Ektraksi Fitur pada Citra Pembagian Data Menentukan Variabel Input dan Variabel Output

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