41
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Algoritma Evolving Connectionist Systems ECoS yang diimplementasikan ke dalam sistem menggunakan MATLAB R2012b 64-bit sesuai dengan perancangan yang telah
dilakukan sebelumnya. Ukuran kinerja hasil diagnosis dapat dilihat pada Tabel 4.1.
Tabel 4.1 Ukuran kinerja hasil diagnosis Kadah, 2012 No. Index
Keterangan Formula
1. Sensitivity TP rate
Kemampuan untuk mengidentifikasi adanya penyakit
TPTP+FN
2. Specificity TN rate
Kemampuan untuk mengidentifikasi ketiadaan penyakit
TNTN+FP
3. Positive
predictive value PPV
Keandalan dari hasil yang positif TPTP+FP
4. Negative
predictive value NPV
Keandalan dari hasil yang negatif TNTN+FN
5. Overall accuracy
Keandalan secara keseluruhan TP+TNTP+TN+FP+FN
6. FN rate
Proporsi antara FN dan semua yang terkena dampak
FNFN+TP = 1-Sensitivity
7. FP rate
Proporsi antara FP dan semua yang tidak terkena dampak
FPFP+TN = 1- Specificity
8. Positive likelihood ratio Peningkatan probabilitas penyakit
ketika hasilnya positif Sensitivity1-Specificity
9. Negative
likelihood ratio
Penurunan probabilitas penyakit ketika hasilnya negatif
1-SensitivitySpecificity
Universitas Sumatera Utara
42
Dalam mengevaluasi kinerja hasil pemeriksaan, penulis membandingkan hasilnya sesuai dengan “Gold Standard” di mana penilaiannya antara lain:
True Positive TP False Positive FP
True Negative TN False Negative FN
4.1.1 Spesifikasi software dan hardware yang digunakan Spesifikasi perangkat lunak software dan perangkat keras hardware yang
digunakan dalam membangun sistem CAD ini adalah sebagai berikut: 1.
Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 64-bit Service Pack 1.
2. MATLAB R2012b 64-bit.
3. Processor Intel® Core™ i7-3517U CPU 1.90 GHz 4CPUs, ~2-4 GHz.
4. 4.00GB Single-Channel DDR3 798MHz.
5. Storage 698GB Seagate ST750LM022 HN-M750MBBSATA.
4.1.2 Implementasi perancangan antarmuka Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada
sistem CAD adalah: 1.
Tampilan awal aplikasi CAD Tampilan awal aplikasi CAD merupakan tampilan yang pertama kali muncul
ketika sistem berjalan. Ada beberapa menu dan tombol yang dapat dipilih dan memiliki fungsi masing-masing. Tampilan awal aplikasi CAD dapat dilihat
pada Gambar 4.1.
Universitas Sumatera Utara
43
Gambar 4.1 Tampilan awal aplikasi CAD
2. Tampilan menu Create Dataset
Tampilan menu Create Dataset digunakan untuk membuat dataset baru dari citra yang ada di komputer. Data tersebut terdiri atas data training dan data
testing untuk masing-masing citra bone radiograph normal dan osteoporosis. Dataset tersebut akan disimpan ke sebuah file berekstensi .mat. Tampilan
menu Create Dataset dapat dilihat pada Gambar 4.2.
Universitas Sumatera Utara
44
Gambar 4.2 Tampilan menu Create Dataset
3. Tampilan menu evolving MultilayerPerceptron eMLP
Tampilan menu evolving Multilayer Perceptron eMLP dapat dilihat pada Gambar 4.3. Tampilan menu ini digunakan untuk melatih dan menguji suatu
dataset menggunakan metode eMLP. Result dari data testing dapat dilihat pada Gambar 4.4.
Universitas Sumatera Utara
45
Gambar 4.3 Tampilan menu evolving Multilayer Perceptron eMLP
4. Tampilan hasil klasifikasi
Tampilan hasil klasifikasi digunakan untuk menampilkan hasil temuan dan hasil diagnosis. Hasil klasifikasi ini dipresentasikan dalam bentuk tabel.
Perbandingan antara actual output dan desired output dapat dilihat pada tabel Testing Result. Sample data uji dapat dilihat berdasarkan urutan data sample.
Tampilan hasil klasifikasi dapat dilihat pada Gambar 4.4.
Universitas Sumatera Utara
46
Gambar 4.4 Tampilan hasil klasifikasi
5. Tampilan pemilihan citra secara manual
Tampilan pemilihan citra secara manual digunakan untuk memilih citra yang ingin dilihat oleh user dan disajikan dalam bentuk citra asli dan citra setelah di
enhanced. Tampilan pemilihan citra secara manual dapat dilihat pada Gambar 4.5.
Universitas Sumatera Utara
47
Gambar 4.5 Tampilan pemilihan citra secara manual
4.1.3 Implementasi data Data yang dimasukkan ke dalam sistem CAD adalah citra bone radiograph normal
dan osteoporosis. Pada penelitian ini penulis menggunakan dataset yang diambil dari IEEE-ISBI
2014 competition dataset http:www.univ-orleans.fri3mtochallenge-ieee-isbi-bone- texture-characterization. Dataset berjumlah 116 di mana terdapat 58 bone radiograph
normal dan 58 bone radiograph osteoporosis. Rangkuman benchmark data atau dataset bone radiograph yang diperoleh tersebut dapat dilihat pada Tabel 4.2.
Tabel 4.2. Rangkuman bone radiograph dataset No.
File Name Normal
Osteoporosis
1. Image_0_01
X 2.
Image_0_02 X
3. Image_0_03
X 4.
Image_0_04 X
5. Image_0_05
X …
… …
… 112
Image_1_54 X
Universitas Sumatera Utara
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