Review 3 Paper Pengolahan Citra - Brain Tumor
Transcript of 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
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
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
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
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
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
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= ∑ ∑ ∑ ( , )| − | −
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.