48
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.
Gambar 4.6 Tampilan awal aplikasi
Universitas Sumatera Utara
49
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
Citra yang dipilih akan diperbaiki menggunakan metode adjust, median filtering, dan CLAHE. Citra asli dan citra hasil perbaikan akan ditampilkan kembali di
tampilan awal aplikasi CAD. Tombol “Info” pada panel Original Image dan Enhanced
Image digunakan untuk melihat informasi citra. Tombol “GLCM 0”, “GLCM 45”,
Universitas Sumatera Utara
50 “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 Pada menu Classification terdapat 2 sub-menu yaitu New dan evolving Multilayer
Perceptron eMLP. Sub-menu New digunakan untuk membuat dataset baru. Sub- menu ini dapat dilihat pada Gambar 4.9.
Universitas Sumatera Utara
51
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.
Tombol “Create” digunakan untuk membuat dataset baru sesuai dengan nama yang diinginkan.
Universitas Sumatera Utara
52
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 “Train” digunakan untuk melatih data training sedangkan tombol “Recall” untuk menguji data testing. Hal ini dapat dilihat pada
Gambar 4.11.
Universitas Sumatera Utara
53 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 Pada menu Help terdapat 2 sub-menu yaitu Get Started dan About. Sub-menu Get
Started digunakan untuk menampilkan tutorial penggunakan aplikasi CAD dalam bentuk file dokumen berformat .pdf. Sub-menu About digunakan untuk menampilkan
versi dari aplikasi CAD, sub-menu ini dapat dilihat pada Gambar 4.13.
Universitas Sumatera Utara
54
Gambar 4.12 Contoh hasil klasifikasi suatu dataset
Gambar 4.13 About 4.3 Evaluasi Pengujian Sistem
Pelatihan dan pengujian dapat dilakukan dengan menggunakan dataset yang sudah ada, di mana dataset tersebut berekstensi .mat. Selain itu, pelatihan dan pengujian
dapat dilakukan dengan membuat dataset baru di mana pengguna dapat memilih citra bone radiograph secara manual untuk digunakan dalam proses pelatihan ataupun
pengujian.
Universitas Sumatera Utara
55
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
Normal Osteoporosis
1. Image_0_04 X
2. Image_0_05 X
3. Image_0_06 X
4. Image_0_07 X
5. Image_0_08 X
6. Image_1_03
X 7.
Image_1_04 X
8. Image_1_05
X 9.
Image_1_06 X
… … …
… 90. Image_0_54 X
91. Image_0_55 X 92. Image_1_54
X Jumlah
46 46
Pelatihan data digunakan untuk mencari bobot-bobot yang terdapat pada setiap layer yang akan digunakan selanjutnya pada saat pengujian data yang tidak dilakukan
pelatihan. Suatu set parameter metode propagasi One-Of-N terdiri dari sensitivity threshold, error threshold, learning rate 1, dan learning rate 2. Citra bone radiograph
sebagai data testing berjumlah 24, di mana terdapat 12 citra bone radiograph normal
Universitas Sumatera Utara
56
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
Normal Osteoporosis
1. Image_0_1
X 2.
Image_0_2 X
3. Image_0_3
X 4.
Image_1_1 X
5. Image_1_2
X … …
… …
22. Image_1_11 X
23. Image_0_24 X 24. Image_0_56 X
Jumlah 12
12
Tabel 4.5 Parameter dan hasil pelatihan pada bone radiograph suatu dataset Parameter
set Sensitivity
threshold Error
threshold Learning
rate 1 Learning
rate 2 Total
Node Estimated
time Recall
data
1. 0.9
0.001 0.01
0.01 92
0.1248 83.33
2. 0.9
0.01 0.05
0.05 87
0.0156 83.33
3. 0.9
0.09 0.09
0.09 55
54.16 4.
0.5 0.09
0.1 0.1
55 0.0312
58.33 5.
0.5 0.01
0.5 0.5
86 0.0486
87.50 6.
0.5 0.05
0.9 0.9
53 58.33
7. 0.5
0.1 0.1
0.1 55
0.0156 58.33
8. 0.1
0.5 0.5
0.5 49
0. 58.33
9. 0.1
0.9 0.9
0.9 51
0.0312 58.33
Universitas Sumatera Utara
57
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
0,02 0,04
0,06 0,08
0,1 0,12
0,14
1 2
3 4
5 6
7 8
9
T im
e s
Parameter set
10 20
30 40
50 60
70 80
90 100
1 2
3 4
5 6
7 8
9
T o
ta l
n o
d e
Parameter set
Universitas Sumatera Utara
58
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
1. 1
X X
2. 2
X X
3. 3
X X
4. 4
X X
5. 5
X X
6. 6
X X
- 10,00
20,00 30,00
40,00 50,00
60,00 70,00
80,00 90,00
100,00
1 2
3 4
5 6
7 8
9
A cc
u ra
cy
Parameter set
Universitas Sumatera Utara
59
Tabel 4.6 Data hasil testing detection dan diagnosis pada dataset lanjutan
No. Sample
Actual Output Desired Output
Normal Osteoporosis Normal Osteoporosis
7. 7
X X
8. 8
X X
9. 9
X X
10. 10
X X
11. 11
X X
12. 12
X X
13. 13
X X
14. 14
X X
15. 15
X X
16. 16
X X
17. 17
X X
18. 18
X X
19. 19
X X
20. 20
X X
21. 21
X X
22. 22
X X
23. 23
X X
24. 24
X X
Correct Classification
11 10
2 1
Detail hasil testing data sample pada dataset yang telah ditentukan dapat dilihat pada Tabel 4.7. Dari 12 sampel bone radiograph normal, didapat nilai True positive
11 dan False positive 1 yang maksudnya adalah dari 12 sampel bone radiograph normal 11 diantaranya teridentifikasi normal dan 1 teridentifkasi osteoporosis. Pada
bone radiograph osteoporosis, didapat nilai True negative 10 dan False negative 2 yang maksudnya adalah dari 12 sampel bone radiograph normal 10 diantaranya
teridentifikasi osteoporosis dan 2 teridentifikasi normal. Nilai-nilai True positive,
Universitas Sumatera Utara
60
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 Total sample
24
Universitas Sumatera Utara
61
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
