Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
Jurnal - Identifikasi Penyakit Tuberkulosis

Jurnal - Identifikasi Penyakit Tuberkulosis

Ratings: (0)|Views: 149 |Likes:
Published by Arius B Wijaya

More info:

Published by: Arius B Wijaya on May 13, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

09/05/2013

pdf

text

original

 
IDENTIFIKASI PENYAKIT TUBERKULOSIS PADAPARU-PARUMENGGUNAKAN METODEJARINGAN SARAF TIRUAN SOM(SELF ORGANIZING MAP)
Arius B Wijaya
1
, Ri Munarto
2
, Siswo Wardoyo
3
1
arius.bentar.wijaya@gmail.com
2
rim_munarto@yahoo.com
3
siswo@ft-untirta.ac.id 
JurusanTeknik ElektroUniversitas Sultan Ageng Tirtayasa
 Abstraksi:
Indonesiamerupakan negara terbesar nomor 3 di duniayang memiliki penderita tuberkulosissetelah India dan Cina, sehingga diperlukan suatu perangkat untuk mempermudah dalam identifikasi tingkat keparahan tuberkulosis secara terkomputerisasi. Penelitian ini dilakukan untuk mengidentifikasi tingkat keparahan tuberkulosis menggunakan
Kohonen Self-Organizing Map
(SOM),dengan melakukan pra-prosescitra berupa Contrast Stretching,Region of Interest danFast Fourier Transform. Pra-proses ini merupakan nilai masukan yang akan digunakan pada kohonen SOM. Hasil dari pengujian dan simulasi menunjukkan pada citrauji dengan epoch 300 dan learning rate 0.01, 0.1 dan 0.5 didapat akurasi secara berturut-turut adalah 100%,93% dan 80%. Dari hasil pengujian pada penelitian ini membuktikan bahwa identifikasi tingkat keparahantuberkulosis dengan
Kohonen Self-Organizing Map
(SOM) menunjukan akurasi sistem yang tinggi.
kata kunci
: pengenalan citra, jaringan saraf tiruan, Self Organizing Maps (SOM), Kohonen.
1.Pendahuluan
Jumlahpenderita TB sendiri dilaporkansemakin meningkat.Bahkan, badan kesehatandunia atau yang lebih dikenal dengan
World HealthOrganization
(WHO) melaporkan, jumlahpenderita penyakit ini di Indonesia merupakansalah satu yang terbesar di dunia.Oleh karena itu,perlu dilakukan suatu sistem untukmengidentifikasi tingkat keparahan penyakit TBsecara terkomputerisasi.Tuberkulosis merupakanpenyakit infeksi bakteri menahun yang disebabkanoleh
Mycobakterium tuberculosis
yang merupakanbatang aerobic tahan asam yang tumbuh lambatdan sensitif terhadap panas dan sinar UV danditandai dengan pembentukan
granuloma
pada jaringan yang terinfeksi.
Mycobacteriumtuberculosis
merupakan kuman
aerob
yang dapathidup terutama di paru atau berbagai organ tubuhlainnya yang bertekanan parsial tinggi.
2.Tinjuan Pustaka
A.Klasifikasi Tuberkulosis Secara Radiologis(Luas Lesi)
Berdasarkan luas lesi, tuberkulosis dibagimenjadi tiga jenis. Untuk menentukan seberapaparah penyakit tuberkulosis yang diderita olehseorang penderita.
1.
Minimal Lession Tuberkulosis
Pada tuberkulosis minimal terdapatsebagian kecil
infiltrat nonkavitas
satu parumaupun kedua paru, akan tetapi jumlahnyatidak melebihi satu
lobus
paru. Jika dilihat darifoto
Rontgen,
maka pada tuberkulosis jenis inikurang dari sepertiga dariluas paru-paru telahterinfeksi.
2.
Moderately AdvancedTuberculosis
Terdapat
kavitas
dengan diameter tidaklebih dari 4 cm, jumlah
infiltrat 
bayangan
 
halus tidak lebih dari satu bagian paru. Bilabayangannya kasar tidak lebih dari dua pertigabagian satu paru yang terinfeksi.
3.
Far Advanced Tuberculosis
Terdapatnya
infiltrat 
dan
kavitas
yangmelebihi keadaan pada
Moderately Advanced Tuberculosis.
Hampir keseluruhan area satuatau kedua paru yang terinfeksi.
B.Representasi Citra Digital
Komputer dapat mengolah isyarat-isyaratelektronik digital yang merupakan kumpulan sinyalbiner (bernilai dua: 0 dan 1). Untuk itu, citra digitalharus mempunyai format tertentu yang sesuaisehingga dapat merepresentasikan obyekpencitraan dalam bentuk kombinasi data biner.Citra yang tidak berwarna atau hitam putihdikenal sebagai citra biner memiliki nilai 0-1,sedangkan citra dengan derajat abu-abu (
citragraylevel/grayscale
) memiliki nilai 0-255. Dalamcitra berwarna, jumlah warna bisa beragam mulaidari 16, 256, 65536 atau 16 juta warna yangmasing-masing direpresentasikan oleh 8,16 atau24 bit data untuk setiap pikselnya.warnayang adaterdiri dari 3 komponen utama yaitu nilai merah(
red 
), nilai hijau (
green
) dan nilai biru (
blue
).Paduan ketiga komponen utama pembentukwarna tersebut dikenal sebagai RGB
color 
yangnantinya akan membentuk citra warna.
1. Grayscale
Mengubah citra RGB menjadicitra keabuandengan nilai intensitasnya berada pada interval 0-255.Hal ini dilakukan karena dengan hanya citrakeabuan, proses perhitungan menjadi jauh lebihsederhanasehingga tidak terlalu memboroskanmemeori.
2.Contras
Stretching
Contrast stretching
ini adalah teknikuntukmemperbaiki kualitas citradenganmengaturpenyebaran
graylevel 
untuk mendapatkankontrascitra yang sesuai(terang atau gelap)sehinggacitratampak lebih jelas dan tajam. Penyebaran
graylevel 
inidapat diatur dengan menentukan nilai(r1,s1) dan nilai (r2,s2).titikkoordinat (r1,s1) dan(r2,s2) merupakan titik kontrol dari fungsitransformasi.Untuk menghitung nilai hasiltransformasi tersebut, kita dapat membuat tigafungsi sebagai berikut:Untuk 0 <= r < r1,maka s = r . (s1 / r1)Untuk r1 <= r < r2,maka s = s1 + ( (r-r1) . ((s2-s1) / (r2-r1)) )Untuk r2 <= r <=(L-1),maka s = s2 + ( (r-r2).((L-1)-s2) / ((L-1)-r2))….(2.1)
3.
Region of Interest (ROI)
Region of Interest 
citra artinya adalahpengambilan bagian tertentu dari suatu citradigitalmenjadi matriks baru
.
Pada tahapan ini citra akan dilakukan prosespemotongan bagian citra tertentu dari citra digitalyang dirasakan lebih penting dari bagian yanglainnyadengan penjaluran potong tidak beraturanatau sesuai pola citra yang diinginkan.
4.Fast Fourier Transform (FFT)
Fast Fourier Transform
(FFT) adalah algoritmacepat untuk mengimplementasikan
discrete fourier transform
(DFT). FFT ini memindahkaninformasicitra dari domain spasial ke dalam domainfrekuensi. Pada metode spasial, pemrosesandilakukan dengan cara memanipulasi nilai pikseldari citra tersebut secara langsung, sedangkanmetode frekuensi, informasi citra digitalditransformasikan lebihdulu dengan FFT,kemudian dilakukan maipulsi pada hasiltransformasi tersebut.FFt dari
 f 
(x), didefinisikan seabagi berikut :
F(u) =(x)e dx
……………….(2.2)
Dengan
=1
Jika
 f 
(x) dijadikan diskrit maka persamaan FFtdiskrit adalah :
F(u) =(x)e
/
……………….(
2.3)
Darinilai-nilai tersebut yang akan digunakansebagai nilai masukan bagi sistem jaringan.
5.Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (
 Artificial Neural Network 
) adalah suatu paradigma pengolahaninformasi yang diilhamioleh sistem biologi yaituneuron, seperti otak yang memproses informasi.Kunci Jaringan Syaraf Tiruan adalah struktur sistempengolahan informasi, yang terdiri atas sejumlahunsur-unsur (syaraf) yang bekerja salingberhubungan untuk memecahkan permasalahanspesifik.Jaringan Syaraf Tiruan dibangun untuk menirucara kerja otak manusia. Seperti halnya otakmanusia yang terdiri dari sekumpulan sel syaraf (neuron), jaringan syaraf juga terdiri dari beberapaneuron danterdapat hubungan antara neuron-neurontersebut. Neuron-neuron tersebut akanmemindahkan informasi yang diterima melalui
 
sambungan keluarnya menuju neuron-neuronyang lain. Pada jaringan syaraf, hubungan inidikenal dengan nama bobot. Informasi tersebutdisimpan pada nilai tertentu pada bobot.Proses pembelajaran terhadap perubahan bobotdalam Jaringan Syaraf Tiruan ada dua, yaitu :
(i)
Pembelajaran terawasi (
supervisedlearning
)Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telahdiketahui sebelumnya. Pada proses pembelajaran,satu pola input akan diberikan ke satu
neuron
padalapisan input. Pola ini akan dirambatkan disepanjang jaringan syaraf hingga sampai ke
neuron
pada lapisan output. Lapisan output ini akanmembangkitkan pola output yang nantinya akandicocokkan dengan pola output targetnya. Apabilaterjadi perbedaan antara pola output hasilpembelajaran dengan pola target, maka akanmuncul error. Apabila nilai error cukup besar,mengindikasikan bahwa masih perlu dilakukanlebih banyak pembelajaran lagi.
(ii)
Pembelajaran tak terawasi(un
supervised learning
)Pada metode pembelajaran yang tak terawasiini tidak memerlukan target output. Pada metodeini, tidak dapat ditentukan hasil yang sepertiapakah yang diharapkan selama prosespembelajaran. Selama proses pembelajaran, nilaibobot disusun dalam suatu range tertentutergantung pada nilai input yang diberikan. Tujuanpembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu.
6.Jaringan Kohonen
Jaringan Kohonen termasuk dalampembelajaran tak terawasi (
unsupervised learning
). Jarinan ini pertama kali diperkenalkanoleh Teuvo Kohonen pada tahun 1981. Pada jaringan ini, suatu lapisan yang berisi
neuron-neuron
akan menyusun dirinya sendiriberdasarkan input nilai tertentu dalam suatukelompok yang dikenal dengan istilah cluster.Selama proses penyusunan diri, cluster yangmemiliki vektor bobot paling cocok dengan polainput (memiliki jarak paling dekat) akan terpilihsebagai pemenang.
Neuron
yang menjadipemenang beserta
neuron-neuron
tetangganyaakan memperbaiki bobot-bobotnya.Terdapat
m
unit kelompok yang tersusun dalamarsitektur sinyal-sinyal masukan (input) sejumlah
n
. Vektor bobot untuk suatu unit kelompokdisediakan dari pola-pola masukan yang tergabungdengan kelompok tersebut. Selama prosespengorganisasian sendiri, unit kelompokyangmemiliki vektor bobot paling cocok dengan polamasukan (ditandai dengan jarak
Euclidean
palingminimum) dipilih sebagai pemenang. Unitpemenang dan unit tetangganya diperbaharuibobotnya. Setiap
neuron
terkoneksi dengan
neuron
lain yang dihubungkan dengan bobot atau
weight 
.Bobot tersebut berisi informasi yang akandigunakan untuk tujuan tertentu.Algoritma pembelajaran tanpa supervisipadaJaringan Kohonen untuk diterapkandalampengelompokan data (
clustering
data) adalahsebagai berikut :1.Inisialisasi vektor bobot,
ij 
2.Menetapkan parameter kecepatanpembelajaran (
learning rate
),3.Menentukan bobot vektor yang palingdekat dengan vektor input. Hal inidilakukan dengan mencari bobot vektoryang memiliki jarak Euclidean terdekat
(Euclideandistance)
Jarak Euclidean dihitung denganpersamaan :D(j) =
( )
………(2.4)4.Cari unit pemenang (indeks J), yaitu unityang memiliki D(j) minimum5.Menghitung bobot vektor yang telahdisesuaikan (modifikasi bobot), yaitumelalui persamaan sebagai berikut :w
ij
(baru) = w
ij
(lama) +
α
[x
i
 –w
ij
(lama)]6.Kecepatan pembelajaran disesuaikan7.Uji kondisi penghentianProses pembelajaran akan berlangsung terushingga mencapai maksimum epoh.Gambar2.1. Arsitektur Jaringan KohonenJaringan Kohonen dapat mengenali danmengklasifikasikan pola-pola dengan melakukanpelatihan (training) dari pola-pola vektor input(masukan) data dengan vektor bobot sebagaipenghubung antara layar masukan dan layar

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->