Implementasi Metode Grey Level Aura Matrix Glam dan Metode Naive Bayes Untuk Klasifikasi Penyakit Mata Berdasarkan Tekstur Citra Mata
RIWAYAT HIDUP
Nama : Yusep TTL : Bandung, 24 Desember 1991
Alamat : Jl. Kencana Puspa II Blok K No. 33 RT 05 RW 09 Komplek Pandanwangi Kec. Buahbatu Kel.
Cijawura Bandung 40287 No. Handphone : 083820007785 Email :
RIWAYAT PENDIDIKAN
1998-2004 : SDN Babakan Ciparay 20 Bandung 2004-2007 : SMP Negeri 36 Bandung 2007-2010 : SMK Negeri 6 Bandung 2010-2016 : Universitas Komputer Indonesia Bandung
IMPLEMENTASI METODE GREY LEVEL AURA MATRIX (GLAM) DAN METODE NAÏVE BAYES UNTUK KLASIFIKASI PENYAKIT MATA BERDASARKAN TEKSTUR CITRA MATA SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
YUSEP 10110470 PROGRAM STUDI TEKNIK INFORMATIKA
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat serta hidayah-Nya sehingga penulis dapat menyelesaikan penulisan skripsi dengan judul “IMPLEMENTASI METODE GREY LEVEL AURA MATRIX (GLAM) DAN METODE NAÏVE BAYES UNTUK KLASIFIKASI PENYAKIT MATA BERDASARKAN TEKSTUR CITRA MATA ” sebagai salah satu syarat kelulusan pada Program Strata 1 Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer di Universitas Komputer Indonesia.
Penyusunan skripsi ini tidak akan terwujud tanpa mendapat dukungan, bantuan dan masukan dari berbagai pihak. Untuk itu, penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada : 1.
Allah SWT atas rahmat, berkah dan izin-Nya saya bisa menyelesaikan penulisan skripsi ini.
2. Ibu, Ayah dan keluarga tercinta terima kasih yang tak terhingga atas segala dukungan serta doanya selama ini.
3. Istri tercinta yang telah banyak membantu, memberi semangat, memberi dukungan, selalu mendo’akan, dan selalu sabar menghadapi saya.
4. Bapak Galih Hermawan, S.Kom., M.T. selaku dosen pembimbing skripsi.
Terima kasih banyak atas bimbingan, arahan serta seluruh waktu dan perjuangan bapak selama ini demi mengantarkan penulis untuk dapat menyelesaikan tugas akhir skripsi.
5. Ibu Ken Kinanti Purnamasari, S.Kom., M.T. selaku reviewer yang telah banyak memberikan masukan dan arahan.
6. Ibu Anna Dara Andriana, S.Kom., M.Kom. selaku reviewer yang telah banyak
8. Kepada seluruh Dosen dan Staff Program Studi Teknik Informatika Universitas Komputer Indonesia, terima kasih atas semua ilmu pendidikan, pengetahuan serta pengajaran Bapak/Ibu.
9. Mian, Erik, Tegar, Yandi, Bagus, Ihsan, Heri, Asep dan semua teman-teman seperjuangan dan teman yang kosannya selalu saya singgahi, dan telah banyak membantu saya.
10. Untuk teman-teman IF-11 2010 seperjuangan dan semua pihak yang telah membantu dalam menyelesaikan tugas akhir ini yang tidak dapat penulis sebutkan satu per satu, terima kasih banyak atas semua dukungan dan bantuannya hingga skripsi ini dapat terselesaikan dengan baik.
11. Untuk semua teman-teman seperjuangan di UNIKOM yang tidak dapat penulis sebutkan satu per satu, terima kasih banyak semuanya.
Penulis sangat menyadari dalam penulisan skripsi ini masih banyak terdapat kekurangan. Penulis juga berharap agar skripsi ini dapat bermanfaat bagi semua pihak khususnya bagi penulis dan umumnya bagi pembaca.
Bandung, Agustus 2016 Penulis
DAFTAR ISI
2.1. Mata ...........................................................................................................7
2.8. Grey Level Aura Matrix ..........................................................................17
2.7.1. Analisis Tekstur ...............................................................................17
2.7. Tekstur .....................................................................................................16
2.6. Operasi-operasi Pengolahan Citra ...........................................................14
2.5. Pengolahan Citra .....................................................................................13
2.4. Pengenalan Pola ......................................................................................10
2.3. Pola ..........................................................................................................10
2.2. Kecerdasan Buatan ....................................................................................9
BAB 2 LANDASAN TEORI ...................................................................................7
ABSTRAK ............................................................................................................... i ABSTRACT ............................................................................................................ ii KATA PENGANTAR ........................................................................................... iii DAFTAR ISI ............................................................................................................v DAFTAR GAMBAR ........................................................................................... viii DAFTAR TABEL .................................................................................................. xi DAFTAR SIMBOL.............................................................................................. xiii DAFTAR LAMPIRAN ....................................................................................... xvii
1.6. Sistematika Penulisan ................................................................................5
1.5.2. Metode Tahapan Pembanguna Perangkat Lunak ...............................4
1.5.1. Metode Pengumpulan Data ................................................................4
1.5. Metodologi Penelitian ...............................................................................3
1.4. Batasan Masalah ........................................................................................3
1.3. Maksud dan Tujuan ...................................................................................3
1.2. Rumusan Masalah .....................................................................................2
1.1. Latar Belakang Masalah ............................................................................1
BAB 1 PENDAHULUAN .......................................................................................1
2.9. Klasifikasi Naïve Bayes ..........................................................................20
2.11.1. Konsep Dasar Berorientasi Objek ....................................................26
3.3.3.1. Hasil Klasifikasi .........................................................................72
3.5.3.2. Perancangan Pesan .....................................................................95
3.5.3.1. Perancangan Antarmuka ............................................................91
3.5.3. Perancangan Simulasi ......................................................................91
3.5.2.4. Sequence Diagram .....................................................................88
3.5.2.3. Class Diagram ............................................................................87
3.5.2.2. Activity Diagram .......................................................................84
3.5.2.1. Diagram Use Case .....................................................................81
3.5.2. Analisis Kebutuhan Fungsional .......................................................80
3.5.1. Analisis Kebutuhan Non Fungsional ...............................................79
3.5. Analisis Kebutuhan Perangkat Lunak .....................................................79
3.4.2. Analisis Data Keluaran ....................................................................78
3.4.1. Analisis Data Masukan ....................................................................78
3.4. Analisis Data ...........................................................................................78
3.3.3. Analisis Pengujian Naïve Bayes ......................................................72
2.12. UML (Unified Modelling Language) ......................................................27
3.3.2. Pelatihan Naïve Bayes .....................................................................67
3.3.1. Ambil Data .......................................................................................66
3.3. Analisis Pelatihan Naïve Bayes ...............................................................66
3.2.2.2. Ekstraksi Ciri GLAM ................................................................50
3.2.2.1.1. Grayscale .............................................................................42
3.2.2.1.1. Resize ..................................................................................40
3.2.2.1. Preprocessing .............................................................................40
3.2.2. Analisis GLAM ................................................................................39
3.2.1. Analisis Masukan Citra Mata ...........................................................39
3.2. Analisis Sistem ........................................................................................37
3.1. Analisis Masalah .....................................................................................37
BAB 3 ANALISIS DAN PERANCANGAN ALGORITMA ...............................37
2.13. Bahasa Pemograman C# ..........................................................................34
3.6. Jaringan Semantik ...................................................................................96
4.1.2. Implementasi Perangkat Lunak ........................................................97
4.2.4. Pengujian Performansi. ..................................................................103
5.1. Kesimpulan ............................................................................................109
BAB 5 KESIMPULAN DAN SARAN ...............................................................109
4.3. Kesimpulan Pengujian ...........................................................................108
4.2.4.3. Pengujian Skenario 3 ...............................................................106
4.2.4.2. Pengujian Skenario 2 ...............................................................105
4.2.4.1. Pengujian Skenario 1 ...............................................................104
4.2.3. Rencana Pengujian Algoritma. ......................................................103
4.1.3. Implementasi Class ..........................................................................98
4.2.2. Pengujian Algoritma ..................................................................... 103
4.2.1. Pengujian Fungsionalitas ...............................................................101
4.2. Rencana Pengujian ................................................................................101
4.1.4.3. Implementasi Antarmuka Pengujian........................................100
4.1.4.2. Implementasi Antarmuka Pelatihan ...........................................99
4.1.4.1. Implementasi Antarmuka Pengolahan Citra ..............................98
4.1.4. Implementasi Antarmuka .................................................................98
5.2. Saran ......................................................................................................109 Daftar Pustaka ......................................................................................................110
DAFTAR PUSTAKA
[1] Y. Asri, "Penerapan Aturan Perceptron Pada Jaringan Saraf Tiruan Dalam Pengenalan Pola Penyakit Mata," Pengkajian dan Penerapan Teknik Informatika (PETIR), vol. 4, no. 2, 2011.
[2] Z. Haliche, K. Hammouche and J. G. Postaire, "A Fast Algorithm For Texture Feature Extraction From Gray Level Aura Matrices," vol. 9, International Journal Of Circuits, System and Signal Processing, 2015.
[3] Hamdani, "Sistem Pakar Untuk Diagnosa Penyakit Mata Pada Manusia," Jurnal Informatika Mulawarman, vol. 5, 2010. [4] R. Y. Dillak, M. G. Bintiri and A. Harjoko, Sistem Deteksi Penyakit retinopati
Diabetes Menggunakan jaringan Syaraf Tiruan, Edisi Pertama, Yogyakarta: Graha Ilmu, 2013. [5] S. Kusumadewi, "Klasifikasi Status Gizi Menggunakan Naive Bayesian
Classification," Tugas akhir Jurusan Teknik Informatika, Universitas Islam
Indonesia, 2009.
[6] R. Munir, Pengolahan Citra Digital, Bandung: Penerbit Informatika Bandung, 2002. [7] K. Ariyantoko, "Implementasi Algoritma Naïve Bayes Untuk Klasifikasi
Citra Berdasarkan Ekstraksi Ciri Tekstur Dengan Metode Matriks Kookurensi," Jurnal Ilmiah Komputer dan Informatika (KOMPUTA), Universtas Komputer Indonesia (UNIKOM), vol. 14,2015.
[8] R. S. Pressman, Rekayasa Perangkat Lunak, Yogyakarta: Andi, 2010. [9] U. Achmad, Pengolahan Citra Digital & Teknik Pemrogramanya, Yogyakarta: Graha Ilmu, 2005.
[10] A. Nugroho, Pemodelan Berorientasi Objek, Bandung: Informatika, 2005.
[12] A. Solichin, MySql dari Pemula Hingga Mahir, Jakarta: Achmatim, 2010. [13] H. B, Memahami Visual C#.Net Secara Mudah, Yogyakarta: Andi, 2008. [14] E. Prasetyo, Data Mining : Konsep dan Aplikasi Menggunakan Matlab, Andi, 2013.
[15] Dorland, Kamus Saku Kedokteran DORLAND, 28th ed., Jakarta: EGC, 2012. [16] Furchan, A, Pengantar Penelitian dalam Pendidikan, Yogyakarta: Pustaka
Pelajar, 2004 [17] D. Nurlaila, D. Kusnandar, dan E. Sulistianingsih, "Perbandingan Metode Maximum Likelihood Estimation (MLE) dan Metode Bayes Dalam Pendugaan Parameter Distribusi Eksponensial," Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) , vol. 2, no. 1, 2013.
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Jika fungsi mata terganggu akan terjadi gangguan penglihatan. Contoh mata merah (Conjunctivitis) umumnya terjadi karena pembuluh darah di mata membengkak atau iritasi . Mata yang merah mengindikasikan adanya masalah pada
mata, bisa masalah ringan atau bisa juga masalah serius yang memerlukan
penanganan medis. Mata yang merah mungkin tidak perlu dikhawatirkan apabila
tidak disertai dengan rasa sakit atau perubahan fungsi penglihatan.Dalam beberapa kasus ada beberapa penyakit mata yang sebagian gejala fisiknya hampir sama sehingga kita sulit untuk mengidentifikasi penyakitnya. Seperti penyakit mata glaucoma dan katarak yang mempunyai ciri yang sama yaitu perubahan warna lensa mata. Pada penelitian [1] pengenalan penyakit mata dilihat dari retina mata tetapi mengambil citra retina harus melalui pengambilan citra khusus funduscopy, tapi pengambilan citra retina melalui funduscopy cukup mahal dan memakai peralatan khusus. Oleh karena itu dibutuhkan software / aplikasi sederhana untuk mendeteksi atau mengenali penyakit pada mata melalui pengambilan citra fisik lensa mata.
Dalam mengklasifikasi dan mendeteksi suatu objek tingkat keakurasian sangatlah penting karena untuk menghasilkan suatu sistem klasifikasi dan pendeteksi suatu objek dibutuhkan keakuratan yang baik. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode yaitu : Statistikal, Geometri, Model-Based [6]. Sebelumnya dilakukan penelitian [7] melakukan penelitian terhadap pengenalan biji-bijian dimana beliau menggunakan metode matriks co-occurrence untuk ekstraksi ciri dan naïve bayes untuk klasifikasinya, dengan menghasilkan tingkat keakurasian pengenalan tertinggi 94%. Lalu ada penelitian [2] yang dari GLAM diantaranya adalah contrast, Dissimilarity, Uniformity, entropy, dan
inverse difference moment (IDM). Pada gray level aura matrix, menghitung set
pixel dengan cara mencari pixel terkait yang bersebelahan yang didefinisikan dengan struktur elemen tertentu [2]. Untuk metode klasifikasi yang digunakan pada penelitian ini adalah naïve bayes, karena metode ini merupakan metode klasifikasi klasik yang sederhana dan cukup optimal dalam beberapa penelitian. Sebelumnya telah dilakukan penelitian oleh Sri Kusumadewi [5], naive bayes dapat digunakan untuk proses klasifikasi data kontinu dan menghasilkan total kinerja pengujian sebesar 93% [7]. Ada pula penelitian [16] yang membandingkan metode Maximum
Likelihood Estimation (MLE) dan Naive Bayes dan didapat hasil metode Naive
Bayeslebih baik dibandingkan MLE. Naive bayes adalah salah satu metode klasifikasi yang menggunakan konsep probabilistik. Naive bayes merupakan algoritma klasifikasi yang sederhana tetapi cukup efektif dan efisien.
Dari permasalahan dan solusi yang telah dijelaskan, penelitian skripsi ini akan mengklasifikasikan jenis penyakit mata berdasarkan tekstur dengan menerapkan metode gray level aura matrix untuk proses ekstraksi citra dan metode
naïve bayes untuk klasifikasi citra, diharapkan kedua metode ini dapat
mengklasifikasikan jenis penyakit mata berdasarkan tekstur citra mata lebih optimal dalam kecepatan dan akurasinya.
1.2. Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, maka penelitian ini merumuskan masalah yang akan dibahas yaitu sebagai berikut.
1. Bagaimana menerapkan metode GLAM untuk ekstraksi citra dan algoritma naïve bayes untuk klasifikasi citra.
2. Belum diketahui akurasi dari kombinasi metode grey level aura matrix dan metode naïve bayes untuk identifikasi penyakit mata.
1.3. Maksud Dan Tujuan
Maksud dari penelitian ini adalah mengimplementasikan algortima Naïve
bayes untuk klasifikasi citra berdasarkan ekstraksi ciri tekstur dengan Grey level
aura matrix. Tujuan dari penelitian ini adalah : 1.
Mengetahui metode Grey level aura matrix bisa dikombinasikan dengan metode klasifikasi naïve bayes dapat mengekstraksi citra digital berdasarkan tekstur dan mengidentifikasi penyakit mata secara tepat.
2. Mengetahui akurasi kombinasi metode grey level aura matrix dan metode naïve bayes untuk identifikasi penyakit mata.
1.4. Batasan Masalah
Untuk menghindari meluasnya materi pembahasan tugas akhir ini, maka membatasi permasalahan dalam tugas akhir ini hanya mencakup hal berikut :
1. Citra yang diklasifikasi adalah citra penyakit conjunctivitis, cataract,
pterygium , dan glaucoma, karena penyakit mata yang dapat di deteksi
dibatasi hanya penyakit mata yang dapat dilihat secara visual dari gejala- gejalanya, melalui file gambar dengan format gambar JPG.
2. Citra mata sekitar daerah bola mata (tidak termasuk alis).
3. Citra mata minimal berukuran 32x32 piksel.
4. Citra di masukan secara offline/citra sudah disiapkan sebelumnya.
1.5. Metodologi Penelitian
Metodologi penelitian yang digunakan dalam penulisan tugas akhir ini adalah penelitian deskriptif, penelitian deskriptif merupakan penelitian yang berusaha mendeskripsikan dan menginterprestasikan kondisi atau hubungan yang ada. Penelitian deskriptif pada umumnya dilakukan dengan tujuan utama, yaitu menggambarkan secara sistematis fakta dan karakteristik objek yang diteliti secara tepat [16]. Penelitian ini menggunakan metode deskriptif karena di penelitian ini
1.5.1 Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut.
a.
Studi Literatur Pengumpulan data dengan cara mengumpulkan literature, jurnal, paper dan bacaan-bacaan yang berkaitan dengan tujuan penelitian, yaitu tentang objek penelitian seperti mata dan penyakit mata. Serta tentang metode yang digunakan seperti metode GLAM dan metode Naïve bayes.
1.5.2 Metode Tahapan Pembangunan Perangkat Lunak
Metode pembangunan perangkat lunak yang digunakan untuk membangun sistem ini ialah dengan menggunakan metode agile [4] dengan langkah-langkah atau tahapan sebagai berikut.
a.
Planning
Perencanaan dari keputusan pengguna/pembuat yang telah ditetapkan prioritasnya. Tahap perencanaan disini dilakukan dengan pemodelan menggunakan metode pemrograman berorientasi objek.
b.
Design
Tahap perancangan dari pembangunan sistem untuk identifikasi dan mengatur class-class di konsep Object Oriented. Jika temui kesulitan, prototype dibangun (spike solution) maka dilakukan refactoring, yaitu mengembangkan desain dari program setelah ditulis.
c.
Coding
Setelah tahap perancangan sistem selanjutnya dilakukan konversi rancangan sistem kedalam kode-kode bahasa pemrograman yang digunakan yaitu C#. Pada tahap ini dilakukan pembuatan komponen-komponen sistem yang meliputi modul program dan antarmuka.
Pengujian aplikasi dilakukan untuk memastikan bahwa aplikasi yang dibuat telah sesuai dengan desainnya dan semua fungsi dapat dipergunakan dengan baik tanpa ada kesalahan dan kedua metode bisa dikombinasikan..
e.
Software Increment
Pengembangan aplikasi dilakukan bila diperlukan untuk meningkatkan aplikasi yang sudah dibuat untuk kebutuhan pengembangan riset selanjutnya.
Gambar 1.1. Metode Agile, XP Process [4]1.6.Sistematika Penulisan
Sistematika penulisan ini adalah untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan ini dibagi menjadi beberapa bab, yaitu :
BAB I PENDAHULUAN Bab ini menguraikan latar belakang, rumusan masalah, menentukan maksud
metode gray level aura matrix (GLAM) dan metode naïve bayes untuk klasifikasi penyakit mata berdasarkan tekstur citra mata.
BAB II LANDASAN TEORI Bab ini menguraikan tentang teori-teori pendekatan yang digunakan untuk
menganalisis masalah dan teori yang dipakai dalam mengolah data penelitian yaitu teori mengenai Pengenalan Pola, teori mengenai Pengolahan Citra, teori mengenai metode Naïve Bayes, teori mengenai Analisis Tekstur, teori mengenai pemrograman Berorientasi object, teori mengenai bahasa C#, teori mengenai Visual studio.net dan teori mengenai Microsoft Visio.
BAB III ANALISIS DAN PERANCANGAN Bab ini berisi tentang tahapan untuk menganalisis masalah, analisis proses, analisis
kebutuhan sistem, perancangan sistem yang dibuat, dan analisis perhitungan metode Naïve Bayes dan GLAM pada klasifikasi citra, dan analisis untuk membangun program.
BAB 4 IMPLEMENTASI DAN PENGUJIAN Bab ini berisi tentang implementasi metode, pengujian akurasi, dan kecepatan
metode Naïve Bayes dan Gray Level aura matrix pada klasifikasi citra dengan menggunakan program simulasi yang telah dibuat.
BAB 5 PENUTUP Berisi kesimpulan dari implementasi metode gray level aura matrix (GLAM) dan
metode naïve bayes untuk klasifikasi penyakit mata berdasarkan tekstur citra mata dan saran yang sudah diperoleh dari hasil penulisan tugas akhir ini untuk penelitian atau riset selanjutnya.
BAB 2 LANDASAN TEORI
2.1 Mata
Mata merupakan alat indra yang terdapat pada manusia. Secara konstan mata menyesuaikan jumlah cahaya yang masuk, memusatkan perhatian pada objek yang dekat dan jauh serta menghasilkan gambaran yang kontinyu yang dengan segera dihantarkan ke otak. Ketika cahaya mengenai mata sinyal saraf terbentuk dan dikirimkan ke otak, untuk memberikan pesan tentang keberadaan cahaya dan kekuatan cahaya [15].
Mata manusia terdiri dari banyak bagian, semuanya bekerja sama untuk mengubah sinar cahaya yang masuk melalui pupil mata menjadi informasi yang kemudian akan diterjemahkan oleh otak. Sinar cahaya menyinari benda dan terpental dari benda sebelum mereka sampai ke pupil mata, proses itulah yang menentukan warna dan kecerahan yang otak persepsikan. Berkat proses itu kita melihat tanda tipis dari spektrum elektromagnetik yang kita sebut cahaya yang tampak dan menyadari apa yang ada di sekeliling kita.
Pada mata normal, cahaya yang masuk akan dibiaskan oleh kornea, melalui pupil, dan difokuskan oleh lensa tepat pada retina. Retina terdiri dari nerve cells dinamakan rods and cones. Sel-sel tersebut merubah cahaya menjadi impuls listrik yang dikirim oleh syaraf optik ke otak kita [15].
Jika mata tidak berfungsi dengan baik, dengan sendirinya akan berpengaruh terhadap penglihatan kita. Tidak berfungsinya mata sebagaimana mestinya disebabkan adanya kelainan atau penyakit. Penyakit pada mata itu bermacam- macam, seperti conjunctivitis, cataract, glaucoma, dan pterygium dan beberapa penyakit lainnya, berikut beberapa contoh kasus penyakit mata.
(a) (b) Conjunctivitis Cataract
(c) Glaucoma (d) Pterygium
2.1 Gambar beberapa penyakit mata
Cataract adalah pengkabutan dari lensa-lensa dalam mata yangmempengaruhi penglihatan. Cataract seringkali terjadi pada orang yang sudah usia lanjut namun tidak menutup kemungkinan terjadi pada anak kecil dan usia remaja.
Cataract dapat terjadi pada satu atau kedua mata, tetapi tidak menular.
Conjunctivitis (mata merah) merupakan peradangan atau infeksi pada
membran transparan (conjunctiva) yang membatasi kelopak mata dengan bola mata. Peradangan ini menyebabkan pembuluh darah di conjunctiva menjadi lebih mencolok, yang menyebabkan perubahan warna pink atau merah pada bagian putih mata. Conjunctivitis umumnya disebabkan oleh bakteri atau infeksi virus, reaksi
Glaucoma
merupakan penyakit mata dimana tekanan cairan dalam bola mata menjadi terlalu tinggi, sehingga merusak serat lembut saraf optik yang membawa sinyal penglihatan dari mata ke otak. Kerusakan ini tidak dapat disembuhkan dan dapat menyebabkan kebutaan pada tahapan yang parah.
Pterygium adalah cedera mata yang biasa terjadi pada orang yang banyak
menghabiskan waktu diluar rumah. Karena ini banyak menyerang peselancar (surfer), kondisi ini disebut juga dengan istilah mata peselancar ( surfer’s eye). Pterygium bisa menyerang siapa saja, baik anak kecil maupun orang dewasa. Pterygium ditandai dengan munculnya selaput berwarna merah di bagian putih mata, umumnya di ujung dalam mata di dekat hidung. Pada kasus yang parah,
pterygium
bisa tumbuh menutupi pupil hingga mengganggu penglihatan
2.2 Kecerdasan Buatan
Kecerdasan buatan (Artificial inteligence) adalah salah satu cabang ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer.
Semakin pesatnya perkembangan teknologi menyebabkan adanya perkembangan dan perluasan lingkup yang membutuhkan kehadiran kecerdasan buatan. Karakteristik cerdas sudah mulai dibutuhkan di berbagai disiplin ilmu dan teknologi. Kecerdasan Buatan tidak hanya merambah di berbagai disiplin ilmu yang lain. Irisan antara psikologi dan kecerdasan buatan melahirkan sebuah area yang dikenal dengan nama cognition & psycolinguistics. Irisan antara teknik elektro dengan kecerdasan buatan melahirkan berbagai ilmu seperti pengolahan citra, teori kendali, pengenalan pola dan robotika.
Kecerdasan buatan digunakan untuk menganalisis pemandangan dalam citra dengan perhitungan simbol-simbol yang mewakili isi pemandangan tersebut setelah lebih sederhana, pengertian memanipulasi simbol-simbol tadi untuk memudahkan penggalian suatu informasi tertentu, dan aksi menerjemahkan simbol-simbol yang telah dimanipulasi menjadi sinyal lain yang dapat merupakan hasil akhir atau hasil antara sesuai dengan keperluan [9].
2.3 Pola
Pola adalah suatu entitas yang terdefinisi dan dapat diidentifikasi serta diberi nama melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi.
Pola adalah komposit/gabungan dari ciri yang merupakan sifat dari sebuah objek [6]. Beberapa contoh pola : 1.
Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan lengkungan garis.
2. Suara, memiliki ciri-ciri seperti amplitudo, frekuensi, nada, dan intonasi.
3. Tanda tangan, memiliki ciri-ciri seperti panjang, kerumitan, dan tekanan.
4. Sidik jari, memiliki ciri-ciri seperti lengkungan, dan jumlah garis.
Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek uji. Khusus pada pola yang terdapat di dalam citra, ciri-ciri yang dapat diperoleh berasal dari informasi [6]:
1. Spasial: intensitas pixel dan histogram.
2. Tepi: arah dan kekuatan.
3. Kontur: garis, elips dan lingkaran.
4. Wilayah/bentuk: keliling, luas dan pusat massa.
5. Hasil transformasi Fourier: frekuensi.
2.4 Pengenalan Pola
dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain. Terdapat dua pendekatan yang dilakukan dalam pengenalan pola: pendekatan secara statistik dan pendekatan secara sintaktik atau struktural [6].
a.
Pengenalan Pola secara Statistik Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik. Ciri-ciri yang dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola yang berbeda memiliki distribusi yang berbeda pula. Dengan menggunakan teori keputusan di dalam statistik, kita menggunakan distribusi ciri untuk mengklasifikasikan pola.
Sistem pengenalan pola dengan pendekatan statistik ditunjukan oleh diagram pada gambar 2.2.
Gambar 2.2 Sistem pengenalan pola dengan pendekatan statistik [6].Ada dua fase dalam sistem pengenalan pola yaitu fase pelatihan dan fase pengenalan. Pada fase pelatihan, beberapa contoh citra dipelajari untuk menentukan ciri yang akan digunakan dalam proses pengenalan serta prosedur klasifikasinya. Pada fase pengenalan, citra diambil cirinya kemudian ditentukan kelas kelompoknya [6].
Pada penelitian ini termasuk sistem pengenalan pola dengan pendekatan distribusi yang berbeda pula. Distribusi ciri digunakan untuk mengklasifikasikan pola dengan memanfaatkan teori keputusan di dalam statistik.
Kumpulan ciri dari suatu pola dinyatakan sebagai vektor ciri dalam ruang bahumatra (multi dimensi). Jadi, setiap pola dinyatakan sebagai sebuah titik dalam ruang bahumatra. Ruang bahumatra dibagi menjadi sejumlah uparuang (sub-ruang). Tiap uparuang dibentuk berdasarkan pola-pola yang sudah dikenali kategori dan ciri-cirinya (melalui fase pelatihan) [6]. Lihat Gambar (2.3).
3 kelas 2 kelas yang beririsan ciri 1 ciri 2
Gambar 2.3 Contoh pembagian kelas pola [6] b.Pengenalan Pola secara Sintaktik Pendekatan ini menggunakan teori bahasa formal. Ciri-ciri yang terdapat pada suatu pola ditentukan primitif dan hubungan struktural antara primitif kemudian menyusun tata bahasanya. Dari aturan produksi pada tata bahasa tersebut kita dapat menentukan kelompok pola. Gambar 2.4 memperlihatkan sistem pengenalan pola dengan pendekatan sintaktik. Pengenalan pola secara sintaktik lebih dekat ke strategi pengenalan pola yang dilakukan manusia, namun secara praktek penerapannya relatif sulit dibandingkan pengenalan pola secara statistik [6]. Sistem pengenalan pola dengan pendekatan sintaktik ditunjukan oleh diagram pada gambar 2.4.
Gambar 2.4 Sistem pengenalan pola dengan pendekatan sintaktik [6].Pendekatan yang digunakan dalam membentuk tata bahasa untuk mengenali pola adalah mengikuti kontur (tepi batas) objek dengan sejumlah segmen garis terhubung satu sama lain, lalu mengkodekan setiap garis tersebut (misalnya dengan kode rantai). Setiap segmen garis merepresentasikan primitif pembentuk objek [6].
2.5 Pengolahan Citra
Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila : 1.
Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra, 2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur, 3. Sebagian citra perlu digabung dengan bagian citra yang lain. Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik dari
2.6 Operasi-operasi Pengolahan Citra Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya.
Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut [6]:
1. Perbaikan kualitas citra (image enhancement).
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi perbaikan citra: a.
Perbaikan kontras gelap/terang b.
Perbaikan tepian objek (edge enhancement) c. Penajaman (sharpening) d.
Pemberian warna semu (pseudocoloring) e. Penapisan derau (noise filtering) 2. Pemugaran citra (image restoration).
Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh operasi pemugaran citra: a.
Penghilangan kesamaran (deblurring).
b.
Penghilangan derau (noise) 3. Pemampatan citra (image compression).
Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi citra (image segmentation).
Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa
5. Pengorakan citra (image analysis) Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-contoh operasi pengorakan citra: a.
Pendeteksian tepi objek (edge detection) b.
Ekstraksi batas (boundary) c. Representasi daerah (region) 6. Rekonstruksi citra (image reconstruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.
7. Perubahan Model Warna Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek [9]. Setiap warna mempunyai panjang gelombang yang berbeda. Warna merah mempunyai panjang gelombang paling tinggi, sedangkan warna ungu mempunyai panjang gelombang paling rendah. Warna-warna yang diterima oleh mata merupakan hasil kombinasi cahaya dengan panjang gelombang berbeda. Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green (G), blue (B).
Dalam pembentukan citra digital model warna yang umum digunakan antara lain sebagai berikut : a.
Citra RGB Citra RGB yang biasa disebut juga citra true color, disimpan dalam citra berukuran (m x n) x 3 yang mendefinisikan warna merah (red), hijau (green) masing-masing umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya kurang dari sekitar 16 juta warna.
b.
Citra Keabuan Citra dengan derajat keabuan berbeda dengan citra RGB, citra ini didefinisikan oleh satu nilai derajat warna. Umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya 256 varian. Tingkat kecerahan paling rendah yaitu 0 untuk warna hitam dan putih bernilai 255. Untuk mengkonversikan citra yang memiliki warna RGB ke derajat keabuan bisa menggunakan persamaan :
X = 0.21 ∙ � + 0.72 ∙ � + 0.07 ∙ (2.1)
Dimana : R = nilai red * 15 / 255 G = nilai green * 15 / 255 B = nilai blue * 15 / 255
2.7 Tekstur
Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texel terdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. Pengertian dari tekstur dalam hal ini adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital [9].
Untuk membentuk suatu tekstur setidaknya ada dua persyaratan yang harus dipenuhi antara lain :
1. Terdiri dari satu atau lebih piksel yang membentuk pola-pola primitif (bagian- bagian terkecil). Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk.
2. Munculnya pola-pola primitif yang berulang-ulang dengan interval jarak dan
Gambar 2.5 Contoh Citra Tekstur [9]Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda, manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan lain sebgainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis [9].
2.7.1 Analisis Tekstur
Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain adalah penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil dan lain-lain). Pada analisis citra, dikategorikan menjadi lima kategori utama yaitu statistis, struktural, geometri, model dasar dan pengolahan sinyal. Pendekatan statistis mempertimbangakan bahwa internsitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi-frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, run-length, matriks kookurensi, tranformasi fourier, frekuensi tepi. Teknik struktural berkaitan dengan penyusupan bagian-bagian terkecil suatu citra. contoh metode struktural adalah model fraktal. Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur. Contoh model dasar adalah medan acak. Sedangkan metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi gabor dan transformasi wavelet [9].
2.8 Gray Level Aura Matrix
bersebelahan yang didefinisikan dengan struktur elemen tertentu [2]. Maka akan dihasilkan sebuah kemungkinan dari kumpulan variable distribusi. Jika terdapat derajat keabu an m, ”probability density function” adalah vektor berdimensi m yang mana komponen ke 1 adalah probabilitas bahwa (i, j) akan memiliki nilai i. Data- data yang diambil meliputi semua features yang telah ditentukan. Fitur-fitur dalam menentukan data adalah Contrast, Uniformity, Entropy, Inverse Difference Moment (IDM) dan Dissimilarity.
1. Kontras (Contrast) Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Hasil perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra. n
1
1
2 Kontras ( Pi , j ).( i j )
Rumus (2.2)
2 N i j ,
Dimana: i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan p (i,j) adalah Probabilitas kolom(i,j)
2. Uniformity Uniformity yang menunjukkan kesamaan citra berderajat keabuan sejenis. Citra akan memiliki harga kesamaan yang besar. n 1
2 Rumus Uniformity = P(i, / [1 + - j) (i j) ] (2.3) i , j
Dimana:
Entropi dapat menunjukkan ketidakteraturan ukuran bentuk, jika nilai Entropinya besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi). n
1 P i j P i j
( , ) log( ( , )) Rumus Entropy
(2.4) i , j Dimana: i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan p (i,j) adalah Probabilitas kolom(i,j) 4.
IDM Idm menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks, dimana (i, j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.
Rumus IDM = (2.5)
Dimana: i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan p (i,j) adalah Probabilitas kolom(i,j) 5.
Dissimilarity Dissimilarity menyatakan ukuran ketidaksamaan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
Rumus Dissimilarity = (2.6)
Dimana: i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan p (i,j) adalah Probabilitas kolom(i,j)
2.9 Klasifikasi Naïve Bayes
Naïve bayes adalah teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes [14].
1. Asumsi independensi (ketidaktergantungan) yang kuat (naif).
2. Model yang digunakan adalah “model fitur independen”.
Independensi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data tidak ada kaitannya dengan adanya atau tidak adanya fitur yang lain dalam data yang sama. Contoh: kasus klasifikasi hewan dengan fitur: penutup kulit, melahirkan, berat, dan menyusui
1. Dalam dunia nyata, hewan yang berkembang biak dengan cara melahirkan dipastikan hewan tersebut menyusui juga, disini ada ketergantungan pada fitur menyusui karena hewan yang menyusui biasanya melahirkan, atau hewan yang bertelur biasanya tidak menyusui.
2. Dalam Bayes, hal tersebut tidak dipandang, sehingga masing-masing fitur seolah tidak ada hubungan apa-apa. Kasus lain: prediksi hujan 1.
Hujan tergantung angin, cuaca kemarin, kelembaban udara (tidak ada kaitan satu sama lain).
2. Tapi juga tidak boleh memasukkan fitur lain yang tidak ada hubungannya dengan hujan, seperti: gempa bumi, kebakaran, dsb. Naïve bayes adalah suatu metode pengklasifikasian paling sederhana dengan menggunakan peluang yang ada, dimana diasumsikan bahwa setiap variable X bersifat bebas (independence). Karena asumsi variabel tidak saling terikat, maka didapatkan :
q
(2.7)
P ( X | Y y ) P ( X | Y y ) i 1 i
Data yang digunakan dapat bersifat kategorial (diskrit) maupun continue. Namun,
Dissimilarity pada ekstraksi ciri. Maka dari itu untuk data continue dapat diselesaikan dengan menggunakan langkah-langkah berikut.
Training : 1.
Hitung rata-rata (mean) tiap fitur dalam dataset training dengan.
∑ � �
(2.8) � = Dimana: � = mean