Available online at TRANSMISI Website TRANSMISI, 13 (1), 2011,

Transkripsi

1 Available online at TRANSMISI Website TRANSMISI, 13 (1), 2011, Research Article Deteksi Konisi Organ Pankreas Melalui Iris Mata Menggunakan Jaringan Syaraf Tiruan Metoe Perambatan Balik engan Pencirian Matriks Ko-Okurensi Aras Keabuan Arianto Eskapriana ), R. Rizal Isnanto 2, Imam Santoso 2 1. Mahasiswa Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang 2. Dosen Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang Abstract Iriology is the stuy of iris structure as a reflection of the organ conition an systems in the boy. In this stuy, the organ which etecte is pancreas. To etermine the conition of the pancreas through the iris, texture analysis an classification process to istinguish the iris of the eye that contains the conition of normal an abnormal pancreas is neee. The purpose of this stuy was to etect the conition of the pancreas through the iris using artificial backpropagation neural network with the gray level co-occurrence matrices (GLCM) characteristics. Application for the etection of pancreas conitions was mae using Matlab version 7.6 (R2008a). Inputs, which use in the stuy of the eye image, obtaine from expert iriolog with both normal an abnormal conitions of the pancreas. The image is then carrie out with iris localization process, ROI-making organ of the pancreas, an GLCM feature extraction. Results of feature extraction is use as input ata (training ata an test ata) for the artificial backpropagation neural network metho is then use to iagnose pancreatic organ conitions, ie normal or abnormal. GLCM features extraction base on testing for each characteristic texture are average, contrast, correlation, energy, entropy, an homogeneity for the group of normal training ata which are value of 3,217389, 0,233666, 0,632259, 0,575947, 1,379171, an 0, respectively, while for the group of abnormal training ata are 0,960503, 0,476226, 0,765723, 0,412549, 2,145339, an 0, respectively. Base on the results of the testing training ata, the program can make the correct iagnosis on the incoming ata with a success percentage of 95,8%. While base on test results of test ata, the program can make the correct iagnosis on the incoming ata with a success percentage of 75%. Keywor : iriology, pancreas, GLCM, artificial neural network, backpropagation. I. PENDAHULUAN 1.1 Latar Belakang Saat ini, penelitian yang berhubungan engan iris mata masih sebatas hanya untuk ientifikasi atau pengenalan (biometrik), paahal melalui iris mata apat iketahui konisi organ atau tingkat kesehatan ari seseorang berasarkan iriologi. Iriologi merupakan suatu ilmu yang mempelajari tana-tana yang terapat paa struktur jaringan iris mata sebagai refleksi konisi an berbagai organ tubuh an sistem yang aa i alam tubuh. Untuk melakukan ekstraksi ciri, metoe yang igunakan aalah Matriks Kookurensi Aras Keabuan (Grey Level Co-occurrence Matrices - GLCM). Hasil ari perhitungan ciri tersebut kemuian ijaikan masukan jaringan syaraf tiruan. Dalam Penelitian ini igunakan JST metoe Perambatan Balik. Dalam JST ini akan ilakukan proses klasifikasi untuk iris mata yang menganung pankreas yang normal an tiak normal 1.2 Tujuan Tujuan ari Penelitian ini aalah membuat suatu aplikasi yang apat igunakan untuk mengetahui konisi ari organ pankreas manusia melalui iris mata menggunakan Jaringan Syaraf Tiruan Metoe Perambatan balik an ekstraksi ciri metoe Matriks Ko-Okurensi Aras Keabuan (GLCM). 1.3 Batasan Masalah Penelitian ini membatasi masalah sebagai berikut : 1) Input citra bersifat offline. 2) Metoe ekstraksi ciri yang igunakan aalah metoe GLCM an menggunakan enam ciri statistik yaitu momen angular keua atau energi, entropi, kontras, homogenitas, korelasi, an rerata. 3) Masalah ifokuskan paa konisi organ pankreas manusia berasar paa peta mata (iriology chart) yang ikembangkan oleh Bernar Jensen. 4) Fungsi perhitungan galat (error) Jaringan Syaraf Tiruan metoe Perambatan Balik yang igunakan alam penelitian ini aalah MSE (Mean Square Error) an fungsi pelatihan jaringannya menggunakan metoe Penurunan Graien engan Momentum (traingm). II. DASAR TEORI 2.1 Iriologi Iriologi (Inggris: Iriology) aalah ilmu yang mempelajari pola an susunan serat paa iris mata. Melalui pengamatan an observasi secara empiris ini, para ahli iriologi menapati aanya pola-pola yang beraturan, yang menginikasikan aanya kelemahan fisik alam iri seseorang, karena orang-orang yang memiliki pola iris mata sama ternyata mengalami permasalahan kesehatan yang sama.

2 TRANSMISI, 13, (1), 2011, 34 Gambar 1. Peta mata. 2.2 Ekstraksi Ciri Menggunakan Matriks Kookurensi Aras Keabuan (Gray Level Co-occurrence Matrices - GLCM) GLCM iperoleh engan menghitung probabilitas hubungan ketetanggaan antara ua piksel paa jarak an orientasi suut tertentu. Langkah-langkah untuk membuat GLCM aalah sebagai berikut : 1) Membuat area kerja matriks, 2) Menentukan hubungan spasial piksel referensi engan piksel tetangga, 3) Menghitung jumlah kookurensi an mengisikannya paa area kerja, 4) Menjumlahkan matriks kookurensi engan transposenya untuk menjaikannya simetris, an 5) Normalisasi matriks. Setelah memperoleh matriks kookurensi tersebut, apat ihitung ciri statistik yang merepresentasikan citra yang iamati. Ciri atau fitur statistik GLCM antara lain sebagai berikut. a) Momen Angular Keua (Angular Secon Moment) ASM an Energi menyatakan ukuran konsentrasi pasangan engan intensitas keabuan tertentu paa matriks. ASM p 2 ( i, j) Energy ASM i j b) Kontras (Contrast) Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. 2 Con ( i j) p ( i, j) i j c) Korelasi (Correlation) Menunjukkan ukuran ketergantungan linear erajat keabuan citra. ijp ( i, j) x y Cor i j x y ) Rerata (Mean) Mean aalah rata-rata ari suatu sebaran nilai intensitas citra keabuan. N 1 i i P i, j i, j0 N 1 ; j j P i, j i, j0 e) Momen Selisih Terbalik (Inverse Different Moment) Disebut juga homogenitas. Menunjukkan kehomogenan citra yang bererajat keabuan sejenis. IDM 1 p ( i, j i j 1 ( i j) ) 2 f) Entropi (Entropy) Menunjukkan ukuran ketiakteraturan bentuk. En p ( i, j)log( p ( i, j)) i j 2.3 Jaringan Syaraf Tiruan Metoe Perambatan balik 1. Arsitektur Metoe Perambatan Balik Arsitektur jaringan syaraf tiruan metoe perambatan balik memiliki beberapa unit yang aa alam satu atau lebih lapisan tersembunyi. Gambar 2. Jaringan syaraf tiruan metoe perambatan balikengan ua lapisan tersembunyi 2. Fungsi Aktivasi Dalam metoe perambatan balik, fungsi aktivasi yang ipakai harus memenuhi beberapa syarat yaitu kontinu, teriferensial engan muah an merupakan fungsi yang tiak turun. a) Sigmoi Biner (Log-Sigmoi) Fungsi aktivasi sigmoi biner memetakan nilai input 0 n menjai 0 a 1. b) Sigmoi Bipolar (Tan-Sigmoi) Fungsi aktivasi sigmoi bipolar memetakan nilai input n menjai 1 a 1. c) Ientitas (purelin) 3. Algoritma Metoe Perambatan Balik Secara umum pelatihan sebuah jaringan metoe perambatan balik teriri atas tiga langkah, yaitu : 1)Pelatihan pola masukan secara umpan maju, 2)Perhitungan an propagasi balik ari kumpulan kesalahan (galat/error), an 3)Penyesuaian bobot. III. PERANCANGAN PERANGKAT LUNAK Gambar 3. Diagram alir program utama. 3.1 Memilih Citra Masukan Proses yang pertama kali ilakukan alam perangkat lunak ini aalah memilih citra masukan. 3.2 Lokalisasi Citra Iris Mata Sebelum apat igunakan untuk proses pengolahan citra lebih lanjut, bagian iris ipisahkan ari citra mata terlebih ahulu melalui proses lokalisasi citra iris mata, karena citra yang akan iolah aalah citra irisnya saja.

3 TRANSMISI, 13, (1), 2011, Peningkatan Kualitas Citra Hasil ari lokalisasi citra iris tersebut masih memiliki tingkat kekontrasan yang renah an etail paa serabut iris mata masih kurang jelas sehingga akurasi yang ihasilkan kurang baik. Oleh karena itu, citra iris mata tersebut itingkatkan kontrasnya menggunakan Ekualisasi Histogram Aaptif (Aaptive Histogram Equalization). Cara ini bertujuan untuk menapatkan citra engan kontras yang baik namun tiak akan merusak kualitas citra secara keseluruhan. 3.4 Pengambilan Region of Interest (ROI) Organ Pankreas Pupil aalah bagian mata yang bertugas mengatur banyak seikitnya cahaya yang masuk ke alam mata. Oleh karena itu, iameternya pun berubah-ubah sesuai engan cahaya yang masuk. Untuk mengatasi masalah ini, citra pupil an iris mata yang berbentuk lingkaran iubah menjai bentuk polar (r, θ) engan ukuran yang tetap. 2. Proses Pengenalan Setelah ilatih maka selanjutnya ilakukan proses pengenalan engan menggunakan masukan ekstraksi ciri ari ata latih an ata uji. Setelah iuji akan iperoleh nilai keluaran Y1 an Y2. Target yang igunakan paa proses pelatihan aalah [0 1] untuk konisi pankreas normal, yang berarti nilai Y1 = 0 an Y2 = 1, serta [1 0] untuk konisi pankreas abnormal. IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Citra yang Diuji Citra yang igunakan paa proses simulasi program ini berupa citra mata yang berasal ari 16 iniviu yang masingmasing citra memiliki ukuran piksel alam bentuk citra berwarna. Dari 16 citra mata tersebut, 8 iantaranya igunakan sebagai citra latih seangkan 8 iantaranya igunakan sebagai citra uji. 4.2 Pengubahan Citra menjai Aras Keabuan Dengan mengubah citra RGB menjai citra aras keabuan. Dengan emikian jumlah perhitungan yang iperlukan apat ireuksi. Gambar 4. Proses pengubahan ke bentuk polar r x a 2 y 2 2 b ; x r cos a ; y r sin b Paa citra polar yang berukuran piksel ini, itentukan bahwa titik koorinat awal yang berhubungan engan organ pankreas terletak paa piksel (575,10) engan tinggi an lebar piksel sebesar 40 piksel. 3.5 Ektraksi Ciri engan GLCM Setelah iperoleh citra ROI, matriks GLCM ihitung. Langkah selanjutnya aalah menghitung nilai-nilai ari matriks GLCM untuk memperoleh fitur-fitur GLCM. 3.6 Klasifikasi engan Jaringan Syaraf Tiruan Metoe Perambatan Balik Setelah melalui proses ekstraksi ciri, selanjutnya ata yang iperoleh imasukkan ke alam jaringan syaraf tiruan metoe perambatan balik. Tabel 1. Rancangan jaringan syaraf tiruan Gambar 5. Mengubah citra menjai aras keabuan 4.3 Pengontrasan Citra Aras Keabuan engan Ekualisasi Histogram Melalui proses pengontrasan, akan iperoleh citra engan histogram yang merata paa setiap tingkatan aras keabuan, sehingga etail paa serabut iris menjai semakin jelas. Gambar 6. Citra hasil pengontrasan engan ekualisasi histogram 4.4 Alihragam Citra ke Koorinat Polar Paa proses ini citra iris menjai tiak berbentuk lingkaran engan iameter r, tetapi iubah menjai citra persegi panjang engan panjang aalah suut engan erajat, an lebarnya aalah jari-jari iris ikurangi engan jari-jari pupil. 1. Proses Pelatihan Setelah ata imasukkan, langkah selanjutnya aalah pembentukan jaringan engan perintah sebagai berikut. net = newff(p,t,[s1 S2...S(N-l)],{TF1 TF2...TFNl},BTF,BLF) Untuk penentuan fungsi aktivasi juga itentukan engan cara eksperimen. Dalam penelitian ini, terapat 6 variabel fungsi aktivasi, antara lain logsig-logsig, logsig-tansig, tansig-logsig, tansig-tansig, purelin-logsig, an purelintansig. Gambar 7. Citra iris alam koorinat polar 4.5 Pengambilan ROI Organ Pankreas Sebelum ilakukan proses ekstraksi ciri, terlebih ahulu ilakukan pengambilan ROI paa citra polar yang berhubungan engan organ pankreas. Gambar 8. Citra ROI organ pankreas

4 TRANSMISI, 13, (1), 2011, Ekstraksi Ciri engan GLCM Ekstraksi ciri bertujuan untuk menapatkan informasiinformasi penting ari tekstur iris mata. Teknik ekstraksi ciri yang igunakan alam penelitian ini aalah ekstraksi ciri metoe GLCM. GLCM menggambarkan frekuensi munculnya pasangan antar 2 piksel engan intensitas tertentu alam jarak serta orientasi suut tertentu paa matriks citra. Dalam penelitian ini jarak yang igunakan sebesar 1, 3, an 5. Seangkan suut inyatakan alam erajat, umumnya sebesar 0 o, 45 o, 90 o, an 135 o. Berasarkan paa besar kecilnya nilai MSE an waktu yang ibutuhkan, maka jumlah unit paa lapis tersembunyi yang terbaik alam pengujian ini aalah 60 unit. 2. Pengujian Pengaruh Parameter JST paa Pelatihan Tabel 6. Hasil pengujian pengaruh parameter JST engan jumlah unit lapis tersembunyi 60 Tabel 2. Perhitungan ciri tekstur GLCM 4.7 Pengumpulan Data Tabel 3. Data latih yang iperoleh ari hasil ekstraksi ciri GLCM hasil yang terbaik Berasarkan hasil pengujian pengaruh parameter laju pembelajaran bahwa engan bertambahnya nilai laju pembelajaran maka nilai MSE akan semakin menurun. Untuk hasil pengujian engan parameter momentum bahwa engan bertambahnya faktor momentum maka nilai MSE akan semakin menekati nilai yang iinginkan an proses iterasi semakin cepat. Keterangan : N = normal ; AN = abnormal Tabel 4. Rata-rata setiap ciri tekstur untuk masing-masing kelompok ata latih 3. Pengujian Pengaruh Fungsi Aktivasi paa Pelatihan Tabel 7. Pengujian pengaruh fungsi aktivasi engan α = = 0,5, serta jumlah unit lapis tersembunyi Pengujian paa Proses Pelatihan Jaringan Syaraf Tiruan 1. Pengujian Pengaruh Jumlah Unit Lapis Tersembunyi paa Pelatihan Tabel 5. Pengujian pengaruh jumlah unit paa lapis tersembunyi engan α = 0,1 an = 0,1. hasil yang terbaik hasil yang terbaik Berasarkan hasil pengujian pengaruh fungsi aktivasi bahwa fungsi aktivasi yang terbaik ari pengujian ini aalah tansig tansig. Fungsi aktivasi tansig - tansig ipilih karena alam proses pelatihannya mampu mencapi nilai MSE an nilai graien yang terenah yaitu sebesar 0,91e-05 an 1,46e-04 selama 2000 iterasi. 4.9 Klasifikasi engan Jaringan Syaraf Tiruan 1. Pelatihan Jaringan Syaraf Tiruan Konfigurasi JST yang igunakan merupakan hasil pengujian paa proses pelatihan JST. Konfigurasi lapisan yang igunakan aalah 2 lapis tersembunyi engan 60 unit. Fungsi aktivasi yang igunakan aalah sigmoi bipolar (tansigmoi) paa lapis tersembunyi an lapis keluaran.

5 TRANSMISI, 13, (1), 2011, 37 Metoe belajar yang igunakan aalah metoe penurunan graien engan momentum (traingm). Laju pembelajaran sebesar 0,5 an faktor momentum sebesar 0,5. Paa aplikasi Matlab, ata pelatihan akan ibagi alam 3 kelompok, yaitu ata latih (training ata), ata pengujian (test ata), an ata valiasi. 3. Pengujian Pengenalan Data Uji Tabel 9. Hasil pengujian JST paa ata uji Gambar 9. Grafik perkembangan performa belajar jaringan. Paa Gambar 9 apat ilihat bahwa jaringan belajar engan baik. Hal ini ilihat ari nilai MSE yang semakin menurun tiap iterasinya paa tiap ata latih, uji an valiasi. 2. Pengujian Pengenalan Data Latih Tabel 8. Hasil pengujian JST paa ata latih kesalahan klasifikasi Dari hasil pengujian yang iperlihatkan paa Tabel 9, program mampu melakukan proses klasifikasi engan benar sebanyak 18 ata ari 24 ata uji yang tiak ilatihkan sehingga persentase keberhasilannya aalah sebagai berikut. 18 Persentase keberhasilan 100% 24 = 75% kesalahan klasifikasi Perhitungan persentase keberhasilan pengujian ihitung engan cara sebagai berikut. Persentase keberhasilan jumlah jumlah Dari hasil pengujian yang iperlihatkan paa Tabel 8, program mampu melakukan proses klasifikasi engan benar sebanyak 23 ata ari 24 ata latih yang iujikan sehingga persentase keberhasilannya aalah sebagai berikut. 23 Persentase keberhasilan 100% 24 = 95,8% Berasarkan hasil yang iperoleh ari pengujian, apat isimpulkan bahwa sistem apat bekerja engan baik alam mengenali ata masukan yang iberikan ke sistem karena nilai persentase keberhasilannya yang cukup besar. V. PENUTUP 5.1 Kesimpulan Kesimpulan yang apat iambil ari tahapan perancangan hingga pengujian yang ilakukan paa sistem ini aalah sebagai berikut. 1. Berasarkan hasil pengujian ata latih, program apat melakukan iagnosis engan benar engan persentase keberhasilan sebesar 95,8%. Berasarkan hasil pengujian ata uji, program apat melakukan iagnosis engan benar engan persentase keberhasilan sebesar 75%. 2. Nilai rata-rata ekstraksi ciri GLCM untuk setiap ciri tekstur yaitu rerata, kontras, korelasi, energi, entropi, an homogenitas untuk kelompok ata latih Normal pengujian benar bernilai 3,217389, 0,233666, 0,632259, 0,575947, 100% seluruh pengujian 1,379171, an 0,888469, seangkan untuk kelompok ata latih Abnormal bernilai 2,960503, 0,476226, 0,765723, 0,412549, 2,145339, an 0, Hasil pengujian jumlah unit paa lapis tersembunyi engan variasi jumlah unit yang igunakan yaitu 10 sampai engan 90 engan interval 10 untuk masingmasing lapis tersembunyi nilai minimum MSE terjai saat jumlah unit tersembunyi sebanyak 60 unit engan nilai MSE sebesar 0, alam waktu 42 etik. 4. Hasil pengujian pengaruh parameter JST yaitu laju pembelajaran α an faktor momentum nilai minimum

6 TRANSMISI, 13, (1), 2011, 38 MSE an epoch terjai paa α = 0,9 an = 0,5 engan nilai MSE sebesar 0,00001 selama 1861 iterasi (epoch). 5. Hasil pengujian pengaruh fungsi aktivasi engan variasi fungsi aktivasi antara lain logsig-logsig, logsig-tansig, tansig-logsig, tansig-tansig, purelin-logsig, an purelintansig nilai minimum MSE an graien terjai paa fungsi aktivasi tansig-tansig engan nilai MSE sebesar 0,91e-05 an nilai graien sebesar 1,46e Saran Penelitian lebih lanjut iharapkan apat memperbaiki kekurangan yang aa an iharapkan apat mengembangkan yang apa yang telah ilakukan paa penelitian ini. Untuk itu isarankan hal-hal berikut. 1. Untuk melakukan proses lokalisasi iris sebaiknya tiak ilakukan engan cara manual agar kinerja program lebih hanal. Untuk penentuan titik tengah, jari-jari pupil an iris bisa menggunakan kombinasi antara eteksi tepi an Transformasi Hough. 2. Perlu ilakukan pengujian terhaap kombinasi arsitektur an parameter untuk jaringan syaraf tiruan selain ari pengujian yang telah ilakukan. Dengan mengujinya lebih banyak, iharapkan apat itemukan parameter jaringan syaraf tiruan yang optimal. 3. Sistem pengolahan citra iris untuk meneteksi konisi organ pankreas ini apat ikembangkan sekaligus engan perangkat keras alam memproses citra iris secara waktu nyata (realtime), sehingga nantinya apat ipergunakan secara nyata alam aplikasi kehiupan sehari-hari. 4. Program ini apat juga ikembangkan untuk meneteksi organ lain serta juga apat igunakan untuk mempreiksi seseorang tersebut rentan terhaap suatu penyakit tertentu engan kombinasi ari berbagai macam organ. 5. Penelitian apat ilanjutkan engan menguji atau menambah ciri tekstur GLCM yang lain, seperti Varians (Variance), Sum Variance, Sum Entropy, Difference Variance, Difference Entropy, Information Measures of Correlation, an Maximal Correlation Coefficient, sehingga iharapkan iperoleh hasil yang terbaik. Lanjut Moul 4 Klasifikasi. Institut Teknologi Banung. [7] Kusuma, A.A., Pengenalan Iris Mata Dengan Pencirian Matriks Ko-okurensi Aras Keabuan (Gray- Level Co-Occurrence Matrices GLCM), Skripsi S-1, Universitas Diponegoro, Semarang, [8] Beyer, M.H., The GLCM Tutorial Home Page, November [9] Munir, R., Pengolahan Citra Digital engan Penekatan Algoritmik, Informatika, Banung, [10] Romansah, Sejarah Iriologi, Oktober [11] Siahaan, K.R., Pengenalan Pola Zona Air Paa Citra Satelit Cirata Dengan Sistem Kecerasan Jaringan Syaraf Tiruan Metoa Backpropagation Levenberg- Marquart, Skripsi S-1, Institut Teknologi Banung, [12] Siang, J.J., Jaringan Syaraf Tiruan an Pemrogramannya Menggunakan Matlab, Ani Offset, Yogyakarta, [13] ---, Moul 3 Analisis Tekstur Imaging & Image Processing Research Group, Institut Teknologi Banung, Februari, Daftar Pustaka [1] Bakar, M.H.A., Carta Mata, m, Oktober [2] Fahmi, Perancangan Algoritma Pengolahan Citra Iris Mata Menjai Citra Pola Iris Sebagai Bentuk Antara Sistem Biometrik, USU Repository, Mean, [3] Fatoni, I., Sistem Pakar Iriologi Untuk Ientifikasi Kelemahan Organ Dengan Pengolahan Citra Iris, Skripsi S-1, Institut Teknologi Banung, Banung, [4] Haralick, R.M., K. Shanmugam, an I. Dinstein, Textural Features for Image Classification, IEEE Trans on Systems, Man an Cybernetics, Vol.SMC-3, pp , [5] Hartai, R., Deteksi Potensi Kanker Payuara Paa Mammogram Menggunakan Metoe Gray Level Co- Occurrence Matrices (GLCM), Skripsi S-1, Universitas Diponegoro, Semarang, [6] Imaging & Image Processing Research Group, Praktikum EC4041 Pengolahan Citra an Pengenalan Pola EC6041 Pengolahan Citra an Pengenalan Pola