76
2. Ektraksi Fitur pada Citra
Langkah selanjutnya setelah melakukan preprocessing citra radiography paru-paru adalah dilakukan ekstraksi fitur citra. Ekstraksi fitur yang digunakan
adalah metode Gray Level Co-occurrence Matrix GLCM. Proses ekstraksi citra dilakukan untuk memperoleh 5 parameter yang akan digunakan sebagai input pada
jaringan. Script M-file Matlab R2013a untuk ekstraksi citra ini terdapat pada a
b
Gambar 3.5 Filter Highpass; a Filter Butterworth Highpass; b Filter
High Frequency Emphasis
a b
c
Gambar 3.6 Perbaikan kualitas citra radiography N1.jpg; a N1.jpg
setelah dilakukan Filter High Frequency Emphasis; b Spektrum Fourier dari citra a; c Histogram dari citra a.
a b
Gambar 3.7 Perbaikan kualitas citra radiography N1.jpg; a N1.jpg
setelah dilakukan Histogram Equalization; b Histogram dari citra a.
77 Lampiran 2 halaman 120, sedangkan untuk hasil ektraksi fitur citra secara lengkap
terdapat pada Lampiran 3 halaman 121. Berikut adalah contoh hasil ekstraksi fitur citra radiography N1.jpg yang ditunjukkan pada Tabel 3.4.
Tabel 3.4 Hasil Ekstraksi Citra N1.jpg Nama File
N1.jpeg
Energy ,
Contrast ,
Correlation ,
Inverse Difference Moment IDM ,
Entropy ,
3. Pembagian Data
Pada tugas akhir ini menggunakan pembagian data yaitu 80 dari data keseluruhan sebagai data training dan 20 dari data keseluruhan sebagai data
testing. Oleh karena itu, dari 100 data radiography dibagi menjadi data training sebanyak 80 data dan data testing sebanyak 20 data. Hasil pembagian input terdapat
pada Lampiran 4 halaman 125 dan Lampiran 5 halaman 129.
4. Menentukan Variabel Input dan Variabel Output
Variabel input pada model FRBFNN yang digunakan adalah hasil 5 parameter yang diperoleh dari ekstraksi fitur citra radiography. Parameter yang
digunakan sebagai input adalah Energy , Contrast
, Correlation ,
Inverse Difference Moment , Entropy
. Sehingga jumlah neuron pada lapisan input fitur sebanyak 5 neuron.
Variabel output pada model FRBFNN yang digunakan adalah hasil diagnosa dari citra radiography paru-paru, yaitu dengan satu variabel output, sehingga
jumlah neuron pada lapisan output adalah satu neuron. Target jaringan yang
78 digunakan adalah diagnosa masing-masing citra radiography yaitu normal dan
kanker, sehingga target dan output jaringan yaitu 1 untuk diagnosa citra radiography normal, dan 2 untuk diagnosa citra radiography kanker. Variabel
output menggunakan satu variabel yang dibagi menjadi 2 selang untuk penentuan hasil diagnosa dengan kriteria pengelompokkan sebagai berikut,
a. Jika output bernilai
, maka dianggap 1, sehingga hasil diagnosa
normal. b. Jika output
bernilai ,
maka dianggap 2, sehingga hasil diagnosa kanker.
5. Pembelajaran FRBFNN