4.2. Prosedur Operasional
Tampilan awal aplikasi ditunjukkan seperti pada Gambar 4.1 memiliki satu tombol “Mulai Pendeteksian”. Tombol “Mulai Pendeteksian” digunakan untuk memulai
sistem dan masuk ke tampilan utama sistem. Tampilan utama sistem seperti yang ditunjukkan pada Gambar 4.2 memiliki satu buah menu yaitu menu “File” yang berisi
sub-menu “Input Citra ke Database” untuk meng-input-kan gambar ke dalam database dan “Exit” untuk keluar dari sistem. Tampilan dari menu “File” dapat dilihat pada
Gambar 4.4.
Gambar 4.4. Tampilan Menu “File”
34 citra_s27_O
X
35 citra_s28_O
X
Universitas Sumatera Utara
Tampilan dari sub-menu “Input Citra ke Database” dapat dilihat pada Gambar 4.3. Pada Tampilan tersebut terdapat tombol “Cari File” yang berfungsi untuk mencari file
yang akan di-input ke dalam database dan tombol “Input Citra” berfungsi untuk meng-input-kan citra ke dalam database. Citra yang di-input akan masuk kedalam
panel list citra. Tampilan ketika file dipilih dan di-input ke dalam database dapat dilihat pada Gambar 4.5.
Gambar 4.5. Tampilan Ketika File dipilih dan di-input kedalam Database
Gambar 4.6. Tampilan Saat Tombol “Cari File” dipilih
Citra sperma yang dipilih selanjutnya akan ditampilkan pada panel “citra input” seperti ditunjukkan pada Gambar 4.7.
Universitas Sumatera Utara
Gambar 4.7. Tampilan Utama Aplikasi Setelah Citra Sperma dipilih
Selain itu pada tampilan utama sistem terdapat tombol “Cari File” yang digunakan untuk memilih citra sperma yang akan diidentifikasi. Tampilan saat tombol “Cari
File” dipilih dapat dilihat pada Gambar 4.6. Setelah citra di-input-kan, maka akan ditampilkan pada panel “Citra Input”,
tombol “Proses” akan aktif. Tombol “Proses” digunakan untuk memulai proses identifikasi kesuburan pria dari citra sperma yang telah di-input-kan, dimulai dari pre-
processing, proses seleksi citra, feature extraction menggunakan invariant moment dan klasifikasi menggunakan euclidean distance. Hasil dari pre-processing akan
ditampilkan pada panel “Citra Grayscale”, “Citra Gaussian” dan “Citra Thresholding”. Hasil dari proses seleksi citra akan ditampilkan pada panel “Citra
Bounding Box” beserta keterangan citra sperma yang normal dan citra sperma yang tidak normal. Citra yang normal akan diberi keterangan “N” dan yang tidak normal
akan diberi keterangan “TN”. Hasil dari “feature extraction” akan dikeluarkan berupa nilai yang ditampilkan pada “Nilai fitur ekstraksi invariant moment”. Nilai yang
dikeluarkan akan ditampilkan sesuai jumlah objek pada citra input-an, satu objek memiliki tujuh nilai ektraksi fitur invariant moment.
Hasil akhir berupa subur atau tidak subur beserta jumlah sperma yang terdeteksi, jumlah sperma normal, dan jumlah sperma yang ditampilkan pada panel
“Hasil”. Citra sperma yang telah diproses akan ditunjukkan pada Gambar 4.8.
Universitas Sumatera Utara
Gambar 4.8. Tampilan Aplikasi Setelah Citra diproses
Hasil dari pre-processing ditampilkan pada Gambar 4.9, Gambar4.10 dan Gambar 4.11.
Gambar 4.9. Tampilan Citra Hasil Grayscale
Universitas Sumatera Utara
Gambar 4.10. Tampilan Citra Hasil Gaussian
Gambar 4.11. Tampilan Citra Hasil Thresholding
Hasil dari proses seleksi citra akan ditampilkan pada panel “Bounding Box” beserta keterangan normal dan tidak normalnya yang akan ditunjukkan dengan huruf “N” atau
“TN”. Tampilan hasil proses seleksi citra ditunjukkan pada Gambar 4.12.
Universitas Sumatera Utara
Gambar 4.12. Tampilan Hasil Proses Seleksi Citra 4.3. Pengujian Sistem
Pada tahap ini dilakukan pengujian terhadap data dan sistem. Pengujian data dilakukan pada 15 data uji sperma dengan menggunakan 20 data latih sperma normal
dalam database. Berdasarkan pengujian yang dilakukan maka diperoleh hasil seperti pada Tabel 4.2.
Tabel 4.2. Hasil Pengujian Data Sperma
No Nama Citra
Gambar Hasil
Jumlah Sperma
Normal Jumlah
Sperma Tidak Normal
Kesimpulan
1 citra_s2_O
1 5
Tidak Subur
2 citra_s7_T
5 5
Subur
3 citra_s9_O
4 1
Subur
Universitas Sumatera Utara
4 citra_s10_O
4 8
Subur
5 citra_s12_O
3 7
Subur
6 citra_s13_T
5 7
Subur
7 citra_s17_O
7 8
Subur
8 citra_s19_O
9 Tidak Subur
9 citra_s20_T
2 9
Tidak Subur
10 citra_s21_O
3 5
Subur
11 citra_s23_O
2 6
Tidak Subur
12 citra_s24_O
2 7
Tidak Subur
13 citra_s25_O
4 4
Subur
Universitas Sumatera Utara
14 citra_s27_O
1 9
Tidak Subur
15 citra_s28_O
6 7
Subur
Berdasarkan Tabel 4.2 dari 15 data uji sperma dapat ditentukan sepuluh data sperma yang teridentifikasi subur dan lima data sperma yang teridentifikasi tidak
subur. Identifikasi kesuburan pria ditentukan dengan cara mendeteksi bentuk sperma yang normal dan sperma yang tidak normal. Sperma normal atau tidak normal
ditentukan berdasarkan tingkat kemiripan data uji sperma normal dalam database. Jika jumlah sperma normal lebih besar sama dengan 30 maka data sperma
diidentifikasi subur. Sebaliknya jika jumlah sperma normal lebih kecil dari 30 maka data sperma diidentifikasi tidak subur WHO, 2010.
Tahap selanjutnya dilakukan pengujian sistem, pengujian sistem dilakukan dengan mengukur tingkat akurasi sistem dan running time dari sistem. Perhitungan
dapat dilakukan dengan cara menghitung jumlah sperma normal yang terdeteksi dengan benar secara kasat mata. Adapun perhitungan dapat dilihat pada contoh
gambar citra_s9_O seperti pada Gambar 4.13.
Gambar 4.13. Gambar citra_s9_O
Universitas Sumatera Utara
c def =
? =
g 100 4.1
Keterangan : x =
i ; ej f d;e kld;e 3ek2 m ked y =
7lne f d;e eoe 2e;med Perhitungan dapat dilakukan dengan menggunakan persamaan 4.1.
c def 5
5 g 100
c def 100
Nilai akurasi dihitung untuk setiap gambar, setelah semua gambar mendapatkan nilai akurasinya maka selanjutnya menghitung rata rata untuk semua nilai akurasi. Akurasi
ini yang akan menjadi akurasi secara keseluruhan. Running time dilakukan oleh program dengan cara menghitung waktu mulai dari algoritma dijalankan sampai
algoritma berhenti. Tingkat akurasi sistem dapat dilihat pada Tabel 4.3.
Tabel 4.3. Tingkat Akurasi dan Running Time Sistem
No Nama Citra Query
Gambar Tingkat Akurasi
RT sekon
1 citra_s2_O
83,33 0,938
2 citra_s7_T
60 0,391
3 citra_s9_O
100 0,391
4 citra_s10_O
66,67 0,422
5 citra_s12_O
70 0,437
Universitas Sumatera Utara
6 citra_s13_T
83,34 0,344
7 citra_s17_O
93,34 0,578
8 citra_s19_O
88,89 0,375
9 citra_s20_T
72,72 0,422
10 citra_s21_O
75 0,382
11 citra_s23_O
87,5 0,328
12 citra_s24_O
88,89 0,484
13 citra_s25_O
75 0,328
14 citra_s27_O
90 0,344
15 citra_s28_O
76,92 0,390
Rata-rata 80,77
0,4369
Universitas Sumatera Utara
Berdasarkan Tabel 4.3 nilai rata-rata tingkat akurasi pengujian 15 data sperma adalah 80,77, nilai ini diperoleh dengan cara menghitung keakuratan sistem dalam
mengenali sperma yang normal atau tidak normal secara kasat mata. Hasil sistem yang dianggap akurat secara kasat mata dijumlahkan dan kemudian dibagi dengan jumlah
sperma secara keseluruhan dalam satu data sperma. Lama penggunaan waktu dalam menentukan subur atau tidaknya sperma sekitar 0,4369 detik.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
Bab ini membahas tentang kesimpulan dari metode yang diajukan untuk mengidentifikasi kesuburan pria pada bagian 5.1, serta pada bagian 5.2. akan dibahas
saran-saran untuk pengembangan penelitian selanjutnya.
5.1. Kesimpulan