aplikasi model jaringan syaraf tiruan dengan radial basis

APLIKASI MODEL JARINGAN SYARAF TIRUAN DENGAN
RADIAL BASIS FUNCTION UNTUK MENDETEKSI
KELAINAN OTAK (STROKE INFARK)
Yohanes Tanjung Sarwono1)
1)
S1/Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya,
email: [email protected]
Abstract: stroke disease is one of the deadly diseases caused by blockage of blood vessel. Neural Network as
one of Artificial Intelligence areas which simulate like human neuron brain and convert it into mathematics
calculation. Preprocessing used to convert brain images into numerical. This numerical will be input to clustering
process and training it with Neural Network that use Radial Basis Method. Result of this training method will be
used to analyze and predict brain image whether to be normal or stroke.
Keywords: Digital Image Processing, Artificial Intelligence, Neural Network, K-Means Cluster, Stroke Disease
Di negara-negara industri penyakit
Stroke dapat dibedakan menjadi 2
stroke menduduki peringkat ketiga penyebab
golongan besar yaitu stroke iskemik (Infark) dan
kematian setelah penyakit jantung dan kanker. Di
stroke perdarahan (Hemoragik). Pada stroke
Indonesia, diperkirakan setiap tahun terjadi
iskemik (Infark) terjadi proses Arteriosklerosis
500.000 penduduk terkena serangan stroke, dan
atau
sekitar 25% atau 125.000 orang meninggal dan
pembuluh darah otak tersumbat. Sumbatan ini
sisanya mengalami cacat ringan atau berat. Di
terjadi akibat lepasnya bekuan yang berasal dari
Indonesia stroke menempati urutan pertama
lokasi lain. Sedangkan stroke hemoragik adalah
sebagai penyebab kematian di rumah sakit.
pecahnya
Stroke adalah serangan mendadak pada
otak akibat pembuluh otak tersumbat atau pecah.
darah
terlalu
kental
pembuluh
darah
yang
membuat
akibat
dinding
pembuluh rapuh atau anomali-anomali bawaan
pada usia muda.
Biasanya kondisi ini akan diikuti dengan gejala-
Pendeteksian dan diagnosa kelainan
gejala seperti nyeri kepala hebat, penurunan
pada otak dilakukan oleh para radiolog dan
kesadaran dan kejang mendadak. Juga terjadi
dokter ahli. Peralatan radiologi yang berfungsi
gangguan
dan
untuk mendeteksi penyekit otak salah satunya
gangguan orientasi tempat, waktu dan orang.
adalah Magnetik Resonance Imaging (MRI).
Penyebab stroke dikelompokkan menjadi 2
Menurut Notosiswoyo (2004) MRI menggunakan
faktor, yaitu faktor medis dan perilaku. Faktor
prinsip elektromagnetik yang akan menghasilkan
resiko medis, antara lain hipertensi (penyakit
image tubuh kita. MRI berkaitan dengan radio
tekanan darah tinggi), kolesterol, Arteriosklerosis
frekuensi
(pengerasan pembuluh darah), gangguan jantung,
menghasilkan suatu citra (image) tanpa memakai
diabetes, riwayat stroke dalam keluarga, dan
radiasi ionisasi.
daya
ingat,
keseimbangan
dan
medan
magnet
yang
dapat
migrain. Faktor yang kedua adalah faktor resiko
Pemeriksaan gambar kelainan otak hasil
perilaku, antara lain merokok (aktif & pasif),
MRI ini memerlukan ketelitian dan ketepatan.
makanan tidak sehat (junk food, fast food),
Lagi pula otak organ tubuh yang letaknya
alkohol, kurang olahraga, kontrasepsi oral,
tersembunyi sehingga sulit dideteksi dengan mata
narkoba, obesitas.
telanjang. Pendeteksian penyakit infark dari
1
gambar MRI dapat menggunakan Jaringan Syaraf
c th
w w
n n
x y
Radial Basis Function (RBF).
Pada
prinsipnya
banyak
metode
jaringan syaraf yang telah dikembangkan, seperti
dimana:
Backpropagation, Self Organizing Maps (SOM),
w:
dan lain sebagainya. Alasan penggunaan jaringan
equalization,
syaraf tiruan dengan metode RBF karena
Cw : histogram kumulatif dari w,
keunggulan dalam hal kecepatan iterasi jika
th: adalah threshold derajat keabuan (256)
dibandingkan dengan metode jaringan syaraf
nx dan ny adalah ukuran gambar
d.
tiruan lainnya.
nilai
keabuan
hasil
histogram
Proses filter background, merupakan proses
untuk menghilangkan atau membuang latar
METODE PENELITIAN
belakang citra yang tidak diperlukan. Karena
Digital Image Processing
citra yang diharapkan adalah citra bagian
Melakukan pengolahan citra digital pada
otak saja, maka sangat penting melakukan
data gambar otak normal dan stroke infark untuk
mengubah file data gambar hingga menjadi
proses filter background.
e.
Proses Segmentasi, membagi obyek menjadi
menjadi bentuk matriks normalisasi yang berupa
segmen-segmen yang lebih kecil sehingga
angka.
diharapkan untuk pengolahan datanya dapat
Berikut
langkah-langkah
dalam
melakukan pengolahan citra :
menjadi lebih cepat. Hasil segmen ini akan
a.
Proses pembacaan file gambar untuk otak
diperoleh gambar yang berukuran 37 x 37
normal dan stroke infark yang berukuran
piksel.
185 x 185 piksel. File gambar berformat
b.
f.
Proses Normalisasi, yaitu proses pada nilai
.BMP atau .JPG.
intensitas tiap segmen dari citra agar bernilai
Proses greyscale, mengubah citra warna
0 atau 1 dengan cara rata segmen dibagi
(Red, Green, Blue) menjadi citra greyscale
dengan tingkat grayscale yang paling tinggi.
dengan mengambil rata-rata RGB dengan
persamaan:
g.
Simpan hasil data normalisasi, sebagai data
input di proses selanjutnya. Data disimpan
Gray = R + G + B
ke dalam bentuk file text (.txt) dan tidak
3
menggunakan database agar lebih cepat pada
R : Tingkat intensivitas warna merah
saat upload data pada inputan pelatihan
G : Tingkat intensivitas warna hijau
jaringan syaraf.
B : Tingkat intensivitas warna biru
c.
Proses histogram equalisasi, merupakan
proses
perataan
histogram,
di
mana
distribusi nilai derajat keabuan pada suatu
citra dibuat rata dan ditujukan untuk
memperjelas gambar dengan persamaan:
2
Start
rumus jarak Eucledian (Eucledian Distance)
hingga ditemukan jarak yang paling dekat dari
setiap data dengan centroid. Berikut adalah
Proses Grayscale
persamaan Eucledian Distance:
d ( x i ,  j )  ( xi   j ) 2
Proses Histogram
Equalisasi
Step 4 :
Mengklasifikasikan
setiap
data
berdasarkan kedekatannya dengan centroid (jarak
Proses Filter
Background
terkecil).
Step 5 :
Mengupdate
nilai
centroid.
Nilai
centroid baru diperoleh dari rata-rata cluster yang
Proses
Segmentasi
bersangkutan dengan menggunakan rumus:
 j (t  1) 
1
N Sj
x
jSj
j
Proses
Normalisasi
dimana:
 j (t+1) = centroid baru pada iterasi ke (t+1),
End
Gambar 1. Flowchart Pengolahan Citra Digital
NSj = banyak data pada cluster Sj
Step 6 : Melakukan perulangan dari langkah 2
hingga 5 hingga anggota tiap cluster tidak ada
K-Means Clustering
yang berubah.
Algoritma K-Means diperkenalkan oleh
Step 7 : Jika langkah 6 telah terpenuhi, maka
J.B. MacQueen pada tahun 1976. Metode ini
nilai rata-rata pusat cluster (  j) pada iterasi
mempartisi data ke dalam cluster (kelompok)
sehingga data yang memiliki karakteristik yang
sama dikelompokkan ke dalam cluster yang sama
dan data yang mempunyai karakteristik berbeda
dikelompokkan ke dalam kelompok yang lain.
terakhir akan digunakan sebagai parameter untuk
Radial Basis Function yang ada di hidden layer.
Pada gambar 2 ditunjukkan diagram alir langkahlangkah
dalam
proses
clustering
dengan
menggunakan metode K-Means.
Berikut adalah langkah-langkah dari algoritma KMeans:
Step 1 : Menentukan banyak K-cluster yang
ingin dibentuk.
Step 2 : Membangkitkan nilai random untuk
pusat cluster awal (centroid) sebanyak k.
Step 3 : Menghitung jarak setiap data input
terhadap masing-masing centroid menggunakan
3
Jika ada input yang masuk, sel akan aktif dan
Start
akan mentransmisikan sinyal ke sel lain melalui
akson dan sypnatic gap. Untuk lebih jelasnya
Inisialisasi jumlah
cluster (K)
susunan neuron biologis ini dapat dilihat pada
Gambar 3 berikut :
Tentukan centre cluster awal
secara random
Hitung jarak data ke center cluster dengan
Eucledian Distance
Gambar 3. Susunan Neuron Biologis
Klasifikasikan data ke dalam cluster
terdekat
Pada jaringan syaraf tiruan, juga terdapat
istilah neuron atau lebih sering disebut unit, sel,
Update centre dariYrata-rata tiap cluster
e 1
 ( t  1) s
x
j
N Sj

j Sj
atau node. Setiap neuron terhubung dengan
j
neuron-neuron lain melalui layer dengan bobot
tertentu. Bobot di sini melambangkan informasi
 j (t  1)   j
yang
Yes
digunakan
oleh
jaringan
untuk
menyelesaikan persoalan. Pada jaringan syaraf
biologis, bobot tersebut dapat dianalogikan
No
dengan aksi pada proses kimia yang terjadi pada
- output cluster
- centre cluster
synaptic
gap.
Sedangkan,
setiap
neuron
mempunyai internal state yang disebut aktivasi.
Aktivasi tersebut merupakan fungsi dari input
End
Gambar 2. Flowchart K-Means Clustering
yang diterima. Suatu neuron akan mengirim
sinyal ke neuron-neuron lain, tetapi pada suatu
saat,
Neural Network
Jaringan syaraf manusia terdiri atas selsel yang disebut neuron. Ada tiga komponen
hanya
dikeluarkan
ada
satu
walaupun
sinyal
yang
sinyal
dapat
tersebut
ditransmisikan pada beberapa neuron lain.
utama neuron yang fungsinya dapat dianalogikan
Pada jaringan syaraf, neuron-neuron
dengan yang terjadi pada jaringan syaraf tiruan,
tersusun dalam layer. Neuron yang terletak dalam
yaitu dendrit, soma, dan akson. Dendrit akan
layer yang sama, biasanya mempunyai hubungan
menerima sinyal-sinyal dari neuron lain. Sinyal
yang sama antara satu dengan lainnya.
tersebut
merupakan
impuls
listrik
yang
Pengaturan neuron dalam layer dan
ditransmisikan melalui sypnatic gap melalui
hubungan-hubungannya
disebut
arsitektur
proses kimia. Sedangkan, soma atau badan sel
jaringan. Jaringan syaraf dapat diklasifikasikan
akan menjumlah sinyal-sinyal input yang masuk.
menjadi dua jenis, yaitu single layer dan
4
multilayer. Untuk lebih jelasnya, susunan single
layer dan multilayer terdapat pada Gambar 4 dan
Gambar 5.
Dalam jaringan single layer, neuronneuron
dapat
dikelompokkan
menjadi
dua
bagian, yaitu unit-unit input dan unit-unit output.
Unit-unit input menerima masukan dari luar
sedangkan unit-unit output akan mengeluarkan
respon dari jaringan sesuai dengan masukannya.
Sedangkan, dalam jaringan multilayer,
selain ada unit-unit input dan output, juga
Gambar 5. Jaringan Syaraf Multilayer
terdapat unit-unit yang tersembunyi (hidden).
Jumlah unit hidden tersebut tergantung pada
Radial Basis Function Algorithm
kebutuhan. Semakin kompleks jaringan, unit
Topologi jaringan RBFN (Radial Basis
hidden yang dibutuhkan makin banyak, demikian
Function Network) terdiri dari layer input unit,
pula jumlah layernya. Pada Gambar 5 terdapat
layer hidden unit dan layer output unit. Topologi
tiga buah layer dengan bobot v dan w . Jaringan
RBFN digambarkan sebagai berikut:
multilayer sering dipakai untuk persoalan yang
lebih rumit karena pelatihan untuk hal yang
kompleks akan lebih berhasil jika menggunakan
jaringan multilayer.
Gambar 6. Topologi Radial Basis Function
Network
Berikut
langkah-langkah
proses
pelatihan
jaringan dengan metode RBF:
Step 1 : Inisialisasi centre data input matriks
normalisasi dan dan centre hasil perhitungan KMeans Clustering.
Gambar 4. Jaringan Syaraf Single Layer
Step 2 : Melakukan inisialisasi nilai spread yang
akan
digunakan
pada
perhitungan
matriks
Gaussian.
5
Step 3 : Menentukan sinyal input ke hidden
Start
layer dan menghitung nilai fungsi aktivasinya
pada tiap hidden layer menggunakan rumus
Inisialisasi centre cluster
hasil perhitungan K-Means
berikut:
Inisialisasi nilai spread (σ)
m
= 1,2,3,... Sesuai dengan jumlah training
Menentukan sinyal input dan
fungsi aktivasi
pattern
j
= 1,2,3… sesuai dengan jumlah hidden unit
X
 vektor input
t
 vektor data sebagai center
Menghitung bobot baru Matriks W
Step 4 : Menghitung bobot baru (W) dengan
Menghitung Nilai Output jaringan Yn
mengalikan pseudoinverse dari matriks G dengan
vector target (d) dari data training dengan
menggunakan rumus pada persamaan berikut:
Simpan data hasil training
End
Gambar 7. Flowchart Proses Training Jaringan
Step 5 : Menghitung nilai output jaringan Y(n)
Syaraf Tiruan dengan Metode Radial Basis
menggunakan rumus pada persamaan berikut:
Function
Testing Algorthm
Uji coba atau testing pada aplikasi
Step 6 : Simpan nilai hasil training. Hasil
training yang disimpan adalah data center 1,
center 2, nilai output dan nilai spread yang
digunakan dalam proses training jaringan syaraf.
Data hasil training tersebut disimpan ke dalam
file teks (.txt). Berikut diagram alir proses
training
jaringan
menggunakan
Function).
syaraf
metode
RBF
tiruan
(Radial
dengan
Basis
digunakan untuk melakukan validasi apakah telah
memberikan
output
diharapkan.
Berikut
sesuai
dengan
yang
langkah-langkah
dalam
melakukan uji coba:
Step 1 : Inisialisasi center hasil perhitungan
algoritma K-Means, dengan memanggil centroid
1 dan centroid 2 iterasi terakhir.
Step 2 : Inisialisasi range output target hasil
perhitungan RBF (spread value, W1, W2 dan
bias).
6
Step 3 : Upload data gambar untuk di uji coba
Start
atau validasi.
Inisialisasi centre cluster
hasil perhitungan K-Means
Step 4 : Proses greyscale, mengubah citra warna
(Red, Green, Blue) menjadi citra greyscale
dengan mengambil rata-rata RGB.
Inisialisasi range output
target hasil perhitungan RBF
Step 5 : Proses histogram equalisasi, merupakan
proses perataan histogram, di mana distribusi
Ambil Data Gambar Uji Coba
nilai derajat keabuan pada suatu citra dibuat rata
Proses Greyscale
dan ditujukan untuk memperjelas gambar.
Step 6 : Proses Segmentasi, yaitu membagi
obyek menjadi segmen-segmen yang lebih kecil
Proses Histogram Equalisasi
sehingga diharapkan untuk pengolahan datanya
dapat menjadi lebih cepat. Dari hasil segmen ini
Proses Segmentasi
akan diperoleh gambar yang berukuran 37 x 37
Proses Normalisasi
piksel.
Step 7 : Proses Normalisasi, yaitu proses pada
nilai intensitas tiap segmen dari citra agar bernilai
Hitung nilai ouput gambar Y(x)
0 atau 1 dengan cara rata segmen dibagi dengan
tingkat greyscale yang paling tinggi.
Y(x) < Batas Maks
Range Output Normal
Step 8 : Menghitung nilai output jaringan Y(x).
Yes
Hasil: Otak
Normal
Step 9 : Melakukan pengecekan terhadap nilai
No
Y(x) apakah lebih kecil dari batas atas Y normal.
Hasil: Otak Stroke
infark
Step 10 : Cetak hasil analisa gambar, termasuk
otak normal (jika Y(x) lebih kecil dari batas atas
End
Y normal) dan otak infark (Jika Y(x) lebih besar
dari batas atas Y normal).
Gambar 8. Flowchart Uji Coba Aplikasi
HASIL DAN PEMBAHASAN
Digital Image Processing
Form image processing atau pengolahan
citra digunakan untuk mengolah data gambar
menjadi data akhir yang lebih sederhana yaitu
data matriks normalisasi yang terdiri dari angkaangka.
7
Radial Basis Function Training
Form RBF training digunakan untuk
melakukan pelatihan jaringan syaraf tiruan dari
inputan hasil normalisasi. Data normalisasi akan
dicluster terlebih dahulu dengan K-Means untuk
menghasilkan nilai centre 1 dan centre 2 yang
akan digunakan pada pelatihan jaringan syaraf.
Gambar 9. Tab Step 1 (Data Gambar Input dan
Greyscale)
Gambar 12. Tab Data (Input Matriks Normalisasi
dan Generate Centroid Awal)
Gambar 10. Tab Step 2 (Pengolahan Citra dari
Histogram hingga Equalization)
Gambar 13. Tab Cluster (Clustering dengan KMeans ke cluster 1 dan cluster 2)
Gambar 11. Tab Step 3 (Proses Segmentasi,
Matriks dan Vektor Normalisasi)
8
output Y(x) untuk gambar yang diuji coba. Y(x)
akan dibandingkan dengan batas bawah (minimal
value) dan batas atas (máximum value) untuk
memeperoleh
analisa
apakah
data
gambar
termasuk gambar otak normal atau otak stroke
infark. Kesimpulan hasil analisa akan muncul
pada groupbox Analisa JST-RBF.
Gambar 14. Tab RBF Step 1 (Proses Training
Radial Basis Function)
Gambar 16. Form Validasi (Proses Pengolahan
Citra dan Analisa)
SIMPULAN
Berdasarkan hasil evaluasi yang telah
Gambar 15. Tab RBF Step 2 (Proses Training
dilakukan dalam pembuatan Aplikasi Model
RBF hingga Matriks W)
Jaringan Syaraf Tiruan dengan Radial Basis
Function dapat disimpulkan bahwa Tugas Akhir
Validasi
telah sesuai dengan tujuan. Berikut adalah
Form validasi merupakan form uji coba
beberapa poin kesimpulan dari pengerjaan Tugas
data gambar. Inputan pada form ini adalah data
Akhir ini:
gambar otak yang akan diuji untuk dianalisa
1. Sistem telah berhasil menangani pengolahan
apakah termasuk otak normal atau otak infark.
citra dari proses input gambar hingga
Data gambar diolah terlebih dahulu yaitu melalui
normalisasi
proses
persamaan.
greyscale,
tresholding,
histogram
dengan
memakai
beberapa
equalization, dan segmentation. Output gambar
2. Sistem telah mengimplementasikan proses
dari segmentasi akan diolah menjadi matriks
pelatihan jaringan syaraf tiruan yang dimulai
normalisasi 37 x 37 kemudian menjadi vektor
dengan clustering dan kemudian dilatih
normalisasi
dengan metode RBF.
1
x
1369.
Kemudian
vektor
normalisasi akan dihitung menggunakan centroid
1 dan 2 hasil clustering, nilai spread, matriks W
dan bias, sehingga akan menghasilkan nilai
9
3. Sistem dapat melakukan validasi dengan
memberi input data gambar, kemudian sistem
akan memberikan estimasi hasil analisa.
4. Sistem RBF memiliki keunggulan dalam hal
kecepatan pelatihan karena tidak ada target
(http://www.yastroki.or.id/read.php?id=3
00, diakses 1 November 2010)
Yayasasan Stroke Indonesia. 2009. 2 Macam
Jenis Stroke dan Teknik Deteksi.
(Online),
(www.yastroki.or.id/read.php?id=205,
diakses 1 November 2010).
iterasi pada proses pelatihan (hanya 1 kali
jalan).
5. Data input memiliki peran penting, oleh
karena itu dibutuhkan data gambar tanpa
konversi signifikan dan dalam jumlah banyak
(misal >50 gambar).
DAFTAR RUJUKAN
Basuki,
Achmad.,
Jozua
Palandi,
Fatchurrochman. 2005. Pengolahan
Citra Menggunakan Visual Basic. Graha
Ilmu: Yogyakarta.
Hermawan, Arief. 2006. Jaringan Syaraf Tiruan,
Teori dan Aplikasi. Penerbit Andi:
Yogyakarta.
Joesoef, A.A. 2004. Aspek Biomolekuler dari
Iskemia Otak Akut. RSUD Dr. Soetomo,
Malang.
Kendall, K.E., Kendall, J.E. 2003. Analisis dan
Perancangan Sistem (Edisi Bahasa
Indonesia). PT. Prenhallindo: Jakarta.
Kuswara, Setiawan. 2003. Paradigma Sistem
Cerdas,
Artificial
Intelligence.
Bayumedia: Malang.
Mackay, David J.C. 2004. Information Theory,
Inference, and Learning Algorithms.
Cambridge Universisty Press.
Notosiswoyo, Mulyono dan Suswati, Susy. 2004.
Pemanfaatan
Magnetic
Resonance
Imaging sebagai Sarana Diagnosa
Pasien. Media Litbang Kesehatan
Volume XIV Nomer 3.
Russell, Stuart, Peter Norvig. 2003. Artificial
Intelligence A Modern Approach (second
edition). Person Education, Inc: New
Jersey.
World
Health
Organization.
2010.
Cardiovaskuler Disease : prevention and
control,(Online),
(http://www.who.int/dietphysicalactivity/
publications/facts/cvd/en , diakses 1
November 2010).
Yayasasan Stroke Indonesia. 2009. Stroke Urutan
Ketiga Penyakit Mematikan. (Online),
10