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