implementasi pengklasifikasi segmen …digilib.its.ac.id/public/its-paper-37910-5110100212...i...

IMPLEMENTASI PENGKLASIFIKASI SEGMEN VASKULAR RETINA MATA DENGAN METODE

M-MEDIODS MULTIVARIAT (Kata kunci: klasifikasi, m-Mediods multivariat, segmentasi, vaskular retina)

PRESENTASI TUGAS AKHIR – KI091391

Penyusun Tugas Akhir :

Wilda Imama Sabilla

(NRP : 5110.100.212)

Dosen Pembimbing :

Dr. Chastine Fatichah, S.Kom, M.Kom.

Rully Soelaiman, S.Kom., M.Kom.

10 Juli 2014 Tugas Akhir – KI091391 1

AGENDA

Pendahuluan Perancangan

Perangkat Lunak

Uji Coba Kesimpulan

Saran



Perangkat Lunak

Uji Coba Kesimpulan

Saran


Latar Belakang


NEOVASKULARISASI Pembuluh darah tipis, lemah, mudah pecah

AKURAT DETEKSI

OTOMATIS

Rumusan Masalah

Memahami konsep praproses dan segmentasi untuk menghasilkan citra segmentasi vaskular retina.

Memahami konsep ekstraksi fitur pada vaskular retina.

Memahami konsep m-Mediods multivariat sebagai metode pengklasifikasi.

Merancang sistem yang dapat melakukan segmentasi dan ekstraksi fitur, serta klasifikasi dengan metode m-Mediods multivariat.

Mengimplementasikan sistem yang telah dirancang pada segmen vaskular retina mata.

Menyusun uji coba segmentasi serta uji coba pengklasifikasi segmen vaskular retina mata menggunakan metode m-Mediods multivariat.


Batasan Masalah

10 Juli 2014

Data yang digunakan untuk uji segmentasi pembuluh darah adalah data citra retina dari basis data DRIVE. http://www.isi.uu.nl/Research/Databases/DRIVE/

Data yang digunakan untuk data latih dan data uji klasifikasi segmen vaskular berupa citra retina dari basis data STARE. http://www.ces.clemson.edu/~ahoover/stare/.

Segmen vaskular retina mata diklasifikasikan ke dalam dua kelas, yaitu segmen vaskular normal dan segmen vaskular abnormal.

Implementasi menggunakan perangkat lunak MATLAB R2013a.

Tugas Akhir – KI091391 6

Tujuan

Mengetahui penerapan konsep praproses dan segmentasi untuk menghasilkan citra segmentasi vaskular retina.

Mengetahui penerapan konsep ekstraksi fitur pada vaskular retina.

Mengetahui penerapan konsep m-Mediods multivariat sebagai metode pengklasifikasi.

Menghasilkan rancangan sistem yang dapat melakukan segmentasi dan ekstraksi segmen vaskular, serta klasifikasi dengan metode m-Mediods multivariat.

Mengimplementasikan rancangan sistem pada segmen vaskular retina mata.

Mengevaluasi kinerja metode segmentasi dan ekstraksi fitur vaskular retina, serta pengklasifikasi m-Mediods multivariat pada segmen vaskular retina mata dengan melakukan uji coba.


Manfaat


Mempermudah dan mempercepat proses klasifikasi segmen vaskular retina normal dan abnormal secara otomatis, dan mengurangi tingkat kesalahan dalam klasifikasi sehingga hasil yang diperoleh lebih akurat daripada proses manual.


Perangkat Lunak

Uji Coba Kesimpulan

Saran


Perancangan Perangkat Lunak

Perancangan akan dibagi menjadi tiga proses utama.


Thresholding

Shrinking

Isotropic Undecimated Wavelet Transform

Thresholding

Cleaning

Area

Energy

Vektor Fitur

Mean Gradient

Standard Deviation Gradient

Intensity Variation

Mean Intensity

Vessel Segment

Local Fisher Discriminant Analysis

Learning Vector Quantization

Hasil Klasifikasi

Praproses dan

Segmentasi Ekstraksi Fitur

Klasifikasi

Praproses dan Segmentasi


Citra awal

Masking

Thresholding

Shrinking

Segmentasi


Thresholding

Cleaning

Citra hasil praproses dan segmentasi

Tahap praproses

Tahap segmentasi

Masking

Input dari proses masking adalah citra retina dalam format RGB.

Beberapa citra memiliki kualitas yang kurang baik karena sulit dibedakan antara foreground dan background.

Masking adalah melakukan segmentasi pada citra sehingga terjadi pemisahan antara objek (foreground) dan latar belakang gambar (background).

Masking

Thresholding

Shrinking

Tahap praproses


Thresholding

Ubah citra RGB citra grayscale.

Tentukan nilai threshold antara 0 s/d 1.

Untuk citra dari basis data DRIVE dan STARE, threshold yang digunakan antara 0.1 s/d 0.23.

Intensitas piksel < threshold latar belakang

gambar (hitam).

Intensitas piksel > threshold objek retina

(putih).

Thresholding

Shrinking

Tahap praproses

Masking


Shrinking

Merupakan penyusutan citra biner guna memperbaiki FOV (field of view).

Shrinking dilakukan dengan operasi morfologi erosi.

Memeriksa citra biner A yang bentuk lain yaitu B.

Erosi A oleh B menghasilkan kedudukan dari titik-titik yang dicapai oleh pusat B ketika B bergerak dalam A.

Shrinking

Tahap praproses

Masking

Thresholding


Segmentasi

Klasifikasi segmen vaskular hanya menggunakan bagian pembuluh darah tanpa menggunakan bagian lain pada retina.

Segmentasi akan mengekstrak bagian pembuluh darah dari citra retina keseluruhan.

Segmentasi ini memudahkan penilaian karakteristik pembuluh darah yang dibutuhkan pada proses klasifikasi.

Segmentasi


Thresholding

Cleaning

Tahap segmentasi



Isotropic Undecimated Wavelet Transform (IUWT) mempertahankan konstruksi filter bank pada bi-orthogonal wavelet transform (DWT) dengan mengeliminasi tahap penipisan (decimation).

Kebutuhan yang harus dipenuhi untuk menghasilkan analisis yang baik dengan IUWT:

Filter yang digunakan harus simetrik

Pada dua dimensi ataupun dimensi yang lebih tinggi, filter, fungsi scaling, dan fungsi wavelet harus mendekati isotropik.

Ditentukan pula level wavelet, untuk citra dari basis data DRIVE dan STARE, level wavelet yang digunakan adalah 2 dan 3.


Thresholding

Cleaning

Tahap segmentasi

Segmentasi



Masukan untuk tahap ini berupa citra grayscale retina dan citra hasil masking.

IUWT dapat menghasilkan citra keabuan yang memperjelas bagian citra yang berupa garis yaitu bagian pembuluh darah.


Thresholding

Cleaning

Tahap segmentasi

Segmentasi


Thresholding

Tentukan threshold, yaitu prosentase piksel yang dianggap sebagai segmen vaskular.

Untuk citra dari basis data DRIVE dan STARE, threshold yang digunakan adalah 20%.

Tentukan apakah piksel vaskular dari citra hasil wavelet lebih gelap dibandingkan piksel lain.

Jika lebih gelap: piksel dengan intensitas rendah segmen vaskular (putih).

Jika lebih terang: piksel dengan intensitas tinggi segmen vaskular (putih).

Thresholding

Cleaning

Tahap segmentasi

Segmentasi



Cleaning

Cleaning menyisakan objek-objek yang dengan menghapus objek kecil dan mengisi lubang kecil.

Tentukan min_object_size dan min_holes_size, untuk citra dari basis data DRIVE dan STARE, min_object_size = min_holes_size = 0.05% dari jumlah piksel.

Jika luas area objek < min_object_size maka

hapus objek.

Jika luas area lubang < min_holes_size, ubah

sebagai objek vaskular.

Cleaning

Tahap segmentasi

Segmentasi


Thresholding


Ekstraksi Fitur


Vektor fitur 𝜒 adalah representasi segmen kandidat 𝑣 dan 𝑣 adalah kumpulan dari berbagai fitur 𝑥.

𝜒 = 𝑣1, 𝑣2, 𝑣3, … , 𝑣𝑘

𝑣 = 𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑚

Citra Segmentasi

Ekstraksi Fitur

Area

Energy Vektor Fitur

Mean Gradient


Intensity Variation

Mean Intensity

Vessel Segment

Klasifikasi Segmen Vaskular

Menggunakan metode m-Mediods Multivariat


Local Fisher Discriminant Analysis

Learning Vector Quantization

Vektor Fitur

Perbaikan Ruang Fitur Klasifikasi

Hasil Klasifikasi

Perbaikan Ruang Fitur

Perbaikan representasi ruang fitur dilakukan dengan menggunakan algoritma Local Fisher Discriminant Analysis (LFDA).

LFDA akan melakukan dua hal untuk perbaikan ruang fitur:

Meningkatkan kesamaan / memperkecil jarak antar objek pada kelas yang sama.

Meningkatkan perbedaan / memperbesar jarak antar objek pada kelas yang berbeda.



Representasi ruang koefisien berdasarkan LFDA dihasilkan dengan melakukan generalisasi dekomposisi nilai eigen

ℵ𝑏𝐸 = 𝜆ℵ𝑤𝐸

dimana 𝜆 adalah generalisasi nilai eigen, ℵ𝑏 adalah scatter matrix between, ℵ𝑏 adalah scatter matrix within dan 𝐸 adalah vektor

eigen.

Dihasilkan vektor fitur yang telah diperbaiki yaitu:

𝐹 = 𝐸1, 𝐸2, … , 𝐸𝑚

dimana 𝐸1, 𝐸2, … , 𝐸𝑚 adalah vektor eigen yang disusun mulai

dari nilai terbesar menuju nilai terkecil (descending) dengan nilai eigen 𝜆1, 𝜆2, … , 𝜆𝑚


Klasifikasi

Klasifikasi dilakukan dengan metode Learning Vector Quantization (LVQ).

Pemodelan dengan pembuatan sebuah himpunan training yang terdiri dari pasangan vektor training dan target output yang berupa kelas dari objek atau data.

LVQ terdiri atas lapisan kompetitif (hidden layer), dan lapisan linier (output layer).

Lapisan kompetitif akan melakukan pengelompokan data yang memiliki kemiripan dengan menggunakan aturan Kohonen.

Jumlah neuron pada lapisan kompetitif mewakili jumlah sub kelas dari data training, jumlah neuron dapat disebut juga sebagai mediods.



Perangkat Lunak

Uji Coba Kesimpulan

Saran

10 Juli 2014 Tugas Akhir – KI091391

Uji Coba

Uji Hasil Segmentasi

Uji Hasil Klasifikasi

Uji Kebenaran Klasifikasi

Berdasarkan Jumlah Dimensi Hasil

Reduksi

Berdasarkan Jumlah Mediods

Berdasarkan Nilai Learning Rate

Uji Waktu Eksekusi



10 Juli 2014

Menggunakan 40 buah citra retina dari basis data DRIVE, berupa citra retina dalam ruang warna RGB serta citra ground truth.

Uji kebenaran citra hasil segmentasi dilakukan dengan evaluasi nilai error.

Error merupakan jumlah piksel dengan nilai berbeda antara piksel pada citra ground truth dan piksel pada citra hasil segmentasi.

Nilai rata-rata error untuk 40 citra berdasarkan citra ground truth adalah 4.96% atau rata-rata akurasi kebenaran segmentasi mendekati 95%.

Tugas Akhir – KI091391


10 Juli 2014

Menggunakan 53 buah citra retina pada basis data STARE, karena hanya 53 data yang memiliki kelas normal dan abnormal.

Menggunakan LFDA sehingga menghasilkan vektor fitur tereduksi dengan jumlah dimensi yaitu 3 dimensi, 4 dimensi, 5 dimensi, dan 6 dimensi.

Menggunakan empat jenis data training :

20 data training optimal

24 data training optimal

20 data training tidak optimal

24 data training tidak optimal.

Data testing pada uji coba ini menggunakan keseluruhan data dari basis data STARE sejumlah 53 data.



10 Juli 2014

Data yang digunakan pada uji coba memiliki dua kelas hasil, yaitu kelas normal dan kelas abnormal.

Klasifikasi menggunakan Learning Vector Quantization.

Uji kebenaran dilakukan dengan evaluasi performa menggunakan nilai error.

Error merupakan jumlah data yang mengalami kesalahan klasifikasi.

Agar lebih akurat uji coba dilakukan dengan 20 kali perulangan.



10 Juli 2014

Menggunakan vektor fitur dengan dimensi hasil reduksi sejumlah 3 dimensi, 12 buah mediods, dan learning rate 0.1.

Dari error terkecil, hasil klasifikasi dari 53 data training adalah sebagai berikut.


Nilai Error

Jenis data training 20 data optimal

24 data optimal

20 data tidak optimal

24 data tidak optimal

Minimum 0.0377 0.0377 0.1321 0.1132

Maksimum 0.1509 0.1132 0.2075 0.2075

Rata-rata 0.0868 0.0651 0.1575 0.1566

Varian 0.0010 0.0003 0.0004 0.0007

Standar Deviasi 0.0320 0.0178 0.0206 0.0274

Prediksi Kenyataan

Abnormal Normal Abnormal 17 0 Normal 2 34


Aktual : Abnormal Prediksi : Abnormal

Secara visual, data yang terklasifikasi dengan benar dan data yang mengalami kesalahan klasifikasi adalah sebagai berikut.


Aktual : Abnormal Prediksi : Normal

Aktual : Normal Prediksi : Normal

Berdasarkan Jumlah Dimensi Hasil Reduksi

Menggunakan 24 data training optimal dan 24 data training tidak optimal.

Dengan 12 buah mediods dan learning rate sebesar 0.1.

Dari 24 data training optimal, nilai error yang dihasilkan adalah sebagai berikut.

Nilai Error Jumlah Dimensi Hasil Reduksi

3 dimensi 4 dimensi 5 dimensi 6 dimensi Minimum 0.0377 0.0377 0.0377 0.0377

Maksimum 0.1132 0.1509 0.1321 0.1509 Rata-rata 0.0650 0.0707 0.0839 0.0990

Varian 0.0003 0.0008 0.0008 0.0007


Berdasarkan Jumlah Dimensi Hasil Reduksi


Dengan 12 buah mediods dan learning rate sebesar 0.1.

Dari 24 data training tidak optimal, nilai error yang dihasilkan adalah sebagai berikut.

Nilai Error Jumlah Dimensi Hasil Reduksi

3 dimensi 4 dimensi 5 dimensi 6 dimensi Minimum 0.1132 0.0943 0.0755 0.0755


Varian 0.0007 0.0010 0.0005 0.0005




Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan learning rate 0.1.

Dari 24 data training optimal, nilai error yang dihasilkan adalah sebagai berikut.

Nilai Error Jumlah Mediods

6 mediods 8 mediods 10 mediods 12 mediods Minimum 0.0377 0.0377 0.0377 0.0377


Varian 0.0011 0.0009 0.0008 0.0003




Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan learning rate 0.1.

Dari 24 data training tidak optimal, nilai error yang dihasilkan adalah sebagai berikut.

Nilai Error Jumlah Mediods

6 mediods 8 mediods 10 mediods 12 mediods Minimum 0.1321 0.1321 0.1321 0.1132


Varian 0.0002 0.0004 0.0008 0.0007




Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan 12 buah mediods, serta perulangan sebanyak 10 kali.

Error minimum dari 24 data training optimal adalah sebagai berikut.

10 Juli 2014 36 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1

0.04

0.045

0.05

0.055

0.06

Nilai Error Minimum dari 24 Data Optimal

Learning Rate

Err

or M

inim

um



Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan 12 buah mediods, serta perulangan sebanyak 10 kali.

Error minimum dari 24 data training tidak optimal adalah sebagai berikut.

10 Juli 2014 37 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10.11

0.115

0.12

0.125

0.13

0.135

0.14Nilai Error Minimum dari 24 Data Tidak Optimal

Learning Rate

Err

or M

inim

um

Uji Waktu Eksekusi

10 Juli 2014

Uji coba ini dilakukan dengan menghitung waktu eksekusi untuk sebuah citra dalam melakukan semua proses dari perangkat lunak.

Bagian proses tersebut adalah praproses dan segmentasi, proses ekstraksi fitur, serta proses klasifikasi.


Proses Running Time

(detik)

Praproses 0.37

Segmentasi 3.48

Ekstraksi Fitur 1.02

Perbaikan Fitur 0.06

Training LVQ

Jumlah mediods

6 9.28

8 19.74

10 32.08

12 8.18

Testing 0.01

Jumlah mediods

Running time

6 mediods 14.22

8 mediods 24.68

10 mediods 37.02

12 mediods 13.12

Waktu eksekusi yang dibutuhkan untuk sebuah citra dapat dideteksi sebagai citra normal atau abnormal antara 13 detik hingga 37 detik.


Perangkat Lunak

Uji Coba Kesimpulan

Saran


Kesimpulan

Metode praproses dan segmentasi yang digunakan relatif handal.

Terbukti dengan akurasi mendekati 95%.

Metode m-Mediods multivariat dapat melakukan klasifikasi dengan

baik. Akurasi terbaik mencapai 96.2%.

Untuk data training optimal, perubahan nilai dimensi reduksi dan jumlah mediods tidak mempengaruhi akurasi. Metode klasifikasi dianggap relatif handal terhadap perubahan parameter.

Subset dari data training optimal, juga dapat menghasilkan hasil klasifikasi yang baik.

Nilai learning rate berpengaruh terhadap hasil akurasi, learning rate yang baik terdapat pada sekitar nilai 0.1

Waktu eksekusi yang dibutuhkan untuk sebuah citra dapat dideteksi sebagai citra normal atau abnormal antara 13 detik hingga 37 detik.


Saran

Berdasarkan hasil uji coba, terdapat beberapa data dengan kelas abnormal yang diklasifikasi sebagai data normal. Oleh karena itu dapat dilakukan penambahan fitur yang mampu mengenali segmen vaskular abnormal dengan lebih baik.

Untuk meningkatkan hasil uji coba segmentasi, dapat dilakukan pengembangan metode segmentasi yang digunakan antara lain perbaikan transformasi wavelet.


TERIMA KASIH

isotropic undecimated wavelet transform

10 Juli 2014

Untuk analisis scaling dan fungsi wavelet digunakan:


𝜙1 𝑥 = 1

12𝑥 − 2 3 − 4 𝑥 − 1 3 + 6 𝑥 3 − 4 𝑥 + 1 3 + 𝑥 + 2 3

𝜙 𝑥, 𝑦 = 𝜙1 𝑥 𝜙1 𝑦

1

4𝜓𝑥

2,𝑦

2= 𝜙 𝑥, 𝑦 −

1

4𝜙𝑥

2,𝑦

2

Dimana 𝜙1 𝑥 adalah spline dari order 3, dan fungsi wavelet didefinisikan sebagai perubahan antara dua resolusi. Filter yang berhubungan yakni 𝑕 dan 𝑔 didefinisikan:

𝑕(1𝐷) 𝑘 =1,4,6,4,1

16, 𝑘 = −2,… , 2

𝑕 𝑘, 𝑙 = 𝑕(1𝐷)[𝑘]𝑕(1𝐷)[𝑙]

𝑔 𝑘, 𝑙 = 𝛿 𝑘, 𝑙 − 𝑕[𝑘, 𝑙]

Ekstraksi Fitur

Area jumlah piksel yang merupakan vaskular.

Vaskular normal lebih tebal daripada vaskular abnormal.

AREA

Energy jumlah intensitas dari piksel vaskular

pada green channel.

Vaskular normal cenderung lebih terang dibanding vaskular abnormal pada inverse green channel.

ENERGY

Ekstraksi Fitur

Area

Energy

Mean Gradient


Intensity Variation

Mean Intensity

Vessel Segment

Dihitung dengan gradient magnitude dari intensitas piksel vaskular pada green channel.

𝑚𝑒𝑎𝑛 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 = 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑𝑒

𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑣𝑎𝑠𝑘𝑢𝑙𝑎𝑟

MEAN GRADIENT


Ekstraksi Fitur

Ekstraksi Fitur

Area

Energy

Mean Gradient


Intensity Variation

Mean Intensity

Vessel Segment

10 Juli 2014 45

Dihitung dengan gradient magnitude dan mean gradient dari intensitas piksel vaskular pada green channel.

𝑠𝑡𝑑𝑒𝑣 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 = (𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑𝑒−𝑚𝑒𝑎𝑛 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡)2


STANDARD DEVIATION GRADIENT

Dilakukan normalisasi intensitas piksel vaskular pada green channel.

𝑛𝑜𝑟𝑚 =𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠−𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠

𝑠𝑡𝑑𝑒𝑣 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠

𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠 = 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠


𝑠𝑡𝑑𝑒𝑣 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠 = (𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠−𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠)2


𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 = 𝑛𝑜𝑟𝑚


MEAN INTENSITY

Ekstraksi Fitur

Ekstraksi Fitur

Area

Energy

Mean Gradient


Intensity Variation

Mean Intensity

Vessel Segment


Intensity variation perbandingan antara mean intensitas dan standard deviation intensitas.

𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 𝑣𝑎𝑟𝑖𝑎𝑡𝑖𝑜𝑛 =𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠

𝑠𝑡𝑑𝑒𝑣 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠

INTENSITY VARIATION

Vessel segment jumlah segmen pembuluh

darah citra hasil segmentasi.

Didapatkan dengan analisis connected component

Jika piksel tetangga memiliki intensitas yang sama, maka piksel tetangga tersebut akan dilabeli sebagai piksel yang terdapat pada satu region (objek yang sama)dengan piksel tersebut.

Vaskular abnormal memiliki jumlah segmen lebih banyak dibandingkan vaskular normal.

VESSEL SEGMENT


Scatter matrix dalam kelas (within) dan antarkelas (between) masing-masing dihitung dengan:

Dimana . , . adalah fungsi jarak Euclidean dan 𝑊𝑖,𝑗𝑤 serta 𝑊𝑖,𝑗

𝑏

akan dijelaskan pada persamaan berikut:

ℵ𝑤 =1

2 𝑊𝑖,𝑗

𝑤 𝑣𝑖 , 𝑣𝑗

𝑛

𝑗=1

𝑛

𝑖=1

ℵ𝑏 =1

2 𝑊𝑖,𝑗

𝑏 𝑣𝑖 , 𝑣𝑗

𝑛

𝑗=1

𝑛

𝑖=1

𝑊𝑖,𝑗𝑤 = 𝑒𝑥𝑝

𝑣𝑖 , 𝑣𝑗2

𝜍𝑖𝜍𝑗∗1

𝑛𝑘 𝑖𝑓𝑓 𝑣𝑖 ∧ 𝑣𝑗 ∈ 𝐶𝑘

0 𝑜𝑡𝑕𝑒𝑟𝑤𝑖𝑠𝑒

𝑛𝑘 : jumlah anggota kelas 𝐶𝑘 𝜍𝑖 : jarak rata-rata dari sampel 𝑣𝑖 dengan k tetangga terdekat. k=7

𝑊𝑖,𝑗𝑏 =𝑒𝑥𝑝

𝑣𝑖 , 𝑣𝑗2

𝜍𝑖𝜍𝑗∗1

𝑛−1

𝑛𝑘 𝑖𝑓𝑓 𝑣𝑖 ∧ 𝑣𝑗 ∈ 𝐶𝑘

1

𝑛 𝑜𝑡𝑕𝑒𝑟𝑤𝑖𝑠𝑒

47

Klasifikasi

10 Juli 2014

LVQ melakukan perubahan nilai bobot pada lapisan kompetitif secara berulang.

Lakukan penghitungan jarak Euclidean antara data masukan (vektor training) dengan semua vektor bobot pada lapisan kompetitif.

Jarak Euclidean terkecil dari suatu bobot neuron menjadikan neuron tersebut adalah neuron terdekat.

Hasilkan output dari layer kompetitif dimana untuk neuron terdekat bernilai 1 dan yang lain 0.

Tentukan output dari lapisan linier dengan mengalikan output layer kompetitif dengan bobot lapisan linier. Jika output sesuai dengan target, maka:

Untuk neuron terdekat ubah bobot sehingga bobot semakin

mendekati nilai vektor training.

Untuk neuron lain ubah bobot sehingga bobot semakin menjauhi nilai

vektor training.

Jika tidak ada perubahan lagi pada nilai bobot atau iterasi telah mencapai nilai tertentu, maka hentikan interasi.


Δ𝑤.𝑗∗(1)= 𝛼 𝑥 − 𝑤.𝑗∗

(1)

Δ𝑤.𝑗∗(1)= −𝛼 𝑥 − 𝑤.𝑗∗

(1)

48

Klasifikasi


.

.

.

.

. .

Input layer Competitive layer Output layer


10 Juli 2014

Uji kebenaran citra hasil segmentasi dilakukan dengan evaluasi nilai error menggunakan confusion matrix berikut.

Evaluasi uji kebenaran dilakukan dengan menghitung nilai error.

Hasil Segmentasi Ground Truth

Segmen vaskular Latar gambar Segmen vaskular TP FP

Latar gambar FN TN

𝑒𝑟𝑟𝑜𝑟 =𝐹𝑃 + 𝐹𝑁

𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁

Tugas Akhir – KI091391 50


10 Juli 2014

Uji kebenaran dilakukan dengan evaluasi performa menggunakan confusion matrix berikut.

Nilai performa diperoleh dengan menghitung nilai error.


Prediksi Kenyataan

Abnormal Normal Abnormal TN FN Normal FP TP

𝑒𝑟𝑟𝑜𝑟 =𝐹𝑁 + 𝐹𝑃

𝑇𝑁 + 𝐹𝑁 + 𝐹𝑃 + 𝑇𝑃

51

implementasi pengklasifikasi segmen …digilib.its.ac.id/public/its-paper-37910-5110100212...i...

Documents