Identifikasi Osteoporosis melalui Bone Radiograph Menggunakan Evolving Multilayer Perceptron
IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
SINDI ABUL KHAIRI
101402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2017
Universitas Sumatera Utara
IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Teknologi Informasi
SINDI ABUL KHAIRI
101402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2017
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: IDENTIFIKASI OSTEOPOROSIS MELALUI BONE
RADIOGRAPH
MENGGUNAKAN
EVOLVING
MULTILAYER PERCEPTRON
Kategori
: SKRIPSI
Nama
: SINDI ABUL KHAIRI
Nomor Induk Mahasiswa
: 101402084
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
M. Fadly Syahputra, B.Sc., M.Sc, IT
Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc
NIP. 198301292009121003
NIP. 198603032010121004
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Romi Fadillah Rahmat, B.Comp.Sc., M.Sc
NIP. 198603032010121004
Universitas Sumatera Utara
iii
PERNYATAAN
IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 April 2017
Sindi Abul Khairi
101402084
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Alhamdulillah, segala puji bagi Allah SWT yang telah memberikan rahmat, karunia,
taufik dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini. Penulis
mengucapkan banyak terima kasih kepada:
1. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc, selaku ketua program studi
Teknologi Informasi dan pembimbing 1 dan bapak Muhammad Fadly
Syahputra, B.Sc., M.Sc.IT, selaku wakil dekan 2 dan pembimbing 2 yang
telah banyak memberikan bimbingan, motivasi dan dukungannya selama
penyusunan dan penulisan skripsi ini.
2. Tim penguji, Bapak Indra Aulia, S.TI., M.Kom, dan Ibu Ulfi Andayani,
S.Kom., M.Kom, selaku penguji 1 dan penguji 2 yang telah memberikan kritik
dan saran dalam penyempurnaan skripsi ini.
3. Dekan Ilmu Komputer dan Teknologi Informasi, Prof. Dr. Drs. Opim Salim
Sitompul, M.Sc, serta seluruh Bapak dan Ibu dosen yang telah memberikan
ilmu yang bermanfaat bagi penulis.
4. Seluruh staf TU (Tata Usaha) program studi Teknologi Informasi yang telah
banyak membantu dan mengurusi segala kegiatan administrasi penulis.
5. Ayahanda Anwar Iska dan Ibunda Zarlina yang selalu mendoakan, mendukung
dan senantiasa memberikan kasih sayang sepanjang masa.
6. Abang-abang, kakak-kakak, adik-adik, dan teman-teman program studi
teknologi informasi khususnya angkatan 2010 yang namanya tidak dapat
penulis cantumkan satu per satu atas segala dukungannya sehingga
menghadirkan semangat kepada penulis dalam menyelesaikan skripsi ini.
Akhirnya, penulis berharap agar skripsi ini berguna dan memberikan manfaat
kepada seluruh pembaca.
Universitas Sumatera Utara
v
ABSTRAK
Osteoporosis merupakan penyakit yang ditandai dengan penurunan kepadatan mineral
tulang. Osteoporosis merupakan penyebab umum patah tulang untuk orang yang
lanjut usia. Saat ini identifikasi osteoporosis masih dilakukan secara manual oleh
pakar Rheumatologi melalui citra hasil X-Ray, sehingga hasil identifikasi tergantung
dari keahlian dan pengalaman pakar Rheumatologi mengenai osteoporosis. Oleh
karena itu diperlukan suatu pengolahan citra pada citra bone radiograph untuk
membantu dokter atau ahli rheumatologi dalam mendiagnosis osteoporosis. Tujuan
dari penelitian ini adalah untuk membangun suatu sistem Computer Aided Diagnosis
(CAD) menggunakan Simple Evolving Connectionist Systems (SECoS) atau disebut
juga Evolving Multilayer Perceptrons (eMLP) untuk membantu ahli rheumatologi
dalam menganalisis citra bone radiograph, membantu mencegah peningkatan jumlah
kesalahan klasifikasi yang mungkin terjadi. Evolving multi layer perceptron
merupakan algoritma multi layer perceptron pada jaringan syaraf tiruan yang telah
mengimplementasikan konsep dari Evolving Connectionist System (ECOS). Algoritma
ini dapat mengembangkan struktur jaringannya sendiri sesuai dengan input yang
diterima. Teknik pengolahan citra digital akan diterapkan untuk meningkatkan
kualitas citra. Ekstraksi fitur tekstur dari citra dilakukan dengan menggunakan Gray
Level Co-occurrence matrix (GLCM) yang dibangun dengan empat arah yang berbeda
untuk setiap citra. Hal ini akan digunakan untuk mengklasifikasi setiap citra dan
kemudian akan dikelompokkan ke dalam kategori normal atau osteoporosis. Tiga
lapisan jaringan dari Simple Evolving Connectionist Systems (SECoS) dengan 16 fitur
diusulkan untuk mengklasifikasikan daerah yang ditandai ke dalam normal atau
osteoporosis. Berdasarkan pengujian dataset bone radiograph diperoleh sensitivitas
84.61% dan spesifisitas 90.90%.
Kata kunci: osteoporosis, identifikasi, bone radiograph, evolving connectionist
systems,evolving multilayer perceptrons.
Universitas Sumatera Utara
vi
OSTEOPOROSIS IDENTIFICATION ON BONE RADIOGRAPH USING
EVOLVING CONNECTIONIST SYSTEMS
ABSTRACT
Osteoporosis is a disease characterized by decreased bone mineral density.
Osteoporosis identification from radiograph image can be done by various methods,
one of them is the measurement of Bone Mineral Densitometry (BMD). However, this
method requires comprehensive and expensive equipment and therefore, a cheaper
and easier approach is needed. The purpose of this study is to build an Evolving
Multilayer Perceptron (eMLP) system to help rheumatologists in analysing bone
radiograph images and help preventing classification errors that may occur. Digital
image processing techniques will be applied to improve the image quality. Each bone
radiograph images is adjusted for intensity transformation, then median filtering to
remove noise and Contrast Limited Adaptive Histogram Equalization (CLAHE) is
applied to each bone radiograph images to enhance image contrast. Texture feature
extraction of bone radiograph images is done using Grey Level Co-occurrence matrix
(GLCM) built with four different directions for each bone radiograph images. This
will be used to classify each bone radiograph images either normal category or
osteoporosis. Three network layers from Simple Evolving Connectionist Systems
(SECoS) with 16 features proposed to classify the area marked into normal or
osteoporosis. Based on the bone radiograph dataset testing, the results show 84.61%
of sensitivity and 90.90% of specificity.
Keyword:
osteoporosis,
bone
radiograph,
evolving
connectionist
systems,
identification, evolving multilayer perceptrons.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hal.
PERSETUJUAN
ii
PERNYATAAN
iii
UCAPAN TERIMA KASIH
iv
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
DAFTAR TABEL
x
DAFTAR GAMBAR
xi
BAB 1
PENDAHULUAN
1
1.1 Latar Belakang
1
1.2 Rumusan Masalah
2
1.3 Batasan Masalah
3
1.4 Tujuan Penelitian
3
1.5 Manfaat Penelitian
3
1.6 Metode Penelitian
3
1.7 Sistematika Penulisan
4
LANDASAN TEORI
6
2.1 Osteoporosis
6
BAB 2
Universitas Sumatera Utara
viii
2.1.1 Patofisiologi
6
2.1.2 Jenis-jenis osteoporosis
6
2.1.3 Faktor resiko
10
2.1.4 Tanda dan gejala
11
2.1.5 Pencegahan dan pengobatan
11
2.2 Image Processing
13
2.2.1 File Format
14
2.3 Perbaikan Citra (Image Enhancement)
BAB 3
15
2.3.1 Ekualisasi Histogram (Histogram Equalization)
15
2.3.2 Adaptif Histogram Equalization
15
2.4 Ekstraksi Fitur (Feature Extraction)
16
2.5 Pattern Recognition
19
2.5.1 Struktur dan sistem pengenalan pola
19
2.5.2 Fitur dan vektor fitur
20
2.5.3 Supervised dan Unsupervised
20
2.6 Evolving Connectionist Systems (ECoS)
20
2.7 Penelitian terdahulu
25
ANALISIS DAN PERANCANGAN SISTEM
27
3.1 Identifikasi Masalah
27
3.2 Dataset
27
3.3 Metode Penelitian
27
3.4 Analisis Sistem
30
Universitas Sumatera Utara
ix
BAB 4
3.5 Perancangan Sistem
36
IMPLEMENTASI DAN PENGUJIAN SISTEM
41
4.1 Implementasi Sistem
41
4.1.1 Spesifikasi software dan hardware yang digunakan
41
4.1.2 Implementasi perancangan antarmuka
42
4.1.3 Implementasi data
47
4.2 Prosedur Operasional
48
4.2.1 Menu file
49
4.2.2 Menu classification
50
4.2.3 Menu help
53
4.3 Evaluasi Pengujian Sistem
4.3.1 Pelatihan dan pengujian dataset
BAB 5
54
55
KESIMPULAN DAN SARAN
61
5.1 Kesimpulan
61
5.2 Saran
61
DAFTAR PUSTAKA
62
Universitas Sumatera Utara
x
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu
26
Tabel 4.1 Ukuran Kinerja Hasil Diagnosis
41
Tabel 4.2 Rangkuman Bone Radiograph Dataset
47
Tabel 4.3 Citra Bone Radiograph Sebagai Data Training
55
Tabel 4.4 Citra Bone Radiograph Sebagai Data Testing
56
Tabel 4.5 Parameter dan hasil pelatihan pada bone radiograph suatu dataset
56
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset
58
Tabel 4.7 Detail hasil testing data sample pada dataset
59
Universitas Sumatera Utara
xi
DAFTAR GAMBAR
Hal.
Gambar 2.1. Struktur regional citra (Pertiwi, 2011)
16
Gambar 2.2 Contoh penentuan awal matriks GLCM (Kadir & Susanto 2013)
17
Gambar 2.3 Matriks framework menjadi matriks simetris (Kadir & Susanto 2013)
17
Gambar 2.4 Normalisasi matriks GLCM (Kadir & Susanto 2013)
18
Gambar 2.5 Struktur sistem pengenalan pola (Putra, 2010)
19
Gambar 2.6 Arsitektur ECoS (Kasabov, 2008)
21
Gambar 2.7 Proses Interaksi ECoS (Kasabov, 2007)
22
Gambar 2.8 PseudoCode SeCOS
24
Gambar 3.1 Arsitektur umum proses pelatihan dan pengujian
28
Gambar 3.2 General ECoS architecture (Watts, 2009)
30
Gambar 3.3 Arsitektur umum SECoS (Kasabov, 2007)
31
Gambar 3.4 Algoritma eMLP pada sistem
35
Gambar 3.5 Rancangan tampilan awal aplikasi CAD
36
Gambar 3.6 Rancangan tampilan menu Create Dataset
38
Gambar 3.7 Rancangan tampilan menu evolving Multilayer Perceptron (eMLP)
39
Gambar 3.8 Rancangan tampilan results
40
Gambar 3.9 Rancangan tampilan pemilihan show sample
40
Gambar 4.1 Tampilan awal aplikasi CAD
43
Gambar 4.2 Tampilan menu Create Dataset
44
Universitas Sumatera Utara
xii
Gambar 4.3 Tampilan menu evolving Multilayer Perceptron (eMLP)
45
Gambar 4.4 Tampilan hasil klasifikasi
46
Gambar 4.5 Tampilan pemilihan citra secara manual
47
Gambar 4.6 Tampilan awal aplikasi
48
Gambar 4.7 Tampilan sub-menu Open
49
Gambar 4.8 Tampilan awal aplikasi setelah memilih citra input baru
50
Gambar 4.9 Tampilan sub-menu New
51
Gambar 4.10 Tampilan sub-menu evolving Multilayer Perceptron (eMLP)
52
Gambar 4.11 Tampilan train dan recall suatu dataset
53
Gambar 4.12 Contoh hasil klasifikasi suatu dataset
54
Gambar 4.13 Tampilan About
54
Gambar 4.14 Grafik hasil pelatihan (waktu eksekusi) pada dataset
57
Gambar 4.15 Grafik hasil pelatihan (total node) pada dataset
57
Gambar 4.16 Grafik hasil pelatihan (akurasi pengujian) pada dataset
58
Universitas Sumatera Utara
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
SINDI ABUL KHAIRI
101402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2017
Universitas Sumatera Utara
IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Teknologi Informasi
SINDI ABUL KHAIRI
101402084
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2017
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: IDENTIFIKASI OSTEOPOROSIS MELALUI BONE
RADIOGRAPH
MENGGUNAKAN
EVOLVING
MULTILAYER PERCEPTRON
Kategori
: SKRIPSI
Nama
: SINDI ABUL KHAIRI
Nomor Induk Mahasiswa
: 101402084
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
M. Fadly Syahputra, B.Sc., M.Sc, IT
Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc
NIP. 198301292009121003
NIP. 198603032010121004
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Romi Fadillah Rahmat, B.Comp.Sc., M.Sc
NIP. 198603032010121004
Universitas Sumatera Utara
iii
PERNYATAAN
IDENTIFIKASI OSTEOPOROSIS MELALUI BONE RADIOGRAPH
MENGGUNAKAN EVOLVING MULTILAYER PERCEPTRON
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 April 2017
Sindi Abul Khairi
101402084
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Alhamdulillah, segala puji bagi Allah SWT yang telah memberikan rahmat, karunia,
taufik dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini. Penulis
mengucapkan banyak terima kasih kepada:
1. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc, selaku ketua program studi
Teknologi Informasi dan pembimbing 1 dan bapak Muhammad Fadly
Syahputra, B.Sc., M.Sc.IT, selaku wakil dekan 2 dan pembimbing 2 yang
telah banyak memberikan bimbingan, motivasi dan dukungannya selama
penyusunan dan penulisan skripsi ini.
2. Tim penguji, Bapak Indra Aulia, S.TI., M.Kom, dan Ibu Ulfi Andayani,
S.Kom., M.Kom, selaku penguji 1 dan penguji 2 yang telah memberikan kritik
dan saran dalam penyempurnaan skripsi ini.
3. Dekan Ilmu Komputer dan Teknologi Informasi, Prof. Dr. Drs. Opim Salim
Sitompul, M.Sc, serta seluruh Bapak dan Ibu dosen yang telah memberikan
ilmu yang bermanfaat bagi penulis.
4. Seluruh staf TU (Tata Usaha) program studi Teknologi Informasi yang telah
banyak membantu dan mengurusi segala kegiatan administrasi penulis.
5. Ayahanda Anwar Iska dan Ibunda Zarlina yang selalu mendoakan, mendukung
dan senantiasa memberikan kasih sayang sepanjang masa.
6. Abang-abang, kakak-kakak, adik-adik, dan teman-teman program studi
teknologi informasi khususnya angkatan 2010 yang namanya tidak dapat
penulis cantumkan satu per satu atas segala dukungannya sehingga
menghadirkan semangat kepada penulis dalam menyelesaikan skripsi ini.
Akhirnya, penulis berharap agar skripsi ini berguna dan memberikan manfaat
kepada seluruh pembaca.
Universitas Sumatera Utara
v
ABSTRAK
Osteoporosis merupakan penyakit yang ditandai dengan penurunan kepadatan mineral
tulang. Osteoporosis merupakan penyebab umum patah tulang untuk orang yang
lanjut usia. Saat ini identifikasi osteoporosis masih dilakukan secara manual oleh
pakar Rheumatologi melalui citra hasil X-Ray, sehingga hasil identifikasi tergantung
dari keahlian dan pengalaman pakar Rheumatologi mengenai osteoporosis. Oleh
karena itu diperlukan suatu pengolahan citra pada citra bone radiograph untuk
membantu dokter atau ahli rheumatologi dalam mendiagnosis osteoporosis. Tujuan
dari penelitian ini adalah untuk membangun suatu sistem Computer Aided Diagnosis
(CAD) menggunakan Simple Evolving Connectionist Systems (SECoS) atau disebut
juga Evolving Multilayer Perceptrons (eMLP) untuk membantu ahli rheumatologi
dalam menganalisis citra bone radiograph, membantu mencegah peningkatan jumlah
kesalahan klasifikasi yang mungkin terjadi. Evolving multi layer perceptron
merupakan algoritma multi layer perceptron pada jaringan syaraf tiruan yang telah
mengimplementasikan konsep dari Evolving Connectionist System (ECOS). Algoritma
ini dapat mengembangkan struktur jaringannya sendiri sesuai dengan input yang
diterima. Teknik pengolahan citra digital akan diterapkan untuk meningkatkan
kualitas citra. Ekstraksi fitur tekstur dari citra dilakukan dengan menggunakan Gray
Level Co-occurrence matrix (GLCM) yang dibangun dengan empat arah yang berbeda
untuk setiap citra. Hal ini akan digunakan untuk mengklasifikasi setiap citra dan
kemudian akan dikelompokkan ke dalam kategori normal atau osteoporosis. Tiga
lapisan jaringan dari Simple Evolving Connectionist Systems (SECoS) dengan 16 fitur
diusulkan untuk mengklasifikasikan daerah yang ditandai ke dalam normal atau
osteoporosis. Berdasarkan pengujian dataset bone radiograph diperoleh sensitivitas
84.61% dan spesifisitas 90.90%.
Kata kunci: osteoporosis, identifikasi, bone radiograph, evolving connectionist
systems,evolving multilayer perceptrons.
Universitas Sumatera Utara
vi
OSTEOPOROSIS IDENTIFICATION ON BONE RADIOGRAPH USING
EVOLVING CONNECTIONIST SYSTEMS
ABSTRACT
Osteoporosis is a disease characterized by decreased bone mineral density.
Osteoporosis identification from radiograph image can be done by various methods,
one of them is the measurement of Bone Mineral Densitometry (BMD). However, this
method requires comprehensive and expensive equipment and therefore, a cheaper
and easier approach is needed. The purpose of this study is to build an Evolving
Multilayer Perceptron (eMLP) system to help rheumatologists in analysing bone
radiograph images and help preventing classification errors that may occur. Digital
image processing techniques will be applied to improve the image quality. Each bone
radiograph images is adjusted for intensity transformation, then median filtering to
remove noise and Contrast Limited Adaptive Histogram Equalization (CLAHE) is
applied to each bone radiograph images to enhance image contrast. Texture feature
extraction of bone radiograph images is done using Grey Level Co-occurrence matrix
(GLCM) built with four different directions for each bone radiograph images. This
will be used to classify each bone radiograph images either normal category or
osteoporosis. Three network layers from Simple Evolving Connectionist Systems
(SECoS) with 16 features proposed to classify the area marked into normal or
osteoporosis. Based on the bone radiograph dataset testing, the results show 84.61%
of sensitivity and 90.90% of specificity.
Keyword:
osteoporosis,
bone
radiograph,
evolving
connectionist
systems,
identification, evolving multilayer perceptrons.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hal.
PERSETUJUAN
ii
PERNYATAAN
iii
UCAPAN TERIMA KASIH
iv
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
DAFTAR TABEL
x
DAFTAR GAMBAR
xi
BAB 1
PENDAHULUAN
1
1.1 Latar Belakang
1
1.2 Rumusan Masalah
2
1.3 Batasan Masalah
3
1.4 Tujuan Penelitian
3
1.5 Manfaat Penelitian
3
1.6 Metode Penelitian
3
1.7 Sistematika Penulisan
4
LANDASAN TEORI
6
2.1 Osteoporosis
6
BAB 2
Universitas Sumatera Utara
viii
2.1.1 Patofisiologi
6
2.1.2 Jenis-jenis osteoporosis
6
2.1.3 Faktor resiko
10
2.1.4 Tanda dan gejala
11
2.1.5 Pencegahan dan pengobatan
11
2.2 Image Processing
13
2.2.1 File Format
14
2.3 Perbaikan Citra (Image Enhancement)
BAB 3
15
2.3.1 Ekualisasi Histogram (Histogram Equalization)
15
2.3.2 Adaptif Histogram Equalization
15
2.4 Ekstraksi Fitur (Feature Extraction)
16
2.5 Pattern Recognition
19
2.5.1 Struktur dan sistem pengenalan pola
19
2.5.2 Fitur dan vektor fitur
20
2.5.3 Supervised dan Unsupervised
20
2.6 Evolving Connectionist Systems (ECoS)
20
2.7 Penelitian terdahulu
25
ANALISIS DAN PERANCANGAN SISTEM
27
3.1 Identifikasi Masalah
27
3.2 Dataset
27
3.3 Metode Penelitian
27
3.4 Analisis Sistem
30
Universitas Sumatera Utara
ix
BAB 4
3.5 Perancangan Sistem
36
IMPLEMENTASI DAN PENGUJIAN SISTEM
41
4.1 Implementasi Sistem
41
4.1.1 Spesifikasi software dan hardware yang digunakan
41
4.1.2 Implementasi perancangan antarmuka
42
4.1.3 Implementasi data
47
4.2 Prosedur Operasional
48
4.2.1 Menu file
49
4.2.2 Menu classification
50
4.2.3 Menu help
53
4.3 Evaluasi Pengujian Sistem
4.3.1 Pelatihan dan pengujian dataset
BAB 5
54
55
KESIMPULAN DAN SARAN
61
5.1 Kesimpulan
61
5.2 Saran
61
DAFTAR PUSTAKA
62
Universitas Sumatera Utara
x
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu
26
Tabel 4.1 Ukuran Kinerja Hasil Diagnosis
41
Tabel 4.2 Rangkuman Bone Radiograph Dataset
47
Tabel 4.3 Citra Bone Radiograph Sebagai Data Training
55
Tabel 4.4 Citra Bone Radiograph Sebagai Data Testing
56
Tabel 4.5 Parameter dan hasil pelatihan pada bone radiograph suatu dataset
56
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset
58
Tabel 4.7 Detail hasil testing data sample pada dataset
59
Universitas Sumatera Utara
xi
DAFTAR GAMBAR
Hal.
Gambar 2.1. Struktur regional citra (Pertiwi, 2011)
16
Gambar 2.2 Contoh penentuan awal matriks GLCM (Kadir & Susanto 2013)
17
Gambar 2.3 Matriks framework menjadi matriks simetris (Kadir & Susanto 2013)
17
Gambar 2.4 Normalisasi matriks GLCM (Kadir & Susanto 2013)
18
Gambar 2.5 Struktur sistem pengenalan pola (Putra, 2010)
19
Gambar 2.6 Arsitektur ECoS (Kasabov, 2008)
21
Gambar 2.7 Proses Interaksi ECoS (Kasabov, 2007)
22
Gambar 2.8 PseudoCode SeCOS
24
Gambar 3.1 Arsitektur umum proses pelatihan dan pengujian
28
Gambar 3.2 General ECoS architecture (Watts, 2009)
30
Gambar 3.3 Arsitektur umum SECoS (Kasabov, 2007)
31
Gambar 3.4 Algoritma eMLP pada sistem
35
Gambar 3.5 Rancangan tampilan awal aplikasi CAD
36
Gambar 3.6 Rancangan tampilan menu Create Dataset
38
Gambar 3.7 Rancangan tampilan menu evolving Multilayer Perceptron (eMLP)
39
Gambar 3.8 Rancangan tampilan results
40
Gambar 3.9 Rancangan tampilan pemilihan show sample
40
Gambar 4.1 Tampilan awal aplikasi CAD
43
Gambar 4.2 Tampilan menu Create Dataset
44
Universitas Sumatera Utara
xii
Gambar 4.3 Tampilan menu evolving Multilayer Perceptron (eMLP)
45
Gambar 4.4 Tampilan hasil klasifikasi
46
Gambar 4.5 Tampilan pemilihan citra secara manual
47
Gambar 4.6 Tampilan awal aplikasi
48
Gambar 4.7 Tampilan sub-menu Open
49
Gambar 4.8 Tampilan awal aplikasi setelah memilih citra input baru
50
Gambar 4.9 Tampilan sub-menu New
51
Gambar 4.10 Tampilan sub-menu evolving Multilayer Perceptron (eMLP)
52
Gambar 4.11 Tampilan train dan recall suatu dataset
53
Gambar 4.12 Contoh hasil klasifikasi suatu dataset
54
Gambar 4.13 Tampilan About
54
Gambar 4.14 Grafik hasil pelatihan (waktu eksekusi) pada dataset
57
Gambar 4.15 Grafik hasil pelatihan (total node) pada dataset
57
Gambar 4.16 Grafik hasil pelatihan (akurasi pengujian) pada dataset
58
Universitas Sumatera Utara