Makalah Tugas Akhir. Abstract

Transkripsi

1 Maalah Tugas Ahir IDENTIFIKASI JENIS PENYAKIT KULIT BERDASARKAN ANALISIS WARNA DAN TEKSTUR PADA CITRA KULIT MENGGUNAKAN KLASIFIKASI K-NEAREST NEIGHBOR Faris Fitriato 1, R Rizal Isato 2, Ajub Ajulia Zahra. 2 Abstract Humas have the ability to classify the image ito the appropriate classes. These huma capabilities whe applied to software system, will be very useful. Therefore, research o huma capabilities is required to be doe which ca be applied i the system. The purpose of the research is to develop a software that is able to classify the image ito the appropriate classes usig color ad texture aalysis, i this case, the image used of the diseased si. I this research, several methods are used: usig the color histogram, Edge Histogram Descriptor (EHD) or a combiatio of both of them. Level color histogram used 8, 64, or 256 optioal colors. While EHD used 2x2, 3x3, or 4x4 optioal regio. The aalysis begis with the color quatizatio process to obtai a miimum grayscale value for which its histogram is obtaied. While texture aalysis begis with the divisio of image ito several regios ad the five edge detectio operators are applied: vertical, horizotal, 45 degrees, 135 degrees, ad isotropic which the values will be determied as a bloc edge whe exceedig predetermied threshold. These steps are applied to the traiig image which is the stored as database. The secod step is to calculate the Euclidea distace betwee the values of color histogram ad EHD o the image will be classified ito a traiig image i database. The third step usig K- Nearest Neighbor method is to determie image ito oe class of disease type. The highest level of recogitio is achieved i combiatio method of color ad texture features extractio, that i the 64 level of color histogram ad 2x2 level of EHD which has a average accuracy of 68.57%. While the lowest level of recogitio is achieved i 4x4 level of EHD method, that is 52.89%. This is caused by usig combiatio of these methods, the extracted features has closer Euclidea distace to a particular type of disease rather tha oly uses oe method. Keywords: color histogram, EHD, Euclidea distace, the si disease. I. PENDAHULUAN 1.1 Latar Belaag Mausia mampu membedaa citra mejadi beberapa elas-elas. Kemampua mausia tersebut apabila diterapa e dalam suatu sistem yag berupa peragat lua maupu peragat eras, aa sagat bergua dalam baya hal. Dalam tugas ahir ii aa dibuat suatu sistem berupa peragat lua yag mampu meglasifiasia citra peyait ulit e dalam elas-elas tertetu secara automatis, sehigga mampu meyerupai emampua mausia utu meglasifiasia citra. Jeis peyait ulit yag diguaa diambil dari empat elas yag berbeda, yaitu : psoriasis, dermatitis, herpes, da sabies. Keempat jeis peyait ulit tersebut secara fisi memilii betu yag has yag mampu dibedaa secara bai oleh peglihata mausia. Namu perlu dilaua peelitia, sejauh maa suatu sistem yag dalam hal ii berupa peragat lua, mampu megeali elas peyait ulit tersebut dega megguaa metode aalisis wara da testur da metode lasifiasi K-Nearest Neighbor dega jara Euclidea. 1.2 Tujua Tujua dari tugas ahir ii ialah : pertama, membuat peragat lua yag mampu meglasifiasia citra ulit berpeyait ulit e dalam empat jeis yag berbeda megguaa metode histogram wara da edge histogram descriptor (EHD) dega metode lasifiasi K- Nearest Neighbor dega jara Euclidea. Kedua, meeliti tigat pegeala peragat lua terhadap citra ulit berpeyait ulit dega cara melaua pegujia da aalisis terhadap berbagai tigat level uatisasi wara da tigat EHD yag diguaa. 1.3 Pembatasa Masalah Pembatasa masalah dalam tugas ahir ii adalah : 1. Data masua yag mejadi obje adalah beberapa citra dari empat jeis ulit berpeyait, yaitu: psoriasis, dermatitis, herpes, da sabies. 2. Ciri wara diestrasi megguaa histogram wara, sedaga ciri testur diestrasi dega (EHD) 3. Metode pegeala yag diguaa adalah metode jara Euclidea. 1 1 Mahasiswa Tei Eletro UNDIP 2 Dose Tei Eletro UNDIP

2 2 II. DASAR TEORI 2.1 Wara Wara merupaa ciri yag palig espresif dibadiga dega ciri visual yag lai. Wara juga merupaa salah satu ciri yag palig baya diguaa dalam pegeala citra. 2.2 Kuatisasi Seragam (Uiform Quatizatio) Ciri wara yag diestra diharapa memilii dimesi yag semiimal mugi. Oleh area itu, histogram dibetu setelah melalui proses uatisasi utu meredusi jumlah aras eabua. Dalam Kuatisasi Seragam, tiap sumbu dalam ruag wara diuatisasi secara terpisah. Tiap sumbu dibagi-bagi mejadi beberapa segme yag uuraya sama. Kuatisasi Seragam diyataa dega persamaa sebagai beriut. p( r ) meujua bahwa fugsi meyataa r peluag emucula aras eabua dalam gambar. Utu medapata ilai bi dega dimesioalitas yag redah, ilai tiap bi diuatisasi dega megguaa metode Kuatisasi Seragam. Pada cotoh di bawah, citra beruura 16x16 pisel dega 256 aras eabua yag memilii data bitmap yag ditujua pada Gambar 2.10 ii aa diuatisasi mejadi 8 aras eabua. Nilai hasil uatisasi (i) dapat dihitug dega persamaa 2.1, cotoh perhitugaya adalah sebagai beriut. y y i = L ( N 1)..(2.1) yu yl Dega ilai y adalah ilai pisel aras eabua sebelum diuatisasi, yl adalah ilai batas bawah aras eabua, yu adalah ilai batas atas aras eabua da N adalah batas atas pisel aras eabua hasil uatisasi 2.3 Histogram Wara (Color Histogram) Salah satu metode yag dapat diguaa utu megestra ciri wara dari sebuah gambar adalah dega megguaa metode histogram wara. Histogram dari sebuah gambar digital dega aras eabua dalam retag [0, L-1] memilii persamaa sebagai beriut. h ( r ) =.(2.2) r Dega adalah aras eabua e- da adalah jumlah pisel dalam gambar yag memilii aras eabua e-. Umumya histogram megalami proses ormalisasi dega cara membagi ilai tiap bi dega jumlah seluruh pisel yag ada dalam gambar yag diwaili oleh variabel. dega demiia, histogram terormalisasi dari sebuah gambar dapat diyataa dega persamaa beriut. p ( r ) = (2.3) Dega adalah jumlah emucula pisel dega aras eabua e- da adalah jumlah total pisel dalam citra. Persamaa di atas Gambar 2.1 Data bitmap Pada gambar diatas, utu pisel pada posisi palig iri atas dapat dilihat bahwa y = 242, yl = 0, yu = 255, da N = 8, sehigga ilai pisel tersebut setelah diuatisasi dapat diperoleh dega perhituga beriut. y y i = L (N 1) yu y L = (242/(255-0)) x (8-1) = 7 Dega melaua uatisasi higga pisel yag terahir maa didapata data bitmap baru hasil uatisasi, seperti yag ditujua pada Gambar 2.2. Setelah itu, dibuat histogram wara utu meggambara distribusi wara dalam citra. probabilitas emucula pisel dega aras eabua e- (p(r)) dapat dihitug dega megguaa persamaa (2.3) Sebagai cotoh pada Gambar 2.2, utu pisel pada posisi palig iri atas, dimaa ilai aras eabua-ya adalah 7, dapat dilihat bahwa = 16 da = 256 maa probabilitas emucula pisel dega aras eabua e-7 adalah sebagai beriut.

3 3 ( r = p ) 7 7 = 16/256 = Descriptor Iterface. EHD meggambara distribusi tepi spasial. Distribusi tepi merupaa arateristi testur yag bergua dalam proses pecocoa citra baha dega odisi dimaa gambar tida memilii testur yag homoge. Lagah-lagah utu megestrasi ciri testur dega megguaa metode EHD dapat ditujua pada pejelasa beriut dega ilustrasi ditujua pada Gambar 2.4. Gambar 2.2 Data bitmap hasil proses uatisasi Dega cara seperti itu maa dapat dibuat histogram dari ilai yag dihasila ditujua pada Gambar 2.3. p(r) grey level e- Gambar 2.3 Histogram wara 8 aras eabua Histogram wara yag telah diperoleh memilii ilai probabilitas emucula pisel dega aras eabua e-0 sampai 7 yag secara berturut-turut adalah sebagai beriut: (0,078; 0,121; 0,141; 0,141; 0,152; 0,148; 0,156; 0,063). 2.4 Testur Testur adalah osep ituitif yag medesripsia tetag sifat ehalusa, easara, da eteratura dalam suatu daerah/wilayah (regio). Dalam pegolaha citra digital, testur didefiisia sebagai distribusi spasial dari derajat eabua di dalam seumpula pisel yag bertetagga. 2.5 Edge Histogram Descriptor (EHD) Edge Histogram Descriptor (EHD) merupaa salah satu metode estrasi ciri testur yag diusula di dalam MPEG-7 ISO/IEC atau juga dieal dega ama Multimedia Cotet Gambar 2.4 Ilustrasi estrasi ciri testur dega megguaa EHD 1. Membagi gambar mejadi x daerah yag sama besar. 2. Membagi tiap daerah mejadi sub-blo dega uura yag sama. 3. Membagi tiap sub-blo mejadi 2x2 partisi. 4. Merata-rataa ilai utu setiap sub-blo dalam tiap partisi sehigga tiap sub-blo dapat diperlaua sebagai gambar 2x2 pisel. 5. Meerapa pedetesi tepi pada tiap subblo. Sebuah sub-blo diyataa sebagai blo tepi jia hasil operasi sub-blo dega pedetesi tepi melebihi ilai ambag tepi yag telah ditetapa sebelumya. 6. Membuat histogram yag meggambara distribusi blo tepi. Histogram beruura 2 daerah x 5 orietasi tepi x 3 ompoe wara (R,G,B). Adapu pedetesi tepi stadar yag diguaa pada MPEG-7 ISO/IEC terdiri dari 5 operator, masig-masig utu medetesi tepi dega orietasi vertial, horisotal, 45 derajat, 135 derajat da isotropis atau ta berarah. Pada Gambar 2.5 ditujua operator pedetesia tepi yag diguaa pada MPEG-7 ISO/IEC; (a) vertial, (b) horisotal, (c) 45 derajat, (d) 135 derajat da (e) isotropis. Gambar 2.5 Pedetesi tepi stadar MPEG-7 ISO/IEC Implemetasi metode Edge Histogram Descriptor (EHD) dapat diilustrasia pada Gambar 2.6 beriut yag merupaa data bitmap dari gambar dega uura 16x16 pisel yag dibagi mejadi wilayah 2x2.

4 Hasil peerapa pedetesia tepi vertial utu daerah 1 ditujua pada Gambar Gambar 2.6 Bitmap yag dibagi mejadi 2x2 daerah Setelah itu, setiap daerah dibagi mejadi beberapa sub-blo dega uura yag sama besar. Seperti diperlihata pada gambar beriut, daerah palig iri atas dibagi mejadi 16 sub-blo beruura 2x2 pisel seperti yag ditujua pada Gambar 2.17 Gambar 2.7 Daerah yag dibagi mejadi 16 sub-blo Lagah selajutya adalah membagi setiap sub-blo mejadi 4 partisi da ilai dalam tiap partisi dirata-rataa sehigga tiap sub-blo dapat diperlaua sebagai gambar 2x2 pisel. Dalam cotoh ii, tiap partisi sudah beruura 1 pisel maa tida perlu merata-rataa ilai pisel dalam tiap partisi. Setelah itu, tiap sub-blo, eleme matrisya dialia dega 5 buah pedetesi tepi yag emudia hasilya dijumlaha, masig-masig pedetesi tepi diguaa utu medetesi tepi dega orietasi vertial, horisotal, 45 derajat, 135 derajat da isotropic. Sebagai cotoh, utu sub-blo palig iri atas pada daerah 1, hasil peerapaya dega pedetesi tepi vertial diperoleh melalui perhituga beriut Gambar 2.8 Hasil peerapa pedetesi tepi vertial pada daerah 1 Bagia yag diberi tada arsira disebut blo tepi (sub-blo yag hasil peerapaya melebihi ilai ambag tepi yag ditetapa, misalya pada cotoh ii diguaa ilai ambag tepi = 100). Kemudia dibuat histogram tepi (edge histogram) dega meghitug jumlah blo tepi dalam daerah tertetu dibagi jumlah seluruh sub-blo pada gambar. Utu cotoh diatas, dapat dilihat jumlah blo tepi = 7 da jumlah seluruh sub-blo adalah 16 sub-blo x 4 daerah = 64. Dega demiia histogram tepi dapat dibuat dega ilai eleme pertama yag dihasila adalah 7/64 atau Pedetesia tepi dilaua pada setiap daerah dega 5 orietasi tepi sehigga didapat histogram tepi dega uura 2x2 daerah diali 5 pedetesi tepi diali 3 eleme wara. Histogram tersebut disimpa dalam basis data sebagai ciri testur dalam betu vetor ciri. Pada cotoh di atas, vector ciri yag didapat adalah (0.109, dst). 2.6 Jara Euclidea Euclidea merupaa metode statistia yag diguaa utu mecari data atara parameter data referesi atau basis-data dega parameter data baru atau data uji. D i = N ( x1 x2 ) i= 0 2 (2.5) Dega D i = jara terhadap testur i yag terecil pada basis-data, x 1 = ciri dari testur ya dilasifiasia, x 2 = ciri dari testur yag terdapat pada basis-data. Testur aa dilasifiasia sebagai testur i apabila D i merupaa jara terecil dibadiga dega jara yag laiya. III. PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Alir Sistem Dalam peragat lua peglasifiasi citra

5 5 ulit berpeyait ii, terdapat proses-proses yag dilaua dari awal data dipilih, higga pada ahirya data tersebut dilasifiasia. Secara garis besar, proses-proses tersebut dielompoa pada beberapa proses utama yaitu : 1. Membuat basis data pelatiha. 2. Memilih citra masua. 3. Memilih tigat histogram wara. 4. Memilih tigat EHD. 5. Meghitug jara terdeat citra uji dega basis data. 6. Melaua proses lasifiasi. 3.2 Membuat Basis Data Pelatiha Proses yag pertama ali dilaua dalam peragat lua peglasifiasi citra ulit berpeyait ulit ii adalah memilih citra masua. Citra masua adalah membuat basis data pelatiha dega melaua estrasi ciri wara da testur data latih yag emudia disimpa dalam format yag diduug oleh Matlab 7.4, yaitu *.Mat. 3.3 Memilih Citra Masua Citra masua adalah citra ulit berpeyait ulit dega format jpg, pg, bmp atau tif 3.4 Memilih tigat histogram wara Salah satu tei estrasi ciri yag diguaa dalam program ii adalah megguaa histogram wara da citra yag dilasifiasia adalah citra dega format wara RGB (merah, hijau, biru), sehigga sebelum histogram wara dibuat, pada citra tersebut perlu dilaua pemisaha atara matris eleme R (merah), G (hijau) da B (biru) ya. Kemudia setelah matris masig-masig eleme wara terpisah, dilaua uatisasi seragam utu mempersempit dimesi matris citra. Tigat Histogram wara yag diguaa yaitu 8, 64, da 256 level wara 3.5 Memilih Tigat EHD Selai estrasi ciri dega tei histogram wara, pada program ii juga megguaa EHD sebagai pegestrasi ciri testur pada citra yag aa dilasifiasia. Seperti halya pada color histogram, diareaa citra yag aa dilasifiasia adalah citra dega format wara RGB (merah, hijau, biru), sehigga sebelum EHD dilaua, pada citra tersebut perlu dilaua pemisaha atara matris eleme R (merah), G (hijau) da B (biru) ya Setelah masig-masig eleme RGB terpisah, lagah pertama pada EHD adalah membagi matris citra mejadi x daerah. Lagah selajutya adalah meerapa 5 macam operator pedetesi tepi pada masigmasig daerah. 5 macam operator pedetesi tepi yag diguaa dalam program ii atara lai operator pedetesi tepi dega orietasi vertial, horizotal, 45, 135 da isotropis. 3.6 Melaua Proses Klasifiasi Perhituga jara diguaa utu meetua edeata jara atara etropi dari data uji dega basis data. Perhituga jara ii megguaa rumus jara Euclidea pada persamaa 2.4. Citra dilasifiasia sebagai elas e-i yag merupaa jara terecil dibadiga dega jara yag laiya. Sedaga citra dega jara Euclidea yag lebih besar dibadiga dega basis data, aa citra tida teridetifiasi. IV. PENGUJIAN DAN ANALISIS Utu eperlua pegujia peragat lua ii, diguaa beberapa jeis peyait ulit yag aa diategoria e dalam 4 jeis, yaitu psoriasis, dermatitis, herpes da sabies. Data utu pelatiha da pegujia program apliasi idetifiasi peyait ulit ii merupaa umpula gambar ulit berpeyait yag terdiri dari 225 gambar dega ricia 100 buah citra latih da 125 buah citra uji. Semua gambar bai yag termasu e dalam data latih maupu data uji adalah gambar dalam format.*jpg dega resolusi yag sama, yaitu 200x150 pisel da telah dietahui label elasya. Ada beberapa seario pegujia yag dilaua utu tiga parameter lasifiasi. Utu lebih detailya dapat dilihat pada tabel 4.1. Tabel 4.1 Tabel seario pegujia program idetifiasi peyait ulit 4.1 Pegujia peragat lua Dega melaua pegujia peragat lua pegidetifiasi jeis peyait ulit ii sesuai dega seario yag telah ditetua, maa didapata hasil sebagai beriut

6 6 Tabel 4.2 Tabel hasil peyait ulit Metode Estrasi Ciri Aurasi Ratarata 8 Wara Wara Wara EHD 2x EHD 3x pegujia program idetifiasi Keteraga EHD 4x Teredah 8 Wara & EHD 2x Wara & EHD 3x Wara & EHD 4x Wara & EHD 2x Tertiggi 64 Wara & EHD 3x Wara & EHD 4x Wara & EHD 2x Wara & EHD 3x Wara & EHD 4x Berdasara Tabel 4.2 terlihat bahwa gabuga metode estrasi wara da testur berpegaruh terhadap tigat aurasi lasifiasi. Klasifiasi megguaa ombiasi Histogram wara 64 bi (64 wara) dega EHD 2x2 wilayah memilii tigat aurasi rata-rata yag palig masimum dibadiga megguaa metode estrasi ciri yag lai. Tigat aurasi rata-rata pegeala dega ombiasi edua metode etrasi ciri tersebut mecapai 68,57%. V. PENUTUP 5.1 Kesimpula Dari hasil pegujia da aalisis maa dapat disimpula hal-hal sebagai beriut. 1. Kodisi citra da hasil yag didapata dari hasil croppig berpegaruh terhadap pola ciri yag dihasila, bai yag megguaa histogram wara, EHD, maupu gabuga dari eduaya. 2. Ciri gambar, metode estrasi ciri da ilai variabel (jumlah tetagga terdeat yag diguaa sebagai acua saat melaua votig dalam peetua elas peyait) berpegaruh terhadap tigat aurasi lasifiasi citra dega metode - Nearest Neighbor. 3. Gabuga ciri wara da testur yag memberia tigat aurasi lasifiasi palig tiggi adalah gabuga histogram wara 64 bi (64 wara) da EHD 2x2, yaitu sebesar 68,57%. Hal ii diaibata area pada ombiasi 64 wara dega EHD 2x2 terdapat esamaa/emiripa vetor-vetor ciri atar peyait yag palig sediit bila dibadiga dega metode atau ombiasi-ombiasi laiya. 4. Pemiliha data latih yag dimasua dalam proses pelatiha mempegaruhi tigat aurasi sistem. 5.2 Sara Berdasara pegujia terhadap program idetifiasi peyait ulit ii, dapat diberia beberapa sara atara lai pegembaga elas peyait pada sistem pedetesia peyait ulit dega jeis peyait ulit mecaup elas yag lebih baya, pegguaa data latih da data uji yag lebih baya agar sistem dapat megeali berbagai variasi data pada masig-masig elas peyait ulit, da juga pada proses lasifiasi bisa diguaa metode yag lai sehigga bisa dibadiga hasilya. DAFTAR PUSTAKA [1] Ahmed, M.A.S. Image Processig: Theory, Algorithm ad Architecture. McGrawHill, [2] Away, A. da Guaidi. The Shortcut of MATLAB Programmig. Peerbit Iformatia, Badug, [3] Ha, J. ad M. Kamber, Data Miig Cocept ad Techiques. Academic Press, Sa Fracisco, [4] Marvi,C. W. da Agus P. Pegolaha Citra Digital Megguaa Matlab Image Processig Toolbox. Peerbit Iformatia, Badug, 2007 [5] Sjamsoe, D. S, Emmy. Peyait Kulit Yag Umum Di Idoesia. Jaarta : Peerbit PT. Medical Multimedia Idoesia, [6] ---, K. K-Nearest Neighbor Tutorial., ial/ KNN/, April [7] ---, Texture Features, 1c/lectures/Glect-pdf/2006- CS708GG-07.pdf, December [8] ---, Uiform Quatizatio, ~matt/ courses/ cs563/tals/color_quat/cquiform.h tml, July-2010

7 7 BIOGRAFI PENULIS Faris Fitriato, lahir di Semarag 23 Mei Meempuh pedidia di SD Supriyadi Semarag, SMP N 9 Semarag, SMA N 3 Semarag, da saat ii sedag meyelesaia pedidia program Strata 1 Jurusa Tei Eletro Uiversitas Dipoegoro dega megambil osetrasi Eletroia Teleomuiasi. Motto hidup yag dimilii peulis adalah Ma Jadda Wa Jadda. Meyetujui da Megesaha, Pembimbig I R. Rizal Isato, S.T., M.M., M.T. NIP Taggal :.. Pembimbig II, Ajub Ajulia Zahra, S.T., M.T. NIP Taggal...