Data Yang Digunakan Perancangan sistem

BAB 3 ANALISIS DAN PERANCANGAN

Pada bab ini akan membahas analisis metode Self-organizing Map SOM pada sistem, dan tahapan-tahapan yang digunakan dalam perancangan sistem yang akan dibangun.

3.1 Data Yang Digunakan

Data yang digunakan dalam penelitian ini terdiri dari beberapa gambar sel darah merah yang mengalami anemia dan beberapa gambar sel darah merah yang normal. Data ini diambil dari mikroskop digital yang penulis dapatkan dari beberapa orang dokter spesialis patologi. Gambar 3.1 menunjukkan gambar sel darah merah normal dan abnormal. Gambar 3.1: a . Sel darah merah abnormal; b. Sel darah merah normal a b Universitas Sumatera Utara

3.2 Analisis Sistem

Analisis sistem bertujuan untuk mengidentifikasi sistem yang akan dikembangkan. Analisis diperlukan sebagai dasar perancangan sistem. 3.2.1 Blok diagram sistem Diagram blok sistem identifikasi sel darah merah normal dan abnormal ditunjukan pada Gambar 3.2 Citra Sel darah merah Pre-proccess citra sel darah merah Pre-proccess Erosi Image Segmentation Boundary Feature Extraction Momen Invariant Roundness Identification classification Self- Organizing Map SOM Tabel hasil klasifikasi eritrosit normal abnormal Thresholding Grayscale Dilasi INPUT OUTPUT Gambar 3.2 Diagram Blok Sistem Identifikasi Sel Darah Normal dan Abnormal Penjelasan dari tahapan diagram blok akan dijelaskan sebagai berikut:

1. Akusisi citra berupa inputan sebuah file citra darah merah yang berformat jipeg .JPG.

2. Tahapan selanjutnya adalah pra-pengolahan dimana terdapat tahapan persiapan citra agar

dapat menghasilkan ciri yang lebih baik pada tahap klasifikasi. Pra-pengolahan yang akan dilakukan meliputi : Universitas Sumatera Utara a. Transformasi citra darah berwarna menjadi citra grayscale merupakan perubahan citra dari citra berwarna menjadi citra grayscale. Citra warna bisa diubah menjadi citra grayscale dengan cara menghitung rata-rata elemen warna Red, Green, dan Blue Putra, 2009. Contoh citra grayscale ditunjukkan pada Gambar 3.3. b. Tahap Pra-pengolahan selanjutnya adalah proses pengambangan thresholding. Proses thresholding berguna untuk mengubah citra grayscale menjadi citra biner. Proses ini untuk membuat citra beraras abu-abu menjadi citra hitam putih. Proses thresholding dapat dilihat pada gambar 3.4 a b Gambar 3.4 Proses thresholding citra sel darah merah a b Gambar 3.3 Proses citra grayscale, a. citra asli; b. citra grayscale Universitas Sumatera Utara c. Selanjutnya untuk mengatasi sel yang diduga bertumpuk dilakukan proses penge- erosi-an citra dengan bertahap, sampai akhirnya diperoleh dua atau lebih objek. Operasi erosi mempunyai efek memperkecil struktur citra. Proses ini akan memperkecil wilayah terang yang dikelilingi oleh wilayah gelap serta akan memperbesar wilayah gelap yang dikelilingi wilayah terang. Proses erosi dapat dilihat pada gambar 3.5 3. Tahap pra-pengolahan terakhir adalah proses dilasi. Operasi dilasi dipakai untuk mendapatkan efek pelebaran terhadap piksel bernilai 1. Tahap ini dilakukan untuk memperbaiki bentuk sel darah merah dari tahap erosi sampai menghasilkan bentuk yang dapat dianalisis sebagai sel darah merah. Proses dilasi dapat dilihat pada gambar 3.6 Tahap selanjutnya yaitu segmentasi. Segmentasi citra merupakan proses yang ditujukan untuk mendapatkan objek-objek yang terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut Kadir Susanto, 2012. Segmentasi yang akan dilakukan adalah pendeteksian boundary. 4. Tahap selanjutnya yaitu ekstraksi ciri feature extraction yang bertujuan untuk mendapatkan ciri dari karakteristik sel darah merah yang telah mengalami tahapan pra- pengolahan dan segmentasi. Ektraksi ciri menggunakan metode: a b Gambar 3.5 Proses erosi citra sel darah merah. Universitas Sumatera Utara a. Momen invariant. Momen Invariant bermanfaat untuk menyatakan objek dengan memperhitungkan area objek sel darah merah. b. Roundness. roundness menggambarkan tingkat kebulatan sel. Bentuk sel darah merah normal memiliki nilai roundness yang besar karena memiliki bentuk cenderung bulat dengan luas area tertentu. Sedangkan objek sel darah merah abnormal cenderung memiliki nilai roundness yang rendah. a b Gambar 3.6 Proses dilasi citra sel darah merah. Gambar 3.7 ekstraksi ciri menggunakan metode momen invariant dan roundness Universitas Sumatera Utara

5. Tahap klasifikasi sel darah merah normal dan abnormal menggunakan teknik Self-

organizing map SOM atau kohonen merupakan sistem jaringan syaraf berbasis kompetisi yang mampu melakukan pembelajaran tanpa terbimbing Unsupervised learning karena memiliki kemampuan mengatur dirinya sendiri self-organizing. Flowchart SOM dapat dilihat pada gambar 3.8. Pada tahap ini SOM digunakan untuk melakukan klasifikasi jenis sel darah merah. Untuk mengklasifikasikan jenis sel darah merah, SOM menggunakan dua kelas yaitu kelas normal dan kelas abnormal. t epoch Alpha = 0.5 alpha; ntrainning jlh vektor Trainning vektor = data vektor ke- ntrainning start Total = total + trainning vektor ke-x – input vektor ke-x X +=I X=8 Total = min min = total tmp min = ntrainning End N Y Y N Y N Y Trainning = inisialisasi data vektor, vektor pelatihan Inisialisasi Alpha = 0.8, t=1, n epoch = 10; Min=1000; nilaijarakminimu m=-1; Total=0; ntrainning=1 x=I tmpmin =0 x=1 x=8 Wbaru ke-x = training data ke ntraining, x + alpha verktor pelatihan ke x – training data ke n training,x x+=1 N t += 1 y Y N N Gambar 3.8 Flowchart SOM Universitas Sumatera Utara Penjelasan gambar 3.8 1. Inisialisasi data vektor, vektor pelatihan, alpha, nepoch 2. Untuk setiap I: t nepoch lakukan langkah berikut a. Alpha = 0,5 alpha b. Min=1000, tmpmin=-1, total=0 c. Untuk setiap ntraining: I jumlah vektor lakukan langkah berikut: I. Training vektor = data vektor ke-ntraining II. untuk setiap x : 1 = 8 lakukan langkah berikut a. Total = total + training vektor ke x – input vektor ke x III. jika total min maka, min = total, tmpmin = ntraining d. jika tmpmin 0, maka lakukan langkah berikut I. untuk setiap x : 1 = 8 lakukan langkah berikut a. wbaru x = training data ntraining, x + alpha vektor pelatihan ke x – training data ke ntraining, x

3.3 Perancangan sistem

Pada perancangan sistem akan dilakukan perancangan bagaimana sistem akan dibangun untuk menghitung dan membedakan bentuk sel darah merah serta memberikan informasi yang dibutuhkan. Dan dilakukan juga perancangan tentang antarmuka sistem yang akan dibangun. 3.3.1 Diagram use case Use case diagram merupakan pemodelan terhadap cara kerja maupun tingkah laku sistem informasi yang akan dibuat. Use case mendeskripsikan interaksi tipikal antara user dengan sistem itu sendiri dengan member sebuah narasi tentang bagaimana sistem tersebut digunakan Fowler, 2005. Use case diagram yang digunakan pada penelitian ini yaitu pada Gambar 3.9 Universitas Sumatera Utara Proses pengenalan citra Tampil hasil pengenalan sel darah merah Tambah data latih include include Input file ke database Image processing include Latih jaringan include Gambar 3.9 Use Case Diagram Sistem 3.3.2 Use case spesifikasi Use case spesifikasi adalah dekskripsi mengenai use case diagram, menjelaskan bagaimana sebuah use case itu bekerja Muchtar Sani, 2011. Tabel 3.1 menjelaskan spesifikasi use case yang digunakan dalam sistem yang akan dibangun. Tabel 3.1 Usecase spesifikasi proses pengenalan citra Nama use case Proses pengenalan citra Aktor User Deskripsi Use case ini digunakan oleh user untuk melakukan identifikasi citra sel darah merah normal dan abnormal. Pre condition User telah berada pada halaman utama sistem. Characteristic of activation Eksekusi dapat dilakukan oleh siapapun Basic flow - User mengklik menu pengenalan. - Sistem akan menampilkan halaman pengolahan citra. - User memilih citra yang akan diproses pada sistem. Universitas Sumatera Utara - User memilih menu proses maka sistem akan melakukan pengenalan pada citra sel darah merah - Use case ini berakhir ketika sistem telah selesai menampilkan hasil identifikasi sel darah merah dari citra yang dipilih. Post condition Pada use case ini user dapat melakukan pengenalan citra sel darah merah normal dan abnormal. Limitations - Tabel 3.2 Usecase spesifikasi proses tambah data latih Nama use case Tambah data latih Aktor User Deskripsi Use case ini digunakan oleh user untuk menambah data latih citra sel darah merah ke database. Pre condition User telah berada pada halaman utama sistem. Characteristic of activation Eksekusi dapat dilakukan oleh siapapun Basic flow - User mengklik menu tambah data latih. - Sistem menampilkan halaman tambah data latih. - User dapat memilih menu cari file untuk mencari citra sel darah merah yang akan ditambahkan sebagai data latih. - User memilih menu proses. - Sistem menampilkan hasil ekstraksi ciri dari citra yang ditambahkan. - User memilih menu latih jaringan untuk melatih jaringan citra sel darah merah - Use case ini berakhir ketika sistem telah selesai menampilkan hasil ektraksi ciri. Universitas Sumatera Utara Post condition Pada use case ini user dapat melihat hasil ektraksi ciri . Limitations - 3.3.3 Diagram aktivasi Diagram aktivasi adalah teknik untuk menggambarkan logika prosedural dan aliran kerja. Diagram aktivasi menjelaskan tentang kegiatan apa yang dapat dilakukan pada sistem tetapi tidak menjelaskan apa yang telah dilakukan oleh actor Fowler, 2005. Digram aktivasi proses pengenalan citra sel darah merah dapat dilihat pada Gambar 3.10 . USER SISTEM Melakukan proses pengenalan citra sel darah merah dan menampilkan hasil identifikasi sel darah merah Pilih pengenalan Pilih file Proses Menampilkan halaman pengenalan citra sel darah merah Menampilkan tampilan untuk memilih file Gambar 3.10 Diagram aktivasi proses pengenalan citra sel darah merah Universitas Sumatera Utara Digram aktivasi proses pelatihan jaringan citra sel darah merah dapat dilihat pada Gambar 3.11 . USER SISTEM Melakukan proses latih jaringan dan memasukkan data ke database Pilih menu tambah data latih proses Latih jaringan Menampilkan halaman tambah data latih Melakukan proses ekstraksi ciri Gambar 3.11 Diagram aktivasi proses latih jaringan

3.4 Perancangan Tampilan Antarmuka