LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Extreme Learning Machine untuk mengklasifikasikan pendarahan pada otak.
2.1 Pendarahan Otak
Pendarahan otak adalah pendarahan yang terjadi di otak dan area di sekitarnya. Otak merupakan bagian dari sistem saraf pusat, yang tersusun dari sumsum tulang belakang. Otak adalah organ vital yang terdiri dari 100-200 milyar sel aktif yang saling berhubungan dan bertanggung jawab atas fungsi mental dan intelektual kita. Otak terdiri dari sel-sel otak yang disebut neuron (Leonard, 1998). Otak bekerja dengan berbagai saraf untuk menerima dan mengirim pesan ke berbagai bagian tubuh dan memberitahu apa yang harus dilakukan dan bagaimana cara melakukannya. Gambar otak normal dapat dilihat pada Gambar 2.1.
Gambar 2.1. Otak Normal (https://radiopaedia.org)
memiliki peran penting dalam situasi yang penuh tekanan. Saat seorang berada dalam tekanan, otak akan memasuki mode melawan-atau-kabur, yang diatur oleh batang otak. Otak juga mengendalikan tekanan darah dan pernapasan. Otak kecil (serebelum) merupakan bagian otak yang mengatur pergerakan, keseimbangan, dan interpretasi dari informasi yang dikirimkan oleh indera manusia. Otak sangat rawan mengalami kerusakan dan pendarahan. Namun otak memiliki perlindungan yang baik. Otak dilindungi oleh berbagai lapisan, seperti duramater dan cairan serebrospinal, yang juga dapat ditemukan di sumsum tulang belakang. Dari luar, otak juga dilindungi oleh tengkorak, yang terdiri dari berbagai jenis tulang yang saling berhubungan.
Walaupun begitu, ada banyak faktor yang masih dapat menyebabkan pendarahan pada otak dan area di sekitarnya. Apabila pendarahan menjadi tidak dapat dikendalikan, maka pendarahan dapat menyebabkan matinya sel otak dan terhentinya banyak fungsi tubuh. Terkadang pendarahan otak juga dapat menyebabkan kelumpuhan sementara atau permanen, serta hilangnya kemampuan tertentu, seperti kemampuan motorik. Terdapat 4 macam jenis pendarahan pada otak, yaitu: (Graham, 1995).
1. Pendarahan Otak Epidural
Epidural adalah adanya darah di ruang Epidural yaitu ruang potensial antara tabula interna tulang tengkorak dan duramater. Epidural dapat menimbulkan penurunan kesadaran, adanya lusid interval selama beberapa jam dan kemudian terjadi defisit neurologis berupa hemiparesis kontralateral dan dilatasi pupil ipsilateral. Gejala lain yang ditimbulkan antara lain sakit kepala, muntah, kejang dan hemiparesis (Graham, 1995). Gambar pendarahan otak Epidural dapat dilihat pada Gambar 2.2.
2. Pendarahan Otak Subdural
Pendarahan subdural adalah pendarahan antara dura mater dan araknoid, yang biasanya meliputi pendarahan vena (Graham, 1995). Gambar pendarahan otak Subdural dapat dilihat pada Gambar 2.3.
Gambar 2.3. Pendarahan Otak Subdural (https://radiopaedia.org)
3. Pendarahan Otak Subarachnoid
Pendarahan subarachnoid adalah pendarahan antara rongga otak dan lapisan otak yaitu yang dikenal sebagai ruang Subarachnoid (Graham,1995). Gambar pendarahan otak Subarachnoid dapat dilihat pada Gambar 2.4.
Gambar 2.4. Pendarahan Otak Subarachnoid (https://radiopaedia.org)
4. Pendarahan Otak Intracerebral
bukan disebabkan oleh benturan antara parenkim otak dengan tulang tengkorak, tetapidisebabkan oleh gaya akselerasi dan deselerasi akibat trauma yang menyebabkan pecahnya pembuluh darah yang terletak lebih dalam, yaitu di parenkim otak atau pembuluh darah kortikal dan subkortikal. (Graham, 1995). Gambar pendarahan otak Intracerebral dilihat pada Gambar 2.5.
Gambar 2.5. Pendarahan Otak Intracerebral (https://radiopaedia.org)
2.2 Citra Digital
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital. Citra analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X, hasil CT Scan dll. Sedangkan pada citra digital adalah citra yang dapat diolah oleh komputer (T,Sutoyo et al. 2009: 9).
Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M kolom N baris, dimana perpotongan antara kolom dan baris disebut piksel ( piksel = picture element), yaitu elemen terkecil dari sebuah citra. Piksel mempunyai dua parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di titik itu.
kumpulan pixel dalam array dua dimensi. Citra jenis ini disebut citra bitmap atau citra raster. Jenis citra yang kedua adalah citrayang dibentuk oleh fungsi-fungsi geometri dan matematika.Jenis citra ini disebutgrafik vektor. Citra digital (diskrit) dihasilkan dari citra analog (kontinu) melalui digitalisasi. Digitalisasi citra analog terdiri dari sampling danquantitazion. Sampling adalah pembagian citra ke dalam elemen-elemen diskrit (pixel), sedangkan quantitazion adalah pemberian nilai intensitas warna pada setiap pixel dengan nilai yang berupa bilangan bulat (G.W. Awcock, 1996). Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah brightness level dari citra pada koordinat tersebut, hal tersebut diilustrasikan pada Gambar 2.6.
Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasidari tiga warna dasar, yaitu merah, hijau dan biru (Red, Green, Blue - RGB).
Gambar 2.6. Citra Digital (Nixon dan Aguado, 2002)
2.3 Grayscale
pikselnya. Intensitas dari citra Grayscale disimpan dalam 8 Bit Integer yang memberikan 256 kemungkinan yang mana dimulai dari level 0 sampai dengan 255 (0 untuk hitam dan 255 untuk putih dan nilai diantaranya adalah derajat keabuan).
S
=
�+�+�……….. 2.12.4 Scaling
Scaling bertujuan untuk mengubah ukuran pixel menjadi pixel ukuran M x N. Hal ini dilakukan karena setiap citra yang diolah belum tentu mempunyai ukuran yang sama. Scaling juga digunakan untuk memperkecil citra digital agar jumlah Pixel yang akan diolah tidak terlalu banyak. Semakin banyak jumlah Pixel maka semakin banyak data inputan. Sehingga menyebabkan semakin lama waktu komputasi.
{ > <
Rumus yang digunakan :
′=Sh
′=Sv ……….. 2.2
Keterangan :
Sh = faktor skala horisontal
Sv = faktor skala vertical
2.5 Binerisasi
digunakan sebagai nilai pembatas antara intensitas objek objek utama dengan latar belakang, dan nilai tersebut dinamakan dengan Threshold.
Thresholding digunakan untuk mempartisi citra dengan mengatur nilai intensitas semua piksel yang lebih besar dari nilai Threshold T sebagai latar depan dan yang lebih kecil dari nilai Threshold T sebagai latar belakang atau sebaliknya.
� �, � = { �� � �, � > T �� � �, � T ……….. 2.3
2.6 Extreme Learning Machine
Extreme Learning Machine (ELM) adalah metode baru yang merupakan bagian dari jaringan syaraf tiruan. ELM termasuk pada Feedforward Neural Network yang memiliki satu Single Hidden Layer (Sun et al, 2008). Metode ELM dipercaya dapat mengatasi permasalah Learning Speed yang selama ini terjadi pada metode-metode lain pada Feed-Forward Neural Networks (Huang et al, 2005). Menurut mereka terdapat dua alasan kenapa Feed-Forward Neural Networks memiliki Learning Speed yang rendah :
1. Feedforward neural networks menggunakan Slow Gradient Based Learning Algorithm dalam melakukan proses Training.
2. Semua parameter pada jaringan ditentukan secara Iterative dengan menggunakan metode pembelajaran tersebut.
Gambar 2.7. Arsitektur Extreme Learning Machine (Sinuhaji, 2009)
ELM memanfaatkan teori Invers matrik dalam proses pembelajarannya. Teori yang digunakan adalah Moore Penrose Pseudoinverse. Gambar 2.7 menunjukkan sebuah model sederhana Single-Hidden Layer Feedforward Networks (SLFNs) yang merupakan struktur umum dari ELM. Diberikan sebanyak n input, m Neuron pada Hidden Layer dan fungsi aktivasi g(x). Misalkan X = [x1, x2, x3, … xn] dengan xi merupakan nilai Input pada jaringan tersebut. α merupakan matriks bobot penghubung Input Layer dan Hidden Layer maka α matriks mempunyai ukuran n x m. Penentuan nilai elemen-elemen matrik tersebut dilakukan secara acak. Kemudian setiap nilai tersebut diolah pada Hidden Layer menggunakan fungsi aktivasi tertentu dan nilai tersebut dihimpun dalam sebuah matrik H dengan ordo lxm (H = [h1,h2,h3,… hn]). Moore Penrose Pseudoinverse digunakan untuk menentukan nilai bobot antara Hidden Layer dan Output Layer β.
Metode ELM memiliki model matematis yang berbeda dengan Feed-Forward Neural Networks pada umumnya, dimana model matematis ELM berbentuk lebih sederhana dan lebih efektif. Berikut ini merupakan rumusan metode ELM untuk N jumlah sample yang berbeda (Xi, ti) (Agustina et al, 2010).
= [ � + � , … … � ]� ∈ � ……….. (2.5)
Standar SLFNs dengan jumlah Hidden Nodes sebanyak N dan fungsi aktivasi g(x) dapat dirumuskan sebagai berikut (Agustina et al, 2010) :
∑� � =
= ∑�= � . + = ……….. (2.6)
Dimana :
� = 1, 2, ...., N
= ( 1, 2, …, ) �, merupakan vektor dari Weight yang menghubungkan i
th Hidden Nodes dan Input Nodes.
= ( 1, 2, …, )�, merupakan Weight Vector yang menghubungkan i th Hidden Nodes dan Input Nodes.
= Treshold dari i th Hidden Nodes. = Inner product dari Wi dan Xj
SLFNs dengan N Hidden Nodes dan Activation Function g(x) diasumsikan dapat memperkirakan dengan tingkat error 0 dirumuskan sebagai berikut (Agustina et al, 2010) :
Persamaan 2.8 di atas dapat disempurnakan lagi menjadi sebagai berikut: � = �……….. (2.9)
Dimana :
� = Hidden Layer dari Output matriks.
= Output Weight.
Pada ELM Input Weight dan Hidden bias ditentukan secara random, maka Output Weight yang berhubungan dengan Hidden Layer dirumuskan sebagai berikut :
= �+�……….. (2.10)
2.7 Penelitian Terdahulu
Beberapa penelitian telah dilakukan untuk deteksi tumor otak. Penelitian yang pernah dilakukan Herlina Pitasari pada tahun 2010 dengan judul Deteksi Tumor Otak dengan menggunaka metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ). Pada penelitian ini, untuk mengolah citra sistem menggunakan Grayscale, segmentasi, dan Histogram. Dalam mengklasifikasi tumor otak, tingkat akurasi yang dicapai metode Learning Vector Quantization adalah sebesar 80%.
Penelitian ini dilakukan oleh Sumijan dan Julius Santony pada tahun 2014. Analisis Citra Otak Untuk Prediksi Jenis Cedera Otak Menggunakan Jaringan Syaraf Tiruan Backpropogation.Proses pengolahan citra menggunakan segmentasi dan ekstraksi fitur menggunakan Principle Component Analysis (PCA). metode Backpropogation menggunakan bebeparapa layer untuk mendapatkan hasil yang ingin diperoleh. Membutuhkan estimasi waktu yang lama dalam proses tersebut.
Penelitian yang dilakukan oleh Sonu Suhag dan Lalit Mohan Saini pada tahun 2015. Penelitian yang berjudul Automatic Brain Tumor Detection And Classification Using SVM. Dalam Penelitian ini, Metode yang digunakan untuk mendeteksi tumor otak adalah Support Vector Machine. Proses pengolahan citra menggunakan Segmentasi dan fitur ekstraksi menggunakan metode A Gray Level Co-occurrence Matrix (GLCM). Data yang digunakan untuk pengujian sebanyak 36 abnormal dan sepuluh yang normal. Tingkat akurasi yang dihasilkan SVM dalam mengklasifikasi mencapai 91%.
adalah Extreme Learning Machine. Hasilnya sangat memuaskan ELM mampu mengklasifikasi gambar dengan baik dan menghasilkan tingkat akurasi mencapai 94%. Extreme Learning Machine memiliki kelebihan dalam Learning Speed.
Penelitian yang dilakukan oleh Murdoko dan Saparudin pada tahun 2015 dengan judul Klasifikasi Citra Daun Tanaman Menggunakan Metode Extreme Learning Machine. Pada penelitian ini, untuk mengolah citra menggunakan Grayscale, Histogram dan GLCM. Dalam mengklsifikasi citra daun, Tingkat akurasi yang didapatkan dalam penelitian ini mencapai 92,9%.
Penelitian yang dilakukan oleh Danika trientin, Achmad Rizal dan Suryo Adi Wibowo pada tahaun 2016 dengan judul Identifikasi Awal Penyakit Tuberculosis Berdasarkan Citra Rontgen Paru Manusia Berbasis Jaringan Syaraf Tiruan ELM (Extreme Learning Machine). Dalam penelitian ini, pengolahan citra dilakukan dengan menggunakan tahapan Threshold kemudian nilai yang dihasilkan Threshold digunakan sebagai nilai masukan untuk proses jaringan syaraf tiruan Extreme Learning Machine. Akurasi yang dihasilkan pada penelitian inimencapai 100%.
Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada Tabel 2.1.
2010 Extreme Learning Machine 94%
3. Herlina Pitasari
2010 Learning Vector Quantization 80%
4. Sonu Suhag dan Lalit Mohan Saini
Tabel 2.1. Penelitian Terdahulu (lanjutan)
No Peneliti Tahun Metode Akurasi
5. Murdoko dan Saparudin
2015 Extreme Learning Machine 92,9%
6. Danika Trientin et al
