KLASIFIKASI JENIS KANKER KULIT BERDASARKAN CITRA NEVUS PIGMENTOSUS MENGGUNAKAN METODE
EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
SOPHIA NOLA AMANDA OTTASIO BINTANG 171402105
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2020
KLASIFIKASI JENIS KANKER KULIT BERDASARKAN CITRA NEVUS PIGMENTOSUS MENGGUNAKAN METODE
EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
SOPHIA NOLA AMANDA OTTASIO BINTANG 171402105
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2020
PERSETUJUAN
Judul : KLASIFIKASI JENIS KANKER KULIT
BERDASARKAN CITRA NEVUS PIGMENTOSUS
MENGGUNAKAN METODE EVOLVING
MULTILAYER PERCEPTRON
Kategori : SKRIPSI
Nama : SOPHIA NOLA A.O BINTANG
Nomor Induk Mahasiswa : 171402105
Program Studi : TEKNOLOGI INFORMASI
Fakultas : FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI Komisi Pembimbing :
Pembimbing 1 Pembimbing 2
Ivan Jaya S.Si., M.Kom. Fanindia Purnamasari S.Ti, M.IT
NIP. 198407072015041001 NIP. 198908172019032023
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc.
NIP. 198603032010121
PERNYATAAN
KLASIFIKASI JENIS KANKER KULIT BERDASARKAN NEVUS PIGMENTOSUS MENGGUNAKAN METODE EVOLVING
MULTILAYER PERCEPTRON
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
SOPHIA NOLA A.O BINTANG 171402105
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kepada Tuhan Yesus Kristus, yang telah memberikan berkat, kasih keselamatan dan anugrahNya kepada penulis hingga penulis dapat menyelesaikan penyusunan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana dari Program Studi Teknologi Informasi, Universitas Sumatera Utara.
Penulis menyadari bahwa penulis tidak dapat menyelesaikan skripsi ini jika tidak atas bantuan dari berbagai pihak, antara lain:
1. Orang tua penulis, Rudi.W.H. Bintang, S.E dan A.L.Mutiara Siagian, S.E yang telah membesarkan, mendidik, mendukung, mendoakan, dan memberi cintanya kepada penulis hingga saat ini. Adik-adik terkasih penulis, Stephanie K.U.G.
Bintang, Syalomitha .P. Bintang, dan Savior Deliando P. Bintang yang tetap ada disisi penulis di segala momen suka cita, berbagi cerita dan selalu mendukung penulis.
1. Bapak Dr. Muryanto Amin, S.Sos., M.Si., selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Drs. Opim Salim Sitompul, M.Sc., selaku Dekan Fasilkom-TI Universitas Sumatera Utara.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc., selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
4. Bapak Ivan Jaya, S.Si., M.Kom, selaku Dosen Pembimbing 1 dan Ibu Fanindia Purnamasari, S.Ti., M.IT, selaku Dosen Pembimbing 2 yang telah meluangkan waktu untuk membimbing dan memberi ide kepada penulis hingga skripsi ini dapat terselesaikan.
5. Seluruh Dosen Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan ilmu dan pendidikan untuk penulis sampai penulis dapat menyelesaikan skripsi ini, terkhususnya Ibu Sarah
Purnamawati, S.T., M.Sc. Tak lupa juga untuk staff akademik yang membantu urusan administratif dan lain-lain
6. Curangga, Sahabat seperjuangan penulis dibangku perkuliahan (Semoga sahabat sampai tua), Grace Sella Ginting, Arnesa Julia Damanik dan Lenny Tobing, yang telah berjuang bersama penulis dalam hal apapun dari awal sampai akhir.
7. PPBSI/Kenak Mental Semua, Sahabat penulis dari SMA, Beby Shasiandra, Tiara Amanda, Christine Aquida, dan Angel Nasution, yang selalu bisa untuk diajak jalan-jalan dan selalu menginspirasi penulis dari pemikiran dewasa mereka.
8. Sahabat penulis sejak SMP, anggota grup ‘Teman’, Putri Tessalonika, Dhea Risna, dan Saulina Malau, yang selalu ada disisi penulis dengan segala cerita dan duka yang mereka miliki.
9. Teman-teman penulis, Disciple Of God 17, yang bersama-sama dengan penulis pada setiap kegiatan kerohanian di Kampus.
10. Teman-teman Keluarga Besar Teknologi Informasi USU, terlebih lagi Kom B dan Kom C, yang telah menjadi keluarga penulis dalam menjalankan kegiatan sebagai mahasiswa di TI USU.
11. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidakdapat penulis ucapkan satu persatu yang telah membantu penulis dalam penyelesaian skripsi ini.
Semoga Tuhan Yesus Kristus memberi berkat berlimph-limpah pada semua pihak yang membantu dan memberi perhatian kepada penulis dalam proses penyelesaian skripsi ini.
Medan, 2021
Penulis
ABSTRAK
Kanker kulit adalah kelainan pada kulit yang ditimbulkan dari mutasi terhadap DNA sel yang mengakibatkan tumbuhnya sel menjadi lebih cepat, hingga sel tersebut kekurangan sifat dasarnya. Jenis kanker tersebut termasuk jenis kanker paling mematikan yang dapat diidap manusia, akan tetapi gejala yang ditimbulkan dari penyakit ini memang sangat samar sehingga cenderung diabaikan. Terdapat 2 jenis kanker kulit, yaitu non-melanoma dan melanoma. Actinic Keratosis dan Karsinoma Sel Basal termasuk kedalam tipe non- melanoma. Berbeda dengan melanoma yang memiliki bentuk hampir menyerupai tahi lalat dan flek hitam, Actinic Keratosis dan Karsinoma Sel Basal mempunyai bentuk yang dikatakan seperti tumor kecil dibagian epidermis. Maka dari itu, untuk dapat membedakan dan mengenali ketiga jenis kanker kulit diatas, penelitian ini menggunakan metode Evolving Multilayer Perceptron, yang dikenal baik dapat digunakan dalam pengenalan citra. Sebelum diklasifikasi, citra nevus pigmentosus diolah terlebih dahulu dalam tahap pra-pengolahan citra yaitu, Scaling, Grayscale, dan CLAHE. Selanjutnya menggunakan proses thresholding sebagai tahap image segmentation. Lalu fitur citra diekstraksi memakai Gray Level Co-occurrence Matrix (GLCM). Dan tahap terakhir klasifikasi untuk menentukan Actinic Keratosis, Karsinoma Sel Basal dan Melanoma. Total data yang digunakan pada penelitian ini adalah 120 citra untuk data latih dan 42 citra digunakan untuk data uji. Hasil dari penelitian ini memastikan bahwa metode yang dipakai dapat melakukan klasifikasi kanker kulit dengan akurasi sebesar 88.09%. Dari hasil akurasi yang diperoleh, metode Evolving Multilayer Perceptron sudah cukup baik dalam mengklasifikasikan penyakit kanker kulit.
Kata Kunci: Penyakit kanker kulit, actinic keratosis, karsinoma sel basal, melanoma, scaling, grayscale, CLAHE, thresholding, gray level co-occurrence matrix, evolving multilayer perceptron.
SKIN CANCER CLASSIFICATION BASED ON NEVUS PIGMENTOSUS IMAGES USING PERCEPTRON MULTILAYER EVOLVING METHOD
ABSTRACT
Skin cancer is a disorder of the skin that results from mutations in cell DNA which result in faster cell growth, so that the cells lack basic characteristics. This is one of the deadliest cancer that can be infected by humans, but the symptoms caused by this disease are so vague that not a few people tend to ignore it. There are two types of skin cancer, namely melanoma and non-melanoma. Actinic Keratosis and Basal Cell Carcinoma are included in the non-melanoma type of skin cancer. In contrast to melanoma which has a shape almost like a mole and black spots, Actinic Keratosis and Basal Cell Carcinoma have a shape that is said to be like a small tumor in the epidermis. Therefore, to be able to distinguish and recognize the three types of skin cancer above, this study uses the Evolving Multilayer Perceptron method, which is well known for being used in image recognition. Before being classified, the nevus pigmentosus image is processed first in the image pre-processing stage, namely, Scaling, Grayscale, and CLAHE. After that thresholding is used as the image segmentation stage. Then enter the feature extraction stage using the Gray Level Co-occurrence Matrix (GLCM). And the last stage of classification is to determine Actinic Keratosis, Basal Cell Carcinoma and Melanoma.
Total data used in this study were 120 images as training data and 42 images as testing data. The last results of this study shows that the method used can classify skin cancer with an accuracy of 88.09%. That means, Evolving Multilayer Perceptron method is good for classifying skin cancer.
Key Word: Skin cancer disease, actinic keratosis, karsinoma sel basal, melanoma, scaling, grayscale, CLAHE, thresholding, gray level co-occurrence matrix, evolving multilayer perceptron.
DAFTAR ISI
PERSETUJUAN ... iii
PERNYATAAN ... 4
UCAPAN TERIMA KASIH... 5
ABSTRAK ... 7
ABSTRACT ... 8
DAFTAR ISI ... 9
DAFTAR TABEL ... 12
DAFTAR GAMBAR ... 13
BAB I ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 2
1.3. Batasan Masalah ... 3
1.4. Tujuan Penelitian... 3
1.5. Manfaat Penelitian... 3
1.6. Metode Penelitian ... 3
1.6.1. Studi Literatur ... 3
1.6.2. Analisis Permasalahan ... 4
1.6.3. Perancangan ... 4
1.6.4. Implementasi ... 4
1.6.5. Pengujian... 4
1.6.6. Penyusunan Laporan ... 4
1.7. Sistematika Penulisan ... 4
BAB II ... 6
2.1. Kanker ... 6
2.2. Kanker Kulit ... 6
2.2.2. Faktor Resiko Kanker Kulit ... 6
2.2.1. Tahapan Kanker Kulit ... 7
2.3. Jenis Kanker Kulit ... 7
2.3.1. Actinic Keratosis ... 7
2.3.2. Karsinoma Sel Basal ... 9
2.3.3. Melanoma ... 10
2.4. Pemrosesan Citra ... 13
2.5. Grayscale ... 13
2.6.Contrast ... 14
2.7. CLAHE... 14
2.8.Thresholding... 15
2.9.Ekstraksi Fitur GLCM (Gray Level Co-occurrence Matrix) ... 16
2.10. Evolving Multilayer Perceptron ... 17
2.11. Penelitian Terdahulu ... 19
BAB 3 ... 24
3.1. Data yang digunakan ... 24
3.1.1. Data Training ... 24
3.1.2. Data Testing ... 25
3.2. Arsitektur Umum... 25
3.3. Pre-Processing ... 26
3.3.1. Scaling ... 26
3.3.2. Grayscale ... 27
3.3.3. Contrast ... 29
3.3.4. CLAHE ... 32
3.4. Segmentation ... 34
3.5. Feature Extraction ... 36
3.6. Klasifikasi... 40
3.7. Perancangan Sistem... 42
3.7.1. Perancangan Halaman Utama ... 42
3.7.2. Perancangan Halaman Tambah Data Latih ... 43
3.7.3. Perancangan Halaman Training... 44
3.7.4. Perancangan Halaman Testing ... 46
BAB 4 ... 48
4.1. Kebutuhan Aplikasi ... 48
4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak ... 48
4.1.2. Implementasi Perancangan Antarmuka ... 49
4.2. Prosedur Operasional ... 54
4.3. Hasil Pengolahan Citra ... 58
4.4. Pengujian Sistem ... 64
BAB 5 ... 74
5.1. Kesimpulan... 74
5.2. Saran ... 74
DAFTAR PUSTAKA ... 75
DAFTAR TABEL
Tabel 2.1. Tabel Penelitian Terdahulu 19
Tabel 3.1. Perhitungan Grayscale 26
Tabel 3.2. Hasil Grayscale 27
Tabel 3.3. Hasil Grayscale sebelum di terapkan kontras 28
Tabel 3.4. Table Persamaan Hasil Kontras 28
Tabel 3.5. Hasil kontras dalam matrix 5x5 30
Tabel 3.6. Matrix sebelum dithreshold 33
Tabel 3.7. Matris setelah melewati threshold 33
Tabel 3.8. Hasil GLCM pada data training 34
Tabel 3.9. Hasil GLCM pada data testing 36
Tabel 3.10. Hasil Forward, Backward dan Starting 39
Tabel 4.1. Data Citra Kanker Kulit 48
Tabel 4.2. Hasil Pengolahan Citra 55
Tabel 4.3 Hasil Dari Pengujian Sistem 57
Tabel 4.4. Confusion Matrix 62
Tabel 4.4. Perbandingan dari citra yang berhasil terdeteksi dan tidak 64
DAFTAR GAMBAR
Gambar 2.1. Tiga Tahapan Kanker Kulit (Iqbal, et.al., 2019) 7
Gambar 2.2. Actinic Keratosis 9
Gambar 2.3. Karsinoma Sel Basal 10
Gambar 2.4. Melanoma 11
Gambar 2.5. Lima Tahapan Melanoma (Rastrelli, et.al., 2014) 12 Gambar 3.1. Contoh data yang akan digunakan dari tiga kategori 23
Gambar 3.2. Arsitektur Umum 24
Gambar 3.2. Citra berpixel 5 x 5 25
Gambar 3.3. Hasil proses Grayscale 27
Gambar 3.3. Citra grayscale setelah di kontras 30
Gambar 3.4. Penjumlahan Array dari citra low contrast 31 Gambar 3.5. Hasil penjumlahan array low contrast 31
Gambar 3.6. Hasil dari CLAHE 31
Gambar 3.7. Perbandingan grafik low dan high contrast 32
Gambar 3.8. Hasil dari CLAHE 32
Gambar 3.9. Hasil Binary Thresholding 34
Gambar 3.10. Hasil Multilayer perceptron 40
Gambar 3.11. MSE EPOCH 40
Gambar 3.12. Perancangan Halaman Utama 41
Gambar 3.13. Perancangan Halaman Tambah Data 42
Gambar 3.14. Perancangan Halaman Training 43
Gambar 3.15. Perancangan Halaman Testing 44
Gambar 4.1. Tampilan Awal Aplikasi 45
Gambar 4.2. Tampilan Halaman Tambah Data Latih 46
Gambar 4.3. Tampilan Halaman Training 47
Gambar 4.4. Tampilan Halaman Testing 48
Gambar 4.5. Tampilan Tombol Upload Data 51
Gambar 4.6. Tampilan Upload Data 52
Gambar 4.7. Tampilan Data Latih dan Pemberitahuan Data Sukses Ditambahkan 52
Gambar 4.8. Tampilan Button Latih Data 53
Gambar 4.9. Tampilan Botton Browse File 54
Gambar 4.10. Tampilan Citra Yang Diproses 54
Gambar 4.11. Tampilan Hasil Klasifikasi 55
Gambar 4.12. Confusion Matrix 62
Gambar 4.13. Citra yang gagal terdeteksi oleh sistem 63
BAB I PENDAHULUAN
1.1. Latar Belakang
Kulit adalah organ terluar dan terluas yang dimiliki oleh seorang manusia. Sebagai organ epidermis, kulit berfungsi sebagai bagian tubuh yang melindungi organ dalam dari paparan bakteri dan virus yang berada di dunia luar. Kulit juga termasuk salah satu organ yang akan selalu mengalai perubahan selama seorang manusia hidup. Sebagai organ paling luar, tentu saja kulit berhadapan langsung dengan matahari. Sinar matahari mempunyai manfaat yang sangat baik bagi manusia. Salah satu manfaat sinar matahari adalah Vitamin D. (Jiang, et.al., 2021). Namun dari sekian banyak manfaat yang dimiliki sinar matahari, terdapat pula factor-faktor berbahaya yang diberi oleh sinar matahari kepada kulit salah satunya adalah Radiasi Ultraviolet B (UVB) yang mampu mengubah sel-sel genetik yang dimiliki oleh kulit hingga mengakibatkan pembentukan kanker kulit.
Penyakit kanker termasuk penyakit mematikan yang sudah melenyapkan banyak nyawa manusia. Menurut WHO (2019), dari keseluruhan warga Australia yang mengidap penyakit kanker, 32% dari pengidap kanker tersebut terdeteksi mengidap kanker kulit.
Australia memang sudah terkenal menjadi satu dari banyak Negara yang mempunyai jumlah pengidap kanker kulit tertinggi di dunia, empat kali lipat lebih tinggi dibanding Amerika Serikat.
Kanker kulit mempunyai 2 tipe, yaitu Melanoma dan Non-Melanoma. Pada tahun 2020, diprediksi akan ada sekitar 5,5 juta kanker kulit Melanoma dan Non-Melanoma akan diidap oleh orang Amerika. (Jiang, et.al., 2021). Hal ini dapat dikatakan demikian menurut factor masalah kesehatan masyarakat yang berkembang, dengan Amerika Serikat menghabiskan sekitar $8 milyar untuk mengobati kanker kulit setiap tahunnya.
Gejala paling sering yang timbul sebagai penanda aktifnya sel kanker pada lapisan kulit adalah timbulnya noda hitam yang disebut sebagai Nevus Pigmentosus. Nevus
Pigmentosus adalah lesi kulit melanositik jinak yang terjadi akibat proliferasi melanosit pada jaringan kulit. Lesi pada nevus pigmentosus memiliki diameter, warna, dan jumlah yang bervariasi antar individu. Ada yang berwarna coklat kemerahan berbentuk seperti daging, ada yang bewarna hitam seperti tahi lalat biasa namun mempunyai bentuk yang tidak beraturan, ada pula yang berwarna putih kasar dengan permukaan yang bersisik.
Dari ciri-ciri tersebut, beberapa peneliti melakukan penelitian dalam pendeteksian kanker kulit melalui media citra.
Penelitian ini bertujuan utuk mengklafikasi ketiga jenis kanker kulit yang telah disebutkan menggunakan metode Evolving Multilayer Perceptron. Evolving multilayer perceptron atau yang disebut juga sebagai Simple Evolving Connectionist Systems (SECoS) adalah algoritma yang sudah menyematkan inti konsep dari metode dari Evolving Connectionist System (ECOS) sehingga mempunyai perkembangan struktur, tujuan, dan representasi dari data dan interaksi dengan lingkungan. Algoritma ini bisa memperbaharui parameternya sendiri. Metode yang dipakai memiliki tingkat akurasi yang tinggi untuk diggunakan dalam pengenalan citra.
Berdasarkan latar belakang diatas, maka penulis mengusulkan sebuah penelitian dengan judul, KLASIFIKASI JENIS KANKER KULIT BERDASARKAN CITRA NEVUS PIGMENTOSUS MENGGUNAKAN METODE EVOLVING MULTILAYER PERCEPTRON.
1.2. Rumusan Masalah
Kulit adalah anggota tubuh yang paling sering diabaikan perubahannya, baik itu perubahan struktur, kelembapan dan tekstur. Kanker kulit terbagi atas berbagai jenis, masing-masing mempunyai gejala yang tidak terlalu signifikan sehingga banyak orang tidak menyadarinya. Padahal, kanker kulit mempunyai angka kesembuhan tinggi jika dapat dideteksi sedini mungkin, saat sel-sel kanker masih ditahap awal. Maka dari itu, suatu pendekatan yang dapat membantu mengklasifikasikan penyakit kanker kulit untuk deteksi dini.
1.3. Batasan Masalah
Adapaun batasan masalah sebagai berikut:
1. Informasi gambar yang dipakai untuk penelitian adalah gambar lesi kulit dari https://www.kaggle.com/nodoubttome/skin-cancer9P-classesisic
2. Penelitian ini tidak membahas klasifikasi berdasarkan tingkat keganasan kanker.
3. Klasifikasi dilakukan berdasarkan bentuk dari citra demoskopik.
4. Hasil klasifikasi dari penelitian ini adalah Karsinoma Sel Basal, Melanoma, dan Actinic Keratosis.
1.4. Tujuan Penelitian
Klasifikasi keempat jenis kanker kulit yaitu Karsinoma Sel Basal, Melanoma, dan Actinic Keratosis menggunakan metode Evolving Multilayer Perceptron.
1.5. Manfaat Penelitian
Manfaat dari penelitian ini, yaitu:
1. Dapat memmbantu dalam membedakan jenis-jenis kanker kulit terkhusus pada jenis Karsinoma Sel Basal, Melanoma, dan Actinic Keratosis.
2. Untuk membantu mendeteksi jenis-jenis kanker kulit berdasarkan jenis- jenisnya.
3. Mengetahui kemampuan metode Evolving Multilayer Perceptron dalam klasifikasi jenis kanker kulit pada citra Nevus Pigmentosus.
1.6. Metode Penelitian
Beberapa tahapan yang akan dilakukan dalam penelitian ini adalah sebagai berikut:
1.6.1. Studi Literatur
Pada tahap ini, penulis melakukan akumulasi tumpuan referensi yang berguna dari berbagai sumber seperti makalah,buku,jurnal,dansebagainya. Informasi tersebut berkaitan dengan kanker kulit, nevus pigmentosus, Karsinoma Sel Basal, Karsinoma Sel Skuamosa, Melanoma, Actinic Keratonis, image processing, machine learning, Gray Level Co-occurrence Matrix (GLCM), jaringan syaraf tiruan dan metode Evolving Multilayer Perceptron.
1.6.2. Analisis Permasalahan
Pada tahap ini, dilakukan analisis upaya pemahaman data untuk mendapatkan pemahaman mengenai metode yang akan digunakan, yaitu Evolving Multilayer Perceptron dalam menyelesaikan masalah klasifikasi jenis kanker agar mendapatkan cara terbaik untuk menyelesaikan masalah pada penelitian ini.
1.6.3. Perancangan
Pada tahap ini dilakukan perancangan arsitektur, pengumpulan data, dan perancangan interface.
1.6.4. Implementasi
Pada tahap ini, dilakukan pengimplementasi atas perancangan yang akan dilakukan pada rancangan program atas metode Evolving Multilayer Perceptron.
1.6.5. Pengujian
Pada tahap ini, penulis melakukan pengujian terhadap sistem yang dibuat untuk mengetahui akurasi dari penerapan metode Evolving Multilayer Perceptron dalam mengklasifikasi jenis kanker kulit.
1.6.6. Penyusunan Laporan
Pada tahap ini dilakukan penyusunan laporan hasil analisis dari implementasi Evolving Multilayer Perceptron dalam klasifikasi jenis kanker.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian, yaitu:
Bab 1 : Pendahuluan
Pada tahapan ini dilakukan akumulasi sumber acuan atau tumpuan referensi yang dibutuhkan dalam penelitian. Sumber yang digunakan sebagai acuan dapat di peroleh dari artikel,buku,jurnal,makalah,maupun internet.
Bab 2 : Landasan Teori
Bab ini berisi teori-teori yang diperlukan agar dapat memahami permasalahan yang diangkat dalam penelitian ini. Hal-Hal itu pastilah berhubungan dengan kanker kulit, actinic keratosis, karsinoma sel basal, melanoma, evolving multilayer perceptron, dan preprocessing,
Bab 3 : Analisis dan Perancangan
Bab ini berisi tentang penjabaran serta analisis dari penelitian yang sedang dilakukan, arsitektur umum dan perancangan aplikasi akan dijelaskan pada bab ini.
Bab 4 : Implemetasi dan Pengujian
Bab ini berisi tentang pembahasan implementasi dari hasil perancangan aplikasi dan hasil pengujian yang penulis peroleh pada sistem yang dirancang pada bab sebelumnya.
Bab 5 : Kesimpulan dan Saran
Bab ini berisi kesimpulan dan saran yang penulis dapatkan dari keseluruhan penelitian yang telah dibahas pada bab-bab sebelumnya.
BAB II
TINJAUAN PUSTAKA
2.1. Kanker
Kanker adalah penyakit yang terjadi akibat tumbuhnya sel-sel abnormal yang tidak terkendali pada tubuh, penyakit ini dapat dimulai dari satu sisi tubuh dan dengan cepat dapat menyebar kebagian tubuh lain dari si penderita melalui getah bening ataupun pembuluh darah. Namun, maupun penyebaran sel kanker dapat tergolong cepat, penyakit kanker tidak dapat menular kepada penderita lain.
2.2. Kanker Kulit
Sebagai organ tubuh terluas yang dimiliki oleh manusia, kulit mempunyai tujuan untuk menangkal segala jenis zat berbahaya yang dapat menyakiti tubuh, seperti patogen, sinar UV, bahan kimia dan flaktual suhu. Namun, hal- hal tersebut dapat berakibat kepada ketahanan kulit sehingga kulit menghasilkan karsigonesis yang akan berkembang menjadi kanker. Kanker jenis ini adalah jenis penyakit yang menyerang sel-sel pigmen pada kulit. Penyakit yang lebih sering diidap oleh orang berkulit putih ini ditandai oleh munculnya flek-flek berwarna hitam seperti tahi lalat pada bagian kulit yang sering terkena matahari ataupun yang tertutup matahari.
2.2.2. Faktor Resiko Kanker Kulit
1. Usia
Kanker kulit memang dapat diidap oleh semua orang dari semua umur, akan tetapi resiko paling tinggi terkena kanker kulit adalah penduduk yang berusia diatas 40 tahun.
(Fortanillas, et.al. , 2021) 2. Jenis Kelamin
Para pasien yang mengidap penyakit ini dari 30 ribu data, 75 persennya adalah perempuan dari berbagai macam jenis Kanker Kulit.
2.2.1. Tahapan Kanker Kulit
Ada 3 Tahapan kanker kulit (Iqbal, et.al., 2019), yaitu Inisiasi, Promosi dan Perkembangan. Ketiga tahap ini dapat dilihat pada Gambar 2.1.
Gambar 2.1. Tiga Tahapan Kanker Kulit (Iqbal, et.al., 2019)
1. Inisiasi
Tahap ini adalah tahap dimana tumor berkembang cepat akibat terpaparnya karsinogen kedalam sel, dan karsinogen didalam sel ini mengakibatkan DNA akan menghasilkan efek genotoksik.
2. Promosi
Perkembangan kanker pada tahap dua ini adalah fase yang panjang terkair dengan profilasi sel kanker.
3. Perkembangan
Pada Tahap ini, Sel-sel kanker sudah bermetasi menjadi tumor dan menyebar ke sel-sel yang berada disekitarnya.
2.3. Jenis Kanker Kulit
Ada 3 Jenis kanker kulit yang paling banyak diidap oleh manusia, yaitu:
2.3.1. Actinic Keratosis
Actinic Keratosis atau keratosis aktinik adalah penyakit kulit yang paling umum pada populasi kulit putih dan disebabkan oleh paparan radiasi ultraviolet atau paparan sinar
matahari. Actnic Keratosis adalah tahap awal dari perkembangannya sel-sel kanker menjadi Ks. Skuamosa yang dimana kanker berjenis ini ada pada epidermis kulit bawah.
Pada orang kulit putih berusia 50 tahun ke atas, prevalensi keratosis aktinik adalah 37,5%, Namun, tidak ada gambaran klinis untuk membedakan keratosis aktinik mana yang berisiko dan proporsi keratosis aktinik mana yang akan berkembang menjadi kanker. Persentase yang dilaporkan dalam penelitian ini berkisar antara 0,025% hingga 16% dari setiap lesi keratotik aktinik per tahun. Kanker kulit jenis Actinic Keratosis ini dapat dilihat pada Gambar 2.2.
Gambar 2.2. Actinic Keratosis (Kaggle, 2019)
2.3.1.1. Klasifikasi Actinic Kertosis sebelum menjadi Karsinoma Sel Skuamosa
Sebelumnya, Klasifikasi Actinic Keratosis terbagi atas 3 tingkat yaitu, AK 1, AK 2, dan AK 3. Dimana hal itu ditentukan dari seberapa besar pengaruh atypia pada bagian bawah epidermis kulit. Namun belakangan ini, klasifikasi pada penyakit Actinic Keratosis hanya berdasarkan 2 tingkatan, yaitu:
1. Low-grade intraepithelial neoplasia (LSIL)
LISL atau sering disebut dengan neoplasia intraepel tingkat rendah adalah perhitungan pada bagian neoplasia intraepel genital yang terkait dengan pappilomavirus. Lesi tingkat 1 ini dianggap sebagai ‘tingkat rendah’ Actinic Keratosis akan berubah menjadi Karsinoma Sel Skuamosa.
2. High-grade intraepithelial neoplasia (HSIL)
HSIL adalah neoplasia intraepel tingkat tinggi dimana Lesi tingkat 2 ini disebut sebagai lesi yang kemungkinan akan berubah menjadi Karsinoma Sel Skuamosa.
2.3.1.2. Pengobatan Actinic Keratosis
Kanker Jenis ini dapat diobati dengan berbagai macam treatment, yaitu:
1. Cryotherapy (Terapi dingin)
Pada teknik ini, tubuh akan ditempatkan pada ruangan yang sangat dingin selama beberapa menit sehingga tubuh membuat suatu penyembuhan alami dengan sendirinya.
2. Laser Terapy
Penggunaan laser pada terapi ini adalah untuk membakar, mengangkat atau atau menghancurkan jaringan abnormal yang ada pada tubuh.
3. Surgery 4. Kuret
2.3.2. Karsinoma Sel Basal
Karsinoma sel basal adalah kanker non-melagnoma yang berada di atas epidermis kulit.
Kanker kulit jenis ini biasanya menyerang penderita di masa usia lanjut. Hal ini terjadi karena perubahan DNA pada sel basal, dimana fungsi sel basal ini adalah untuk memproduksi sel-sel baru yang menggantikan sel-sel lama. Namun, jika terdapat mutasi pada DNA sel tersebut, fungsi sel basal yang sebelumnya akan mengganti sel-sel lama menjadi sel baru akan terhenti dan menyebabkan menimbunnya produksi sel kanker akibat tumpukan sel-sel yang mati. (Figueras, M.T Fenandez. 2017). Kanker Kulit Jenis ini berbentuk seperti benjolan yang mudah berdarah, tidak sakit, dan bersisik.
Gambar 2.3. Karsinoma Sel Basal (Kaggle, 2019)
2.3.2.1. Penyebab Kanker Kulit Sel Basal
Selain dari paparan sinar matahari, Kanker kulit jenis ini juga mempunyai resiko tinggi jika seseorang pernah mengalami hal sebagai berikut:
- Berusia lansia (diatas 50 tahun) - Terpapar arsenic
- Memiliki riwayat keturunan pengidap Karsinoma Sel Basal - Pernah melakukan radioterapi
2.3.2.2. Pengobatan Kanker Kulit Sel Basal - Proses Kuret
Memotong bagian abnormal pada kulit dan dilakukan oleh para tenaga ahli dan dokter.
- Krioterapi
Terapi ini dilakukan dengan membekukan sel-sel abnormal pada kulit seperti tumor dengan menggunakan cairan khusus.
- Operasi profesional dengan pisau bedah.
2.3.3. Melanoma
Kanker kulit jenis melanoma ini ditetapkan sebagai jenis kanker kulit yang paling banyak menyebabkan kematian bagi pengidapnya. Melanoma dapat terjadi jika seorang manusia sering terkena sinar matahari terus menerus dan manusia tersebut sering terkena sun burn. Pendeteksian dini akan sangat menguntungkan pada penderita jika ditangani lebih cepat sebelum kanker tersebut berkembang. Para tim medis akan melakukan screening terhadap lesi kulit seorang manusia untuk dideteksi dengan metode “ABCD” dimana metode tersebut mengukur bentuk dari lesi dan apabila lesi tersebut mempunyai bentuk yang tidak simetris, terdapat keanehan pada garis luar lesi, warna yang mencurigakan dan memiliki diameter lebih dari 6 mm, maka tim medis akan langsung menganjurkan pengobatan lab untuk mengetahui secara pasti jenis lesi tersebut. (Rastrelli, et.al., 2014)
Gambar 2.4. Melanoma (Kaggle, 2019) 2.3.3.1. Jenis Melanoma
A. Superficial Spreding Melanoma (SSM)
Kasus penyakit SSM mendapatkan persentase paling besar, yaitu sekitar 70 persen dari segala jenis kanker kulit Melanoma. Hal ini disebabkan oleh cahaya matahari dan lesi nya terdapat pada bagian belakang kaki wanita dan pada punggung pria. Lesinya berbentuk tonjolan dengan garis luar yang tidak teratur yang berwarna coklat, abu-abu, hitam, merah muda, atapun putih.
B. Melanoma Modular (NMM)
Jenis ini mendapatkan persentasi sebesar 5% dari keselurahan kasus melanoma.
Pertumbuhan Melanoma Modular sangat cepat dengan kemampuan metasis yang tinggi.
Lesi nya biasanya berbentuk seperti benjolan dan tumbuh di bagian tubuh penderita diusianya yang ke 50 dan 60 tahunan. Biasanya memiliki warna biru dan hitam
C. Lentigo Maligna ( LMM)
Jenis ini mendapatkan persentasi sebesar 4 sampai 15 persen dan berbeda dengan jenis yang lain, jenis melanoma yang disebaban oleh pertambahannya usia, dan biasanya berada di leher dan kepala. Lesinya berwarna hitam dan coklat.
D. Lentigous Akral (ALM)
Jenis ini terhitung sebanyak 5 persen dari keseluruhan kasus melanoma yang terdaftar.
Biasanya penderita jenis ini adalah dari Asia, Hispanik dan Afrika yang berkulit putih dan sudah lanjut usia. Lesiya terdapat pada telapak tangan dan telapak kaki.
E. Melanoma Desmoplastik ( DM)
Jenis ini terjadi pada usia 60 sampai 70 tahun yang sering berada di bagian kepala dan leher namun dapat berada pada mukosa.
2.3.3.2. Lima Tingkatan Melanoma
Terdapat lima tingkatan atau stadium penyakit kanker kulit melanoma yang dapat dideteksi oleh ahli medis, dapat dilihat pada Gambar 2.5.
Gambar 2.5. Lima Tahapan Melanoma (Rastrelli, et.al., 2014)
- Tingkat 0
Kanker yang masih berbentuk tumor pada bagian epidermis kulit belum menyebar dan masih berada di satu tempat. Posisi kanker juga masih belum merambat kebagian dalam lapisan kulit.
- Tingkat 1
Pada stadium ini, sel kanker sudah berada pada bagian epidermis dan dermis. Tumor di stadium ini juga mempunyai ketebalan hingga 2mm, namun masih belum ada tanda- tanda penyebaran ke tempat yang lebih jauh seperti kelenjar getah bening.
- Tingkat 2
Kanker pada stadium ini dapat diketahui dengan cara melihat ketebalan tumor dan ulserasinya yang tidak simetris.
- Tingkat 3
Pada stadium ini, Kanker sudah menyebar kepada kelenjar getah bening dan sudah berkembang di sepanjang saluran limfatik namun masih menyebar cukup jauh ke bagian tubuh yang lain.
- Tingkat 4
Pada kasus kanker stadium terakhir ini, kanker sudah menyebar lebih luas daripada tempat tumor pertama kali dideteksi. Biasanya, kanker sudah menyebar ke otak dan menyebabkan komplikasi pada otak penderita.
2.4. Pemrosesan Citra
Pemrosesan citra adalah cabang ilmu yang digunakan untuk menerapkan algoritma yang berguna untuk memroses citra digital. Biasanya, Pemrosesan citra ini dilakukan dalam aplikasi yang berhubungan dengan Klasifikasi dan Identifikasi dimana citra awal akan diproses sedemikian rupa agar dapat diketahui ciri-ciri khusus nya agar dapat diterapkan pada contoh citra yang lain. Citra pada dasarnya mempunya poin khusus yang disebut dengan pixel, dimana pixel adalah lapisan kecil pada citra yang menentukan nilai intensitas dan posisi titik pada sebuah citra (Zhou, et al. 2010).
Citra gambar dapat dibuat dengan persamaan fungsional f (x, y), yang mempunyai A sebagai baris dan B sebagai kolom, lalu x dan y yang dinamakan koordinat spasial, dan amplitudo f pada titik koordinat (x, y) dinamakan sebagai intensitas o abu-abu Jika nilai total x,y dan intensitas f mencapai terhingga dan terbatas, maka citra tersebut disebut dengan citra digital. Citra digital memiliki beberapa format gambar yang dipakai untuk menyimpan gambar, yaitu JPEG, Bitmap, Png, Tagged Image Format, Graphic Interchage Format, DICOM.
2.5. Grayscale
Grayscale adalah salah satu bentuk citra digital yang disebut citra keabuan yang mempunyai citra berwarna gradiasi mulai dari warna cerah (putih) hingga warna gelap (hitam). Kedua warna tersebut membuat warna menjadi keabuan yang terdiri dari tiga intensitas yang sama besarnya, yaitu R = warna merah (Red/R), G= hijau (Green/G), dan terakhir adalah B = biru (Blue/B), ketiga warna tersebut akan diubah menjadi warna tunggal pada sebuah citra yang sudah mengalami proses grayscale. Citra Grayscale mempunyai 8 bit yang mempunyai tingkatan sebanyak 266 dimana tiap pixel mempunyai intensitas dari 0 yang sering menjadi warna hitam, dan warna putih terdapat di tingkatan 225.Ketiga nilai intensitas berupa merah, hijau dan biru tersebut akan diambil rata-ratanya dengan cara menjumlahkan nilai dan membaginya dengan penjumlahan dari tiap individu. Hal tersebut dapat dilihat pada Persamaan 2.1.
𝐺𝑠 = 𝑟 + 𝑔 + 𝑏
3 (2.1)
Keterangan ;
Gs : Hasil perhitungan
R : Layer R (red/merah) pada grayscale G : Layer G (green/hijau) pada citra RGB B : Layer B (blue/biru) pada citra RGB
2.6.Contrast
Kontras adalah perbedaan intensitas warna yang dimiliki oleh dua pixel yang ada pada satu citra. Hal itu dibedakan menjadi gelap dan terang. Kontras digunakan pada penelitian ini agar dapat semakin memeperjelas objek dari citra yang akan diproses. Jika perbedaan pixel nya kecil, hal tersebut dinamakan low contrast, hasil dari low contrast adalah gambar berwarna abu-abu, namun perbedaan warna hitam dan putih masih sangat rendah hingga gambar kurang efisien untuk dibedakan. Jika perbedaan pixel besar, hal tersebut dinamakan high contrast, dimana hasil gambarnya adalah perbedaan warna hitam dan putih menjadi sangat tinggi dan membuat kualitas gambar menjadi lebih baik.
Rumus kontras dapat dilihat pada persamaan 2.2.
𝑔(𝑥) = 𝑎𝑓(𝑥) . 𝑏 Keterangan ;
g(x) : Citra setelah dikontras f(x) : Citra sebelum dikontras b : Tingkat kontras yang dipilih
2.7. CLAHE
Contrast Limited Adaptive Histogram Equalization adalah metode untuk mengurangi noise pada citra dimana CLAHE menghaasilkan citra yang memiliki batas clipmit, dimana batas ini dapat membuat citra seragam dengan menyatakan maksimum tingginya dari histogram. CLAHE adalah pengembangan dari metode AHE, dimana pada metode
(2.2)
CLAHE, dihitung dari batas maksimum limit histogram yang bernilai 0-100.
(Sanagavarapu, 2021). Batas maksimum tersebut dihitung dari persamaan 2.2.
𝐶𝑚𝑎𝑥 = 𝑎
𝑏(1 + 𝑥
100(𝑆𝑚𝑎𝑥 − 1)
Keterangan ;
Cmax : Batas Maksimum a : Luas region b : grayscale
x : clip factor yang menambahkan (tidak lebih dari 100).
2.8.Thresholding
Proses ini berguna untuk menggantikan citra yang berwarna keabuan menjadi citra biner yang dapat diproses sedemikian rupa hingga objek dan background dari citra yang diproses akan terlihat lebih jelas. Input dari proses thresholding pada penelitian ini adalah citra dari pemrosesan sebelumnya. Dalam outputnya, Threshold menggunakan nilai ambang pada citra yang akan membuat nilai pixel yang lebih kecil berubah menjadi 0 (hitam) dan yang nilainya lebih besar berubah menjadi 1 (putih), hal ini dapat dilihat melalui Persamaan 2. 4.
Keterangan ;
G(x,y) : nilai pixel berbentuk biner F(x.y) : nilai pixel pada pemasukan citra T : nilai tingkat pada threshold
(2.3)
(2.4)
2.9.Ekstraksi Fitur GLCM (Gray Level Co-occurrence Matrix)
Karakteristik suatu fitur dapat dikatakan baik, apabila dapat membedakan objek tertentu dengan objek yang lain, tidak terikat, fitur yang berjumlah sedikit dan dapat menghemat waktu kerja sistem (Andi, 2010). GLCM adalah teknik statistic yang terkenal untuk ekstraksi fitur. GLCM akan mengekstraksi fitur melalui tekstur pada gambar. Dalam pemrosesan citra, tekstur ditandai dengan sitribusi spasial dari graylevel yang berkontribusi pada persepsi tekstur dan matriks analisis tekstur ketergantungan. Nilai dari elemen matrix co-occurrence menyajikan frekuensi relative dimana terdapat dua pixel yang memiliki tingkat keabuan x dan y yang merupakan fungsi dari dua titik penghubung antar sudut. Metode ini diusulkan oleh Haralik pada tahun 1973 dengan memiliki sebanyak 28 fitur yang menjelaskan pola spasial.
Pada penelitian ini, pengambilan citra menggunakan metode GLCM akan memakai 7 nilai dari total 14 nilai GLCM, yaitu:
A. Contrast
Menghitung ukuran variasi pada pixel data, menggunakan persamaan 2.5.
∑ |𝑥 − 𝑦|2 𝑝(𝑥, 𝑦)
𝑥,𝑦
B. Energy
Jumlah kuadrat dari elemen matrix, dapat dihitung menggunakan persamaan 2.6.
∑ 𝑝(𝑥, 𝑦)2
𝑥,𝑦
C. Homogenity
Mengukur Kedekatan distribusi elemen, menggunakan persamaan 2.7
∑ 𝑝 (𝑥, 𝑦 ) 1 + |𝑥, 𝑦|
𝑥,𝑦
(2.5)
(2.6)
(2.7)
D. Correlation
Mengukur ketergantungan linear antar nilai grayscale pada citra, menggunakan persamaan 2.8
E. Dissmilarity F. ASM
G. Entropy
Mempertimbangkan lingkungan Pixel, menggunakan persamaan 2.9.
− ∑ 𝑃𝑥𝐿𝑜𝑔(𝑃𝑥)
𝑛
𝑥−𝑙
2.10. Evolving Multilayer Perceptron
Metode yang digunakan untuk proses klasifikasi dari citra kanker kulit ini adalah metode Evolving Multilayer Perceptron. Metode ini adalah salah satu evolusi dari neural network yang mempunyai kelebihan yaitu lebih efisien dari MLP biasa dengan menyesuaikan parameter dan weight pada MLP yang menggabungan EA dan BP (Castillo, Et.Al, 2000). Multilayer Perceptron adalah artificial neural network dari perceptron dimana kelebihan metode ini adalah dapat memprediksi citra gambar dengan baik, namun, terkadang diperlukan perhitungan agoritma yang rumit untuk merekognasi citra. Maka dari itu pada penelitian ini, Metode Multilayer Percen dikembangkan dengan evolving parameter, dimana sistem akan memakai parameter terbaik secara otomatis. Algoritma Evolving Multilayer Percceptron terdapat pada Gambar 3.7.
(2.8)
(2.9)
Gambar 3.7. Algoritma Evolving Multilayer Perceptron
Evolving Multilayer Perceptron mempunyai layer sebanyak 3 buah, masing-masing dinamakan sebagai input, hidden dan output layer. Metode ini dapat dihitung secara matematis menggunakan persamaan 2.10.
𝑣 = ∑ 𝑋𝑖. 𝑊𝑖
𝑟
𝑖=1
Keterangan ;
v : nilai hasil hidden layer Xi : input fitur
Wi : bobot
Hasil dari v tersebut akan diaktivasi hingga menghasilkan nilai keluaran. Fungsi aktivasi yang akan dipakai pada penelitian ini adalah Tanh (Tangen Hiperbolik), fungsi tersebut dapat dihitung melalui Persamaan 2.11.
𝑓(𝑥) = tanh(𝑥) = 2
1 + 𝑒−2𝑥− 1
Dan Optimasi yang akan penulis pakai adalah Adam (Adaptive Moment Estimation).
Optimasi dilakukan untuk mengoptimalkan fungsi objektif. Optimasi Adam dapat dilihat pada Persamaan 2.12.
(2.10)
(2.11)
𝑊𝑡 = 𝑤𝑡−1− 𝜂 𝑀̂𝑡
√𝑉̂𝑡 + 𝜖 Keterangan:
W = bobot model 𝜂 = jumlah literasi
2.11. Penelitian Terdahulu
Beberapa penelitian terdahulu diantaranya Early Detection Of Skin Cancer Using K-NN and Convolutional Neural Network (Savera et.al, 2019). Penelitian ini memakai dua metode klasifikasi untuk melakukan pendeteksian kanker kulit secara regresi menggunakan CNN dan KNN, klasifikasi regresi itu dilakukan oleh penulisnya menggunakan MATLAB. Hasil dari penelitian ini adalah 75% tingkat keakuratan menggunakan k-NN, dan 76,56% tingkat akurasi menggunakan CNN.
Penelitian lainnya yaitu, Karakteristik Nevus Pigmentosus berdasar atas Gambaran Histopatologi di Rumah Sakit Al-Islam Bandung (Islamiati, et.al, 2019). Pada penelitian yang dilakukan oleh Islamiati, dia mengambil sampel dengan memakai metode deskriptif cross-sectiona. Hasil dari penelitian yang dilakukan oleh islamiti ini adalah frekuensi paling tinggi NP terdapat pada pasien berusia 25−45 tahun dengan total 23 kasus (48%), lebih sering terjadi pada perempuan, frekuensi tertinggi nevus intradermal dengan jumlah 38 kasus (79%), dan regio kepala dengan frekuensi 39 kasus (81%).
Pada tahun 2019, Isnaidi, et.al., menggunakan Fraktal Box Counting dan K-Means untuk mengklasifikasi tumor kulit berdasarkan dimensi tepinya. Pengenalan ini memakai metode box counting dan K-Means dan mempunyai akurasi sebesar 100% / sangat tinggi untuk mengklasterkan tumor kulit menjadi 2 klaster (tumor jinak dan ganas) dan akurasi 65% untuk pengklasteran tumor kulit menjadi 3 klaster (normal, atipikal, dan melanoma). Pada tahun 2018, Heksaputra, et.al., membuat pengotak- kotakkan wilayah kanker melanoma menggunakan Pengolahan citra PH2. Penelitian ini menghasilkan persentase sebesar 96.41%. Peneliti lain, Watts, et.al, (2019) menggunakan Evolving Multilayer Percepton pada jurnal mereka yang berjudul Simple
(2.12)
Evolving Connectionist Systems and Experiments on Isolated Phoneme Recognition dimana mereka mendapat kesimpulan bahwa metode Simple Evolving Connectionist Systems relatif jauh lebih adaptif dan lebih mudah diimplementasikan dibanding Multilayer Perceptron.
Penelitian lain yang berjudul Identifikasi Osteoporosis Melalui Bone Radiograph Menggunakan Evolving Multilayer Perceptron (Khairi, 2019). Pada penelitian ini, data yang diambil berupa dataset citra x-ray tulang untuk mengidentidfikasi apakah data tersebut termasuk normal atau osteoporosis dan mendapat hasil akhir dengan akurasi 87.50%.
Tabel 2.1. Tabel Penelitian Terdahulu
No. Peneliti Metode Judul Keterangan
1 Teresia R.
Savera, Winsya H.
Suryawan, Agung W.
Setiawan.
(2019)
K-NN dan Convolutional Neural
Network
Early Detection Of Skin Cancer Using K-NN and Convolutional Neural Network
Penelitian ini memakai dua metode klasifikasi untuk melakukan pendeteksian kanker kulit secara regresi menggunakan CNN dan KNN, klasifikasi regresi itu dilakukan oleh penulisnya menggunakan
MATLAB. Hasil dari penelitian ini adalah 75% tingkat keakuratan menggunakan k-NN, dan 76,56% tingkat akurasi menggunakan CNN.
2 Ennok Nisa Islamiati, Siska Nia Irasanti, Mia Kusmiati, Deis
Hikmawati, Ismet M. Nur.
(2019)
Metode Deskriptif Crosssectional
Karakteristik Nevus
Pigmentosus berdasar atas Gambaran Histopatologi di Rumah Sakit Al- Islam Bandung
Pada penelitian yang dilakukan oleh Islamiati, dia mengambil sampel dengan memakai metode deskriptif cross- sectiona. Hasil dari penelitian yang dilakukan oleh islamiti ini adalah frekuensi paling tinggi NP terdapat pada pasien berusia 25−45 tahun dengan total 23 kasus (48%), lebih sering terjadi pada perempuan, frekuensi tertinggi nevus intradermal dengan jumlah 38 kasus (79%), dan regio kepala dengan frekuensi 39 kasus (81%).
3 Nur Alifa Isnaidi , Dwi Junanti (2019)
Fraktal Box Counting dan K-Means
Klasifikasi Jenis Tumor Kulit Menggunakan Dimensi Fraktal Box Counting Dan K-Meansf
Pengenalan ini memakai metode box counting dan K-Means dan mempunyai akurasi sebesar 100% / sangat tinggi untuk mengklasterkan tumor kulit menjadi 2 klaster (tumor jinak dan ganas) dan akurasi 65% untuk
pengklasteran tumor kulit menjadi 3 klaster (normal, atipikal, dan melanoma).
4 Dadang Heksaputra, Fadil Indra Sanjaya.
(2018)
Pengolahan Citra PH2
Anotasi Wilayah Melanoma dengan Komputasi Ekstraksi Ciri Pengolahan Citra PH2
Penelitian ini membuat pengotak-kotakkan wilayah kanker melanoma menggunakan
Pengolahan citra PH2.
Penelitian ini menghasilkan persentase sebesar 96.41%.
5. Michael Watts, Nik Kasabov (2019)
Simple Evolving Connectionist Systems
Simple Evolving Connectionist Systems and Experiments on Isolated
Phoneme Recognition
Penelitian ini membahas tentang bagaimana metode SECOS mendapat hasil lebih adaptif dan lebih mudah
diimplementasikan dibanding Multilayer Perceptron.
6. Sindi Abul Khairi (2017)
Evolving Multilayer Perceptron
Identifikasi Osteoporosis Melalui Bone Radiograph Menggunakan Evolving
Pada penelitian ini, data yang diambil berupa dataset citra x- ray tulang untuk mengidentidfikasi apakah data tersebut termasuk normal atau
Multilayer Perceptron
osteoporosis dan mendapat hasil akhir dengan akurasi 87.50%.
Sedangkan pada penelitian ini, penulis menggunakan adalah metode Evolving Multilayer Perceptron yang digunakan dapat memilih agoritma terbaiknya sendiri hingga pengguna tidak harus mencoba terlalu banyak algoritma yang ada. Penulis juga menggunakan CLAHE yang akan menampilkan citra-citra unik pada gambar.
BAB 3
IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini akan membahas mengenai perancangan serta analisis sitem. Tahap utama adalah penganalisaan data yang dipakai, tahap pengolahan citra yang dipakai, lalu selanjutnya implementasi metode Evolving Multilayer Perceptron untuk klasifikasi jenis kanker kulit. Selanjutnya dilakukan konfigurasi tampilan antarmuka sistem.
3.1. Data yang digunakan
Penelitian ini memakai dua jenis data yang akan digunakan pada sistem, yaitu data Training yang akan digunakan untuk proses learning dan data Testing yang digunakan pada proses pengujian hasil dari learning. Data yang dipakai pada penelitian ini adalah data benchmark berupa citra kulit dengan format JPG (Joint Photographic Expert) yang berjumlah total 162 data yang terdiri dari tiga kategori yaitu Actinic Keratosis, Karsinoma Sel Basal, dan Melanoma. Contoh data yang akan digunakan dapat dilihat pada Gambar 3.1.
Gambar 3.1. Contoh data yang akan digunakan dari tiga kategori 3.1.1. Data Training
Data training atau data olah adalah data yang dipakai untuk melakukan proses learning dimana pada proses tersebut sistem akan mendeteksi bagian-bagian khusus pada setiap kategori untuk dapat memisahkan citra per tiap kategori. Data training yang dipakai untuk proses training/learning adalah sebanyak 120, dimana masing-masing kategori mempunya data training sebanyak 60 citra.
3.1.2. Data Testing
Data testing adalah data untuk melakukan proses uji pada hasil dari training yang telah disimpan dalam sebuah model. Data ini adalah data yang berbeda dari data yang dipakai pada proses training. Data Testing berjumlah 42 citra, dimana masing-masing kategori mempunyai data testing sebanyak 14 citra.
3.2. Arsitektur Umum
Terdapat beberapa tahapan metode untuk mengklasifikasi jenis kanker kulit. Tahapan pertama adalah pengumpulan citra data kanker kulit. Penulis mengumpulkan data melalui benchmark dari Kaggle untuk data citra latih dan data citra uji. Selanjutnya, data melalui tahap preprocessing yang terdiri atas Scaling, Grayscale dan CLAHE (Contrast Limited Adaptive Histogram Equalization). Lalu, citra data kanker kulit akan disegmentasi melalui tahapan Binary Thresholding yang setelah itu adalah tahapan feature extraction menggunakan GLCM (Gray Level Co=occurrence Matrix, dimana metode tersebut mempunyai fungsi agar sistem mendapatkan hasil citra yang terkstraksi yang kemudian akan diproses menggunakan metode Evolving Multilayer Perceptron untuk dapat di klasifikasi menjadi 3 kategori kanker kulit yang diteliti. Proses pelatihan dan pengujian dapat dilihat pada Arsitektur Umum yang ada pada Gambar 3.2.
Gambar 3.2. Arsitektur Umum 3.3. Pre-Processing
Tahap preprocessing diperlukan agar menghasilkan citra yang lebih baik untuk diproses ke tahap selanjutnya. Tahapan ini terdiri dari Scaling, Grayscale, dan CLAHE.
3.3.1. Scaling
Proses ini dilakukan untuk mengurangi ukuran gambar pada citra agar sistem tidak memerlukan banyak waktu untuk memproses citra tersebut. Citra awal sebelum di scaling mempunyai banyak ukuran yang berbeda-beda hingga diperlukan proses scaling
untuk dapat menyamaratakan keseluruhan citra. Dalam penelitian ini penulis menyamaratakannya menjadi ukuran 224x224.
3.3.2. Grayscale
Tahapan ini dilakukan dengan mengatur nilai RGB (Merah, Hijau, Biru) pada citra hingga citra menjadi warna keabu-abuan. Rumus persamaan untuk menyamakan nilai RGB adalah dengan cara menjumlahkan ketiga warna tersebut, lalu membagi nya menjadi tiga hingga didapatlah nilai rata-rata-rata yang hasilnya akan membuat citra menjadi citra grayscale. Pada penelitian ini, citra akan di grayscale dengan matrix 5 x 5 seperti pada Gambar 3.2.
… … … …
… 1 2 3 4 5 …
… 6 7 8 9 10 …
… 11 12 13 14 15 …
… 16 17 18 19 20 …
… 21 22 23 24 25 …
… … … … Gambar 3.2. Citra berpixel 5 x 5
Nilai RGB para citra yang mempunyai ukuran sebesar 5x5 pixel terlihat di Tabel 3.1.
Tabel 3.1. Perhitungan Grayscale
Jumlah Pixel R G B Grayscale
Pixel 1 213 216 252 227
Pixel 2 212 213 254 226
Pixel 3 224 221 254 233
Pixel 4 220 221 253 231
Pixel 5 208 215 253 225
Pixel 6 221 223 255 233
Pixel 7 210 214 253 225
Pixel 8 196 208 252 218
Pixel 9 198 206 254 219
Pixel 10 190 206 252 216
Pixel 11 185 192 255 210
Pixel 12 170 193 253 205
Pixel 13 160 189 253 200
Pixel 14 156 184 252 197
Pixel 15 152 196 249 199
Pixel 16 171 195 254 206
Pixel 17 159 194 252 201
Pixel 18 166 185 254 207
Pixel 19 167 204 251 207
Pixel 20 184 207 255 215
Pixel 21 203 206 254 221
Pixel 22 196 202 253 217
Pixel 23 192 209 254 218
Pixel 24 201 211 251 221
Pixel 25 206 201 253 220
Maka, jika dilihat dari tabel diatas, matris 5x5 dari suatu citra setelah melewati proses grayscale dapat dilihat pada tabel 3.2.
Tabel 3.2. Hasil Grayscale pada 5x5 pixel
… … … … … … …
… 227 226 233 231 225 …
… 233 225 218 219 216 …
… 210 205 200 197 199 …
… 206 201 207 207 215 …
… 211 217 218 221 220 …
… … … … … … …
Dari tabel tersebut, kita dapat melihat hasil gambar/output dari grayscale pada Gambar 3.2.
Gambar 3.3. Hasil proses Grayscale 3.3.3. Contrast
Tahap ini dilakukan agar mengatur contrast agar dapat lebih meningkatkan kualitas citra setelah di grayscale agar bagian-bagian khusus pada citra kanker kulit akan lebih kelihatan. Penelitian ini menggunakan tingkat kontras sebesar 1.5. Maka dari itu rumus untuk menghitung kontras adalah hasil grayscale yang kita telah lakukan, akan dikali dengan 1,5 (Sebagai nilai kontras pada penelitian ini. Seperti yang terdapat pada Tabel 3.3.
Tabel 3.3. Hasil Grayscale sebelum di terapkan kontras
… … … … … … …
… 227 226 233 231 225 …
… 233 225 218 219 216 …
… 210 205 200 197 199 …
… 206 201 207 207 215 …
… 211 217 218 221 220 …
… … … … … … …
Pada tabel diatas, dapat diterapkan kontras sebesar 1,5 seperti yang dapat dilihat pada tabel Persamaan 3.4
Tabel 3.4. Tabel Persamaan Hasil Kontras Jumlah Pixel Citra sebelum
dikontras
Tingkat
Kontras 𝒈(𝒙) = 𝒂𝒇(𝒙) . 𝒃
Pixel 1 227 1.5 340
Pixel 2 226 1.5 339
Pixel 3 233 1.5 249
Pixel 4 231 1.5 346
Pixel 5 225 1.5 337
Pixel 6 233 1.5 349
Pixel 7 225 1.5 337
Pixel 8 218 1.5 327
Pixel 9 219 1.5 328
Pixel 10 216 1.5 324
Pixel 11 210 1.5 315
Pixel 12 205 1.5 307
Pixel 13 200 1.5 300
Pixel 14 197 1.5 295
Pixel 15 199 1.5 298
Pixel 16 206 1.5 309
Pixel 17 201 1.5 301
Pixel 18 207 1.5 310
Pixel 19 207 1.5 310
Pixel 20 215 1.5 322
Pixel 21 221 1.5 331
Pixel 22 217 1.5 325
Pixel 23 218 1.5 327
Pixel 24 221 1.5 331
Pixel 25 220 1.5 330
Setelah mendapatkan hasil penjumlahan dari sebagian pixel yang mempunyai matrix 5x5 diatas, Tabel hasil dari kontras dapat dilihat pada Tabel 3.5.
Tabel 3.5. Hasil kontras dalam matrix 5x5
… … … … … … …
… 340 339 249 346 337 …
… 349 337 327 328 324 …
… 315 307 300 295 298 …
… 309 301 310 310 322 …
… 331 325 327 331 330 …
… … … … … … …
Hasil dari pemrosesan tahap kontras dapat dilihat pada gambar 3.3.
Gambar 3.3. Citra grayscale setelah di kontras
3.3.4. CLAHE
CLAHE adalah singkatan dari contrast limited adaptive histogram equalization, yaitu tahap yang digunakan penulis untuk hasil dari kontras yang lebih bagus hingga mendapat objek-objek khusus yang terlihat lebih jelas. CLAHE juga dapat mengurangi noise pada citra hingga tahap ini dapat memberikan nilai rata-rata pada histogram.
Pada citra dari hasil sebelumnya, kita dapat melihat bahwa walaupun sudah di kontras, citra gambar masih menghasilkan low contrast, hal itu dapat kita lihat pada penjumlahan flat array pada Gambar 3.4.
Gambar 3.4. Penjumlahan Array dari citra low contrast
Penjumlahan tersebut dapat dihasilkan menjadi array baru yang terdapat pada Gambar 3.5.
Gambar 3.5. Hasil penjumlahan array low contrast
Untuk memasukkan CLAHE, penulis harus mencari batas maksimum dari citra yaitu dengan membagi luas region dan nilai grayscale dan dikalikan dengan penjumlahan clip factor. Hasilnya akan tampak pada perubahan array di Gambar 3.6.
Gambar 3.6. Hasil dari CLAHE
Dari hasil tersebut, penulis dapat membandingkan grafik dari low contrast dan high contrast. Dapat kita lihat pada Gambar 3.7.
Gambar 3.7. Perbandingan grafik low dan high contrast
Pada grafik low contrast yang berada di kiri, kita dapat melihat bahwa tidak ada hasil array yang berada di titik angka paling kecil hingga gambar-gambar khusus tidak terlihat, namun jika kita melihat pada hasil grafik CLAHE pada gambar di sebelah kanan, kita bisa melihat bahwa teknik CLAHE sudah menyelaraskan array hingga gambar dapat terlihat lebih jelas. Hasil dari CLAHE dapat dilihat pada gambar 3.8.
Gambar 3.8. Hasil dari CLAHE
3.4. Image Segmentation
Tahap ini mengubah citra yang awalnya berskala abu-abu menjadi citra binary yang akan membuat citra menjadi lebih tajam. Pada penelitian ini, parameter thresholding yang digunakan penulis adalah sebesar 150. Citra yang digunakan penulis disusun dalam matrix 5x5 dari hasil CLAHE dan dipilih pada posisi tengah, matrix tersebut dapat kita lihat pada Tabel 3.6.
Tabel 3.6. Matrix sebelum dithreshold
… … … … … … …
… 255 255 255 255 255 …
… 165 125 217 131 115 …
… 131 102 185 197 165 …
… 255 140 143 115 115 …
… 165 255 117 136 255 …
… … … … … … …
Cara kerja Thresholding adalah membandingkan nilai pixel suatu gambar. Jika nilai tersebut lebih dari alpha(penentu) yang pada penelitian kali ini penentunya adalah 150. Jadi, jika pixel gambar > 150 maka akan dikategorikan 1 (putih), sebaliknya jika nilai pixel < 150 maka akan dikategorikan 0 (hitam). Hasil matrix thresholding dapat dilihat pada Tabel 3.7.
Tabel 3.7. Matris Hasil Threshold
… … … … … … …
… 0 0 0 0 0 …
… 0 1 0 1 1 …
… 1 1 0 0 0 …
… 0 1 1 1 1 …
… 0 0 1 1 1 …
… … … … … … …
Menurut matrix 5x5, maka perbandingan hasil threshold dapat dilihat pada Gambar 3.9.
Gambar 3.9. Hasil Binary Thresholding
3.5. Feature Extraction
Tahap ini berguna untuk mengambil ciri khusus yang ada pada citra yang telah melalui tahap pre-processing dan segmetation. Pengambilan citra menggunakan metode GLCM yang pada penelitian ini akan menggunakan 7 nilai dari total 14 nilai GLCM yaitu Contrast, Energy, Homogenity, Correlation, Dissimilarity, ASM, dan Entropy. Hasil dari GLCM data training terdapat pada Tabel 3.8
Tabel 3.8. Hasil GLCM pada data training
No. 1 2 3 4 5 6 7 Ket
1 5335.872 0.7596 0.9179 0.7639 20.924 0.57699 0.7671 AK 2 6525.671 0.8400 0.8996 0.5080 25.590 0.70570 0.5168 AK 3 2451.195 0.8973 0.9623 0.7622 9.6125 0.80517 0.4303 AK 4 4346.542 0.8220 0.9331 0.7446 17.045 0.67581 0.6260 AK 5 1028.382 0.9612 0.9841 0.7381 4.0328 0.92403 0.1995 AK 6 2462.91 0.9010 0.9621 0.7501 9.6584 0.81193 0.4107 AK 7 356.6794 0.9850 0.9945 0.7737 1.3987 0.97030 0.1016 AK 8 1506.124 0.9503 0.9768 0.6878 5.9063 0.90317 0.2364 AK 9 2516.282 0.9053 0.9613 0.729701 9.8677 0.8196 0.3982 AK
10 712.0571 0.9677 0.9890 0.792154 2.7923 0.93648 0.1833 AK ...
62 770.6358 0.9672 0.9881 0.774813 3.0221 0.93566 0.1787 Ks. Basal 63 1680.559 0.9081 0.9741 0.82789 6.5904 0.82465 0.4077 Ks. Basal 64 438.6896 0.9768 0.9932 0.827466 1.7203 0.95419 0.1462 Ks. Basal 65 7.810498 0.9998 0.9998 0.24994 0.0306 0.99972 0.0012 Ks. Basal 66 70.29448 0.9980 0.9989 0.6024 0.2756 0.99620 0.0148 Ks. Basal 67 305.9112 0.9876 0.9952 0.764257 1.1996 0.97536 0.0810 Ks. Basal 68 826.611 0.9809 0.9872 0.493955 3.2416 0.96232 0.0986 Ks. Basal 69 236.9184 0.9930 0.9963 0.641306 0.9290 0.98621 0.0460 Ks. Basal 70 476.4404 0.9822 0.9926 0.737077 1.8683 0.9649 0.1124 Ks. Basal 71 370.9987 0.9881 0.9295 0.681507 1.4897 0.97613 0.0737 Ks. Basal 72 601.4084 0.9587 0.9751 0.7002 2.3464 0.95959 0.1845 Ks. Basal 73 596.2014 0.8398 0.9931 0.8298 2.8045 0.9794 0.1048 Ks. Basal
….
168 1727.422 0.8708 0.3435 0.90593 6.4203 0.69738 0.6567 Melanoma 167 494.6649 0.8406 0.9393 0.964124 1.9862 0.78406 0.5411 Melanoma 168 2642.552 0.7967 0.9362 0.874857 10.295 0.6373 0.7016 Melanoma 169 1192.403 0.9048 0.9663 0.891164 4.6789 0.81351 0.441 Melanoma 170 2111.438 0.7812 0.9529 0.908493 8.2149 0.6134 0.7101 Melanoma 171 3126.803 0.7877 0.9915 0.855187 12.197 0.6229 0.7111 Melanoma
172 3635.787 0.7943 0.9087 0.824159 14.799 0.6234 0.7188 Melanoma 173 3072.129 0.8336 0.9755 0.818052 124757 0.69323 0.6464 Melanoma 174 1601.152 0.8683 0.9377 0.891571 6.2028 0.7487 0.5991 Melanoma 175 2679.001 0.9162 0.9501 0.722383 10.589 0.81293 0.4436 Melanoma 176 2130.964 0.3221 0.9229 0.863632 8.3722 0.7286 0.5747 Melanoma 177 439.9914 0.9991 0.9234 0.944901 1.7456 0.8772 0.8632 Melanoma 178 1697.482 0.1823 0.9895 0.887399 6.6791 0.74274 0.6233 Melanoma 179 1871.916 0.925 0.9213 0.744382 7.3847 0.85922 0.3295 Melanoma 180 1330.388 0.8979 0.9741 0.882137 5.2209 0.80631 0.4133 Melanoma
Tabel 3.9. Hasil GLCM pada data testing
No. 1 2 3 4 5 6 7 Ket
1 1852.39 0.929858 0.971513 0.735463 7.264274 0.8643 0.525 AK 2 627.4433 0.985223 0.990351 0.512161 2.460562 0.9706 0.08 AK 3 1180.687 0.96406 0.981843 0.655858 4.630145 0.9294 0.179 AK 4 613.1241 0.981606 0.990571 0.652175 2.404408 0.9635 0.104 AK 5 2589.18 0.885676 0.960182 0.775477 10.15365 0.7844 0.463 AK 6 1426.718 0.950747 0.978059 0.705967 5.594971 0.9039 0.236 AK 7 101.5365 0.994503 0.998439 0.833961 0.398182 0.9890 0.043 AK 8 610.5206 0.978953 0.990611 0.709774 2.394198 0.9583 0.120 AK 9 1888.839 0.928602 0.970953 0.734709 7.407211 0.8623 0.319 AK
10 28.63849 0.999179 0.99956 0.633113 0.112308 0.9983 0.007 AK 11 2573.559 0.919846 0.960423 0.658435 10.09239 0.8461 0.335 AK 12 234.3149 0.993142 0.996397 0.642458 0.918882 0.9863 0.045 AK 13 1489.202 0.956133 0.977098 0.638954 5.840006 0.914 0.209 AK 14 2906.807 0.898311 0.955298 0.702639 11.39924 0.8069 0.408 AK 15 97.63123 0.997839 0.998499 0.467333 0.382868 0.9956 0.016 Ks. Basal 16 389.2232 0.984402 0.994014 0.760605 1.526365 0.9690 0.098 Ks. Basal 17 510.2859 0.935728 0.992153 0.932712 2.001121 0.8755 0.345 Ks. Basal 18 1236.662 0.932772 0.980982 0.829094 4.849656 0.8700 0.324 Ks. Basal 19 1579.022 0.92003 0.975717 0.812991 6.192245 0.8464 0.365 Ks. Basal 20 449.1036 0.983345 0.993093 0.736123 1.761191 0.9669 0.102 Ks. Basal 21 1115.599 0.899202 0.982844 0.901724 4.3749 0.8085 0.469 Ks. Basal 22 367.0934 0.981456 0.994355 0.818651 1.439582 0.9632 0.116 Ks. Basal 23 1064.831 0.938059 0.983625 0.842446 4.175809 0.8799 0.314 Ks. Basal 24 309.8164 0.984035 0.995235 0.823098 1.214966 0.9683 0.104 Ks. Basal 25 18.2245 0.99964 0.99972 0.363496 0.071469 0.9992 0.002 Ks. Basal 26 971.1053 0.956634 0.985066 0.78708 3.808256 0.9151 0.230 Ks. Basal 27 2103.627 0.854441 0.967649 0.864427 8.24952 0.7300 0.584 Ks. Basal 28 101.5365 0.994503 0.998439 0.833961 0.398182 0.9890 0.043 Ks. Basal 29 2099.722 0.806915 0.967709 0.898341 8.234205 0.6511 0.722 Melanoma 30 1645.412 0.703287 0.974696 0.947362 6.452594 0.4946 0.970 Melanoma
31 3272.599 0.8419 0.949672 0.793235 12.83372 0.7087 0.590 Melanoma 32 1176.782 0.744062 0.981903 0.957776 4.61483 0.5536 0.892 Melanoma 33 2215.578 0.74169 0.965928 0.918288 8.688541 0.5501 0.879 Melanoma 34 2173.922 0.773785 0.966568 0.909384 8.525184 0.5987 0.807 Melanoma 35 2233.802 0.683694 0.965648 0.93121 8.76001 0.4674 0.998 Melanoma 36 4441.57 0.733696 0.931695 0.828399 17.41792 0.5383 0.847 Melanoma 37 5778.467 0.660406 0.911136 0.815974 22.66065 0.4366 0.974 Melanoma 38 1637.601 0.793714 0.974816 0.927101 6.421965 0.6299 0.769 Melanoma 39 5050.789 0.799749 0.922327 0.731007 19.80701 0.6395 0.671 Melanoma 40 1969.547 0.863288 0.969711 0.865598 7.723715 0.7452 0.554 Melanoma 41 5691.25 0.795231 0.912477 0.695827 22.31863 0.6323 0.670 Melanoma 42 1181.989 0.901221 0.981823 0.893045 4.63525 0.8121 0.447 Melanoma
3.6. Klasifikasi
Metode yang digunakan untuk proses klasifikasi dari citra kanker kulit ini adalah metode Evolving Multilayer Perceptron. Metode ini adalah salah satu evolusi dari neural network yang mempunyai kelebihan yaitu lebih efisien dari MLP biasa dengan menyesuaikan parameter dan weight pada MLP yang menggabungan EA dan BP. Pada penelitian ini, akan dilakukan dengan learning rate = 0.1 dan EPOCH = 100 dan Binary Threshold = 150. Fungsi tanh yang didapat adalah 1,65, dengan Tanh 2 = 0,67 Akan menghasilkan data Forward, Backward dan starting seperti yang terdapat pada Tabel 3.10.
Tabel 3.10. Hasil Forward, Backward dan Starting
Forward Backward Starting
3.4944 3.4943 0.2037
3.7641 3.7640 0.4734
0.5183 0.5184 0.2421
0.6731 0.7182 0.2071
0.6945 0.7396 0.1857
0.3526 0.3977 0.4948
2.9486 2.9486 0.1211
1.1054 1.0793 0.1297
0.1755 0.2989 0.0827
Dari data diatas, penulis akan mengotak-kotakkan data kedalam tiga kelompok, yaitu Input layer, Hidden Layer dan output layer. Dimana value Input Layer adalah 1, sehingga data Forward, Backward dan Starting akan dikali dengan value yaitu 1. Hasil multilayer perceptron dapat dilihat pada Gambar 3.10. berikut
Gambar 3.10. Hasil Multilayer perceptron
Selanjutnya perhitungan hasil MSE akan penulis tampilkan dalam grafik yang menunjukkan banyaknya MSE(Mean Square Error / Error rata-rata) pada EPOCH. Pada
- 0.0200 0.0400 0.0600 0.0800 0.1000 0.1200 0.1400 0.1600 0.1800 0.2000
0 20 40 60 80 100 120
MSE
penelitian ini, EPOCH yang dipakai adalah sebanyak 100. Grafik dari MSE EPOCH dapat dilihat pada Gambar 3.11.
Gambar 3.11. MSE EPOCH 3.7. Perancangan Sistem
Pada tahap ini, akan dijelaskan mengenai perancangan sistem klasifikasi kanker kulit menggunakan metode Evolving Multilayer Perceptron dimana akan ditampilkan perancangan menu dan antarmuka dengan tujuan agar aplikasi dapat dijalankan dengan mudah oleh pengguna.
3.7.1. Perancangan Halaman Utama
Pada halaman utama akan terdapat judul penelitian pada paling atas, dibawahnya akan tampil logo sistem, identitas penulis, lalu di samping kanan aka nada empat tombol menu, yaitu tombol ‘tambah data’, ‘latih data’, ‘lakukan predikasi’, dan ‘exit’.
Perancangan itu dapat dilihat pada Gambar 3.12.
