KLASIFIKASI TUMOR OTAK PRIMER DAN SEKUNDER MENGGUNAKAN EXTREME LEARNING MACHINE SKRIPSI RIYAN MARIA WIJAYA

(1)

KLASIFIKASI TUMOR OTAK PRIMER DAN SEKUNDER MENGGUNAKAN EXTREME LEARNING MACHINE

SKRIPSI

RIYAN MARIA WIJAYA 141402074

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2019

Universitas Sumatera Utara

(2)

KLASIFIKASI TUMOR OTAK PRIMER DAN SEKUNDER MENGGUNAKAN EXTREME LEARNING MACHINE

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

RIYAN MARIA WIJAYA 141402074

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2019

(3)

(4)

(5)

PERNYATAAN

KLASIFIKASI TUMOR OTAK PRIMER DAN SEKUNDER MENGGUNAKAN EXTREME LEARNING MACHINE

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, 26 April 2019

Riyan Maria Wijaya 141402074

(6)

UCAPAN TERIMA KASIH

Puji dan syukur kehadirat Tuhan yang Maha Esa, karena atas berkat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. Penulisan skripsi ini tidak akan selesai tanpa doa, dukungan dan dorongan dari berbagai pihak. Adapun dalam kesempatan ini penulis ingin mengucapkan banyak 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 Universitas Sumatera Utara.

3 Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc., selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara dan juga Dosen Pembimbing I yang telah sabar dan meluangkan waktu untuk memberikan bimbingan, arahan, dan dorongan kepada penulis sehingga skripsi ini dapat terselesaikan.

4 Ibu Dr. Erna Budhiarti Nababan, M.IT., selaku Dosen Pembimbing II yang telah sabar dan meluangkan waktu untuk memberikan bimbingan dan arahan dalam proses penyelesaian skripsi ini.

5 Bapak Baihaqi Siregar, S.Si., MT, selaku Dosen Pembanding I yang telah memberikan kritik dan saran untuk penyempurnaan skripsi ini.

6 Bapak Ivan Jaya, S.Si., M.Kom, selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

7 Seluruh Dosen Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan ilmu, serta pendidikan pada penulis hingga dapat menunjang dalam penyelesaian skripsi ini. Serta staff akademik yang membantu kelancaran penulis dalam menyelesaikan studi.

8 Orangtua penulis dan kedua adik penulis untuk kesabaran, dukungan moral maupun materi serta doa yang tak hentinya diberikan kepada penulis sehingga penulis bisa menyelesaikan skripsi.

(7)

9 Lupy, anjing penulis yang selalu setia menemani tidur larut (walaupun sebenarnya dia juga tidur) dan menghibur ketika lagi sedih

10 Sahabat penulis, Devy Purba, Yolanda Naibaho, Lisa Felicia, Bela Anugrah, dan Caroline yang selalu memberikan dukungan serta bantuan kepada penulis selama masa studi dan dalam menyelesaikan skripsi.

11 Teman penulis, Nabila yang dengan kebetulannya selalu menjadi teman sekelas semenjak SMA, 6 tahun kita sekelas.

12 Teman-teman Teknologi Informasi USU 2014 terkhusus Kom C.

13

Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.

(8)

ABSTRAK

Tumor otak adalah kumpulan, atau massa yang dibentuk oleh sel abnormal yang terjadi pada otak. Secara klinis tumor otak dibagi menjadi 2 jenis, yaitu tumor yang tumbuh dengan sendirinya (primer) maupun hasil dari metastasis atau penyebaran sel kanker dari organ lainnya (sekunder). Tumor otak primer terdiri dari beberapa jenis, namun yang paling banyak dan ganas adalah Glioblastoma. Perbedaan antara Tumor Metastasis dengan Tumor Glioblastoma stadium tinggi akan menjadi lebih sulit apabila tumor asal tidak diketahui. Keterbatasan membedakan Glioblastoma dan Metastasis dari citra MRI menyebabkan dilema klinis karena keduanya memiliki penanganan lanjut yang berbeda. Oleh karena itu penulis melakukan penelitian yang dapat membantu dan mempermudah proses klasifikasi tumor otak primer dan sekunder berdasarkan pengolahan citra digital MRI. Metode jaringan saraf yang digunakan dalam penelitian ini untuk melakukan klasifikasi yaitu Extreme Learning Machine. Untuk pengambilan nilai ciri digunakan Gray Level Co-Occurrence Matrix.

Proses pelatihan pada penelitian ini menggunakan 70 citra MRI dan untuk proses pengujian menggunakan 30 citra MRI. Sistem mampu menghasilkan akurasi sebesar 96.7% dalam mengklasifikasi tumor otak primer dan sekunder.

Kata kunci : tumor otak, image processing, gray level co-occurrence matrix, extreme learning machine,

(9)

CLASSIFICATION OF PRIMARY AND SECONDARY BRAIN TUMOR USING EXTREME LEARNING MACHINE

ABSTRACT

Brain tumor is a collection, or a mass of abnormal cells in brain. Clinically brain tumors are categorized into 2 types, tumor that grow by themselves (primary) and the result of metastases or spread of cancer cell from other organs (secondary) . Primary tumor consists of several types, but the most numerous and malignant is Glioblastoma.

The difference between Metastatic tumor and high grade Glioblastoma will be more difficult if the origin tumor is not known. The limitations of distinguishing Glioblastoma and Metastatic from MRI cause clinical dilemmas because both have different advanced treatments. Therefore the author done a research that can help and facilitate the process of classification of primary and secondary tumor based on MRI digital image processing. The neural network method used for classification in this study is Extreme Learning Machine. For feature extraction Gray Level Co-occurrence Matrix is used. The training process in this study used 70 MRI images and for the testing process used 30 MRI images. The system is capable of producing an accuracy of 96.7 % in classifying primary and secondary brain tumor.

Keywords : brain tumor, image processing, gray level co-occurrence matrix, extreme learning machine

(10)

DAFTAR ISI

PERSETUJUAN ii

PERNYATAAN iii

UCAPAN TERIMAKASIH iv

ABSTRAK vi

ABSTRACK vii

DAFTAR ISI viii

DAFTAR TABEL x

DAFTAR GAMBAR xi

Bab 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Metodologi Penelitian 3

1.7 Sistematika Penulisan 4

Bab 2 LANDASAN TEORI

2.1 Tumor Otak 6

2.2 Pengolahan Citra Digital 9

2.2.1 Resizing 9

2.2.2 Grayscaling 10

2.2.3 CLAHE 10

2.3 Ekstraksi Ciri Citra 10

2.3.1 Gray level co-occurrence matrix 11

2.4 Jaringan Saraf Tiruan 12

2.5 Extreme Learning Machine 13

2.6 Penelitian Terdahulu 15

(11)

Bab 3 ANALISIS DAN PERANCANGAN SISTEM

3.1 Arsitektur Umum 19

3.1.1 Input Data 21

3.1.2 Resizing 21

3.1.3 CLAHE 22

3.1.4 Erosi 22

3.1.5 Feature extraction 22

3.1.6 Extreme Learning Machine 23

3.2 Perancangan Antarmuka Sistem 28

3.2.1 Perancangan Menu Sistem 28

3.2.2 Rancangan tampilan halaman awal 29

3.2.3 Rancangan tampilan menu utama 30

BAB 4 IMPLEMENTASI DAN PENGUJIAN

4.1 Implementasi Sistem 32

4.1.1 Spesifikasi perangkat keras dan perangkat lunak 32

4.1.2 Implementasi perancangan antarmuka 32

4.1.3 Implementasi data 34

4.2 Prosedur Operasional 39

4.3 Pengujian Sistem 49

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan 54

5.2 Saran 55

Daftar Pustaka 56

(12)

DAFTAR TABEL

Halaman

Tabel 2.1 Penelitian terdahulu 17

Tabel 3.1 Pembagian data latih & data uji 21

Tabel 3.2 Jumlah node dalam tiap layer 24

Tabel 4.1 Daftar citra uji 34

Tabel 4.2 Hasil pengujian dengan fungsi sigmoid 49

(13)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Otak normal 7

Gambar 2.2 Tumor otak glioblastoma 8

Gambar 2.3 Tumor otak metastasis 8

Gambar 2.4 Struktur dari sebuah sel saraf 12

Gambar 2.5 Strukur umum ELM 13

Gambar 3.1 Arsitektur umum 20

Gambar 3.2 Citra input (a), citra hasil resizing (b) 21

Gambar 3.3 Citra hasil kontras 22

Gambar 3.4 Citra hasil erosi 22

Gambar 3.5 Arsitektur ELM untuk klasifikasi tumor otak 24

Gambar 3.6 Perancangan menu sistem 29

Gambar 3.7 Rancangan halaman awal 29

Gambar 3.8 Rancangan halaman utama 30

Gambar 4.1 Tampilan halaman awal 33

Gambar 4.2 Tampilan halaman utama 33

Gambar 4.3 Tampilan halaman utama 39

Gambar 4.4 Tampilan button upload data Glioblastoma 40

Gambar 4.5 Tampilan upload data 40

Gambar 4.6 Tampilan jumlah total file Glioblastoma 41 Gambar 4.7 Tampilan button upload data Metastasis 41 Gambar 4.8 Tampilan jumlah total file Metastasis 42

Gambar 4.9 Tampilan button upload data Normal 42

Gambar 4.10 Tampilan halaman seluruh data training dipilih 43 Gambar 4.11 Tampilan pengaturan epoch, learning rate, hidden node 43

Gambar 4.12 Tampilan waktu proses 44

Gambar 4.13 Tampilan inisialisasi data 44

Gambar 4.14 Tampilan train data 45

Gambar 4.15 Tampilan button upload data uji 45

(14)

Gambar 4.16 Tampilan upload citra yang akan diuji 46

Gambar 4.17 Tampilan citra yang akan diuji 46

Gambar 4.18 Tampilan citra sesudah dikontras 47

Gambar 4.19 Tampilan hasil ekstraksi ciri 47

Gambar 4.20 Tampilan hasil klasifikasi 48

Gambar 4.21 Tampilan halaman clear 48

Gambar 4.22 Tampilan hasil reset 49

Gambar 4.23 Akurasi pengujian pada hidden neuron 10,15,20,30 52 Gambar 4.24 Citra Glioblastoma yang salah diklasifikasikan (a) 53

Citra Metastasis yang mirip dengan Glioblastoma (b)

(15)

BAB 1

PENDAHULUAN

Bab ini membahas tentang hal-hal yang berkaitan dengan pembuatan tugas akhir. Bab ini dibagi menjadi beberapa bagian yaitu latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.

1.1. Latar Belakang

Salah satu penyakit yang menyerang otak adalah tumor otak. Tumor otak dapat menyerang siapa saja, namun sebagian besar kasusnya terjadi pada orang dewasa.

Berdasarkan data Central Brain Tumor Registry Of The United State (CBTRUS) diperkirakan 78.980 kasus baru tumor ganas (malignant) dan jinak (benign) akan didiagnosis pada tahun 2018 di Amerika Serikat.

Tumor otak adalah sekumpulan massa yang dibentuk oleh sel abnormal yang terjadi pada otak. Secara klinis tumor otak dibagi menjadi 2 jenis, yaitu tumor yang tumbuh dengan sendirinya (primer) maupun hasil dari metastasis atau penyebaran sel kanker dari organ lainnya (sekunder). Tumor otak primer terdiri dari beberapa jenis, namun yang paling banyak dan ganas adalah Glioblastoma. Tumor otak dapat berkembang dengan sangat cepat, rata-rata kasus menunjukkan dalam waktu 25 hari ukuran tumor otak dapat berkembang 2 kali lebih besar. Oleh karena itu diperlukan diagnosa dini dan penanganan yang tepat untuk mencegah kerusakan permanen pada otak atau bahkan kematian pasien.

Magnetic Resonance Imaging (MRI) adalah salah satu peralatan medis yang berfungsi dalam hal diagnostik dengan memanfaatkan medan magnetik yang besar dan gelombang frekuensi radio untuk menghasilkan citra. MRI otak berguna untuk menghasilkan citra rekaman otak. Selain MRI, CT-Scan juga dapat digunakan untuk

(16)

diagnosa tetapi karena adanya paparan radiasi selama proses CT-Scan yang dapat menyebabkan efek yang berlawanan dan berkurangnya penyampaian informasi, maka Magnetic Resonance Imaging (MRI) lebih dianjurkan. Citra yang dihasilkan dari MRI akan dianalisa oleh dokter atau radiolog sehingga diagnosis penyakit bergantung pada hasil pengamatan dokter atau radiolog tersebut. Perbedaan antara Tumor Metastasis dengan Tumor Glioblastoma stadium tinggi akan menjadi lebih sulit apabila tumor asal tidak diketahui. Keterbatasan membedakan Glioblastoma dan Metastasis dari citra MRI menyebabkan dilema klinis karena keduanya memiliki penanganan lanjut yang berbeda. Standar umum penanganan pada Tumor Glioblastoma adalah intracarnial microsurgery dan radiasi adjuvant sedangkan penanganan Tumor Metastasis adalah stereotactic radiosurgery dan chemotherapy (Kamson et al, 2013).

Oleh karena itu penulis mengajukan penelitian yang dapat membantu dan mempermudah proses klasifikasi tumor otak primer dan sekunder berdasarkan pengolahan citra digital MRI. Penelitian sebelumnya yang pernah dilakukan oleh oleh Sonu Suhag dan Lalit Mohan Saini pada tahun 2015 melakukan klasifikasi Tumor Otak Glioma, Metastasis, dan Astrocytoma dengan menggunakan metode Support Vector Machine.

Penelitian sebelumnya juga telah dilakukan oleh Narmada Balasooriya dan Ruwan Nawarathna pada tahun 2017 untuk melakukan klasifikasi tumor otak, pada penelitian tersebut metode yang digunakan adalah Convolutional Neural Network.

Nilesh Bhaskarrao, dkk melakukan penelitian untuk mendeteksi tumor otak dengan menggunakan BWT dan SVM pada tahun 2017.

Dalam penerapan metode Extreme Learning Machine, penelitian dilakukan oleh Aulia Doly Rizky pada tahun 2017 untuk melakukan klasifikasi pendarahan otak.

Penelitian juga dilakukan oleh Tito Pandiangan pada tahun 2017 untuk mengidentifikasi kelainan pada jantung melalui citra EKG. Untuk proses pengambilan nilai ciri, metode yang digunakan adalah Invariant Moments.

Selain itu metode Extreme Learning Machine juga pernah diterapkan oleh Tio Febri untuk mengindentifikasi Retinoblasma. Pengambilan nilai ciri mengunakan metode Zoning, penelitian ini dilakukan pada tahun 2017.

Dengan latar belakang diatas, penulis melakukan penelitian mengenai sistem klasifikasi tumor otak primer dan sekunder menggunakan jaringan saraf tiruan yaitu

(17)

Extreme Learning Machine. Extreme Learning Machine memiliki keunggulan bila dibandingkan dengan metode jaringan saraf tiruan lainnya seperti waktu pembelajaran yang cepat dan tingkat akurasi yang tinggi.

1.2. Rumusan Masalah

Penentuan jenis tumor otak dilakukan oleh dokter dan radiolog dengan cara melihat hasil citra MRI. Citra yang dihasilkan foto MRI akan dianalisa oleh dokter atau radiolog sehingga diagnosis penyakit bergantung pada pengamatan dokter atau radiolog tersebut. Oleh karena itu diperlukan suatu metode komputasi untuk mempermudah dan membantu dokter dalam mengklasifikasi tumor otak yang diderita oleh pasien melalui citra foto MRI

1.3. Batasan Masalah

Adapun batasan masalah dari permasalahan yang ada, yaitu :

1. Data citra yang dipakai merupakan hasil digitasi citra MRI otak dengan format .jpeg

2. Jenis tumor otak primer yang digunakan pada penelitian ini adalah Glioblastoma

3. Citra berukuran 300x300 piksel

1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengklasifikasi tumor otak primer dan sekunder melalui citra MRI menggunakan metode Extreme Learning Machine.

1.5. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah :

1. Membantu dalam pengklasifikasian tumor otak primer dan sekunder

2. Implementasi extreme learning machine dalam mengklasifikasi tumor otak primer dan sekunder.

2.6. Metodologi Penelitian

Tahapan yang akan dilakukan dalam penelitian ini adalah sebagai berikut :

(18)

1. Studi Literatur

Pada tahap ini dilakukan pengumpulan dan mempelajari informasi mengenai tumor otak, resizing, clahe, grayscale, gray level co-occurrence matrix, dan metode Extreme Learning Machine untuk proses klasifikasi. Informasi diperoleh dari jurnal, buku, skripsi dan berbagai sumber informasi lainnya.

2. Analisis

Pada tahap ini dilakukan analasis masalah terhadap studi literatur untuk mendapatkan pemahaman tentang metode yang akan digunakan dalam menyelesaikan permasalahan klasifikasi tumor otak primer dan sekunder melalui citra MRI.

3. Perancangan

Pada tahap ini dilakukan perancangan dari hasil analisis permasalahan yang dilakukan pada tahapan sebelumnya. Perancangan yang dilakukan pada tahap ini adalah perancangan arsitektur dan antarmuka sistem.

4. Implementasi

Pada tahap ini dilakukan implementasi dari hasil analisis dan perancangan dalam bentuk pembangunan program.

5. Pengujian

Pada tahap ini dilakukan pengujian terhadap sistem yang dibuat untuk mengukur keakuratan metode Extreme Learning Machine untuk mengklasifikasi tumor otak primer dan sekunder.

6. Dokumentasi dan Penyusunan Laporan

Pada tahap ini dilakukan dokumentasi dan penyusunan laporan dari keseluruhan penelitian yang telah dilakukan

2.7. Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari lima bagian, yaitu sebagai berikut : Bab 1 : Pendahuluan

Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitan, metodologi penelitian, dan sistematika penelitian.

(19)

Bab 2 : Landasan Teori

Bab ini berisi tentang teori-teori yang mendukung pemahaman terhadap permasalahan yang menjadi penelitian ini, yaitu teori mengenai tumor otak primer dan sekunder, pra-pengolahan citra seperti resizing, clahe, grayscale, ekstraksi fitur GLCM, dan metode Extreme Learning Machine untuk proses klasifikasi.

Bab 3 : Analisis dan Perancangan

Bab ini membahas tentang analisis arsitektur umum dan analisis dari metode yang digunakan yaitu Extreme Learning Machine dalam mengklasifikasi tumor otak primer dan sekunder, serta perancangan sistem yang dibuat.

Bab 4 : Implementasi dan Pengujian

Bab ini membahas tentang implementasi dari hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya dan juga membahas tentang hasil pengujian dari sistem yang telah dibangun.

Bab 5 : Kesimpulan dan Saran

Bab ini berisi tentang kesimpulan dari penelitian yang telah dilakukan dan saran yang diajukan untuk mengembangkan penelitian berikutnya

(20)

BAB 2

LANDASAN TEORI

Bab ini berisi tentang teori-teori penunjang yang digunakan untuk dapat memahami permasalahan pada penelitian ini yaitu menjelaskan tentang teori tumor otak, resizing, CLAHE, grayscale, gray level cooccurrence matrix untuk ekstraksi fitur dan Extreme Learning Machine untuk mengklasifikasi jenis tumor otak.

2.1 Tumor Otak

Tumor otak terjadi karena pertumbuhan sel di dalam atau disekitar organ otak secara abnormal yang menyebabkan terganggunya fungsi otak. Saat ini terdapat sekitar 130 jenis tumor otak, penamaan tumor otak biasanya berdasarkan asal jenis jaringan atau sel yang terkena gangguan dan bisa juga berdasarkan area otak yang terkena tumor.

Penyebab tumor otak belum diketahui secara menyeluruh oleh para ahli kesehatan dan peneliti, sangat sedikit faktor penyebab tumor otak yang pasti. Akan tetapi, penelitian menemukan bahwa perubahan-perubahan yang terjadi pada sel otak merupakan penyebab tumor otak berkembang menjadi ganas. Sebagian faktor yang dapat meningkatkan resiko berkembangnya tumor otak primer yaitu:

 Pemaparan dosis tinggi radiasi ionisasi yang umumnya digunakan untuk merawat kanker lainnya yang mungkin sudah dimiliki.

 Gender, dimana pria berisiko lebih tinggi dibandingkan wanita

 Bertambahnya usia (di atas 65 tahun)

 Suku (Kaukasia berisiko lebih tinggi)

Gejala tumor otak sangat sulit untuk dikenali, hanya berbagai gejala yang dapat terjadi. Gejala awal tumor otak dimulai dari sakit kepala dan sakit leher, kejang dan masalah perut. Tanda-tanda tumor otak ini terjadi ketika tumor otak menyebabkan

(21)

kerusakan pada berbagai kelompok dari sel-sel saraf, menyebabkan sinyal buatan atau kurangnya sinyal ke berbagai bagian tubuh.

Secara klinis tumor otak dibagi menjadi 2 jenis, yaitu tumor yang tumbuh dengan sendirinya (primer) maupun hasil dari metastasis atau penyebaran sel kanker dari organ lainnya (sekunder). Tumor otak dapat berkembang dengan sangat cepat menjadi kanker sehingga membahayakan penderitanya, oleh karena itu diperlukan diagnosa dini dan penanganan yang tepat.

Pemeriksaan radiologi standar untuk tumor otak adalah CT-scan dan MRI. CT- scan berguna untuk melihat adanya tumor pada langkah awal pendiagnosisan dan sangat baik untuk melihat klasifikasi, lesi erosi/destruksi pada tulang tengkorak, namun memiliki efek yang buruk pada pasien karena adanya efek paparan radiasi sehingga tidak disarankan pada pasien penderita tumor otak. MRI dapat melihat gambaran jaringan lunak dengan lebih jelas dan sangat baik untuk tumor infratentorial, namun mempunyai keterbatasan dalam hal menilai klasifikasi. Citra MRI otak normal dapat dilihat pada gambar 2.1

Gambar 2.1. Otak Normal (https://radiopaedia.org) a. Tumor otak primer

Tumor otak primer merupakan jenis tumor yang berasal dari otak, bukan dari penyebaran kanker yang lain, dan tumor dapat muncul dibagian otak mana saja.

Astrocytoma, Glioblastoma, Medulloblastoma, Ependymoma, Neurinoma, Limfoma, Meningionima, adalah jenis tumor otak yang tergolong primer. Diantara jenis tumor tersebut, Glioblastoma adalah salah satu jenis tumor primer yang paling umum ditemukan pada orang dewasa dan tergolong jenis tumor ganas. Glioblastoma terbentuk dari sel berbentuk bintang di otak yang disebut dengan astrosit. Dan biasanya biasanya dimulai di serebrum, bagian otak terbesar pada orang dewasa.

(22)

2.2 Pengolahan Citra Digital ( Digital Image Processing)

Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek.

Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital.

Citra analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X, hasil CT-Scan dll. Sedangkan citra digital adalah citra yang dapat diolah oleh komputer (T,Sutoyo et al. 2009: 9)

Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M kolom dan N baris, dimana perpotongan antara kolom dan baris disebut piksel atau picture element, yaitu elemen terkecil dari sebuah citra. Piksel mempunyai dua parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di titik itu.

Berdasarkan cara penyimpanan atau pembentukannya, citra digital dapat dibagi menjadi dua jenis. Jenis pertama adalah citra digital yang dibentuk oleh kumpulan piksel dalam array dua dimensi, yang disebut dengan bitmap raster. Jenis citra yang kedua adalah citra yang dibentuk oleh fungsi-fungsi geometri dan matematika, yang disebut grafik vektor

Pengolahan citra atau image processing merupakan proses mengolah piksel- piksel di dalam citra digital untuk tujuan tertentu. Umumnya operasi citra digital bertujuan untuk memperbaiki kualitas suatu gambar sehingga dapat dengan mudah diinterpretasikan oleh mata manusia dan informasi yang ada pada suatu gambar dapat diolah untuk kebutuhan identifikasi objek secara otomatis (Murinto, 2009). Beberapa teknik pengolahan citra yang diterapkan pada penelitian ini diantaranya sebagai berikut :

2.2.1. Resizing

Resizing merupakan proses mengubah ukuran gambar sehingga menghasilkan sebuah citra baru dengan ukuran yang lebih kecil dari citra awal dengan cara mengecilkan pixel, setelah melalui tahap smoothing dan interpolasi untuk menghasilkan citra yang lebih baik.

(23)

2.2.2 Grayscaling

Grayscaling merupakan proses mengubah citra warna (RGB) menjadi citra keabuan.

Grayscaling berguna untuk menyederhanakan citra RGB yang memiliki 3 layer matriks (red, green, dan blue) menjadi 1 layer matriks keabuan dengan cara mengalikan masing-masing nilai red, green, dan blue dengan konstanta berjumlah 1.

Citra keabuan menggunakan warna putih sebagai warna maksimum, warna hitam sebagai warna minimum dan warna diantara hitam dan putih yaitu abu-abu.

Abu-abu merupakan warna dimana komponen merah, hijau, dan biru mempunyai intensitas yang sama. Grayscaling dilakukan dengan cara mencari nilai rata-rata dari total nilai RGB, ditunjukkan pada persamaan :

(2.1)

Dimana : X = nilai hasil grayscaling R = nilai red dari sebuah piksel G = nilai green dari sebuah piksel B = nilai blue dari sebuah piksel

2.2.3. Contrast limited adaptive histogram equalization (CLAHE)

Kontras menyatakan sebaran terang dan gelap dalam suatu citra. Kontras dalam citra grayscale sangat diperlukan. Contrast limited adaptive histogram equalization diterapkan untuk mengatur kekontrasan citra sehingga dapat menampilkan bagian yang gelap atau tidak terlihat dengan cara dengan memberikan nilai batas (clip limit) pada citra sehingga citra terlihat lebih jelas dan tidak terjadi peningkatan kontras yang berlebihan. Citra kontras yang bagus memiliki jangkauan nilai keabuan yang lebar dan tidak memiliki nilai keabuan yang mendominasi.

2.3. Ekstraksi Ciri Citra

Ekstraksi fitur atau ciri citra merupakan tahapan mengekstrak ciri atau informasi dari objek di dalam citra yang ingin dikenali atau dibedakan dengan citra lainnya. Ciri

(24)

yang telah diesktrak selanjutnya digunakan sebagai parameter atau nilai masukan untuk membedakan antara objek satu dengan lainnya pada tahapan identifikasi atau klasifikasi. Pada penelitian ini ekstrasi ciri citra yang digunakan adalah Gray level co- occurrence matrix.

2.3.1 Gray level co-occurrence matrix

Haralick et al memperkenalkan salah satu aplikasi analisis gambar yaitu Gray Level Co-occurrence Matrix. Rumitnya struktur karena perbedaan jaringan seperti White Matter (WM), Gray Matter (GM) pada citra MRI menjadikan ekstraksi fitur penting untuk dilakukan. Menemukan dan menganalisa tekstur dapat meningkatkan keakuratan diagnosa.

Gray Level Co-occurrence melakukan ekstraksi ciri berbasis statistikal, yang terdiri dari ekstraksi ciri orde pertama dan orde kedua. Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde pertama, antara lain adalah mean, skewness, variance, kurtosis, dan entropy.

Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi.

Matriks kookurensi merupakan suatu matriks antara yang merepresentasikan hubungan ketetanggaan antarpiksel dalam citra pada berbagai arah orientasi () dan jarak spasial (d). Arah orientasi pada ekstraksi ciri ini berdasarkan sudut yang dapat dibentuk dari nilai piksel citra, yaitu 0, 45, 90, dan 135). Sedangkan pada jarak spasial dinyatakan dalam bentuk piksel.

Beberapa jenis ciri tekstural yang dirumuskan adalah sebagai berikut (Haralick et al, 1973):

a. Entropy

(25)

Entropy digunakan untuk mengukur ketidakteraturan intensitas distribusi dan mengukur aras keabuan dalam citra

∑ ∑ ( ) ( ( )) (2.2)

b. Energy

Energy merupakan nilai dari jumlah kuadrat pada elemen-elemen matriks GLCM.

∑ ( ) (2.3)

c. Corellation

Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.

∑ ∑ ( ) ( )

(2.4)

d. Inverse Different Moment (IDM)

Disebut juga homogenitas. Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar.

∑ ∑

( ) ( ) (2.5)

e. Contrast

Contrast digunakan untuk mengukur penyebaran elemen-elemen matriks citra. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra

∑ | | ( ) (2.6)

Dimana :

 i adalah baris piksel pada matriks

 j adalah kolom piksel pada matriks

 p(i,j) adalah nilai elemen pada matriks GLCM dalam bentuk probabilitas

 adalah nilai variasi intensitas piksel yang berdekatan

(26)

Dengan syarat ketika nilai i dan j sama, sel berada pada diagonal dan (i-j) = 0. Nilai- nilai ini merepresentasikan pixel yang keseluruhannya mirip dengan tetangga mereka, sehingga diberi bobot 0

2.4 Jaringan Saraf Tiruan

Jaringan saraf tiruan atau artificial neural network menurut Hammerstone (1993) merujuk pada teknologi komputasi yang dikembangkan berdasarkan cara kerja otak pada makhluk hidup.

Gambar 2.4 Struktur dari Sebuah Sel Saraf (Neuron)

Berdasarkan gambar 2.4 struktur dari sebuah sel saraf atau neuron terdiri dari dendrite, cell body, dan axon. Dendrites merupakan unit input yaitu sebagai tempat masuknya sinyal, cell body berfungsi untuk memproses sinyal yang masuk, dan axon merupakan unit output dari sinyal hasil proses cell body. Hubungan antara neuron yang satu dengan yang lain lewat hubungan synapse.

Jaringan syaraf tiruan (JST) memiliki karakteristik yang mirip dengan jaringan saraf biologi yang digambarkan sebagai berikut :

a. Menerima input atau masukan, baik dari data yang dimasukkan atau dari output sel saraf pada jaringan saraf. Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight).

b. Setiap sel saraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari sel saraf (post synaptic potential, PSP, dari sel saraf). Signal aktivasi kemudian menjadi fungsi aktivasi/fungsi transfer untuk menghasilkan output dari sel saraf.

Jaringan saraf tiruan ditentukan oleh 3 hal :

(27)

a. Pola hubungan antar neuron (disebut arsitektur jaringan)

b. Metode untuk menentukan bobot penghubung (metode training/learning/

algoritma) c. Fungsi aktivasi

2.5 Extreme Learning Machine

Extreme Learning Machine merupakan metode baru dari dari jaringan saraf tiruan.

ELM merupakan jaringan saraf tiruan feedforward dengan single hidden layer atau biasa disebut single hidden layer feedforward neural networks (SLFNs). Struktur umum ELM dapat dilihat pada gambar 2.5

Gambar 2.5 Struktur Umum ELM

Pada jaringan saraf tiruan feedforward semua parameter harus ditentukan secara manual dan juga saling berhubungan antara layer yang satu dengan yang lain.

Parameter yang dimaksud adalah input weight dan hidden bias. Hal ini menyebabkan jaringan saraf tiruan feedforward membutuhkan learning speed yang lama dan sering terjebak pada local minima.

Pada extreme learning machine parameter-parameter seperti input weight dan hidden bias dipilih secara acak sehingga ELM memiliki learning speed yang cepat dan mampu menghasilkan kinerja generalisasi yang baik (Huang et al, 2006).

Secara matetis, untuk jumlah pasangan input dan target output yang berbeda ( ), dengan = dan , standar SLFNs dengan jumlah hidden nodes sebanyak ̃ dan fungsi aktivasi g(x) dapat dimodelkan sebagai berikut (Huang et al, 2006) :

(28)

∑ ( ) ∑^̃ ( )

̃

(2.7)

Dimana :

 = merupakan vektor bobot yang menghubungkan hidden node ke–i dan input nodes

 = merupakan vektor bobot yan menghubungkan hidden node ke-i dan output nodes

 merupakan nilai bias dari hidden node ke-i

 merupakan inner product dari dan

 ( ) merupakan fungsi aktivasi

SLFNs standar dengan ̃ hidden nodes dan fungsi aktivasi g(x) diasumsikan dapat memperkirakan sampel ini dengan tingkat error 0 yang artinya ∑‖

‖ , sehingga terdapat dan sedemikian sehingga (Huang et al, 2006) :

∑^̃ ( ) (2.8) Persamaan di atas dapat dituliskan secara sederhana sebagai (Huang et al, 2006) :

H = T (2.9)

Dimana

H = [

( ) ( ̃ ̃) ( ) ( ̃ ̃)

] (2.10)

= [

̃

] (2.11)

(29)

T= [ ] (2.12)

Dengan keterangan :

H = matriks output pada hidden layer

= vektor bobot yang menghubungkan hidden node dan input node = vektor input

= bias yang terhubung dengan hidden node .x = inner product dari dan x

= vektor bobot yang menghubungkan hidden node dan output node T = matriks target

Sehingga bobot output yang berhubungan dengan hidden layer dapat ditentukan dari persamaan berikut :

= T (2.13)

dengan merupakan Moore-Penrose generalized inverse dari H.

2.6 Penelitian Terdahulu

Beberapa penelitian telah dilakukan untuk mengidentifikasi dan mengklasifikasi tumor otak. Automatic Brain Tumor Detection And Classification Using SVM, penelitian ini dilakukan oleh Sonu Suhag dan Lalit Mohan Saini pada tahun 2015.

Dalam penelitian ini metode yang digunakan adalah Support Vector Machine.

Pengolahan citra menggunakan Fuzzy C-means Clustering untuk proses segmentasi dan ekstraksi fitur menggunakan metode Gray Level Co-Occurrence Matrix. Data yang digunakan untuk pengujian sebanyak 36 citra abnormal dan 10 citra normal.

Tingkat akurasi yang dihasilkan SVM dalam mengklasifikasi mencapai 91%

A Sophisticated Convolutional Neural Network Model for Brain Tumor Classification. Penelitian dilakukan oleh Narmada Balasooriya dan Ruwan Nawarathna pada tahun 2017. Metode yang digunakan untuk mengklasifikasi jenis Tumor Glioma pada penelitian ini adalah Convolutional Neural Network . Data yang

(30)

digunakan sebanyak 65427 citra MRI dari 100 pasien. Tingkat akurasi yang dihasilkan mencapai 99.46%

Penelitian yang dilakukan oleh Nilesh Bhaskarrao Bahadure, dkk pada tahun 2017 dengan judul Image Analysis for MRI Based Brain Tumor Detection and Feature Extraction Using Biologically Inspired BWT and SVM bertujuan untuk mendeteksi tumor. Pengolahan citra menggunakan Berkeley Wavelet Transform untuk proses segmentasi dan SVM untuk klasifikasi citra normal dan abnormal. Tingkat akurasi yang dicapai dengan metode ini ad alah 96.51%

Metode Extreme Learning Machine pernah diaplikasikan untuk melakukan klasifikasi pendarahan otak pada tahun 2017, penelitian dilakukan oleh Aulia Doly Rizky. Data penelitian yang digunakan sebanyak 75 citra, 15 citra normal dan 60 citra abnormal, tingkat akurasi yang dihasilkan dengan metode Extreme Machine Learning mencapai 92%

Penelitian yang dilakukan oleh Tito Pandiangan dengan judul Identifikasi Kelainan Pada Jantung Menggunakan Extreme Learning Machine berhasil mendeteksi kelainan pada jantung melalui citra EKG dengan tingkat akurasi sebesar 90,9%. Untuk pengambilan nilai ciri yang digunakan adalah Invariant Moments.

Selain itu metode Extreme Learning Machine pernah diterapkan oleh Tio Febri untuk mengindentifikasi Retinoblasma. Pengambilan nilai ciri mengunakan Zoning.

Proses pengujian menggunakan 12 jenis citra penyakit kulit dan menghasilkan kemampuan mengidentifikasi jenis penyakit kulit dengan akurasi sebesar 92%.

Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada tabel 2.1

Tabel 2.1. Penelitian Terdahulu

(31)

No Peneliti Metode Keterangan Akurasi 1 Sonu Suhag

dan Lalit Saini.

(2015)

Support Vector Machine

Melakukan deteksi dan klasifikasi Tumor Otak Glioma, Metastasis, dan Astrocytoma.

91%

2 Nilesh

Balasooriya (2017)

Convolutional Neural Network

Penelitian ini melakukan klasifikasi jenis Tumor Glioma

99.46%

3 Nilesh

Bhasarrao (2017)

Support Vector Machine

Penelitian ini melakukan deteksi dan klasifikasi tumor berdasarkan grade atau stadium tumor

96.51%

4 Aulia Doli Rizky (2017)

Extreme Learning Machine

Penelitian ini melakukan klasifikasi pedarahan otak dengan menerapkan metode ELM

92%

5 Tito

Pandiangan (2017)

Penelitian ini menerapkan ELM untuk melakukan identifikasi kelainan jantung menggunakan citra ekg.

Ekstraksi fitur yang digunakan adalah invariant moments

90.9%

6 Tio Febri (2017)

Penelitian ini melakukan identifikasi retinoblasma menggunakan ELM dan

92%

(32)

ekstraksi fitur yang digunakan adalah Zoning

Perbedaan penelitian yang dilakukan penulis dengan penelitian sebelumnya terletak pada jenis tumor yang diklasifikasi dan metode klasifikasi yang digunakan. Jenis tumor yang diklasifikasi oleh penulis adalah Tumor Glioblastoma, Metastasis, dan otak normal. Penelitian yang dilakukan oleh Sonu Suhag dan Lalit Mohan Saini adalah mengklasifikasi jenis Tumor Glioma, Metastasis dan Astocytoma. Pada penelitian Narmada Balasooriya dan Ruwan Nawarathna, jenis tumor yang diklasifikasi adalah jenis tumor primer (Astrocytoma, Glioblastoma, Oligodendroglioma), otak normal, dan jenis tumor yang tidak diketahui. Sedangkan penelitian Nilesh Bahadure, dkk mendeteksi tumor otak dan mengklasifikasi citra normal dan abnormal.

Dalam melakukan klasifikasi, metode yang digunakan adalah Extreme Learning Machine, dimana metode tersebut belum pernah digunakan dalam penelitian klasifikasi tumor otak sebelumnya.

(33)

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini membahas tentang analisis dan perancangan pada aplikasi Klasifikasi Tumor Otak Primer dan Sekunder. Analisis terhadap data yang digunakan, kemudian analisis data dengan menggunakan beberapa tahapan pengolahan citra, dan implementasi ELM dalam melakukan klasifikasi jenis tumor otak dibahas pada tahap analisis.

Perancangan tampilan antarmuka sistem dibahas pada tahap perancangan sistem.

3.1. Arsitektur Umum

Metode untuk mengenali jenis tumor primer dan sekunder melalu citra MRI pada penelitian ini terdiri dari beberapa tahapan. Tahapan awal yaitu pengumpulan data citra normal, Tumor Glioblastoma, dan Tumor Metastasis yang akan digunakan sebagai citra pelatihan dan pengujian. Setelahnya adalah tahapan pre-processing yang terdiri dari tahap resizing yang bertujuan untuk mengubah dan menyeragamkan resolusi citra, kemudian dilakukan penyeragaman keabuan citra dengan menggunakan grayscale dan kemudian dilakukan proses CLAHE untuk memberikan kontras antara daerah White Matter dan Gray Matte. Setelah itu dilakukan proses ekstraksi ciri tekstur atau feature extraction dengan menggunakan metode GLCM. Setelah itu masuk ke tahap klasifikasi dengan menggunakan metode Extreme Learning Machine.

Setelah seluruh tahap dilakukan maka aplikasi menghasilkan keluaran berupa informasi jenis tumor. Adapun tahapan tersebut dapat dilihat dalam bentuk arsitektur umum pada gambar 3.1

(34)

Gambar 3.1. Arsitektur Umum

(35)

3.1.1 Input data

Data citra yang digunakan dalam penelitian ini adalah citra MRI. Data MRI diperoleh dari https://.radiopaedia.org. Data MRI terdiri dari 3 jenis yaitu citra otak normal, citra Glioblastoma, dan citra Metastasis. Data tersebut akan digunakan sebagai data pelatihan dan pengujian. Seluruh data training berjumlah 70, data testing 30, dan format file citra adalah .JPG, dimana pembagian citra ditunjukkan pada tabel 3.1

Tabel 3.1. Pembagian Data Latih & Data Uji

No Nama Penyakit Jumlah Data

Training Testing

1 Glioblastoma 25 10

2 Metastasis 25 10

3 Normal 20 10

Total 70 30

3.1.2 Resizing

Resizing bertujuan untuk mengubah ukuran pixel citra masukan menjadi ukuran yang sudah ditentukan. Citra yang dimasukkan ke sistem akan diubah menjadi 300x300 pixel. Dengan ukuran pixel yang lebih kecil, sistem lebih mudah untuk memproses nilai ciri citra. Citra input dapat dilihat pada gambar 3.2(a) dan citra sesudah mengalami tahap resizing dapat dilihat pada gambar 3.2(b)

(36)

Gambar 3.2. (a) Citra Input (b) Citra Hasil Resizing

3.1.3 Contrast limited adaptive histogram equalization (CLAHE)

CLAHE bertujuan untuk mengatur kekontrasan citra sehingga dapat menampilkan bagian yang gelap atau tidak terlihat. Citra hasil kontras dapat dilihat pada gambar 3.3

Gambar 3.3. Cita Hasil Kontras

3.1.4 Erosi

Skull Stripping atau penghilangan tulang tengkorak bertujuan untuk meningkatkan hasil analisis, skull stripping dapat dilakukan dengan proses erosi. Erosi merupakan salah satu operasi morfologi atau teknik pengolahan citra berdasarkan bentuk segmen citra. Erosi atau pengikisan bertujuan untuk memperkecil atau mengikis tepi objek.

Contoh citra hasil erosi dapat dilihat pada gambar 3.4

Gambar 3.4. Cita Hasil Erosi

3.1.5 Feature extraction

(37)

Feature extraction atau ekstraksi ciri pada penelitian ini menggunakan metode Gray Level Co-occurrence Matrix (GLCM). Input untuk proses GLCM adalah citra berskala keabuan, yang nantinya akan diubah menjadi matriks GLCM yang mempresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah dan jarak spasial yang menghasilkan nilai ciri dengan tingkat perbedaan yang diinginkan. Langkah-langkah ekstraksi ciri menggunakan GLCM adalah sebagai berikut :

1. Tentukan citra graylevel sebagai ukuran matriks

2. Tentukan jarak spasial dan sudut orientasi antar piksel referensi dengan tetangga. Pada penelitin ini, jarak yang digunakan adalah 1 dan sudut yang digunakan adalah 0º, 45º, 90º, 135º

3. Hitung nilai kookurensi berdasarkan jarak dan sudut yang sudah ditentukan 4. Jumlahkan matriks kookurensi dan matriks tranposenya agar menghasilkan

matriks kookurensi yang simetris

5. Normalisasi matriks ke bentuk probabilitas dengan cara membagi masing- masing nilai elemen dengan jumlah seluruh nilai elemen spasial

6. Hitung nilai ciri tekstur dengan menggunakan rumus entropy sesuai dengan persamaan (2.2), energy sesuai dengan persamaan (2.3), corellation sesuai dengan persamaan (2.4), inverse different moment sesuai dengan persamaan (2.5), dan contrast sesuai dengan persamaan (2.6)

Hasil dari perhitungan tersebut diubah ke dalam bentuk vektor kolom. Karena terdapat 4 matriks GLCM (0º, 45º, 90º, 135º) di mana setiap masing-masing dari matriks tersebut menghasilkan 5 tekstur ciri, maka secara keseluruhan terdapat 20 ciri yang selanjutnya digunakan pada tahap pembelajaran dengan metode ELM.

3.1.6 Extreme Learning Machine

Gambar 3.5 merupakan arsitektur yang akan digunakan dalam jaringan Extreme Learning Machine, terdiri dari 3 layer yaitu Input Layer, Hidden Layer, dan Output Layer. Layer input sebanyak 20 node, hidden sebanyak 15 node dan output terdiri dari

(38)

3 node (Glioblastoma, Metastasis dan Normal). Jumlah node pada layer input ditentukan berdasarkan jumlah nilai dari hasil ekstraksi fitur. Pemilihan hidden node yang berjumlah 15 node merupakan suatu bobot yang baik dalam menghasilkan akurasi yang tinggi dalam sistem klasifikasi tumor otak dan tidak memakan banyak waktu dalam proses pengolahan citra

Gambar 3.5 Arsitektur ELM untuk Klasifikasi Tumor Otak

Tabel 3.2 Jumlah Node Dalam Tiap Layer

Keterangan Jumlah Node

Input Layer 20

Hidden Layer 15

Output Layer 3

(39)

Pelatihan dilakukan guna mencari bobot dan bias optimal atau sesuai untuk digunakan pada proses testing. Adapun langkah-langkah training yang akan diproses adalah sebagai berikut:

Langkah 1 : Inisialisasi semua bobot dan bias dengan bilangan acak kecil [0-1]

Langkah 2 : Jika kondisi penghentian belum terpenuhi, maka lakukan langkah 3 sampai langkah 7

Fase I propagasi maju (feed forward)

Langkah 3 : Tiap unit masukan ( i = 1, 2, …, n) menerima sinyal dan meneruskan sinyal tersebut ke semua hidden layer.

Langkah 4 : Menghitung tiap-tiap lapisan unit hidden 𝑍 (j = 1, 2, …, m) dengan menjumlahkan sinyal-sinyal input terbobot.

∑ (3.1)

Selanjutnya hitung output pada lapisan hidden layer dengan fungsi aktifasi sigmoid binner.

( )

(3.2)

Setelah mendapatkan output pada lapisan hidden layer maka langkah selanjutnya.

Langkah 5 : Menghitung matriks H dengan ukuran n x m

(

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

)

(3.3)

Setelah mendapatkan matriks H dengan ukuran n x m, selanjutnya hitung + yang merupakan matriks pseudoinverse dari matriks H yang akan digunakan dalam mencari bobot antara Hidden layer maupun Output Layer. Persamaan + adalah sebagai berikut :

( ) (3.4)

Kemudian mencari bobot ke output layer (β)

(3.5)

adalah target dari proses training

(40)

Langkah 6 : Menghitung nilai output dengan menggunakan persamaan

∑ ( ) (3.6)

Langkah 7 : Menghitung nilai error pada unit output

‖ ‖ (3.7)

Fase II Perubahan update bobot dan bias

Langkah 8 : Menghitung semua perubahan bobot dan bias yang terhubung ke unit hidden layer

( ) _{( )} (3.8)

Langkah 9 : Memeriksa kondisi pemberhentian, iterasi yang ada pada proses training akan berhenti jika epoch < epoch max yang telah ditentukan.

Langkah 10 : Simpan bobot bias optimal atau sesuai

Contoh proses Extreme Learning Machine :

1. Inisialisasi semua bobot dan bias dengan bilangan acak kecil [0-1]

2. Jika kondisi penghentian belum terpenuhi, maka lakukan langkah 3 sampai 7 3. Hitung output pada hidden layer

 Hitung nilai _ dengan j = 15 node pada lapisan tersembunyi dengan menggunakan persamaan :

0.1 + (0,18 . 0,4) + (0,9 . 0,1) + (0,1 . 0,3) + ... + (0,8 . 0,2)

0.2 + (0,18 . 0,2) + (0,9 . 0,4) + (0,1 . 0,6) + ... + (0,8 . 0,5)

 Kemudian hitung nilai keluaran pada node di lapisan tersembunyi menggunakan fungsi aktivasi sigmoid biner

( )

^{( )}

(41)

( )

^{( )}

4. Hasil yang didapatkan dari fungsi aktivasi akan menjadi input untuk hidden layer.

Selanjutnya adalah proses penghitungan output weight. Untuk menghitung output weight, mengggunakan persamaan (3.3).



(

( ) ( ) ( ) ( ) ( ) ( )

( ) ( )

)

( ) = (0,18 . 0,4) + 0,1 = 0.542 ( ) = (0,9 . 0,1) + 0,1 = 0.547 ( ) (0,1 . 0,3) + 0,1 = 0.532 ( ) = (0,8 . 0,2) + 0,1 = 0.564 ( ) = (0,18 . 0,2) + 0,2 = 0.558 ( ) = (0,9 . 0,4) + 0,2 = 0.636 ( ) = (0,1 . 0,6) + 0,2 = 0.564 ( ) = (0,8 . 0,5) + 0,2 = 0.645

(

)

 Pertama-tama adalah mencari nilai β dengan persamaan berikut ini:

( ) t

(42)

(

( )

(

))

( ) = (1.449, 1.312, ..., 1.193)

5. Langkah menghitung nilai ouput :



( ) ( )

 ( )

^{( )} 6. Lakukan langkah untuk menghitung error

‖ ‖ ‖ ‖ 7. Lakukan langkah untuk pembaharuan nilai bobot :

 Penjumlahan kesalahan pada hidden layer

 Hitung faktor kesalahan pada hidden layer :

( ) ( )( )( ) ( ) ( )( )( )

 Hitung bobot baru setiap node lapisan tersembunyi dengan persamaan :

( ) _{( )}

( ) ( )( )( )

Dari hasil perhitungan bobot baru, kemudian dilanjutkan perhitungan dimulai dari langkah 3 – 7 sampai kondisi pemberhentian terpenuhi. Iterasi yang ada pada proses

(43)

training akan berhenti jika epoch < epoch max yang telah ditentukan. Setelah itu simpan bobot bias optimal atau sesuai. Kemudian masuk kedalam tahap testing untuk menguji tingkat keakuratan sistem, berikut langkah-langkahnya :

1. Masukkan data yang diuji

2. Masukkan nilai hidden node yang optimal dari data pelatihan

3. Melakukan proses feedforward, yaitu menghitung keluaran output. Karena pada jaringan ini menggunakan Sigmoid Binner maka range output [0,1]

4. Analisis hasil output

5. Menarik kesimpulan dari hasil output.

3.2 Perancangan Antarmuka Sistem

Tahap perancangan sistem berisi tentang penjelasan mengenai rancangan menu sistem dan rancangan antarmuka aplikasi klasifikasi tumor otak primer dan sekunder.

Perancangan ini bertujuan untuk mempermudah pengguna ketika menggunakan aplikasi

3.2.1 Perancangan menu sistem

Struktur antarmuka yang dibuat pada sistem ditunjukkan pada gambar 3.6

(44)

Gambar 3.6. Perancangan Menu Sistem

3.2.2 Rancangan tampilan halaman awal

Pada rancangan halaman awal aplikasi terdapat judul penelitian di bagian atas, logo dan nama peneliti, nim serta institusi. Pada menu button terdapat tombol ‘Main menu’

dibagian kiri atas untuk masuk ke menu utama, dan tombol ‘Exit’ untuk keluar dari aplikasi. Rancangan tampilan awal ditunjukkan dalam gambar 3.7

(45)

Gambar 3.7. Rancangan Halaman Awal 3.2.3 Rancangan tampilan menu utama

Rancangan tampilan menu utama terdiri atas menu untuk menentukan epoch, learning rate, dan hidden node, memilih file data latih, melakukan process data training, melakukan inisialisasi, melalukan latih data, memilih file data uji, melakukan ekstraksi fitur dan melakukan klasifikasi. Rancangan tampilan menu utama dapat dilihat pada gambar 3.8

Gambar 3.8. Rancangan Halaman Utama

Rincian menu yang terdapat pada aplikasi adalah sebagai berikut :

(46)

1. Menu atur jumlah epoch merupakan menu berupa text box yang dapat diubah nilainya. Nilai default dari epoch tersebut adalah 1000

2. Menu atur jumlah learning rate merupakan menu berupa text box yang dapat diubah nilainya.

3. Menu atur jumlah hidden node merupakan menu berupa text box yang dapat diubah nilainya.

4. Tombol glioblastoma digunakan untuk memilih data latih tumor jenis glioblastoma, dan akan membuka sebuah dialog untuk memilih file. Menu text box disebelah ‘tombol glioblastoma’ menunjukkan jumlah file yang dipilih 5. Tombol metastasis digunakan untuk memilih data latih tumor jenis metastasis,

dan akan membuka sebuah dialog untuk memilih file.. Menu text box disebelah

‘tombol metastasis’ menunjukkan jumlah file yang dipilih

6. Tombol normal digunakan untuk memilih data latih, dan akan membuka sebuah dialog untuk memilih file. Menu text box disebelah ‘tombol normal’

menunjukkan jumlah file yang dipilih

7. Menu total sample merupakan menu text box yang menunjukkan total keseluruhan data yang akan dilatih

8. Tombol process data training digunakan untuk menjalankan proses pre- processing (resizing, contrast, grayscale) dan ekstraksi fitur

9. Tombol inisialitation digunakan untuk melakukan insialisasi data 10. Tombol train data digunakan untuk menjalankan proses pelatihan data

11. Menu runtime merupakan menu text box yang menunjukkan total waktu yang diperlukan setiap kali proses berjalan

12. Tombol open image digunakan untuk memasukkan citra yang akan diuji.

Ketika tombol dipilih maka akan membuka sebuah dialog untuk memilih file.

Citra yang dipilih akan ditampilkan pada tempat menampilkan citra

13. Tombol pre-processing digunakan untuk menjalankan proses resizing, grayscale, dan CLAHE. Hasil dari pre-processing akan ditampilkan pada tempat menampilkan citra

(47)

14. Tombol feature extraction digunakan untuk mengambil nilai ciri dari citra yang sudah dipre-processing dengan metode GLCM. Hasil dari proses GLCM akan ditampilkan pada menu text box 0º, 45º, 90º, dan 135º

15. Menu 0º merupakan menu text box yang menunjukkan hasil ekstraksi ciri entropy, energy, correlation, inverse different moment, contrast pada sudut 0º 16. Menu 45º merupakan menu text box yang menunjukkan hasil ekstraksi ciri

entropy, energy, correlation, inffariant moment, contrast pada sudut 45º

17. Menu 90º merupakan menu text box yang menunjukkan hasil ekstraksi ciri entropy, energy, correlation, inffariant moment, contrast pada sudut 90º

18. Menu 135º merupakan menu text box yang menunjukkan hasil ekstraksi ciri entropy, energy, correlation, inffariant moment, contrast pada sudut 135º 19. Tombol reset digunakan untuk menghapus citra atau data yang sudah

ditraining dan testing

20. Menu classification result merupakan menu text box yang menampilkan hasil klasifikasi penyakit

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Bab ini membahas tentang implementasi dari hasil analisis dan perancangan sistem yang dibahas pada bab 3 dan membahas tentang hasil pengujian terhadap sistem yang telah dibangun.

4.1 Implementasi sistem

Pada tahap ini, proses klasifikasi tumor otak primer dan sekunder dimulai dengan tahap pre-processing citra, tahap ekstraksi fitur, dan tahap klasifikasi dengan Extreme Learning Machine.

(48)

4.1.1. Spesifikasi perangkat keras dan perangkat lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membuat program Klasifikasi Tumor Otak Primer dan Sekunder adalah sebagai berikut :

1. Processor Intel(R) Core(TM) i3-3217U CPU @ 1.80GHz 2. Memory (RAM) 4.00 GB

3. Sistem operasi Windows 10 Pro 64-bit 4. Kapasitas Harddisk 500 GB

5. Microsoft Visual Studio Community 2017

4.1.2 Implementasi perancangan antarmuka

Perancangan antarmuka aplikasi dibuat berdasarkan rancangan yang telah dilakukan pada bab sebelumnya, sebagai berikut :

1. Tampilan awal aplikasi

Tampilan awal aplikasi merupakan tampilan yang pertama kali ditampilkan apabila sistem dijalankan. Halaman awal terdiri dari 2 button yaitu ‘Main

(49)

Menu’ untuk beralih ke halaman menu utama, dan button ‘Exit’ untuk keluar dari aplikasi. Selain itu pada tampilan awal terdapat judul penelitian di bagian bagian atas, logo dan nama peneliti, nim serta institusi .Tampilan awal aplikasi dapat dilihat pada gambar 4.1

Gambar 4.1. Tampilan Halaman Awal

2. Tampilan halaman utama

Tampilan halaman utama merupakan tampilan halaman untuk melakukan proses pelatihan dan pengujian klasifikasi tumor otak primer dan sekunder dengan menggunakan ELM. Pada halaman utama terdapat 3 bagian utama yaitu bagian pengaturan parameter, bagian training data dan bagian testing data

Gambar 4.2 Tampilan halaman utama

(50)

4.1.3 Implementasi data

Data citra yang digunakan pada sistem adalah citra MRI otak yang diambil dari radiopaedia.org. Data tersebut dibagi menjadi 3 kategori yaitu Normal, Glioblastoma, dan Metastasis. Rangkuman data yang digunakan untuk data uji dapat dilihat pada tabel 4.1

Tabel 4.1 Daftar Citra Uji

No Citra Input Citra Hasil Pre-processing Nama penyakit

1 Glioblastoma

2 Glioblastoma

3 Glioblastoma

4 Glioblastoma

(51)

Tabel 4.1 Daftar Citra Uji (Lanjutan)

No Citra Input Citra Hasil Pre-processing Nama penyakit

5 Glioblastoma

6 Glioblastoma

7 Glioblastoma

8 Glioblastoma

9 Glioblastoma

(52)

10 Glioblastoma

11 Metastasis

12 Metastasis

13 Metastasis

14 Metastasis

15 Metastasis

(53)

No Citra Input Citra Hasil Pre-processing Nama penyakit 16

Metastasis

17

Metastasis

18 Metastasis

19 Metastasis

20 Metastasis

21 Normal

(54)

22 Normal

23 Normal

24 Normal

25 Normal

26 Normal

27 Normal

(55)

No Citra Input Citra Hasil Pre-processing Nama penyakit

28 Normal

29 Normal

30 Normal

4.2 Prosedur Operasional

Halaman utama sistem memiliki 3 bagian utama yaitu pengaturan parameter, training data, dan testing data, tampilan halaman utama dapat dilihat pada gambar 4.3

Gambar 4.3 Tampilan Halaman Utama

(56)

Data yang akan dilatih dapat di upload melalui tombol yang terdapat pada bagian Training Data, seperti pada gambar 4.4. Nama button yang ada disesuaikan dengan jenis penyakit yaitu Glioblastoma, Metastasis, dan normal.

Gambar 4.4 Tampilan Button Upload Data Glioblastoma

Pada saat button ‘glioblastoma’ dipilih maka akan keluar kotak dialog yang berisi direktori penyimpanan data training seperti pada gambar 4.5. Data dapat dipilih lebih dari satu atau multiselected.

Gambar 4.5 Tampilan Upload Data

(57)

Apabila data training untuk Glioblastoma dipilih, maka otomatis aplikasi akan menghitung total seluruh file yang dipilih dan diletakkan pada text box yang berada disamping button ‘Glioblastoma’, seperti pada gambar 4.6

Gambar 4.6 Tampilan Jumlah Total File Glioblastoma

Untuk mengupload file metastasis, pilih button ‘Metastasis’seperti pada gambar 4.7, lalu muncul kotak dialog yang berisi direktori penyimpanan, pilih file yang ingin diupload. Sesudah dipilih, secara otomatis total file metastasis tertera pada text box disampingnya, seperti pada gambar 4.8.

Gambar 4.7 Tampilan Button Upload Data Metastasis

(58)

Gambar 4.8 Tampilan Jumlah Total File Metastasis

Sama halnya dengan file Normal, untuk mengupload file normal, pilih button

‘Normal’ seperti pada gambar 4.9, lalu muncul kotak dialog yang berisi direktori penyimpanan, pilih file yang ingin diupload. Sesudah dipilih, secara otomatis total file normal tertera pada text box disampingnya.

Gambar 4.9 Tampilan Button Upload Data Normal

(59)

Gambar 4.10 Tampilan Halaman Seluruh Data Training Dipilih

Setelah semua data training dipilih, atur parameter seperti epoch, learning rate, dan hidden node. Pada penelitian ini epoch yang digunakan adalah 1000, learning rate 0.5, dan hidden node 10, 15, 20, 30. Pengaturan parameter juga dapat diatur sebelum data training dipilih

Gambar 4.11 Tampilan Pengaturan Epoch, Learning Rate, Hidden Node

Setelah semua data training sudah dipilih dan parameter disesuaikan seperti pada gambar 4.11, pilih button ‘Process Training Data’ untuk menjalankan pre-processing dan ekstraksi fitur. Apabila data sudah selesai diproses maka sistem akan memberikan durasi dari proses yang telah berlangsung, seperti pada gambar 4.12