BAB 3
ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah
Osteoporosis merupakan penyakit yang ditandai dengan penurunan kepadatan mineral tulang, perubahan mikroarsitektur tulang, dan penurunan kualitas jaringan tulang. Saat ini identifikasi osteoporosis masih dilakukan secara manual oleh pakar Rheumatologi melalui citra hasil X-Ray, sehingga hasil identifikasi tergantung dari keahlian dan pengalaman pakar Rheumatologi mengenai osteoporosis. Oleh karena itu diperlukan suatu pengolahan citra pada citra bone radiograph untuk membantu dokter atau ahli rheumatologi dalam mendiagnosis osteoporosis.
3.2 Dataset
Dataset yang digunakan pada penelitian ini adalah dataset bone radiograph. Dataset terdiri dari 116 citra digital bone radiograph di mana terdapat 58 citra digital bone radiograph normal dan 58 citra bone radiograph osteoporosis.
Dataset bone radiograph diambil dari IEEE-ISBI 2014 competition dataset (http://www.univ-orleans.fr/i3mto/challenge-ieee-isbi-bone-texture-characterization).
Ukuran citra bone radiograph yang diperoleh yaitu × piksel, dengan format TIFF.
3.3 Metode Penelitian
Gambar 3.1. Arsitektur umum proses pelatihan dan pengujian
Adapun proses-proses yang dilakukan antara lain:
1. Input
Pada tahap ini, sistem membaca data input yang dimasukkan user, data input harus berupa file citra berskala keabuan dan berekstensi .tiff.
2. Proses
a. Pre-processing
CLAHE digunakan untuk meningkatkan kualitas citra menjadi lebih baik lagi dengan mengatur kekontrasan citra sehingga dapat menampilkan bagian-bagian yang gelap atau tidak terlihat (Pertiwi, 2011).
b. Feature extraction
Citra input harus berupa citra grayscale, jika tidak maka citra tersebut akan dikonversi ke dalam bentuk citra berskala keabuan selanjutnya akan diubah menjadi matriks GLCM yaitu suatu matriks yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial sehingga menghasilkan fitur-fitur dengan tingkat diskriminator yang diinginkan.
Penelitian ini akan menggunakan 4 matriks GLCM dalam menentukan fitur pada citra bone radiograph, yaitu GLCM dengan jarak spasial 1 dan sudut 0o, GLCM dengan jarak spasial 1 dan sudut 45o, GLCM dengan jarak spasial 1 dan sudut 90o, dan GLCM dengan jarak spasial 1 dan sudut 135o.
Dari 14 fitur tekstur yang disarankan oleh Haralick et al. (1973), hanya 4 fitur yang akan digunakan pada penelitian ini, keempat fitur tersebut adalah contrast,correlation,energy, dan homogeneity. Karena setiap citra menghasilkan 4 GLCM maka terdapat 16 fitur yang akan terekstrak.
c. Training
Citra dari dataset yang sudah diperbaiki pada tahap preprocessing kemudian akan di ekstrak fiturnya menggunakan GLCM. Hasil dari ektraksi fitur tersebut disimpan di dalam vektor fitur kemudian dilakukan proses pelatihan pada jaringan ECoS sehingga sistem mampu mengidentifikasi citra bone radiograph. Sebuah jaringan ECoS setidaknya memiliki satu layar neuron yang berevolusi (evolving layer). Evolving layer adalah layer konstruktif yang akan berkembang dan mengadaptasikan dirinya terhadap data-data yang dimasukkan. Pelatihan dengan menggunakan algoritma ECoS melibatkan empat parameter yaitu sensitivity threshold (Sthr), error threshold (Ethr), dan
merupakan parameter yang menentukan penambahan neuron baru pada jaringan ECoS. Arsitektur umum dari ECoS dapat dilihat pada Gambar 3.2.
Gambar 3.2 General ECoS architecture (Watts, 2009)
d. Classification
Jaringan yang telah dilatih pada tahap sebelumnya digunakan oleh sistem dalam mengklasifikasikan citra input yaitu citra bone radiograph.
3. Output
Output dari citra digital bone radiograph ada 2 klasifikasi yaitu normal dan osteoporosis.
3.4 Analisis Sistem
perbaikan citra menggunakan teknik adjust, median filtering dan metode CLAHE, kemudian menggunakan metode feature extraction GLCM dari citra yang sudah diperbaiki tersebut untuk mendapatkan fitur tekstur. Kemudian fitur tekstur tersebut diproses dengan metode evolving multilayer perceptron untuk diklasifikasikan ke dalam 2 kategori normal atau osteoporosis.
Algoritma ECoS yang dipakai yaitu algoritma Simple Evolving Connectionist Systems (SECoS) atau disebut juga evolving Multilayer Perceptron (eMLP), untuk selanjutnya penulis akan sebut eMLP. Adapun gambaran algoritma eMLP dapat dilihat pada Gambar 3.3.
Gambar 3.3 Arsitektur umum SECoS (Kasabov, 2007)
Ekstraksi fitur pada citra input menggunakan GLCM yaitu matriks yang merepresentasikan hubungan ketetanggaan antara dua piksel dalam citra berskala keabuan (grayscale) pada arah orientasi tertentu dan jarak spasial. GLCM merupakan matriks berukuran n x n, di mana n adalah banyaknya level abu-abu yang dimiliki oleh citra grayscale. Langkah-langkah ekstraksi fitur menggunakan GLCM adalah sebagai berikut:
b. Tentukan jarak spasial dan sudut orientasi antara piksel referensi dengan piksel tetangga. Jarak yang digunakan pada penelitian ini adalah 1 dan sudut yang digunakan adalah 0, 45, 90, 135.
c. Hitung nilai kookurensi berdasarkan jarak dan sudut yang telah ditentukan. d. Jumlahkan matriks kookurensi dengan matriks transposenya agar matriks
kookurensi menjadi simetris.
e. Normalisasi matriks kookurensi ke bentuk probabilitas dengan cara membagi masing-masing nilai kookurensi dengan jumlah semua nilai kookurensi yang ada pada matriks, sehingga hasil penjumlahan semua nilai pada matriks bernilai 1.
f. Hitung fitur tekstur yang diusulkan oleh Haralick. 4 fitur tekstur yang digunakan pada penelitian ini adalah contrast, correlation, energy, dan homogeneity.
Hasil dari perhitungan tersebut diubah ke dalam bentuk vektor kolom. Karena terdapat 4 matriks GLCM di mana setiap masing-masing dari matriks tersebut menghasilkan 4 tekstur fitur, maka secara keseluruhan terdapat 16 fitur yang selanjutnya digunakan pada tahap pembelajaran dengan metode eMLP.
Cara kerja sistem CAD yang akan dibangun terdiri dari 2 proses yaitu proses training dan proses testing. Adapun cara kerja sistem pada saat training antara lain sebagai berikut:
1. Input citra.
2. Lakukan image enhancement menggunakan metode adjust, median filtering, dan CLAHE kemudian bentuk matriks GLCM dengan grey level (GL) atau brightness value sebesar 64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan fitur tekstur dari matriks GLCM yang telah dinormalisasi.
4. Input nilai sensitivity threshold (Strh), error threshold (Ethr), learning rate 1 (Lr1), dan learning rate 2 (Lr2).
5. Set node pertama sama dengan 1 dan set bobot 1 dan bobot 2 di mana bobot 1 adalah input vektor akhir dan bobot 2 adalah target vektor akhir.
7. Cari node dengan nilai aktivasi tertinggi.
8. Jika nilai maksimum A1 lebih kecil dari nilai sensitivity threshold maka node ditambah satu dan bobot vektor masukan diberi inisialisasi sesuai dengan input vector I dan bobot vektor keluarnya diinisialisasi sesuai dengan desiredoutput vector Od, kemudian menuju ke langkah (13).
9. Lakukan propagasi terhadap most highly activated node dengan menggunakan metode OneOfN yaitu nilai yang digunakan untuk propagasi maju dari evolving layer ke output layer menggunakan node dengan nilai aktivasi tertinggi.
10.Hitung error yaitu selisih antara desired output dan actual output.
11.Jika error antara desired output dan actual output yang dihasilkan dari node-node yang aktif lebih besar dari error threshold (Ethr) atau desired output dari node yang aktif tidak sama dengan desired output pada saat i maka node ditambah satudan bobot vektor masukan diberi inisialisasi sesuai dengan input vector I dan bobot vektor keluarnya diinisialisasi sesuai dengan desired output vector Od, kemudian menuju ke langkah (13).
12.Nilai bobot 1 diubah menggunakan Persamaan 2.15 dan nilai bobot 2 diubah menggunakan Persamaan 2.16.
13.Melakukan pelatihan terhadap data selanjutnya dan menuju langkah (6). Ketika seluruh data sudah dilatih, jumlah node dan matriks bobot yang terkait pada setiap node kemudian disimpan untuk selanjutnya digunakan pada proses testing.
Cara kerja sistem pada saat testing antara lain sebagai berikut:
1. Input citra dan lakukan perbaikan citra menggunakan metode adjust, median filtering, dan CLAHE.
2. Bentuk matriks GLCM dengan grey level (GL) atau brightness value sebesar 64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan tekstur fitur dari matriks GLCM yang telah dinormalisasi.
5. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13. 6. Cari node dengan nilai aktivasi tertinggi.
7. Lakukan propagasi pada evolving layer menggunakan OneOfN.
8. Actual output akan dibagi menjadi 2 bagian yaitu normal dan osteoporosis 9. Melakukan testing terhadap data selanjutnya dan menuju langkah (2).
Cara kerja sistem bagian testing terhadap data baru antara lain sebagai berikut: 1. Input citra dan lakukan perbaikan citra menggunakan metode adjust, median
filtering, dan CLAHE.
2. Bentuk matriks GLCM dengan grey level (GL) atau brightness value sebesar 64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan tekstur fitur dari matriks GLCM yang telah dinormalisasi.
4. Inisialisasi jumlah node sama dengan jumlah keseluruhan node dari hasil pelatihan dan inisialisasi nilai dari bobot yang terkait dengan node-node tersebut.
5. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13. 6. Cari node dengan nilai aktivasi tertinggi.
7. Lakukan propagasi terhadap evolving layer menggunakan OneOfN. 8. Actual output akan dibagi menjadi 2 bagian yaitu normal dan osteoporosis. 9. Melakukan testing terhadap data selanjutnya dan menuju langkah (2).
3.5 Perancangan Sistem
Pada tampilan awal aplikasi CAD, terdapat beberapa menu yaitu menu file dengan sub-menu open dan sub-menu exit, menu classification dengan sub-menu new dan sub-menu eMLP, serta menu help dengan sub-menu get started dan sub-menu about. Di dalam tampilan awal aplikasi CAD juga terdapat panel “ORIGINAL IMAGE” dan “ENHANCED IMAGE” untuk menampilkan citra input baru yang asli dan setelah di perbaiki dan juga tersedia tombol “INFO” untuk melihat informasi mengenai citra. Panel “GLCM INFO” juga disajikan di dalam tampilan awal aplikasi untuk melihat nilai-nilai GLCM setiap fitur dan setiap vektor. Panel “PREDICTION” pada tampilan awal aplikasi CAD juga disajikan tombol “CHECK” untuk melihat hasil prediksi citra input baru untuk menentukan suatu citra di klasifikasikan sebagai citra bone radiograph yang normal atau osteoporosis dan tombol “EXIT” untuk keluar dari tampilan utama. Rancangan tampilan awal aplikasi CAD dapat dilihat pada Gambar 3.5.
Gambar 3.6 Rancangan tampilan menu Create Dataset
Gambar 3.8 Rancangan tampilan Results
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi Sistem
Algoritma Evolving Connectionist Systems (ECoS) yang diimplementasikan ke dalam sistem menggunakan MATLAB R2012b 64-bit sesuai dengan perancangan yang telah dilakukan sebelumnya. Ukuran kinerja hasil diagnosis dapat dilihat pada Tabel 4.1.
Tabel 4.1 Ukuran kinerja hasil diagnosis (Kadah, 2012)
No. Index Keterangan Formula
1. Sensitivity (TP rate) Kemampuan untuk mengidentifikasi adanya penyakit
TP/(TP+FN)
2. Specificity (TN rate) Kemampuan untuk mengidentifikasi ketiadaan penyakit
TN/(TN+FP)
3. Positive predictive value (PPV)
Keandalan dari hasil yang positif TP/(TP+FP)
4. Negative predictive value (NPV)
Keandalan dari hasil yang negatif TN/(TN+FN)
5. Overall accuracy Keandalan secara keseluruhan (TP+TN)/(TP+TN+FP+FN) 6. FN rate Proporsi antara FN dan semua yang 8. Positive likelihood ratio Peningkatan probabilitas penyakit
ketika hasilnya positif
Sensitivity/(1-Specificity)
9. Negative likelihood ratio
Penurunan probabilitas penyakit ketika hasilnya negatif
Dalam mengevaluasi kinerja hasil pemeriksaan, penulis membandingkan hasilnya sesuai dengan “Gold Standard” di mana penilaiannya antara lain:
True Positive (TP)
False Positive (FP)
True Negative (TN)
False Negative (FN)
4.1.1 Spesifikasi software dan hardware yang digunakan
Spesifikasi perangkat lunak (software) dan perangkat keras (hardware) yang digunakan dalam membangun sistem CAD ini adalah sebagai berikut:
1. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 64-bit Service Pack 1.
2. MATLAB R2012b 64-bit.
3. Processor Intel® Core™ i7-3517U CPU @ 1.90 GHz (4CPUs), ~2-4 GHz. 4. 4.00GB Single-Channel DDR3 @ 798MHz.
5. Storage 698GB Seagate ST750LM022 HN-M750MBB(SATA). 4.1.2 Implementasi perancangan antarmuka
Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada sistem CAD adalah:
1. Tampilan awal aplikasi CAD
Gambar 4.1 Tampilan awal aplikasi CAD 2. Tampilan menu Create Dataset
Gambar 4.2 Tampilan menu Create Dataset 3. Tampilan menu evolving MultilayerPerceptron (eMLP)
Gambar 4.3 Tampilan menu evolving Multilayer Perceptron (eMLP)
4. Tampilan hasil klasifikasi
Gambar 4.4 Tampilan hasil klasifikasi
5. Tampilan pemilihan citra secara manual
Gambar 4.5 Tampilan pemilihan citra secara manual 4.1.3 Implementasi data
Data yang dimasukkan ke dalam sistem CAD adalah citra bone radiograph normal dan osteoporosis.
Pada penelitian ini penulis menggunakan dataset yang diambil dari IEEE-ISBI 2014 competition dataset (http://www.univ-orleans.fr/i3mto/challenge-ieee-isbi-bone-texture-characterization). Dataset berjumlah 116 di mana terdapat 58 bone radiograph normal dan 58 bone radiograph osteoporosis. Rangkuman benchmark data atau dataset bone radiograph yang diperoleh tersebut dapat dilihat pada Tabel 4.2.
Tabel 4.2. Rangkuman bone radiograph dataset
No. File Name Normal Osteoporosis
1. Image_0_01 X
2. Image_0_02 X
3. Image_0_03 X
4. Image_0_04 X
5. Image_0_05 X
… … … …
Tabel 4.2. Rangkuman bone radiograph dataset (Lanjutan)
No. File Name Normal Osteoporosis
113 Image_1_55 X
114 Image_1_56 X
115 Image_1_57 X
116 Image_1_58 X
Total 58 58
4.2 Prosedur Operasional
Tampilan awal dari aplikasi ini terdiri dari tiga menu utama, yaitu menu File, Classification, dan Help.
4.2.1 Menu file
Ada 2 sub-menu dari menu File yaitu Open dan Exit. Sub-menu Load Image digunakan untuk memilih citra bone radiograph sebagai input baru untuk diklasifikasikan dengan menggunakan jaringan yang telah dilatih. Sub-menu Exit digunakan untuk keluar dari aplikasi yang sedang berjalan.
Sub-menu Open dapat dilihat pada Gambar 4.7. Pada tampilan awal aplikasi terdapat tombol “Exit” yang fungsinya sama dengan sub-menu Exit yaitu untuk keluar dari aplikasi yang sedang berjalan.
Gambar 4.7 Tampilan sub-menu Open
“GLCM 90”, “GLCM 135” digunakan untuk melihat nilai-nilai fitur di setiap vektor. Hal ini dapat dilihat pada Gambar 4.8.
Gambar 4.8 Tampilan awal aplikasi setelah memilih citra input baru 4.2.2 Menu Classification
Gambar 4.9 Tampilan sub-menu New Keterangan tombol pada panel Training Set pada Gambar 4.9:
Tombol “Normal” digunakan untuk memilih citra bone radiograph normal sebagai data latih.
Tombol “Osteo” digunakan untuk memilih citra bone radiograph osteoporosis sebagai data latih.
Keterangan tombol pada panel Test Set pada Gambar 4.9:
Tombol “Normal” digunakan untuk memilih citra bone radiograph normal sebagai data uji.
Tombol “Osteo” digunakan untuk memilih citra bone radiograph sebagai data uji.
Sub-menu evolving Multilayer Perceptron (eMLP) digunakan untuk melatih dan menguji suatu dataset. Sub-menu ini dapat dilihat pada Gambar 4.10.
Gambar 4.10 Tampilan sub-menu evolving Multilayer Perceptron (eMLP) Keterangan Gambar 4.10:
Pada menu File terdapat 2 sub-menu yaitu Open dan Close. Sub-menu Open digunakan untuk memilih dataset yang akan digunakan untuk pelatihan dan pengujian. Sub-menu Close memiliki fungsi yang sama seperti tombol “OK” yaitu untuk keluar dari halaman yang sedang berjalan.
Tombol “Result” digunakan untuk menampilkan hasil klasifikasi dari
data testing dan menampilkan hasil proses pelatihan. Hal ini dapat dilihat pada Gambar 4.12.
Gambar 4.11 Tampilan train dan recall suatu dataset
Tombol “Show” pada Gambar 4.12 digunakan untuk menampilkan citra suatu sample beserta citra hasil perbaikannya.
4.2.3Menu help
Gambar 4.12 Contoh hasil klasifikasi suatu dataset
Gambar 4.13 About 4.3 Evaluasi Pengujian Sistem
4.3.1 Pelatihan dan pengujian pada dataset
IEEE-ISBI 2014 competition dataset terdiri dari 116 citra bone radiograph di mana terdapat 58 citra bone radiograph normal dan 58 citra bone radiograph osteoporosis.
Pada penelitian ini penulis menggunakan 92 citra bone radiograph data training di mana terdapat 46 citra bone radiograph normal dan 46 citra bone radiograph osteoporosis. Rangkuman citra bone radiograph yang digunakan untuk training dapat dilihat pada Tabel 4.3.
Tabel 4.3 Citra bone radiograph sebagai data training
No. ImageName Classification
dan 12 citra bone radiograph osteoporosis. Rangkuman citra bone radiograph sebagai data testing dapat dilihat pada Tabel 4.4. Hasil pelatihan data dengan menggunakan metode propagasi One-Of-N pada suatu dataset dapat dilihat di Tabel 4.5.
Tabel 4.4 Citra bone radiograph sebagai data testing
No. ImageName Classification
Parameter yang berbeda akan menghasilkan jumlah node, waktu eksekusi, dan hasil klasifikasi yang berbeda pula. Grafik waktu eksekusi, hasil pelatihan, dan akurasi pengujian dapat dilihat pada Gambar 4.14, Gambar 4.15, dan Gambar 4.16.
Gambar 4.14 Grafik hasil pelatihan (waktu eksekusi) pada dataset
Gambar 4.15 Grafik hasil pelatihan (total node) pada dataset
Gambar 4.16 Grafik hasil pelatihan (akurasi pengujian) pada dataset Dari hasil pengujian didapat bahwa parameter dengan hasil terbaik dibandingkan dengan parameter yang digunakan pada penelitian ini dari evolving layer untuk klasifikasi bone radiograph adalah metode One-Of-N dengan sensitivity threshold=0.5, error threshold=0.01, learning rate1=0.5, dan learning rate 2=0.5 di mana diraih akurasi 87.50% dari data testing.
Data hasil testing (detection dan diagnosis) untuk 24 sample (propagasi One-Of-N) dapat dilihat pada Tabel 4.6.
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset
No. Sample Actual Output Desired Output
Normal Osteoporosis Normal Osteoporosis
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset (lanjutan)
No. Sample Actual Output Desired Output
Normal Osteoporosis Normal Osteoporosis
False positive, True negative, dan False negative diperlukan untuk mengukur kinerja hasil diagnosis.
Tabel 4.7 Detail hasil testing data sample pada dataset No. Keterangan Jumlah Persentase
1. True positive 11
2. True negative 10
3. False positive 1
4. False negative 2
5. Sensitivity (TP rate) 84.61 %
6. Specificity (TN rate) 90.90 %
7. Positive predictive value (PPV) 91.00 % 8. Negative predictive value (NPV) 83.33 %
9. Overall accuracy 87.50 %
10. FN rate 15.39 %
11. FP rate 9 %
12. Positive likelihood ratio 8.46 13. Negative likelihood ratio 1.71
BAB 5
KESIMPULAN DAN SARAN 5.1 Kesimpulan
Kesimpulan yang dapat diambil berdasarkan pengujian sistem berbasis CAD dengan menggunakan evolving Multilayer Perceptron (eMLP) antara lain:
1. Sensitivity threshold=0.5, error threshold=0.01, learning rate 1=0.5, dan learning rate 2=0.5 merupakan parameter yang digunakan dengan hasil terbaik dibandingkan dengan parameter yang lain digunakan di penelitian ini pada jaringan eMLP untuk klasifikasi pada citra bone radiograph dengan akurasi 87.50% dengan dataset atau citra-citra yang sudah ditentukan.
2. Pada bone radiograph dataset yang sudah ditentukan didapat nilai sensitivitas dan spesifisitas yang diperoleh masing-masing yaitu 84.61% dan 90.90%. 5.2 Saran
Beberapa saran penulis untuk penelitian selanjutnya yaitu:
1. Gunakan metode ekstraksi fitur lainnya untuk mendapatkan nilai ciri atau karakteristik yang lebih unik ditemukan pada setiap citra.
