1.1 Latar Belakang - Digilib ITS - Institut Teknologi Sepuluh Nopember

IDENTIFIKASI BAKTERI TUBERCULOSIS
BERDASAR CIRI MORFOLOGI DAN WARNA
1)
M, Ya’qub Zain., 2) Aulia.MT. Nasution
Jurusan Teknik Fisika
Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember Surabaya
1)
[email protected], 2)[email protected]
Identifikasi bakteri tuberculosis mempunyai peran penting untuk mengetahui adanya penyakit, salah
satunya adalah penyakit tuberculosis. Pengidentifikasian bakteri tuberculosis selama ini dilakukan secara
manual di laboratorium membutuhkan waktu yang banyak, sehingga melelahkan dan tingkat akurasi dalam
identifikasi kurang. Oleh karena itu dalam proses pengidentifikasi dibutuhkan secara otomatis. Dalam
penelitian ini dilakukan pengembangan perangkat lunak untuk mengidentifikasi bakteri tuberculosis pada
dahak manusia dengan menggunakan teknologi pengolahan citra digital. Citra digital yang dianalisis adalah
citra bakteri tuberculosis yang diambil dari penderita penyakit tuberculosis dari dahak penderita (orang yang
terkena penyakit tuberculosis). Proses pengolahan citra digital dimulai dari proses akuisisi citra, operasi
warna, operasi morfologi dan pengenalan dengan jaringan syaraf tiruan dengan menggunakan algoritma
propagasi balik. Hasil pengidentifikasi bakteri tuberculosis akan diuji dengan hasil identifikasi secara manual,
sedangkan hasil identifikasi tersebut mencapai 86.7%
1.2
Perumusan Masalah
Dalam Tugas Akhir kali ini permasalahan
yang akan diselesaikan adalah dapat
dikembangkannya sistem otomasi untuk
meningkatkan keakuratan serta kecepatan
dalam mengidentifikasi penyakit tuberculosis
yaitu melalui mengembangkan perangkat
lunak berdasar teknologi pengolahan citra
digital.
1.3
Batasan Masalah
Untuk mempersempit dan mempertajam
masalah dilakukan perbatasan masalah
sebagai berikut :
1. Pengambilan data bakteri tuberculosis
hanya dilakukan dari dahak penderita
penyakit TBC.
2. Objek yang akan diidentifikasi bentuk
morfologi dan warnanya adalah citra
bakteri tuberculosis yang diambil dari
sampel
dahak
penderita
penyakit
tuberculosis.
3. Analisis dilakukan dengan metode jaringan
syaraf tiruan.
4. Citra digital yang akan diolah adalah citra
digital dari bakteri tuberculosis yang
diambil
dengan
mikroskop
yang
dilengkapi
dengan
kamera
CCTV
berwarna 640 x 480 piksel (kamera VGA)
dengan perbesaran objek pada lensa
objektif 40x dan perbesaran lensa okuler
100x.
5. Software yang digunakan Matlab R2008b
1.4
Tujuan
I. PENDAHULUAN
1.1
Latar Belakang
Dalam kehidupan manusia saat ini pemanfaatan
teknologi sekarang ini telah membawa manusia pada
peradaban yang sangat tinggi dan menjadikannya
sebagai tolok ukur terhadap kemajuan suatu bangsa
secara umum. Teknologi tepat guna banyak diciptakan
untuk membantu pekerjaan manusia terutama masalahmasalah yang sulit diselesaikan.
Tuberculosis (TB) merupakan penyakit infeksi
yang dapat menyerang paru-paru maupun jaringan yang
lain yang disebabkan oleh kuman atau basil
tuberculosis.
Penyebab
tuberculosis
adalah
mikrobacterium tuberculosis yaitu kuman berbentuk
batang dengan ukuran panjang 1µm-4µm dan tebal 0,3
µm-0,6 µm. Bakteri tuberculosis bisa bertahan hidup
pada udara kering maupun dalam keadaan dingin karena
kuman bersifat dormant yaitu dapat bangkit kembali
dan menjadi TB aktif. Selain itu, kuman ini disebut
kuman aerob yaitu kuman yang lebih menyenangi
jaringan yang tinggi kandungan oksigennya.
Pemeriksaan ke dokter ahli merupakan salah satu
cara untuk mengetahui penyakit tuberculosis. Berbagai
cara akan dilakukan oleh dokter untuk mengidentifikasi
penyakit tuberculosis diantaranya dengan jalan
mengidentifikasi image bakteri pada dahak penderita.
Oleh karena itu penulis mencoba membuat
software yang dapat mengidentifikasi bakteri
tuberculosis dengan menggunakan sofware Matlab
R2008b Dengan menggunakan software Matlab R2008b
tersebut dapat divisualisasi image processing berupa
pemrosesan citra RGB menjadi citra biner,dan shape
processing berupa ekstrak dari citra tersebut. Output
dari image processing dan shape processing tersebut
sebagai input pada jaringan syaraf tiruan yang akan
mengindikasi citra bakteri tersebut.
Adapun tujuan yang akan dicapai dalam
tugas akhir ini yaitu sebagai berikut :
1. Menentukan
untuk
mengidentifikasi
bakteri tuberculosis secara otomatis
dengan menggunakan teknik pengolahan
citra digital melalui pengembangan perangkta
lunak.
2. Menentukan adanya bakteri tuberculosis dari
dua agoritma yaitu algoritma color processing
dan shape processing dari Artificial Neural
Network
(Backpropagation)
untuk
mengidentifikasi bakteri tuberculosis.
1.5
Metodologi Penelitian
Adapun metodologi yang digunakan dalam tugas
akhir ini adalah :
1. Perumusan masalah
Menentukan hal-hal yang akan menjadi topik
permasalahan pada penelitian.
2. Studi literatur
Studi literatur dilaukan untuk melakkan
pemahaman terhadap permasalahan yang
diangkat dalam penelitian. Dan juga sebagai
dasar pemahaman menganalisis proses yang
terjadi citra bakteri tuberculosis.
3. Menentukan data input.
Ditentukan data input berupa citra digital dari
bakteri tuberculosis yang akan diidentifikasi.
4. Melakukan pengolahan citra berdasar ciri
morfologi dan warna.
Pengolahan dilakukan untuk mendapatkan
ekstrak citra bakteri tuberculosis, sehingga
pemodelan identifikasi dapat dilakukan.
5. Menentukan eksekusi dari variable input.
Setelah diperolah ekstrak data dari citra bakteri
tuberculosis, maka dengan metode jaringan
syaraf tiruan dapat diteentukan bakteri
tuberculosis tersebut.
6. Program perangkat lunak Matlab R2008b
Setelah mendapatkan bentuk eksekusi dari
variable input, maka dengan menginptkan
nilai-nilai tersebut akan terinterpretasi nilai
distribusi outputnya pada perangkat lunak
Matlab R2008b
7. Analisa data dan pembahasan.
Studi analisis ini dilakukan untuk mencari
jawaban antara kesesuaian hasil perhitungan
manual dengan hasil menggunakan program
komputer.
8. Penyusunan laporan akhir.
Pada
tahun
1990
macam-macam
pembentuk genetic Mycobacterium tuberculosis
bisa teridentifikasi (Kremer. 1999). Tuberculosis
yang disingkat TB untuk tubercle bacillus atau
Tuberculosis berasal dari kata tuberculosa.
Tuberculosis adalah penyakit manular secara
langsuang yang disebabkan oleh kuman TBC yaitu
mycobacterium tuberculosis. Bakteri tuberculosis
merupakan satu dari tiga penyebab kematian
didunia dibandingkan dengan bakteri yang lain
(Corbett. 2003).
Tuberculosis bisa menyerang semua
bagian tubuh manusia, dan yang paling rentan
adalah menyerang paru-paru (90%) yang disebut
pulmonary tuberculosis (Raviglione dan O’brien.
2004). Dapat juga berakibat pada sistem nervous
central, sistem kelenjar getah bening, sistem
sirkulasi, sistem genital, sistem gastrointestinal,
tulang, dan juga kulit. Mycobacteria yang lain
seperti mycobacterium bovis, mycobacterium
africanum,
mycobacterium
canetti,
dan
mycobacterium microti juga penyebab penyakit
tuberculosis.
2.2
2.2.1
Citra
Citra Analog
Citra atau image merupakan gambar pada
bidang dua dimensi. Citra adalah suatu representasi,
kemiripan, atau imitasi dari suatu objek yang
merupakan fungsi continue dari intensitas cahaya
pada bidang dua dimensi..
2.2.2
Citra Digital
Citra digital adalah citra analog yang
diubah dalam bentuk diskrit, dalam korrdinat ruang
maupun
intensitas
cahayanya.
Pengolahan
digitalisasi terdiri dari dua proses yaitu pencuplikan
posisi, dan kuantisasi intensitas. Citra digital dapat
dinyatakan dalam bentuk matriks dua dimensi f
(x,y), dimana x dan y adalah koordinat piksel dalam
matriks dan f adalah derajat intensitas piksel
tersebut.
Citra digital yang dinyatakan bentuk
matriks dengan ukuran M x N tersusun sebagai
berikut :
II. DASAR TEORI
2.1
Bakteri Tuberculosis
Gambar 2.1 Bakteri (Palomino, JC 2008)
 f (0,0)
 f (1,0)

 f (2,0)

M

 f ( M − 1,0)
f (0,1)
f (1,1)
f (2,1)
M
f ( M − 1,1)
f (0,2)
f (1,2)
f (2,2)
M
L
L
L
O
f ( M − 1,2) L
f (0, N − 1)
f (1, N − 1)
f (2, N − 1)
M






f ( M − 1, N − 1)
Citra f (x,y) dalam fungsi matematis
dituliskan dalam persamaan sebagai berikut :
0 ≤ x ≤ M-1
0 ≤ y ≤ N-1
0 ≤ f(x,y) ≤ G-1
dimana :
M = banyaknya baris dalam array citra
N = banyaknya kolom pada array citra
G = derajat keabuan atau intensitas warna
(graylevel)
Interval (0,G) disebut skala kebuan
(grayscale). Besar G tergantung pada proses digitalisasi
yang dilakukan. Kebuan 0 (nol) menyatakan intensitas
hitam dan G menyatakan intensitas putih.
Jaringan Syaraf
2.3.1
Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) adalah salah satu
algoritma pembelajaran mesin yang meniru cara kerja
jaringan syaraf biologi. Jaringan syaraf tiruan (artificial
neural network) merupakan jaringan dari banyak unit
pemroses kecil (yang disebut neuron) yang masingmasing melakukan proses sederhana, yang ketika
digabungkan akan menghasilkan perilaku yang
kompleks.
Grafik 2.3 Fungsi Binary Step (Sordo,
Margarita.2002)
c. Fungsi Sigmoid
Fungsi sigmoid terbagi menjadi dua
macam yaitu binary sigmoid dan bipolar
sigmoid. Fungsi binary sigmoid digambarkan
dalam persamaan :
f ( x) =
1
1 + e−x
Sedangkan fungsi bipolar sigmoid yang
sangat
berhubungan
dengan
fungsi
hyperbolic
tangent.
Dimana
fungsi
hyperbolic tangent adalah :
e x − e−x
f ( x) = x
e + e−x
Gambar 2.3 Sebuah JST Sederhana.
Fungsi aktifasi digunakan untuk menentukan
output suatu neuron pada JST. Argument fungsi
aktifasi adalah net input (kombionasi liner input
dan bobotnya). Jika net = Σ xi wi , maka fungsi
aktifasinya adalah f (net) = (Σ xi wi). Beberapa
fungsi
aktifasi
yang
sering
digunakan
(Fausett.1994) adalah sebagai berikut :
a. Fungsi Identitas
f (x) = x
Fungsi identitas sering dipakai apabila output
jaringan ynag diinginkan berupa sembarang
bilangan riil.
4
f (x)
2
1
0
-1
Dalam jaringan dapat ditambahkan sebuah
unit input yang nilainya selalu 1. unit tersebut
disebut bias yang dapat dipandang sebagai
sebuah input yang nilainya 1. bias berfungsi
untuk mengubah nilai threshold menjadi = 0
(bukan = θ ) . jika melibatkan bias, maka
output keluaran unit penjumlah adalah
net = b + ∑ xi wi
i
3
-2
(a)
(b)
Grafik 2.4 (a) fungsi binary sigmoid (b) fungsi
hyperbolic tangent (Sordo, Margarita.2002).
0
1
2
3
4
-1
-2
x
Grafik 2.2 Fungsi identitas
b. Fungsi Binary Step ( dengan threshold θ )
1
jika x ≥ θ
f (x) =
0
jika x < θ
Untuk beberapa kasus, fungsi ini dibuat untuk
tidak bernilai 0 dan 1, tetapi bernilai 1 dan -1
yang disebut sebagai fungsi tthreshold bipolar,
sehingga
1
jika x ≥ θ
f (x) =
-1
jika x < θ
Fungsi aktifasi threshold menjadi :
1
jika net x ≥ θ
f (x) =
-1 jika net x< θ
3.3 Metodologi Penelitian
Metodologi yang digunakan pada Tugas Akhir
ini adalah sebagai berikut :
Mul
perangkat lunak yang telah dibuat (Testing set) dan
dengan cara manual untuk menentukan tingkat
keakurasian pengidentifikasian bakteri tuberculosis
dengan menggunakan perangkat lunak yang telah
dibuat.
Persamaan yang digunakan untuk penentuan
besarnya error hasil pengenalan bakteri tuberculosis
dengan menggunakan perangkat lunak adalah
sebagai berikut :
Menentukan Masalah, Tujuan,
Studi Literatur
Pengambilan Data Bakteri
Sementara untuk mendapatkan besarnya akurasi
dapat dihitung melalui :
Perancangan Perangkat
Perba
Uji Perangkat Lunak
Tid
ak
Ya
Hasil
4.1.2 Data hasil preprocessing
• Konversi tipe citra grayscale ke Cie
L*a*b
Sebelum dilakukan proses pemisahan warna
bakteri tuberculosis dan pengenalan morfologi, citra
asli dengan format RGB tipe JPG dikonversi dulu
ke format CIE L*a*b.
Analisa data
Sele
Gambar 3.1 Diagram alir metodologi penelitian
3.3.1
Perancangan Perangkat Lunak
Pada
perancangan
perangkat
lunak
menggunakan software Matlab R2008b. Dalam
perancangan perangkat lunak ini dilakukan
langkah seperti pada gambar 3.2
(b)
Gambar 4.2 (a) Citra bakteri RGB (b) Citra bakteri
L*a*b
Mulai
Dari gambar hasil konversi dari citra RGB ke
citra Cie L*a*b dihasilkan gambar yang berbeda,
pada citra RGB komponen pembentuk warna citra
ada 3 bagian, yaitu komponen warna R,
mengartikan warna merah, komponen warna G,
mengartikan warna hijau, dan komponen warna B,
mengartikan warna biru. Sedangkan pada citra
L*a*b hanya memiliki 2 komponen pembentuk
warna, yaitu kompoen a dan komponen b,
sedangkan L adalah mengartikan luminasi.
Citra Digital Bakteri
Tuberculosis (Akuisisi
Citra)
Pemrosesan Awal
Citra
Tidak
Operasi Warna
Ya
Operasi Morfologi
Tidak
Pengenalan Citra Bakteri
Ya
Selesai
Gambar 3.2 Diagram alir perangkat lunak.
3.3.2
(a)
Validasi Perangkat Lunak
Pada proses ini akan diuji tingkat keakuratan
pengenalan bakteri tuberculosis. Dengan menggunakan
4.1.3 Hasil operasi citra bakteri tuberculosis
• Removing warna selain bakteri
Proses ini adalah proses pemisahan warna
bakteri. Pemisahan warna bakteri tuberculosis
dengan noise dan background dilakukan
dengan menghilangkan warna selain bakteri
tuberculosis.
Menghilangkan warna dahak
pada background untuk memudahkan proses
selanjutnya, yaitu pada proses labelling. Pada
proses pembalikan ini, nilai warna dalam bentuk
tresholding yang mempunyai nilai 1 dikonversi
menjadi nilai 0, sebaliknya yang bernilai 0
dikinversi menjadi 1.
Gambar 4.3 Hasil removing warna noise pada
Pada gambar 4.3 terlihat bahwa warna dahak (biru)
sebagai noise berhasil dihilangkan. Tipe citra bakteri ini
merupakan citra RGB yang dikonversi ke tipe citra
CieL*a*b.
Grayscale
Sebelum menghilangkan warna background, maka
dilakukan proses grayscale, yaitu proses untuk membuat
warna menjadi skala keabuan.
Gambar 4.6 Citra hasil proses pembalikan
warna treshold
Dari gambar 4.6 menunjukkan hasil citra proses
pembalikan warna tresholding, yaitu proses dimana
citra bakteri tuberculosis berwarna putih, sedangkan
warna backgrund berwarna hitam
Pelabelan
Pada proses pelabelan warna objek akan dirubah
menjadi banyak warna seperti pada gambar 4.7
Gambar 4.4 Citra Grayscale
Dari gambar tersebut ( Gambar 4.4 ) terlihat gambar
hasil proses grayscale. Pada proses ini citra berwarna
diubah menjadi citra dengan skala keabuan. Citra
grayscale merupakan citra dengan skala warna keabuan
dengan nilai antara 0 – 255.
Tresholding
Input dari proses ini adalah gambar citra yang
sudah melalui pemrosesan awal dan proses warna.
Sedangkan nilai ambang thresholding yang dilakukan
pada proses ini sebesar 0.7 (70 persen dari nilai 255).
Sehingga dari proses ini masing-masing pixel citra
dengan intensitas dengan nilai 255 sampai 65 persen
dari 255 akan diubah menjadi nilai 1 sedangkan yang
lainya diubah menjadi nilai 0. Pada proses thresholding
menentukan ROI.
Gambar 4.5 Citra hasil tresholding
Pembalikan warna tresholding
Proses ini bertujuan untuk mendapatkan nilai
putih pada warna bakteri tuberculosis dan warna hitam
Gambar 4.7 Citra proses labeling
Gambar 4.8 Citra hasil proses labelling
Dari hasil proses labelling terlihat pada gambar 4.8.
Pada objek bakteri tuberculosis diberi nomor
(label). Untuk labelling ini bertujuan untuk
mendapatkan nomor pada objek untuk selanjutnya
dapat diproses pada metode jaringan syaraf tiruan
dengan memanfaatkan algoritma backpropagation.
Dari hasil tersebut merupakan scanning per piksel
dari yang paling kiri atas dilanjutkan kebawah,
sehingga urutan penomorannya berurutan dari kiri
ke kanan.
Hasil dari proses preprosesing, selanjutnya
digunakan sebagai input jaringan syaraf tiruan.
Database hasil tersebut berupa matrix biner 20 x 20
yang kemudian di transpose, sehingga menjadi 1 x
400. Hasil tersebut dapat dilihat pada gambar 4.10
kemampuan jaringan mencapai error atau nilai MSE
yang diinginkan.
No
1
2
3
4
5
6
7
8
9
10
Gambar 4.9 Matrix hasil preprosesing
4.1.4
Algoritma Backpropagasi
• Pembentukan jaringan
Untuk tahap training set, input merupakan 52 citra
database (matrik 400 x 238) sehingga atsitektur
jaringan memilki struktur 238-1-1 dengan rincian :
238 input layer
: terdiri dari 3600 unit.
1 hidden layer
: terdiri dari
1 output layer
: terdiri dari 238 unit
Unit
hidden
layer
110
112
114
120
130
134
136
140
145
150
Akurasi (%)
99.5
99.4
99.4
99.5
99.4
99.4
99.5
99.4
99.4
100
Tabel 4.2 Hasil akurasi dengan jumlah hidden layer
Untuk pemilihan jumlah hidden layer dilakukan secara
acak untuk mendapatkan nilai MSE yang paling kecil,
sehingga bisa dikatakan memiliki performansi yang
baik.
Untuk mendapatkan nilai MSE yang kecil, maka
dilakukan training set sebanyak 10 kali dengan jumlah
hidden layer yang berbeda yang terdiri dari 110, 112,
114, 120, 130, 134, 136, 140, 145, dan 150.
• Data hasil training JST
Proses training pada JST merupakan subprogram
training set yang berfungsi untuk melatih program
supaya dapat mengenali ciri bakteri tuberculosis dengan
menggunakan jaringan syaraf tiruan. Jaringan yang
terbentuk dari proses pelatihan akan digunakan dalam
Test set.
No
1
2
3
4
5
6
7
8
9
10
Unit
hidden
110
112
114
120
130
134
136
140
145
150
Epochs
MSE
154
149
149
189
150
155
166
166
150
147
0.00292
0.00297
0.00297
0.00270
0.00293
0.00293
0.00294
0.00294
0.00274
0.0284
Tabel 4.1 Jumlah epochs dan jumlah MSE yang
didapatkan berdasarkan jumlah unit hidden layer.
Dari hasil pelatihan jaringan dengan 5 variasi jumlah
hidden layer yang berbeda didapatkan nilai MSE dan
banyaknya epochs yang berbeda pula. Banyaknya
epochs pada tahap pelatihan jaringan di pengaruhi oleh
III. REFERENSI
[1]
Palomino, Leao, Ritacco.2007. Tuberculosis. Brazil.
[2]
Bakti
Husada.
2002.
Pedoman
Nasional
Penanggulangan Tuberculosis. Departemen Kesehatan
Republik Indonesia.
[3]
Fausett,L. 1994. Fundamentals of Neural Network,
Architecture, Algorithms, and Applications. Prentice
Hall.
[4]
Gonzales,R.C. and Woods,R.E. 2002. Digital Image
Processing with Matlab 2nd ed. Upper Saddle River, NJ:
Prentice Hall.
[5]
Muis, Saludin. 2006. Teknik Jaringan Syaraf Tiruan.
Yogyakarta: ANDI.
[6]
Siang, Jong Jek. 2009. Jaringan syaraf Tiruan dan
Pemrogramannya Menggunakan Matlab. Yogyakarta :
ANDI.
[7]
The MathWorks Inc. 2007. Image Processing Toolbox 6
User Guide.
[8]
Wijaya. Marvin CH. 2007. Pengolahan Citra Digital
menggunakan Matlab. Bandung: Informatika.