Jumlah hidden neuron 2
3 Jumlah output neuron 2
4 Fungsi Aktivasi Sigmoid Biner
5 Maksimum epoch 600
6 Minimum error 0.0
7 Learning rate 0.8
Gambar 4.19. Grafik hasil pelatihan pemilihan parameter
Hasil identifikasi diagnosis penyakit retinoblastoma dapat dilihat pada Tabel 4.3 dimana hasil pengujian tersebut adalah berdasarkan hasil bobot akhir pelatihan dengan menggunakan parameter pada Tabel 4.2. Citra uji yang digunakan untuk masing-masing berjumlah berjumlah 5 sehingga total keseluruhan citra uji adalah 10.
Tabel 4.3. Hasil pengujian identifikasi retinoblastoma
No Nama Citra Nilai
Actual Epoch 599 599 390 268 86
Akurasi 50% 50% 100% 100% 100%
59
2 22_h.jpg 0.0, 1.0, 0.0,
1.0, 0.0
Normal Normal
3 23_h.jpg 0.0, 1.0, 0.0,
1.0, 0.0
Normal Normal
4 24_h.jpg 0.0, 1.0, 0.0,
1.0, 0.0
Untuk menghitung akurasi pengujian, persamaan yang digunakan adalah persamaan 4.2.
Akurasi = Jumlah data uji yang benar x 100 (4.2) Jumlah data uji keseluruhan
Berdasarkan hasil pada Tabel 4.3, maka akurasi keseluruhan dapat dihitung. Akurasi keseluruhan diperoleh dengan mengunakan persamaan 4.2 yaitu dengan menambahkan jumlah actual output yang sesuai dengan desired output dibagi dengan jumlah seluruh data uji yang digunakan seperti berikut.
Akurasi = 9 x 100 = 90% 10
BAB 5
KESIMPULAN DAN SARAN
Bab ini akan membahas tentang kesimpulan dari metode yang telah digunakan untuk mengidentifikasi penyakit retinoblastoma pada bagian 5.1 dan juga saran-saran untuk pengembangan penelitian berikutnya pada bagian 5.2.
5.1. Kesimpulan
Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem untuk identifikasi penyakit retinoblastoma dengan menggunakan Backpropagation Neural Network adalah sebagai berikut :
1. Metode Backpropagation Neural Network mampu melakukan identifikasi penyakit retinoblastoma melalui citra fundus retina secara baik dengan akurasi sebesar 90%. 2. Berdasarkan hasil percobaan untuk pemilihan parameter yang digunakan , learning
rate 0.8 merupakan nilai yang paling baik dalam mengidentifikasi penyakit retinoblastoma pada tahap pelatihan.
3. Bentuk dan ukuran tumor yang menyerupai optic disc pada citra fundus menjadi salah satu kesulitan dalam tahap preprocessing karena tumor bisa saja ikut tereliminasi pada saat proses eliminasi optic disc.
5.2. Saran
Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut : 1. Menggunakan metode pengolahan citra yang sesuai terutama dalam proses pengeliminasian optic disc agar dapat tereliminasi secara maksimal sehingga mempermudah dalam pendeteksian tumor.
2. Menggunakan data pelatihan yang lebih banyak sehingga ketika data uji mampu mendapatkan akurasi yang lebih tinggi.
3. Menggunakan kombinasi metode yang lain dalam tahapan ekstraksi ciri. 4. Menggunakan metode machine learning lainnya untuk membandingkan dengan
