Simulation - Pembahasan Hasil Penelitian dengan Menggunakan Metode Simulasi

BAB IV ANALISIS, PERANCANGAN, IMPLEMENTASI DAN PENGUJIAN

4.2. Pembahasan Hasil Penelitian dengan Menggunakan Metode Simulasi

4.2.5. Simulation

[

⁻^0.7543^0.7543

]

b=−0.8386

Support Vector(SV)=w . x+b=−1.1193

if(SV<0),then SV=Malignant else SV=Benign

−1.1193<0,maka jenis tumor=Malignant

function nilai = CustomFilter(img)

%CUSTOMFILTER Summary of this function goes here

% Detailed explanation goes here img_gray=rgb2gray(img);

hp_fil=[-1 2 -1;0 0 0;1 -2 1];

b=imfilter(img_gray,hp_fil);

c=b+img_gray+25;

medfilt2(c);

d=im2double(c);

nilai = d;

end

3. Segmentasi Tumor

Fungsi segmentasi tumor akan memisahkan bagian otak yang terkena tumor dengan bagian yang tidak terkena tumor. Hasil dari fungsi ini adalah sebuah citra tumor yang terlepas dari elemen lainnya pada gambar otak. Berikut kode program segmentasi tumor:

function seg = svm(I,init_mask,max_its,alpha,display)

%-- default value for parameter alpha is .1 if(~exist('alpha','var'))

alpha = .2;

end

%-- default behavior is to display intermediate outputs if(~exist('display','var'))

display = true;

end

%-- Create a signed distance map (SDF) from mask phi = mask2phi(init_mask);

%--main loop

for its = 1:max_its % Note: no automatic convergence test

idx = find(phi <= 1.2 & phi >= -1.2); %get the curve's narrow band

%-- find interior and exterior mean

upts = find(phi<=0); % interior points

vpts = find(phi>0); % exterior points

u = sum(I(upts))/(length(upts)+eps); % interior mean

v = sum(I(vpts))/(length(vpts)+eps); % exterior mean

F = (I(idx)-u).^2-(I(idx)-v).^2; % force from image information

curvature = get_curvature(phi,idx); % force from curvature penalty

dphidt = F./max(abs(F)) + alpha*curvature; % gradient descent to minimize energy

%-- maintain the CFL condition dt = .45/(max(dphidt)+eps);

%-- evolve the curve

phi(idx) = phi(idx) + dt.*dphidt;

%-- Keep SDF smooth

phi = sussman(phi, .5);pause(0.7);

%-- intermediate output

if((display>0)&&(mod(its,20) == 0)) showCurveAndPhi(I,phi,its);

end end

%-- final output if(display)

showCurveAndPhi(I,phi,its);

end

%-- make mask from SDF

seg = phi<=0; %-- Get mask from levelset

%--- ---

%-- AUXILIARY FUNCTIONS

---

%--- ---

%-- Displays the image with curve superimposed function showCurveAndPhi(I, phi, i)

imshow(I,'initialmagnification',200,'displayrange',[0 255]); hold on;

contour(phi, [0 0], 'g','LineWidth',3);

contour(phi, [0 0], 'k','LineWidth',2);

hold off; title('SVM Classifier'); drawnow;

%-- converts a mask to a SDF function phi = mask2phi(init_a)

phi=bwdist(init_a)-bwdist(1-init_a) +im2double(init_a)-.5;

%-- compute curvature along SDF

function curvature = get_curvature(phi,idx) [dimy, dimx] = size(phi);

[y x] = ind2sub([dimy,dimx],idx); % get subscripts

%-- get subscripts of neighbors

ym1 = y-1; xm1 = x-1; yp1 = y+1; xp1 = x+1;

%-- bounds checking

ym1(ym1<1) = 1; xm1(xm1<1) = 1;

yp1(yp1>dimy)=dimy; xp1(xp1>dimx) = dimx;

%-- get indexes for 8 neighbors

idup = sub2ind(size(phi),yp1,x);

iddn = sub2ind(size(phi),ym1,x);

idlt = sub2ind(size(phi),y,xm1);

idrt = sub2ind(size(phi),y,xp1);

idul = sub2ind(size(phi),yp1,xm1);

idur = sub2ind(size(phi),yp1,xp1);

iddl = sub2ind(size(phi),ym1,xm1);

iddr = sub2ind(size(phi),ym1,xp1);

%-- get central derivatives of SDF at x,y phi_x = -phi(idlt)+phi(idrt);

phi_y = -phi(iddn)+phi(idup);

phi_xx = phi(idlt)-2*phi(idx)+phi(idrt);

phi_yy = phi(iddn)-2*phi(idx)+phi(idup);

phi_xy = -0.25*phi(iddl)-0.25*phi(idur)...

+0.25*phi(iddr)+0.25*phi(idul);

phi_x2 = phi_x.^2;

phi_y2 = phi_y.^2;

%-- compute curvature (Kappa)

curvature = ((phi_x2.*phi_yy + phi_y2.*phi_xx - 2*phi_x.*phi_y.*phi_xy)./...

(phi_x2 + phi_y2 +eps).^(3/2)).*(phi_x2 + phi_y2).^(1/2);

%-- level set re-initialization function D = sussman(D, dt)

% forward/backward differences a = D - shiftR(D); % backward b = shiftL(D) - D; % forward

c = D - shiftD(D); % backward d = shiftU(D) - D; % forward a_p = a; a_n = a; % a+ and a- b_p = b; b_n = b;

c_p = c; c_n = c;

d_p = d; d_n = d;

a_p(a < 0) = 0;

a_n(a > 0) = 0;

b_p(b < 0) = 0;

b_n(b > 0) = 0;

c_p(c < 0) = 0;

c_n(c > 0) = 0;

d_p(d < 0) = 0;

d_n(d > 0) = 0;

dD = zeros(size(D));

D_neg_ind = find(D < 0);

D_pos_ind = find(D > 0);

dD(D_pos_ind) = sqrt(max(a_p(D_pos_ind).^2, b_n(D_pos_ind).^2) ...

+ max(c_p(D_pos_ind).^2, d_n(D_pos_ind).^2)) - 1;

dD(D_neg_ind) = sqrt(max(a_n(D_neg_ind).^2, b_p(D_neg_ind).^2) ...

+ max(c_n(D_neg_ind).^2, d_p(D_neg_ind).^2)) - 1;

D = D - dt .* sussman_sign(D) .* dD;

%-- whole matrix derivatives function shift = shiftD(M) shift = shiftR(M')';

function shift = shiftL(M)

shift = [ M(:,2:size(M,2)) M(:,size(M,2)) ];

function shift = shiftR(M)

shift = [ M(:,1) M(:,1:size(M,2)-1) ];

function shift = shiftU(M) shift = shiftL(M')';

function S = sussman_sign(D) S = D ./ sqrt(D.^2 + 1);

4. Ekstraksi Fitur

Fungsi ekstraksi fitur pada penelitian ini diwakili oleh Principal Component Analysis (PCA) dan Gray Level Coocurence Matrix (GLCM). PCA berisi serangkaian fungsi untuk mendapatkan

nilai ciri dari citra seperti mean, standard deviation, entropy, smoothness, kurtosis, dan skewness, sedangkan GLCM memiliki fungsi untuk mendapatkan nilai contrast, correlation, energydan, homogeneity. Selengkapnya fungsi ekstraksi fitur dijabarkan oleh kode berikut:

function feat = pca(img2)

%PCA Summary of this function goes here

% Detailed explanation goes here signal1 = img2(:,:);

cA1 = dwt2(signal1,'db4');

cA2 = dwt2(cA1,'db4');

[cA3,cH3,cV3,cD3] = dwt2(cA2,'db4');

DWT_feat = [cA3,cH3,cV3,cD3];

%G = pca(DWT_feat);

G = princomp(DWT_feat);

%whos DWT_feat

%whos G

g = graycomatrix(G);

stats = graycoprops(g,'Contrast Correlation Energy Homogeneity');

Contrast = stats.Contrast;

Correlation = stats.Correlation;

Energy = stats.Energy;

Homogeneity = stats.Homogeneity;

Mean = mean2(G);

Standard_Deviation = std2(G);

Entropy = entropy(G);

RMS = mean2(rms(G));

%Skewness = skewness(img);

%RMS DAN VARIANCE NILAINYA SELALU SAMA Variance = mean2(var(double(G)));

a = sum(double(G(:)));

Smoothness = 1-(1/(1+a));

Kurtosis = kurtosis(double(G(:)));

Skewness = skewness(double(G(:)));

% Inverse Difference Movement m = size(G,1);

n = size(G,2);

in_diff = 0;

for i = 1:m for j = 1:n

temp = G(i,j)./(1+(i-j).^2);

in_diff = in_diff+temp;

end end

IDM = double(in_diff);

feat = [Contrast,Correlation,Energy,Homogeneity, Mean, Standard_Deviation, Entropy, RMS, Variance, Smoothness, Kurtosis, Skewness, IDM];

disp('Contrast : '); disp(Contrast);

disp('Correlation : '); disp(Correlation);

disp('Energy : '); disp(Energy);

disp('Homogeneity : '); disp(Homogeneity);

disp('Mean : '); disp(Mean);

disp('Standard_Deviation : '); disp(Standard_Deviation);

disp('Entropy : '); disp(Entropy);

disp('RMS : '); disp(RMS);

disp('Variance : '); disp(Variance);

disp('Smoothness : '); disp(Smoothness);

disp('Kurtosis : '); disp(Kurtosis);

disp('Skewness : '); disp(Skewness);

disp('IDM : '); disp(IDM);

end

5. Kode Fungsi Identifikasi Kanker

Setelah nilai ciri berhasil diperoleh melalui fungsi ekstraksi fitur, proses identifikasi barulah dapat dilakukan. Pada fungsi ini, sistem akan mencocokkan data uji dengan data latih yang tersimpan dalam database, untuk mengetahui tergabung dalam kelompok manakah data uji ini. Kemungkinan hasilnya adalah teks “kanker” atau “bukan kanker”. Selengkapnya fungsi identifasi dijabarkan oleh kode berikut:

function svmclassifier(feat)

%SVMCLASSIFIER Summary of this function goes here

% Detailed explanation goes here load NewTrainset.mat

load Tipe.mat xdata = n_meas;

group = tipe;

svmStruct1 = svmtrain(xdata,group,'kernel_function', 'linear');

species = svmclassify(svmStruct1,feat,'showplot',false);

if strcmpi(species,'MALIGNANT') helpdlg(' Malignant Tumor ');

disp(' Malignant Tumor ');

else

helpdlg(' Benign Tumor ');

disp(' Benign Tumor ');

endend

BAB V

HASIL DAN PEMBAHASAN 5.1.Verification and Validation

Tahap verification dan validation berisi analisis hasil ekstraksi fitur PCA dan GLCM yang dilakukan oleh SVM. Setiap sampel latih (Jinak (1A- 2A) dan Ganas (1B-2B)) diekstrak nilainya guna mengetahui range nilai setiap jenis tumor untuk membedakan dan melakukan penggolongan terhadap data uji. Berikut adalah range nilai yang didapat:

Tabel 5.1 Range Nilai Data Latih

Nilai Jinak Ganas

Contrast 9.262017e-01 sampai

9.528474e-01

8.777429e-01 sampai 9.103971e-01

Energy 8.595433e-01 sampai

8.633891e-01 8.230929e-01 sampai 8.444029e-01

Homogeneity 9.548683e-01 sampai 9.561488e-01

9.459985e-01 sampai 9.520611e-01

Mean 9.958777e-03 sampai

9.793244e-03 8.983538e-03 sampai 9.554724e-03

Standard Deviation 1.061410e-01 sampai 1.061564e-01

1.061781e-01 sampai 1.062280e-01

Smoothness 9.869858e-01 sampai

9.871993e-01 9.858294e-01 sampai 9.866652e-01

Kurtosis 6.100136e+01 sampai 5.459431e+01 sampai

6.301890e+01 5.949184e+01

Skewness 6.529102e+00 sampai

6.825424e+00 5.823170e+00 sampai 6.408426e+00

Entropy 1.196919e+00 sampai

1.200192e+00

1.269095e+00 sampai 1.421906e+00

Landasan penentuan jenis tumor didasarkan pada range nilai di atas.

Analisis data uji dapat dilakukan dengan membandingkan ekstrak fitur data uji dengan range nilai data latih seperti yang disajikan dalam tabel di atas.

Perbandingan data uji dengan data latih dijabarkan sebagai berikut:

 Skenario 1 : Pengujian sampel gambar Uji-1C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)).

a. Nilai Eigen Vektor – PCA Sampel Uji-1C

Gambar 5.1 Eigen Vector Sampel Uji-1C

b. Nilai Coocurence Matrix – GLCM Sampel Uji-1C

Gambar 5 2 Matrix Coocurence Sampel Uji-1C

c. Pengklasifikasian Jenis Tumor – SVM Sampel Uji-1C

Merujuk pada rumus (2.12), penghitungan SVM dalam mengklasifikasi dijabarkan sebagai berikut:

w=[0.4435 0.8156]

[

^−0.7543^0.7543

]

b=−0.8386

Support Vector(SV)=w . x+b=−1.1193

if(SV<0),then SV=Malignant else SV=Benign

−1.1193<0,makaUji−1C=Malignant

d. Nilai Perbandingan Hasil Ekstraksi Fitur Sampel Uji-1C Tabel 5.2 Perbandingan Ekstraksi Sampel Uji-1C Ekstrak fitur Nilai Range data

latih

Golonga n

Keteranga n

Contrast 9.090909e-01

8.777429e-01 sampai 9.103971e-01

Ganas Benar

Energy 8.307443e-01 8.230929e-01 sampai 8.444029e-01

Ganas Benar

Homogeneity 9.484391e-01 9.459985e-01 sampai 9.520611e-01

Ganas Benar

Mean

1.036914e-02

9.958777e-03 sampai 9.793244e-03

Jinak Salah

Standard Deviation

1.061017e-01 1.061781e-01 sampai 1.062280e-01

Ganas Benar

Smoothness 9.876997e-01 9.869858e-01 sampai 9.871993e-01

Jinak Salah

Kurtosis 5.720796e+0 1

5.459431e+0 1 sampai 5.949184e+0 1

Ganas Benar

Skewness

6.295966e+0

0 5.823170e+0

0 sampai 6.408426e+0 0

Ganas Benar

Entropy 1.462975e+0 0

1.269095e+0 0 sampai 1.421906e+0 0

Ganas Benar

e. Kesimpulan Skenario 1

Hasil pengujian sampel Uji-1C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)) menunjukkan terdapat 2 variabel yang teridentifasi ke dalam golongan jinak, dan 7 variabel teridentifikasi golongan ganas.

Hasil ini menunjukkan sampel Uji-1C tergolong dalam golongan ganas dengan tingkat akurasi mencapai 77%.

 Skenario 2 : Pengujian sampel gambar Uji-2C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)).

a. Nilai Eigen Vektor – PCA Sampel Uji-2C

Gambar 5.3 Eigen Vector Sampel Uji-2C

b. Nilai Coocurence Matrix – GLCM Sampel Uji-2C

Gambar 5.4 Matrix Coocurence Sampel Uji-2C

c. Pengklasifikasian Jenis Tumor – SVM Sampel Uji-2C

Merujuk pada rumus (2.12), penghitungan SVM dalam mengklasifikasi dijabarkan sebagai berikut:

w=[−3.4137 0.3580]

[

⁻^0.7543^0.7543

]

b=−0.8386

Support Vector(SV)=w . x+b=−3.6835

if(SV<0),then SV=Malignant else SV=Benign

−3.6835<0,maka Uji−2C=Malignant

d. Nilai Perbandingan Hasil Ekstraksi Fitur Sampel Uji-2C Tabel 5.3 Perbandingan Ekstraksi Sampel Uji-2C Ekstrak fitur Nilai Range data

latih

Golonga n

Keteranga n

Contrast 8.853187e-01

8.777429e-01 sampai 9.103971e-01

Ganas Benar

Energy 8.337090e-01 8.230929e-01 sampai 8.444029e-01

Ganas Benar

Homogeneit

y 9.498703e-01 9.459985e-01

sampai 9.520611e-01

Ganas Benar

Mean

9.300089e-03

8.983538e-03 sampai 9.554724e-03

Ganas Benar

Standard 1.062008e-01 1.061781e-01

Ganas Benar

Deviation sampai 1.062280e-01 Smoothness 9.863051e-01 9.858294e-01

sampai 9.866652e-01

Ganas Benar

Kurtosis 5.668875e+0

1 5.459431e+0

1 sampai 5.949184e+0 1

Ganas Benar

Skewness

6.067169e+0

0 5.823170e+0

0 sampai 6.408426e+0 0

Ganas Benar

Entropy 1.433201e+0

0 1.269095e+0

0 sampai 1.421906e+0 0

Ganas Benar

e. Kesimpulan Skenario 2

Hasil pengujian sampel Uji-2C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)) menunjukkan hasil kesembilan variabel tergolong ganas. Hasil ini menunjukkan sampel Uji-2C tergolong dalam golongan ganas dengan tingkat akurasi mencapai 100%.

 Skenario 3 : Pengujian sampel gambar Uji-3C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)).

a. Nilai Eigen Vektor – PCA Sampel Uji-3C

Gambar 5.5 Eigen Vector Sampel Uji-3C

b. Nilai Coocurence Matrix – GLCM Sampel Uji-3C

Gambar 5.6 Matrix Coocurence Sampel Uji-3C

c. Pengklasifikasian Jenis Tumor – SVM Sampel Uji-3C

Merujuk pada rumus (2.12), penghitungan SVM dalam mengklasifikasi dijabarkan sebagai berikut:

w=[0.2513 0.0991]

b=−0.8386

[

⁻^0.7543^0.7543

]

Support Vector(SV)=w . x+b=−0.7238

if(SV<0),then SV=Malignant else SV=Benign

−0.7238<0,maka Uji−3C=Malignant

d. Nilai Perbandingan Hasil Ekstraksi Fitur Sampel Uji-3C Tabel 5.4 Perbandingan Ekstraksi Sampel Uji-3C Ekstrak fitur Nilai Range data

latih

Golonga n

Keteranga n

Contrast 9.144462e-01

8.777429e-01 sampai 9.103971e-01 (Selisih 0.0405)

Ganas Salah

Energy 8.489856e-01 8.230929e-01 sampai 8.444029e-01 (Selisih 0.0458)

Ganas Salah

Homogeneit

y 9.529166e-01 9.459985e-01

sampai 9.520611e-01 (Selisih 0.085)

Ganas Salah

Mean

9.391099e-03

8.983538e-03 sampai 9.554724e-03

Ganas Salah

Standard Deviation

1.061927e-01 1.061781e-01 sampai

Ganas Salah

1.062280e-01 Smoothness 9.864360e-01 9.858294e-01

sampai 9.866652e-01

Ganas Salah

Kurtosis 6.108670e+0 1

6.100136e+0 1 sampai 6.301890e+0 1

Jinak Benar

Skewness

6.468964e+0

0 6.529102e+0

0 sampai 6.825424e+0 0 (Selisih 0.0602)

Jinak Benar

Entropy 1.231344e+0

0 1.196919e+0

0 sampai 1.200192e+0 0 (Selisih 0.0312)

Jinak Benar

e. Kesimpulan Skenario 3

Hasil pengujian sampel Uji-3C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)) menunjukkan terdapat 3 variabel yang teridentifikasi ke dalam golongan jinak, dan 4 variabel teridentifikasi golongan ganas. Hasil ini menunjukkan sampel Uji-3C tergolong dalam golongan ganas dengan tingkat akurasi mencapai 42%.

5.2.Output Analysis

Gambar sampel-sampel yang disajikan pada tahap input/output analysis dirubah menjadi bentuk matriks kemudian dicari nilai ciri yang akan membedakan jenis tumor jinak dengan jenis tumor ganas. Selengkapnya disajikan output nilai ciri setiap gambar sampel pada tabel di bawah ini:

Tabel 5.5 Output GLCM Gambar Sampel

No. Nama File Tipe Tumor Nilai GLCM

Jinak-1A

Jinak

 Contrast : 9.528474e-01

 Energy : 8.633891e-01

 Homogeneity : 9.561488e-01

Jinak-2A

Jinak

 Contrast : 9.262017e-01

 Energy : 8.595433e-01

 Homogeneity : 9.548683e-01

Ganas-1B

Ganas

 Contrast : 8.777429e-01

 Energy : 8.230929e-01

 Homogeneity : 9.459985e-01

Ganas-2B

Ganas

 Contrast : 9.103971e-01

 Energy : 8.444029e-01

 Homogeneity : 9.520611e-01

Uji-1C

Ganas

 Contrast : 9.090909e-01

 Energy : 8.307443e-01

 Homogeneity : 9.484391e-01

Uji-2C

Ganas

 Contrast : 8.853187e-01

 Energy : 8.337090e-01

 Homogeneity : 9.498703e-01

Uji-3C

Jinak

 Contrast : 9.144462e-01

 Energy : 8.489856e-01

 Homogeneity : 9.529166e-01

Tabel 5.6 Output PCA Gambar Sampel No

. Nama File Tipe Tumor Nilai PCA

Jinak-1A

Jinak

 Mean : 9.958777e-03

 Standard Deviation : 1.061410e-01

 Smoothness : 9.871993e-01

 Kurtosis : 6.301890e+01

 Skewness : 6.825424e+00

 Entropy : 1.196919e+00 2

Jinak-2A

Jinak

 Mean : 9.793244e-03

 Standard Deviation : 1.061564e-01

 Smoothness : 9.869858e-01

 Kurtosis : 6.100136e+01

 Skewness : 6.529102e+00

 Entropy : 1.200192e+00 3

Ganas-1B

Ganas

 Mean : 8.983538e-03

 Standard Deviation : 1.062280e-01

 Smoothness : 9.858294e-01

 Kurtosis : 5.459431e+01

 Skewness : 5.823170e+00

 Entropy : 1.421906e+00 4

Ganas-2B

Ganas

 Mean : 9.554724e-03

 Standard Deviation : 1.061781e-01

 Smoothness : 9.866652e-01

 Kurtosis : 5.949184e+01

 Skewness : 6.408426e+00

 Entropy : 1.269095e+00

Uji-1C

Ganas

 Mean : 1.036914e-02

 Standard Deviation : 1.061017e-01

 Smoothness : 9.876997e-01

 Kurtosis : 5.720796e+01

 Skewness : 6.295966e+00

 Entropy : 1.462975e+00 6

Uji-2C

Ganas

 Mean : 9.300089e-03

 Standard Deviation : 1.062008e-01

 Smoothness : 9.863051e-01

 Kurtosis : 5.668875e+01

 Skewness : 6.067169e+00

 Entropy : 1.433201e+00 7

Uji-3C

Jinak

 Mean : 9.391099e-03

 Standard Deviation : 1.061927e-01

 Smoothness : 9.864360e-01

 Kurtosis : 6.108670e+01

 Skewness : 6.468964e+00

 Entropy : 1.231344e+00

Setelah semua nilai ciri ditemukan, pengujian dan perbandingan berdasarkan skenario diterapkan seperti yang telah dijelaskan di tahap verification and validation. Dari total 3 skenario yang dilakukan, 2 skenario menghasilkan output yang sesuai dan 1 skenario menghasilkan output yang tidak sesuai. Berikut dijabarkan hasil pengujian terhadap ketiga skenario:

 Skenario 1 : Pengujian dilakukan terhadap sampel gambar Uji-1C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)). Hasil dari skenario 1 menunjukkan prediksi bahwa sampel Uji-1C tergolong tumor ganas/kanker dengan nilai ciri yang tertera di atas sebesar 77%. Setelah dicocokkan dengan data medis MRI, bersifat benar.

 Skenario 2 : Pengujian dilakukan terhadap sampel gambar Uji-2C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)). Hasil dari skenario 1 menunjukkan prediksi bahwa sampel Uji-1C tergolong tumor

ganas/kanker dengan nilai ciri yang tertera di atas sebesar 100%. Setelah dicocokkan dengan data medis MRI, bersifat benar.

 Skenario 3 : Pengujian dilakukan terhadap sampel gambar Uji-3C terhadap data latih (Jinak (1A-2A), dan Ganas (1B-2B)). Hasil dari skenario 1 menunjukkan prediksi bahwa sampel Uji-1C tergolong tumor ganas/kanker dengan nilai ciri yang tertera di atas sebesar 42%. Setelah dicocokkan dengan data medis MRI, bersifat salah.

BAB VI PENUTUP

6.1. Kesimpulan

Simulasi pengidentifikasian kanker otak dilakukan dengan cara memetakan pixel-pixel pada citra MRI dan melakukan serangkaian penghitungan matematika. Penghitungan matematika dimulai dari metode PCA dan GLCM untuk memetakan tekstur dan bentuk gambar. Hasil pemetaan kemudian diklasifikasikan oleh SVM guna mengidentifikasi status kanker objek. Terdapat 7 sampel gambar yang disimulasikan dalam penelitian ini, dengan rincian 4 sampel sebagai data latih, dan 3 sampel sebagai data uji.

Simulasi perbandingan sampel data latih dengan data uji menghasilkan 2 dari data uji memberikan output yang sesuai dengan tingkat akurasi masing-masing 77% dan 100%, sedangkan 1 data uji memberikan output yang tidak sesuai dengan tingkat akurasi 42%. Hal ini mengindikasikan metode PCA, GLCM, dan SVM cenderung dapat menggolongkan jenis tumor yang berelefansi dengan kanker otak.

6.2. Saran

Berikut beberapa saran untuk penelitian lebih lanjut:

1. Dapat mengembangkan metode pemodelan matematika lainnya dan metode segmentasi bentuk-bentuk image lainnya serta reduksi data yang berkaitan dengan gambar otak dan saraf yang berhubungan dengan kanker otak.

2. Dapat menggunakan metode pemetaan otak lainnya, seperti CT Scan sebagai media untuk pemodelan matematika.

3. Memperbanyak jumlah sampel yang lebih memberikan deskripsi yang lebih akurat.

DAFTAR PUSTAKA

Abdurahman, Maman., Sambas Ali Muhidin, dan Ating Somantri. 2011. “Dasar- Dasar Metode Statistika Untuk Penelitian”. Bandung : Pustaka Setia.

Ada dan Rajneet Kaur. 2013. “Feature Extraction and Principal Component Analysis for Lung Cancer Detection in CT scan Images”. Sri Guru Granth Sahib World University : Punjap India.

Aggarwal, Preeti, H.K. Sardana, Renu Vig. “An Efficient Visualization and Segmentation of Lung CT Scan Images for Early Diagnosis Of Cancer”.

NCCI 2011 -National Conference on Computational Instrumentation CSIO Chandigarh, INDIA 19-20 March 2011.

A.S Rosa., dan M. Shalahuddin. 2014. Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung : Informatika.

Attaway, Stormy. 2013. “MATLAB, A Practical Introduction to Programming and Problem Solving”. Boston : Butterworth-Heinemann.

Brain Tumour Research. 2014. “Report Update on National Research Funding July 2014”. Buckingham : Brain Tumour Research.

Bustan, M. Nadjib. 2015. “Manajemen Pengendalian Penyakit Tidak Menular”.

Jakarta : Rineka Cipta.

DeCarlo T. Lawrence. 1997. “On the Meaning and Use of Kurtosis”. American Psychological Association, Inc. 1997, Vol. 2, No. 3,292-307.

Devita, Vincent T., Theodore S. Lawrence, dan Steven A. Rosenberg. 2015.

“Cancer, Principles and Practice of Oncology”. Philadelphia : Wolters Kruwel.

Dogra, Anush dan Ayush Dogra. “Performance Comparison of Gaussian and High Pass Filter”. International Journal of Advanced Biological and Biomedical Research, 2015.

Fisher, R. B., dkk. 2014. “Dictionary of Computer Vision and Image Processing, Second Edition”. Sussex : Wiley.

Gopinath, N..“Extraction of Cancer Cells from MRI Prostate”. International Journal of Engineering Science and Innovative Technology (IJESIT). Volume 1, Issue 1, September 2012.

Guritno, Suryo dkk. 2011. “Theory and Application of IT Research Metodologi Penelitian Teknologi Informasi”. Yogyakarta : Andi.

Havaei, Mohammad, dkk. 2015. “Within-Brain Classication for Brain Tumor Segmentation”. Sherbrooke : Universite de Sherbrooke.

Ho D. Andrew dan Carol C. Yu. 2016. “Descriptive Statistics for Modern Test Score Distributions: Skewness, Kurtosis, Discreteness, and Ceiling Effects”.

Harvard Graduate School of Education.

Jamila, Hartati, S. 2011. “Sistem Pendukung Keputusan Pemilihan Subkontrak Menggunakan Metode Entropy dan TOPSIS”

Kumar, D. Dhilip, dkk. “Brain Tumour Image Segmentation Using Matlab”.International Journal for Innovative Research in Science &

Technology, vol. 1 Issue 12, May 2015.

Liton Chandra Paul dan Abdulla Al Sumam. 2012. “Face Recognition Using Principal Component Analysis Method”. University of Engineering and Technology : Rajshahi.

Madani , S.A., Kazmi , J., Mahlknecht, S. 2012. “Wireless Sensor Networks : Modeling And Simulation. Specification and Design Languages (FDL)”.

2012 Forum on Hal. 185 – 192 ISSN 1636-9874. IEEE Press.

Nitasha, Shammi Sharma, dan Reecha Sharma. 2012. “Comparison Between Circular Hough Transform And Modified Canny Edge Detection Algorithm For Circle Detection”. International Journal of Engineering Research &

Technology (IJERT) Vol. 1 Issue 3, May – 2012.

Polzehl Jorg dan Karsten Tabelow. 2007. “Adaptive Smoothing of Digital Images:

The R Package Adimpro”. Journal of Statistical Software April 2007, Volume 19, Issue 1.

Roy, Sudipta, dkk. 2012.“A Review on Automated Brain Tumor Detection and Segmentation from MRI of Brain”. Department of Computer Science and Engineering, University of Calcutta, India.

Singhal, Vinay Kumar, R.B. Dubey, dan Anil Kumar. “A Comparative Study of Two MRI Brain Tumor Classification Techniques”. Indian Journal of Applied Research, vol. 5 issue 6, June 2015.

Soesanti, dkk. 2011. Ekstraksi Ciri dan Identifikasi Citra Otak MRI. Jurnal Teknik, 48.

Solomon, Chris dan Toby Breckon. 2011. “Fundamentals of Digital Image Processing A Practical Approach with Examples in Matlab”. Sussex : Wiley Blackwell.

Sotaninejad, dkk. 2014. “Brain Tumour Grading in Different MRI Protocols using SVM on Statistical Features”. London : School of Computer Science, University of Lincoln.

Sriadi, Bambang. 2009. “Pemodelan dan Simulasi Sistem: Teori, aplikasi dan contoh dalam Bahasa C”. Bandung: Informatika Bandung.

Sugiyono. 2013. Metode Penelitian Pendidikan (Pendekatan Kuantitatif, Kualitatif, dan R&D). Bandung : Alfabeta.

Zulpe, Nitish, dan Vrushsen Pawar. “GLCM Textural Features for Brain Tumor Classification”. IJCSI International Journal of Computer Science Issues, vol.

9, issue 3, no. 3, May 2012.

LAMPIRAN

Lampiran 1. Surat Permohonan Izin Penelitian RSPAD

Lampiran 2. Surat Permohonan Izin Penelitian RSPAD Gatot Soebroto

Lampiran 3. Surat Keterangan Bimbingan Skripsi

Lampiran 4. Pseudo Code High Pass Filter

allocate outputPixelValue[image width] [image height]

allocate window [window width * window height]

edgex := (window width / 2) rounded down edgey := (window height / 2) rounded down

for x from edgex to image width – edgex for y from edgey to image height - edgey

i = 0

for fx from 0 to window width

for fy from 0 to window height

window[i] := inputPixelValue[x+fx-edgex]

[y+fy-edgey]

i := i+1

sort entries in window[]

outputPixelValue[x][y] := window[window width

* window height / 2]

Lampiran 5. Pseudo Code Segmentasi Support Vector Machine 1. a = init_mask

1.1 init_mask = m(90:100,105:135) = 1

1.2 hasil persegi panjang dengan index x= 90-100 dan y = 105-135 bernilai 1

2. phi = buat mask(a)

2.1 phi = bwdist(init_a)-bwdist(1-init_a) + im2double(init_a)-.5;

2.1.1 bwdist = euclidian distant transform untuk warna hitam dan putih dari pixel sekitar.

a. bwdist = sqrt((x1-x2)^2 + (y1-y2)^2)

b. x1 node baris 1, x2 node baris 2, y1, node

kolom 1, y2 node kolom 2.

2.1.2 im2double = convert image jadi angka double.

2.2 looping sebanyak 120 kali

2.2.1 idx = find(phi <= 1.2 & phi >= -1.2

a. idx = index linear dari -1.2 >= phi =<

1.2

2.2.2. cari nilai

a. upts = find(phi<=0); cari linear index kurang dari 0 dari phi

b. vpts = find(phi>0); cari linear index lebih dari 0 dari phi

c. u = mean dari upts

* u = sum(upts)/length(upts) d. v = mean dari vpts

* v = sum(vpts)/length(vpts) 2.2.3 F = (I(idx)-u).^2-(I(idx)-v).^2;

a. F = penyatuan batas nilai 1.2 dengan batas

nilai 0

2.2.4 get_curvature = cari subscript tetangga.

subscript digunakan untuk mencari tumor.

[y x] = ind2sub(size(phi),idx); get subscript

* ind2sub = sigma((((idx - (1 + (idx – 1-(idx-1/idx)))))/idx) + 1)

b. Get subscript tetangga

* ym1 = y-1; xm1=x-1; yp1=y+1; xp1=x+1;

Dalam dokumen Penunjang Skripsi Menuju Gelar Sarjana Komputer (Halaman 86-94)