KLASIFIKASI CITRA PARU-PARU NORMAL, BRONKITIS DAN TUBERKULOSIS MENGGUNAKAN EXTREME
LEARNING MACHINE SKRIPSI
DEVY IRIANI PURBA 141402121
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
KLASIFIKASI CITRA PARU-PARU NORMAL, BRONKITIS DAN TUBERKULOSIS MENGGUNAKAN EXTREME
LEARNING MACHINE SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
DEVY IRIANI PURBA 141402121
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
PERNYATAAN
KLASIFIKASI CITRA PARU-PARU NORMAL, BRONKITIS DAN TUBERKULOSIS 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, April 2019
DEVY IRIANI PURBA 141402121
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Tuhan yang Maha Esa, karena atas berkat dan izin-Nya penulis dapat menyelesaikan skripsi ini sebagai syarat kelulusan dan memperoleh gelar Sarjana dari Program Studi Teknologi Informasi Universitas Sumatera Utara.
Banyak rasa terima kasih yang ingin penulis ucapkan kepada seluruh pihak yang turut serta terlibat dalam masa perkuliahan dan masa pengerjaan skripsi ini hingga selesai :
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 selaku Dosen Pembimbing I yang telah meluangkan waktu untuk memberikan bimbingan dan ide kepada penulis sehingga skripsi ini dapat dapat terselesaikan.
4 Bapak Mohammad Fadly Syah Putra, M.Sc., selaku Dosen Pembimbing II yang telah meluangkan waktu untuk memberikan bimbingan dan arahan dalam proses penyelesaian skripsi ini.
5 Ibu Ulfi Andayani, S.Kom., M.Kom., selaku Dosen Pembanding I yang telah memberikan kritik dan saran untuk penyempurnaan skripsi ini.
6 BapakIvan 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 danTeknologi 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, yaitu Bapak dr. Martin Karo-Karo, MARS dan Ibu E.S. Yanti Dewi Tarigan untuk cinta, perhatian, doa dan dukungan moral maupun materiil yang diberikan kepada penulis.
9 Kakak dan adik tercinta penulis, May Fiona Purba, SKG,Vinnie Syviani Purba, SKM, dan Kevin Jeremia Purba yang selalu mendukung, menyemangati, mendoakan penulis.
10 Teman Bapak penulis, Dr. Alam H. Siregar, Sp.Rad dan Dr. Eva Hadaniah, Sp.Rad yang sudah membantu penulis dalam mengerjakan skrpsi.
11 Sahabat penulis, Caroline, S.Kom., Yolanda Naibaho, Riyan Maria, Lisa Felicia dan Bela Anugrah yang selalu memberikan dukungan serta bantuan kepada penulis selama masa studi dan dalam menyelesaikan skripsi.
12 Sahabat penulis, Juniati Pakpahan, Sarah Elisabet, Veny Apriyanti, Rosmaini Rosmiani, dan Joceline yang juga sudah memberikan dukungan dan semangat kepada penulis.
13 Teman-teman Teknologi Informasi USU 2014 terkhusus Kom C.
14 Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.
ABSTRAK
Penyakit paru yang secara umum dijumpai dikalangan masyarakat antara lain bronkitis dan tuberkulosis. Perbedaan secara klinis antara bronkitis dan tuberkulosis yaitu, penderita bronkitis batuk terus menerus disertai dahak selama tiga bulan.
Sedangkan penderita tuberkulosis mengalami batuk produktif yang berkepanjangan, sesak nafas, nyeri dada, dan lain-lain. Diagnosa penyakit paru biasanya dilakukan oleh dokter melalui foto rontgen. Citra yang dihasilkan diidentifikasi melalui kasat mata sehingga terkesan subjektif. Oleh karena itu penulis mengajukan penelitian yang dapat mempermudah dan membantu dalam mengklasifikasi citra paru-paru melalui foto rontgen. Pada penelitian ini metode yang digunakan dalam pengklasifikasian adalah Extreme Learning Machine. Tahapan citra sebelum klasifikasi yaitu pre-processing, segmentation, ekstraksi ciri menggunakan binerisasi, kemudian diklasifikasi menggunakan Extreme Learning Machine. Penelitian ini menggunakan 79 citra data rontgen sebagai data latih dan 23 citra data rontgen sebagai data uji. Setelah dilakukan pengujian pada penelitian ini, didapatkan kesimpulan bahwa metode Extreme Learning Machine memiliki kemampuan dalam mengidentifikasi citra paru-paru normal, bronkitis, dan tuberkulosis yang baik dengan akurasi sebesar 91.30%
Kata kunci : penyakit paru, bronkitis, tuberkulosis, image processing, binerisasi, extreme learning machine.
CLASSIFICATION OF NORMAL LUNG IMAGE, BRONCHITIS, AND TUBERKULOSIS USING EXTREME LEARNING MACHINE
ABSTRACT
Lung diseases which commonly found in the society are bronchitis and tuberkulosis.
Clinically, the difference between bronchitis and tuberkulosis is for the bronchitis patients, they will suffer from incessant cough with phlegm for three months, as for the tuberkulosis patients, they will suffer from prolonged productive cough, breathing difficulty, pain in the chest, et cetera. Diagnosis of lung diseases is usually conducted by the doctor using x-ray picture. The X-Ray picture will be identified by the doctor so it can give a subjective impression. Hence, the writer propose the research which can ease and assist in classifying x-ray pictures of lung image. The method which was used in classifying is Extreme Learning Machine. The stages of the image before classifying are pre-processing, segmentation, extraction of the feature using binerisation, then classification using Extreme Learning Machine. The study used 79 X-Ray pictures as practicing data and 23 X-Ray pictures as test data. After conducting the test for the study, it was concluded that Extreme Learning Machine method was able to identify the images of normal lung, bronchitis and tuberkulosis properly with the accuracy of 91.30%.
Keywords : lung disease, bronchitis, tuberkulosis, image processing, binerisation, extreme learning machine
DAFTAR ISI
Hal.
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMAKASIH iv
ABSTRAK v
ABSTRACT vii
DAFTAR ISI viii
DAFTAR TABEL xi
DAFTAR GAMBAR xii
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 Penyakit Paru-paru 6
2.1.1 Bronkitis 7
2.1.2 Tuberkulosis 8
2.2 Pengolahan Citra Digital 9
2.2.1 Scalling 10
2.2.2 Grayscale 11
2.2.3 Contrast 11
2.3 Segmentasi 12
2.3.1 Metode Otsu 12
2.3.2 Contour 14
2.3.3 Morphological Close 14
2.4 Binerisasi 15
2.5 Extreme Learning Machine 15
2.6 Penelitian Terdahulu 18
Bab 3 ANALISIS DAN PERANCANGAN SISTEM
3.1 Dataset 22
3.2 Analisis Sistem 23
3.2.1 Input Data 24
3.2.2 Scaling 25
3.2.3 Contrast 25
3.2.4 Threshold Otsu 25
3.2.5 Contour 26
3.2.6 Morphological Close 26
3.2.7 Feature Extraction 27
3.2.8 Extreme Learning Machine 28
3.3 Perancangan Sistem 33
3.3.1 Perancangan Menu Sistem 33
3.3.2 Rancangan Tampilan Halaman Awal 33
3.3.3 Rancangan Tampilan Halaman Utama 34
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi Sistem 37
4.1.1 Perangkat Keras dan Perangkat Lunak 37 4.1.2 Implementasi Perancangan Antarmuka 37
4.1.3 Implementasi data 39
4.2 Prosedur Operasional 45
4.3 Pengujian Sistem 58
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 65
5.2 Saran 66
Daftar Pustaka
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 19
Tabel 3.1 Pembagian Data Latih & Data Uji 23
Tabel 4.1 Daftar Citra Uji 45
Tabel 4.2 Hasil Pengujian dengan Fungsi Sigmoid 57 Tabel 4.3 Waktu Hasil Pengujian dan Tingkat Akurasi 62 Tabel 4.4 Perbandingan Citra Tuberkulosis yang Benar dan Salah 64
DAFTAR GAMBAR
Hal.
Gambar 2.1 Paru-paru Normal 6
Gambar 2.2 Bronkitis 8
Gambar 2.3 Tuberkulosis 9
Gambar 2.4 Koordinat Citra Digital 10
Gambar 3.1 Arsitektur umum 24
Gambar 3.2 Citra Asli X-Ray Paru 25
Gambar 3.3 Citra Hasil Contrast 25
Gambar 3.4 Citra Hasil Threshold Otsu 26
Gambar 3.5 Citra Hasil Contour 26
Gambar 3.6 Citra Morfologi Close 27
Gambar 3.7 Citra Biner 30x30 27
Gambar 3.8 Arsitektur ELM untuk Klasifikasi Citra Paru 28
Gambar 3.9 Perancangan Menu Sistem 33
Gambar 3.10 Rancangan Halaman Awal 34
Gambar 3.11 Rancangan Halaman Utama 35
Gambar 4.1 Tampilan Halaman Awal 38
Gambar 4.2 Tampilan Halaman Utama 39
Gambar 4.3 Tampilan Halaman Utama 46
Gambar 4.4 Tampilan Button Upload Data Bronkitis 46
Gambar 4.5 Tampilan Upload Data 47
Gambar 4.6 Tampilan Total Data Latih Bronkitis 48
Gambar 4.7 Tampilan Button Upload Data Tuberkulosis 48 Gambar 4.8 Tampilan Total Data Latih Tuberkulosis 49
Gambar 4.9 Tampilan Button Upoad Data Normal 49
Gambar 4.10 Tampilan Total Data Latih Normal 50
Gambar 4.11 Tampilan Pengaturan Parameter 50
Gambar 4.12 Tampilan Proses Data dan Total Data Latih 51
Gambar 4.13 Tampilan Ekstraksi Ciri 52
Gambar 4.14 Tampilan Inisialisasi Data 52
Gambar 4.15 Tampilan Proses Latih Data 52
Gambar 4.16 Tampilan Latih Data Selesai 54
Gambar 4.17 Tampilan Button Pilih Citra Uji 54
Gambar 4.18 Tampilan Data Upload yang Akan Diuji 55
Gambar 4.19 Tampilan Citra yang Akan Diuji 55
Gambar 4.20 Tampilan Button Pre-processing dan Citra Hasil Kontras 56
Gambar 4.21 Tampilan Hasil Segmentasi 57
Gambar 4.22 Tampilan Hasil Klasifikasi dan Nilai Bobot 57
Gambar 4.23 Tampilan Waktu Proses 58
Gambar 4.24 Tampilan Halaman Hapus Data 59
Gambar 4.25 Citra yang Gagal Diklasifikasi dengan Tepat 63
Gambar 4.26 Citra Hasil Thresholding 63
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Paru-paru merupakan organ yang bertanggung jawab untuk proses respirasi yang terdiri dari pulmo dekstra (paru kanan) dan pulmo sinistra (paru kiri). Fungsi paru- paru adalah menukar oksigen dari udara dengan karbon dioksida dari darah.
Permasalahan yang sering terjadi adalah kualitas udara yang telah tercemar, sehingga udara yang dihirup banyak mengandung bibit penyakit yang akan menyerang paru- paru. Penyakit paru-paru merupakan penyakit yang berdampak serius terhadap sistem pernapasan pada manusia yang dapat berakibat fatal apabila tidak segera ditangani dengan tepat.
Adapun penyakit paru secara umum dijumpai antara lain bronkitis dan tuberkulosis. Bronkitis adalah sebuah penyakit dimana terjadi peradangan pada mukosa atau permukaan saluran pernapasan yang meyebabkan iritasi sehingga tejadi penyempitan jalan saluran napas dan meningkatnya produksi lendir. Secara klinis, gejala yang sering muncul pada penderita bronkitis adalah batuk terus menerus selama tiga bulan disertai dahak. Sedangkan tuberkulosis adalah penyakit saluran nafas yang disebabkan oleh mycobacterium yang berkembang biak di dalam bagian tubuh yang memiliki banyak aliran darah dan oksigen. Adapun gejala klinisnya berupa batuk produktif yang berkepanjangan (>3 minggu), sesak nafas, nyeri dada, dan lain-lain.
Deteksi penyakit paru pada umumnya dilakukan oleh dokter berdasarkan tanda dan gejala yang dikeluhkan pasien. Selain itu, penegakan diagnosis dapat juga dilakukan melalui foto rontgen, CT scan dan MRI. Hanya saja untuk dua cara yang terakhir membutuhkan biaya yang mahal, sehingga lebih banyak pasien yang melakukan pemeriksaan menggunakan foto rontgen. Foto rontgen adalah metode
pemeriksaan dengan cara pemberian dosis radiasi ionisasi dalam jumlah kecil padatubuh untuk menghasilkan citra atau gambaran tubuh bagian dalam. Citra yang dihasilkan foto rontgen akan diidentifikasi secara manual melalui kasat mata oleh ahli atau seorang dokter, sehingga terkesan subjektif.
Penelitian yang pernah dilakukan oleh Bustomi, dkk pada tahun 2014 dengan judul Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru. Hasil pengujian sistem perangkat lunak menggunakan citra uji memperlihatkan bahwa sistem perangkat lunak memiliki performasi sebesar 65%.
Klasifikasi Penyakit Paru Berdasarkan Citra Rontgen dengan Metoda Segmentasi Sobel. Penelitian ini dilakukan oleh Rahmadewi dan Kurnia pada tahun 2016. Proses pengolahan citra menggunakan 41 sampel citra rontgen yang diujikan.
Penelitian yang berjudul Lung Nodule Classification in CT Thorax Images using SVM pernah dilakukan oleh Orozco, dkk pada tahun 2013. Dalam penelitian ini, metode yang digunakan untuk klasifikasi citra paru adalah Support Vector Machine.
Klasifikasi Pendarahan Otak Menggunakan Metode Extreme Learning Machine adalah penelitian yang dilakukan oleh Aulia Doli pada tahun 2017. Penelitian ini memiliki kemampuan dalam mengidentifikasi pendarahan otak yang sangat baik dengan akurasi sebesar 92%. Selanjutnya metode Extreme Machine Learning juga pernah diterapkan Tito Pandiangan dalam penelitiannya yang berjudul Identifikasi Kelainan Pada Jantung Menggunakan Extreme Learning Machine. Untuk proses pengambilan ciri khusus digunakan algoritma Invariant Moments.
Nani S. Pasi melakukan penelitian dengan menggunakan metode Probabilistic Neural Network pada tahun 2018, yaitu mengidentifikasi penyakit tuberkulosis organ paru dengan tingkat akurasi 96%.
Berdasarkan latar belakang yang telah dipaparkan di atas, maka penulis akan mengajukan penelitian yang dapat membantu dan mempermudah proses klasifikasi citra paru-paru berdasarkan pengolahan citra digital foto rontgen dengan menggunakan metode jaringan syaraf tiruan Extreme Learning Machine. Metode Extreme Learning Machine mempunyai kelebihan dalam learning speed, serta mempunyai tingkat akurasi yang lebih baik.Sebelumnya juga belum ada penelitian klasifikasi citra paru menggunakan metode Extreme Learning Machine.
1.1. Rumusan Masalah
Menentukan klasifikasi citra paru-paru dapat diketahui oleh dokter dan juga ahli radiologi dengan cara melihat hasil citra foto rontgen. Citra yang dihasilkan foto rontgen akan diidentifikasi secara manual melalui kasat mata oleh ahli atau seorang dokter sehingga terkesan subjektif. Oleh karena itu, diperlukan suatu metode komputasi untuk mempermudah dan membantu dokter dalam menentukan klasifikasi citra paru-paru yang diderita oleh pasien melalui citra foto rontgen.
1.2. Batasan Masalah
Dalam tugas akhir ini, terdapat batasan masalah dari permasalahan yang ada, yaitu:
1. Data citra yang dipakai merupakan hasil digitasi citra foto rontgen paru dengan format .jpeg, .jpg, .png, atau .bmp.
2. Citra foto rontgen paru yang digunakan memiliki ukuran 300 x 300 piksel.
3. Data citra dalam penelitian ini diambil dari www.chestx-ray.com dan National Library of Medicine, National Institutes of Health (NIH) USA.
4. Sistem yang akan dibangun hanya akan melakukan klasifikasi citra paru-paru berdasarkan citra foto rontgen.
1.3. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mempermudah dalam melakukan pengklasifikasian citra paru-paru melalui citra foto rontgen menggunakan metode Extreme Learning Machine.
1.4. Manfaat Penelitian
Manfaat dari penelitian ini adalah
1. Membantu dokter dalam mengklasifikasi citra paru pada pasien.
2. Implementasi extreme learning machine dalam mengklasifikasi citra paru normal, bronkitis, dan tuberkulosis.
1.5. Metodologi Penelitian
Adapun tahapan-tahapan yang akan dilakukan pada penelitian ini adalah:
1. Studi Literatur
Studi literatur dilakukan untuk pengumpulan data dan mempelajari informasi yang diperoleh dari buku, jurnal, skripsi, dan berbagai sumber informasi lainnya
yang berkaitan dengan penelitian. Informasi yang berkaitan tersebut antara lain penyakit pada paru-paru, scaling, grayscale, contrast, thresholding otsu, countour, morphological close, binerisasi image, dan metode Extreme Learning Machine.
2. Analisis Permasalahan
Tahapan ini dilakukan untuk menganalisa berbagai informasi terkait yang telah diperoleh agar didapatkan metode yang tepat untuk mengatasi masalah dalam penelitian ini yaitu klasifikasi citra paru normal, bronkitis, dan tuberkulosis melalui citra foto rontgen.
3. Perancangan Sistem
Perancangan sistem dilakukan untuk menyelesaikan permasalahan yang terdapat dalam tahap analisis. Perancangan yang terdapat pada tahap ini yaitu rancangan arsitektur umum dan antarmuka sistem.
4. Implementasi
Pada tahap ini dilakukan implementasi dari hasil analisis dan perancangan sistem dalam bentuk kode program.
5. Pengujian
Tahapan selanjutnya yaitu pengujian terhadap sistem untuk mengetahui tingkat kemampuan metode Extreme Learning Machine dalam mengklasifikasi citra paru dan memastikan hasil yang diperoleh sesuai dengan harapan.
6. Dokumentasi dan Penyusunan Laporan
Tahapan terakhir yaitu penulis membuat dokumentasi dalam bentuk laporan dari keseluruhan penelitian yang telah dilakukan.
1.6. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama, yaitu sebagai berikut :
Bab 1 : Pendahuluan
Bab ini terdiri dari latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2 : Landasan Teori
Bab ini berisi teori-teori pendukung yang diperlukan untuk dapat memahami permasalahan yang dibahas dalam penelitian ini. Teori-teori tersebut berhubungan dengan scalling, grayscale, contrast, thresholding otsu, countour, morphological close, binerisasi image untuk ekstraksi fitur, Extreme Learning Machine untuk klasifikasi objek.
Bab 3 : Analisis dan Perancangan
Bab ini berisi tentang analisis dari arsitektur umum dan analisis dari metode Extreme Learning Machine serta penerapannya dalam mengklasifikasi citra paru dan perancangan sistem yang dibuat.
Bab 4 : Implemetasi dan Pengujian
Bab ini berisi tentang implementasi dari hasil analisis dan perancangan sistem yang telah dijelaskan di bab sebelumnya serta hasil pengujian yang diperoleh terhadap sistem yang telah dibangun.
Bab 5 : Kesimpulan dan Saran
Bab ini berisi kesimpulan dari keseluruhan penelitian yang telah dibahas pada bab-bab sebelumnya serta saran yang diajukan guna pengembangan untuk penelitian selanjutnya.
BAB 2
LANDASAN TEORI
Bab ini berisi teori-teori penunjang yang digunakan untuk memahami permasalahan pada penelitian ini dan penelitian sebelumnya yang berkaitan dengan metode Extreme Learning Machine dalam mengklasifikasi citra paru.
2.1. Penyakit Paru-paru
Paru-paru adalah organ tubuh manusia yang terdapat di dalam dada. Paru-paru mempunyai fungsi memasukkan oksigen dari udara dan mengeluarkan karbondioksida dari darah dengan bantuan hemoglobin. Proses ini dikenal sebagai respirasi atau pernafasan. Paru-paru sebagai pompa satu-satunya untuk sistem pernafasan adalah organ yang sangat penting bagi berlangsungnya kehidupan. Namun masih ada orang yang kurang peduli dengan kesehatan paru-paru sehingga menyebabkan terindikasi menderita penyakit paru-paru (Junaidi,2010).
Gambar 2.1. Paru-paru Normal (sumber :www.chestx-ray.com)
Penyakit paru-paru merupakan penyakit yang berdampak serius terhadap sistem pernafasan pada manusia yang dapat berakibat fatal apabila tidak segera ditangani dengan tepat. Penyakit paru-paru dapat disebabkan oleh bakteri, virus, jamur, parasit,
zat kimia, ataupun cedera fisik pada paru-paru tesebut. Pada penelitian ini penyakit paru-paru dibatasi pada penyakit bronkitis dan tuberkulosis.
2.1.1. Bronkitis
Bronkitis adalah suatu penyakit gangguan pernafasan yang ditandai dengan adanya peradangan selaput lendir dan saluran-saluran dari bronkial. Bronkial adalah saluran pernafasan dari trakea sampai saluran pernafasan di bagian dalam paru-paru. Gejala bronkitis diawali dengan batuk pilek, akan tetapi infeksi ini telah menyebar ke bronkus, sehingga menjadikan batuk akan bertambah parah dan berubah sifatnya (Hidayat, 2011). Saat selaput meradang maka bronkial akan membengkak dan menebal, membuat jalan udara dalam paru-paru menjadi sempit sehingga menyebabkan serangan batuk yang disertai dengan dahak atau lendir yang cukup banyak dan disertai dengan nafas yang terasa sesak.
Secara umum bronkitis terbagi menjadi 2 tipe, yaitu :
1. Bronkitis Akut, merupakan tipe yang biasanya datang dan dapat sembuh dalam, kurun waktu 2-3 minggu. Rata-rata penderita bronkitis akut dapat sembuh tanpa masalah yang lain. Penyebab yang paling sering adalah virus seperti rhinovirus, respiratory syncytial virus (RSV), virus influenza, dan coxsakie virus.
2. Bronkitis Kronis, merupakan penyakit yang biasanya datang berkali-kali dan dalam jangka waktu yang relatif lama. Penderita penyakit ini menderita batuk yang disertai dahak dan diderita selama berbulan-bulan hingga tahunan, terutama pada perokok.
Salah satu cara mendeteksi penyakit bronkitis dengan cara medis adalah dengan pengambilan foto rontgen penderita. Fungsinya yaitu untuk memperjelas keadaan sekitar daerah pernafasan penderita.Jika dilihat dari Gambar 2.2., bronchovascular yang merupakan gambaran pembuluh arah di sekitar bronkus, dapat meningkat lebih dari 2/3 lapangan paru-paru kanan dan kiri pada penderita bronkitis.
Gambar 2.2. Bronkitis (sumber :www.jsrt.or.jp/data/english/)
Perlu untuk mengetahui ciri-ciri terkena penyakit bronkitis untuk mencegah keadaan yang lebih parah, yaitu :
Batuk berdahak dalam jangka waktu lama
Demam
Lemas
Berat badan turun
Nafsu makan menurun
Berkeringat pada malam hari
Sesak atau nyeri di dada saat batuk
Kadang batuk disertai percikan darah
Adapun faktor yang meningkatkan risiko terkena bronkitis antara lain :
Merokok, merokok merupakan faktor utama terkena penyakit bronkitis kronis
Daya tahan tubuh yang cenderung lemah
Kondisi dimana asam perut naik ke esofagus (gastroesophageal reflux disease)
Terkena iritan, seperti polusi, asap atau debu.
2.1.2. Tuberkulosis
Tuberkulosis paru adalah penyakit infeksi menular langsung yang disebabkan oleh kuman Mycobacterium tuberkulosis, yaitu mikroorganisme aerob yang dapat hidup terutama di paru karena memiliki tekanan parsial oksigen yang tinggi. Penyakit tuberkulosis ditularkan melalui udara (droplet nuclei) saat seorang pasien dengan basil tuberkulosis di dalam dahaknya batuk atau bersin, lalu percikan ludah yang mengandung bakteri tersebut terhirup oleh orang lain saat bernafas. Bakteri
tuberkulosis ini juga terdapat di udara ketika seseorang yang terinfeksi tuberkulosis batuk, bersin, berbicara, ataupun bernyanyi (Center for Disease Control and Prevention, 2012).
Ciri khusus penyakit tuberkulosis dalam gambaran foto rontgen akan terlihat flek berwarna putih melingkar seperti bercak-bercak, dapat dilihat pada Gambar 2.3.
Gambar 2.3. Tuberkulosis
Penderita tuberkulosis memiliki gejala-gejala umum yang patut kita ketahui untuk mencegah keadaan yang lebih parah, diantaranya :
Berkurangnya nafsu makan yang disertai turunnya berat badan
Mengalami batuk berkepanjangan lebih dari 3 minggu dan kadang disertai dengan batuk berdahak
Sering mengalami demam yang tidak terlalu tinggi dan berlangsung lama
Berkeringat pada malam hari
Sedangkan tanda ciri penderita tuberkulosis secara khusus dapat kita kenali dengan adanya perubahan dalam pernapasan dada ataupun nyeri dada. Diantanya yaitu : dyspnea (sesak napas), takipnoe (napas cepat), hypopnea (pernapasan dangkal), hypernoe (pernapasan dalam), dan apnea (tidak ada pernapasan).
2.2. Pengolahan Citra Digital
Citra adalah suatu gambar, foto ataupun berbagai tampilan dua dimensi yang menggambarkan suatu visualisasi objek yang kaya akan informasi. Citra berasal dari cahaya yang dipantulkan oleh suatu objek dan ditangkap oleh alat optik seperti mata, kamera, dan scanner.Citra dapat diwujudkan dalam bentuk tercetak ataupun digital.
Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y, dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital.Gambar 2.4.menunjukkan posisi koordinat citra digital.
Gambar 2.4. Koordinat citra digital
Umumnya pengolahan citra digital diperlukan untuk : meningkatkan kualitas citra atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra.
Kedua, elemen di dalam citra perlu digabungkan, dicocokkan, atau diukur. Ketiga, terdapat cacat pada citra yang perlu dihilangkan, misalnya blur atau noise. Keempat, diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam menganalisa gambar. Yang terakhir digunakan untuk menyembunyikan data rahasia pada citra sehingga tidak diketahui pihak luar. Adapun beberapa teknik pengolahan citra yang diterapkan dalam penelitian ini diantaranya sebagai berikut.
2.2.1. Scaling
Scaling adalah sebuah operasi geometri yang memberikan efek memperbesar atau memperkecil ukuran citra input sesuai dengan variabel penskalaan citranya. Scaling digunakan untuk memperkecil citra digital agar jumlah pixel yang akan diolah tidak terlalu banyak. Semakin banyak jumlah pixel maka semakin banyak data imputan yang menyebabkan semakin lama waktu komputasi.
{ Dengan persamaan :
x‟ = Sh x
y‟ = Sv y (2.1)
Dimana :
Sh = faktor skala horizontal Sv = faktor skala vertikal
2.2.2. Grayscale
Grayscale adalah suatu citra yang hanya memiliki rentangan warna abu-abu. Apabila suatu citra direpresentasikan dalam 8 bit maka berarti pada citra terdapat 28 atau 256 level grayscale, (biasanya bernilai 0 – 255), dimana 0 menunjukkan level intensitas paling gelap (hitam) dan 255 menunjukkan intensitas paling terang (putih). Warna abu-abu pada citra grayscale diwakili oleh tingkat kecerahan yang sama dari tiga warna utama (red, green, blue) untuk cahaya yang ditransmisikan, atau jumlah yang sama dari tiga pigmen utama (cyan, magenta, yellow) untuk cahaya yang dipantulkan.
(2.2)
Dimana :
S = komponen grayscaling
r = komponen red dari setiap piksel g = komponen green dari setiap piksel b = komponen blue dari setiap piksel
2.2.3. Contrast
Kontras adalah tingkat penyebaran piksel-piksel kedalam intensitas warna. Terdapat tiga macam kontras yaitu citra kontras rendah, kontras tinggi, dan kontras normal.
Citra kontras rendah merupakan citra yang memiliki range nilai intensitas yang sempit, sehingga kurva histogram yang dihasilkanpun akan sempit. Hal ini disebabkan karena kurangnya pencahayaan yang menyebabkan intensitas warna hanya berkumpul di tengah skala intensitas. Citra kontras tinggi merupakan citra yang memiliki
rangenilai intensitas yang lebar. Terdapat pencahayaan yang terlalu banyak sehingga mengakibatkan intensitas warna berkumpul di awal dan di akhir skala intensitas, sedangkan frekuensi di tengah sangat kecil. Sedangkan kontras normal yaitu apabila penyebaran piksel tidak terlalu ekstrem. Memperlihatkan nilai keabuan yang lebar tanpa ada nilai keabuan yang mendominasi. Fungsi kontras dapat didefinisikan dengan persamaan :
( ) ( ( ) ) (2.3) Dimana :
G = koefisien penguatan kontras
P = Nilai intensitas yang dipakai sebagai pusat pengontrasan 2.3. Segmentasi
Segmentasi merupakan proses pemisahan wilayah (region) tertentu pada citra, dimana wilayah tersebut memiliki homogenitas diantaranya tekstur, intensitas dan warna.
Segmentasi bertujuan untuk memisahkan citra kedalam beberapa bagian dengan suatu kriteria tertentu antara wilayah objek dengan latar belakang agar objek mudah dianalisis (Kumaseh et al. 2013). Beberapa proses segmentasi yang dilakukan dalam penelitian ini diantaranya metodeotsu, contour, dan morphological close.
2.3.1. Metode Otsu
Salah satu teknik segmentasi yang paling sering digunakan yaitu thresholding dengan metode Otsu. Metode Otsu digunakan untuk mendapatkan nilai threshold yang optimal, untuk memisahkan objek dan background yang mengacu pada histogram intensitas. Metode otsu menghitung nilai ambang T secara otomatis berdasarkan citra masukan. Pendekatan yang digunakan yaitu dengan melakukan analisis diskriminan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami.
Misalkan nilai ambang yang akan dicari dinyatakan dengan k. Nilai k berkisar antara 1 sampai dengan L, dengan L = 255. Probabilitas untuk piksel I dinyatakan dengan persamaan (2.4).
(2.4)
Dengan menyatakan jumlah piksel dengan tingkat keabuan I dan N menyatakan banyaknya piksel pada citra.Nilai momen kumulatif ke nol, momen kumulatif ke satu, dan nilai rata-rata dapat dinyatakan sebagai berikut secara berurutan.
( ) ∑
(2.5)
( ) ∑
(2.6)
( ) ∑
(2.7)
Untuk menghitung nilai ambang k dapat dilakukan dengan memaksimumkan persamaan :
( ) ( ) (2.8)
Dengan :
( ) , ( ) ( )-
( ), ( )- (2.9)
Keterangan :
Pi : probabilitas piksel
ni : jumlah piksel pada tingkat keabuan N : jumlah piksel pada citra
k : nilai ambang : momen kumulatif : nilai rata-rata
: nilai rata-rata total
: varians kelas 2.3.2. Contour
Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada piksel-piksel yang bertetangga. Karena adanya perubahan intensitas inilah, maka tepi-tepi (edge) objek pada citra dapat dideteksi. Kontur juga dapat didefinisikan sebagai urutan titik yang dapat menguraikan bentuk atau region (Williamson, A, 2014). Kontur dapat terbuka atau tertutup. Kontur tertutup berkoresponden dengan batas yang mengelilingi suatu daerah objek. Batas daerah berguna untuk mendeskripsikan bentuk objek dalam tahap analisis citra, contohnya untuk mengenali objek. Piksel-piksel di dalam daerah objek dapat ditentukan dengan algoritma pengisian (filling algorithm). Kontur terbuka dapat berupa garis atau bagian dari batas daerah objek yang tidak membentuk sirkuit.
2.3.3. Morphological Close
Morphological operator atau teknik morfologi merupakan teknik pengolahan citra berdasarkan bentuk segmen citra yang bertujuan untuk memperbaiki hasil segmentasi.
Nilai dari setiap piksel dalam citra digital hasil diperoleh melalui proses perbandingan antara piksel yang bersesuaian pada citra digital masukan dengan piksel tetangganya.
Operasi morfologi bergantung pada urutan kemunculan dari piksel, tidak memperhatikan nilai numeric dari piksel sehingga teknik morfologi sesuai apabila digunakan untuk melakukan pengolahan citra biner dan citra keabuan (grayscale).
Operasi dasar morfologi yang digunakan yaitu proses dilasi (dilation) dan erosi (erotion). Dilasi adalah teknik untuk memperbesar segmen objek (citra biner) dengan menambah lapisan disekeliling objek. Persamaan dilasi dapat didefinisikan sebagai berikut.
( ) * + (2.10) Dimana :
D : citra hasil dilasi A : citra masukkan B : structure element Bx : translasi B
Sedangkan erosi adalah teknik yang bertujuan untuk memperkecil atau mengikis tepi objek dengan mengurangi piksel pada batas dari suatu objek tersebut. Erosi dilakukan dengan persamaan 2.11.
( ) * + (2.11) Dimana :
E : citra hasil erosi A : citra masukkan B : structure element Bx : translasi B
Jumlah piksel yang ditambahkan atau yang dihilangkan dari batas objek pada citra digital masukan tergantung pada ukuran dan bentuk dari structuring element yang digunakan.Operasi morfologi lainnya, yaitu opening dan closing yang merupakan sintesis dari erosi dan dilasi. Proses opening merupakan proses yang diawali erosi dan dilanjutkan dilasi, sedangkan closing merupakan proses yang diawali dilasi dan dilanjutkan erosi (Gonzales dan Woods 2003).
2.4. Binerisasi
Binerisasi merupakan proses merubah citra ke dalam bentuk biner yang hanya memuat nilai piksel 0 atau 1. Dengan merubah ke bentuk biner, citra hanya akan memuat 2 warna yaitu warna hitam dengan nilai 0 dan warna putih dengan nilai 1.
Tujuan dari proses binerisasi yaitu untuk mengetahui daerah mana yang termasuk objek dan background dari citra sehingga terlihat jelas. Output dari proses ini adalah Binary Image.
2.5. Extreme Learning Machine
Extreme Learning Machine merupakan algoritma pembelajaran baru yang digunakan dalam jaringan saraf tiruan.Menurut Sun et al. (2008), extreme learning machine adalah jaringan saraf tiruan bersifat feedforward yang memiliki satu hidden layer.
Metode pembelajaran extreme learning machine dibuat untuk mengatasi kelemahan- kelemahan dari jaringan syaraf tiruan feedforward terutama dalam hal learning speed yang selama ini terjadi pada Feedforward Neural Networks (Huang et al, 2005).
Terdapat dua alasan mengapa jaringan saraf tiruan Feedforward neural networks memiliki kelemahan terutama dalam hal learning speed :
1. Feedforward neural networks menggunakan algoritma slow gradient based learning dalam melakukan proses training.
2. Semua parameter pada jaringan ditentukan secara iterative dengan menggunakan metode pembelajaran tersebut.
Semua parameter jaringan saraf tiruan feedforward harus ditentukan secara manual saat menggunakan algoritma conventional gradient based learning seperti backpropagation. Parameter yang dimaksud adalah input weight dan hidden bias yang saling berhubungan antara layer satu dengan layer lain, sehingga membutuhkan learning speed yang lama dan sering terjebak pada local minima. Sedangkan pada extreme learning machine parameter-parameter seperti input weight dan hidden bias dipilih secara random. Oleh karena itu extreme learning machine memiliki learning speed yang cepat dan mampu menghasilkan performa yang lebih baik.
Extreme learning machine mempunyai model matematis yang berbeda dari jaringan saraf tiruan feedforward.Extreme learning machine memiliki model matematis yang lebih sederhana dan efektif. Berikut model matematis dari extreme learning machine untuk N jumlah sampel yang berbeda (Xi, ti) :
[ ]
[ ] (2.12)
Standar SLFNs dengan jumlah hidden nodes sebanyak N dan activation functions g(x) dapat digambarkan sistematis sebagai berikut :
∑ ( ) ∑ ( )
(2.13)
Dimana :
j = 1,2,…,N
wi = (wi1, wi2, …, win)T merupakan vektor dari weight yang menghubungkan hidden nodes i dan input nodes.
i = (i1, i2, …,im)T merupakan weight vector yang menghubungkan hidden nodes i dan output nodes.
bi = threshold dari hidden nodes i.
wi • xj = inner product dari wi dan xj
SLFNs dengan N hidden nodes dan activation function g(x) diasumsikan dapat memperkirakan dengan tingkat error 0 atau dapat dinotasikan sebagai berikut (Agustina et al, 2010) :
∑ ‖ ‖
∑ ( )
(2.14) Persamaan diatas dapat disederhanakan menjadi :
(2.15)
Dimana :
H = hidden layeroutput matrix β = output weight
T = matriks dari target atau output
Pada extreme learning machine, input weight dan hidden bias ditentukan secara acak. Maka output weight yang berhubungan dengan hidden layer dapat ditentukan dari persamaan :
(2.16)
merupakan matriks Moore-Penrose Generalized Invers dari matriks H.
Matriks H merupakan matriks yang tersusun dari ouput masing-masing hidden layer.
Sedangkan T merupakan matriks target.
2.6. Penelitian Terdahulu
Terdapat beberapa penelitian yang telah dilakukan untuk mengklasifikasi citra paru- paru. Bustomi, dkk melakukan penelitian yang berjudul Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru. Untuk keperluan klasifikasi citra rontgen paru-paru tersebut, digunakan proses ekstraksi fitur histogram dan selanjutnya masuk ke tahapan pelatihan dan pengujian pada sistem perangkat lunak tersebut. Dalam penelitian ini, desain perangkat lunak hanya dibatasi untuk dapat mengklasifikasi citra rontgen paru-paru normal, citra rontgen paru-paru terkena kanker, dan citra rontgen paru-paru terkena efusi. Hasil pengujian memperlihatkan bahwa performasi sistem perangkat lunak memiliki tingkat akurasi sebesar 65%.
Terdapat penelitian dengan judul Klasifikasi Penyakit Paru Berdasarkan Citra Rontgen Dengan Metoda Segmentasi Sobel. Penelitian ini dilakukan oleh Rahmadewi dan Kurnia pada tahun 2016. Terdapat 41 data citra rontgen yang diolah dengan melakukan segmentasi terhadap region paru.Selanjutnya region paru ini dilakukan deteksi tepi berbasis operator sobel. Dari hasil pengujian terdapat 6 (enam) jenis penyakit paru-paru, yaitu bronkitis, pleuritis, pneumonia, TBC, emfisema, dan kanker paru-paru.
Lung Nodule Classification in CT Thorax Images using SVM merupakan penelitian yang dilakukan oleh Orozco, dkk pada tahun 2013. Proses-proses yang digunakan pada penelitian ini yaitu grayscale, hisogram, Gray Level Co-occurrence Matrix (GLCM), algoritma Bestfirst untuk mengukur persamaan setiap ciri objek, dan SVM untuk mengklasifikasinya. Jumlah data yang digunakan sebanyak 53 citra, dengan 28 citra paru-paru yang tidak normal dan 25 citra paru-paru normal. Adapun penelitian ini memiliki tingkat akurasi sebesar 84%.
Metode Extreme Machine Learning pernah diterapkan dalam penelitian Aulia Doli pada tahun 2017 dengan judul Klasifikasi Pendarahan Otak Menggunakan Metode Extreme Machine Learning. Data yang digunakan berupa citra CT Scan
diperoleh dari https://radiopaedia.org. ini memiliki tingkat akurasi sebesar 92%.
Terdapat proses preprocessing yang terdiri dari scalling dan grayscale. Selanjutnya segmentasi dengan melakukan pembentukan citra biner menggunakan thresholding.
Setelah itu masuk ke klasifikasi dengan menggunakan Extreme Learning Machine.
Tito Pandiangan melakukan penelitian untuk mendeteksi kelainan pada jantung melalui citra EKG dengan judul Identifikasi Kelainan pada Jantung Menggunakan Extreme Learning Machine. Dengan menggunakan algoritma Invariant Moments dalam pengambilan nilai ciri, maka diperoleh akurasi sebesar 90,9%.
Selanjutnya terdapat penelitian untuk mengidentifikasi penyakit tuberkulosis paru menggunakan metode Probabilistic Neural Network. Tahap-tahap yang dilakukan sebelum identifikasi adalah akuisisi citra, prapengolahan, ekstraksi fitur menggunakan Moment Invariant. Data yang digunakan terdiri dari data latih sebanyak 105 citra X- Ray normal, 105 citra X-Ray paru tuberkulosis dan sebagai data uji sebanyak 50 citra X-Ray paru. Penelitian ini menunjukan tingkat akurasi sebesar 96%.
Penelitian terdahulu yang telah dijelaskan akan diuraikan secara singkat pada tabel 2.1.
Tabel 2.1. Penelitian Terdahulu
No Peneliti Metode Keterangan Akurasi
1 Bustomi, dkk Backpropagation
Hasil klasifikasi berupa citra rontgen paru-paru normal, citra rontgen paru-paru terkena kanker, dan citra rontgen paru-paru terkena efusi.
Digunakan proses ekstraksi fitur histogram dan selanjutnya masuk ke tahapan pelatihan dan pengujian pada sistem perangkat lunak.
65%
Tabel 2.1. Penelitian Terdahulu (Lanjutan)
No Peneliti Metode Keterangan Akurasi
2 Rahmadewi dan
Kurnia Segmentasi Sobel
Menggunakan 41 data citra rontgen yang diolah dengan melakukan segmentasi terhadap region paru. Selanjutnya region paru ini dilakukan deteksi tepi berbasis operator sobel. Dari hasil pengujian terdapat 6 (enam) jenis penyakit paru-paru, yaitu bronkitis, pleuritis, pneumonia, TBC, emfisema, dan kanker paru-paru.
100%
3 Orozco, dkk Support Vector Machine
Proses-proses yang
digunakan pada
penelitian ini yaitu grayscale, histogram,
Gray Level Co-
occurrence Matrix (GLCM), algoritma Bestfirst untuk mengukur persamaan setiap ciri objek, dan SVM untuk mengklasifikasi citra paru-paru.
84%
Tabel 2.1. Penelitian Terdahulu (Lanjutan)
No Peneliti Metode Keterangan Akurasi
4 Aulia Doli Extreme Machine Learning
Penelitian ini
menggunakan data CT
Scan untuk
mengklasifikasi
pendarahan otak dengan metode ELM.
92%
5 Tito Pandiangan Extreme Machine Learning
Penelitian ini dilakukan untuk mendeteksi kelainan pada jantung melalui citra EKG.
Algoritma yang
digunakan yaitu Invariant Moments untuk pengambilan nilai ciri
dan ELM untuk
mengidentifikasi.
90,9%
6 Nani Pasi Probabilistic Neural Network
Penelitian ini untuk mengidentifikasi
penyakit tuberkulosis paru. Tahap-tahap yang dilakukan sebelum identifikasi adalah akuisisi citra, prapengolahan, ekstraksi fitur menggunakan Moment Invariant.
96%
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini akan membahas tentang analisis dan perancangan dalam pada aplikasi Klasifikasi Citra Paru-paru Normal, Bronkitis, dan Tuberkulosis. Tahap pertama yaitu analisis data yang digunakan dengan menggunakan beberapa tahapan pengolahan citra dan fitur ekstraksi yang digunakan. Kemudian implementasi metode Extreme Learning Machine dalam mengklasifikasi citra paru tersebut.
3.1. Dataset
Data yang digunakan dalam penelitian ini adalah hasil foto rontgen dari paru-paru normal, paru-paru terkena bronkitis, dan paru-paru terkena tuberkulosis yang diambil dari www.chestx-ray.com dan National Library of Medicine, National Institutes of Health (NIH) USA dengan ukuran citra adalah 300x300 piksel. Seluruh data berjumlah 102 citra dengan perbandingan data latih dan data uji adalah 3 : 1 berdasarkan metode holdout. Data latih digunakan untuk memperoleh model, sedangkan data uji bertujuan menghitung akurasi model yang dibuat (Han & Kamber, 2011:370). Pembagian citra ditunjukkan pada Tabel 3.1.
Tabel 3.1 Pembagian Data Latih & Data Uji
No. Nama Penyakit
Jumlah data Data Latih Data Uji
1. Normal 30 10
2. Bronkitis 20 6
3. Tuberkulosis 29 7
Total 79 23
3.2. Analisis Sistem
Klasifikasi citra paru-paru normal, bronkitis, dan tuberkulosis pada penelitian ini terdiri dari beberapa tahapan. Tahapan pertama dimulai dengan akuisisi citra paru- paru untuk digunakan sebagai citra pelatihan dan pengujian sistem. Selanjutnya masuk ke tahapan pre-processing, scaling untuk mengatur ukuran piksel pada citra, grayscale mengubah citra kedalam citra keabuan, contrast untuk meratakan nilai keabuan, segmentation menggunakan threshold otsu, contour, dan morphological Close, melakukan proses ektraksi ciri tekstur (feature extraction) terhadap citra menggunakan binerisasi, dan tahap klasifikasi menggunakan metode Extreme Machine Learning. Setelah seluruh tahapan dilewati maka aplikasi menghasilkan output berupa informasi klasifikasi citra paru-paru yang terdiri dari normal, bronkitis, dan tuberkulosis. Adapun tahapan tersebut dapat dilihat dalam bentuk arsitektur umum pada gambar 3.1.
Gambar 3.1 Arsitektur Umum
3.2.1. Input Data
Penelitian ini menggunakan data citra hasil foto rontgen atau X-Ray yang diperoleh dari www.chestx-ray.com dan National Library of Medicine, National Institutes of
Health (NIH) USA. Data X-Ray terdiri dari 3 jenis yaitu citra paru-paru normal, bronkitis, dan tuberkulosis. Data yang dapat diolah dalam bentuk .jpg, .bmp, ataupun .png. Selanjutnya data tersebut akan digunakan sebagai data pelatihan dan data pengujian.
3.2.2. Scaling
Scaling merupakan tahapan pertama yang bertujuan untuk mengatur ukuran piksel pada citra agar seragam. Semakin sedikit jumlah piksel maka semakin sedikit waktu yang dibutuhkan untuk proses pengolahan citra. Dalam penelitian ini citra diubah ke ukuran 30x30 piksel.
3.2.3. Contrast
Setelah proses scaling selesai dilakukan, selanjutnya terdapat proses kontras dengan metode contrast. Kontras dilakukan untuk meratakan nilai keabuan citra X-Ray pada masing-masing data yang dimasukkan.
Gambar 3.2 Citra Asli X-Ray Paru Gambar 3.3 Citra Hasil Contrast
3.2.4. Threshold Otsu
Pada tahap selanjutnya citra yang telah dikontras mengalami proses segmentasi citra dengan menggunakan metode otsu. Metode otsu digunakan untuk memisahkan objek dari background. Dalam proses ini citra akan diubah menjadi citra biner yang akan memberikan informasi tentang objek dan background.
Gambar 3.4 Citra Hasil Threshold Otsu 3.2.5. Contour
Kontur dilakukan dengan tujuan mengekstrak paru sebagai objek. Kontur tertutup berkoresponden dengan batas yang mengelilingi suatu daerah objek. Batas daerah berguna untuk mendeskripsikan bentuk objek dalam tahap analisis citra. Pada penelitian ini digunakan fungsi findContours() dengan menghitung luas area pada paru sebagai objek. Proses kontur terlihat pada Gambar 3.5 batas daerah yang diekstrak adalah daerah yang memiliki luas area sebesar 6000. Maka otomatis objek yang memiliki luas area dibawah 6000 tidak ikut terekstrak.
Gambar 3.5 Citra Hasil Contour 3.2.6. Morphological Close
Tahapan selanjutnya yaitu menggunakan morphological close yang bertujuan untuk memperhalus tepi objek, menghilangkan bagian-bagian kecil di luar objek utama dan
mengisi lubang kososng di dalam objek utama. Pada tahapan ini dilakukan proses dilation (penebalan piksel) yang dilanjutkan dengan proses erosion (penipisan piksel).
Gambar 3.6 Citra Hasil Morfologi Close 3.2.7. Feature Extraction
Setelah proses segmentasi selesai dilakukan, maka tahap selanjutnya yaitu melakukan proses ektraksi ciri tekstur setiap citra dengan binerisasi. Pada tahapan ini output yang dihasilkan adalah 0 dan 1. Citra biner digunakan sebagai masukan dalam proses klasifikasi dengan menggunakan Extreme Machine Learning. Citra biner dapat dilihat pada Gambar 3.7.
Gambar 3.7 Citra Biner 30x30
3.2.8. Extreme Learning Machine
Tahapan selanjutnya yaitu memasukkan input dari hasil ekstraksi fitur pada proses kalsifikasi. Metode yang digunakan untuk proses klasifikasi pada penelitian ini adalah Extreme Machine Learning (ELM). Arsitektur yang akan digunakan dalam jaringan ini terdiri dari 3 layer, yaitu input layer sebanyak 900 node, hidden layer sebanyak 30 node, dan output layer sebanyak 3 node (normal, bronkitis, tuberkulosis).
Gambar 3.8 Arsitektur ELM untuk Klasifikasi Citra Paru
Adapun langkah-langkah proses pengolahan data yang dilakukan adalah sebagai berikut :
Langkah 1 : Inisialisasi semua bobot dan bias dengan bilangan acak kecil [0-1]
Langkah 2 : Lakukan langkah 3 sampai langkah 7 jika kondisi penghentian belum terpenuhi
Fase I propagasi maju (feed forward)
Langkah 3 : Tiap unit masukan Xi( i = 1,2, …,n) menerima sinyal dan meneruskan sinyal tersebut ke semua hidden layer.
Langkah 4 : Menghitung tiap-tiap lapisan unit hidden Zj(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)
Langkah 5 : Menghitung matriks H dengan ukuran n x m
(
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ))
(3.3)
Setelah mendapatkan matriks H dengan ukuran n x m, selanjutnya hitung H+ 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)
Setelah itu mencari bobot ke output layer (β)
(3.5)
Dengan t1 yaitu target dari proses training
Langkah 6 : Menghitung nilai output dengan menggunakan persamaan
∑ ( )
(3.6)
Langkah 7 : Menghitung nilai error pada unit output
‖ ‖ (3.7)
Fase II Perubahan updatebobot 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. Lakukan langkah 3 sampai langkah 7 jika kondisi penghentian belum terpenuhi 3. Hitung output pada hidden layer
Hitung nilai _ 𝑗 dengan j = 30 node pada lapisan tersembunyi dengan menggunakan persamaan :
= 0,1 + (0,23 . 0,2) + (0,19 . 0,4) + (0 . 0,1) + … + (0,7 . 0,3)
= 0,671
= 0,2 + (0,23 . 0,3) + (0,19 . 0,08) + (0 . 0,5) + … + (0,7 . 0,1)
= 0,815
= 0,5 + (0,23 . 0,09) + (0,19 . 0,5) + (0 . 0,2) + … + (0,7 . 0,3)
= 0,947
Kemudian hitung nilai keluaran 𝑗 pada node di lapisan tersembunyi menggunakan fungsi aktivasi sigmoid biner
( )
( ) ( )
( ) ( )
( )
( )
( )
4. Hasil yang didapatkan dari fungsi aktivasi akan menjadi input untuk hidden layer.
Selanjutnya adalah proses penghitungan output weight dengan menggunakan persamaan (3.3).
(
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ))
( ) = (0,23 . 0,2) + 0,1 = 0.146 ( ) = (0,19 . 0,4) + 0,1 = 0.176 ( ) = (0 . 0,1) + 0,1 = 0.1 ( ) = (0,7 . 0,3) + 0,1 = 0.31 ( ) = (0,23 . 0,3) + 0,2 = 0.269 ( ) = (0,19 . 0,08) + 0,2 = 0.215 ( ) = (0 . 0,5) + 0,2 = 0.2 ( ) = (0,7 . 0,1) + 0,2 = 0.27
(
)
Mencari nilai β dengan persamaan berikut ini:
( ) t
(
. /
(
))
. /
= (1.298, 1.573, 1.908, …, 1.747)
5. Langkah menghitung nilai output :
( ) ( )
( )
( ) 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 yang didapatkan, dilanjutkan perhitungan yang dimulai dari lankah 3 sampai 7 hingga kondisi pemberhentian terpenuhi. Iterasi yang ada pada proses training akan berhenti jika epoch<epoch max seperti yang telah ditentukan. Setelah itu masuk ke dalam tahapan testing untuk menguji tingkat akurasi sistem. Langkah - langkahnya adalah :
1. Masukkan data yang diuji
2. Masukkan nilai hiddennode 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.
3.3. Perancangan Sistem
Tahapan perancangan sistem berisi tentang perancangan menu sistem dan perancangan antarmuka aplikasi klasifikasi citra paru-paru normal, bronkitis dan tuberkulosis. Perancangan ini bertujuan agar pengguna dapat lebih mudah menjalankan aplikasi.
3.3.1. Perancangan Menu Sistem
Struktur antar muka pada sistem yang akan dibuat ditunjukkan pada Gambar 3.5.
Gambar 3.9. Perancangan Menu Sistem 3.3.2. Rancangan tampilan halaman awal
Rancangan halaman awal terdiri dari judul penelitian pada bagian atas, dan berturut- turut dibawahnya terdapat nama peneliti, nim, serta nama institusi. Terdapat tombol button „Menu‟ yang terdiri dari „Halaman Utama‟ untuk masuk dan memulai aplikasi dan „Keluar‟ untuk keluar dari aplikasi.
Gambar 3.10. Rancangan Halaman Awal 3.3.3. Rancangan tampilan halaman utama
Rancangan tampilan halaman utama terdiri dari beberapa bagian. Tahapan pertama yaitu memilih file data latih masing-masing jenis citra paru-paru. Selanjutnya menentukan nilai epoch, learning rate, dan hidden node, melakukan proses data dan ekstraksi ciri, melakukan inisialisasi dan melakukan latih data. Setelah itu memilih data citra uji, melakukan kontras dan segmentasi, dan melakukan klasifikasi.
Rancangan tampilan halaman awal dapat dilihat pada gambar 3.7.
Gambar 3.11. Rancangan Halaman Utama Rincian menu yang digunakan pada aplikasi adalah sebagai berikut :
1. Tombol ini berfungsi untuk membuka dan memilih file data bronkitis yang akan digunakan sebagai data latih. Selanjutnya akan tertera jumlah data yang dipakai pada bagian bawah
2. Tombol ini digunakan untuk membuka dan memilih data latih berupa file data tuberkulosis. Selanjutnya akan tertera jumlah data yang dipakai pada bagian bawah
3. Tombol data normal berfungsi untuk membuka dan memilih file data normal yang akan digunakan sebagai data latih. Jumlah data yang digunakan akan ditampilkan pada bagian bawah
4. Bagian ini digunakan untuk mengatur nilai dari epoch, learning rate, dan hidden layer. Nilai default dari epoch, learning rate, dan hidden layer secara berurutan yaitu 1000, 0.2, dan 30
5. Tombol proses berfungsi untuk menghitung seluruh total data latih yang digunakan (5a), menjalankan proses pre-processing dan proses segmentasi 6. Tombol ini digunakan untuk mengambil ciri khusus setiap data latih dengan
menggunakan binerisasi
7. Tombol inisialisasi bertujuan untuk menginisialisasi nilai dari epoch, learning rate, dan hidden layer terhadap jaringan syaraf tiruan
8. Tombol latih data digunakan untuk menjalankan proses pelatihan data. Proses ini ditunjukkan pada (8a) hingga proses pelatihan data selesai
9. Tombol pilih citra uji digunakan untuk memasukkan citra yang akan diuji.
Citra yang dipilih akan ditampilkan pada (9a)
10. Di tombol ini terdapat proses – proses yang ada pada tahap pre- processing.termasuk di dalam nya proses kontras yang bertujuan untuk meratakan nilai keabuan setiap citra. Hasil citra yang telah dikontras ditunjukkan pada (10a).
11. Pada tombol segmentasi terdapat proses threshold otsu yang hasilnya ditampilkan pada (11a) dan terdapat proses contour dan morphological close yang hasilnya ditampilkan pada (11b)
12. Tombol uji digunakan untuk menjalankan proses pengujian data menggunakan metode Extreme Machine Learning
13. Menu hasil klasifikasi merupakan menu text box yang menunjukkan hasil klasifikasi citra paru-paru yang diperoleh
14. Menu waktu proses merupakan menu text box yang menunjukkan total waktu yang diperlukan setiap kali proses berjalan
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas tentang hasil implementasi dari metode extreme learning machine dalam klasifikasi citra paru-paru dan pengujian sistem sesuai dengan analisis dan perancangan yang telah dibahas pada Bab 3.
4.1.Implementasi Sistem
Pada tahapan ini, klasifikasi citra paru-paru normal, bronkitis dan tuberkulosis menggunakan metode Extreme Machine Learning memerlukan perangkat keras dan perangkat lunak pendukung antara lain :
4.1.1. Perangkat Keras dan Perangkat Lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam membuat sistem ini adalah :
1. Processor Intel(R) CPU N3060 @ 1.60GHz 1.60GHz 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 dibuat berdasarkan rancangan antarmuka yang telah dilakukan pada Bab 3 sebagai berikut :
1. Tampilan awal aplikasi
Tampilan awal aplikasi merupakan halaman yang pertama kali muncul saat sistem dijalankan. Halaman awal memiliki 2 menu berupa drop down menu yaitu „Halaman Utama‟ untuk masuk ke halaman menu utama dan „Keluar‟ untuk keluar dari aplikasi. Selain itu terdapat judul penelitian pada bagian atas, dan berturut-turut dibawahnya terdapat nama peneliti, nim, serta nama institusi. Tampilan awal dapat dilihat pada Gambar 4.1.
Gambar 4.1 Tampilan Halaman Awal 2. Tampilan utama aplikasi
Tampilan halaman utama aplikasi merupakan halaman untuk melakukan pelatihan data dan pengujian data klasifikasi citra paru-paru dengan menggunakan metode Extreme Machine Learning. Terdapat tiga bagian utama pada halaman ini yaitu bagian pengaturan parameter, proses latih data, dan proses uji data. Tampilan tersebut dapat dilihat pada Gambar 4.2.
Gambar 4.2 Tampilan Halaman Utama 4.1.3. Implementasi Data
Data yang digunakan sistem merupakan citra foto rontgen atau X-Ray paru- paru yang didapat dari www.chestx-ray.com dan National Library of Medicine, National Institutes of Health (NIH) USA. Data tersebut dipilih dan dibagi menjadi 3 kategori yaitu Normal, bronkitis, dan Tuberkulosis. Rangkuman data yang digunakan sebagai data uji dapat dilihat pada tabel 4.1.
Tabel 4.1. Daftar Citra Uji
No. Citra Nama File Jenis Klasifikasi
1. Bc_21 Bronkitis
Tabel 4.1. Daftar Citra Uji (Lanjutan)
No. Citra Nama File Jenis Klasifikasi
2. Bc_22.JPG Bronkitis
3. Bc_23.JPG Bronkitis
4. Bc_24.JPG Bronkitis
5. Bc_25.JPG Bronkitis
