APLIKASI MODEL JARINGAN SYARAF TIRUAN DENGAN RADIAL BASIS FUNCTION UNTUK MENDETEKSI KELAINAN OTAK (STROKE INFARK)

APLIKASI MODEL JARINGAN SYARAF TIRUAN DENGAN RADIAL BASIS FUNCTION UNTUK MENDETEKSI KELAINAN OTAK (STROKE INFARK) Yohanes Tanung Sarwono 1) 1) S1/Jurusan Sistem Informasi, Sekolah Tinggi Manaemen Informatika & Teknik Komputer Surabaya, email: ytanung86@yahoo.com Abstract: stroke disease is one of the deadly diseases caused by blockage of blood vessel. Neural Network as one of Artificial Intelligence areas which simulate like human neuron brain and convert it into mathematics calculation. Preprocessing used to convert brain images into numerical. This numerical will be input to clustering process and training it with Neural Network that use Radial Basis Method. Result of this training method will be used to analyze and predict brain image whether to be normal or stroke. Keywords: Digital Image Processing, Artificial Intelligence, Neural Network, K-Means Cluster, Stroke Disease Di negara-negara industri penyakit stroke menduduki peringkat ketiga penyebab kematian setelah penyakit antung dan kanker. Di Indonesia, diperkirakan setiap tahun teradi 500.000 penduduk terkena serangan stroke, dan sekitar 25% atau 125.000 orang meninggal dan sisanya mengalami cacat ringan atau berat. Di Indonesia stroke menempati urutan pertama sebagai penyebab kematian di rumah sakit. Stroke adalah serangan mendadak pada otak akibat pembuluh otak tersumbat atau pecah. Biasanya kondisi ini akan diikuti dengan gealageala seperti nyeri kepala hebat, penurunan kesadaran dan keang mendadak. Juga teradi gangguan daya ingat, keseimbangan dan gangguan orientasi tempat, waktu dan orang. Penyebab stroke dikelompokkan menadi 2 faktor, yaitu faktor medis dan perilaku. Faktor resiko medis, antara lain hipertensi (penyakit tekanan darah tinggi), kolesterol, Arteriosklerosis (pengerasan pembuluh darah), gangguan antung, diabetes, riwayat stroke dalam keluarga, dan migrain. Faktor yang kedua adalah faktor resiko perilaku, antara lain merokok (aktif & pasif), makanan tidak sehat (unk food, fast food), alkohol, kurang olahraga, kontrasepsi oral, narkoba, obesitas. Stroke dapat dibedakan menadi 2 golongan besar yaitu stroke iskemik (Infark) dan stroke perdarahan (Hemoragik). Pada stroke iskemik (Infark) teradi proses Arteriosklerosis atau darah terlalu kental yang membuat pembuluh darah otak tersumbat. Sumbatan ini teradi akibat lepasnya bekuan yang berasal dari lokasi lain. Sedangkan stroke hemoragik adalah pecahnya pembuluh darah akibat dinding pembuluh rapuh atau anomali-anomali bawaan pada usia muda. Pendeteksian dan diagnosa kelainan pada otak dilakukan oleh para radiolog dan dokter ahli. Peralatan radiologi yang berfungsi untuk mendeteksi penyekit otak salah satunya adalah Magnetik Resonance Imaging (MRI). Menurut Notosiswoyo (2004) MRI menggunakan prinsip elektromagnetik yang akan menghasilkan image tubuh kita. MRI berkaitan dengan radio frekuensi dan medan magnet yang dapat menghasilkan suatu citra (image) tanpa memakai radiasi ionisasi. Pemeriksaan gambar kelainan otak hasil MRI ini memerlukan ketelitian dan ketepatan. Lagi pula otak organ tubuh yang letaknya tersembunyi sehingga sulit dideteksi dengan mata telanang. Pendeteksian penyakit infark dari 1

gambar MRI dapat menggunakan Jaringan Syaraf Radial Basis Function (RBF). Pada prinsipnya banyak metode aringan syaraf yang telah dikembangkan, seperti Backpropagation, Self Organizing Maps (SOM), dan lain sebagainya. Alasan penggunaan aringan syaraf tiruan dengan metode RBF karena keunggulan dalam hal kecepatan iterasi ika dibandingkan dengan metode aringan syaraf tiruan lainnya. METODE PENELITIAN Digital Image Processing Melakukan pengolahan citra digital pada data gambar otak normal dan stroke infark untuk mengubah file data gambar hingga menadi menadi bentuk matriks normalisasi yang berupa angka. Berikut langkah-langkah dalam melakukan pengolahan citra : a. Proses pembacaan file gambar untuk otak normal dan stroke infark yang berukuran 185 x 185 piksel. File gambar berformat.bmp atau.jpg. b. Proses greyscale, mengubah citra warna (Red, Green, Blue) menadi citra greyscale dengan mengambil rata-rata RGB dengan persamaan: Gray = R + G + B 3 R : Tingkat intensivitas warna merah G : Tingkat intensivitas warna hiau B : Tingkat intensivitas warna biru c. Proses histogram equalisasi, merupakan proses perataan histogram, di mana distribusi nilai deraat keabuan pada suatu citra dibuat rata dan dituukan untuk memperelas gambar dengan persamaan: dimana: w c th w n n x y w: nilai keabuan hasil histogram equalization, C w : histogram kumulatif dari w, th: adalah threshold deraat keabuan (256) n x dan n y adalah ukuran gambar d. Proses filter background, merupakan proses untuk menghilangkan atau membuang latar belakang citra yang tidak diperlukan. Karena citra yang diharapkan adalah citra bagian otak saa, maka sangat penting melakukan proses filter background. e. Proses Segmentasi, membagi obyek menadi segmen-segmen yang lebih kecil sehingga diharapkan untuk pengolahan datanya dapat menadi lebih cepat. Hasil segmen ini akan diperoleh gambar yang berukuran 37 x 37 piksel. f. Proses Normalisasi, yaitu proses pada nilai intensitas tiap segmen dari citra agar bernilai 0 atau 1 dengan cara rata segmen dibagi dengan tingkat grayscale yang paling tinggi. g. Simpan hasil data normalisasi, sebagai data input di proses selanutnya. Data disimpan ke dalam bentuk file text (.txt) dan tidak menggunakan database agar lebih cepat pada saat upload data pada inputan pelatihan aringan syaraf. 2

rumus arak Eucledian (Eucledian Distance) hingga ditemukan arak yang paling dekat dari setiap data dengan centroid. Berikut adalah persamaan Eucledian Distance: d( x i, ) ( xi ) 2 Step 4 : Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid (arak terkecil). Step 5 : Mengupdate nilai centroid. Nilai centroid baru diperoleh dari rata-rata cluster yang bersangkutan dengan menggunakan rumus: ( t 1) 1 N S S dimana: (t+1) = centroid baru pada iterasi ke (t+1), x Gambar 1. Flowchart Pengolahan Citra Digital K-Means Clustering Algoritma K-Means diperkenalkan oleh J.B. MacQueen pada tahun 1976. Metode ini mempartisi data ke dalam cluster (kelompok) sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam cluster yang sama dan data yang mempunyai karakteristik berbeda dikelompokkan ke dalam kelompok yang lain. Berikut adalah langkah-langkah dari algoritma K- Means: Step 1 : Menentukan banyak K-cluster yang ingin dibentuk. Step 2 : Membangkitkan nilai random untuk pusat cluster awal (centroid) sebanyak k. Step 3 : Menghitung arak setiap data input terhadap masing-masing centroid menggunakan N S = banyak data pada cluster S Step 6 : Melakukan perulangan dari langkah 2 hingga 5 hingga anggota tiap cluster tidak ada yang berubah. Step 7 : Jika langkah 6 telah terpenuhi, maka nilai rata-rata pusat cluster ( ) pada iterasi terakhir akan digunakan sebagai parameter untuk Radial Basis Function yang ada di hidden layer. Pada gambar 2 ditunukkan diagram alir langkahlangkah dalam proses clustering dengan menggunakan metode K-Means. 3

Jika ada input yang masuk, sel akan aktif dan akan mentransmisikan sinyal ke sel lain melalui akson dan sypnatic gap. Untuk lebih elasnya susunan neuron biologis ini dapat dilihat pada Gambar 3 berikut : Gambar 3. Susunan Neuron Biologis 1 ( t 1) N S S ( t 1) Gambar 2. Flowchart K-Means Clustering Neural Network Jaringan syaraf manusia terdiri atas selsel yang disebut neuron. Ada tiga komponen utama neuron yang fungsinya dapat dianalogikan dengan yang teradi pada aringan syaraf tiruan, yaitu dendrit, soma, dan akson. Dendrit akan menerima sinyal-sinyal dari neuron lain. Sinyal tersebut merupakan impuls listrik yang ditransmisikan melalui sypnatic gap melalui proses kimia. Sedangkan, soma atau badan sel akan menumlah sinyal-sinyal input yang masuk. x Pada aringan syaraf tiruan, uga terdapat istilah neuron atau lebih sering disebut unit, sel, atau node. Setiap neuron terhubung dengan neuron-neuron lain melalui layer dengan bobot tertentu. Bobot di sini melambangkan informasi yang digunakan oleh aringan untuk menyelesaikan persoalan. Pada aringan syaraf biologis, bobot tersebut dapat dianalogikan dengan aksi pada proses kimia yang teradi pada synaptic gap. Sedangkan, setiap neuron mempunyai internal state yang disebut aktivasi. Aktivasi tersebut merupakan fungsi dari input yang diterima. Suatu neuron akan mengirim sinyal ke neuron-neuron lain, tetapi pada suatu saat, hanya ada satu sinyal yang dapat dikeluarkan walaupun sinyal tersebut ditransmisikan pada beberapa neuron lain. Pada aringan syaraf, neuron-neuron tersusun dalam layer. Neuron yang terletak dalam layer yang sama, biasanya mempunyai hubungan yang sama antara satu dengan lainnya. Pengaturan neuron dalam layer dan hubungan-hubungannya disebut arsitektur aringan. Jaringan syaraf dapat diklasifikasikan menadi dua enis, yaitu single layer dan 4

multilayer. Untuk lebih elasnya, susunan single layer dan multilayer terdapat pada Gambar 4 dan Gambar 5. Dalam aringan single layer, neuronneuron dapat dikelompokkan menadi dua bagian, yaitu unit-unit input dan unit-unit output. Unit-unit input menerima masukan dari luar sedangkan unit-unit output akan mengeluarkan respon dari aringan sesuai dengan masukannya. Sedangkan, dalam aringan multilayer, selain ada unit-unit input dan output, uga terdapat unit-unit yang tersembunyi (hidden). Jumlah unit hidden tersebut tergantung pada kebutuhan. Semakin kompleks aringan, unit hidden yang dibutuhkan makin banyak, demikian pula umlah layernya. Pada Gambar 5 terdapat tiga buah layer dengan bobot v dan w. Jaringan multilayer sering dipakai untuk persoalan yang lebih rumit karena pelatihan untuk hal yang kompleks akan lebih berhasil ika menggunakan aringan multilayer. Gambar 5. Jaringan Syaraf Multilayer Radial Basis Function Algorithm Topologi aringan RBFN (Radial Basis Function Network) terdiri dari layer input unit, layer hidden unit dan layer output unit. Topologi RBFN digambarkan sebagai berikut: Gambar 6. Topologi Radial Basis Function Network Berikut langkah-langkah proses pelatihan aringan dengan metode RBF: Gambar 4. Jaringan Syaraf Single Layer Step 1 : Inisialisasi centre data input matriks normalisasi dan dan centre hasil perhitungan K- Means Clustering. Step 2 : Melakukan inisialisasi nilai spread yang akan digunakan pada perhitungan matriks Gaussian. 5

Step 3 : Menentukan sinyal input ke hidden layer dan menghitung nilai fungsi aktivasinya pada tiap hidden layer menggunakan rumus berikut: m X t = 1,2,3,... Sesuai dengan umlah training pattern = 1,2,3 sesuai dengan umlah hidden unit vektor input vektor data sebagai center Step 4 : Menghitung bobot baru (W) dengan mengalikan pseudoinverse dari matriks G dengan vector target (d) dari data training dengan menggunakan rumus pada persamaan berikut: Step 5 : Menghitung nilai output aringan Y(n) menggunakan rumus pada persamaan berikut: Gambar 7. Flowchart Proses Training Jaringan Syaraf Tiruan dengan Metode Radial Basis Function Step 6 : Simpan nilai hasil training. Hasil training yang disimpan adalah data center 1, center 2, nilai output dan nilai spread yang digunakan dalam proses training aringan syaraf. Data hasil training tersebut disimpan ke dalam file teks (.txt). Berikut diagram alir proses training aringan syaraf tiruan dengan menggunakan metode RBF (Radial Basis Function). Testing Algorthm Ui coba atau testing pada aplikasi digunakan untuk melakukan validasi apakah telah memberikan output sesuai dengan yang diharapkan. Berikut langkah-langkah dalam melakukan ui coba: Step 1 : Inisialisasi center hasil perhitungan algoritma K-Means, dengan memanggil centroid 1 dan centroid 2 iterasi terakhir. Step 2 : Inisialisasi range output target hasil perhitungan RBF (spread value, W1, W2 dan bias). 6

Step 3 : Upload data gambar untuk di ui coba atau validasi. Step 4 : Proses greyscale, mengubah citra warna (Red, Green, Blue) menadi citra greyscale dengan mengambil rata-rata RGB. Step 5 : Proses histogram equalisasi, merupakan proses perataan histogram, di mana distribusi nilai deraat keabuan pada suatu citra dibuat rata dan dituukan untuk memperelas gambar. Step 6 : Proses Segmentasi, yaitu membagi obyek menadi segmen-segmen yang lebih kecil sehingga diharapkan untuk pengolahan datanya dapat menadi lebih cepat. Dari hasil segmen ini akan diperoleh gambar yang berukuran 37 x 37 piksel. Step 7 : Proses Normalisasi, yaitu proses pada nilai intensitas tiap segmen dari citra agar bernilai 0 atau 1 dengan cara rata segmen dibagi dengan tingkat greyscale yang paling tinggi. Step 8 : Menghitung nilai output aringan Y(x). Step 9 : Melakukan pengecekan terhadap nilai Y(x) apakah lebih kecil dari batas atas Y normal. Step 10 : Cetak hasil analisa gambar, termasuk otak normal (ika Y(x) lebih kecil dari batas atas Y normal) dan otak infark (Jika Y(x) lebih besar dari batas atas Y normal). Gambar 8. Flowchart Ui Coba Aplikasi HASIL DAN PEMBAHASAN Digital Image Processing Form image processing atau pengolahan citra digunakan untuk mengolah data gambar menadi data akhir yang lebih sederhana yaitu data matriks normalisasi yang terdiri dari angkaangka. 7

Radial Basis Function Training Form RBF training digunakan untuk melakukan pelatihan aringan syaraf tiruan dari inputan hasil normalisasi. Data normalisasi akan dicluster terlebih dahulu dengan K-Means untuk menghasilkan nilai centre 1 dan centre 2 yang akan digunakan pada pelatihan aringan syaraf. Gambar 9. Tab Step 1 (Data Gambar Input dan Greyscale) Gambar 12. Tab Data (Input Matriks Normalisasi dan Generate Centroid Awal) Gambar 10. Tab Step 2 (Pengolahan Citra dari Histogram hingga Equalization) Gambar 13. Tab Cluster (Clustering dengan K- Means ke cluster 1 dan cluster 2) Gambar 11. Tab Step 3 (Proses Segmentasi, Matriks dan Vektor Normalisasi) 8

output Y(x) untuk gambar yang diui coba. Y(x) akan dibandingkan dengan batas bawah (minimal value) dan batas atas (máximum value) untuk memeperoleh analisa apakah data gambar termasuk gambar otak normal atau otak stroke infark. Kesimpulan hasil analisa akan muncul pada groupbox Analisa JST-RBF. Gambar 14. Tab RBF Step 1 (Proses Training Radial Basis Function) Gambar 16. Form Validasi (Proses Pengolahan Citra dan Analisa) Gambar 15. Tab RBF Step 2 (Proses Training RBF hingga Matriks W) Validasi Form validasi merupakan form ui coba data gambar. Inputan pada form ini adalah data gambar otak yang akan diui untuk dianalisa apakah termasuk otak normal atau otak infark. Data gambar diolah terlebih dahulu yaitu melalui proses greyscale, tresholding, histogram equalization, dan segmentation. Output gambar dari segmentasi akan diolah menadi matriks normalisasi 37 x 37 kemudian menadi vektor normalisasi 1 x 1369. Kemudian vektor normalisasi akan dihitung menggunakan centroid 1 dan 2 hasil clustering, nilai spread, matriks W dan bias, sehingga akan menghasilkan nilai Gambar 17. Form Validasi (Hasil Analisa) SIMPULAN Berdasarkan hasil evaluasi yang telah dilakukan dalam pembuatan Aplikasi Model Jaringan Syaraf Tiruan dengan Radial Basis Function dapat disimpulkan bahwa Tugas Akhir telah sesuai dengan tuuan. Berikut adalah beberapa poin kesimpulan dari pengeraan Tugas Akhir ini: 9

1. Sistem telah berhasil menangani pengolahan citra dari proses input gambar hingga normalisasi dengan memakai beberapa persamaan. 2. Sistem telah mengimplementasikan proses pelatihan aringan syaraf tiruan yang dimulai dengan clustering dan kemudian dilatih dengan metode RBF. 3. Sistem dapat melakukan validasi dengan memberi input data gambar, kemudian sistem akan memberikan estimasi hasil analisa. 4. Sistem RBF memiliki keunggulan dalam hal kecepatan pelatihan karena tidak ada target iterasi pada proses pelatihan (hanya 1 kali alan). 5. Data input memiliki peran penting, oleh karena itu dibutuhkan data gambar tanpa konversi signifikan dan dalam umlah banyak (misal >50 gambar). Russell, Stuart, Peter Norvig. 2003. Artificial Intelligence A Modern Approach (second edition). Person Education, Inc: New Jersey. World Health Organization. 2010. Cardiovaskuler Disease : prevention and control,(online), (http://www.who.int/dietphysicalactivity/ publications/facts/cvd/en, diakses 1 November 2010). Yayasasan Stroke Indonesia. 2009. Stroke Urutan Ketiga Penyakit Mematikan. (Online), (http://www.yastroki.or.id/read.php?id=3 00, diakses 1 November 2010) Yayasasan Stroke Indonesia. 2009. 2 Macam Jenis Stroke dan Teknik Deteksi. (Online), (www.yastroki.or.id/read.php?id=205, diakses 1 November 2010). DAFTAR RUJUKAN Basuki, Achmad., Jozua Palandi, Fatchurrochman. 2005. Pengolahan Citra Menggunakan Visual Basic. Graha Ilmu: Yogyakarta. Hermawan, Arief. 2006. Jaringan Syaraf Tiruan, Teori dan Aplikasi. Penerbit Andi: Yogyakarta. Joesoef, A.A. 2004. Aspek Biomolekuler dari Iskemia Otak Akut. RSUD Dr. Soetomo, Malang. Kendall, K.E., Kendall, J.E. 2003. Analisis dan Perancangan Sistem (Edisi Bahasa Indonesia). PT. Prenhallindo: Jakarta. Kuswara, Setiawan. 2003. Paradigma Sistem Cerdas, Artificial Intelligence. Bayumedia: Malang. Mackay, David J.C. 2004. Information Theory, Inference, and Learning Algorithms. Cambridge Universisty Press. Notosiswoyo, Mulyono dan Suswati, Susy. 2004. Pemanfaatan Magnetic Resonance Imaging sebagai Sarana Diagnosa Pasien. Media Litbang Kesehatan Volume XIV Nomer 3. 10