Analisa Pengaruh Proses Segmentasi Citra terhadap

JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 1-4
1
Analisa Pengaruh Proses Segmentasi Citra
terhadap Klasifikasi Citra Rontgen Paru-Paru
dengan JST Backpropagation
Muhimmatul Khoiro, M. Arief Bustomi.
Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember
Surabaya
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]
Abstrak— Analisa pengaruh proses segmentasi citra
terhadap klasifikasi citra rontgen paru-paru dengan JST
backpropagation telah dilakukan. Data yang digunakan dalam
penelitian ini adalah berupa data citra grayscale foto sinar-X
paru-paru yang terlah didiagnosa oleh dokter sebanyak 150 data
dengan rincian 90 data untuk pelatihan dan 60 data untuk
pengujian. Citra foto rontgen ini akan disegmentasi terlebih
dahulu sebelum diklasifikasikan ke dalam tipe paru-paru
normal, paru-paru yang terkena kanker dan paru-paru yang
terkena efusi. Segementasi dilakukan dengan menggunakan
mask yang dibuat dengan proses deteksi tepi canny dan operasi
morfologi dilasi. Pada proses pelatihan didapatkan nilai akurasi
sebesar 100% sedangkan proses pengujian menunjukkan akurasi
sebesar 68,33%. Jika dibandingkan dengan hasil penelitian
sebelumnya dengan bahan dan metode yang sama tanpa proses
segmentasi, pada penelitian terjadi peningkatan performasi
jaringan. Dengan adanya proses segmentasi citra, jaringan lebih
mudah mengenali pola masukkan dari citra.
rendahnya kualitas gambar atau bahkan dapat disebabkan
karena faktor subyektivitas dan kriteria pengambilan
keputusan yang berbeda antara dokter atau ahli radiolog.
Untuk membantu dan mempermudah kinerja dokter dan
ahli radiolog tersebut perlu dikembangkan suatu perangkat
lunak komputer untuk membantu diagnosis yang efektif,
cepat, dan akurat. Dalam penelitian ini dikenalkan jaringan
syaraf tiruan (JST) yang diharapkan mampu mengidentifikasi
citra sinar-X paru-paru.
Jaringan Syaraf Tiruan adalah sistem pemrosesan
informasi yang mempunyai karakteristik secara umum seperti
jaringan saraf biologis (otak manusia). Elemen-elemen
struktural dari JST secara umum adalah simpul-simpul,
lapisan-lapisan, sambungan antar simpul, paket bobot
sambungan. Simpul-simpul dianggap sebagai elemen
komputasional atau elemen pemroses karena didalamnya
terjadi penjumlahan input-input yang diterima ( xi ) terlebih
Kata Kunci—Segmentasi Citra, Jaringan Syaraf Tiruan
Backpropagation, Citra foto rontgen paru-paru
dahulu dikalikan dengan bobot sambungan ( wi ) yang dibawa
tiap input. [3]
Dalam penelitian ini, metode klasifikasi yang digunakan
dalah jaringan syaraf tiruan umpan maju, dengan pembobot
dikoreksi yang dinamakan metode Backpropagation. Hal ini
disebabkan metode Backpropagation termasuk ke dalam
pelatihan supervised (terbimbing) dan cocok untuk berbagai
aplikasi, serta hasil yang dikerjakan lebih optimal
dibandingkan dengan metode jaringan syaraf tiruan lainnya[4].
Pada penelitian ini citra paru-paru akan diklasifikasikan
ke tiga kondisi, yakni kondisi normal, kanker, dan efusi yang
dibedakan berdasarkan warna pada paru-paru. Paru-paru
normal akan tampak hitam dan tidak terdapat adanya flek
putih yang menutupi paru-paru. Paru-paru yang terkena
kanker akan terlihat adanya flek-flek putih yang menutupi
paru-paru. Sedangkan untuk efusi warna putih yang menutupi
paru-paru lebih rapat dan dominan[5].
Kinerja klasifikasi jaringan syaraf tiruan dapat ditingkat
dengan beberapa faktor, salah satunya dengan proses
pengolahan citra sebelum diklasifikasi. Pengolahan citra
merupakan suatu sistem di mana proses dilakukan dengan
masukan berupa citra, dan menghasilkan citra pula dengan
kualitas yang lebih baik[6]. Dalam penelitian ini, pengolahan
citra yang digunakan dan dapat
diperkiran dapat
meningkatkan performasi kinerja JST backpropagation adalah
segmentasi citra untuk menfokuskan analisis citra pada daerah
dada(paru-paru) yang menjadi objek dalam penelitian ini.
I. PENDAHULUAN
Aplikasi pengolahan citra telah berkembang cukup pesat
sejak Land, Zworykin, dan Hatke menemukan electronic
translating microskope untuk memperagakan citra ultraungu
pada layar televisi pada tahun 1958. Setelah itu bermunculan
berbagai aplikasi untuk mendeskripsikan citra ke dalam
bentuk digital. Salah satu aplikasi pencitraan digital yang
paling terkenal dalam bidang medis sampai saat ini adalah
tomografi sinar-X. Tomografi sinar-X ini digunakan untuk
merekam dan meneliti keadaan maupun tubuh manusia secara
keseluruhan dengan menggunakan radiasi sinar X[1].
Dalam dunia biomedis, hasil citra sinar-X atau sinar
rontgen sering digunakan untuk mendiagnosa penyakit dalam
tubuh pasien. Pendiagnosaan ini biasanya dilakukan oleh
dokter/ahli radiolog dengan cara menganalisa citra foto X-ray
dan menemukan kelainan yang ada. Salah satu tugas seorang
dokter dan ahli radiolog yang penting dan cukup sulit adalah
ketika mendeteksi dan mendiagnosa kelainan organ tubuh
yang letaknya tersembunyi.
Paru-paru merupakan salah satu organ tubuh yang sulit
dideteksi dan didiagnosis oleh kebanyakan ahli radiolog. Dari
penelitian sebelumnya menunjukkan bahwa tingkat kegagalan
ahli radiolog untuk mendiagnosa bintil kecil pada paru-paru
sebesar 30% dari kasus nyata [2]. Kesalahan ini dapat
disebabkan karena struktur anatomi yang terlihat samar atau
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 1-4
(a)
(b)
2
(c)
Gambar 1. Contoh citra digital hasil rontgen paru-paru: (a) normal,
(b) efusi, (c) kanker
Proses segmentasi daerah dada dilakukan untuk
memisahkan daerah paru-paru yang terlihat pada citra dari
background, seperti bagian tulang bahu sehingga obyek yang
akan didiskripsikan selanjutnya lebih terfokus pada daerah
dada saja[7]. Penelitian ini dilakukan untuk mengetahui
pengaruh proses segmentasi citra terhadap klasifikasi citra
rontgen dengan mengacu pada penelitian sebelumnya dengan
judul ―Klasifikasi Citra Paru-paru dengan Ekstraksi Fitur
Histogram dan Jaringan Syaraf Tiruan Backpropagation‖.
Diharapkan penelitian ini akan menghasilkan perfomasi yang
lebih optimal dari penelitian sebelumnya.
II. METODE
A.Obyek penelitian
Obyek yang digunakan merupakan citra rontgen
paru-paru sebanyak 150 citra yang telah didiagnosa oleh
dokter sebelumnya. Obyek tersebut dibagi untuk keperluan
pelatihan perangkat lunak sebanyak 90 sampel dengan rincian
30 sampel citra X-ray paru-paru normal, 30 sampel citra X-ray
paru-paru yang terkena kanker dan 30 sampel citra X-ray
paru-paru yang terkena efusi dan untuk keperluan pengujian
perangkat lunak sebanyak 60 sampel dengan rincian 20
sampel citra X-ray paru-paru normal, 20 sampel citra X-ray
paru-paru yang terkena kanker dan 20 sampel citra X-ray
paru-paru yang terkena efusi. Citra digital tersebut tersimpan
dalam format BMP (Bitmap) dengan resolusi 8 bit. Gambar 1
merupakan contoh data citra yang diolah dalam penelitian
Tugas Akhir ini. Sedangkan dalam perancangan perangkat
lunak
digunakan
pemrograman
Matlab
versi
7.10.0.499(R2010a).
B. Pemrosesan Awal Citra
Pemrosesan awal citra sangat penting dilakukan untuk
meningkatkan kualitas visual citra dan menonjolkan beberapa
aspek informasi yang terkandung dalam citra sehigga dapat
mempermudah proses yang akan dilakukan selanjutnya. Hal
pertama yang dilakukan dalam proses ini adalah mengubah
Citra yang awalnya merupakan tipe RGB diubah menjadi citra
grayscale agar dapat mempermudah proses analisis lebih
lanjut. Kemudian dilakukan proses filterisasi citra untuk
mengurangi noise pada citra dengan menggunakan median
filter dan proses ekualisasi histogram adaptif untuk
memperlihatkan detail pada citra. Citra hasil pemrosesan awal
dapat dilihat pada gambar 2 (a)
C. Segmentasi Daerah Paru-paru
Proses segmentasi dilakukan untuk memisahkan daerah
(a)
(b)
Gambar 2. (a) Citra hasil pemrosesan awal, (b) Citra hasil
segmentasi
dada yang menjadi obyek fokusan dalam penelitian ini dari
obyek yang lainnya di dalam citra (tulang bahu, dan
sebagainya). Pada proses ini dilakukan pembuatan mask citra
dimana mask tersebut merupakancitra biner yang
menunjukkan luasan daerah paru-paru dengan nilai piksel 1
dan sisanya dengan nilai piksel 0. Pembuatan mask sendiri
dibuat menggunakan beberapa operasi pengolahan citra yakni
deteksi tepi canny, komplemen dan operasi morphologi erosi
dengan menggunakan strel square berukuran 2x2 kemudian
dibentuk secara manual.
Segmentasi dilakukan dengan
mengalikan (multiplying) citra dengan mask. Citra hasil
segmentasi dapat dilihat pada gambar 2 (b).
D. Ekstraksi Fitur Citra
Proses ekstraksi ciri bertujuan untuk mendapatkan
informasi-informasi penting dari citra paru-paru. Citra yang
telah difilter kemudian diekstraksi nilai-nilai fitur histogram
yang ada pada citra tersebut. Ekstraksi fitur histogram
merupakan metode pengambilan ciri yang didasarkan pada
karakteristik histogram citra. Histogram menunjukkan
probabilitas kemunculan nilai derajat keabuan piksel pada
suatu citra. Dari nilai-nilai pada histogram yang dihasilkan,
dapat dihitung beberapa parameter ciri orde pertama, antara
beberapa fitur yang digunakan dalam penelitian ini yakni ratarata (mean), standar deviasi, kurtosis, skewness dan entropy
[6].
E.
Klasifikasi Citra dengan Jaringan Syaraf Tiruan
Backpropagation
Proses pengklasifikasian citra pada penelitian ini
dengan menggunakan jaringan syaraf tiruan backpropagation.
Proses pengklasifikasian ini terdiri dari dua proses yakni
proses pelatiahan dan proses pengujian. Jaringan terlebih
dahulu dilatihkan dengan citra latih. Pelatihan dilakukan
dengan menggunakan parameter-parameter yang bernilai
tetap, yakni jumlah neuron layar tersembunyi sebanyak 2500,
epoch 370, learning rate 0,1 dan error 10-6. Pelatihan yang
dilakukan bertujuan untuk mendapatkan nilai-nilai bobot dari
jaringan. Bobot yang didapatkan akan tersimpan dan menjadi
nilai yang akan digunakan untuk proses pengujian citra uji.
Analisa proses klasifikasi dilakukan dengan
menggunakan performasi sistem jaringan. Performasi sistem
jaringan diuji dengan menggunakan nilai akurasi. Dimana
nilai akurasi merupakan tingkat keakuratan sistem dalam
mengenali data input yang diberikan sehingga menghasilkan
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 1-4
3
Gambar 3. Arsitektur Jaringan Backpropagation dalam penelitian
Gambar 4. grafik performasi pelatihan jaringan
Gambar 4. Tampilan Neural network Training (proses pelatihan
Jaringan) pada MATLAB
output yang benar. Secara matematis dapat dirumuskan
sebagai berikut:
ini, jaringan yang dibentuk memiliki satu layar tersembunyi
dimana layar tersembunyi mengandung 2500 neuron, seperti
yang ditunjukkan pada gambar 3.
Jaringan syaraf tiruan yang dibentuk dalam penelitian
menggunakan fungsi aktivasi sigmoid bipolar yang nilainya
berkisar antara -1 hingga 1. Fungsi ini digunakan berdasarkan
penentuan target yang digunakan. Dalam penelitian ini,
digunakan tiga nilai target yakni nilai target -1 untuk jenis
citra rontgen paru-paru efusi, nilai target 0 untuk jenis citra
rontgen paru-paru kanker dan nilai target 1 untuk jenis citra
rontgen paru-paru normal.
Perfomasi sistem jaringan dapat dilihat dari perhitungan
tingkat akurasi yang menunjukkan tingkat keakuratan sistem
dalam mengenali input yang diberikan sehingga menghasilkan
output yang benar Dalam proses pelatihan, nilai akurasi yang
didapatkan berubah-berubah. Hal ini terjadi karena inisialisasi
bobot awal jaringan ditentukan secara otomatis oleh program
MATLAB secara acak. Dari pelatihan yang dilakukan
berulang kali dengan parameter yang tetap didapatkan nilai
akurasi pelatihan terbaik, seperti tabel 1 berikut.
Tabel 1. Hasil klasifikasi citra latih
akurasi 
jumlah data yang benar
 100% ...................... (1)
jumlah data keseluruhan
III. HASIL DAN PEMBAHASAN
A. Pelatihan Sistem Jaringann
Klasifikasi citra rontgen paru-paru dalam penelitian ini
menggunakan metode jaringan syaraf tiruan Backpropagation
dimana di dalamnya terdapat dua proses, yakni proses
pelatihan jaringan dan proses pengujian jaringan. Proses
pelatihan digunakan untuk mencari bobot dan proses
pengujian digunakan untuk menguji sistem dengan
menggunakan bobot yang telah didapatkan pada proses
pelatihan.
Jaringan syaraf tiruan backpropagation memiliki
arsitektur jaringan yang terdiri dari layar input, layar
tersembunyi dan layar output. Pembangunan sistem jaringan
dilakukan dengan mengubah parameter-parameter yang ada di
dalamnya, seperti jumah layar tersembunyi, jumlah neuron
pada layar tersembunyi, dan fungsi aktifasi. Pada penelitian
Citra
Latih
Normal
Kanker
Efusi
Terdeteksi sebagai
Normal Kanker
Efusi
30
0
0
0
30
0
0
0
30
Rata-rata prosentase
Tingkat
Akurasi
100%
100%
100%
100%
Jumlah
Citra
30
30
30
90
Gambar 4. menunjukkan tampilan proses pelatihan
jaringan pada program MATLAB yang menghasilkan nilai
akurasi seperti pada tabel 1. Pada gambar tersebut dapat
terlihat jelas bahwa waktu yang dibutuhkan untuk proses
pelatihan adalah 15 detik. Waktu ini dapat dibilang cukup
lama untuk proses pelatihan saja. Oleh karena itu, waktu
pelatihan dibatasi sebelumnya. Setelah proses pelatihan
dengan 370 iterasi dihasilkan nilai error sebesar 0,00583. Nilai
ini cukup relatif kecil dan dapat dianggap mendekati nilai
error yang diharapkan sebelumnya.
Gambar 5. menunjukkan grafik performasi pelatihan
jaringan yang diplot berdasarkan nilai Mean Squared Error
(MSE) pada setiap iterasi. Dapat dilihat pada grafik tersebut
bahwa nilai MSE relatif turun pada setiap iterasi dan
JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) 1-4
mendapatkan nilai mse terendah (performasi terbaik) setelah
iterasi ke-370. Hal ini menunjukkan bahwa sistem jaringan
dapat mengenali pola klasifikasi dengan 370 iterasi dan sistem
jaringan yang terbentuk dapat dikatakan cukup baik untuk
mengklasifikasi citra rontgen paru-paru. Dari proses pelatihan
ini, didapatkan bobot yang kemudian disimpan untuk proses
pengujian selanjutnya
B. Pengujian Sistem Jaringan
Proses pengujian digunakan untuk menguji sistem
dengan menggunakan bobot yang telah didapatkan pada
proses pelatihan. Proses ini dilakukan dengan menggunakan
data 60 citra uji yang telah dipilih sebelumnya. Dengan
menggunakan bobot yang didapatkan pada proses pelatihan
sebelumnya, didapatkan hasil klasifikasi citra uji, seperti pada
tabel 2 berikut.
Tabel 2. Hasil Klasifikasi Data Latih
Citra
Latih
Normal
Kanker
Efusi
Terdeteksi sebagai
Normal Kanker
Efusi
13
3
4
5
10
5
0
2
18
Rata-rata prosentase
Tingkat
Akurasi
65%
50%
90%
68,33%
4
penelitian sebelumnya, proses segmentasi pada klasifikasi
dapat meningkatkan performasi jaringan pada proses pelatihan
dan proses pengujian dengan tingkat akurasi sebesar 100%
pada pelatihan dan 68,33% pada pengujian. Dengan adanya
proses segmentasi citra, jaringan lebih mudah mengenali pola
masukkan dari citra.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Bapak M.
Arief Bustomi selaku dosen pembimbing yang telah memberi
bimbingan, saran serta diskusi sehingga penelitian ini dapat
terselesaikan.
DAFTAR PUSTAKA
[1]
[2]
Jumlah
Citra
20
20
20
60
Pada tabel 2 di atas menunjukkan sistem masih belum
bisa mengklasifikasi citra uji dengan benar seluruhnya. Citra
uji yang masih sedikit untuk dikenali adalah citra rontgen
paru-paru kanker sedangkan citra uji yang paling banyak
dikenali adalah jenis citra paru-paru efusi. Hal ini dapat
dikarenakan citra paru-paru efusi memiliki karakteristik yang
terlihat berbada dari jenis citra paru-paru yang lain, yakni
daerah paru-paru yang terlihat di dalam citra paru-paru efusi
memiliki luas paling kecil daripada yang lain sehingga lebih
mudah dikenali oleh jaringan.
Jika dibandingkan dengan penelitian yang dilakukan
sebelumnya oleh Hasan Bisri pada tahun 2013, penelitian ini
dilakukan dengan bahan yang sama dan metode yang sama
namun dalam penelitian ini persiapan bahan juga dilakukan
dengan proses segmentasi citra paru-paru untuk menfokuskan
analisis citra pada daerah dada saja. Dimana pada penelitian
sebelumnya didapatkan nilai akurasi pelatihan sebesar 98,89%
dengan nilai error 0,01 dan nilai akurasi pada pengujian
sebesar 65%. Hasil penelitian menunjukkan nilai akurasi pada
proses pelatihan dan proses pengujian mengalami peningkatan
daripada penelitian sebelumnya. Bahkan pada proses
pelatihan, jaringan dapat mengenali seluruh citra masukkan
dengan ditandai dengan nilai akurasi pelatihan mencapai
100%. Selain itu, nilai error yang dihasilkan juga jauh lebih
kecil yang menunjukkan tingkat kesalahan pengenalan
jaringan tehadap citra yang telah disegmentasi juga lebih kecil.
Hal ini membuktikan bahwa dengan adanya proses segmentasi
citra, jaringan lebih mudah mengenali pola masukkan dari
citra.
IV. KESIMPULAN
Beberapa hal yang dapat disimpulkan dari penelitian
yang telah dilakukan adalah jika dibandingkan dengan hasil
[3]
[4]
[5]
[6]
[7]
Watiningsih, Tri. Juni 2012. Pengolahan Citra Foto Sinar-X untuk
Mendeteksi Kelainan Paru. Teodolita, vol. 13, pp 14-30.
Fontana, R. S. Sanderson, D. R. Woolner, L. B. Taylor, W. F. Miller,
W. E. dan Muhm, J. R. 1986. Lung cancer screening: The Mayo
program. J. Occupat. Med., Vol. 28, pp. 746 – 750.
Nurhayati dan Iskandarianto, Fitri Adi. 2010. Penerapan Metode Back
Propagation Neural Network pada Pendeteksian Kelainan Otak
Ischemic Cerebral Infraction dengan Bahasa Pemrograman Delphi.
Jurnal Fisika dan Aplikasinya. Surabaya.
Mardiyanto, Is. dan Pratiwi, Dian. 2008. Sistem Deteksi Penyakit
Pengeroposan Tulang dengan Metode Jaringan Syaraf Tiruan
Backpropagation dan Representasi Ciri dalam Ruang Eigen. Universitas
Trisakti. Jakarta. CommIT, Vol. 2, No 1.
Saksono, Hanung Tyas. Rizal, Achmad. Usman, Koredianto. 2010.
Pendeteksian Kanker Paru-paru dengan menggunakan Transformasi
Wavelet dan Metode Linear Discriminant Analysis. Institut Teknologi
Telkom. Bandung.
Bisri, Hasan. 2013. Klasifikasi Citra Paru-paru dengan Ekstraksi Fitur
Histogram dan Jaringan Syaraf Tiruan Backpropagation. J. Sains dan
Seni POMITS, vol.2. 2337-3520
Patil, Dr. S.A. dan Kuchanur, M.B. 2012. Lung Cancer Classification
Using Image processing. International Journal of Engineering and
Innovative Technology (IJEIT). vol. 2. Pp. 2277-3754