Prosedur Operasional Identifikasi Kesuburan Pria Melalui Kelainan Sperma Berdasarkan Morfologi (Teratospermia) Menggunakan Metode Invariant Moment

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