SKRIPSI
IMAM KURNIAWAN 121402026
PROGRAM STUDI S-1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
Diajukan untuk melengkapi tugas dan syarat memperoleh ijazah Sarjana Teknologi Informasi
SKRIPSI
IMAM KURNIAWAN 121402026
PROGRAM STUDI S-1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
IMPLENTASI CONVOLUTIONAL NEURAL NETWORK DALAM MENGIDENTIFIKASI PENYAKIT KULIT
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Desember 2019
Imam Kurniawan 121402026
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.
Selama penyelesaian tugas akhir ini, banyak bantuan dan kerja sama , doa dan dukungan dari berbagai pihak, oleh karena itu penulis sampaikan ucapan terima kasih kepada :
1. Bapak Prof.Runtung Sitepu, SH, M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Drs. Opim Salim Sitompul , M.Sc selaku Dekan Fasilkom-TI USU.
3. Bapak Romi Fadillah Rahmat B.Comp.Sc.,M.Sc selaku Ketua Program Studi S1 Teknologi Informasi Universitas SumateraUtara.
4. Kedua orang tua penulis, Sarbanik dan Faridah, yang telah memberikan dukungan dan motivasi baik materil dan spiritual selama penulis mengikuti pendidikan hingga berakhirnya penulisan tugas akhirini.
5. Bapak Dedy Arisandi ST, M.Kom. selaku pembimbing 1 dan Ibu Marischa Elveny , S.TI, M.Kom selaku pembimbing 2 yang telah banyak meluangkan waktu dan pikiran beliau, memotivasi, memberikan arahan, kritik dan saran kepada penulis.
6. Ibu Dr. Erna Budhiarti Nababan M.IT dan bapak Indra Aulia S.TI , M.Kom selaku Dosen Penguji yang telah memberikan kritik dan saran kepadapenulis.
7. Seluruh dosen, staff dan pegawai di Program Studi Teknologi Informasi serta Fakultas Ilmu Komputer dan Teknologi Informasi, terkhusus Abangda Mahardian yang selalu membantu , menyemangati, dan mengingatkanpenulis.
8. Teman setim penulis, R.Agung Hernowo, Fazrin Ashari, dan Bagus Kusumo Wijonarko yang telah bekerja sama dan memotivasi penulis selama penyelesaian tugas akhirini.
9. Rekan seperjuangan diangkatan 2012 Program Studi Teknologi Informasi yang telah memberikan dukungan khususnya Reza, Kiwil, Moi, Juned, Noval, Fahri, Arif, Ida, Kania, Risa, dan seluruh teman di angkatan2012.
10. Teman-teman Kost penulis Gaga, Isan, Fredy, Bang Luhut, Bang Hans yang sudah memberikan bantuan dalam segalahal.
11. Angga wantiwa pemilik Percetakan Indah Foto yang telah membantu penulis dalam berbagaihal.
Akhir kata, penulis mengucapkan terima kasih kepada seluruh orang yang telah membantu penulis secara langsung ataupun tidak langsung. Semoga Allah SWT memberikan rahmat dan hidayah serta pahala yang melimpah kepada semuanya.
Medan, Desember 2019
Penulis
Kulit Merupakan bagian paling sensitif pada tubuh manusia, oleh karena itu organ pertama yang akan menerima rangsangan dari luar baik berupa sentuhan , suhu dan berbagai rangsangan lainnya ialah kulit . Penyakit kulit ialah kondisi saat lapisan luat tubuh mengalami radang atau iritasi yang disebabkan oleh jamur, bakteri, virus dan parasit. . Penyakit kulit dibedakan dengan berbagai cara tergantung dari mikroorganisme yang menginfeksi. Dengan demikian diperlukan suatu metode untuk mengenali jenis penyakit kulit dengan bantuan sistem image prosessing, dan jaringan saraf tiruan. Convolutional Neural Network adalah metode yang digunakan untuk mengidentifikasikan dalam penelitian ini. Sebelum diidentifikasi dilakukan prapengolahan citra yaitu resizing, image adjust, dan grayscalling, ektraksi ciri citra menggunakan metode Gray Level Co- occurrence Matrix (GLCM). Proses pengujian pada penelitian ini menggunakan 28 citra penyakit kulit dari 4 jenis penyakit yang berbeda dan menghasilkan sebesar 85,71% ketepatan aplikasi dalam mengidentifikasikan penyakit kulit.
Kata kunci : penyakit kulit, Image Processing, Convolutional Neural Network, Gray Level Cooccurence Matrix.
ABSTRACT
The skin is the most sensitive part of the human body, therefore the first organ that will receive external stimulation in the form of touch, temperature and various other stimuli is the skin. Skin disease is a condition when the outer lining of the body experiences inflammation or irritation caused by fungi, bacteria, viruses and parasites. . Skin diseases are distinguished in various ways depending on the infecting microorganism. Thus we need a method to recognize the type of skin disease with the help of image processing systems, and artificial neural networks.
Convolutional Neural Network is a method used to identify this research. Before the image preprocessing is identified, namely resizing, image adjusting, and grayscalling, the image feature extraction uses the Gray Level Co-occurrence Matrix (GLCM) method. The testing process in this study used 28 images of skin diseases from 4 different types of diseases and resulted in 85.71% accuracy of application in identifying skin diseases.
Keywords: Skin disease, Image Processing,Convolutional Neural Network, Gray Level Cooccurrence Matrix
Halaman
Persetujuan ii
Pernyataan iii
Ucapan Terima Kasih iv
Abstrak vi
Abstract vii
Daftar Isi ix
Daftar Tabel xi
Daftar Gambar xii
BAB I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 2
1.3 Tujuan Penelitian 2
1.4 Batasan Masalah 2
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 3
1.7 Sistematika Penulisan 4
BAB II LANDASAN TEORI
2.1 Kulit 5
2.1.1 Melanoma 5
2.1.2 Hemangioma 6
2.1.3 Psoriasis 6
2.1.4 Ringworm 7
2.2 Pengenalan Citra 7
2.2.1 Resizing 8
2.2.2 Image Adjustment 8
2.2.3 Grayscale 8
2.2.4 Ekstraksi Fitur (Gray Level Co-Occurrence Matriks) 9
2.3 Artificial Neural Network 14
2.4 Convolutional Neural Network 14
2.5 Penelitian Terdahulu 15
BAB III ANALISIS DAN PERANCANGAN
3.1 Dataset 17
3.2 Arsitektur Umum 18
3.2.1 Input 20
3.2.2 Pre-processing 20
3.2.3 Ekstraksi Fitur (Gray Level Co-Occurrence Matriks) 21
3.2.4 Convolutional Neural Network 22
3.3 Perancangan Aplikasi 23
3.3.1 Rancangan tampilan halaman utama 23 3.3.2 Rancangan tampilan data latih 24
3.3.3 Rancangan tampilan data uji 25
BAB IV IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi Aplikasi 26
4.1.1 Spesifikasi perangkat keras 26 4.1.2 Spesifikasi perangkat lunak 26 4.2 Implementasi Perancangan Antarmuka 26
4.2.1 Tampilan halaman utama 27
4.2.2 Tampilan Data Latih 28
4.2.3 Tampilan Data Uji 29
4.2.4 Implementasi data uji 29
4.2.5 Posedur Operational 32
4.3 Pengujian Sistem 35
Bab V KESIMPULAN DAN SARAN
5.1 Kesimpulan 40
5.2 Saran 40
Tabel 2.1 Statistik Ekstraksi Fitur GLCM 10
Tabel 2.2 Penelitian Terdahulu 16
Tabel 3.1 Dataset 17
Tabel 3.2 Pembagian Data Latih dari Jenis Penyakit 18 Tabel 3.3 Pembagian Data Uji dari Jenis Penyakit 18 Tabel 4.1 Hasil penilaian identifikasi penyakit kulit 39
Tabel 4.2 Persentase keberhasilan 39
DAFTAR GAMBAR
Halaman
Gambar 2.1 Penyakit Melanoma 6
Gambar 2.2 Penyakit Hemangioma 6
Gambar 2.3 Penyakit Psoriasis 7
Gambar 2.4 Penyakit Ringworm 7
Gambar 2.5 Proses Perubahan Adjustment 8
Gambar 2.6 Proses Perubahan Grayscale 9
Gambar 2.7 Contoh Matriks Kookurensi 11
Gambar 2.8 Contoh Matriks Kookurensi dan Matriks Transpose 11
Gambar 2.9 Contoh Matriks Simetris 11
Gambar 2.10 Contoh Normalisasi Matriks Simetris 12
Gambar 2.11 Convolutional Neural Network 14
Gambar 3.1 Arsitektur Umum 19
Gambar 3.2 Citra Penyakit Kulit Hemangioma 21
Gambar 3.3 Rancangan Tampilan Halaman Utama 23
Gambar 3.4 Rancangan Tampilan Data Latih 24
Gambar 3.5 Rancangan Tampilan Data Uji 25
Gambar 4.1 Tampilan Halaman Utama 27
Gambar 4.2 Tampilan Data Latih 28
Gambar 4.3 Tampilan Data Uji 29
Gambar 4.4 Penyakit kulit Hemangioma 30
Gambar 4.5 Penyakit kulit Melanoma 30
Gambar 4.6 Penyakit kulit Psoriasis 31
Gambar 4.7 Penyakit kulit Ringworm 32
Gambar 4.8 Panel input data latih 33
Gambar 4.9 Penyimpanan Citra 34
Gambar 4.10 Panel proses data latih 34
Gambar 4.11 Penyimpanan Data Uji 35
Gambar 4.12 Proses data uji 36
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Kulit Merupakan bagian paling sensitif pada tubuh manusia, karena kulit merupakan organ pertama yang akan menerima rangsangan dari luar baik berupa suhu, sentuhan dan berbagai rangsangan lainnya. Penyakit kulit ialah kondisi saat lapisan luar tubuh mengalami radang atau iritasi yang disebabkan oleh virus, bakteri, jamur, dan parasit.
Penyakit kulit pada dasarnya disebabkan kurangnya kesadaran pada kebersihan tubuh dan lingkungan sekitar. Penyakit kulit ini dapat menyerang siapa saja dengan rentang usia yang mencakup segala jenis usia , baik itu balita maupun orang dewasa dapat terjangkit penyakit ini. Penyakit kulit dibedakan dengan berbagai cara tergantung dari mikroorganisme yang menginfeksi.
Perkembangan teknologi pada sebuah citra bukanlah sesuatu yang baru, dikarenakan citra merupakan salah satu informasi yang dapat dikelola atau dipahami oleh komputer. Citra yang di kelola oleh komputer disebut juga sebagai pengolahan citra atau image processing . karena itu identifikasi penyakit kulit dengan menggunakan citra dapat dilakukan.
Penitilan oleh Suartika W, 2016 dengan judul Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101. Pada penitilian ini menghasilkan tingkat akurasi 20% - 50%. Perubahan tingkat confusion tidak mempengaruhi hasil akurasi sehingga metode ini handal terhadap perubahan parameter yang dilakukan.
Penelitian oleh Abhirawa H, 2017 dengan judul Pengenalan Wajah Menggunakan Convolutional Neural Network. Pada penelitian ini menggunakan the Extended Yale Face Database B sebagai dataset foto wajah. Dengan menggunakan proses dropout memperoleh hasil terbaik dengan tingkat akurasi pengenalan setinggi 89,73%, sedangkan memperoleh akurasi 75,79% apabila menggukan pengujian terhadap data testing.
Berdasarkan data diatas, penulis ingin memanfaatkan sistem pengolahan citra digital, dimana sistem tersebut akan berbentuk aplikasi yang akan mengidentifikasi jenis penyakit kulit berdasarkan data citra yang di input. Teknik yang digunakan adalah GLCM ( Gray level Co-Occurrence Matrix) untuk ekstraksi fitur, dan CNN ( Convolutional Neural Network) untuk identifikasi gambar.
1.2 Rumusan Masalah
Penyakit kulit terdiri dari berbagai jenis yang hampir sama secara kasat mata. Oleh karna itu diperlukan adanya pendekatan untuk membantu masyarakat awam mengidentifikasi jenis awal penyakit kulit, dengan begitu penanganan secara tepat bisa dilakukan. Serta bagaimana methode CNN mampu mengidentifikasi penyakit kulit dengan baik dan berapa akurasi dari Pengidentifikasian penyakit kulit dengan menggunakan metode CNN?
1.3 Batasan Masalah
Batasan masalah dalam penelitian ini adalah :
1. Penyakit kulit yang diidentifikasi merupakan jenis kurap(Ringworm), Psoriasis, Melanoma, dan Hemangioma.
2. Data citra yang diolah merupakan file digital dengan format .jpg 3. Resolusi citra yang diolah adalah 200x200 pixel
1.4 Tujuan Penelitian
Tujuan dilakukannya penelitian ini adalah sebagai berikut :
1. Untuk mengetahui methode CNN mampu mengidentifikasi penyakit kulit dengan baik.
2. Untuk mengetahui akurasi dalam melakukan identifikasi penyakit kulit menggunakan metode CNN.
1.5 Manfaat Penelitian
Manfaat penelitian ini, sebagai berikut:
1. Dapat mengetahui identifikasi awal dari penyakit kulit
2. Mengetahui kemampuan Convolutional Neural Network dalam melakukan identifikasi jenis penyakit kulit
3. Penelitian ini diharapkan bisa menjadi dasar bagi penelitian lain terkait klasifikasi.
1.6 Metodologi Penelitian
Tahapan yang dilakukan dalam penelitian ini adalah : 1. Studi Literatur
Pada tahap ini penulis mengumpulkan informasi dan mempelajari masalah terkait dengan identifikasi berbagai jenis dari penyakit kulit dari banyak sumber pustaka .
2. Analisis Permasalahan dan Perancangan Sistem
Pada tahap ini dilakukan analisis dan perancangan system berdasarkan hasil informasi yang dikumpulkan. Sehingga diperoleh cara dan metode yang tepat dalam penyelesaian masalah yang akan dihadapi.
3. Implementasi
Hasil analisis permasalahan dan perancangan sistem selanjutnya akan diimplementasikan ke program yang menghasilkan software berbasis dekstop.
4. Pengujian
Pada tahap ini dilakukan pengujian terhadap sistem untuk mengetahui apakah hasil identifikasi jenis penyakit kulit sesuai dengan harapan.
5. Dokumentasi dan Penyusunan Laporan
Penulis melaporkan hasil penelitian dengan bentuk laporan penelitian dan berbagai dokumentasi terhadap penelitian yang telah dikerjakan.
1.7 Sistematika Penulisan
Sistematika penulisan yang akan di sampaikan setelah uraian bab satu ialah sebagai berikut :
Bab I : Pendahuluan
Bab ini berisi latar belakang dari penelitian yang dilaksanakan, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian, dansistematika penulisan.
Bab 2 : Landasan Teori
Bab ini berisi pembahasan tentang teori-teori yang digunakan untuk memahami permasalahan dalam penelitian ini. Teori-teori tersebut berhubungan dengan grayscaling, resizing, dan ektraksi ciri CNN akan dibahas pada bab ini.
Bab 3 : Analisis Perancangan
Bab ini berisi penjelasan dari arsitektur umum, Preprocessing yang dilakukan serta analisis dan penerapan metode CNN dalam identifikasi jenis penyakit kulit
Bab 4 : Implementasi danPengujian
Bab ini berisi pembahasan tentang implementasi dan perancangan yang telah dijelaskan dalam bab3. Selain itu, hasil yang diperoleh dari pengujian terhadap implementasi yang dilakukan juga dijelaskan pada bab ini
Bab 5 : Kesimpulan dan Saran
Bab ini berisi ringkasan serta kesimpulan dari rancangan penelitian yang telah dilakukan, serta saran yang penulis ajukan untuk penelitian selanjutnya.
BAB 2
LANDASAN TEORI
2.1 Kulit
Kulit adalah organ terbesar dari tubuh yang menyelimuti seluruh permukaan tubuh manusia. Kulit merupakan bagian terluar tubuh yang melindungi dari berbagai ancaman yang datang dari luar, seperti sinar matahari, mikroorganisme yang berbahaya, terbentur, dan melindungi kontak langsung dari zat kimia yang berbahaya.
Penyakit kulit didefinisikan sebagai penyakit yang disebabkan dari berbagai macam hal, seperti jamur, bakteri, dan virus yang menyerang kekebalan tubuh yang kurang baik. Penyakit kulit di dikelompokkan menurut jenis penyakit dan tingkat infeksinya seperti penyakit kulit yang tidak berbahaya dan sangat berbahaya. Berikut ini adalah penyakit kulit yang akan diidentifikasi :
2.1.1 Melanoma
Melanoma adalah jenis dari kanker kulit yang menyerang tubuh dan berhaya serta dapat menyebar ke berbagai organ lain pada tubuh penderita. Melanoma menyerang sel pigmen kulit penghasil melamin yang disebut melanosit. Melanoma memiliki berbagai macam warna dan bentuk yang tidak beraturan, tetapi pertanda kulit terinfeksi melanoma ialah munculnya tahi lalat baru atau terjadi perubahan pada tahi lalat yang suda ada . beberapa bagian tubuh yang sering terinfeksi melanoma ialah wajah, tangan, punggung, dan kaki. Contoh fisik citra penyakit melanoma seperti gambar 2.1.
.
Gambar 2.1.: Penyakit Melanoma(sumber : www.dermnet.com)
2.1.2 Hemangioma
Hemangioma adalah penyakit yang berbentuk seperti benjolan merah dikulit yang terjadi akibat pembuluh darah berlebih atau pembuluh darah tidak normal. Penyakit ini tergolong jenis tumor pembuluh darah. Hemangiomabisa muncul pada kulit bagian dalam dan membuat kulit terlihat biru atau ungu. Contoh fisik citra penyakit Hemangioma seperti gambar 2.2.
Gambar 2.2 : Penyakit Hemangioma(sumber : www.dermnet.com)
2.1.3 Psoriasis
Psoriaris adalah penyakit yang belum diketahui penyebabnya secara pasti, namun dugaan utama penyebabnya adalah gangguan pada kekebalan tubuh dan faktor keturunan. Ciri dari psoriaris adalah pembengkakan pada kulit yang di tandai dengan ruam merah, kulit kering, tebal, bersisik, dan mudah terkelupas yang disertai dengan gatal dan nyeri. Penyakit ini adalah jenis penyakit yang tidak menular sehingga aman jika terkena kontak langsung dengan penderita . Contoh fisik citra penyakit Psoriasis seperti gambar 2.3.
Gambar 2.3 : Penyakit Psoriasis (sumber : www.dermnet.com)
2.1.4 Ringworm
Ringworm adalah penyakit kulit yang disebabkan oleh jamur yang menimbulkan ruam melingkar berwarna merah. Penyakit ini adalah jenis penyakit yang menular sehinga akan berbahaya jika terkena kontak langsung dengan penderita ataupun kontak tidak langsung dengan benda yang digunakan yang telah terkontaminasi. Ciri dari Ringworm ditandai dengan munculnya ruam bersisik berwarna merah yang melingkar menyerupai cincin. Contoh fisik citra penyakit Ringworm seperti gambar 2.4.
Gambar 2.4 : Penyakit Ringworm(sumber : www.dermnet.com)
2.2 Pengolahan Citra
Pengolahan citra dapat juga dikatakan sebagai image processing dimana mempunyai fungsi sebagai perbaikan citra dari unsur gangguan seperti kurangnya pencahayaan, terjadinya titik hitam, dan sebagainya. Fungsi utama pada pengolahan citra merupakan proses yang dilakukan untuk memperkenalkan citra ke komputer dan mendapatkan citra dengan kualitas tinggi. Pengolahan citra didapatkan dari proses yang
menggunakan citra digital. Citra digital adalah bilangan yang kompleks dimana terdapat bit-bit tertentu di dalamnya. Pada proses penelitian yang akan dilakukan pengolahan citra terhadap sebuah citra digital dengan objek sebagai citra pada penyakit kulit sebagai berikut:
Resizing merupakan proses untuk melakukan pengecilan ataupun pembesaran citra.
Proses pertama yang akan dilakukan berupa mengukur pixel yang ada pada citra dan akan dibuat citra baru sesuai dengan ukuran yang diinginkan setelah melalui tahap smoothing dan interpolasi.
2.2.2 Image Adjustment
Image Adjustment merupakan proses untuk memperbaiki kontras yang ada pada citra awal menjadi lebih cerah. Proses yang dilakukan untuk memperbaiki kontras yang ada pada citra berupa mencari nilai intensitas cahaya yang gelap pada citra untuk dibuat menjadi terang. Berikut adalah contoh citra yang akan dilakukan proses adjustment:
Gambar 2.5 Proses Perubahan Adjustment
2.2.3 Grayscale
Grayscale merupakan proses perubahan citra menjadi hitam dan putih atau dapat dikatakan sebagai keauban. Pada piksel citra grayscale dapat direpresentasikan oleh 8 bit. Perubahan citra berwarna menjadi citra keabuan dapat menggunakan persamaan sebagai berikut:
𝐺 = 𝑅 + 𝐺 + 𝐵 3
Pada persamaan diatas digunakan untuk setiap piksel yang berada pada citra berwarna, sehingga citra berwarna yang berawal mempunyai 3 layer dirubah menjadi 1 layer
Gambar 2.6 Proses Perubahan Grayscale
2.2.4 Ekstraksi Fitur (Gray Level Co-Occurrence Matriks)
Ekstraksi fitur yang digunakan pada penelitian ini berupa gray level co-occurrence matriks (GLCM). Ekstraksi fitur adalah bagian terpenting dalam pengolahan citra.
Fitur yang didapat merupakan karateristik atau ciri unik dari suatu objek (Sutoyo, 2009).
Gray level co-occurrence matriks (GLCM) di kembangkan pertama kali oleh Haralick pada tahun 1973 dan mempunyai 28 fitur dalam menjelaskan pola spasial (Kadir & Susanto, 2013). Dengan melakukan analisis citra berdasarkan intensitas pikselnya, metode ini dapat dimanfaatkan dalam ekstraksi fitur tekstur (Pullaperuma
& Dharmaratne, 2013). Ekstraksi fitur ini dalam pencarian karateristiknya berbasis statistikal, dimana orde kedua merupakan pencarian karateristik tekstur. Dalam pencarian nilai ciri sebuah citra menggunakan orde kedua maka akan dilakukan dengan matriks kookurensi. Matriks kookurensi merupakan matriks antara yang akan menampilkan hubungan ketetanggaan (kedekatan) antar piksel dalam citra pada segala arah. Arah pada ekstraksi fitur ini berdasarkan sudut yang dibentuk dari nilai piksel citra, 00, 450, 900, 1350. Matriks kookurensi didapatkan dari kesamaan pada piksel yang bedekatan pada orientasi sudut dan jarang spasial tertentu. Matriks kookurensi dapat dikatakan dengan ukuran M x M dengan M adalah jumlah keabuan pada citra.
Setelah mendapatkan matriks kookurensi maka akan mencari matriks simetris dengan cara menambahkan matriks kookurensi dengan matriks transposenya. Matriks simetris akan dinormalisasi untuk dapat mempermudah dalam melakukan pencarian nilai ciri pada sebuah citra. Statistik yang akan digunakan pada penelitian ini terdiri dari entropy, energy, correlation, dan contrast. Penjelasan statistik yang akan
(GLCM) sebagai berikut:
Tabel 2.1 Statistik Ekstraksi Fitur GLCM
No Statistik Keterangan
1 Entropy Pemberian kode padasimbol dengan menggunakan skema pengkodean
2 Energy Menyediakan elemen kuadrat pada matriks GLCM 3 Correlation Mengukur kemungkinan yang ada pada gabungan dari
pasangan piksel yang telah ditentukan 4 Contrast Mengukur variasi lokal di dalam matriks GLCM
Sebelum mencari nilai ciri menggunakan entropy, energy, correlation, dan contrast, citra masih berbentuk matriks simetris. Sehingga perlu dilakukan normalisasi yang berfungsi untuk dapat dilakukannya pencarian nilai ciri pada GLCM. Berikut persamaan normalisasi matriks simetris:
𝑝(𝑖, 𝑗) = 𝑃𝑑(𝑖, 𝑗)
∑𝑁−1𝑖,𝑗 𝑃𝑑(𝑖, 𝑗)
Secara sistematis, persamaan atau rumus ke empat statistik dapat diperoleh sebagai berikut:
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = ∑ ∑{𝑃(𝑖, 𝑗) log 𝑃(𝑖, 𝑗)}
𝐺−1
𝑗=0 𝐺−1
𝑖=0
𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑{𝑃(𝑖, 𝑗}2
𝐺−1
𝑗=0 𝐺−1
𝑖=0
𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ ∑(𝑖 − 𝜇𝑥)𝑥 (𝑗 − 𝜇𝑦)
√𝜎𝑥2 𝑥 𝜎𝑦2 𝑝(𝑖, 𝑗)
𝐺−1
𝑗=0 𝐺−1
𝑖=0
Dengan menggunakan persamaan di atas, untuk mendapatkan nilai ciri gray level co- occurrence matriks dengan sudut 00 dari sebuah citra contoh kookurensi dengan ukuran 4 x 4 piksel, dapat dilihat sebagai berikut:
[
1 0 0 1
1 1 0 1
1 1 1 0
1 0 1 0
]
Gambar 2.7 Contoh Matriks Kookurensi
Langkah berikutnya mencari nilai matriks simteris, dimana matriks kookurensi di tambah dengan matriks transposenya. Dengan cara sebagai berikut:
[
1 0 0 1
1 1 0 1
1 1 1 0
1 0 1 0
] + [
1 1 1 1
0 1 1 0
0 0 1 1
1 1 0 0
]
Gambar 2.8 (Kiri) Contoh Matriks Kookurensi, (Kanan) Matriks Transpose
Sehingga mendapatkan matriks simetris
[
2 1 1 2
1 2 1 1
1 1 2 1
2 1 1 0
]
Gambar 2.9 Contoh Matriks Simetris
Langkah setelah mendapatkan nilai matriks simetris, adalah dengan menormalisasi untuk mendapatkan sebuah nilai dimana akan digunakan dalam persamaan.
Normalisasi simetris dapat dihitung dengan menggunakan persamaan diatas. Berikut adalah contoh normalisasi matriks simetris:
[0,05 0,1 0,05 0,05 0,05 0,05 0,1 0,05 0,1 0,05 0,05 0
]
Gambar 2.10 Contoh Normalisasi Matriks Simetris
Setelah mendapatkan nilai normalisasi matriks simetris, maka langkah selanjutnya berupa mencari nilai ciri statistik orde kedua yang digunakan berupa entropy, energy, correlation, dan contrast. Keempat nilai ciri akan menggunakan persamaan diatas.
Berikut adalah contoh perhitungan dalam pencarian nilai ciri menggunakan gray level co-occurrence:
Entropy = 0,1 (log 0,1) + 0,05 (log 0,05) + 0,05 (log 0,05) + 0,1 (log 0,1) + 0,05 (log 0,05) + 0,01 (log 0,1) + 0,05 (log 0,05) + 0,05 (log 0,05) + 0,05 (log 0,05) + 0,05 (log 0,05) + 0,1 (log 0,1) + 0,05 (log 0,05) + 0,1 (log 0,1) + 0,05 (log 0,05) + 0,05 (log 0,05) + 0
=-1,15051
Energy = (0,1)2 + (0,05)2 + (0,05)2 + (0,1)2 + (0,05)2 + (0,1)2 + (0,05)2 + (0,05)2 + (0,05)2 + (0,05)2 + (0,1)2 + (0,05)2 + (0,1)2 + (0,05)2 + (0,05)2 + 0
= 0,075
Contrast = |0 - 0|2 (0,1) + |0 - 1|2 (0,05) + |0 - 2|2 (0,05) + |0 - 3|2 (0,1) + |1- 0|2 (0,05) + |1 - 1|2 (0,1) + |1- 2|2 (0,05) + |1- 3|2 (0,05) + |2 - 0|2 (0,05) + |2 - 1|2 (0,05) + |2 - 2|2 (0,1) + |2 - 3|2 (0,05) + |3 - 0|2 (0,1) + |3 - 1|2 (0,05) + |3 - 2|2 (0,05) + 0
= 2,9
Dalam menghitung niai correlation, akan diperlukan nilai mean dan nilai variance pada perhitungan nilai mean dapat disimbolkan menjadi μx dan μy dan nilai variance disimbolkan menjadi σx2 dan σy2. Dalam contoh normalisasi matriks simetris sumbu x dan y memiliki persamaan sehingga pada perhitungan ini hanya mencari nilai μx dan σx2. Dapat dilihat sebagai berikut:
(3 x 0,1) + (3 x 0,05) + (3 x 0,05) + 0
= 0 + 0 + 0 + 0 + 0,05 + 0,1 + 0,05 + 0,05 + 0,1 + 0,1 + 0,2 + 0,1 + 0,3 + 0,15 + 0,15 + 0
= 1,35
σx2 = ((0 - 1,35)2 x 0,1) + ((0 - 1,35)2 x 0,05) + ((0 - 1,35)2 x 0,05) + ((0 - 1,35)2 x 0,1) + ((1 - 1,35)2 x 0,05) + ((1 - 1,35)2 x 0,1) + ((1 - 1,35)2 x 0,05) + ((1 - 1,35)2 x 0,05) + ((2 - 1,35)2 x 0,05) + ((2 - 1,35)2 x 0,05) + ((2 - 1,35)2 x 0,1) + ((2 - 1,35)2 x 0,05) + ((3 - 1,35)2 x 0,1) + ((3 - 1,35)2 x 0,05) + ((3 - 1,35)2 x 0,05) + 0 = 1,22
Maka akan dilakukan pencarian correlation sebagai berikut:
Correlation = (0−1,35)𝑥(0−1,35)
√1,22 𝑥 1,22 (0,1) + (0−1,35)𝑥(1−1,35)
√1,22 𝑥 1,22 (0,05) + (0−1,35)𝑥(2−1,35)
√1,22 𝑥 1,22 (0,05) + (0−1,35)𝑥(3−1,35)
√1,22 𝑥 1,22 (0,1) + (1−1,35)𝑥(0−1,35)
√1,22 𝑥 1,22 (0,05) + (1−1,35)𝑥(1−1,35)
√1,22 𝑥 1,22 (0,1) + (1−1,35)𝑥(2−1,35)
√1,22 𝑥 1,22 (0,05) + (1−1,35)𝑥(3−1,35)
√1,22 𝑥 1,22 (0,05) + (2−1,35)𝑥(0−1,35)
√1,22 𝑥 1,22 (0,05) + (2−1,35)𝑥(1−1,35)
√1,22 𝑥 1,22 (0,05) + (2−1,35)𝑥(2−1,35)
√1,22 𝑥 1,22 (0,1) + (2−1,35)𝑥(3−1,35)
√1,22 𝑥 1,22 (0,05) + (3−1,35)𝑥(0−1,35)
√1,22 𝑥 1,22 (0,1) + (3−1,35)𝑥(1−1,35)
√1,22 𝑥 1,22 (0,05) + (3−1,35)𝑥(2−1,35)
√1,22 𝑥 1,22 (0,05) + 0
= -0,18238
Artificial neural network adalah pemodelan berdasarkan sistem kerja otak manusia yang didalamnya akan melakukan sebuah proses informasi. Sistem kerja otak manusia berasal dari set sel syaraf yang saling terhubung untuk menjadi dasar pemrosesan sebuah informasi. Artificial neural network atau disingkat ANN difungsikan untuk meniru cara kerja otak dengan menggunakan beberapa neuron untuk saling berhubungan. Neuron yang saling terhubung yang membawa nilai informasi akan meneruskan sinyal dari satu neuron ke neuron lain. Pada dasarnya ANN mempunyai 3 layer berupa input layer, hidden layer, dan output layer yang terdiri dari titik-titik.
Pada dasarnya artificial neural network dimulai dengan menerima neuron sinyal masukan (input), lalu menghitung fungsi aktifasinya, dan akan mengirimnya menjadi sinyal keluaran (output). Sinyal yang menjadi keluaran akan menjadi hasil akhir.
2.4 Convolutional Neural Network
Convolutional neural networks menggunakan informasi spasical pada pixel gambar atau citra, dimana nilai yang akan didapat ialah berupa dickrete convolution. CNN merupakan pengembangan dari Artifical Neural Network (ANN), untuk pengolahan data dua dimensi. CNN dengan menggunakan multilayer perceptron (MLP) yang bertujuan dalam penggunaan dua hidden layer dapat digambarkan sebagai berikut.
dalambentuk satu dimensi . Pada CNN pengolahan data linear menggunakan operasi konvolusi, sedangkan tidak menggunakan bobot satu dimensi.
Karena sifat konvolusi data yang dapat digunakan CNN hanya data dua dimensi seperti citra dan suara.
2.5 Penelitian Terdahulu
Penitilan oleh Suartika W, 2016 dengan judul Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101. Pada penitilian ini menghasilkan tingkat akurasi 20% - 50%. Perubahan tingkat confulusion tidak mempengaruhi hasil akurasi sehingga metode ini efektif terhadap perubahan parameter yang dilakukan.
Penelitian oleh Abhirawa H, 2017 dengan judul Pengenalan Wajah Menggunakan Convolutional Neural Network. Pada penelitian ini menggunakan the Extended Yale Face Database B sebagai dataset foto wajah. Dengan menggunakan proses dropout mendapatkan hasil terbaik dengan tingkat akurasi pengenalan setinggi 89,73%, sedangkan memperoleh akurasi 75,79% apabila menggukan pengujian terhadap data testing.
Penelitian oleh Wilantikasari, Y , 2019. Dengan judul Klasifikasi Penyakit Kulit Kucing menggunakan Metode Support Vector Machine. Pada penelitian ini menggunakan lima kelas yaitu kelas scabies, cat flea, abses, dermatitis, dan jamur.
Kinerja SVM ini memperoleh akurasi sebesar rata – rata 98.745% menggunakan nilai parameter pada sequential training SVM dengan nilai y = 0.01 C = 10 = 0.01 iterasi
= 100 dan rasio data 90%:10%.
Penelitian oleh Putri DD, dkk. 2010. Dengan judul Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary Decision Tree Support Vector Machine (BDTSVM) (Studi Kasus: Puskesmas Dinoyo Kota Malang) . Penelitian ini bertujuan untuk menentukan klasifikasi penyakit kulit pada manusia menggunakan metode Binary Decision Tree Support Vector Machine (BDTSVM). Berdasarkan hasil pengujian didapatkan nilai akurasi terbaik sebesar 97,14% dengan pengujian parameter SVM yaitu nilai λ (lambda) = 0,5, C (complexity) = 1, konstanta 𝛾 (gamma)
= 0,01, dan itermax = 10.
Tabel 2.2 Penelitian Terdahulu
NO JUDUL NAMA TAHUN METODE
1 Klasifikasi Citra Menggunakan Convolutional Neural
Network (Cnn) pada Caltech 101
Wayan Suartika
2016 Convolutional Neural Network (CNN)
2 Pengenalan Wajah Menggunakan Convolutional Neural
Network
Abhirawa 2017 Convolutional Neural Network (CNN)
3 Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode
Binary Decision Tree Support Vector Machine (BDTSVM) (Studi Kasus:
Puskesmas Dinoyo Kota Malang)
Putri DD, dkk.
2010 Binary Decision Tree Support Vector Machine (BDTSVM)
4 Klasifikasi Penyakit Kulit Kucing menggunakan Metode Support Vector
Machine
Wilantikasari, Y
2019 Support Vector Machine (SVM)
ANALISIS DAN PERANCANGAN
Bab ini membahas tentang penggunaan data yang akan digunakan dan cara yang digunakan untuk melakukan identifikasi penyakit kulit. Pembahasan pada bab ini ialah tentang perancangan dan analisis pada aplikasi yang akan di bangun. Pada tahap analisis akan dibahas terhadap data yang akan digunakan untuk dapat dilakukan proses dan analisis dengan metode yang akan digunakan setiap langkahnya. Untuk tahap perancangan akan membahas tentang perancangan antarmuka aplikasi (interface).
3.1 Dataset
Data yang akan digunakan dalam penelitian ini berupa citra yang diambil dari dermnet.com dan ISIC-archive.com. Data merupakan citra penyakit kulit yang berbeda berupa melanoma, Hemangioma, psoriasis, dan ringworm. Dataset yang digunakan berjumlah 129 dengan ukuran citra 200 x 200 piksel, dimana dapat dilihat pembagian cira data latih dan data uji sebagai berikut:
Tabel 3.1 Dataset
No Dataset Jumlah Data
1 Data uji 28
2 Data latih 101
Pada tabel 3.1 merupakan dataset dari keseluruhan citra yang dibagi menjadi dua, berupa data latih yang berfungsi untuk memperoleh pengetahuan tentang jenis penyakit kulit seperti melanoma, Hemangioma, psoriasis, dan ringworm pada aplikasi, dan data uji yang mempunyai fungsi untuk menguji tingkat akurasi pada aplikasi yang akan dibangun. Untuk citra data lati h dan data uji dibagi sesuai dengan jenis penyakit kulit, dan dapat dilihat sebagai berikut:
No Nama Penyakit Jumlah Data
1 Melanoma 26
2 3 4
Hemangioma Psioriasis Ringworm
25 25 25
Tabel 3.3 Pembagian Data Uji dari Jenis Penyakit
No Nama Penyakit Jumlah Data
1 Melanoma 7
2 3 4
Hemangioma Psioriasis Ringworm
7 7 7
3.2 Arsitektur Umum
Untuk membangun rangka sebuah aplikasi yang dapat mengidentifikasi penyakit kulit, maka penelitian ini melakukan pendekatan 3 proses. Proses yang akan dilakukan meliputi pre-procesing, ekstraksi fitur, dan identifikasi menggunakan convolutional neural network yang akan ditunjukkan pada gambar 3.1
Tahapan yang harus dilakukan pada langkah pertama adalah pre-processing dimana citra akan disesuaikan dengan ukuran yang sudah ditetapkan (resizing).
Setelah itu akan dilakukan pencerahan itensitas cahaya pada citra untuk memperjelas warna citra, kemudian akan dilakukan perubahan citra berwarna menjadi keabuan (grayscale). Selanjutnya mendapatkan nilai ciri dengan menggunakan gray level co- occurrence matriks, dan terakhir melakukan identifikasi menggunakan convolutional neural network. Setelah setiap langkah - langkah dilakukan maka akan memperoleh hasil dari identifikasi penyakit kulit. Setiap langkah - langkah yang dilakukan akan dijelaskan secara terperinci sebagai berikut:
Data Latih
Data Uji
Gambar 3.1 Arsitektur Umum Grayscale
Gray Level Co-Occurrence Matriks (GLCM) Ekstraksi Fitur
Entropy Energy Correlation Contrast
Database
Identifikasi Coonvolutioal Neural
Network
Output Pre-Processing
Resizing Adjusment
Grayscale
Input yang dilakukan berupa gambar atau citra yang berasal dari dataset, yaitu citra penyakit kulit dengan jenis melanoma, Hemangioma, psioriasis, dan ringworm. Citra yang akan diproses memiliki file jpg.
3.2.2 Pre-processing
Tahap pre-processing ialah tahap yang yang dilakukan untuk mendapatkan informasi yang terkandung pada citra tersebut . Pada penelitian ini poses yang terjadi pada pre- processing adalah resizing, image adjustment, dan grayscale.
1. Resizing
Resizing dilakukann untuk merubah ukuran citra yang telah dimasukkan secara bersama di data latih, maupun di data uji yang secara manual menjadi 200 x 200 piksel. Dimana mempunyai fungsi untuk mempermudah dalam melakukan proses selanjutnya, dan juga mempercepat waktu dalam proses data latih.
2. Image Adjustment
Image Adjustment dilakukan untuk mencerahkan citra yang dimana, pada bagian citra jika terdapat noise atau kerusakan seperti warna kurang cerah.
Sedangkan pada posisi citra tersebut diperlukan informasi yang dibutuhkan untuk mendapatkan ciri karateristiknya.
3. Grayscale
Grayscale dilakukan untuk merubah citra menjadi keabuan, dimana citra keabuan akan diperlukan untuk proses ekstraksi ciri yang akan dilakukan pada penelitian ini.
matriks, dimana akan menggunakan 4 nilai untuk menentukan ciri pada citra penyakit kulit. Sudut yang diambil pada penelitian ini berupa jarak spasial 1 dan sudut 00, jarak spasial 1 dengan sudut 450, jarak spasial 1 dengan sudut 900, dan jarak spasial 1 dengan sudut 1350. Ekstraksi ciri dengan metode GLCM akan mencari nilai ciri berupa entropy, energy, correlation, dan contrast.
Gambar 3.2 Citra Penyakit Kulit Hemangioma
Pada gambar diatas akan dicari nilai ciri berupa entropy, energy, correlation, dan contrast. dengan langkah - langkah sebagai berikut:
1. Menentukan citra graylevel sebagai ukuran matriks berupa 8 bit.
2. Menentukan jarak spasial dan sudut antar piksel refrensi dengan piksel berdekatan. Sudut orientasi yang akan ditampilkan pada gambar 3.2 berupa 00 dan 450.
3. Hitung nilai matriks kookurensi berdasarkan sudut yang ditentukan.
4. Jumlahkan matriks koekurensi dengan matriks transpose untuk mendapatkan matriks simetris.
5. Normalisasi matriks simetris agar dapat digunakan untuk mencari nilai ciri yang di inginkan.
6. DIbutuhkan nilai entrpy, energy, corelation, dan contrast untuk mendapakan nilai ciri dari citra.
00 = 7,18311977816083 450 = 7,38799006381353
Energy
00 = 0,00164356723207996 450 = 0,00132674131968735
Correlation
00 = 499110223,483248 450 = 499701301,526814
Contrast
00 = 33,1893753770936 450 = 52,5957054866453
3.2.4 Convolutional Neural Network
Convolutional neural networks menggunakan informasi spasical pada pixel gambar atau citra, dimana nilai yang akan dihasilkan berupa dickrete convolution. CNN merupakan pengembangan dari Artifical Neural Network(ANN), untuk pengolahan data dua dimensi. CNN dengan menggunakan multilayer perceptron (MLP) yang bertujuan dalam penggunaan dua hidden layer.
Pengolahan gambar menggunakan CNN yang dilakukan dengan sebagai berikut:
Mendapatkan nilai grayscale dengan fungsi sebagai berikut.
I : {1,...,n1}x{1,...,n2} W𝐶 R, (i,j) Ii,j
Variabel I pada gambar berupa nilai array dengan ukuran n1 x 𝑛217. Dimana nantinya akan diberi filter K ∑ R 𝐾 ∈ℝ2ℎ1+1×2ℎ2+1, berlainan dengan gambar I dengan filter K yang di berikan
.
(𝑰 ∗ 𝑲) ≔ ∑𝒉𝟏 ∑𝒉𝟐 K I
K( … 𝑲𝟎,𝟎 … 𝑲𝒉𝟏,𝒉𝟐 … 𝑲𝒉𝟏,𝒉𝟐
).
Gambar operasi ini menuju gambar perlu didefenisikan dengan benar. Filter yang biasa digunakan untuk menghaluskan adalah filter Gaussian 𝐾𝐺(𝜎)[𝐹𝑃02] dimana
(𝐾𝐺(𝜎))
𝑟,𝑠 = 1
√2𝜋𝜎2𝑒𝑥𝑝 (𝑟2+ 𝑠2 2𝜎2 )
Layar l adalah convolution layer, kemudian input dari layar l meliputi m1(1-1)peta fitur dari layer sebelumnya , dimana masing-masing ukuran m2(1-1)x m3(1-1) dimana l=1.
Disini CNN akan menerima raw image sebagai input. Output dari layer l terdiri dari m1(1) peta fitur dari ukuran m2(1) x m3(1), dirumuskan sebagai
𝑌𝑖(𝑙)= 𝐵𝑖(𝑙)+ ∑𝑗=1𝑚1(𝑙−1)𝐾𝑖,𝑗(𝑙)∗ 𝑌𝑗(𝑙−1)
3.3 Perancangan Aplikasi
3.3.1 Rancangan tampilan halaman utama
Gambar 3.3 Rancangan Tampilan Halaman Utama
3.3.2 Rancangan tampilan data latih
Pada rancangan tampilan data latih dapat dilihat sebagai berikut:
Gambar 3.4 Rancangan Tampilan Data Latih
Pada gambar di atas terdapat nomor yang akan dijelaskan sebagai berikut:
Nomor 1, 2, 3, dan 4 merupakan proses penginputan data citra pada pengolahan data latih, dimana data yang akan di masukkan berupa jenis penyakit kulit. Setelah memasukkan data citra melalui button 1, maka akan menampilkan jumlah citra yang dimasukkan melalui "Jumlah 1" seperti itu juga dengan button 2,3, dan 4. Button 5 difungsikan untuk menjumlahkan keseluruhan data yang dimasukkan dan menampilkannya pada textbox total. Button 6 akan melakukan esktraksi ciri. Button 7
3.3.3 Rancangan tampilan data uji
Pada rancangan tampilan data uji dapat dilihat sebagai berikut:
Gambar 3.5 Rancangan Tampilan Data Uji
Pada gambar di atas terdapat nomor yang akan dijelaskan sebagai berikut:
Nomor 1 merupakan proses pemasukkan citra sehingga akan menampilkan citra asli pada box nomor 5, setelah itu akan dilakukan image adjustment melalui button 2 dan akan ditampilkan melalui box nomor 7. Nomot 3 berfungsi untuk melakukan grayscale dan juga melakukan ekstraksi ciri, dimana hasil citra grayscale akan ditampilkan pada box nomor 6 dan hasil ekstraksi ciri akan ditampilkan pada text box 9, berupa entropy, energy, corellation, dan contrast dengan sudut 00 dan 450. Setelah melewati langkah tersebut maka akan dilakukan identifikasi menggunakan button nomor 4, dimana hasil dari idenifikasi akan ditampilkan pada textbox nomor 8.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan membahas tentang output atau hasil yang didapatkan dari implementasi menggunakan convolution neural network untuk melakukan identifikasi jenis penyakit kulit, melalui data pelatihan dan data pengujian dengan analisis dan perancangan pada bab sebelumnya.
4.1 Implementasi Aplikasi
Berdasarkan analisis dan perancangan yang telah dibuat, maka apikasi akan dibuat menggunakan bahasa pemrograman c sharp (c#). Berikut adalah spesifikasi perangkat keras dan perangkat lunak:
4.1.1 Spesifikasi perangkat keras
Spesifikasi perangkat keras yang digunakan untuk membuat aplikasi, berupa:
1. Processor Intel(R) Core(TM) i7-4700MQ CPU @ 2.40 GHz 2. Memory (RAM) 8 Gb
3. Penyimpanan harddisk 1TB
4.1.2 Spesifikasi perangkat lunak 1. Visual Studio 2015
2. Windows 7 64-bit operating system 3. Net Framework 4.6.1
4.2 Implementasi Perancangan Interface ( Antarmuka)
Penerapan perancangan interface aplikasi yang telah dibuat dapat dilihat sebagai berikut:
4.2.1 Tampilan halaman utama
Tampilan halaman utama pada aplikasi ini akan muncul saat aplikasi pertama kali di jalankan. Tampilan halaman utama bisa dilihat pada gambar 4.1, dimana pada halamat ini terdapat judul penelitian, nama, logo, nama jurusan, dan sebagainya.
Gambar 4.1 Tampilan Halaman Utama
4.2.2 Tampilan Data Latih
Pada tampilan data latih dapat dilihat sebagai berikut:
Gambar 4.2 Tampilan Data Latih
4.2.3 Tampilan Data Uji
Pada data uji dapat dilihat sebagai berikut:
Gambar 4.3 Tampilan Data Uji
4.2.4 Implementasi data uji
Pada tahap ini akan dilakukan pengujian terhadap fungsi-fungsi yang terdapat pada sistem, dimana fungsi-fungsi yang berjalan apakan sesuai dengan yang dibutuhkan
kulit dengan 4 jenis penyakit yang terdiri dari hemangioma, ringworm, psioriasis, dan melanoma. Citra yang akan diproses ada memiliki ukuran pengujian adalah 300x300 pixel. Data yang digunakan dapat dilihat pada gambar dibawah ini .
Gambar 4.4 Penyakit kulit Hemangioma
Gambar 4.5 Penyakit kulit Melanoma
Gambar 4.6 Penyakit kulit Psoriasis
Gamba 4.7 Penyakit kulit Ringworm
4.2.5 Posedur Operational
Pada tampilan awal aplikasi ialah terdapat dua halaman utama home dan main program, yang ditunjukkan pada gambar 4.1, setelah itu tekan main program dan lakukan data latih dengan input data latih sesuai dengan penyakit kulit yang sesuai denga cara menekan tombol yang terdapat di panel data latih (gambar 4.2).
Gambar 4.8 Panel input data latih
Untuk melakukan proses pengambilan data latih tekan tombol pada panel penyakit Hemangioma data pada gambar 4.8 . Selanjutnya muncul tempat penyimpanan data seperti gambar 4.4. Selanjutnya akan muncul direktori dimana citra uji disimpan seperti gambar 4.9.
Gambar 4.9 Penyimpanan Citra
Setelah seluruh data lagi di input, kemudian data tersebut di proses dengan cara menekan tombol proses, ekstraksi ciri, inisialisasi, dan traning (gambar 4.10). Semua tombol tersebut mewakili proses yang dilalui oleh citra.
aplikasi dengan cara memasukkan data uji kedalam aplikasi dengan menekan tombol pilih data test dan lakukan input citra pada direktori dimana data uji disimpan (gambar 4.11)
Gambar 4.11 Penyimpanan data uji
Data uji yang telah di input akan di proses dengan melakukan proses preprocessing.
Proses yang terjadi saat preprocessing adalah resizing, image adjust dan grayscaling.
Citra diubah ukurannya dahulu kemudian dicerahkan dengan menghilangkan noise dan mencerahkan warna , setelah itu citra akan diubah menjadi citra keabu-abuan dengan menekan tiap tombol pada panel data testing. Hasil proses tersebut akan ditampilkan diaplikasi seperti pada gambar 4.12.
Gambar 4.12 Proses data uji
Selanjutnya hasil dari data citra yang diuji akan ditampilkan pada colom Hasil Identifikasi yang terdapat pada program.
4.3 Pengujian Sistem
Pada pengujian sistem dilakukan pengujian pada 20 data uji dan di ambil 5 data dari tiap penyakit. Pengujian dijelaskan dalambentuk tabel bahan komparasi antara hasil yang sesuai target. Pengujial tersebut dapat dilihat pada tabel 4.1
No Citra Asli Image
Adjust Grayscaling GLCM Target Hasil
1
Contrast : 74,3456631149667
Hemangioma Hemangioma
Correlation :
2
Contrast : 40,9695381316643
Hemangioma Hemangioma
Correlation : 366423035,857425
Entropy : 7,33703809297245
Energy : 40,9695381316643
3
Contrast :
30,3353616133519
Hemangioma Hemangioma
Correlation : 0.98746992435625
Entropy :
5,22534468574691 Energy :
0,01312757835368
4
Contrast : 3,063670337622
Melanoma Melanoma
Correlation : 97436441,2318968
Entropy : 0.36354157938672
Energy : 0.46854715995139
5
Contrast : 1,06378028242
Melanoma Melanoma
Correlation : 129974633,42602
Entropy : 4,73233611839274
Energy : 0,01967262314367
6
Contrast : 2,18640994336835
Melanoma Melanoma
Correlation : 84901707,7389202
Entropy : 4,45610334989107
Energy : 0,02622584676032
7
78,416832942097
Psoriasis Psoriasis
Correlation : 420602211,270747
Entropy : 7,60842601167907
Energy : 0,00086538751153
8
Contrast :
43,0117612161661
Psoriasis Psoriasis
Correlation : 1 413132464565389
Entropy : 739596636534046
Energy :
0,00102649563592
9
Contrast : 43,0117612312214
Psoriasis Psoriasis
Correlation : 0.91543144468046
Entropy : 0.42658578955263
Energy : 0.42271887163858
10
Contrast : 35,5900422050329
Ringworm Ringworm
Correlation : 433722245,679984
Entropy : 7,81200401490577
Energy : 0,00059548427878
11
Contrast :
50,8929893760107
Ringworm Ringworm
Correlation : 1375853024,13181
Entropy : 8,19325387012887
Energy : 0,00043180524415
Contrast :
Tabel 4.1 Hasil penilaian identifikasi penyakit kulit
Dari hasil pengujian data set , maka didapatkan persentase akurasi dari pengujian tersebut dengan persamaan
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟
𝑇𝑜𝑡𝑎𝑙 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑥 100
maka persentase akurasi keberhasilan target yang berhasil di identifikasi dapat dilihat pada tabel 4.2
No Jenis penyakit Target benar Akurasi (%)
1 Hemangioma 6 85,71
2 Melanoma 6 85,71
3 Psoriasis 7 100
4 Ringworm 5 71,42
Tabel 4.2 Persentase keberhasilan Berdasarkan tabel 4.2 maka akurasi keseluruhan ialah
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 6 + 6 + 7 + 5
28 𝑥 100 = 85,71%
Dari perhitungan tersebut maka dapat diketahui tingkat akurasi Convolutional Neural Network (CNN) dan Gray-Level Co-Occurrence Matrix (GLCM) dalam mengidentifikasi penyakit kulit Hemangioma 85,71%, Melanoma 85,71%, Psoriasis 100%, dan Ringworm 71,42%, dan tingkat akurasi keseluruhan ialan 85,71%.
Energy : 0,00054669022554
BAB 5
KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan dari metode yang digunakan untuk mengidentifikasi penyakit kulit serta saran yang diperlukan untuk pengembangan penelitian berikutnya.
5.1 Kesimpulan
Kesimpulan yang dapat diambil berdasarkan penelitian terhadap identifikasi jenis penyakit kulit menggunakan CNN adalah sebagai berikut:
1. Penggunaan Image processing dengan metode Convolutional Neural Network dapat mengidentifikasi Penyakit kulit dengan tingkat akurasi mencapai 85,71 %.
2. Berdasarkan penelitian yang dilakukan, parameter yang digunakan dalam pengujian yaitu citra penyakit kulit sebanyak 28 citra untuk pengujian dan 101 citra untuk pelatihan dan masing-masing terdiri dari 4 jenis penyakit.
5.2 Saran
Adapun saran yang diberikan oleh penulis untuk penelitian selanjutnya adalah sebagai berikut:
1. Gunakan image yang lebih baik untuk dataset yang akan digunakan agar mempermudah proses Preprocessing.
2. Gunakan lebih banyak data pelatihan sehingga saat diuji mampu memberikan hasil akurasi yang lebih tinggi.
3. Menggunakan kombinasi dari beberapa algoritma eksraksi fitur maupun algoritma neural network untuk meningkatkan akurasi dan ketepatan dalam mengidentifikasi penyakit kulit.
4. Penambahan fitur dari beberapa penyakit kulit lain seperti Eksem,
A.Karpathy, ''CS231n Convolutional Neural Network for Visual Recognition, ''Stanford University, [Online].Available: http://cs231m.github.io/.
Boediardja, S.A., ed. 2011. Dermatitis Atopik. Jakarta: Balai Penerbitan FK UI, 1-11.
Djuanda A, M Hamzah & S Aisah. Ilmu Penyakit Kulit dan Kelamin.Jakarta:
Fakultas Kedokteran Universitas Indonesia, 2007: 57-63, 92-105, 106- 109,122-125.
Jenis Penyakit Kulit. 2015. alodokter.com, 28 Oktober 2015 (diakses terakhir tanggal 16 Juli 2017).
Kadir Abdul, Susanto Adhi.2013. Teori dan Aplikasi Pengolahan Citra. Andi:
Yogyakarta
LeCun, Yann, dkk. 1998. Convolutional Networks for Images, Speech, and Time- Series. New Jersey.
Manish Pawar, Prof. Dipesh Kumar Sharma, Prof. R.N. Giri “ Multiclass Skin Disease classification using neural network” . International Journal of Computer Science and Information Technology Research .Vol. 2. p(189- 19),October - December 2014.
Mahardika, A.P . 2013. Sistem Pakar Mendeteksi Penyakit Dalam Dengan Metode Backward Chaining Menggunakan Visual Basic 2010. Teknik Informatika Universitas Semarang. Semarang.
Meshram, A., Roopam, G dan Sanjeev, S., 2014. Advance Probabilistic Binary Decision Tree using SVM. School of Information Technology UTD, RGPV, Bhopal, M.P. India.
Nuraeni, F., 2016. Aplikasi Pakar Untuk Diagnosa Penyakit Kulit Menggunakan Metode Forward Chaining Di Al Arif Skin Care Kabupaten Ciamis. Teknik Informatika STMIK Tasikmalaya. Tasikmalaya.
Putri DD, dkk. 2010. Dengan judul Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary Decision Tree Support Vector Machine (BDTSVM) (Studi Kasus.: Puskesmas Dinoyo Kota Malang). Malang
Prabhata. et al, 2012, Identifikasi Penyakit Kulit Berdasarkan Kombinasi Segmentasi Warna Dan Analisis Tekstur Dengan Deteksi Binary Large Object Menggunakan Jaringan Syaraf Tiruan-Learning Vector Quantization, jurnal
Telkom.
Pouyan et al. 2014. “An Image Processing Technique to Detecting Retina Layers”.
International Conference on Signal and Image Processing 2014. 978-1-4244- 8594-9/10/IEEE.
Suartika, IW, dkk. 2016. Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101. Jurnal. Institut Teknologi Sepuluh Nopember. Surabaya.
Sutoyo, T., S.Si, M.Kom, dkk. 2009. Teori Pengolahan Citra Digital.
Yogyakarta:Andi.
Taylor MD & Euna Chi, MD. 2017. Common Skin Disorders. (online) healthline.com , (diakses terakhir tanggal 03 November 2017).
Uka et al, 2017.”Analysis of Cell Behavior on Micropatterned Surface by Image Processing Algorithm”. IEEE Eurocon 2017, 6–8 July 2017, Ohrid, R.
Macedonia. 978-1-5090-3843-5/17/2017 IEEE.
Wilantikasari ,Y.2019. Dengan judul Klasifikasi Penyakit Kulit Kucing menggunakan Metode Support Vector Machine. Fakultas Ilmu Komputer, Universitas Brawijaya. Malang.
XinJiang et al, 2017. “ Probabilistic Regularized Extreme Learning Machine for Robust Modeling of Noise Data”. IEEE Transactions On Cybernetics. 2168- 2267 2017 IEEE.
Zarlis, M., Sitompul, O. S., Sawaluddin, Effendi, S., Sihombing, P. & Nababan, E. B.
2014. Pedoman Penulisan Skripsi. USU Press: Medan.
Zhai, C. M., & Du, J. X. “Applying Extreme Learning Machine to Plant Species Identification” In Information and Automation. ICIA International Conference on (pp. 879-884), IEEE, 2008.
Zhou, H. & Wu, J. & Zhang, J. 2010. Digital Image Processing: Part I (1st edition). http://bookboon.com/en/digital-image-processing-part-one-ebook . Diakses 20 Juli 2017
.
