Cucun Very Angkoso ~

(1)

Klasifikasi Tumor dan Kista

pada Citra Panoramik Gigi Manusia

Menggunakan Metode Support Vector Machine (SVM)

Dosen Pembimbing :

Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng Dr. I Ketut Eddy Purnama, S.T., M.T.

(2)

Latar

Latar Belakang

Belakang

g

1. Tumor atau pertumbuhan abnormal jaringan

tubuh secara tidak terorganisir semakin

meningkat tingkat kejadiannya

2. Baru terdeteksi dalam stadium lanjut

setelah timbul gejala klinis yang bisa

di

k

d i

dirasakan penderita

3. SVM adalah salah satu metode klasifikasi

iliki

f

i

l h

yang memiliki performansi yang telah

terbukti handal di bidang aplikasi seperti

bi i f

ti

(3)

Analsis

Analsis Statistik

Statistik Hubungan

Hubungan Antar

Antar Piksel

Piksel



Statistik orde-pertama



Statistik orde-pertama dihitung melalui nilai piksel

dari gambar semisal fitur variance dengan

mengabaikan hubungan antar piksel tetangga.



Statistik orde-kedua



Perhitungan statistik orde-kedua mempertimbangkan

hubungan antara dua piksel (piksel yang bertetangga)

pada gambar.



Statistik orde-lebih-tinggi (higher-order

statistics).



Perhitungan statistik orde-ketiga dan yang lebih



Perhitungan statistik orde ketiga dan yang lebih

tinggi, mempertimbangkan hubungan antara tiga atau

lebih piksel, hal ini secara teoritis memungkinkan

(4)

Ekstraksi

Ekstraksi Fitur

Fitur



GLCM (Gray-Level Cooccurrence Matrix) atau

Grey Tone Spatial Dependency Matrix



Ekstraksi fitur oleh Haralick



GLRLM (Gray Level Run Length Matrix)



M M G ll

(5)

GLCM

GLCM ((Gray

Gray--Level Cooccurrence Matrix

Level Cooccurrence Matrix)

)

Contoh citra dengan 4 tingkat keabuan.

Kanan: Hasil GLCM pada jarak 1 arah 0

(6)

Grafik

Grafik Nilai

Nilai Range

Range Hasil

Hasil Ekstraksi

Ekstraksi Fitur

Fitur

Menggunakan

Menggunakan Fitur

Fitur Contrast

Contrast

1.216 1.194 1.20 1.40 1.194 0.966 1.00 0.682 0.667 0.831 0.60 0.80 Min Max AVG 0.366 0.333 0 227 0.458 0.529 0.40 0.211 0.227 0.00 0.20

(7)

Grafik

Grafik nilai

nilai range

range hasil

hasil ekstraksi

ekstraksi fitur

fitur menggunakan

menggunakan

fitur

fitur Low Gray Level Run Emphasis

Low Gray Level Run Emphasis (LGRE)

(LGRE)

0.25 0.195 0.20 0.113 0 10 0.15 Min Max AVG 0 045 0.051 0.090 0.096 0.067 0.091 0.065 0.072 0.05 0.10 0.017 0.034 0.045 0.00

Kista GLRLM Tumor GLRLM Kista HEGLRLM Tumor HEGLRLM Kista-GLRLM Tumor-GLRLM Kista-HEGLRLM Tumor-HEGLRLM

(8)

Tabel

Tabel Distribusi

Distribusi Data

Data Pelatihan

Pelatihan dan

dan Pengujian

Pengujian

Data

Pengujian I Pengujian II Pengujian III Kelas Kelas Kelas

Kista Tumor Kista Tumor Kista Tumor

Citra 1 s d 10 Latih Citra 1 s.d. 20 Citra 1 s.d. 10 dan citra 21 s.d. 30 Citra 11 s.d. 30 8 12 11 9 11 9 20 20 20 Uji

Citra 21 s.d. 30 Citra 11 s.d. 20 Citra 1 s.d. 10

7 3 4 6 4 6

Uji 7 3

(9)

Pengaruh

Pengaruh Kuantisasi

Kuantisasi Citra

Citra

70 80 50 60 a si (% ) 20 30 40 Nilai Akur a GLCM8 GLCM16 GLCM32 GLCM64 0 10 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 GLCM128 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Kernel Option

(10)

Pengaruh

Pengaruh Penggunaan

Penggunaan Preprocessing

Preprocessing HE

HE

70 80 40 50 60 u rasi (% ) 20 30 40 Nilai Ak u GLCM8 HEGLCM8 GLCM16 0 10 GLCM16 HEGLCM16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Kernel Option

(11)

Pengaruh

Pengaruh penggabungan

penggabungan fitur

fitur dari

dari GLCM

GLCM dan

dan

HEGLRLM

90 60 70 80 40 50 60 a i Akurasi (% ) 20 30 Nil a GLCMHEGLRLM HEGLRLM GLCM16 0 10 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Kernel Option

(12)

Kurva

Kurva ROC

ROC Pada

Pada Penggunaan

Penggunaan 3 Model

3 Model Ekstraksi

Ekstraksi

Fitur

Fitur Yang

Yang Berbeda

Berbeda

Fitur

Fitur Yang

Yang Berbeda

Berbeda

90 100 70 80 ) (% ) 40 50 60 R (Sensitivity ) GLCM16 (SVM) 20 30 TP R HEGLRLM (SVM) GLCMHEGLRLM (SVM) 0 10 0 10 20 30 40 50 60 70 80 90 100 FPR (1-Specificity) (%) FPR (1 Specificity) (%)

(13)

Grafik

Grafik Pengaruh

Pengaruh Penggunaan

Penggunaan Jumlah

Jumlah Fitur

Fitur

% 90% 100% 73.33% 66.67% 76.67% 76.67% 60% 70% 80% 50.00% 40% 50% Nilai akurasi 20% 30% 0% 10% GLCM16 (16 Fitur) HEGLCM16 (16 Fitur) GLRLM (7 Fitur) HEGLRLM (7 Fitur) GLCMHEGLRLM (23 Fitur) (16 Fitur) (16 Fitur) (7 Fitur) (7 Fitur) (23 Fitur)

(14)

Grafik

Grafik Pengaruh

Pengaruh Penggunaan

Penggunaan Mesin

Mesin Klasifikasi

Klasifikasi

80% 90% 100% 76.67% 76.67% 76.67% 73.33% 60% 70% 80% 40% 50% 60% Nilai akurasi 20% 30% 40% 0% 10%

SVM-HEGLRLM JST-HEGLRLM SVM-GLCMHEGLRLM JST-HEGLCMGLRLM

(15)

KESIMPULAN (1)



Pada penelitian ini telah diujikan 5 model desain sistem

klasifikasi kista dan tumor pada citra panoramik rahang gigi

manusia menggunakan metode SVM yaitu:

gg

y

1. Model dengan ekstraksi fitur GLCM tanpa HE sebagai preprocessing.

2. Model dengan ekstraksi fitur GLCM dengan HE sebagai preprocessing. g g g p p g

3. Model dengan ekstraksi fitur GLRLM tanpa HE sebagai preprocessing.

4. Model dengan ekstraksi fitur GLRLM dengan HE sebagai preprocessing.

5. Model dengan penggabungan ekstraksi fitur GLCM dan GLRLM serta

HE b i i

HE sebagai preprocessing.



Dari hasil pengujian ke-5 model diatas, didapatkan bahwa

t d kl ifik i SVM

j kk

b h

penggunaan metode klasifikasi SVM menunjukkan bahwa

penggunaan ekstraksi fitur HE-GLRLM memberikan kinerja

akurasi sistem klasifikasi terbesar yaitu sebesar

76,667%.

(16)

KESIMPULAN (2)

 Penggunaan preprocessing HE tidak menjamin mampu meningkatkan kinerja akurasi mesin klasifikasi yaitu saat menggunakan ektraksi fitur berdasarkan akurasi mesin klasifikasi, yaitu saat menggunakan ektraksi fitur berdasarkan GLCM akurasi sistem menurun dari 73,33% menjadi 66,67% tetapi meningkat saat penggunaan ekstraksi fitur berdasarkan GLRLM yaitu dari 50% menjadi 76,667% saat menggunakan preprocessing HE.

76,667% saat menggunakan preprocessing HE.

 Hasil pengujian penggunaan mesin klasifikasi JST-backpropagation tidak mampu meningkatkan nilai akurasi yaitu menunjukkan nilai akurasi sebesar mampu meningkatkan nilai akurasi, yaitu menunjukkan nilai akurasi sebesar 76,667% saat penggunaan HE-GLRLM, serta 73,33% berbanding 76,667% dibanding metode SVM saat menggunakan gabungan fitur GLCMHEGLRLM.

 Nilai kinerja akurasi sistem tidak berbanding lurus terhadap jumlah fitur yang digunakan akan tetapi lebih tergantung pada jumlah fitur yang tepat dan

t ik k kt i tik t k t bj k mampu merepresentasikan karakteristik tekstur objek.

(17)

KESIMPULAN (3)

 Fitur berdasarkan GLRLM menunjukkan lebih tepat merepresentasikan karakteristik tekstur objek citra panoramik rahang gigi manusia jika dib di k k k i fi b d k GLCM d

dibandingkan penggunaan ekstraksi fitur berdasarkan GLCM dengan kinerja akurasi sitem sebesar 76,667%, baik saat penggunaan metode klasifikasi SVM maupun JST-Backpropagation yaitu pada saat

menggunakan ekstraksi fitur berdasarkan HE GLRLM menggunakan ekstraksi fitur berdasarkan HE-GLRLM.

 Model rancangan sisitem yang terekomendasikan berdasarkan kinerja akurasinya adalah model dengan ekstraksi fitur berdasarkan GLRLM dengan preprocessing HE serta pada penggabungan fitur pada model GLCMHEGLRLM yang telah menunjukkan nilai yang sama besar k tik dil k k kl ifik i