Penerapan Metode Jaringan Syaraf Tiruan Backpropagation dalam Mengukur Tingkat Keparahan Penyakit Osteoarthritis

Transkripsi

1 PAPER ID : 017 Penerapan Metode Jaringan Syaraf Tiruan Backpropagation dalam Mengukur Tingkat Keparahan Penyakit Osteoarthritis Dian Pratiwi 1) Diaz D. Santika 2) Bens Pardamean 3) 1) Magister Teknik Informatika Universitas Bina Nusantara, Jakarta 11480, pratiwi.dian@gmail.com 2) Universitas Bina Nusantara, Jakarta 11480, ddsantika@yahoo.com 3) Universitas Bina Nusantara, Jakarta 11480, bens.pardamean@usc.edu Abstrak Penyakit osteoarthritis dalam pemeriksaannya melalui foto rontgen oleh rheumatologi dapat diklasifikasikan kondisinya menjadi empat tingkat keparahan. Makalah ini membahas penerapan metode Jaringan Syaraf Tiruan Backpropagation dalam mengukur tingkat keparahan penyakit tersebut yang sesuai, dimana daerah X-ray yang diamati berkisar antara pergelangan hingga jari-jari tangan. Prosedur utama sistem yang ada di dalam makalah ini terbagi menjadi tiga, yaitu pengolahan citra, feature extraction, dan proses jaringan syaraf tiruan. Awalnya, setiap citra X-ray digital (berukuran 200x150 piksel dan greyscale) akan dilakukan thresholding, kemudian diekstrak fiturnya berdasarkan nilai-nilai probabilistik intensitas warna hasil kuantisasi 7-bit, dan statistik tekstur. Nilai fitur tersebut kemudian dinormalisasi ke interval [0.1, 0.9], lalu dijadikan sebagai input pada proses jaringan syaraf tiruan backpropagation untuk mengetahui tingkat keparahan penyakit dari X-ray yang dimasukkan. Dari hasil pengujian dengan nilai learning rate sebesar 0.3, momentum sebesar 0.4, unit hidden sebanyak 5 buah dan vektor fitur sebanyak 132, sistem ini memiliki tingkat akurasi sebesar 100% untuk data learning, 80% untuk data learning dan non-learning, dan 66.6% untuk data non-learning. Kata Kunci : osteoarthritis, backpropagation, feature extraction, normalisasi, kuantisasi 1. PENDAHULUAN 1.1 Latar Belakang Dewasa ini, kebutuhan akan sebuah teknologi yang mampu menganalisis dan mengklasifikasikan berbagai citra ke dalam kelas-kelas yang sesuai sangat dibutuhkan. Tidak hanya untuk memudahkan proses penyimpanan dan pengambilan citra (image retrieval), melainkan juga sebagai dasar untuk dapat dipergunakan ke dalam proses selanjutnya. Dalam makalah ini, membahas suatu teknik klasifikasi berbasiskan Jaringan Syaraf Tiruan (JST) yang diterapkan oleh penulis guna membantu memprediksi atau mengukur tingkat keparahan penyakit osteoarthritis melalui citra X-ray dari keempat kelas atau tingkat yang ada. Keempat tingkat tersebut memiliki gambaran kondisi osteoarthritis yang berbeda-beda dan hanya mampu didiagnosa oleh para ahli rheumatologi atau ahli bedah tulang melalui serangkaian pemeriksaan medis. Penyakit osteoarthritis atau dikenal sebagai pengapuran umumnya terjadi pada daerah sekitar tulang rawan dan persendian seperti sendi jarijari,lutut, dan tulang punggung yang menimbulkan gejala rasa kaku, peradangan, nyeri serta pembengkakan yang disertai warna kemerah-merahan. Gejala-gejala ini yang digunakan sebagai analisa awal oleh rheumatologi. Namun, dalam memastikan kondisi osteoarthritis, tidak cukup berdasarkan dari gejala yang timbul. Karena banyak kasus yang memperlihatkan bahwa osteoarthritis stadium lanjut tidak atau hanya sedikit memperlihatkan gejala, begitu juga sebaliknya. Oleh karena itu, pemeriksaan lebih lanjut seperti foto rontgen (X-ray), Magnetic Resonance Imaging (MRI), ataupun Computed Tomography Imaging (CT Scan) dianjurkan untuk dilakukan agar dapat memberikan hasil yang lebih akurat. Beberapa gambaran yang digunakan oleh pakar rheumatologi atau ahli orthopedi dalam menentukan tingkat keparahan penyakit osteoarthritis seseorang dari foto X-ray yaitu dengan melihat ada atau tidaknya kista (cysts), pembengkakan, pembentukan tulang baru yang tidak rata dan runcing-runcing (osteophyte), terjadinya subchondral sclerosis, serta pengurangan massa tulang rawan [1]. Gambaran kondisi inilah yang kemudian jadikan penulis sebagai acuan dalam membantu rheumatologi memastikan kondisi penyakit osteoarthritis dari sekumpulan citra X-ray. Setiap gambaran ciri-ciri osteoarthritis yang nampak pada citra X-ray, akan diolah dan diekstrak fiturnya berdasarkan kecerahan (intensity) dan tekstur yang kemudian akan diproses untuk menghasilkan prediksi dalam piranti lunak berbasis metode jaringan syaraf tiruan backpropagation.

2 Pemilihan metode backpropagation di dalam makalah ini dikarenakan kemampuan dari metode tersebut yang secara terbimbing (supervised) dapat melakukan pengenalan serta pendeteksian yang sangat baik dan cocok untuk berbagai jenis aplikasi [2]. Oleh karena itulah, penulis menetapkan backpropagation sebagai metode JST yang akan dipergunakan untuk mengukur tingkat keparahan penyakit osteoarthritis di dalam makalah ini. 1.2 Tujuan Tujuan yang ada di dalam makalah ini, yaitu : - Memperoleh hasil prediksi yang tepat dalam mengukur tingkat keparahan penyakit osteoarthritis dari setiap citra X-ray yang diujikan - Menghasilkan salah satu cara untuk dapat mengklasifikasikan tingkat penyakit osteoarthritis yaitu dengan menerapkan metode jaringan syaraf tiruan backpropagation 1.3 Manfaat Manfaat yang ada di dalam makalah ini yaitu : - Membantu rheumatologi dalam memastikan tingkat keparahan dari kondisi pasien osteoarthritis sehingga pengobatan yang dapat diberikan tidak overtreatment maupun undertreatment. - Dapat dijadikan sebagai salah satu rancangan awal atau dasar untuk mengembangkan sebuah sistem pengukuran tingkat keparahan penyakit lainnya, yang dapat diterapkan dalam penelitianpenelitian selanjutnya. Adalah tahap akhir dimana piranti lunak yang telah dibangun diuji coba untuk mengetahui persentase keberhasilan metode dalam mengukur tingkat keparahan penyakit osteoarthritis dari setiap X-ray yang dimasukkan. 2.2 Sampel Data Data yang dipergunakan di dalam makalah ini adalah berupa sekumpulan citra X-ray yang berasal dari pasien pengidap osteoarthritis dengan berbagai kondisi. Kondisi ini dapat dibagi menjadi empat tingkat keparahan dengan gambaran yang berbedabeda, yaitu [1] : a. 1 : tulang rawan normal, dengan minimal osteophyte di satu titik dan pembentukan cysts b. 2 : osteophyte minimal di dua titik, terjadi subchondral sclerosis, terdapat cysts, namun tidak terjadi kelainan bentuk c. 3 : osteophyte di banyak titik, terjadi subchondral sclerosis, daerah tulang bergeser, dan terjadi kelainan bentuk d. 4 : osteophyte menyeluruh, pengurangan massa tulang rawan, terdapat cysts, sclerosis, dan terjadi kelainan bentuk a) b) Gambar 1 : (a) Citra X-ray non-osteoarthritis, (b) Citra X- ray osteoarthritis [4] 2. PROSEDUR DAN METODOLOGI 2.1 Metodologi Metodologi yang ada di dalam penulisan makalah ini yaitu : 1. Studi Lapangan Merupakan tahap untuk mengumpulkan data X- ray osteoarthritis dengan berbagai kondisi beserta informasinya (metadata) dari berbagai sumber, baik dari rumah sakit maupun penelusuran di internet. 2. Analisis Data Dilakukan pada beberapa makalah-makalah penelitian sebelumnya mengenai JST dan metode ektraksi fitur, guna mengetahui fitur apakah yang paling tepat untuk dipergunakan dalam citra X-ray dan konfigurasi jaringan seperti apakah yang paling baik diterapkan dalam mengukur tingkat keparahan penyakit. 3. Perancangan Sistem Merupakan tahap mengaplikasikan pemahaman algoritma JST dan metode ekstraksi fitur ke dalam sebuah piranti lunak 4. Implementasi Sistem a) b) c) d) Gambar 2 [1] : Citra X-ray osteoarthritis dalam berbagai tingkat/grade pada Distal Interphalangeal ; (a) grade 1, (b) grade 2, (c) grade 3, (d) grade 4 Citra X-ray tersebut bersumber dari hasil pencarian langsung ke beberapa rumah sakit yang kemudian di-scan dan dari penelusuran situs-situs di internet yang memiliki koleksi data citra X-ray berpenyakit osteoarthritis serta sudah dalam bentuk digital. Daerah X-ray yang diamati adalah berkisar antara pergelangan hingga jari-jari tangan dengan ukuran 200x150 piksel berformat JPEG. Jumlah sampel yang akan dipergunakan adalah sebanyak 60 citra X-ray. Dari keseluruhan X-ray kemudian dikategorikan menjadi tiga buah jenis data dengan pembagian [3]: - Data pelatihan (training) = 60% dari total data - Data validasi (validation) = 20% dari data pelatihan + 20% dari total data - Data uji (testing) = 20% dari total data yang bukan data pelatihan

3 2.3 Prosedur Di dalam makalah ini, terdapat serangkaian proses yang dilakukan sistem untuk menghasilkan prediksi serta persentase akurasi pengukuran. Serangkaian proses tersebut dapat dilihat melalui diagram alir berikut ini : Citra X-ray Training Pengolahan Citra (pre-processing) Ekstraksi Fitur Normalisasi Vektor Fitur Inisialisasi Parameter Jaringan Syaraf Tiruan (JST) Pelatihan JST (Training) Bobot-Bobot Offline Process Citra X-ray Validasi Pengolahan Citra (pre-processing) Ekstraksi Fitur Normalisasi Vektor Fitur Validasi JST Persentase Prediksi Gambar 3 : Diagram Alir Sistem Citra X-ray Training Pengolahan Citra (pre-processing) Ekstraksi Fitur Normalisasi Vektor Fitur Pengujian JST (Testing) Prediksi Evaluasi Persentase Keberhasilan Online Process Dari gambar di atas dapat dilihat bahwa pemrosesan dikategorikan menjadi tiga tahap, yaitu tahap pelatihan, validasi dan pengujian. Dari setiap tahapan tersebut diperlukan beberapa pre-processing, yaitu : 1. Pengolahan Citra a. Konversi warna RGB ke greyscale Konversi warna citra X-ray dilakukan untuk mengubah warna true color (24 bit) menjadi greyscale (8 bit) sehingga menghasilkan nilai keabuan berinterval 0 s/d 255. Hasil konversi warna dapat dilihat pada gambar di bawah ini : a) b) Gambar 4 : (a) Citra X-ray 24 bit hasil scan, (b) Citra X-ray 8 bit hasil konversi b. Thresholding Merupakan proses untuk mengelompokkan piksel-piksel dalam batas intensitas tertentu, dan memisahkan bagian citra antara foreground dengan background [5]. Di dalam makalah ini, nilai threshold yang sesuai diambil melalui proses trial dan error agar kurang lebih cocok untuk semua citra [6]. a) b) Gambar 5 : (a) Citra X-ray greyscale, (b) Citra X-ray greyscale setelah thresholding 2. Ekstraksi Fitur (Feature Extraction) Ekstraksi fitur merupakan langkah awal dalam melakukan suatu klasifikasi dan interpretasi citra. Prosesnya berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai fitur yang sesuai. Dengan adanya ekstraksi fitur, informasi penting yang berada dalam citra dapat diambil dan disimpan ke dalam vektor fitur (feature vector) Fitur-fitur yang diekstrak pada citra dapat berdasarkan elemen warna, bentuk, tekstur, kecerahan, kontur, dan kontras. Fitur inilah yang kemudian disebut dengan descriptor atau index [7]. Di dalam makalah ini, fitur yang diekstrak adalah berdasarkan intensitas warna dan tekstur. a. Ekstraksi fitur berdasarkan intensitas warna Intensitas warna didapat dari hasil penyederhanaan ketiga komponen RGB (24 bit) menjadi satu buah komponen intensitas (8 bit) dengan level nilai keabuan antara Distribusi nilai-nilai intensitas suatu citra dapat dilihat melalui sebuah histogram, yang kemudian dapat diambil nilai probabilitas setiap nilai greylevelnya dengan rumus : dimana : n i = jumlah piksel yang memiliki nilai keabuan i (i = 0...L 1) L = maksimum interval warna n = total piksel dalam citra h i = probabilitas dari nilai keabuan i (1) Nilai-nilai keabuan tersebut kemudian dapat dikelompokkan ke dalam beberapa level melalui proses kuantisasi (quantization). Kuantisasi akan membagi skala keabuan [0, L-1] menjadi G buah level yang dinyatakan dengan suatu harga bilangan bulat (integer) : G = 2 m (2) dimana : G = derajat keabuan m = bilangan bulat positif atau jumlah bit b. Ekstraksi fitur berdasarkan tekstur Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity) susunan struktural piksel. Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan pikselpiksel yang bertetangga.

4 Ekstraksi fitur citra berdasarkan tekstur pada orde pertama dapat menggunakan metode statistik, yaitu dengan melihat statistik distribusi derajat keabuan pada histogram citra tersebut [8]. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung parameter ciri antara lain : a. Variance (σ) Menunjukkan variasi elemen pada histogram dari suatu citra. (3) dimana : f n = nilai intensitas keabuan μ = nilai rata-rata intensitas keabuan p(f n ) = nilai histogramnya (probabilitas kemunculan intensitas pada citra) b. Skewness (α) Menunjukkan tingkat kecondongan relatif kurva histogram dari suatu citra (4) c. Entropy (H) Menunjukkan ukuran ketidakteraturan bentuk dari suatu citra. (5) d. Relative Smoothness (R) [9] Menunjukkan tingkat kehalusan relatif dari suatu bentuk citra. (6) 3. Normalisasi Vektor Fitur Normalisasi merupakan sebuah metode untuk mengelompokkan range atau interval dari nilai-nilai yang berbeda ke dalam skala yang sama yang lebih kecil. Normalisasi pada vektor fitur dapat dilakukan dengan berbagai cara, dan pada makalah ini normalisasi yang dipergunakan adalah dengan metode Min-Max Normalization [10] : (7) Dimana : D = data hasil normalisasi D = nilai sebelum normalisasi U = nilai batas atas (upper bound) L = nilai batas atas (lower bound) Pada makalah ini, penggunaan normalisasi akan diterapkan untuk mengelompokkan nilai-nilai fitur yang berbeda ke dalam range [0.1, 0.9]. Setelah tahap pre-processing dilakukan, nilainilai fitur yang dihasilkan kemudian akan diproses di dalam jaringan syaraf tiruan backpropagation. Jaringan Syaraf Tiruan Backpropagation merupakan metode yang dirumuskan oleh Werbos dengan didesain untuk operasi pada jaringan multi layer secara terbimbing (supervised) [11]. Kemampuan dalam mengurangi galat yang terjadi merupakan kelebihan yang dimiliki pada arsitektur jaringan ini, sehingga banyak dimanfaatkan di beberapa penelitian terutama di bidang medis. Algoritma dari jaringan syaraf tiruan backpropagation dapat dijelaskan berikut ini [12] : 1. Menentukan nilai parameter (unit output, threshold, momentum, learning rate tolerance, epoch) dan jumlah lapisan 2. Memasukkan data training (matriks fitur) 3. Inisialisasi nilai bobot dan bias (Algoritma Nguyen Widrow) 4. Lakukan proses Feed-Forward : a. Tiap unit input (X i, i =1,2... total input) mengirimkan sinyal ke tiap unit hidden dan menjumlahkan pembobotnya (v ji ) : (8) b. Memberikan fungsi aktivasi sigmoid biner pada Z in untuk menghasilkan output Z(j) : (9) c. Tiap unit hidden Z(j) mengirimkan sinyal ke unit output (Y) yang hanya terdiri dari 1 buah unit output, dan menjumlahkan pembobotnya (w kj ) : (10) d. Memberikan fungsi aktivasi sigmoid biner pada y_in untuk menghasilkan output Y[k], k = 1 : (11) e. Bandingkan hasil output dengan target, dimana terdapat threshold tertentu : Jika output >= threshold Nilai output = 1 Jika output < threshold Nilai output = 0 5. Lakukan proses Back-Forward : a. Unit output (Y k, k =1) menerima target sesuai dengan pola masukan/data citra dan menghitung galatnya (error) : (12) b. Menghitung perbaikan bobot ( W k j ) dan bias ( W k0 ) : (13) (14) c. Masing-masing bobot perbaikan menuju ke unitunit hidden Z j lalu dikalikan dengan galatnya (δ k ) dan menjumlahkannya. Kemudian hitung galat untuk tiap unit hidden : (15) (16) d. Menghitung perbaikan bobot ( V ji ) dan bias ( V j0 ) : (17) (18)

5 6. Perbaiki bobot-bobot dan bias a. Memperbaiki bobot lama (W kj ) menjadi bobotbobot (W kj (baru) ) dan bias (W k0 (baru) ) baru pada pola dan epoch pertama : (19) Untuk pola dan epoch berikutnya digunakan momentum : (20) b. Memperbaiki bobot lama (V ji ) menjadi bobotbobot (V ji (baru) ) dan bias (V j0 (baru) ) baru pada pola dan epoch pertama : (21) Untuk pola dan epoch berikutnya digunakan momentum : (22) c. Ulangi dari langkah 4 untuk data citra selanjutnya hingga data akhir, dimana bobotbobot yang baru (v_baru[j, i] dan w_baru[k, j]) dijadikan bobot awal epoch kembali. 7. Ulangi langkah 4 dan 5 hingga jumlah epoch terpenuhi atau galat telah mencapai tolerance. Setelah proses jaringan syaraf tiruan dilakukan, persentase keberhasilan atau akurasi hasil pengukuran dapat dihitung dengan menggunakan rumus berikut : 3. HASIL DAN PEMBAHASAN (23) Pengujian di dalam makalah ini terdiri dari tiga tahapan, yaitu tahap pelatihan jaringan, tahap validasi, dan tahap pengujian akhir. Pada tahap pelatihan (training), citra X-ray yang dipergunakan sebanyak 36 buah yaitu 60% dari total data, dengan masing-masing tingkat keparahan penyakit berjumlah 9 buah citra. Sedangkan pada tahap validasi, X-ray yang digunakan sebanyak 20 citra dengan masing-masing tingkat keparahan penyakit berjumlah 5 buah citra. Dan pada tahap pengujian akhir, X-ray yang dipergunakan adalah sebanyak 12 citra. 3.1 Tahap pelatihan Pada tahap ini, seluruh vektor fitur yang telah dihasilkan dari proses ekstraksi fitur akan dilatih secara berulang-ulang di dalam jaringan hingga mendapatkan nilai bobot yang terbaik. Bobot-bobot ini dihasilkan dari pelatihan yang telah mencapai pengenalan 100%, yaitu saat galat Mean Square Error (MSE) telah lebih kecil dari nilai toleransi (tolerance) yang diberikan. Bobot ini kemudian akan dipergunakan dalam tahap validasi dan pengujian (testing). Konfigurasi parameter jaringan syaraf tiruan yang diberikan pada proses pelatihan di dalam makalah ini yaitu sebagai berikut : - Jumlah layer : 3 lapis, yaitu 1 input layer, 1 hidden layer, dan 1 output layer - Jumlah unit output : 2 unit - Fungsi aktivasi : Sigmoid Biner - Threshold : Momentum : Learning rate : Tolerance : Metode inisialisasi bobot & bias awal : Metode Nguyen Widrow - Gambar 6 : Menu Pre-Processing dan Ekstraksi Fitur Ekstraksi ke 132 fitur dari setiap citra X-ray dapat terlihat pada gambar fitur yang dihasilkan merupakan nilai probabilitas intensitas X-ray, dan empat fitur lainnya adalah nilai-nilai tekstur statistik berupa variance, skewness, entropy dan relative smoothness. Berikut ini merupakan Tabel 1 yang berisi beberapa nilai fitur tekstur dari ke 8 citra training (dengan jumlah dua citra X-ray setiap grade-nya) yang diekstrak : Tabel 1. Fitur Tekstur dari Citra Training yang Berbeda Fitur Tekstur No Variance Skewness Entropy Relative Smoothness

6 Gambar 7 : Proses Training 36 Citra X-ray Dari gambar di atas dapat dilihat bahwa pelatihan yang dilakukan dengan mempergunakan data training sebanyak 36 citra, nilai learning rate sebesar 0.3, momentum sebesar 0.5, unit hidden sebanyak lima unit telah menghasilkan persentase pengenalan sebesar 100% saat epoch ke 20, dimana kemudian setiap bobot ini akan disimpan untuk dipergunakan pada tahap validasi dan pengujian akhir. 3.2 Tahap Validasi Pada makalah ini, tahap validasi akan digunakan untuk mengetahui seberapa besar kemungkinan tingkat keberhasilan maupun kesalahan pengenalan piranti berbasis JST ini dalam mengukur tingkat keparahan penyakit osteoarthritis sebelum dilakukan testing. Proses jaringannya hanya terdiri dari feedforward yang akan memberikan output langsung berupa prediksi dari data learning dan non-learning yang dimasukkan. Tabel 2. Hasil Pengukuran atau Tingkat Penyakit Osteoarthritis pada Tahap Validasi Hasil Pengukuran atau Diagnosa Diagnosa Seharusnya Dari Tabel 2 dapat dilihat, bahwa empat citra dari 20 citra X-ray yang dimasukkan masih terdapat kesalahan prediksi. Hal ini dapat dikarenakan data yang diuji sebagian adalah data baru yang belum dilatih sehingga pengenalannya masih terdapat kemungkinan kesalahan. Namun, dari persentase keberhasilan yang didapatkan sebesar 80%, maka bisa disimpulkan bahwa piranti ini cukup mampu untuk digunakan dalam memprediksi tingkat keparahan penyakit osteoarthritis pada proses pengujian akhir (testing). 3.3 Tahap Testing Sama seperti tahap validasi, tahap testing juga hanya menjalankan proses feed-forward jaringan terhadap data testing, dengan mempergunakan bobotbobot dari hasil proses training sebelumnya. Tabel 3. Hasil Pengukuran atau Tingkat Penyakit Osteoarthritis pada Tahap Testing Hasil Pengukuran atau Diagnosa Diagnosa Seharusnya Dari Tabel 3 di atas dapat dilihat, bahwa pengujian akhir yang dilakukan terhadap 12 citra X- ray masih terdapat kesalahan prediksi, yaitu sejumlah empat buah citra (33.3%). Hal ini bisa disebabkan karena bobot-bobot dari hasil training belum cukup mewakili karakteristik setiap tingkat penyakit osteoarthritis. Sehingga ketika diterapkan pada citracitra X-ray yang belum pernah diujikan atau dilatih (non-learning), masih bisa terjadi kesalahan prediksi. Namun, jika dilihat dari hasil persentase akurasi pengukuran sebesar 66.6%, nilai tersebut masih cukup baik, dan dapat dikategorikan metode ini cukup berhasil dalam menentukan tingkat keparahan penyakit osteoarthritis. Karena jumlah persentase ketepatan diagnosa masih lebih besar dibandingkan jumlah persentase kegagalannya. 4. KESIMPULAN Beberapa kesimpulan yang dapat diambil dari makalah ini yaitu : 1. Penggunaan metode jaringan syaraf tiruan backpropagation terbukti dapat dijadikan sebagai salah satu metode untuk mengklasifikasikan/memprediksi tingkat keparahan penyakit osteoarthritis berdasarkan fitur warna dan tekstur dengan persentase akurasi sebesar 66.6%. 2. Penetapan nilai learning rate sebesar 0.3, momentum 0.5, unit hidden sebanyak 5 unit, dan vektor fitur sebanyak 132 dapat dinyatakan sistem telah berhasil memprediksi data learning, dan kurang berhasil untuk data non-learning DAFTAR REFERENSI [1] K.D. Brandt, M. Doherty, M. Lohmander, Osteoarthritis, Definition and Classification of Osteoarhtritis, 2 nd ed. Oxford University Press, New York, 2003, pp 1-8 [2] J.J. Siang, Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab, Penerbit Andi, Yogyakarta, 2005 [3] M.H. Purnomo, A. Kurniawan, Supervised Neural Networks dan Aplikasinya, Penerbit Graha Ilmu, Yogyakarta, 2006 [4] M. Szenroi, Orthopedics, Publisher Semmelweis, Budapest, 2008, pp [5] U. Ahmad, Pengolahan Citra Digital dan Teknik Pemrogramannya, Penerbit Graha Ilmu, Yogyakarta, 2005

7 [6] H. Nugroho, Pengenalan Wajah dengan Jaringan Syaraf Tiruan Backpropagation, Proc. of SNATI, 2005, F-59 F62 [7] G. Lu, Multimedia Database Management Systems, Artech House Inc., USA, 1963 [8] J.S.J. Wong, T. Zrimec, Classification of Lung Disease Pattern using Seeded Region Growing, Lecture Notes in Artificial Intelligence : Proceedings 19 th Australian Joint Conference on Artificial Intelligence, Springer-Verlag, Germany, 2006, pp [9] B. Kr. Singh, B. Mazumdar, Content Retrieval from X-ray Images using Color & Texture Features, International Journal of Electronics Engineering, 2010, pp [10] A. Shawkat, K.A. Smith-Miles, Improved Support Vector Machine Generalization using Normalized Input Space, LNAI, Springer- Verlag, Heidelberg, 2006, pp [11] A. Hermawan, Jaringan Syaraf Tiruan Teori dan Aplikasi, Penerbit Andi, Yogyakarta, 2006 [12] D. Pratiwi, Sistem Deteksi Penyakit Pengeroposan Tulang dengan Metode Jaringan Syaraf Tiruan Backpropagation dan Representasi Ciri dalam Ruang Eigen, Proceedings of SNTI, 2010, pp. TIF 3-1 TIF 3-7.