1
APLIKASI PENGELOMPOKKAN FASE CITRA LUKA SAYATAN PADA MARMUT (Cavia porcellus) MENGGUNAKAN METODE FUZZY LOGIC
DAN EUCLIDEAN DISTANCE
, Indrawati1* , Eka Ayu Lestari1, Sila Abdullah1
1Jurusan Teknologi Informasi dan Komputer Politeknik Negeri Lhokseumawe *Email: windra96@yahoo.com
ABSTRAK
Penyembuhan luka terdiri dari fase inflamasi, fase proliferasi dan fase remodeling. Pemantauan luka dilakukan untuk melihat luka tersebut masih infeksi atau sudah sembuh. Pada artikel ini pemantauan yang dilakukan pada citra luka sayatan kulit Marmut (Cavia porcellus) sebanyak empat ekor. Metode yang digunakan untuk mengidentifikasi fase suatu citra luka adalah metode Euclidean Distance, yang memerlukan data acuan sebagai pembanding. Data acuan didapat dari hasil klasifikasi citra luka menggunakan metode Fuzzy Logic. Pemantauan penyembuhan luka dilakukan selama 7 hari. Dari pemantauan yang dilakukan diperoleh sebanyak 32 buah citra luka sayatan, dengan pembagian 16 citra untuk data acuan dan selebihnya sebagai data uji. Sistem pemantauan luka pada penelitian ini menghasilkan tingkat keakurasian sistem sebesar 87,5% dengan nilai precision sebesar 83,3% dan sensitivity sebesar 100%.
Kata kunci: euclidean distance, fuzzy logic, pengolahan citra
ABSTRAC
Injury healing consists of the inflammatory phase, the proliferative phase and remodeling phase, the proliferative phase and remodeling phase. Monitoring is done to look at the wound is still an infection or injury has healed. In this article monitoring conducted on guinea pig skin incision wounds imagery four tails. The method used to identify the phase of a lesion image is euclidean distance method, which requires reference data for comparison. Reference data obtained from the results of image classification using fuzzy logic wound. Monitoring wound healing done during 7 days. Obtained from monitoring conducted as many as 32 pieces of image cuts, with the division of 16 images for reference data and the remaining as test data. The monitoring system injuries in this study resulted in the level of system accuracy of 87.5% with a precision value of 83.3% and a sensitivity of 100%.
2 PENDAHULUAN
Luka didefenisikan sebagai kerusakan integritas epitel dari kulit (Brown DL, 2004), luka juga didefenisikan sebagai terputusnya kesatuan struktur anatomi normal dari suatu jaringan akibat suatu trauma atau rusaknya sebagian jaringan tubuh (Rahmawati dkk, 2009).
Salah satu bentuk luka adalah luka sayat. Luka sayat adalah luka daerah kulit yang terpotong akibat sebuah pinggiran yang tajam, seperti pisau, perkakas kecil atau pinggiran kertas. Luka tersebut sering berdarah dan pinggiran lukanya sedikit pecah, penyembuhannya memerlukan waktu beberapa hari.
Penyembuhan luka adalah suatu bentuk proses usaha untuk memperbaiki kerusakan yang terjadi. Fase penyem-buhan luka terdiri dari fase inflamasi, fase proliferasi dan fase remodeling (Robert F, 2004). Pemantauan pada luka untuk menentukan apakah luka tersebut sembuh ataupun infeksi penting dilaku-kan. Akan tetapi proses pemantauan luka sayat akut maupun luka sayat kronis masih bersifat konvensional dimana pemantauan dilakukan secara langsung oleh pihak medis yang selanjutnya akan ditentukan langkah yang harus diambil agar luka tersebut dapat segera sembuh.
Pemanfaatan teknologi dalam pemantauan proses penyembuhan luka sayat masih sangat sedikit dibandingkan dengan luka bakar dan luka memar. Tujuan penelitian ini adalah mencip-takan aplikasi dan dapat mengelom-pokkan fase penyembuhan luka dari hasil pemantauan luka yang telah dilakukan. Pengelompokkan yang dila-kukan pada penelitian ini adalah fase inflamasi dan fase proliferasi.
METODE PENELITIAN
Pada penelitian ini Marmut meru-pakan objek yang diteliti. Marmut di-lukai dengan memberi sayatan pada kulitnya kemudian dipantau selama be-berapa hari. Jumlah Marmut yang digunakan sebanyak 4 ekor yang dipan-tau proses penyembuhan luka. Dari ke-empat Marmut dihasilkan 32 buah citra luka dengan pembagian 16 buah citra se-bagai data acuan dan selebihnya sese-bagai data uji.
Tahap pre-processing yaitu tahap merubah citra asli menjadi citra grayscale dan citra biner. Tujuannya untuk memisahkan ciri citra luka dengan citra background sehingga akan menghasilkan proses segmentasi yang sempurna. Nilai piksel putih dari citra biner akan digunakan untuk inputan proses klasifikasi menggunakan Fuzzy Logic.
2. Tahap Klasifikasi
3 Proliferasi. Untuk lebih jelasnya dapat dilihat pada gambar 1.
Gambar 1. Himpunan fuzzy
Gambar 1 memperlihatkan himpunan fuzzy yang terdiri dari himpunan linear turun yang menyatakan fase proliferasi dan himpunan linear naik yang menyatakan fase inflamasi. Selain itu juga terdapat himpunan fuzzy terdiri dari batas bawah, batas atas dan nilai max. Nilai batas bawah merupakan nilai rata-rata fase proliferasi yang diperoleh dari 6 data sampel yaitu 3489, nilai batas atas merupakan nilai rata-rata yang diperoleh dari 10 data sampel yaitu 3991 dan nilai 4363 merupakan batas tertinggi fase inflamasi.
Domain
Dari hasil himpunan fuzzy yang telah ditentukan, sehingga dapat diperoleh domain himpunan fuzzy pada variabel fase luka adalah sebagai berikut:
a. Fase Proliferasi = [0, 3991] b. Fase Inflamasi = [3489, 4363]
Fungsi Keanggotaan
Berdasarkan representasi linear naik dan linear turun, maka fungsi keanggotaan pada variabel fase citra luka adalah:
a. Fungsi keanggotaan Fase Poliferasi: Berdasarkan dari hasil himpunan fuzzy maka fungsi keanggotaan dari fase proliferasi dapat dilihat pada persamaan (1).
....(1)
Fungsi keanggotaan fase proliferasi seperti yang ditunjukkan pada persamaan (1) akan bernilai 0 apabila x bernilai lebih besar sama dengan 3991 dan akan bernilai 1 apabila x bernilai lebih kecil sama dengan 3489, dimana x merupakan variabel input, sedangkan apabila x bernilai di antara 3489 sampai dengan 3991, maka digunakan rumus linear turun.
b. Fungsi keanggotaan Fase Inflamasi : Pada fase inflamasi fungsi keanggo-taan himpunan fuzzy dapat dilihat pada persamaan (2).
…...(2)
Dari persamaan (2) terlihat bahwa fungsi keanggotaan faseinflamasi akan bernilai 0 apabila x bernilai lebih kecil sama dengan 3489 dan akan bernilai 1 apabila x bernilai lebih besar sama dengan 3991 dimana x merupakan variabel input, sedangkan apabila x bernilai di antara 3489 sampai dengan 3991, maka digu-nakan rumus linear naik.
Tahap Identifikasi
Tahap identifikasi menggunakan metode Euclidean Distance. Euclidean Distance adalah metrika yang digunakan untuk menghitung kesamaan dua vektor (Dharma Putra, 2010).
4 nilai piksel citra luka yang ada pada database. Implementasi rumus Eucli-dean Distance ditunjukkan pada persamaan (3).
…...…………(3)
Confusion Matrix
Untuk menghitung tingkat keakuratan sistem dapat digunakan dengan evaluasi confusion matrix. Evaluasi mengguna-kan tabel matriks seperti ditunjukmengguna-kan pada tabel 1. Jika dataset hanya terdiri dari dua kelas, kelas yang satu dianggap sebagai positif dan yang lainnya negatif (Bramer, 2007). Evaluasi dengan meto-de confusion matrix selain menghasilkan nilai accuracy (keakurasian) juga meng-hasilkan nilai precision dan recall.
Nilai accuracy diperoleh dari per-sentase jumlah record data yang telah diklasifikasikan dengan benar setelah dilakukan pengujian oleh sistem (Han & Kamber, 2006). Nilai precision atau yang biasa disebut dengan confidence adalah proporsi dari jumlah kasus yang diprediksi positif dan juga bernilai positif pada data yang sebenarnya sedangkan nilai dari recall atau sering disebut sensitivity adalah proporsi dari jumlah kasus positif yang diprediksi benar posistif (Powers, 2011).
Tabel 1. Model confusion matrix Correct accuracy seperti yang ditunujukkan
pada persamaan (4), (5) dan (6) berikut Positives dan FN adalah False Negativs
HASIL DAN PEMBAHASAN
Proses Klasifikasi Dengan Metode Fuzzy Logic
Klasifikasi Fuzzy Logic merupakan tahapan ketika citra luka diklasifikasi-kan. Untuk inputan pada fungsi keang-gotaan metode fuzzy logic menggunakan jumlah nilai piksel putih dari hasil segmentasi citra inputan, sehingga ke-tika nilai jumlah piksel putih di proses menggunakan metode fuzzy logic, akan menghasilkan nilai fungsi keanggotaan fase inflamasi dan fase proliferasi. Tam-pilan aplikasi pada tahap proses klasifikasi dapat dilihat pada gambar 2.
Gambar 2. Proses klasifikasi Proses Identifikasi
5 Euclidean Distance. Tahap ini dapat diakses melalui form identifikasi. Button
“Load Gambar” untuk memilih sampel
citra yang akan diuji.
Proses pengujian dapat dilakukan dengan menekan button ‘proses’ untuk mendapat data citra uji dan hasil pe-ngukuran Euclidean Distance. Seleng-kapnya dapat dilihat pada gambar 3.
Gambar 3. Proses identifikasi
Pengujian Fuzzy Logic
Pengujian ini dilakukan untuk mem-peroleh klasifikasi fase penyembuhan sebagai data acuan. Data acuan di-peroleh dari 16 citra luka Marmut per-tama dan Marmut kedua, sedangkan data uji diperoleh dari 16 citra luka pada Marmut ketiga dan Marmut keempat yang menghasilkan fase penyembuhan luka yaitu fase proliferasi dan fase inflamasi.
Dengan menggunakan aplikasi diha-silkan klasifikasi citra luka yang berha-sil dan citra yang tidak berhaberha-sil dikelompokkan. Berikut ini dijelaskan pengujian citra luka Marmut yang berhasil diklasifikasi seperti yang ditunjukkan pada tabel 2.
Tabel 2. Klasifikasi citra luka Marmut pertama yang berhasil
Tabel 2 merupakan hasil pengujian citra luka Marmut pertama pada hari ke-6. Selanjutnya citra luka disegmentasi, maka dihasilkan nilai piksel putih 3638. Berdasarkan persamaan (1), maka fase penyembuhan dapat diamati dengan persamaan fungsi keanggotaan fase proliferasi yang memiliki batas-batas kondisi yang memenuhi 3489<x<3991 adalah 0,7031872.
Disisi lain, fungsi keanggotaan fase inflamasi berdasarkan persamaan (2) di-peroleh nilai 0,2968127. Aplikasi akan menampilkan outputfase proliferasi dari citra yang diuji, hal ini disebabkan ka-rena nilai fungsi keanggotaan fase proliferasi lebih besar dibandingkan dari nilai fungsi keanggotaan fase inflamasi. Selain itu hasil ini juga diperjelas dengan munculnya hasil uji dalam bentuk keterangan “Benar” pada sistem karena fase penyembuhan luka pada hari ke-6 merupakan fase proliferasi.
Selanjutnya akan dijelaskan pengujian citra luka yang tidak berhasil diklasifikasikan seperti yang ditunjuk-kan pada tabel 3 berikut ini.
Tabel 3. Klasifikasi citra luka Marmut pertama yang tidak berhasil
berdasar-6 kan persamaan (2) diperoleh nilai se-besar 0. Keterangan pada sistem menya-takan “Salah” karena hari ke-3 pada fase penyembuhan luka merupakan fase in-flamasi bukan fase proliferasi yang ter-lihat pada tabel 3. Hal ini terjadi karena tidak sempurnanya proses segmentasi pada citra tersebut.
Pengujian Euclidean Distance
Pengujian menggunakan Euclidean Distance bertujuan untuk memban-dingkan antara citra uji dengan citra acuan, sehingga menghasilkan fase penyembuhan.
Pengujian pertama dilakukan untuk melihat keberhasilan sistem. Sebagai data uji adalah Marmut ketiga dan data acuan adalah Marmut pertama dan Marmut kedua seperti yang ditunjukkan pada tabel 4. Sebagai sampel data yang diamati adalah nilai piksel putih Marmut ketiga hari ke-0 terhadap Marmut pertama hari ke-2. Terdapat 2 vektor ciri yaitu citra acuan dengan nilai sebesar 4123, dan nilai citra uji sebesar 4126. Selanjutnya dengan persamaan (3) diperoleh nilai Euclidean Distance dari vektor citra acuan dan citra uji sebesar 3.
Seperti yang ditunjukkan pada tabel 4 nilai 3 berada pada hari ke-0 data uji yang merupakan fase inflamasi sedang-kan pada data acuan nilai 3 berada pada hari ke-2 yang juga fase inflamasi. Karena nilai 3 berada pada fase yang sama maka bisa dikatakan sistem berjalan dengan benar. Disamping itu nilai 3 merupakan nilai Euclidean Distance yang terkecil terhadap data acuan yang berarti memiliki kemiripan terhadap fase penyembuhan.
Tabel 4 Pengujian Marmut ketiga dengan metode euclidean distance
Selanjutnya pengujian kedua dilaku-kan untuk melihat keberhasilan sistem yang tidak sesuai. Pengujian dilakukan pada Marmut ketiga sebagai data uji dan data acuan pada Marmut pertama dan Marmut kedua seperti yang ditunjukkan pada tabel 4 diatas. Sampel data yang diamati adalah nilai piksel putih pada Marmut ketiga hari ke-4 terhadap Marmut pertama hari ke-6. Terdapat 2 vektor ciri yaitu ; pertama citra acuan dengan nilai 3560 dan citra uji sebesar 3638. Berdasarkan persamaan (3) di atas, maka diperoleh nilai Euclidean Distance dari vektor citra acuan dan citra uji sebesar 78. Nilai Euclidean Distance sebesar 78 merupakan nilai terkecil terhadap data acuan. Untuk le-bih jelasnya dapat dilihat pada tabel 4. Pada tabel 4 terlihat bahwa pada data uji nilai 78 berada pada hari ke-4 yang merupakan fase inflamasi, sedangkan pada data acuan berada pada hari ke-6 yang merupakan fase proliferasi. Karena pada sistem mengarah pada data acuan sehingga output sistem menyatakan fase proliferasi.
7 Demikian juga halnya dengan tabel 5 terlihat bahwa sebagai data acuan yaitu; Marmut pertama dan Marmut kedua, sedangkan sebagai data uji adalah Marmut keempat. Dari tabel terlihat bahwa fase inflamasi diwakili oleh hari ke-1 dan hari ke-2 untuk data acuan Marmut pertama serta hari ke-3 untuk data acuan Marmut kedua, sedangkan fase proliferasi diwakili pada hari ke-5 pada data acuan Marmut pertama dan hari ke-6 untuk data acuan Marmut kedua.
Tabel 5. Pengujian Marmut keempat terhadap data acuan.
Pengujian Sistem
Pada tahap pengujian sistem yang dihitung adalah nilai precision, sensiti-vity dan accuracy. Untuk mendapatkan nilai accuracy, precision dan sensitivity dilakukan dengan menggunakan evalu-asi confusion matrix.
Dengan mengacu pada tabel 1 yang merupakan model confusion matrix maka data yang telah dilakukan pengujian menghasilkan klasifikasi fase
penyembuhan seperti yang ditunjukkan pada tabel 6.
Tabel 6. Model confusion matrix dari nilai euclidean distance
Predicted
Actual
Fase Inflamasi
Fase Proliferasi Fase
Inflamasi 10 0
Fase
Proliferasi 2 4
Pada tabel 6 terlihat ada 4 buah nilai yaitu true positive dengan nilai 10, false negatives bernilai 0, false positives bernilai 2 dan true negatives bernilai 4. Berdasarkan nilai tabel 6 dan persamaan (4), (5) dan (6) maka diperoleh nilai precision sebesar 100%, nilai sensitivity sebesar 83,3 % dan accuracy sebesar 87,5 %. Dengan nilai sensitivity sebesar 83,3 % berarti sistem dapat memisahkan atau membedakan fase inflamasi dan fase proliferasi.
SIMPULAN
Aplikasi menghasilkan keterangan
”Benar” jika fase penyembuhan pada
8 DAFTAR PUSTAKA
Brown DL. Wound. In: In: Brown DL, Borschel GH, editors. Michigan Manual of Plastic Surgery. 1st ed. Philadelphia, USA: Lippincott Williams & Wilkins;2004.p.1-9
Bramer, M. 2007. Principless of Data Mining. United Kindom : Springer
Dharma Putra. 2010. PengolahanCItra Digital. Yogyakarta : ANDI
Han, J. dan Kamber, M. 2006. Data Mining Concepts and Techniques 2nd Edition. San Francisco : Elsevier
Powers, D. 2011. Evaluation : From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation. Journal of Machine Learning Technologies, 37-63
Rahmawati, Achmad Arifin, M. Guritno S, Duti Sriwati Aziz.2009 Pengaruh
Stimulasi Listrik Terhadap
Pembuluh Darah Dan Jaringan Ikat Fibrous Pada Penyebuhan luka, Seminar Nasional Tehnologi Informasi dan Aplikasi Poltek Malang.
