DETEKSI DINI PENYAKIT PARU DENGAN METODA BAYESIAN
BERBASIS ANDROID
Rahmadi Kurnia
1), Rahmi Rahmadewi
2), Fitri Aini
3) 1,2.3)Jurusan Teknik Elektro Universitas Andalas Padang
Kampus Limau Manis – Padang
2)
nama prodi, jurusan/fak, nama PT, Kota
Alamat Kampus/Institusi
email :
1)[email protected],
2)[email protected],
3)[email protected]
Abstrak
Pada penelitian ini simulasi dibuat untuk deteksi dini penyakit paru berdasarkan gejala yang dirasakan menggunakan sistem pakar dengan metoda bayesian dan analisa gambar rontgen berdasarkan pengolahan citra. Data yang diolah adalah 32 gejala penyakit paru dan 41 gambar rontgen. Pengolahan citra rontgen dilakukan dengan melakukan segmentasi terhadap region paru, dimana region lain diabaikan. Region paru ini kemudian dilakukan deteksi tepi berbasis operator sobel. Perbandingan piksel antara hasil deteksi tepi terhadap region paru menghasilkan 6 (enam) interval yang diklasifikasikan menjadi jenis penyakit paru yaitu interval 0,49% - 1,28% penyakit bronchitis, interval 1,43% - 1,59% penyakit pleuritis, interval 2,00% - 2,50% penyakit pneumonia, interval 2,86% - 3,79% penyakit Tbc, interval 4,17% - 4,76% penyakit emfisema dan interval 76,72% - 94,85% penyakit kanker paru. Pada pengujian 41 (empat puluh satu) sampel citra rontgen yang diujikan didapatkan hasil kebenaran 100%, dimana nilai ini sesuai dengan sampel uji terhadap interval yang didapatkan. Nilai ini menambahkan 10% dari nilai kebenaran yang telah didapatkan pada hasil diagnosa dengan menggunakan sistem pakar yaitu Bayesian network yang diujikan sebelumnya.
Kata kunci : Penyakit paru, bayesian, citra rontgen, segmentasi
1. Pendahuluan
Untuk mendeteksi penyakit/gangguan paru-paru pada umumnya dilakukan secara klinis (gejala fisik oleh dokter). Selain dari pemeriksaan secara klinis, penyakit paru juga dapat didiagnosa melalui foto rontgen, CT scan dan MRI, hanya saja untuk dua cara yang terakhir membutuhkan biaya yang mahal. Permasalahan lainnya adalah pengetahuan masyarakat yang minim dalam membaca hasil rontgen, sehingga masih dibutuhkan tenaga ahli seperti dokter atau tenaga medis lain untuk membacanya. Selain itu masyarakat yang tinggalnya jauh dari kota, butuh waktu yang lama untuk mendapatkan hasil diagnosa gambar rontgen, dikarenakan menunggu jadwal praktek dokter ahli terlebih dahulu.
Hasil citra rontgen sering nampak kabur, kurang kontras, dan sebagainya, sehingga satu citra yang diamati oleh beberapa pengamat dapat menghasilkan pembacaan yang berbeda-beda. Buruknya hasil visualisasi citra rontgen disebabkan karena sedikitnya perbedaan redaman sinar-X antara jaringan kelenjar normal dan jaringan kelenjar yang terkena penyakit paru-paru. Untuk mengatasi masalah tersebut digunakan pengolahan citra untuk meningkatkan dan memperbaiki mutu citra[2][3][4][5][8]12] serta aplikasi pengolahan citra dalam mendiagnosa penyakit paru diantaranya pemanfaatan jaringan syaraf tiruan[8][12] dan sistem pakar[7][9].
Pada penelitian ini dibuat suatu aplikasi pengolahan citra untuk mendeteksi penyakit paru secara dini berdasarkan gambar rontgen dengan analisa gejala berbasis android dengan menggunakan system pakar. Jenis Penyakit paru yang dideteksi adalah asma, tuberculosis, bronchitis, pneumonia, kanker paru, emfisema dan .
pakar bidang penyakit paru, dapat disimpulkan bahwa dari 32 total gejala penyakit paru, semuanya berpengaruh pada ke tujuh jenis penyakit paru. Gejala gejala ini didapat dari 2 orang dokter spesialis paru yang pakar dalam bidangnya. Selanjutnya dilakukan perhitungan probabilitas gejala untuk membuat peluang kemunculan dengan menggunakan metoda Bayesian network untuk menentukan posterior probablility yaitu peluang kemunculan suatu penyakit dari berbagai gejala yang diinputkan. Adapun beberapa tahapan yang dilakukan pada proses Bayesian network adalah sebagai berikut :
1. Perancangan inference engine
Inference engine yang dipakai dalam penelitian ini adalah forward chaining, yaitu mencocokkan fakta atau pernyataan untuk menguji kebenaran hipotesis. Sistem menerima keluhan yang dialami user lalu keluhan itu diproses melalui pengecekan rule.
2. Menentukan parameter
Dengan menentukan prior probability dari setiap gejala yaitu derajat kepercayaan terhadap suatu gejala. 3. Membuat Conditional Probability Table (CPT)
4. Membuat joint probability distribution (JPD) 5. Menghitung posterior probability
Nilai posterior probability seluruh gejala pada penyakit paru dapat dilihat pada tabel berikut ini :
Nilai posterior probability ini adalah nilai probabilitas dari masing-masing gejala terhadap ke 7 jenis penyakit paru.
1.2. Pengolahan Citra Rothgen
Citra yang diinputkan adalah citra digital, berupa gambar rontgen dengan format jpeg (*jpg), kemudian citra tersebut dirubah menjadi grayscale, sehingga tidak ada lagi citra warna tetapi hanya ada derajat keabuan. Untuk konversi citra warna menjadi citra grayscale ini menggunakan persamaan berikut:
Selanjutnya dibuat histogram dari citra untuk perbaikan kontras dan brightnessnya melalui pergesaran dan penyebaran nilai histogram.
2.3 Segmentasi
Metode ini dipergunakan hanya untuk memisahkan 2 daerah pada citra, yaitu daerah gelap dan daerah terang saja Jika piksel ≤ T maka piksel akan diset low atau sebaliknya jika piksel > T maka piksel tersebut diset high. Pada metode segmentasi amplitudo ini menggunakan metode iterasi. Adapun algoritma penentuan threshold dengan metoda iterasi sebagai berikut :
1. Tentukan nilai threshold awal T0.
2. Bagi dua citra menjadi background dan objek dengan harga T0. 3. Hitung nilai mean dari derajat keabuan µ1 dan µ2.
4. Hitung nilai threshold baru T=(µ1 + µ2) / 2.
5. Ulangi langkah 2 – 4 hingga perubahan harga T ≤ ε (ε = 0.9999).
2.4 Deteksi Tepi
Pada penelitian ini deteksi tepi yang digunakan adalah operator sobel, yaitu dengan menggunakan ukuran matrik 3x3. Operator ini dipilih karena merupakan operator sederhana yang memungkinkan dilakukan pada perangkat dengan prosesor minim seperti pada smart phone. Setelah hasil region paru didapatkan, kemudian langkah selanjutnya dilakukan proses deteksi tepi untuk memperjelas perbedaan rentang greyscale satu piksel terhadap piksel tetangganya, seperti yang terlihat pada gambar 2 berikut ini. Operator ini biasanya digunakan untuk mencari gradien dari masing-masing piksel gambar input yang telah di grayscale sebelumnya. Secara teori, diperlukan matrik setidaknya berukuran 3x3 sebagai kernelnya. Operator sobel menunjukkan kernel 3x3 seperti gambar berikut :
Gambar 2. Kernel 3x3 operator sobel
3. Metode Penelitian
Langkah kerja dari penelitian ini dapat dilihat pada blok diagram berikut ini:
Gambar 2. Blok Diagram Penelitian(garis putus putus menunjukkan penelitian telah dilakukan oleh peneliti
sebelumnya)
Pertama-tama citra input diinsertkan pada system. Citra yang diinputkan adalah citra rothgenberformat jpg.Langkah selanjutnya adalah memperbaiki kualitas citra rontgen paru. Perbaikan kualitas citra yang dipakai adalah stretching contras dan modifikasi histogram.
Stretching contrast memastikan bahwa citra hasil perbaikan memiliki penyebaran nilai kontras yang lebar dan tidak lagi terlalu gelap ataupun terlalu terang. Kemudian memodifikasi histogram yang dilakukan dengan melakukan pelembutan histogram yaitu histogram difilter dengan low pass filter sehingga amplitudo histogram bisa lebih sedikit riak pada amplitudonya yang bertujuan dalam proses segmentasi.
Setelah dilakukan segmentasi, maka dapat dilakukan perhitungan jumlah piksel pada region paru sebelum melakukan proses deteksi tepi, terlebih dahulu dilakukan proses masking, yaitu citra hasil segmentasi dikalikan dengan citra hasil perbaikan. Hasil masking dapat dilihat pada gambar 3. di bawah ini:
(a) (b) (c)
Gambar 3.a Hasil segmentasi Gambar 3.b Hasil masking Gambar 3.c Hasil Deteksi tepi
Jumlah piksel yang dihitung yaitu jumlah piksel pada region paru yang didapatkan setelah dilakukan proses segmentasi, dan jumlah piksel putih setelah dilakukan proses deteksi tepi dengan menggunakan operator sobel. Berikut adalah jumlah piksel pada rontgen paru yang telah dilakukan terhadap 41 (empat puluh satu) data citra rontgen yaitu 10 (sepuluh) sampel citra rontgen bronchitis, 3 (tiga) sampel citra rontgen emfisema, 4 (empat) sampel citra rontgen kanker paru, 6 (enam) sampel citra rontgen pleuritis, 8 (delapan) sampel citra rontgen pneumonia dan 10 (sepuluh) sampel citra rontgen TBC yang dapat dilihat pada tabel 1.
4. Hasil dan Pembahasan
4.1. Persentase Piksel
Untuk dapat membedakan jenis penyakit paru dari tingkat kerusakan paru melalui gambar rothgen, dilakukan perhitungan sebagai berikut:
Citra Rontgen Error! Reference source not found.
Hasil persentase interval dari tiap-tiap jenis penyakit paru dapat dilihat pada tabel berikut ini:
Tabel 1. Hasil interval persentase dari tiap-tiap penyakit paru No min max Range Penyakit
1 0,49% 1.28% 0.0049 - 0.0128 Bronchitis 2 1.43% 1.59% 0.0143 - 0.0159 Pleuritis 3 2.00% 2.50% 0.02 - 0.025 Pneumonia 4 2.86% 3.79% 0.0286 - 0.037 Tbc 5 4.16% 4.76% 0.0417 - 0.0476 Emfisema 6 76.72% 94.85% 0.7672 - 0.9485 Kanker paru
Hasil akhir dari penelitian ini adalah data dari hasil penelitian sebelumnya [1] dengan mnggunakan sistem pakar ditambahkan dengan hasil percobaan ini. Yaitu pada nilai probabilitasnya bertambah menjadi 10% untuk jenis penyakit yang sama, dan nilai probabilitasnya berkurang menjadi 10% untuk jenis penyakit lainnya.
4.2 Hasil Pengujian dan Analisa
Berikut adalah tampilan hasil diagnosa citra rontgen pada penderita penyakit TBC. Hasilnya dapat dilihat pada gambar 4. berikut:
(a) (b) (c) (d)
Gambar 4. (a,b) Input gejala TBC yang dipilih (c) hasil dari input gejala. (d) hasil akhir dengan foto rothgen
Menurut hasil uji pada gambar 4. didapatkan kesimpulan bahwa user menderita penyakit TBC sebesar 100%, yaitu menggabungkan hasil gejala dengan hasil citra rontgen. Hasil akhir dari probabilitas paru dapat dilihat pada tabel 2 berikut:
Tabel 2 Pengujian metode Bayesian network penyakit TBC
Nilai posterior probability tiap-tiap gejala, sehingga dapat dihitung probabilitas user menderita penyakit tuberkulosis, seperti perhitungan berikut ini:
P(Tuberkulosis| gejala (i)) = Error! Reference source not found.
= 0,9282 atau 92,82 %.
Dari hasil perhitungan probabilitas penyakit tuberkulosis ini, terbukti sama dengan hasil pada aplikasi yaitu probabilitas kemunculan penyakit tuberkulosis dari gejala-gejala yang telah diinputkan yaitu 0,9282 atau 92,82%.
Hasil yang lain adalah pada penyakit bronchitis dan kanker paru seperti ditunjukkan gambar 5 dan 6:
No.
Gejala
Posterior probability
1 Batuk lebih dari 2 minggu 1
2 Batuk darah 0,999
3 Batuk berdahak, dahak bisa berubah warna, hijau-kuning, bahkan berdarah
4 Badan lemas 0,999
5 Berat badan menurun 1
6 Nafsu makan menurun 1
7 Demam hilang timbul
8 Berkeringat di malam hari tanpa kegiatan fisik 9 Kekurangan tenaga
10 Benjolan di pangkal leher 0,800
11 Penurunan nafsu makan dan berat badan yg drastis hanya dlm berapa bulan
0,999 12 Sesak nafas
13 Suara Serak 0,800
(a) (b) (c) (d)
Gambar 5. (a,b) Input gejala bronchitis yang dipilih (c) hasil dari input gejala. (d) hasil akhir dengan foto
rothgen
(a) (b) (c)
Gambar 6. (a) Input gejala kanker paru yang dipilih (b) hasil dari input gejala. (c) hasil akhir dengan foto
rothgen
5. Kesimpulan dan Saran
Setelah dilakukan pengujian dan analisa pada penelitian ini maka dapat diambil kesimpulan :
1. Hasil perhitungan sistem sama dengan hasil perhitungan manual menggunakan bayessian network. Ini menunjukkan sistem berhasil menggabungkan analisa gejala dan analisa gambar rothgen
2. Gejala yang dipilih secara acak bisa mengakibatkan probabilitas penyakit paru tidak sesuai dengan kemungkinan penyakit paru yang seharusnya.
3. Pengoilahan citra rothgen yang digunakan pada metda ini dapat memperkuat hasil analisa yang dilakukan dengan analisa gejala dengan system cerdas.
Daftar Pustaka
[1] Aini, Fitri. 2014. Implementasi Sistem Pakar Pada Handphone Android Untuk Diagnosis Penyakit Paru dengan
Metode Bayesian Network.Tugas Akhir S1 Universitas Andalas.
[2] Hidayatno, Achmad, R.Rizal Isnanto dan Bahrun Niam. Analisis Deteksi Tepi pada Citra berdasarkan perbaikan
kualitas Citra. Universitas Diponegoro. Semarang.
[3] Ibrahim, Danny, Achmad Hidayatno dan R.Rizal Isnanto. Pengaturan Kecerahan dan Kontras Citra secara
Automatis dengan Teknik Pemodelan Histogram. Universitas Diponegoro. Semarang.
[4] Kurnia R. 1998. Simulasi Edge Detection Pada Citra Mammography dengan bantuan Transformasi Wavelet. Tesis S2 Universitas Indonesia.
[5] ucie r fov an are le roch ka and avel onop ek 0 ). Edge Detection in Biomedical Images
Using Self-Organizing Maps, Artificial Neural Networks- Architectures and Applications, Prof. Kenji Suzuki (Ed.),
ISBN: 978-953-51-0935-8, InTech, DOI: 10.5772/51468.
[6] Mardhiyah, Ainatul dan Agus Harjoko. 2011. Metode Segmentasi Paru-Paru Dan Jantung Pada Citra Xray Thorax. IJEIS, Vol.1, No.2
[7] Maulana, Firman. 2014. Perancangan Sistem Pakar Diagnosa Penyakit Paru Obsturktif Kronik Dengan
Mengggunakan Metode Bayes. Pelita Informatika Budi Darma, Medan.
[8] Perwira, Rifki Indra dan Anifudin Aziz.2013. Sistem Pakar Untuk Mendiagnosa Penyakit Infeksi Tbc Paru. Universitas Gadjah Mada Yogyakarta. Telematika Vol. 9, No. 2.
[9] Ridwan, Hasymy. Sistem Pakar untuk Mendiagnosa Penyakit Paru-paru pada Manusia Berbasis Mobile Android. Tugas Akhir S1 Universitas Budi Luhur.
[10] Ra ad Sjahriar. 005. “Radiologi Diagnostik”. Edi i edua. Divi i Radiodiagno tik Departemen Radiologi Fakultas Kedokteran Universitas Indonesia, Rumah Sakit Dr. Cipto Mangunkusumo. Jakarta.
[11] Rohman, Feri Fahrur dan Ami Fauzijah. 2008. Rancang Bangun Aplikasi Sistem Pakar Untuk Menentukan Jenis
Gangguan Perkembangan Pada Anak. universitas Islam Indonesia Yogyakarta: Media Informatika, Vol 6..
[12] Soesilo, Budi. 2010. Pemanfaatan Jaringan Saraf Tiruan untuk Mendeteksi Gangguan Paru-paru Menggunakan
Metode Backpropagation. Universitas Trunojoyo. Rekayasa, Volume 3.
[13] Tanjung, D. 2003. Asuhan Keperawatan Asma Bronkial. Fakultas Kedokteran Program Studi Ilmu Keperawatan. Universitas Sumatera Utara. Digitized by USU digital library.
