adln perpustakaan universitas airlanggarepository.unair.ac.id/25570/83/25570.pdf · adapun cara...

31

BAB IV

HASIL DAN PEMBAHASAN

Pada bab ini akan diberikan beberapa penjelasan mengenai proses

pengolahan citra, hasil penelitian dan pembahasan pendeteksian kanker serviks

berdasarkan image hasil CT-Scan, yang meliputi hasil dari image processing (

preprocessing ) serta hasil training dan testing menggunakan jaringan syaraf

tiruan perceptron.

4.1 Proses Pengolahan Citra

Proses pengolahan citra yang akan dibahas merupakan proses dari

segmentasi, histogram, dan feature extraction.

4.1.1 Proses histogram

Informasi suatu citra dapat diwakili oleh histogram, yaitu dengan

menunjukkan jumlah titik yang ada dalam suatu citra untuk setiap tingkat

keabuan. Pada hal ini, sumbu x (absis) menunjukkan tingkat warna, sedangkan y

(ordinat) menunjukkan frekuansi kemunculan titik.

Adapun cara untuk menentukan histogram pada penelitian ini adalah

sebagai berikut :

1. Suatu citra grayscale leher rahim hasil CT scan format Dicom berukuran

1800 x 1400 pixel dikonversikan pada format JPEG dengan ukuran 425 x

374 pixel menggunakan photoshop. Cara ini ditunjukkan pada Gambar 4.1

(a) dan (b).

ADLN Perpustakaan Universitas Airlangga

Skripsi Deteksi Kanker Serviks (Carsinoma Cerviks Uteri) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan

Dewi Ari Nirmawaty

32

2. Mencari skala keabuan citra digital. Citra digital ini ditunjukkan dengan

tinggi N dan lebar M ( N x M ) dengan matrik berukuran N baris dan M

kolom, dan masing-masing elemen pada citra digital disebut pixel, pada

hal ini merupakan citra leher rahim berukuran 425 x 374 pixel dengan

intensitas beragam pada tiap pixelnya, direpresentasikan secara numerik

dengan matriks yang terdiri dari 425 baris dan 374 kolom. Contoh proses

ini ditunjukkan pada Gambar 4.2.

3. Menggambarkan matrik tersebut pada sebuah grafik sesuai dengan pallet

warna yang telah diinformasikan pada photoshop. Ditunjukkan pada

Gambar 4.3 (a) dan (b).

(a) (b)

Gambar 4.1 (a). Citra hasil CT-Scan format Dicom 1800 x 1400 pixel

(b). Hasil Resize Gambar (a) menjadi format JPEG berukuran 425 x 374 pixel



Dewi Ari Nirmawaty

33

Gambar 4.2 Nilai matrik Gambar 4.1 (b)

(a)

(b)

Gambar 4.3 (a). Informasi pallet dan format file citra

(b). hasil histogram dari banyaknya kemunculan intensitas matrik Gambar 4.2



Dewi Ari Nirmawaty

34

4.1.2 Proses segmentasi dan feature extraction

Ada bermacam-macam teknik segmentasi yang ada, semuanya

digolongkan dalam 2 jenis berdasarkan cara kerjanya, yaitu segmentasi

berdasarkan intensitas warna ( derajat keabuan ) dan segmentasi berdasarkan

karakteristik. Yang digunakan dalam penelitian ini adalah segmentasi berdasarkan

intensitas warna. Segmentasi ini dilakukan dengan cara membagi citra dari

histogram citra, yakni :

1. Mencari intensitas maksimum dan minimum pada histogram yang

digunakan dalam citra awal. Cara ini ditunjukkan pada Gambar 4.4 (a) dan

(b).

2. Dari intensitas minimum ke maksimum dilakukan pembagian sejumlah

N.N ini menentukan jumlah objek yang diharapkan ada pada gambar.

3. Setelah dilakukan pembagian, histogram akan terbagi menjadi bagian-

bagian yang disebut dengan cluster, kemudian pada citra dilakukan

penelusuran untuk seluruh titik, setiap titik akan digrupkan ke cluster

terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada

gambar. Cara berikut ditunjukkan pada Gambar 4.4 (c).

4. Cari hasil rata-rata/mean dari seluruh titik pada setiap cluster, kemudian

mengganti warna seluruh titik dalam cluster-cluster tersebut dengan rata-

rata dari cluster masing-masing.

5. Dilakukan penggantian warna pada citra yang nilai clusternya

menunjukkan kanker dengan warna merah, dan citra yang menunjukkan

tulang dengan warna biru. Cara nomor 5 ini ditunjukkan pada Gambar 4.5.



Dewi Ari Nirmawaty

35

(a)

min max

(b)



Dewi Ari Nirmawaty

36

cluster 3

cluster 1 cluster 2 cluster 4

(c)

Gambar 4.4 (a). Data mentah citra hasil CT Scan

(b). Intensitas nilai histogram min dan max dari Gambar 4.4 (a)

(c). Hasil cluster nilai histogram dari Gambar 4.4 (a)

Gambar 4.5 Hasil segmentasi dari data mentah Gambar 4.4 (a)



Dewi Ari Nirmawaty

37

4.2 Hasil Penelitian

Hasil penelitian yang akan dibahas merupakan hasil dari dua perlakuan,

yang pertama adalah hasil dari image processing (preprocessing) dan yang kedua

adalah hasil dari training dan testing data menggunakan jaringan syaraf tiruan.

4.2.1 Hasil image processing ( preprocessing )

Adapun data hasil preprocessing yang meliputi histogram, segmentasi dan

ekstraksi ciri adalah sebagai berikut :

Gambar 4.6 hasil preprocessing, warna merah menunjukkan adanya kelainan

kanker serviks, dan warna biru menunjukkan warna tulang.

Gambar 4.6 Hasil preprocessing data 1



Dewi Ari Nirmawaty

38









Dewi Ari Nirmawaty

39









Dewi Ari Nirmawaty

40









Dewi Ari Nirmawaty

41









Dewi Ari Nirmawaty

42









Dewi Ari Nirmawaty

43









Dewi Ari Nirmawaty

44









Dewi Ari Nirmawaty

45


Gambar 4.21 hasil preprocessing, menunjukkan data normal, yang terdeteksi

hanya warna biru pada tulang.






Dewi Ari Nirmawaty

46









Dewi Ari Nirmawaty

47









Dewi Ari Nirmawaty

48






hanya titik-titik warna biru pada tulang.



Dewi Ari Nirmawaty

49









Dewi Ari Nirmawaty

50









Dewi Ari Nirmawaty

51









Dewi Ari Nirmawaty

52




4.2.2 Hasil training data menggunakan jaringan syaraf tiruan

Proses training ini akan didapat nilai w ( bobot ) dan b ( bias ) baru.

Diberikan contoh perhitungan training data secara manual menggunakan jaringan

syaraf tiruan perceptron seperti berikut ini :

Jika diketahui, w awal = [0 0], b = [0], learning rate (α) = 1, treshold 0.2. dengan

nilai data 1 ( x1 dan x2 = 1, dan t = 1 ) dan data 1 ( x1 = 1; x2 = 0, dan t = -1 )

maka dapat dihitung data ke 1 =

Y_in = b + ∑xiwi w2baru = wawal + α.t.x2

= 0 + (1.0) + (1.0) = 0 = 0 + 1.1.1 = 1

y = 0 ; t = 1 bbaru = bawal + α.t

w1baru = wawal + α.t.x1 = 0 + 1.1 = 1

= 0 + 1.1.1 = 1



Dewi Ari Nirmawaty

53

Data ke 2

Y_in = b + ∑xiwi w2baru = wawal + α.t.x2

= 1 + (1.1) + (0.1) = 2 = 1 + 1.(-1).0 = 1

y = 1 ; t = -1 bbaru = bawal + α.t

w1baru = wawal + α.t.x1 = 1 + 1.(-1) = 1

= 1 + 1.(-1).1 = 0

Pada proses training data, jumlah data yang digunakan adalah 20 data,

yang terdiri dari 10 data image normal dan 10 data image dengan kelainan kanker

serviks. Adapun hasil dari training data menggunakan jaringan syaraf tiruan

sesuai yang ditunjukkan pada Gambar 36 sampai Gambar 55 di bawah ini :

Gambar 4.36 Hasil training data 1

Gambar 4.36 hasil training, menunjukkan data sakit yang ditandai dengan warna

merah dan hasil keluaran dari jaringan syaraf tiruan.



Dewi Ari Nirmawaty

54









Dewi Ari Nirmawaty

55









Dewi Ari Nirmawaty

56









Dewi Ari Nirmawaty

57









Dewi Ari Nirmawaty

58





Gambar 4.46 hasil training, menunjukkan data sehat yang ditandai dengan tidak

terdeteksi warna merah dan hasil keluaran dari jaringan syaraf tiruan.



Dewi Ari Nirmawaty

59


Gambar 4.47 hasil training, menunjukkan data sehat yang ditandai dengan hasil

keluaran dari jaringan syaraf tiruan.






Dewi Ari Nirmawaty

60









Dewi Ari Nirmawaty

61









Dewi Ari Nirmawaty

62









Dewi Ari Nirmawaty

63




Dari Gambar 36 sampai Gambar 55 maka didapatkan hasil yang

ditunjukkan pada Tabel 4.1 berikut ini :

Tabel 4.1 Tabel hasil training data

No. Data Jumlah Epoch

X1 X2 Target

1 Data 1 10 iterasi 1 1 Kanker 2 Data 2 10 iterasi 1 1 Kanker

3 Data 3 10 iterasi 1 1 Kanker








11 Data 11 10 iterasi 0 0 Normal 12 Data 12 10 iterasi 0 0 Normal 13 Data 13 10 iterasi 0 1 Normal



Dewi Ari Nirmawaty

64

14 Data 14 10 iterasi 0 1 Normal 15 Data 15 10 iterasi 0 0 Normal 16 Data 16 10 iterasi 0 0 Normal 17 Data 17 10 iterasi 0 0 Normal 18 Data 18 10 iterasi 0 0 Normal 19 Data 19 10 iterasi 0 0 Normal 20 Data 20 10 iterasi 0 1 Normal

4.2.3 Hasil testing data menggunakan jaringan syaraf tiruan

Pada proses testing data ini, jumlah data yang digunakan adalah 10 data,

yang terdiri dari 2 data image normal dan 2 data image dengan kelainan kanker

serviks. Selanjutnya diambil 6 secara acak dan yang sebelumnya belum diketahui

apakah data tersebut tergolong image normal atau kah image dengan kelainan

kanker serviks. Dan selanjutnya akan di tes dengan diagnosa dokter untuk

diketahui hasil yang sebenarnya. Adapun hasil dari testing data menggunakan

jaringan syaraf tiruan ditunjukkan pada Gambar 56 sampai Gambar 65 sebagai

berikut :

Gambar 4.56 Hasil testing data 1



Dewi Ari Nirmawaty

65

Gambar 4.56 hasil testing, menunjukkan data sakit yang ditandai dengan

terdeteksinya warna merah pada gambar dan hasil keluaran dari jaringan syaraf

tiruan. Dimana nilai rentang kanker yang tertera pada program merupakan

keluaran dari input gambar yang dijadikan masukan pada proses jaringan syaraf

tiruan.



terdeteksinya warna merah dan hasil keluaran dari jaringan syaraf tiruan.



Dewi Ari Nirmawaty

66









Dewi Ari Nirmawaty

67





Gambar 4.61 hasil testing, menunjukkan data sehat yang ditandai dengan tidak




Dewi Ari Nirmawaty

68









Dewi Ari Nirmawaty

69









Dewi Ari Nirmawaty

70

Dari Gambar 56 sampai Gambar 65, maka didapatkan hasil yang ditunjukkan

pada Tabel 4.2 berikut ini :

Tabel 4.2 Tabel hasil testing atau pengenalan data masukan baru

No. Data X1 X2 Target Hasil

1 Data 1 1 1 Kanker Benar 2 Data 2 0 1 Normal Benar 3 Data 3 1 1 Kanker Benar 4 Data 4 1 1 Kanker Benar 5 Data 5 1 1 Kanker Benar 6 Data 6 0 0 Normal Benar 7 Data 7 0 1 Normal Benar 8 Data 8 0 1 Kanker Salah 9 Data 9 0 0 Normal Benar

10 Data 10 0 0 Normal Benar

4.3 Pembahasan

Setelah dilakukan tahapan proses deteksi kanker serviks yang meliputi

proses pengolahan citra atau preprocessing, training dan testing menggunakan

jaringan syaraf tiruan perceptron. Dalam kegiatan deteksi kelainan kanker serviks

yang dianalisis dari beberapa gambar hasil CT-Scan dengan proses image

processing atau preprocessing yang meliputi histogram, segmentasi serta ekstraksi

ciri. Tahap pertama, gambar dalam file dikonversi dalam bentuk digital. Pada

tahap kedua, setelah diketahui matriks tingkat keabuan dari masing-masing

gambar, dilakukan proses histogram untuk mengetahui bentuk grafik dari masing-

masing gambar. Lalu dilakukan tahap ketiga, dimana pada tahap ini akan

dilakukan proses segmentasi warna sebagai bentuk dari proses ekstraksi ciri, pada

tahap ketiga ini dilakukan pengenalan dan pencarian organ yang mengalami



Dewi Ari Nirmawaty

71

kanker pada gambar hasil CT-Scan secara otomatis. Pada tahapan ini hasil deteksi

kanker serviks sudah dapat diketahui, seperti yang telah ditunjukkan pada Gambar

4.6 sampai dengan Gambar 4.35, bahwa warna biru menunjukkan keterangan dari

sebuah gambar tulang dan warna merah menunjukkan adanya kelainan kankernya.

Ketiga tahapan tersebut dilakukan pada masing-masing gambar sebagai masukan

data untuk tahap selanjutnya.

Selanjutnya tahapan terakhir yang dilakukan adalah deteksi menggunakan

proses jaringan syaraf tiruan, yang meliputi proses pembelajaran (training) dan

testing data baru.

Pada tahap deteksi menggunakan jaringan syaraf tiruan ini, arsitektur

jaringan syaraf tiruan yang digunakan adalah jaringan syaraf tiruan perceptron,

dimana penjalaran informasi lurus ke depan dari lapisan input menuju lapisan

bobot dan bias, dan selanjutnya menuju ke lapisan output.

Seperti halnya jaringan syaraf tiruan yang lain, pelatihan dilakukan dalam

rangka melakukan pengaturan bobot, sehingga pada akhir pelatihan akan

diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot diatur secara

iteratif untuk meminimumkan fungsi kinerja jaringan. Bobot-bobot hasil dari

pelatihan ini nantinya dipakai untuk pengaturan bobot pada jaringan untuk

pengujian data pelatihan dan data baru.

Pada proses training data pada jaringan syaraf tiruan, digunakan 20 data

yang terdiri dari 10 data gambar dengan kelainan kanker serviks, dan 10 data

gambar normal.



Dewi Ari Nirmawaty

72

Selanjutnya dilakukan proses testing data pada jaringan syaraf tiruan. Pada

proses ini, digunakan 4 data masukan yang terdiri dari 2 data gambar normal dan

2 data gambar dengan kelainan kanker serviks sebagai pelatihan, dan 6 sample

gambar yang diambil secara acak yang belum diketahui secara pasti apakah

gambar tersebut tergolong gambar dengan kelainan kanker serviks atau gambar

normal. Namun setelah dilakukan pengecekan ulang, yakni dengan diagnosa

paramedis dan jaringan syaraf tiruan perceptron, ternyata terdapat 1 data yang

hasilnya tidak sesuai antara diagnosa paramedis dan hasil testing menggunkan

jaringan syaraf tiruan. Dari kesalahan testing tersebut dapat diketahui presentase

nilai eror dari deteksi yang telah dilakukan, dengan menggunakan persamaan

sebagai berikut :

% keberhasilan =��

�� x 100 %

% keberhasilan =�

� x 100 %

= 90 %



Dewi Ari Nirmawaty

adln perpustakaan universitas airlanggarepository.unair.ac.id/25570/83/25570.pdf · adapun cara...

Documents