Identifikasi Retinoblastoma Menggunakan Backpropagation Neural Network Chapter III V
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini akan membahas tentang analisis dan perancangan dalam aplikasi identifikasi
diagnosis penyakit retinoblastoma. Tahap pertama yaitu analisis data yang digunakan,
analisis terhadap tahapan pengolahan citra yang diterapkan, feature extraction, beserta
implementasi metode backpropagation neural network dalam mengidentifikasi penyakit
ini. Pada tahapan selanjutnya yaitu dilakukan perancangan tampilan antarmuka sistem yang
akan dibangun.
3.1. Dataset
Data citra yang digunakan dalam penelitian ini adalah citra retina yang diperoleh dari situs
Retina Image Bank, yaitu http://imagebank.asrs.org. Retina Image Bank merupakan suatu
proyek dari American Society of Retina Specialists yang berisi kumpulan gambar retina
dengan berbagai kondisi. Data citra yang diperoleh dari dataset ini terdapat 25 citra normal
dan 25 citra retinoblastoma. Data citra yang telah dikumpulkan dibagi menjadi dua dataset,
yaitu untuk dataset pelatihan dan pengujian yang akan digunakan untuk mengetahui berapa
akurasi dari proses pengidentifikasian. Dataset pelatihan untuk normal sebanyak 20 citra
dan untuk retinoblastoma sebanyak 20 citra. Sedangkan untuk dataset pengujian akan
digunakan sebanyak 5 citra normal dan 5 citra retinoblastoma.
3.2. Analisis Sistem
Metode yang diajukan penulis untuk identifikasi diagnosis penyakit retinoblastoma terdiri
dari tiga tahapan yaitu, input, proses, dan output.
Universitas Sumatera Utara
29
3.2.1. Input
Citra yang diambil adalah fundus retina yang diambil melalui kamera fundus
yang terdiri dari lapisan interior bola mata, meliputi retina, optic disc, dan macula.
Citra yang digunakan diperoleh dari situs Retina Image Bank,
http://imagebank.asrs.org yang 80 %
yaitu
dari setiap kelompok gambar akan
digunakan untuk pelatihan dan 20 % untuk pengujian. Jenis citra yang digunakan
pada penelitian ini dapat dilihat pada Gambar 3.1.
Gambar 3.1. Fundus Retina Normal (a) Fundus Retina Retinoblastoma (b)
3.2.2 .Proses
Pada tahap ini merupakan proses untuk pengolahan citra fundus retina. Proses
yang dilakukan terdiri dari preprocessing, feature extraction, dan classification.
3.2.2.1. Preprocessing
Pada tahap preprocessing, citra fundus retina diolah agar diekstraksi
dengan menghasilkan ciri yang baik. Tahapan yang dilakukan
pada
preprocessing ini yaitu resize, grayscale, morphological close operation,
dan optic disc elimination.
a. Resize
Pada tahap awal proses preprocessing yaitu dilakukan resize untuk
mengubah ukuran citra dengan memperkecil ukuran citra pada arah
horizontal dan/atau vertikal menjadi ukuran 200x200. Hal ini
Universitas Sumatera Utara
30
bertujuan untuk menyeragamkan ukuran dari masing-masing citra
yang digunakan selama proses pelatihan dan pengujian.
b. Grayscale
Tahap selanjutnya yaitu dilakukan grayscale fundus retina untuk
mengubah citra berwarna menjadi citra keabuan pada citra dengan
ukuran pixel 200x200. Grayscaling dilakukan dengan tujuan untuk
mengurangi
jumlah
parameter
yang
akan
digunakan
pada
classification sehingga dapat mempercepat proses pelatihan.
c. Morphological close operation
Setelah melewati tahap preprocessing, tahap berikutnya yaitu
morphological close operation. Dengan menggunakan metode ini,
pembuluh darah dan hemorrhages yang keliatan lebih gelap akan
tereliminasi.
d. Optic disc elimination
Tahap berikutnya yaitu optic disc elimination. Optic disc mempunyai
karakteristik dan ciri yang hampir sama dengan tumor sehingga harus
dieliminasi.
Tahap-tahap
pendekatan
yang
dilakukan
yaitu
thresholding, erosion, inversion.
a. Thresholding
Pada tahap awal untuk mengeliminasi optic disc yaitu
thresholding. Thresholding yaitu metode segmentasi yang
sederhana . Dengan metode ini dihasilkan segmentasi dari optic
disc.
b. Erosion
Optic disc berbentuk lingkaran, namun hasil dari proses
sebelumnya tidak menunjukkan bentuk lingkaran. Sehingga
dilakukannya
erosion
(penipisan
piksel)
untuk
membuat
lingkaran pada optic disc.
Universitas Sumatera Utara
31
c. Inversion
Pada tahap selanjutnya yaitu inversion (pembentukan citra
negatif). Piksel yang didapatkan apabila hitam diubah menjadi
putih dan putih diubah menjadi hitam.
3.2.2.2 .Feature extraction
Proses selanjutnya yaitu feature extraction . Bentuk atau bagian yang
telah
direpresentasikan
akan
diambil
ciri
pembedanya
dengan
menggunakan metode GLCM, sehingga didapatkan hasil dari ekstraksi
fitur yang digunakan untuk proses selanjutnya yaitu tahapan identifikasi.
Langkah-langkah
yang
dilakukan
pada
ekstraksi
fitur
menggunakan GLCM pada penelitian ini yaitu :
1. Menentukan nilai gray level pada citra berdasarkan hasil
pada tahap preprocessing terakhir yaitu inversion.
2. Membentuk matriks framework berdasarkan nilai gray level
citra.
3. Menentukan jarak dan arah yang digunakan untuk
membentuk matriks kookurensi. Pada penelitian ini jarak
yang digunakan adalah 1 dan arah yang digunakan adalah
0º, 45º, 90º, dan 135º,
4. Membentuk matriks kookurensi berdasarkan jarak dan arah
yang dipilih.
5. Membentuk matriks simetris dengan cara menambahkan
matriks kookurensi dengan matriks transpose.
6. Melakukan normalisasi terhadap matriks dengan cara
membagi
setiap
elemen
matriks
simetris
dengan
penjumlahan seluruh nilai elemen pada matriks simetris.
7. Menghitung fitur statistik dari matriks
yang telah
dinormalisasi. Fitur yang akan digunakan adalah angular
second moment (energy) ,contrast, inverse difference
moment (homogeneity), entropy, dan dissimilarity.
Universitas Sumatera Utara
32
8. Menghitung rata-rata dari nilai setiap fitur statistik yang ada
sehingga diperoleh satu nilai yang mewakili masing-masing
fitur.
9. Hasil dari fitur ekstraksi pada proses pelatihan kemudian
disimpan ke dalam file “DataSetGLCM.txt” sementara
untuk hasil fitur ektraksi pada pegujian disimpan ke dalam
file “DataSetGLCM1.txt”. Hasil fitur ekstraksi selanjutnya
akan dipakai pada klasifikasi dengan backpropagation.
3.2.2.3 .Classification
Tahap terakhir dari proses identifikasi retinoblastoma melalui citra
fundus retina yaitu classification. Informasi yang didapat dari proses
sebelumnya akan diklasifikasikan berdasarkan hasil proses training.
Klasifikasi dilakukan dengan menggunakan metode backpropagation
neural network. Langkah-langkah yang dilakukan pada backpropagation
dapat dilihat pada bagian 2.6.
Tujuan dari pelatihan jaringan backpropagation adalah mengatur
nilai error agar menjadi semakin kecil atau tidak ada error sama sekali
dengan cara mencari bobot yang sesuai sehingga nilai output mendekati
target. Tahap awal yang dilakukan pada proses pelatihan yaitu input data
pelatihan. Pada penelitian ini penulis menggunakan 40 data masukan
untuk dilatih. Setiap data masukan terdiri dari lima fitur hasil fitur
ekstraksi yang kemudian akan digunakan sebagai input neuron.
Kemudian tentukan target keluaran dari setiap data masukan. Lalu
inisialisasi nilai seluruh bobot dan bias secara acak dalam range -1
sampai 1. Kemudian tentukan nilai parameter learning rate, maksimum
epoch, dan minimum error yang digunakan.
Setelah melakukan inisialisasi, untuk setiap data masukan
dilakukan fase feedforward dengan menghitung nilai keluaran setiap
neuron pada lapisan tersembunyi dan lapisan output dengan persamaan
2.11 dan 2.13. Kemudian lakukan fase backward dengan menghitung
faktor kesalahan pada lapisan output dan lapisan tersembunyi
Universitas Sumatera Utara
33
(persamaan 2.14 dan 2.17). Hasil perhitungan faktor kesalahan tersebut
selanjutnya akan digunakan untuk menghitung suku perubahan bobot
pada lapisan output
2.18).
Kemudian
dan lapisan tersembunyi. (persamaan 2.15 dan
hitung
menjumlahkan nilai error
jumlah
error
data
setiap neuron
pada
masukan
dengan
lapisan output.
Kemudian hitung nilai error pada setiap epoch dengan menjumlahkan
hasil penjumlahan error setiap data masukan.
Jika nilai error suatu epoch lebih kecil dari nilai minimum error
yang ditentukan maka iterasi akan berhenti. Begitu juga sebaliknya.
Setelah iterasi berhenti nilai bobot akhir akan disimpan ke dalam file
“weights.txt” untuk digunakan pada tahap pengujian. Pelatihan jaringan
backpropagation menggunakan arsitektur jaringan dengan 5 input
neuron, 2 hidden neuron , dan 2 output neuron.
Setelah dilakukan proses pelatihan jaringan backpropagation,
maka selanjutnya dilakukan pengujian. Pada pengujian jaringan
backpropagation dilakukan hanya dengan melaksanakan fase arah maju
(feedforward). Data yang digunakan pada pengujian merupakan data
yang tidak dipakai pada saat pelatihan. Adapun bobot yang digunakan
pada fase arah maju adalah bobot hasil proses pelatihan. Lalu dilakukan
perhitungan nilai keluaran dari setiap node pada lapisan tersembunyi dan
lapisan output. Setelah dilakukan pengujian terhadap hasil keluaran
setiap node pada lapisan output, jika hasil keluaran node lebih besar dari
0.5 maka nilai keluaran tersebut akan diubah menjadi 1 yang
menunjukkan adanya indikasi retinoblastoma. Sebaliknya jika nilai
keluaran kecil dari 0.5 akan diubah menjadi 0 yang menunjukkan tidak
terdapat adanya indikasi retinoblastoma (normal).
3.2.3. Output
Setelah dilakukan tahapan pemrosesan maka diperoleh output sistem yaitu
apakah fundus retina teridentifikasi penyakit retinoblastoma atau normal.
Universitas Sumatera Utara
34
Arsitektur umum metodologi pada penelitian ini berdasarkan analisis sistem yang
dilakukan ditunjukkan pada Gambar 3.2.
Preprocessing
Resize
Grayscale
Training
Dataset
Morphological Close Operation
Optic Disc Elimination
Thresholding
Erosion
Inversion
Testing
Dataset
Feature Extraction
Gray-Level CoOccurrence Matrix
(GLCM)
OUTPUT
Classification
Backpropagation
Neural Network
Hasil Identifikasi
Normal atau
Retinoblastoma,
Gambar 3.2. Arsitektur Umum
Universitas Sumatera Utara
35
3.3 Perancangan Sistem
Pada tahapan perancangan sistem ini akan dijelaskan tentang perancangan menu sistem
dan perancangan antarmuka aplikasi identifikasi penyakit retinoblastoma. Perancangan
ini bertujuan agar pengguna dapat lebih mudah dalam menggunakan aplikasi.
3.3.1. Perancangan menu sistem
Struktur menu pada sistem terdiri dari sebuah tampilan halaman menu yang di
dalamnya terdapat akses untuk menuju halaman lain yaitu training dan testing
yang masing-masing halaman memiliki fungsi untuk melakukan upload dan
process, ditambah dengan fungsi reset pada halaman testing. Struktur menu pada
sistem dapat dilihat pada Gambar 3.3.
Gambar3.3. Struktur menu sistem
3.3.2. Perancangan antarmuka
Perancangan antarmuka terdiri atas rancangan tampilan menu, tampilan halaman
testing, dan tampilan halaman training.
3.3.2.1. Perancangan tampilan menu
Halaman menu merupakan tampilan utama ketika sistem dijalankan.
Rancangan tampilan halaman menu dapat dilihat pada Gambar 3.4.
Universitas Sumatera Utara
36
Gambar 3.4 Rancangan Tampilan Halaman Menu
3.3.2.2. Perancangan tampilan halaman testing
Perancangan testing sistem (front-end) pada penelitian ini menggunakan
Graphical User Interface (GUI). Halaman ini dirancang untuk
mempermudah pengguna dalam melakukan proses yang ada yaitu
pengimputan citra, pemrosesan dan hasil yaitu citra yang di input normal
atau terkena retinoblastoma. Gambar dari rancangan halaman testing
sistem dapat dilihat pada gambar 3.5.
Gambar 3.5 Rancangan Tampilan Halaman Testing
Universitas Sumatera Utara
37
Keterangan :
a. Bagian ini akan menampilkan image hasil dari citra retina yang dipilih.
b. Textfield yang merupakan tempat hasil url location file. Textfield ini
juga bisa diklik sehingga akan menampilkan kotak dialog untuk
memilih file citra retina.
c. Tombol open yang akan menampilkan kotak dialog dan memilih citra
retina yang akan diuji.
d. Tombol process yang akan memproses citra retina yang telah dipilih
sebelumnya. Setelah diproses maka hasilnya akan tampil pada bagianbagian preprocessing image yaitu grayscale, morpclose(morphological
close), thresholding, erosion, inversion Selain itu juga akan tampil
nilai dari ekstrasi cirinya pada bagian feature extraction. Dan juga
hasil dari identifikasi citra retina pada bagian result.
e. Bagian ini merupakan panel yang akan menampilkan hasil dari image
yang telah diproses.
f. Pada bagian ini akan tampil nilai dari ekstraksi ciri dari citra retina
hasil GLCM.
g. Panel yang akan menampilkan hasil identifikasi dari citra retina input.
3.2.2.3. Perancangan tampilan halaman training
Tampilan halaman training merupakan halaman yang bertujuan
untuk menginput citra training yang hasil ekstraksi cirinya akan
disimpan kedalam format .txt. Halaman ini terdiri dari 3 button,
dan 2 panel yang berisi list file citra yang dipilih sebagai training.
Perancangan tersebut dapat dilihat pada Gambar 3.6.
Universitas Sumatera Utara
38
Gambar 3.6. Rancangan halaman training
Keterangan :
a. Panel yang akan menampilkan file citra normal yang telah dipilih.
b. Panel yang akan menampilkan file citra Rb yang telah dipilih.
c. Tombol upload citra normal yang akan menampilkan kotak dialog dan
bisa pilih file lebih dari satu atau multiselected.
d. Tombol upload citra Rb yang akan menampilkan kotak dialog dan bisa
pilih file lebih dari satu sama halnya dengan tombol upload citra
normal.
e. Tombol process yang akan memproses semua file yang telah dipilih.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan membahas hasil dari implementasi metode Backpropagation Neural Network
dalam mengidentifikasi penyakit retinoblastoma melalui citra fundus retina dan pengujian
sistem sesuai dengan analisis data dan perancangan sistem yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, proses untuk mengidentifikasi diagnosis penyakit
retinoblastoma dimulai dengan dilakukannya preprocessing, ekstraksi ciri, dan hingga
tahap akhir yaitu pengidentifikasian yang diimplementasikan ke dalam bahasa
pemrograman Java dengan perancangan yang telah dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun
sistem ini adalah sebagai berikut:
1. Processor Intel(R) Core(TM) i3-3217U CPU 1.80 GHz.
2. Kapasitas hard disk 500GB.
3. Memori RAM yang digunakan 4,00 GB.
4. Sistem operasi yang digunakan Microsoft Windows 10 Pro.
5. Eclipse IDE Luna Service Release 1a ( 4.4.1).
6. Library yang digunakan adalah OpenCV 2.4.1.2.
Universitas Sumatera Utara
40
4.1.2. Implementasi Perancangan Antarmuka
Implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah
dibahas pada Bab 3 adalah sebagai berikut :
1. Tampilan Halaman Menu
Halaman menu merupakan tampilan awal saat sistem pertama kali
dijalankan. Tampilan halaman menu dapat dilihat pada Gambar 4.1. Pada
tampilan halaman menu terdapat dua button yaitu button training dan
testing yang jika diklik akan langsung menuju halaman training atau
testing.
Gambar 4.1. Tampilan halaman menu
2. Tampilan Halaman Testing
Halaman ini merupakan halaman untuk melakukan testing yang bertujuan
untuk mengidentifikasi penyakit retinoblastoma melalui citra fundus retina
menggunakan metode backpropagation neural network. Tampilan
halaman testing dapat dilihat pada Gambar 4.2.
Universitas Sumatera Utara
41
Gambar 4.2. Tampilan halaman testing
3. Tampilan Halaman Training
Tampilan ini merupakan halaman untuk training data dan memperoleh
hasil ekstraksi citra untuk kemudian dilakukan identifikasi dengan
backpropagation neural network. Tampilan halaman training dapat dilihat
pada Gambar 4.3.
Gambar 4.3. Tampilan halaman training
Universitas Sumatera Utara
42
4.1.3. Implementasi data
Data yang dimasukkan ke dalam sistem adalah citra retina yang bersumber dari
situs Retina Image Bank. Data tersebut dipilih dan dibagi menjadi dua kategori
yaitu normal dan retinoblastoma. Rangkuman data dapat dilihat pada Tabel 4.1.
Tabel 4.1. Rangkuman data citra fundus retina
No
Nama
Citra
Normal
1
01_h.jpg
√
2
02_h.jpg
√
3
03_h.jpg
√
4
04_h.jpg
√
5
05_h.jpg
√
6
06_h.jpg
√
Rb
Universitas Sumatera Utara
43
7
07_h.jpg
√
8
08_h.jpg
√
9
09_h.jpg
√
10
10_h.jpg
√
11
11_h.jpg
√
12
12_h.jpg
√
13
13_h.jpg
√
14
14_h.jpg
√
15
15_h.jpg
√
Universitas Sumatera Utara
44
16
16_h.jpg
√
17
17_h.jpg
√
18
18_h.jpg
√
19
19_h.jpg
√
20
20_h.jpg
√
21
21_h.jpg
√
22
22_h.jpg
√
Universitas Sumatera Utara
45
23
23_h.jpg
√
24
24_h.jpg
√
25
25_h.jpg
√
26
rb1.jpg
√
27
rb2.jpg
√
28
rb3.jpg
√
29
rb4.jpg
√
Universitas Sumatera Utara
46
30
rb5.jpg
√
31
rb6.jpg
√
32
rb7.jpg
√
33
rb8jpg
√
34
rb9.jpg
√
35
rb10.jpg
√
36
rb11.jpg
√
37
rb12.jpg
√
Universitas Sumatera Utara
47
38
rb13.jpg
√
39
rb14.jpg
√
40
rb15.jpg
√
41
rb16.jpg
√
42
rb17.jpg
√
43
rb18.jpg
√
44
rb19.jpg
√
45
rb20.jpg
√
Universitas Sumatera Utara
48
46
rb21.jpg
√
47
rb22.jpg
√
48
rb23.jpg
√
49
rb24.jpg
√
50
rb25.jpg
√
4.2. Prosedur Operasional
Tampilan awal aplikasi merupakan tampilan menu untuk melakukan training dan testing
seperti yang ditunjukkan pada Gambar 4.1. Selanjutnya Tampilan halaman testing sistem
ditunjukkan pada Gambar 4.2 yang merupakan bagian front-end sistem. Sebelum
dilakukan testing, maka terlebih dahulu dilakukan training terhadap dataset. Tampilan
halaman untuk melakukan training terhadap dataset dapat dilihat pada Gambar 4.4
Universitas Sumatera Utara
49
Gambar 4.4 Tampilan halaman training
Pada halaman training seperti pada Gambar 4.4 terdapat 3 button terdiri dari
button upload citra normal dan upload citra Rb dan process. Button upload citra normal
dan Rb mempunyai fungsi yang sama yaitu untuk mengupload citra normal dan
retinoblastoma sehingga akan menampilkan kotak dialog dan pengguna dapat memilih
file citra retina. Pengguna dapat memilih file lebih dari satu atau multi selected. Dan
button process berfungsi untuk memproses file citra retina yang telah dipilih,
mengekstraksi ciri dari masing-masing citra, dan diklasifikasikan dengan menggunakan
backpropagation neural network. Tampilan ketika button upload citra normal atau citra
Rb diklik dapat dilihat pada Gambar 4.5.
Universitas Sumatera Utara
50
Gambar 4.5. Tampilan ketika salah satu button upload citra diklik
Citra retina yang telah dipilih akan ditampilkan pada panel citra masing-masing.
Tampilan tersebut dapat dilihat pada Gambar 4.6.
Gambar. 4.6. Tampilan setelah file citra retina dipilih
Universitas Sumatera Utara
51
Setelah citra retina selesai dipilih, kemudian dapat diklik button process. Setelah
diklik maka akan dilakukan pelatihan terhadap data uji dengan menggunakan
backpropagation. Citra yang telah di upload akan dilakukan preprocessing terlebih
dahulu
dimana
hasil
preprocessing
citra
akan
disimpan
ke
dalam
folder
“Dataset/Training”. Kemudian citra di fitur ektraksi dengan metode GLCM yang hasilnya
disimpan ke dalam file “DataSetGLCM.txt” untuk diambil ciri fiturnya yang selanjutnya
data tersebut akan dilatih dengan menggunakan backpropagation untuk memperoleh
bobot akhir yang akan disimpan ke dalam file “weights.txt”. Setelah selesai pengujian,
akan ditampilkan notifikasi bahwa training setelah selesai diproses. Contoh isi file
“DataSetGLCM.txt” dan “weights.txt” dapat dilihat pada Gambar 4.7 dan 4.8.
Gambar 4.7. Contoh Isi File “DataSetGLCM.txt”
Universitas Sumatera Utara
52
Gambar 4.8. Contoh Isi File “weights.txt”
Tampilan setelah proses training dilakukan dapat dilihat pada Gambar4.9.
Gambar 4.9. Tampilan ketika training telah selesai diproses
Setelah training dilakukan, maka dapat dilakukan pengujian sistem pada halaman
testing seperti pada gambar 4.2. Pada halaman testing terdapat button open yang
berfungsi untuk menampilkan kotak dialog dan memilih citra yang akan diuji. Kemudian
setelah dipilih citra yang akan diuji, maka citra yang dipilih akan muncul pada panel
image input. Tampilan tersebut dapat dilihat pada Gambar 4.10.
Universitas Sumatera Utara
53
Gambar 4.10. Tampilan ketika citra telah dipilih
Setelah citra tampil pada panel image input, maka button process akan aktif.
Button process berfungsi untuk memproses citra yang telah diinput. Proses yang terjadi
terdiri dari preprocessing (resize, grayscale, morphological close, dan optic disc
elimination), feature extraction, dan classification dengan backpropagation neural
network. Hasil dari semua proses tersebut akan muncul pada panel masing-masing. Hasil
dari preprocessing disimpan ke dalam folder “image” dan akan muncul pada tiap panel
preprocessing di halaman testing, hasil ekstraksi ciri juga akan ditampilkan pada panel
feature extraction yang terdiri dari nilai dari hasil GLCM yang juga disimpan ke dalam
file “DataSetGLCM1.txt” untuk selanjutnya digunakan pada proses backpropagation arah
maju (feedforward), karena sebelumya nilai bobot sudah diperoleh pada saat pelatihan.
Setelah dilakukan pengujian maka hasil identifikasi akan ditampilkan pada panel result.
Tampilan pada proses-proses tersebut dapat dilihat pada Gambar 4.11.
Universitas Sumatera Utara
54
Gambar 4.11. Tampilan setelah citra diproses
Hasil dari masing-masing tahapan pada preprocessing dapat dilihat pada Gambar 4.12,
Gambar 4.13, Gambar 4.14, Gambar 4.15, Gambar 4.16, Gambar 4.17.
Gambar 4.12. Hasil citra setelah di resize
Gambar 4.13. Hasil citra grayscale
Universitas Sumatera Utara
55
Gambar 4.14. Hasil citra morphological
Gambar 4.15. Hasil citra thresholding
close operation
Gambar 4.16. Hasil citra erosion
Gambar 4.17. Hasil citra inversion
Setelah dilakukan preprocessing selanjutnya dilakukan ekstraksi fitur. Hasil dari
feature extraction disimpan dalam format .txt dengan nama DataSetGLCM1.txt. Contoh
isi file hasil fitur ekstraksi pada proses pengujian dapat dilihat pada Gambar 4.18.
Universitas Sumatera Utara
56
Gambar 4.18. Contoh Isi File “DataSetGLCM1.txt”
Output yang diperoleh dari tahapan-tahapan sebelumnya kemudian ditampilkan
pada panel result apakah citra normal atau terdapat indikasi retinoblastoma. Jika terdapat
indikasi retinoblastoma maka akan ditampilkan persentase dari indikasinya dengan
menghitung luas tumor dibandingkan dengan luas retina mata yang sudah dikurangi
dengan luas keseluruhan citra. Luas tumor diperoleh dari jumlah piksel putih pada citra
hasil thresholding yang belum mengalami penipisan piksel (erosion) sedangkan luas
retina diperoleh dari pengurangan total piksel citra yang telah di resize dengan jumlah
piksel hitam yang mengelilingi retina mata. Rumus untuk menghitung persentase dari
indikasi retinoblastoma dapat dilihat pada persamaan 4.1.
Persentase =
Jumlah piksel putih
x 100
(4.1)
(Total piksel - Jumlah piksel hitam)
4.3. Pengujian Sistem
Pada tahap ini akan dilakukan pengujian terhadap data dan sistem untuk mengetahui
kemampuan sistem yang dibangun dalam mengidentifikasi penyakit retinoblastoma.
Pengujian data dilakukan terhadap 5 citra retina normal dan 5 citra retina dengan
retinoblastoma. Parameter backpropagation yang digunakan pada tahap pelatihan dapat
dilihat pada table 4.2.
Universitas Sumatera Utara
57
Tabel 4.2. Parameter Backpropagation
No
Parameter
Keterangan
1
Jumlah input neuron
5
2
Jumlah hidden neuron
2
3
Jumlah output neuron
2
4
Fungsi Aktivasi
Sigmoid Biner
5
Maksimum epoch
600
6
Minimum error
0.0
7
Learning rate
0.8
Dalam penentuan parameter yang digunakan pada proses backpropagation,
sebelumnya terlebih dahulu dilakukan percobaan terhadap pemilihan parameter leaning
rate pada proses pelatihan dengan beberapa kali percobaan. Percobaan dilakukan dengan
menggunakan nilai maksimum epoch 600 dan leaning rate yang berbeda-beda.
Berdasarkan percobaan diperoleh hasil bahwa learning rate 0.8 memberikan hasil
pelatihan dengan akurasi 100% dan actual epoch yang cukup sedikit dibandingkan yang
lainnya, sehingga learning rate 0.8 ini dipakai sebagai parameter pada backpropagation.
Hasil pelatihan terhadap pemilihan parameter dapat dilihat pada Gambar 4.19.
Universitas Sumatera Utara
58
Hasil Pelatihan Pemilihan Parameter
100%
90%
80%
Akurasi
70%
60%
50%
40%
30%
20%
10%
0%
0.01
0.05
0.1
0.5
0.8
Actual Epoch
599
599
390
268
86
Akurasi
50%
50%
100%
100%
100%
Gambar 4.19. Grafik hasil pelatihan pemilihan parameter
Hasil identifikasi diagnosis penyakit retinoblastoma dapat dilihat pada Tabel 4.3
dimana hasil pengujian tersebut adalah berdasarkan hasil bobot akhir pelatihan dengan
menggunakan parameter pada Tabel 4.2. Citra uji yang digunakan untuk masing-masing
berjumlah berjumlah 5 sehingga total keseluruhan citra uji adalah 10.
Tabel 4.3. Hasil pengujian identifikasi retinoblastoma
No
1
Nama
21_h.jpg
Citra
Nilai
Desired
Actual
GLCM
Output
Output
0.0, 1.0, 0.0,
Normal
Normal
1.0, 0.0
Universitas Sumatera Utara
59
2
22_h.jpg
0.0, 1.0, 0.0,
Normal
Normal
Normal
Normal
Normal
Normal
1.0, 0.0
3
23_h.jpg
0.0, 1.0, 0.0,
1.0, 0.0
4
24_h.jpg
0.0, 1.0, 0.0,
1.0, 0.0
Universitas Sumatera Utara
60
5
25_h.jpg
0.0, 1.0, 0.0,
Normal
Normal
Rb
Rb
1.0, 0.0
6
rb21.jpg
0.93911548
95078406,
(37%)
0.98916668
65567683,
0.15729848
494671617,
0.85425323
554514,
0.07694243
832226459
7
rb22.jpg
0.32551892
628974016,
Rb
Rb
(59%)
0.99514127
82388555,
0.03702608
644701065,
0.97783987
04063613,
0.02897041
7413701675
Universitas Sumatera Utara
61
8
rb23.jpg
1.33845811
Rb
97444507,
Rb
(39%)
0.98199023
64919343,
0.22367262
191402432,
0.78065164
54664338,
0.11509810
358324285
9
rb24.jpg
1.28229792
Rb
17696524,
Rb
(78%)
0.98485295
72181337,
0.19351569
395260904,
0.81589259
39751358,
0.10598854
826898309
10
rb25.jpg
0.0, 1.0, 0.0,
Rb
Normal
1.0, 0.0
Universitas Sumatera Utara
62
Untuk menghitung akurasi pengujian, persamaan yang digunakan adalah persamaan 4.2.
Akurasi = Jumlah data uji yang benar
x 100
(4.2)
Jumlah data uji keseluruhan
Berdasarkan hasil pada Tabel 4.3, maka akurasi keseluruhan dapat dihitung. Akurasi
keseluruhan diperoleh dengan mengunakan persamaan 4.2 yaitu dengan menambahkan
jumlah actual output yang sesuai dengan desired output dibagi dengan jumlah seluruh
data uji yang digunakan seperti berikut.
Akurasi =
9
x 100 = 90%
10
Dari perhitungan di atas dapat diketahui bahwa tingkat akurasi dari metode
backpropagation neual network dalam mengidentifikasi penyakit retinoblastoma melalui
citra fundus retina mencapai 90%.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
Bab ini akan membahas tentang kesimpulan dari metode yang telah digunakan untuk
mengidentifikasi penyakit retinoblastoma pada bagian 5.1 dan juga saran-saran untuk
pengembangan penelitian berikutnya pada bagian 5.2.
5.1. Kesimpulan
Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem untuk identifikasi
penyakit retinoblastoma dengan menggunakan Backpropagation Neural Network adalah
sebagai berikut :
1. Metode Backpropagation Neural Network mampu melakukan identifikasi penyakit
retinoblastoma melalui citra fundus retina secara baik dengan akurasi sebesar 90%.
2. Berdasarkan hasil percobaan untuk pemilihan parameter yang digunakan , learning
rate 0.8 merupakan nilai yang paling baik dalam mengidentifikasi penyakit
retinoblastoma pada tahap pelatihan.
3. Bentuk dan ukuran tumor yang menyerupai optic disc pada citra fundus menjadi
salah satu kesulitan dalam tahap preprocessing karena
tumor bisa saja ikut
tereliminasi pada saat proses eliminasi optic disc.
4. Kegagalan pengidentifikasian pada salah satu data uji disebabkan oleh kurang
maksimalnya hasil pada tahap preprocessing yang berpengaruh pada nilai fitur
ekstraksi GLCM sehingga mempengaruhi akurasi dalam proses identifikasi
penyakit.
Universitas Sumatera Utara
64
5.2. Saran
Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut :
1. Menggunakan metode pengolahan citra yang sesuai terutama dalam proses
pengeliminasian optic disc agar dapat tereliminasi secara maksimal sehingga
mempermudah dalam pendeteksian tumor.
2. Menggunakan data pelatihan yang lebih banyak sehingga ketika data uji mampu
mendapatkan akurasi yang lebih tinggi.
3. Menggunakan kombinasi metode yang lain dalam tahapan ekstraksi ciri.
4. Menggunakan metode machine learning lainnya untuk membandingkan dengan
hasil identifikasi yang diperoleh dari backpropagation neural network .
Universitas Sumatera Utara
ANALISIS DAN PERANCANGAN SISTEM
Bab ini akan membahas tentang analisis dan perancangan dalam aplikasi identifikasi
diagnosis penyakit retinoblastoma. Tahap pertama yaitu analisis data yang digunakan,
analisis terhadap tahapan pengolahan citra yang diterapkan, feature extraction, beserta
implementasi metode backpropagation neural network dalam mengidentifikasi penyakit
ini. Pada tahapan selanjutnya yaitu dilakukan perancangan tampilan antarmuka sistem yang
akan dibangun.
3.1. Dataset
Data citra yang digunakan dalam penelitian ini adalah citra retina yang diperoleh dari situs
Retina Image Bank, yaitu http://imagebank.asrs.org. Retina Image Bank merupakan suatu
proyek dari American Society of Retina Specialists yang berisi kumpulan gambar retina
dengan berbagai kondisi. Data citra yang diperoleh dari dataset ini terdapat 25 citra normal
dan 25 citra retinoblastoma. Data citra yang telah dikumpulkan dibagi menjadi dua dataset,
yaitu untuk dataset pelatihan dan pengujian yang akan digunakan untuk mengetahui berapa
akurasi dari proses pengidentifikasian. Dataset pelatihan untuk normal sebanyak 20 citra
dan untuk retinoblastoma sebanyak 20 citra. Sedangkan untuk dataset pengujian akan
digunakan sebanyak 5 citra normal dan 5 citra retinoblastoma.
3.2. Analisis Sistem
Metode yang diajukan penulis untuk identifikasi diagnosis penyakit retinoblastoma terdiri
dari tiga tahapan yaitu, input, proses, dan output.
Universitas Sumatera Utara
29
3.2.1. Input
Citra yang diambil adalah fundus retina yang diambil melalui kamera fundus
yang terdiri dari lapisan interior bola mata, meliputi retina, optic disc, dan macula.
Citra yang digunakan diperoleh dari situs Retina Image Bank,
http://imagebank.asrs.org yang 80 %
yaitu
dari setiap kelompok gambar akan
digunakan untuk pelatihan dan 20 % untuk pengujian. Jenis citra yang digunakan
pada penelitian ini dapat dilihat pada Gambar 3.1.
Gambar 3.1. Fundus Retina Normal (a) Fundus Retina Retinoblastoma (b)
3.2.2 .Proses
Pada tahap ini merupakan proses untuk pengolahan citra fundus retina. Proses
yang dilakukan terdiri dari preprocessing, feature extraction, dan classification.
3.2.2.1. Preprocessing
Pada tahap preprocessing, citra fundus retina diolah agar diekstraksi
dengan menghasilkan ciri yang baik. Tahapan yang dilakukan
pada
preprocessing ini yaitu resize, grayscale, morphological close operation,
dan optic disc elimination.
a. Resize
Pada tahap awal proses preprocessing yaitu dilakukan resize untuk
mengubah ukuran citra dengan memperkecil ukuran citra pada arah
horizontal dan/atau vertikal menjadi ukuran 200x200. Hal ini
Universitas Sumatera Utara
30
bertujuan untuk menyeragamkan ukuran dari masing-masing citra
yang digunakan selama proses pelatihan dan pengujian.
b. Grayscale
Tahap selanjutnya yaitu dilakukan grayscale fundus retina untuk
mengubah citra berwarna menjadi citra keabuan pada citra dengan
ukuran pixel 200x200. Grayscaling dilakukan dengan tujuan untuk
mengurangi
jumlah
parameter
yang
akan
digunakan
pada
classification sehingga dapat mempercepat proses pelatihan.
c. Morphological close operation
Setelah melewati tahap preprocessing, tahap berikutnya yaitu
morphological close operation. Dengan menggunakan metode ini,
pembuluh darah dan hemorrhages yang keliatan lebih gelap akan
tereliminasi.
d. Optic disc elimination
Tahap berikutnya yaitu optic disc elimination. Optic disc mempunyai
karakteristik dan ciri yang hampir sama dengan tumor sehingga harus
dieliminasi.
Tahap-tahap
pendekatan
yang
dilakukan
yaitu
thresholding, erosion, inversion.
a. Thresholding
Pada tahap awal untuk mengeliminasi optic disc yaitu
thresholding. Thresholding yaitu metode segmentasi yang
sederhana . Dengan metode ini dihasilkan segmentasi dari optic
disc.
b. Erosion
Optic disc berbentuk lingkaran, namun hasil dari proses
sebelumnya tidak menunjukkan bentuk lingkaran. Sehingga
dilakukannya
erosion
(penipisan
piksel)
untuk
membuat
lingkaran pada optic disc.
Universitas Sumatera Utara
31
c. Inversion
Pada tahap selanjutnya yaitu inversion (pembentukan citra
negatif). Piksel yang didapatkan apabila hitam diubah menjadi
putih dan putih diubah menjadi hitam.
3.2.2.2 .Feature extraction
Proses selanjutnya yaitu feature extraction . Bentuk atau bagian yang
telah
direpresentasikan
akan
diambil
ciri
pembedanya
dengan
menggunakan metode GLCM, sehingga didapatkan hasil dari ekstraksi
fitur yang digunakan untuk proses selanjutnya yaitu tahapan identifikasi.
Langkah-langkah
yang
dilakukan
pada
ekstraksi
fitur
menggunakan GLCM pada penelitian ini yaitu :
1. Menentukan nilai gray level pada citra berdasarkan hasil
pada tahap preprocessing terakhir yaitu inversion.
2. Membentuk matriks framework berdasarkan nilai gray level
citra.
3. Menentukan jarak dan arah yang digunakan untuk
membentuk matriks kookurensi. Pada penelitian ini jarak
yang digunakan adalah 1 dan arah yang digunakan adalah
0º, 45º, 90º, dan 135º,
4. Membentuk matriks kookurensi berdasarkan jarak dan arah
yang dipilih.
5. Membentuk matriks simetris dengan cara menambahkan
matriks kookurensi dengan matriks transpose.
6. Melakukan normalisasi terhadap matriks dengan cara
membagi
setiap
elemen
matriks
simetris
dengan
penjumlahan seluruh nilai elemen pada matriks simetris.
7. Menghitung fitur statistik dari matriks
yang telah
dinormalisasi. Fitur yang akan digunakan adalah angular
second moment (energy) ,contrast, inverse difference
moment (homogeneity), entropy, dan dissimilarity.
Universitas Sumatera Utara
32
8. Menghitung rata-rata dari nilai setiap fitur statistik yang ada
sehingga diperoleh satu nilai yang mewakili masing-masing
fitur.
9. Hasil dari fitur ekstraksi pada proses pelatihan kemudian
disimpan ke dalam file “DataSetGLCM.txt” sementara
untuk hasil fitur ektraksi pada pegujian disimpan ke dalam
file “DataSetGLCM1.txt”. Hasil fitur ekstraksi selanjutnya
akan dipakai pada klasifikasi dengan backpropagation.
3.2.2.3 .Classification
Tahap terakhir dari proses identifikasi retinoblastoma melalui citra
fundus retina yaitu classification. Informasi yang didapat dari proses
sebelumnya akan diklasifikasikan berdasarkan hasil proses training.
Klasifikasi dilakukan dengan menggunakan metode backpropagation
neural network. Langkah-langkah yang dilakukan pada backpropagation
dapat dilihat pada bagian 2.6.
Tujuan dari pelatihan jaringan backpropagation adalah mengatur
nilai error agar menjadi semakin kecil atau tidak ada error sama sekali
dengan cara mencari bobot yang sesuai sehingga nilai output mendekati
target. Tahap awal yang dilakukan pada proses pelatihan yaitu input data
pelatihan. Pada penelitian ini penulis menggunakan 40 data masukan
untuk dilatih. Setiap data masukan terdiri dari lima fitur hasil fitur
ekstraksi yang kemudian akan digunakan sebagai input neuron.
Kemudian tentukan target keluaran dari setiap data masukan. Lalu
inisialisasi nilai seluruh bobot dan bias secara acak dalam range -1
sampai 1. Kemudian tentukan nilai parameter learning rate, maksimum
epoch, dan minimum error yang digunakan.
Setelah melakukan inisialisasi, untuk setiap data masukan
dilakukan fase feedforward dengan menghitung nilai keluaran setiap
neuron pada lapisan tersembunyi dan lapisan output dengan persamaan
2.11 dan 2.13. Kemudian lakukan fase backward dengan menghitung
faktor kesalahan pada lapisan output dan lapisan tersembunyi
Universitas Sumatera Utara
33
(persamaan 2.14 dan 2.17). Hasil perhitungan faktor kesalahan tersebut
selanjutnya akan digunakan untuk menghitung suku perubahan bobot
pada lapisan output
2.18).
Kemudian
dan lapisan tersembunyi. (persamaan 2.15 dan
hitung
menjumlahkan nilai error
jumlah
error
data
setiap neuron
pada
masukan
dengan
lapisan output.
Kemudian hitung nilai error pada setiap epoch dengan menjumlahkan
hasil penjumlahan error setiap data masukan.
Jika nilai error suatu epoch lebih kecil dari nilai minimum error
yang ditentukan maka iterasi akan berhenti. Begitu juga sebaliknya.
Setelah iterasi berhenti nilai bobot akhir akan disimpan ke dalam file
“weights.txt” untuk digunakan pada tahap pengujian. Pelatihan jaringan
backpropagation menggunakan arsitektur jaringan dengan 5 input
neuron, 2 hidden neuron , dan 2 output neuron.
Setelah dilakukan proses pelatihan jaringan backpropagation,
maka selanjutnya dilakukan pengujian. Pada pengujian jaringan
backpropagation dilakukan hanya dengan melaksanakan fase arah maju
(feedforward). Data yang digunakan pada pengujian merupakan data
yang tidak dipakai pada saat pelatihan. Adapun bobot yang digunakan
pada fase arah maju adalah bobot hasil proses pelatihan. Lalu dilakukan
perhitungan nilai keluaran dari setiap node pada lapisan tersembunyi dan
lapisan output. Setelah dilakukan pengujian terhadap hasil keluaran
setiap node pada lapisan output, jika hasil keluaran node lebih besar dari
0.5 maka nilai keluaran tersebut akan diubah menjadi 1 yang
menunjukkan adanya indikasi retinoblastoma. Sebaliknya jika nilai
keluaran kecil dari 0.5 akan diubah menjadi 0 yang menunjukkan tidak
terdapat adanya indikasi retinoblastoma (normal).
3.2.3. Output
Setelah dilakukan tahapan pemrosesan maka diperoleh output sistem yaitu
apakah fundus retina teridentifikasi penyakit retinoblastoma atau normal.
Universitas Sumatera Utara
34
Arsitektur umum metodologi pada penelitian ini berdasarkan analisis sistem yang
dilakukan ditunjukkan pada Gambar 3.2.
Preprocessing
Resize
Grayscale
Training
Dataset
Morphological Close Operation
Optic Disc Elimination
Thresholding
Erosion
Inversion
Testing
Dataset
Feature Extraction
Gray-Level CoOccurrence Matrix
(GLCM)
OUTPUT
Classification
Backpropagation
Neural Network
Hasil Identifikasi
Normal atau
Retinoblastoma,
Gambar 3.2. Arsitektur Umum
Universitas Sumatera Utara
35
3.3 Perancangan Sistem
Pada tahapan perancangan sistem ini akan dijelaskan tentang perancangan menu sistem
dan perancangan antarmuka aplikasi identifikasi penyakit retinoblastoma. Perancangan
ini bertujuan agar pengguna dapat lebih mudah dalam menggunakan aplikasi.
3.3.1. Perancangan menu sistem
Struktur menu pada sistem terdiri dari sebuah tampilan halaman menu yang di
dalamnya terdapat akses untuk menuju halaman lain yaitu training dan testing
yang masing-masing halaman memiliki fungsi untuk melakukan upload dan
process, ditambah dengan fungsi reset pada halaman testing. Struktur menu pada
sistem dapat dilihat pada Gambar 3.3.
Gambar3.3. Struktur menu sistem
3.3.2. Perancangan antarmuka
Perancangan antarmuka terdiri atas rancangan tampilan menu, tampilan halaman
testing, dan tampilan halaman training.
3.3.2.1. Perancangan tampilan menu
Halaman menu merupakan tampilan utama ketika sistem dijalankan.
Rancangan tampilan halaman menu dapat dilihat pada Gambar 3.4.
Universitas Sumatera Utara
36
Gambar 3.4 Rancangan Tampilan Halaman Menu
3.3.2.2. Perancangan tampilan halaman testing
Perancangan testing sistem (front-end) pada penelitian ini menggunakan
Graphical User Interface (GUI). Halaman ini dirancang untuk
mempermudah pengguna dalam melakukan proses yang ada yaitu
pengimputan citra, pemrosesan dan hasil yaitu citra yang di input normal
atau terkena retinoblastoma. Gambar dari rancangan halaman testing
sistem dapat dilihat pada gambar 3.5.
Gambar 3.5 Rancangan Tampilan Halaman Testing
Universitas Sumatera Utara
37
Keterangan :
a. Bagian ini akan menampilkan image hasil dari citra retina yang dipilih.
b. Textfield yang merupakan tempat hasil url location file. Textfield ini
juga bisa diklik sehingga akan menampilkan kotak dialog untuk
memilih file citra retina.
c. Tombol open yang akan menampilkan kotak dialog dan memilih citra
retina yang akan diuji.
d. Tombol process yang akan memproses citra retina yang telah dipilih
sebelumnya. Setelah diproses maka hasilnya akan tampil pada bagianbagian preprocessing image yaitu grayscale, morpclose(morphological
close), thresholding, erosion, inversion Selain itu juga akan tampil
nilai dari ekstrasi cirinya pada bagian feature extraction. Dan juga
hasil dari identifikasi citra retina pada bagian result.
e. Bagian ini merupakan panel yang akan menampilkan hasil dari image
yang telah diproses.
f. Pada bagian ini akan tampil nilai dari ekstraksi ciri dari citra retina
hasil GLCM.
g. Panel yang akan menampilkan hasil identifikasi dari citra retina input.
3.2.2.3. Perancangan tampilan halaman training
Tampilan halaman training merupakan halaman yang bertujuan
untuk menginput citra training yang hasil ekstraksi cirinya akan
disimpan kedalam format .txt. Halaman ini terdiri dari 3 button,
dan 2 panel yang berisi list file citra yang dipilih sebagai training.
Perancangan tersebut dapat dilihat pada Gambar 3.6.
Universitas Sumatera Utara
38
Gambar 3.6. Rancangan halaman training
Keterangan :
a. Panel yang akan menampilkan file citra normal yang telah dipilih.
b. Panel yang akan menampilkan file citra Rb yang telah dipilih.
c. Tombol upload citra normal yang akan menampilkan kotak dialog dan
bisa pilih file lebih dari satu atau multiselected.
d. Tombol upload citra Rb yang akan menampilkan kotak dialog dan bisa
pilih file lebih dari satu sama halnya dengan tombol upload citra
normal.
e. Tombol process yang akan memproses semua file yang telah dipilih.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan membahas hasil dari implementasi metode Backpropagation Neural Network
dalam mengidentifikasi penyakit retinoblastoma melalui citra fundus retina dan pengujian
sistem sesuai dengan analisis data dan perancangan sistem yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, proses untuk mengidentifikasi diagnosis penyakit
retinoblastoma dimulai dengan dilakukannya preprocessing, ekstraksi ciri, dan hingga
tahap akhir yaitu pengidentifikasian yang diimplementasikan ke dalam bahasa
pemrograman Java dengan perancangan yang telah dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun
sistem ini adalah sebagai berikut:
1. Processor Intel(R) Core(TM) i3-3217U CPU 1.80 GHz.
2. Kapasitas hard disk 500GB.
3. Memori RAM yang digunakan 4,00 GB.
4. Sistem operasi yang digunakan Microsoft Windows 10 Pro.
5. Eclipse IDE Luna Service Release 1a ( 4.4.1).
6. Library yang digunakan adalah OpenCV 2.4.1.2.
Universitas Sumatera Utara
40
4.1.2. Implementasi Perancangan Antarmuka
Implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah
dibahas pada Bab 3 adalah sebagai berikut :
1. Tampilan Halaman Menu
Halaman menu merupakan tampilan awal saat sistem pertama kali
dijalankan. Tampilan halaman menu dapat dilihat pada Gambar 4.1. Pada
tampilan halaman menu terdapat dua button yaitu button training dan
testing yang jika diklik akan langsung menuju halaman training atau
testing.
Gambar 4.1. Tampilan halaman menu
2. Tampilan Halaman Testing
Halaman ini merupakan halaman untuk melakukan testing yang bertujuan
untuk mengidentifikasi penyakit retinoblastoma melalui citra fundus retina
menggunakan metode backpropagation neural network. Tampilan
halaman testing dapat dilihat pada Gambar 4.2.
Universitas Sumatera Utara
41
Gambar 4.2. Tampilan halaman testing
3. Tampilan Halaman Training
Tampilan ini merupakan halaman untuk training data dan memperoleh
hasil ekstraksi citra untuk kemudian dilakukan identifikasi dengan
backpropagation neural network. Tampilan halaman training dapat dilihat
pada Gambar 4.3.
Gambar 4.3. Tampilan halaman training
Universitas Sumatera Utara
42
4.1.3. Implementasi data
Data yang dimasukkan ke dalam sistem adalah citra retina yang bersumber dari
situs Retina Image Bank. Data tersebut dipilih dan dibagi menjadi dua kategori
yaitu normal dan retinoblastoma. Rangkuman data dapat dilihat pada Tabel 4.1.
Tabel 4.1. Rangkuman data citra fundus retina
No
Nama
Citra
Normal
1
01_h.jpg
√
2
02_h.jpg
√
3
03_h.jpg
√
4
04_h.jpg
√
5
05_h.jpg
√
6
06_h.jpg
√
Rb
Universitas Sumatera Utara
43
7
07_h.jpg
√
8
08_h.jpg
√
9
09_h.jpg
√
10
10_h.jpg
√
11
11_h.jpg
√
12
12_h.jpg
√
13
13_h.jpg
√
14
14_h.jpg
√
15
15_h.jpg
√
Universitas Sumatera Utara
44
16
16_h.jpg
√
17
17_h.jpg
√
18
18_h.jpg
√
19
19_h.jpg
√
20
20_h.jpg
√
21
21_h.jpg
√
22
22_h.jpg
√
Universitas Sumatera Utara
45
23
23_h.jpg
√
24
24_h.jpg
√
25
25_h.jpg
√
26
rb1.jpg
√
27
rb2.jpg
√
28
rb3.jpg
√
29
rb4.jpg
√
Universitas Sumatera Utara
46
30
rb5.jpg
√
31
rb6.jpg
√
32
rb7.jpg
√
33
rb8jpg
√
34
rb9.jpg
√
35
rb10.jpg
√
36
rb11.jpg
√
37
rb12.jpg
√
Universitas Sumatera Utara
47
38
rb13.jpg
√
39
rb14.jpg
√
40
rb15.jpg
√
41
rb16.jpg
√
42
rb17.jpg
√
43
rb18.jpg
√
44
rb19.jpg
√
45
rb20.jpg
√
Universitas Sumatera Utara
48
46
rb21.jpg
√
47
rb22.jpg
√
48
rb23.jpg
√
49
rb24.jpg
√
50
rb25.jpg
√
4.2. Prosedur Operasional
Tampilan awal aplikasi merupakan tampilan menu untuk melakukan training dan testing
seperti yang ditunjukkan pada Gambar 4.1. Selanjutnya Tampilan halaman testing sistem
ditunjukkan pada Gambar 4.2 yang merupakan bagian front-end sistem. Sebelum
dilakukan testing, maka terlebih dahulu dilakukan training terhadap dataset. Tampilan
halaman untuk melakukan training terhadap dataset dapat dilihat pada Gambar 4.4
Universitas Sumatera Utara
49
Gambar 4.4 Tampilan halaman training
Pada halaman training seperti pada Gambar 4.4 terdapat 3 button terdiri dari
button upload citra normal dan upload citra Rb dan process. Button upload citra normal
dan Rb mempunyai fungsi yang sama yaitu untuk mengupload citra normal dan
retinoblastoma sehingga akan menampilkan kotak dialog dan pengguna dapat memilih
file citra retina. Pengguna dapat memilih file lebih dari satu atau multi selected. Dan
button process berfungsi untuk memproses file citra retina yang telah dipilih,
mengekstraksi ciri dari masing-masing citra, dan diklasifikasikan dengan menggunakan
backpropagation neural network. Tampilan ketika button upload citra normal atau citra
Rb diklik dapat dilihat pada Gambar 4.5.
Universitas Sumatera Utara
50
Gambar 4.5. Tampilan ketika salah satu button upload citra diklik
Citra retina yang telah dipilih akan ditampilkan pada panel citra masing-masing.
Tampilan tersebut dapat dilihat pada Gambar 4.6.
Gambar. 4.6. Tampilan setelah file citra retina dipilih
Universitas Sumatera Utara
51
Setelah citra retina selesai dipilih, kemudian dapat diklik button process. Setelah
diklik maka akan dilakukan pelatihan terhadap data uji dengan menggunakan
backpropagation. Citra yang telah di upload akan dilakukan preprocessing terlebih
dahulu
dimana
hasil
preprocessing
citra
akan
disimpan
ke
dalam
folder
“Dataset/Training”. Kemudian citra di fitur ektraksi dengan metode GLCM yang hasilnya
disimpan ke dalam file “DataSetGLCM.txt” untuk diambil ciri fiturnya yang selanjutnya
data tersebut akan dilatih dengan menggunakan backpropagation untuk memperoleh
bobot akhir yang akan disimpan ke dalam file “weights.txt”. Setelah selesai pengujian,
akan ditampilkan notifikasi bahwa training setelah selesai diproses. Contoh isi file
“DataSetGLCM.txt” dan “weights.txt” dapat dilihat pada Gambar 4.7 dan 4.8.
Gambar 4.7. Contoh Isi File “DataSetGLCM.txt”
Universitas Sumatera Utara
52
Gambar 4.8. Contoh Isi File “weights.txt”
Tampilan setelah proses training dilakukan dapat dilihat pada Gambar4.9.
Gambar 4.9. Tampilan ketika training telah selesai diproses
Setelah training dilakukan, maka dapat dilakukan pengujian sistem pada halaman
testing seperti pada gambar 4.2. Pada halaman testing terdapat button open yang
berfungsi untuk menampilkan kotak dialog dan memilih citra yang akan diuji. Kemudian
setelah dipilih citra yang akan diuji, maka citra yang dipilih akan muncul pada panel
image input. Tampilan tersebut dapat dilihat pada Gambar 4.10.
Universitas Sumatera Utara
53
Gambar 4.10. Tampilan ketika citra telah dipilih
Setelah citra tampil pada panel image input, maka button process akan aktif.
Button process berfungsi untuk memproses citra yang telah diinput. Proses yang terjadi
terdiri dari preprocessing (resize, grayscale, morphological close, dan optic disc
elimination), feature extraction, dan classification dengan backpropagation neural
network. Hasil dari semua proses tersebut akan muncul pada panel masing-masing. Hasil
dari preprocessing disimpan ke dalam folder “image” dan akan muncul pada tiap panel
preprocessing di halaman testing, hasil ekstraksi ciri juga akan ditampilkan pada panel
feature extraction yang terdiri dari nilai dari hasil GLCM yang juga disimpan ke dalam
file “DataSetGLCM1.txt” untuk selanjutnya digunakan pada proses backpropagation arah
maju (feedforward), karena sebelumya nilai bobot sudah diperoleh pada saat pelatihan.
Setelah dilakukan pengujian maka hasil identifikasi akan ditampilkan pada panel result.
Tampilan pada proses-proses tersebut dapat dilihat pada Gambar 4.11.
Universitas Sumatera Utara
54
Gambar 4.11. Tampilan setelah citra diproses
Hasil dari masing-masing tahapan pada preprocessing dapat dilihat pada Gambar 4.12,
Gambar 4.13, Gambar 4.14, Gambar 4.15, Gambar 4.16, Gambar 4.17.
Gambar 4.12. Hasil citra setelah di resize
Gambar 4.13. Hasil citra grayscale
Universitas Sumatera Utara
55
Gambar 4.14. Hasil citra morphological
Gambar 4.15. Hasil citra thresholding
close operation
Gambar 4.16. Hasil citra erosion
Gambar 4.17. Hasil citra inversion
Setelah dilakukan preprocessing selanjutnya dilakukan ekstraksi fitur. Hasil dari
feature extraction disimpan dalam format .txt dengan nama DataSetGLCM1.txt. Contoh
isi file hasil fitur ekstraksi pada proses pengujian dapat dilihat pada Gambar 4.18.
Universitas Sumatera Utara
56
Gambar 4.18. Contoh Isi File “DataSetGLCM1.txt”
Output yang diperoleh dari tahapan-tahapan sebelumnya kemudian ditampilkan
pada panel result apakah citra normal atau terdapat indikasi retinoblastoma. Jika terdapat
indikasi retinoblastoma maka akan ditampilkan persentase dari indikasinya dengan
menghitung luas tumor dibandingkan dengan luas retina mata yang sudah dikurangi
dengan luas keseluruhan citra. Luas tumor diperoleh dari jumlah piksel putih pada citra
hasil thresholding yang belum mengalami penipisan piksel (erosion) sedangkan luas
retina diperoleh dari pengurangan total piksel citra yang telah di resize dengan jumlah
piksel hitam yang mengelilingi retina mata. Rumus untuk menghitung persentase dari
indikasi retinoblastoma dapat dilihat pada persamaan 4.1.
Persentase =
Jumlah piksel putih
x 100
(4.1)
(Total piksel - Jumlah piksel hitam)
4.3. Pengujian Sistem
Pada tahap ini akan dilakukan pengujian terhadap data dan sistem untuk mengetahui
kemampuan sistem yang dibangun dalam mengidentifikasi penyakit retinoblastoma.
Pengujian data dilakukan terhadap 5 citra retina normal dan 5 citra retina dengan
retinoblastoma. Parameter backpropagation yang digunakan pada tahap pelatihan dapat
dilihat pada table 4.2.
Universitas Sumatera Utara
57
Tabel 4.2. Parameter Backpropagation
No
Parameter
Keterangan
1
Jumlah input neuron
5
2
Jumlah hidden neuron
2
3
Jumlah output neuron
2
4
Fungsi Aktivasi
Sigmoid Biner
5
Maksimum epoch
600
6
Minimum error
0.0
7
Learning rate
0.8
Dalam penentuan parameter yang digunakan pada proses backpropagation,
sebelumnya terlebih dahulu dilakukan percobaan terhadap pemilihan parameter leaning
rate pada proses pelatihan dengan beberapa kali percobaan. Percobaan dilakukan dengan
menggunakan nilai maksimum epoch 600 dan leaning rate yang berbeda-beda.
Berdasarkan percobaan diperoleh hasil bahwa learning rate 0.8 memberikan hasil
pelatihan dengan akurasi 100% dan actual epoch yang cukup sedikit dibandingkan yang
lainnya, sehingga learning rate 0.8 ini dipakai sebagai parameter pada backpropagation.
Hasil pelatihan terhadap pemilihan parameter dapat dilihat pada Gambar 4.19.
Universitas Sumatera Utara
58
Hasil Pelatihan Pemilihan Parameter
100%
90%
80%
Akurasi
70%
60%
50%
40%
30%
20%
10%
0%
0.01
0.05
0.1
0.5
0.8
Actual Epoch
599
599
390
268
86
Akurasi
50%
50%
100%
100%
100%
Gambar 4.19. Grafik hasil pelatihan pemilihan parameter
Hasil identifikasi diagnosis penyakit retinoblastoma dapat dilihat pada Tabel 4.3
dimana hasil pengujian tersebut adalah berdasarkan hasil bobot akhir pelatihan dengan
menggunakan parameter pada Tabel 4.2. Citra uji yang digunakan untuk masing-masing
berjumlah berjumlah 5 sehingga total keseluruhan citra uji adalah 10.
Tabel 4.3. Hasil pengujian identifikasi retinoblastoma
No
1
Nama
21_h.jpg
Citra
Nilai
Desired
Actual
GLCM
Output
Output
0.0, 1.0, 0.0,
Normal
Normal
1.0, 0.0
Universitas Sumatera Utara
59
2
22_h.jpg
0.0, 1.0, 0.0,
Normal
Normal
Normal
Normal
Normal
Normal
1.0, 0.0
3
23_h.jpg
0.0, 1.0, 0.0,
1.0, 0.0
4
24_h.jpg
0.0, 1.0, 0.0,
1.0, 0.0
Universitas Sumatera Utara
60
5
25_h.jpg
0.0, 1.0, 0.0,
Normal
Normal
Rb
Rb
1.0, 0.0
6
rb21.jpg
0.93911548
95078406,
(37%)
0.98916668
65567683,
0.15729848
494671617,
0.85425323
554514,
0.07694243
832226459
7
rb22.jpg
0.32551892
628974016,
Rb
Rb
(59%)
0.99514127
82388555,
0.03702608
644701065,
0.97783987
04063613,
0.02897041
7413701675
Universitas Sumatera Utara
61
8
rb23.jpg
1.33845811
Rb
97444507,
Rb
(39%)
0.98199023
64919343,
0.22367262
191402432,
0.78065164
54664338,
0.11509810
358324285
9
rb24.jpg
1.28229792
Rb
17696524,
Rb
(78%)
0.98485295
72181337,
0.19351569
395260904,
0.81589259
39751358,
0.10598854
826898309
10
rb25.jpg
0.0, 1.0, 0.0,
Rb
Normal
1.0, 0.0
Universitas Sumatera Utara
62
Untuk menghitung akurasi pengujian, persamaan yang digunakan adalah persamaan 4.2.
Akurasi = Jumlah data uji yang benar
x 100
(4.2)
Jumlah data uji keseluruhan
Berdasarkan hasil pada Tabel 4.3, maka akurasi keseluruhan dapat dihitung. Akurasi
keseluruhan diperoleh dengan mengunakan persamaan 4.2 yaitu dengan menambahkan
jumlah actual output yang sesuai dengan desired output dibagi dengan jumlah seluruh
data uji yang digunakan seperti berikut.
Akurasi =
9
x 100 = 90%
10
Dari perhitungan di atas dapat diketahui bahwa tingkat akurasi dari metode
backpropagation neual network dalam mengidentifikasi penyakit retinoblastoma melalui
citra fundus retina mencapai 90%.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
Bab ini akan membahas tentang kesimpulan dari metode yang telah digunakan untuk
mengidentifikasi penyakit retinoblastoma pada bagian 5.1 dan juga saran-saran untuk
pengembangan penelitian berikutnya pada bagian 5.2.
5.1. Kesimpulan
Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem untuk identifikasi
penyakit retinoblastoma dengan menggunakan Backpropagation Neural Network adalah
sebagai berikut :
1. Metode Backpropagation Neural Network mampu melakukan identifikasi penyakit
retinoblastoma melalui citra fundus retina secara baik dengan akurasi sebesar 90%.
2. Berdasarkan hasil percobaan untuk pemilihan parameter yang digunakan , learning
rate 0.8 merupakan nilai yang paling baik dalam mengidentifikasi penyakit
retinoblastoma pada tahap pelatihan.
3. Bentuk dan ukuran tumor yang menyerupai optic disc pada citra fundus menjadi
salah satu kesulitan dalam tahap preprocessing karena
tumor bisa saja ikut
tereliminasi pada saat proses eliminasi optic disc.
4. Kegagalan pengidentifikasian pada salah satu data uji disebabkan oleh kurang
maksimalnya hasil pada tahap preprocessing yang berpengaruh pada nilai fitur
ekstraksi GLCM sehingga mempengaruhi akurasi dalam proses identifikasi
penyakit.
Universitas Sumatera Utara
64
5.2. Saran
Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut :
1. Menggunakan metode pengolahan citra yang sesuai terutama dalam proses
pengeliminasian optic disc agar dapat tereliminasi secara maksimal sehingga
mempermudah dalam pendeteksian tumor.
2. Menggunakan data pelatihan yang lebih banyak sehingga ketika data uji mampu
mendapatkan akurasi yang lebih tinggi.
3. Menggunakan kombinasi metode yang lain dalam tahapan ekstraksi ciri.
4. Menggunakan metode machine learning lainnya untuk membandingkan dengan
hasil identifikasi yang diperoleh dari backpropagation neural network .
Universitas Sumatera Utara