Klasifikasi Pendarahan Otak Menggunakan Metode Extreme Learning Machine
BAB II
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang
berhubungan dengan penerapan metode Extreme Learning Machine untuk
mengklasifikasikan pendarahan pada otak.
2.1
Pendarahan Otak
Pendarahan otak adalah pendarahan yang terjadi di otak dan area di sekitarnya. Otak
merupakan bagian dari sistem saraf pusat, yang tersusun dari sumsum tulang
belakang. Otak adalah organ vital yang terdiri dari 100-200 milyar sel aktif yang
saling berhubungan dan bertanggung jawab atas fungsi mental dan intelektual kita.
Otak terdiri dari sel-sel otak yang disebut neuron (Leonard, 1998). Otak bekerja
dengan berbagai saraf untuk menerima dan mengirim pesan ke berbagai bagian tubuh
dan memberitahu apa yang harus dilakukan dan bagaimana cara melakukannya.
Gambar otak normal dapat dilihat pada Gambar 2.1.
Gambar 2.1. Otak Normal (https://radiopaedia.org)
Otak sendiri merupakan organ tubuh yang sangat lunak dan lembut serta terdiri
dari berbagai bagian. Bagian yang terbesar didominasi oleh serebrum, yang
mengendalikan kemampuan berbicara, ingatan, dan emosi. Ada juga batang otak, yang
Universitas Sumatera Utara
7
memiliki peran penting dalam situasi yang penuh tekanan. Saat seorang berada dalam
tekanan, otak akan memasuki mode melawan-atau-kabur, yang diatur oleh batang
otak. Otak juga mengendalikan tekanan darah dan pernapasan. Otak kecil (serebelum)
merupakan bagian otak yang mengatur pergerakan, keseimbangan, dan interpretasi
dari informasi yang dikirimkan oleh indera manusia. Otak sangat rawan mengalami
kerusakan dan pendarahan. Namun otak memiliki perlindungan yang baik. Otak
dilindungi oleh berbagai lapisan, seperti duramater dan cairan serebrospinal, yang juga
dapat ditemukan di sumsum tulang belakang. Dari luar, otak juga dilindungi oleh
tengkorak, yang terdiri dari berbagai jenis tulang yang saling berhubungan.
Walaupun begitu, ada banyak faktor yang masih dapat menyebabkan pendarahan
pada otak dan area di sekitarnya. Apabila pendarahan menjadi tidak dapat
dikendalikan, maka pendarahan dapat menyebabkan matinya sel otak dan terhentinya
banyak fungsi tubuh. Terkadang pendarahan otak juga dapat menyebabkan
kelumpuhan sementara atau permanen, serta hilangnya kemampuan tertentu, seperti
kemampuan motorik. Terdapat 4 macam jenis pendarahan pada otak, yaitu: (Graham,
1995).
1. Pendarahan Otak Epidural
Epidural adalah adanya darah di ruang Epidural yaitu ruang potensial antara
tabula interna tulang tengkorak dan duramater. Epidural dapat menimbulkan
penurunan kesadaran, adanya lusid interval selama beberapa jam dan
kemudian terjadi defisit neurologis berupa hemiparesis kontralateral dan
dilatasi pupil ipsilateral. Gejala lain yang ditimbulkan antara lain sakit kepala,
muntah, kejang dan hemiparesis (Graham, 1995). Gambar pendarahan otak
Epidural dapat dilihat pada Gambar 2.2.
Gambar 2.2. Pendarahan Otak Epidural (https://radiopaedia.org)
Universitas Sumatera Utara
8
2. Pendarahan Otak Subdural
Pendarahan subdural adalah pendarahan antara dura mater dan araknoid, yang
biasanya meliputi pendarahan vena (Graham, 1995). Gambar pendarahan otak
Subdural dapat dilihat pada Gambar 2.3.
Gambar 2.3. Pendarahan Otak Subdural (https://radiopaedia.org)
3. Pendarahan Otak Subarachnoid
Pendarahan subarachnoid adalah pendarahan antara rongga otak dan lapisan
otak yaitu yang dikenal sebagai ruang Subarachnoid (Graham,1995). Gambar
pendarahan otak Subarachnoid dapat dilihat pada Gambar 2.4.
Gambar 2.4. Pendarahan Otak Subarachnoid (https://radiopaedia.org)
4. Pendarahan Otak Intracerebral
Pendarahan Otak Intracerebral adalah area pendarahan yang homogen dan
konfluen yang terdapat didalam parenkim otak. Pendarahan Intracerebral
Universitas Sumatera Utara
9
bukan disebabkan oleh benturan antara parenkim otak dengan tulang
tengkorak, tetapidisebabkan oleh gaya akselerasi dan deselerasi akibat trauma
yang menyebabkan pecahnya pembuluh darah yang terletak lebih dalam, yaitu
di parenkim otak atau pembuluh darah kortikal dan subkortikal. (Graham,
1995). Gambar pendarahan otak Intracerebral dilihat pada Gambar 2.5.
Gambar 2.5. Pendarahan Otak Intracerebral (https://radiopaedia.org)
2.2
Citra Digital
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek.
Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital.
Citra analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi,
foto sinar X, hasil CT Scan dll. Sedangkan pada citra digital adalah citra yang dapat
diolah oleh komputer (T,Sutoyo et al. 2009: 9).
Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M
kolom N baris, dimana perpotongan antara kolom dan baris disebut piksel ( piksel =
picture element), yaitu elemen terkecil dari sebuah citra. Piksel mempunyai dua
parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada
koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di titik itu.
Citra digital adalah citra dua dimensi yang dapat ditampilkan pada layar monitor
komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut pixel
(picture elements). Pixel adalah elemen citra yang memiliki nilai yang menunjukkan
intensitas warna. Berdasarkan cara penyimpanan atau pembentukannya, citra digital
dapat dibagi menjadi dua jenis. Jenis pertama adalah citra digital yang dibentuk oleh
Universitas Sumatera Utara
10
kumpulan pixel dalam array dua dimensi. Citra jenis ini disebut citra bitmap atau citra
raster. Jenis citra yang kedua adalah citrayang dibentuk oleh fungsi-fungsi geometri
dan matematika.Jenis citra ini disebutgrafik vektor. Citra digital (diskrit) dihasilkan
dari citra analog (kontinu) melalui digitalisasi. Digitalisasi citra analog terdiri dari
sampling danquantitazion. Sampling adalah pembagian citra ke dalam elemen-elemen
diskrit (pixel), sedangkan quantitazion adalah pemberian nilai intensitas warna pada
setiap pixel dengan nilai yang berupa bilangan bulat (G.W. Awcock, 1996). Citra
digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah
koordinat spasial dan nilai f(x,y) adalah brightness level dari citra pada koordinat
tersebut, hal tersebut diilustrasikan pada Gambar 2.6.
Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital
berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasidari tiga
warna dasar, yaitu merah, hijau dan biru (Red, Green, Blue - RGB).
Gambar 2.6. Citra Digital (Nixon dan Aguado, 2002)
2.3 Grayscale
Suatu citra Grayscale adalah suatu citra yang hanya memiliki warna tingkat keabuan.
Penggunaan citra Grayscale dikarenakan membutuhkan sedikit informasi yang
diberikan pada tiap piksel dibandingkan dengan citra berwarna. Warna abu-abu pada
citra Grayscale adalah warna R (Red), G (Green), B (Blue) yang memiliki intensitas
yang sama. Sehingga dalam Grayscale Image hanya membutuhkan nilai intensitas
tunggal dibandingkan dengan citra berwarna membutuhkan tiga intensitas untuk tiap
Universitas Sumatera Utara
11
pikselnya. Intensitas dari citra Grayscale disimpan dalam 8 Bit Integer yang
memberikan 256 kemungkinan yang mana dimulai dari level 0 sampai dengan 255 (0
untuk hitam dan 255 untuk putih dan nilai diantaranya adalah derajat keabuan).
S=
�+�+�
…………………….. 2.1
2.4 Scaling
Scaling bertujuan untuk mengubah ukuran pixel menjadi pixel ukuran M x N. Hal ini
dilakukan karena setiap citra yang diolah belum tentu mempunyai ukuran yang sama.
Scaling juga digunakan untuk memperkecil citra digital agar jumlah Pixel yang akan
diolah tidak terlalu banyak. Semakin banyak jumlah Pixel maka semakin banyak data
inputan. Sehingga menyebabkan semakin lama waktu komputasi.
Rumus yang digunakan :
′ =Sh
′ =Sv
{
>
<
…………………….. 2.2
Keterangan :
Sh = faktor skala horisontal
Sv = faktor skala vertical
2.5 Binerisasi
Binerisasi adalah proses mengubah citra berderajat keabuan menjadi citra biner atau
hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan
Background dari citra secara jelas. Input untuk proses tresholding adalah Grayscale
Image. Output dari proses ini adalah Binary Image. Thresholding digunakan untuk
memisahkan bagian citra yang dibutuhkan menghilangkan bagian citra yang tidak
dibutuhkan. Dalam pelaksanaannya Thresholding membutuhkan suatu nilai yang
Universitas Sumatera Utara
12
digunakan sebagai nilai pembatas antara intensitas objek objek utama dengan latar
belakang, dan nilai tersebut dinamakan dengan Threshold.
Thresholding digunakan untuk mempartisi citra dengan mengatur nilai
intensitas semua piksel yang lebih besar dari nilai Threshold T sebagai latar depan dan
yang lebih kecil dari nilai Threshold T sebagai latar belakang atau sebaliknya.
� �, � = {
�� � �, � > T
…………………….. 2.3
�� � �, �
T
2.6 Extreme Learning Machine
Extreme Learning Machine (ELM) adalah metode baru yang merupakan bagian dari
jaringan syaraf tiruan. ELM termasuk pada Feedforward Neural Network yang
memiliki satu Single Hidden Layer (Sun et al, 2008). Metode ELM dipercaya dapat
mengatasi permasalah Learning Speed yang selama ini terjadi pada metode-metode
lain pada Feed-Forward Neural Networks (Huang et al, 2005). Menurut mereka
terdapat dua alasan kenapa Feed-Forward Neural Networks memiliki Learning Speed
yang rendah :
1. Feedforward neural networks menggunakan Slow Gradient Based Learning
Algorithm dalam melakukan proses Training.
2. Semua parameter pada jaringan ditentukan secara Iterative dengan
menggunakan metode pembelajaran tersebut.
Parameter yang dimaksud disini adalah Input Weight dan Hidden bias yang
berhubungan antar Layer sehingga Learning Speed berjalan sangat lama dan kejadian
terjebak dalam Local Minima sering terjadi (Huang et al, 2005). Sedangkan pada
ELM, Input Weight dan Hidden bias dipilih secara acak sehingga menghasilkan
Learning Speed yang cepat dan mampu menghasilkan performa yang baik. Arsitektur
Extreme Learning Machine dapat dilihat pada gambar 2.7.
Universitas Sumatera Utara
13
Gambar 2.7. Arsitektur Extreme Learning Machine (Sinuhaji, 2009)
ELM memanfaatkan teori Invers matrik dalam proses pembelajarannya. Teori
yang digunakan adalah Moore Penrose Pseudoinverse. Gambar 2.7 menunjukkan
sebuah model sederhana Single-Hidden Layer Feedforward Networks (SLFNs) yang
merupakan struktur umum dari ELM. Diberikan sebanyak n input, m Neuron pada
Hidden Layer dan fungsi aktivasi g(x). Misalkan X = [x1, x2, x3, … xn] dengan xi
merupakan nilai Input pada jaringan tersebut. α merupakan matriks bobot penghubung
Input Layer dan Hidden Layer maka α matriks mempunyai ukuran n x m. Penentuan
nilai elemen-elemen matrik tersebut dilakukan secara acak. Kemudian setiap nilai
tersebut diolah pada Hidden Layer menggunakan fungsi aktivasi tertentu dan nilai
tersebut dihimpun dalam sebuah matrik H dengan ordo lxm (H = [h1,h2,h3,… hn]).
Moore Penrose Pseudoinverse digunakan untuk menentukan nilai bobot antara
Hidden Layer dan Output Layer β.
Metode ELM memiliki model matematis yang berbeda dengan Feed-Forward
Neural Networks pada umumnya, dimana model matematis ELM berbentuk lebih
sederhana dan lebih efektif. Berikut ini merupakan rumusan metode ELM untuk N
jumlah sample yang berbeda (Xi, ti) (Agustina et al, 2010).
=[
+
,……
]� ∈ � …………………….. (2.4)
Universitas Sumatera Utara
14
=[
�
+
�
,……
�
]� ∈ � …………………….. (2.5)
Standar SLFNs dengan jumlah Hidden Nodes sebanyak N dan fungsi aktivasi g(x)
dapat dirumuskan sebagai berikut (Agustina et al, 2010) :
= ∑�=
∑�=
�
�
= 1, 2, ...., N
Dimana :
=(
1, 2, …,
�
.
+
=
…………………….. (2.6)
) �, merupakan vektor dari Weight yang menghubungkan i
th Hidden Nodes dan Input Nodes.
= ( 1, 2, …,
)�, merupakan Weight Vector yang menghubungkan i th
Hidden Nodes dan Input Nodes.
= Treshold dari i th Hidden Nodes.
= Inner product dari Wi dan Xj
SLFNs dengan N Hidden Nodes dan Activation Function g(x) diasumsikan dapat
memperkirakan dengan tingkat error 0 dirumuskan sebagai berikut (Agustina et al,
2010) :
∑�= ||
Sehingga
∑�=
�
− || = …………………….. (2.7)
=
.
+
= …………………….. (2.8)
Persamaan 2.8 di atas dapat disempurnakan lagi menjadi sebagai berikut:
�
= �…………………….. (2.9)
Dimana :
� = Hidden Layer dari Output matriks.
= Output Weight.
� = Matriks dari target atau Output.
Universitas Sumatera Utara
15
Pada ELM Input Weight dan Hidden bias ditentukan secara random, maka Output
Weight yang berhubungan dengan Hidden Layer dirumuskan sebagai berikut :
= �+�…………………….. (2.10)
2.7 Penelitian Terdahulu
Beberapa penelitian telah dilakukan untuk deteksi tumor otak. Penelitian yang pernah
dilakukan Herlina Pitasari pada tahun 2010 dengan judul Deteksi Tumor Otak dengan
menggunaka metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ).
Pada penelitian ini, untuk mengolah citra sistem menggunakan Grayscale, segmentasi,
dan Histogram. Dalam mengklasifikasi tumor otak, tingkat akurasi yang dicapai
metode Learning Vector Quantization adalah sebesar 80%.
Penelitian ini dilakukan oleh Sumijan dan Julius Santony pada tahun 2014.
Analisis Citra Otak Untuk Prediksi Jenis Cedera Otak Menggunakan Jaringan Syaraf
Tiruan Backpropogation.Proses pengolahan citra menggunakan segmentasi dan
ekstraksi fitur menggunakan Principle Component Analysis (PCA). metode
Backpropogation menggunakan bebeparapa layer untuk mendapatkan hasil yang ingin
diperoleh. Membutuhkan estimasi waktu yang lama dalam proses tersebut.
Penelitian yang dilakukan oleh Sonu Suhag dan Lalit Mohan Saini pada tahun
2015. Penelitian yang berjudul Automatic Brain Tumor Detection And Classification
Using SVM. Dalam Penelitian ini, Metode yang digunakan untuk mendeteksi tumor
otak adalah Support Vector Machine. Proses pengolahan citra menggunakan
Segmentasi dan fitur ekstraksi menggunakan metode A Gray Level Co-occurrence
Matrix (GLCM). Data yang digunakan untuk pengujian sebanyak 36 abnormal dan
sepuluh yang normal. Tingkat akurasi yang dihasilkan SVM dalam mengklasifikasi
mencapai 91%.
Penelitian yang dilakukan oleh M.Gomathi dan Thangaraj pada tahun 2010 yang
berjudul A Computer Aided Diagnosis System For Detection Of Lung Cancer
Nodules Using Extreme Learning Machine. Sistem melakukan proses segmentasi dan
ekstraksi fitur Principle Component Analysis (PCA) untuk mendeteksi citra lambung
yang normal dengan citra kanker lambung . Metode yang digunakan pada penelitian
Universitas Sumatera Utara
16
adalah Extreme Learning Machine. Hasilnya sangat memuaskan ELM mampu
mengklasifikasi gambar dengan baik dan menghasilkan tingkat akurasi mencapai
94%. Extreme Learning Machine memiliki kelebihan dalam Learning Speed.
Penelitian yang dilakukan oleh Murdoko dan Saparudin pada tahun 2015 dengan
judul Klasifikasi Citra Daun Tanaman Menggunakan Metode Extreme Learning
Machine. Pada penelitian ini, untuk mengolah citra menggunakan Grayscale,
Histogram dan GLCM. Dalam mengklsifikasi citra daun, Tingkat akurasi yang
didapatkan dalam penelitian ini mencapai 92,9%.
Penelitian yang dilakukan oleh Danika trientin, Achmad Rizal dan Suryo Adi
Wibowo pada tahaun 2016 dengan judul Identifikasi Awal Penyakit Tuberculosis
Berdasarkan Citra Rontgen Paru Manusia Berbasis Jaringan Syaraf Tiruan ELM
(Extreme Learning Machine). Dalam penelitian ini, pengolahan citra dilakukan
dengan menggunakan tahapan Threshold kemudian nilai yang dihasilkan Threshold
digunakan sebagai nilai masukan untuk proses jaringan syaraf tiruan Extreme
Learning Machine. Akurasi yang dihasilkan pada penelitian inimencapai 100%.
Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada
Tabel 2.1.
Tabel 2.1. Penelitian Terdahulu
No
1.
Peneliti
Sumijan
dan
Tahun
Metode
Akurasi
2014
Backpropagation
-
2010
Extreme Learning Machine
94%
2010
Learning Vector Quantization
80%
2015
Support Vector Machine
91%
Julius Santony
2.
M.
Gomathi
dan Thangaraj
3.
Herlina
Pitasari
4.
Sonu
dan
Suhag
Lalit
Mohan Saini
Universitas Sumatera Utara
17
Tabel 2.1. Penelitian Terdahulu (lanjutan)
No
Peneliti
Tahun
Metode
Akurasi
5.
Murdoko dan
2015
Extreme Learning Machine
92,9%
Saparudin
6.
Danika
2016
Extreme Learning Machine
100%
Trientin et al
Universitas Sumatera Utara
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang
berhubungan dengan penerapan metode Extreme Learning Machine untuk
mengklasifikasikan pendarahan pada otak.
2.1
Pendarahan Otak
Pendarahan otak adalah pendarahan yang terjadi di otak dan area di sekitarnya. Otak
merupakan bagian dari sistem saraf pusat, yang tersusun dari sumsum tulang
belakang. Otak adalah organ vital yang terdiri dari 100-200 milyar sel aktif yang
saling berhubungan dan bertanggung jawab atas fungsi mental dan intelektual kita.
Otak terdiri dari sel-sel otak yang disebut neuron (Leonard, 1998). Otak bekerja
dengan berbagai saraf untuk menerima dan mengirim pesan ke berbagai bagian tubuh
dan memberitahu apa yang harus dilakukan dan bagaimana cara melakukannya.
Gambar otak normal dapat dilihat pada Gambar 2.1.
Gambar 2.1. Otak Normal (https://radiopaedia.org)
Otak sendiri merupakan organ tubuh yang sangat lunak dan lembut serta terdiri
dari berbagai bagian. Bagian yang terbesar didominasi oleh serebrum, yang
mengendalikan kemampuan berbicara, ingatan, dan emosi. Ada juga batang otak, yang
Universitas Sumatera Utara
7
memiliki peran penting dalam situasi yang penuh tekanan. Saat seorang berada dalam
tekanan, otak akan memasuki mode melawan-atau-kabur, yang diatur oleh batang
otak. Otak juga mengendalikan tekanan darah dan pernapasan. Otak kecil (serebelum)
merupakan bagian otak yang mengatur pergerakan, keseimbangan, dan interpretasi
dari informasi yang dikirimkan oleh indera manusia. Otak sangat rawan mengalami
kerusakan dan pendarahan. Namun otak memiliki perlindungan yang baik. Otak
dilindungi oleh berbagai lapisan, seperti duramater dan cairan serebrospinal, yang juga
dapat ditemukan di sumsum tulang belakang. Dari luar, otak juga dilindungi oleh
tengkorak, yang terdiri dari berbagai jenis tulang yang saling berhubungan.
Walaupun begitu, ada banyak faktor yang masih dapat menyebabkan pendarahan
pada otak dan area di sekitarnya. Apabila pendarahan menjadi tidak dapat
dikendalikan, maka pendarahan dapat menyebabkan matinya sel otak dan terhentinya
banyak fungsi tubuh. Terkadang pendarahan otak juga dapat menyebabkan
kelumpuhan sementara atau permanen, serta hilangnya kemampuan tertentu, seperti
kemampuan motorik. Terdapat 4 macam jenis pendarahan pada otak, yaitu: (Graham,
1995).
1. Pendarahan Otak Epidural
Epidural adalah adanya darah di ruang Epidural yaitu ruang potensial antara
tabula interna tulang tengkorak dan duramater. Epidural dapat menimbulkan
penurunan kesadaran, adanya lusid interval selama beberapa jam dan
kemudian terjadi defisit neurologis berupa hemiparesis kontralateral dan
dilatasi pupil ipsilateral. Gejala lain yang ditimbulkan antara lain sakit kepala,
muntah, kejang dan hemiparesis (Graham, 1995). Gambar pendarahan otak
Epidural dapat dilihat pada Gambar 2.2.
Gambar 2.2. Pendarahan Otak Epidural (https://radiopaedia.org)
Universitas Sumatera Utara
8
2. Pendarahan Otak Subdural
Pendarahan subdural adalah pendarahan antara dura mater dan araknoid, yang
biasanya meliputi pendarahan vena (Graham, 1995). Gambar pendarahan otak
Subdural dapat dilihat pada Gambar 2.3.
Gambar 2.3. Pendarahan Otak Subdural (https://radiopaedia.org)
3. Pendarahan Otak Subarachnoid
Pendarahan subarachnoid adalah pendarahan antara rongga otak dan lapisan
otak yaitu yang dikenal sebagai ruang Subarachnoid (Graham,1995). Gambar
pendarahan otak Subarachnoid dapat dilihat pada Gambar 2.4.
Gambar 2.4. Pendarahan Otak Subarachnoid (https://radiopaedia.org)
4. Pendarahan Otak Intracerebral
Pendarahan Otak Intracerebral adalah area pendarahan yang homogen dan
konfluen yang terdapat didalam parenkim otak. Pendarahan Intracerebral
Universitas Sumatera Utara
9
bukan disebabkan oleh benturan antara parenkim otak dengan tulang
tengkorak, tetapidisebabkan oleh gaya akselerasi dan deselerasi akibat trauma
yang menyebabkan pecahnya pembuluh darah yang terletak lebih dalam, yaitu
di parenkim otak atau pembuluh darah kortikal dan subkortikal. (Graham,
1995). Gambar pendarahan otak Intracerebral dilihat pada Gambar 2.5.
Gambar 2.5. Pendarahan Otak Intracerebral (https://radiopaedia.org)
2.2
Citra Digital
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek.
Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital.
Citra analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi,
foto sinar X, hasil CT Scan dll. Sedangkan pada citra digital adalah citra yang dapat
diolah oleh komputer (T,Sutoyo et al. 2009: 9).
Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M
kolom N baris, dimana perpotongan antara kolom dan baris disebut piksel ( piksel =
picture element), yaitu elemen terkecil dari sebuah citra. Piksel mempunyai dua
parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada
koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di titik itu.
Citra digital adalah citra dua dimensi yang dapat ditampilkan pada layar monitor
komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut pixel
(picture elements). Pixel adalah elemen citra yang memiliki nilai yang menunjukkan
intensitas warna. Berdasarkan cara penyimpanan atau pembentukannya, citra digital
dapat dibagi menjadi dua jenis. Jenis pertama adalah citra digital yang dibentuk oleh
Universitas Sumatera Utara
10
kumpulan pixel dalam array dua dimensi. Citra jenis ini disebut citra bitmap atau citra
raster. Jenis citra yang kedua adalah citrayang dibentuk oleh fungsi-fungsi geometri
dan matematika.Jenis citra ini disebutgrafik vektor. Citra digital (diskrit) dihasilkan
dari citra analog (kontinu) melalui digitalisasi. Digitalisasi citra analog terdiri dari
sampling danquantitazion. Sampling adalah pembagian citra ke dalam elemen-elemen
diskrit (pixel), sedangkan quantitazion adalah pemberian nilai intensitas warna pada
setiap pixel dengan nilai yang berupa bilangan bulat (G.W. Awcock, 1996). Citra
digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah
koordinat spasial dan nilai f(x,y) adalah brightness level dari citra pada koordinat
tersebut, hal tersebut diilustrasikan pada Gambar 2.6.
Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital
berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasidari tiga
warna dasar, yaitu merah, hijau dan biru (Red, Green, Blue - RGB).
Gambar 2.6. Citra Digital (Nixon dan Aguado, 2002)
2.3 Grayscale
Suatu citra Grayscale adalah suatu citra yang hanya memiliki warna tingkat keabuan.
Penggunaan citra Grayscale dikarenakan membutuhkan sedikit informasi yang
diberikan pada tiap piksel dibandingkan dengan citra berwarna. Warna abu-abu pada
citra Grayscale adalah warna R (Red), G (Green), B (Blue) yang memiliki intensitas
yang sama. Sehingga dalam Grayscale Image hanya membutuhkan nilai intensitas
tunggal dibandingkan dengan citra berwarna membutuhkan tiga intensitas untuk tiap
Universitas Sumatera Utara
11
pikselnya. Intensitas dari citra Grayscale disimpan dalam 8 Bit Integer yang
memberikan 256 kemungkinan yang mana dimulai dari level 0 sampai dengan 255 (0
untuk hitam dan 255 untuk putih dan nilai diantaranya adalah derajat keabuan).
S=
�+�+�
…………………….. 2.1
2.4 Scaling
Scaling bertujuan untuk mengubah ukuran pixel menjadi pixel ukuran M x N. Hal ini
dilakukan karena setiap citra yang diolah belum tentu mempunyai ukuran yang sama.
Scaling juga digunakan untuk memperkecil citra digital agar jumlah Pixel yang akan
diolah tidak terlalu banyak. Semakin banyak jumlah Pixel maka semakin banyak data
inputan. Sehingga menyebabkan semakin lama waktu komputasi.
Rumus yang digunakan :
′ =Sh
′ =Sv
{
>
<
…………………….. 2.2
Keterangan :
Sh = faktor skala horisontal
Sv = faktor skala vertical
2.5 Binerisasi
Binerisasi adalah proses mengubah citra berderajat keabuan menjadi citra biner atau
hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan
Background dari citra secara jelas. Input untuk proses tresholding adalah Grayscale
Image. Output dari proses ini adalah Binary Image. Thresholding digunakan untuk
memisahkan bagian citra yang dibutuhkan menghilangkan bagian citra yang tidak
dibutuhkan. Dalam pelaksanaannya Thresholding membutuhkan suatu nilai yang
Universitas Sumatera Utara
12
digunakan sebagai nilai pembatas antara intensitas objek objek utama dengan latar
belakang, dan nilai tersebut dinamakan dengan Threshold.
Thresholding digunakan untuk mempartisi citra dengan mengatur nilai
intensitas semua piksel yang lebih besar dari nilai Threshold T sebagai latar depan dan
yang lebih kecil dari nilai Threshold T sebagai latar belakang atau sebaliknya.
� �, � = {
�� � �, � > T
…………………….. 2.3
�� � �, �
T
2.6 Extreme Learning Machine
Extreme Learning Machine (ELM) adalah metode baru yang merupakan bagian dari
jaringan syaraf tiruan. ELM termasuk pada Feedforward Neural Network yang
memiliki satu Single Hidden Layer (Sun et al, 2008). Metode ELM dipercaya dapat
mengatasi permasalah Learning Speed yang selama ini terjadi pada metode-metode
lain pada Feed-Forward Neural Networks (Huang et al, 2005). Menurut mereka
terdapat dua alasan kenapa Feed-Forward Neural Networks memiliki Learning Speed
yang rendah :
1. Feedforward neural networks menggunakan Slow Gradient Based Learning
Algorithm dalam melakukan proses Training.
2. Semua parameter pada jaringan ditentukan secara Iterative dengan
menggunakan metode pembelajaran tersebut.
Parameter yang dimaksud disini adalah Input Weight dan Hidden bias yang
berhubungan antar Layer sehingga Learning Speed berjalan sangat lama dan kejadian
terjebak dalam Local Minima sering terjadi (Huang et al, 2005). Sedangkan pada
ELM, Input Weight dan Hidden bias dipilih secara acak sehingga menghasilkan
Learning Speed yang cepat dan mampu menghasilkan performa yang baik. Arsitektur
Extreme Learning Machine dapat dilihat pada gambar 2.7.
Universitas Sumatera Utara
13
Gambar 2.7. Arsitektur Extreme Learning Machine (Sinuhaji, 2009)
ELM memanfaatkan teori Invers matrik dalam proses pembelajarannya. Teori
yang digunakan adalah Moore Penrose Pseudoinverse. Gambar 2.7 menunjukkan
sebuah model sederhana Single-Hidden Layer Feedforward Networks (SLFNs) yang
merupakan struktur umum dari ELM. Diberikan sebanyak n input, m Neuron pada
Hidden Layer dan fungsi aktivasi g(x). Misalkan X = [x1, x2, x3, … xn] dengan xi
merupakan nilai Input pada jaringan tersebut. α merupakan matriks bobot penghubung
Input Layer dan Hidden Layer maka α matriks mempunyai ukuran n x m. Penentuan
nilai elemen-elemen matrik tersebut dilakukan secara acak. Kemudian setiap nilai
tersebut diolah pada Hidden Layer menggunakan fungsi aktivasi tertentu dan nilai
tersebut dihimpun dalam sebuah matrik H dengan ordo lxm (H = [h1,h2,h3,… hn]).
Moore Penrose Pseudoinverse digunakan untuk menentukan nilai bobot antara
Hidden Layer dan Output Layer β.
Metode ELM memiliki model matematis yang berbeda dengan Feed-Forward
Neural Networks pada umumnya, dimana model matematis ELM berbentuk lebih
sederhana dan lebih efektif. Berikut ini merupakan rumusan metode ELM untuk N
jumlah sample yang berbeda (Xi, ti) (Agustina et al, 2010).
=[
+
,……
]� ∈ � …………………….. (2.4)
Universitas Sumatera Utara
14
=[
�
+
�
,……
�
]� ∈ � …………………….. (2.5)
Standar SLFNs dengan jumlah Hidden Nodes sebanyak N dan fungsi aktivasi g(x)
dapat dirumuskan sebagai berikut (Agustina et al, 2010) :
= ∑�=
∑�=
�
�
= 1, 2, ...., N
Dimana :
=(
1, 2, …,
�
.
+
=
…………………….. (2.6)
) �, merupakan vektor dari Weight yang menghubungkan i
th Hidden Nodes dan Input Nodes.
= ( 1, 2, …,
)�, merupakan Weight Vector yang menghubungkan i th
Hidden Nodes dan Input Nodes.
= Treshold dari i th Hidden Nodes.
= Inner product dari Wi dan Xj
SLFNs dengan N Hidden Nodes dan Activation Function g(x) diasumsikan dapat
memperkirakan dengan tingkat error 0 dirumuskan sebagai berikut (Agustina et al,
2010) :
∑�= ||
Sehingga
∑�=
�
− || = …………………….. (2.7)
=
.
+
= …………………….. (2.8)
Persamaan 2.8 di atas dapat disempurnakan lagi menjadi sebagai berikut:
�
= �…………………….. (2.9)
Dimana :
� = Hidden Layer dari Output matriks.
= Output Weight.
� = Matriks dari target atau Output.
Universitas Sumatera Utara
15
Pada ELM Input Weight dan Hidden bias ditentukan secara random, maka Output
Weight yang berhubungan dengan Hidden Layer dirumuskan sebagai berikut :
= �+�…………………….. (2.10)
2.7 Penelitian Terdahulu
Beberapa penelitian telah dilakukan untuk deteksi tumor otak. Penelitian yang pernah
dilakukan Herlina Pitasari pada tahun 2010 dengan judul Deteksi Tumor Otak dengan
menggunaka metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ).
Pada penelitian ini, untuk mengolah citra sistem menggunakan Grayscale, segmentasi,
dan Histogram. Dalam mengklasifikasi tumor otak, tingkat akurasi yang dicapai
metode Learning Vector Quantization adalah sebesar 80%.
Penelitian ini dilakukan oleh Sumijan dan Julius Santony pada tahun 2014.
Analisis Citra Otak Untuk Prediksi Jenis Cedera Otak Menggunakan Jaringan Syaraf
Tiruan Backpropogation.Proses pengolahan citra menggunakan segmentasi dan
ekstraksi fitur menggunakan Principle Component Analysis (PCA). metode
Backpropogation menggunakan bebeparapa layer untuk mendapatkan hasil yang ingin
diperoleh. Membutuhkan estimasi waktu yang lama dalam proses tersebut.
Penelitian yang dilakukan oleh Sonu Suhag dan Lalit Mohan Saini pada tahun
2015. Penelitian yang berjudul Automatic Brain Tumor Detection And Classification
Using SVM. Dalam Penelitian ini, Metode yang digunakan untuk mendeteksi tumor
otak adalah Support Vector Machine. Proses pengolahan citra menggunakan
Segmentasi dan fitur ekstraksi menggunakan metode A Gray Level Co-occurrence
Matrix (GLCM). Data yang digunakan untuk pengujian sebanyak 36 abnormal dan
sepuluh yang normal. Tingkat akurasi yang dihasilkan SVM dalam mengklasifikasi
mencapai 91%.
Penelitian yang dilakukan oleh M.Gomathi dan Thangaraj pada tahun 2010 yang
berjudul A Computer Aided Diagnosis System For Detection Of Lung Cancer
Nodules Using Extreme Learning Machine. Sistem melakukan proses segmentasi dan
ekstraksi fitur Principle Component Analysis (PCA) untuk mendeteksi citra lambung
yang normal dengan citra kanker lambung . Metode yang digunakan pada penelitian
Universitas Sumatera Utara
16
adalah Extreme Learning Machine. Hasilnya sangat memuaskan ELM mampu
mengklasifikasi gambar dengan baik dan menghasilkan tingkat akurasi mencapai
94%. Extreme Learning Machine memiliki kelebihan dalam Learning Speed.
Penelitian yang dilakukan oleh Murdoko dan Saparudin pada tahun 2015 dengan
judul Klasifikasi Citra Daun Tanaman Menggunakan Metode Extreme Learning
Machine. Pada penelitian ini, untuk mengolah citra menggunakan Grayscale,
Histogram dan GLCM. Dalam mengklsifikasi citra daun, Tingkat akurasi yang
didapatkan dalam penelitian ini mencapai 92,9%.
Penelitian yang dilakukan oleh Danika trientin, Achmad Rizal dan Suryo Adi
Wibowo pada tahaun 2016 dengan judul Identifikasi Awal Penyakit Tuberculosis
Berdasarkan Citra Rontgen Paru Manusia Berbasis Jaringan Syaraf Tiruan ELM
(Extreme Learning Machine). Dalam penelitian ini, pengolahan citra dilakukan
dengan menggunakan tahapan Threshold kemudian nilai yang dihasilkan Threshold
digunakan sebagai nilai masukan untuk proses jaringan syaraf tiruan Extreme
Learning Machine. Akurasi yang dihasilkan pada penelitian inimencapai 100%.
Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada
Tabel 2.1.
Tabel 2.1. Penelitian Terdahulu
No
1.
Peneliti
Sumijan
dan
Tahun
Metode
Akurasi
2014
Backpropagation
-
2010
Extreme Learning Machine
94%
2010
Learning Vector Quantization
80%
2015
Support Vector Machine
91%
Julius Santony
2.
M.
Gomathi
dan Thangaraj
3.
Herlina
Pitasari
4.
Sonu
dan
Suhag
Lalit
Mohan Saini
Universitas Sumatera Utara
17
Tabel 2.1. Penelitian Terdahulu (lanjutan)
No
Peneliti
Tahun
Metode
Akurasi
5.
Murdoko dan
2015
Extreme Learning Machine
92,9%
Saparudin
6.
Danika
2016
Extreme Learning Machine
100%
Trientin et al
Universitas Sumatera Utara