Cucun Very Angkoso ~

Ukuran: px

Mulai penontonan dengan halaman:

Download "Cucun Very Angkoso ~"

Hendra Cahyadi
6 tahun lalu
Tontonan:

Dosen Pembimbing : Prof. Dr. Ir. Mauridhi Hery Purnomo, M.

1 Klasifikasi Tumor dan Kista pada Citra Panoramik Gigi Manusia Menggunakan Metode Support Vector Machine (SVM) Dosen Pembimbing : Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng Dr. I Ketut Eddy Purnama, S.T., M.T. Cucun Very Angkoso ~

2 Latar Belakang 1. Tumor atau pertumbuhan abnormal jaringan tubuh secara tidak terorganisir semakin meningkat tingkat kejadiannya 2. Baru terdeteksi dalam stadium lanjut setelah timbul gejala klinis yang bisa dirasakan penderita 3. SVM adalah salah satu metode klasifikasi yang memiliki performansi yang telah lh terbukti handal di bidang aplikasi seperti bioinformaticsi Cucun Very Angkoso ~Slide 2

3 Analsis Statistik Hubungan Antar Piksel Statistik orde-pertama Statistik orde-pertama dihitung melalui nilai piksel dari gambar semisal fitur variance dengan mengabaikan hubungan antar piksel tetangga. Statistik orde-kedua Perhitungan statistik orde-kedua mempertimbangkan hubungan antara dua piksel (piksel yang bertetangga) pada gambar. Statistik orde-lebih-tinggi (higher-order statistics). Perhitungan statistik orde-ketiga dan yang lebih tinggi, mempertimbangkan hubungan antara tiga atau lebih piksel, hal ini secara teoritis memungkinkan tetapi belum biasa diterapkan. Cucun Very Angkoso ~Slide 9

4 Ekstraksi Fitur GLCM (Gray-Level Cooccurrence Matrix) atau Grey Tone Spatial Dependency Matrix Ekstraksi fitur oleh Haralick GLRLM (Gray Level Run Length Matrix) M.M. M Galloway Cucun Very Angkoso ~Slide 10

5 GLCM (Gray-Level Cooccurrence Matrix) Contoh citra dengan 4 tingkat keabuan. Kanan: Hasil GLCM pada jarak 1 arah 0 Cucun Very Angkoso ~Slide 11

6 Grafik Nilai Range Hasil Ekstraksi Fitur Menggunakan Fitur Contrast Min Max AVG Kista-GLCM Tumor-GLCM Kista-HEGLCM Tumor-HEGLCM Cucun Very Angkoso ~Slide 18

7 Grafik nilai range hasil ekstraksi fitur menggunakan fitur Low Gray Level Run Emphasis (LGRE) Min Max AVG Kista-GLRLM Tumor-GLRLM Kista-HEGLRLM Tumor-HEGLRLM Cucun Very Angkoso ~Slide 19

8 Tabel Distribusi Data Pelatihan dan Pengujian Pengujian I Pengujian II Pengujian III Data Kelas Kelas Kelas Kista Tumor Kista Tumor Kista Tumor Citra 1 sd s.d. 10 Latih Citra 1 s.d. 20 dan citra 21 s.d. 30 Citra 11 s.d Citra 21 s.d. 30 Citra 11 s.d. 20 Citra 1 s.d. 10 Uji Cucun Very Angkoso ~Slide 20

9 Pengaruh Kuantisasi Citra Nilai Akura asi (%) GLCM8 GLCM16 GLCM32 GLCM64 GLCM Kernel Option Cucun Very Angkoso ~Slide 24

10 Pengaruh Penggunaan Preprocessing HE Nilai Aku urasi (%) GLCM8 HEGLCM8 GLCM16 10 HEGLCM Kernel Option Cucun Very Angkoso ~Slide 25

11 Pengaruh penggabungan fitur dari GLCM dan HEGLRLM Nila ai Akurasi (%) GLCMHEGLRLM HEGLRLM GLCM Kernel Option Cucun Very Angkoso ~Slide 26

12 Kurva ROC Pada Penggunaan 3 Model Ekstraksi Fitur Yang Berbeda TPR (Sensitivity) (%) GLCM16 (SVM) HEGLRLM (SVM) GLCMHEGLRLM (SVM) FPR (1-Specificity) (%) Cucun Very Angkoso ~Slide 27

13 Grafik Pengaruh Penggunaan Jumlah Fitur 100% 90% 80% 73.33% 76.67% 76.67% 70% 66.67% Nilai akurasi 60% 50% 40% 50.00% 30% 20% 10% 0% GLCM16 HEGLCM16 GLRLM HEGLRLM GLCMHEGLRLM (16 Fitur) (16 Fitur) (7 Fitur) (7 Fitur) (23 Fitur) Jenis Ekstraksi Fitur Cucun Very Angkoso ~Slide 28

14 Grafik Pengaruh Penggunaan Mesin Klasifikasi 100% 90% 80% 70% 76.67% 76.67% 76.67% 73.33% Nilai akurasi 60% 50% 40% 30% 20% 10% 0% SVM-HEGLRLM JST-HEGLRLM SVM-GLCMHEGLRLM JST-HEGLCMGLRLM Jenis Ekstraksi Fitur Cucun Very Angkoso ~Slide 29

KESIMPULAN (1) Pada penelitian ini telah diujikan 5 model desain sistem klasifikasi kista dan tumor pada citra panoramik rahang gigi

Model dengan ekstraksi fitur GLCM dengan HE sebagai preprocessing. p 3.

Model dengan ekstraksi fitur GLRLM dengan HE sebagai preprocessing. 5.

15 KESIMPULAN (1) Pada penelitian ini telah diujikan 5 model desain sistem klasifikasi kista dan tumor pada citra panoramik rahang gigi manusia menggunakan metode SVM yaitu: 1. Model dengan ekstraksi fitur GLCM tanpa HE sebagai preprocessing. 2. Model dengan ekstraksi fitur GLCM dengan HE sebagai preprocessing. p 3. Model dengan ekstraksi fitur GLRLM tanpa HE sebagai preprocessing. 4. Model dengan ekstraksi fitur GLRLM dengan HE sebagai preprocessing. 5. Model dengan penggabungan ekstraksi fitur GLCM dan GLRLM serta HE sebagai preprocessing. Dari hasil pengujian ke-5 model diatas, didapatkan bahwa penggunaan metode klasifikasi i SVM menunjukkan bh bahwa penggunaan ekstraksi fitur HE-GLRLM memberikan kinerja akurasi sistem klasifikasi terbesar yaitu sebesar 76,667%. Cucun Very Angkoso ~Slide 31

16 KESIMPULAN (2) Penggunaan preprocessing HE tidak menjamin mampu meningkatkan kinerja akurasi mesin klasifikasi, yaitu saat menggunakan ektraksi fitur berdasarkan GLCM akurasi sistem menurun dari 73,33% menjadi 66,67% tetapi meningkat saat penggunaan ekstraksi fitur berdasarkan GLRLM yaitu dari 50% menjadi 76,667% saat menggunakan preprocessing HE. Hasil pengujian penggunaan mesin klasifikasi JST-backpropagation tidak mampu meningkatkan nilai akurasi, yaitu menunjukkan nilai akurasi sebesar 76,667% saat penggunaan HE-GLRLM, serta 73,33% berbanding 76,667% dibanding metode SVM saat menggunakan gabungan fitur GLCMHEGLRLM. Nilai kinerja akurasi sistem tidak berbanding lurus terhadap jumlah fitur yang digunakan akan tetapi lebih tergantung pada jumlah fitur yang tepat dan mampu merepresentasikan karakteristikkt tiktkt tekstur objek. Cucun Very Angkoso ~Slide 32

17 KESIMPULAN (3) Fitur berdasarkan GLRLM menunjukkan lebih tepat merepresentasikan karakteristik tekstur objek citra panoramik rahang gigi manusia jika dibandingkan penggunaan ekstraksi k ifitur berdasarkan GLCM dengan kinerja akurasi sitem sebesar 76,667%, baik saat penggunaan metode klasifikasi SVM maupun JST-Backpropagation yaitu pada saat menggunakan ekstraksi fitur berdasarkan HE-GLRLM. Model rancangan sisitem yang terekomendasikan berdasarkan kinerja akurasinya adalah model dengan ekstraksi fitur berdasarkan GLRLM dengan preprocessing HE serta pada penggabungan fitur pada model GLCMHEGLRLM yang telah menunjukkan nilai yang sama besar ketika dilakukan k klasifikasi. i Cucun Very Angkoso ~Slide 33

18 Kelanjutan Riset Proses preprocessing yang tepat terbukti meningkatkan kinerja akurasi sistem sehingga penambahan bh preprocessing yang lebih lbihakurat sangat memungkinkan peningkatan keakurasian sistem. Pencarian dan pemilihan fitur tekstur yang lain yang lebih tepat dapat ditambahkan untuk meningkatkan kinerja sistem klasifikasi. Karena keterbatasan jumlah data yang diteliti sehinggakedepan perlu diuji keakurasian sistem dengan melibatkan jumlah data aktual yang lebih banyak, sehingga pengukuran kinerja sistem klasifikasi bisa dilakukan lebih baik. Cucun Very Angkoso ~Slide 34

19 Diskusi Usaha untuk meningkatkan kinerja klasifikasi Cucun Very Angkoso ~Slide 35

20 Cucun Very Angkoso ~Slide 36

dokumen-dokumen yang mirip

IDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA

IDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA IMAM SUBEKTI 2209106021 Dosen Pembimbing: Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng. Dr. I Ketut Eddy Purnama, ST, MT. Latar