14 BAB 4 ΜΕΤΟDOLOGI PEMECAHAN MASALAH DAN PERANCANGAN 4.1 Model Rumusan Masalah dan Pengambilan Keputusan Pada penelitian yang dilakukan oleh penulis, bentuk kontur tengkorak dianggap sebagai sebuah gelombang cyclic. Dengan menerapkan teori Fourier, gelombang cyclic kemudian dipisahkan menjadi fungsi-fungsi trigonometri. Garis kontur bentuk dahi dianggap sebagai suatu jumlah keseluruhan dari banyak titik pada suatu koordinat kartesius. Titik asal berada pada titik nasion, sumbu X berada pada garis yang menghubungkan titik nasion dan titik bregma. Sedangkan sumbu Y berada pada garis yang berawal di titik nasion. Gambar 4.1 memperlihatkan letak titik nasion, titik bregma, dan sumbu-sumbu koordinat. Gambar 4.1 – Sumbu koordinat tempat garis kontur dahi 15 Gambar 4.2 – titik-titik sampel (x0 dan y0) hingga (x31 dan y31) Tanpa merubah bentuk dahi, diambil 32 titik sampel (X0, Y0) sampai (X31, Y31), pada suatu interval yang sama (lihat Gambar 4.2) sehingga gelombang cyclic yang diekpresikan sebagai urutan dari 32 titik dideskripsikan sebagai basis analisis Fourier dengan menggunakan persamaan (Pers) 1 atau Pers. 2. (1) 16 ⎛ 2πix ⎞ 16 ⎛ 2πix ⎞ a 0 + ∑ ai cos⎜ ⎟ + ∑ bi sin ⎜ ⎟ ⎝ 32 ⎠ i =1 ⎝ 32 ⎠ i =1 (2) 16 ⎡ ⎞⎤ ⎛ 2πix + θi ⎟⎥ a 0 + ∑ ⎢ci sin ⎜ ⎝ 32 ⎠⎦ i =1 ⎣ Dengan jumlah titik posisi fungsi sama dengan 16 untuk masing-masing fungsi sinus dan cosinus, Pers 1 akan menghasilkan 33 konstanta, yaitu a0, a1, a2, … , a16, dan b1, b2, … , b16. Ke-32 konstanta, a1, a2, … , a16 dan b1, b2, … , b16, menyatakan bahwa terdapat 32 amplitudo gelombang fungsi trigonometri yang melalui 32 titik sampel. Jumlah amplitudo sebanyak 32 buah dianggap sudah cukup banyak bagi suatu fungsi trigonometri. 16 a0 dan c1 sampai dengan c16 disebut amplitudo-amplitudo harmonik, dan dihitung dengan Pers.3 sampai Pers.6. a0 menunjukan nilai rata-rata dari y1 sampai y31, dan menunjukan keseluruhan besaran dari dahi. c1 sampai c16 menunjukan derajat lekukan dari bentuk kontur. Dengan cara ini, pada setiap gelombang dihasilkan 17 nilai (a0 dan c1 sampai c16). φ1 sampai φ16 disebut sudut fase, namun pada penelitian yang dilakukan penulis, sudut fase tidak digunakan. (3) a0 = 1 31 ∑ yj 32 j =1 (4) ai = 1 31 ⎡ ⎛ 2πij ⎞⎤ yj cos⎜ ⎟⎥ ∑ ⎢ 32 j =1 ⎣ ⎝ 32 ⎠⎦ (i = 1…16) 1 31 (4’) a16 = ∑ [yj cos(πj )] 32 j =1 (5) bi = 1 31 ⎡ ⎛ 2πij ⎞⎤ yj sin ⎜ ⎟⎥ ∑ ⎢ 32 j =1 ⎣ ⎝ 32 ⎠⎦ (i = 1…16) (5’) b16 = 0 + bi 2 ) (i = 1…16) θι = arctan⎜ ⎛ ai ⎞ ⎟ ⎝ bi ⎠ (i = 1…16) ⎛ ci ⎞ di = ⎜ ⎟ ⋅ 100 ⎝ ai ⎠ (i = 1…16) (6) ci = (7) (8) (ai 2 Nilai-nilai d yang dihasilkan oleh Pers 8 disebut normalized harmonic amplitudes. Nilai d dihitung untuk menghindari pengaruh besar tengkorak pada saat menganalisis bentuk tengkorak. 17 4.2 Teknik Pengumpulan Data dan Penentuan Parameter Data yang dikumpulkan berupa hasil scanned dari foto rontgen bagian kepala manusia (cephalometry) yang terdiri dari kasus pada laki-laki maupun perempuan. Jumlah pengambilan data yang diambil hanyalah sebagian dari elemen anggota populasi, oleh karena itu cara pengumpulan datanya dapat dikatakan sebagai cara sampling. Ukuran sampel data yang diambil sebanyak 20 data untuk masing-masing jenis kelamin, yaitu laki-laki dan perempuan. Karena ini syarat minimum ukuran sampel yang bisa dikatakan mewakili suatu populasi. Proses penelitian ini, dimulai dengan menganalisis sampel dengan metode analisis Fourier, untuk mendapatkan nilai normalized harmonic amplitudes. Data ini harus diteliti lebih lanjut untuk mendapatkan koefisien fungsi diskriminan linear dan kemudian diperoleh nilai fungsi diskriminan linear. Proses tersebut menggunakan Analisis Diskriminan dan Uji statistik T2-Hotteling 4.2.1 Analisis Diskriminan Pada penelitian yang akan dilakukan oleh penulis, populasi induk yang akan diuji adalah sejumlah bentuk dahi manusia pada citra cephalometry, yang terbagi atas 2 kelompok, yaitu populasi laki-laki dan populasi perempuan. Dari masing-masing populasi diambil secara acak contoh berukuran 20. Dengan demikian ukuran sampel secara keseluruhan dari populasi laki-laki dan perempuan adalah 20 + 20 = 40 dengan 16 buah sifat yang didapat dari nilai normalized harmonic amplitudes. (9) ⎛ c (i ,k ) ⎞ d (i ,k ) = ⎜ ⎟ ⋅ 100 ⎝ a (i ,k ) ⎠ 18 i = angka suatu titik posisi dari fungsi ( 1..16 ) k = jumlah sampel yang diuji ( 1 .. 40 ) Dalam bentuk catatan matriks dapat dinyatakan sebagai berikut: Tabel 4.1 Matriks sampel yang diuji ⎡ d (1,1) d (1,2) d (1,3) L d (1,40) ⎤ ⎢ d (2,1) d (2,40) ⎥⎥ O ⎢ ⎢ M ⎥ O M ⎢ ⎥ O M ⎢ M ⎥ ⎢⎣d (16,1) d (16,2) d (16,3) L d (16,40)⎥⎦ Dari k sampel yang diamati, dapat diperoleh nilai rata-rata V1, V2, … , V16. Tabel 4.2 Nilai rata-rata kelompok untuk 16 variabel Variabel Laki-laki ( 20 sampel ) Perempuan ( 20 sampel ) V1 ∑ d (1,k ) = V (1,1) k =1 20 d (1,k ) = V (1, 2 ) k = 21 20 V2 d ( 2,k ) = V ( 2,1) ∑ k =1 20 d ( 2,k ) = V ( 2, 2 ) k = 21 20 M M M V16 20 20 d (16,k ) = V (16,1) ∑ 20 k =1 20 40 ∑ 40 ∑ d (16,k ) = V (16, 2 ) k = 21 20 40 ∑ Tabel 4.3 Matriks rata-rata kelompok Laki-laki ⎡ V (1,1) ⎤ ⎢ ⎥ V ( 2,1) ⎥ ⎢ V1 = ⎢ M ⎥ ⎢ ⎥ ⎣⎢V (16,1) ⎦⎥ 19 Tabel 4.4 Matriks rata-rata kelompok Perempuan ⎡ V (1, 2 ) ⎤ ⎥ ⎢ V ( 2, 2 ) ⎥ ⎢ V2 = ⎢ M ⎥ ⎥ ⎢ ⎢⎣V (16, 2 ) ⎥⎦ Berdasarkan matriks pada tabel 4.1, dapat ditentukan matriks ragam-peragam (variance-covariance), dengan cara menurunkan rumus umum variance (pers. 10) kedalam rumus yang disesuaikan dengan kasus 2 kelompok (pers. 10’) dan akhirnya diperoleh rumus untuk penelitian ini (pers.11 dan pers. 12) ⎡ n 2⎤ ⎢∑ Xp − X ⎥ p =1 ⎦ (10) S 2 = ⎣ (n − 1) ( ) 2 ⎡ n ⎛ n ⎞ ⎤ 2 n X − Xp p ⎜∑ ⎟ ⎥ ⎢ ∑ ⎝ p =1 ⎠ ⎥⎦ ⎢⎣ p =1 2 (10’) S = n(n − 1) ⎡ n ⎞⎤ ⎛ n ⎞⎛ n ⎢n∑ X (i , p ) X (q , p ) − ⎜ ∑ X (i , p ) ⎟⎜ ∑ X (q , p ) ⎟⎥ ⎝ p =1 ⎠⎝ p =1 ⎠⎦ p =1 (11) S ( i ,q ) 2 = ⎣ n(n − 1) (12) S ( i ,q ) = S ( i ,q ) 2 S = nilai peragam sampel i = angka suatu titik posisi dari fungsi ( 1..16 ) q = angka suatu titik posisi dari fungsi ( 1..16 ) Jika i = q maka hasil S(i,q) merupakan nilai ragam (variance), dan jika nilai i ≠ q maka S(i,q) merupakan nilai peragam (covariance). Sehingga diperoleh matriks peragam sampel gabungan, sebagai berikut: 20 Tabel 4.5 Matriks peragam sampel gabungan ⎡ S (1,1 ) ⎢ S (2 ,1 ) ⎢ SG = ⎢ M ⎢ M ⎢ ⎢⎣ S (16 ,1 ) S (1, 2 ) S (1, 3 ) L O O O S (16 , 2 ) S (16 , 3 ) L S (1,16 ) ⎤ S (2 ,16 ) ⎥⎥ ⎥ M ⎥ M ⎥ S (16 ,16 )⎥⎦ 4.2.2 Uji Statistik T2-Hotteling Sebelum membangun fungsi diskriminan, kita perlu melakukan pengujian perbedaan vektor nilai rata-rata dari kedua populasi untuk mengetahui apakah ada nilai rata-rata dari sifat yang dipelajari itu yang berbeda secara statistik. Untuk menguji perbedaan vektor nilai rata-rata diantara dua populasi dapat menggunakan statistik T2-Hotteling. Pengujian perbedaan vektor nilai rata-rata diantara dua populasi dilakukan dengan jalan merumuskan hipotesis berikut : Tabel 4.6 Hipotesis uji statistik T2-Hotteling Ho : T1 = T2 : artinya vektor nilai rata-rata dari populasi lakilaki sama dengan dari populasi perempuan H1 : T1 ≠ T2 : artinya kedua vektor nilai rata-rata itu berbeda Pengujian terhadap hipotesis (Tabel 4.6 ) dilakukan dengan menggunakan uji statistik T2-Hotteling yang dirumuskan, sebagai berikut : ( ) ( ′ n1n 2 V 1 − V 2 × S −1 × V 1 − V 2 n1 + n 2 (13) T 12 = (14) Fα ; p1; p 2 ) berdasarkan interpolasi linear dari Tabel Distribusi F dengan : α = taraf normal ( dipilih α = 0.05 ) p1 = i = 16 (banyaknya variabel pembeda sifat V) 21 p2 = n1 + n2 – i – 1 = 20 + 20 – 16 – 1 = 23 (15) T 22 = (n1 + n 2 − 2)i × Fα ; p1; p 2 n1 + n 2 − i − 1 Apabila nilai T12 > T22, maka tolak H0. Sehingga dapat disimpulkan bahwa kedua vektor nilai rata-rata yang diuji berbeda nyata pada taraf nyata α. dan ini berarti penelitian bisa dilanjutkan dengan perhitungan fungsi diskriminan. 4.2.3 Fungsi Diskriminan Linear Fungsi diskriminan yang mencirikan perbedaan sifat-sifat yang dipelajari dapat dibangun apabila telah diketahui adanya perbedaan diantara kedua kelompok populasi, melalui statistik T2-Hotteling. Fungsi diskriminan linear dibangun berdasarkan koefisien-koefisien fungsi diskriminan yang dapat diperoleh melalui persamaan berikut : (16) ⎡ e1 ⎤ ⎢ e2 ⎥ ′ ⎢ ⎥ = V 1 − V 2 × S −1 ⎢M⎥ ⎢ ⎥ ⎣e16 ⎦ ( ) Dengan demikian dapat dibentuk model fungsi diskriminan linear dan dihasilkan nilai fungsi diskriminan linear sebagai penentu jenis kelamin manusia yang menjadi tujuan utama penelitian ini. Persamaan fungsi diskriminan linear adalah sebagai berikut : (17) ∧ 16 Yk = ∑ ei × d ( i ,k ) i =1 22 (17’) ∧ Yk = e1 × d (1,k ) + e 2 × d ( 2,k ) + K + e16 × d (16,k ) i = angka suatu titik posisi dari fungsi ( 1..16 ) k = jumlah sampel yang diuji ( 1 .. 40 ) ∧ Yk = nilai fungsi diskriminan linear pada sampel ke- k ei = koefisien fungsi diskriminan linear ke- i d ( i ,k ) = normalized harmonic amplitudes masing-masing sebanyak i pada setiap sampel yang berjumlah k 4.3 Perancangan Program Pemecahan Masalah 4.3.1 Borland Delphi Menurut StrawberryFrog (2001), Borland Delphi versi 1.0 pertama kali diperkenalkan pada hari Valentine tahun 1995. Pada waktu itu, development environtment yang banyak digunakan Microsoft Windows adalah Microsoft Visual Basic dan Microsoft C++. Pembuatan Borland Delphi bertujuan untuk memberikan kemudahan kepada para programmer dalam membuat program secara visual, dengan cara menggabungkan kemudahan penggunaan environtment dari Visual Basic dan ketangguhan dari object oriented milik Microsoft C++. Arsitek utama dari 3 versi pertama Borland Delphi adalah Anders Hejsberg. Setelah itu dia bergabung dengan Microsoft dan menciptakan suatu set class untuk java yang disebut WFC (Windows Foundation Classes). Project selanjutnya adalah bahasa C#, yang mirip dengan Java tapi menggunakan beberapa ide yang bergaya Delphi. 23 4.3.2 Perancangan Layar Penulis merancang program yang terdiri atas 1 menu utama (Home) yang dapat terhubung dengan 3 menu khusus ( Password, Training dan Recognize ). Program ini dibuat dengan piranti lunak Borland Delphi versi 7.0 . A. Rancangan Layar Menu Home Gambar 4.3 – Rancangan Layar Menu Home Keterangan yang terdapat pada tampilan layar tersebut adalah sebagai berikut . • Judul form dengan tulisan ’Program Komputer Aplikasi Penentuan Jenis Kelamin Manusia Dewasa Berdasarkan Bentuk Dahi Pada Citra Cephalometry’. 24 • Tombol ’Training’ memiliki fungsi untuk membuka layar menu khusus Training. Namun sebelum itu, layar menu Password akan terbuka. • Tombol ’Recognize’ memiliki fungsi untuk membuka layar menu khusus Recognize. • Terdapat keterangan mengenai identitas penulis, tujuan penulisan, dan dosen pembimbing dari penulis. • Tombol dengan tanda ’X’ disebelah kanan bawah layar memiliki fungsi untuk keluar dari program. B. Rancangan Layar Menu Password Gambar 4.4 – Rancangan Layar Menu Password Keterangan yang terdapat pada tampilan layar tersebut adalah sebagai berikut . • Terdapat label ’User Name’ dan kotak disampingnya untuk masukan nama dari user yang menjalankan program aplikasi. • Tersedia label ’Password’ dan kotak disampingnya untuk masukan password dari user yang ingin dan diijinkan menjalankan Training. • Tombol ’Cancel’ berfungsi untuk membatalkan proses menjalankan Training, sehingga akan muncul kembali menu Home. • Tombol ’OK’ berfungsi untuk menilai benar atau tidak ’User Name’ dan ’Password’ yang baru dimasukkan, kemudian jika benar menu Training akan ditampilkan. 25 C. Rancangan Layar Menu Training Gambar 4.5 – Rancangan Layar Menu Training Keterangan yang terdapat pada tampilan layar tersebut adalah sebagai berikut. • Pada bagian kiri bawah terdapat label ‘image ke’ dan sebuah kotak yang berfungsi untuk menghitung banyaknya image cephalometry yang telah dibuka dan diteliti. • Pada bagian ‘Proses’ tersedia 8 langkah, yang dapat dijalankan dengan menekan tombol yang dimiliki oleh masing-masing langkah. 1. Membuka image dan menampilkannya pada kotak ‘Image Cephalometry’ 2. Menyimpan koordinat titik Nasion dan Titik Bregma. 3. Tombol ini akan melakukan 3 hal, yaitu : ¾ Menghubungkan Titik Nasion dan Bregma dan menjadikan garis tersebut sebagai basis x ¾ Menampilkan bagian dahi pada kotak ’32 Titik Sampel’ ¾ Membagi daerah tersebut menjadi 32 bagian dari (X0, Y0) sampai (X31, Y31), kemudian menyimpan nilai tersebut 4. Mengolah nilai Y0 sampai Y31, untuk mendapatkan nilai ai, bi, c i, dan di . kemudian menampilkan kotak ’Normalized Harmonic Amplitudes’ nilai di pada 26 5. Menyimpan nilai di 6. Mengharuskan trainer untuk melibatkan data cephalometry sebanyak 40 buah (secara berurutan 20 laki-laki dan 20 perempuan), dengan mengulang langkah 1 – 6. 7. Mengolah nilai-nilai di untuk mendapatkan nilai ei dan Yk, kemudian menampilkannya pada kotak ‘Koefisien Fungsi Diskriminan’ dan ‘Nilai Fungsi Diskriminan’. 8. Hitung range Y1 – Y20 dan Y21 – Y40 dan menampilkannya pada kotak ‘Kesimpulan’. • Pada kanan bawah terdapat tombol ‘Back to Home’ untuk kembali ke layar menu ‘Home‘ dan tombol dengan tanda ’X’ memiliki fungsi untuk keluar dari program. D. Rancangan Layar Menu Recognize Gambar 4.6 – Rancangan Layar Menu Recognize Keterangan yang terdapat pada tampilan layar tersebut adalah sebagai berikut. • Pada bagian ‘Proses’ tersedia 6 langkah, yang dapat dijalankan dengan menekan tombol yang dimiliki oleh masing-masing langkah, yaitu : 27 1. Membuka image dan menampilkannya pada kotak ‘Image Cephalometry’ 2. Menyimpan koordinat titik Nasion dan Titik Bregma 3. Tombol ini akan melakukan 3 hal, yaitu : ¾ Menghubungkan Titik Nasion dan Bregma dan menjadikan garis tersebut sebagai basis x ¾ Menampilkan bagian dahi pada kotak ’32 Titik Sampel’ ¾ Membagi daerah tersebut menjadi 32 bagian dari (X0, Y0) sampai (X31, Y31), kemudian menyimpan nilai tersebut 4. Tombol ini akan melakukan 2 hal, yaitu : ¾ Mengolah nilai Y0 sampai Y31, untuk mendapatkan nilai ai, bi, ci, dan di. kemudian menampilkan nilai di pada kotak ’Normalized Harmonic Amplitudes’. ¾ Menampilkan nilai ei pada kotak ‘Koefisien Fungsi Diskriminan’ 5. Menghitung nilai Yk dan menampilkannya pada kotak ‘Nilai Fungsi Diskriminan’. 6. Membandingkan nilai Yk dengan range penentu jenis kelamin, yang merupakan hasil training. Kemudian menampilkan hasilnya pada kotak ‘Kesimpulan’. • Pada kanan bawah terdapat tombol ‘Back to Home’ untuk kembali ke layar menu ‘Home‘ dan tombol dengan tanda ’X’ memiliki fungsi untuk keluar dari program. 4.3.3 Diagram Alir Diagram Alir merupakan alat bantu pemrograman. Bagan alir (flowchart) membantu programmer dalam mengorganisasikan pemikiran mereka dalam pemrograman, terutama bila dibutuhkan penalaran yang tajam dalam logika prosedur suatu program (Jones, 1980). 28 Simbol-simbol yang sering digunakan untuk diagram alir adalah sebagai berikut : 1. Proses • Berupa proses/ pengolahan, misalnya perhitungan • Untuk predefined process 2. Operasi Input / Output 3. Operasi Manual Input 4. Panah, menghubungkan antar komponen dan menunjukkan arah 5. Decision, berupa pertanyaan atau penentuan suatu keputusan 6. Terminal, untuk menandai awal atau akhir program 7. Preparation, untuk inisialisasi suatu nilai 8. Connector, sebagai penghubung dalam satu halaman 9. Off Page Connector, sebagai penghubung antar halaman 29 Gambar 4.7 – Perancangan Flowchart Proses Training 30 Gambar 4.8 – Perancangan Flowchart Proses Perhitungan Input Cephalometry 31 Gambar 4.9 – Perancangan Flowchart Proses Analisis Fourier 32 Gambar 4.10 – Perancangan Flowchart Proses Analisis Diskriminan 33 Gambar 4.11 – Perancangan Flowchart Proses Perhitungan Nilai S 34 Gambar 4.12 – Perancangan Flowchart Proses Perhitungan Nilai V 35 Gambar 4.13 – Perancangan Flowchart Proses Perhitungan Output Training 36 Gambar 4.14 – Perancangan Flowchart Proses Recognize 37 Gambar 4.15 – Perancangan Flowchart Proses Perhitungan Output Recognize