DETEKSI MENINGIOMA DAN SCHWANNOMA ...repository.unair.ac.id/50734/13/50734.pdfPENDAHULUAN 1.1 Latar Belakang Tumor otak merupakan salah satu penyakit yang sangat mematikan dan banyak

ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCANMENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)

DAN BACKPROPAGATION

SKRIPSI

FRANSISKA MEILISA

PROGRAM STUDI S1 TEKNOBIOMEDIKDEPARTEMEN FISIKA

FAKULTAS SAINS DAN TEKNOLOGIUNIVERSITAS AIRLANGGA

2016




DAN BACKPROPAGATION

SKRIPSI

FRANSISKA MEILISA



2016




DAN BACKPROPAGATION

SKRIPSI

FRANSISKA MEILISA



2016

ADLN-PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI DETEKSI MENINGIOMA DAN... FRANSISKA MEILISA

ADLN-PERPUSTAKAAN UNIVERSITAS AIRLANGGA

SKRIPSI DETEKSI MENINGIOMA DAN... FRANSISKA MEILISA


iv


PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam

lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi

kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan

sumbernya sesuai kebiasaan ilmiah.

Dokumen skripsi ini merupakan hak milik Universitas Airlangga.


v


KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas limpahan berkat serta

hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul

“Deteksi Meningioma dan Schwannoma dari Citra CT-Scan Menggunakan

Gray Level Co-occurrence Matrices dan Backproagation”. Skripsi ini dibuat

untuk memenuhi salah satu syarat kelulusan di Program Studi S1

Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi,

Universitas Airlangga.

Diharapkan melalui skripsi ini, penulis dapat melakukan penelitian

dengan baik dan menghasilkan karya yang bermanfaat bagi dunia medis.

Selain itu, skripsi ini diharapkan dapat membantu generasi selanjutnya dalam

mengangkat sebuah topik penelitian dan melakukan penyusunan skripsi. Skripsi

ini dapat diselesaikan berkat kerja keras dan juga dukungan berbagai pihak

yang telah membantu penyusunan skripsi ini sehingga dapat diselesaikan

dengan baik. Oleh karena itu, penulis mengucapkan terima kasih, terutama

kepada :

1. Kedua orang tua, dan saudara-saudara yang selalu mendukung penulis

dengan doa, cinta, dorongan moral, serta semangat yang tak pernah putus

untuk menyelesaikan naskah skripsi ini.

2. Yohanna Mailiyana selaku kakak perempuan penulis yang telah

memberikan kontribusinya dalam pengumpulan data.


vi


3. Dr. Moh. Yasin, M.Si selaku ketua Departemen Fisika, Fakultas Sains

dan Teknologi, Universitas Airlangga.

4. Dr. Khusnul Ain,S.T.,M.Si selaku Ketua Program Studi S1

Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi,

Universitas Airlangga.

5. Prof. Dr. Retna Apsari. M.Si selaku dosen pembimbing I skripsi ini yang

telah membimbing penulisdengan memberikan saran, arahan, waktu, serta

fasilitas lainnya dalam penulisan skripsi.

6. Endah Purwanti,S.Si. M.T selaku pembimbing II yang telah memberikan

bimbingan kepada penulisberupa saran, arahan, waktu serta fasilitas

lainnya dalam penulisan skripsi.

7. Franky Chandra S.A, S.T, M.T selaku penguji I proposal dan skripsi.

8. Drs. Adri Supardi, M.S selaku penguji II skripsi.

9. Lailatul Muqmiroh, dr., SpRad(K) selaku dokter pembimbing penulis yang

memberikan saran, ide, waktu, maupun literatur yang dibutuhkan dalam

penulisan skripsi ini.

10. Dr. Suryani Dyah Astuti. M.Si selaku dosen wali penulis yang telah

mengijinkan serta memberi berbagai saran dalam pengambilan mata kuliah

skripsi yang memberikan saran, ide, waktu, maupun literatur yang

dibutuhkan dalam penulisan skripsi ini.

11. Sri Andreani Utomo,dr,Sp.Rad(K) dan Rahardian Indarto Susilo, dr.,SpBS

selaku pembimbing klinis penulis di RSUD dr. Soetomo yang memberikan


vii


saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan

skripsi ini.

12. Para pegawai diklat RSUD Ulin Banjarmasin yang telah memberikan izin

serta arahan penulis dalam pengambilan data CT-Scan.

13. Para pegawai instalasi radiologi RSUD Ulin Banjarmasin yang telah

memberikan arahan, ilmu, maupun bantuan dalam pengambilan data CT-

Scan.

14. Para pegawai instalasi radiologi RSUD dr. Soetomo Surabaya yang telah

memberikan arahan, dan bantuan dalam pengambilan data CT-Scan.

15. Sdri. Priyanka Wardani selaku senior penulis yang memberikan

pengarahan dalam pembuatan naskah maupun penggunaan Matlab.

16. Dewa Ayu Githa M.S, Anif Hidayati, Rizka Andhitia M.P, Kirana

Nathalie P., Karina Dwi S., Novia Dwi A., Cindy Astelia, Inas Fatimah,

dan Fadilla Nashiri K. selaku teman perjuangan skripsi penulis yang telah

memberikan bantuan dan semangat dalam penulisan skripsi.

17. Teman-teman S-1 Teknobiomedik angkatan 2012 yang turut membantu

dan memotivasi kepada penulis dalam penulisan skripsi.

Penulis menyadari bahwa skripsi skripsi ini masih jauh dari kata sempurna.Oleh

karena itu, kritik dan saran yang membangun sangat diharapkan untuk

mengembangkan penelitian skripsi ini.

Surabaya, 20 Juli 2016Penulis

Fransiska Meilisa


viii


Fransiska Meilisa, 2016.Deteksi Meningioma dan Schwannoma dari CitraCT-Scan Menggunakan Gray Level Co-Occurrence Matrices (GLCM) danBackpropagation. Skripsi di bawah bimbingan Prof. Dr. Retna Apsari, M.Sidan Endah Purwanti, S.Si, M.T, Program Studi S1 Teknobiomedik, FakultasSains dan Teknologi, Universitas Airlangga, Surabaya.

ABSTRAK

Penelitian ini bertujuan untuk membangun sebuah program yang mampumendeteksi kelainan meningioma, schwannoma, dan normal dari citra otak CT-Scan menggunakan jaringan syaraf tiruan backpropagation. Fitur yang digunakansebagai masukan backpropagation adalah fitur tekstur energi, entropi, dan inversedifferent moment. Semua fitur tersebut diambil menggunakan metode gray levelco-occurrence matrices (GLCM). Akurasi pelatihan backpropagation tertinggiyaitu sebesar 85,5263% dengan maksimum epoh 10000, learning rate 1, danjumlah neuron di hidden layer 10. Akurasi pengujian sebesar 89,47% dari seluruhdata uji, 100% untuk keseluruhan data uji meningioma, 100% untuk keseluruhandata uji normal, dan 50% untuk keseluruhan data uji schwannoma. Akurasipengujian untuk membedakan otak normal dengan tumor memiliki akurasi yanglebih tinggi daripada literatur. Akan tetapi akurasi utntuk membedakankeseluruhan kasus lebih rendah daripada penelitian sebelumnya. Penambahan fiturmorfologi ventrikel otak dan massa tumor dapat menjadi pertimbangan untukpenelitian selanjutnya guna meningkatkan akurasi sistem.

Kata kunci : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation


ix


Fransiska Meilisa, 2016.Meningioma and Schwannoma detection ofCT-ScanImages Using Gray Level Co-Occurrence Matrices (GLCM) andBackpropagation. This thesis was under guidance of Prof. Dr. Retna Apsari,M.Si and Endah Purwanti, S.Si, M.T, Biomedical Engineering StudyProgram, Faculty of Science dan Technology, Airlangga University,Surabaya.

ABSTRACT

This research aims to develop a program that can detect brainabnormalities such as meningioma, schwannoma, and normal brain from CT scanimages using backpropagationneural networks. The featurs that used asbackpropagation inputsare energy, entropy, and inverse different moment of thetextural features. All of these features were extratcted using gray level co-occurrence matrices (GLCM) method. The highest backpropagation trainingaccuracy is 85,5263% using 10000 maximum epoch ,1 learning rate, and10neurons in the hidden layer. Testing accuracy is 89,47% for overall testing data,100% for overall meningioma testing data, 100% for overall normal brain data,and 50% for overall schwannoma testing data. Testing accuracy to distinguishnormal brain and tumour is higher than the previous research. However, accuracyto distinguish all cases lower than the previous research. The addition ofmorphological features of the brain ventricles and tumor mass can be consideredfor further research in order to improve the accuracy of the system.

Key words : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation


x


DAFTAR ISI

HALAMAN JUDUL ........................................................................................ i

LEMBAR PERNYATAAN ................................................................................ ii

LEMBAR PENGESAHAN .............................................................................. iii

PEDOMAN PENGGUNAAN SKRIPSI ............................................................ iv

KATA PENGANTAR ........................................................................................ v

ABSTRAK .......................................................................................................... viii

ABSTRACT ....................................................................................................... ix

DAFTAR ISI....................................................................................................... x

DAFTAR TABEL ............................................................................................ xiii

DAFTAR GAMBAR ....................................................................................... xiv

DAFTAR LAMPIRAN....................................................................................... xvi

BAB I PENDAHULUAN ................................................................................ 1

1.1 Latar Belakang .................................................................................. 1

1.2 Rumusan Masalah ............................................................................. 7

1.3 Batasan Masalah ............................................................................... 8

1.4 Tujuan Penelitian .............................................................................. 8

1.5 Manfaat Penelitian ............................................................................ 9

BAB II TINJAUAN PUSAKA ........................................................................ 10

2.1 Otak ..................................................................................................... 10

2.2 Tumor Otak ......................................................................................... 11

2.2.1 Diagnosa Tumor Otak ............................................................... 12

2.2.1.1 Imaging Test Computed Tomography .......................... 12

2.2.1.2 Imaging Test Magnetic Resonance Imaging ................. 12

2.2.1.3 Biopsi (Biopsy) ............................................................. 13

2.2.2 Gambaran Radiologis Tumor Otak Pada CT-Scan ................... 14

2.2.3 Jenis-Jenis Tumor Otak ............................................................. 15

2.2.3.1 Tumor Otak Primer ....................................................... 15

2.2.3.2 Tumor Otak Sekunder (Metastatic Brain Tumours)...... 19

2.3 Computed Tomography ....................................................................... 21


xi


2.4 CT-Scan (Computed Tomogrphy Scanner) ......................................... 22

2.4.1 Sinar-X ...................................................................................... 22

2.4.2 Prinsip Dasar CT-Scan .......................................................... 23

2.4.3 Rekonstruksi Citra CT-Scan ...................................................... 25

2.5 Gray Level Co-occurance Matrices..................................................... 30

2.5.1 Kontruksi Co-occurance Matrices.......................................... 31

2.5.2 Fitur Tekstur Gray Level Co-occurance Matrices..................... 33

2.6 Jaringan Syaraf Tiruan ........................................................................ 34

a. Pembelajaran Terawasi (Supervised Learning)............................ 35

b. Pembelajaran Tak Terawasi (Unsupervised Learning)................. 35

c. Pembelajaran Hibrida (Hybrid Learning) .................................... 35

2.7 Bacpropagation ................................................................................. 36

BAB III METODE PENELITIAN...................................................................... 41

3.1 Tempat dan Waktu Pelaksanaan.......................................................... 41

3.2 Peralatan dan Software......................................................................... 41

3.3 Prosedur Penelitian............................................................................... 42

3.3.1 Persiapan Data............................................................................ 42

3.3.2 Ekstrasi Fitur Tekstur................................................................. 44

3.3.3 Pelatihan Jaringan Backpropagation.......................................... 45

3.3.4 Pengujian Jaringan Backpropaation.......................................... 47

3.3.5 Analisa Data............................................................................... 47

3.4 Desain Interface.................................................................................. 48

BAB IV HASIL DAN PEMBAHASAN........................................................... 55

4.1 Tampilan Program ............................................................................... 55

4.1.1 Jendela Beranda......................................................................... 55

4.1.2 Jendela Program Deteksi............................................................ 56

4.1.3 Jendela Program Training dan Testing...................................... 57

4.1.4 Jendela Bantuan......................................................................... 61

4.2 Hasil Pengumpulan Data...................................................................... 62

4.3 Hasil Ekstrasi Fitur............................................................................... 63


xii


4.4 Peatihan Jaringan Backpropagation..................................................... 69

4.5 Pengujian Backpropagation................................................................. 74

BAB V KESIMPULAN DAN SARAN 80

5.1 Kesimpulan...................................................................................... 80

5.2 Saran................................................................................................ 80

DAFTAR PUSTAKA.......................................................................................... 82

LAMPIRAN....................................................................................................... 85


xiii


DAFTAR TABEL

Nomor Judul Tabel Halaman

Tabel 2.1 Gejala dan Pengobata Meningioma dan Schwannoma 17

Tabel 2.2 Diagnosa Pembeda Meningioma dengan Schwannoma 18

Tabel 4.1 Nilai Hasil Ekstrasi Fitur dan Uji Citra......................... 78


xiv


DAFTAR GAMBAR

Nomor Judul Gambar Halaman

Gambar 2.1 Otak Manusia ................................................................ 10

Gambar 2.2 Citra MRI dari Tumor Otak Benigna dan Maligna........ 13

Gambar 2.3 Prosedur Biopsi.............................................................. 14

Gambar 2.4 Otak Normal pada Citra CT-Scan.................................. 15

Gambar 2.5 Tumor Otak pada Citra CT-Scan.................................... 15

Gambar 2.6Citra CT-Scan otak normal, meningioma, dan

schwannoma................................................................... 19

Gambar 2.7Tumor Otak Menekan dan Merubah Posisi Jaringan

Normal........................................................................... 20

Gambar 2.8Dua Buah Poyeksi Memperlihatkan Sebuah Objek

yang Terdiri dari Sepasang Silinder............................... 22

Gambar 2.9 Susunan Alat CT-Scan.................................................... 23

Gambar 2.10 Pengukuran Transmisi Sinar-X...................................... 24

Gambar 2.11 Matriks RekonstruksiCT-Scan...................................... 26

Gambar 2.12 Algoritma ART pada CT-Scan....................................... 29

Gambar 2.13 Algoritma Backprojection CT-Scan............................... 30

Gambar 2.14 Algoritma FBP CT-Scan................................................ 30

Gambar 2.15 Arah Sudut dalam Membangun GLCM........................ 31

Gambar 2.16 Arsitektur Jaringan Backpropagation............................ 37

Gambar 3.1 Diagram Prosedur Penelitian.......................................... 43

Gambar 3.2 Algoritma PelatihanBackpropagation.......................... 46

Gambar 3.3 Algoritma Pengujian Backpropagation.......................... 47

Gambar 3.4 Desain Tampilan Jendela Beranda................................. 48

Gambar 3.5 Desain Tampilan Jendela Program Deteksi.................... 49

Gambar 3.6 Desain Tampilan Jendela Login..................................... 51

Gambar 3.7 Desain Tampilan Jendela Program Training dan

Testing............................................................................ 53


xv


Gambar 3.8 Desain Tampilan Jendela Bantuan................................. 54

Gambar 4.1 Tampilan Jendela Beranda............................................. 56

Gambar 4.2 Tampilan Jendela Program Deteksi................................ 57

Gambar 4.3 Tampilan Jendela Login................................................. 58

Gambar 4.4 Tampilan Jendela Training dan Testing......................... 59

Gambar 4.5 Tampilan Panel Training................................................ 60

Gambar 4.6 Tampilan Panel Testing.................................................. 60

Gambar 4.7 Tampilan Jendela Bantuan............................................. 61

Gambar 4.8 Grafik Nilai Rata-Rata Fitur IDM dari Sudut 0ᵒ, 45ᵒ,

90ᵒ, 135ᵒ untuk Data Latih.............................................. 64

Gambar 4.9 Grafik Nilai Rata-Rata Fitur Entropi dari Sudut 0ᵒ, 45ᵒ,


Gambar 4.10 Grafik Nilai Rata-Rata Fitur Energi dari Sudut 0ᵒ, 45ᵒ,


Gambar 4.11 Grafik MSE Pelatihan Backpropagation dengan

masukan energi+entropi+IDM, 10 Hidden Layer,

Learning Rate 1, dan Maksimum Epoh 10000............... 71

Gambar 4.12 Akurasi Pelatihan Backpropagation dengan masukan

energi+entropi+IDM, 10 Hidden Layer, Learning Rate

1, dan Maksimum Epoh 10000...................................... 72

Gambar 4.13 Grafik Akurasi Terhadap Learning Rate dari Berbagai

Variasi Epoh dan Hidden LayerMenggunakan 3

Masukan......................................................................... 73

Gambar 4.14 Grafik Waktu Pelatihan Terhadap Learning Rate dari

Berbagai Variasi Epoh dan Hidden Layer

Menggunakan 3 Masukan.............................................. 74


xvi


DAFTAR LAMPIRAN

Nomor Judul Lampiran Halaman

Lampiran 1 Nilai Hasil Ekstrasi Fitur Citra CT-Scan OtakData Training..................................................................

85

Lampiran 2 Akurasi Pelatihan Backpropagation............................... 88

Lampiran 3 Listing GUI Program...................................................... 95

Lampiran 4 Bukti Pengambilan Data................................................. 119


1


BAB I

PENDAHULUAN

1.1 Latar Belakang

Tumor otak merupakan salah satu penyakit yang sangat mematikan dan

banyak diderita oleh pasien dengan variasi usia yang sangat beragam.Cancer

Support Communitymenyatakan bahwa pada tahun 2012 di United States, lebih

dari 688.000 orang didiagnosa menderita tumor otak primer dimana 63%

merupakan tumor otak jinak dan 37% merupakan tumor otak ganas. Selain itu,

menurut American Brain Tumor Association, tumor otak merupakan penyebab

kematian nomor lima dari seluruh pasien kanker pada wanita yang berusia 20-39

tahun (Sari et al, 2014). Kasus tumor otak primer yang paling banyak yaitu

meningioma dan schwannoma. Menurut American Brain Tumor Association

jumlah kasus meningioma mencapai 34% dari keseluruhan kasus tumor otak

primer. Sedangkan jumlah kasus shwanoma mencapai 8% dari keseluruhan kasus

tumor otak primer pada rongga intrakranial, sebagian besar berasal dari syaraf

akustik dan trigeminal (Sun et al, 1998).

Tumor merupakan massa jaringan yang terdiri dari sel tumor. Sel tumor ialah

sel tubuh kita sendiri yang mengalami perubahan (transformasi)sehingga bentuk,

sifat, dan kinetikanya berubah, sehingga tumbuhnya menjadi autonom, liar, tidak

terkendali dan terlepas dari koordinasi pertumbuhan normal (Sukardja, 2000).

Dari definisi tersebut maka tumor otak merupakan massa jaringan dari sel-sel otak

yang tumbuh tidak terkendali.

2ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA


Tumor otak ada dua jenis yaitu benigna (jinak) dan maligna (ganas).Tumor

benigna memiliki pertumbuhan sel yang lambat dan memiliki batas yang jelas

serta jarang menyebar (Mayfield Clinic, 2013). Tumor maligna memiliki

pertumbuhan sel yang cepat dan memiliki batas yang tidak jelas serta menyebar

ke area otak yang lain (Mayfield Clinic, 2013). Walaupun tumor benigna tumbuh

secara lambat, pertumbuhannya dapat membahayakan kehidupan pasien. Tumor

benigna dapat tumbuh membesar dan menekan organ maupun jaringan sehat pada

otak sehingga dapat menganggu fungsinya dan menyerang jaringan lain

(Kohir,2015). Oleh karena itu dibutuhkan sebuah diagnosa dini tumor otak

sebagai langkah pengambilan keputusan bagi tenaga medis untuk memberikan

terapi yang sesuai bagi pasien.

Diagnosa tumor otak ditegakkan berdasarkan pemeriksaan klinis dan

pemeriksaan penunjang yaitu pemeriksaan radiologi dan patologi anatomi

(Japardi, 2002). Sangat sulit mendiagnosa tumor otak melalui pemeriksaan klinis

karena gejala klinis setiap individu berbeda dan tergantung dari lokasi serta

besarnya massa tumor sehingga dibutuhkan pemeriksaan penunjang terutama

pemeriksaan radiologis. Pemeriksaan secara radiologis atau scan merupakan

langkah awal untuk identifikasi keberadaan serta lokasi tumor otak tumbuh (Kohir

2015). Pemeriksaan ini bersifat non-invassive dan dapat dilakukan oleh beberapa

peralatan medis seperti X-Rays, Positron Emission Tomography (PET), Computed

Tomography Scan (CT-Scan), dan Magnetic Tomography Imaging (MRI).



Beberapa dekade terakhir CT scan digunakan secara luas dalam mendukung

diagnosis klinik suatu penyakit. Alat ini dapat membantu tenaga medis dalam

menentukan lokasi patologis dengan lebih akurat. CT scan dapat menampilkan

bermacam-macam jaringan tubuh berdasarkan perbedaan tingkat

keabuannya(Padma et al,2011a). CT scan memiliki keterbatasan dalam

menampilkan citra kepala akibat adanya efek volume ruang yang mana berimbas

pada rendahnya kontras antar jaringan otak dan objek lainnya sehingga memiliki

intensitas yang sama (Padma et al,2011b). Berdasarkan permasalahan tersebut

maka analisis suatu citra CT scan otak oleh mata telanjang memerlukan waktu

yang lama, seharusnya pasien membutuhkan penanganan yang cepat dan tepat

sesuai jenis tumor yang diderita. Oleh karena itu sudah dilakukan penelitian

mengenai deteksi, segmentasi, maupun klasifikasi kelainan otak guna menghemat

waktu pemeriksaan radiologis.

Penelitian sebelumnya yang dilakukan oleh Susmikanti (2010), dilakukan

pengenalan berbasis jaringan syaraf tiruan dalam analisa CT scan tumor otak

benigna dengan fitur dominan yang disederhanakan oleh Principle Component

Analysis dan jaringan syaraf tiruan perceptron. Dalam penelitian tersebut

didapatkan akurasi rata-rata sebesar 95,8% bagi jaringan yang dibangun untuk

membedakan otak normal, meningioma, Adenoma Pituitari, Kraniofaringioma,

Pilocytic Astrositoma, dan Akustik Neurinoma.

Penelitian yang dilakukan oleh Padma et al (2011b), dibangun sebuah

program segmentasi jaringan lunak dan klasifikasi tumor otak dari citra CT scan

dengan fitur tekstur dan Bidirectional Associative Memory (BAM) classifier.



Berdasarkan penelitian Padma et al (2011b), dalam penelitian ini digunakan 13

fitur tekstur dari metodeGray Level Co-occurrence Matrices (GLCM) dalam

empat sudut yakni 0ᵒ, 45ᵒ, 90ᵒ, dan 135ᵒ. 13 buah fitur tekstur tersebut kemudian

direduksi menggunakan student t-test (ρ<0,001) menjadi 8 fitur dan selanjutnya

dilakukan percobaan untuk mengetahui kombinasi fitur yang tepat sebagai

masukan. Citra CT-Scan yang digunakan yaitu 30 normal dan 50 tumor otak

(benigna dan maligna). 13 fitur tekstur yang digunakan direduksi sehingga

didapatkan 8 fitur terbaik yaitu variance, angular second moment

(ASM/energy),contrast, correlation, entropy, sum entropy, difference variance,

dan difference entropy.Akurasi klasifikasi tertinggi didapatkan dengan

menggunakan kombinasi 4 masukan fitur tekstur yaitu energy, entropy, variance,

dan inverse difference moment sebesar 93,7%. Nilai akurasi berkurang seiring

bertambahnya fitur tekstur dari GLCM. Klasifikasi dibuat untuk membedakan

citra normal dengan abnormal (tumor otak). Selain itu dengan keempat buah fitur

tekstur tersebut, didapatkan akurasi segmentasi tertinggi sebesar 99,7%.

Penelitian selanjutnya yang dilakukan oleh Padma et al (2013), dilakukan

klasifikasi tumor otak dan segmentasi jaringan lunak otak pada citra CT scan

menggunakan Dominat Gray Level Run Length Texture Features berbasis

Waveletdan SVM (Support Vector Machine) Classifier. Dalam penelitian ini

didapatkan akurasi kalsifikasi otak normal dan abnormal (tumor) sebesar 98,3%

dan dapat melakukan segmentasi pada area tumor. Segmentasi yang dilakukan

oleh program ini tidak sebaik hasil segmentasi menggunakan fitur tekstur

menggunakan metode GLCM dari penelitianPadma et al (2011b).



Beberapa peneliti tersebut menjadi dasar bagi penulis unutk melakukan

penelitian yang berjudul “Deteksi Meningiomadan Schwannomadari Citra CT-

Scan Menggunakan Gray Level Co-occurrence Matrices (GLCM) dan

Backpropagation”. Pemilihan kedua jenis tumor tersebut sebagai objek penelitian

yaitu berdasarkan ciri dan tingkat keabuan yang hampir sama pada citra CT-Scan

sehingga menyebabkan keraguan bahkan kesalahan diagnosis bagi para medis.

Perbedaan dari kedua jenis tumor otak tersebut terlihat pada tekstur jaringannya

setelah dilakukan pembedahan. Berdasarkan Grossman et al (1994), tekstur massa

jaringan meningioma hiperdens dan schwannoma isodensdibandingkan jaringan

otak normal. Berdasarkan Claussen et al (1982), massa yang hiperdens memiliki

tingkat keabuan yang lebih tinggi dariada jaringan normal begitu juga sebaliknya

massa isodens memiliki tingkat keabuan yang sama dengan jaringan otak normal.

Pada citra CT-Scan, terkadang massa hiperdens terutama massa isodens memiliki

tingkat keabuan yang sama dengan jaringan normal sehingga dalam pemeriksaan

tumor pasien harus diberikan zat kontras. Hal tersebut mengakibatkan sulitnya

diagnosis untuk membedakan kedua sifat jaringan tersebut pada citra CT-Scan.

Citra CT-Scan dalam diperoleh melalui mesin CT-Scan multislice dengan

spesifikasi yang sama yaitu ukuran citra 512x512 piksel dengan keadaan

maksimum 130kV. Hal ini dibutuhkan untuk mengurangi perbedaan kualitas citra

yang didapatkan sebagai sumber data.

Fitur yang diambil dari citraCT-Scan yaitu fitur tekstur. Berdasarkan Padma

et al (2011b), fitur berdasarkan intensitas saja tidak cukup unutk melakukan

klasifikasi maupun segmentasi citra otak CT-Scan karena kompleksitas patologi



otak dengan intensitas dan kontras yang sama pada banyak bagian. Oleh karena

itu dalam penelitian ini digunakan fitur tektstur untuk membedakan massa

jaringan hiperdens dan isodens dari kedua jenis tumor tersebut dengan massa

jaringan otak normal. Fitur tekstur yang diambil dari GLCM untuk analisis citra

CT-Scanotakmerupakan 4 fitur tektur yang digunakan dalam penelititan Padma et

al (2011b) yaitu energy, entropy, variance, dan inverse difference moment. Namun

dalam penelitian ini hanya diambil fiturenergy, entropy, dan inverse differrent

moment karena nilai semua fitur varians sama untuk semua citra. Ketigat fitur

tekstur tersebut mampu menggambarkan homogenitas massa tumor, homogenitas

edema, selisih tingkat keabuan massa dengan jaringan sekitarnya, dan

keberagaman tingkat keabuan jaringan normal citra otak normal dengan

meningioma dan schwannoma.

Penelitian ini menggunakan backpropagation sebagai metode klasifikasi

citra CT-Scan otak. Backpropagation melatih jaringan untuk mendapatkan

keseimbangan antara kemampuan jaringan mengenali pola yang digunakan

selama training serta kemampuan jaringan untuk memberikan respon yang benar

terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai

selama pelatihan (Siang, 2005; dalam Azizi, 2013). Dalam penelitian ini

dilakukan variasi nilai parameter jaringan backpropagation yaitu maksimum

epoh, learning rate dan jumlah neuron di hidden layer. Variasi nilai parameter

tersebut bertujuan untuk mengetahui nilai parameter optimum yang menghasilkan

akurasi tertinggi dari aplikasi yang dibangun. Fitur yang menjadi input

backpropagation dalam penelitian ini yaitu 4 fitur tekstur dari GLCM.Keempat



fitur tektur tersebut dilakukan variasi kombinasi input untuk mendapatkan akurasi

terbaik. Keluaran dari backpropagation ada tiga yaitu normal, meningioma, dan

schwannoma. Penilaian keberhasilan dan kinerja backpropagation dalam

penelitian ini diukur melalui tingkatakurasi. Akurasi merupakan kesesuain antara

dignosis ahli radiologi dengan keluaran dari backropagation. Nilai akurasi dalam

penelitian ini akan menjadi dasar dalam analisis kinerja dari sistem deteksi yang

dibuat.

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang permasalahan di atas, penulis

merumusakan masalah sebagai berikut:

1. Bagaimana kombinasi fitur tekstur energy, entropy, dan inverse

difference moment yang didapatkan dari gray level co-occurrence

matrices (GLCM) sehingga dihasilkan akurasi tertinggi?

2. Berapa nilai parameter optimal backpropagation yang digunakan

dalam pembelajaran jaringan syaraf tiruan backpropagation untuk

klasifikasi citra CT-Scan otak?

3. Berapakah tingkat akurasi sistem klasifikasi citra CT scan otak untuk

deteksi meningioma dan schwannoma menggunakan gray level co-

occurrence matrices (GLCM) dan backpropagation ?



1.3 Batasan Masalah

1. Citra yang digunakan sebagai objek penelitian adalah citra CT-Scan yang

merupakan citra digital potongan aksial otak yang diperoleh dari RSUD

Ulin Banjarmasin dan RSUD dr. Soetomo Surabaya, serta telah

diklasifikasi oleh dokter radiologi.

2. Citra otak diperoleh dari subyek normal tanpa diagnosa tumor otak dan

penderita meningioma dan schwannomadi RSUD Ulin Banjarmasin dan

RSUD dr.Soetomo, Surabaya.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini yaitu:

1. Mendapatkankombinasi fitur tekstur energy, entropy, dan inverse

difference moment yang didapatkan dari GLCM sehingga dihasilkan

akurasi tertinggi.

2. Memperoleh nilai parameter optimal backpropagation yang digunakan

dalam pembelajaran jaringan syaraf tiruan backpropagation untuk

klasifikasi citra CT-Scan otak.

3. Memperoleh tingkat akurasi sistem klasifikasi citra CT-scan otak untuk

deteksi meningioma dan schwannoma menggunakan gray level co-

occurrence matrices (GLCM) dan backpropagation.



1.5 Manfaat Penelitian

1. Mengembangkan sistem CAD (Computer Aided Detection) pada alat

tomografi sehingga mampu membantu tugas seorang radiologis dalam

menganalisis citra tomografi otak yang memiliki penyakit seperti

meningioma dan schwannoma.

2. Memberikan wacana bagi peneliti-peneliti di masa mendatang untuk

mengembangkan alat bantu diagnosis khususnya untuk

deteksimeningioma dan schwannoma.


10


BAB II

TINJAUAN PUSTAKA

2.1 Otak

Otak merupakan organ tubuh yang terdiri dari kumpulan jaringan lunak

seperti spong dan berfungsi sebagai pusat koordinasi tubuh. Organ ini dilindungi

oleh tengkorak, tiga lapisan jaringan tipis (meninges), cairan serebrospinal yang

mengalir di ruangan antara meninges dengan otak (ventrikel).

Gambar 2.1Otak Manusia (Utari, 2012)

Otak melaksanakan semua fungsi yang disadari. Otak bertanggung jawab

terhadap pengalaman-pengalaman berbagai macam sensasi atau rangsangan

terhadap kemampuan manusia untuk melakukan gerakan-gerakan yang menuruti

kemauan (disadari), dan kemampuan untuk melaksanakan berbagai macam proses

mental, seperti ingatan atau memori, perasaan emosional, intelegensia,

berkomunikasi, sifat atau kepribadian dan ramalan (Utari, 2012).

Secara garis besar otak dibagi menjadi serebrum (otak besar), serebelum

(otak kecil), mesensefalon (otak tengah), diensefalon (otak depan), dan pons

varoli (jembatan varol). Serebrum berfungsi dalam mengatur semua aktivitas

mental, yang berkaitan dengan kepandaian (intelegensia), ingatan (memori),



kesadaran, dan pertimbangan. Serebelum mempunyai fungsi utama dalam

koordinasi terhadap otot dan tonus otot, keseimbangan dan posisi tubuh.

Mesensefalon berfungsi penting pada refleks mata, tonus otot serta fungsi posisi

atau kedudukan tubuh. Diensefalon terdiri atas dua bagian, yaitu thalamus yang

berfungsi menerima semua rangsang dari reseptor kecuali bau, dan hipothalamus

yag berfungsi dalam pengaturan suhu, pengaturan nutrien, penjagaan agar tetap

bangun, dan penumbuhan sikap agresif. Pons varoli merupakan serabut saraf yang

menghubungkan otak kecil bagian kiri dan kanan serta menghubungkan otak

besar dan sumsum tulang belakang.

2.2 Tumor Otak

Tumor otak merupakan penyakit yang menjadi objek dalam penelitian ini.

Tumor (disebut juga neoplasma atau lesi) merupakan jaringan abnormal yang

tumbuh dari pembelahan sel yang tidak terkendali (Mayfield Clinic, 2013). Sel

normal tumbuh secara terkendali sebagai sel baru untuk mengganti sel yang

sudah tua atau rusak. Beberapa faktor dapat menyebabkan sel tumbuh secara tidak

terkendali dan menyimpang dari sifatnya sehingga menganggu bahkan merusak

sel disekitarnya.

Pilihan tindakan yang tepat bagi pasien tumor otak sangat bergantung pada

jenis ukuran, lokasi, menyebar atau tidak, dan usia serta riwayat medisnya.

Tindakan yang diberikan dapat bersifat kuratif atau fokus untuk mengurangi

gejala yang ditimbulkan. Tindakan yang berupa terapi maupun operasi dapat

meningkatkan masa serta kualitas hidup pasien.



2.2.1 Diagnosa Tumor Otak

Diagnosa awal dilakukan dengan memperolah data riwayat

kesehatan keluarga pasien dan pemeriksaan fisik. Setelah itu dilakukan

pemeriksaan neurologis unutk mengetahui status mental, memory, fungsi

syaraf cranial, kekuatan otot, koordinasi, refleks, dan respon terhadap

rasa sakit. Namun terkadang dibutuhkan pemeriksaan tambahan sepert

audiometri, evaluasi hormon endokrin dalam urin dan darah, tes

ketajaman pengelihatan, dan spinal tap.

Langkah selanjutnya dilakukan pemeriksaan radiologis melalaui

CT-Scan atau MRI (Magnetic Resonanse Imaging).

2.2.1.1 Imaging Test Computed Tomography

Computed Tomography (CT) Scan merupakan sebuah tes yang

aman dan noninvasive yang menggunnakan pancaran sinar-X dan

komputer untuk menghasilkan citra otak 2 dimensi (Mayfield Clinics,

2013). Alat ini dapat menghasilkan citra otak dalam potongan aksial.

Potongan tersebut jumlahnya ditentukan dari kemampuan atau

spesifikasi CT-Scan yang digunakan. Zat kontras terkadang

diinjeksikan pada pasien dalam pemeriksaan radiologis alat ini agar

meningkatkan kualitas citra dari organ yang ingin dilihat.

2.2.1.2 Imaging Test Magnetic Resonance Imaging

Magnetic Resonance Imaging (MRI) merupakan sebuah tes

noninvasive yang memanfaatkan medan magnet dan gelombang radio

unutk menghasikan citra jaringan otak secara detail (Mayfield



Clinics,2013). Alat ini menghasilkan citra 3 dimensi dari potongan

tubuh seperti Gambar 2.2. Zat kontras terkadang diperlukan untuk

memperjelas citra organ tubuh yang ingin dilihat. MRI sangat berfungsi

dalam evalusai lesi otak dan efeknya terhadap jaringan sekitar.

Gambar 2.2Citra MRI dari Tumor Otak Benigna dan Maligna(Mayfield Clinics, 2013)

2.2.1.3 Biopsi (Biopsy)

Hasil diagnosa pemeriksaan radiologis terkadang masih belum

jelas dan tepat dalam menentukan jenis tumor otak sehingga diperlukan

biopsi. Biopsi merupakan sebuah prosedur untuk mengambil sedikit

bagian dari tumor untuk diperiksa oleh ahli patologis di bawah

mikroskop (Mayfield Clinics, 2013).

Biopsi dapat dilakukan saat operasi pengangkatan tumor atau

sebagai prosedur diagnosa. Biopsi sebagai prosedur diagnosa dilakukan

dengan pengambilan sebagian kecil jaringan tumor menggunakan jarum

biopsi melalui lubang kecil yang dibuat pada tengkorak seperti pada

Gambar 2.3



Gambar 2.3 Prosedur Biopsi (Mayfiled Clinics, 2013)

2.2.2 Gambaran Radiologis Tumor Otak pada CT-Scan

Pemeriksaan dengan CT-Scan di daerah kepala dengan maupun tanpa

kontras, sangat membantu dalam diagnosa jenis tumor otak. Jaringan

abnormal pada CT-Scan umumnya memiliki densitas atau kepadatan yang

berbeda dengan jaringan normal.Massa yang berwarna lebih terang dari

jarngan otak normal meruapakan hasil dari peningkatan penyerapan sinar-

X disebut hiperdens (Claussen et al, 1982).Massa yang berwarna lebih

gelap daripada jaringan otak normal karena penurunan serapan sinar-X

disebut hipodens (Claussen et al, 1982).Massa yang memiliki warna sama

dengan jaringan otak normal karena memiliki daya serap sinar-X yang

sama dengan jaringan normal disebut isodens (Clausen et al, 1982) .

Adanya massa pada citra otak CT-Scan menyebabkan peningkatan

densitas jaringan akibat proliferasi sel tumor dan penurunan densitas

jaringan akibat adanya edema (Claussen et al, 1982). Ventrikel otak perlu

dicermati untuk mengetahui ada atau tidaknya perubahan posisi maupun

pendesakan massa yang menyebabkan pergeseran struktur garis tengah



otak, ventrikel ketiga, maupun pineal, dan perubahan posisi jaringan otak

disekitarnya (Armstrong et al 1940).Citra CT-Scan tumor otak dan otak

normal dapat dilihat pada Gambar2.4dan Gambar 2.5.

Gambar 2.4Otak Normal pada Citra CT-Scan (Armstrong et al, 1940)

Gambar 2.5Tumor Otak pada Citra CT-Scan (Claussen et al, 1982)

2.2.3 Jenis-Jenis Tumor Otak

Tumor otak diberi nama sesuai dengan asal selnya tumbuh. Tumor

otak dapat bersifat primer (sel berasal dari otak sendiri) dan sekunder

(sel berasal dari penyebaran tumor di area lain).

2.2.3.1 Tumor Otak Primer

Tumor otak primer merupakan pertumbuhan abnormal sel yang

dimulai dari otakcdan biasanya tidak menyebar ke bagian tubuh yang

lain (Mayfield Clinic, 2013). Tumor otak ini dapat bersifat benigna

(jinak) dan maligna (ganas). Tumor benigna memiliki pertumbuhan sel

yang lambat, memiliki batas yang jelas dan jarang menyebar. Walaupun



tidak bersifat ganas, tumor ini mengandung sel jinak yang tumbuh tak

terkendali di lokasi vital otak dan membahayakan nyawa pasien. Tumor

maligna memiliki pertumbuhan sel yang cepat, memiliki batas yang

tidak jelas serta menyebar ke area otak yang lain. Tumor ini terkadang

disebut kanker otak, namun sebenarnya bukan karena tidak menyebar

ke organ tubuh lain selain tulang belakang dan otak. Dalam penelitian

ini dipilih jenis tumor otak primer meningioma dan schwannoma.

Meningioma merupakan salah satu jenis tumor otak primer dan

neoplasma ekstraksial yang paling sering terjadi. Namun sebenarnya

meningioma tidak tumbuh dari jaringan otak itu sendiri, melainkan

timbul dari meninges, yaitu tiga lapisan jaringan tipis yang menutupi

otak dan sumsum tulang belakang (American Brain Tumor Association,

2012). Tumor ini paling sering tumbuh ke dalam bagian organ yang

diserang sehingga menyebabkan tekanan pada otak atau sumsum tulang

belakang, tetapi juga memungkinkan tumbuh keluar menuju tengkorak.

Kebanyakan meningioma jinak, tumbuh lambat, beberapa berisi kista

(kantung dari cairan), kalsifikasi, atau buntalan padat pembuluh darah.

Schwannoma merupakan tumor yang timbul dari sel Schwann di

akson selubung mielin (Mehra et al, 2013). Secara histologi

schwannoma berasal dari sel Schwann perineural (Grossman et al,

1994). Berdasarkan Chung et al, 1998, kasus schwannoma meliputi 8%

dari keseluruhan kasus tumor otak primer pada rongga intrakranial,

kebanyakan berasal dari syaraf akustik (vestibular schwannoma/akustik



neuroma). Paling sering kedua terjadi pada syaraf trigeminal (trigeminal

schwannoma) dan jarang terjadi pada syaraf wajah. Gejala dan

pengobatan kedua jenis tumor tersebut dapat dilihat pada Tabel 2.1.

Tabel 2.1 Gejala dan PengobatanMeningioma dan Schwannoma (MayfieldClinics, 2013)

Meningioma Schwannoma

Gejala

1. Gejala seringkali tidak terasahingga massa membesar.

2. Gejala yang timbultergantung lokasi tumbuhnyatumor.

3. Gejala awal seperti sakitkepala, melemahnya alatgerak, gangguanpengelihatan, sampaiperubahan kepribadian.

1. Gejala yang timbulmenyebabkanterganggunya syaraf yangdiserang (wajah, akustik,atau trigeminal).

2. Pada vestibularschwannoma hilangnyapendengaran, pusing, danadanya suara dengunganpada telinga (MayfieldClinics, 2013).

Pengobatan

1. Pembedahan (surgery)dengan mempertimbangkanapakah organ vital pasiencukup kuat untuk menahananestesi dan pembedahan(ABTA, 2012).

2. Radioterapi danradiosurgery.

3. Kemoterapi interferonrekombinan alfa-2beta (IFNalfa-2beta), HU, somatostatin(Moore et al,2010).

4. Observasi (growthmonitoring)

1. Pembedahan (surgery)dengan prioritas persentasehilangnya fungsi syaraf.

2. Radioterapi danradiosurgery.

3. Observasi (growthmonitoring)

Berdasarkan Tabel 2.2, satu-satunya tanda yang benar-benar

menbedakan meningioma dengan schwannoma yaitu sifat jaringan yang

ditampilkan pada citra CT-Scan sbelum pasien diberikan kontras. Pada

meningioma jaringan bersifat hiperdens sedangkan schwannoma

bersifat isodens. Pada citra CT-Scan, terkadang massa hiperdens



terutama massa isodens memiliki tingkat keabuan yang sama dengan

jaringan normal sehingga dalam pemeriksaan tumor pasien harus

diberikan zat kontras. Oleh karena itu dalam penelitian ini digunakan

citra CT-Scan pos kontras.

Tabel 2.2 Diagnosa Pembeda Meningioma dengan Schwannoma(Grossman et al, 1994)

Fitur Meningioma SchwannomaDural tail Sering Sangat jarang

Bony Reaction Osteolisis atau hipertosis JarangAngle Made with Dura Obtus akut

Kalsifikasi 20% Sangat jarangCyst (nekrosis) Jarang Mencapai 10%Enhancement Seragam Inhortogenus dalam 32%

Keterlibatan KanalAuditori Internal Jarang 80%

Atenuasi Prekontras CT Hiperdens IsodensPendarahan Jarang Umumnya ada

Massa meningioma cendrung tampak dan homogen setelah

pemberian kontras. Hal ini sangat meningkatkan penggambaran tumor,

terutama jika sebelum pemberian kontras bersifat isodense.

Meningioma bisa berbentuk bulat, oval, atau lobular dengan batas yang

jelas (Clausen et al, 1982). Sebagian besar schwannoma hanya terlihat

setelah pemberian kontras. Peningkatannya graylevelintens, menjadi

tampak, dan sebagian besar homogen (Clausen et al, 1982).

Berdasarkan Gambar 2.6, dapat terlihat ciri utama dari tumor otak

pada citra CTScan yaitu adanya sekumpulan massa dengan tingkat

keabuan yang seluruhnya hampir seragam sehingga homogenitas citra

menjadi meningkat sehingga nilai fitur energi meningkat. Ventrikel

otak yang normal memiliki keberagaman graylevel yg tinggi dari



berbagai jaringan otak (CSF, garis tengah otak, pineal) sehingga nilai

entropi meningkat. Adanya massa dengan graylevel yang hampir

seragam, mendorong dan mendominasi jaringan otak lain sehingga

mempersempit area jaringan normal menyebabkan keberagaman

graylevel menurun sehingga menurunkan nilai fitur entropi.

Meningioma bersifat hiperdens dengan batas tegas yakni batas memiliki

tingkat keabuan yang lebih cerah daripada jaringan otak lain maupun

edema sehingga selisih graylevel antar piksel lebih kecildan

mengakibatkan nilai fitur IDM (inverse different moment) meningkat.

Sedangkan schwannoma bersifat isodens namun massa akan tampak

setelah pemberian kontras dengan batas tidak begitu tegas sehingga

selisih grayscale antar piksel lebih besardan mengakibatkan nilai IDM

rendah.

Gambar 2.6(Dari Kiri Ke Kanan) Citra CT-Scan otak normal, meningioma, danschwannoma

2.2.3.2 Tumor Otak Sekunder (Metastatic Brain Tumours)

Tumor otak ganas pada awalnya merupakan sel kanker pada bagian

tubuh lain yang menyebar ke otak (Mayfield Clinic, 2013). Tumor ini

terbentuk saat sel kanker terbawa oleh aliran darah ke otak. Kanker



yang biasanya menyebar ke otak yaitu kanker paru-paru dan kanker

payudara.

Tumor benigna dapat tumbuh membesar dan menekan organ

maupun jaringan sehat pada otak sehingga dapat menganggu

fungsinya dan menyerang jaringan lain (Kohir, 2015).Tumor benigna,

maligna maupun metastasis berpotensi untuk membahayakan nyawa.

Otak tidak bisa memberikan ruang lebih bagi tumor untuk tumbuh

karena tertutup oleh tengkorak sehingga pertumbuhan tumor

menyebabkan tekanan dan perubahan posisi pada jaringan otak seperti

pada Gambar 2.7. Beberapa jenis tumor otak menyebabkan obstruksi

cairan serebrospinal yang mengalir di sekitar maupun melalui otak.

Obstruksi ini meningkatkan tekanan dan memperbesar ventrikel otak

(hydrocephalus). Tumor juga terkadang menyebabkan edema

(pembengkakan). Ukuran, tekanan, dan pembengkakan ini

membentuk efek massa yang menyebabkan berbagai keluhan bagi

pasien.

Gambar 2.7 Tumor Otak Menekan dan Merubah Posisi Jaringan Normal(Mayfield Clinics, 2013)



2.3 Computed Tomography

Dua kata tersebut memiliki hubungan yang sangat erat. Tomographymengacu

pada gambaran irisan melintang dari sebuah objek melalui transmisi maupun

refleksi data yang dikumpulkan dengan memperjelas objek dari berbagai arah

berbeda (Avinash et al, 1999). Computed merupakan kata kerja dari bahasa

inggris yang artinya dihitung atau terkomputasi (perhitungan menggunakan

komputer). Computed tomography merupakan sebuah metode untuk memperoleh

gambaran melintang sebuah objek melaui transmisi maupun refleksi data yang

diambil dalam berbagai arah dan dihitung atau terkomputasi oleh komputer.

Computed tomoraphy atau CTtelah dikembangkan dalam kebutuhan klinis

sejak tahun 1972 dan 1973 oleh Godfrey Hounfield (Grossman et al, 1994).

Metode ini telah memungkinkan dokter untuk melihat organ dalam pasien dengan

presisi sangat baik tanpa melakukan pembedahan. Pada dasarnya, tomografi

memberikan pencitraan dengan merekonstruksi gambar dari proyeksinya. Dalam

arti sempit, sebuah proyeksi pada sudut tertentu adalah integral dari gambar pada

arah yang ditentukan oleh sudut itu (Avinash et al, 1999), seperti yang

diilustrasikan pada Gambar. 2.8. Namun, dalam arti luas, proyeksi berarti

informasi yang berasal dari energi yang ditransmisikan, ketika sebuah objek

diterangi dari sudut tertentu, fraseproyeksi terdifraksi dapat digunakan ketika

sumber energi berdifraksi, seperti halnya dengan USG dan oven microwave

(Avinash et al, 1999).



Gambar2.8 Dua Buah Poyeksi Memperlihatkan Sebuah Objek yang Terdiri dariSepasang Silinder (Avinash et al, 1999)

2.4 CT-Scan (Computed Tomography Scanner)

CT-Scan merupakan salah satu alat diagnostik dalam dunia kedokteran yang

menggunakan metode computed tomography. Penggunaan CT dalam pencitraan

kedokteran nuklir telah berkembang, pertama dengan pengenalan PET

dikombinasikan dengan CT (PET/CT) dan, baru-baru ini, dengan pengenalan

SPECT dikombinasikan dengan CT (SPECT/CT) (Goldman, 2007). Alat

inimampu memberikan gambaran organ dalam pasien tanpa dilakukan

pembedahan oleh dokter. Di Indonesia, penggunaan CT-Scan telah banyak

dilakukan oleh rumah sakit pemerintah maupun swasta. Alat ini memanfaatkan

sinar-X sebagai sumbernya.

2.4.1 Sinar-X

Sinar-X ditemukan oleh Wilhelm Conrad Rontgen seorang

berkebangsaan Jerman pada tahun 1895 (Mukhlis, 2001; dalam Suyatno

2008). Pembangkit sinar-X berupa tabung hampa udara yang di

dalamnya terdapat filamen yang juga sebagai katoda dan terdapat

komponen anoda. Jika filamen dipanaskan maka akan keluar elektron



dan apabila antara katoda dan anoda diberi beda potensial yang tinggi,

elektron akan dipercepat menuju ke anoda. Dengan percepatan elektron

tersebut maka akan terjadi tumbukan tak kenyal sempurna antara

elektron dengan anoda, akibatnya terjadi pancaran radiasi sinar-X.

2.4.2 Prinsip Dasar CT-Scan

Hounsfield mengasumsikan hasil citra objek yang dipindai oleh

CT-Scan merupakan irisan aksialnya. Dalam membangun sebuah CT-

Scan, Hounsfield memanfaatkan sinar-X . Sinar-X yang digunakan

telah difokuskan atau dibentuk menjadi seberkas sinar sempit (selebar

pensil) (Goldman, 2007). Ukuran cahaya tersebut yaitu 3 mm dalam

bidang irisan dan lebarnya 13 mm tegak lurus dengan bidang irisan.

Posisi tabung sinar-X saling berhadapan dengan detektor x-ray yang

terletak di sisi lain dari subjek. Secara bersamaan, tabung memancarkan

sinar-X selebar pensil tadi pada subjek dan detektor menerima atau

mengukur sinar-X yang dilewatkan. Gerakan memindai transversal

linier dari tabung dan detektor tersebut dikenal sebagai translasi.

Susunan peralatan ini digambarkan pada Gambar 2.9.

Gambar 2.9 Susunan Alat CT-Scan (Goldman, 2007)



Selama gerak translasi, pengukuran transmisi sinar-X melalui

subjek yang diterima oleh detektor pada banyak lokasi seperti yang

diperlihatkan Gambar 2.10. Besarnya sinar-X yang melewati pasien

dalam setiap satu pengukuran disebut sebuah ray. Semua pengukuran

yang dilakukan selama translasi dan ray yang dihasilkan disebut sebuah

view. Sebagai contoh, scanner Hounsfield Mark I mengukur translasi

darin 160 ray setiap view. Setelah melakukan translasi, tabung detektor

diputar terhadap subjek sebanyak 1ᵒ, dan translasi diulang untuk

mengumpulkan view yang kedua. Jika translasi pertama diperoleh

dengan posisi tabung tepat di atas dan detektor di bawah subjek (0ᵒ),

maka tabung detektor berputar sebanyak 1ᵒ kemudian translasi

dilakukan kembali untuk mendapatkan view kedua. Rotasi dan translasi

ini dilakukan terus hingga 180 kali pada CT-Scan generasi pertama dan

360 kali pada CT-Scan saat ini.

Gambar 2.10 Pengukuran Transmisi Sinar-X (Goldman, 2007)



Kombinasi translasi yang diikuti oleh rotasi disebut gerak translasi

rotasi. Pengumpulan data dilakukan oleh pancaran seberkas sinar

sempit dan satu detektor sintilasi natrium iodida (NaI). Susunan alat

dengan detektor tunggal dan seberkas cahay sempit dengan gerakan

translasi rotasi ini merupakan CT-Scan generasi pertama dibutuhkan

waktu 5 sampai 6 menit untuk melakukan sebuah pemindaian. Untuk

meminimalkan waktu pemindaian, scanner Mark I menggunakan 2

buah detektor yang berdekatan dan sinar-X dengan lebar 26mm secara

bersamaan untuk melakukan pengukuran dan menghasilkan dua citra

irisan aksial subjek. Pada akhir pemindaian, Hounsfield mendapatkan

28.800 pengukuran (180 view x 160 ray) untuk setiap irisan yang

diambil melalui banyak sudut (180) dan posisi (160).

2.4.3 Rekonstruksi Citra CT-Scan

Hounsfield membagi sebuah irisan subjek ke dalam matriks balok

3 dimensi disebut voxel seperti yang diperlihatkan oleh Gambar 2.11.

Arah sumbu X dan Y berada pada bidang irisan sedangkan arah sumbu

Z berada di sepanjang aksis subjek (arah ketebalan irisan). Dimensi Z

dari voxel merupakan ketebalan irisan. Dimensi voxel X dan Y yang

dinyatakan sebagai W dalam Gambar 2.13. bergantung pada ukuran

dari area hasil pengukuran sinar-X yang diperoleh sebagai ukuran

matriks (jumlah baris dan kolom). Misalnya setiap translasi menempuh

jarak 250 mm.



Setelah pengumpulan seluruh view didapatkan pengukuran yang

mencakup sebuah area pemindaian berbentuk lingkaran ( scan cricle)

dengan diameter 250 mm. Jika scan circle dibagi kedalam matriks

berukuran 250 baris x 250 kolom, maka setiap voxel memiliki ukuran 1

mm x 1 mm. Jika ukuran matriks 250 x 250 maka ukuran voxel menjadi

0,5 mm x 0,5 mm. Matriks tersebut disebut sebagai matriks rekonstruksi.

Gambar 2.11 Matriks RekonstruksiCT-Scan (Goldman, 2007)

Tujuan dari rekonstruksi gambar CT yaitu untuk menentukan

seberapa banyak atenuasi atau pelemahan dari sinar-X yang terjadi

dalam setiap voxel dari matriks rekonstruksi (Goldman, 2007). Nilai

perhitungan atenuasi tersebut mewakili tingkat keabuan dalam sebuah

gambaran 2 dimensi dari irisan subjek. Dalam dunia citra digital, voxel

2 dimensi yang terletak pada pada bidang irisan (X dan Y) biasanya

dikenal juga sebagai pixel, namun ukuran pixel citra yang ditampilkan

(matriks citra) tentunya tidak sama dengan pixel matriks rekonstruksi

akan tetapi cukup terinterpolasi dari matriks rekonstruksi agar bisa

ditampilkan pada layar maupun untuk keperluan grafis seperti zooming

atau pembesaran citra.



Hasil rekonstruksi ditampilkan dengan mempertimbangkan baris

dari voxel yang merupakan ray selama pengumpulan data yang

ditunjukkan oleh Gambar 2.11. Pada Gambar 2.11, Ni merupakan

intensitas sinar-X yang ditransmisikan dan ray diukur oleh detektor. No

merupakan ray hasil pengukuran intensitas sinar-X yang diterima oleh

subjek. Ha tersebut dapat diketahui bahwa Xi merupakan jumlah dari

nilai atenuasi dalam voxel sepanjang ray. Perhitungan jumlah atenuasi

tersebut untuk baris voxel seperti pada Gambar 2.14diperlihatkan oleh

persamaan berikut:

Xi = µ1 + µ2 + µ3 + µ4 + .......... µn ....................................(2.1)

Keterangan:

Xi : Jumlah atenuasi = -ln(Ni/No)

µi = atenuasi dari voxel i = wi.µi

Dengan cara yang sama, pengukuran untuk semua ray di semua

posisi dan sudut dapat dinyatakan sebagai jumlah dari nilai-nilai

atenuasi voxel pada setiap ray yang diukur. Perlu dierhatikan bahwa

nilai Xi diketahui melauiperhitungan dari setiap pengukuran intensitas

sinar-X oleh detektor (Ni) dengan dimensi voxel X dan Y (W) diketahui

dan intensitas sinar-x yang yang diterima pasien diketahui (No). Pada

scanner buatan Hounsfield, No langsung diukur oleh detektor referensi

yang melakukan sampling intensitas sinar-Xdari tabungnya. Scanner

modern menentukan No dari pemindaian kalibrasi secara berkala.



Sebagai contoh sebuah matriks berukuran 2 x 2 pada Gambar 2.15.

View didapatkan dalam 4 arah sudut (0ᵒ, 90ᵒ, 45ᵒ, 135ᵒ) dan setiap

pengukuran merupakan jumlah dari nilai penguatan voxel setiap ray.

Nilai setiap atenuasi (U) dalam matriks tersebut belum diketahu

nilainya sehingga dibutuhkan sebuah algoritma yang disebut ART

(algebraic reconstruction technique). Cara kerja atau algoritma dari

ART dapat dilihat pada Gambar 2.12.

Algoritma ART memiliki kelemahan yaitu tidak ada jaminan

bahwa ART mampu melakukan seluruh pengukuran secara tepat karena

pengukuran itu sendiri mengandung kesalahan acak. Kesalahan acak ini

muncul dari noise (quantum mottle) pada citra akibat terbatasnya

jumlah poton sinar-X (akibat terbatasnya dosis radiasi pada pasien)

yang terlibat pada setiap pengukuran oleh detektor.

Oleh karena itu muncul algoritma baru dalam rekonstruksi citra

CT-Scan yaitu backprojection. Algoritma backprojection dapat dilihat

pada Gambar 2.13. Pada Gambar 2.13backprojection diberikan pada

sebuah model yang memiliki 3 buah objek dengan nilai atenuasi

berbeda. Pada setiap view, nilai atenuasi dapat dengan mudah

dibedakan secara mendatar sepanjang arah dihasilkannya ray.

Penjumlahan view backprojection dalam berbagai sudut dapat

membangun sebuah citra. Walaupun algoritma ini efisien namun hasil

rekonstruksi citra menghasilkan citra yang sangat kabur (blurr). Oleh



karena itu dibuatlah sebuah filter untuk menghasilkan citra yang lebih

jelas disebut FBP (filtered backprojection).

Gambar 2.12Algoritma ART pada CT-Scan (Goldman, 2007)

FBP merupakan operasi matematik konvolusi yang difungsikan

sebagai filter citra. Filter ini masih digunakan pada CT-Scan generasi

terbaru karena efisien dan memberikan hasil yang menjanjikan.

Implementasi dari algoritma FBP dapat dilihat pada Gambar 2.14.

Kebanyakan rekonstruksi citra CT-Scan saat ini menggunakan FBP

untuk merekonstruksi citra yang kabur secara parsial untuk

meminimalkan munculnya noise.



Gambar 2.13Algoritma Backprojection CT-Scan (Goldman, 2007)

Gambar 2.14Algoritma FBP CT-Scan (Goldman, 2007)

2.5 Gray Level Co-occurrence Matrices (GLCM)

Metode gray level co-occurance matrices (GLCM) digunakan untuk

melakukan ekstraksi 14 fitur tekstur pertama kali diperkenalkan oleh Haralick

pada tahun 1973. Fitur tekstur mengandung informasi mengenai distribusi

spasial dari variasi derajat keabuan sebuah citra (Haralick et al, 1973).

Informasi tekstur dapat digunakan untuk membedakan sifat permukaan suatu

benda dalam citra yang berhubungan dengan kasar dan halus, sifat-sifat

spesifik dari kekasaran dan kehalusan permukaan tersebut, yang sama sekali

lepas dari warna permukaan tersebut (Budiarso, 2010).

GLCM pada dasarnya merupakan metode histogram dua dimensi. Metode

GLCM memperhitungkan hubungan spasial antara pixeldengan tingkat

keabuan yang berbeda (Nayak et al, 2014). Metode perhitungan GLCM yaitu

dengan menghitung seberapa sering pixel dengan intensitas tertentu (i) terjadi

dalam kaitannya dengan pixel lain (j) pada jarak (d) dan orientasi (Ɵ) tertentu.



2.5.1 Kontruksi Co-occurance Matrices

Haralick mendefinisikan GLCM sebagai matriks persegi P dengan

ukuran N x N. P(x1,x2) merupakan distribusi probabilitas bersama dari

pasangan pixel bertetangga dengan graylevel x1dan x2 pada posisi (m,n)

berjarak r dengan sudut Ɵ. Sudut Ɵ inilah yang menunjukkan empat arah

sudut tetangga yaitu 0ᵒ, 45ᵒ, 90ᵒ, dan 135ᵒ seperti pada Gambar 2.15.

Gambar 2.15Arah Sudut dalam Membangun GLCM (Nayak et al, 2014)

Berdasarkan definisi GLCM menurut Haralick, dimisalkan sebuah

citra grayscale I dengan jumlah total level keabuan N, maka ketentuan

untuk pasangan pixel dengan jarak r dan sudut Ɵ adalah (Putra, 2010):

, ( , ) = | ( , ), ( , ) ∈ : − = 0, | − | = , , =

, , = | ...................................................................................(2.2)

, ( , ) = | ( , ), ( , ) ∈ : ( − = , | − | =

− ) ( − = − , − = , , = , , = | ..................(2.3)

, ( , ) = | ( , ), ( , ) ∈ : | − | = , ( − ) = 0, , =

, , = | ...................................................................................(2.4)



, ( , ) = | ( , ), ( , ) ∈ : ( − = , − = ), , =

, , = | ...................................................................................(2.5)

Keterangan :

P = probabilitas kemunculan pasangan piksel bertetangga

x1 = graylevelpasangan piksel tetangga x2

x2 = graylevelpasangan piksel tetangga x1

r = jarak piksel tetangga

j = posisi baris piksel x1

k = posisi kolom piksel x1

m= posisi baris piksel x2

n = posisi kolom piksel x2

Matriks PƟ,r(x1,x2) yang sudah terbentuk kemudian ditambah dengan

transposenya sehingga terbentuk matrik simetris. Selanjutnya semua komponen

matriks simetris ini dibagi dengan jumlah komponen matriks sehingga

terbentuk matriks p yang sudah ternormalisasi.

PƟ,r(x1,x2)=PƟ,r(x2,x1) (Haralick et al, 1973) sehingga kemunculan

pasangan pixel pada arah sudut 0ᵒ sama dengan arah sudut 180ᵒ. Begitu juga

dengan arah sudut lainnya yaitu 45ᵒ dengan 225ᵒ, 90ᵒ dengan 270ᵒ, dan 135ᵒ

dengan 315ᵒ karena matriks sudut tersebut merupakan matriks

simetris,sehingga dalam GLCM hanya digunakan keempat sudut tersebut.



Fitur tekstur akan diambil dari masing-masing sudut tersebut. Albergsten

2008 menyarankan untuk hanya menggunakan nilai rata-rata fitur tekstur dari

keempat sudut jika ingin menghindari ketergantungan arah piksel bertetangga.

2.5.2 Fitur Tekstur Gray Level Co-occurence Matrices

Informasi tekstur dapat digunakan untuk membedakan sifat

permukaan suatu benda dalam citra yang berhubungan dengan kasar

dan halus, sifat-sifat spesifik dari kekasaran dan kehalusan permukaan

tersebut, yang sama sekali lepas dari warna permukaan tersebut

(Budiarso, 2010).Fitur tekstur dihitung dengan melakukan rata-rata

matriks co-occurence empat arah sehingga dihasilkan suatu matriks.

Haralick merumuskan 14 fitur tektur yang dapat diambil dari GLCM.

Dalam penelitian ini hanya digunakan 3 fitur tekstur.

Matriks p merupakan matrisk GLCM yang sudah dinormalisasi

dengan dimensi i baris dan j kolom, maka fitur tekstur dari GLCM

dapat dirumuskan sebagai berikut (Haralick et al, 1973):

1. Angular second moment (ASM/energy)

ASM juga dikenal sebagai keseragaman energi. ASM mengukur atau

menyatakan homogenitas dari suatu citra.

Nilai ASM besar jika citra memiliki homogenitas yang sangat baik. ASM

dapat dihitung menggunakan Persamaan

= Ʃ Ʃ { ( , )} ..................................................................................(2.6)



2. Inverse Difference Moment (IDM)

Inverse Difference Momen (IDM) menyatakan homogenitas lokal. IDM

bernilaibesar ketika tingkat keabuan lokal seragam dan invers dari GLCM

tinggi (Nayak et al, 2014). Dengan kata lain nilai IDM akan meningkat

apabila selisih derajat keabuan sepasang piksel semakin kecil. Nilai IDM

dapat dihitung menggunakan Persamaan

= Ʃ Ʃ( )

p(i,j)...........................................................................(2.7)

3. Entropy (Entropi)

Entropi adalah ukuran statistik dari keacakan (ketidakteraturan) yang dapat

digunakan untuk mengkarakterisasi tekstur citra input. Apabila sebuah citra

secara tekstural tidak seragam, maka banyak elemen GLCM yang bernilai

rendah sehingga nilai entropi menjadi besar. Entopi dapat dihitung

menggunakan Persamaan

=

−Ʃ ∑ ( , )log ( ( , ))..............................................................(2.8)

2.6 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (JST) didefenisikan sebagai susunan dari elemen-

elemen penghitung yang disebut neuron atau titik (node) yang saling terhubung

guna dimodelkan untuk meniru fungsi otak manusia (Sinambela et al, 2013). Hal

paling penting dari konsep jaringan syaraf yaitu adanya proses pembelajaran

dengan tujuan utama melakukan pengaturan terhadap bobot-bobot yang ada pada

jaringan syaraf, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data



yang dilatih. Selama proses pembelajaran terjadi perbaikan bobot-bobot

berdasarkan algoritma tertentu. Pembelajaran atau pelatihan Jaringan syaraf tiruan

dikelompokkan menjadi 3 (Sinambela et al, 2013) yaitu:

a. Pembelajaran Terawasi (Supervised Learning)

Dalam metode ini, setiap pola yang diberikan kedalam jaringan syaraf

tiruan telah diketahui outputnya. Selisih antara pola output aktual (output

yang dihasilkan) dengan pola output yang dikehendaki (output target)

yang disebut error digunakan untuk mengoreksi bobot jaringan syaraf

tiruan hingga mampu menghasilkan output sedekat mungkin dengan target

yang telah diketahui oleh jaringan syaraf tiruan. Apabila nilai error ini

masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih

banyak pembelajaran lagi. Contoh pembelajaran terawasi adalah: Hebbian,

Perceptron, ADALINE, Boltzman, Hopfield, dan Backpropagation.

b. Pembelajaran Tak Terawasi (Unsupervised Learning)

Metode ini tidak memerlukan target output. Selama proses pembelajaran,

nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input

yang diberikan. Tujuan pembelajaran ini yaitu mengelompokkan unit-unit

yang hampir sama dalam suatu area tertentu.

c. Pembelajaran Hibrida (Hybrid Learning)

Metode ini merupakan kombinasi dari metode pembelajaran supervised

learning dan unsupervised learning. Sebagian dari bobot-bobotnya

ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui

pembelajaran tak terawasi. Dalam penelitian ini digunakan jaringan syaraf



tiruan backpropagation untuk klasifikasi citra CT-Scan otak normal,

meningioma, dan schwannoma.

2.7 BackpropagationBackpropagation merupakan salah satu jenis jaringan syaraf tiruan yang

terdiri dari beberapa layer (multilayer) dengan metode pembelajaran terawasi

(Supervised Learning). Algoritma pembelajaran error backpropagation

merupakan sebuah algoritma jaringan syaraf yang belajar untuk membedakan pola

yang tidak bisa dipisahkan secara linier (Anzai, 1946).

Setiap unit jaringan backpropagation yang berada di lapisan input

terhubung dengan setiap unit yang ada di lapisan tersembunyi (hidden layer)

terhubung dengan setiap unit yang ada di lapisan output. Ketika jaringan diberikan

pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit-unit lapisan

tersembunyi untuk selanjutnya keluaran akan memberikan respon sebagai

keluaran jaringan syaraf tiruan. Saat hasil keluaran tidak sesuai dengan yang

diharapkan, maka keluaran akan dijalankan mundur (backward) pada lapisan

tersembunyi kemudian dari lapisan tersembunyi menuju lapisan masukan.

Arsitektur jaringan backpropagation ditunjukkan oleh Gambar 2.16.

Setiap unit di dalam layer input pada jaringan backpropagation selalu terhubung

dengan setiap unit yang berada pada layer tersembunyi, demikian juga setiap unit

pada layer tersembunyi selalu dari banyak lapisan (Sinambela et al, 2013) yaitu:

1. Lapisan input (1 buah), yang terdiri dari 1 hingga n unit input.

2. Lapisan tersembunyi (minimal 1 buah), yang terdiri dari 1 hingga p unit

tersembunyi.



3. Lapisan output (1 buah), yang terdiri dari 1 hingga m unit output.

Gambar2.16 Arsitektur Jaringan Backpropagation (Sinambela et al, 2013)

Algoritma pelatihan backpropagation terdiri dari 2 tahapan (Sinambela et al,

2013), feedforward dan backward propagation. Algoritma pelatihan jaringan

backpropagation(Sinambela et al, 2013) dapat dilakukan sebagai berikut:

1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup

kecil).

2. Tetapkan: maksimum Epoh, Target Error, dan Learning Rate (α).

3. Inisialisasikan: Epoh = 0.

4. Kerjakan langkah-langkah berikut selama (Epoh < maksimum Epoh) dan

(MSE < Target Error):

a. Epoh = Epoh + 1

b. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran

feedforward sebagai berikut:



b.1 Tiap-tiap unit input (Xi, i=1, 2, 3…., n) menerima sinyal xi dan

meneruskan sinyal tersebut ke semua unit pada lapisan yang ada

di atasnya (lapisan tersembunyi).

b.2 Tiap-tiap unit pada suatu lapisan tersembunyi (Zi, j=1, 2, 3,….p)

menjumlahkan sinyal- sinyal input terbobot:

z_inj = b1j + Ʃ xi vij............................................................................................(2.9)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f (z_inj) = 1 _ ....................................................................................(2.10)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya

(unit-unit output).

b.3 Tiap-tiap unit output (Yk, k=1, 2, 3,…..m) menjumlahkan sinyal-

sinyal input terbobot.

zink = b2k + Ʃ zi wjk...........................................................................................(2.11)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

yk = f (yink) = .........................................................................................(2.12)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya

(unit-unit output). Catatan: Langkah (b.2) dilakukan sebanyak

jumlah neuron pada hidden layer.

Backward propagation

b.4 Tiap-tiap unit output (Yk, k=1,2,3,…..,m) menerima target pola

yang berhubungan dengan pola input pembelajaran, hitung

informasi errornya:

δ2k = tk − yk f′(y_ink)............................................................................................(2.13)



φ2jk = δk zj..................................................................................................................( 2.14)

β2k = δk.............................................................................................................................(2.15)

kemudian hitung koreksi bobot (yang nantinya akan digunakan

untuk memperbaiki nilai wjk:

∆wjk = α φjk.................................................................................................................. (2.16)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai b2k:

∆b2k = α.................................................................................................................. (2.17)

Langkah (b.4) dilakukan sebanyak jumlah lapisan tersembunyi,

yaitu menghitung informasi error dari suatu lapisan tersembunyi

ke lapisan tersembunyi sebelumnya.

b.5 Tiap-tiap unit tersembunyi (Zj, j=1,2,3,….,p) menjumlahkan delta

inputnya (dari unit-unit yang berada pada lapisan di atasnya):

δ_inj = Ʃ δi wjk....................................................................................................(2.18)

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk

menghitung informasi error:

δ1j = δ_inj f′(z_inj ).................................................................................................(2.19)

φ1ij = δj xj..................................................................................................................... (2.20)

β1j = δ1j.......................................................................................................................... (2.21)

kemudian hitung koreksi bobot (yang nantinya akan digunakan

untuk memperbaiki nilai vij:

∆vij = α φ 1ij.................................................................................................................(2.22)



Hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai b1j:

b1j = α φ 1j.................................................................................................................. (2.23)

b.6 Tiap-tiap unit output (Yk, k=1,2,3,….,m) memperbaiki bias dan

bobotnya (j = 0,1,2,….,p):

wjk(baru) = wjk(lama) + ∆wjk.......................................................................... (2.24)

b2k(baru) = b2k(lama) + ∆b2k..........................................................................(2.25)

Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…..,p) memperbaiki bias

dan bobotnya (i=0,1,2,….,n ):

vij(baru) = vij(lama) + ∆vij.......................................................................... (2.26)

b1j(baru) = b1j + ∆b1j.......................................................................... (2.27)

5. Hitung (MSE) Mean Square Error

Setelah dilakukan algoritma tersebut pada jaringan, maka akan didapatkan

jaringan yang sudah dilatih. Sehingga untuk melakukan identifikasi, dapat

dilakukan dengan langsung memberikan input dan jaringan akan

mengklasifikasikannya sesuai dengan bobot- bobot yang diperoleh dari

proses training sebelumnya. Dimana besar mean square errorditunjukka

persamaan berikut.

= Ʃ ( ) − ( ) ................................................................................................(2.28)

= Ʃ ( )................................................................................................................................ (2.29)


41


BAB III

METODE PENELITIAN

3.1 Tempat dan Waktu Pelaksanaan

Penelitian ini dilaksanakan di Laboratorium Instumentasi Medis dan

Laboratorium Komputer, Departemen Fisika, Fakultas Sains dan Teknologi,

Universitas Airlangga untuk membuat sistem. Penelitian dilakukan selama

kurang lebih enam bulan dari Februari hingga Juli 2016

3.2 Peralatan dan Software

Peralatan dan bahan yang digunakan selama penelitian adalah:

1. Laptop Hewlett Packard model Pavilion 14n016TU dengan spesifikasi

sebagai berikut:

a. Intel Core i7-4500U @1.80GHz-2.40GHz processor / RAM 4

GB.

b. 64-bit operating system.

2. Data citra potongan axial otak dari RSUD Ulin Banjarmasin dan RSUD dr.

Soetomo Surabaya.

3. Software yang digunakan yaitu Windows 8, Microsoft Office 2010,

Microsoft Excel 2010dan MATLAB R2013a.



3.3 Prosedur Penelitian

Penelitian Klasifikasi Citra CT Scan untuk Deteksi Meningioma dan

Schwannoma Menggunakan Gray Level Co-occurrence Matrices (GLCM)

dan Backpropagation akan dilakukan dengan beberapa tahap seperti

ditunjukkan dalam Gambar 3.1. dengan penjelasan lengkap pada subbab 3.3.1

hingga 3.3.5.

3.3.1 Persiapan Data

Data citra CT-Scan otakpost contrast dalam penelitian ini

berjumlah 95 pasien meliputi 32 citra otak normal, 43 meningioma,

dan 20schwannoma yang telah terdiagnosa secara visual oleh dokter

radiologi. Data yang digunakan dalam penelitian ini didapatkan dari

RSUD Ulin Banjarmasin dan RSUD dr.Soetomo Surabaya.

Citra yang didapatkankemudian dibagi untuk keperluan

trainingdan testing jaringan backpropagation dalam penelitian ini.

Sebanyak 80% data diambil dari masing-masing kasus untuk

keperluan latih, sehingga data latihberjumlah 76 citra yang terdiri

dari 34 meningioma, 16 schwannoma, dan 26 normal. Sebanyak 20%

atau sisanya dari masing-masing kasus digunakan untuk keperluan

uji, sehingga data ujiterdiri dari 9 meningioma, 4 schwannoma, dan 4

normal.



Citra otak CT scan

Citra Training Citra Testing

Persiapan Data

Pembentukan Matriks GLCM 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ

Penghitungan fitur tekstur dari Matriks GLCM Ekstraksifitur tekstur

Pelatihan jaringan backpropagation

Bobot akhir

Pelatihanjaringan

Pengujian jaringan Backpropagation

Akurasi

Analisa data

Testing

Analisa data

Pemilihan fitur dan variasi nilai parameter JST

Energy Entropy IDM

Gambar 3.1 Diagram Prosedur Penelitian



3.3.2 Esktrasi Fitur Tekstur

Fitur tekstur dalam penelitian ini didapatkan melalui metode gray

level co-occurrence matrices (GLCM). Matriks GLCM dibentuk

melalui empat arah sudut yakni 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ yang juga mewakili

arah 180ᵒ, 225ᵒ, 270ᵒ, 315ᵒ sehingga nilai fitur akan tetap sama

walaupun posisi kepala pasien berubah-ubah. Ekstrasi fitur ini

dilakukan pada data-data citra CT-Scan pada tahap persiapan data.

Fitur-fitur yang diambil dari metode GLCM yaiu 3 fiturdari 14 fitur

tekstur Haralick yang mewakili citra sebagai berikut :

1. Angular second moment (ASM/energy)

ASM juga dikenal sebagai keseragaman energi. ASM mengukur

atau menyatakan homogenitas dari suatu citra. Nilai ASM besar

jika citra memiliki homogenitas yang sangat baik. ASM dapat

dihitung menggunakan Persamaan 2.6

2. Inverse Difference Moment (IDM)

Inverse Difference Momen (IDM) menyatakan homogenitas

lokal. IDM bernilaibesar ketika tingkat keabuan lokal seragam

dan invers dari GLCM tinggi (Nayak et al, 2014). Nilai IDM

dapat dihitung menggunakan Persamaan 2.7

3. Entropy (Entropi)

Entropi adalah ukuran statistik dari keacakan (ketidakteraturan)

yang dapat digunakan untuk mengkarakterisasi tekstur citra

input. Entopi dapat dihitung menggunakan persamaan 2.8



Semua fitur tekstur diatas didapatkan melaui metode GLCM.

nilai fitur yang digunakan sebagai input backpropagation

merupakan nilai rata-rata masing-masing fitur dari ke empat

sudut matriks GLCM yaitu 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ. Hasil ekstrasi fitur

data trainingdan testingdiberikan pada Lampiran 2.

3.3.3 Pelatihan Jaringan Backpropagation

Pelatihan dilakukan menggunakan data yang diperoleh dari proses

persiapan data. Fitur yang didapatkan dari proses ekstraksi fitur

menjadi masukan bagi backpropagation. Keluaran dari jaringan

backpropagation ada 3 yaitu normal dengan indeks 0,

meningiomadengan indeks 0,5, dan schwannomadengan indeks 1.

Algoritma pelatihan backpropagation dapat dilihat pada Gambar 3.2.

Pelatihan ini dilakukan percobaan untuk mendapatkan kombinasi

input dan nilai parameter optimal dengan nilai akurasi tertinggi.

Parameter yang digunakan yaitu maksimal epoh, learning rate (α),

dan jumlah neuron di hidden layer. Tingkat akurasi dari variasi nilai

parameter dan input disajikan pada Lampiran 2.



Gambar 3.2 Algoritma Pelatihan Backpropagation (Sinambela et al, 2013)



3.3.4 Pengujian Jaringan Backpropagation

Data uji bagi jaringan backpropagation yang dibuat merupakan

20% dari masing-masing citra otak terdiri dari 6 normal, 9

meningioma, dan 4 schwannoma pada proses persiapan data. Fitur

masukan merupakan kombinasi dari jumlah fitur yang didapatkan

dengan akurasi tertinggi pada tahap pelatihan. Nilai bobot dan error

yang digunakan didapat memlalui tahap pelatihan backpropagation.

Algoritma pengujian backpropagation disajikan pada Gambar 3.3

Gambar 3.3 Algoritma PengujianBackpropagation

3.3.5 Analisa Data

Hasil pengujian disajikan pada Tabel 4.1. Tingkat akurasi pengujian

jaringan backpropagation dapat diketahui dengan menbandingkan hasil

keluaran jaringan dengan hasil diagnosa dokter radiologi.

Tingkat kebenaran klasifikasi atau akurasi merupakan proporsi dari

klasifikasi benar terhadap jumlah klasifikasi total (Padma et al,



2011a).Akurasi dalam penelitian ini merupakan persentase kesesuain

dignosa dokter radiologi dengan keluaran jaringan backpropagation.

Tingkat akurasi tersebut dapat dihitung menggunakan persamaan berikut:

=Ʃ

100%

3.4 Desain Interface

Perangkat interface pada penelitian ini didesain menggunakan Graphical

User Interface (GUI). Pembuatan interface bertujuan untuk mempermudah

penggunaan user. GUI yang dibuat terdiri dari beberapa menu utama atau

jendela yaitu beranda, program deteksi, program trainingdan testing, dan

bantuan.

1. Jendela Beranda

Gambar 3.4 Desain Tampilan Jendela Beranda

Berdasarkan Gambar 3.4 jendela beranda terdiri dari :

1. Program deteksi : push button yang berisi perintah untuk

membukaprogram deteksi.

2. Program training dan testing : push button yang berisi perintah untuk

1 2

3

5

4



membuka program training dan testing.

3. Bantuan : push button yang berisi perintah untuk

membuka jendela bantuan.

4. Tentang : push button yang berisi perintah untuk

membuka jendela tentang.

5. Keluar : push button yang berisi perintah untuk

memberikan pilihan mengakhiri program

kepada user.

Jendela beranda memiliki dua buah axes yang berfungsi untuk menampilkan

logo Universitas Airlangga.

2. Jendela Program Deteksi

Jendela program deteksi berfungsi untuk melakukan diagnosa atau

mendeteksi citra yang dimasukkan oleh user. Selain itu jendela ini

digunakan oleh peneliti untuk menguji citra data uji. Desain tampilan

jendela program deteksi ditunjukkan oleh Gambar 3.5.

Gambar 3.5 Desain Tampilan Jendela Program Deteksi

3 2

1

4

5

6

7

8

9

10

11



Berdasarkan Gambar 3.5 jendela program deteksi terdiri :

1. Axes 1 : berfungsi menampilkan citra yang akan didiagnosa.

2. Browse :push button yang berisi perintah untuk memilih citra

yang akan didiagnosa.

3. Edit 1 : berfungsi menampilkan nama citra.

4. Ambil fitur : push button yang berisi perintah untuk menghitung

nilai fitur citra.

5. Text 5 : berfungsi menampilkan nilai fitur entropi.

6. Text 6 : berfungsi menampilkan nilai fitur IDM.

7. Text 7 : berfungsi menampilkan nilai fitur energi.

8. DIAGNOSA : push button yang berisi perintah untuk melakukan

diagnosa.

9. Text 8 : berfungsi menampilkan text yang menyatakan hasil

diagnosa.

10. Reset : push button yang berisi perintah untuk

mengosongkan semua data.

11. Keluar : push button yang berisi perintah untuk

memberikan pilihan mengakhiri program.

3. Jendela Program Trainingdan Testing

Jendela program training dan testing berfungsi untuk mendapatkan

bobot baru menggunakan data yang digunakan dalam penelitian ini maupun

data baru yang digunakan user. Desain jendela program training dan



testing ditampilkan oleh Gambar 3.7, selain itu berfungsi sekaligus untuk

menguji data uji yang didapatkan dalam penelitian maupun data uji baru

dari user. Sebelum memasuki jendela program training dan testing dibuat

jendela login. Desain tampilan jendela login ditunjukkan oleh Gambar 3.6.

Gambar 3.6 Desain Tampilan Jendela Login

Berdasarkan Gambar 3.6 jendela login terdiri dari :

1. Edit 1 : berfungsi untuk mengisi username.

2. Edit 2 : berfungsi untuk mengisi password.

3. Login : push button yang berisi perintah untuk memeriksa

kecocokan antarausername dengan password, jika cocok

maka akan terbuka jendela program training dan testing, jika

tidak maka akan terbuka textbox berisi keterangan

ketidakcocokan.

4. Axes 1 : berfungsi menampilkan logo Universitas Airlangga.

5. Axes 2 : berfungsi menampilkan logoUniversitas Airlangga.

54

3

2

1



Setelah username dan password cocok maka akan terbuka jendela

program training dan testing. Berdasarkan Gambar 4.7 jendela ini terdiri

atas:

1. Browse : push button yang berisi perintah memilih data

trainingdan testing.

2. Edit 1 : berfungsi menampilkan nama data training.

3. Edit 2 : berfungsi memasukkan nilai learning rate.

4. Edit 3 : berfungsi memasukkan nilai hidden layer.

5. Edit 4 : berfungsi memasukkan nilai epoh.

6. Edit 5 : berfungsi menampilkan nama data testing.

7. Tabel fitur : berfungsi menampilkan data fitur training dan

testing.

8. Tabel output : berfungsi menampilkan output jaringan dan target

pada training maupun testing.

9. Text 1 : berfungsi menampilkan akurasi pelatihan.

10. Text 2 : berfung menampilkan jumlah data latih.

11. Text 13 : berfungsi menampilkan jumlah data benar.

12. Text 15 : berfungsi menampilkan akurasi testing.

13. Mulai Training : push button yang berisi perintah untuk memulai

training.

14. Mulai Testing : push button yang berisi perintah untuk memulai

testing.

15. Tabel Bobot W1 : berfungsi menampilkan bobot W1.



16. Tabel Bobot W2 : berfungsi menampilkan bobot W2.

17. Tabel Bobot b1 : berfungsi menampilkan bobot b1.

18. Tabel Bobot b2 : berfungsi menampilkan bobot b2.

19. Reset : push button yang berisi perintah untuk

mengosongkan semua data.

20. Keluar : push button yang berisi perintah menampilkan

pilihan untuk mengakhiri program.

Gambar 3.7 Desain Tampilan Jendela Program Training dan Testing

4. Jendela Bantuan

Jendela bantuan berisi instruksi untuk menampilkan petunjuk atau

instruksi cara menggunakan program ini. Desain jendela bantuan

ditunjukkan oleh Gambar 3.8.

2 1 16

7

134

9

10

11

5

815

55

4

8

517

16

18

12 14

19 20



Jendela bantuan memiliki push button KELUAR yang berisi

perintah perintah menampilkan pilihan untuk mengakhiri program.

Gambar 3.8Desain Tampilan Jendela Bantuan


55


BAB IV

HASIL DAN PEMBAHASAN

4.1 Tampilan Program

Tampilan program deteksi meningioma dan schwannoma dari citra CT-

Scan ini didesain menggunakan Graphical User Interface (GUI) dengan

tujuan untuk mempermudah user dalam menggunakannya. Interface program

didesain menggunakan GUI sehingga lebih praktis dan aplikatif. Pada subbab

4.1.1 sampai dengan 4.1.4 akan dijelaskan tampilan jendela-jendela di dalam

GUI beserta fungsi menu dan tombol di dalamnya. Desain interface program

ini diberi nama AIMeSD (Artificial Intelligent for Meningioma and

Schwannoma Detection). Program ini memiliki nama lain yaitu “Aplikasi

Pendeteksi Meningioma dan Schwannoma dari Citra CT-Scan Otak

menggunakan Backpropagation”.

4.1.1 Jendela Beranda

Jendela beranda merupakan tampilan awal yang berisi menu utama

dari keseluruhan program deteksi meningioma dan schwannoma dari

citra CT-Scan ini. Tampilan jendela beranda ditunjukkan oleh Gambar

4.1. Jendela beranda dapat dibuka melalui menu “beranda” pada jendela

bantuan, program deteksi, login, serta program training dan testing.

Menu yang terdapat di dalam jendela ini yaitu program training

dan testing, dan program deteksi. Kedua menu tersebut digunakan

untuk masuk ke dalam jendele-jendela utama program. Menu bantuan



digunakan untuk menampilkan instruksi atau cara penggunaan program

ini. Selain itu juga terdapat tombol KELUAR yang akan memberikan

penawaran kepada user untuk mengakhiri penggunaan program.

Gambar 4.1 Tampilan Jendela Beranda

4.1.2 Jendela Program Deteksi

Jendela program deteksi merupakan salah satu jendela utama yang

digunakan user untuk melakukan deteksi citra CT-Scan untuk

mengetahui apakah dari citra tersebut otak pasien normal, meningioma,

atau schwannoma. Jendela ini juga digunakan oleh pembuat program

untuk melakukan pengujian. Tampilan jendela program deteksi

ditunjukkan oleh Gambar 4.2. Jendela program deteksi dapat dibuka

melalui menu “program deteksi” pada jendela beranda, bantuan, login,

serta program traing dan testing.



Gambar 4.2 Tampilan Jendela Program Deteksi

Hal pertama yang harus dilakukan user yaitu menekan tombol

“BROWSE” untuk memilih citra dengan format “.dcm” atau DICOM.

Kemudian user menekan tombol “AMBIL FITUR” untuk mengetahui

nilai fitur tekstur citra yang terdiri dari entropi, IDM, dan energi.

Setelah nilai muncul maka user dapat menekan tombol “DIAGNOSA”

untuk mengetahui hasil diagnosa program terhadap citra yang

digunakan.

4.1.3 Jendela Program Training dan Testing

Jendela program latihdan uji berfungsi untuk mendapatkan bobot

baru menggunakan data yang digunakan dalam penelitian ini maupun

data baru yang digunakan user. Bobot awal yang digunakan dalam

tariningdipilih secara acak oleh program latihdan uji dengan rentang

nilai dari -1 hingga 1. Bobot baru akan digunakan ke dalam

backpropagation yang telah dibangun secara mandiri oleh peneliti.

Sebelum masuk ke dalam jendela ini user harus memasukkan username



serta password yang diberikan oleh peneliti ke dalam jendela login.

Tampilan jendela login ditunjukkan oleh Gambar 4.3. Tampilan jendela

program trainingdan testing ditunjukkan oleh Gambar 4.4.

Hal pertama yang harus dilakukan oleh user setelah login yaitu

memasukkan data pelatihan dengan format “.mat” menggunakan

tombol “BROWSE” pada panel training. Tampilan panel training

ditunjukkan oleh Gambar 4.5. Kemudian mengisi nilai parameter

backpropagation yaitu learning rate, hidden layer (jumlah neuron pada

hidden layer), dan epoch (maksimum epoh). Setelah semua parameter

diisi kemudian user menekan tombol “MULAI TRAINING” dan proses

pelatihan dimulai. Proses ini akan berakhir jika grafik MSE muncul dan

nilai hasil pelatihan berupa akurasi pelatihan, jumlah data latih, jumlah

data benar, dan tabel output target telah disajikan. Setelah proses

pelatihan selesai bobot akan muncul pada panel testing.

Gambar 4.3Tampilan Jendela Login



Gambar 4.4 Tampilan Jendela Training dan Testing

Bobot pada panel testingtesrdiri dari W1, W2, b1, dan b2.

Tampilan panel testingditunjukkan oleh Gambar 4.6. Setelah semua

bobot muncul pada tabel, user memasukkan data testing dalam format

“.mat” menggunakan tombol “BROWSE” di panel testing kemudian

menekan tombol “Mulai Testing”. Hasil pengujian berupa akurasi dan

tabel kesesuain antara outputdengan target akan muncul jika proses

testingselesai.

Pada jendela program training dan testing terdapat tombol

“RESET” yang berfungsi untuk mengosongkan semua data pada panel

training maupun testing sehingga user bisa menggunakan data baru.

Selain itu, terdapat tombol “KELUAR” yang akan memberikan pilhan

pada user untuk mengakhiri atau menutup program.



Gambar 4.5 Tampilan Panel Training

Gambar 4.6 Tampilan Panel Testing



4.1.4 Jendela Bantuan

Jendela bantuan berisi instruksi untuk menapilkan petunjuk atau

instruksi cara menggunakan program ini. Tampilan jendela bantuan

ditunjukkan pada Gambar 4.7.

Jendela bantuan dapat dibuka melalui menu “bantuan” pada

jendela beranda, program deteksi, login, serta program training dan

testing.

Instruksi yang diberikan berupa cara penggunaan program deteksi,

dan program training dan testing. Selain itu juga berisi petunjuk

mengenai spesifikasi citra yang digunakan. Jendela ini memiliki menu

beranda, program deteksi, dan program training dan testing. Menu-

menu tersebut berfungsi untuk membuka jendela yang dibutuhkan. Pada

jendela bantuan ini terdapat tombol “KELUAR” yang akan

memberikan pilhan pada user untuk mengakhiri atau menutup program.

Gambar 4.7 Tampilan Jendela Bantuan



4.2 Hasil Pengumpulan Data

Citra CT-Scan dalam penelitian ini didapatkan dari RSUD Ulin

Banjarmasin dan RSUD dr. Soetomo Surabaya. Data yang didapatkan

merupakan citra CT-Scan otak pos kontras berjumlah 95 pasien dan telah

didiagnosa secara visual oleh dokter radiologi namun belum dibuktikan

secara histopatologi. Data tersebut terdiri dari 43 meningioma, 20

schwannoma, dan 32 normal.

Semua citra yang diperoleh memiliki format DICOM (.dcm). Format

tersebut merupakan format citra asli dari mesin CT-Scan. Citra yang

diperoleh memiliki ukuran sebesar 512x512 piksel dan diambil menggunakan

mesin CT-Scan multisclice dengan kondisi maksimum generator sinar X

sebesar 130kV.

Semua data tersebut dibagi secara acak untuk keperluan ujidan latih.

Sebanyak 80% data diambil dari masing-masing kasus untuk keperluan latih,

sehingga data latihberjumlah 76 citra yang terdiri dari 34 meningioma, 16

schwannoma, dan 26 normal. Sebanyak 20% atau sisanya dari masing-masing

kasus digunakan untuk keperluan uji, sehingga data ujiterdiri dari 9

meningioma, 4 schwannoma, dan 4 normal.

Data latihmaupun uji langsung diekstrasi fitur teksturnya menggunakan

Gray Level Co-occurrence Matrices (GLCM) tanpa melalui proses perbaikan

citra. Hal ini dilakukan karena CT-Scan memiliki perbaikan citra otomatis

dan sekaligus untuk menghindari informasi asli citra yang hilang.



4.3 Hasil Ekstrasi Fitur Tekstur

Ekstrasi fitur dilakukan pada data latih maupun uji untuk mengetahui ciri

khas yang menggambarkan diagnosa citra. Dalam penelitian ini digunakan

metode statistik orde dua yaitu Gray Level Co-occurrence Matrices(GLCM)

untuk mengetahui tiga fitur tekstur dari citra yaitu energy, entropi, dan

inverse difference moment (IDM).

GLCM digunakan untuk mengetahui probabilitas pasangan piksel yang

saling bertetangga dengan tingkat keabuan, jarak, dan sudut tertentu. Penlitian

GLCM dilakukan dalam empat arah sudut yaitu yaitu 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ

dengan jarak 1 piksel. Albergsten (2008) menyarankan untuk hanya

menggunakan nilai rata-rata fitur tekstur dari keempat sudut jika ingin

menghindari ketergantungan arah piksel bertetangga. Penelitian ini

menggunakan saran dari Albergsten (2008) untuk menghindari penggunaan

rotasi, sehingga nilai fitur akan tetap sama walaupun posisi kepala pasien

berubah-ubah. Penggunaan rotasi juga dihindari karena dalam kasus tumor

otak terjadi pergeseran garis tengah otak maupun organ lainnya akibat

pendesakan massa sehingga sangat sulit untuk menentukan posisi kepala

pasien agar tepat mengarah ke atas. Selain itu penggunaan rata-rata sebagai

input mampu mengurangi beban komputasi.

Fitur pertama yang dihitung yaitu inverse difference moment (IDM) yang

dihitung menggunakan persamaan 2.7. Gambar 4.8 menunjukkan sebaran

nilai rata-rata fitur IDM untuk data latih. Berdasarkan Gambar 4.1 nilai rata-

rata fitur IDM untuk semua data latih memiliki rentang yang hampir sama.



Citra normal memiliki rentang nilai IDM 0,620585-0,739645 dengan rata-rata

keseluruhan 0,670535. Citra meningioma memiliki rentang nilai IDM

0,673713-0,786974 dengan rata-rata keseluruhan 0,730743. Citra

Schwannoma memiliki rentang nilai 0,745112-0,795052 dengan rata-rata

keseluruhan 0,767268, maka dapat disimpulkan bahwa

schwannomacenderung memiliki nilai IDM yang tinggi kemudian diikuti oleh

meningioma dan terakhir normal.

Gambar 4.8 Grafik Nilai Rata-Rata Fitur IDM dari Sudut 0ᵒ, 45ᵒ, 90ᵒ,135ᵒ untuk Data Latih

Keterangan :M : meningiomaS : schwannomaN : normal

Inverse Difference Momen (IDM) dalam Persamaan 2.7 menyatakan

homogenitas lokal. IDM bernilaibesar ketika tingkat keabuan lokal seragam

dan invers dari GLCM tinggi (Nayak et al, 2014), dengan kata lain nilai IDM

0.59

0.64

0.69

0.74

0.79

0.84

0 20 40 60 80

IDM

Data Ke-

IDM Latih

M

S

N



akan meningkat apabila selisih derajat keabuan sepasang piksel semakin

kecil. Semakin besar jumlah pasangan piksel dengan selisih tingkat keabuan

kecil semakin besar nilai IDM. Hal tersebut sesuai dengan ciri khas dari

meningioma yaitu memiliki batas yang tegas dimana pinggiran massa

memiliki tingkat keabuan sangat cerah dibandingkan jaringan disekitarnya

terutama terhadap edema yang hipodens dan mengelilingi massa sehingga

piksel dengan selisih tingkat keabuan sangat besar berjumlah banyak dan nilai

IDM lebih kecil daripada schwannoma. Citra normal memiliki nilai IDM

paling kecil karena jaringan otak normal terdiri dari berbagai jaringan otak

dengan nilai tingkat keabuan sangat beragam dan berbeda dengan jaringan

lainnya namun tidak memiliki banyak piksel dengan tingkat keabuan lebih

cerah yang merupakan massa tumor.

Fitur kedua yaitu entropi yang dihitung menggunakan persamaan 2.8.

Gambar 4.2 menunjukkan sebaran nilai rata-rata fitur entropiuntuk data latih.

Berdasarkan Gambar 4.9 nilai rata-rata fitur entropi untuk semua data latih

memiliki rentang yang hampir sama. Citra normal memiliki rentang nilai

entropi 1,24836-1,7858 dengan rata-rata 1,53981. Citra meningioma memiliki

rentang entropi 1,10678-1,59834 dengan rata-rata 1,380673 dengan rata-rata

1,380673. Citra schwannoma memiliki rentang entropi 1,12074-1,30842

dengan rata-rata 1,228831. Kesimpulan yang dapat diambil yaitu citra otak

normal cenderung memiliki nilai entropiyang tinggi diikuti oleh meningioma

kemudian schwannoma.



Gambar 4.9 Grafik Nilai Rata-Rata Fitur Entropi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ,135ᵒ untuk Data Latih


Persamaan 2.8menyatakan bahwa entropi adalah ukuran statistik dari

keacakan (ketidakteraturan) yang dapat digunakan untuk mengkarakterisasi

tekstur citrainput. Apabila sebuah citra secara tekstural tidak seragam, maka

banyak elemen GLCM yang bernilai rendah sehingga nilai entropi menjadi

besar.Semakin tinggi keberagaman tingkat keabuan dalam sebuah citra maka

semakin tinggi nilai entropi. Hal tersebut sesuai dengan ciri dari citra otak

normal yang terdiri dari berbagai macam organ, jaringan, dan ventrikel

dengan tingkat keabuan berbeda-beda sehingga memiliki kebergaman tingkat

keabuan yang tinggi. Citra yang memiliki tumor otak seperti meningioma dan

schwannoma memiliki keberagaman tingkat keabuan yang lebih rendah

1.09

1.19

1.29

1.39

1.49

1.59

1.69

1.79

0 20 40 60 80

Entr

opy

Data Ke-

Entropi Latih

M

S

N



akibat adanya massa tumor dengan tingkat keabuan lebih cerah hampir

homogen dan mendesak jaringan otak normal sehingga mempersempit

bahkan menghilangkan area tersebut.Meningioma memiliki nilai entropi yang

lebih tinggi daripada schwannoma akibat adanya batas massa tumor yang

tegas atau pinggiran massa tumor dengan tingkat keabuan lebih cerah

dibandingkan jaringan disekitarnya sehingga meningkatkan keberagaman

tingkat keabuan citra.

Fitur tekstur ketiga yaitu energi atau Angular Second Moment (ASM) yang

dihitung menggunakan persamaan 2.6. Gambar 4.10 menunjukkan sebaran

nilai rata-rata energiuntuk data latih. Berdasarkan Gambar 4.3 nilai rata-rata

untuk semua data latih memiliki rentang yang hampir sama. Citra normal

memiliki rentang nilai energi 0,254271-0,432998dengan rata-rata 0,323518.

Citra meningioma memiliki rentang nilai energi 0,301707-0,5285599 dengan

rata-rata 0,391749. Citra schwannoma memiliki rantang nilai energi

0,438638—0,502142 dengan rata-rata 0,462996. Kesimpulan yang dapat

diambil yaitu citra otak normal cenderung memiliki energi yang lebih rendah

diikuti oleh meningioma kemudian schwannoma.

Persamaan 2.7 menyatakan bahwa energi atau Angular Second Moment

(ASM) juga dikenal sebagai keseragaman energi. ASM mengukur atau

menyatakan homogenitas dari suatu citra. Semakin tinggi keseragaman

tingkat keabuan suatu citra semakin tinggi nilai energi. Citra otak normal

memiliki nilai energi yang kecil karena keberagaman tingkat keabuan yang

tinggi sehingga homogenitas citra rendah. Berbeda dengan citra yang



memiliki kelainan tumor seperti meningioma dan schwannoma. Tumor yang

memiliki tingkat keabuan lebih cerah dan hampir homogen atau seragam

menyebabkan citra menjadi lebih homogen sehingga meningkatkan nilai

energi. Adanya batas tegas pada massa meningioma menyebabkan nilai

energinya lebih rendah daripada schwannoma. Batas yang tegas tersebut

memiliki tingkat keabuan yang lebih cerah daripada jaringan disekitarnya

sehingga memperkecil homogenitas citra. Massa schwannoma yang tidak

memiliki batas tegas menyebabkan homogenitas citranya lebih tinggi.

Gambar 4.10 Grafik Nilai Rata-Rata Fitur Energi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ,135ᵒ untuk Data Latih


0.23

0.28

0.33

0.38

0.43

0.48

0.53

0 20 40 60 80

Ener

gi

Data Ke-

Energi Latih

M

S

N



4.4 Pelatihan Jaringan Backpropagation

Data yang digunakan dalam pelatihan backpropagation merupakan 80%

dari keseluruhan masing-masing citra otak normal, meningioma dan

schwannoma, sehingga terdapat 26 citra otak normal, 34 meningioma, dan 16

schwannoma. Kemudian dilakukan ekstrasi fitur terhadap semua data latih

dan setiap citra diberi indeks yang menyatakan target atau hasil diagnosa.

Penelitian ini menggunakan target atau indeks keluaran hasil diagnosa dengan

rentang 0 hingga 1. Hal ini dilakukan karena backpropagation menggunakan

fungsi aktivasi sigmoid. Berdasarkan Siang(2009), fungsi aktivasi sigmoid

memiliki nilai maksimum 1 dan nilai minimum 0. Citra normal diberi indeks

atau target 0, meningioma 0,5 dan schwannoma 1. Indeks tersebut dipilih

berdasarkan rentang keluaran fungsi aktivasi sigmoid, namun belum ada

referensi yang memberikan ketentuan nilai berapa yang harus digunakan

dalam rentang tersebut. Hasil ektrasi fitur citra untuk pelatihan disajikan pada

Lampiran I.

Pelatihan backpropagation dalam penelitian ini bertujuan untuk

mendapatkan bobot yang mampu menghasilkan perhitungan keluaran sedekat

mungkin dengan target sehingga dihasilkan akurasi yang tinggi. Bobot awal

yang digunakan dipilih secara acak dengan rentang nilai dari -1 hingga 1.

Tahap pelatihan ini dilakukan variasi parameter backpropagation yaitu

maksimal epoh, hidden layer, dan learning rate atau laju pembelajaran.

Selain variasi parameter dalam pelatihan juga dilakukan variasi input untuk



mengetahui fitur tekstur yang benar-benar mudah dikenali oleh

backpropagation.

Hasil pelatihan backpropagation disajikan pada Lampiran 2. Hasil

pelatihan dinyatakan dalam bentuk persentase akurasi. Akurasi pelatihan

menyatakan banyaknya kesesuain keluaran selama pelatihan terhadap target

atau hasil diagnosa dokter. Akurasi pelatihan juga menggambarkan

kemampuan backpropagation untuk mengenali pola yang diberikan.

Berdasarkan Lampiran 2, untuk variasi satu input akurasi tertinggi

didapatkan dari pelatihan menggunakan fitur entropi sebesar 81,5789%,

diikuti oleh IDMsebesar 78,9473% kemudian energi sebesar 77,6315%.

Pelatihan menggunakan variasi dua input akurasi tertinggi didapatkan dari

variasi fitur energi+IDM sebesar 84,2105%, diikuti oleh entropi+IDM sebesar

82,8947%, kemudian energi+entropi sebesar 81,5789%. Akurasi tertinggi

diperoleh dari pelatihan menggunakan tiga input atau keseluruhan fitur

tekstur yang diekstrasi yaitu energi, entropi, dan idm sebesar 85,5263%yang

ditunjukkan oleh Gambar 4.12 dengan MSE sebesar 0,0068 ditunjukkan oleh

Gambar 4.11. Hal ini menunjukkan bahwa ketiga fitur tekstur tersebut benar-

benar menggambarkan citra otak normal, meningioma, dan schwannoma serta

tidak bisa dipisahkan.Batas MSE yang digunakan dalam pelatihan yaitu

sebesar 0,001. Batas ini dipilih karena berdasarkan Gambar 4.4 MSE diatas

nilai batas tersebut tercapai pada epoh pertama sehingga nilai batas diperkecil

untuk meningkatkan nilai epoh selama pelatihan. Banyaknya epoh diharapkan

mampu meningkatkan akurasi karena penbaharuan bobot semakin sering



diakukan. Oleh karena itu diharapkan dalam penelitian selanjutnya mengkaji

dan menggunakan jaringan syaraf tiruan lain yang mampu berada pada

rentang error maupun MSE dengan nilai sekecil mungkin dan epoh besar.

Gambar 4.11 Grafik MSE Pelatihan Backpropagationdengan masukanenergi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum

Epoh 10000

Variasi parameter backpropagation maupun input yang digunakan dalam

pelatihan sangat mempengaruhi tingkat akurasi maupun durasi pelatihan.

Berdasarkan Lampiran 2 Gambar 4.13, dan Gambar 4.14, semakin banyak

hidden layer yang digunakan akurasi cenderung semakin meningkat. Hal ini

terjadi karena semakin banyak hidden layer semakin banyak bobot sehingga



perhitungan output menjadi lebih teliti yang ditandai dengan semakin banyak

pola yang dikenali selama pelatihan sehingga akurasi pelatihan meningkat.

Penelitian menggunakan variasi jumlah hidden layer 3, 5, dan 10 agar

komputasi tidak terlalu berat sehingga waktu berjalannya program saat

pelatihan maupun pengujian tidak berlangsung lama. Semakin banyak jumlah

hidden layer semakin panjang durasi pelatihan.

Gambar 4.12 Akurasi Pelatihan Backpropagation dengan masukanenergi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum

Epoh 10000

Semakin besar nilai learning ratesemakin tinggi akurasi yang didapatkan.

Learning rate sangat mempengaruhi laju pembelajaran sehingga



mempercepat tercapainya MSE maupun iterasi yang diinginkan. Dalam

penelitian ini MSE yang diinginkan yaitu sebesar 0,001 tidak pernah tercapai

sehingga learning rate hanya berpengaruh dalam kecepatan pembelajaran

dengan MSE terkecil yang dicapai yaitu 0,0068. Berdasarkan Gambar 4.7,

semakin besar nilai learning rate durasi pelatihan cenderung semakin singkat.

Gambar 4.13 Grafik Akurasi Terhadap Learning Rate dari Berbagai VariasiEpoh dan Hidden LayerMenggunakan 3 Masukan

Semakin besar nilai maksimum epoh semakin meningkat akurasi

pelatihan. Semakin banyak epoh yang dilakukan semakin sering

pembaharuan bobot dilakukan. Hal ini menyebabkan semakin teliti atau

5759616365676971737577798183858789

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Aku

rasi

Learning Rate

Akurasi Pelatihan 3 Masukan

Epoh=1000 HD=3 Epoh=5000 HD=3 Epoh=10000 HD=3





semakin akurat perhitungan yang dilakukan backpropagation yang ditandai

dengan semakin tingginya tingkat akurasi pelatihan program.Semakin tinggi

akurasi pelatihan menandakan bahwa semakin banyak pola yang mampu

dikenali oleh backpropagation. penelitian ini menggunakan variasi epoh

sebesar 1000, 5000, dan 10000 yang memiliki durasi pelatihan 15 detik

hingga 2 menit sehingga durasi waktu pelatihan tidak terlalu panjang.

Gambar 4.14 Grafik Waktu Pelatihan Terhadap Learning Rate dari BerbagaiVariasi Epoh dan Hidden Layer Menggunakan 3 Masukan

Hasil pelatihan dengan akurasi tertinggi sebesar 85,5263% dengan MSE

0,0068 menggunakan hidden layer 10, learning rate 1, dan maksimum epoh

10.000020.000030.000040.000050.000060.000070.000080.000090.0000

100.0000110.0000120.0000130.0000140.0000150.0000160.0000170.0000

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Wak

tu (s

)

Learning Rate

Grafik Waktu Pleatihan 3 Masukan

Epoh=1000 HD=3 Epoh=5000 HS=3 Epoh=10000 HD=3





10000. Bobot hasil pelatihan maupun parameter pelatihan kemudian disimpan

sebagai dasar pengelompokkan saat pengujian.

4.5 Pengujian Backpropagation

Tahap pengujian bertujuan untuk mengetahui kemampuan

backpropagation yang telah dibangun dan dilatih untuk mengenali pola baru.

Selain itu hal ini juga bertujuan untuk mengetahui kemampuan fitur yang

digunakan dalam menggambarkan citra CT-Scan otak normal, meningioma,

dan schwannoma.

Data yang digunakan dalam pengujian backpropagation merupakan 20 %

dari keseluruhan masing-masing citra otak normal, meningioma dan

schwannoma, sehingga terdapat 6 citra otak normal, 9 meningioma, dan 4

schwannoma. Pengujian ini menggunakan parameter dan bobot yang sudah

didapatkan dari pelatihan dengan akurasi tertinggi yaitu 10 hidden layer,

laerning rate 1, dan maksumim epoh 10000.

Bobot yang telah didapatkan kemudian digunakan di dalam jendela

deteksi. Selama proses pengujian ini, satu persatu gambar dimasukkan ke

dalam jendela program deteksi yang akan menampilkan nilai fitur sekaligus

hasil diagnosa oleh backpropagationyang ditunjukkan oleh Gambar 4.7. Hasil

pengujian berupa nilai fitur, diagnosa dokter, keluaran atau target, serta

kesesuain keluaran disajikan pada Tabel 4.1.

Berdasarkan Tabel 4.1, hasil uji menunjukkan bahwa ada dua buah citra

yang tidak sesuai dengan diagnosa dokter sehingga diperoleh akurasi

keseluruhan sistem sebesar 89,47%. Akurasi sistem yang didapatkan lebih



kecil daripada penelitian yang dilakukan oleh Susmikanti (2010). Hal ini

menunjukkan bahwa perceptron yang dibangun dalam penelitian Susmikanti

(2010) mampu mengenali dengan baik fitur dominan yang digunakan, akan

tetapi penelitian Susmikanti (2010) hanya untuk jenis tumor benigna. Uji

untuk setiap kasus memiliki akurasi yang berbeda-beda. Akurasi 100%

didapatkan untuk uji kasus meningioma dan otak normal, sehingga dari

keselurhan data yang didapatkan, program ini mampu membedakan semua

citra meningioma dan normal. Akurasi ini lebih tinggi daripada akurasi yang

didapatkan dalam penelitian yang dilakukan oleh Padma et al (2011b) dan

Padma et al (2013). Hal ini menunjukkan bahwa backpropagation mampu

mengenali dengan lebih baik pola masukan citra otak normal dan tumor.

Akurasi sebesar 50% didapatkan dari uji kasus schwannoma. Hanya 2 dari 4

citra yang didiagnosa sesuai dengan diagnosa dokter dan sisanya terdiagnosa

sebagai meningioma. Hal ini disebabkan karena nilai kedua fitur citra tersebut

hampir sama sekaligus berada pada rentang nilai fitur meningioma. Hasil

akurasi masing-masing kasus ini dapat diambil kesimpulannya bahwa

program mampu membedakan citra otak normal dan meningioma dengan

sangat baik, namun program ini masih belum bisa membedakan kasus

meningioma dan schwannoma dengan sangat baik walaupun sebenarnya

masih bisa membedakan beberapa citra pada kedua kasus tersebut.

Pengujian kasus schwannoma hanya memiliki akurasi sebesar 50% karena

setengah dari data ujinya terdiagnosa sebagai meningioma. Hal ini terjadi

karena fitur yang digunakan terutama fitur IDM, belum mampu



menggambarkan ketegasan batas massa tumor dengan sangat baik. Oleh

karena itu untuk penelitian selanjutnya dapat digunakan segmentasi massa

tumor secara otomatis untuk mengambil fitur ketegasan batas massa sehingga

program mampu mengenali kasus schwannoma dengan lebih baik.

Berdasarkan Tabel 4.1 dan Lampiran 1 dapat diketahui bahwa terjadi

overlap pada setiap rentang nilai fitur. Overlap terjadi karena nilai fitur setiap

kasus tidak dapat dipisahkan secara linier. Backpropagation berperan untuk

mengenali pola setiap kasus dengan fitur yang saling overlap dan mampu

mengenali pola yang serupa namun tidak sama baik dalam pelatihan maupun

dalam pengujian. Jika rentang nilai fitur dapat dipisahkan secara linier maka

tidak diperlukan jaringan syaraf tiruan seperti backpropagation.

Data yang digunakan dalam penelitian ini terdiri atas citra otak normal,

tumor (meningioma dan schwannoma) yang benigna (jinak) maupun maligna

(ganas) dari pasien dengan usia yang sangat beragam. Pada penelitian

selanjutnya sangat diharapkan untuk klasifikasi sifat benigna dan maligna

tumor serta diberikan pilihan masukan usia bagi user untuk memperkecil nilai

rentang fitur yang overlap sehingga mampu meningktakan akurasi sistem.

Tujuan utama dari pembuatan program ini yaitu mampu mengenali

kelainan meningioma dan schwannoma yang berada pada bagian

cerebellopontine angle (CPA) yang sangat sulit untuk dibedakan. Satu-

satunya yang membedakan kedua tumor tersebut yakni massa meningioma

yang hiperdens dan massa schwannoma yang isodens sebelum pemberian zat

kontras. Sayangnya perbedaan ini tidak mampu dibedakan secara kasat mata



sehingga dibutuhkan pemberian kontras pada pasien walapun efeknya akan

mulai menghilang setelah dua menit pertama perlakuan tersebut.

Penelitian ini menggunakan citra pos kontras sehingga massa tumor

menjadi lebih terlihat. Ciri unik dari massa meningioma yaitu batas tegas dan

bentuk massa yang jelas setelah pemberian kontras sedangkan massa

schwannoma menjadi tampak karena mayoritas penyangatan kontras terjadi

secara homogen. Penelitian ini menggunakan dua buah citra meningioma

pada daerah CPA. Kemudian salah satu citra tersebut digunakan sebagai data

pelatihan dan sisanya digunakan sebagai data pengujian untuk melihat

kemampuan backpropagationdalam membedakan meningioma pada daerah

CPA dengan schwannoma.

Tabel 4.1 Nilai Hasil Ekstrasi Fitur dan Uji Citra

No. Entropi IDM ASM Target Output Sesuai/Tidak1. 1,06677 0,815994 0,485197 0,5 0,5 Sesuai2. 1,44403 0,703689 0,34788 0,5 0,5 Sesuai3. 1,11883 0,774038 0,528599 0,5 0,5 Sesuai4. 1,38476 0,740136 0,413705 0,5 0,5 Sesuai5. 1,1793 0,770661 0,475174 0,5 0,5 Sesuai6. 1,33486 0,734499 0,421212 0,5 0,5 Sesuai7. 1,42613 0,72291 0,384183 0,5 0,5 Sesuai8. 1,43663 0,733201 0,373062 0,5 0,5 Sesuai9. 1,22839 0.755783 0,469401 0,5 0,5 Sesuai10. 1,30842 0,745112 0,438638 1 1 Sesuai11. 1,1607 0,787707 0,481054 1 0,5 Tidak12. 1,21863 0,770778 0,463499 1 0,5 Tidak13. 1,29589 0,747525 0.442765 1 1 Sesuai14. 1,7858 0,620585 0,262912 0 0 Sesuai15. 1,57138 0,664031 0,306214 0 0 Sesuai16. 1,708 0,62603 0,254271 0 0 Sesuai17. 1,63669 0,643615 0,279825 0 0 Sesuai18. 1,66808 0,633223 0,269798 0 0 Sesuai19. 1,46154 0,693018 0,3635 0 0 Sesuai



BerdasarkanTabel 4.1 baris pertama merupakan hasil pengujian

menggunakan citra meningioma pada daerah CPA yang terdeteksi sebagai

meningioma oleh backpropagtaion yang telah dibangun. Sehingga dapat

disimpulkan bahwa dari keseluruhan data yang didapatkan, backpropagation

masih mampu membedakan meningioma pada daerah CPA dengan

schwannoma menggunkanan fitur tekstur IDM, energi, dan entropi yang

menjadi tujuan utama dalam penelitian.


80


BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa:

1. Akurasi pelatihan tertinggi yaitu sebesar 85,5263% didapatkan dengan

kombinasi fitur tekstur energi+entropi+inverse different moment.

2. Akurasi pelatihan tertinggi didapatkan menggunakan variasi nilai

parameter backpropagation yaitu 1 untuk learning rate, 10 buah neuron

padahidden layer, dan 10000 maksimum epoh.

3. Tingkat akurasi sistem klasifikasi citra CT-scan otak untuk deteksi

meningioma dan schwannoma menggunakan gray level co-occurrence

matrices (GLCM) dan backpropagation yaitu sebesar 89,47% .

5.2 Saran

Dari hasil penelitian dan pembahasan, berikut beberapa saran bagi penelitian

mendatang:

1. Menggunakan citra CT-Scan yang sudah terdiagnosa secara visual oleh

dokter radiologi dan dibuktikan secara histopatologi sehingga hasil

diagnosa program lebih dipercaya dan diandalkan oleh tenaga medis.

2. Menggunakan jaringan syaraf tiruan dengan algoritma yang lebih

sederhana dan mampu berada pada rentang syarat error maupun MSE

maksimum yang ditentukan.



3. Melakukan segmentasi otomatis indikator bentuk ventrikel otak (cairan

serebrospinal, tengkorak, dan organ lainnya), dan massa tumor, sehingga

mampu menambahkan fitur yang menggambarkan bentuk ventrikel otak

maupun massa tumor serta ketegasan batas massa tumor.

4. Menambahkan detail diagnosa pada hasil keluaran jaringan syaraf tiruan

yang dibuat seperti maligna (ganas) dan benigna (jinak) serta diberikan

pilihan masukan usia bagi user untuk memperkecil nilai rentang fitur

yang overlap sehingga mampu meningktakan akurasi sistem.


82


DAFTAR PUSTAKA

Albergsten Fritz. 2008. Statistical Texture Measures Computed from Gray LevelCoocurrence Matrices. Image Processing Laboratory Department ofInformatics University of Oslo.

Anzai Yuichiro. 1946. Pattern Recognition and Machine Learning. ACADEMICPRESS, INC, San Diego, California, United States of America.

Armstrong, P. Martin, L.W, A. Norman A. G. Brenbridge.1940. DiagnosticImaging. Blackwell Scientific Publications, London.

Azizi Mumammad Fitri Qomari. 2013. Perbandingan antara MetodeBackpropagation dengan Metode Learning Vector Quantization (LVQ)Pada Pengenalan Citra Barcode. Fakultas Matematika dan IlmuPengetahuan Alam, Universitas Negeri Semarang.

Budiarso Zuly. 2010. Identifikasi Macan Tutul dengan Gray Level Co-occurrenceMatrices (GLCM). Fakultas Teknologi Informasi, UniversitasStikubank, Semarang.

C. Claussen, R. Fahlbusch, R. Felix, T, Grumme . 1. Heinzerling 1.R. Iglesias-Rozas· E. Kazner· K Kretzschmar· M. Laniado W. Lanksch . W.Miiller-Forell . T.H. Newton· W. Schorner G. Schroth· B. Schulz· O.Stochdorph . G. Sze . S. Wende.1982. Computed Tomography andMagnetic Resonance Tomography of Intracranial Tumors A ClinicalPerspective.Springer-Verlag Berlin Heidelberg.

Cancer Support Community. 2013. Frankly Speaking About Cancer: BrainTumor. Cancer Support Community, United States.

Chung, S.Y, Dong, I.K, Byung, H.L. 1998. Facial Nerve Schwannoma : CT andMR Findings. Yonsei Medical Journal, Vol. 39, No.2, pp. 148~153.

Goldman Lee W. 2007. Principles of CT and CT Technology. Department ofRadiation Therapy and Medical Physics, Hartford Hospital, Hartford,Connecticut, United States of America.

Grossman, R.I. David, M.Y. 1994. Neuroradiology The Requisites. Mosby-YearBook, Inc, United States of America.

Haralick, R.M., Shanmugam, K., Its’hak Dinstein.1973. Textural Features forImages Classification.IEEE Transaction on System, Man, andCybernetics Vol.SMC-3 No.6

83ADLN M- PERPUSTAKAAN UNIVERSITAS AIRLANGGA


Kohir Vinadayath V, Sahebgoud H Karaddi. 2015. Detection of Brain TumorUsing Back-propagation and Probabilistic NeuralNetwork.Proceedings of 19th IRF International Conference, 25thJanuary 2015, Chennai, India.

Japardi Iskandar. 2002. Gambar CT Scan pada Tumor Otak Benigna. FakultasKedokteran, Bagian Bedah, Universitas Sumatera Utara.

Nayak, G.R, Mr. Toran, V. 2014. Brain Cancer Classification usingBackpropagation Neural Network and Principle Component Analysis.International Journal of Technical Research and Application e-ISSN:2320-8163, www.ijtra.com Vol 2, Issue 4

National Cancer Institute. 2009. What You Need to Know About Brain Tumours.US Departemen of Health and Human Services, United States.

Mayfield Clinic. 2013. Brain Tumors: An Introduction.Mayfield Clinic and SpineInstitute, University of Cincinnati Departmen of Neurosurgery, Ohio,United States of America.

Mayfield Clinic. 2013. Acoustic Neuroma.Mayfield Clinic and Spine Institute,University of Cincinnati Departmen of Neurosurgery, Ohio, UnitedStates of America.

Moore, K., Lyndon, K,. 2010. Primary Brain Tumors: Characteristics, PracticalDiagnostic and Treatment Approaches. http://www.springer.com/978-1-4419-0409-6. ISBN: 978-1-4419-0409-6

Padma A, Sukanesh R. 2011a.Automatic Diagnosis of Abnormal Tumor Regionfrom Brain Computed TomographyImages Using Wavelet BasedStatistical Texture Feature. International Journal Of Computer Sciene,Engineering, and Information Technology, Madurai, India.

Padma A, Sukanesh R. 2011b.Texture Feature Based Analysis of Segmenting SoftTissue from Brain CT images using BAM type Artificial NeuralNetwork. Journal Of Information Engineering, and Applications,Madurai, India.

Padma A, Sukanesh R. 2013. SVM Based Classification of Soft Tissues in BrainCT Images Using Wavelet Based Dominant Gray Level Run LengthTexture Feature. Middle-East Jornal of Scientific Research, Madurai,India.

Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta: Penerbita Andi.

Sari EDY, Windarti I, Wahyuni A. 2013. Clinical Characteristics andHistopathology of Brain Tumor at Two Hospitals in Bandar Lampung.Faculty of Medicine Lampung University, Lampung.

84ADLN M- PERPUSTAKAAN UNIVERSITAS AIRLANGGA


Siang Jong Jek. 2009. Jaringan Syaraf Tiruan dan Pemrograman MenggunakanMatlab/ADI. Yogyakarta: Penerbita Andi.

Sinambela, D.P, Sitorus, S.H. 2013. Pengenalan Karakter Tulisan Tangan Latinpada Jaringan Saraf Tiruan Metode Backpropagation dengan InputCitra Kamera Digital. Universitas Mpu Tantular, Jakarta

Sukardja I Dewa Gede. 2000. Onkologi Klinik Edisi 2. Airlangga UniversityPress, Surabaya.

Sun Y.C, Dong I.K, Byung H.L, Pyeong H.Y, Pyoung J, Tae S.C. 1998. FacialNerve Schwannomas : MR and CT Finding. Yonsei Medical Journal.Vol. 39. No. 2 pp. 148~153, 1998.

Susmikanti Mike. 2010. Pengenalan Pola Berbasis Jaringan Syaraf Tiruan dalamAnalisa CT Scan Tumor Otak Beligna. Pusat PengembanganInformatika Nuklir-BATAN, Kawasan PUSPITEK, Gd 71. Serpong,Tangerang.

Utari, Ida. 2012. Kesehatan Otak Modal Dasar Hasilkan SDM Handal. PROFESIVolume 08 / Februari – September 2012. Akper PKU Muhammadiyah,Surakarta.



Lampiran 1

Nilai Hasil Ekstrasi Fitur Citra CT-Scan Otak

Data Training

No. IDM Entropi Energi Output1. 0,770661 1,1793 0,475174 0,52. 0,755783 1,22839 0,469401 0,53. 0,734499 1,33486 0,421212 0,54. 0,674917 1,59834 0,317678 0,55. 0,774038 1,11883 0,528599 0,56. 0,764881 1,26334 0,418599 0,57. 0,714787 1,3943 0,375026 0,58. 0,783396 1,19242 0,452082 0,59. 0,772361 1,15112 0,487053 0,510. 0,777771 1,10678 0,505436 0,511. 0,729105 1,39178 0,340711 0,512. 0,746166 1,32962 0,402659 0,513. 0,703689 1,44403 0,34788 0,514. 0,674595 1,55135 0,306056 0,515. 0,786974 1,13656 0,46885 0,516. 0,691949 1,53075 0,345688 0,517. 0,779006 1,1533 0,480502 0,518. 0,677141 1,55042 0,319287 0,519. 0,730623 1,36551 0,407921 0,520. 0,72291 1,42613 0,384183 0,521. 0,708667 1,51962 0,3103 0,522. 0,715463 1,42157 0,38177 0,523. 0,691431 1,53913 0,314113 0,524. 0,686786 1,59259 0,313068 0,525. 0,752514 1,34897 0,433051 0,526. 0,719485 1,51709 0,335313 0,527. 0,745075 1,39798 0,415246 0,528. 0,740136 1,38476 0,413705 0,529. 0,697814 1,59517 0,331856 0,530. 0,733201 1,43663 0,373062 0,531. 0,770515 1,31413 0,420705 0,532. 0,774964 1,26705 0,41557 0,533. 0,673713 1,57671 0,349874 0,5



No. IDM Entropi Energi Output34. 0,703689 1,44403 0,34788 0,535. 0,787707 1,1607 0,481054 136. 0,770778 1,21863 0,463499 137. 0,795052 1,12074 0,502142 138. 0,779779 1,18901 0,472877 139. 0,759809 1,25887 0,45426 140. 0,752382 1,27839 0,448733 141. 0,747525 1,29589 0,442765 142. 0,745112 1,30842 0,438638 143. 0,787707 1,1607 0,481054 144. 0,770778 1,21863 0,463499 145. 0,795052 1,12074 0,502142 146. 0,779779 1,18901 0,472877 147. 0,759809 1,25887 0,45426 148. 0,752382 1,27839 0,448733 149. 0,747525 1,29589 0,442765 150. 0,745112 1,30842 0,438638 151. 0,669025 1,57404 0,307567 052. 0,620585 1,7858 0,262912 053. 0,66226 1,57616 0,306416 054. 0,664031 1,57138 0,306214 055. 0,62603 1,708 0,254271 056. 0,698843 1,41073 0,349285 057. 0,643615 1,63669 0,279825 058. 0,693018 1,46154 0,3635 059. 0,70582 1,40041 0,392135 060. 0,739645 1,24836 0,432998 061. 0,731197 1,29585 0,414042 062. 0,629665 1,68049 0,266773 063. 0,633223 1,66808 0,269798 064. 0,669025 1,57404 0,307567 065. 0,620585 1,7858 0,262912 066. 0,66226 1,57616 0,306416 067. 0,664031 1,57138 0,306214 068. 0,62603 1,708 0,254271 069. 0,698843 1,41073 0,349285 070. 0,643615 1,63669 0,279825 071. 0,693018 1,46154 0,3635 0



No. IDM Entorpi Energi Output72. 0,70582 1,40041 0,392135 073. 0,739645 1,24836 0,432998 074. 0,731197 1,29585 0,414042 075. 0,629665 1,68049 0,266773 076. 0,633223 1,66808 0,269798 0

Keterangan :

Meningioma =0,5

Schwannoma = 1

Normal = 0



Lampiran 2Akurasi Pelatihan Backpropagartion

Tabel 1. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy

LR3 5 10

1000 5000 10000 1000 5000 10000 1000 5000 100000,1 47,3684(11s) 65,7895(37s) 67,1052(71s) 47,3684(14s) 60,5263(51s) 59,2105(92s) 56,5789(18s) 52,6316(85s) 53,9474(132s)0,2 50(11s) 68,4211(35s) 68,4211(67s) 48,6842(11s) 61,8421(50s) 63,1579(86s) 57,8947(17s) 55,2631(85s) 56,5789(132s)0,3 55,2632(9s) 71,0526(32s) 72,3684(64s) 53,9474(11s) 63,1579(46) 65,7895(86s) 60,5263(17s) 59,2105(83s) 60,5263(132s)0,4 57,8947(8s) 72,3684(32s) 75(64s) 57,8947(11s) 65,7895(45) 68,4211(88s) 67,1052(15s) 63,1579(83s) 64,3146(126s)0,5 59,2105(8s) 77,6316(32s) 78,9474(63s) 59,2105(10s) 73,6842(43) 71,0526(86s) 73,6842(16s) 65,7895(81s) 68,4211(126s)0,6 63,1579(8s) 75(30s) 77,6313(63s) 65,9971(9s) 76,3158(43s) 75(84s) 77,6316(16s) 73,6842(76s) 72,3684(117,6s)0,7 65,7895(6s) 76,3186(30s) 76,3168(61s) 68,4211(9s) 77,6316(41s) 78,9474(84s) 75(15s) 77,6316(76s) 75(126s)0,8 68,4211(6s) 76,3186(28s) 77,6316(61s) 73,6842(8s) 72,3684(41s) 76,3158(83s) 76,3158(14s) 80,2632(75s) 77,6316(114s)0,9 73,6842(5s) 77,6316(28s) 76,3168(58s) 75(6s) 73,6842(42s) 81,5789(82s) 78,9474(13s) 77,6316(4s) 78,9474(108s)1 75(4s) 78,2632(26s) 78,2632(57s) 78,2632(6s) 75(39s) 80,2632(82s) 80,2632(13s) 78,9474(74s) 80,2632(108s)

88



Tabel 2. Akurasi (%)dan Waktu (second) Pelatihan Backpropagation dengan Input IDM

LR3 5 10

1000 5000 10000 1000 5000 10000 1000 5000 100000,1 44,7368(15s) 44,7368(41s) 47,3684(82s) 46,0526(17s) 47,3684(52s) 48,6842(98s) 51,3158(23s) 50(89s) 51,3158(156s)0,2 46,0526(15s) 46,0526(40s) 46,0526(80s) 47,3684(17s) 48,6842(50s) 51,3158(97s) 53,9474(23s) 52,6316(87s) 52,6316(156s)0,3 48,6842(13s) 48,6842(35s) 48,6842(80s) 48,6842(15s) 51,3158(50s) 52,6316(97s) 56,5789(23s) 51,3158(85s) 53,9474(150s)0,4 50(13s) 53,9474(32s) 52,6316(78s) 53,9474(12s) 53,9474(50s) 55,2632(95s) 57,8947(21s) 55,2632(84s) 59,2105(138s)0,5 52,6316(11s) 56,5789(32s) 57,8947(75s) 56,5789(12s) 55,2632(49s) 57,8947(92s) 59,2105(21s) 57,8947(81s) 61,8421(138s)0,6 53,9474(12s) 61,8421(31s) 59,2105(72s) 61,8421(12s) 57,8947(49) 61,8421(90s) 63,1579(19) 65,7894(82s) 63,1579(120s)0,7 56,5789(12s) 65,7894(30s) 64,4737(70s) 65,7894(12s) 65,7894(46s) 63,1579(87s) 68,4211(19s) 67,1052(80s) 65,7894(114s)0,8 59,2105(11s) 68,4211(28s) 68,4211(69) 71,0526(12s) 68,4211(42s) 65,7894(86s) 71,0526(19s) 78,9473(79s) 68,4211(114s)0,9 65,7894(8s) 71,0526(26s) 72,3684(67s) 67,1052(11s) 73,6842(42s) 68,4211(86s) 73,6842(18s) 72,3684(75s) 72,3684(120s)1 64,4737(8s) 67,1052(27s) 71,0526(61s) 68,4211(11s) 75(42s) 73,6842(86s) 72,3684(15s) 76,3158(77s) 75(102s)

89



Tabel 3. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Energy

LR3 5 10

1000 5000 10000 1000 5000 10000 1000 5000 100000,1 48,6842(30s) 52,6316(45s) 44,7368(89s) 50(25s) 51,3158(86s) 50(108s) 52,6316(20s) 53,9474(72s) 55,2632(156s)0,2 47,3684(30s) 51,3158(43s) 46,0526(85s) 51,3158(25s) 52,6316(69s) 53,9474(102s) 53,9474(19s) 55,2632(71s) 60,5263(156s)0,3 48,6842(15s) 52,6316(40s) 48,6842(80s) 53,9474(23s) 53,9474(60s) 56,5789(92s) 52,6316(17s) 56,5789(71s) 64,4737(144s)0,4 50(14s) 55,2632(40s) 47,3684(69s) 57,8947(26s) 56,5789(57s) 57,8947(90s) 55,2632(16s) 60,5263(74s) 71,0526(144s)0,5 50,8347(11s) 56,5789(32s) 50(65s) 61,8421(29s) 60,5263(49s) 59,2105(89s) 56,5789(16s) 63,1579(72s) 77,6315(138s)0,6 53,9474(13s) 59,2105(37s) 52,6316(41s) 65,7894(27s) 63,1579(49s) 63,1579(95s) 60,5263(18s) 68,4211(69s) 76,3158(138s)0,7 55,2632(12s) 61,8421(32s) 56,5789(44s) 68,4211(24s) 68,4211(47s) 65,7894(93s) 63,1579(16s) 76,3158(63s) 76,3158(132s)0,8 57,8947(13s) 60,5263(37s) 57,8947(35s) 67,1052(24s) 71,0526(47s) 72,3684(90s) 65,7894(17s) 71,0526(65s) 75(132s)0,9 59,2105(15s) 59,2105(35s) 59,2105(33s) 73,6842(22s) 67,1052(44s) 71,0526(87s) 71,0526(15s) 72,3684(62s) 73,6842(126s)1 61,8421(13s) 63,1579(35s) 61,8421(40s) 75(22s) 72,3684(42s) 75(79s) 72,3684(15s) 75(59s) 72,3684(120s)

90



Tabel 4. Akurasi (%)dan Waktu (second) Pelatihan Backpropagation dengan Input Energy+ IDM

LR3 5 10

1000 5000 10000 1000 5000 10000 1000 5000 100000,1 64,4737(19s) 65,7894(45s) 67,1052(92s) 65,789(27s) 67,1052(52s) 69,7368(2,3m) 63,1578(28s) 65,7894(92s) 67,1052(201s)0,2 65,7894(17s) 65,7894(44s) 68,4211(75s) 64,4737(24s) 68,4211(53s) 72,3684(106s) 65,7894(24s) 67,1052(79s) 68,4211(186s)0,3 67,1052(17s) 67,1052(44s) 69,7368(71s) 67,1052(19s) 69,7368(51s) 73,6842(103s) 65,7894(20s) 65,7894(78s) 69,7368(147s)0,4 72,3684(15s) 68,4211(42s) 72,3684(69s) 68,4211(17s) 72,3684(51s) 75(104s) 67,1052(19s) 65,7894(78s) 72,3684(144s)0,5 73,6842(14s) 72,3684(41s) 73,6842(66s) 68,4211(16s) 73,6842(50s) 76,3158(101s) 68,4211(17s) 68,4211(75s) 75(141s)0,6 78,9474(14s) 75(39s) 75(64s) 72,3684(16s) 73,6842(43s) 77,9312(91) 65,7894(17s) 72,3684(73s) 78,9474(132s)0,7 77,9312(13s) 78,9474(38s) 78,9474(60s) 73,6842(15s) 75(40s) 77,9312(90s) 67,1052(16s) 78,9474(69s) 76,3158(132s)0,8 76,3158(11s) 80,2655(33s) 76,3158(57s) 76,3158(14s) 76,3158(42s) 78,9474(89s) 72,3684(16s) 77,9312(67s) 77,9312(126s)0,9 72,3684(12s) 77,9312(29s) 77,9312(52s) 80,2655(13s) 78,9474(39s) 81,5789(88s) 75(17s) 80,2655(67s) 80,2655(126s)1 73,6842(10s) 76,3158(27s) 78,9474(49s) 81,5789(13s) 82,8947(38s) 84,2105(81s) 78,9474(15s) 81,5789(65s) 82,8947(120s)

91



Tabel 5. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + IDM

LR3 5 10

1000 5000 10000 1000 5000 10000 1000 5000 100000,1 57,8947(26s) 59,2105(50s) 61,8421(79s) 63,1578(28s) 72,3684(53s) 73,6842(80s) 65,7894(29s) 73,6842(60s) 75 (88s)0,2 57,8947(22s) 61,8421(46s) 61,8421(74s) 64,4737(25s) 73,6842(52s) 75(78s) 67,1052(28s) 75(58s) 76,3158(86s)0,3 59,2105(20s) 63,1578(43s) 63,1578(71s) 65,7894(22s) 73,6842(51s) 76,3158(76s) 72,3684(27s) 76,3158(56s) 77,9312(86s)0,4 61,8421(19s) 63,1578(43s) 64,4737(69s) 67,1052(20s) 75 (47s) 77,9312(73s) 71,0526(27s) 77,9312(55s) 78,9474(84s)0,5 65,7894(18s) 64,4737(40s) 67,1052(65s) 68,4211(18s) 76,3158((43s) 78,9474(74s) 72,3684(26s) 78,9474(53s) 78,9474(81s)0,6 67,1052(16s) 65,7894(41s) 68,4211(61s) 69,7368(19s) 77,9312(40s) 80,2655(72s) 76,3158(23s) 80,2655(50s) 81,5789(83s)0,7 64,4737(17s) 67,1052(41s) 69,7368(58s) 72,3684(19s) 78,9474(41s) 77,9312(70s) 78,9474(21s) 81,5789(48s) 82,8947(76s)0,8 65,7894(15s) 68,4211(39s) 69,7368(53s) 73,6842(17s) 76,3158(41s) 75(67s) 77,9312(20s) 78,9474(45s) 80,2655(70s)0,9 68,4211(13s) 69,7368(32s) 73,6842 (51s) 69,7368(17s) 76,3158 (39s) 76,3158(68s) 76,3158(20s) 78,9474(43s) 78,9474(75s)1 69,7368(10s) 72,3684(29s) 73,6842 (49s) 72,3684(16s) 75(38s) 76,3158(64s) 75 (26s) 76,3158(47s) 78,9474(73s)

92



Tabel 6. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + Energy

LR3 5 10

1000 5000 10000 1000 5000 10000 1000 5000 100000,1 59,2105(18s) 61,8421(39s) 64,4737(69s) 63,1578(21s) 63,1578(53s) 64,4737(102s) 65,7894(25s) 72,3684(91s) 73,6842(138s)0,2 63,1578(17s) 63,1578(37s) 65,7894(64s) 61,8421(20s) 75,(52s) 63,1578(93s) 67,1052(24s) 73,6842(93s) 75(138s)0,3 65,7894(15s) 65,7894(37s) 65,7894(58s) 61,8421(15s) 76,3157(47s) 65,7894(95s) 68,4211(22s) 75(90s) 76,3158(132s)0,4 67,1052(14s) 69,7368(33s) 67,1052(50s) 64,4737(16s) 76,3157(44s) 67,1052(91s) 69,7368(20s) 72,3684(89s) 78,9474(126s)0,5 69,7368(12s) 70,1844(30s) 68,4211(48s) 65,7894(13s) 73,6842(41s) 69,7368(92s) 71,0526(23s) 73,6842(87s) 78,9474(128s)0,6 64,4737(12s) 73,6842(28s) 72,3684(49s) 67,1052(14s) 75(40s) 71,0526(90s) 75(23s) 73,6842(89s) 81,5789(126s)0,7 65,7894(10s) 78,9474(27s) 75(45s) 68,4211(13s) 78,9981(37s) 75(91s) 72,3684(22s) 75(85s) 80,2655(126s)0,8 65,7894(10s) 75(27s) 78,9474(43s) 69,7368(17s) 71,0526(34s) 76,3158(89s) 73,6842(21s) 80,2655(77s) 78,9474(126s)0,9 68,4211(7s) 76,9451(24s) 72,3684(40s) 72,3684(11s) 78,9474(35s) 77,6315(88s) 75(21s) 78,9474(75s) 78,9474(126s)1 72,3684(8s) 78,9474(22s) 73,6842(39s) 75(12s) 80,2655(32s) 80,2655(88s) 78,9474(21s) 78,9474(73s) 80,2655(120s)

93



Tabel 7. Akurasi (%) dan Waktu (second) Pelatihan Backpropagation dengan Input Entropy + Energy + IDM

LR3 5 10

1000 5000 10000 1000 5000 10000 1000 5000 100000,1 59,2105(19s) 59,2105(74s) 60,5263(120s) 59,2105(28s) 59,2105(55s) 59,2105(97s) 69,7368(26s) 71,0526(80s) 72,3684(156s)0,2 60,5263(18s) 60,5263(59s) 63,8421(93s) 61,8421(27s) 60,5263(57s) 61,8421(96s) 73,6842(25s) 72,3684(79s) 73,6842(144s)0,3 63,8421(18s) 61,8421(55s) 64,4737(89s) 63,1578(23s) 63,1578(56s) 63,1578(91s) 75(24s) 73,6842(76s) 75(132s)0,4 64,4737(16s) 63,1578(54s) 65,7894(84s) 61,8421(20s) 64,4737(54s) 64,4737(89s) 76,3158(21s) 75(78s) 77,6316(132s)0,5 67,1052(16s) 64,4737(49s) 67,1052(81s) 71,0526(19s) 71,0526(51s) 71,0526(96s) 75(20s) 76,3158(76s) 78,9474(138s)0,6 71,0526(17s) 67,1052(49s) 68,4211(80s) 72,3684(18s) 72,3684(52s) 61,8421(92s) 75(20s) 78,9474(74s) 80,2655(138s)0,7 72,3684(18s) 69,7368(47s) 65,7894(78s) 73,6842(16s) 61,8421(53s) 73,6842(80s) 76,3158(19s) 80,2655(74s) 82,8947(120s)0,8 75(15s) 65,7894(45s) 69,7368(77s) 75(15s) 71,0526(51s) 75(86s) 78,9474(19) 78,9474(60s) 82,8947(126s)0,9 78,9474(15s) 69,7368(44s) 73,6842(73s) 77,6316(17s) 73,6842(49s) 77,6316(89s) 80,2655(17s) 80,2655(58s) 84,2105(120s)1 82,8947(15s) 76,3158(42s) 75(75s) 78,9474(15s) 77,6316(49s) 80,2655(88s) 82,8947(18s) 81,5789(55s) 85,5263(108s)

94



Lampiran 3

Listing GUI Program

GUI Jendela Berandafunction varargout = beranda(varargin)% BERANDA MATLAB code for beranda.fig% BERANDA, by itself, creates a new BERANDA or raises theexisting% singleton*.%% H = BERANDA returns the handle to a new BERANDA or thehandle to% the existing singleton*.%% BERANDA('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in BERANDA.M with the given inputarguments.%% BERANDA('Property','Value',...) creates a new BERANDA orraises the% existing singleton*. Starting from the left, propertyvalue pairs are% applied to the GUI before beranda_OpeningFcn gets called.An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to beranda_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help beranda

% Last Modified by GUIDE v2.5 19-May-2016 12:40:29

% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @beranda_OpeningFcn, ...'gui_OutputFcn', @beranda_OutputFcn, ...'gui_LayoutFcn', [] , ...



'gui_Callback', []);if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});end

if nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

elsegui_mainfcn(gui_State, varargin{:});

end% End initialization code - DO NOT EDIT

% --- Executes just before beranda is made visible.function beranda_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to beranda (see VARARGIN)

% Choose default command line output for berandahandles.output = hObject;guidata(hObject, handles);set(handles.axes1,'XTick', [ ],'YTick', [ ])set(handles.axes2,'XTick', [ ],'YTick', [ ])gambar=imread('UNAIR.jpg');axes(handles.axes1);imshow(gambar);%set(handles.axes1,'Visible', 'on');%imshow(handles.axes1.gambar);image=imread('UNAIR.jpg');axes(handles.axes2);imshow(image)%set(handles.axes2,'Visible', 'on');%imshow(handles.axes2.image);

% Update handles structure

% UIWAIT makes beranda wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.function varargout = beranda_OutputFcn(hObject, eventdata,handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure



% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structurevarargout{1} = handles.output;

% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)selection=questdlg(['Apakah Anda Ingin Keluar?'],['Keluar'],...

'Ya','Tidak','Ya');if strcmp (selection, 'Tidak')

return;enddelete (handles.figure1);

% --- Executes during object creation, after setting allproperties.function axes1_CreateFcn(hObject, eventdata, handles)% hObject handle to axes1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called

% Hint: place code in OpeningFcn to populate axes1





% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)




% --- Executes on button press in pushbutton6.function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to pushbutton6 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)deteksi;delete(handles.figure1);

% --- Executes on button press in pushbutton7.function pushbutton7_Callback(hObject, eventdata, handles)% hObject handle to pushbutton7 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB



% handles structure with handles and user data (see GUIDATA)login;delete(handles.figure1);

% --- Executes on button press in pushbutton8.function pushbutton8_Callback(hObject, eventdata, handles)% hObject handle to pushbutton8 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)bantuan;delete(handles.figure1);

% --- Executes on button press in pushbutton9.function pushbutton9_Callback(hObject, eventdata, handles)% hObject handle to pushbutton9 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)tentang;delete(handles.figure1);

GUI Jendea Program Deteksi

function varargout = deteksi(varargin)% DETEKSI MATLAB code for deteksi.fig% DETEKSI, by itself, creates a new DETEKSI or raises theexisting% singleton*.%% H = DETEKSI returns the handle to a new DETEKSI or thehandle to% the existing singleton*.%% DETEKSI('CALLBACK',hObject,eventData,handles,...) calls thelocal% function named CALLBACK in DETEKSI.M with the given inputarguments.%% DETEKSI('Property','Value',...) creates a new DETEKSI orraises the% existing singleton*. Starting from the left, propertyvalue pairs are% applied to the GUI before deteksi_OpeningFcn gets called.An



% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to deteksi_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help deteksi



'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @deteksi_OpeningFcn, ...'gui_OutputFcn', @deteksi_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);

if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});

end




% --- Executes just before deteksi is made visible.function deteksi_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to deteksi (see VARARGIN)

% Choose default command line output for deteksihandles.output = hObject;



% Update handles structureguidata(hObject, handles);set(handles.axes1,'XTick', [ ],'YTick', [ ])

% UIWAIT makes deteksi wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.function varargout = deteksi_OutputFcn(hObject, eventdata,handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)


function edit1_Callback(hObject, eventdata, handles)% hObject handle to edit1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit1 as text% str2double(get(hObject,'String')) returns contents ofedit1 as a double

% --- Executes during object creation, after setting allproperties.function edit1_CreateFcn(hObject, eventdata, handles)% hObject handle to edit1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called

% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');



end

% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);[namafile,direktori]=uigetfile({'*.dcm';},'Akuisisi CitraDigital','H:\Documents\Kuliah\Smester 8\data CT');k = dicomread(fullfile(direktori,namafile));set(proyek.figure1,'CurrentAxes',proyek.axes1);set(imshow(k));set(proyek.figure1,'Userdata',k);set(proyek.axes1,'Userdata',k);set(proyek.edit1,'Enable','on');set(proyek.edit1,'String',namafile);

% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);J=get(proyek.axes1,'Userdata');a=fgln0(J);b=fgln90(J);c=fgln45(J);d=fgln135(J);energi=(asm(a)+asm(b)+asm(c)+asm(d))/4;entropy=(entropi(a)+entropi(b)+entropi(c)+entropi(d))/4;invers=(idm(a)+idm(b)+idm(c)+idm(d))/4;set(handles.text5,'String',entropy);set(handles.text6,'String',invers);set(handles.text7,'String',energi);

% --- Executes on button press in pushbutton3.function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)a=str2double(get(handles.text5,'string'));



b=str2double(get(handles.text6,'string'));c=str2double(get(handles.text7,'string'));T=[a b c];W1 =[bobotW1];b1 =[bobtb1];%bobot pada 10 hidden layerW2 =[bobotW2];b2 =bobotb2;[m,n]=size(T);JumPola=m; %jumlah semua pola latih (4)J0neuron=1; %jumlah neuron pada output layer (1)JHneuron=10; %jumlah neuron pada hidden layerfor pp=1:JumPola

CP=T(pp,:);for ii=1:JHneuron

v=CP*W1(:,ii);v2=v+b1(1,ii);A1= [1/(1+exp(-v2))]; %matrik 3x1

endfor jj=1:JHneuron

v=A1*W2(:,1);v2=v(1,:)+b2;

endy= 1/(1+exp(-v2));

y=tam(y);if y<0.2

tar='Suspect Normal';

elseif y>0.8tar='Suspect Schwannoma';

elsetar='Suspect Meningioma';

end

endset(handles.text8,'String',tar);

% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)s='';set (handles.edit1, 'String', s);set (handles.text5, 'String', s);set (handles.text6, 'String', s);



set (handles.text7, 'String', s);set (handles.text8, 'String', s);cla reset;set(handles.axes1,'XTick', [ ],'YTick', [ ])








set(hObject,'BackgroundColor','white');end


















% --------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles)% hObject handle to Untitled_1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)beranda;delete(handles.figure1);

% --------------------------------------------------------------------function Untitled_2_Callback(hObject, eventdata, handles)% hObject handle to Untitled_2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)login;delete(handles.figure1);



% --------------------------------------------------------------------function Untitled_3_Callback(hObject, eventdata, handles)% hObject handle to Untitled_3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)tentang;delete(handles.figure1);

% --------------------------------------------------------------------function Untitled_4_Callback(hObject, eventdata, handles)% hObject handle to Untitled_4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)bantuan;delete(handles.figure1);

GUI Jendela Program Training dan Testingfunction varargout = pelatihan(varargin)% PELATIHAN MATLAB code for pelatihan.fig% PELATIHAN, by itself, creates a new PELATIHAN or raises theexisting% singleton*.%% H = PELATIHAN returns the handle to a new PELATIHAN or thehandle to% the existing singleton*.%% PELATIHAN('CALLBACK',hObject,eventData,handles,...) callsthe local% function named CALLBACK in PELATIHAN.M with the given inputarguments.%% PELATIHAN('Property','Value',...) creates a new PELATIHANor raises the% existing singleton*. Starting from the left, propertyvalue pairs are% applied to the GUI before pelatihan_OpeningFcn gets called.An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to pelatihan_OpeningFcn viavarargin.



%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help pelatihan



'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @pelatihan_OpeningFcn, ...'gui_OutputFcn', @pelatihan_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);

if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});

end




% --- Executes just before pelatihan is made visible.function pelatihan_OpeningFcn(hObject, eventdata, handles,varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to pelatihan (see VARARGIN)

% Choose default command line output for pelatihanhandles.output = hObject;

% Update handles structureguidata(hObject, handles);



% UIWAIT makes pelatihan wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.function varargout = pelatihan_OutputFcn(hObject, eventdata,handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)


% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);[namafile,direktori]=uigetfile({'*.mat';});k = importdata(fullfile(direktori,namafile));handles.k=k;guidata(hObject,handles);set (handles.edit1, 'String', direktori);set (handles.uitable1, 'Data', k);



% --- Executes during object creation, after setting allproperties.function edit1_CreateFcn(hObject, eventdata, handles)



% hObject handle to edit1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles empty - handles not created until after allCreateFcns called








% --- Executes on button press in pushbutton3.function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)



% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)proyek=guidata(gcbo);[namafile,direktori]=uigetfile({'*.mat';});tes = importdata(fullfile(direktori,namafile));handles.tes=tes;guidata(hObject,handles);set (handles.edit5, 'String', direktori);set (handles.uitable3, 'Data', tes);
















% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.



if ispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor'))


% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)P=handles.k(:,1:3);T=handles.k(:,4);JumPola=length(P(:,1)); %jumlah semua pola latih (4)DimPola=length(P(1,:)); %dimensi pla latih (2)JOneuron=1; %jumlah neuron pada output layer (1)

JHneuron=str2double(get(handles.edit3, 'String')); %jumlah neuronpada hidden layerLR=str2double(get(handles.edit2, 'String')); %learning rateEpoch=str2double(get(handles.edit4, 'String')); %maksimum iterasiMaxMSE=0.0001; %maksimum MSE%bobot random dari input layer ke hiden layer dan bobot randomhidden layer ke output layer dengan range -1 - +1W1=[];for i=1:JHneuron

W1=[W1;(rand(1,DimPola)*2-1)];endW1=W1';b1=[];for i=1:JHneuron

b1=[b1;(rand(1,1)*2-1)];endb1=b1';W2=[];W2=[W2;(rand(JHneuron,1)*2-1)];b2=[];b2=[b2;(rand(1,1)*2-1)];MSEepoch=MaxMSE+1; % mean square error untuk 1 epochee=1; %index epochwhile (ee<=Epoch) && (MSEepoch>MaxMSE)

for pp=1:JumPolaCP=P(pp,:);%current patternCT=T(pp,:);%current target%perhitungan majufor ii=1:JHneuron

v=CP*W1(:,ii);



v2=v+b1(1,ii);A1=[A1 1/(1+exp(-v2))];


v=A1*W2(:,1);v2=v(1,:)+b2;

endy=1/(1+exp(-v2));Error=(CT-y)^2;error=Error+error;if (y>0.8)yk=1;

elseif (y<0.2)yk=0;

elseyk=0.5;

endif (yk==CT)sum=sum+1;

enddel=(CT-y)*y*(1-y);dw2=[];for jj=1:JHneuron

delta2(jj,1)=LR*del*A1(jj);%benerenddw2=[delta2];dol2=LR*del;%benerdn=[];for n=1:JHneuron

dn(n)=del*W2(n,1);endfor jj=1:JHneuron

D1(jj)=A1(1,jj)*(1-A1(1,jj))*dn(1,jj);enddW1=[];db1=[];%perubahan bobotfor ii=1:DimPola

for jj=1:JHneurondelta1(ii,jj)=LR*D1(jj)*CP(ii);dol1(jj)=LR*CP(ii)*D1(jj);

enddW1=[delta1];db1=[dol1];

endW1=W1+dW1; %W1 barub1=b1+db1;b2=b2+dol2;W2=W2+dw2;%W2 baru



yt(pp)=yk;tt(pp)=CT;

endakurasi=((sum/JumPola)*100);MSEepoch=error/JumPola;

ee=ee+1;endset (handles.uitable2, 'Data', out);set (handles.text11, 'String', akurasi);set (handles.text12, 'String', JumPola);set (handles.text13, 'String', sum);set (handles.uitable4, 'Data', W1);set (handles.uitable5, 'Data', b1);set (handles.uitable7, 'Data', W2);set (handles.uitable6, 'Data', b2);figure(1);plot(ee,MSE);xlabel('Epoch')ylabel('MSE')

% --- Executes on button press in pushbutton5.function pushbutton5_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)s='';set (handles.uitable1, 'Data', '');set (handles.uitable2, 'Data', '');set (handles.uitable3, 'Data', '');set (handles.text5, 'String', s);set (handles.text11, 'String', s);set (handles.text12, 'String', s);set (handles.text13, 'String', s);set (handles.uitable4, 'Data', '');set (handles.uitable5, 'Data', '');set (handles.uitable7, 'Data', '');set (handles.uitable6, 'Data', '');set (handles.uitable8, 'Data', '');set (handles.edit1, 'String', s);set (handles.edit2, 'String', s);set (handles.edit3, 'String', s);set (handles.edit4, 'String', s);set (handles.edit5, 'String', s);



% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)T=handles.tes(:,1:3);t=handles.tes(:,4);W1 =get(handles.uitable4, 'Data');b1=get(handles.uitable5, 'Data');W2 =get(handles.uitable7, 'Data');b2 =get(handles.uitable6, 'data');[m,n]=size(T);JumPola=m; %jumlah semua pola latih (4)J0neuron=1; %jumlah neuron pada output layer (1)

JHneuron=str2double(get(handles.edit3, 'String')); %jumlah neuronpada hidden layerJumbenar=0;for pp=1:JumPola

CP=T(pp,:);A1=[];

for ii=1:JHneuronv=CP*W1(:,ii);v2=v+b1(1,ii);A1=[A1 1/(1+exp(-v2))]; %matrik 3x1


v=A1*W2(:,1);v2=v(1,:)+b2;

endy=1/(1+exp(-v2));

%tes akurasi

if y<0.2tar=0;

elseif y>0.8tar=1;

elsetar=0.5;

endif (tar==t(pp))

Jumbenar=Jumbenar+1;endout(pp)=tar;endakr=(Jumbenar/JumPola)*100;cc=[out' t];set (handles.uitable8, 'Data', cc);



set (handles.text15, 'String', akr);




% --------------------------------------------------------------------function Untitled_1_Callback(hObject, eventdata, handles)% hObject handle to Untitled_1 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)beranda;delete(handles.figure1);

% --------------------------------------------------------------------function Untitled_2_Callback(hObject, eventdata, handles)% hObject handle to Untitled_2 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)deteksi;delete(handles.figure1);

% --------------------------------------------------------------------function Untitled_3_Callback(hObject, eventdata, handles)% hObject handle to Untitled_3 (see GCBO)% eventdata reserved - to be defined in a future version ofMATLAB% handles structure with handles and user data (see GUIDATA)bantuan;



delete(handles.figure1);





Lampiran 4

Bukti Pengambilan Data







Fransiska Meilisa