Analisis Pendeteksian Penyakit Tbc & Efusi Pleura - Filter 2d Gabor Wavelet & Logika Fuzzy

BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM

17 ANALISIS PENDETEKSIAN PENYAKIT TUBERKULOSIS (TBC) DAN EFUSI PLEURA MENGGUNAKAN

FILTER 2D GABOR WAVELET DAN LOGIKA FUZZY

BAB III

PERANCANGAN DAN IMPLEMENTASI SISTEM

3.1 Perancangan Sistem

Sistem yang dibangun pada tugas akhir ini menggunakan filter 2D gabor

wavelet dan logika fuzzy. Hasil keluaran dari sistem ini akan mengklasifikasikan

kondisi paru-paru menjadi tiga kondisi yaitu normal, TBC, atau efusi pleura.

Secara garis besar, sistem yang dirancang sebagai berikut :

Mulai

Citra

Paru-Paru

Pre Processing

Ekstraksi Ciri dengan

Filter 2D Gabor Wavelet

Klasifikasi dengan

Logika Fuzzy

Selesai

Gambar 3.1 Diagram Alir Sistem Deteksi Kondisi Paru-Paru Secara Umum.

Pada Gambar 3.1, citra paru-paru yang diperoleh berupa hasil foto rontgen

paru-paru yang kemudian difoto kembali menggunakan kamera digital. Proses

pengambilan citra paru-paru ini dilakukan dalam dua tahap, yaitu sebagai citra

latih dan citra uji sehingga secara lebih rinci prosesnya terbagi dua seperti pada

gambar berikut :




Mulai

Citra Latih

Pre Processing



Klasifikasi dengan

Logika Fuzzy

Selesai

Hasil Citra yang

Telah Diklasifikasi

Kondisi Paru-Paru

Normal, TBC, Efusi

Gambar 3.2 Diagram Alir Proses Citra Latih

Pada Gambar 3.2, citra latih mengalami proses klasifikasi kemudian akan

diperoleh hasil citra yang telah diklasifikasikan dalam tiga kondisi yaitu normal,

TBC atau efusi. Hasil citra ini dijadikan sebagai database yang nantinya akan

digunakan pada proses citra uji.

Mulai

Citra Uji

Pre Processing



Pengenalan Klasifikasi

dengan Logika Fuzzy

Selesai

Kondisi Paru-Paru

Normal, TBC, Efusi

Database Citra Latih

Gambar 3.3 Diagram Alir Proses Citra Uji




Dari Gambar 3.2 dan 3.3 pada dasarnya tahap yang digunakan pada proses

citra latih dan citra uji hampir sama, yang membedakan yaitu pada proses citra uji,

setelah ekstraksi ciri digunakan database citra latih sebagai acuan untuk

pengenalan kondisi paru-paru.

3.2 Proses Pengambilan Citra Paru-paru

Pengambilan citra paru-paru dilakukan dengan menggunakan kamera

digital yang diperoleh dari hasil foto rontgen di RS. Al Islam Bandung. Selain itu,

citra paru-paru juga diperoleh dari dokter di RS. Al Islam Bandung yang

dikirimkan melalui email. Dalam hal ini citra yang diperoleh dalam format

*JPEG, dengan ukuran bervariasi, namun ukuran dominan yang diperoleh yaitu

256x256 piksel.

Foto Rontgen

Paru-Paru

Pengambilan

Gambar

Citra

Paru-Paru

Gambar 3.4 Diagram Blok Proses Pengambilan Gambar

3.3 Pre Processing

Pre processing merupakan sebuah proses awal yang dilakukan pada suatu

citra digital sebelum dilakukan pemrosesan citra selanjutnya. Pre processing pada

tugas akhir ini dibagi dalam dua tahap, tahap pertama mengubah ukuran gambar

yang diperoleh. Dari 120 gambar yang diperoleh, 75 gambar memiliki ukuran

256x256 piksel. Untuk keseragaman masukan pre processing diperlukan ukuran

data yang seragam. Oleh karena itu, dilakukan proses resize. Proses resize pada

tugas akhir ini, dilakukan secara manual menggunakan perangkat lunak paint.

Gambar 3.5 Citra Hasil Resize 256x256piksel




Pemrosesan awal (pre-processing) tahap 2 yaitu peningkatan kualitas citra,

metode yang digunakan pada tugas akhir ini yaitu pengontrasan (contrast

stretching), hal ini dilakukan karena hasil foto rontgen paru-paru memiliki kontras

yang kurang baik, sehingga gambar menjadi kabur. Hal ini menimbulkan

kesulitan untuk menentukan kondisi paru-paru tersebut. Untuk itu perlu dilakukan

pengontrasan contrast stretching pada histogram citra asli agar gambar paru-paru

nampak lebih jelas. Namun, sebelum dilakukan contrast stretching, terlebih

dahulu citra diubah menjadi keabuan. Hal ini dilakukan karena citra yang dapat

diolah pada contrast stretching hanya citra keabuan.

Citra Hasil

Pre Processing

Tahap 1

GrayscalePre Processing

Tahap II

Citra Hasil

Pre Processing

Tahap II

Gambar 3.7 Diagram Blok Pre Processing Tahap II.

Gambar 3.8 Citra Hasil Pre Processing Tahap II

Gambar 3.9 Histogram Citra




3.4 Ekstraksi Ciri

Ektraksi ciri merupakan cara yang dilakukan untuk mendapatkan ciri dari

sebuah citra. Proses ini merupakan tahap yang penting dalam mendeteksi citra

paru-paru normal, TBC atau efusi, dimana setiap pola citra paru-paru ini berbeda,

maka dari itu diperlukan ekstraksi ciri untuk membedakan masing-masing pola

citra paru-paru dari ketiga kondisi tersebut. Dari ekstraksi ciri akan diperoleh

informasi-informasi penting dari citra paru-paru. Teknik ekstraksi ciri dalam

penelitian ini menggunakan Filter 2D gabor wavelet.

Mulai

Hasil Pre Processing

Tahap II

Segmentasi Citra

Menjadi 6 Bagian

Gabor Wavelet

Transform

Selesai

Gambar 3.9 Diagram Alir Ekstraksi Ciri

3.4.1 Segmentasi Citra

Segmentasi Citra dilakukan untuk membagi citra menjadi enam bagian.

Bagian tersebut meliputi semua bagian paru-paru kanan dan kiri, sedangkan

bagian tengah (mediastinum) tidak diproses, karena dianggap tidak memiliki

informasi penting untuk mendeteksi kondisi paru-paru. Dengan membagi citra

menjadi enam bagian, diharapkan semua informasi tentang kondisi paru-paru

dapat dideteksi secara lebih detail. Pada kasus TBC, tanda yang signifikan

biasanya terdapat pada bagian atas paru-paru. Pada kasus efusi, terdapat pada

bagian bawah paru-paru. Sedangkan bagian tengah paru-paru sebagai pemisah




antara bagian atas dan bawah paru-paru. Jika paru-paru hanya dibagi menjadi

empat bagian (Gambar 3.10) maka batas bagian atas dan bawah paru-paru tidak

terlalu jelas lagi. Sehingga pada kasus TBC, ketika terdapat tanda penyakit di

bagian atas paru-paru maka akan dideteksi mulai dari bagian tengah hingga ke

bagian atas. Hal ini kurang efektif. Oleh karena itu penulis membagi citra menjadi

enam bagian. Selanjutnya dari enam bagian tersebut dilakukan ekstraksi ciri dari

tiap bagian, sehingga akan dihasilkan banyak ciri. Hal ini diharapkan dapat

meningkatkan akurasi sistem.

Gambar 3.10 Citra Segmentasi 4 Bagian Gambar 3.11 Citra Segmentasi 6 Bagian

Gambar 3.12 Citra Hasil Segmentasi

3.4.2 Filter 2D gabor wavelet

Dengan menggunakan filter 2D simetri genap, hasil ekstraksi ciri dari citra

yang diperoleh berupa vektor ciri dengan ukuran tertentu. Berikut adalah langkah

untuk menghasilkan vektor ciri :

1. Pembangunan kernel

Kernel gabor dibangun dengan menggunakan MATLAB. Vektor ciri yang

dihasilkan oleh filter 2D gabor simetri genap merupakan kombinasi dari nilai arah




orientasi (θ) dan frekuensi. Gabor kernel yang dihasilkan terbagi dua, yaitu real

dan imajiner. Berikut adalah hasil dari kernel yang dihasilkan :

Gambar 3.13 Kernel Gabor Real

Gambar 3.14 Kernel Gabor Imajiner

2. Konvolusi kernel dengan enam bagian citra paru-paru

Konvolusi dalam tugas akhir ini dapat dilakukan jika telah terbentuk kernel

gabor. Kernel gabor ini kemudian dikonvolusikan dengan nilai pixel dari tiap

bagian pada paru-paru yang telah dilakukan segmentasi. Rumus konvolusi yang

digunakan[2]

:

),(),(),(*),(),( byaxgbafyxgyxfyxh (3.1)




Gambar 3.15 Hasil Konvolusi Citra Paru-Paru Bagian 1 dengan Kernel Gabor Real

Gambar 3.16 Hasil Konvolusi Citra Paru-Paru Bagian 1 dengan Kernel Gabor Imajiner

Konvolusi dilakukan pada ke enam bagian dari paru-paru sehingga akan

dihasilkan vektor ciri.

3. Magnitude dari vektor ciri

Setelah dilakukan konvolusi antara citra paru-paru dan kernel gabor, maka

untuk setiap bagian dari paru-paru akan menghasilkan vektor ciri, namun vektor

ciri yang dihasilkan masih terdapat nilai imajiner, oleh karena itu, dicari nilai

magnitude dari vektor ciri.

aveIaveROutput 22 (3.2)




Sehingga keluaran dari tiap bagian citra paru-paru merupakan nilai magnitude

dari vektor ciri. Berikut adalah contoh keluaran hasil ekstraksi ciri, untuk tiap

bagian pada citra :

Gambar 3.17 Hasil Ekstraksi Ciri 6 Bagian Citra Paru-Paru

0 5 10 15 20 25 30 350

10

20

30

40

Ciri

Magnitude V

ekto

r C

iri

0 10 20 30 400

50

100

150

200

250

300

Ciri

Magnitude V

ekto

r C

iri

0 5 10 15 20 25 30 350

5

10

15

20

25

Ciri

Magnitude V

ekto

r C

iri

0 10 20 30 400

100

200

300

400

500

Ciri

Magnitude V

ekto

r C

iri

0 10 20 30 400

50

100

150

200

250

300

350

Ciri

Magnitude V

ekto

r C

iri

0 5 10 15 20 25 30 350

500

1000

1500

Ciri

Magnitude V

ekto

r C

iri




Setelah memperoleh 32 vektor ciri dari tiap bagian paru-paru, maka total

dari enam bagian yaitu 192 ciri dari sebuah citra paru-paru. Ukuran ini terlalu

besar untuk dijadikan masukan pada logika fuzzy. Sebab jumlah aturan dari logika

fuzzy sangat bergantung pada jumlah masukan, semakin besar ukuran masukan

yang akan diproses, maka aturan yang dihasilkan semakin banyak, sehingga akan

memperlambat kerja sistem. Oleh karena itu, dari 192 ciri ini, akan diperkecil

menjadi 24 ciri, dengan menghitung rata-rata ciri. Ciri 1-8 dihitung rata-ratanya,

kemudian dijadikan ciri 1, Ciri 9-16 dihitung rata-ratanya, kemudian dijadikan ciri

2, Ciri 17-24 dihitung rata-ratanya, kemudian dijadikan ciri 3, Ciri 25-32 dihitung

rata-ratanya, kemudian dijadikan ciri 4. Hal ini dilakukan pada setiap bagian dari

citra, dari bagian satu sampai enam. Sehingga diperoleh 24 ciri. Setelah

memperoleh 24 ciri, ternyata jumlah ini masih cukup besar untuk menjadi

masukan logika fuzzy. Oleh karena itu dari 24 ciri ini maka diperkecil lagi menjadi

8 ciri, dengan mengelompokkan ciri yang memiliki nilai hampir sama, kemudian

dicari rata-rata dari ciri tersebut. Berdasarkan hasil pengamatan penulis terhadap

seluruh data hasil ekstraksi ciri, maka rata-rata ciri yang dikelompokkan yaitu :

ciri 1,5,9 menjadi ciri 1, ciri 13,17,21 menjadi ciri 2, ciri 2,3,6 menjadi ciri 3, ciri

7,10,11 menjadi ciri 4, ciri 14,15,18 menjadi ciri 5, ciri 19,22,23 menjadi ciri 6,

ciri 4,8, 12 menjadi ciri 7, ciri 16,20,24 menjadi ciri 8. Sehingga nilai vektor ciri

inilah yang akan menjadi masukan pada logika fuzzy.

Gambar 3.18 Nilai Vektor Ciri Sebagai Masukan Fuzzy

0

50

100

150

200

250

300

350

400

0 2 4 6 8 10

Mag

nit

ud

e V

ekto

r C

iri

Ciri

normal

tbc

efusi




3.5 Klasifikasi dengan Logika fuzzy

Tahap klasifikasi bertujuan untuk mengklasifikasikan kondisi paru-paru

normal, TBC, dan efusi. Klasifikasi yang digunakan pada tugas akhir ini yaitu

logika fuzzy yang bertujuan untuk mengambil keputusan dalam pendeteksian

kondisi paru-paru. Ada beberapa langkah yang digunakan yaitu Fuzzification,

Inference, dan Defuzzification.

Masukan Fuzzy

Keluaran Fuzzy

Fuzzification

Interference

Defuzzification

Gambar 3.19 Langkah Klasifikasi Menggunakan Logika fuzzy

3.5.1 Fuzzification

Nilai delapan vektor ciri yang diperoleh dari hasil ekstraksi ciri dikonversi

ke bentuk masukan fuzzy, nilai ini dinamakan variabel linguistik, variabel

linguistik digunakan untuk merepresentasikan delapan masukan yaitu ciri satu

sampai ciri delapan. Untuk setiap variabel linguistik memiliki dua nilai linguistik

yaitu rendah dan tinggi. Fungsi keanggotaan yang digunakan pada tugas akhir ini

yaitu fungsi trapesium dengan setiap vektor ciri memiliki satu fungsi

keanggotaan, sehingga dibutuhkan delapan fungsi keanggotaan untuk sebuah

citra. Berikut ini bentuk fungsi keanggotaan trapesium untuk delapan variabel

linguistik, dimana sumbu horizontal menunjukkan variabel linguistik dan sumbu

vertikal menunjukkan derajat keanggotaan :




0 .38 0.56 3. 20 2500

1ciri ke 4

rendah tinggi

0. 38 0. 63 0. 98 150

1ciri ke 3

2. 83 3. 97 5. 52 5750

1ciri ke 2

rendah tinggi

2. 40 3. 87 5. 20 1650

1ciri ke 1

rendah tinggi

25 60 105 15000

1ciri ke 8

tinggirendah

25 65 165 10000

1ciri ke 7

tinggirendah

0. 25 0.64 1. 94 5500

1ciri ke 6

tinggirendah

0 . 37 0. 96 2030

1ciri ke 5

tinggirendah

Der

ajat

kea

nggota

an (

µ(x

))

Variabel Linguistik

Der

ajat

kea

nggota

an (

µ(x

))

0 . 58

Variabel Linguistik

Der

ajat

kea

nggota

an (

µ(x

))

Variabel Linguistik

Der

ajat

kea

nggota

an (

µ(x

))

Variabel Linguistik

Der

ajat

kea

nggota

an (

µ(x

))D

eraj

at k

eanggota

an (

µ(x

))

Variabel Linguistik

Variabel Linguistik

Variabel Linguistik

Variabel Linguistik

Der

ajat

kea

nggota

an (

µ(x

))D

eraj

at k

eanggota

an (

µ(x

))

Gambar 3.20 Fungsi Keanggotaan Masukan Fuzzy

3.5.2 Inference

Inference merupakan proses untuk menentukan aturan fuzzy yang akan

digunakan dalam sistem. Pada tugas akhir ini, hasil inference menggunakan

fungsi keanggotaan trapesium dengan tiga nilai linguistik yaitu normal, TBC, dan

efusi seperti yang terlihat pada gambar berikut :

65 95 250 575 8000

1

normal tbc efusiµ

Der

ajat

kea

ng

go

taan

(µ

(x))

Variabel Linguistik

Gambar 3.21 Fungsi Keanggotaan Keluaran Fuzzy




Model aturan fuzzy yang digunakan yaitu model mamdani, dengan

menggunakan cara inferensi clipping (alpha-cut). Jumlah aturan yg diperlukan

pada sistem ini yaitu 28=256. Berikut adalah contoh tiga aturan dari 256 aturan

yang digunakan :

1. IF ciri_1 rendah AND ciri_2 rendah AND ciri_3 rendah AND ciri_4 rendah AND

ciri_5 rendah AND ciri_6 rendah AND ciri_7 rendah AND ciri_8 rendah THEN

normal.

2. IF ciri_1 rendah AND ciri_2 rendah AND ciri_3 rendah AND ciri_4 rendah AND

ciri_5 rendah AND ciri_6 tinggi AND ciri_7 tinggi AND ciri_8 tinggi THEN tbc.

3. IF ciri_1 tinggi AND ciri_2 tinggi AND ciri_3 tinggi AND ciri_4 tinggi AND ciri_5

tinggi AND ciri_6 tinggi AND ciri_7 tinggi AND ciri_8 tinggi THEN efusi.

Dari aturan-aturan tersebut, maka proses inference yang terjadi dengan

menggunakan inferensi Clipping dengan langkah sebagai berikut :

1. Menggunakan aturan Conjunction (˄) dengan memilih derajat keanggotaan

minimum dari nilai-nilai linguistik yang dihubungkan oleh ˄ (AND), dan

lakukan Clipping pada fungsi keanggotaan Trapesium.

2. Menggunakan aturan Disjunction (˅) dengan memilih derajat keanggotaan

maksimum dari nilai-nilai linguistik yang telah diperoleh dari aturan

Conjunction (˄).

3.5.3 Defuzzification

Merupakan suatu proses untuk memperoleh nilai crisp sebagai solusi

dari sistem fuzzy. Pada tugas akhir ini, menggunakan Centroid method.

Sebagai contoh, suatu citra paru-paru dideteksi oleh sistem memiliki dua

kemungkinan kondisi yaitu efusi dan TBC sebagai berikut :

65 250 57595 800

normal tbc efusi

Dera

jat

Kean

gg

ota

an

(µ

(x))

Variable Linguistik

µ

Gambar 3.22 Grafik Defuzzifikasi dengan Fungsi Trapesium




Pada Gambar 3.22, maka untuk proses defuzzifikasi menggunakan

Centroid method dilakukan berdasarkan persamaan 2.11, langkah awal yaitu

menentukan titik-titik pada area TBC dan efusi. Titik-titik tersebut yaitu

65,66,67,68,69,....800. Langkah selanjutnya menjumlahkan semua titik dan

mengitung banyaknya titik yang berada pada range TBC, begitupun pada range

efusi. Langkah terakhir mengalikan hasil penjumlahan semua titik pada range

TBC dengan derajat keanggotaan TBC yang diperoleh dari proses sebelumnya,

hal ini juga dilakukan pada range efusi, kemudian hasil keduanya dijumlahkan

dan dibagi dengan jumlah banyaknya titik pada range TBC dan efusi, sehingga

diperoleh sebuah nilai sebagai keluaran kondisi paru-paru.

Keluaran untuk hasil deteksi kondisi paru-paru dibuat dalam sebuah range.

Range ini didapatkan dari hasil analisis terhadap citra latih, sehingga diperoleh

range keluaran sebagai berikut :

1. Normal (0-124)

2. TBC (125-449)

3. Efusi (450-1000)

3.6 Pengujian Sistem

Untuk pengujian sistem digunakan parameter akurasi dan error :

Akurasi adalah ukuran ketepatan sistem dalam mengenali masukan yang

diberikan sehingga menghasilkan keluaran yang benar. Secara sistematis dapat

dituliskan sebagai berikut :

%100__

__x

nkeseluruhadataJumlah

benardataJumlahAkurasi (3.3)

Error adalah tingkat kesalahan sistem dalam mengenali masukan yang

diberikan terhadap jumlah data secara keseluruhan. Secara sistematis dapat

dituliskan sebagai berikut:

AkurasiError %100 (3.4)

Analisis Pendeteksian Penyakit Tbc & Efusi Pleura - Filter 2d Gabor Wavelet & Logika Fuzzy

Documents

Transcript of Analisis Pendeteksian Penyakit Tbc & Efusi Pleura - Filter 2d Gabor Wavelet & Logika Fuzzy