deteksi meningioma dan schwannoma ...repository.unair.ac.id/50734/13/50734.pdfpendahuluan 1.1 latar...
Post on 13-Nov-2020
1 Views
Preview:
TRANSCRIPT
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCANMENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
DAN BACKPROPAGATION
SKRIPSI
FRANSISKA MEILISA
PROGRAM STUDI S1 TEKNOBIOMEDIKDEPARTEMEN FISIKA
FAKULTAS SAINS DAN TEKNOLOGIUNIVERSITAS AIRLANGGA
2016
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCANMENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
DAN BACKPROPAGATION
SKRIPSI
FRANSISKA MEILISA
PROGRAM STUDI S1 TEKNOBIOMEDIKDEPARTEMEN FISIKA
FAKULTAS SAINS DAN TEKNOLOGIUNIVERSITAS AIRLANGGA
2016
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCANMENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
DAN BACKPROPAGATION
SKRIPSI
FRANSISKA MEILISA
PROGRAM STUDI S1 TEKNOBIOMEDIKDEPARTEMEN FISIKA
FAKULTAS SAINS DAN TEKNOLOGIUNIVERSITAS AIRLANGGA
2016
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
iv
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam
lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi
kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan
sumbernya sesuai kebiasaan ilmiah.
Dokumen skripsi ini merupakan hak milik Universitas Airlangga.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
v
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa atas limpahan berkat serta
hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul
“Deteksi Meningioma dan Schwannoma dari Citra CT-Scan Menggunakan
Gray Level Co-occurrence Matrices dan Backproagation”. Skripsi ini dibuat
untuk memenuhi salah satu syarat kelulusan di Program Studi S1
Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi,
Universitas Airlangga.
Diharapkan melalui skripsi ini, penulis dapat melakukan penelitian
dengan baik dan menghasilkan karya yang bermanfaat bagi dunia medis.
Selain itu, skripsi ini diharapkan dapat membantu generasi selanjutnya dalam
mengangkat sebuah topik penelitian dan melakukan penyusunan skripsi. Skripsi
ini dapat diselesaikan berkat kerja keras dan juga dukungan berbagai pihak
yang telah membantu penyusunan skripsi ini sehingga dapat diselesaikan
dengan baik. Oleh karena itu, penulis mengucapkan terima kasih, terutama
kepada :
1. Kedua orang tua, dan saudara-saudara yang selalu mendukung penulis
dengan doa, cinta, dorongan moral, serta semangat yang tak pernah putus
untuk menyelesaikan naskah skripsi ini.
2. Yohanna Mailiyana selaku kakak perempuan penulis yang telah
memberikan kontribusinya dalam pengumpulan data.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
vi
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
3. Dr. Moh. Yasin, M.Si selaku ketua Departemen Fisika, Fakultas Sains
dan Teknologi, Universitas Airlangga.
4. Dr. Khusnul Ain,S.T.,M.Si selaku Ketua Program Studi S1
Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi,
Universitas Airlangga.
5. Prof. Dr. Retna Apsari. M.Si selaku dosen pembimbing I skripsi ini yang
telah membimbing penulisdengan memberikan saran, arahan, waktu, serta
fasilitas lainnya dalam penulisan skripsi.
6. Endah Purwanti,S.Si. M.T selaku pembimbing II yang telah memberikan
bimbingan kepada penulisberupa saran, arahan, waktu serta fasilitas
lainnya dalam penulisan skripsi.
7. Franky Chandra S.A, S.T, M.T selaku penguji I proposal dan skripsi.
8. Drs. Adri Supardi, M.S selaku penguji II skripsi.
9. Lailatul Muqmiroh, dr., SpRad(K) selaku dokter pembimbing penulis yang
memberikan saran, ide, waktu, maupun literatur yang dibutuhkan dalam
penulisan skripsi ini.
10. Dr. Suryani Dyah Astuti. M.Si selaku dosen wali penulis yang telah
mengijinkan serta memberi berbagai saran dalam pengambilan mata kuliah
skripsi yang memberikan saran, ide, waktu, maupun literatur yang
dibutuhkan dalam penulisan skripsi ini.
11. Sri Andreani Utomo,dr,Sp.Rad(K) dan Rahardian Indarto Susilo, dr.,SpBS
selaku pembimbing klinis penulis di RSUD dr. Soetomo yang memberikan
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
vii
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan
skripsi ini.
12. Para pegawai diklat RSUD Ulin Banjarmasin yang telah memberikan izin
serta arahan penulis dalam pengambilan data CT-Scan.
13. Para pegawai instalasi radiologi RSUD Ulin Banjarmasin yang telah
memberikan arahan, ilmu, maupun bantuan dalam pengambilan data CT-
Scan.
14. Para pegawai instalasi radiologi RSUD dr. Soetomo Surabaya yang telah
memberikan arahan, dan bantuan dalam pengambilan data CT-Scan.
15. Sdri. Priyanka Wardani selaku senior penulis yang memberikan
pengarahan dalam pembuatan naskah maupun penggunaan Matlab.
16. Dewa Ayu Githa M.S, Anif Hidayati, Rizka Andhitia M.P, Kirana
Nathalie P., Karina Dwi S., Novia Dwi A., Cindy Astelia, Inas Fatimah,
dan Fadilla Nashiri K. selaku teman perjuangan skripsi penulis yang telah
memberikan bantuan dan semangat dalam penulisan skripsi.
17. Teman-teman S-1 Teknobiomedik angkatan 2012 yang turut membantu
dan memotivasi kepada penulis dalam penulisan skripsi.
Penulis menyadari bahwa skripsi skripsi ini masih jauh dari kata sempurna.Oleh
karena itu, kritik dan saran yang membangun sangat diharapkan untuk
mengembangkan penelitian skripsi ini.
Surabaya, 20 Juli 2016Penulis
Fransiska Meilisa
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
viii
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Fransiska Meilisa, 2016.Deteksi Meningioma dan Schwannoma dari CitraCT-Scan Menggunakan Gray Level Co-Occurrence Matrices (GLCM) danBackpropagation. Skripsi di bawah bimbingan Prof. Dr. Retna Apsari, M.Sidan Endah Purwanti, S.Si, M.T, Program Studi S1 Teknobiomedik, FakultasSains dan Teknologi, Universitas Airlangga, Surabaya.
ABSTRAK
Penelitian ini bertujuan untuk membangun sebuah program yang mampumendeteksi kelainan meningioma, schwannoma, dan normal dari citra otak CT-Scan menggunakan jaringan syaraf tiruan backpropagation. Fitur yang digunakansebagai masukan backpropagation adalah fitur tekstur energi, entropi, dan inversedifferent moment. Semua fitur tersebut diambil menggunakan metode gray levelco-occurrence matrices (GLCM). Akurasi pelatihan backpropagation tertinggiyaitu sebesar 85,5263% dengan maksimum epoh 10000, learning rate 1, danjumlah neuron di hidden layer 10. Akurasi pengujian sebesar 89,47% dari seluruhdata uji, 100% untuk keseluruhan data uji meningioma, 100% untuk keseluruhandata uji normal, dan 50% untuk keseluruhan data uji schwannoma. Akurasipengujian untuk membedakan otak normal dengan tumor memiliki akurasi yanglebih tinggi daripada literatur. Akan tetapi akurasi utntuk membedakankeseluruhan kasus lebih rendah daripada penelitian sebelumnya. Penambahan fiturmorfologi ventrikel otak dan massa tumor dapat menjadi pertimbangan untukpenelitian selanjutnya guna meningkatkan akurasi sistem.
Kata kunci : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
ix
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Fransiska Meilisa, 2016.Meningioma and Schwannoma detection ofCT-ScanImages Using Gray Level Co-Occurrence Matrices (GLCM) andBackpropagation. This thesis was under guidance of Prof. Dr. Retna Apsari,M.Si and Endah Purwanti, S.Si, M.T, Biomedical Engineering StudyProgram, Faculty of Science dan Technology, Airlangga University,Surabaya.
ABSTRACT
This research aims to develop a program that can detect brainabnormalities such as meningioma, schwannoma, and normal brain from CT scanimages using backpropagationneural networks. The featurs that used asbackpropagation inputsare energy, entropy, and inverse different moment of thetextural features. All of these features were extratcted using gray level co-occurrence matrices (GLCM) method. The highest backpropagation trainingaccuracy is 85,5263% using 10000 maximum epoch ,1 learning rate, and10neurons in the hidden layer. Testing accuracy is 89,47% for overall testing data,100% for overall meningioma testing data, 100% for overall normal brain data,and 50% for overall schwannoma testing data. Testing accuracy to distinguishnormal brain and tumour is higher than the previous research. However, accuracyto distinguish all cases lower than the previous research. The addition ofmorphological features of the brain ventricles and tumor mass can be consideredfor further research in order to improve the accuracy of the system.
Key words : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
x
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DAFTAR ISI
HALAMAN JUDUL ........................................................................................ i
LEMBAR PERNYATAAN ................................................................................ ii
LEMBAR PENGESAHAN .............................................................................. iii
PEDOMAN PENGGUNAAN SKRIPSI ............................................................ iv
KATA PENGANTAR ........................................................................................ v
ABSTRAK .......................................................................................................... viii
ABSTRACT ....................................................................................................... ix
DAFTAR ISI....................................................................................................... x
DAFTAR TABEL ............................................................................................ xiii
DAFTAR GAMBAR ....................................................................................... xiv
DAFTAR LAMPIRAN....................................................................................... xvi
BAB I PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang .................................................................................. 1
1.2 Rumusan Masalah ............................................................................. 7
1.3 Batasan Masalah ............................................................................... 8
1.4 Tujuan Penelitian .............................................................................. 8
1.5 Manfaat Penelitian ............................................................................ 9
BAB II TINJAUAN PUSAKA ........................................................................ 10
2.1 Otak ..................................................................................................... 10
2.2 Tumor Otak ......................................................................................... 11
2.2.1 Diagnosa Tumor Otak ............................................................... 12
2.2.1.1 Imaging Test Computed Tomography .......................... 12
2.2.1.2 Imaging Test Magnetic Resonance Imaging ................. 12
2.2.1.3 Biopsi (Biopsy) ............................................................. 13
2.2.2 Gambaran Radiologis Tumor Otak Pada CT-Scan ................... 14
2.2.3 Jenis-Jenis Tumor Otak ............................................................. 15
2.2.3.1 Tumor Otak Primer ....................................................... 15
2.2.3.2 Tumor Otak Sekunder (Metastatic Brain Tumours)...... 19
2.3 Computed Tomography ....................................................................... 21
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
xi
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
2.4 CT-Scan (Computed Tomogrphy Scanner) ......................................... 22
2.4.1 Sinar-X ...................................................................................... 22
2.4.2 Prinsip Dasar CT-Scan .......................................................... 23
2.4.3 Rekonstruksi Citra CT-Scan ...................................................... 25
2.5 Gray Level Co-occurance Matrices..................................................... 30
2.5.1 Kontruksi Co-occurance Matrices.......................................... 31
2.5.2 Fitur Tekstur Gray Level Co-occurance Matrices..................... 33
2.6 Jaringan Syaraf Tiruan ........................................................................ 34
a. Pembelajaran Terawasi (Supervised Learning)............................ 35
b. Pembelajaran Tak Terawasi (Unsupervised Learning)................. 35
c. Pembelajaran Hibrida (Hybrid Learning) .................................... 35
2.7 Bacpropagation ................................................................................. 36
BAB III METODE PENELITIAN...................................................................... 41
3.1 Tempat dan Waktu Pelaksanaan.......................................................... 41
3.2 Peralatan dan Software......................................................................... 41
3.3 Prosedur Penelitian............................................................................... 42
3.3.1 Persiapan Data............................................................................ 42
3.3.2 Ekstrasi Fitur Tekstur................................................................. 44
3.3.3 Pelatihan Jaringan Backpropagation.......................................... 45
3.3.4 Pengujian Jaringan Backpropaation.......................................... 47
3.3.5 Analisa Data............................................................................... 47
3.4 Desain Interface.................................................................................. 48
BAB IV HASIL DAN PEMBAHASAN........................................................... 55
4.1 Tampilan Program ............................................................................... 55
4.1.1 Jendela Beranda......................................................................... 55
4.1.2 Jendela Program Deteksi............................................................ 56
4.1.3 Jendela Program Training dan Testing...................................... 57
4.1.4 Jendela Bantuan......................................................................... 61
4.2 Hasil Pengumpulan Data...................................................................... 62
4.3 Hasil Ekstrasi Fitur............................................................................... 63
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
xii
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
4.4 Peatihan Jaringan Backpropagation..................................................... 69
4.5 Pengujian Backpropagation................................................................. 74
BAB V KESIMPULAN DAN SARAN 80
5.1 Kesimpulan...................................................................................... 80
5.2 Saran................................................................................................ 80
DAFTAR PUSTAKA.......................................................................................... 82
LAMPIRAN....................................................................................................... 85
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
xiii
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DAFTAR TABEL
Nomor Judul Tabel Halaman
Tabel 2.1 Gejala dan Pengobata Meningioma dan Schwannoma 17
Tabel 2.2 Diagnosa Pembeda Meningioma dengan Schwannoma 18
Tabel 4.1 Nilai Hasil Ekstrasi Fitur dan Uji Citra......................... 78
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
xiv
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DAFTAR GAMBAR
Nomor Judul Gambar Halaman
Gambar 2.1 Otak Manusia ................................................................ 10
Gambar 2.2 Citra MRI dari Tumor Otak Benigna dan Maligna........ 13
Gambar 2.3 Prosedur Biopsi.............................................................. 14
Gambar 2.4 Otak Normal pada Citra CT-Scan.................................. 15
Gambar 2.5 Tumor Otak pada Citra CT-Scan.................................... 15
Gambar 2.6Citra CT-Scan otak normal, meningioma, dan
schwannoma................................................................... 19
Gambar 2.7Tumor Otak Menekan dan Merubah Posisi Jaringan
Normal........................................................................... 20
Gambar 2.8Dua Buah Poyeksi Memperlihatkan Sebuah Objek
yang Terdiri dari Sepasang Silinder............................... 22
Gambar 2.9 Susunan Alat CT-Scan.................................................... 23
Gambar 2.10 Pengukuran Transmisi Sinar-X...................................... 24
Gambar 2.11 Matriks RekonstruksiCT-Scan...................................... 26
Gambar 2.12 Algoritma ART pada CT-Scan....................................... 29
Gambar 2.13 Algoritma Backprojection CT-Scan............................... 30
Gambar 2.14 Algoritma FBP CT-Scan................................................ 30
Gambar 2.15 Arah Sudut dalam Membangun GLCM........................ 31
Gambar 2.16 Arsitektur Jaringan Backpropagation............................ 37
Gambar 3.1 Diagram Prosedur Penelitian.......................................... 43
Gambar 3.2 Algoritma PelatihanBackpropagation.......................... 46
Gambar 3.3 Algoritma Pengujian Backpropagation.......................... 47
Gambar 3.4 Desain Tampilan Jendela Beranda................................. 48
Gambar 3.5 Desain Tampilan Jendela Program Deteksi.................... 49
Gambar 3.6 Desain Tampilan Jendela Login..................................... 51
Gambar 3.7 Desain Tampilan Jendela Program Training dan
Testing............................................................................ 53
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
xv
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 3.8 Desain Tampilan Jendela Bantuan................................. 54
Gambar 4.1 Tampilan Jendela Beranda............................................. 56
Gambar 4.2 Tampilan Jendela Program Deteksi................................ 57
Gambar 4.3 Tampilan Jendela Login................................................. 58
Gambar 4.4 Tampilan Jendela Training dan Testing......................... 59
Gambar 4.5 Tampilan Panel Training................................................ 60
Gambar 4.6 Tampilan Panel Testing.................................................. 60
Gambar 4.7 Tampilan Jendela Bantuan............................................. 61
Gambar 4.8 Grafik Nilai Rata-Rata Fitur IDM dari Sudut 0ᵒ, 45ᵒ,
90ᵒ, 135ᵒ untuk Data Latih.............................................. 64
Gambar 4.9 Grafik Nilai Rata-Rata Fitur Entropi dari Sudut 0ᵒ, 45ᵒ,
90ᵒ, 135ᵒ untuk Data Latih.............................................. 66
Gambar 4.10 Grafik Nilai Rata-Rata Fitur Energi dari Sudut 0ᵒ, 45ᵒ,
90ᵒ, 135ᵒ untuk Data Latih.............................................. 68
Gambar 4.11 Grafik MSE Pelatihan Backpropagation dengan
masukan energi+entropi+IDM, 10 Hidden Layer,
Learning Rate 1, dan Maksimum Epoh 10000............... 71
Gambar 4.12 Akurasi Pelatihan Backpropagation dengan masukan
energi+entropi+IDM, 10 Hidden Layer, Learning Rate
1, dan Maksimum Epoh 10000...................................... 72
Gambar 4.13 Grafik Akurasi Terhadap Learning Rate dari Berbagai
Variasi Epoh dan Hidden LayerMenggunakan 3
Masukan......................................................................... 73
Gambar 4.14 Grafik Waktu Pelatihan Terhadap Learning Rate dari
Berbagai Variasi Epoh dan Hidden Layer
Menggunakan 3 Masukan.............................................. 74
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
xvi
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DAFTAR LAMPIRAN
Nomor Judul Lampiran Halaman
Lampiran 1 Nilai Hasil Ekstrasi Fitur Citra CT-Scan OtakData Training..................................................................
85
Lampiran 2 Akurasi Pelatihan Backpropagation............................... 88
Lampiran 3 Listing GUI Program...................................................... 95
Lampiran 4 Bukti Pengambilan Data................................................. 119
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
1
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
BAB I
PENDAHULUAN
1.1 Latar Belakang
Tumor otak merupakan salah satu penyakit yang sangat mematikan dan
banyak diderita oleh pasien dengan variasi usia yang sangat beragam.Cancer
Support Communitymenyatakan bahwa pada tahun 2012 di United States, lebih
dari 688.000 orang didiagnosa menderita tumor otak primer dimana 63%
merupakan tumor otak jinak dan 37% merupakan tumor otak ganas. Selain itu,
menurut American Brain Tumor Association, tumor otak merupakan penyebab
kematian nomor lima dari seluruh pasien kanker pada wanita yang berusia 20-39
tahun (Sari et al, 2014). Kasus tumor otak primer yang paling banyak yaitu
meningioma dan schwannoma. Menurut American Brain Tumor Association
jumlah kasus meningioma mencapai 34% dari keseluruhan kasus tumor otak
primer. Sedangkan jumlah kasus shwanoma mencapai 8% dari keseluruhan kasus
tumor otak primer pada rongga intrakranial, sebagian besar berasal dari syaraf
akustik dan trigeminal (Sun et al, 1998).
Tumor merupakan massa jaringan yang terdiri dari sel tumor. Sel tumor ialah
sel tubuh kita sendiri yang mengalami perubahan (transformasi)sehingga bentuk,
sifat, dan kinetikanya berubah, sehingga tumbuhnya menjadi autonom, liar, tidak
terkendali dan terlepas dari koordinasi pertumbuhan normal (Sukardja, 2000).
Dari definisi tersebut maka tumor otak merupakan massa jaringan dari sel-sel otak
yang tumbuh tidak terkendali.
2ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Tumor otak ada dua jenis yaitu benigna (jinak) dan maligna (ganas).Tumor
benigna memiliki pertumbuhan sel yang lambat dan memiliki batas yang jelas
serta jarang menyebar (Mayfield Clinic, 2013). Tumor maligna memiliki
pertumbuhan sel yang cepat dan memiliki batas yang tidak jelas serta menyebar
ke area otak yang lain (Mayfield Clinic, 2013). Walaupun tumor benigna tumbuh
secara lambat, pertumbuhannya dapat membahayakan kehidupan pasien. Tumor
benigna dapat tumbuh membesar dan menekan organ maupun jaringan sehat pada
otak sehingga dapat menganggu fungsinya dan menyerang jaringan lain
(Kohir,2015). Oleh karena itu dibutuhkan sebuah diagnosa dini tumor otak
sebagai langkah pengambilan keputusan bagi tenaga medis untuk memberikan
terapi yang sesuai bagi pasien.
Diagnosa tumor otak ditegakkan berdasarkan pemeriksaan klinis dan
pemeriksaan penunjang yaitu pemeriksaan radiologi dan patologi anatomi
(Japardi, 2002). Sangat sulit mendiagnosa tumor otak melalui pemeriksaan klinis
karena gejala klinis setiap individu berbeda dan tergantung dari lokasi serta
besarnya massa tumor sehingga dibutuhkan pemeriksaan penunjang terutama
pemeriksaan radiologis. Pemeriksaan secara radiologis atau scan merupakan
langkah awal untuk identifikasi keberadaan serta lokasi tumor otak tumbuh (Kohir
2015). Pemeriksaan ini bersifat non-invassive dan dapat dilakukan oleh beberapa
peralatan medis seperti X-Rays, Positron Emission Tomography (PET), Computed
Tomography Scan (CT-Scan), dan Magnetic Tomography Imaging (MRI).
3ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Beberapa dekade terakhir CT scan digunakan secara luas dalam mendukung
diagnosis klinik suatu penyakit. Alat ini dapat membantu tenaga medis dalam
menentukan lokasi patologis dengan lebih akurat. CT scan dapat menampilkan
bermacam-macam jaringan tubuh berdasarkan perbedaan tingkat
keabuannya(Padma et al,2011a). CT scan memiliki keterbatasan dalam
menampilkan citra kepala akibat adanya efek volume ruang yang mana berimbas
pada rendahnya kontras antar jaringan otak dan objek lainnya sehingga memiliki
intensitas yang sama (Padma et al,2011b). Berdasarkan permasalahan tersebut
maka analisis suatu citra CT scan otak oleh mata telanjang memerlukan waktu
yang lama, seharusnya pasien membutuhkan penanganan yang cepat dan tepat
sesuai jenis tumor yang diderita. Oleh karena itu sudah dilakukan penelitian
mengenai deteksi, segmentasi, maupun klasifikasi kelainan otak guna menghemat
waktu pemeriksaan radiologis.
Penelitian sebelumnya yang dilakukan oleh Susmikanti (2010), dilakukan
pengenalan berbasis jaringan syaraf tiruan dalam analisa CT scan tumor otak
benigna dengan fitur dominan yang disederhanakan oleh Principle Component
Analysis dan jaringan syaraf tiruan perceptron. Dalam penelitian tersebut
didapatkan akurasi rata-rata sebesar 95,8% bagi jaringan yang dibangun untuk
membedakan otak normal, meningioma, Adenoma Pituitari, Kraniofaringioma,
Pilocytic Astrositoma, dan Akustik Neurinoma.
Penelitian yang dilakukan oleh Padma et al (2011b), dibangun sebuah
program segmentasi jaringan lunak dan klasifikasi tumor otak dari citra CT scan
dengan fitur tekstur dan Bidirectional Associative Memory (BAM) classifier.
4ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Berdasarkan penelitian Padma et al (2011b), dalam penelitian ini digunakan 13
fitur tekstur dari metodeGray Level Co-occurrence Matrices (GLCM) dalam
empat sudut yakni 0ᵒ, 45ᵒ, 90ᵒ, dan 135ᵒ. 13 buah fitur tekstur tersebut kemudian
direduksi menggunakan student t-test (ρ<0,001) menjadi 8 fitur dan selanjutnya
dilakukan percobaan untuk mengetahui kombinasi fitur yang tepat sebagai
masukan. Citra CT-Scan yang digunakan yaitu 30 normal dan 50 tumor otak
(benigna dan maligna). 13 fitur tekstur yang digunakan direduksi sehingga
didapatkan 8 fitur terbaik yaitu variance, angular second moment
(ASM/energy),contrast, correlation, entropy, sum entropy, difference variance,
dan difference entropy.Akurasi klasifikasi tertinggi didapatkan dengan
menggunakan kombinasi 4 masukan fitur tekstur yaitu energy, entropy, variance,
dan inverse difference moment sebesar 93,7%. Nilai akurasi berkurang seiring
bertambahnya fitur tekstur dari GLCM. Klasifikasi dibuat untuk membedakan
citra normal dengan abnormal (tumor otak). Selain itu dengan keempat buah fitur
tekstur tersebut, didapatkan akurasi segmentasi tertinggi sebesar 99,7%.
Penelitian selanjutnya yang dilakukan oleh Padma et al (2013), dilakukan
klasifikasi tumor otak dan segmentasi jaringan lunak otak pada citra CT scan
menggunakan Dominat Gray Level Run Length Texture Features berbasis
Waveletdan SVM (Support Vector Machine) Classifier. Dalam penelitian ini
didapatkan akurasi kalsifikasi otak normal dan abnormal (tumor) sebesar 98,3%
dan dapat melakukan segmentasi pada area tumor. Segmentasi yang dilakukan
oleh program ini tidak sebaik hasil segmentasi menggunakan fitur tekstur
menggunakan metode GLCM dari penelitianPadma et al (2011b).
5ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Beberapa peneliti tersebut menjadi dasar bagi penulis unutk melakukan
penelitian yang berjudul “Deteksi Meningiomadan Schwannomadari Citra CT-
Scan Menggunakan Gray Level Co-occurrence Matrices (GLCM) dan
Backpropagation”. Pemilihan kedua jenis tumor tersebut sebagai objek penelitian
yaitu berdasarkan ciri dan tingkat keabuan yang hampir sama pada citra CT-Scan
sehingga menyebabkan keraguan bahkan kesalahan diagnosis bagi para medis.
Perbedaan dari kedua jenis tumor otak tersebut terlihat pada tekstur jaringannya
setelah dilakukan pembedahan. Berdasarkan Grossman et al (1994), tekstur massa
jaringan meningioma hiperdens dan schwannoma isodensdibandingkan jaringan
otak normal. Berdasarkan Claussen et al (1982), massa yang hiperdens memiliki
tingkat keabuan yang lebih tinggi dariada jaringan normal begitu juga sebaliknya
massa isodens memiliki tingkat keabuan yang sama dengan jaringan otak normal.
Pada citra CT-Scan, terkadang massa hiperdens terutama massa isodens memiliki
tingkat keabuan yang sama dengan jaringan normal sehingga dalam pemeriksaan
tumor pasien harus diberikan zat kontras. Hal tersebut mengakibatkan sulitnya
diagnosis untuk membedakan kedua sifat jaringan tersebut pada citra CT-Scan.
Citra CT-Scan dalam diperoleh melalui mesin CT-Scan multislice dengan
spesifikasi yang sama yaitu ukuran citra 512x512 piksel dengan keadaan
maksimum 130kV. Hal ini dibutuhkan untuk mengurangi perbedaan kualitas citra
yang didapatkan sebagai sumber data.
Fitur yang diambil dari citraCT-Scan yaitu fitur tekstur. Berdasarkan Padma
et al (2011b), fitur berdasarkan intensitas saja tidak cukup unutk melakukan
klasifikasi maupun segmentasi citra otak CT-Scan karena kompleksitas patologi
6ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
otak dengan intensitas dan kontras yang sama pada banyak bagian. Oleh karena
itu dalam penelitian ini digunakan fitur tektstur untuk membedakan massa
jaringan hiperdens dan isodens dari kedua jenis tumor tersebut dengan massa
jaringan otak normal. Fitur tekstur yang diambil dari GLCM untuk analisis citra
CT-Scanotakmerupakan 4 fitur tektur yang digunakan dalam penelititan Padma et
al (2011b) yaitu energy, entropy, variance, dan inverse difference moment. Namun
dalam penelitian ini hanya diambil fiturenergy, entropy, dan inverse differrent
moment karena nilai semua fitur varians sama untuk semua citra. Ketigat fitur
tekstur tersebut mampu menggambarkan homogenitas massa tumor, homogenitas
edema, selisih tingkat keabuan massa dengan jaringan sekitarnya, dan
keberagaman tingkat keabuan jaringan normal citra otak normal dengan
meningioma dan schwannoma.
Penelitian ini menggunakan backpropagation sebagai metode klasifikasi
citra CT-Scan otak. Backpropagation melatih jaringan untuk mendapatkan
keseimbangan antara kemampuan jaringan mengenali pola yang digunakan
selama training serta kemampuan jaringan untuk memberikan respon yang benar
terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai
selama pelatihan (Siang, 2005; dalam Azizi, 2013). Dalam penelitian ini
dilakukan variasi nilai parameter jaringan backpropagation yaitu maksimum
epoh, learning rate dan jumlah neuron di hidden layer. Variasi nilai parameter
tersebut bertujuan untuk mengetahui nilai parameter optimum yang menghasilkan
akurasi tertinggi dari aplikasi yang dibangun. Fitur yang menjadi input
backpropagation dalam penelitian ini yaitu 4 fitur tekstur dari GLCM.Keempat
7ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
fitur tektur tersebut dilakukan variasi kombinasi input untuk mendapatkan akurasi
terbaik. Keluaran dari backpropagation ada tiga yaitu normal, meningioma, dan
schwannoma. Penilaian keberhasilan dan kinerja backpropagation dalam
penelitian ini diukur melalui tingkatakurasi. Akurasi merupakan kesesuain antara
dignosis ahli radiologi dengan keluaran dari backropagation. Nilai akurasi dalam
penelitian ini akan menjadi dasar dalam analisis kinerja dari sistem deteksi yang
dibuat.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang permasalahan di atas, penulis
merumusakan masalah sebagai berikut:
1. Bagaimana kombinasi fitur tekstur energy, entropy, dan inverse
difference moment yang didapatkan dari gray level co-occurrence
matrices (GLCM) sehingga dihasilkan akurasi tertinggi?
2. Berapa nilai parameter optimal backpropagation yang digunakan
dalam pembelajaran jaringan syaraf tiruan backpropagation untuk
klasifikasi citra CT-Scan otak?
3. Berapakah tingkat akurasi sistem klasifikasi citra CT scan otak untuk
deteksi meningioma dan schwannoma menggunakan gray level co-
occurrence matrices (GLCM) dan backpropagation ?
8ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
1.3 Batasan Masalah
1. Citra yang digunakan sebagai objek penelitian adalah citra CT-Scan yang
merupakan citra digital potongan aksial otak yang diperoleh dari RSUD
Ulin Banjarmasin dan RSUD dr. Soetomo Surabaya, serta telah
diklasifikasi oleh dokter radiologi.
2. Citra otak diperoleh dari subyek normal tanpa diagnosa tumor otak dan
penderita meningioma dan schwannomadi RSUD Ulin Banjarmasin dan
RSUD dr.Soetomo, Surabaya.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini yaitu:
1. Mendapatkankombinasi fitur tekstur energy, entropy, dan inverse
difference moment yang didapatkan dari GLCM sehingga dihasilkan
akurasi tertinggi.
2. Memperoleh nilai parameter optimal backpropagation yang digunakan
dalam pembelajaran jaringan syaraf tiruan backpropagation untuk
klasifikasi citra CT-Scan otak.
3. Memperoleh tingkat akurasi sistem klasifikasi citra CT-scan otak untuk
deteksi meningioma dan schwannoma menggunakan gray level co-
occurrence matrices (GLCM) dan backpropagation.
9ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
1.5 Manfaat Penelitian
1. Mengembangkan sistem CAD (Computer Aided Detection) pada alat
tomografi sehingga mampu membantu tugas seorang radiologis dalam
menganalisis citra tomografi otak yang memiliki penyakit seperti
meningioma dan schwannoma.
2. Memberikan wacana bagi peneliti-peneliti di masa mendatang untuk
mengembangkan alat bantu diagnosis khususnya untuk
deteksimeningioma dan schwannoma.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
10
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
BAB II
TINJAUAN PUSTAKA
2.1 Otak
Otak merupakan organ tubuh yang terdiri dari kumpulan jaringan lunak
seperti spong dan berfungsi sebagai pusat koordinasi tubuh. Organ ini dilindungi
oleh tengkorak, tiga lapisan jaringan tipis (meninges), cairan serebrospinal yang
mengalir di ruangan antara meninges dengan otak (ventrikel).
Gambar 2.1Otak Manusia (Utari, 2012)
Otak melaksanakan semua fungsi yang disadari. Otak bertanggung jawab
terhadap pengalaman-pengalaman berbagai macam sensasi atau rangsangan
terhadap kemampuan manusia untuk melakukan gerakan-gerakan yang menuruti
kemauan (disadari), dan kemampuan untuk melaksanakan berbagai macam proses
mental, seperti ingatan atau memori, perasaan emosional, intelegensia,
berkomunikasi, sifat atau kepribadian dan ramalan (Utari, 2012).
Secara garis besar otak dibagi menjadi serebrum (otak besar), serebelum
(otak kecil), mesensefalon (otak tengah), diensefalon (otak depan), dan pons
varoli (jembatan varol). Serebrum berfungsi dalam mengatur semua aktivitas
mental, yang berkaitan dengan kepandaian (intelegensia), ingatan (memori),
11ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
kesadaran, dan pertimbangan. Serebelum mempunyai fungsi utama dalam
koordinasi terhadap otot dan tonus otot, keseimbangan dan posisi tubuh.
Mesensefalon berfungsi penting pada refleks mata, tonus otot serta fungsi posisi
atau kedudukan tubuh. Diensefalon terdiri atas dua bagian, yaitu thalamus yang
berfungsi menerima semua rangsang dari reseptor kecuali bau, dan hipothalamus
yag berfungsi dalam pengaturan suhu, pengaturan nutrien, penjagaan agar tetap
bangun, dan penumbuhan sikap agresif. Pons varoli merupakan serabut saraf yang
menghubungkan otak kecil bagian kiri dan kanan serta menghubungkan otak
besar dan sumsum tulang belakang.
2.2 Tumor Otak
Tumor otak merupakan penyakit yang menjadi objek dalam penelitian ini.
Tumor (disebut juga neoplasma atau lesi) merupakan jaringan abnormal yang
tumbuh dari pembelahan sel yang tidak terkendali (Mayfield Clinic, 2013). Sel
normal tumbuh secara terkendali sebagai sel baru untuk mengganti sel yang
sudah tua atau rusak. Beberapa faktor dapat menyebabkan sel tumbuh secara tidak
terkendali dan menyimpang dari sifatnya sehingga menganggu bahkan merusak
sel disekitarnya.
Pilihan tindakan yang tepat bagi pasien tumor otak sangat bergantung pada
jenis ukuran, lokasi, menyebar atau tidak, dan usia serta riwayat medisnya.
Tindakan yang diberikan dapat bersifat kuratif atau fokus untuk mengurangi
gejala yang ditimbulkan. Tindakan yang berupa terapi maupun operasi dapat
meningkatkan masa serta kualitas hidup pasien.
12ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
2.2.1 Diagnosa Tumor Otak
Diagnosa awal dilakukan dengan memperolah data riwayat
kesehatan keluarga pasien dan pemeriksaan fisik. Setelah itu dilakukan
pemeriksaan neurologis unutk mengetahui status mental, memory, fungsi
syaraf cranial, kekuatan otot, koordinasi, refleks, dan respon terhadap
rasa sakit. Namun terkadang dibutuhkan pemeriksaan tambahan sepert
audiometri, evaluasi hormon endokrin dalam urin dan darah, tes
ketajaman pengelihatan, dan spinal tap.
Langkah selanjutnya dilakukan pemeriksaan radiologis melalaui
CT-Scan atau MRI (Magnetic Resonanse Imaging).
2.2.1.1 Imaging Test Computed Tomography
Computed Tomography (CT) Scan merupakan sebuah tes yang
aman dan noninvasive yang menggunnakan pancaran sinar-X dan
komputer untuk menghasilkan citra otak 2 dimensi (Mayfield Clinics,
2013). Alat ini dapat menghasilkan citra otak dalam potongan aksial.
Potongan tersebut jumlahnya ditentukan dari kemampuan atau
spesifikasi CT-Scan yang digunakan. Zat kontras terkadang
diinjeksikan pada pasien dalam pemeriksaan radiologis alat ini agar
meningkatkan kualitas citra dari organ yang ingin dilihat.
2.2.1.2 Imaging Test Magnetic Resonance Imaging
Magnetic Resonance Imaging (MRI) merupakan sebuah tes
noninvasive yang memanfaatkan medan magnet dan gelombang radio
unutk menghasikan citra jaringan otak secara detail (Mayfield
13ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Clinics,2013). Alat ini menghasilkan citra 3 dimensi dari potongan
tubuh seperti Gambar 2.2. Zat kontras terkadang diperlukan untuk
memperjelas citra organ tubuh yang ingin dilihat. MRI sangat berfungsi
dalam evalusai lesi otak dan efeknya terhadap jaringan sekitar.
Gambar 2.2Citra MRI dari Tumor Otak Benigna dan Maligna(Mayfield Clinics, 2013)
2.2.1.3 Biopsi (Biopsy)
Hasil diagnosa pemeriksaan radiologis terkadang masih belum
jelas dan tepat dalam menentukan jenis tumor otak sehingga diperlukan
biopsi. Biopsi merupakan sebuah prosedur untuk mengambil sedikit
bagian dari tumor untuk diperiksa oleh ahli patologis di bawah
mikroskop (Mayfield Clinics, 2013).
Biopsi dapat dilakukan saat operasi pengangkatan tumor atau
sebagai prosedur diagnosa. Biopsi sebagai prosedur diagnosa dilakukan
dengan pengambilan sebagian kecil jaringan tumor menggunakan jarum
biopsi melalui lubang kecil yang dibuat pada tengkorak seperti pada
Gambar 2.3
14ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 2.3 Prosedur Biopsi (Mayfiled Clinics, 2013)
2.2.2 Gambaran Radiologis Tumor Otak pada CT-Scan
Pemeriksaan dengan CT-Scan di daerah kepala dengan maupun tanpa
kontras, sangat membantu dalam diagnosa jenis tumor otak. Jaringan
abnormal pada CT-Scan umumnya memiliki densitas atau kepadatan yang
berbeda dengan jaringan normal.Massa yang berwarna lebih terang dari
jarngan otak normal meruapakan hasil dari peningkatan penyerapan sinar-
X disebut hiperdens (Claussen et al, 1982).Massa yang berwarna lebih
gelap daripada jaringan otak normal karena penurunan serapan sinar-X
disebut hipodens (Claussen et al, 1982).Massa yang memiliki warna sama
dengan jaringan otak normal karena memiliki daya serap sinar-X yang
sama dengan jaringan normal disebut isodens (Clausen et al, 1982) .
Adanya massa pada citra otak CT-Scan menyebabkan peningkatan
densitas jaringan akibat proliferasi sel tumor dan penurunan densitas
jaringan akibat adanya edema (Claussen et al, 1982). Ventrikel otak perlu
dicermati untuk mengetahui ada atau tidaknya perubahan posisi maupun
pendesakan massa yang menyebabkan pergeseran struktur garis tengah
15ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
otak, ventrikel ketiga, maupun pineal, dan perubahan posisi jaringan otak
disekitarnya (Armstrong et al 1940).Citra CT-Scan tumor otak dan otak
normal dapat dilihat pada Gambar2.4dan Gambar 2.5.
Gambar 2.4Otak Normal pada Citra CT-Scan (Armstrong et al, 1940)
Gambar 2.5Tumor Otak pada Citra CT-Scan (Claussen et al, 1982)
2.2.3 Jenis-Jenis Tumor Otak
Tumor otak diberi nama sesuai dengan asal selnya tumbuh. Tumor
otak dapat bersifat primer (sel berasal dari otak sendiri) dan sekunder
(sel berasal dari penyebaran tumor di area lain).
2.2.3.1 Tumor Otak Primer
Tumor otak primer merupakan pertumbuhan abnormal sel yang
dimulai dari otakcdan biasanya tidak menyebar ke bagian tubuh yang
lain (Mayfield Clinic, 2013). Tumor otak ini dapat bersifat benigna
(jinak) dan maligna (ganas). Tumor benigna memiliki pertumbuhan sel
yang lambat, memiliki batas yang jelas dan jarang menyebar. Walaupun
16ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
tidak bersifat ganas, tumor ini mengandung sel jinak yang tumbuh tak
terkendali di lokasi vital otak dan membahayakan nyawa pasien. Tumor
maligna memiliki pertumbuhan sel yang cepat, memiliki batas yang
tidak jelas serta menyebar ke area otak yang lain. Tumor ini terkadang
disebut kanker otak, namun sebenarnya bukan karena tidak menyebar
ke organ tubuh lain selain tulang belakang dan otak. Dalam penelitian
ini dipilih jenis tumor otak primer meningioma dan schwannoma.
Meningioma merupakan salah satu jenis tumor otak primer dan
neoplasma ekstraksial yang paling sering terjadi. Namun sebenarnya
meningioma tidak tumbuh dari jaringan otak itu sendiri, melainkan
timbul dari meninges, yaitu tiga lapisan jaringan tipis yang menutupi
otak dan sumsum tulang belakang (American Brain Tumor Association,
2012). Tumor ini paling sering tumbuh ke dalam bagian organ yang
diserang sehingga menyebabkan tekanan pada otak atau sumsum tulang
belakang, tetapi juga memungkinkan tumbuh keluar menuju tengkorak.
Kebanyakan meningioma jinak, tumbuh lambat, beberapa berisi kista
(kantung dari cairan), kalsifikasi, atau buntalan padat pembuluh darah.
Schwannoma merupakan tumor yang timbul dari sel Schwann di
akson selubung mielin (Mehra et al, 2013). Secara histologi
schwannoma berasal dari sel Schwann perineural (Grossman et al,
1994). Berdasarkan Chung et al, 1998, kasus schwannoma meliputi 8%
dari keseluruhan kasus tumor otak primer pada rongga intrakranial,
kebanyakan berasal dari syaraf akustik (vestibular schwannoma/akustik
17ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
neuroma). Paling sering kedua terjadi pada syaraf trigeminal (trigeminal
schwannoma) dan jarang terjadi pada syaraf wajah. Gejala dan
pengobatan kedua jenis tumor tersebut dapat dilihat pada Tabel 2.1.
Tabel 2.1 Gejala dan PengobatanMeningioma dan Schwannoma (MayfieldClinics, 2013)
Meningioma Schwannoma
Gejala
1. Gejala seringkali tidak terasahingga massa membesar.
2. Gejala yang timbultergantung lokasi tumbuhnyatumor.
3. Gejala awal seperti sakitkepala, melemahnya alatgerak, gangguanpengelihatan, sampaiperubahan kepribadian.
1. Gejala yang timbulmenyebabkanterganggunya syaraf yangdiserang (wajah, akustik,atau trigeminal).
2. Pada vestibularschwannoma hilangnyapendengaran, pusing, danadanya suara dengunganpada telinga (MayfieldClinics, 2013).
Pengobatan
1. Pembedahan (surgery)dengan mempertimbangkanapakah organ vital pasiencukup kuat untuk menahananestesi dan pembedahan(ABTA, 2012).
2. Radioterapi danradiosurgery.
3. Kemoterapi interferonrekombinan alfa-2beta (IFNalfa-2beta), HU, somatostatin(Moore et al,2010).
4. Observasi (growthmonitoring)
1. Pembedahan (surgery)dengan prioritas persentasehilangnya fungsi syaraf.
2. Radioterapi danradiosurgery.
3. Observasi (growthmonitoring)
Berdasarkan Tabel 2.2, satu-satunya tanda yang benar-benar
menbedakan meningioma dengan schwannoma yaitu sifat jaringan yang
ditampilkan pada citra CT-Scan sbelum pasien diberikan kontras. Pada
meningioma jaringan bersifat hiperdens sedangkan schwannoma
bersifat isodens. Pada citra CT-Scan, terkadang massa hiperdens
18ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
terutama massa isodens memiliki tingkat keabuan yang sama dengan
jaringan normal sehingga dalam pemeriksaan tumor pasien harus
diberikan zat kontras. Oleh karena itu dalam penelitian ini digunakan
citra CT-Scan pos kontras.
Tabel 2.2 Diagnosa Pembeda Meningioma dengan Schwannoma(Grossman et al, 1994)
Fitur Meningioma SchwannomaDural tail Sering Sangat jarang
Bony Reaction Osteolisis atau hipertosis JarangAngle Made with Dura Obtus akut
Kalsifikasi 20% Sangat jarangCyst (nekrosis) Jarang Mencapai 10%Enhancement Seragam Inhortogenus dalam 32%
Keterlibatan KanalAuditori Internal Jarang 80%
Atenuasi Prekontras CT Hiperdens IsodensPendarahan Jarang Umumnya ada
Massa meningioma cendrung tampak dan homogen setelah
pemberian kontras. Hal ini sangat meningkatkan penggambaran tumor,
terutama jika sebelum pemberian kontras bersifat isodense.
Meningioma bisa berbentuk bulat, oval, atau lobular dengan batas yang
jelas (Clausen et al, 1982). Sebagian besar schwannoma hanya terlihat
setelah pemberian kontras. Peningkatannya graylevelintens, menjadi
tampak, dan sebagian besar homogen (Clausen et al, 1982).
Berdasarkan Gambar 2.6, dapat terlihat ciri utama dari tumor otak
pada citra CTScan yaitu adanya sekumpulan massa dengan tingkat
keabuan yang seluruhnya hampir seragam sehingga homogenitas citra
menjadi meningkat sehingga nilai fitur energi meningkat. Ventrikel
otak yang normal memiliki keberagaman graylevel yg tinggi dari
19ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
berbagai jaringan otak (CSF, garis tengah otak, pineal) sehingga nilai
entropi meningkat. Adanya massa dengan graylevel yang hampir
seragam, mendorong dan mendominasi jaringan otak lain sehingga
mempersempit area jaringan normal menyebabkan keberagaman
graylevel menurun sehingga menurunkan nilai fitur entropi.
Meningioma bersifat hiperdens dengan batas tegas yakni batas memiliki
tingkat keabuan yang lebih cerah daripada jaringan otak lain maupun
edema sehingga selisih graylevel antar piksel lebih kecildan
mengakibatkan nilai fitur IDM (inverse different moment) meningkat.
Sedangkan schwannoma bersifat isodens namun massa akan tampak
setelah pemberian kontras dengan batas tidak begitu tegas sehingga
selisih grayscale antar piksel lebih besardan mengakibatkan nilai IDM
rendah.
Gambar 2.6(Dari Kiri Ke Kanan) Citra CT-Scan otak normal, meningioma, danschwannoma
2.2.3.2 Tumor Otak Sekunder (Metastatic Brain Tumours)
Tumor otak ganas pada awalnya merupakan sel kanker pada bagian
tubuh lain yang menyebar ke otak (Mayfield Clinic, 2013). Tumor ini
terbentuk saat sel kanker terbawa oleh aliran darah ke otak. Kanker
20ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
yang biasanya menyebar ke otak yaitu kanker paru-paru dan kanker
payudara.
Tumor benigna dapat tumbuh membesar dan menekan organ
maupun jaringan sehat pada otak sehingga dapat menganggu
fungsinya dan menyerang jaringan lain (Kohir, 2015).Tumor benigna,
maligna maupun metastasis berpotensi untuk membahayakan nyawa.
Otak tidak bisa memberikan ruang lebih bagi tumor untuk tumbuh
karena tertutup oleh tengkorak sehingga pertumbuhan tumor
menyebabkan tekanan dan perubahan posisi pada jaringan otak seperti
pada Gambar 2.7. Beberapa jenis tumor otak menyebabkan obstruksi
cairan serebrospinal yang mengalir di sekitar maupun melalui otak.
Obstruksi ini meningkatkan tekanan dan memperbesar ventrikel otak
(hydrocephalus). Tumor juga terkadang menyebabkan edema
(pembengkakan). Ukuran, tekanan, dan pembengkakan ini
membentuk efek massa yang menyebabkan berbagai keluhan bagi
pasien.
Gambar 2.7 Tumor Otak Menekan dan Merubah Posisi Jaringan Normal(Mayfield Clinics, 2013)
21ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
2.3 Computed Tomography
Dua kata tersebut memiliki hubungan yang sangat erat. Tomographymengacu
pada gambaran irisan melintang dari sebuah objek melalui transmisi maupun
refleksi data yang dikumpulkan dengan memperjelas objek dari berbagai arah
berbeda (Avinash et al, 1999). Computed merupakan kata kerja dari bahasa
inggris yang artinya dihitung atau terkomputasi (perhitungan menggunakan
komputer). Computed tomography merupakan sebuah metode untuk memperoleh
gambaran melintang sebuah objek melaui transmisi maupun refleksi data yang
diambil dalam berbagai arah dan dihitung atau terkomputasi oleh komputer.
Computed tomoraphy atau CTtelah dikembangkan dalam kebutuhan klinis
sejak tahun 1972 dan 1973 oleh Godfrey Hounfield (Grossman et al, 1994).
Metode ini telah memungkinkan dokter untuk melihat organ dalam pasien dengan
presisi sangat baik tanpa melakukan pembedahan. Pada dasarnya, tomografi
memberikan pencitraan dengan merekonstruksi gambar dari proyeksinya. Dalam
arti sempit, sebuah proyeksi pada sudut tertentu adalah integral dari gambar pada
arah yang ditentukan oleh sudut itu (Avinash et al, 1999), seperti yang
diilustrasikan pada Gambar. 2.8. Namun, dalam arti luas, proyeksi berarti
informasi yang berasal dari energi yang ditransmisikan, ketika sebuah objek
diterangi dari sudut tertentu, fraseproyeksi terdifraksi dapat digunakan ketika
sumber energi berdifraksi, seperti halnya dengan USG dan oven microwave
(Avinash et al, 1999).
22ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar2.8 Dua Buah Poyeksi Memperlihatkan Sebuah Objek yang Terdiri dariSepasang Silinder (Avinash et al, 1999)
2.4 CT-Scan (Computed Tomography Scanner)
CT-Scan merupakan salah satu alat diagnostik dalam dunia kedokteran yang
menggunakan metode computed tomography. Penggunaan CT dalam pencitraan
kedokteran nuklir telah berkembang, pertama dengan pengenalan PET
dikombinasikan dengan CT (PET/CT) dan, baru-baru ini, dengan pengenalan
SPECT dikombinasikan dengan CT (SPECT/CT) (Goldman, 2007). Alat
inimampu memberikan gambaran organ dalam pasien tanpa dilakukan
pembedahan oleh dokter. Di Indonesia, penggunaan CT-Scan telah banyak
dilakukan oleh rumah sakit pemerintah maupun swasta. Alat ini memanfaatkan
sinar-X sebagai sumbernya.
2.4.1 Sinar-X
Sinar-X ditemukan oleh Wilhelm Conrad Rontgen seorang
berkebangsaan Jerman pada tahun 1895 (Mukhlis, 2001; dalam Suyatno
2008). Pembangkit sinar-X berupa tabung hampa udara yang di
dalamnya terdapat filamen yang juga sebagai katoda dan terdapat
komponen anoda. Jika filamen dipanaskan maka akan keluar elektron
23ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
dan apabila antara katoda dan anoda diberi beda potensial yang tinggi,
elektron akan dipercepat menuju ke anoda. Dengan percepatan elektron
tersebut maka akan terjadi tumbukan tak kenyal sempurna antara
elektron dengan anoda, akibatnya terjadi pancaran radiasi sinar-X.
2.4.2 Prinsip Dasar CT-Scan
Hounsfield mengasumsikan hasil citra objek yang dipindai oleh
CT-Scan merupakan irisan aksialnya. Dalam membangun sebuah CT-
Scan, Hounsfield memanfaatkan sinar-X . Sinar-X yang digunakan
telah difokuskan atau dibentuk menjadi seberkas sinar sempit (selebar
pensil) (Goldman, 2007). Ukuran cahaya tersebut yaitu 3 mm dalam
bidang irisan dan lebarnya 13 mm tegak lurus dengan bidang irisan.
Posisi tabung sinar-X saling berhadapan dengan detektor x-ray yang
terletak di sisi lain dari subjek. Secara bersamaan, tabung memancarkan
sinar-X selebar pensil tadi pada subjek dan detektor menerima atau
mengukur sinar-X yang dilewatkan. Gerakan memindai transversal
linier dari tabung dan detektor tersebut dikenal sebagai translasi.
Susunan peralatan ini digambarkan pada Gambar 2.9.
Gambar 2.9 Susunan Alat CT-Scan (Goldman, 2007)
24ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Selama gerak translasi, pengukuran transmisi sinar-X melalui
subjek yang diterima oleh detektor pada banyak lokasi seperti yang
diperlihatkan Gambar 2.10. Besarnya sinar-X yang melewati pasien
dalam setiap satu pengukuran disebut sebuah ray. Semua pengukuran
yang dilakukan selama translasi dan ray yang dihasilkan disebut sebuah
view. Sebagai contoh, scanner Hounsfield Mark I mengukur translasi
darin 160 ray setiap view. Setelah melakukan translasi, tabung detektor
diputar terhadap subjek sebanyak 1ᵒ, dan translasi diulang untuk
mengumpulkan view yang kedua. Jika translasi pertama diperoleh
dengan posisi tabung tepat di atas dan detektor di bawah subjek (0ᵒ),
maka tabung detektor berputar sebanyak 1ᵒ kemudian translasi
dilakukan kembali untuk mendapatkan view kedua. Rotasi dan translasi
ini dilakukan terus hingga 180 kali pada CT-Scan generasi pertama dan
360 kali pada CT-Scan saat ini.
Gambar 2.10 Pengukuran Transmisi Sinar-X (Goldman, 2007)
25ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Kombinasi translasi yang diikuti oleh rotasi disebut gerak translasi
rotasi. Pengumpulan data dilakukan oleh pancaran seberkas sinar
sempit dan satu detektor sintilasi natrium iodida (NaI). Susunan alat
dengan detektor tunggal dan seberkas cahay sempit dengan gerakan
translasi rotasi ini merupakan CT-Scan generasi pertama dibutuhkan
waktu 5 sampai 6 menit untuk melakukan sebuah pemindaian. Untuk
meminimalkan waktu pemindaian, scanner Mark I menggunakan 2
buah detektor yang berdekatan dan sinar-X dengan lebar 26mm secara
bersamaan untuk melakukan pengukuran dan menghasilkan dua citra
irisan aksial subjek. Pada akhir pemindaian, Hounsfield mendapatkan
28.800 pengukuran (180 view x 160 ray) untuk setiap irisan yang
diambil melalui banyak sudut (180) dan posisi (160).
2.4.3 Rekonstruksi Citra CT-Scan
Hounsfield membagi sebuah irisan subjek ke dalam matriks balok
3 dimensi disebut voxel seperti yang diperlihatkan oleh Gambar 2.11.
Arah sumbu X dan Y berada pada bidang irisan sedangkan arah sumbu
Z berada di sepanjang aksis subjek (arah ketebalan irisan). Dimensi Z
dari voxel merupakan ketebalan irisan. Dimensi voxel X dan Y yang
dinyatakan sebagai W dalam Gambar 2.13. bergantung pada ukuran
dari area hasil pengukuran sinar-X yang diperoleh sebagai ukuran
matriks (jumlah baris dan kolom). Misalnya setiap translasi menempuh
jarak 250 mm.
26ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Setelah pengumpulan seluruh view didapatkan pengukuran yang
mencakup sebuah area pemindaian berbentuk lingkaran ( scan cricle)
dengan diameter 250 mm. Jika scan circle dibagi kedalam matriks
berukuran 250 baris x 250 kolom, maka setiap voxel memiliki ukuran 1
mm x 1 mm. Jika ukuran matriks 250 x 250 maka ukuran voxel menjadi
0,5 mm x 0,5 mm. Matriks tersebut disebut sebagai matriks rekonstruksi.
Gambar 2.11 Matriks RekonstruksiCT-Scan (Goldman, 2007)
Tujuan dari rekonstruksi gambar CT yaitu untuk menentukan
seberapa banyak atenuasi atau pelemahan dari sinar-X yang terjadi
dalam setiap voxel dari matriks rekonstruksi (Goldman, 2007). Nilai
perhitungan atenuasi tersebut mewakili tingkat keabuan dalam sebuah
gambaran 2 dimensi dari irisan subjek. Dalam dunia citra digital, voxel
2 dimensi yang terletak pada pada bidang irisan (X dan Y) biasanya
dikenal juga sebagai pixel, namun ukuran pixel citra yang ditampilkan
(matriks citra) tentunya tidak sama dengan pixel matriks rekonstruksi
akan tetapi cukup terinterpolasi dari matriks rekonstruksi agar bisa
ditampilkan pada layar maupun untuk keperluan grafis seperti zooming
atau pembesaran citra.
27ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Hasil rekonstruksi ditampilkan dengan mempertimbangkan baris
dari voxel yang merupakan ray selama pengumpulan data yang
ditunjukkan oleh Gambar 2.11. Pada Gambar 2.11, Ni merupakan
intensitas sinar-X yang ditransmisikan dan ray diukur oleh detektor. No
merupakan ray hasil pengukuran intensitas sinar-X yang diterima oleh
subjek. Ha tersebut dapat diketahui bahwa Xi merupakan jumlah dari
nilai atenuasi dalam voxel sepanjang ray. Perhitungan jumlah atenuasi
tersebut untuk baris voxel seperti pada Gambar 2.14diperlihatkan oleh
persamaan berikut:
Xi = µ1 + µ2 + µ3 + µ4 + .......... µn ....................................(2.1)
Keterangan:
Xi : Jumlah atenuasi = -ln(Ni/No)
µi = atenuasi dari voxel i = wi.µi
Dengan cara yang sama, pengukuran untuk semua ray di semua
posisi dan sudut dapat dinyatakan sebagai jumlah dari nilai-nilai
atenuasi voxel pada setiap ray yang diukur. Perlu dierhatikan bahwa
nilai Xi diketahui melauiperhitungan dari setiap pengukuran intensitas
sinar-X oleh detektor (Ni) dengan dimensi voxel X dan Y (W) diketahui
dan intensitas sinar-x yang yang diterima pasien diketahui (No). Pada
scanner buatan Hounsfield, No langsung diukur oleh detektor referensi
yang melakukan sampling intensitas sinar-Xdari tabungnya. Scanner
modern menentukan No dari pemindaian kalibrasi secara berkala.
28ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Sebagai contoh sebuah matriks berukuran 2 x 2 pada Gambar 2.15.
View didapatkan dalam 4 arah sudut (0ᵒ, 90ᵒ, 45ᵒ, 135ᵒ) dan setiap
pengukuran merupakan jumlah dari nilai penguatan voxel setiap ray.
Nilai setiap atenuasi (U) dalam matriks tersebut belum diketahu
nilainya sehingga dibutuhkan sebuah algoritma yang disebut ART
(algebraic reconstruction technique). Cara kerja atau algoritma dari
ART dapat dilihat pada Gambar 2.12.
Algoritma ART memiliki kelemahan yaitu tidak ada jaminan
bahwa ART mampu melakukan seluruh pengukuran secara tepat karena
pengukuran itu sendiri mengandung kesalahan acak. Kesalahan acak ini
muncul dari noise (quantum mottle) pada citra akibat terbatasnya
jumlah poton sinar-X (akibat terbatasnya dosis radiasi pada pasien)
yang terlibat pada setiap pengukuran oleh detektor.
Oleh karena itu muncul algoritma baru dalam rekonstruksi citra
CT-Scan yaitu backprojection. Algoritma backprojection dapat dilihat
pada Gambar 2.13. Pada Gambar 2.13backprojection diberikan pada
sebuah model yang memiliki 3 buah objek dengan nilai atenuasi
berbeda. Pada setiap view, nilai atenuasi dapat dengan mudah
dibedakan secara mendatar sepanjang arah dihasilkannya ray.
Penjumlahan view backprojection dalam berbagai sudut dapat
membangun sebuah citra. Walaupun algoritma ini efisien namun hasil
rekonstruksi citra menghasilkan citra yang sangat kabur (blurr). Oleh
29ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
karena itu dibuatlah sebuah filter untuk menghasilkan citra yang lebih
jelas disebut FBP (filtered backprojection).
Gambar 2.12Algoritma ART pada CT-Scan (Goldman, 2007)
FBP merupakan operasi matematik konvolusi yang difungsikan
sebagai filter citra. Filter ini masih digunakan pada CT-Scan generasi
terbaru karena efisien dan memberikan hasil yang menjanjikan.
Implementasi dari algoritma FBP dapat dilihat pada Gambar 2.14.
Kebanyakan rekonstruksi citra CT-Scan saat ini menggunakan FBP
untuk merekonstruksi citra yang kabur secara parsial untuk
meminimalkan munculnya noise.
30ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 2.13Algoritma Backprojection CT-Scan (Goldman, 2007)
Gambar 2.14Algoritma FBP CT-Scan (Goldman, 2007)
2.5 Gray Level Co-occurrence Matrices (GLCM)
Metode gray level co-occurance matrices (GLCM) digunakan untuk
melakukan ekstraksi 14 fitur tekstur pertama kali diperkenalkan oleh Haralick
pada tahun 1973. Fitur tekstur mengandung informasi mengenai distribusi
spasial dari variasi derajat keabuan sebuah citra (Haralick et al, 1973).
Informasi tekstur dapat digunakan untuk membedakan sifat permukaan suatu
benda dalam citra yang berhubungan dengan kasar dan halus, sifat-sifat
spesifik dari kekasaran dan kehalusan permukaan tersebut, yang sama sekali
lepas dari warna permukaan tersebut (Budiarso, 2010).
GLCM pada dasarnya merupakan metode histogram dua dimensi. Metode
GLCM memperhitungkan hubungan spasial antara pixeldengan tingkat
keabuan yang berbeda (Nayak et al, 2014). Metode perhitungan GLCM yaitu
dengan menghitung seberapa sering pixel dengan intensitas tertentu (i) terjadi
dalam kaitannya dengan pixel lain (j) pada jarak (d) dan orientasi (Ɵ) tertentu.
31ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
2.5.1 Kontruksi Co-occurance Matrices
Haralick mendefinisikan GLCM sebagai matriks persegi P dengan
ukuran N x N. P(x1,x2) merupakan distribusi probabilitas bersama dari
pasangan pixel bertetangga dengan graylevel x1dan x2 pada posisi (m,n)
berjarak r dengan sudut Ɵ. Sudut Ɵ inilah yang menunjukkan empat arah
sudut tetangga yaitu 0ᵒ, 45ᵒ, 90ᵒ, dan 135ᵒ seperti pada Gambar 2.15.
Gambar 2.15Arah Sudut dalam Membangun GLCM (Nayak et al, 2014)
Berdasarkan definisi GLCM menurut Haralick, dimisalkan sebuah
citra grayscale I dengan jumlah total level keabuan N, maka ketentuan
untuk pasangan pixel dengan jarak r dan sudut Ɵ adalah (Putra, 2010):
, ( , ) = | ( , ), ( , ) ∈ : − = 0, | − | = , , =
, , = | ...................................................................................(2.2)
, ( , ) = | ( , ), ( , ) ∈ : ( − = , | − | =
− ) ( − = − , − = , , = , , = | ..................(2.3)
, ( , ) = | ( , ), ( , ) ∈ : | − | = , ( − ) = 0, , =
, , = | ...................................................................................(2.4)
32ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
, ( , ) = | ( , ), ( , ) ∈ : ( − = , − = ), , =
, , = | ...................................................................................(2.5)
Keterangan :
P = probabilitas kemunculan pasangan piksel bertetangga
x1 = graylevelpasangan piksel tetangga x2
x2 = graylevelpasangan piksel tetangga x1
r = jarak piksel tetangga
j = posisi baris piksel x1
k = posisi kolom piksel x1
m= posisi baris piksel x2
n = posisi kolom piksel x2
Matriks PƟ,r(x1,x2) yang sudah terbentuk kemudian ditambah dengan
transposenya sehingga terbentuk matrik simetris. Selanjutnya semua komponen
matriks simetris ini dibagi dengan jumlah komponen matriks sehingga
terbentuk matriks p yang sudah ternormalisasi.
PƟ,r(x1,x2)=PƟ,r(x2,x1) (Haralick et al, 1973) sehingga kemunculan
pasangan pixel pada arah sudut 0ᵒ sama dengan arah sudut 180ᵒ. Begitu juga
dengan arah sudut lainnya yaitu 45ᵒ dengan 225ᵒ, 90ᵒ dengan 270ᵒ, dan 135ᵒ
dengan 315ᵒ karena matriks sudut tersebut merupakan matriks
simetris,sehingga dalam GLCM hanya digunakan keempat sudut tersebut.
33ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Fitur tekstur akan diambil dari masing-masing sudut tersebut. Albergsten
2008 menyarankan untuk hanya menggunakan nilai rata-rata fitur tekstur dari
keempat sudut jika ingin menghindari ketergantungan arah piksel bertetangga.
2.5.2 Fitur Tekstur Gray Level Co-occurence Matrices
Informasi tekstur dapat digunakan untuk membedakan sifat
permukaan suatu benda dalam citra yang berhubungan dengan kasar
dan halus, sifat-sifat spesifik dari kekasaran dan kehalusan permukaan
tersebut, yang sama sekali lepas dari warna permukaan tersebut
(Budiarso, 2010).Fitur tekstur dihitung dengan melakukan rata-rata
matriks co-occurence empat arah sehingga dihasilkan suatu matriks.
Haralick merumuskan 14 fitur tektur yang dapat diambil dari GLCM.
Dalam penelitian ini hanya digunakan 3 fitur tekstur.
Matriks p merupakan matrisk GLCM yang sudah dinormalisasi
dengan dimensi i baris dan j kolom, maka fitur tekstur dari GLCM
dapat dirumuskan sebagai berikut (Haralick et al, 1973):
1. Angular second moment (ASM/energy)
ASM juga dikenal sebagai keseragaman energi. ASM mengukur atau
menyatakan homogenitas dari suatu citra.
Nilai ASM besar jika citra memiliki homogenitas yang sangat baik. ASM
dapat dihitung menggunakan Persamaan
= Ʃ Ʃ { ( , )} ..................................................................................(2.6)
34ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
2. Inverse Difference Moment (IDM)
Inverse Difference Momen (IDM) menyatakan homogenitas lokal. IDM
bernilaibesar ketika tingkat keabuan lokal seragam dan invers dari GLCM
tinggi (Nayak et al, 2014). Dengan kata lain nilai IDM akan meningkat
apabila selisih derajat keabuan sepasang piksel semakin kecil. Nilai IDM
dapat dihitung menggunakan Persamaan
= Ʃ Ʃ( )
p(i,j)...........................................................................(2.7)
3. Entropy (Entropi)
Entropi adalah ukuran statistik dari keacakan (ketidakteraturan) yang dapat
digunakan untuk mengkarakterisasi tekstur citra input. Apabila sebuah citra
secara tekstural tidak seragam, maka banyak elemen GLCM yang bernilai
rendah sehingga nilai entropi menjadi besar. Entopi dapat dihitung
menggunakan Persamaan
=
−Ʃ ∑ ( , )log ( ( , ))..............................................................(2.8)
2.6 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) didefenisikan sebagai susunan dari elemen-
elemen penghitung yang disebut neuron atau titik (node) yang saling terhubung
guna dimodelkan untuk meniru fungsi otak manusia (Sinambela et al, 2013). Hal
paling penting dari konsep jaringan syaraf yaitu adanya proses pembelajaran
dengan tujuan utama melakukan pengaturan terhadap bobot-bobot yang ada pada
jaringan syaraf, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data
35ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
yang dilatih. Selama proses pembelajaran terjadi perbaikan bobot-bobot
berdasarkan algoritma tertentu. Pembelajaran atau pelatihan Jaringan syaraf tiruan
dikelompokkan menjadi 3 (Sinambela et al, 2013) yaitu:
a. Pembelajaran Terawasi (Supervised Learning)
Dalam metode ini, setiap pola yang diberikan kedalam jaringan syaraf
tiruan telah diketahui outputnya. Selisih antara pola output aktual (output
yang dihasilkan) dengan pola output yang dikehendaki (output target)
yang disebut error digunakan untuk mengoreksi bobot jaringan syaraf
tiruan hingga mampu menghasilkan output sedekat mungkin dengan target
yang telah diketahui oleh jaringan syaraf tiruan. Apabila nilai error ini
masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih
banyak pembelajaran lagi. Contoh pembelajaran terawasi adalah: Hebbian,
Perceptron, ADALINE, Boltzman, Hopfield, dan Backpropagation.
b. Pembelajaran Tak Terawasi (Unsupervised Learning)
Metode ini tidak memerlukan target output. Selama proses pembelajaran,
nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input
yang diberikan. Tujuan pembelajaran ini yaitu mengelompokkan unit-unit
yang hampir sama dalam suatu area tertentu.
c. Pembelajaran Hibrida (Hybrid Learning)
Metode ini merupakan kombinasi dari metode pembelajaran supervised
learning dan unsupervised learning. Sebagian dari bobot-bobotnya
ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui
pembelajaran tak terawasi. Dalam penelitian ini digunakan jaringan syaraf
36ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
tiruan backpropagation untuk klasifikasi citra CT-Scan otak normal,
meningioma, dan schwannoma.
2.7 BackpropagationBackpropagation merupakan salah satu jenis jaringan syaraf tiruan yang
terdiri dari beberapa layer (multilayer) dengan metode pembelajaran terawasi
(Supervised Learning). Algoritma pembelajaran error backpropagation
merupakan sebuah algoritma jaringan syaraf yang belajar untuk membedakan pola
yang tidak bisa dipisahkan secara linier (Anzai, 1946).
Setiap unit jaringan backpropagation yang berada di lapisan input
terhubung dengan setiap unit yang ada di lapisan tersembunyi (hidden layer)
terhubung dengan setiap unit yang ada di lapisan output. Ketika jaringan diberikan
pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit-unit lapisan
tersembunyi untuk selanjutnya keluaran akan memberikan respon sebagai
keluaran jaringan syaraf tiruan. Saat hasil keluaran tidak sesuai dengan yang
diharapkan, maka keluaran akan dijalankan mundur (backward) pada lapisan
tersembunyi kemudian dari lapisan tersembunyi menuju lapisan masukan.
Arsitektur jaringan backpropagation ditunjukkan oleh Gambar 2.16.
Setiap unit di dalam layer input pada jaringan backpropagation selalu terhubung
dengan setiap unit yang berada pada layer tersembunyi, demikian juga setiap unit
pada layer tersembunyi selalu dari banyak lapisan (Sinambela et al, 2013) yaitu:
1. Lapisan input (1 buah), yang terdiri dari 1 hingga n unit input.
2. Lapisan tersembunyi (minimal 1 buah), yang terdiri dari 1 hingga p unit
tersembunyi.
37ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
3. Lapisan output (1 buah), yang terdiri dari 1 hingga m unit output.
Gambar2.16 Arsitektur Jaringan Backpropagation (Sinambela et al, 2013)
Algoritma pelatihan backpropagation terdiri dari 2 tahapan (Sinambela et al,
2013), feedforward dan backward propagation. Algoritma pelatihan jaringan
backpropagation(Sinambela et al, 2013) dapat dilakukan sebagai berikut:
1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup
kecil).
2. Tetapkan: maksimum Epoh, Target Error, dan Learning Rate (α).
3. Inisialisasikan: Epoh = 0.
4. Kerjakan langkah-langkah berikut selama (Epoh < maksimum Epoh) dan
(MSE < Target Error):
a. Epoh = Epoh + 1
b. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran
feedforward sebagai berikut:
38ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
b.1 Tiap-tiap unit input (Xi, i=1, 2, 3…., n) menerima sinyal xi dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada
di atasnya (lapisan tersembunyi).
b.2 Tiap-tiap unit pada suatu lapisan tersembunyi (Zi, j=1, 2, 3,….p)
menjumlahkan sinyal- sinyal input terbobot:
z_inj = b1j + Ʃ xi vij............................................................................................(2.9)
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
zj = f (z_inj) = 1 _ ....................................................................................(2.10)
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya
(unit-unit output).
b.3 Tiap-tiap unit output (Yk, k=1, 2, 3,…..m) menjumlahkan sinyal-
sinyal input terbobot.
zink = b2k + Ʃ zi wjk...........................................................................................(2.11)
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
yk = f (yink) = .........................................................................................(2.12)
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya
(unit-unit output). Catatan: Langkah (b.2) dilakukan sebanyak
jumlah neuron pada hidden layer.
Backward propagation
b.4 Tiap-tiap unit output (Yk, k=1,2,3,…..,m) menerima target pola
yang berhubungan dengan pola input pembelajaran, hitung
informasi errornya:
δ2k = tk − yk f′(y_ink)............................................................................................(2.13)
39ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
φ2jk = δk zj..................................................................................................................( 2.14)
β2k = δk.............................................................................................................................(2.15)
kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperbaiki nilai wjk:
∆wjk = α φjk.................................................................................................................. (2.16)
Hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai b2k:
∆b2k = α.................................................................................................................. (2.17)
Langkah (b.4) dilakukan sebanyak jumlah lapisan tersembunyi,
yaitu menghitung informasi error dari suatu lapisan tersembunyi
ke lapisan tersembunyi sebelumnya.
b.5 Tiap-tiap unit tersembunyi (Zj, j=1,2,3,….,p) menjumlahkan delta
inputnya (dari unit-unit yang berada pada lapisan di atasnya):
δ_inj = Ʃ δi wjk....................................................................................................(2.18)
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk
menghitung informasi error:
δ1j = δ_inj f′(z_inj ).................................................................................................(2.19)
φ1ij = δj xj..................................................................................................................... (2.20)
β1j = δ1j.......................................................................................................................... (2.21)
kemudian hitung koreksi bobot (yang nantinya akan digunakan
untuk memperbaiki nilai vij:
∆vij = α φ 1ij.................................................................................................................(2.22)
40ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Hitung juga koreksi bias (yang nantinya akan digunakan untuk
memperbaiki nilai b1j:
b1j = α φ 1j.................................................................................................................. (2.23)
b.6 Tiap-tiap unit output (Yk, k=1,2,3,….,m) memperbaiki bias dan
bobotnya (j = 0,1,2,….,p):
wjk(baru) = wjk(lama) + ∆wjk.......................................................................... (2.24)
b2k(baru) = b2k(lama) + ∆b2k..........................................................................(2.25)
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…..,p) memperbaiki bias
dan bobotnya (i=0,1,2,….,n ):
vij(baru) = vij(lama) + ∆vij.......................................................................... (2.26)
b1j(baru) = b1j + ∆b1j.......................................................................... (2.27)
5. Hitung (MSE) Mean Square Error
Setelah dilakukan algoritma tersebut pada jaringan, maka akan didapatkan
jaringan yang sudah dilatih. Sehingga untuk melakukan identifikasi, dapat
dilakukan dengan langsung memberikan input dan jaringan akan
mengklasifikasikannya sesuai dengan bobot- bobot yang diperoleh dari
proses training sebelumnya. Dimana besar mean square errorditunjukka
persamaan berikut.
= Ʃ ( ) − ( ) ................................................................................................(2.28)
= Ʃ ( )................................................................................................................................ (2.29)
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
41
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
BAB III
METODE PENELITIAN
3.1 Tempat dan Waktu Pelaksanaan
Penelitian ini dilaksanakan di Laboratorium Instumentasi Medis dan
Laboratorium Komputer, Departemen Fisika, Fakultas Sains dan Teknologi,
Universitas Airlangga untuk membuat sistem. Penelitian dilakukan selama
kurang lebih enam bulan dari Februari hingga Juli 2016
3.2 Peralatan dan Software
Peralatan dan bahan yang digunakan selama penelitian adalah:
1. Laptop Hewlett Packard model Pavilion 14n016TU dengan spesifikasi
sebagai berikut:
a. Intel Core i7-4500U @1.80GHz-2.40GHz processor / RAM 4
GB.
b. 64-bit operating system.
2. Data citra potongan axial otak dari RSUD Ulin Banjarmasin dan RSUD dr.
Soetomo Surabaya.
3. Software yang digunakan yaitu Windows 8, Microsoft Office 2010,
Microsoft Excel 2010dan MATLAB R2013a.
42ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
3.3 Prosedur Penelitian
Penelitian Klasifikasi Citra CT Scan untuk Deteksi Meningioma dan
Schwannoma Menggunakan Gray Level Co-occurrence Matrices (GLCM)
dan Backpropagation akan dilakukan dengan beberapa tahap seperti
ditunjukkan dalam Gambar 3.1. dengan penjelasan lengkap pada subbab 3.3.1
hingga 3.3.5.
3.3.1 Persiapan Data
Data citra CT-Scan otakpost contrast dalam penelitian ini
berjumlah 95 pasien meliputi 32 citra otak normal, 43 meningioma,
dan 20schwannoma yang telah terdiagnosa secara visual oleh dokter
radiologi. Data yang digunakan dalam penelitian ini didapatkan dari
RSUD Ulin Banjarmasin dan RSUD dr.Soetomo Surabaya.
Citra yang didapatkankemudian dibagi untuk keperluan
trainingdan testing jaringan backpropagation dalam penelitian ini.
Sebanyak 80% data diambil dari masing-masing kasus untuk
keperluan latih, sehingga data latihberjumlah 76 citra yang terdiri
dari 34 meningioma, 16 schwannoma, dan 26 normal. Sebanyak 20%
atau sisanya dari masing-masing kasus digunakan untuk keperluan
uji, sehingga data ujiterdiri dari 9 meningioma, 4 schwannoma, dan 4
normal.
43ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Citra otak CT scan
Citra Training Citra Testing
Persiapan Data
Pembentukan Matriks GLCM 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ
Penghitungan fitur tekstur dari Matriks GLCM Ekstraksifitur tekstur
Pelatihan jaringan backpropagation
Bobot akhir
Pelatihanjaringan
Pengujian jaringan Backpropagation
Akurasi
Analisa data
Testing
Analisa data
Pemilihan fitur dan variasi nilai parameter JST
Energy Entropy IDM
Gambar 3.1 Diagram Prosedur Penelitian
44ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
3.3.2 Esktrasi Fitur Tekstur
Fitur tekstur dalam penelitian ini didapatkan melalui metode gray
level co-occurrence matrices (GLCM). Matriks GLCM dibentuk
melalui empat arah sudut yakni 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ yang juga mewakili
arah 180ᵒ, 225ᵒ, 270ᵒ, 315ᵒ sehingga nilai fitur akan tetap sama
walaupun posisi kepala pasien berubah-ubah. Ekstrasi fitur ini
dilakukan pada data-data citra CT-Scan pada tahap persiapan data.
Fitur-fitur yang diambil dari metode GLCM yaiu 3 fiturdari 14 fitur
tekstur Haralick yang mewakili citra sebagai berikut :
1. Angular second moment (ASM/energy)
ASM juga dikenal sebagai keseragaman energi. ASM mengukur
atau menyatakan homogenitas dari suatu citra. Nilai ASM besar
jika citra memiliki homogenitas yang sangat baik. ASM dapat
dihitung menggunakan Persamaan 2.6
2. Inverse Difference Moment (IDM)
Inverse Difference Momen (IDM) menyatakan homogenitas
lokal. IDM bernilaibesar ketika tingkat keabuan lokal seragam
dan invers dari GLCM tinggi (Nayak et al, 2014). Nilai IDM
dapat dihitung menggunakan Persamaan 2.7
3. Entropy (Entropi)
Entropi adalah ukuran statistik dari keacakan (ketidakteraturan)
yang dapat digunakan untuk mengkarakterisasi tekstur citra
input. Entopi dapat dihitung menggunakan persamaan 2.8
45ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Semua fitur tekstur diatas didapatkan melaui metode GLCM.
nilai fitur yang digunakan sebagai input backpropagation
merupakan nilai rata-rata masing-masing fitur dari ke empat
sudut matriks GLCM yaitu 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ. Hasil ekstrasi fitur
data trainingdan testingdiberikan pada Lampiran 2.
3.3.3 Pelatihan Jaringan Backpropagation
Pelatihan dilakukan menggunakan data yang diperoleh dari proses
persiapan data. Fitur yang didapatkan dari proses ekstraksi fitur
menjadi masukan bagi backpropagation. Keluaran dari jaringan
backpropagation ada 3 yaitu normal dengan indeks 0,
meningiomadengan indeks 0,5, dan schwannomadengan indeks 1.
Algoritma pelatihan backpropagation dapat dilihat pada Gambar 3.2.
Pelatihan ini dilakukan percobaan untuk mendapatkan kombinasi
input dan nilai parameter optimal dengan nilai akurasi tertinggi.
Parameter yang digunakan yaitu maksimal epoh, learning rate (α),
dan jumlah neuron di hidden layer. Tingkat akurasi dari variasi nilai
parameter dan input disajikan pada Lampiran 2.
46ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 3.2 Algoritma Pelatihan Backpropagation (Sinambela et al, 2013)
47ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
3.3.4 Pengujian Jaringan Backpropagation
Data uji bagi jaringan backpropagation yang dibuat merupakan
20% dari masing-masing citra otak terdiri dari 6 normal, 9
meningioma, dan 4 schwannoma pada proses persiapan data. Fitur
masukan merupakan kombinasi dari jumlah fitur yang didapatkan
dengan akurasi tertinggi pada tahap pelatihan. Nilai bobot dan error
yang digunakan didapat memlalui tahap pelatihan backpropagation.
Algoritma pengujian backpropagation disajikan pada Gambar 3.3
Gambar 3.3 Algoritma PengujianBackpropagation
3.3.5 Analisa Data
Hasil pengujian disajikan pada Tabel 4.1. Tingkat akurasi pengujian
jaringan backpropagation dapat diketahui dengan menbandingkan hasil
keluaran jaringan dengan hasil diagnosa dokter radiologi.
Tingkat kebenaran klasifikasi atau akurasi merupakan proporsi dari
klasifikasi benar terhadap jumlah klasifikasi total (Padma et al,
48ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
2011a).Akurasi dalam penelitian ini merupakan persentase kesesuain
dignosa dokter radiologi dengan keluaran jaringan backpropagation.
Tingkat akurasi tersebut dapat dihitung menggunakan persamaan berikut:
=Ʃ
100%
3.4 Desain Interface
Perangkat interface pada penelitian ini didesain menggunakan Graphical
User Interface (GUI). Pembuatan interface bertujuan untuk mempermudah
penggunaan user. GUI yang dibuat terdiri dari beberapa menu utama atau
jendela yaitu beranda, program deteksi, program trainingdan testing, dan
bantuan.
1. Jendela Beranda
Gambar 3.4 Desain Tampilan Jendela Beranda
Berdasarkan Gambar 3.4 jendela beranda terdiri dari :
1. Program deteksi : push button yang berisi perintah untuk
membukaprogram deteksi.
2. Program training dan testing : push button yang berisi perintah untuk
1 2
3
5
4
49ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
membuka program training dan testing.
3. Bantuan : push button yang berisi perintah untuk
membuka jendela bantuan.
4. Tentang : push button yang berisi perintah untuk
membuka jendela tentang.
5. Keluar : push button yang berisi perintah untuk
memberikan pilihan mengakhiri program
kepada user.
Jendela beranda memiliki dua buah axes yang berfungsi untuk menampilkan
logo Universitas Airlangga.
2. Jendela Program Deteksi
Jendela program deteksi berfungsi untuk melakukan diagnosa atau
mendeteksi citra yang dimasukkan oleh user. Selain itu jendela ini
digunakan oleh peneliti untuk menguji citra data uji. Desain tampilan
jendela program deteksi ditunjukkan oleh Gambar 3.5.
Gambar 3.5 Desain Tampilan Jendela Program Deteksi
3 2
1
4
5
6
7
8
9
10
11
50ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Berdasarkan Gambar 3.5 jendela program deteksi terdiri :
1. Axes 1 : berfungsi menampilkan citra yang akan didiagnosa.
2. Browse :push button yang berisi perintah untuk memilih citra
yang akan didiagnosa.
3. Edit 1 : berfungsi menampilkan nama citra.
4. Ambil fitur : push button yang berisi perintah untuk menghitung
nilai fitur citra.
5. Text 5 : berfungsi menampilkan nilai fitur entropi.
6. Text 6 : berfungsi menampilkan nilai fitur IDM.
7. Text 7 : berfungsi menampilkan nilai fitur energi.
8. DIAGNOSA : push button yang berisi perintah untuk melakukan
diagnosa.
9. Text 8 : berfungsi menampilkan text yang menyatakan hasil
diagnosa.
10. Reset : push button yang berisi perintah untuk
mengosongkan semua data.
11. Keluar : push button yang berisi perintah untuk
memberikan pilihan mengakhiri program.
3. Jendela Program Trainingdan Testing
Jendela program training dan testing berfungsi untuk mendapatkan
bobot baru menggunakan data yang digunakan dalam penelitian ini maupun
data baru yang digunakan user. Desain jendela program training dan
51ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
testing ditampilkan oleh Gambar 3.7, selain itu berfungsi sekaligus untuk
menguji data uji yang didapatkan dalam penelitian maupun data uji baru
dari user. Sebelum memasuki jendela program training dan testing dibuat
jendela login. Desain tampilan jendela login ditunjukkan oleh Gambar 3.6.
Gambar 3.6 Desain Tampilan Jendela Login
Berdasarkan Gambar 3.6 jendela login terdiri dari :
1. Edit 1 : berfungsi untuk mengisi username.
2. Edit 2 : berfungsi untuk mengisi password.
3. Login : push button yang berisi perintah untuk memeriksa
kecocokan antarausername dengan password, jika cocok
maka akan terbuka jendela program training dan testing, jika
tidak maka akan terbuka textbox berisi keterangan
ketidakcocokan.
4. Axes 1 : berfungsi menampilkan logo Universitas Airlangga.
5. Axes 2 : berfungsi menampilkan logoUniversitas Airlangga.
54
3
2
1
52ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Setelah username dan password cocok maka akan terbuka jendela
program training dan testing. Berdasarkan Gambar 4.7 jendela ini terdiri
atas:
1. Browse : push button yang berisi perintah memilih data
trainingdan testing.
2. Edit 1 : berfungsi menampilkan nama data training.
3. Edit 2 : berfungsi memasukkan nilai learning rate.
4. Edit 3 : berfungsi memasukkan nilai hidden layer.
5. Edit 4 : berfungsi memasukkan nilai epoh.
6. Edit 5 : berfungsi menampilkan nama data testing.
7. Tabel fitur : berfungsi menampilkan data fitur training dan
testing.
8. Tabel output : berfungsi menampilkan output jaringan dan target
pada training maupun testing.
9. Text 1 : berfungsi menampilkan akurasi pelatihan.
10. Text 2 : berfung menampilkan jumlah data latih.
11. Text 13 : berfungsi menampilkan jumlah data benar.
12. Text 15 : berfungsi menampilkan akurasi testing.
13. Mulai Training : push button yang berisi perintah untuk memulai
training.
14. Mulai Testing : push button yang berisi perintah untuk memulai
testing.
15. Tabel Bobot W1 : berfungsi menampilkan bobot W1.
53ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
16. Tabel Bobot W2 : berfungsi menampilkan bobot W2.
17. Tabel Bobot b1 : berfungsi menampilkan bobot b1.
18. Tabel Bobot b2 : berfungsi menampilkan bobot b2.
19. Reset : push button yang berisi perintah untuk
mengosongkan semua data.
20. Keluar : push button yang berisi perintah menampilkan
pilihan untuk mengakhiri program.
Gambar 3.7 Desain Tampilan Jendela Program Training dan Testing
4. Jendela Bantuan
Jendela bantuan berisi instruksi untuk menampilkan petunjuk atau
instruksi cara menggunakan program ini. Desain jendela bantuan
ditunjukkan oleh Gambar 3.8.
2 1 16
7
134
9
10
11
5
815
55
4
8
517
16
18
12 14
19 20
54ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Jendela bantuan memiliki push button KELUAR yang berisi
perintah perintah menampilkan pilihan untuk mengakhiri program.
Gambar 3.8Desain Tampilan Jendela Bantuan
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
55
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
BAB IV
HASIL DAN PEMBAHASAN
4.1 Tampilan Program
Tampilan program deteksi meningioma dan schwannoma dari citra CT-
Scan ini didesain menggunakan Graphical User Interface (GUI) dengan
tujuan untuk mempermudah user dalam menggunakannya. Interface program
didesain menggunakan GUI sehingga lebih praktis dan aplikatif. Pada subbab
4.1.1 sampai dengan 4.1.4 akan dijelaskan tampilan jendela-jendela di dalam
GUI beserta fungsi menu dan tombol di dalamnya. Desain interface program
ini diberi nama AIMeSD (Artificial Intelligent for Meningioma and
Schwannoma Detection). Program ini memiliki nama lain yaitu “Aplikasi
Pendeteksi Meningioma dan Schwannoma dari Citra CT-Scan Otak
menggunakan Backpropagation”.
4.1.1 Jendela Beranda
Jendela beranda merupakan tampilan awal yang berisi menu utama
dari keseluruhan program deteksi meningioma dan schwannoma dari
citra CT-Scan ini. Tampilan jendela beranda ditunjukkan oleh Gambar
4.1. Jendela beranda dapat dibuka melalui menu “beranda” pada jendela
bantuan, program deteksi, login, serta program training dan testing.
Menu yang terdapat di dalam jendela ini yaitu program training
dan testing, dan program deteksi. Kedua menu tersebut digunakan
untuk masuk ke dalam jendele-jendela utama program. Menu bantuan
56ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
digunakan untuk menampilkan instruksi atau cara penggunaan program
ini. Selain itu juga terdapat tombol KELUAR yang akan memberikan
penawaran kepada user untuk mengakhiri penggunaan program.
Gambar 4.1 Tampilan Jendela Beranda
4.1.2 Jendela Program Deteksi
Jendela program deteksi merupakan salah satu jendela utama yang
digunakan user untuk melakukan deteksi citra CT-Scan untuk
mengetahui apakah dari citra tersebut otak pasien normal, meningioma,
atau schwannoma. Jendela ini juga digunakan oleh pembuat program
untuk melakukan pengujian. Tampilan jendela program deteksi
ditunjukkan oleh Gambar 4.2. Jendela program deteksi dapat dibuka
melalui menu “program deteksi” pada jendela beranda, bantuan, login,
serta program traing dan testing.
57ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 4.2 Tampilan Jendela Program Deteksi
Hal pertama yang harus dilakukan user yaitu menekan tombol
“BROWSE” untuk memilih citra dengan format “.dcm” atau DICOM.
Kemudian user menekan tombol “AMBIL FITUR” untuk mengetahui
nilai fitur tekstur citra yang terdiri dari entropi, IDM, dan energi.
Setelah nilai muncul maka user dapat menekan tombol “DIAGNOSA”
untuk mengetahui hasil diagnosa program terhadap citra yang
digunakan.
4.1.3 Jendela Program Training dan Testing
Jendela program latihdan uji berfungsi untuk mendapatkan bobot
baru menggunakan data yang digunakan dalam penelitian ini maupun
data baru yang digunakan user. Bobot awal yang digunakan dalam
tariningdipilih secara acak oleh program latihdan uji dengan rentang
nilai dari -1 hingga 1. Bobot baru akan digunakan ke dalam
backpropagation yang telah dibangun secara mandiri oleh peneliti.
Sebelum masuk ke dalam jendela ini user harus memasukkan username
58ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
serta password yang diberikan oleh peneliti ke dalam jendela login.
Tampilan jendela login ditunjukkan oleh Gambar 4.3. Tampilan jendela
program trainingdan testing ditunjukkan oleh Gambar 4.4.
Hal pertama yang harus dilakukan oleh user setelah login yaitu
memasukkan data pelatihan dengan format “.mat” menggunakan
tombol “BROWSE” pada panel training. Tampilan panel training
ditunjukkan oleh Gambar 4.5. Kemudian mengisi nilai parameter
backpropagation yaitu learning rate, hidden layer (jumlah neuron pada
hidden layer), dan epoch (maksimum epoh). Setelah semua parameter
diisi kemudian user menekan tombol “MULAI TRAINING” dan proses
pelatihan dimulai. Proses ini akan berakhir jika grafik MSE muncul dan
nilai hasil pelatihan berupa akurasi pelatihan, jumlah data latih, jumlah
data benar, dan tabel output target telah disajikan. Setelah proses
pelatihan selesai bobot akan muncul pada panel testing.
Gambar 4.3Tampilan Jendela Login
59ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 4.4 Tampilan Jendela Training dan Testing
Bobot pada panel testingtesrdiri dari W1, W2, b1, dan b2.
Tampilan panel testingditunjukkan oleh Gambar 4.6. Setelah semua
bobot muncul pada tabel, user memasukkan data testing dalam format
“.mat” menggunakan tombol “BROWSE” di panel testing kemudian
menekan tombol “Mulai Testing”. Hasil pengujian berupa akurasi dan
tabel kesesuain antara outputdengan target akan muncul jika proses
testingselesai.
Pada jendela program training dan testing terdapat tombol
“RESET” yang berfungsi untuk mengosongkan semua data pada panel
training maupun testing sehingga user bisa menggunakan data baru.
Selain itu, terdapat tombol “KELUAR” yang akan memberikan pilhan
pada user untuk mengakhiri atau menutup program.
60ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 4.5 Tampilan Panel Training
Gambar 4.6 Tampilan Panel Testing
61ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
4.1.4 Jendela Bantuan
Jendela bantuan berisi instruksi untuk menapilkan petunjuk atau
instruksi cara menggunakan program ini. Tampilan jendela bantuan
ditunjukkan pada Gambar 4.7.
Jendela bantuan dapat dibuka melalui menu “bantuan” pada
jendela beranda, program deteksi, login, serta program training dan
testing.
Instruksi yang diberikan berupa cara penggunaan program deteksi,
dan program training dan testing. Selain itu juga berisi petunjuk
mengenai spesifikasi citra yang digunakan. Jendela ini memiliki menu
beranda, program deteksi, dan program training dan testing. Menu-
menu tersebut berfungsi untuk membuka jendela yang dibutuhkan. Pada
jendela bantuan ini terdapat tombol “KELUAR” yang akan
memberikan pilhan pada user untuk mengakhiri atau menutup program.
Gambar 4.7 Tampilan Jendela Bantuan
62ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
4.2 Hasil Pengumpulan Data
Citra CT-Scan dalam penelitian ini didapatkan dari RSUD Ulin
Banjarmasin dan RSUD dr. Soetomo Surabaya. Data yang didapatkan
merupakan citra CT-Scan otak pos kontras berjumlah 95 pasien dan telah
didiagnosa secara visual oleh dokter radiologi namun belum dibuktikan
secara histopatologi. Data tersebut terdiri dari 43 meningioma, 20
schwannoma, dan 32 normal.
Semua citra yang diperoleh memiliki format DICOM (.dcm). Format
tersebut merupakan format citra asli dari mesin CT-Scan. Citra yang
diperoleh memiliki ukuran sebesar 512x512 piksel dan diambil menggunakan
mesin CT-Scan multisclice dengan kondisi maksimum generator sinar X
sebesar 130kV.
Semua data tersebut dibagi secara acak untuk keperluan ujidan latih.
Sebanyak 80% data diambil dari masing-masing kasus untuk keperluan latih,
sehingga data latihberjumlah 76 citra yang terdiri dari 34 meningioma, 16
schwannoma, dan 26 normal. Sebanyak 20% atau sisanya dari masing-masing
kasus digunakan untuk keperluan uji, sehingga data ujiterdiri dari 9
meningioma, 4 schwannoma, dan 4 normal.
Data latihmaupun uji langsung diekstrasi fitur teksturnya menggunakan
Gray Level Co-occurrence Matrices (GLCM) tanpa melalui proses perbaikan
citra. Hal ini dilakukan karena CT-Scan memiliki perbaikan citra otomatis
dan sekaligus untuk menghindari informasi asli citra yang hilang.
63ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
4.3 Hasil Ekstrasi Fitur Tekstur
Ekstrasi fitur dilakukan pada data latih maupun uji untuk mengetahui ciri
khas yang menggambarkan diagnosa citra. Dalam penelitian ini digunakan
metode statistik orde dua yaitu Gray Level Co-occurrence Matrices(GLCM)
untuk mengetahui tiga fitur tekstur dari citra yaitu energy, entropi, dan
inverse difference moment (IDM).
GLCM digunakan untuk mengetahui probabilitas pasangan piksel yang
saling bertetangga dengan tingkat keabuan, jarak, dan sudut tertentu. Penlitian
GLCM dilakukan dalam empat arah sudut yaitu yaitu 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ
dengan jarak 1 piksel. Albergsten (2008) menyarankan untuk hanya
menggunakan nilai rata-rata fitur tekstur dari keempat sudut jika ingin
menghindari ketergantungan arah piksel bertetangga. Penelitian ini
menggunakan saran dari Albergsten (2008) untuk menghindari penggunaan
rotasi, sehingga nilai fitur akan tetap sama walaupun posisi kepala pasien
berubah-ubah. Penggunaan rotasi juga dihindari karena dalam kasus tumor
otak terjadi pergeseran garis tengah otak maupun organ lainnya akibat
pendesakan massa sehingga sangat sulit untuk menentukan posisi kepala
pasien agar tepat mengarah ke atas. Selain itu penggunaan rata-rata sebagai
input mampu mengurangi beban komputasi.
Fitur pertama yang dihitung yaitu inverse difference moment (IDM) yang
dihitung menggunakan persamaan 2.7. Gambar 4.8 menunjukkan sebaran
nilai rata-rata fitur IDM untuk data latih. Berdasarkan Gambar 4.1 nilai rata-
rata fitur IDM untuk semua data latih memiliki rentang yang hampir sama.
64ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Citra normal memiliki rentang nilai IDM 0,620585-0,739645 dengan rata-rata
keseluruhan 0,670535. Citra meningioma memiliki rentang nilai IDM
0,673713-0,786974 dengan rata-rata keseluruhan 0,730743. Citra
Schwannoma memiliki rentang nilai 0,745112-0,795052 dengan rata-rata
keseluruhan 0,767268, maka dapat disimpulkan bahwa
schwannomacenderung memiliki nilai IDM yang tinggi kemudian diikuti oleh
meningioma dan terakhir normal.
Gambar 4.8 Grafik Nilai Rata-Rata Fitur IDM dari Sudut 0ᵒ, 45ᵒ, 90ᵒ,135ᵒ untuk Data Latih
Keterangan :M : meningiomaS : schwannomaN : normal
Inverse Difference Momen (IDM) dalam Persamaan 2.7 menyatakan
homogenitas lokal. IDM bernilaibesar ketika tingkat keabuan lokal seragam
dan invers dari GLCM tinggi (Nayak et al, 2014), dengan kata lain nilai IDM
0.59
0.64
0.69
0.74
0.79
0.84
0 20 40 60 80
IDM
Data Ke-
IDM Latih
M
S
N
65ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
akan meningkat apabila selisih derajat keabuan sepasang piksel semakin
kecil. Semakin besar jumlah pasangan piksel dengan selisih tingkat keabuan
kecil semakin besar nilai IDM. Hal tersebut sesuai dengan ciri khas dari
meningioma yaitu memiliki batas yang tegas dimana pinggiran massa
memiliki tingkat keabuan sangat cerah dibandingkan jaringan disekitarnya
terutama terhadap edema yang hipodens dan mengelilingi massa sehingga
piksel dengan selisih tingkat keabuan sangat besar berjumlah banyak dan nilai
IDM lebih kecil daripada schwannoma. Citra normal memiliki nilai IDM
paling kecil karena jaringan otak normal terdiri dari berbagai jaringan otak
dengan nilai tingkat keabuan sangat beragam dan berbeda dengan jaringan
lainnya namun tidak memiliki banyak piksel dengan tingkat keabuan lebih
cerah yang merupakan massa tumor.
Fitur kedua yaitu entropi yang dihitung menggunakan persamaan 2.8.
Gambar 4.2 menunjukkan sebaran nilai rata-rata fitur entropiuntuk data latih.
Berdasarkan Gambar 4.9 nilai rata-rata fitur entropi untuk semua data latih
memiliki rentang yang hampir sama. Citra normal memiliki rentang nilai
entropi 1,24836-1,7858 dengan rata-rata 1,53981. Citra meningioma memiliki
rentang entropi 1,10678-1,59834 dengan rata-rata 1,380673 dengan rata-rata
1,380673. Citra schwannoma memiliki rentang entropi 1,12074-1,30842
dengan rata-rata 1,228831. Kesimpulan yang dapat diambil yaitu citra otak
normal cenderung memiliki nilai entropiyang tinggi diikuti oleh meningioma
kemudian schwannoma.
66ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Gambar 4.9 Grafik Nilai Rata-Rata Fitur Entropi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ,135ᵒ untuk Data Latih
Keterangan :M : meningiomaS : schwannomaN : normal
Persamaan 2.8menyatakan bahwa entropi adalah ukuran statistik dari
keacakan (ketidakteraturan) yang dapat digunakan untuk mengkarakterisasi
tekstur citrainput. Apabila sebuah citra secara tekstural tidak seragam, maka
banyak elemen GLCM yang bernilai rendah sehingga nilai entropi menjadi
besar.Semakin tinggi keberagaman tingkat keabuan dalam sebuah citra maka
semakin tinggi nilai entropi. Hal tersebut sesuai dengan ciri dari citra otak
normal yang terdiri dari berbagai macam organ, jaringan, dan ventrikel
dengan tingkat keabuan berbeda-beda sehingga memiliki kebergaman tingkat
keabuan yang tinggi. Citra yang memiliki tumor otak seperti meningioma dan
schwannoma memiliki keberagaman tingkat keabuan yang lebih rendah
1.09
1.19
1.29
1.39
1.49
1.59
1.69
1.79
0 20 40 60 80
Entr
opy
Data Ke-
Entropi Latih
M
S
N
67ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
akibat adanya massa tumor dengan tingkat keabuan lebih cerah hampir
homogen dan mendesak jaringan otak normal sehingga mempersempit
bahkan menghilangkan area tersebut.Meningioma memiliki nilai entropi yang
lebih tinggi daripada schwannoma akibat adanya batas massa tumor yang
tegas atau pinggiran massa tumor dengan tingkat keabuan lebih cerah
dibandingkan jaringan disekitarnya sehingga meningkatkan keberagaman
tingkat keabuan citra.
Fitur tekstur ketiga yaitu energi atau Angular Second Moment (ASM) yang
dihitung menggunakan persamaan 2.6. Gambar 4.10 menunjukkan sebaran
nilai rata-rata energiuntuk data latih. Berdasarkan Gambar 4.3 nilai rata-rata
untuk semua data latih memiliki rentang yang hampir sama. Citra normal
memiliki rentang nilai energi 0,254271-0,432998dengan rata-rata 0,323518.
Citra meningioma memiliki rentang nilai energi 0,301707-0,5285599 dengan
rata-rata 0,391749. Citra schwannoma memiliki rantang nilai energi
0,438638—0,502142 dengan rata-rata 0,462996. Kesimpulan yang dapat
diambil yaitu citra otak normal cenderung memiliki energi yang lebih rendah
diikuti oleh meningioma kemudian schwannoma.
Persamaan 2.7 menyatakan bahwa energi atau Angular Second Moment
(ASM) juga dikenal sebagai keseragaman energi. ASM mengukur atau
menyatakan homogenitas dari suatu citra. Semakin tinggi keseragaman
tingkat keabuan suatu citra semakin tinggi nilai energi. Citra otak normal
memiliki nilai energi yang kecil karena keberagaman tingkat keabuan yang
tinggi sehingga homogenitas citra rendah. Berbeda dengan citra yang
68ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
memiliki kelainan tumor seperti meningioma dan schwannoma. Tumor yang
memiliki tingkat keabuan lebih cerah dan hampir homogen atau seragam
menyebabkan citra menjadi lebih homogen sehingga meningkatkan nilai
energi. Adanya batas tegas pada massa meningioma menyebabkan nilai
energinya lebih rendah daripada schwannoma. Batas yang tegas tersebut
memiliki tingkat keabuan yang lebih cerah daripada jaringan disekitarnya
sehingga memperkecil homogenitas citra. Massa schwannoma yang tidak
memiliki batas tegas menyebabkan homogenitas citranya lebih tinggi.
Gambar 4.10 Grafik Nilai Rata-Rata Fitur Energi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ,135ᵒ untuk Data Latih
Keterangan :M : meningiomaS : schwannomaN : normal
0.23
0.28
0.33
0.38
0.43
0.48
0.53
0 20 40 60 80
Ener
gi
Data Ke-
Energi Latih
M
S
N
69ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
4.4 Pelatihan Jaringan Backpropagation
Data yang digunakan dalam pelatihan backpropagation merupakan 80%
dari keseluruhan masing-masing citra otak normal, meningioma dan
schwannoma, sehingga terdapat 26 citra otak normal, 34 meningioma, dan 16
schwannoma. Kemudian dilakukan ekstrasi fitur terhadap semua data latih
dan setiap citra diberi indeks yang menyatakan target atau hasil diagnosa.
Penelitian ini menggunakan target atau indeks keluaran hasil diagnosa dengan
rentang 0 hingga 1. Hal ini dilakukan karena backpropagation menggunakan
fungsi aktivasi sigmoid. Berdasarkan Siang(2009), fungsi aktivasi sigmoid
memiliki nilai maksimum 1 dan nilai minimum 0. Citra normal diberi indeks
atau target 0, meningioma 0,5 dan schwannoma 1. Indeks tersebut dipilih
berdasarkan rentang keluaran fungsi aktivasi sigmoid, namun belum ada
referensi yang memberikan ketentuan nilai berapa yang harus digunakan
dalam rentang tersebut. Hasil ektrasi fitur citra untuk pelatihan disajikan pada
Lampiran I.
Pelatihan backpropagation dalam penelitian ini bertujuan untuk
mendapatkan bobot yang mampu menghasilkan perhitungan keluaran sedekat
mungkin dengan target sehingga dihasilkan akurasi yang tinggi. Bobot awal
yang digunakan dipilih secara acak dengan rentang nilai dari -1 hingga 1.
Tahap pelatihan ini dilakukan variasi parameter backpropagation yaitu
maksimal epoh, hidden layer, dan learning rate atau laju pembelajaran.
Selain variasi parameter dalam pelatihan juga dilakukan variasi input untuk
70ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
mengetahui fitur tekstur yang benar-benar mudah dikenali oleh
backpropagation.
Hasil pelatihan backpropagation disajikan pada Lampiran 2. Hasil
pelatihan dinyatakan dalam bentuk persentase akurasi. Akurasi pelatihan
menyatakan banyaknya kesesuain keluaran selama pelatihan terhadap target
atau hasil diagnosa dokter. Akurasi pelatihan juga menggambarkan
kemampuan backpropagation untuk mengenali pola yang diberikan.
Berdasarkan Lampiran 2, untuk variasi satu input akurasi tertinggi
didapatkan dari pelatihan menggunakan fitur entropi sebesar 81,5789%,
diikuti oleh IDMsebesar 78,9473% kemudian energi sebesar 77,6315%.
Pelatihan menggunakan variasi dua input akurasi tertinggi didapatkan dari
variasi fitur energi+IDM sebesar 84,2105%, diikuti oleh entropi+IDM sebesar
82,8947%, kemudian energi+entropi sebesar 81,5789%. Akurasi tertinggi
diperoleh dari pelatihan menggunakan tiga input atau keseluruhan fitur
tekstur yang diekstrasi yaitu energi, entropi, dan idm sebesar 85,5263%yang
ditunjukkan oleh Gambar 4.12 dengan MSE sebesar 0,0068 ditunjukkan oleh
Gambar 4.11. Hal ini menunjukkan bahwa ketiga fitur tekstur tersebut benar-
benar menggambarkan citra otak normal, meningioma, dan schwannoma serta
tidak bisa dipisahkan.Batas MSE yang digunakan dalam pelatihan yaitu
sebesar 0,001. Batas ini dipilih karena berdasarkan Gambar 4.4 MSE diatas
nilai batas tersebut tercapai pada epoh pertama sehingga nilai batas diperkecil
untuk meningkatkan nilai epoh selama pelatihan. Banyaknya epoh diharapkan
mampu meningkatkan akurasi karena penbaharuan bobot semakin sering
71ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
diakukan. Oleh karena itu diharapkan dalam penelitian selanjutnya mengkaji
dan menggunakan jaringan syaraf tiruan lain yang mampu berada pada
rentang error maupun MSE dengan nilai sekecil mungkin dan epoh besar.
Gambar 4.11 Grafik MSE Pelatihan Backpropagationdengan masukanenergi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum
Epoh 10000
Variasi parameter backpropagation maupun input yang digunakan dalam
pelatihan sangat mempengaruhi tingkat akurasi maupun durasi pelatihan.
Berdasarkan Lampiran 2 Gambar 4.13, dan Gambar 4.14, semakin banyak
hidden layer yang digunakan akurasi cenderung semakin meningkat. Hal ini
terjadi karena semakin banyak hidden layer semakin banyak bobot sehingga
72ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
perhitungan output menjadi lebih teliti yang ditandai dengan semakin banyak
pola yang dikenali selama pelatihan sehingga akurasi pelatihan meningkat.
Penelitian menggunakan variasi jumlah hidden layer 3, 5, dan 10 agar
komputasi tidak terlalu berat sehingga waktu berjalannya program saat
pelatihan maupun pengujian tidak berlangsung lama. Semakin banyak jumlah
hidden layer semakin panjang durasi pelatihan.
Gambar 4.12 Akurasi Pelatihan Backpropagation dengan masukanenergi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum
Epoh 10000
Semakin besar nilai learning ratesemakin tinggi akurasi yang didapatkan.
Learning rate sangat mempengaruhi laju pembelajaran sehingga
73ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
mempercepat tercapainya MSE maupun iterasi yang diinginkan. Dalam
penelitian ini MSE yang diinginkan yaitu sebesar 0,001 tidak pernah tercapai
sehingga learning rate hanya berpengaruh dalam kecepatan pembelajaran
dengan MSE terkecil yang dicapai yaitu 0,0068. Berdasarkan Gambar 4.7,
semakin besar nilai learning rate durasi pelatihan cenderung semakin singkat.
Gambar 4.13 Grafik Akurasi Terhadap Learning Rate dari Berbagai VariasiEpoh dan Hidden LayerMenggunakan 3 Masukan
Semakin besar nilai maksimum epoh semakin meningkat akurasi
pelatihan. Semakin banyak epoh yang dilakukan semakin sering
pembaharuan bobot dilakukan. Hal ini menyebabkan semakin teliti atau
5759616365676971737577798183858789
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Aku
rasi
Learning Rate
Akurasi Pelatihan 3 Masukan
Epoh=1000 HD=3 Epoh=5000 HD=3 Epoh=10000 HD=3
Epoh=1000 HD=5 Epoh=5000 HD=5 Epoh=10000 HD=5
Epoh=1000 HD=10 Epoh=5000 HD=10 Epoh=10000 HD=10
74ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
semakin akurat perhitungan yang dilakukan backpropagation yang ditandai
dengan semakin tingginya tingkat akurasi pelatihan program.Semakin tinggi
akurasi pelatihan menandakan bahwa semakin banyak pola yang mampu
dikenali oleh backpropagation. penelitian ini menggunakan variasi epoh
sebesar 1000, 5000, dan 10000 yang memiliki durasi pelatihan 15 detik
hingga 2 menit sehingga durasi waktu pelatihan tidak terlalu panjang.
Gambar 4.14 Grafik Waktu Pelatihan Terhadap Learning Rate dari BerbagaiVariasi Epoh dan Hidden Layer Menggunakan 3 Masukan
Hasil pelatihan dengan akurasi tertinggi sebesar 85,5263% dengan MSE
0,0068 menggunakan hidden layer 10, learning rate 1, dan maksimum epoh
10.000020.000030.000040.000050.000060.000070.000080.000090.0000
100.0000110.0000120.0000130.0000140.0000150.0000160.0000170.0000
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Wak
tu (s
)
Learning Rate
Grafik Waktu Pleatihan 3 Masukan
Epoh=1000 HD=3 Epoh=5000 HS=3 Epoh=10000 HD=3
Epoh=1000 HD=5 Epoh=5000 HD=5 Epoh=10000 HD=5
Epoh=1000 HD=10 Epoh=5000 HD=10 Epoh=10000 HD=10
75ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
10000. Bobot hasil pelatihan maupun parameter pelatihan kemudian disimpan
sebagai dasar pengelompokkan saat pengujian.
4.5 Pengujian Backpropagation
Tahap pengujian bertujuan untuk mengetahui kemampuan
backpropagation yang telah dibangun dan dilatih untuk mengenali pola baru.
Selain itu hal ini juga bertujuan untuk mengetahui kemampuan fitur yang
digunakan dalam menggambarkan citra CT-Scan otak normal, meningioma,
dan schwannoma.
Data yang digunakan dalam pengujian backpropagation merupakan 20 %
dari keseluruhan masing-masing citra otak normal, meningioma dan
schwannoma, sehingga terdapat 6 citra otak normal, 9 meningioma, dan 4
schwannoma. Pengujian ini menggunakan parameter dan bobot yang sudah
didapatkan dari pelatihan dengan akurasi tertinggi yaitu 10 hidden layer,
laerning rate 1, dan maksumim epoh 10000.
Bobot yang telah didapatkan kemudian digunakan di dalam jendela
deteksi. Selama proses pengujian ini, satu persatu gambar dimasukkan ke
dalam jendela program deteksi yang akan menampilkan nilai fitur sekaligus
hasil diagnosa oleh backpropagationyang ditunjukkan oleh Gambar 4.7. Hasil
pengujian berupa nilai fitur, diagnosa dokter, keluaran atau target, serta
kesesuain keluaran disajikan pada Tabel 4.1.
Berdasarkan Tabel 4.1, hasil uji menunjukkan bahwa ada dua buah citra
yang tidak sesuai dengan diagnosa dokter sehingga diperoleh akurasi
keseluruhan sistem sebesar 89,47%. Akurasi sistem yang didapatkan lebih
76ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
kecil daripada penelitian yang dilakukan oleh Susmikanti (2010). Hal ini
menunjukkan bahwa perceptron yang dibangun dalam penelitian Susmikanti
(2010) mampu mengenali dengan baik fitur dominan yang digunakan, akan
tetapi penelitian Susmikanti (2010) hanya untuk jenis tumor benigna. Uji
untuk setiap kasus memiliki akurasi yang berbeda-beda. Akurasi 100%
didapatkan untuk uji kasus meningioma dan otak normal, sehingga dari
keselurhan data yang didapatkan, program ini mampu membedakan semua
citra meningioma dan normal. Akurasi ini lebih tinggi daripada akurasi yang
didapatkan dalam penelitian yang dilakukan oleh Padma et al (2011b) dan
Padma et al (2013). Hal ini menunjukkan bahwa backpropagation mampu
mengenali dengan lebih baik pola masukan citra otak normal dan tumor.
Akurasi sebesar 50% didapatkan dari uji kasus schwannoma. Hanya 2 dari 4
citra yang didiagnosa sesuai dengan diagnosa dokter dan sisanya terdiagnosa
sebagai meningioma. Hal ini disebabkan karena nilai kedua fitur citra tersebut
hampir sama sekaligus berada pada rentang nilai fitur meningioma. Hasil
akurasi masing-masing kasus ini dapat diambil kesimpulannya bahwa
program mampu membedakan citra otak normal dan meningioma dengan
sangat baik, namun program ini masih belum bisa membedakan kasus
meningioma dan schwannoma dengan sangat baik walaupun sebenarnya
masih bisa membedakan beberapa citra pada kedua kasus tersebut.
Pengujian kasus schwannoma hanya memiliki akurasi sebesar 50% karena
setengah dari data ujinya terdiagnosa sebagai meningioma. Hal ini terjadi
karena fitur yang digunakan terutama fitur IDM, belum mampu
77ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
menggambarkan ketegasan batas massa tumor dengan sangat baik. Oleh
karena itu untuk penelitian selanjutnya dapat digunakan segmentasi massa
tumor secara otomatis untuk mengambil fitur ketegasan batas massa sehingga
program mampu mengenali kasus schwannoma dengan lebih baik.
Berdasarkan Tabel 4.1 dan Lampiran 1 dapat diketahui bahwa terjadi
overlap pada setiap rentang nilai fitur. Overlap terjadi karena nilai fitur setiap
kasus tidak dapat dipisahkan secara linier. Backpropagation berperan untuk
mengenali pola setiap kasus dengan fitur yang saling overlap dan mampu
mengenali pola yang serupa namun tidak sama baik dalam pelatihan maupun
dalam pengujian. Jika rentang nilai fitur dapat dipisahkan secara linier maka
tidak diperlukan jaringan syaraf tiruan seperti backpropagation.
Data yang digunakan dalam penelitian ini terdiri atas citra otak normal,
tumor (meningioma dan schwannoma) yang benigna (jinak) maupun maligna
(ganas) dari pasien dengan usia yang sangat beragam. Pada penelitian
selanjutnya sangat diharapkan untuk klasifikasi sifat benigna dan maligna
tumor serta diberikan pilihan masukan usia bagi user untuk memperkecil nilai
rentang fitur yang overlap sehingga mampu meningktakan akurasi sistem.
Tujuan utama dari pembuatan program ini yaitu mampu mengenali
kelainan meningioma dan schwannoma yang berada pada bagian
cerebellopontine angle (CPA) yang sangat sulit untuk dibedakan. Satu-
satunya yang membedakan kedua tumor tersebut yakni massa meningioma
yang hiperdens dan massa schwannoma yang isodens sebelum pemberian zat
kontras. Sayangnya perbedaan ini tidak mampu dibedakan secara kasat mata
78ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
sehingga dibutuhkan pemberian kontras pada pasien walapun efeknya akan
mulai menghilang setelah dua menit pertama perlakuan tersebut.
Penelitian ini menggunakan citra pos kontras sehingga massa tumor
menjadi lebih terlihat. Ciri unik dari massa meningioma yaitu batas tegas dan
bentuk massa yang jelas setelah pemberian kontras sedangkan massa
schwannoma menjadi tampak karena mayoritas penyangatan kontras terjadi
secara homogen. Penelitian ini menggunakan dua buah citra meningioma
pada daerah CPA. Kemudian salah satu citra tersebut digunakan sebagai data
pelatihan dan sisanya digunakan sebagai data pengujian untuk melihat
kemampuan backpropagationdalam membedakan meningioma pada daerah
CPA dengan schwannoma.
Tabel 4.1 Nilai Hasil Ekstrasi Fitur dan Uji Citra
No. Entropi IDM ASM Target Output Sesuai/Tidak1. 1,06677 0,815994 0,485197 0,5 0,5 Sesuai2. 1,44403 0,703689 0,34788 0,5 0,5 Sesuai3. 1,11883 0,774038 0,528599 0,5 0,5 Sesuai4. 1,38476 0,740136 0,413705 0,5 0,5 Sesuai5. 1,1793 0,770661 0,475174 0,5 0,5 Sesuai6. 1,33486 0,734499 0,421212 0,5 0,5 Sesuai7. 1,42613 0,72291 0,384183 0,5 0,5 Sesuai8. 1,43663 0,733201 0,373062 0,5 0,5 Sesuai9. 1,22839 0.755783 0,469401 0,5 0,5 Sesuai10. 1,30842 0,745112 0,438638 1 1 Sesuai11. 1,1607 0,787707 0,481054 1 0,5 Tidak12. 1,21863 0,770778 0,463499 1 0,5 Tidak13. 1,29589 0,747525 0.442765 1 1 Sesuai14. 1,7858 0,620585 0,262912 0 0 Sesuai15. 1,57138 0,664031 0,306214 0 0 Sesuai16. 1,708 0,62603 0,254271 0 0 Sesuai17. 1,63669 0,643615 0,279825 0 0 Sesuai18. 1,66808 0,633223 0,269798 0 0 Sesuai19. 1,46154 0,693018 0,3635 0 0 Sesuai
79ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
BerdasarkanTabel 4.1 baris pertama merupakan hasil pengujian
menggunakan citra meningioma pada daerah CPA yang terdeteksi sebagai
meningioma oleh backpropagtaion yang telah dibangun. Sehingga dapat
disimpulkan bahwa dari keseluruhan data yang didapatkan, backpropagation
masih mampu membedakan meningioma pada daerah CPA dengan
schwannoma menggunkanan fitur tekstur IDM, energi, dan entropi yang
menjadi tujuan utama dalam penelitian.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
80
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa:
1. Akurasi pelatihan tertinggi yaitu sebesar 85,5263% didapatkan dengan
kombinasi fitur tekstur energi+entropi+inverse different moment.
2. Akurasi pelatihan tertinggi didapatkan menggunakan variasi nilai
parameter backpropagation yaitu 1 untuk learning rate, 10 buah neuron
padahidden layer, dan 10000 maksimum epoh.
3. Tingkat akurasi sistem klasifikasi citra CT-scan otak untuk deteksi
meningioma dan schwannoma menggunakan gray level co-occurrence
matrices (GLCM) dan backpropagation yaitu sebesar 89,47% .
5.2 Saran
Dari hasil penelitian dan pembahasan, berikut beberapa saran bagi penelitian
mendatang:
1. Menggunakan citra CT-Scan yang sudah terdiagnosa secara visual oleh
dokter radiologi dan dibuktikan secara histopatologi sehingga hasil
diagnosa program lebih dipercaya dan diandalkan oleh tenaga medis.
2. Menggunakan jaringan syaraf tiruan dengan algoritma yang lebih
sederhana dan mampu berada pada rentang syarat error maupun MSE
maksimum yang ditentukan.
81ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
3. Melakukan segmentasi otomatis indikator bentuk ventrikel otak (cairan
serebrospinal, tengkorak, dan organ lainnya), dan massa tumor, sehingga
mampu menambahkan fitur yang menggambarkan bentuk ventrikel otak
maupun massa tumor serta ketegasan batas massa tumor.
4. Menambahkan detail diagnosa pada hasil keluaran jaringan syaraf tiruan
yang dibuat seperti maligna (ganas) dan benigna (jinak) serta diberikan
pilihan masukan usia bagi user untuk memperkecil nilai rentang fitur
yang overlap sehingga mampu meningktakan akurasi sistem.
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
82
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
DAFTAR PUSTAKA
Albergsten Fritz. 2008. Statistical Texture Measures Computed from Gray LevelCoocurrence Matrices. Image Processing Laboratory Department ofInformatics University of Oslo.
Anzai Yuichiro. 1946. Pattern Recognition and Machine Learning. ACADEMICPRESS, INC, San Diego, California, United States of America.
Armstrong, P. Martin, L.W, A. Norman A. G. Brenbridge.1940. DiagnosticImaging. Blackwell Scientific Publications, London.
Azizi Mumammad Fitri Qomari. 2013. Perbandingan antara MetodeBackpropagation dengan Metode Learning Vector Quantization (LVQ)Pada Pengenalan Citra Barcode. Fakultas Matematika dan IlmuPengetahuan Alam, Universitas Negeri Semarang.
Budiarso Zuly. 2010. Identifikasi Macan Tutul dengan Gray Level Co-occurrenceMatrices (GLCM). Fakultas Teknologi Informasi, UniversitasStikubank, Semarang.
C. Claussen, R. Fahlbusch, R. Felix, T, Grumme . 1. Heinzerling 1.R. Iglesias-Rozas· E. Kazner· K Kretzschmar· M. Laniado W. Lanksch . W.Miiller-Forell . T.H. Newton· W. Schorner G. Schroth· B. Schulz· O.Stochdorph . G. Sze . S. Wende.1982. Computed Tomography andMagnetic Resonance Tomography of Intracranial Tumors A ClinicalPerspective.Springer-Verlag Berlin Heidelberg.
Cancer Support Community. 2013. Frankly Speaking About Cancer: BrainTumor. Cancer Support Community, United States.
Chung, S.Y, Dong, I.K, Byung, H.L. 1998. Facial Nerve Schwannoma : CT andMR Findings. Yonsei Medical Journal, Vol. 39, No.2, pp. 148~153.
Goldman Lee W. 2007. Principles of CT and CT Technology. Department ofRadiation Therapy and Medical Physics, Hartford Hospital, Hartford,Connecticut, United States of America.
Grossman, R.I. David, M.Y. 1994. Neuroradiology The Requisites. Mosby-YearBook, Inc, United States of America.
Haralick, R.M., Shanmugam, K., Its’hak Dinstein.1973. Textural Features forImages Classification.IEEE Transaction on System, Man, andCybernetics Vol.SMC-3 No.6
83ADLN M- PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Kohir Vinadayath V, Sahebgoud H Karaddi. 2015. Detection of Brain TumorUsing Back-propagation and Probabilistic NeuralNetwork.Proceedings of 19th IRF International Conference, 25thJanuary 2015, Chennai, India.
Japardi Iskandar. 2002. Gambar CT Scan pada Tumor Otak Benigna. FakultasKedokteran, Bagian Bedah, Universitas Sumatera Utara.
Nayak, G.R, Mr. Toran, V. 2014. Brain Cancer Classification usingBackpropagation Neural Network and Principle Component Analysis.International Journal of Technical Research and Application e-ISSN:2320-8163, www.ijtra.com Vol 2, Issue 4
National Cancer Institute. 2009. What You Need to Know About Brain Tumours.US Departemen of Health and Human Services, United States.
Mayfield Clinic. 2013. Brain Tumors: An Introduction.Mayfield Clinic and SpineInstitute, University of Cincinnati Departmen of Neurosurgery, Ohio,United States of America.
Mayfield Clinic. 2013. Acoustic Neuroma.Mayfield Clinic and Spine Institute,University of Cincinnati Departmen of Neurosurgery, Ohio, UnitedStates of America.
Moore, K., Lyndon, K,. 2010. Primary Brain Tumors: Characteristics, PracticalDiagnostic and Treatment Approaches. http://www.springer.com/978-1-4419-0409-6. ISBN: 978-1-4419-0409-6
Padma A, Sukanesh R. 2011a.Automatic Diagnosis of Abnormal Tumor Regionfrom Brain Computed TomographyImages Using Wavelet BasedStatistical Texture Feature. International Journal Of Computer Sciene,Engineering, and Information Technology, Madurai, India.
Padma A, Sukanesh R. 2011b.Texture Feature Based Analysis of Segmenting SoftTissue from Brain CT images using BAM type Artificial NeuralNetwork. Journal Of Information Engineering, and Applications,Madurai, India.
Padma A, Sukanesh R. 2013. SVM Based Classification of Soft Tissues in BrainCT Images Using Wavelet Based Dominant Gray Level Run LengthTexture Feature. Middle-East Jornal of Scientific Research, Madurai,India.
Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta: Penerbita Andi.
Sari EDY, Windarti I, Wahyuni A. 2013. Clinical Characteristics andHistopathology of Brain Tumor at Two Hospitals in Bandar Lampung.Faculty of Medicine Lampung University, Lampung.
84ADLN M- PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Siang Jong Jek. 2009. Jaringan Syaraf Tiruan dan Pemrograman MenggunakanMatlab/ADI. Yogyakarta: Penerbita Andi.
Sinambela, D.P, Sitorus, S.H. 2013. Pengenalan Karakter Tulisan Tangan Latinpada Jaringan Saraf Tiruan Metode Backpropagation dengan InputCitra Kamera Digital. Universitas Mpu Tantular, Jakarta
Sukardja I Dewa Gede. 2000. Onkologi Klinik Edisi 2. Airlangga UniversityPress, Surabaya.
Sun Y.C, Dong I.K, Byung H.L, Pyeong H.Y, Pyoung J, Tae S.C. 1998. FacialNerve Schwannomas : MR and CT Finding. Yonsei Medical Journal.Vol. 39. No. 2 pp. 148~153, 1998.
Susmikanti Mike. 2010. Pengenalan Pola Berbasis Jaringan Syaraf Tiruan dalamAnalisa CT Scan Tumor Otak Beligna. Pusat PengembanganInformatika Nuklir-BATAN, Kawasan PUSPITEK, Gd 71. Serpong,Tangerang.
Utari, Ida. 2012. Kesehatan Otak Modal Dasar Hasilkan SDM Handal. PROFESIVolume 08 / Februari – September 2012. Akper PKU Muhammadiyah,Surakarta.
85ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Lampiran 1
Nilai Hasil Ekstrasi Fitur Citra CT-Scan Otak
Data Training
No. IDM Entropi Energi Output1. 0,770661 1,1793 0,475174 0,52. 0,755783 1,22839 0,469401 0,53. 0,734499 1,33486 0,421212 0,54. 0,674917 1,59834 0,317678 0,55. 0,774038 1,11883 0,528599 0,56. 0,764881 1,26334 0,418599 0,57. 0,714787 1,3943 0,375026 0,58. 0,783396 1,19242 0,452082 0,59. 0,772361 1,15112 0,487053 0,510. 0,777771 1,10678 0,505436 0,511. 0,729105 1,39178 0,340711 0,512. 0,746166 1,32962 0,402659 0,513. 0,703689 1,44403 0,34788 0,514. 0,674595 1,55135 0,306056 0,515. 0,786974 1,13656 0,46885 0,516. 0,691949 1,53075 0,345688 0,517. 0,779006 1,1533 0,480502 0,518. 0,677141 1,55042 0,319287 0,519. 0,730623 1,36551 0,407921 0,520. 0,72291 1,42613 0,384183 0,521. 0,708667 1,51962 0,3103 0,522. 0,715463 1,42157 0,38177 0,523. 0,691431 1,53913 0,314113 0,524. 0,686786 1,59259 0,313068 0,525. 0,752514 1,34897 0,433051 0,526. 0,719485 1,51709 0,335313 0,527. 0,745075 1,39798 0,415246 0,528. 0,740136 1,38476 0,413705 0,529. 0,697814 1,59517 0,331856 0,530. 0,733201 1,43663 0,373062 0,531. 0,770515 1,31413 0,420705 0,532. 0,774964 1,26705 0,41557 0,533. 0,673713 1,57671 0,349874 0,5
86ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
No. IDM Entropi Energi Output34. 0,703689 1,44403 0,34788 0,535. 0,787707 1,1607 0,481054 136. 0,770778 1,21863 0,463499 137. 0,795052 1,12074 0,502142 138. 0,779779 1,18901 0,472877 139. 0,759809 1,25887 0,45426 140. 0,752382 1,27839 0,448733 141. 0,747525 1,29589 0,442765 142. 0,745112 1,30842 0,438638 143. 0,787707 1,1607 0,481054 144. 0,770778 1,21863 0,463499 145. 0,795052 1,12074 0,502142 146. 0,779779 1,18901 0,472877 147. 0,759809 1,25887 0,45426 148. 0,752382 1,27839 0,448733 149. 0,747525 1,29589 0,442765 150. 0,745112 1,30842 0,438638 151. 0,669025 1,57404 0,307567 052. 0,620585 1,7858 0,262912 053. 0,66226 1,57616 0,306416 054. 0,664031 1,57138 0,306214 055. 0,62603 1,708 0,254271 056. 0,698843 1,41073 0,349285 057. 0,643615 1,63669 0,279825 058. 0,693018 1,46154 0,3635 059. 0,70582 1,40041 0,392135 060. 0,739645 1,24836 0,432998 061. 0,731197 1,29585 0,414042 062. 0,629665 1,68049 0,266773 063. 0,633223 1,66808 0,269798 064. 0,669025 1,57404 0,307567 065. 0,620585 1,7858 0,262912 066. 0,66226 1,57616 0,306416 067. 0,664031 1,57138 0,306214 068. 0,62603 1,708 0,254271 069. 0,698843 1,41073 0,349285 070. 0,643615 1,63669 0,279825 071. 0,693018 1,46154 0,3635 0
87ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
No. IDM Entorpi Energi Output72. 0,70582 1,40041 0,392135 073. 0,739645 1,24836 0,432998 074. 0,731197 1,29585 0,414042 075. 0,629665 1,68049 0,266773 076. 0,633223 1,66808 0,269798 0
Keterangan :
Meningioma =0,5
Schwannoma = 1
Normal = 0
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Lampiran 2Akurasi Pelatihan Backpropagartion
Tabel 1. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy
LR3 5 10
1000 5000 10000 1000 5000 10000 1000 5000 100000,1 47,3684(11s) 65,7895(37s) 67,1052(71s) 47,3684(14s) 60,5263(51s) 59,2105(92s) 56,5789(18s) 52,6316(85s) 53,9474(132s)0,2 50(11s) 68,4211(35s) 68,4211(67s) 48,6842(11s) 61,8421(50s) 63,1579(86s) 57,8947(17s) 55,2631(85s) 56,5789(132s)0,3 55,2632(9s) 71,0526(32s) 72,3684(64s) 53,9474(11s) 63,1579(46) 65,7895(86s) 60,5263(17s) 59,2105(83s) 60,5263(132s)0,4 57,8947(8s) 72,3684(32s) 75(64s) 57,8947(11s) 65,7895(45) 68,4211(88s) 67,1052(15s) 63,1579(83s) 64,3146(126s)0,5 59,2105(8s) 77,6316(32s) 78,9474(63s) 59,2105(10s) 73,6842(43) 71,0526(86s) 73,6842(16s) 65,7895(81s) 68,4211(126s)0,6 63,1579(8s) 75(30s) 77,6313(63s) 65,9971(9s) 76,3158(43s) 75(84s) 77,6316(16s) 73,6842(76s) 72,3684(117,6s)0,7 65,7895(6s) 76,3186(30s) 76,3168(61s) 68,4211(9s) 77,6316(41s) 78,9474(84s) 75(15s) 77,6316(76s) 75(126s)0,8 68,4211(6s) 76,3186(28s) 77,6316(61s) 73,6842(8s) 72,3684(41s) 76,3158(83s) 76,3158(14s) 80,2632(75s) 77,6316(114s)0,9 73,6842(5s) 77,6316(28s) 76,3168(58s) 75(6s) 73,6842(42s) 81,5789(82s) 78,9474(13s) 77,6316(4s) 78,9474(108s)1 75(4s) 78,2632(26s) 78,2632(57s) 78,2632(6s) 75(39s) 80,2632(82s) 80,2632(13s) 78,9474(74s) 80,2632(108s)
88
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Tabel 2. Akurasi (%)dan Waktu (second) Pelatihan Backpropagation dengan Input IDM
LR3 5 10
1000 5000 10000 1000 5000 10000 1000 5000 100000,1 44,7368(15s) 44,7368(41s) 47,3684(82s) 46,0526(17s) 47,3684(52s) 48,6842(98s) 51,3158(23s) 50(89s) 51,3158(156s)0,2 46,0526(15s) 46,0526(40s) 46,0526(80s) 47,3684(17s) 48,6842(50s) 51,3158(97s) 53,9474(23s) 52,6316(87s) 52,6316(156s)0,3 48,6842(13s) 48,6842(35s) 48,6842(80s) 48,6842(15s) 51,3158(50s) 52,6316(97s) 56,5789(23s) 51,3158(85s) 53,9474(150s)0,4 50(13s) 53,9474(32s) 52,6316(78s) 53,9474(12s) 53,9474(50s) 55,2632(95s) 57,8947(21s) 55,2632(84s) 59,2105(138s)0,5 52,6316(11s) 56,5789(32s) 57,8947(75s) 56,5789(12s) 55,2632(49s) 57,8947(92s) 59,2105(21s) 57,8947(81s) 61,8421(138s)0,6 53,9474(12s) 61,8421(31s) 59,2105(72s) 61,8421(12s) 57,8947(49) 61,8421(90s) 63,1579(19) 65,7894(82s) 63,1579(120s)0,7 56,5789(12s) 65,7894(30s) 64,4737(70s) 65,7894(12s) 65,7894(46s) 63,1579(87s) 68,4211(19s) 67,1052(80s) 65,7894(114s)0,8 59,2105(11s) 68,4211(28s) 68,4211(69) 71,0526(12s) 68,4211(42s) 65,7894(86s) 71,0526(19s) 78,9473(79s) 68,4211(114s)0,9 65,7894(8s) 71,0526(26s) 72,3684(67s) 67,1052(11s) 73,6842(42s) 68,4211(86s) 73,6842(18s) 72,3684(75s) 72,3684(120s)1 64,4737(8s) 67,1052(27s) 71,0526(61s) 68,4211(11s) 75(42s) 73,6842(86s) 72,3684(15s) 76,3158(77s) 75(102s)
89
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Tabel 3. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Energy
LR3 5 10
1000 5000 10000 1000 5000 10000 1000 5000 100000,1 48,6842(30s) 52,6316(45s) 44,7368(89s) 50(25s) 51,3158(86s) 50(108s) 52,6316(20s) 53,9474(72s) 55,2632(156s)0,2 47,3684(30s) 51,3158(43s) 46,0526(85s) 51,3158(25s) 52,6316(69s) 53,9474(102s) 53,9474(19s) 55,2632(71s) 60,5263(156s)0,3 48,6842(15s) 52,6316(40s) 48,6842(80s) 53,9474(23s) 53,9474(60s) 56,5789(92s) 52,6316(17s) 56,5789(71s) 64,4737(144s)0,4 50(14s) 55,2632(40s) 47,3684(69s) 57,8947(26s) 56,5789(57s) 57,8947(90s) 55,2632(16s) 60,5263(74s) 71,0526(144s)0,5 50,8347(11s) 56,5789(32s) 50(65s) 61,8421(29s) 60,5263(49s) 59,2105(89s) 56,5789(16s) 63,1579(72s) 77,6315(138s)0,6 53,9474(13s) 59,2105(37s) 52,6316(41s) 65,7894(27s) 63,1579(49s) 63,1579(95s) 60,5263(18s) 68,4211(69s) 76,3158(138s)0,7 55,2632(12s) 61,8421(32s) 56,5789(44s) 68,4211(24s) 68,4211(47s) 65,7894(93s) 63,1579(16s) 76,3158(63s) 76,3158(132s)0,8 57,8947(13s) 60,5263(37s) 57,8947(35s) 67,1052(24s) 71,0526(47s) 72,3684(90s) 65,7894(17s) 71,0526(65s) 75(132s)0,9 59,2105(15s) 59,2105(35s) 59,2105(33s) 73,6842(22s) 67,1052(44s) 71,0526(87s) 71,0526(15s) 72,3684(62s) 73,6842(126s)1 61,8421(13s) 63,1579(35s) 61,8421(40s) 75(22s) 72,3684(42s) 75(79s) 72,3684(15s) 75(59s) 72,3684(120s)
90
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Tabel 4. Akurasi (%)dan Waktu (second) Pelatihan Backpropagation dengan Input Energy+ IDM
LR3 5 10
1000 5000 10000 1000 5000 10000 1000 5000 100000,1 64,4737(19s) 65,7894(45s) 67,1052(92s) 65,789(27s) 67,1052(52s) 69,7368(2,3m) 63,1578(28s) 65,7894(92s) 67,1052(201s)0,2 65,7894(17s) 65,7894(44s) 68,4211(75s) 64,4737(24s) 68,4211(53s) 72,3684(106s) 65,7894(24s) 67,1052(79s) 68,4211(186s)0,3 67,1052(17s) 67,1052(44s) 69,7368(71s) 67,1052(19s) 69,7368(51s) 73,6842(103s) 65,7894(20s) 65,7894(78s) 69,7368(147s)0,4 72,3684(15s) 68,4211(42s) 72,3684(69s) 68,4211(17s) 72,3684(51s) 75(104s) 67,1052(19s) 65,7894(78s) 72,3684(144s)0,5 73,6842(14s) 72,3684(41s) 73,6842(66s) 68,4211(16s) 73,6842(50s) 76,3158(101s) 68,4211(17s) 68,4211(75s) 75(141s)0,6 78,9474(14s) 75(39s) 75(64s) 72,3684(16s) 73,6842(43s) 77,9312(91) 65,7894(17s) 72,3684(73s) 78,9474(132s)0,7 77,9312(13s) 78,9474(38s) 78,9474(60s) 73,6842(15s) 75(40s) 77,9312(90s) 67,1052(16s) 78,9474(69s) 76,3158(132s)0,8 76,3158(11s) 80,2655(33s) 76,3158(57s) 76,3158(14s) 76,3158(42s) 78,9474(89s) 72,3684(16s) 77,9312(67s) 77,9312(126s)0,9 72,3684(12s) 77,9312(29s) 77,9312(52s) 80,2655(13s) 78,9474(39s) 81,5789(88s) 75(17s) 80,2655(67s) 80,2655(126s)1 73,6842(10s) 76,3158(27s) 78,9474(49s) 81,5789(13s) 82,8947(38s) 84,2105(81s) 78,9474(15s) 81,5789(65s) 82,8947(120s)
91
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Tabel 5. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + IDM
LR3 5 10
1000 5000 10000 1000 5000 10000 1000 5000 100000,1 57,8947(26s) 59,2105(50s) 61,8421(79s) 63,1578(28s) 72,3684(53s) 73,6842(80s) 65,7894(29s) 73,6842(60s) 75 (88s)0,2 57,8947(22s) 61,8421(46s) 61,8421(74s) 64,4737(25s) 73,6842(52s) 75(78s) 67,1052(28s) 75(58s) 76,3158(86s)0,3 59,2105(20s) 63,1578(43s) 63,1578(71s) 65,7894(22s) 73,6842(51s) 76,3158(76s) 72,3684(27s) 76,3158(56s) 77,9312(86s)0,4 61,8421(19s) 63,1578(43s) 64,4737(69s) 67,1052(20s) 75 (47s) 77,9312(73s) 71,0526(27s) 77,9312(55s) 78,9474(84s)0,5 65,7894(18s) 64,4737(40s) 67,1052(65s) 68,4211(18s) 76,3158((43s) 78,9474(74s) 72,3684(26s) 78,9474(53s) 78,9474(81s)0,6 67,1052(16s) 65,7894(41s) 68,4211(61s) 69,7368(19s) 77,9312(40s) 80,2655(72s) 76,3158(23s) 80,2655(50s) 81,5789(83s)0,7 64,4737(17s) 67,1052(41s) 69,7368(58s) 72,3684(19s) 78,9474(41s) 77,9312(70s) 78,9474(21s) 81,5789(48s) 82,8947(76s)0,8 65,7894(15s) 68,4211(39s) 69,7368(53s) 73,6842(17s) 76,3158(41s) 75(67s) 77,9312(20s) 78,9474(45s) 80,2655(70s)0,9 68,4211(13s) 69,7368(32s) 73,6842 (51s) 69,7368(17s) 76,3158 (39s) 76,3158(68s) 76,3158(20s) 78,9474(43s) 78,9474(75s)1 69,7368(10s) 72,3684(29s) 73,6842 (49s) 72,3684(16s) 75(38s) 76,3158(64s) 75 (26s) 76,3158(47s) 78,9474(73s)
92
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Tabel 6. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + Energy
LR3 5 10
1000 5000 10000 1000 5000 10000 1000 5000 100000,1 59,2105(18s) 61,8421(39s) 64,4737(69s) 63,1578(21s) 63,1578(53s) 64,4737(102s) 65,7894(25s) 72,3684(91s) 73,6842(138s)0,2 63,1578(17s) 63,1578(37s) 65,7894(64s) 61,8421(20s) 75,(52s) 63,1578(93s) 67,1052(24s) 73,6842(93s) 75(138s)0,3 65,7894(15s) 65,7894(37s) 65,7894(58s) 61,8421(15s) 76,3157(47s) 65,7894(95s) 68,4211(22s) 75(90s) 76,3158(132s)0,4 67,1052(14s) 69,7368(33s) 67,1052(50s) 64,4737(16s) 76,3157(44s) 67,1052(91s) 69,7368(20s) 72,3684(89s) 78,9474(126s)0,5 69,7368(12s) 70,1844(30s) 68,4211(48s) 65,7894(13s) 73,6842(41s) 69,7368(92s) 71,0526(23s) 73,6842(87s) 78,9474(128s)0,6 64,4737(12s) 73,6842(28s) 72,3684(49s) 67,1052(14s) 75(40s) 71,0526(90s) 75(23s) 73,6842(89s) 81,5789(126s)0,7 65,7894(10s) 78,9474(27s) 75(45s) 68,4211(13s) 78,9981(37s) 75(91s) 72,3684(22s) 75(85s) 80,2655(126s)0,8 65,7894(10s) 75(27s) 78,9474(43s) 69,7368(17s) 71,0526(34s) 76,3158(89s) 73,6842(21s) 80,2655(77s) 78,9474(126s)0,9 68,4211(7s) 76,9451(24s) 72,3684(40s) 72,3684(11s) 78,9474(35s) 77,6315(88s) 75(21s) 78,9474(75s) 78,9474(126s)1 72,3684(8s) 78,9474(22s) 73,6842(39s) 75(12s) 80,2655(32s) 80,2655(88s) 78,9474(21s) 78,9474(73s) 80,2655(120s)
93
ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Tabel 7. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + Energy + IDM
LR3 5 10
1000 5000 10000 1000 5000 10000 1000 5000 100000,1 59,2105(19s) 59,2105(74s) 60,5263(120s) 59,2105(28s) 59,2105(55s) 59,2105(97s) 69,7368(26s) 71,0526(80s) 72,3684(156s)0,2 60,5263(18s) 60,5263(59s) 63,8421(93s) 61,8421(27s) 60,5263(57s) 61,8421(96s) 73,6842(25s) 72,3684(79s) 73,6842(144s)0,3 63,8421(18s) 61,8421(55s) 64,4737(89s) 63,1578(23s) 63,1578(56s) 63,1578(91s) 75(24s) 73,6842(76s) 75(132s)0,4 64,4737(16s) 63,1578(54s) 65,7894(84s) 61,8421(20s) 64,4737(54s) 64,4737(89s) 76,3158(21s) 75(78s) 77,6316(132s)0,5 67,1052(16s) 64,4737(49s) 67,1052(81s) 71,0526(19s) 71,0526(51s) 71,0526(96s) 75(20s) 76,3158(76s) 78,9474(138s)0,6 71,0526(17s) 67,1052(49s) 68,4211(80s) 72,3684(18s) 72,3684(52s) 61,8421(92s) 75(20s) 78,9474(74s) 80,2655(138s)0,7 72,3684(18s) 69,7368(47s) 65,7894(78s) 73,6842(16s) 61,8421(53s) 73,6842(80s) 76,3158(19s) 80,2655(74s) 82,8947(120s)0,8 75(15s) 65,7894(45s) 69,7368(77s) 75(15s) 71,0526(51s) 75(86s) 78,9474(19) 78,9474(60s) 82,8947(126s)0,9 78,9474(15s) 69,7368(44s) 73,6842(73s) 77,6316(17s) 73,6842(49s) 77,6316(89s) 80,2655(17s) 80,2655(58s) 84,2105(120s)1 82,8947(15s) 76,3158(42s) 75(75s) 78,9474(15s) 77,6316(49s) 80,2655(88s) 82,8947(18s) 81,5789(55s) 85,5263(108s)
94
95ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Lampiran 3
Listing GUI Program
GUI Jendela Berandafunction varargout = beranda(varargin)% BERANDA MATLAB code for beranda.fig% BERANDA, by itself, creates a new BERANDA or raises theexisting% singleton*.%% H = BERANDA returns the handle to a new BERANDA or thehandle to% the existing singleton*.%% BERANDA('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in BERANDA.M with the given inputarguments.%% BERANDA('Property','Value',...) creates a new BERANDA orraises the% existing singleton*. Starting from the left, propertyvalue pairs are% applied to the GUI before beranda_OpeningFcn gets called.An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to beranda_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help beranda
% Last Modified by GUIDE v2.5 19-May-2016 12:40:29
% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @beranda_OpeningFcn, ...'gui_OutputFcn', @beranda_OutputFcn, ...'gui_LayoutFcn', [] , ...
96ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
'gui_Callback', []);if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});end
if nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
elsegui_mainfcn(gui_State, varargin{:});
end% End initialization code - DO NOT EDIT
% --- Executes just before beranda is made visible.function beranda_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to beranda (see VARARGIN)
% Choose default command line output for berandahandles.output = hObject;guidata(hObject, handles);set(handles.axes1,'XTick', [ ],'YTick', [ ])set(handles.axes2,'XTick', [ ],'YTick', [ ])gambar=imread('UNAIR.jpg');axes(handles.axes1);imshow(gambar);%set(handles.axes1,'Visible', 'on');%imshow(handles.axes1.gambar);image=imread('UNAIR.jpg');axes(handles.axes2);imshow(image)%set(handles.axes2,'Visible', 'on');%imshow(handles.axes2.image);
% Update handles structure
% UIWAIT makes beranda wait for user response (see UIRESUME)% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.function varargout = beranda_OutputFcn(hObject, eventdata,handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure
97ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structurevarargout{1} = handles.output;
% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)selection=questdlg(['Apakah Anda Ingin Keluar?'],['Keluar'],...
'Ya','Tidak','Ya');if strcmp (selection, 'Tidak')
return;enddelete (handles.figure1);
% --- Executes during object creation, after setting allproperties.function axes1_CreateFcn(hObject, eventdata, handles)% hObject handle to axes1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: place code in OpeningFcn to populate axes1
% --- Executes during object creation, after setting allproperties.function axes2_CreateFcn(hObject, eventdata, handles)% hObject handle to axes2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: place code in OpeningFcn to populate axes2
98ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton3.function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton5.function pushbutton5_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% --- Executes on button press in pushbutton6.function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to pushbutton6 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)deteksi;delete(handles.figure1);
% --- Executes on button press in pushbutton7.function pushbutton7_Callback(hObject, eventdata, handles)% hObject handle to pushbutton7 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB
99ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% handles structure with handles and user data (see GUIDATA)login;delete(handles.figure1);
% --- Executes on button press in pushbutton8.function pushbutton8_Callback(hObject, eventdata, handles)% hObject handle to pushbutton8 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)bantuan;delete(handles.figure1);
% --- Executes on button press in pushbutton9.function pushbutton9_Callback(hObject, eventdata, handles)% hObject handle to pushbutton9 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)tentang;delete(handles.figure1);
GUI Jendea Program Deteksi
function varargout = deteksi(varargin)% DETEKSI MATLAB code for deteksi.fig% DETEKSI, by itself, creates a new DETEKSI or raises theexisting% singleton*.%% H = DETEKSI returns the handle to a new DETEKSI or thehandle to% the existing singleton*.%% DETEKSI('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in DETEKSI.M with the given inputarguments.%% DETEKSI('Property','Value',...) creates a new DETEKSI orraises the% existing singleton*. Starting from the left, propertyvalue pairs are% applied to the GUI before deteksi_OpeningFcn gets called.An
100ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to deteksi_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help deteksi
% Last Modified by GUIDE v2.5 19-May-2016 21:23:18
% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @deteksi_OpeningFcn, ...'gui_OutputFcn', @deteksi_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);
if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});
end
if nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
elsegui_mainfcn(gui_State, varargin{:});
end% End initialization code - DO NOT EDIT
% --- Executes just before deteksi is made visible.function deteksi_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to deteksi (see VARARGIN)
% Choose default command line output for deteksihandles.output = hObject;
101ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% Update handles structureguidata(hObject, handles);set(handles.axes1,'XTick', [ ],'YTick', [ ])
% UIWAIT makes deteksi wait for user response (see UIRESUME)% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.function varargout = deteksi_OutputFcn(hObject, eventdata,handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structurevarargout{1} = handles.output;
function edit1_Callback(hObject, eventdata, handles)% hObject handle to edit1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit1 as text% str2double(get(hObject,'String')) returns contents ofedit1 as a double
% --- Executes during object creation, after setting allproperties.function edit1_CreateFcn(hObject, eventdata, handles)% hObject handle to edit1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
102ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
end
% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);[namafile,direktori]=uigetfile({'*.dcm';},'Akuisisi CitraDigital','H:\Documents\Kuliah\Smester 8\data CT');k = dicomread(fullfile(direktori,namafile));set(proyek.figure1,'CurrentAxes',proyek.axes1);set(imshow(k));set(proyek.figure1,'Userdata',k);set(proyek.axes1,'Userdata',k);set(proyek.edit1,'Enable','on');set(proyek.edit1,'String',namafile);
% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);J=get(proyek.axes1,'Userdata');a=fgln0(J);b=fgln90(J);c=fgln45(J);d=fgln135(J);energi=(asm(a)+asm(b)+asm(c)+asm(d))/4;entropy=(entropi(a)+entropi(b)+entropi(c)+entropi(d))/4;invers=(idm(a)+idm(b)+idm(c)+idm(d))/4;set(handles.text5,'String',entropy);set(handles.text6,'String',invers);set(handles.text7,'String',energi);
% --- Executes on button press in pushbutton3.function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)a=str2double(get(handles.text5,'string'));
103ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
b=str2double(get(handles.text6,'string'));c=str2double(get(handles.text7,'string'));T=[a b c];W1 =[bobotW1];b1 =[bobtb1];%bobot pada 10 hidden layerW2 =[bobotW2];b2 =bobotb2;[m,n]=size(T);JumPola=m; %jumlah semua pola latih (4)J0neuron=1; %jumlah neuron pada output layer (1)JHneuron=10; %jumlah neuron pada hidden layerfor pp=1:JumPola
CP=T(pp,:);for ii=1:JHneuron
v=CP*W1(:,ii);v2=v+b1(1,ii);A1= [1/(1+exp(-v2))]; %matrik 3x1
endfor jj=1:JHneuron
v=A1*W2(:,1);v2=v(1,:)+b2;
endy= 1/(1+exp(-v2));
y=tam(y);if y<0.2
tar='Suspect Normal';
elseif y>0.8tar='Suspect Schwannoma';
elsetar='Suspect Meningioma';
end
endset(handles.text8,'String',tar);
% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)s='';set (handles.edit1, 'String', s);set (handles.text5, 'String', s);set (handles.text6, 'String', s);
104ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
set (handles.text7, 'String', s);set (handles.text8, 'String', s);cla reset;set(handles.axes1,'XTick', [ ],'YTick', [ ])
% --- Executes on button press in pushbutton5.function pushbutton5_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)selection=questdlg(['Apakah Anda Ingin Keluar?'],['Keluar'],...
'Ya','Tidak','Ya');if strcmp (selection, 'Tidak')
return;enddelete (handles.figure1);
function edit2_Callback(hObject, eventdata, handles)% hObject handle to edit2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit2 as text% str2double(get(hObject,'String')) returns contents ofedit2 as a double
% --- Executes during object creation, after setting allproperties.function edit2_CreateFcn(hObject, eventdata, handles)% hObject handle to edit2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
105ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
function edit3_Callback(hObject, eventdata, handles)% hObject handle to edit3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit3 as text% str2double(get(hObject,'String')) returns contents ofedit3 as a double
% --- Executes during object creation, after setting allproperties.function edit3_CreateFcn(hObject, eventdata, handles)% hObject handle to edit3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
function edit4_Callback(hObject, eventdata, handles)% hObject handle to edit4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit4 as text% str2double(get(hObject,'String')) returns contents ofedit4 as a double
% --- Executes during object creation, after setting allproperties.function edit4_CreateFcn(hObject, eventdata, handles)% hObject handle to edit4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
106ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
% Hint: place code in OpeningFcn to populate axes1
% --- Executes during object creation, after setting allproperties.function axes1_CreateFcn(hObject, eventdata, handles)% hObject handle to axes1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: place code in OpeningFcn to populate axes1
% --------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles)% hObject handle to Untitled_1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)beranda;delete(handles.figure1);
% --------------------------------------------------------------------function Untitled_2_Callback(hObject, eventdata, handles)% hObject handle to Untitled_2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)login;delete(handles.figure1);
107ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% --------------------------------------------------------------------function Untitled_3_Callback(hObject, eventdata, handles)% hObject handle to Untitled_3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)tentang;delete(handles.figure1);
% --------------------------------------------------------------------function Untitled_4_Callback(hObject, eventdata, handles)% hObject handle to Untitled_4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)bantuan;delete(handles.figure1);
GUI Jendela Program Training dan Testingfunction varargout = pelatihan(varargin)% PELATIHAN MATLAB code for pelatihan.fig% PELATIHAN, by itself, creates a new PELATIHAN or raises theexisting% singleton*.%% H = PELATIHAN returns the handle to a new PELATIHAN or thehandle to% the existing singleton*.%% PELATIHAN('CALLBACK',hObject,eventData,handles,...) callsthe local% function named CALLBACK in PELATIHAN.M with the given inputarguments.%% PELATIHAN('Property','Value',...) creates a new PELATIHANor raises the% existing singleton*. Starting from the left, propertyvalue pairs are% applied to the GUI before pelatihan_OpeningFcn gets called.An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to pelatihan_OpeningFcn viavarargin.
108ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help pelatihan
% Last Modified by GUIDE v2.5 19-May-2016 21:31:01
% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @pelatihan_OpeningFcn, ...'gui_OutputFcn', @pelatihan_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);
if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});
end
if nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
elsegui_mainfcn(gui_State, varargin{:});
end% End initialization code - DO NOT EDIT
% --- Executes just before pelatihan is made visible.function pelatihan_OpeningFcn(hObject, eventdata, handles,varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to pelatihan (see VARARGIN)
% Choose default command line output for pelatihanhandles.output = hObject;
% Update handles structureguidata(hObject, handles);
109ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% UIWAIT makes pelatihan wait for user response (see UIRESUME)% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.function varargout = pelatihan_OutputFcn(hObject, eventdata,handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structurevarargout{1} = handles.output;
% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);[namafile,direktori]=uigetfile({'*.mat';});k = importdata(fullfile(direktori,namafile));handles.k=k;guidata(hObject,handles);set (handles.edit1, 'String', direktori);set (handles.uitable1, 'Data', k);
function edit1_Callback(hObject, eventdata, handles)% hObject handle to edit1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit1 as text% str2double(get(hObject,'String')) returns contents ofedit1 as a double
% --- Executes during object creation, after setting allproperties.function edit1_CreateFcn(hObject, eventdata, handles)
110ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% hObject handle to edit1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
function edit5_Callback(hObject, eventdata, handles)% hObject handle to edit5 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit5 as text% str2double(get(hObject,'String')) returns contents ofedit5 as a double
% --- Executes during object creation, after setting allproperties.function edit5_CreateFcn(hObject, eventdata, handles)% hObject handle to edit5 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
% --- Executes on button press in pushbutton3.function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)
111ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);[namafile,direktori]=uigetfile({'*.mat';});tes = importdata(fullfile(direktori,namafile));handles.tes=tes;guidata(hObject,handles);set (handles.edit5, 'String', direktori);set (handles.uitable3, 'Data', tes);
function edit2_Callback(hObject, eventdata, handles)% hObject handle to edit2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit2 as text% str2double(get(hObject,'String')) returns contents ofedit2 as a double
% --- Executes during object creation, after setting allproperties.function edit2_CreateFcn(hObject, eventdata, handles)% hObject handle to edit2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
function edit3_Callback(hObject, eventdata, handles)% hObject handle to edit3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
112ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% Hints: get(hObject,'String') returns contents of edit3 as text% str2double(get(hObject,'String')) returns contents ofedit3 as a double
% --- Executes during object creation, after setting allproperties.function edit3_CreateFcn(hObject, eventdata, handles)% hObject handle to edit3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
function edit4_Callback(hObject, eventdata, handles)% hObject handle to edit4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit4 as text% str2double(get(hObject,'String')) returns contents ofedit4 as a double
% --- Executes during object creation, after setting allproperties.function edit4_CreateFcn(hObject, eventdata, handles)% hObject handle to edit4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called
% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.
113ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');end
% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)P=handles.k(:,1:3);T=handles.k(:,4);JumPola=length(P(:,1)); %jumlah semua pola latih (4)DimPola=length(P(1,:)); %dimensi pla latih (2)JOneuron=1; %jumlah neuron pada output layer (1)
JHneuron=str2double(get(handles.edit3, 'String')); %jumlah neuronpada hidden layerLR=str2double(get(handles.edit2, 'String')); %learning rateEpoch=str2double(get(handles.edit4, 'String')); %maksimum iterasiMaxMSE=0.0001; %maksimum MSE%bobot random dari input layer ke hiden layer dan bobot randomhidden layer ke output layer dengan range -1 - +1W1=[];for i=1:JHneuron
W1=[W1;(rand(1,DimPola)*2-1)];endW1=W1';b1=[];for i=1:JHneuron
b1=[b1;(rand(1,1)*2-1)];endb1=b1';W2=[];W2=[W2;(rand(JHneuron,1)*2-1)];b2=[];b2=[b2;(rand(1,1)*2-1)];MSEepoch=MaxMSE+1; % mean square error untuk 1 epochee=1; %index epochwhile (ee<=Epoch) && (MSEepoch>MaxMSE)
for pp=1:JumPolaCP=P(pp,:);%current patternCT=T(pp,:);%current target%perhitungan majufor ii=1:JHneuron
v=CP*W1(:,ii);
114ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
v2=v+b1(1,ii);A1=[A1 1/(1+exp(-v2))];
endfor jj=1:JHneuron
v=A1*W2(:,1);v2=v(1,:)+b2;
endy=1/(1+exp(-v2));Error=(CT-y)^2;error=Error+error;if (y>0.8)yk=1;
elseif (y<0.2)yk=0;
elseyk=0.5;
endif (yk==CT)sum=sum+1;
enddel=(CT-y)*y*(1-y);dw2=[];for jj=1:JHneuron
delta2(jj,1)=LR*del*A1(jj);%benerenddw2=[delta2];dol2=LR*del;%benerdn=[];for n=1:JHneuron
dn(n)=del*W2(n,1);endfor jj=1:JHneuron
D1(jj)=A1(1,jj)*(1-A1(1,jj))*dn(1,jj);enddW1=[];db1=[];%perubahan bobotfor ii=1:DimPola
for jj=1:JHneurondelta1(ii,jj)=LR*D1(jj)*CP(ii);dol1(jj)=LR*CP(ii)*D1(jj);
enddW1=[delta1];db1=[dol1];
endW1=W1+dW1; %W1 barub1=b1+db1;b2=b2+dol2;W2=W2+dw2;%W2 baru
115ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
yt(pp)=yk;tt(pp)=CT;
endakurasi=((sum/JumPola)*100);MSEepoch=error/JumPola;
ee=ee+1;endset (handles.uitable2, 'Data', out);set (handles.text11, 'String', akurasi);set (handles.text12, 'String', JumPola);set (handles.text13, 'String', sum);set (handles.uitable4, 'Data', W1);set (handles.uitable5, 'Data', b1);set (handles.uitable7, 'Data', W2);set (handles.uitable6, 'Data', b2);figure(1);plot(ee,MSE);xlabel('Epoch')ylabel('MSE')
% --- Executes on button press in pushbutton5.function pushbutton5_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)s='';set (handles.uitable1, 'Data', '');set (handles.uitable2, 'Data', '');set (handles.uitable3, 'Data', '');set (handles.text5, 'String', s);set (handles.text11, 'String', s);set (handles.text12, 'String', s);set (handles.text13, 'String', s);set (handles.uitable4, 'Data', '');set (handles.uitable5, 'Data', '');set (handles.uitable7, 'Data', '');set (handles.uitable6, 'Data', '');set (handles.uitable8, 'Data', '');set (handles.edit1, 'String', s);set (handles.edit2, 'String', s);set (handles.edit3, 'String', s);set (handles.edit4, 'String', s);set (handles.edit5, 'String', s);
116ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)T=handles.tes(:,1:3);t=handles.tes(:,4);W1 =get(handles.uitable4, 'Data');b1=get(handles.uitable5, 'Data');W2 =get(handles.uitable7, 'Data');b2 =get(handles.uitable6, 'data');[m,n]=size(T);JumPola=m; %jumlah semua pola latih (4)J0neuron=1; %jumlah neuron pada output layer (1)
JHneuron=str2double(get(handles.edit3, 'String')); %jumlah neuronpada hidden layerJumbenar=0;for pp=1:JumPola
CP=T(pp,:);A1=[];
for ii=1:JHneuronv=CP*W1(:,ii);v2=v+b1(1,ii);A1=[A1 1/(1+exp(-v2))]; %matrik 3x1
endfor jj=1:JHneuron
v=A1*W2(:,1);v2=v(1,:)+b2;
endy=1/(1+exp(-v2));
%tes akurasi
if y<0.2tar=0;
elseif y>0.8tar=1;
elsetar=0.5;
endif (tar==t(pp))
Jumbenar=Jumbenar+1;endout(pp)=tar;endakr=(Jumbenar/JumPola)*100;cc=[out' t];set (handles.uitable8, 'Data', cc);
117ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
set (handles.text15, 'String', akr);
% --- Executes on button press in pushbutton6.function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to pushbutton6 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)selection=questdlg(['Apakah Anda Ingin Keluar?'],['Keluar'],...
'Ya','Tidak','Ya');if strcmp (selection, 'Tidak')
return;enddelete (handles.figure1);
% --------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles)% hObject handle to Untitled_1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)beranda;delete(handles.figure1);
% --------------------------------------------------------------------function Untitled_2_Callback(hObject, eventdata, handles)% hObject handle to Untitled_2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)deteksi;delete(handles.figure1);
% --------------------------------------------------------------------function Untitled_3_Callback(hObject, eventdata, handles)% hObject handle to Untitled_3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)bantuan;
118ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
delete(handles.figure1);
% --------------------------------------------------------------------function Untitled_4_Callback(hObject, eventdata, handles)% hObject handle to Untitled_4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)tentang;delete(handles.figure1);
% --------------------------------------------------------------------function Untitled_4_Callback(hObject, eventdata, handles)% hObject handle to Untitled_4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)tentang;delete(handles.figure1);
119ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA
SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.
Lampiran 4
Bukti Pengambilan Data
top related