SKRIPSI
AULIYA DOLI RIZKI S
121402081
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
KLASIFIKASI PENDARAHAN OTAK MENGGUNAKAN METODE EXTREME LEARNING MACHINE
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
AULIYA DOLI RIZKI S 121402081
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Nomor Induk Mahasiswa : 121402081
Program Studi : S1 TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Ulfi Andayani, S.Kom., M.Kom Dr. Erna Budhiarti Nababan, M.IT
NIP. 19860419 201504 2 004 NIP. 19621026 201704 2 001
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
iv
PERNYATAAN
KLASIFIKASI PENDARAHAN OTAK MENGGUNAKAN METODE EXTREME LEARNING MACHINE
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 17 Juli 2017
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kehadirat Allah SWT, karena berkat rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Pertama, penulis ingin mengucapkan terima kasih sebesarnya kepada, keluarga tercinta yaitu kedua orang tua Darma Halim Siregar S.E., M.Kes. dan Hartini Koto. Penulis juga mengucapkan terima kasih kepada kedua Kakak penulis dr. Fitri Nur Malini Siregar dan drg. Ade Maya Sari Siregar, Yang Selalu memberikan kasih sayang, saran, motivasi dan doa tiada henti kepada penulis.
Kedua, penulis juga mengucapkan terima kasih kepada Ibu Dr. Erna Budhiarti Nababan, M.IT selaku Dosen Pembimbing I dan Ibu Ulfi Andayani, S.Kom., M.Kom selaku Dosen Pembimbing II serta yang telah meluangkan waktunya untuk membimbing penulis sehingga dapat menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Bapak Dani Gunawan, S.T., M.T sebagai dosen pembanding pertama dan Romi Fadillah Rahmat, B.Comp.Sc., M.Sc.sebagai dosen pembanding kedua yang telah memberikan masukan serta kritik yang bermanfaat dalam penulisan skripsi ini. Penulis ucapkan terima kasih kepada Ketua dan Sekretaris Program Studi S1 Teknologi Informasi, Dekan dan Wakil Dekan FASILKOM-TI, dan seluruh dosen serta staff pegawai di lingkungan Program Studi S1 Teknologi Informasi, yang telah membantu dan membimbing penulis selama masa perkuliahan.
vi
ABSTRAK
Pendarahan otak merupakan suatu kondisi dimana terdapat darah di jaringan otak baik itu di dalam otak maupun area sekitar otak yang dapat mengakibatkan hilang kesadaran dan kematian. Hal-hal yang dapat mengakibatkan terjadinya pendarahan otak, yaitu: Hipertensi, Stroke, Cedera kepala, Tumor pada otak dan lain-lain. Gejala yang timbul ketika menderita pendarahan otak, beberapa diantaranya sakit kepala yang parah, terganggunya penglihatan dan menagalami kelumpuhan dibagian tubuh . Pemeriksaan umum yang dilakukan jika mengalami pendarahan otak dengan menggunakan Computerized Tomography (CT) Scan. Citra yang dihasilkan oleh CT
Scan diperiksa secara manual oleh dokter dengan menggunakan kasat mata. sehingga diperlukan metode untuk mengidentifikasi pendarahan otak melalui citra CT Scan
otak secara otomatis. Metode yang digunakan dalam penelitian ini yaitu Extreme Learning Machine. Citra CT Scan otak digunakan sebagai masukan untuk proses pengolahan citra. Tahapan citra sebelum diidentifikasi yaitu proses pra pengolahan citra dan Thresholding. Setelah dilakukan pengujian pada penelitian ini, didapatkan kesimpulan bahwa metode yang diajukan memiliki kemampuan dalam mengidentifikasi pendarahan otak yang sangat baik dengan akurasi sebesar 92%.
CLASSIFICATION OF BRAIN HEMORRHAGE USING
EXTREME LEARNING MACHINE METHOD
ABSTRACT
Brain hemorrhage is one of the condition where there’s blood in the brain tissue not only inside but also in the area around the brain, which can cause lost of consciousness and even death. Several things that could cause brain hemorrhage are : hypertension, stroke, head injury, brain tumor and etc. There are some symptoms of brain hemorrhage such as massive headache, disrupted vision, and paralyzed body. The general examination to detect brain hemorrhage is by using Computerized Tomography (CT) Scan. The image produced from CT scan will be manually checked by a doctor. A method is needed to identify brain hemorrhage image from CT scan automatically. The method proposed in this research is Extreme Learning Machine. CT scan image of the brain is used as the input for the method for image processing. The procedure before identification is pre-processing of the image and threshold. After calibration was done, it can be concluded that the proposed method used in this research have the capability to identify brain hemorrhage very well with an accuracy of 92%.
viii
DAFTAR ISI
PERSETUJUAN iii
PERNYATAAN iv
UCAPAN TERIMA KASIH v
ABSTRAK vi
1.6. Metodologi Penelitian 3
1.7. Sistematika Penulisan 4
BAB 2 LANDASAN TEORI 6
2.6. Extreme Learning Machine 12
2.7. Penelitian Terdahulu 15
BAB 3 ANALISIS DAN PERANCAGAN SISTEM 18
3.1. Arsitektur Umum 18
3.3. Preprocessing 20
3.7. Perancangan Sistem 27
3.7.1.Tampilan Sistem Pendarahan Otak 27
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 29
4.1. Kebutuhan Sistem 29
4.1.1.Perangkat Keras dan Perangkat Lunak 29 4.1.2.Implementasi Perancangan Antarmuka 29
4.1.3.Implementasi Data 30
4.2. Prosedur Operasional 33
4.3. Hasil Processing Sistem 37
4.4. Pengujian Sistem 38
BAB 5 KESIMPULAN DAN SARAN 43
5.1. Kesimpulan 43
5.2. Saran 44
x
DAFTAR TABEL
Tabel 2.1. Penelitian Terdahulu 16
Tabel 3.1. Keterangan Arsitektur ELM 24
Tabel 4.1. Hasil Processing 37
Gambar 2.1. Otak normal 6
Gambar 2.2. Pendarahan Otak Epidural 7
Gambar 2.3. Pendarahan Otak Subdural 8
Gambar 2.4. Pendarahan Otak Subarachnoid 8
Gambar 2.5. Pendarahan Otak Intrcerebral 9
Gambar 2.6. Citra Digital 10
Gambar 2.7. Arsitektur Extreme Learning Machine 13
Gambar 3.1. Arsitektur Umum 19
Gambar 3.2. Citra Grayscale 20
Gambar 3.3. Citra Scaling 21
Gambar 3.4. Citra Thresholding 21
Gambar 3.5. Citra Binerisasi 22
Gambar 3.6. Arstitektur ELM untuk klasifikasi pendarahan otak 23
Gambar 3.7. Proses Pengujian ELM 26
Gambar 3.8. Perancangan Sistem 28
Gambar 4.1. Tampilan Sistem 30
Gambar 4.2. Pendarahan Otak Epidural 31
Gambar 4.3. Pendarahan Otak Subdural 31
Gambar 4.4. Pendarahan Otak Intracerebral 32
Gambar 4.5. Pendarahan Otak Subarachnoid 32
Gambar 4.6. Otak Normal 33
Gambar 4.7. Tampilan Utama Sistem 33
Gambar 4.8. Tampilan Upload Citra 34
Gambar 4.9. Tampilan Waktu proses 35
Gambar 4.10. Tampilan Uji Citra 35
Gambar 4.11. Tampilan Pengolahan Citra 36
Gambar 4.12. Tampilan Output Sistem 37
