Studi Pustaka - Metode Pengumpulan Data

BAB III METODOLOGI PENELITIAN

3.1. Metode Pengumpulan Data

3.1.2. Studi Pustaka

Pada tahapan ini, dilakukan pengumpulan referensi yang relevan dengan objek yang akan diteliti. Sumber referensi berasal dari buku, jurnal, dan buku elektronik. Dari studi pustaka yang telah peneliti lakukan, berikut ini hal-hal penting yang didapatkan:

a. Pengetahuan mengenai tumor dan kanker otak manusia.

b. Pengetahuan mengenai pengolahan citra digital.

c. Pengetahuan mengenai ekstraksi fitur.

d. Pengetahuan mengenai Principal Component Analysis (PCA).

e. Pengetahuan mengenai Gray Level Coocurence Matrix (GLCM).

f. Pengetahuan mengenai klasifikasi.

g. Pengetahuan mengenai Support Vector Machine (SVM).

h. Pengetahuan mengenai metode Simulasi.

i. Pengetahuan mengenai metode pengujian sistem.

1.1.1. Studi Literatur Sejenis

Penulis melakukan studi literatur sejenis untuk mengetahui kelebihan serta kekurangan terhadap penelitian sebelumnya guna dijadikan referensi pada penelitian ini. Berikut ini adalah perbandingan penelitian literatur sejenis dilihat dari beberapa aspek :

Literatur Referensi 1 Referensi 2 Referensi 3 Referensi 4 Referensi 5 Judul,

Tahun, dan Instansi

Kumar, D.

Dhilip, dkk.

“Brain Tumour Image

Segmentation Using

Matlab”.Internati onal Journal for Innovative

Research in

Science &

Technology, vol.

1 Issue 12, May 2015.

Sotaninejad, dkk.

2014. “Brain Tumour Grading in Different MRI Protocols using

SVM on

Statistical Features”.

London : School of Computer Science,

University of Lincoln.

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.

Liton Chandra

Paul dan

Abdulla Al Sumam. 2012.

“Face Recognition Using Principal Component Analysis Method”.

University of Engineering and Technology : Rajshahi.

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.

Metode Threshold

Segmentation dan Support Vector

Support Vector Machine, Super Pixel

Gray Level Coocurence Matrix

Principal Component Analysis

Gray Level Coocurence Matrix dan Principal

Region of Interest.

C Means dan Support Vector Machine (SVM).

Analysis

Nilai Pembeda

Penggunaan metode

segmentasi yang berbeda

menggunakan Threshold Segmentation

Penggunaan metode

segmentasi yang berbedamengguna kan Super Pixel Segmentation dan metode ekstraksi fitur yang berbeda menggunakan Region of Interest.

Menggunakan metode Fuzzy C Means dalam proses

segmentasi.

Tidak

mensegmentasi daerah wajah.

Penggunaan CT Scan sebagai masukan.

Lingkup Sistem

Desktop, dibangun menggunakan

- Desktop,

dibangun menggunakan

Desktop, dibangun menggunakan

pemrograman Matlab.

Pemrograman Matlab.

Kelebihan Mengidentifikasi tumor jinak dan tumor ganas.

- Dapat

mengidentifik asi tingkat keganasan tumor berdasarkan WHO grading.

- Berdasarkan percobaan, tingkat akurasi minimalnya adalah 80%.

Tingkat akurasi minimal 95%.

Dapat dengan baik mengenali pola wajah.

Dapat mendeteksi kanker paru- paru dengan baik

Kekurangan - Tidak ada tingkat akurasi dari

- Tidak

menjabarkan proses

Pengenalan wajah belum bisa real time.

Deteksi kanker masih pada kanker paru-

klasifikasi.

- Tidak dijabarkan metode ekstraksi fiturnya.

- Threshold segmentation tidak hanya mengsegment asi bagian tumor.

tumor. diuji pada

kanker yang lain.

3.2. Obyek Penelitian

Obyek penelitian ini adalah pasien-pasien penderita tumor otak. Baik tumor otak jinak maupun tumor otak ganas. Obyek penelitian ini didapatkan melalui sumber daya milik Rumah Sakit Pusat Angkatan Darat Gatot Soebroto.

3.3. Sumber Data

Data yang digunakan dalam penelitian ini berupa gambar Magnetic Resonance Image (MRI) dari otak pasien penderita tumor otak. Gambar MRI yang diteliti terbagi menjadi dua kelompok, tumor ganas dan tumor jinak.

Total data yang didapatkan berjumlah 6 buah. Data diberikan oleh bagian radiologi RSPAD Gatot Soebroto melalui izin penelitian dari UIN Syarif Hidayatullah Jakarta dan RSPAD Gatot Soebroto. Surat keterangan izin penilitian terlampir pada bagian lampiran.

3.4. Metode Analisis Data

Support Vector Machine (SVM) merupakan suatu metode pengelompokan kumpulan data yang mampu melakukan perbandingan data baru dengan data kelompok yang telah terbentuk. Dalam melakukan analisa data dilakukan beberapa tahap antara lain sebagai berikut:

Tahap 1: melakukan pengumpulan sampel berupa gambar MRI dari pasien pengidap tumor.

Tahap 2 : melakukan pengolahan citra (image procesing) dengan menggunakan metode Principal Component Analysis (PCA), Gray Level Coocurence Matrix (GLCM) dan SVM berdasarkan sampel gambar MRI dengan menggunakan MATLAB.

3.5. Metode Pemodelan Simulasi

Metodologi yang digunakan dalam penelitian ini adalah Metode Pemodelan Simulasi. Adapun tahapan dari metode simulasi adalah sebagai berikut :

3.5.1.Problem Formulation

Proses simulasi dimulai dengan masalah praktis yang memerlukan pemecahan atau pemahaman. Pada tahap ini peneliti mengidentifikasi masalah dengan melihat data penelitian berupa gambar MRI otak tepatnya pada bagian tumornya. Suatu tumor dikatakan kanker bila bersifat ganas. Hal ini antara lain ditandai dengan ukuran dan tekstur dari tumor tersebut. Semakin besar ukuran dan semakin beragam tekstur dari tumor, semakin ganas tumor tersebut. Pendekatan PCA, GLCM, dan SVM akan memetakan gambar MRI ini menjadi bentuk matematika untuk menemukan ciri sehingga jenis tumor dapat diidentifikasi.

3.5.2.Conceptual Model

Tahap ini mendeskripsikan pemodelan yang dilakukan ketika proses matematis untuk mengidentifikasi kanker berjalan. Pada bagian ini akan dijelaskan langkah demi langkah jalannya identifikasi berlangsung.

Mulai dari memilih sampel, melakukan serangkaian pengolahan citra, mengambil nilai ciri sampel, hingga identifikasi sampel berdasarkan ciri.

3.5.3.Collection and Analysis of Input/Output Data

Pada tahap ini pembelajaran terhadap sistem untuk mendapatkan data input dan output mutlak untuk dilakukan. Hal ini dilakukan dengan mengumpulkan dan mengamati atribut-atribut yang telah ditentukan.

Ketika entitas data uji telah dipelajari, maka dilakukan perbandingan data sampel yang telah tersimpan sebelumnya untuk mengetahui

golongan dari data uji. Isu penting lainnya pada tahap ini adalah pemilihan ukuran sampel yang valid secara statistik dan format data yang dapat diproses komputer. Ukuran dan format data dibuat secara seragam agar perbandingan bisa berjalan dengan baik. Analisis dari data-data ini, secara matematis akan dimodelkan oleh algoritma PCA, GLCM, dan SVM.

3.5.4.Modelling

Pada tahap pemodelan, kita harus membangun representasi yang rinci dari sistem berdasarkan model konseptual dan input/output data yang dikumpulkan. Model ini dibangun dengan mendefinisikan objek, atribut, dan metode menggunakan paradigma yang dipilih seperti metode pemodelan matematika, algoritma dan metode model simulasi.

Pada tahap ini spesifikasi model dibuat, termasuk set persamaan yang mendefinisikan struktur. Setelah menyelesaikan definisi ini, kita harus membangun struktur awal model.

3.5.5.Simulation

Pada tahap simulasi, kita harus memilih mekanisme untuk menerapkan model (dalam banyak kasus menggunakan komputer dan bahasa pemrograman dan alat-alat yang memadai), dan model simulasi yang dibangun dengan menggunakan model PCA, GLCM dan SVM.

Selama langkah ini, perlu untuk mendefinisikan algoritma simulasi dan menerjemahkannya ke dalam program komputer.

3.5.6.Verification and Validation

Pada tahap sebelumnya, tiga model yang berbeda yang dibangun yaitu model konseptual (spesifikasi), sistem model (desain), dan model simulasi (executable program). Kita perlu memverifikasi dan memvalidasi model ini. Verifikasi terkait dengan konsistensi internal antara tiga model (apakah model diterapkan dengan benar?). Validasi

difokuskan pada korespondensi antara model dan realitas : apakah hasil simulasi yang konsisten dengan sistem yang dianalisis? Apakah kita membangun model yang tepat? Berdasarkan hasil yang diperoleh selama tahap ini, model dan implementasinya mungkin perlu penyempurnaan. Seperti yang akan kita bahas dalam bagian berikutnya, proses V&V bukan merupakan fase tertentu dari siklus hidup, tetapi merupakan bagian dari integral fase tersebut. Proses ini harus formal dan harus didokumentasikan dengan benar karena versi model akan membutuhkan putaran lain dari V&V, yang, pada kenyataannya, salah satu tahapan yang paling mahal dalam siklus. Penggunaan model sampel yang disimulasikan dengan melakukan pengujian verifikasi dan validasi dalam beberapa bentuk skenario untuk memperoleh hasil perhitungan model matematika dan algoritma metode PCA, GLCM dan SVM.

3.5.7.Output Analysis

Pada tahap analisis output, output simulasi dianalisis untuk memahami perilaku sistem. output ini digunakan untuk mendapatkan tanggapan tentang perilaku sistem yang asli. Pada tahap ini, alat visualisasi dapat digunakan untuk membantu proses tersebut. Tujuan dari visualisasi adalah untuk memberikan pemahaman yang lebih terhadap sistem real yang sedang diselidiki dan untuk membantu dalam mengeksplorasi set besar data numerik yang dihasilkan oleh simulasi.

Pada tahap ini diharapkan untuk dapat merangkum hasil analisa dari jenis alat identifikasi dengan bentuk numerik.

3.6. Tempat dan Waktu Penelitian

Penelitian dilaksanakan selama 5 bulan yaitu pada bulan April – Agustus 2016. Verifikasi penelitian dan pengolahan data dilakukan di FST Teknik Informatika UIN Syarif Hidayatullah Jakarta dan Rumah Sakit Pusat

Angkatan Darat (RSPAD) Gatot Soebroto bagian radiologi. (Time Schedule – Daftar Terlampir dalam Lampiran)

3.7. Kerangka Berpikir

Penulis menuangkan hasil dari penjelasan metode penelitian yang digunakan dalam penelitian ini ke dalam sebuah kerangka pemikiran seperti di bawah ini :

Gambar 3.1 Kerangka Berpikir

BAB IV

ANALISIS, PERANCANGAN, IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1. Deskripsi Data

Dalam melakukan analisa data dilakukan beberapa tahap antara lain sebagai berikut:

Tahap 1: melakukan pengumpulan sampel berupa gambar MRI dari pasien pengidap tumor.

Tahap 2 : melakukan pengolahan citra (image procesing) dengan menggunakan metode Principal Component Analysis (PCA), Gray Level Coocurence Matrix (GLCM) dan Support Vector Machine (SVM) berdasarkan sampel gambar MRI dengan menggunakan MATLAB.

4.2. Pembahasan Hasil Penelitian dengan Menggunakan Metode Simulasi Adapun tahap dari metode simulasi adalah sebagai berikut:

4.2.1.Problem Formulation

Permasalahan ditemukan setelah penulis melakukan studi literatur mengenai kanker otak dan wawancara dengan tenaga ahli dari Rumah Sakit Pusat Angkatan Darat Gatot Soebroto (RSPAD Gatot Soebroto).

Literatur yang digunakan sebagai acuan pencarian masalah berbentuk jurnal. Jurnal-jurnal yang dipakai memiliki konten mengenai kanker otak. Dari jurnal tersebut didapatkan data bahwa resiko kematian akibat kanker otak sangatlah tinggi. Mengutip laporan National Research Funding mengenai penderita kanker otak pada Juli 2014, 1 dari 50 orang di bawah usia 60 tahun mengidap tumor otak dan tingkat kematian akibat penyakit ini mencapai 71%. Sangat besar, menilai tingkat kematian pada jenis kanker lain yang hanya 47%.

Staff ahli RSPAD juga membenarkan kebenaran data laporan National Research Funding. Melalui serangkaian wawancara, penulis mendapatkan fakta bahwa pengecekan tumor pada kanker otak masih dilakukan secara manual. Pengecekan secara manual memiliki resiko inkonsistensi terhadap deteksi bagian otak yang terjangkit kanker.

Selain itu, dibutuhkan waktu tambahan untuk menganalisis bagian tumor apakah termasuk jenis tumor jinak (benign) atau tumor ganas (malignant). Seperti yang telah dijelaskan pada bab 2, tumor ganas pada otak dapat disebut juga sebagai kanker otak. Oleh karena itu, menjadi penting apakah tumor yang ditemukan merupakan kanker otak atau bukan. Selengkapnya, hasil wawancara dapat Anda temukan pada halaman lampiran.

Permasalahan inkonsistensi pada deteksi tumor pada kanker otak dapat di atasi dengan menerapkan teknologi komputer. Teknologi komputer—melalui metode Principal Component Analysis (PCA), Gray Level Coocurence Matrix (GLCM) dan Support Vector Machine (SVM), dapat diterapkan untuk secara otomatis mendeteksi bagian-bagian otak yang terkena tumor dan mengklasifikasikannya menjadi dua bagian, yaitu tumor jinak (benign) atau tumor ganas (malignant).

Metode PCA dan GLCM digunakan dalam proses ekstraksi pada bagian tumor untuk mendapatkan homogenitas, korelasi, energi, dan informasi lainnya terkait tumor otak. Informasi hasil dari PCA dan GLCM, diklasifikasi oleh SVM. SVM akan menentukan apakah tumor tersebut adalah kanker atau bukan.

4.2.2.Conceptual Model

Dalam penelitian ini, penulis telah menggunakan langkah-langkah percobaan sebagai model konseptual untuk menjawab permasalahan yang telah diuraikan pada tahapan sebelumnya. Penulis menggunakan

metode pengolahan citra digital (image processing) dengan langkah- langkah sebagai berikut :

Gambar 4.1 Diagram Alir Sistem

Gambar di atas menggambarkan teknik pengolahan citra yang digunakan dalam penelitian ini. Beberapa teknik pengolahan citra yang digunakan adalah sebagai berikut:

1. Akuisisi citra, dilakukan dengan memilih citra atau gambar yang ada di lokasi penyimpanan lokal, baik di hard disk, flash disk, DVD, ataupun media penyimpanan lain yang terhubung ke komputer.

Format citra yang digunakan ialah format “*.jpg” dengan ukuran 256x256 piksel. Tipe citra yang digunakan ialah citra RGB. Gambar 4.2 menunjukkan proses akuisisi citra.

Gambar 4.2 : Antarmuka Proses Akuisisi Citra

2. Pengolahan citra, berfungsi untuk meningkatkan kualitas citra serta mesegmentasi bagian tumor. Metode yang digunakan adalah High Pass Filter dan Support Vector Machine.

a. High Pass Filter berfungsi untuk meningkatkan kualitas dari citra. Agar metode ini bisa digunakan, sebelumnya gambar harus dikonversikan terlebih dahulu ke dalam bentuk gray scale. Gambar 4.3 menunjukkan proses High Pass Filter.

Gambar 4.3 : Antarmuka Proses Filtering

b. Support Vector Machine (SVM) selain berfungsi untuk mengklasifikasi jenis tumor, metode ini juga dapat dierapkan dalam proses segmentasi. SVM ditambah dengan metode pengenalan pola akan memisahkan bagian otak yang terkena tumor dengan bagian otak yang sehat. Gambar 4.4 menunjukkan proses segmentasi tumor.

Gambar 4.4 : Antarmuka Proses Segmentasi Tumor

3. Principal Component Analysis (PCA) dan Gray Level Coocurence Matrix (GLCM) akan melakukan ekstraksi fitur untuk mendapatkan nilai ciri dari sebuah citra. Parameter yang dihasilkan adalah nilai contrast, energy, homogeneity, mean, standard deviation, entropy, smoothness, kurtosis, dan skewness. Hasil ekstraksi fitur akan disimpan dalam sebuah variabel atau objek. Gambar 4.5 menunjukkan proses ekstraksi fitur.

Gambar 4.5 : Antarmuka Proses Ekstraksi Fitur

4. Pada proses pelatihan, sistem akan mengambil data melalui dataset berformat “*.mat” yang berisi serangkaian parameter hasil dari proses entkstraksi fitur pada beberapa gambar—yang memilki tumor kanker yang berbeda. Pada penelitian ini, dataset berisi parameter yang diambil dari 4 gambar, yang terdiri dari 2 gambar jenis tumor jinak dan 2 gambar jenis tumor ganas. Jadi terdapat dua kelompok data, kelompok data tumor jinak dan kelompok data tumor ganas.

5. Identifikasi dilakukan dengan mencocokkan ektrak data target dengan kelompok hasil ekstrak data yang terdapat dalam dataset.

Dataset ini berisi dua buah tabel dengan satu tabel memiliki konten ekstraksi fitur pada data latih, dan tabel lainnya berisi jenis dari

tumor. Proses pelatihan dan identifikasi juga menggunakan metode Support Vector Machine. Gambar 4.6 menunjukkan proses identifikasi kanker otak.

Gambar 4.6 : Antarmuka Proses Identifikasi Kanker Otak

Gambar 4.7 : Antarmuka Proses Identifikasi Kanker Otak 4.2.3.Collection and Analysis of Input/Output Data

Tahap Collection of Input/Ouput Data merupakan proses penentuan input yang akan digunakan dalam penelitian. Berdasarkan hasil yang

diperoleh pada saat memformulasikan masalah, ada beberapa gambar MRI yang digunakan sebagai sampel input, sampel-sampel itu adalah sebagai berikut:

1. Sampel gambar tumor jinak

Tabel 4.1 Gambar Sampel Tumor Jinak

No. Sampel Gambar Sampel Deskripsi

1 Nama File : Jinak-1A

Dimensi : 256x256 piksel

2 Nama File : Jinak-2A

Dimensi : 256x256 piksel

2. Sampel gambar tumor ganas

Tabel 4.2 Gambar Sampel Tumor Ganas

No. Sampel Gambar Sampel Deskripsi

1 Nama File : Ganas-1B

Dimensi : 256x256 piksel

2 Nama File : Ganas-2B

Dimensi : 256x256 piksel

3. Sampel gambar data uji

Tabel 4.3Sampel Gambar Data Uji

No. Sampel Gambar Sampel Deskripsi

1 Nama File : Uji-1C

Dimensi : 256x256 piksel Output yang diharapkan : Ganas

2 Nama File : Uji-2C

Dimensi : 256x256 piksel Output yang diharapkan : Ganas

3 Nama File : Uji-3C

Dimensi : 256x256 piksel Output yang diharapkan : Jinak

4.2.4.Modelling

Tahap ini merupakan tahapan membangun representasi yang rinci dari sistem berdasarkan model konseptual dan input/output data yang dikumpulkan. Model ini dibangun dengan mendefinisikan objek, atribut, dan metode menggunakan paradigma yang dipilih seperti metode pemodelan matematika, algoritma dan metode model simulasi.

Pemodelan matematika dilakukan pada objek Ganas-2B, guna mengetahui langkah demi langkah untuk mendapatkan nilai-nilai ekstraksi.

Gambar 4.7 Sampel Penghitungan Manual

Pada tahapan pemodelan ini terdiri dari 4 (empat) proses pemodelan matematika sebagai berikut:

4.2.4.1. Penghitungan Manual Segmentasi Tumor

Segmentasi tumor berfungsi untuk memisahkan tumor dari bagian lain otak yang bukan tumor. Berdasarkan pseudo code (2.2), proses segmentasi tumor dijelaskan sebagai berikut:

1. Inisialisasi mask

Mask yang dipakai adalah sebuah gambar persegi panjang dengan nilai 1 pada matriks posisi lebar pada baris 90-100 dan panjang pada baris 105-135. Berikut adalah gambar mask beserta matriksnya :

Gambar 4.8 Tampilan Mask

Gambar 4.9 Matriks Mask 2. Proses pencarian gradien tumor

Posisi tumor dicari berdasarkan nilai euclidian distant transform dari warna hitam dan putih pada pixel target.

Berikut adalah matriks euclidian distant transform dari maks:

Gambar 4.10 Matriks EDT dari Maks

Proses berikutnya adalah pencarian letak tumor. Proses ini dilakukan dengan mencari gradien dari tumor berdasarkan nilai

ambang 1.2 dan -1.2 pada matriks EDT mask. Kondisi, -1.2 <=

target <= 1.2, dengan target adalah matriks EDT mask. Nilai ambang 1.2 dan -1.2 didapatkan berdasarkan serangkaian uji coba yang dilakukan penulis. Ketika nilai ambang >= 1.2, maka gradien pembentuk sisi tumor menjadi semakin luas, sedangkan ketika nilai ambang <= -1.2, gradien pembentuk sisi tumor menjadi lebih sempit atau kecil. Melalui percobaan ini penulis menentukan penggunaan nilai ambang 1.2 dan -1.2 karena relatif dapat memberikan gradien sisi tumor yang tepat pada semua gambar uji. Berikut matriks hasilnya:

Gambar 4.11 Matriks EDT pada Nilai Ambang antara 1.2 dan -1.2

Kemudian pencarian matriks dengan kondisi target <= 0 dan target > 0, beserta nilai mean dari kedua kondisi tersebut.

Gambar 4.12 menunjukkan matriks pada kondisi target <= 0.

Gambar 4.12 Matriks target <= 0

Matriks kondisi target > 0 dijelaskan pada Gambar 4.13.

Gambar 4.13 Matriks target > 0

Kemudian pencarian nilai mean dilakukan terhadap matriks target <=0 dan matriks target > 0. Nilai mean dibutuhkan untuk menggabungkan image sampel (data inputan) dengan target (matriks EDT mask). Gambar 4.14 menjelaskan runtutan proses penggabungan image sampel dengan target.

Gambar 4.14 Penggabungan Image Sampel dengan Mask Gambar 4.15 menunjukkan hasil penggabungan image sampel dengan target.

Gambar 4.15 Matriks Hasil Penggabungan Image Sampel dengan Mask

Subscript milik pixel target kemudian dibandingkan dengan subscript pixel tetangga, dalam hal ini pixel posisi y-1, x-1, y+1, dan x+1, dengan y melambangkan panjang dan x melambangkan lebar. Gambar 4.16 menunjukkan nilai y, x, y-1(ym1), x-1(xm1), y+1(yp1), dan x+1(xp1) dari image sampel.

Gambar 4.16 Nilai Subscript Image Sampel

Pembandingan dilakukan dengan empat kondisi, yaitu ym1<1 = 1; xm1<1 = 1; yp1; yp1>length(row) = length row; xp1>length(column) = length(column). Hasil akhir dari pembandingan ini adalah gambar tumor yang telah tersegmentasi.

3. Tampilkan matriks tumor yang telah tersegmentasi Gambar 4.17 menunjukkan hasil proses segmentasi tumor.

Gambar 4.17 Tumor yang Telah Tersegmentasi Matriks yang merepresentasikan Gambar 4.17 adalah sebagai berikut.

Gambar 4.18 Matriks Segmentasi Tumor

4.2.4.2. Penghitungan Manual Nilai GLCM

Output hasil dari proses ekstraksi dengan GLCM menghasilkan nilai contrast, correlation, energy, dan homogeneity. Simulasi penghitungan manual GLCM dijabarkan sebagai berikut:

1. Penghitungan Nilai Contrast

Nilai contrast atau tingkat kecerahan gambar bisa didapatkan melalui fungsi GLCM. Merujuk pada rumus (2.3), langkah demi langkah penghitungan nilai contrast dijabarkan dalam tabel berikut:

Tabel 4.4 Penghitungan Contrast i j K=i-j p(i,j) Contr

ast

1 1 0 0.8765 0

2 1 1 0.0477 0.0477

3 1 2 0.0034 0.0138

4 1 3 0.0008 0.0071

5 1 4 0.0005 0.0077

6 1 5 0.0005 0.0131

7 1 6 0.0017 0.0612

8 1 7 0.0014 0.0705

1 2 -1 0.0468 0.0468

2 2 0 0.0084 0

3 2 1 0.0011 0.0011

4 2 2 0 0

5 2 3 0 0

6 2 4 0.0001 0.0021

7 2 5 0.0005 0.0131

8 2 6 0 0

1 3 -2 0.0030 0.0122

2 3 -1 0.0013 0.0013

3 3 0 0.0002 0

4 3 1 0.0001 0.0001

5 3 2 0 0.0002

6 3 3 0 0

7 3 4 0 0

8 3 5 0 0

1 4 -3 0.0007 0.0059

2 4 -2 0.0001 0.0003

3 4 -1 0.0002 0.0002

4 4 0 0 0

5 4 1 0 0

6 4 2 0 0

7 4 3 0 0

8 4 4 0 0

1 5 -4 0.0005 0.0077

2 5 -3 0 0

3 5 -2 0 0

4 5 -1 0 0.0000

5 5 0 0 0

6 5 1 0 0

7 5 2 0 0

8 5 3 0 0

1 6 -5 0.0006 0.0142

2 6 -4 0.0001 0.0014

3 6 -3 0 0

4 6 -2 0 0

5 6 -1 0 0

6 6 0 0 0

7 6 1 0 0

8 6 2 0 0

1 7 -6 0.0017 0.0612

2 7 -5 0.0005 0.0131

3 7 -4 0 0

4 7 -3 0 0

5 7 -2 0 0

6 7 -1 0 0

7 7 0 0 0

8 7 1 0 0

1 8 -7 0.0015 0.0726

2 8 -6 0 0

3 8 -5 0 0

4 8 -4 0 0

5 8 -3 0 0

6 8 -2 0 0

7 8 -1 0 0

8 8 0 0 0 Total 0.9999 0.4742 2. Penghitungan Nilai Energy

Nilai energy dapat ditemukan dengan mengkuadratkan total penjumlahan dari matriks gambar. Berikut adalah tabel penghitungan nilai energy merujuk pada rumus (2.2):

Tabel 4.5Penghitungan Energy I J p(i,j)

{

p(i, j)

}

1 1 0.8765 0,7683

2 1 0.0477 0,0022

3 1 0.0034 0

4 1 0.0008 0

5 1 0.0005 0

6 1 0.0005 0

7 1 0.0017 0,0023

8 1 0.0014 0.0001

1 2 0.0468 0

2 2 0.0084 0

3 2 0.0011 0

4 2 0 0

5 2 0 0

6 2 0.0001 0

7 2 0.0005 0

8 2 0 0

1 3 0.0030 0

2 3 0.0013 0

3 3 0.0002 0

4 3 0.0001 0

5 3 0 0

6 3 0 0

7 3 0 0

8 3 0 0

1 4 0.0007 0

2 4 0.0001 0

3 4 0.0002 0

4 4 0 0

5 4 0 0

6 4 0 0

7 4 0 0

8 4 0 0

1 5 0.0005 0

2 5 0 0

3 5 0 0

4 5 0 0

5 5 0 0

6 5 0 0

7 5 0 0

8 5 0 0

1 6 0.0006 0

2 6 0.0001 0

3 6 0 0

4 6 0 0

5 6 0 0

6 6 0 0

7 6 0 0

8 6 0 0

1 7 0.0017 0

2 7 0.0005 0

3 7 0 0

4 7 0 0

5 7 0 0

6 7 0 0

7 7 0 0

8 7 0 0

1 8 0.0015 0

2 8 0 0

3 8 0 0

4 8 0 0

5 8 0 0

6 8 0 0

7 8 0 0

8 8 0 0

Total 0.7729

3. Penghitungan Nilai Homogeneity

Penghitungan nilai homogeneity secara rekursif berdasarkan rumus (2.4) dijelaskan pada tabel berikut:

Tabel 4.6 Penghitungan Homogeneity

p(i,j) A hasil

0.8765 1 0.8765

0.0477 2 0.0238

0.0034 3 0.0011

0.0008 4 0.0002

0.0005 5 0.0001

0.0005 6 0.0001

0.0017 7 0.0002

0.0014 8 0.0002

0.0468 2 0.0234

0.0084 1 0.0084

0.0011 2 0.0006

0 3 0

0 4 0

0.0001 5 0.0000

0.0005 6 0.0001

0 7 0

0.0030 3 0.0010

0.0013 2 0.0006

0.0002 1 0.0002

0.0001 2 0.0000

0 3 0.0000

0 4 0

0 5 0

0 6 0

0.0007 4 0.0002

0.0001 3 0.0000

0.0002 2 0.0001

0 1 0.0000

0 2 0

0 3 0

0 4 0

0 5 0

0.0005 5 0.0001

0 4 0

0 3 0

0 2 0.0000

0 1 0

0 2 0

0 3 0

0 4 0

0.0006 6 0.0001

0.0001 5 0.0000

0 4 0

0 3 0

0 2 0

0 1 0

0 2 0

0 3 0

0.0017 7 0.0002

0.0005 6 0.0001

0 5 0

0 4 0

0 3 0

0 2 0

0 1 0

0 2 0

0.0015 8 0.0002

0 7 0

0 6 0

0 5 0

0 4 0

0 3 0

0 2 0

0 1 0

Total 0.9377

4.2.4.3. Penghitungan Manual Nilai PCA

Penghitungan nilai PCA diawali dengan mencari matriks kovarian dan eigen vector dari gambar sampel. Merujuk pada rumus (2.5) dan (2.6), nilai kovarian dan eigen vector dijabarkan pada penghitungan berikut:

Gambar 4.19 Eigen Vector 1. Penghitungan Nilai Mean

Nilai mean menunjukkan nilai rata-rata dari matriks gambar. Merujuk pada rumus (2.5), berikut merupakan penghitungan nilai mean:

Nilai p(i , j):

(

^p(152^p^{(i, j)}^⋮ ^{, j}⁾ ^⋯^⋱^⋯ ^p(152,152)^{p(i ,152)}^⋮

)

(

⁻^0.0036^0.0385^0.0036^0.0009 ^⋮⁻⁻⁻^0.0046^0.0860^0.0007^0.0046 ^⋯^⋱^⋯ ^0.0559⁻^0.0211^0.98550.0016 0.9382^⋮⁻^0.0547^0.1566^0.0025

)

∑

p(i, j)=110.9553 ij=152∗152=23104

Mean=110.9553

23104 =0.0048

2. Penghitungan Standard Deviation

Standard deviation berhubungan erat dengan intensitas pixel pada gambar. Merujuk pada rumus (2.6), penghitungan nilai standard deviation dijabarkan sebagai berikut:

σ=

√

^151.4671²³¹⁰³

σ=

√

^0.0066 ^{= 0.0810}

3. Penghitungan Nilai Smoothness

Nilai smoothness menunjukkan tingkat kehalusan dari gambar. Selengkapnya penghitungan nilai smoothness berdasarkan rumus (2.7) dijabarkan sebagai berikut:

p(i , j)=110.9874

Smoothness=1−

(

1+110.9874¹

)

Smoothness=0.9911

4. Penghitungan Nilai Kurtosis

Merujuk pada rumus (2.8), penghitungan nilai kurtosis dijabarkan sebagai berikut:

Tabel 4.7 : Penghitungan Kurtosis

Kurt[x]= 0.0029

(0.0066)²=68.2605

5. Penghitungan Nilai Skewness

Merujuk pada rumus (2.9), penghitungan nilai skewness dijabarkan sebagai berikut:

Tabel 4.8 Penghitungan Skewness

γ₁= 0.0032 (0.0066)

3 2

=6.0264

6. Penghitungan Nilai Entropy

Entropy adalah fungsi statistika untuk mengkarakteristikan tekstur gambar. Berikut adalah fungsi penghitungan nilai entropy, merujuk pada rumus (2.10):

x−μ (x−μ)⁴

−0.0143 0.0000 0.0002

−0.0221 0.0000 0.0004

... ... ...

−0.0023 0.0000 0.0000 0.9334 0.7590 0.8712 Total 0.0029 0.0066

x−μ

−0.0143 -0.000 0.0002

−0.0221 -0.000 0.0004

... ... ...

−0.0023 -0.000 0.0000 0.9334 0.8132 0.8712 Total 0.0032 0.0066

Tabel 4.9 Penghitungan Entropy p

(

^xi

)

^log2p(x_i) p

(

^xi

)

^.log2p

(

^xi

)

0.553

8 -0.8527 -0.4722

0.074

9 -3.7385 -0.2801

... ... ...

0.000

3 -11.6885 -0.0035

0.000

2 -12.4959 -0.0022

Total -3.0609

Entropy=−(−3.0609)=3.060 9 4.2.4.4. Penghitungan Manual Nilai SVM

Parameter-parameter yang menjadi pertimbangan dari penghitungan SVM adalah nilai support vector, jumlah atribut, dan bias. Merujuk pada rumus (2.18), berikut penghitungan nilai SVM selengkapnya :

w data latih =

[

0.3011 0.6580 0.57330.7413−0.2013 0.52490.4106 0.3153−0.6823

−0.2055−0.1884−0.04410.3256 0.2013 0−0.0097 0.0283−0.0282

]

w data uji=

[

⁻⁻⁻⁻⁻⁻^2.5955^1.9241^1.8132^0.2440^0.9122^0.8293^1.1739^0.6456^0.2391

]

w=w datalatih∗w datauji 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,maka jenis tumor=Malignant

4.2.5.Simulation

Proses simulasi akan dijalankan menggunakan skenario yang telah ditentukan pada tahap sebelumnya. Selain itu, pengujian dilakukan sesuai dengan parameter yang telah ditentukan juga pada tahap sebelumnya. Berikut adalah tahap demi tahap beserta potongan kode Matlab sebagai alat bantu simulasi selama proses berlangsung:

1. Akuisisi Citra

Proses awal tahapan identifikasi kanker otak dimulai dari akuisisi citra MRI otak. Format citra yang digunakan adalah *.jpg berukuran 256x256 pixel dengan tipe RGB. Berikut kode program akuisisi citra:

clc;

clear all;

close all;

[I,path]=uigetfile('*.jpg','select a input image');

filePath=strcat(path,I);

oriImage=imread(filePath);

2. Perbaikan Kualitas Citra (Filtering)

Gambar hasil proses akuisisi citra kemudian ditingkatkan kualitas citranya dengan metode High Pass Filter. High Pass Filter akan meningkatkan nilai kontras pada citra sehingga bagian tumor terlihat semakin jelas. Berikut kode program perbaikan kualitas citra:

Dalam dokumen Penunjang Skripsi Menuju Gelar Sarjana Komputer (Halaman 49-54)