Identifikasi Osteoporosis melalui Bone Radiograph Menggunakan Evolving Multilayer Perceptron Chapter III V
27
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Identifikasi Masalah
Osteoporosis merupakan penyakit yang ditandai dengan penurunan kepadatan mineral
tulang, perubahan mikroarsitektur tulang, dan penurunan kualitas jaringan tulang. Saat
ini identifikasi osteoporosis masih dilakukan secara manual oleh pakar Rheumatologi
melalui citra hasil X-Ray, sehingga hasil identifikasi tergantung dari keahlian dan
pengalaman pakar Rheumatologi mengenai osteoporosis. Oleh karena itu diperlukan
suatu pengolahan citra pada citra bone radiograph untuk membantu dokter atau ahli
rheumatologi dalam mendiagnosis osteoporosis.
3.2 Dataset
Dataset yang digunakan pada penelitian ini adalah dataset bone radiograph.
Dataset terdiri dari 116 citra digital bone radiograph di mana terdapat 58 citra digital
bone radiograph normal dan 58 citra bone radiograph osteoporosis.
Dataset bone radiograph diambil dari IEEE-ISBI 2014 competition dataset
(http://www.univ-orleans.fr/i3mto/challenge-ieee-isbi-bone-texture-characterization).
Ukuran citra bone radiograph yang diperoleh yaitu
format TIFF.
×
piksel, dengan
3.3 Metode Penelitian
Pada penelitian ini, metode penelitian terdiri atas proses pelatihan dan proses
pengujian. Proses pelatihan dan pengujian dapat dilihat pada Gambar 3.1.
Universitas Sumatera Utara
28
Gambar 3.1. Arsitektur umum proses pelatihan dan pengujian
Adapun proses-proses yang dilakukan antara lain:
1. Input
Pada tahap ini, sistem membaca data input yang dimasukkan user, data input
harus berupa file citra berskala keabuan dan berekstensi .tiff.
2. Proses
a. Pre-processing
Citra diproses dengan terlebih dahulu melakukan perbaikan citra menggunakan
teknik imadjust untuk transformasi intensitas, Median Filtering untuk
menghilangkan noise, dan Contrast Limited Adaptive Histogram Equalization
(CLAHE).
Universitas Sumatera Utara
29
CLAHE digunakan untuk meningkatkan kualitas citra menjadi lebih baik lagi
dengan mengatur kekontrasan citra sehingga dapat menampilkan bagianbagian 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
0o, GLCM dengan jarak spasial 1 dan sudut 45o, GLCM dengan jarak spasial 1
dan sudut 90o, dan GLCM dengan jarak spasial 1 dan sudut 135o.
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 (Sthr), error threshold (Ethr), 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
Jaringan yang telah dilatih pada tahap sebelumnya digunakan oleh sistem
dalam mengklasifikasikan citra input yaitu citra bone radiograph.
3. Output
Output dari citra digital bone radiograph ada 2 klasifikasi yaitu normal dan
osteoporosis.
3.4 Analisis Sistem
Sistem yang akan dibangun adalah sistem Computer Aided Diagnosis (CAD)
menggunakan evolving Multilayer Perceptron. CAD merupakan suatu sistem
diagnosis menggunakan suatu komputer dengan citra medis oleh ahli radiologi dalam
membuat interpretasinya. Sistem CAD lalu akan mengidentifikasi citra digital bone
radiograph dan mengklasifikasikan antara citra bone radiograph normal atau
osteoporosis. Sistem akan menerima input berupa citra digital bone radiograph. Data
tersebut diproses dengan terlebih dahulu dengan melakukan image enhancement atau
Universitas Sumatera Utara
31
perbaikan citra menggunakan teknik adjust, median filtering dan metode CLAHE,
kemudian menggunakan metode feature extraction GLCM dari citra yang sudah
diperbaiki tersebut untuk mendapatkan fitur tekstur. Kemudian fitur tekstur tersebut
diproses dengan metode evolving multilayer perceptron untuk diklasifikasikan ke
dalam 2 kategori normal atau osteoporosis.
Algoritma ECoS yang dipakai yaitu algoritma Simple Evolving Connectionist
Systems (SECoS) atau disebut juga evolving Multilayer Perceptron (eMLP), untuk
selanjutnya penulis akan sebut eMLP. Adapun gambaran algoritma eMLP dapat
dilihat pada Gambar 3.3.
Gambar 3.3 Arsitektur umum SECoS (Kasabov, 2007)
Ekstraksi fitur pada citra input menggunakan GLCM yaitu matriks yang
merepresentasikan hubungan ketetanggaan antara dua piksel dalam citra berskala
keabuan (grayscale) pada arah orientasi tertentu dan jarak spasial. GLCM merupakan
matriks berukuran n x n, di mana n adalah banyaknya level abu-abu yang dimiliki oleh
citra grayscale. Langkah-langkah ekstraksi fitur menggunakan GLCM adalah sebagai
berikut:
a. Tentukan gray level sebagai ukuran matriks.
Universitas Sumatera Utara
32
b. Tentukan jarak spasial dan sudut orientasi antara piksel referensi dengan piksel
tetangga. Jarak yang digunakan pada penelitian ini adalah 1 dan sudut yang
digunakan adalah 0, 45, 90, 135.
c. Hitung nilai kookurensi berdasarkan jarak dan sudut yang telah ditentukan.
d. Jumlahkan matriks kookurensi dengan matriks transposenya agar matriks
kookurensi menjadi simetris.
e. Normalisasi matriks kookurensi ke bentuk probabilitas dengan cara membagi
masing-masing nilai kookurensi dengan jumlah semua nilai kookurensi yang
ada pada matriks, sehingga hasil penjumlahan semua nilai pada matriks
bernilai 1.
f. Hitung fitur tekstur yang diusulkan oleh Haralick. 4 fitur tekstur yang
digunakan pada penelitian ini adalah contrast, correlation, energy, dan
homogeneity.
Hasil dari perhitungan tersebut diubah ke dalam bentuk vektor kolom. Karena
terdapat 4 matriks GLCM di mana setiap masing-masing dari matriks tersebut
menghasilkan 4 tekstur fitur, maka secara keseluruhan terdapat 16 fitur yang
selanjutnya digunakan pada tahap pembelajaran dengan metode eMLP.
Cara kerja sistem CAD yang akan dibangun terdiri dari 2 proses yaitu proses
training dan proses testing. Adapun cara kerja sistem pada saat training antara lain
sebagai berikut:
1. Input citra.
2. Lakukan image enhancement menggunakan metode adjust, median filtering,
dan CLAHE kemudian bentuk matriks GLCM dengan grey level (GL) atau
brightness value sebesar 64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan fitur tekstur dari matriks GLCM
yang telah dinormalisasi.
4. Input nilai sensitivity threshold (Strh), error threshold (Ethr), learning rate 1
(Lr1), dan learning rate 2 (Lr2).
5. Set node pertama sama dengan 1 dan set bobot 1 dan bobot 2 di mana bobot 1
adalah input vektor akhir dan bobot 2 adalah target vektor akhir.
6. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13.
Universitas Sumatera Utara
33
7. Cari node dengan nilai aktivasi tertinggi.
8. Jika nilai maksimum A1 lebih kecil dari nilai sensitivity threshold maka node
ditambah satu dan bobot vektor masukan diberi inisialisasi sesuai dengan input
vector I dan bobot vektor keluarnya diinisialisasi sesuai dengan desiredoutput
vector Od, kemudian menuju ke langkah (13).
9. Lakukan propagasi terhadap most highly activated node dengan menggunakan
metode OneOfN yaitu nilai yang digunakan untuk propagasi maju dari
evolving layer ke output layer menggunakan node dengan nilai aktivasi
tertinggi.
10. Hitung error yaitu selisih antara desired output dan actual output.
11. Jika error antara desired output dan actual output yang dihasilkan dari nodenode yang aktif lebih besar dari error threshold (Ethr) atau desired output dari
node yang aktif tidak sama dengan desired output pada saat i maka node
ditambah satudan bobot vektor masukan diberi inisialisasi sesuai dengan input
vector I dan bobot vektor keluarnya diinisialisasi sesuai dengan desired output
vector Od, kemudian menuju ke langkah (13).
12. Nilai bobot 1 diubah menggunakan Persamaan 2.15 dan nilai bobot 2 diubah
menggunakan Persamaan 2.16.
13. Melakukan pelatihan terhadap data selanjutnya dan menuju langkah (6).
Ketika seluruh data sudah dilatih, jumlah node dan matriks bobot yang terkait
pada setiap node kemudian disimpan untuk selanjutnya digunakan pada proses
testing.
Cara kerja sistem pada saat testing antara lain sebagai berikut:
1. Input citra dan lakukan perbaikan citra menggunakan metode adjust, median
filtering, dan CLAHE.
2. Bentuk matriks GLCM dengan grey level (GL) atau brightness value sebesar
64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan tekstur fitur dari matriks GLCM
yang telah dinormalisasi.
4. Inisialisasi jumlah node sama dengan jumlah keseluruhan node dari hasil
pelatihan dan inisialisasi nilai dari bobot yang terkait dengan node-node
tersebut.
Universitas Sumatera Utara
34
5. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13.
6. Cari node dengan nilai aktivasi tertinggi.
7. Lakukan propagasi pada evolving layer menggunakan OneOfN.
8. Actual output akan dibagi menjadi 2 bagian yaitu normal dan osteoporosis
9. Melakukan testing terhadap data selanjutnya dan menuju langkah (2).
Cara kerja sistem bagian testing terhadap data baru antara lain sebagai berikut:
1. Input citra dan lakukan perbaikan citra menggunakan metode adjust, median
filtering, dan CLAHE.
2. Bentuk matriks GLCM dengan grey level (GL) atau brightness value sebesar
64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan tekstur fitur dari matriks GLCM
yang telah dinormalisasi.
4. Inisialisasi jumlah node sama dengan jumlah keseluruhan node dari hasil
pelatihan dan inisialisasi nilai dari bobot yang terkait dengan node-node
tersebut.
5. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13.
6. Cari node dengan nilai aktivasi tertinggi.
7. Lakukan propagasi terhadap evolving layer menggunakan OneOfN.
8. Actual output akan dibagi menjadi 2 bagian yaitu normal dan osteoporosis.
9. Melakukan testing terhadap data selanjutnya dan menuju langkah (2).
Adapun gambaran proses algoritma eMLP pada sistem dapat dilihat pada Gambar 3.4.
Universitas Sumatera Utara
35
Gambar 3.4 Algoritma eMLP pada sistem
Universitas Sumatera Utara
36
3.5 Perancangan Sistem
Pada tampilan awal aplikasi CAD, terdapat beberapa menu yaitu menu file dengan
sub-menu open dan sub-menu exit, menu classification dengan sub-menu new dan
sub-menu eMLP, serta menu help dengan sub-menu get started dan sub-menu about.
Di dalam tampilan awal aplikasi CAD juga terdapat panel “ORIGINAL IMAGE” dan
“ENHANCED IMAGE” untuk menampilkan citra input baru yang asli dan setelah di
perbaiki dan juga tersedia tombol “INFO” untuk melihat informasi mengenai citra.
Panel “GLCM INFO” juga disajikan di dalam tampilan awal aplikasi untuk melihat
nilai-nilai GLCM setiap fitur dan setiap vektor. Panel “PREDICTION” pada tampilan
awal aplikasi CAD juga disajikan tombol “CHECK” untuk melihat hasil prediksi citra
input baru untuk menentukan suatu citra di klasifikasikan sebagai citra bone
radiograph yang normal atau osteoporosis dan tombol “EXIT” untuk keluar dari
tampilan utama. Rancangan tampilan awal aplikasi CAD dapat dilihat pada Gambar
3.5.
Gambar 3.5 Rancangan tampilan awal aplikasi CAD
Universitas Sumatera Utara
37
Salah satu sub-menu dari menu classification yaitu sub-menu create dataset.
Pada tampilan create dataset, disajikan 3 panel yaitu “INPUT TRAINING SET”,
“INPUT TESTING SET”, dan “DATASET NAME”. Pada panel “INPUT TRAINING
SET”, terdapat tombol “NORMAL” dan “OSTEO”. Tombol “NORMAL” pada panel
“INPUT TRAINING SET” digunakan untuk membuka citra bone radiograph normal
yang akan digunakan sebagai data training dan tombol “OSTEO” di panel yang sama
digunakan untuk membuka citra bone radiograph osteoporosis yang akan digunakan
sebagai data training. Pada panel “INPUT TESTING SET” juga terdapat tombol
“NORMAL” dan “OSTEO”. Tombol “NORMAL” pada panel “INPUT TESTING
SET” digunakan untuk membuka citra bone radiograph normal yang akan digunakan
sebagai data testing dan tombol “OSTEO” pada panel yang sama digunakan untuk
membuka citra bone radiograph osteoporosis yang akan digunakan sebagai data
testing. Panel “DATASET NAME” digunakan untuk memberi nama pada dataset
yang baru. Tombol “CREATE” digunakan untuk membuat dataset dan tombol
“CANCEL” digunakan bila user tidak jadi membuat dataset baru. Rancangan
tampilan dari sub-menu create dataset dapat dilihat pada Gambar 3.6.
Universitas Sumatera Utara
38
Gambar 3.6 Rancangan tampilan menu Create Dataset
Sub-menu lain dari menu classification yaitu sub-menu evolving Multilayer
Perceptron (eMLP). Pada tampilan ini terdapat menu File untuk dan sub-menu Open
untuk memilih dataset yang akan dilatih dan diuji dan juga terdapat sub-menu Close
untuk menutup tampilan eMLP. Pada tampilan terdapat ini panel N. PARAMETER
untuk melihat dan mengubah nilai parameter. Tombol “TRAIN” digunakan untuk
melatih data-data dari dataset yang dipilih dengan parameter yang telah ditentukan
pada panel “N. PARAMETER” dan tombol “RECALL” digunakan untuk menguji
data-data dari dataset yang dipilih. Pada panel “RESULTS” disajikan nilai akurasi
pelatihan di “TRAINING ACCURACY”, nilai akurasi pengujian di “TEST
ACCURACY” dan akurasi rata-rata di “OVERALL ACCURACY”. Tombol
“RESULTS” digunakan untuk melihat hasil dari pelatihan dan pengujian di tampilan
baru dan tombol “OK” digunakan untuk keluar dari tampilan eMLP. Terdapat juga
panel “SELECT TRAINING INPUT” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Training
Inputs” dan box “TRAINING INPUT SAMPLES” untuk menampilkan jumlah
sample, “SELECT TRAINING TARGETS” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Training
Targets” dan box “TRAINING TARGET SAMPLES” untuk menampilkan jumlah
sample, “SELECT TESTING INPUT” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Test
Inputs” dan box “TESTING INPUT SAMPLES” untuk menampilkan jumlah sample,
dan “SELECT TESTING TARGETS” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Test
Targets” dan box “TRAINING TARGET SAMPLES” untuk menampilkan jumlah
sample. Rancangan tampilan dari sub-menu evolving Multilayer Perceptron (eMLP)
dapat dilihat pada Gambar 3.7.
Universitas Sumatera Utara
39
Gambar 3.7 Rancangan tampilan menu evolving Multilayer Perceptron (eMLP)
Pada tampilan “RESULTS”, terdapat tabel “TRAINING RESULT TABLE”,
“DETECTION TABLE”, dan “TESTING RESULT TABLE”. “TRAINING RESULT
TABLE” menampilkan hasil pelatihan dengan waktu dan node-node yang ditambah
pada setiap data-data training. “DETECTION TABLE” menampilkan hasil klasifikasi
dengan akurasi. “TESTING RESULT TABLE” menampilkan hasil klasifikasi untuk
setiap citra berdasarkan actual output dan desired output. Tombol “SHOW SAMPLE”
digunakan untuk melihat citra yang user ingin lihat berdasarkan nomor sample. Pada
tampilan “SHOW SAMPLE”, ditampilkan citra yang user ingin lihat sesuai dengan
nomor sample dan disajikan dengan citra sebelum dan sesudah perbaikan. Tampilan
“RESULTS” dapat dilihat di Gambar 3.8 dan tampilan “SHOW SAMPLE” dapat
dilihat pada Gambar 3.9.
Universitas Sumatera Utara
40
Gambar 3.8 Rancangan tampilan Results
Gambar 3.9 Rancangan tampilan pemilihan Show Sample
Universitas Sumatera Utara
41
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Algoritma Evolving Connectionist Systems (ECoS) yang diimplementasikan ke dalam
sistem menggunakan MATLAB R2012b 64-bit sesuai dengan perancangan yang telah
dilakukan sebelumnya. Ukuran kinerja hasil diagnosis dapat dilihat pada Tabel 4.1.
Tabel 4.1 Ukuran kinerja hasil diagnosis (Kadah, 2012)
No. Index
1.
Formula
Keterangan
Sensitivity (TP rate)
Kemampuan untuk mengidentifikasi TP/(TP+FN)
adanya penyakit
2.
Specificity (TN rate)
Kemampuan untuk mengidentifikasi TN/(TN+FP)
ketiadaan penyakit
3.
Positive
predictive Keandalan dari hasil yang positif
TP/(TP+FP)
predictive Keandalan dari hasil yang negatif
TN/(TN+FN)
value (PPV)
4.
Negative
value (NPV)
5.
Overall accuracy
Keandalan secara keseluruhan
6.
FN rate
Proporsi antara FN dan semua yang FN/(FN+TP) =
terkena dampak
7.
FP rate
(1-Sensitivity)
Proporsi antara FP dan semua yang FP/(FP+TN) =
tidak terkena dampak
8.
(TP+TN)/(TP+TN+FP+FN)
Positive likelihood ratio
(1- Specificity)
Peningkatan probabilitas penyakit Sensitivity/(1-Specificity)
ketika hasilnya positif
9.
Negative
ratio
likelihood Penurunan
probabilitas
penyakit (1-Sensitivity)/Specificity
ketika hasilnya negatif
Universitas Sumatera Utara
42
Dalam mengevaluasi kinerja hasil pemeriksaan, penulis membandingkan
hasilnya sesuai dengan “Gold Standard” di mana penilaiannya antara lain:
True Positive (TP)
False Positive (FP)
True Negative (TN)
False Negative (FN)
4.1.1 Spesifikasi software dan hardware yang digunakan
Spesifikasi perangkat lunak (software) dan perangkat keras (hardware) yang
digunakan dalam membangun sistem CAD ini adalah sebagai berikut:
1. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 64-bit
Service Pack 1.
2. MATLAB R2012b 64-bit.
3. Processor Intel® Core™ i7-3517U CPU @ 1.90 GHz (4CPUs), ~2-4 GHz.
4. 4.00GB Single-Channel DDR3 @ 798MHz.
5. Storage 698GB Seagate ST750LM022 HN-M750MBB(SATA).
4.1.2 Implementasi perancangan antarmuka
Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada
sistem CAD adalah:
1. Tampilan awal aplikasi CAD
Tampilan awal aplikasi CAD merupakan tampilan yang pertama kali muncul
ketika sistem berjalan. Ada beberapa menu dan tombol yang dapat dipilih dan
memiliki fungsi masing-masing. Tampilan awal aplikasi CAD dapat dilihat
pada Gambar 4.1.
Universitas Sumatera Utara
43
Gambar 4.1 Tampilan awal aplikasi CAD
2. Tampilan menu Create Dataset
Tampilan menu Create Dataset digunakan untuk membuat dataset baru dari
citra yang ada di komputer. Data tersebut terdiri atas data training dan data
testing untuk masing-masing citra bone radiograph normal dan osteoporosis.
Dataset tersebut akan disimpan ke sebuah file berekstensi .mat. Tampilan
menu Create Dataset dapat dilihat pada Gambar 4.2.
Universitas Sumatera Utara
44
Gambar 4.2 Tampilan menu Create Dataset
3. Tampilan menu evolving MultilayerPerceptron (eMLP)
Tampilan menu evolving Multilayer Perceptron (eMLP) dapat dilihat pada
Gambar 4.3. Tampilan menu ini digunakan untuk melatih dan menguji suatu
dataset menggunakan metode eMLP. Result dari data testing dapat dilihat pada
Gambar 4.4.
Universitas Sumatera Utara
45
Gambar 4.3 Tampilan menu evolving Multilayer Perceptron (eMLP)
4. Tampilan hasil klasifikasi
Tampilan hasil klasifikasi digunakan untuk menampilkan hasil temuan dan
hasil diagnosis. Hasil klasifikasi ini dipresentasikan dalam bentuk tabel.
Perbandingan antara actual output dan desired output dapat dilihat pada tabel
Testing Result. Sample data uji dapat dilihat berdasarkan urutan data sample.
Tampilan hasil klasifikasi dapat dilihat pada Gambar 4.4.
Universitas Sumatera Utara
46
Gambar 4.4 Tampilan hasil klasifikasi
5. Tampilan pemilihan citra secara manual
Tampilan pemilihan citra secara manual digunakan untuk memilih citra yang
ingin dilihat oleh user dan disajikan dalam bentuk citra asli dan citra setelah di
enhanced. Tampilan pemilihan citra secara manual dapat dilihat pada Gambar
4.5.
Universitas Sumatera Utara
47
Gambar 4.5 Tampilan pemilihan citra secara manual
4.1.3 Implementasi data
Data yang dimasukkan ke dalam sistem CAD adalah citra bone radiograph normal
dan osteoporosis.
Pada penelitian ini penulis menggunakan dataset yang diambil dari IEEE-ISBI
2014 competition dataset (http://www.univ-orleans.fr/i3mto/challenge-ieee-isbi-bonetexture-characterization). Dataset berjumlah 116 di mana terdapat 58 bone radiograph
normal dan 58 bone radiograph osteoporosis. Rangkuman benchmark data atau
dataset bone radiograph yang diperoleh tersebut dapat dilihat pada Tabel 4.2.
Tabel 4.2. Rangkuman bone radiograph dataset
No.
File Name
Normal
1.
Image_0_01
X
2.
Image_0_02
X
3.
Image_0_03
X
4.
Image_0_04
X
5.
Image_0_05
X
…
…
…
112
Image_1_54
Osteoporosis
…
X
Universitas Sumatera Utara
48
Tabel 4.2. Rangkuman bone radiograph dataset (Lanjutan)
No.
File Name
Normal
Osteoporosis
113
Image_1_55
X
114
Image_1_56
X
115
Image_1_57
X
116
Image_1_58
X
Total
58
58
4.2 Prosedur Operasional
Tampilan awal dari aplikasi ini terdiri dari tiga menu utama, yaitu menu File,
Classification, dan Help.
Gambar 4.6 Tampilan awal aplikasi
Universitas Sumatera Utara
49
4.2.1 Menu file
Ada 2 sub-menu dari menu File yaitu Open dan Exit. Sub-menu Load Image
digunakan untuk memilih citra bone radiograph sebagai input baru untuk
diklasifikasikan dengan menggunakan jaringan yang telah dilatih. Sub-menu Exit
digunakan untuk keluar dari aplikasi yang sedang berjalan.
Sub-menu Open dapat dilihat pada Gambar 4.7. Pada tampilan awal aplikasi
terdapat tombol “Exit” yang fungsinya sama dengan sub-menu Exit yaitu untuk keluar
dari aplikasi yang sedang berjalan.
Gambar 4.7 Tampilan sub-menu Open
Citra yang dipilih akan diperbaiki menggunakan metode adjust, median
filtering, dan CLAHE. Citra asli dan citra hasil perbaikan akan ditampilkan kembali di
tampilan awal aplikasi CAD. Tombol “Info” pada panel Original Image dan Enhanced
Image digunakan untuk melihat informasi citra. Tombol “GLCM 0”, “GLCM 45”,
Universitas Sumatera Utara
50
“GLCM 90”, “GLCM 135” digunakan untuk melihat nilai-nilai fitur di setiap vektor.
Hal ini dapat dilihat pada Gambar 4.8.
Gambar 4.8 Tampilan awal aplikasi setelah memilih citra input baru
4.2.2 Menu Classification
Pada menu Classification terdapat 2 sub-menu yaitu New dan evolving Multilayer
Perceptron (eMLP). Sub-menu New digunakan untuk membuat dataset baru. Submenu ini dapat dilihat pada Gambar 4.9.
Universitas Sumatera Utara
51
Gambar 4.9 Tampilan sub-menu New
Keterangan tombol pada panel Training Set pada Gambar 4.9:
Tombol “Normal” digunakan untuk memilih citra bone radiograph
normal sebagai data latih.
Tombol “Osteo” digunakan untuk memilih citra bone radiograph
osteoporosis sebagai data latih.
Keterangan tombol pada panel Test Set pada Gambar 4.9:
Tombol “Normal” digunakan untuk memilih citra bone radiograph
normal sebagai data uji.
Tombol “Osteo” digunakan untuk memilih citra bone radiograph
sebagai data uji.
Tombol “Create” digunakan untuk membuat dataset baru sesuai dengan nama
yang diinginkan.
Universitas Sumatera Utara
52
Sub-menu evolving Multilayer Perceptron (eMLP) digunakan untuk melatih
dan menguji suatu dataset. Sub-menu ini dapat dilihat pada Gambar 4.10.
Gambar 4.10 Tampilan sub-menu evolving Multilayer Perceptron (eMLP)
Keterangan Gambar 4.10:
Pada menu File terdapat 2 sub-menu yaitu Open dan Close. Sub-menu
Open digunakan untuk memilih dataset yang akan digunakan untuk
pelatihan dan pengujian. Sub-menu Close memiliki fungsi yang sama
seperti tombol “OK” yaitu untuk keluar dari halaman yang sedang
berjalan.
Tombol “Train” digunakan untuk melatih data training sedangkan
tombol “Recall” untuk menguji data testing. Hal ini dapat dilihat pada
Gambar 4.11.
Universitas Sumatera Utara
53
Tombol “Result” digunakan untuk menampilkan hasil klasifikasi dari
data testing dan menampilkan hasil proses pelatihan. Hal ini dapat
dilihat pada Gambar 4.12.
Gambar 4.11 Tampilan train dan recall suatu dataset
Tombol “Show” pada Gambar 4.12 digunakan untuk menampilkan citra suatu
sample beserta citra hasil perbaikannya.
4.2.3Menu help
Pada menu Help terdapat 2 sub-menu yaitu Get Started dan About. Sub-menu Get
Started digunakan untuk menampilkan tutorial penggunakan aplikasi CAD dalam
bentuk file dokumen berformat .pdf. Sub-menu About digunakan untuk menampilkan
versi dari aplikasi CAD, sub-menu ini dapat dilihat pada Gambar 4.13.
Universitas Sumatera Utara
54
Gambar 4.12 Contoh hasil klasifikasi suatu dataset
Gambar 4.13 About
4.3 Evaluasi Pengujian Sistem
Pelatihan dan pengujian dapat dilakukan dengan menggunakan dataset yang sudah
ada, di mana dataset tersebut berekstensi .mat. Selain itu, pelatihan dan pengujian
dapat dilakukan dengan membuat dataset baru di mana pengguna dapat memilih citra
bone radiograph secara manual untuk digunakan dalam proses pelatihan ataupun
pengujian.
Universitas Sumatera Utara
55
4.3.1 Pelatihan dan pengujian pada dataset
IEEE-ISBI 2014 competition dataset terdiri dari 116 citra bone radiograph di mana
terdapat 58 citra bone radiograph normal dan 58 citra bone radiograph osteoporosis.
Pada penelitian ini penulis menggunakan 92 citra bone radiograph data
training di mana terdapat 46 citra bone radiograph normal dan 46 citra bone
radiograph osteoporosis. Rangkuman citra bone radiograph yang digunakan untuk
training dapat dilihat pada Tabel 4.3.
Tabel 4.3 Citra bone radiograph sebagai data training
No. ImageName
Classification
Normal
Osteoporosis
1.
Image_0_04 X
2.
Image_0_05 X
3.
Image_0_06 X
4.
Image_0_07 X
5.
Image_0_08 X
6.
Image_1_03
X
7.
Image_1_04
X
8.
Image_1_05
X
9.
Image_1_06
X
…
…
90.
Image_0_54 X
91.
Image_0_55 X
92.
Image_1_54
Jumlah
…
…
X
46
46
Pelatihan data digunakan untuk mencari bobot-bobot yang terdapat pada setiap
layer yang akan digunakan selanjutnya pada saat pengujian data yang tidak dilakukan
pelatihan. Suatu set parameter (metode propagasi One-Of-N) terdiri dari sensitivity
threshold, error threshold, learning rate 1, dan learning rate 2. Citra bone radiograph
sebagai data testing berjumlah 24, di mana terdapat 12 citra bone radiograph normal
Universitas Sumatera Utara
56
dan 12 citra bone radiograph osteoporosis. Rangkuman citra bone radiograph sebagai
data testing dapat dilihat pada Tabel 4.4. Hasil pelatihan data dengan menggunakan
metode propagasi One-Of-N pada suatu dataset dapat dilihat di Tabel 4.5.
Tabel 4.4 Citra bone radiograph sebagai data testing
No. ImageName
Classification
Normal
Osteoporosis
1.
Image_0_1
X
2.
Image_0_2
X
3.
Image_0_3
X
4.
Image_1_1
X
5.
Image_1_2
X
…
…
22.
Image_1_11
23.
Image_0_24 X
24.
Image_0_56 X
Jumlah
…
…
X
12
12
Tabel 4.5 Parameter dan hasil pelatihan pada bone radiograph suatu dataset
Parameter Sensitivity Error
Learning Learning Total Estimated Recall
set
threshold
threshold rate 1
rate 2
Node time
data
1.
0.9
0.001
0.01
0.01
92
0.1248
83.33 %
2.
0.9
0.01
0.05
0.05
87
0.0156
83.33 %
3.
0.9
0.09
0.09
0.09
55
0
54.16 %
4.
0.5
0.09
0.1
0.1
55
0.0312
58.33 %
5.
0.5
0.01
0.5
0.5
86
0.0486
87.50 %
6.
0.5
0.05
0.9
0.9
53
0
58.33 %
7.
0.5
0.1
0.1
0.1
55
0.0156
58.33 %
8.
0.1
0.5
0.5
0.5
49
0.
58.33 %
9.
0.1
0.9
0.9
0.9
51
0.0312
58.33 %
Universitas Sumatera Utara
57
Parameter yang berbeda akan menghasilkan jumlah node, waktu eksekusi, dan
hasil klasifikasi yang berbeda pula. Grafik waktu eksekusi, hasil pelatihan, dan akurasi
pengujian dapat dilihat pada Gambar 4.14, Gambar 4.15, dan Gambar 4.16.
0,14
0,12
Time (s)
0,1
0,08
0,06
0,04
0,02
0
1
2
3
4
5
6
7
8
9
Parameter set
Gambar 4.14 Grafik hasil pelatihan (waktu eksekusi) pada dataset
100
90
80
Total node
70
60
50
40
30
20
10
0
1
2
3
4
5
6
7
8
9
Parameter set
Gambar 4.15 Grafik hasil pelatihan (total node) pada dataset
Universitas Sumatera Utara
58
100,00
90,00
80,00
Accuracy (%)
70,00
60,00
50,00
40,00
30,00
20,00
10,00
1
2
3
4
5
6
7
8
9
Parameter set
Gambar 4.16 Grafik hasil pelatihan (akurasi pengujian) pada dataset
Dari hasil pengujian didapat bahwa parameter dengan hasil terbaik
dibandingkan dengan parameter yang digunakan pada penelitian ini dari evolving
layer untuk klasifikasi bone radiograph adalah metode One-Of-N dengan sensitivity
threshold=0.5, error threshold=0.01, learning rate1=0.5, dan learning rate 2=0.5 di
mana diraih akurasi 87.50% dari data testing.
Data hasil testing (detection dan diagnosis) untuk 24 sample (propagasi OneOf-N) dapat dilihat pada Tabel 4.6.
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset
No. Sample
Actual Output
Desired Output
Normal Osteoporosis Normal Osteoporosis
1.
1
X
X
2.
2
X
X
3.
3
X
X
4.
4
X
X
5.
5
X
X
6.
6
X
X
Universitas Sumatera Utara
59
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset (lanjutan)
Actual Output
Desired Output
No.
Sample
7.
7
X
X
8.
8
X
X
9.
9
X
10.
10
X
X
11.
11
X
X
12.
12
X
X
13.
13
X
X
14.
14
X
X
15.
15
X
X
16.
16
X
X
17.
17
X
18.
18
X
X
19.
19
X
X
20.
20
X
X
21.
21
X
22.
22
X
X
23.
23
X
X
24.
24
X
X
Correct
Classification
Normal Osteoporosis Normal Osteoporosis
11
X
10
X
X
2
1
Detail hasil testing data sample pada dataset yang telah ditentukan dapat dilihat
pada Tabel 4.7. Dari 12 sampel bone radiograph normal, didapat nilai True positive
11 dan False positive 1 yang maksudnya adalah dari 12 sampel bone radiograph
normal 11 diantaranya teridentifikasi normal dan 1 teridentifkasi osteoporosis. Pada
bone radiograph osteoporosis, didapat nilai True negative 10 dan False negative 2
yang maksudnya adalah dari 12 sampel bone radiograph normal 10 diantaranya
teridentifikasi osteoporosis dan 2 teridentifikasi normal. Nilai-nilai True positive,
Universitas Sumatera Utara
60
False positive, True negative, dan False negative diperlukan untuk mengukur kinerja
hasil diagnosis.
Tabel 4.7 Detail hasil testing data sample pada dataset
No. Keterangan
Jumlah Persentase
1.
True positive
11
2.
True negative
10
3.
False positive
1
4.
False negative
2
5.
Sensitivity (TP rate)
84.61 %
6.
Specificity (TN rate)
90.90 %
7.
Positive predictive value (PPV)
91.00 %
8.
Negative predictive value (NPV)
83.33 %
9.
Overall accuracy
87.50 %
10.
FN rate
15.39 %
11.
FP rate
9%
12.
Positive likelihood ratio
8.46
13.
Negative likelihood ratio
1.71
Total sample
24
Universitas Sumatera Utara
61
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang dapat diambil berdasarkan pengujian sistem berbasis CAD dengan
menggunakan evolving Multilayer Perceptron (eMLP) antara lain:
1. Sensitivity threshold=0.5, error threshold=0.01, learning rate 1=0.5, dan
learning rate 2=0.5 merupakan parameter yang digunakan dengan hasil terbaik
dibandingkan dengan parameter yang lain digunakan di penelitian ini pada
jaringan eMLP untuk klasifikasi pada citra bone radiograph dengan akurasi
87.50% dengan dataset atau citra-citra yang sudah ditentukan.
2. Pada bone radiograph dataset yang sudah ditentukan didapat nilai sensitivitas
dan spesifisitas yang diperoleh masing-masing yaitu 84.61% dan 90.90%.
5.2 Saran
Beberapa saran penulis untuk penelitian selanjutnya yaitu:
1. Gunakan metode ekstraksi fitur lainnya untuk mendapatkan nilai ciri atau
karakteristik yang lebih unik ditemukan pada setiap citra.
2. Parameter berbeda dan citra yang digunakan untuk training dan testing dapat
menghasilkan hasil yang berbeda juga, oleh karena itu penulis menyarankan
untuk penelitian selanjutnya memakai neural network selain dari set parameter
metode propagasi One-Of-N dan membuat dataset dengan citra-citra yang
tidak digunakan pada penelitian ini baik untuk pelatihan maupun pengujian.
Universitas Sumatera Utara
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Identifikasi Masalah
Osteoporosis merupakan penyakit yang ditandai dengan penurunan kepadatan mineral
tulang, perubahan mikroarsitektur tulang, dan penurunan kualitas jaringan tulang. Saat
ini identifikasi osteoporosis masih dilakukan secara manual oleh pakar Rheumatologi
melalui citra hasil X-Ray, sehingga hasil identifikasi tergantung dari keahlian dan
pengalaman pakar Rheumatologi mengenai osteoporosis. Oleh karena itu diperlukan
suatu pengolahan citra pada citra bone radiograph untuk membantu dokter atau ahli
rheumatologi dalam mendiagnosis osteoporosis.
3.2 Dataset
Dataset yang digunakan pada penelitian ini adalah dataset bone radiograph.
Dataset terdiri dari 116 citra digital bone radiograph di mana terdapat 58 citra digital
bone radiograph normal dan 58 citra bone radiograph osteoporosis.
Dataset bone radiograph diambil dari IEEE-ISBI 2014 competition dataset
(http://www.univ-orleans.fr/i3mto/challenge-ieee-isbi-bone-texture-characterization).
Ukuran citra bone radiograph yang diperoleh yaitu
format TIFF.
×
piksel, dengan
3.3 Metode Penelitian
Pada penelitian ini, metode penelitian terdiri atas proses pelatihan dan proses
pengujian. Proses pelatihan dan pengujian dapat dilihat pada Gambar 3.1.
Universitas Sumatera Utara
28
Gambar 3.1. Arsitektur umum proses pelatihan dan pengujian
Adapun proses-proses yang dilakukan antara lain:
1. Input
Pada tahap ini, sistem membaca data input yang dimasukkan user, data input
harus berupa file citra berskala keabuan dan berekstensi .tiff.
2. Proses
a. Pre-processing
Citra diproses dengan terlebih dahulu melakukan perbaikan citra menggunakan
teknik imadjust untuk transformasi intensitas, Median Filtering untuk
menghilangkan noise, dan Contrast Limited Adaptive Histogram Equalization
(CLAHE).
Universitas Sumatera Utara
29
CLAHE digunakan untuk meningkatkan kualitas citra menjadi lebih baik lagi
dengan mengatur kekontrasan citra sehingga dapat menampilkan bagianbagian 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
0o, GLCM dengan jarak spasial 1 dan sudut 45o, GLCM dengan jarak spasial 1
dan sudut 90o, dan GLCM dengan jarak spasial 1 dan sudut 135o.
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 (Sthr), error threshold (Ethr), 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
Jaringan yang telah dilatih pada tahap sebelumnya digunakan oleh sistem
dalam mengklasifikasikan citra input yaitu citra bone radiograph.
3. Output
Output dari citra digital bone radiograph ada 2 klasifikasi yaitu normal dan
osteoporosis.
3.4 Analisis Sistem
Sistem yang akan dibangun adalah sistem Computer Aided Diagnosis (CAD)
menggunakan evolving Multilayer Perceptron. CAD merupakan suatu sistem
diagnosis menggunakan suatu komputer dengan citra medis oleh ahli radiologi dalam
membuat interpretasinya. Sistem CAD lalu akan mengidentifikasi citra digital bone
radiograph dan mengklasifikasikan antara citra bone radiograph normal atau
osteoporosis. Sistem akan menerima input berupa citra digital bone radiograph. Data
tersebut diproses dengan terlebih dahulu dengan melakukan image enhancement atau
Universitas Sumatera Utara
31
perbaikan citra menggunakan teknik adjust, median filtering dan metode CLAHE,
kemudian menggunakan metode feature extraction GLCM dari citra yang sudah
diperbaiki tersebut untuk mendapatkan fitur tekstur. Kemudian fitur tekstur tersebut
diproses dengan metode evolving multilayer perceptron untuk diklasifikasikan ke
dalam 2 kategori normal atau osteoporosis.
Algoritma ECoS yang dipakai yaitu algoritma Simple Evolving Connectionist
Systems (SECoS) atau disebut juga evolving Multilayer Perceptron (eMLP), untuk
selanjutnya penulis akan sebut eMLP. Adapun gambaran algoritma eMLP dapat
dilihat pada Gambar 3.3.
Gambar 3.3 Arsitektur umum SECoS (Kasabov, 2007)
Ekstraksi fitur pada citra input menggunakan GLCM yaitu matriks yang
merepresentasikan hubungan ketetanggaan antara dua piksel dalam citra berskala
keabuan (grayscale) pada arah orientasi tertentu dan jarak spasial. GLCM merupakan
matriks berukuran n x n, di mana n adalah banyaknya level abu-abu yang dimiliki oleh
citra grayscale. Langkah-langkah ekstraksi fitur menggunakan GLCM adalah sebagai
berikut:
a. Tentukan gray level sebagai ukuran matriks.
Universitas Sumatera Utara
32
b. Tentukan jarak spasial dan sudut orientasi antara piksel referensi dengan piksel
tetangga. Jarak yang digunakan pada penelitian ini adalah 1 dan sudut yang
digunakan adalah 0, 45, 90, 135.
c. Hitung nilai kookurensi berdasarkan jarak dan sudut yang telah ditentukan.
d. Jumlahkan matriks kookurensi dengan matriks transposenya agar matriks
kookurensi menjadi simetris.
e. Normalisasi matriks kookurensi ke bentuk probabilitas dengan cara membagi
masing-masing nilai kookurensi dengan jumlah semua nilai kookurensi yang
ada pada matriks, sehingga hasil penjumlahan semua nilai pada matriks
bernilai 1.
f. Hitung fitur tekstur yang diusulkan oleh Haralick. 4 fitur tekstur yang
digunakan pada penelitian ini adalah contrast, correlation, energy, dan
homogeneity.
Hasil dari perhitungan tersebut diubah ke dalam bentuk vektor kolom. Karena
terdapat 4 matriks GLCM di mana setiap masing-masing dari matriks tersebut
menghasilkan 4 tekstur fitur, maka secara keseluruhan terdapat 16 fitur yang
selanjutnya digunakan pada tahap pembelajaran dengan metode eMLP.
Cara kerja sistem CAD yang akan dibangun terdiri dari 2 proses yaitu proses
training dan proses testing. Adapun cara kerja sistem pada saat training antara lain
sebagai berikut:
1. Input citra.
2. Lakukan image enhancement menggunakan metode adjust, median filtering,
dan CLAHE kemudian bentuk matriks GLCM dengan grey level (GL) atau
brightness value sebesar 64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan fitur tekstur dari matriks GLCM
yang telah dinormalisasi.
4. Input nilai sensitivity threshold (Strh), error threshold (Ethr), learning rate 1
(Lr1), dan learning rate 2 (Lr2).
5. Set node pertama sama dengan 1 dan set bobot 1 dan bobot 2 di mana bobot 1
adalah input vektor akhir dan bobot 2 adalah target vektor akhir.
6. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13.
Universitas Sumatera Utara
33
7. Cari node dengan nilai aktivasi tertinggi.
8. Jika nilai maksimum A1 lebih kecil dari nilai sensitivity threshold maka node
ditambah satu dan bobot vektor masukan diberi inisialisasi sesuai dengan input
vector I dan bobot vektor keluarnya diinisialisasi sesuai dengan desiredoutput
vector Od, kemudian menuju ke langkah (13).
9. Lakukan propagasi terhadap most highly activated node dengan menggunakan
metode OneOfN yaitu nilai yang digunakan untuk propagasi maju dari
evolving layer ke output layer menggunakan node dengan nilai aktivasi
tertinggi.
10. Hitung error yaitu selisih antara desired output dan actual output.
11. Jika error antara desired output dan actual output yang dihasilkan dari nodenode yang aktif lebih besar dari error threshold (Ethr) atau desired output dari
node yang aktif tidak sama dengan desired output pada saat i maka node
ditambah satudan bobot vektor masukan diberi inisialisasi sesuai dengan input
vector I dan bobot vektor keluarnya diinisialisasi sesuai dengan desired output
vector Od, kemudian menuju ke langkah (13).
12. Nilai bobot 1 diubah menggunakan Persamaan 2.15 dan nilai bobot 2 diubah
menggunakan Persamaan 2.16.
13. Melakukan pelatihan terhadap data selanjutnya dan menuju langkah (6).
Ketika seluruh data sudah dilatih, jumlah node dan matriks bobot yang terkait
pada setiap node kemudian disimpan untuk selanjutnya digunakan pada proses
testing.
Cara kerja sistem pada saat testing antara lain sebagai berikut:
1. Input citra dan lakukan perbaikan citra menggunakan metode adjust, median
filtering, dan CLAHE.
2. Bentuk matriks GLCM dengan grey level (GL) atau brightness value sebesar
64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan tekstur fitur dari matriks GLCM
yang telah dinormalisasi.
4. Inisialisasi jumlah node sama dengan jumlah keseluruhan node dari hasil
pelatihan dan inisialisasi nilai dari bobot yang terkait dengan node-node
tersebut.
Universitas Sumatera Utara
34
5. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13.
6. Cari node dengan nilai aktivasi tertinggi.
7. Lakukan propagasi pada evolving layer menggunakan OneOfN.
8. Actual output akan dibagi menjadi 2 bagian yaitu normal dan osteoporosis
9. Melakukan testing terhadap data selanjutnya dan menuju langkah (2).
Cara kerja sistem bagian testing terhadap data baru antara lain sebagai berikut:
1. Input citra dan lakukan perbaikan citra menggunakan metode adjust, median
filtering, dan CLAHE.
2. Bentuk matriks GLCM dengan grey level (GL) atau brightness value sebesar
64 dan jarak sebesar 1.
3. Buat vektor kolom dari hasil perhitungan tekstur fitur dari matriks GLCM
yang telah dinormalisasi.
4. Inisialisasi jumlah node sama dengan jumlah keseluruhan node dari hasil
pelatihan dan inisialisasi nilai dari bobot yang terkait dengan node-node
tersebut.
5. Hitung nilai aktivasi (A1) dari input vektor menggunakan Persamaan 2.13.
6. Cari node dengan nilai aktivasi tertinggi.
7. Lakukan propagasi terhadap evolving layer menggunakan OneOfN.
8. Actual output akan dibagi menjadi 2 bagian yaitu normal dan osteoporosis.
9. Melakukan testing terhadap data selanjutnya dan menuju langkah (2).
Adapun gambaran proses algoritma eMLP pada sistem dapat dilihat pada Gambar 3.4.
Universitas Sumatera Utara
35
Gambar 3.4 Algoritma eMLP pada sistem
Universitas Sumatera Utara
36
3.5 Perancangan Sistem
Pada tampilan awal aplikasi CAD, terdapat beberapa menu yaitu menu file dengan
sub-menu open dan sub-menu exit, menu classification dengan sub-menu new dan
sub-menu eMLP, serta menu help dengan sub-menu get started dan sub-menu about.
Di dalam tampilan awal aplikasi CAD juga terdapat panel “ORIGINAL IMAGE” dan
“ENHANCED IMAGE” untuk menampilkan citra input baru yang asli dan setelah di
perbaiki dan juga tersedia tombol “INFO” untuk melihat informasi mengenai citra.
Panel “GLCM INFO” juga disajikan di dalam tampilan awal aplikasi untuk melihat
nilai-nilai GLCM setiap fitur dan setiap vektor. Panel “PREDICTION” pada tampilan
awal aplikasi CAD juga disajikan tombol “CHECK” untuk melihat hasil prediksi citra
input baru untuk menentukan suatu citra di klasifikasikan sebagai citra bone
radiograph yang normal atau osteoporosis dan tombol “EXIT” untuk keluar dari
tampilan utama. Rancangan tampilan awal aplikasi CAD dapat dilihat pada Gambar
3.5.
Gambar 3.5 Rancangan tampilan awal aplikasi CAD
Universitas Sumatera Utara
37
Salah satu sub-menu dari menu classification yaitu sub-menu create dataset.
Pada tampilan create dataset, disajikan 3 panel yaitu “INPUT TRAINING SET”,
“INPUT TESTING SET”, dan “DATASET NAME”. Pada panel “INPUT TRAINING
SET”, terdapat tombol “NORMAL” dan “OSTEO”. Tombol “NORMAL” pada panel
“INPUT TRAINING SET” digunakan untuk membuka citra bone radiograph normal
yang akan digunakan sebagai data training dan tombol “OSTEO” di panel yang sama
digunakan untuk membuka citra bone radiograph osteoporosis yang akan digunakan
sebagai data training. Pada panel “INPUT TESTING SET” juga terdapat tombol
“NORMAL” dan “OSTEO”. Tombol “NORMAL” pada panel “INPUT TESTING
SET” digunakan untuk membuka citra bone radiograph normal yang akan digunakan
sebagai data testing dan tombol “OSTEO” pada panel yang sama digunakan untuk
membuka citra bone radiograph osteoporosis yang akan digunakan sebagai data
testing. Panel “DATASET NAME” digunakan untuk memberi nama pada dataset
yang baru. Tombol “CREATE” digunakan untuk membuat dataset dan tombol
“CANCEL” digunakan bila user tidak jadi membuat dataset baru. Rancangan
tampilan dari sub-menu create dataset dapat dilihat pada Gambar 3.6.
Universitas Sumatera Utara
38
Gambar 3.6 Rancangan tampilan menu Create Dataset
Sub-menu lain dari menu classification yaitu sub-menu evolving Multilayer
Perceptron (eMLP). Pada tampilan ini terdapat menu File untuk dan sub-menu Open
untuk memilih dataset yang akan dilatih dan diuji dan juga terdapat sub-menu Close
untuk menutup tampilan eMLP. Pada tampilan terdapat ini panel N. PARAMETER
untuk melihat dan mengubah nilai parameter. Tombol “TRAIN” digunakan untuk
melatih data-data dari dataset yang dipilih dengan parameter yang telah ditentukan
pada panel “N. PARAMETER” dan tombol “RECALL” digunakan untuk menguji
data-data dari dataset yang dipilih. Pada panel “RESULTS” disajikan nilai akurasi
pelatihan di “TRAINING ACCURACY”, nilai akurasi pengujian di “TEST
ACCURACY” dan akurasi rata-rata di “OVERALL ACCURACY”. Tombol
“RESULTS” digunakan untuk melihat hasil dari pelatihan dan pengujian di tampilan
baru dan tombol “OK” digunakan untuk keluar dari tampilan eMLP. Terdapat juga
panel “SELECT TRAINING INPUT” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Training
Inputs” dan box “TRAINING INPUT SAMPLES” untuk menampilkan jumlah
sample, “SELECT TRAINING TARGETS” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Training
Targets” dan box “TRAINING TARGET SAMPLES” untuk menampilkan jumlah
sample, “SELECT TESTING INPUT” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Test
Inputs” dan box “TESTING INPUT SAMPLES” untuk menampilkan jumlah sample,
dan “SELECT TESTING TARGETS” yang menampilkan variabel-variabel dari
dataset yang telah dipilih sebelumnya dan selanjutnya user memilih variabel “Test
Targets” dan box “TRAINING TARGET SAMPLES” untuk menampilkan jumlah
sample. Rancangan tampilan dari sub-menu evolving Multilayer Perceptron (eMLP)
dapat dilihat pada Gambar 3.7.
Universitas Sumatera Utara
39
Gambar 3.7 Rancangan tampilan menu evolving Multilayer Perceptron (eMLP)
Pada tampilan “RESULTS”, terdapat tabel “TRAINING RESULT TABLE”,
“DETECTION TABLE”, dan “TESTING RESULT TABLE”. “TRAINING RESULT
TABLE” menampilkan hasil pelatihan dengan waktu dan node-node yang ditambah
pada setiap data-data training. “DETECTION TABLE” menampilkan hasil klasifikasi
dengan akurasi. “TESTING RESULT TABLE” menampilkan hasil klasifikasi untuk
setiap citra berdasarkan actual output dan desired output. Tombol “SHOW SAMPLE”
digunakan untuk melihat citra yang user ingin lihat berdasarkan nomor sample. Pada
tampilan “SHOW SAMPLE”, ditampilkan citra yang user ingin lihat sesuai dengan
nomor sample dan disajikan dengan citra sebelum dan sesudah perbaikan. Tampilan
“RESULTS” dapat dilihat di Gambar 3.8 dan tampilan “SHOW SAMPLE” dapat
dilihat pada Gambar 3.9.
Universitas Sumatera Utara
40
Gambar 3.8 Rancangan tampilan Results
Gambar 3.9 Rancangan tampilan pemilihan Show Sample
Universitas Sumatera Utara
41
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Algoritma Evolving Connectionist Systems (ECoS) yang diimplementasikan ke dalam
sistem menggunakan MATLAB R2012b 64-bit sesuai dengan perancangan yang telah
dilakukan sebelumnya. Ukuran kinerja hasil diagnosis dapat dilihat pada Tabel 4.1.
Tabel 4.1 Ukuran kinerja hasil diagnosis (Kadah, 2012)
No. Index
1.
Formula
Keterangan
Sensitivity (TP rate)
Kemampuan untuk mengidentifikasi TP/(TP+FN)
adanya penyakit
2.
Specificity (TN rate)
Kemampuan untuk mengidentifikasi TN/(TN+FP)
ketiadaan penyakit
3.
Positive
predictive Keandalan dari hasil yang positif
TP/(TP+FP)
predictive Keandalan dari hasil yang negatif
TN/(TN+FN)
value (PPV)
4.
Negative
value (NPV)
5.
Overall accuracy
Keandalan secara keseluruhan
6.
FN rate
Proporsi antara FN dan semua yang FN/(FN+TP) =
terkena dampak
7.
FP rate
(1-Sensitivity)
Proporsi antara FP dan semua yang FP/(FP+TN) =
tidak terkena dampak
8.
(TP+TN)/(TP+TN+FP+FN)
Positive likelihood ratio
(1- Specificity)
Peningkatan probabilitas penyakit Sensitivity/(1-Specificity)
ketika hasilnya positif
9.
Negative
ratio
likelihood Penurunan
probabilitas
penyakit (1-Sensitivity)/Specificity
ketika hasilnya negatif
Universitas Sumatera Utara
42
Dalam mengevaluasi kinerja hasil pemeriksaan, penulis membandingkan
hasilnya sesuai dengan “Gold Standard” di mana penilaiannya antara lain:
True Positive (TP)
False Positive (FP)
True Negative (TN)
False Negative (FN)
4.1.1 Spesifikasi software dan hardware yang digunakan
Spesifikasi perangkat lunak (software) dan perangkat keras (hardware) yang
digunakan dalam membangun sistem CAD ini adalah sebagai berikut:
1. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 64-bit
Service Pack 1.
2. MATLAB R2012b 64-bit.
3. Processor Intel® Core™ i7-3517U CPU @ 1.90 GHz (4CPUs), ~2-4 GHz.
4. 4.00GB Single-Channel DDR3 @ 798MHz.
5. Storage 698GB Seagate ST750LM022 HN-M750MBB(SATA).
4.1.2 Implementasi perancangan antarmuka
Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada
sistem CAD adalah:
1. Tampilan awal aplikasi CAD
Tampilan awal aplikasi CAD merupakan tampilan yang pertama kali muncul
ketika sistem berjalan. Ada beberapa menu dan tombol yang dapat dipilih dan
memiliki fungsi masing-masing. Tampilan awal aplikasi CAD dapat dilihat
pada Gambar 4.1.
Universitas Sumatera Utara
43
Gambar 4.1 Tampilan awal aplikasi CAD
2. Tampilan menu Create Dataset
Tampilan menu Create Dataset digunakan untuk membuat dataset baru dari
citra yang ada di komputer. Data tersebut terdiri atas data training dan data
testing untuk masing-masing citra bone radiograph normal dan osteoporosis.
Dataset tersebut akan disimpan ke sebuah file berekstensi .mat. Tampilan
menu Create Dataset dapat dilihat pada Gambar 4.2.
Universitas Sumatera Utara
44
Gambar 4.2 Tampilan menu Create Dataset
3. Tampilan menu evolving MultilayerPerceptron (eMLP)
Tampilan menu evolving Multilayer Perceptron (eMLP) dapat dilihat pada
Gambar 4.3. Tampilan menu ini digunakan untuk melatih dan menguji suatu
dataset menggunakan metode eMLP. Result dari data testing dapat dilihat pada
Gambar 4.4.
Universitas Sumatera Utara
45
Gambar 4.3 Tampilan menu evolving Multilayer Perceptron (eMLP)
4. Tampilan hasil klasifikasi
Tampilan hasil klasifikasi digunakan untuk menampilkan hasil temuan dan
hasil diagnosis. Hasil klasifikasi ini dipresentasikan dalam bentuk tabel.
Perbandingan antara actual output dan desired output dapat dilihat pada tabel
Testing Result. Sample data uji dapat dilihat berdasarkan urutan data sample.
Tampilan hasil klasifikasi dapat dilihat pada Gambar 4.4.
Universitas Sumatera Utara
46
Gambar 4.4 Tampilan hasil klasifikasi
5. Tampilan pemilihan citra secara manual
Tampilan pemilihan citra secara manual digunakan untuk memilih citra yang
ingin dilihat oleh user dan disajikan dalam bentuk citra asli dan citra setelah di
enhanced. Tampilan pemilihan citra secara manual dapat dilihat pada Gambar
4.5.
Universitas Sumatera Utara
47
Gambar 4.5 Tampilan pemilihan citra secara manual
4.1.3 Implementasi data
Data yang dimasukkan ke dalam sistem CAD adalah citra bone radiograph normal
dan osteoporosis.
Pada penelitian ini penulis menggunakan dataset yang diambil dari IEEE-ISBI
2014 competition dataset (http://www.univ-orleans.fr/i3mto/challenge-ieee-isbi-bonetexture-characterization). Dataset berjumlah 116 di mana terdapat 58 bone radiograph
normal dan 58 bone radiograph osteoporosis. Rangkuman benchmark data atau
dataset bone radiograph yang diperoleh tersebut dapat dilihat pada Tabel 4.2.
Tabel 4.2. Rangkuman bone radiograph dataset
No.
File Name
Normal
1.
Image_0_01
X
2.
Image_0_02
X
3.
Image_0_03
X
4.
Image_0_04
X
5.
Image_0_05
X
…
…
…
112
Image_1_54
Osteoporosis
…
X
Universitas Sumatera Utara
48
Tabel 4.2. Rangkuman bone radiograph dataset (Lanjutan)
No.
File Name
Normal
Osteoporosis
113
Image_1_55
X
114
Image_1_56
X
115
Image_1_57
X
116
Image_1_58
X
Total
58
58
4.2 Prosedur Operasional
Tampilan awal dari aplikasi ini terdiri dari tiga menu utama, yaitu menu File,
Classification, dan Help.
Gambar 4.6 Tampilan awal aplikasi
Universitas Sumatera Utara
49
4.2.1 Menu file
Ada 2 sub-menu dari menu File yaitu Open dan Exit. Sub-menu Load Image
digunakan untuk memilih citra bone radiograph sebagai input baru untuk
diklasifikasikan dengan menggunakan jaringan yang telah dilatih. Sub-menu Exit
digunakan untuk keluar dari aplikasi yang sedang berjalan.
Sub-menu Open dapat dilihat pada Gambar 4.7. Pada tampilan awal aplikasi
terdapat tombol “Exit” yang fungsinya sama dengan sub-menu Exit yaitu untuk keluar
dari aplikasi yang sedang berjalan.
Gambar 4.7 Tampilan sub-menu Open
Citra yang dipilih akan diperbaiki menggunakan metode adjust, median
filtering, dan CLAHE. Citra asli dan citra hasil perbaikan akan ditampilkan kembali di
tampilan awal aplikasi CAD. Tombol “Info” pada panel Original Image dan Enhanced
Image digunakan untuk melihat informasi citra. Tombol “GLCM 0”, “GLCM 45”,
Universitas Sumatera Utara
50
“GLCM 90”, “GLCM 135” digunakan untuk melihat nilai-nilai fitur di setiap vektor.
Hal ini dapat dilihat pada Gambar 4.8.
Gambar 4.8 Tampilan awal aplikasi setelah memilih citra input baru
4.2.2 Menu Classification
Pada menu Classification terdapat 2 sub-menu yaitu New dan evolving Multilayer
Perceptron (eMLP). Sub-menu New digunakan untuk membuat dataset baru. Submenu ini dapat dilihat pada Gambar 4.9.
Universitas Sumatera Utara
51
Gambar 4.9 Tampilan sub-menu New
Keterangan tombol pada panel Training Set pada Gambar 4.9:
Tombol “Normal” digunakan untuk memilih citra bone radiograph
normal sebagai data latih.
Tombol “Osteo” digunakan untuk memilih citra bone radiograph
osteoporosis sebagai data latih.
Keterangan tombol pada panel Test Set pada Gambar 4.9:
Tombol “Normal” digunakan untuk memilih citra bone radiograph
normal sebagai data uji.
Tombol “Osteo” digunakan untuk memilih citra bone radiograph
sebagai data uji.
Tombol “Create” digunakan untuk membuat dataset baru sesuai dengan nama
yang diinginkan.
Universitas Sumatera Utara
52
Sub-menu evolving Multilayer Perceptron (eMLP) digunakan untuk melatih
dan menguji suatu dataset. Sub-menu ini dapat dilihat pada Gambar 4.10.
Gambar 4.10 Tampilan sub-menu evolving Multilayer Perceptron (eMLP)
Keterangan Gambar 4.10:
Pada menu File terdapat 2 sub-menu yaitu Open dan Close. Sub-menu
Open digunakan untuk memilih dataset yang akan digunakan untuk
pelatihan dan pengujian. Sub-menu Close memiliki fungsi yang sama
seperti tombol “OK” yaitu untuk keluar dari halaman yang sedang
berjalan.
Tombol “Train” digunakan untuk melatih data training sedangkan
tombol “Recall” untuk menguji data testing. Hal ini dapat dilihat pada
Gambar 4.11.
Universitas Sumatera Utara
53
Tombol “Result” digunakan untuk menampilkan hasil klasifikasi dari
data testing dan menampilkan hasil proses pelatihan. Hal ini dapat
dilihat pada Gambar 4.12.
Gambar 4.11 Tampilan train dan recall suatu dataset
Tombol “Show” pada Gambar 4.12 digunakan untuk menampilkan citra suatu
sample beserta citra hasil perbaikannya.
4.2.3Menu help
Pada menu Help terdapat 2 sub-menu yaitu Get Started dan About. Sub-menu Get
Started digunakan untuk menampilkan tutorial penggunakan aplikasi CAD dalam
bentuk file dokumen berformat .pdf. Sub-menu About digunakan untuk menampilkan
versi dari aplikasi CAD, sub-menu ini dapat dilihat pada Gambar 4.13.
Universitas Sumatera Utara
54
Gambar 4.12 Contoh hasil klasifikasi suatu dataset
Gambar 4.13 About
4.3 Evaluasi Pengujian Sistem
Pelatihan dan pengujian dapat dilakukan dengan menggunakan dataset yang sudah
ada, di mana dataset tersebut berekstensi .mat. Selain itu, pelatihan dan pengujian
dapat dilakukan dengan membuat dataset baru di mana pengguna dapat memilih citra
bone radiograph secara manual untuk digunakan dalam proses pelatihan ataupun
pengujian.
Universitas Sumatera Utara
55
4.3.1 Pelatihan dan pengujian pada dataset
IEEE-ISBI 2014 competition dataset terdiri dari 116 citra bone radiograph di mana
terdapat 58 citra bone radiograph normal dan 58 citra bone radiograph osteoporosis.
Pada penelitian ini penulis menggunakan 92 citra bone radiograph data
training di mana terdapat 46 citra bone radiograph normal dan 46 citra bone
radiograph osteoporosis. Rangkuman citra bone radiograph yang digunakan untuk
training dapat dilihat pada Tabel 4.3.
Tabel 4.3 Citra bone radiograph sebagai data training
No. ImageName
Classification
Normal
Osteoporosis
1.
Image_0_04 X
2.
Image_0_05 X
3.
Image_0_06 X
4.
Image_0_07 X
5.
Image_0_08 X
6.
Image_1_03
X
7.
Image_1_04
X
8.
Image_1_05
X
9.
Image_1_06
X
…
…
90.
Image_0_54 X
91.
Image_0_55 X
92.
Image_1_54
Jumlah
…
…
X
46
46
Pelatihan data digunakan untuk mencari bobot-bobot yang terdapat pada setiap
layer yang akan digunakan selanjutnya pada saat pengujian data yang tidak dilakukan
pelatihan. Suatu set parameter (metode propagasi One-Of-N) terdiri dari sensitivity
threshold, error threshold, learning rate 1, dan learning rate 2. Citra bone radiograph
sebagai data testing berjumlah 24, di mana terdapat 12 citra bone radiograph normal
Universitas Sumatera Utara
56
dan 12 citra bone radiograph osteoporosis. Rangkuman citra bone radiograph sebagai
data testing dapat dilihat pada Tabel 4.4. Hasil pelatihan data dengan menggunakan
metode propagasi One-Of-N pada suatu dataset dapat dilihat di Tabel 4.5.
Tabel 4.4 Citra bone radiograph sebagai data testing
No. ImageName
Classification
Normal
Osteoporosis
1.
Image_0_1
X
2.
Image_0_2
X
3.
Image_0_3
X
4.
Image_1_1
X
5.
Image_1_2
X
…
…
22.
Image_1_11
23.
Image_0_24 X
24.
Image_0_56 X
Jumlah
…
…
X
12
12
Tabel 4.5 Parameter dan hasil pelatihan pada bone radiograph suatu dataset
Parameter Sensitivity Error
Learning Learning Total Estimated Recall
set
threshold
threshold rate 1
rate 2
Node time
data
1.
0.9
0.001
0.01
0.01
92
0.1248
83.33 %
2.
0.9
0.01
0.05
0.05
87
0.0156
83.33 %
3.
0.9
0.09
0.09
0.09
55
0
54.16 %
4.
0.5
0.09
0.1
0.1
55
0.0312
58.33 %
5.
0.5
0.01
0.5
0.5
86
0.0486
87.50 %
6.
0.5
0.05
0.9
0.9
53
0
58.33 %
7.
0.5
0.1
0.1
0.1
55
0.0156
58.33 %
8.
0.1
0.5
0.5
0.5
49
0.
58.33 %
9.
0.1
0.9
0.9
0.9
51
0.0312
58.33 %
Universitas Sumatera Utara
57
Parameter yang berbeda akan menghasilkan jumlah node, waktu eksekusi, dan
hasil klasifikasi yang berbeda pula. Grafik waktu eksekusi, hasil pelatihan, dan akurasi
pengujian dapat dilihat pada Gambar 4.14, Gambar 4.15, dan Gambar 4.16.
0,14
0,12
Time (s)
0,1
0,08
0,06
0,04
0,02
0
1
2
3
4
5
6
7
8
9
Parameter set
Gambar 4.14 Grafik hasil pelatihan (waktu eksekusi) pada dataset
100
90
80
Total node
70
60
50
40
30
20
10
0
1
2
3
4
5
6
7
8
9
Parameter set
Gambar 4.15 Grafik hasil pelatihan (total node) pada dataset
Universitas Sumatera Utara
58
100,00
90,00
80,00
Accuracy (%)
70,00
60,00
50,00
40,00
30,00
20,00
10,00
1
2
3
4
5
6
7
8
9
Parameter set
Gambar 4.16 Grafik hasil pelatihan (akurasi pengujian) pada dataset
Dari hasil pengujian didapat bahwa parameter dengan hasil terbaik
dibandingkan dengan parameter yang digunakan pada penelitian ini dari evolving
layer untuk klasifikasi bone radiograph adalah metode One-Of-N dengan sensitivity
threshold=0.5, error threshold=0.01, learning rate1=0.5, dan learning rate 2=0.5 di
mana diraih akurasi 87.50% dari data testing.
Data hasil testing (detection dan diagnosis) untuk 24 sample (propagasi OneOf-N) dapat dilihat pada Tabel 4.6.
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset
No. Sample
Actual Output
Desired Output
Normal Osteoporosis Normal Osteoporosis
1.
1
X
X
2.
2
X
X
3.
3
X
X
4.
4
X
X
5.
5
X
X
6.
6
X
X
Universitas Sumatera Utara
59
Tabel 4.6 Data hasil testing (detection dan diagnosis) pada dataset (lanjutan)
Actual Output
Desired Output
No.
Sample
7.
7
X
X
8.
8
X
X
9.
9
X
10.
10
X
X
11.
11
X
X
12.
12
X
X
13.
13
X
X
14.
14
X
X
15.
15
X
X
16.
16
X
X
17.
17
X
18.
18
X
X
19.
19
X
X
20.
20
X
X
21.
21
X
22.
22
X
X
23.
23
X
X
24.
24
X
X
Correct
Classification
Normal Osteoporosis Normal Osteoporosis
11
X
10
X
X
2
1
Detail hasil testing data sample pada dataset yang telah ditentukan dapat dilihat
pada Tabel 4.7. Dari 12 sampel bone radiograph normal, didapat nilai True positive
11 dan False positive 1 yang maksudnya adalah dari 12 sampel bone radiograph
normal 11 diantaranya teridentifikasi normal dan 1 teridentifkasi osteoporosis. Pada
bone radiograph osteoporosis, didapat nilai True negative 10 dan False negative 2
yang maksudnya adalah dari 12 sampel bone radiograph normal 10 diantaranya
teridentifikasi osteoporosis dan 2 teridentifikasi normal. Nilai-nilai True positive,
Universitas Sumatera Utara
60
False positive, True negative, dan False negative diperlukan untuk mengukur kinerja
hasil diagnosis.
Tabel 4.7 Detail hasil testing data sample pada dataset
No. Keterangan
Jumlah Persentase
1.
True positive
11
2.
True negative
10
3.
False positive
1
4.
False negative
2
5.
Sensitivity (TP rate)
84.61 %
6.
Specificity (TN rate)
90.90 %
7.
Positive predictive value (PPV)
91.00 %
8.
Negative predictive value (NPV)
83.33 %
9.
Overall accuracy
87.50 %
10.
FN rate
15.39 %
11.
FP rate
9%
12.
Positive likelihood ratio
8.46
13.
Negative likelihood ratio
1.71
Total sample
24
Universitas Sumatera Utara
61
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang dapat diambil berdasarkan pengujian sistem berbasis CAD dengan
menggunakan evolving Multilayer Perceptron (eMLP) antara lain:
1. Sensitivity threshold=0.5, error threshold=0.01, learning rate 1=0.5, dan
learning rate 2=0.5 merupakan parameter yang digunakan dengan hasil terbaik
dibandingkan dengan parameter yang lain digunakan di penelitian ini pada
jaringan eMLP untuk klasifikasi pada citra bone radiograph dengan akurasi
87.50% dengan dataset atau citra-citra yang sudah ditentukan.
2. Pada bone radiograph dataset yang sudah ditentukan didapat nilai sensitivitas
dan spesifisitas yang diperoleh masing-masing yaitu 84.61% dan 90.90%.
5.2 Saran
Beberapa saran penulis untuk penelitian selanjutnya yaitu:
1. Gunakan metode ekstraksi fitur lainnya untuk mendapatkan nilai ciri atau
karakteristik yang lebih unik ditemukan pada setiap citra.
2. Parameter berbeda dan citra yang digunakan untuk training dan testing dapat
menghasilkan hasil yang berbeda juga, oleh karena itu penulis menyarankan
untuk penelitian selanjutnya memakai neural network selain dari set parameter
metode propagasi One-Of-N dan membuat dataset dengan citra-citra yang
tidak digunakan pada penelitian ini baik untuk pelatihan maupun pengujian.
Universitas Sumatera Utara