60
BAB IV PEMBAHASAN
Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil
klasifikasi, dan ketepatan hasil klasifikasinya.
A. Hasil Model Radial Basis Function Neural Network RBFNN untuk diagnosa kanker otak
Langkah-langkah untuk diagnosa kanker otak mengunakan Radial Basis Function Neural Network RBFNN diantaranya adalah:
1. Pengolahan Citra Pengolahan citra dilakukan pada citra MRI otak yang diperoleh dari
Rumah Sakit Panti Rapih Yogyakarta. Citra MRI otak masing-masing berukuran 1113 x 636 pixel dengan format JPG. Pada tugas akhir ini, data yang digunakan
sebanyak 114 data citra MRI otak yang terdiri dari 57 data citra MRI otal normal dan 57 data citra MRI kanker otak.
Pengolahan citra yang dilakukan berupa pemotongan cropping citra dan penghilangan background hitam pada citra. Citra hasil proses pemotongan dan
penghilangan background dapat dilihat pada lampiran 2 dan 3. Pengolahan citra ini dilakukan dengan bantuan perangkat lunak Corel PHOTO-PAINT X7.
Berikut adalah langkah-langkah pengolahan citra: a. Proses Pemotongan Citra
Proses pemotongan citra dilakukan dengan bantuan perangkat lunak Corel PHOTO-PAINT X7. Proses pemotongan citra dilakukan untuk
61
memperoleh citra otak yang sesuai dan menghilangkan informasi indentitas dari setiap pasien yang akan mempengaruhi hasil ekstraksi. Berikut proses
pemotongan citra pada salah satu data citra MRI yakni 2731.jpg:
Gambar 4.1 Citra MRI otak sebelum dipotong
Gambar 4.2 Citra MRI otak selelah dipotong
Dalam proses pemotongan, diusahakan citra tetap berbentuk persegi panjang sesuai dengan bentuk awal citra, namun dalam proses pemotongan ini
tidak bisa sesuai dengan pixel awal karena citra akan berubah menjadi lonjong atau informasi pasien masih ada pada citra setelah pemotongan. Sehingga
dalam proses pemotongan ini, dilakukan pemotongan berbentuk persegi panjang namun pixelnya diubah menjadi 650 x 550 pixel.
62
b. Proses Penghilangan Background Citra MRI hasil pemotongan masih memiliki background berwarna
hitam yang dianggap mempengaruhi hasil dignosa. Proses penghilangan background dilakukan dengan bantuan perangkat lunak Corel PHOTO-PAINT
X7. Sehingga background menjadi berwarna putih dan dapat mengurangi pengaruh pada proses ekstraksi citra. Beikut proses penghilangan background
pada citra MRI:
Gambar 4.3 Citra MRI sebelum dilakukan penghilangan Background
Gambar 4.4 Citra MRI setelah dilakukan penghilangan Background
Setelah proses menghilangkan background dilakukan, citra disimpan dengan format JPG dan pixel citra disesuaikan setelah proses pemotongan
yakni menjadi 650 x 550 pixel.
63
2. Ekstraksi Citra Setelah melakukan pengolahan citra MRI, langkah selanjutnya adalah
melakukan ekstraksi citra. Proses ekstraksi merupakan salah satu karakteristik penting yang digunakan dalam mengidentifikasi objek atau pola citra, karena
metode ekstraksi citra yang tepat akan mampu memberikan informasi yang detail tentang kelas suatu citra. Proses ekstraksi citra dapat dilakukan dengan
Gray Level Coocurrence Matrix GLCM. Parameter-parameter hasil ekstraksi citra yang digunakan dalam tugas akhir ini adalah 14 fitur yang nantinya
digunakan sebagai variabel input dalam proses diagnosa. Fitur tersebut yaitu energi, kontras, korelasi, sum of squares, inverse difference moment, sum
average, sum variance, sum entropy, entropi, difference variance, difference entropy, probabilitas maksimum, homogenitas dan dismilarity.
Proses ekstraksi citra untuk mendapatkan parameter-parameter tersebut dapat dilakukan dengan bantuan MATLAB R2013a. Berikut adalah contoh
hasil ekstraksi citra untuk data citra MRI otak 2731.jpg yang ditunjukkan pada Tabel 4.1:
Tabel 4.1 Hasil Ekstraksi Citra 2731.jpg
No Fitur
Hasil Ekstraksi 1
Energi 0,292947
2 Kontras
0,308517 3
Korelasi 0,978821
4 Sum of Squares
37,66693 5
Inverse difference moment 0,995588
6 Sum Average
11,05545 7
Sum Variance 115,3538
64
8 Sum Entropy
1,753428 9
Entropi 1,947261
10 Difference Variance
0,308517 11
Difference entropy 0,522479
12 Probabilitas Maksimum
0,50504 13
Homogenitas 0,918169
14 Dissimilarity
0,192586
Selanjutnya, untuk hasil ekstraksi citra dari 114 data citra MRI secara lengkap dapat dilihat pada Lampiran 5.
3. Pendefinisian Variabel Input dan Variabel Target Pendefinisian variabel input dan target digunakan sebagai input dan
target jaringan. Input berasal dari 14 parameter hasil dari ekstraksi citra menggunakan Gray Level Co-occurance Matrix GLCM secara lengkap
dapat dilihat pada Lampiran 3 dan 6, sehingga banyaknya neuron pada lapisan input adalah 14 neuron.
Variabel target berasal dari keterangan diagnosa masing-masing citra yakni citra MRI normal dan citra MRI kanker. Target dan output berupa
vektor yang mewakili masing-masing diagnosa. Pola target yang digunakan sebagai berikut:
Tabel 4.2 Pola Target Vektor Diagnosa Kanker Otak
No Diagnosa
Vektor Target 1
Normal 2
Kanker 1
65
Hasil diagnosa yang didapatkan merupakan bilangan desimal.
Pendiagnosaan dilakukan dengan membulatkan bilangan desimal tersebut dengan kriteria, jika
0.5 maka dibulatkan menjadi 0, sedangkan apabila ≥ 0.5 maka hasil perhitungan dibulatkan menjadi 1.
4. Pembagian Data Input Langkah selanjutnya adalah pembagian data input yang berupa data
training dan testing. Pembagian data input dilakukan secara acak random. Pada tugas akhir ini yang digunakan untuk data training adalah 90 sampel data
dari 114 total sampel data dan data testing yang digunakan adalah 24 sampel data dari 114 total sampel data. Hasil pembagian data input terlampir pada
Lampiran 7 untuk data training dan Lampiran 8 untuk data testing. 5. Normalisasi Data
Setelah proses pembagian data input, langkah selanjutnya adalah normnalisasi data. Data input dinormalisasi dengan membawa data ke bentuk
normal baku, yakni dengan meanrata-rata = 0 dan standar deviasi = 1. Hasil normalisasi data training dan data testing secara urut masing-masing terlampir
pada Lampiran 9 dan Lampiran 10. Berikut adalah salah satu hasil normalisasi citra 2731.jpg:
Tabel 4.3 Hasil Normalisasi Citra 2731.jpg
No Fitur
Hasil Normalisasi 1
Energi -0,21089
2 Kontras
-0,29747 3
Korelasi 0,368651
4 Sum of Squares
0,535738
66
5 Inverse difference moment
0,229242 6
Sum Average 0,451897
7 Sum Variance
0,2615 8
Sum Entropy 0,841416
9 Entropi
0,750563 10
Difference Variance -0,29747
11 Difference entropy
0,423728 12
Probabilitas Maksimum 0,461948
13 Homogenitas
-0,58674 14
Dissimilarity 0,297053
6. Pembelajaran Radial Basis Function Neural Network Data training hasil normalisasi digunakan dalam proses clustering.
Proses clustering yang digunakan adalah metode k-means clustering. Proses k- means clustering dilakukan dengan menggunakan perangkat lunak MINITAB
sehingga didapatkan pusat masing-masing cluster dan jarak yang digunakan dalam proses RBFNN. Tabel 4.4 merupakan hasil jarak dan pusat clustering
dengan 10 cluster.
Tabel 4.4 Hasil Jarak dan Pusat Clustering
Clus ter
Pusat Cluster Jarak
X
1
X
2
X
3
X
4
X
5
X
6
X
7
1 -1,545
1,395 -1,310
-0,155 -0,145
1,114 -0,288
3,804 2
-0,720 0,737
-0,851 0,636
-0,852 0,869
0,217 3,407
3 1,249
-0,949 0,905
-0,437 0,343
-0,699 -0,795
0,667 4
1,159 -0,688
1,616 -2,013
1,835 -1,742
-1,870 5
-0,536 0,360
-0,669 1,206
-0,951 0,700
1,265 2,677
6 -0,252
0,410 -0,128
-0,265 0,185
0,053 -0,083
2,178
67
7 0,204
-0,409 -0,001
0,448 -0,325
0,110 0,536
3,531 8
-1,681 1,467
-1,912 1,769
-2,140 1,914
0,969 0,354
9 0,713
-1,765 1,101
-0,263 0,935
-1,205 0,407
2,296 10
-0,996 0,916
-0,816 0,245
-0,134 0,684
0,621 2,105
Clus ter
Pusat Cluster Jarak
X
8
X
9
X
10
X
11
X
12
X
13
X
14
1 -0,291
-0,290 -0,280
0,113 -1,545
-1,269 1,542
3,804 2
0,039 0,001
0,232 -0,811
-0,720 -0,872
0,747 3,407
3 -0,774
-0,699 -0,740
0,193 1,249
0,859 -1,205
0,667 4
-1,727 -1,675
-1,896 1,820
1,159 1,602
-1,242 5
1,112 1,020
1,219 -0,971
-0,536 -0,677
0,558 2,677
6 -0,158
-0,210 -0,197
0,255 -0,252
-0,069 0,244
2,178 7
0,593 0,641
0,591 -0,392
0,204 -0,018
-0,187 3,531
8 0,595
0,506 1,053
-2,076 -1,681
-2,075 1,738
0,354 9
1,235 1,431
0,799 0,831
0,713 1,146
-0,796 2,296
10 0,496
0,411 0,433
0,018 -0,996
-0,754 0,981
2,105
Hasil jarak dan pusat cluster secara lengkap terlampir pada Lampiran 11. Setelah masing-masing pusat cluster dan jarak didapatkan, selanjutnya
dilakukan proses RBFNN dengan menggunakan rbfDesign dan globalRidge. Program rbfDesign dan globalRidge masing-masing secara urut terlampir pada
Lampiran 12 dan Lampiran 13. Proses RBFNN dilakukan menggunakan MATLAB R2013a.
7. Menentukan Jaringan Optimum Proses selanjutnya adalah pengoptimalan jaringan dan pengoptimalan
bobot menggunakan persamaan 2.52. Jaringan optimum dilakukan dengan menentukan jumlah neuron pada lapisan tersembunyi. Banyaknya neuron
68
pada lapisan tersembunyi yang dapat menghasilkan jaringan optimum adalah neuron yang menghasilkan akurasi terbaik. Dengan menggunakan metode
trial and error, beberapa cluster dicoba pada program RBFNN menggunakan MATLAB R2013a. Hasil akurasi dari beberapa cluster menggunakan k-means
clustering yang dicoba menggunakan MATLAB R2013a sebagai berikut:
Tabel 4.5 Hasil Akurasi dari Beberapa Cluster
Jumlah Cluster
Hasil Akurasi Data Training
Data Testing
2 51,1111
58,3333 3
57,7778 37,5000
4 25,5556
33,3333 5
64,4444 70,8333
6 65,5556
58,3333 7
68,8889 75
8 75,5556
70,8333 9
72,2222 70,8333
10 83,3333
91,6667 11
66,6667 79,1667
12 64,4444
70,8333 13
76,6667 70,8333
14 15
Dari cluster yang digunakan pada Tabel 4.5 dapat dilihat bahwa nilai akurasi data training dan data testing berpola tidak beraturan. Hasil akurasi
data training dan data testing yang terbaik didapatkan dengan cluster
69
sebanyak 10 cluster karena menghasilkan niai akurasi terbesar. Sehingga jaringan dengan 10 cluster merupakan jaringan optimum dengan nilai akurasi
data training sebesar 83,3333 dan 91,6667 untuk data testing. Dengan demikian model RBFNN terbaik untuk mendiagnosa kanker
otak mempunyai arsitektur 14 neuron pada lapisan input, 10 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Arsitektur RBFNN
jaringan terbaik yang digunakan untuk diagnosa kanker otak dengan 14 neuron pada lapisan input yakni
, , . . . ,
, 10 neuron pada lapisan tersembunyi yakni
, , . . . ,
, dan 1 neuron pada lapisan output yakni dapat dilihat pada Gambar 4.5 berikut:
Gambar 4.5 Arsitektur RBFNN untuk Diagnosa Kanker Otak
1
. .
. Lapisan
Input Lapisan Tersembunyi
Lapisan Output
Bias
. .
70
Pada lapisan tersembunyi, fungsi aktivasi yang digunakan adalah fungsi aktivasi Gaussian dan fungsi yang diguakan pada lapisan output
menggunakan fungsi linear atau identitas.
B. Hasil Klasifikasi
Kategori