IDENTIFIKASI BAKTERI TUBERCULOSIS BERDASAR CIRI MORFOLOGI DAN WARNA 1) M, Ya’qub Zain., 2) Aulia.MT. Nasution Jurusan Teknik Fisika Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 1)
[email protected], 2)
[email protected]
Identifikasi bakteri tuberculosis mempunyai peran penting untuk mengetahui adanya penyakit, salah satunya adalah penyakit tuberculosis. Pengidentifikasian bakteri tuberculosis selama ini dilakukan secara manual di laboratorium membutuhkan waktu yang banyak, sehingga melelahkan dan tingkat akurasi dalam identifikasi kurang. Oleh karena itu dalam proses pengidentifikasi dibutuhkan secara otomatis. Dalam penelitian ini dilakukan pengembangan perangkat lunak untuk mengidentifikasi bakteri tuberculosis pada dahak manusia dengan menggunakan teknologi pengolahan citra digital. Citra digital yang dianalisis adalah citra bakteri tuberculosis yang diambil dari penderita penyakit tuberculosis dari dahak penderita (orang yang terkena penyakit tuberculosis). Proses pengolahan citra digital dimulai dari proses akuisisi citra, operasi warna, operasi morfologi dan pengenalan dengan jaringan syaraf tiruan dengan menggunakan algoritma propagasi balik. Hasil pengidentifikasi bakteri tuberculosis akan diuji dengan hasil identifikasi secara manual, sedangkan hasil identifikasi tersebut mencapai 86.7% 1.2
Perumusan Masalah Dalam Tugas Akhir kali ini permasalahan yang akan diselesaikan adalah dapat dikembangkannya sistem otomasi untuk meningkatkan keakuratan serta kecepatan dalam mengidentifikasi penyakit tuberculosis yaitu melalui mengembangkan perangkat lunak berdasar teknologi pengolahan citra digital.
1.3
Batasan Masalah Untuk mempersempit dan mempertajam masalah dilakukan perbatasan masalah sebagai berikut : 1. Pengambilan data bakteri tuberculosis hanya dilakukan dari dahak penderita penyakit TBC. 2. Objek yang akan diidentifikasi bentuk morfologi dan warnanya adalah citra bakteri tuberculosis yang diambil dari sampel dahak penderita penyakit tuberculosis. 3. Analisis dilakukan dengan metode jaringan syaraf tiruan. 4. Citra digital yang akan diolah adalah citra digital dari bakteri tuberculosis yang diambil dengan mikroskop yang dilengkapi dengan kamera CCTV berwarna 640 x 480 piksel (kamera VGA) dengan perbesaran objek pada lensa objektif 40x dan perbesaran lensa okuler 100x. 5. Software yang digunakan Matlab R2008b
1.4
Tujuan
I. PENDAHULUAN
1.1
Latar Belakang
Dalam kehidupan manusia saat ini pemanfaatan teknologi sekarang ini telah membawa manusia pada peradaban yang sangat tinggi dan menjadikannya sebagai tolok ukur terhadap kemajuan suatu bangsa secara umum. Teknologi tepat guna banyak diciptakan untuk membantu pekerjaan manusia terutama masalahmasalah yang sulit diselesaikan. Tuberculosis (TB) merupakan penyakit infeksi yang dapat menyerang paru-paru maupun jaringan yang lain yang disebabkan oleh kuman atau basil tuberculosis. Penyebab tuberculosis adalah mikrobacterium tuberculosis yaitu kuman berbentuk batang dengan ukuran panjang 1µm-4µm dan tebal 0,3 µm-0,6 µm. Bakteri tuberculosis bisa bertahan hidup pada udara kering maupun dalam keadaan dingin karena kuman bersifat dormant yaitu dapat bangkit kembali dan menjadi TB aktif. Selain itu, kuman ini disebut kuman aerob yaitu kuman yang lebih menyenangi jaringan yang tinggi kandungan oksigennya. Pemeriksaan ke dokter ahli merupakan salah satu cara untuk mengetahui penyakit tuberculosis. Berbagai cara akan dilakukan oleh dokter untuk mengidentifikasi penyakit tuberculosis diantaranya dengan jalan mengidentifikasi image bakteri pada dahak penderita. Oleh karena itu penulis mencoba membuat software yang dapat mengidentifikasi bakteri tuberculosis dengan menggunakan sofware Matlab R2008b Dengan menggunakan software Matlab R2008b tersebut dapat divisualisasi image processing berupa pemrosesan citra RGB menjadi citra biner,dan shape processing berupa ekstrak dari citra tersebut. Output dari image processing dan shape processing tersebut sebagai input pada jaringan syaraf tiruan yang akan mengindikasi citra bakteri tersebut.
Adapun tujuan yang akan dicapai dalam tugas akhir ini yaitu sebagai berikut : 1. Menentukan untuk mengidentifikasi bakteri tuberculosis secara otomatis dengan menggunakan teknik pengolahan
citra digital melalui pengembangan perangkta lunak. 2. Menentukan adanya bakteri tuberculosis dari dua agoritma yaitu algoritma color processing dan shape processing dari Artificial Neural Network (Backpropagation) untuk mengidentifikasi bakteri tuberculosis. 1.5
Metodologi Penelitian Adapun metodologi yang digunakan dalam tugas akhir ini adalah : 1. Perumusan masalah Menentukan hal-hal yang akan menjadi topik permasalahan pada penelitian. 2. Studi literatur Studi literatur dilaukan untuk melakkan pemahaman terhadap permasalahan yang diangkat dalam penelitian. Dan juga sebagai dasar pemahaman menganalisis proses yang terjadi citra bakteri tuberculosis. 3. Menentukan data input. Ditentukan data input berupa citra digital dari bakteri tuberculosis yang akan diidentifikasi. 4. Melakukan pengolahan citra berdasar ciri morfologi dan warna. Pengolahan dilakukan untuk mendapatkan ekstrak citra bakteri tuberculosis, sehingga pemodelan identifikasi dapat dilakukan. 5. Menentukan eksekusi dari variable input. Setelah diperolah ekstrak data dari citra bakteri tuberculosis, maka dengan metode jaringan syaraf tiruan dapat diteentukan bakteri tuberculosis tersebut. 6. Program perangkat lunak Matlab R2008b Setelah mendapatkan bentuk eksekusi dari variable input, maka dengan menginptkan nilai-nilai tersebut akan terinterpretasi nilai distribusi outputnya pada perangkat lunak Matlab R2008b 7. Analisa data dan pembahasan. Studi analisis ini dilakukan untuk mencari jawaban antara kesesuaian hasil perhitungan manual dengan hasil menggunakan program komputer. 8. Penyusunan laporan akhir.
Pada tahun 1990 macam-macam pembentuk genetic Mycobacterium tuberculosis bisa teridentifikasi (Kremer. 1999). Tuberculosis yang disingkat TB untuk tubercle bacillus atau Tuberculosis berasal dari kata tuberculosa. Tuberculosis adalah penyakit manular secara langsuang yang disebabkan oleh kuman TBC yaitu mycobacterium tuberculosis. Bakteri tuberculosis merupakan satu dari tiga penyebab kematian didunia dibandingkan dengan bakteri yang lain (Corbett. 2003). Tuberculosis bisa menyerang semua bagian tubuh manusia, dan yang paling rentan adalah menyerang paru-paru (90%) yang disebut pulmonary tuberculosis (Raviglione dan O’brien. 2004). Dapat juga berakibat pada sistem nervous central, sistem kelenjar getah bening, sistem sirkulasi, sistem genital, sistem gastrointestinal, tulang, dan juga kulit. Mycobacteria yang lain seperti mycobacterium bovis, mycobacterium africanum, mycobacterium canetti, dan mycobacterium microti juga penyebab penyakit tuberculosis. 2.2 2.2.1
Citra Citra Analog Citra atau image merupakan gambar pada bidang dua dimensi. Citra adalah suatu representasi, kemiripan, atau imitasi dari suatu objek yang merupakan fungsi continue dari intensitas cahaya pada bidang dua dimensi.. 2.2.2
Citra Digital Citra digital adalah citra analog yang diubah dalam bentuk diskrit, dalam korrdinat ruang maupun intensitas cahayanya. Pengolahan digitalisasi terdiri dari dua proses yaitu pencuplikan posisi, dan kuantisasi intensitas. Citra digital dapat dinyatakan dalam bentuk matriks dua dimensi f (x,y), dimana x dan y adalah koordinat piksel dalam matriks dan f adalah derajat intensitas piksel tersebut. Citra digital yang dinyatakan bentuk matriks dengan ukuran M x N tersusun sebagai berikut :
II. DASAR TEORI 2.1
Bakteri Tuberculosis
Gambar 2.1 Bakteri (Palomino, JC 2008)
f (0,0) f (1,0) f (2,0) M f ( M − 1,0)
f (0,1) f (1,1) f (2,1) M f ( M − 1,1)
f (0,2) f (1,2) f (2,2) M
L L L O
f ( M − 1,2) L
f (0, N − 1) f (1, N − 1) f (2, N − 1) M
f ( M − 1, N − 1)
Citra f (x,y) dalam fungsi matematis dituliskan dalam persamaan sebagai berikut : 0 ≤ x ≤ M-1 0 ≤ y ≤ N-1 0 ≤ f(x,y) ≤ G-1 dimana : M = banyaknya baris dalam array citra
N = banyaknya kolom pada array citra G = derajat keabuan atau intensitas warna (graylevel) Interval (0,G) disebut skala kebuan (grayscale). Besar G tergantung pada proses digitalisasi yang dilakukan. Kebuan 0 (nol) menyatakan intensitas hitam dan G menyatakan intensitas putih. Jaringan Syaraf 2.3.1 Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) adalah salah satu algoritma pembelajaran mesin yang meniru cara kerja jaringan syaraf biologi. Jaringan syaraf tiruan (artificial neural network) merupakan jaringan dari banyak unit pemroses kecil (yang disebut neuron) yang masingmasing melakukan proses sederhana, yang ketika digabungkan akan menghasilkan perilaku yang kompleks.
Grafik 2.3 Fungsi Binary Step (Sordo, Margarita.2002) c. Fungsi Sigmoid Fungsi sigmoid terbagi menjadi dua macam yaitu binary sigmoid dan bipolar sigmoid. Fungsi binary sigmoid digambarkan dalam persamaan :
f ( x) =
1 1 + e−x
Sedangkan fungsi bipolar sigmoid yang sangat berhubungan dengan fungsi hyperbolic tangent. Dimana fungsi hyperbolic tangent adalah :
e x − e−x f ( x) = x e + e−x
Gambar 2.3 Sebuah JST Sederhana. Fungsi aktifasi digunakan untuk menentukan output suatu neuron pada JST. Argument fungsi aktifasi adalah net input (kombionasi liner input dan bobotnya). Jika net = Σ xi wi , maka fungsi aktifasinya adalah f (net) = (Σ xi wi). Beberapa fungsi aktifasi yang sering digunakan (Fausett.1994) adalah sebagai berikut : a. Fungsi Identitas f (x) = x Fungsi identitas sering dipakai apabila output jaringan ynag diinginkan berupa sembarang bilangan riil. 4
f (x)
2 1 0 -1
Dalam jaringan dapat ditambahkan sebuah unit input yang nilainya selalu 1. unit tersebut disebut bias yang dapat dipandang sebagai sebuah input yang nilainya 1. bias berfungsi untuk mengubah nilai threshold menjadi = 0 (bukan = θ ) . jika melibatkan bias, maka output keluaran unit penjumlah adalah
net = b + ∑ xi wi i
3
-2
(a) (b) Grafik 2.4 (a) fungsi binary sigmoid (b) fungsi hyperbolic tangent (Sordo, Margarita.2002).
0
1
2
3
4
-1 -2 x
Grafik 2.2 Fungsi identitas b. Fungsi Binary Step ( dengan threshold θ ) 1 jika x ≥ θ f (x) = 0 jika x < θ Untuk beberapa kasus, fungsi ini dibuat untuk tidak bernilai 0 dan 1, tetapi bernilai 1 dan -1 yang disebut sebagai fungsi tthreshold bipolar, sehingga 1 jika x ≥ θ f (x) = -1 jika x < θ
Fungsi aktifasi threshold menjadi : 1 jika net x ≥ θ f (x) = -1 jika net x< θ
3.3 Metodologi Penelitian Metodologi yang digunakan pada Tugas Akhir ini adalah sebagai berikut : Mul
perangkat lunak yang telah dibuat (Testing set) dan dengan cara manual untuk menentukan tingkat keakurasian pengidentifikasian bakteri tuberculosis dengan menggunakan perangkat lunak yang telah dibuat. Persamaan yang digunakan untuk penentuan besarnya error hasil pengenalan bakteri tuberculosis dengan menggunakan perangkat lunak adalah sebagai berikut :
Menentukan Masalah, Tujuan, Studi Literatur Pengambilan Data Bakteri
Sementara untuk mendapatkan besarnya akurasi dapat dihitung melalui :
Perancangan Perangkat Perba Uji Perangkat Lunak Tid ak
Ya
Hasil 4.1.2 Data hasil preprocessing • Konversi tipe citra grayscale ke Cie L*a*b Sebelum dilakukan proses pemisahan warna bakteri tuberculosis dan pengenalan morfologi, citra asli dengan format RGB tipe JPG dikonversi dulu ke format CIE L*a*b.
Analisa data
Sele Gambar 3.1 Diagram alir metodologi penelitian 3.3.1
Perancangan Perangkat Lunak Pada perancangan perangkat lunak menggunakan software Matlab R2008b. Dalam perancangan perangkat lunak ini dilakukan langkah seperti pada gambar 3.2
(b)
Gambar 4.2 (a) Citra bakteri RGB (b) Citra bakteri L*a*b
Mulai
Dari gambar hasil konversi dari citra RGB ke citra Cie L*a*b dihasilkan gambar yang berbeda, pada citra RGB komponen pembentuk warna citra ada 3 bagian, yaitu komponen warna R, mengartikan warna merah, komponen warna G, mengartikan warna hijau, dan komponen warna B, mengartikan warna biru. Sedangkan pada citra L*a*b hanya memiliki 2 komponen pembentuk warna, yaitu kompoen a dan komponen b, sedangkan L adalah mengartikan luminasi.
Citra Digital Bakteri Tuberculosis (Akuisisi Citra)
Pemrosesan Awal Citra Tidak Operasi Warna Ya Operasi Morfologi Tidak
Pengenalan Citra Bakteri
Ya Selesai
Gambar 3.2 Diagram alir perangkat lunak. 3.3.2
(a)
Validasi Perangkat Lunak Pada proses ini akan diuji tingkat keakuratan pengenalan bakteri tuberculosis. Dengan menggunakan
4.1.3 Hasil operasi citra bakteri tuberculosis • Removing warna selain bakteri Proses ini adalah proses pemisahan warna bakteri. Pemisahan warna bakteri tuberculosis dengan noise dan background dilakukan dengan menghilangkan warna selain bakteri tuberculosis.
Menghilangkan warna dahak
pada background untuk memudahkan proses selanjutnya, yaitu pada proses labelling. Pada proses pembalikan ini, nilai warna dalam bentuk tresholding yang mempunyai nilai 1 dikonversi menjadi nilai 0, sebaliknya yang bernilai 0 dikinversi menjadi 1.
Gambar 4.3 Hasil removing warna noise pada Pada gambar 4.3 terlihat bahwa warna dahak (biru) sebagai noise berhasil dihilangkan. Tipe citra bakteri ini merupakan citra RGB yang dikonversi ke tipe citra CieL*a*b.
Grayscale
Sebelum menghilangkan warna background, maka dilakukan proses grayscale, yaitu proses untuk membuat warna menjadi skala keabuan.
Gambar 4.6 Citra hasil proses pembalikan warna treshold
Dari gambar 4.6 menunjukkan hasil citra proses pembalikan warna tresholding, yaitu proses dimana citra bakteri tuberculosis berwarna putih, sedangkan warna backgrund berwarna hitam Pelabelan Pada proses pelabelan warna objek akan dirubah menjadi banyak warna seperti pada gambar 4.7
Gambar 4.4 Citra Grayscale Dari gambar tersebut ( Gambar 4.4 ) terlihat gambar hasil proses grayscale. Pada proses ini citra berwarna diubah menjadi citra dengan skala keabuan. Citra grayscale merupakan citra dengan skala warna keabuan dengan nilai antara 0 – 255. Tresholding Input dari proses ini adalah gambar citra yang sudah melalui pemrosesan awal dan proses warna. Sedangkan nilai ambang thresholding yang dilakukan pada proses ini sebesar 0.7 (70 persen dari nilai 255). Sehingga dari proses ini masing-masing pixel citra dengan intensitas dengan nilai 255 sampai 65 persen dari 255 akan diubah menjadi nilai 1 sedangkan yang lainya diubah menjadi nilai 0. Pada proses thresholding menentukan ROI.
Gambar 4.5 Citra hasil tresholding
Pembalikan warna tresholding
Proses ini bertujuan untuk mendapatkan nilai putih pada warna bakteri tuberculosis dan warna hitam
Gambar 4.7 Citra proses labeling
Gambar 4.8 Citra hasil proses labelling Dari hasil proses labelling terlihat pada gambar 4.8. Pada objek bakteri tuberculosis diberi nomor (label). Untuk labelling ini bertujuan untuk mendapatkan nomor pada objek untuk selanjutnya dapat diproses pada metode jaringan syaraf tiruan dengan memanfaatkan algoritma backpropagation. Dari hasil tersebut merupakan scanning per piksel dari yang paling kiri atas dilanjutkan kebawah, sehingga urutan penomorannya berurutan dari kiri ke kanan. Hasil dari proses preprosesing, selanjutnya digunakan sebagai input jaringan syaraf tiruan. Database hasil tersebut berupa matrix biner 20 x 20 yang kemudian di transpose, sehingga menjadi 1 x 400. Hasil tersebut dapat dilihat pada gambar 4.10
kemampuan jaringan mencapai error atau nilai MSE yang diinginkan. No
1 2 3 4 5 6 7 8 9 10
Gambar 4.9 Matrix hasil preprosesing 4.1.4 Algoritma Backpropagasi • Pembentukan jaringan Untuk tahap training set, input merupakan 52 citra database (matrik 400 x 238) sehingga atsitektur jaringan memilki struktur 238-1-1 dengan rincian : 238 input layer : terdiri dari 3600 unit. 1 hidden layer : terdiri dari 1 output layer : terdiri dari 238 unit
Unit hidden layer 110 112 114 120 130 134 136 140 145 150
Akurasi (%)
99.5 99.4 99.4 99.5 99.4 99.4 99.5 99.4 99.4 100
Tabel 4.2 Hasil akurasi dengan jumlah hidden layer Untuk pemilihan jumlah hidden layer dilakukan secara acak untuk mendapatkan nilai MSE yang paling kecil, sehingga bisa dikatakan memiliki performansi yang baik. Untuk mendapatkan nilai MSE yang kecil, maka dilakukan training set sebanyak 10 kali dengan jumlah hidden layer yang berbeda yang terdiri dari 110, 112, 114, 120, 130, 134, 136, 140, 145, dan 150. • Data hasil training JST Proses training pada JST merupakan subprogram training set yang berfungsi untuk melatih program supaya dapat mengenali ciri bakteri tuberculosis dengan menggunakan jaringan syaraf tiruan. Jaringan yang terbentuk dari proses pelatihan akan digunakan dalam Test set. No 1 2 3 4 5 6 7 8 9 10
Unit hidden 110 112 114 120 130 134 136 140 145 150
Epochs
MSE
154 149 149 189 150 155 166 166 150 147
0.00292 0.00297 0.00297 0.00270 0.00293 0.00293 0.00294 0.00294 0.00274 0.0284
Tabel 4.1 Jumlah epochs dan jumlah MSE yang didapatkan berdasarkan jumlah unit hidden layer. Dari hasil pelatihan jaringan dengan 5 variasi jumlah hidden layer yang berbeda didapatkan nilai MSE dan banyaknya epochs yang berbeda pula. Banyaknya epochs pada tahap pelatihan jaringan di pengaruhi oleh
III. REFERENSI [1]
Palomino, Leao, Ritacco.2007. Tuberculosis. Brazil.
[2]
Bakti Husada. 2002. Pedoman Nasional Penanggulangan Tuberculosis. Departemen Kesehatan Republik Indonesia.
[3]
Fausett,L. 1994. Fundamentals of Neural Network, Architecture, Algorithms, and Applications. Prentice Hall.
[4]
Gonzales,R.C. and Woods,R.E. 2002. Digital Image Processing with Matlab 2nd ed. Upper Saddle River, NJ: Prentice Hall.
[5]
Muis, Saludin. 2006. Teknik Jaringan Syaraf Tiruan. Yogyakarta: ANDI.
[6]
Siang, Jong Jek. 2009. Jaringan syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta : ANDI.
[7]
The MathWorks Inc. 2007. Image Processing Toolbox 6 User Guide.
[8]
Wijaya. Marvin CH. 2007. Pengolahan Citra Digital menggunakan Matlab. Bandung: Informatika.
