Review 3 Paper Pengolahan Citra - Brain Tumor

PENGOLAHAN CITRA DIGITALPengolahan Citra Untuk Membantu Diagnosis Tumor Otak

Literatur Review

Topik Dalam Pengolahan Citra Digital

Oleh :

Ambar Pravitasari

G1A010006

Dosen Pembimbing

Endina Putri Purwandari, S.T., M.Kom

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS BENGKULU

2013


Literatur Review


Oleh :

Ambar Pravitasari

G1A010006

Dosen Pembimbing



FAKULTAS TEKNIK


2013


Literatur Review


Oleh :

Ambar Pravitasari

G1A010006

Dosen Pembimbing



FAKULTAS TEKNIK


2013

2 | P a g e

DAFTAR ISI

DAFTAR ISI.......................................................................................................... 2

1. PENDAHULUAN .......................................................................................... 3

2. PERMASALAHAN ....................................................................................... 4

2.1. Permasalahan Umum.................................................................................... 4

2.2. Permasalahan Khusus ................................................................................... 4

3. OBJECTIVE .................................................................................................. 4

4. REVIEW PAPER .......................................................................................... 5

4.1. Brain Tumor Classification Using Back Propagation Neural Network ....... 5

4.2. Automated Brain Tumor Detection and Identification Using Image

Processing and Probabilistic Neural Network Techniques .............................. 14

4.3. Deteksi Tumor Otak Berdasarkan Citra Magnetic Resonance Imaging

(MRI) Berbasis Jaringan Saraf Tiruan Radial Basis Function (RBF) ............... 28

5. PEMBAHASAN DAN ANALISIS PAPER ............................................... 43

4.1. Analisis Metode Paper................................................................................ 43

4.2. Pembahasan dan Perbandingan Paper ........................................................ 50

6. KESIMPULAN ............................................................................................ 53

7. SARAN.......................................................................................................... 54

8. FUTHER WORKS ...................................................................................... 54

9. DAFTAR PUSTAKA................................................................................... 55

3 | P a g e

1. PENDAHULUAN

Tumor Otak merupakan suatu penyakit yang menyerang tubuh pada

bagian Otak/ Brain. Tumor adalah suatu massa jaringan (daging tumbuh /

benjolan) yang tidak berguna dan umumnya menjadi parasit bagi jaringan

yang sehat. Banyak factor yang dapat mempengaruhi seseorang terkena

penyakit Tumor Otak. Namun banyak orang yang tidak mengetahui tanda dan

gejala yang muncul yang dapat dirasakan oleh penderita Tumor Otak.

Kebanyakan orang tidak menghiraukan tanda dan gejala yang mungkin

ditimbulkan Tumor Otak misalnya, kebanyakan orang menganggap sakit

kepala merupakan hal yang wajar dan bisa dialami oleh banyak orang, akan

tetapi sakit kepala merupakan tanda dan gejala awal dari penyakit Tumor

Otak. Oleh sebab itu banyak sekali orang yang tidak menyadari bahwa dirinya

mengidap penyakit Tumor Otak dan kebanyakan dari mereka terlambat

memeriksakan diri sehingga setelah melakukan pemeriksaan mereka sudah

mengalami keseriusan dalam penyakit Tumor Otak.

Tumor otak terbagi menjadi dua, terdiri dari tumor ganas dan tumor

jinak. Tumor ganas cenderung tumbuh lebih cepat, dalam penyebarannya

tumor otak dapat merusak sel otak itu sendiri serta jaringan tulang belakang.

Sedangkan tumor otak jinak, penyebarannya lebih lambat dari tumor otak

ganas. Namun bukan berarti tumor otak jinak tidak berbahaya. Karena tumor

otak jinak juga memiliki sel – sel berbahaya namun memiliki batasan yang

jelas. Pada umumnya tumor otak jinak tidak akan menyebar ke bagian tubuh

yang lain. Dan ketika sel tumor tersebut di angkat, maka tidak akan terulang

kembali.

Deteksi dini dan klasifikasi tumor otak adalah sangat penting dalam

dunia kedokteran. Dengan adanya deteksi dini, diharapkan penderita akan

lebih cepat di tangani dan perawatan sehingga dapat meninimalisir jumlah

korban yang disebabkan oleh penyakit ini.

4 | P a g e

2. PERMASALAHAN

2.1.Permasalahan UmumPermasalahan umum dari penulisan ini adalah mendeteksi dan

mengklasifikasikan jenis tumor otak menggunakan metode – metode

tertentu dengan cara mengolah citra yang dihasilkan.

2.2.Permasalahan Khusus1. Bagaimana mencapai akurasi yang tinggi dalam membedakan dua

jenis tumor melalui kombinasi dari beberapa teknik seperti

pengolahan citra, ekstraksi ciri dan klasifikasi untuk membedakan

jenis tumor jinak dan tumor ganas.

2. Bagaimana memodifikasi algoritma pengolahan citra klasik dan

membaca rekaman medis tumor otak yang diperoleh dari uji klinis

berdasarkan pada probabilistic classifier neural network

3. Bagaimana merancang dan melakukan implementasi perangkat

lunak sistem deteksi dari metode MRI, untuk memperoleh

klasifikasi jenis tumor otak untuk jinak, ganas, dan normal dan

mempelajari serta menganalisis performansi sistem deteksi tumor

otak dengan menggunakan JST RBF.

3. OBJECTIVEAdapun tujuan yang ingin dicapai dalam laporan literature review ini yaitu

1. Melakukan analisis terhadap materi dan teknik yang diplikasikan pada

ketiga paper tersebut.

2. Melakukan perbandingan dalam hal metode, implementasi dan hasil

eksperimen yang diperoleh pada masing-masing paper tersebut.

5 | P a g e

4. REVIEW PAPER

4.1.Brain Tumor Classification Using Back Propagation

Neural Networka. Introduction

Deteksi dini dan klasifikasi tumor otak adalah hal yang

sangat penting dalam dunia kesehatan. Banyak peneliti telah

mengusulkan teknik yang berbeda untuk mengklasifikasikan tumor

otak dari berbagai sumber. Dalam tulisan ini mengusulkan suatu

proses untuk klasifikasi tumor otak, dengan fokus pada analisis Data

Magnetic Resonance (MR) yang dikumpulkan berdasarkan jenis

tumor jinak dan ganas. Tujuannya adalah untuk mencapai akurasi

yang tinggi dalam membedakan dua jenis tumor melalui kombinasi

dari beberapa teknik seperti pengolahan citra, ekstraksi ciri dan

klasifikasi. Teknik yang diusulkan memiliki potensi untuk membantu

diagnosis klinis.

Teknik pengolahan citra berperan penting dalam

menganalisis struktur anatomi tubuh manusia. Teknik akuisisi citra

seperti resonansi magnetic imaging (MRI), X-Ray, USG, mamografi,

CT-Scan sangat tergantung pada teknologi computer untuk

menghasilkan gambar digital. Setelah memperoleh digital gambar,

teknik pengolahan gambar dapat lebih digunakan untuk analisis

daerah yang diinginkan.

Tumor adalah massa jaringan yang tidak berguna dan

umumnya merusak jaringan yang baik. Tumor otak ganas cenderung

tumbuh dengan cepat, meningkatkan tekanan dalam otak dan dapat

menyebar di otak atau tulang belakang.

Tumor otak jinak, terdiri dari sel-sel berbahaya, memiliki

batas yang jelas, biasanya dapat benar-benar disembuhkan dan tidak

terulang. Tumor jinak pada dasarnya tidak kembali dan tidak

menyebar ke bagian lain dari tubuh. Tumor jinak cenderung tumbuh

lebih lambat dari tumor ganas. Setelah dilakukan MRI dan

6 | P a g e

segmentasi otak, selanjutnya diklasifikasikan antara tumor otak

ganas dan jinak. Hal ini sulit dilakukan karena kompleksitas, variasi

tumor, dan karakteristik jaringan seperti bentuk, ukuran, tingkat

intensitas keabuan dan lokasi dari tumor. Ekstraksi fitur merupakan

masalah bagi setiap pengenalan pola. Sebagian besar digunakan

untuk segmentasi tumor atau deteksi tumor.

b. Feature Axtraction Using Principal Component Analysis (PCA)

Dalam makalah ini, Principal Component Analysis (PCA)

digunakan sebagai algoritma ekstraksi fitur. Principal Component

Analysis (PCA) adalah salah satu teknik yang paling sukses

digunakan dalam pengenalan gambar dan kompresi. Tujuan dari

PCA adalah untuk mengurangi dimensi data. langkah preprocessing

seleksi fitur dilakukan dengan menggunakan PCA yang bertujuan

untuk menghapus fitur berlebihan. Berdasarkan informasi statistik,

hanya fitur yang paling informatif yang akan diekstrak dari Gambar

MR dan selanjutnya diproses.

Langkah-langkah yang digunakan untuk mengekstrak

komponen utama menggunakan analisis komponen utama adalah

sebagai berikut:

1. Mengkonversi gambar 2D ke dalam satu dimensi gambar

menggunakan fungsi reshape untuk tes gambar dan database

gambar.

2. Cari nilai rata-rata untuk masing-masing dimensi gambar

dengan membagi jumlah nilai pixel dan nilai pixel.

3. Tentukan perbedaan matriks untuk setiap gambar dengan [A] =

(intensitas pixel Asli 1D gambar) - (rata – rata nilai).

4. Menemukan kovarians matriks, kovarians (L) = A * A'

5. Cari vektor Eigen untuk gambar 1D, [V D] = Eig (L)

Dengan menggunakan pernyataan ini, kita bisa

mendapatkan Vektor dan matriks diagonal dari gambar 1D.

6. Cari Face Eigen 1D gambar dengan, Face Eigen = Eigen vektor

* A

7 | P a g e

Dengan menggunakan komponen utama ini, kita bisa

mengidentifikasi gambar dari database yang mirip dengan fitur

gambar tes.

PCA adalah prosedur matematika yang menggunakan

transformasi orthogonal untuk mengkonversi variabel yang

berkorelasi menjadi nilai variabel linear yang berkorelasi disebut

komponen utama. Jumlah pokok komponen kurang dari atau sama

dengan jumlah variabel asli. Transformasi ini didefinisikan

sedemikian rupa sehingga komponen utama pertama memiliki

varians terbesar (yaitu, menyumbang sebanyak variabilitas dalam

data), dan masing-masing komponen pada gilirannya memiliki varian

tertinggi di bawah kendala yang menjadi orthogonal (Yaitu, tidak

berkorelasi dengan komponen sebelumnya). Komponen utama akan

independen jika kumpulan data secara bersama-sama terdistribusi

normal. PCA sensitif terhadap skala relatif variable asli. Tergantung

pada bidang aplikasi, itu juga mengubah diskrit Karhunen-Loeve

(KLT), Hotelling mengubah atau dekomposisi orthogonal tepat

(POD). Hal ini banyak digunakan sebagai alat dalam analisis data

eksplorasi dan untuk membuat model prediksi.

PCA dapat dilakukan dengan dekomposisi eigen value dari

Data kovarians (atau korelasi) matriks atau nilai singular

dekomposisi matriks data, biasanya setelah center (dan normalisasi

atau menggunakan Z-skor) data matriks untuk setiap atribut. Hasil

PCA biasanya dibahas dalam nilai komponen, kadang-kadang

disebut nilai faktor (yang berubah nilai variabel sesuai dengan titik

data tertentu), dan beban (berat dimana masing-masing standar

variabel asli harus dikalikan untuk mendapatkan Rata-komponen).

c. Proposed Methodology

- Persiapan Basis Data

MRI gambar otak yang terdiri dari tumor ganas dan tumor jinak

dikumpulkan dari open source database dan beberapa rumah

8 | P a g e

sakit. Gambar 1, menunjukkan beberapa contoh gambar dari

database.

Gambar 1

- Perhitungan Fitur Vektor

Ekstraksi fitur adalah aspek utama dari sistem. Fitur

vektor setiap gambar dalam database disimpan sebagai berkas.

Biarkan Ω1 menjadi citra latihan dari image 1 yang memiliki

pixel resolusi M xN (M baris, kolom N). Agar ekstrak fitur PCA

dari Ω1, pertama mengubah gambar ke vektor pixel Φ1 dengan

menggabungkan masing-masing baris M menjadi vektor tunggal.

Panjang (atau, dimensi) dari Φ1 vektor yaitu M x N. Dalam

tulisan ini, algoritma PCA yang digunakan sebagai pengurangan

dimensi teknik yang mengubah Φ1 vektor ke vektor ω1 yang

memiliki dimensi d dimana d << M x N. Untuk setiap latihan

gambar Ωi, vektor ini adalah ωi dihitung dan disimpan.

Pada tahap pengujian, sifat vektor ωj dihitung dari

pengujian gambar Ωj menggunakan PCA. Untuk

mengidentifikasi gambar Ωj, antara kesamaan ωj dan semua

vektor fitur ωi dalam training set dihitung. Kesamaan antara

vektor fitur dihitung menggunakan jarak Euclidean. Identitas ωi

adalah output dari recognizer gambar. Jika i = j, itu berarti bahwa

gambar MR j telah diidentifikasi dengan benar, sebaliknya

9 | P a g e

jikai ≠ j, itu berarti bahwa gambar MR j memiliki kesalahan

klasifikasi. Skema diagram dari pengenalan MRI sistem

ditunjukkan pada Gambar 2 seperti dibawah ini :

- Klasifikasi Menggunakan Algoritma Back Propagation

Algoritma back-propagation ini digunakan untuk

mengelompokkan pola tumor ganas dan tumor jinak. Tiga lapisan

jaringan Neural menciptakan 15 node dalam satu (input) lapisan,

1 sampai 15 node dalam lapisan, dan 1 simpul tersembunyi

sebagai lapisan output. Kami variasikan jumlah node pada

lapisan tersembunyi dalam simulasi dalam rangka untuk

menentukan jumlah optimal node tersembunyi. Aturan

pembelajaran back-propagation dapat digunakan untuk

menyesuaikan bobot dan bias dari jaringan untuk meminimalkan

jumlah kesalahan jaringan. Fungsi aktivasi dipertimbangkan

untuk setiap node pada jaringan adalah fungsi sigmoidal biner

didefinisikan (dengan s = 1) sebagai output = 1 / (1 + ex), di

mana x adalah jumlah dari input tertimbang dengan node

tertentu. Ini adalah fungsi yang umum digunakan di banyak

BPN. Fungsi ini membatasi output dari semua node dalam

jaringan antara 0 dan 1. 50% dari data yang telah digunakan

untuk latihan dan sisanya 50% digunakan untuk pengujian dan

validasi.

- Metodologi

10 | P a g e

Back Propagation Jaringan saraf telah digunakan untuk

masalah klasifikasi. Klasifikasi BPN disajikan akurasi yang baik,

waktu pelatihan yang sebentar, ketahanan terhadap perubahan

berat.

Ada 6 tahapan yang terlibat dalam model yang diusulkan

yang dimulai dari input data ke output. Tahap pertama harus

menjadi sistem pengolahan citra. Sistem pengolahan gambar

Basicallyin, akuisisi gambar dan peningkatan citra adalah

langkah-langkah yang harus dilakukan. Dalam tulisan ini, kedua

langkah ini dilewati dan semua gambar yang dikumpulkan dari

sumber yang tersedia. Model yang diusulkan memerlukan

konversi gambar ke dalam Format yang dapat dimanipulasi oleh

komputer. Gambar MR dikonversi ke dalam bentuk matriks

dengan menggunakan MATLAB. Kemudian, digunakan BPN

untuk mengklasifikasikan Gambar MR. Terakhir, berdasarkan

hasil kinerja akan dianalisis pada akhir tahap pengembangan.

d. Experiment Simulation and Result

Berbagai percobaan dilakukan, pelatihan dan pengujian

ditentukan dengan memperhatikan dan mempertimbangkan akurasi

klasifikasi. Kumpulan data dibagi menjadi dua, data set dan data

pengujian. Kumpulan data pengujian digunakan untuk melatih

jaringan, sedangkan data testing set digunakan untuk akurasi verify

dan efektivitas jaringan dilatih untuk klasifikasi tumor otak. Teknik

yang diusulkan diimplementasikan dalam Platform MATLAB dan

dievaluasi dengan menggunakan 15 gambar medis MRI otak, yang

dikumpulkan dari database open source dan beberapa rumah sakit. Di

antara 15 Gambar MRI, 5 gambar normal, 5 gambar tumor jinak dan

sisanya tumor ganas. Angka 1 tersebut, menunjukkan inputan

gambar MRI otak digunakan untuk proses klasifikasi citra. Inputan

gambar MRI otak diklasifikasikan berdasarkan Neural Network.

Nilai input untuk jaringan saraf diekstraksi menggunakan analisis

komponen utama seperti mean, median, varians, korelasi, nilai-nilai

11 | P a g e

maksimum dan intensitas minimum. Jaringan ini diuji menggunakan

algoritma back propagation. Hasil jaringan BPN dievaluasi oleh

testing gambar. Hasil klasifikasi jaringan BPN ditunjukkan dalam

angka 5 sampai 7. Akurasi klasifikasi data pengujian yang mengatur

gambar otak berkisar antara 100% sampai 73%.

Tiga Lapisan jaringan Neural diciptakan dengan 15 node di

lapisan pertama (input), 1 hingga 20 node dalam lapisan, dan 1

simpul tersembunyi sebagai lapisan output. Kami variasikan jumlah

node pada lapisan simulasi tersembunyi untuk menentukan jumlah

optimal node tersembunyi. Karena node pada lapisan masukan bisa

mengambil nilai, fungsi transfer digunakan untuk mengubah data

pertama, sebelum mengirimnya ke lapisan tersembunyi, dan

kemudian ditransformasikan dengan yang lain mentransfer fungsi

sebelum mengirimnya ke lapisan output. Bobot di node tersembunyi

perlu diatur menggunakan data “training”. Oleh karena itu, subyek

dibagi menjadi pelatihan dan pengujian kumpulan data. Data

pelatihan digunakan untuk memberi masukan ke dalam jaringan saraf

sebagai input dan kemudian mengetahui output, bobot dari node

tersembunyi dihitung dengan menggunakan algoritma back

propagation.

Figure.4 Hasil pelatihan grafik jaringan syaraf

12 | P a g e

Figure.5 Hasil klasifikasi citra yang normal

Figure.6 Hasil klasifikasi citra ganas

13 | P a g e

Figure.7 Hasil klasifikasi citra jinak

Metode Neural-network yang paling banyak digunakan

adalah algoritma Back - Propagation. Jaringan saraf melibatkan

modifikasi bobot dan bias dari jaringan untuk meminimalkan biaya.

Fungsi biaya selalu mencakup kesalahan seberapa dekat prediksi

jaringan untuk contoh dalam pelatihan Fungsi aktivasi

dipertimbangkan untuk setiap node di jaringan merupakan fungsi

sigmoidal biner didefinisikan (Dengan s = 1) sebagai output = 1 / (1

+ ex), di mana x adalah jumlah input dengan node tertentu. Ini adalah

fungsi umum digunakan BPN. Fungsi ini membatasi output dari

semua node dalam jaringan antara 0 dan 1. Perhatikan semua

jaringan saraf pada dasarnya diuji sampai error untuk setiap iterasi

pengujian berhenti.

Semua hasil klasifikasi bisa terjadi kesalahan dan dalam

kemungkinan kegagalan untuk mengidentifikasi suatu kelainan, atau

tidak mengidentifikasi kelainan. Untuk menggambarkan tingkat

kesalahan dengan istilah positif dan negatif . Kinerja jaringan berasal

dari Nilai MSE. Tidak ada perbaikan lebih lanjut dalam MSE seperti

yang ditunjukkan pada gambar 4 grafik jaringan saraf.

14 | P a g e

e. Conclusion

Dalam makalah ini mengusulkan klasifikasi tumor otak

ganas atau jinak secara otomatis. Fitur diekstraksi menggunakan

analisis komponen utama yang digunakan untuk pelatihan dan

pengujian. Algoritma Back-ropagation digunakan untuk pelatihan,

pengujian dan klasifikasi tumor. BPN diadopsi untuk melihat

kecepatan pengujian dan Hasil struktur sederhana yang menunjukkan

bahwa fitur yang diekstrak dapat memberikan hasil yang memuaskan

dalam analisa dan klasifikasi Tumor Otak. Hasil percobaan

menunjukkan bahwa BPN classifier bisa diterapkan dengan akurasi

berkisar dari 100% menjadi 73%. Selain itu diperlukan pemeriksaan

untuk memeriksa kinerja sistem dengan meningkatkan kinerja

database.

4.2.Automated Brain Tumor Detection and Identification

Using Image Processing and Probabilistic Neural Network

Techniquesa. Introduction

Saat ini, alat dan metode untuk menganalisis tumor dan

perilaku tumor telah umum. Meskipun belum dapat menyembuhkan

tumor otak, langkah-langkah ke depan telah diambil untuk mencapai

tujuan ini. Magnetic Resonance Imaging (MRI) adalah teknologi

pencitraan medis yang membantu melihat bagian tubuh dengan

kontras jaringan yang belum pernah terlihat sebelumnya. MRI adalah

tool yang efektif memberikan informasi rinci tentang otak yang

memiliki anatomi tumor, sebagai diagnosis yang efektif dalam

pengobatan dan pemantauan penyakit. Teknik ini telah dioptimalkan

untuk memberikan langkah-langkah perubahan tumor otak sekitar

primer dan metastasis, termasuk edema, deformasi volume dan fitur

anatomi dalam tumor.

15 | P a g e

b. Conventional Image Segmentation Techniques

Segmentasi citra memiliki peran penting dalam semua

kemajuan aplikasi analisis citra, tujuan utama dari segmentasi adalah

untuk membuat gambar seperti benda nyata. Metode segmentasi

dapat diklasifikasikan menjadi tiga kategori yaitu, thresholding,

berbasis edge, berbasis segmentasi wilayah dan classifier seperti

Hierarchical Self Organizing Map (HSOM).

Threshold memainkan peran yang sangat penting untuk hasil

segmentasi yang efisien. Intuitif sebagai histogram multimodal

antara minima atau maxima. Beberapa teknik mempertajam

histogram dalam tahap peningkatan gambar digunakan untuk

memudahkan deteksi ambang batas. Kerugian utama dari metode ini

adalah kesulitan untuk memisah objek dari latar belakang, jika objek

dan latar belakang adalah hasil distribusi intensitas yang sama atau

tekstur seperti di MRI-scan.

Segmentasi Edge-based dalam diskontinuitas memiliki atribut

gambar Gray, tekstur, warna dll. Diskontinuitas ini dikenal sebagai

tepi yang terdeteksi menggunakan operator deteksi tepi, beberapa

yang sering digunakan yaitu Sobel, Prewitt, Laplace, dll. Metode

segmentasi yang sering digunakan adalah thresholding gambar yang

digunakan untuk menghilangkan tepi akibat faktor-faktor seperti

kebisingan dan kondisi pencahayaan yang tidak benar. Permasalahan

tepi dapat diatasi jika properti tepi ditentukan oleh roperti

disebelahnya, sementara kekuatan tepi tergantung pada lingkungan

yang berada disebelahnya.

Segmentasi wilayah yang digunakan didasarkan pada

kesamaan untuk menggabungkan daerah perpecahan dalam image

sehingga membentuk divisi semantik atau berguna untuk memproses

gambar. Self Organizing Map, SOM, sebagai bagian dari jaringan

saraf pembelajaran kompetitif (CLNN) telah digunakan untuk

melaksanakan proses kuantisasi vektor.

16 | P a g e

c. Image Processing Proposed Approach and Simulation Result

A. Image Acquisition

Dalam pendekatan yang diusulkan pertama-tama kita menganggap

bahwa gambar MRI scan pasien yang diberikan baik warna, Gray-

scale atau gambar intensitas sini ditampilkan dengan ukuran

default 220 × 220. Jika gambar warna, gambar dikonversi Gray-

scale yang didefinisikan dengan menggunakan matriks besar yang

entri numerik nilai antara 0 dan 255, dimana 0 sesuai dengan

hitam dan 255 putih. Kemudian deteksi tumor otak yang diberikan

pasien terdiri dari dua tahap utama yaitu, image segmentasi dan

deteksi tepi.

B. Segmentasi Citra

Tujuan dari segmentasi citra adalah untuk mengelompokkan

piksel ke wilayah gambar yang mencolok. Dalam tulisan ini,

segmentasi Gambar abu-abu digunakan untuk menyediakan

informasi seperti struktur anatomi dan identifikasi Daerah Tujuan

yaitu menemukan tumor dan kelainan lainnya dengan cara

membandingkan antara otak yang terdeteksi tumor dan otak

normal.

1) Perbaikan dan Membersihkan : Ada berbagai jenis noise yang

dihadapi dengan teknik yang berbeda, tergantung pada sifat

noise dan karakteristik, yaitu noise Gaussian dan noise

impuls.

H ( i , j ) = I ( i , j ) + n ( i , j ) (1)

17 | P a g e

Dalam peningkatan algoritma ini dalam domain spasial

berdasarkan manipulasi langsung piksel dalam kecil

lingkungan piksel, umumnya mengambil bentuk;( , ) = [ ( , )] (2)

di mana f (x, y) adalah citra input, g (x, y) adalah proses

gambar, dan T adalah operator pada f, yang didefinisikan

melalui beberapa lingkungan (x, y). Kemudian menerapkan

peningkatan dalam domain frekuensi yang didasarkan pada

konsep teorema konvolusi dan filter spasial. Dalam hal ini ,

algoritma peningkatan kebisingan yang diusulkan didasarkan

pada menggunakan filter spasial meliputi:

• Smoothing filter yang digunakan untuk mengurangi atau

menghilangkan Gaussian noise dari citra MRI.

• Mempertajam filter yang digunakan untuk menyoroti tepi

dalam foto, dan didasarkan pada penggunaan pertama dan

derivatif urutan kedua.

2) Membersihkan oleh Linear filter: operasi menghitung nilai

Linear menghasilkan output gambar pixel IA(i,j) sebagai linear

kombinasi kecerahan di lingkungan lokal pixel I(i,j) pada

gambar masukan. Dalam algoritma ini kita mengasumsikan I

sebagai gambar N × M, m adalah angka ganjil lebih kecil dari

kedua N dan M, dan A adalah kernel konvolusi atau masker

filter filter linear yang merupakan m × m masker. Versi

disaring dan diberikan oleh konvolusi diskrit sebagai berikut:

Dimana i = 1 sampai N dan j = 1 M. Filter ini menggantikan

nilai I (i, j) dengan jumlah tertimbang dari nilai-nilai

lingkungan dari (i,j). Jika semua entri dari A pada

Persamaan. (3) adalah non-negatif, filter melakukan rata-rata

smoothing. Kemudian matriks gambar pemindaian otak

abnormal dikurangi dari yang gambar otak normal

18 | P a g e

menghasilkan matriks daerah bunga disertai dengan beberapa

kebisingan seperti yang diilustrasikan pada Gambar. 3.

3) Smoothing menggunakan filter Gaussian

Dalam tulisan ini, filter smoothing yang diusulkan Gaussian,

Gf, Adalah non negatif, bernilai kolom real matriks yang

didefinisikan oleh,

di mana c dinyatakan sebagai = √2Namun jenis filter meningkatkan pengurangan

kebisingan dibandingkan dengan filter linear, diamati bahwa

filter smoothing dan kebisingan tidak sepenuhnya memuaskan

tingkat penghapusan kebisingan dari gambar asli seperti yang

ditunjukkan pada Gambar. 4. Dengan demikian, untuk aplikasi

ini satu kumpulan filter direkomendasikan. Oleh karena itu

kami mengusulkan tahap lain dari kebisingan penyaringan

dengan menggunakan filter rata-rata.

Menerapkan filter resulted mengakibatkan kebisingan

yang dapat diterima Tingkat pengurangan untuk aplikasi

tersebut. Kesimpulan dari bagian yang mengalir penyaring

array dianjurkan untuk mencapai tingkat pengurangan deteksi

kebisingan tumor otak yang dapat diterima.

C. Deteksi Tepi

Edge adalah bagian sebuah pixel dan dihitung dari

perilaku fungsi gambar dalam lingkungan pixel. Hal ini juga

19 | P a g e

dianggap sebagai vektor variabel (besarnya gradien, arah tepi).

Tujuan dari deteksi tepi pada umumnya adalah untuk mengurangi

secara signifikan jumlah data dalam sebuah gambar, sambil

menjaga structural properti yang akan digunakan untuk

pemrosesan gambar lebih lanjut.

Selain penyaringan region of interest (ROI) diusulkan

untuk mengidentifikasi jenis tumor yang berbeda dan atau daerah

tertular. Hal ini juga digunakan untuk meningkatkan waktu proses

dengan menjalankan fitur pengolahan algoritma di area yang

diidentifikasi bukan seluruh gambar.

Untuk meningkatkan hasil deteksi tepi yang diusulkan ,

algoritma kami menemukan bahwa kriteria yang paling penting

yang mempengaruhi kinerja deteksi tepi adalah dengan

mengurangi tingkat kesalahan, kehilangan tepi dalam gambar dan

tepi poin harus baik. Oleh karena itu, kami berhasil memodelkan

dengan rumus matematika menggunakan Canny untuk

meningkatkan kinerja algoritma deteksi tepi yang diusulkan.

Meskipun cukup lama, telah menjadi salah satu standar metode

deteksi tepi dan masih digunakan dalam penelitian.

D. Deteksi Tepi CannyAlgoritma Canny dapat digunakan sebagai detektor tepi

yang optimal berdasarkan seperangkat kriteria yang menemukan

paling tepi dengan meminimalkan tingkat kesalahan, menandai

tepi sedekat mungkin untuk tepi yang sebenarnya untuk

memaksimalkan lokalisasi, dan menandai tepi hanya sekali ketika

satu ujung memiliki respon minimal. Menurut Canny, filter

optimal yang memenuhi ketiga kriteria di atas dapat efisien

didekati dengan menggunakan turunan pertama dari fungsi

Gaussian dalam Pers. (4). Derivatif ini digunakan untuk

menghitung gradient magnitude (kekuatan tepi) dan arah gradien

paling cepat perubahan intensitas.

20 | P a g e

E. Modifikasi Algoritma Deteksi Tepi Canny

Algoritma ini berjalan dalam 5 langkah yang terpisah

seperti ditunjukkan pada Gambar.dan dijelaskan sebagai berikut:

1.Smoothing: Mengaburkan gambar untuk menghilangkan noise.

Oleh karena itu gambar pertama merapikan dengan menerapkan

Filter Gaussian. Metode yang diusulkan kami menggunakan 5×5

Template Gaussian dan gambar asli. Menunjukkan setiap titik

(x, y) gambar sebagai pusat saat memproses dan penggalian 5 ×

5, lingkungan pembobotan dapat diindikasikan sebagai berikut:

dimana x = 1,2, ..., m, y = 1,2, ..., n, I (x, y) adalah nilai pixel

dari sub-gambar asli, M adalah template Gaussian, dan IA (x, y)

adalah nilai pixel dari gambar merapikan.

2. Mencari gradien: Tepi harus ditandai di mana gradien gambar

memiliki besaran besar (tepi kekuatan). Dalam langkah ini kita

menghitung arah gradient dan amplitudo gambar merapikan IA

(x, y) mengadopsi urutan pertama parsial beda hingga dari 2 × 2

lingkungan.

21 | P a g e

mana gx dan gy adalah gradien dalam x- dan y- masing-masing

arah dan merupakan hasil dari gambar asli yang disaring

sepanjang baris dan baris. θ adalah arah gradient.

3.Penekanan Non-maksimum: maksium lokal hanya harus

ditandai sebagai tepi. Jika amplitudo gradient pixel tidak kurang

dari amplitudo gradien antara dua piksel yang berdekatan dalam

arah gradien, titik dapat dinilai sebagai titik tepi. Tujuan

Langkah ini untuk mengubah "blurred" tepi dalam citra besaran

gradien untuk "sharp" tepi. Pada dasarnya ini dilakukan dengan

mempertahankan semua maxima lokal dalam gradient gambar,

dan menghapus segala sesuatu yang lain. Algoritma adalah

untuk setiap pixel dalam gambar gradien.

• Putaran arah gradien θ ke terdekat 45◦, sesuai dengan

penggunaan 8-connected lingkungan.

• Bandingkan kekuatan tepi pixel saat ini dengan kekuatan tepi

pixel dalam positif dan arah gradien negatif.Yaitu jika

gradient arah adalah utara (θ = 90◦), Dibandingkan dengan

piksel ke utara dan selatan.

• Jika kekuatan tepi pixel saat ini adalah terbesar; melestarikan

nilai kekuatan tepi.Jika tidak, menekan (yaitu menghapus)

nilai.

4.Thresholding ganda: Potensi tepi ditentukan oleh

thresholding.Tepi piksel kuat dari pada tinggi threshold ditandai

sebagai kuat, tepi piksel lebih lemah dari ambang rendah ditekan

dan tepi piksel antara dua ambang ditandai sebagai lemah.

5.Tepi pelacakan oleh hysteresis: tepi final ditentukan dengan

menekan semua tepi yang tidak terhubung ke sangat tertentu

(kuat) tepi.Tepi yang kuat ditafsirkan sebagai "Tepi tertentu",

dan dapat langsung dimasukkan dalam gambar tepi akhir.

22 | P a g e

F. Hasil Simulasi

Hasil simulasi setelah menerapkan Algoritma deteksi tepi

Canny-berdasarkan gambar MRI scan menunjukkan kemampuan

algoritma yang diusulkan untuk secara akurat mendeteksi dan

mengidentifikasi kontur tumor seperti ditunjukkan pada

Gambar.7.

d. Probabilitistic Neural Network Proposed Approach and

Simulation Result

Baru-baru ini telah terjadi peningkatan kegiatan di aplikasi

jaringan syaraf untuk pencitraan medis. Tujuannya adalah untuk

memanfaatkan paralel terdistribusi pengolahan sifat jaringan saraf

untuk mengurangi komputasi waktu dan meningkatkan akurasi

klasifikasi. Aplikasi dari neural network untuk klasifikasi pola telah

secara ekstensif dipelajari dalam beberapa tahun terakhir.

Berbagai macam arsitektur neural-network termasuk jaringan

saraf multilayer perceptron (MLP), jaringan saraf radial basis

function (RBF), jaringan saraf self-organizing map (SOM), dan

jaringan syaraf probabilistik (PNN) telah diusulkan. Landasan

statistik yang melekat dalam teori estimasi Bayesian dan kemudahan

pelatihannya membuat PNN alat yang efektif untuk memecahkan

banyak masalah klasifikasi. Namun, hal tersebut membutuhkan

jaringan saraf yang sangat besar untuk menganalisis seluruh gambar

dalam sejumlah jaringan besar yang saling berhubungan dan ukuran

jaringan yang terkait, lokasi dari pola lapisan neuron serta nilai

parameter smoothing.

23 | P a g e

PNN jaringan terdiri dari tiga lapisan yaitu lapisan input,

lapisan pola dan lapisan kompetitif seperti yang ditunjukkan pada

Gambar 8. Setiap vektor masukan dihubungkan dengan satu kelas K.

Transpose dari matriks dibuat dari pasangan Q pelatihan, P `,

menentukan lapisan pertama bobot input, IW1, 1. Dengan setiap

masukan diperkenalkan, kotak ||dist|| menghasilkan vektor yang

elemen-elemennya menunjukkan kedekatan dari input ke vektor

training set. Unsur-unsur ini kemudian dikalikan, elemen dengan

elemen, oleh bias dan dikirim untuk fungsi transfer radbas diberikan

oleh, ( ) =Sebuah vektor masukan dengan vektor pelatihan diwakili

oleh nomor mendekati 1 dalam a1 vektor output. Jika masukan dekat

beberapa vektor pelatihan dari satu kelas, itu diwakili oleh beberapa

elemen a1 yang dekat dengan 1.

Matriks T dari vektor sasaran namun menentukan kedua

lapisan bobot, IW2, 1.Setiap vektor berisi single 1 hanya di baris

yang terkait dengan kelas khusus input, dan 0 itu di tempat lain.

Perkalian TA1 kemudian merangkum unsur-unsur dari a1 yang

dihasilkan dari masing-masing kelas masukan K. Akhirnya, fungsi

transfer kedua-layer, bersaing, menghasilkan 1 sesuai dengan elemen

terbesar dari n2, dan 0 di tempat lainnya. Dengan demikian, jaringan

mengklasifikasikan vektor input ke dalam K spesifik kelas sejak

kelas yang memiliki probabilitas maksimum yang benar.

Sebuah uji coba penelitian seperti yang disajikan dalam

menerapkan sistem klasifikasi otomatis otak tumor menggunakan

24 | P a g e

PNN. Kumpulan data gambar dibagi menjadi 20 gambar pelatihan

dan 15 pengujian. Analisis Prinsip Komponen diterapkan pada

Gambar MRI untuk mengekstrak fitur dari gambar. Dalam penelitian

ini, baik peningkatan citra maupun segmentasi akan diterapkan.

A. Sistem Usulan

Dalam tulisan ini, sistem yang diusulkan adalah versi

modifikasi dari PNN yang konvensional. Modifikasi ini

didasarkan pada pemanfaatan otomatis daerah kepentingan

tertentu (ROI) dalam area tumor pada gambar MRI. Bentuk setiap

ROI, mengatur fitur diekstraksi termasuk bentuk tumor dan

intensitas karakteristik yang diekstrak dan dinormalisasi. Setiap

ROI kemudian diberi bobot untuk memperkirakan masing-masing

tumor otak di Gambar MR. Bobot ini digunakan sebagai proses

pemodelan untuk memodifikasi PNN konvensional. Metode ini

didasarkan pada learn vector quantization (LVQ) yang merupakan

teknik pembelajaran kompetitif yang memperoleh keputusan

batas-batas dalam ruang input didasarkan pada pelatihan set untuk

mengurangi ukuran lapisan tersembunyi. Ini mendefinisikan

batas-batas kelas prototipe, rule nearest-neighbour dan paradigma

pemenang mengambil semua. LVQ terdiri dari tiga lapisan:

lapisan input, kompetitif layer dan output layer. Input data

diklasifikasikan dalam Lapisan kompetitif dan kelas-kelas atau

petaan pola untuk menargetkan kelas pada lapisan output. Dalam

bobot fase pembelajaran neuron disesuaikan berdasarkan data

training. Pemenang neuron dihitung berdasarkan jarak Euclidean,

dan kemudian berat neuron pemenang disesuaikan.

B. Metodologi

Ada empat langkah utama dalam pendekatan yang

diusulkan untuk klasifikasi tumor otak. Langkah pertama adalah

segmentasi ROI di mana batas tumor (ROI) dalam gambar MR

diidentifikasi, langkah kedua adalah ekstraksi fitur dari Fitur

bermakna ROI, langkah ketiga adalah fitur seleksi, langkah

25 | P a g e

terakhir adalah proses klasifikasi pembelajaran model

menggunakan fitur.

Algoritma yang diusulkan dimulai dengan membaca

gambar input, mengubahnya menjadi gambar skala abu-abu

kemudian menerapkan image teknik segmentasi untuk

mengekstraksi Daerah Tujuan (ROI). Satu set referensi MRI

diambil sebagai pelatihan Database. Vektor fitur yang diambil

untuk setiap gambar dalam pelatihan ditetapkan selama fase

pelatihan. Pada tahap pengujian, vektor fitur dari citra uji

dihitung. Gambar 9 menggambarkan urutan pendekatan yang

diusulkan. Pendekatan yang diusulkan dievaluasi pada gambar

nyata, dan hasilnya dibandingkan dengan algoritma lain,

khususnya yang disajikan oleh algoritma PNN konvensional.

Selama proses segmentasi, masing-masing daerah image

dibatasi oleh jendela persegi panjang yang diwakili oleh fitur

vektor dengan panjang R. Vektor ini dihitung untuk Q yang

dipilih dalam pola matriks PR, Q dan bentuk cluster dalam ruang

R-dimensi. Pola Q vektor di P dimasukkan ke input lapisan NN,

sedangkan jumlah C dari elemen output layer merupakan jumlah

yang diinginkan kelas segmentasi.

26 | P a g e

Algoritma ini terdiri dari langkah-langkah yang berurutan

berikut ini:

1. Perhitungan fitur vektor untuk membuat fitur matriks P

dengan menggunakan sliding window.

2. Inisialisasi dari pembelajaran koefisien proses dan bobot

jaringan matriks W.

3. Aplikasi proses iteratif yang kompetitif dan pembelajaran

aturan Kohonen untuk semua fitur vektor selama tahap

pembelajaran.

4. Simulasi NN untuk menetapkan nomor kelas untuk individu

fitur vektor.

5. Evaluasi hasil klasifikasi daerah

C. Model pembelajaran

Probabilistic Neural Networks (PNN) adalah jaringan

umpan yang berasal dari Bayesian Decision Networks.. Biasanya

PNN dibangun dengan empat lapisan. Pelatihan dan pengujian

vektor yang dinormalisasi sebelum masukan ke dalam jaringan.

Lapisan Pertama terdiri dari neuron untuk setiap fitur input.

Kedua lapisan memiliki satu neuron (unit Pola) untuk masing-

masing pola dalam dataset pelatihan. Setiap neuron di unit pola

menghitung dot product dari pola pelatihan dan pola pengujian

kemudian melakukan transformasi Gaussian.

D. Hasil Eksperimental

Satu set MRI-memindai gambar database Gray-scale yang

digunakan dalam percobaan ini masing-masing ukuran gambar

220 × 220 piksel. Sekelompok gambar 64 MRI yang digunakan

dikelompokkan menjadi 6 kelas. Dari 64 subyek 18 kelompok

random gambar pasien MRI dipilih sebagai test set, sedangkan

dataset sisanya digunakan untuk pelatihan. Data pelatihan

digunakan untuk memberi makan ke dalam jaringan saraf sebagai

input dan kemudian mengetahui output, bobot dari node

tersembunyi. Banyak uji coba dilakukan pada Neural Network

27 | P a g e

yang sama, memilih 18 subjek secara acak setiap kali pengujian

dan subyek sisanya untuk melatih menemukan akurasi jaringan

prediksi saraf. Tabel I menunjukkan hasil kinerja jaringan

dibandingkan dengan hasil yang disajikan. Hasil disajikan dalam

tabel ini menunjukkan bahwa sistem yang keluar berhasil

menangani proses klasifikasi citra MRI dengan akurasi 100%

ketika nilai spread sama dengan 1. Hal ini juga mencatat bahwa

sistem PNN LVQ berbasis menurun pengolahan waktu untuk

sekitar 79% dibandingkan dengan konvensional PNN.

e. Conclusion

Dalam tulisan ini, mengusulkan dua pendekatan untuk

mendeteksi tumor otak, identifikasi dan klasifikasi. Pendekatan

pertama didasarkan pada seperangkat terintegrasi algoritma

pengolahan citra, sementara yang lain didasarkan pada dimodifikasi

dan ditingkatkan probabilistik buatan struktur saraf jaringan.

Hasil simulasi menggunakan algoritma ini menunjukkan

kemampuannya secara akurat untuk mendeteksi dan mengidentifikasi

kontur tumor, waktu komputasi dan akurasi yang jauh lebih sedikit

daripada algoritma yang menggunakan sifat pemrosesan terdistribusi

paralel saraf jaringan untuk mengurangi waktu komputasi dan

meningkatkan akurasi klasifikasi.

Hasil simulasi menunjukkan bahwa sistem yang diusulkan

berhasil menangani proses klasifikasi citra MRI dengan akurasi

100% ketika nilai spread sama dengan 1. Hal ini juga menyimpulkan

bahwa mengusulkan sistem PNN yang LVQ berbasis menurunkan

28 | P a g e

waktu proses sekitar 79% dibandingkan dengan konvensional PNN

dan meskipun kemajuan dalam jaringan syaraf probabilistik, telah

ada ruang untuk perbaikan sejauh penentuan struktur jaringan.

4.3.Deteksi Tumor Otak Berdasarkan Citra Magnetic

Resonance Imaging (MRI) Berbasis Jaringan Saraf

Tiruan Radial Basis Function (RBF)a. Pendahuluan

Perkembangan ilmu biomedikal telah mendorong banyak

penelitian dilakukan untuk menghasilkan alat bantu diagnosa

berbasis komputer. Salah satunya yaitu pendeteksian tumor otak

dengan menggunakan citra hasil MRI. Secara umum stadium tumor

otak dapat diklasifikasikan menjadi 2 kategori, yaitu Benign dan

Malignant. Tumor Benign merupakan jenis tumor otak yang tidak

bersifat kanker sedangkan Tumor Malignant merupakan jenis tumor

yang sangat berbahaya karena dapat menyebar ke jaringan tubuh

lainnya.

Tujuan penulisan jurnal ini untuk merancang dan

melakukan implementasi perangkat lunak sistem deteksi dari metode

MRI, yang berfungsi agar diperoleh klasifikasi jenis tumor otak

untuk jinak, ganas, dan normal dan mempelajari dan menganalisis

performansi sistem deteksi tumor otak dengan menggunakan JST

RBF.

b. Dasar Teori

- Pengantar Tumor Otak

Tumor otak dibagi menjadi 2 kategori, yaitu benign dan

malignant. Tumor benign merupakan salah satu jenis tumor otak

yang tumbuh pada otak tetapi sel-sel tumor tersebut tidak

menyebar ke organ lainnya sehingga ia tidak bersifat. Sedangkan

tumor malignant, yaitu salah satu jenis tumor otak yang bersifat

kanker karena tumbuh pada otak dimana sel-sel tumor tersebut

29 | P a g e

dapat menyebar ke organ lainnya dan menyerang begitu cepat

sehingga sangat berbahaya

- Magnetic Resonance Imaging (MRI)

MRI adalah suatu alat kedokteran di bidang pemeriksaan

diagnostik radiologi, yang menghasilkan rekaman gambar

potongan penampang organ manusia dengan menggunakan

medan magnet berkekuatan antara tesla (1 tesla = 10000 Gauss)

dan resonansi getaran terhadap inti atom hydrogen.

- Prinsip Dasar MRI

Atom hidrogen dalam tubuh manusia saat di luar medan

magnet mempunyai arah yang acak. Kemudian saat diletakkan

dalam alat MRI, maka atom H sejajar dengan arah medan

magnet. Saat diberikan frekuensi radio, maka atom H

mengabsorpsi energi dari frekuensi radio tersebut. Akibatnya

dengan bertambahnya energi, atom H mengalami pembelokan,

sedangkan besarnya pembelokan arah, dipengaruhi oleh besar

dan lamanya energi radio frekuensi yang diberikan. Sewaktu

radio frekuensi dihentikan maka atom H akan sejajar kembali

dengan arah medan magnet. Kemudian energi yang berupa sinyal

tersebut dideteksi dengan detektor yang khusus dan diperkuat.

Selanjutnya komputer mengolah dan merekonstruksi citra

berdasarkan sinyal yang diperoleh dari berbagai irisan.

Perbandingan MRI dengan Computed Tomography(CT)

scan yaitu:

a. MRI lebih unggul untuk mendeteksi beberapa kelainan pada

jaringan lunak otak

b. Mampu memberi gambaran detail anatomi dengan lebih jelas

c. Mampu melakukan pemeriksaan fungsional

d. Mampu membuat gambaran potongan melintang, tegak, dan

miring tanpa merubah posisi pasien

e. MRI tidak menggunakan radiasi pengion

30 | P a g e

- Citra Digital

Sebuah citra dapat didefinisikan sebagai fungsi dua

dimensi, f(x,y), dimana (x,y) adalah koordinat ruang dan

amplitudo dari f pada setiap koordinat (x,y) disebut intensitas

cahaya atau derajat keabuan pada titik tersebut. Untuk x, y dan

nilai amplitudo pada f bernilai diskrit, citra disebut sebagai citra

digital. Masing-masing elemen pada citra digital atau elemen

matriks disebut sebagai pixel.

- Pengolahan Citra Digital

Dapat dikatakan bahwa proses pengolahan citra, misal

sebagai P, melakukan transformasi citra asal f(x,y)menjadi citra

hasil h(x,y); atau bisa dituliskan

P : f(x,y) h(x,y) (2.2)

Disini, P bisa berupa suatu pemetaan yang kompleks.

Jika ada suatu transformasi tertentu, sebut sebagai Q, yang bisa

mengembalikan h(x,y) menjadi citra asal f (x,y), maka

pengolahan citra ini bersifat dapat-balik (invertible).

P : h(x,y) f(x,y) (2.3)

Sebaliknya, jika f(x,y) tidak bisa diperoleh dari

h(x,y)maka transformasi ini bersifat tak-dapat-balik (non-

invertible). Maka pengolahan citra menimbulkan lossy. Secara

umum tahapan pengolahan citra digital meliputi :

Akuisisi Citra, Citra yang dihasilkan belum tentu citra digital,

sehigga perlu didigitalisasi, missal dengan handycam,

scanner, optical reader.

Preprocessing, Preprocessing adalah proses pengolahan citra

dalam meningkatkan kualitas citra atau memodifikasi citra.

Image Enhancement, Image enhancement disebut juga

perbaikan kualitas citra.

- Segmentasi Area

31 | P a g e

Segmentasi bertujuan untuk memilih dan mengisolasikan

(memisahkan) suatu objek dari keseluruhan citra. Segmentasi

terdiri dari down sampling,penapisan dan deteksi tepian.

- Ekstraksi Ciri

Ekstraksi ciri merupakan analisis tekstur dalam melakukan

klasifikasi dan interpretas citra dengan teknik kuantisasi

karakteristik. Dalam penelitian ini diamati metode ekstraksi ciri

statistic orde pertama dan kedua, serta mengenali performansi

masing-masing skema dalam mengenali citra dengan

karakteristik tekstural yang berlainan.

- Ekstraksi Ciri Statistik

Ekstraksi Ciri Orde Pertama

Ekstraksi ciri orde pertama merupakan metode

pengambilan ciri yang didasarkan pada karakteristik histogram

citra. Menunjukkan probabilitas kemunculan nilai derajat

keabuan piksel pada suatu citra. Sehingga dapat dihitung

beberapa parameter cirri orde pertama, antara lain adalah :

Mean (μ) Menunjukkan ukuran dispersi dari suatu citra.

Dimana fn merupakan suatu nilai intensitas keabuan,

sementara p(fn) menunjukkan nilai histogramnya

(probabilitas kemunculan intensitas tersebut pada citra)

Skewness (α3) Menunjukkan tingkat kemencengan

relative kurva histogram dari suatu citra.

Variance (σ2) Menunjukkan variasi elemen pada

histogram dari suatu citra.

Kurtosis (α4) Menunjukkan tingkat keruncingan relative

kurva histogram dari suatu citra.

Entropy (H) Menunjukkan ukuran ketidakaturan bentuk

dari suatu citra.

32 | P a g e

Ekstraksi Ciri Orde Kedua

Salah satu teknik untuk memperoleh ciri statistik orde dua

adalah dengan menghitung probabilitas hubungan ketetanggaan

antara dua piksel pada jarak dan orientasi sudut tertentu.

Gambar Ilustrasi Matriks Kookurensi Orde Kedua

Kookurensi berarti kejadian bersama, yaitu jumlah

kejadian satu level nilai piksel bertetangga 5 dan N=7 dengan

level intensitas 2 bit (0 sampai 3, 0 merepresentasikan hitam dan

3 merepresentasikan putih) dan jarak antar piksel adalah 1.

Matriks kookurensi merupakan matriks bujur sangkar dengan

jumlah elemen sebanyak kuadrat jumlah level intensitas piksel

pada citra. Setiap titik (p,q)pada matriks kookurensi berorientasi

θ berisi peluang kejadian. 6 ciri statistik orde dua yang

merepresentasikan citra yang diamati, yaitu :

Angular Second Moment

Menunjukkan ukuran sifat homogenitas citra.= { ( , )} Contrast

Menunjukkan ukuran penyebaran (momen inersia) elemen-

elemen matriks citra. Jika letaknya jauh dari diagonal utama,

nilai kekontrasan besar. Secara visual, nilai kekontrasan

adalah ukuran variasi antar derajat keabuan suatu daerah citra= ∑ ∑ ∑ ( , )| − | −32 | P a g e




















adalah ukuran variasi antar derajat keabuan suatu daerah citra= ∑ ∑ ∑ ( , )| − | −32 | P a g e




















adalah ukuran variasi antar derajat keabuan suatu daerah citra= ∑ ∑ ∑ ( , )| − | −

33 | P a g e

Correlation

Menunjukkan ukuran ketergantungan linear derajat keabuan.

= ∑ ∑ ( ) ∙ ( , ) − Variance

Menunjukkan variasi elemen-elemen matriks kookurensi= ∑ ∑ ( − ) − ( , ) Inverse Difference Moment

Menunjukkan kehomogenan citra yang berderajat keabuan

sejenis = ∑ ∑ ( ) ( , ) Entropy

Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT

besar untuk citra dengan transisi derajat keabuan merata.= − ∑ ∑ ( , ) ∙ ( , )- Jaringan Syaraf Tiruan

JST adalah sistem pemroses informasi yang mempunyai

karakteristik mirip dengan jaringan saraf biologi manusia. JST

ditentukan oleh 3 hal, yaitu: Y menerima input dari neuron x1,

x2,dan x3 dengan bobot hubungan masing-masing adalah w1,

w2,dan w3. Ketiga impuls neuron yang ada dijumlahkan, net =

x1w1+ x2w2+ x3w3. Besarnya impuls yang diterima oleh Y

mengikuti fungsi aktivasi y = f(net). JST dapat dibedakan

menjadi dua jenis, yaitu: pelatihan terbimbing (supervised

learning) dan pelatihan tidak terbimbing (unsupervised learning).

- Radial Basis Function Network (RBFN)

RBF neural network adalah sebuah feedforward neural

network yang memliki 3 layer. RBF neural network merupakan

gabungan dari teknik supervised dan unsupervised learning.

Masing-masing unit dari layer tersembunyi memiliki daerah

penerimaan yang biasanya dipresentasikan dengan fungsi

Gaussian :(|| ( ) − ( )|| ) = − || ( ) − ( )||

34 | P a g e

Algoritma RBFN adalah :

1) Inisialisasi

2) Repeatatau lakukan iterasi ke-n

3) Update nilai pusat pada lapisan tersembunyi. Proses

updatey ang digunakan menggunakan aturan :

4) Until atau kondisi berhenti iterasi

Jumlah neuron ouput didesain sendiri. Pada JST

RBF Tugas akhir ini, karena untuk mendeteksi tumor otak

yang terdiri 3 stadium, yaitu ganas, jinak dan normal. Maka

disini 3 neuron, yang nilainya merupakan output jaringan.

Pada arsitektur JST terdapat penentuan nilai lokal

bukan bobot. Untuk memperoleh nilai lokal ini terdapat 3

metode, yaitu :

1. Multiquadratic

2. Inverse Multiquadratic

3. Gaussian Function

Pada Tugas akhir ini menggunakan Gaussian. Jarak

minimum Euclidean antara titik data dengan pusat. Kriteria

jarak Euclidean minimum adalah :

c. Perancangan dan Simulasi Sistem

- Tahap Pengolahan Citra

a. Lakukan Akuisisi Citra

b. Lakukan Pemotongan dan Resize Citra

35 | P a g e

Pemotongan citra dibutuhkan untuk menghilangkan beberapa

informasi atau noise yang tidak diinginkan, sehingga proses

selanjutnya dapat terkonsentrasi pada area tumor saja.

c. Konversi Grayscale

Digunakan untuk memilih layer satu dari citra RGB, bukan

graysclemurni, karena dengan hasil grayscalemurni terdapat

beberapa informasi yang hilang bila dibaningkan dengan

RGB layer 1

d. Lakukan Enchancement Tahap 1

Enhancement atau perbaikan kualitas citra dilakukan pada

citra hasil grayscalemenggunakan wiener kernel dan median

filter.

e. Lakukan Enchancement Tahap 2

Enhancementtahap 2 ini dilakukan pada saat pemberian

threshold. Proses enhancementtahap 2 ini menggunakan

median filterkernel optimum [25,25] dan contrast

stretching.Karena citra terdapat 2 jenis gambar, yaitu citra T1

(area tumor berwarna hitam) dan citra T2 (area tumor

berwarna putih) maka nilai thresholding tiap gambar berbeda.

Untuk citra T2 ditampilkan pada gambar Non Reverse,nilai

batas thershold [0.69 0.8]. Untuk citra T1 ditampilkan pada

gambar Reverse, nilai batas threshold[0.18 0.27]. Nilai

intensitas citra yang berada dibawah 0.69 pada T2 atau diatas

0.27 pada T1 dirubah menjadi bit 0 (hitam), dan untuk nilai

yang berada di atas 0.8 pada T2 atau dibawah 0.18 pada T1

dirubah menjadi bit 1 (putih).

36 | P a g e

f. Segmentasi

Setiap area yang tersegmentasi dalam suatu kotak

dinamakan image label. Disini dicari nilai dari perhitungan

mean, variance, aspect ratio masing-masing luas image label.

Hasil perhitungan tersebut kemudian disimpan untuk analisis

proses selanjutnya.

BWLabel adalah suatu fungsi yang digunakan untuk

memisalkan beberapa luas wilayah piksel yang tidak saling

berhubungan. Piksel-piksel yang berupa latar citra diberi nilai

label “0”, piksel-piksel lain yang bernilai bit “1” diberi label

“1” dan seterusnya sesuai dengan letak urutan perkolom.

Dilatasi pada perancangan ini menggunakan “disk” yang

memiliki jari-jari sebesar 3, tujuan dari penggunaan dilatasi

ini adalah untuk mengembalikan bentuk tiap image label ke

ukuran semula. Berikut gambar hasil BWLabel dan dilatasi :

g. Labeling

Pada proses labeling disebut proses penyaringan pertama.

Penyaringan untuk mendeteksi tumor berdasarkan nilai mean,

variance, dan rasio luas tiap image label .

Untuk masing-masing nilai mean, variance, aspect ratio

daerah tumor dalam suatu image labeladalah 0.5 sampai 1, 0

sampai 0.01, dan 0.51 sampai 0.82.

h. Deteksi

Pada proses deteksi ini disebut proses penyaringan kedua,

karena masih banyak label yang kemungkinan tersaring, perlu

ada batas bawah dan atas luas. Luas area yang boleh masuk

adalah antara 4695 sampai 100000. Hasilnya hanya terdapat

satu area saja, dan itu adalah area tumor terdeteksi.

37 | P a g e

- Ekstraksi Ciri Statistik

Citra yang diekstraksi ciri merupakan citra deteksi

dinormalisasi luas image labelnya. Kemudian dihitung rumusan

ekstraksi orde 1 dan 2, yaitu Mean, Variance, Skewness,

Kurtosis, Entropy, Angular Second Moment, Contrast,

Correlation, Variance2, Inverse Different Moment, dan Entropy2.

Nilai-nilai tersebut dijadikan sebagai vektor input pada JST RBF.

Dengan algoritma pelatihan :Langkah Algoritma1 Ambil data hasil pelatihan JST RBF : bobot dan biasakhir hasil pelatihan. pusat akhir hasil pelatihan.2 Ambil pasangan pola data latih (vektor input) dantarget3 Cari jarak antara vektor inputdengan pusat-pusatakhir hasil pelatihan yang ada di neuron tersembunyi4 Hitung masing-masing fungsi radial basis yang adadi masing-masing pusat tersebut.5 Hitung vektor bagi lapisan output.6 Hitung output jaringan.7 Hitung erroryang merupakan selisih antara Outputjaringan dengan target8 Iterasi berikutnya mulai dari langkah ke-19 Jika 1 epoch telah tercapai, hitung MSE pengujianJST RBF dan simpan semua hasil pelatihan.

Pengujian

a. Akurasi

Akurasi adalah ukuran ketepatan sistem dalam mengenali

input. = _ __ _ 100 %b. Error

Error adalah tingkat kesalahan sistem dalam mengenali

input. = _ __ _ 100 %

38 | P a g e

Algoritma PengujianLangkah Algoritma1 Ambil data hasil pelatihan JST RBF : bobot dan biasakhir hasil pelatihan. pusat akhir hasil pelatihan.2 Cari jarak antara vektor input dengan pusat-pusatakhir hasil pelatihan yang ada di neuron tersembunyi3 Hitung masing-masing fungsi radial basis yang adadi masing-masing pusat tersebut.4 Hitung vektor bagi lapisan output.5 Hitung output jaringan.6 1 epoch telah tercapai, hitung output untukklasifikasi berdasarkan nilai threshold

d. Pengujian dan Analisis Sistem

- Analisis Kernel Median Filter

Dalam Enhancement tahap 2 ini digunakan kernel median

filter 25. Penggunaan kernel ini disesuaikan dengan noise pada

citra yang akan dihapus dan ukuran citra. Karena jumlah noise

pada citra otak ini terlihat cukup besar dan nampak, juga ukuran

citra cukup besar (800 x 750), maka digunakan kernel yg besar

juga agar dapat menghilangkan noise tersebut. Noise pada citra

otak ini meliputi bagian luar dari otak, seperti identitas pasien

dan bagian-bagian yang dapat menggangu atau tidak diperlukan

untuk klasifikasi stadium.

- Analisis Penentuan Nilai Threshold

Penggunaan nilai thresholdpada sistem ini adalah untuk

mempertajam atau memperjelas suspect tumor. Karena tumor

pada otak ini adalah berupa gumpalan (massa solid), maka nilai

threshold untuk batas atas dan batas bawah semua citra yang

digunakan adalah [0.69 0.8] untuk T2 dan [0.18 0.27] untuk T1.

Pada nilai ini, gumpalan tumor telihat lebih menonjol dan

semakin mudah untuk mengenali ciri masing-masing stadiumnya,

sehingga penggunaan nilai threshold ini lebih baik

39 | P a g e

- Analisis Penentuan Nilai Penyaringan Pertama pada Proses

Segmentasi

Dari hasil analisis semua citra yang diperoleh, nilai mean

dan aspect ratio daerah tumor dalam suatu image label mendekati

nilai 1, maka dibatasi dengan nilai batasnya, yaitu 0.5 sampai 1,

dan aspect ratio dibatasi oleh nilai 0.51 hingga 0.82. Sedangkan

untuk nilai varian daerah tumor dalam suatu image label

mendekati nilai 0, maka dibatasi dengan nilai batasnya, yaitu 0

sampai 0.01. Pemilihan nilai mean, aspect ratio dan varian ini,

didasarkan dari keterangan ahli radiolog karena dari semua

bentuk tumor yang dianalisis pada setiap citra, diperoleh bentuk

tumor yang bulat penuh dan memenuhi suatu bidang kotak. Oleh

karena itu, dalam bidang kotak tersebut dapat dihitung nilai

meandan aspect ratio yang mendekati “1”. Dan nilai varian yang

mendekati “0“.

- Analisis Penentuan Nilai Penyaringan Terakhir Pada Proses

Deteksi

Dari semua citra yang diperoleh, luas untuk area tumor

rata-rata berkisar antara 4695 sampai 100000. Maka nilai tersebut

dijadikan batasan nilai batas bawah dan atas luas area. Pada hasil

penyaringan pertama terdapat kemungkinan beberapa area tumor

masih lolos, namun pada penyaringan terakhir ini dipastikan

hanya satu area tumor terdeteksi dengan benar. Karena area-area

noise yang ikut masuk pada penyaringan pertama sebagian besar

merupakan area-area kecil, yaitu dibawah 4695. Maka dengan

adanya batasan tersebut area-area tidak akan ikut tersaring.

Berikut contohnya :

40 | P a g e

- Analisis Penggunaan Orde Ekstraski Ciri Terhadap Akurasi

Pada pengujian orde ini, diperoleh akurasi yang sama. Oleh

karena itu, parameter orde satu saja sudah mampu membedakan

ciri antar kondisi stadium tersebut

- Analisis Jumlah Pusat(m1)

Pusat yang digunakan berasal dari data latih yang diambil

secara random. Pada tabel di atas terlihat bahwa semakin banyak

pusat, maka akurasi juga semakin tinggi. Hal ini karena terkait

dengan adanya fungsi clustering di lapisan tersembunyi. Vektor

ciri yang tidak menjadi pusat akan lebih mudah ter-cluster

dengan vektor ciri lain yang berasal dari stadium yang sama dan

menjadi pusat, sehingga membuatnya bernilai maksimal

dibanding dengan output dari neuron lain.

- Analisis Perubahan Epoch

Hasil pengujian jumlah epoch diperoleh akurasi yang sama

untuk setiap epoch. Pada semua eppoch, ternyata MSE 0.001

tercapai pada eppoch 2476 optimum. Oleh karena itu,

41 | P a g e

kemungkinan eror yang dihasilkan akan lebih kecil daripada

pemilihan epoch lainnya

- Analisis Perubahan Learning Rate Pusat dan Bobot (Lr)

Dari hasil pengujian diperoleh MSE pada learning rate

0.0001 lebih besar dibandingkan dengan MSE pada learning rate

0.001, sehingga erornya semakin besar. Dengan menggunakan lr

=10-3 dapat memberikan akurasi yang paling tinggi, yaitu 92.59

%.

- Analisis Perubahan Mean Square Error (MSE)

Dari grafik 4.18, akurasi yang sama diperoleh pada saat

MSE 0.001 atau 0.00001. Akan tetapi untuk MSE 0.00001,

memerlukan waktu yang lebih lama dibandingkan MSE 0.001.

Oleh karena itu untuk tingkat akurasi dan efisiensi waktu yang

lebih baik, pada tugas akhir ini digunakan MSE 0.001.

- Performansi Pengujian Hasil Pelatihan Terbaik

Dengan hasil pengujian dan analisis di atas, maka dalam

paper ini akan menggunakan parameter-parameter pelatihan

berikut ini yang selanjutnya digunakan untuk pengujian :

42 | P a g e

e. Kesimpulan dan Saran

- Kesimpulan

1) Pada proses enhancement,citra dari data MRI sebaiknya

menggunakan kernel median filter 25 karena luas noise cukup

besar dan nampak

2) Proses threshold pada contrast stretching sangat diperlukan

untuk meningkatkan ketajaman kontras tumor

3) Pada tumor dari data MRI ini dapat dideteksi dengan

penyaringan, yaitu mean, aspect ratio yang mendekati nilai 1,

dan variance yang mendekati nilai 0

4) Untuk mengenali ciri tumor jinak, ganas, dan normal, dapat

digunakan ekstraksi ciri statistic orde 1 maupun gabungan

orde 1 dan 2

5) Tingkat akurasi yang paling baik pada sistem deteksi tumor

otak yang dirancang adalah sebesar 92.59%

- Saran

1) Perlu adanya penelitian lebih lanjut untuk menganalisis

sistem deteksi tumor dengan metode JST lainnya

2) Input citra penelitian selanjutnya dapat digunakan dari hasil

CT Scan

43 | P a g e

5. PEMBAHASAN DAN ANALISIS PAPER5.1.Analisis Metode Paper

1. Brain Tumor Classification Using Back Propagation Neural

Network

Langkah Kerja

1. Tahap pertama harus menjadi sistem pengolahan citra.

Sistem pengolahan gambar Basicallyin, akuisisi gambar dan

peningkatan citra adalah langkah-langkah yang harus

dilakukan. Dalam tulisan ini,

2. kedua langkah ini dilewati dan semua gambar yang

dikumpulkan dari sumber yang tersedia. Model yang

diusulkan memerlukan konversi gambar ke dalam Format

yang dapat dimanipulasi oleh komputer. Gambar MR

dikonversi ke dalam bentuk matriks dengan menggunakan

MATLAB. Kemudian, digunakan BPN untuk

mengklasifikasikan Gambar MR. Terakhir, berdasarkan

hasil kinerja akan dianalisis pada akhir tahap

pengembangan.

Black Box

Fase Propagation dengan :

Jumlah semua sinyal yang masuk ke hidden unit

Hitung keluaran semua hidden unit j pada hidden layer

Jumlah semua sinyal yang masuk ke output unit k

44 | P a g e

Hitung MSE pada tiap epoch

Principal Component Analysis

cov(X,Y) = E [E [X] – X] . E[E[Y] – Y]

cov (X,Y) = ∑ ( )( )Keterangan :

E[X] and E[Y] = Menunjukkan nilai dari x dan y untuk data

set sample.

x dan y = Rata – rata

N = Dimensi dataset

Flowchart

45 | P a g e

2. Automated Brain Tumor Detection and Identification Using Image

Processing and Probabilistic Neural Network Techniques

Langkah Kerja

1. Ambil Citra IMR

2. Konversikan citra IMR menjadi gambar gray scale

3. Lakukan segmentasi citra

4. Lakukan pengujian

5. Lakukan proses ekstraksi dan pengurangan fitur vektor

6. Neural Network

7. Melakukan tahap klasifikasi probabilistic citra

8. Mendapat hasil

Black Box

Enhancement and Smoothing :

H ( i , j ) = I ( i , j ) + n ( i , j )

Keterangan :

H ( i , j ) : Noise additive dan rendom

I ( i , j ) : spurious dan random sinyal

n ( i , j ) : pixel sebenarnya

( , ) = [ ( , )]Keterangan :

f (x, y) : citra input

g (x, y) : proses gambar

T : operator pada f,

yang didefinisikan melalui beberapa lingkungan (x, y)

Smoothing oleh Linear filter:

Keterangan :

IA(i,j) : Output gambar pixel

I(i,j) : Pixel pada gambar masukan.

46 | P a g e

I : Gambar N × M

A : Kernel konvolusi

Dimana i = 1 sampai N dan j = 1 M.

Smoothing menggunakan filter Gaussian

yang didefinisikan oleh,

Keterangan :

Gf, = kolom real matriks bernilai non negatif

Exp = 2,71828183

x = 1,2, ..., m,

y = 1,2, ..., n,= 2Smoothing

Keterangan :

x : 1,2, ..., m,

y : 1,2, ..., n,

I (x, y) : Nilai pixel dari sub-gambar asli,

M : Template Gaussian,

IA (x, y) : Nilai pixel dari gambar merapikan.

Flowchart

47 | P a g e

3. Deteksi Tumor Otak Berdasarkan Citra Magnetic Resonance

Imaging (MRI) Berbasis Jaringan Saraf Tiruan Radial Basis

Function (RBF)

Langkah Kerja

(a) Lakukan Akuisisi Citra

(b) Lakukan Pemotongan dan Resize Citra

(c) Konversi Grayscale

(d) Lakukan Enchancement Tahap 1 ( perbaikan kualitas citra

dilakukan pada citra hasil grayscal emenggunakan wiener

kernel dan median filter)

(e) Lakukan Enchancement Tahap 2 (dilakukan pada saat

pemberian threshold dan menggunakan median filterkernel

optimum serta contrast stretching)

(f) Segmentasi

(g) Labeling

(h) Deteksi

Black Box

1. Ekstraksi Ciri Orde Pertama dari Ekstraksi Statistik

a. Mean (μ) = ∑ ( )

48 | P a g e

b. Variance (σ2) = ∑ ( − ) ( )c. Skewness (α3) = ∑ ( − ) ( )d. Kurtosis (α4) = ∑ ( − ) ( ) −e. Entropy (H) = − ∑ ( ) ∙ 2log ( )Keterangan :

fn : Nilai intensitas keabuan

p(fn) : Nilai histogramnya

σ2 : Variasi elemen pada histogram

α3 : Tingkat kemencengan relatif kurva histogram

α4 : Tingkat keruncingan relatif kurva histogram

H : Ukuran ketidakaturan bentuk

2. Fungsi Gaussian|| ( ) − ( )|| = − || ( ) − ( )||Keterangan :

x(n) : Nilai titik data pada iterasi ke-n

tk(n) : Nilai pusat pada fungsi radial basis ke-k atau pusat

pada neuron ke-k di lapisan tersembunyi.

dmax : Jarak terjauh antara pusat satu dengan yang lainnyan : 1,2,3,….. N

3. Algoritma RBF – Update

)1(ntk

)(,)()(,)()()(nkkjikantnkkjikantnxnt

k

kk

Keterangan :

tk(n+1) = Nilai pusat setelah di-update

η = Nilai parameter learning-rate untuk pelatihan

pusat

4. Algoritma RBF – Until

a. Multiquadratic2/122 )()( rr

b. Inverse multiquadratic2/122 )(

1)(

r

r

49 | P a g e

c. Gaussian function

2

2

2exp)(

rr

Keterangan : = Fungsi radial basis yang berpusat di tk pada

neuron ke-k di lapisan tersembunyir = Jarak Euclidian antara pusat pada neuron ke-k di

lapisan tersembunyi dengan vektor input

= ntnx k

= md

2max

m = Jumlah fungsi radial basis di lapisan

tersembunyi.

Jarak minimum Euclidean antara titik data dengan

pusat. Kriteria jarak Euclidean minimum adalah :

K(x) = )()(min ntnx k

Keterangan :

)(ntk = Nilai pusat pada fungsi radial basis ke- k

)(nx = Nilai titik data pada iterasi ke- n

Flowchart

50 | P a g e

5.2.Pembahasan dan Perbandingan PaperPaper Algoritma / Metode

1 Principal Component Analysis (PCA) dan Back Propagation

Neural Network

2 Edge Detection (Canny) dan Probabilistic Neural Network

3 Jaringan Syaraf Tiruan Radial Basis Function

Paper Hasil Eksperimen

1 Hasil klasifikasi jaringan BPN ditunjukkan dalam angka 5

sampai 7. Akurasi klasifikasi data pengujian yang mengatur

gambar otak berkisar antara 100% sampai 73%.

2 Hasil disajikan dalam tabel menunjukkan bahwa sistem yang

keluar berhasil menangani proses klasifikasi citra MRI

dengan akurasi 100% ketika nilai spread sama dengan 1.

3 Hasil disajikan dalam tabel menunjukkan bahwa dengan

input semua citra menghasilkan akurasi 92.59 %, citra latih

dengan akurasi 100 % dan citra uji dengan 77.77 %.

51 | P a g e

Paper Kelebihan dan Kekurangan Paper

1 Algoritma ini sensitive terhadap skala relative variable asli

serta dapat meminimalkan kesalahan pada modifikasi bobot

dan bias.

2 Metode ini memiliki kesulitan untuk memisah objek dari

latar belakang, jika objek dan latar belakang adalah hasil

distribusi intensitas yang sama atau tekstur seperti di MRI-

scan. Namun algoritma ini dapat mengurangi komputasi

waktu dan meningkatkan akurasi klasifikasi

3 Algoritma ini masih menggunakan waktu komputasi yang

besar karena memiliki kernel dan noise yang besar.

Paper Perbandingan Metode1 Principal Component Analysis (PCA) dan Back

Propagation Neural Network merupakan algoritma yang

digunakan dalam pembahasan paper ini. Principal

Component Analysis (PCA) adalah salah satu teknik yang

paling sukses digunakan dalam pengenalan gambar dan

kompresi, untuk mengurangi dimensi data serta menghapus

fitur berlebihan. Berdasarkan informasi statistik, hanya fitur

yang paling informatif yang akan diekstrak dari Gambar MR

dan selanjutnya diproses.

Sedangkan Back Propagation Neural Network

digunakan untuk masalah klasifikasi. Klasifikasi disajikan

dengan akurasi yang baik, waktu pelatihan yang sebentar,

ketahanan terhadap perubahan berat dan dapat menyesuaikan

bobot serta bias dari jaringan untuk meminimalkan jumlah

kesalahan jaringan.

2 Edge Detection (Canny) dan Probabilistic Neural

Network merupakan algoritma yang digunakan pada paper

ini. Deteksi tepi pada umumnya untuk mengurangi secara

signifikan jumlah data dalam sebuah gambar, sambil

menjaga structural properti yang akan digunakan untuk

52 | P a g e

pemrosesan gambar lebih lanjut. Sedangkan Algoritma

Canny dapat digunakan sebagai detektor tepi yang optimal

berdasarkan seperangkat kriteria yang menemukan paling

tepi dengan meminimalkan tingkat kesalahan, menandai tepi

sedekat mungkin untuk tepi yang sebenarnya untuk

memaksimalkan lokalisasi, dan menandai tepi hanya sekali

ketika satu ujung memiliki respon minimal.

Sedangkan Probabilistic Neural Network digunakan

untuk memanfaatkan paralel terdistribusi pengolahan sifat

jaringan saraf untuk mengurangi komputasi waktu dan

meningkatkan akurasi klasifikasi.

3 Jaringan Syaraf Tiruan Radial Basis Function merupakan

algoritma yang digunakan pada paper ini. Algoritma ini

menggunakan pengujian dan tesing yang dilakukan untuk

memperoleh tingkat akurasi citra. Terdapat analisis

pengujian kernel median filter yang digunakan untuk

menghilangkan noise yang menggangu, serta penentuan nilai

threshold yang digunakan untuk mempertajam susect tumor.

Paper Hasil Terbaik

1 Pada hasil yang diperoleh dari paper pertama, Akurasi

klasifikasi data pengujian yang mengatur gambar otak

berkisar antara 100% sampai 73%. Hal ini cukup baik karena

memiliki tingkat akurasi yang tinggi. Percobaan dilakukan,

pelatihan dan pengujian ditentukan dengan memperhatikan

dan mempertimbangkan akurasi klasifikasi. Kumpulan data

dibagi menjadi dua, data set dan data pengujian. Kumpulan

data pengujian digunakan untuk melatih jaringan, sedangkan

data testing set digunakan untuk akurasi verify dan

efektivitas jaringan dilatih untuk klasifikasi tumor otak

2 Pada hasil yang diperoleh paper kedua, maka dapat

disimpulkan bahwa paper ini memiliki tingkat akurasi yang

paling tinggi dengan nilai akurasi 100%. Karena

53 | P a g e

menggunakan memanfaatkan paralel terdistribusi

pengolahan sifat jaringan saraf untuk mengurangi komputasi

waktu dan meningkatkan akurasi klasifikasi.

3 Pada hasil yang diperoleh paper ketiga, maka dapat

disimpulkan bahwa paper ini memiliki nilai akurasi yang

cukup tinggi pula hingga mencapai 92,59 %. Dengan

melakukan analisis pengujian dan latihan.

6. KESIMPULANDari ketiga paper diatas, dapat disimpulkan bahwa paper kedua

dengan judul “Automated Brain Tumor Detection and Identification Using

Image Processing and Probabilistic Neural Network Techniques”

memiliki hasil yang menunjukkan bahwa sistem yang keluar berhasil

menangani proses klasifikasi citra MRI dengan akurasi 100% ketika nilai

spread sama dengan 1.

Dengan menggunakan algoritma Deteksi tepi pada umumnya untuk

mengurangi secara signifikan jumlah data dalam sebuah gambar, sambil

menjaga structural properti yang akan digunakan untuk pemrosesan gambar

lebih lanjut. Sedangkan Algoritma Canny dapat digunakan sebagai detektor

tepi yang optimal berdasarkan seperangkat kriteria yang menemukan paling

tepi dengan meminimalkan tingkat kesalahan, menandai tepi sedekat mungkin

untuk tepi yang sebenarnya untuk memaksimalkan lokalisasi, dan menandai

tepi hanya sekali ketika satu ujung memiliki respon minimal.

Sedangkan Probabilistic Neural Network digunakan untuk

memanfaatkan paralel terdistribusi pengolahan sifat jaringan saraf untuk

mengurangi komputasi waktu dan meningkatkan akurasi klasifikasi. Hasil

simulasi menggunakan algoritma ini menunjukkan kemampuannya secara

akurat untuk mendeteksi dan mengidentifikasi kontur tumor, waktu komputasi

dan meningkatkan akurasi klasifikasi.

54 | P a g e

7. SARANSetiap tahapan dari proses algoritma sebaiknya dijelaskan secara mendetail

dan jelas. Karena banyaknya black box yang terdapat pada perhitungan

aritmatika dapat menyulitkan pemahaman pembaca. Sehingga para pembaca

merasa lebih sulit memahami dan mengerti apa yang di maksud dari tujuan

penulisan paper diatas. Seperti pada paper 1 yang tidak menuliskan dan

mejelaskan cara kerja dan proses yang dihasilkan.

8. FUTHER WORKS Paper 1 : “Brain Tumor Classification Using Back Propagation

Neural Network”

Semua hasil klasifikasi bisa terjadi kesalahan dan dalam kemungkinan

kegagalan untuk mengidentifikasi suatu kelainan, atau tidak

mengidentifikasi kelainan. Untuk menggambarkan tingkat kesalahan

dengan istilah positif dan negatif . sehingga diperlukan Fitur diekstraksi

menggunakan analisis komponen utama yang digunakan untuk pelatihan

dan pengujian serta klasifikasi tumor.

Paper 2 : “Automated Brain Tumor Detection and Identification

Using Image Processing and Probabilistic Neural Network

Techniques”

Untuk meningkatkan hasil deteksi tepi yang diusulkan , yang

mempengaruhi kinerja deteksi tepi adalah dengan mengurangi tingkat

kesalahan, kehilangan tepi dalam gambar dan tepi harus baik.

Paper 3 : “Deteksi Tumor Otak Berdasarkan Citra Magnetic

Resonance Imaging (MRI) Berbasis Jaringan Saraf Tiruan Radial

Basis Function (RBF)”

Semakin banyak pusat, maka akurasi juga semakin tinggi. Hal ini karena

terkait dengan adanya fungsi clustering di lapisan tersembunyi. Vektor ciri

yang tidak menjadi pusat akan lebih mudah ter-cluster dengan vektor ciri

55 | P a g e

lain yang berasal dari stadium yang sama dan menjadi pusat, sehingga

membuatnya bernilai maksimal dibanding dengan output dari neuron lain.

9. DAFTAR PUSTAKA- N. Sumitra, Rakesh Kumar Saxena. “Brain Tumor Classification Using

Back Propagation Neural Network”. I.J. Image, Graphics and Signal

Processing, 2013.

- Dina Aboul Dahab, Samy S. A. Ghoniemy, Gamal M. Selim. “Automated

Brain Tumor Detection and Identification Using Image Processing

and Probabilistic Neural Network Techniques”. International Journal of

Image Processing and Visual Communication.2012.

- Siska Riantini Arif,Achmad Rizal, ST., MT.,Koredianto Usman, ST.,MT.

“Deteksi Tumor Otak Berdasarkan Citra Magnetic Resonance

Imaging (MRI) Berbasis Jaringan Saraf Tiruan Radial Basis Function

(RBF)”. Teknik Telekomunikasi – Departemen Teknik Elektro – Institut

Teknologi Telkom. 2011.

- Siana Halim. Subhash Sharma, Applied Multivariate Techniques, John

Willey & Sons, 1996. Principal Component Analysis.

Review 3 Paper Pengolahan Citra - Brain Tumor

Documents

Transcript of Review 3 Paper Pengolahan Citra - Brain Tumor