29
CLAHE digunakan untuk meningkatkan kualitas citra menjadi lebih baik lagi dengan mengatur kekontrasan citra sehingga dapat menampilkan bagian-
bagian yang gelap atau tidak terlihat Pertiwi, 2011.
b. Feature extraction
Citra input harus berupa citra grayscale, jika tidak maka citra tersebut akan dikonversi ke dalam bentuk citra berskala keabuan selanjutnya akan diubah
menjadi matriks GLCM yaitu suatu matriks yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak
spasial sehingga menghasilkan fitur-fitur dengan tingkat diskriminator yang diinginkan.
Penelitian ini akan menggunakan 4 matriks GLCM dalam menentukan fitur pada citra bone radiograph, yaitu GLCM dengan jarak spasial 1 dan sudut
o
, GLCM dengan jarak spasial 1 dan sudut 45
o
, GLCM dengan jarak spasial 1 dan sudut 90
o
, dan GLCM dengan jarak spasial 1 dan sudut 135
o
. Dari 14 fitur tekstur yang disarankan oleh Haralick et al. 1973, hanya
4 fitur yang akan digunakan pada penelitian ini, keempat fitur tersebut adalah contrast,correlation,energy,
dan homogeneity.
Karena setiap
citra menghasilkan 4 GLCM maka terdapat 16 fitur yang akan terekstrak.
c. Training
Citra dari dataset yang sudah diperbaiki pada tahap preprocessing kemudian akan di ekstrak fiturnya menggunakan GLCM. Hasil dari ektraksi fitur tersebut
disimpan di dalam vektor fitur kemudian dilakukan proses pelatihan pada jaringan ECoS sehingga sistem mampu mengidentifikasi citra bone
radiograph. Sebuah jaringan ECoS setidaknya memiliki satu layar neuron yang berevolusi evolving layer. Evolving layer adalah layer konstruktif yang
akan berkembang dan mengadaptasikan dirinya terhadap data-data yang dimasukkan. Pelatihan dengan menggunakan algoritma ECoS melibatkan
empat parameter yaitu sensitivity threshold S
thr
, error threshold E
thr
, dan dua buah learning rate
� dan � . Sensitivity threshold dan error threshold
Universitas Sumatera Utara
30
merupakan parameter yang menentukan penambahan neuron baru pada jaringan ECoS. Arsitektur umum dari ECoS dapat dilihat pada Gambar 3.2.
Gambar 3.2 General ECoS architecture Watts, 2009
d. Classification
