identifikasi awal penyakit tuberculosis berdasarkan pengolahan

Tugas Akhir - 2012
IDENTIFIKASI AWAL PENYAKIT TUBERCULOSIS BERDASARKAN
PENGOLAHAN CITRA DIGITAL PADA FOTO RONTGEN PARU MANUSIA
BERBASIS JARINGAN SYARAF TIRUAN ELM (EXTREME LEARNING MACHINE)
Danika Trientin¹, Achmad Rizal², Suryo Adhi Wibowo³
¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
Abstrak
Deteksi penyakit tuberculosis dilakukan melalui beberapa tahap, diantaranya melalui
pemeriksaan citra X-ray paru. Namun, ternyata masih terdapat beberapa kesulitan dalam
pendeteksian penyakit tuberculosis, terutama dalam menganalisis hasil foto X-ray paru. Analisis
yang dilakukan selama ini dapat dikatakan subjektif, karena masih mengandalkan subjek yang
menilai, dalam hal ini ahli medis. Dari permasalahan tersebut, maka diperlukan adanya suatu
sistem analisis berbasis komputasi, sehingga hasil yang diperoleh lebih akurat dan objektif.
Pada tugas akhir ini dilakukan pre-processing citra, yang terdiri atas operasi morfologi, cropping,
dan normalisasi. Proses selanjutnya adalah proses ekstraksi ciri menggunakan metode
Transformasi Wavelet, histogram, deteksi tepi, dan Spektrum Fourier, kemudian klasifikasi
menggunakan jaringan syaraf tiruan ELM (Extreme Learning Machine).
Dari hasil pengujian diperoleh tingkat akurasi identifikasi adalah 100% untuk data latih dan
100% dengan waktu komputasi 15.418078 detik untuk data uji
Kata Kunci : Tuberculosis, citra X-ray paru, pre-proccessing citra, Extreme Learning Machine
Abstract
Tuberculosis disease is determined by some steps, one of them is from lung‟s X-ray image.
However, there are still some difficulties in the detection of tuberculosis disease, especially in
analyzing the results of X-ray images. The analysis conducted so far can be said to be subjective,
because it still relies on the subject of the judge, in this case is a medical expert. Thus, there is a
need for computer vision-based system to get the better result.
This final task through pre-processing which consists of morphological operations, cropping, and
normalization. Next step is feature extraction using Wavelet transform, histogram, edge
detection, and Spectrum Fourier, and classification using artificial neural network ELM (Extreme
Learning Machine).
From the test result, the accuracy rate is 100% for training data and 100% with computation time
15.418078 seconds for test data.
Keywords : Tuberculosis, lung‟s X-ray image, image pre-proccessing, Extreme Learning Machine
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
BAB I
PENDAHULUAN
1.1
Latar Belakang
Paru-paru merupakan salah satu organ yang penting dalam tubuh manusia.
Paru-paru berfungsi sebagai organ pernafasan (respirasi) dan berhubungan dengan
sistem peredaran darah (sirkulasi) manusia. Penyakit paru merupakan salah satu
penyebab tingginya angka kematian, karena keterlambatan deteksi penyakit tersebut.
Penyakit paru dapat disebabkan oleh beberapa hal, yaitu terhirupnya virus pembawa
penyakit paru, adanya benda-benda asing yang masuk ke dalam paru, genetika, serta
penyebab lainnya. Penyakit yang ditimbulkan pun bermacam-macam, diantaranya
kanker paru, tuberculosis, asma, efusi pleura, tumor, dll.
Tuberculosis merupakan salah satu jenis penyakit paru yang cukup berbahaya,
bahkan dianggap sebagai penyakit mematikan nomor 2 setelah penyakit jantung.
Selama ini, salah satu hal yang menyebabkan tuberculosis menjadi penyakit yang
mematikan adalah karena keterlambatan diagnosis penyakit tersebut, sehingga
tuberculosis baru terdeteksi setelah memasuki tingkat yang cukup kronis.
Dalam melakukan diagnosis tuberculosis, dilakukan beberapa tes, antara lain
pemeriksaan BTA (Basil Tahan Asam) positif pada pemeriksaan dahak secara
mikroskopis, pemeriksaan foto X-ray paru, analisis anamnesis (riwayat penyakit,
keluhan), tes Mantoux untuk mengetahui apakah pernah terinfeksi atau belum
(terutama pada anak-anak), serta pemeriksaan laju endap darah.
Salah satu teknik diagnosis yang paling sering digunakan adalah melalui
pemeriksaan X-ray paru. Setiap penyakit paru memiliki ciri dan pola yang berbedabeda, begitu pula dengan tuberculosis. Selama ini, diagnosis yang dilakukan masih
sangat tergantung pada subjek yang melakukan diagnosis, sehingga terkesan
subjektif.
Sebelumnya telah dilakukan penelitian tentang deteksi beberapa penyakit paru,
salah satunya adalah tuberculosis oleh Elly Matul Imah[6]. Namun, akurasi yang
diperoleh masih belum memuaskan, yaitu sekitar 63%. Penelitian tersebut
menggunakan algoritma jaringan syaraf tiruan Learning Vector Quantization (LVQ).
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
Pada tugas akhir ini dilakukan diagnosis awal penyakit tuberculosis yang
dilihat melalui citra X-ray paru dengan berbasis pengolahan citra digital dengan
menggunakan jaringan syaraf tiruan Extreme Learning Machine (ELM). Citra X-ray
yang diperoleh terlebih dahulu melalui proses pre processing, yaitu menghilangkan
noise citra, dan membagi daerah citra menjadi beberapa bagian. Setelah itu dilakukan
proses ekstrasi ciri agar pola yang ada pada citra X-ray dapat terlihat dengan jelas.
Selanjutnya dilakukan klasifikasi dengan menggunakan jaringan syaraf tiruan sesuai
dengan input dari citra rontgen yang telah mengalami proses ekstraksi ciri. Dari hasil
klasifikasi itulah dapat diambil kesimpulan apakah citra X-ray tersebut mendukung
penyakit tuberculosis atau tidak
1.2
Tujuan
Tujuan tugas akhir ini dapat dirumuskan sebagai berikut.
1. Merancang sistem identifikasi awal penyakit tuberculosis berbasis komputasi.
2. Mengindentifikasi awal penyakit tuberculosis melalui citra X-ray paru manusia.
3. Menganalisis performansi sistem berdasarkan tingkat akurasi dan waktu
komputasi yang diperoleh.
1.3
Perumusan Masalah
Berdasarkan latar belakang yang ada, maka ada beberapa perumusan masalah yang
dapat dirumuskan, yaitu:
1. Bagaimana melakukan pre-processing citra X-ray paru dengan menggunakan
MATLAB.
2. Bagaimana melakukan ekstraksi ciri pada citra X-ray paru dengan beberapa
metode untuk mengetahui pola penyakit tuberculosis yang terdapat pada citra Xray paru.
3. Bagaimana melakukan identifikasi sesuai dengan pola yang sudah ada untuk
menentukan apakah pada citra X-ray paru tersebut terdapat pola khusus penyakit
tuberculosis.
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
1.4
Batasan Masalah
Dalam tugas akhir ini, terdapat batasan masalah dari permasalahan yang ada, yaitu:
1. Data citra yang dipakai merupakan hasil digitasi foto X-ray paru dengan format
*jpeg, format warna grayscale dan ukuran 512 x 512 setelah di-resize.
2. Output yang dihasilkan hanya berupa identifikasi awal mengenai ada atau
tidaknya penyakit tuberculosis, tidak sampai pada tingkat keparahan penyakit
tuberculosis yang diderita.
3. Penelitian dilakukan secara non-realtime.
4. Software yang digunakan dalam penelitian ini adalah Matlab R2009A.
5. Parameter jaringan syaraf tiruan yang digunakan adalah menggunakan epoh =
100.
6. Ciri yang dilihat pada citra X-ray paru berupa infiltrat halus yang berada di bagian
atas paru-paru.
7. Citra X-ray paru diambil dari file RS Imanuel Bandung.
1.5
Metodologi Penelitian
Metode yang dipakai dalam tugas akhir ini adalah sebagai berrikut.
1. Pengambilan Data
Data yang diambil berupa data citra X-ray paru asli, baik data X-ray paru yang
sehat maupun yang terdiagnosis penyakit tuberculosis.
2. Perancangan Sistem
Melakukan perancangan sistem yang meliputi: proses perbaikan citra X-ray paru
melalui tahap pre-proccessing citra, menentukan ciri citra dengan metode
ekstraksi ciri, dan melakukan proses klasifikasi dengan sistem pembelajaran
jaringan syaraf tiruan Extreme Learning Machine.
3. Pengolahan dan Analisis Data
Data yang diperoleh berupa X-ray paru yang sudah didigitasi. Data yang telah
diperoleh (X-ray paru yang telah didigitasi) diolah dan dianalisis agar diperoieh
data yang dapat digunakan dalam algoritma ELM (Extreme Learning Machine)
dengan menggunakan software MATLAB.
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
1.6
Sistematika Penulisan
Penulisan tugas akhir ini terdiri dari beberapa topik bahasan yang disusun sebagai
berikut:
Bab I
Pendahuluan
Bab pendahuluan berisi tentang latar belakang, tujuan, perumusan masalah,
batasan masalah, metodologi penelitian serta sistematika penulisan.
Bab II
Dasar Teori
Pada bab ini dijelaskan mengenai paru-paru, penyakit tuberculosis, citra
digital, konsep pengolahan citra, ekstraksi ciri citra, dan jaringan syaraf
tiruan ELM (Extreme Learning Machine).
Bab III Model Sistem
Pada bab ini dijelaskan mengenai proses perancangan sistem yang
digunakan sebagai aplikasi identifikasi penyakit tuberculosis.
Bab IV Pengujian Sistem dan Analisis
Pada bab ini dijelaskan mengenai pengujian sistem dan analisis terhadap
hasil penelitian, meliputi pengujian ciri dari hasil segmentasi, dan pengujian
parameter pada jaringan syaraf tiruan ELM (Extreme Learning Machine).
Bab V Penutup
Bab ini berisi kesimpulan dari hasil Tugas Akhir dan saran untuk
pengembangan-pengembangan lebih lanjut.
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
BAB V
PENUTUP
5.1 Kesimpulan
Dari hasil pengujian dan analisis yang telah dilakukan pada sistem deteksi
tuberculosis, maka dapat diambil beberapa kesimpulan sebagai berikut :
1. Pada proses pre-proccesing, diperlukan pemilihan proses yang tepat agar data yang
benar-benar diperlukan atau informasi yang seharusnya di ambil tidak hilang.
Penetapan nilai threshold citra juga akan memberikan pengaruh yang cukup besar
apabila ternyata threshold yang dipakai kurang sesuai.
2. Perubahan jumlah neuron pada jaringan syaraf tiruan ELM tidak memberikan pengaruh
yang signifikan terhadap hasil pengujian yang diperoleh. Hasil yang dikeluarkan baik
untuk akurasi maupun untuk waktu komputansi terlihat random, atau bisa dikatakan
tidak memiliki pola khusus.
3. Perubahan jumlah neuron tidak mempengaruhi waktu learning JST, karena proses
learning hanya perlu membaca nilai ciri yang sebelumnya telah dideretkan menjadi
matriks.
4. Performansi JST ELM terbaik diperoleh dengan menggunakan metode deteksi tepi
Roberts, dengan threshold tepi sebesar 0,01, nilai epoh pada jaringan = 100, learning
rate=0,05, dan MSE= 10-10 , jumlah neuron=80, yaitu dengan menghasilkan tingkat
akurasi sebesar 100% dengan waktu komputansi = 15.418078 detik untuk 20 data uji
atau sekitar 0,7709039 detik untuk tiap data.
5.2 Saran
Penelitian lebih lanjut diharapkan dapat memperbaiki kekurangan yang ada dan
diharapkan dapat mengembangkan apa yang telah dilakukan pada penelitian ini. Adapun
saran untuk pengembangan tugas akhir selanjutnya adalah :
1. Penggunaan data latih dan data uji yang lebih banyak agar sistem dapat mengenali
variasi data pada masing-masing kelas citra.
2. Menggunakan algoritma pre-processing yang lebih baik sehingga mengurangi
kesalahan dalam pengambilan citra yang akan menjadi masukan ekstraksi ciri.
3. Pengembangan melalui penggunaan metode ekstraksi ciri yang lebih kompleks,
sehingga nilai ciri yang diperoleh akan lebih baik..
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
4. Perlu dikembangkan menjadi bentuk sistem yang real-time dan dapat diaplikasikan
dalam suatu produk.
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
DAFTAR PUSTAKA
[1] Ahmad, Usman. (2005). Pengolahan Citra Digital & Teknik Pemrogramannya.
Yogyakarta:Graha Ilmu.
[2] Departemen
Kesehatan
Republik
Indonesi.
(2002).
Pedoman
Nasional
[Online].
Tersedia:
Penanggulangan Tuberculosis. Jakarta.
[3] Eliyani.
(2005).
Pengantar
Jaringan
Syaraf
Tiruan.
http://MateriKuliah.com [20 Maret 2011]
[4] Gomathi, M and P. Thangaraj. (2010). A Computer Aided Diagnosis System for
Detection of Lung Cancer Nodules Using Extreme Learning Machine. International
Journal of Engineering Science and Technology:2.
[5] Huang, Guang-Bin (dkk). (2005). Extreme Learning Machine: Theory and
Applicarion.
School
of
Electrical
and
Electronic
Engineering.
Nanyang
Technological University. Singapore.
[6] Imah, Elly Matul. (2010). Deteksi Jenis Penyakit Paru Berdasarkan Image Rontgen
Dengan Algoritma LVQ. Mathematics Undergraduate Thesis. Institut Teknologi
Sepuluh November. Surabaya.
[7] Li, Kang (dkk). (2010). Compact Extreme Learning Machine for Biological Systems.
School of Electronics, Electrical Engineering and Computer Science. Queen‟s
University Belfast. United Kingdom:3
[8] Li, Ming-Bin (dkk). (2005). Fully Complex Extreme Learning Machine. School of
Electrical and Electronics Engineering. Nanyang Technological University.
Singapore.
[9] Munir, Rinaldi. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik.
Bandung: Infomatika.
[10] Perhimpunan Dokter Paru Indonesia. (2006). Tuberculosis, Pedoman Diagnosis dan
Penatalaksanaan di Indonesia. Jakarta:Indah Offset Citra Grafika.
[11] Purnomo, Mauridhi Herry dan Arif Muntasa. (2010). Konsep Pengolahan Citra
Digital dan Ekstraksi Fitur. Yogyakarta:Graha Ilmu.
Fakultas Teknik Elektro
Program Studi S1 Teknik Telekomunikasi
Tugas Akhir - 2012
[12] Purnomo, Mauridhi Herry (dkk). (2003). Pulse Coupled Neural Network for
Identifying The Tuberculosis on Human Lung. Department of Electrical Engineering.
Institut Teknologi Sepuluh November. Surabaya:44.
[13] Putra, Darma. (2010). Pengolahan Citra Digital. Yogyakarta: Andi.
[14] Rasad, Sjahriar. (2010). Radiologi Diagnostik. (edisi kedua). Jakarta:Balai Penerbit
FKUI.
[15] Saksono,
Hanung Tyas. (2010).
Pendeteksian Kanker Paru-paru dengan
Menggunakan Transformasi Wavelet dan Metode Linear Discriminant Analysis.
Fakultas Elektro dan Komunikasi. Institut Teknologi Telkom. Bandung:9.
[16] Sutoyo, T., S.Si, MKom. (dkk). (2009). Teori Pengolahan Citra Digital.
Yogyakarta:Andi.
[17] Tabrani, Rab, Prof. Dr. H. (2010). Ilmu Penyakit Paru. Jakarta: Trans Info Media.
[18] Triawati Prihatsari Purwanto. (2011). Penatalaksanaan Kanker Paru-paru. [Online].
Tersedia:
http://www.harianjoglosemar.com/berita/penatalaksanaan-kanker-paru-paru-
49642.html. [25 Juli 2011].
[19] Wardana, I Made Kusuma. (2010). Klasifikasi Jenis Makanan Burung Berdasarkan
Bentuk Paruh dan Kaki dengan Menggunakan Transformasi Wavelet Diskrit dan
Jaringan Saraf Tiruan. Institut Teknologi Telkom. Bandung.
[20] Wijaya, Martin CH dan Agus Prijono. (2007). Pengolahan Citra Digital
Menggunakan Matlab Image Proccessing Toolbox. Bandung:Informatika.
[21] Zhang, Runxuan (dkk). (2007). Multicategory Classification Using an Extreme
Learning Machine formicroarray Gene Expression Cancer Diagnostic. IEEE/Acm
Transactions on Computational Biology and Bioinformatics: 4.
Fakultas Teknik Elektro
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Telekomunikasi