ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume 5, Nomor 1 , Tahun 2016
Pengembangan Sistem Klasifikasi Stadium Malaria Plasmodium falciparum pada Citra Mikroskopis Sel Darah Menggunakan Multi Layer Perceptron Inayaturrahman1, I Made Gede Sunarya 2, I Gede Mahendra Darmawiguna 3 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha Singaraja, Bali E-mail:
[email protected],
[email protected] 2,
[email protected] 3 Abstrak— Penelitian ini bertujuan : (1) untuk mengimplementasikan sistem klasifikasi stadium malaria Plasmodium falciparum pada citra mikroskopis sel darah menggunakan Multi Layer Perceptron (MLP), (2) untuk mengetahui tingkat akurasi dari pengembangan sistem klasifikasi stadium malaria P. falciparum pada citra mikroskopis sel darah menggunakan Multi Layer Perceptron (MLP). Model penelitian yang digunakan adalah penelitian dan pengembangan dengan model waterfall. Model tersebut meliputi beberapa tahap yakni analisis kebutuhan sistem, design (perancangan), implementasi, dan pengujian perangkat lunak. Implementasi dan pengujian pada penelitian ini adalah suatu Sistem Klasifikasi Stadium Malaria Plasmodium falciparum pada Citra Mikroskopis Sel Darah menggunakan bahasa pemrograman Matlab R2015a. Dalam implementasi, metode pengolahan citra digital yang digunakan yaitu preprocessing, segmentasi, morfologi, dan ekstraksi fitur. Metode JST untuk klasifikasi menggunakan Multi Layer Perceptron berdasarkan algoritma pembelajaran backpropagation dengan aristektur jaringan 11 neuron input layer, 7 neuron hidden layer, dan 3 neuron output layer. Input perangkat lunak ini adalah citra berekstensi bitmap (*.bmp) dan keluarannya adalah klasifikasi berupa stadium malaria P.falciparum serta tingkat kemiripan (level of similarity) citra uji terhadap masingmasing stadium. Hasil pengujian klasifikasi, diperoleh rata-rata tingkat akurasi sebesar 91,11% dengan total sampel 105 citra data training dan 15 citra uji yang terdiri dari 5 citra stadium trofozoit, 5 citra stadium skizon, dan 5 citra stadium gametosit. Pengujian klasifikasi berdasarkan kfold cv menghasilkan rata-rata akurasi sebesar
94.99%. Dari hasil tersebut, sistem ini mampu mengklasifikasi stadium malaria Plasmodium falciparum dengan baik dan dapat digunakan sebagai support system bagi dokter parasitologi. Kata kunci: Citra Mikroskopis, Plasmodium falciparum, Klasifikasi, Multi Layer Perceptron. Abstract— This research aims to : (1) to implement the classifications system of the Plasmodium falciparum malaria stadium in microscopic image by using Multi Layer Perceptron (MLP), (2) to know the accuration level of classification system of Plasmodium falciparum malaria stadium in microscopic image by using Multi Layer Perceptron (MLP). Research method that is used in this study is Research and Development (R & D ) with waterfall model which contain with some different part such as system needs analysis, design, implementation and software testing. The implementation and testing in this research is a classification system of Plasmodium falciparum malaria stadium in microscopic image of corpuscle by using Matlab R2015a as the programming language. The method of digital image processing that used in the implementation are preprocessing, segmentation, morphology, and feature extraction. ANN method that used for classification is Multi Layer Perceptron based on backpropagation learning algorithm with 11 of neuron output layer, 7 neuron hidden layer, and 3 neuron output layer as the network architecture. The input of this software is an image with bitmap extension (*.bmp) and the output is the classification of the malaria P.falciparum phase along with level of similarity of testing image compare to each stadium. The result of classification testing describe that the average of
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
accuration level is 91,11% with 105 as the total of image training data sample and 15 as the testing image which contain with 5 images of trofozoit, 5 images of skizon and 5 images of gametocyte. Classification testing based on k-fold cv described that the average of accuration is 94,99%. Based of that result, this system is able to classify the Plasmodium falciparum malaria stadium well and can be used as the support system by parasitologist. Keywords: microscopic image, Plasmodium falciparum, classification, Multi Layer Perceptron. I.
PENDAHULUAN
Malaria merupakan salah satu masalah kesehatan masyarakat karena dapat menyebabkan kematian. Penyakit malaria disebabkan oleh parasit protozoa dari genus plasmodium. Ada lima jenis plasmodium yang disebabkan oleh nyamuk Anopheles yaitu P. falciparum, P. vivax, P. ovale, P. malariae dan P. knowlesi [1]. Namun P. falciparum merupakan spesies yang paling berbahaya dan menyerang setiap eritrosit tanpa memandang umur, sehingga angka infeksi eritrosit (derajat parasitemia) sangat tinggi dan sering menyebabkan komplikasi berat [2]. Tingkat infeksi penyakit malaria ini dapat diketahui setelah dilakukan diagnosa untuk mengetahui stadium dari siklus hidup P.falciparum. Stadium pada siklus hidup spesies P.falciparum yaitu trofozoit, skizon dan gametocyte. Diagnosa yang akurat dan tepat waktu adalah kunci utama untuk mengontrol dan mengetahui stadium penyakit ini secara efektif. Terdapat beberapa cara untuk mendeteksi penyakit malaria P. falciparum, salah satunya adalah pemeriksaan darah secara mikroskopis[3]. Berdasarkan hasil wawancara di RSUD Buleleng dengan narasumber Siluh Kade Nuratih, Amd. ditemukan bahwa pemeriksaan mikroskopis membutuhkan waktu yang relatif panjang. Selain itu, di bagian pedesaan, jumlah tenaga ahli pada malaria P. falciparum ini sangat terbatas. Melalui observasi di beberapa rumah sakit Provinsi Bali yaitu RSUD Kabupaten Buleleng, RS Udayana, dan RS Sanglah Denpasar, bahwa di rumah sakit tersebut tidak terdapat dokter ahli parasitologi. Ibu Siluh Kade Nuratih, Amd. selaku analis kesehatan di RSUD Buleleng juga mengatakan bahwa pada pemeriksaan mikroskopis terdapat kesulitan dalam
mengenal morphology parasit. Kesulitan tersebut dikarenakan jika terjadi kesalahan pengecatan (giemsa) pada preparat dan bisa karena faktor kelelahan mata, hal ini tentunya dapat memberikan dampak kesalahan diagnosis. Dengan demikian, dibutuhkan human computer interaction atau sistem untuk membantu mempercepat proses diagnosis dan sebagai pedukung untuk mengetahui stadium penyakit malaria P. falciparum. Salah satu solusi untuk permasalahan tersebut ialah pemanfaatan pengolahan citra digital dan Jaringan Syaraf Tiruan (JST). Secara umum, istilah pengolahan citra digital menyatakan “pemrosesan gambar berdimensi-dua melalui komputer digital”[4]. Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi [5] . Salah satu bidang JST yang banyak diaplikasikan adalah pengenalan pola (pattern recognition). Dalam bidang kedokteran, pengenalan pola dalam JST banyak dimanfaatkan sebagai pengenalan penyakit melalui citra yang dihasilkan oleh scanner. Pemanfaatan pengolahan citra digital dan jaringan syaraf tiruan untuk membantu pemeriksaan malaria telah banyak dilakukan. Penelitian yang berjudul “Automatic Malaria Diagnosa System” telah membangun suatu perangkat lunak untuk mendeteksi parasit malaria [6] . Pada penelitian tersebut perangkat lunak hanya bisa mendeteksi parasit atau non parasit pada Plasmodium falciparum. Terdapat penelitian yang sudah mengklasifikasikan stadium P.falciparum yaitu penelitian dengan judul “Identifikasi Parasit Malaria dalam Darah Menggunakan Metode Segmentasi Citra Digital dan Jaringan Syaraf Tiruan”, menghasilkan akurasi pada klasifikasi menggunakan JST LVQ yaitu 81.25%[7]. Penelitian tersebut memerlukan pengembangan untuk meningkatkan hasil akurasi dari klasifikasi stadium. Adapun penelitian ini mengembangkan sitem klasifikasi stadium malaria P.falciparum dengan masukan berupa image dari pemeriksaan mikroskop. Citra tersebut diolah menggunakan metode pengolahan citra digital dengan beberapa tahapan diantaranya preprocessing, segmentasi, morfologi, masking dan ekstraksi fitur. Pada tahap klasifikasi (training dan testing) menggunakan Multi Layer Perceptron (MLP). Peneliti menggunakan MLP dikarenakan MLP terkenal handal karena proses pembelajaran yang mampu dilakukan secara terarah. Pembelajaran atau pelatihan algoritma ini dilakukan dengan memperbarui bobot balik
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
(backpropagation). Penetapan bobot yang optimal akan menghasilkan hasil klasifikasi yang tepat [8]. Dari beberapa tahapan yang telah dilakukan, ketika tahap testing menggunakan MLP, sistem akan mengeluarkan output yaitu hasil klasifikasi berupa nama stadium dari citra malaria yaitu trofozoit, skizon dan gametosit. Selain itu, tingkat kemiripan terhadap masing-masing stadium juga dihitung sebagai visualisasi dari hasil klasifikasi dengan menggunakan algoritma Normalize Euclidean Distance. Setelah klasifikasi tersebut, maka akan didapatkan tingkat akurasi yang dihasilkan oleh sistem. Sebagai solusi permasalahan di atas, peneliti bermaksud merancang sistem dengan judul “Pengembangan Sistem Klasifikasi Stadium Malaria Plasmodium falciparum pada Citra Mikroskopis Sel Darah Menggunakan Multi Layer Perceptron”. II.
KAJIAN TEORI
A. Plasmodium falciparum Malaria disebabkan oleh parasit plasmodium. Parasit ini ditularkan melalui gigitan nyamuk Anopheles yang merupakan vektor malaria yang terutama menggigit manusia malam hari sampai fajar[3]. Terdapat empat spesies parasit penyebab malaria pada manusia Plasmodium vivax, Plasmodium malariae, Plasmodium falciparum, Plasmodium ovale. P. falciparum merupakan penyebab malaria tropika atau malaria falciparum. Spesies yang paling berbahaya adalah P.falciparum, dikarenakan parasit pada P.falciparum menyerang eritrosit penderita tanpa memandang umur, sehingga angka infeksi eritrosit (derajat parasitemia) sangat tinggi. Di dalam sel darah merah penderita malaria, Plasmodium falciparum dapat ditemukan dalam bentuk trofozoit, skizon dan bentuk gametosit yang memiliki ciri-ciri khas tertentu. Pada stadium trofozoit, parasit berbentuk cincin dan terdapat 1-2 bintik kromatin kecil. Kadangkadang ditemukan di darah tepi yang disebut dengan appliqué (accole). Pada stadium skizon, parasit mempunyai 8-24 merozoit berukuran kecil yang mengumpul menjadi satu massa dan mempunyai pigmen yang berwarna hitam[3]. Pada Stadium gametosit, parasit mempunyai bentuk seperti bulan sabit atau mirip sosis atau berbentuk seperti pisang.
B. Preprocessing Preprocessing merupakan suatu proses untuk menghilangkan bagian-bagian yang tidak diperlukan pada gambar input untuk selanjutnya [9] . Preprocessing ini biasanya meliputi pembersihan noise pada citra, peningkatan kualitas citra, dan peregangan kontras[10]. Pada penelitian ini preprocessing meliputi ROI cropping, pengaturan kontras menggunakan contrast stretching, pengurangan noise menggunakan median filter 3x3, dan konversi ruang warna RGB ke HSV. C. Segmentasi Citra Segmentasi merupakan teknik untuk membagi suatu citra menjadi beberapa daerah (region) dimana setiap daerah memiliki kemiripan atribut[4]. Pada penelitian ini, metode segmentasi yang digunakan adalah k-means dan thresholding. D. Morfologi Citra Morfologi secara sederhana dapat diartikan sebagai bentuk dan struktur suatu objek atau dalam deskripsi lainnya disebutkan bahwa morfologi adalah susunan dan hubungan antar bagian pada suatu objek[4]. Operasi morfologi yang digunakan dalam penelitian ini adalah opening dan closing. Operasi opening adalah operasi erosi yang diikuti dengan dilasi dengan menggunakan elemen penstruktur yang sama. Operasi closing berguna untuk menghaluskan kontur dan menghilangkan lubang-lubang kecil [11] . Operasi closing dilaksanakan dengan melakukan operasi dilasi terlebih dahulu dan kemudian diikuti dengan operasi erosi. E. Ekstraksi Fitur Pada penelitian ini, pengambilan ciri didasarkan pada ekstraksi fitur tekstur dan bentuk. Ekstraksi fitur tekstur menggunakan fitur tekstur histogram diantaranya rerata intensitas, rerata kontras, skewness, energy, entropi, dan smoothness. Pada esktraksi fitur bentuk terdiri dari perimeter (keliling), luas, konveksitas, soliditas, dan rasio kebulatan. F.
Multi Layer Perceptron Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi [5] . Mult Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri dari satu lapisan input (input layer), satu atau lebih lapisan tersembunyi (hidden layer), dan satu lapisan output (output layer). Proses pembelajaran pada jaringan MLP adalah termasuk supervise learning (suatu metode machine learning yang menarik kesimpulan dari data-data yang telah diberi label, berupa pasangan input dan output). Arsitektur jaringan MLP ini dapat digambarkan sesuai Gambar 1.
Gambar 1 Jaringan MLP dua lapis Sumber : (Muliantara & ER, 2014) Algoritma yang dijalankan oleh MLP untuk mendapatkan bobot yang optimal adalah sebagai berikut : 1. Inisialisasi semua bobot dengan bilangan acak kecil 2. Jika kondisi penghentian belum dipenuhi, lakukan langkah 2-8. 3. Untuk setiap pasang data pelatihan, lakukan langkah 3-8 4. Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. 5. Hitung semua keluaran di unit tersembunyi 𝑧𝑗 (j = 1, 2, ,…, p). 𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑗𝑖 (1) 𝑧𝑗 = 𝑓(𝑧_𝑛𝑒𝑡𝑗 ) = 6.
1 1+𝑒
−𝑧_𝑛𝑒𝑡𝑗
(2)
Hitung semua keluaran jaringan di unit keluaran 𝑦𝑘 (𝑘 = 1, 2, … , 𝑚) 𝑝 𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + ∑𝑗=1 𝑧𝑖 𝑤𝑘𝑗 (3)
dibawahnya. Hitung perubahan bobot 𝑤𝑘𝑗 dengan laju pemahaman α. ∆𝑤𝑘𝑗 = α𝑘 𝑧𝑗 , k= 1, 2,…., m; j=0,1,…, p (6) 9. Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit tersembunyi 𝑧𝑗 (𝑗 = 1, 2, … , 𝑚) _𝑛𝑒𝑡𝑗 = ∑𝑚 (7) 𝑘=1 𝑘 𝑤𝑘𝑗 10. Faktor unit tersembunyi. 𝑗 = _𝑛𝑒𝑡𝑗 𝑓′(𝑧_𝑛𝑒𝑡𝑗 ) = _𝑛𝑒𝑡𝑗 𝑧𝑗 (1 − 𝑧𝑗 ) (8) 11. Hitung suku perubahan bobot 𝑣𝑗𝑖 .
∆𝑣𝑗𝑖 = α𝑗 𝑥𝑖 , j= 1, 2,…., p; i=1,2,…, n (9) 12. Hitung semua peribahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu : 𝑤𝑘𝑗 (𝑏𝑎𝑟𝑢 ) = 𝑤𝑘𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 , (𝑘 = 1, 2, … , 𝑚 ; 𝑗 = 0, 1, … , 𝑝) (10) 13. Perubahan bobot garis yang menuju ke unit tersembunyi, yaitu : 𝑣𝑗𝑖 (𝑏𝑎𝑟𝑢 ) = 𝑣𝑗𝑖 (𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 , (𝑗 = 1, 2, … , 𝑝 ; 𝑗 = 0, 1, … , 𝑛) (11) Setelah tahapan training untuk penentuan bobot selesai dilakukan, maka tahapan selanjutnya adalah melakukan uji klasifikasi (testing). Proses testing ini dilakukan sama halnya pada fase training, hanya saja pada fase testing tidak dilakukan pembelajaran karena bobot yang digunakan adalah bobot tetap hasil training [12]. G. Confusion Matrix Confusion matrix adalah sebuah tabel yang menyatakan jumlah data uji yang benar diklasifikasikan [13]. Contoh confusion matrix untuk klasifikasi biner ditunjukkan pada Tabel 1. Tabel 1 Confusion Matrix untuk Klasifikasi Biner Kelas Prediksi Kelas 1 Sebenarnya TP FN 1 FP TN 0
1
7.
8.
𝑦𝑘 = 𝑓 (𝑦_𝑛𝑒𝑡𝑘 ) = 1+𝑒 −𝑦_𝑛𝑒𝑡𝑘 (4) Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran 𝑦𝑘 (𝑘 = 1, 2, … , 𝑚) 𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑓′(𝑦_𝑛𝑒𝑡𝑘 ) = (𝑡𝑘 − 𝑦𝑘 )𝑦𝑘 (1 − 𝑦𝑘 ), 𝑡𝑘 = target (5) 𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar
Keterangan untuk tabel 1 dinyatakan sebagai berikut. True Positif (TP), yaitu jumlah dokumen dari kelas 1 yang benar dan diklasifikasikan sebagai kelas 1. True Negatif (TN), yaitu jumlah dokumen dari kelas 0 yang benar diklasifikasikan sebagai kelas 0.
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
False Positif (FP), yaitu jumlah dokumen dari kelas 0 yang salah diklasifikasikan sebagai kelas 1. False Negative (FN) yaitu jumlah dokumen dari kelas 1 yang salah diklasifikasikan sebagai kelas 0. Perhitungan akurasinya dinyatakan dalam persamaan Akurasi =
𝑇𝑃+𝑇𝑁 𝑇𝑃+𝐹𝑁+𝐹𝑃+𝑇𝑁
III.
x 100%
(12)
METODOLOGI
A. Analisis Masalah dan Usulan Solusi Berdasarkan analisis dari permasalahan yang ditemukan mengenai klasifikasi stadium malaria P.falciparum, pemeriksaan malaria secara mikroskopis dan validasi hasil pemeriksaan memerlukan waktu yang relatif panjang. Selain itu dokter terkadang kesulitan dalam mengenal morfologi masing-masing parasit karena faktor kelelahan mata dan minimnya jumlah dokter parasitologi yang menangani kasus malaria. Berdasarkan analisis masalah di atas, maka solusi yang dapat diusulkan adalah sebuah perangkat lunak pengembangan sistem klasifikasi stadium malaria Plasmodium falciparum pada citra mikroskopis sel darah menggunakan Multi Layer Perceptron (MLP). Dengan adanya perangkat lunak ini, proses pemeriksaan malaria secara mikroskopis dan validasi pemeriksaan akan dilakukan dengan waktu yang lebih cepat. Dokter dapat menggunakan perangkat lunak ini sebagai sistem pendukung ketika mengklasifikasikan stadium P.falciparum sehingga diharapkan dapat meminimalisir kekeliruan ketika melakukan pemeriksaan. B. Analisis Perangkat Lunak 1. Kebutuhan Perangkat Lunak a. Kebutuhan fungsional : 1) Membaca dan menyimpan citra 2) Melakukan operasi preprocessing yang meliputi ROI yaitu cropping, pengaturan kontras menggunakan contrast stretching, noise filter menggunakan median filtering 3x3, konversi ruang warna RGB ke HSV. 3) Melakukan operasi segmentasi citra dengan menggunakan k-means dan thresholding. 4) Melakukan operasi morfologi menggunakan opening dan closing. 5) Melakukan proses masking citra. 6) Melakukan operasi ekstraksi fitur tekstur menggunakan fitur tekstur histogram dan
ekstraksi fitur bentuk yaitu perimeter, luas, konveksitas, soliditas, dan rasio kebulatan. 7) Melakukan pelatihan (training) dengan menggunakan Jaringan Syaraf Tiruan Multi Layer Perceptron (MLP). 8) Melakukan pengujian (testing) dengan menggunakan Jaringan Syaraf Tiruan Multi Layer Perceptron (MLP). 9) Melakukan perhitungan tingkat kemiripan (level of similarity) antara hasil klasifikasi stadium terhadap masing-masing stadium malaria Plasmodium falciparum dengan menggunakan algoritma Normalize Euclidean Distance. b. Kebutuhan non fungsional : 1) Kebutuhan Perangkay Lunak (Software) a) Bahasa pemrogaman matlab sebagai software yang digunakan untuk membuat program. b) Excel sebagai perangkat lunak menyimpan data. 2) Kebutuhan Perangkay Keras (Hardware) Aplikasi ini dikembangkan pada laptop dengan spesifikasi sebagai berikut. a) Monitor 16 inchi dengan resolusi layar 1920 × 1080 b) Memori 4 GB SDRAM dan hardisk 500GB c) Prosessor intel core i5 dan uji coba program dilakukan menggunakan perangkat keras berupa laptop dengan spesifikasi processor intel core i5, RAM 4GB, HDD 500GB dan VGA 64 MB dengan Windows 8 sebagai sistem operasinya. 2. Tujuan Pengembangan Perangkat Lunak Adapun tujuan dari pengembangan perangkat lunak ini adalah sebagai berikut. 1) Mampu membaca dan menyimpan citra. 2) Mampu melakukan proses preprocessing yang meliputi ROI yaitu cropping, pengaturan kontras menggunakan contrast stretching, noise filter menggunakan median filtering, perubahan ruang warna RGB to HSV. 3) Mampu melakukan proses segmentasi citra dengan k-means dan thresholding. 4) Mampu melakukan proses morfologi citra menggunakan algoritma opening dan closing. 5) Mampu melakukan proses masking citra. 6) Mampu melakukan proses ekstraksi fitur tekstur dengan histogram dan ekstraksi fitur bentuk yaitu perimeter, luas, konveksitas, soliditas, dan rasio kebulatan.
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
7) Mampu melakukan proses training menggunakan Jaringan Syaraf Tiruan Multi Layer Perceptron (MLP). 8) Mampu melakukan proses testing menggunakan Jaringan Syaraf Tiruan Multi Layer Perceptron (MLP). 9) Mampu melakukan perhitungan tingkat kemiripan (level of similarity) antara hasil klasifikasi stadium terhadap masing-masing stadium malaria Plasmodium falciparum dengan menggunakan algoritma Normalize Euclidean Distance.
c. Flowchart Proses Testing START
Opening Citra Input Testing
Input Nilai R2 Contrast
Input Size Strel
Contrast Stretching
Citra Hasil K-means
Closing
Citra Hasil Contrast
Ya
Input Size Strel
Tidak
Closing Masking
Median Filtering
Ya
Median Filtering
Citra Hasil Masking
Citra Hasil Closing
Tidak
Ekstraksi Fitur
3. Masukan dan Keluaran Perangkat Lunak Masukan perangkat lunak ini adalah citra data training dan testing bertipe bitmap (*.bmp), parameter kontras, nilai k, parameter structuring element opening dan closing, nilai fitur training, nilai fitur testing, bobot hasil training. Keluaran (output) yakni citra hasil preprocessing, citra hasil segmentasi, citra hasil morfologi, citra hasil masking, nilai fitur hasil ekstraksi fitur, nilai bobot training, dan informasi hasil klasifikasi berupa nama stadium dan tingkat kemiripan terhadap masing-masing stadium. 4. Flowchart a. Flowchart Proses Training START
Opening Citra Input Training
Input Nilai R2 Contrast
Input Size Strel
Contrast Stretching
Citra Hasil K-means
Closing
Citra Hasil Contrast
Ya
Input Size Strel
Tidak
Closing Masking
Median Filtering
Ya
Median Filtering
Citra Hasil Closing
Citra Hasil Masking
Tidak
Ekstraksi Fitur Citra Hasil Median
RGB to HSV
Hasil Fitur Citra
Citra Hasil HSV Tidak
Simpan Fitur
Thresholding
K-means Dataset Ya
Citra Hasil Threshold
Input nilai K Ulang
ya
Ya
K-means
Citra Hasil K-means
Opening
tidak
Training
Hasil Bobot
END
Gambar 2 Flowchart Proses Training Sistem Klasifikasi Stadium Malaria
Citra Hasil Median
RGB to HSV
Hasil Fitur Citra
Citra Hasil HSV Tidak
Input Bobot
Thresholding
Euclidean Distance
K-means Ya
Testing MLP
Citra Hasil Threshold
Tingkat Kemiripan
Input nilai K Ya
K-means
Input Mean Fitur stadium
Hasil Testing
Opening END
Citra Hasil K-means
Gambar 3 Flowchart Proses Testing Sistem Klasifikasi Stadium Malaria Plasmodium falciparum C. Perancangan Perangkat Lunak 1. Batasan Perancangan Perangkat Lunak Adapun batasan perancangan dalam pengembangan sistem ini yaitu: (1) Citra training maupun citra testing yang digunakan berformat bitmap (*.bmp). (2) Citra training maupun citra testing yang digunakan adalah citra mikroskopis yang sudah terinfeksi malaria Plasmodium falciparum. (3) Stadium malaria yang diklasifikasi hanya pada stadium trofozoit, skizon, dan gametosit. (4) Citra input untuk data training dan testing hanya citra yang terdapat satu parasit. (5) Citra yang digunakan sebagai training (knowledge system) merupakan citra mikroskopis yang stadium malaria sudah diklasifikasikan oleh dokter. (6) Jumlah citra training yaitu 105 citra dan jumlah citra testing yaitu 15 citra. (7) Teknik pembelajaran atau pelatihan yang digunakan dalam klasifikasi jaringan Multi Layer Perceptron berdasarkan algoritma pembelajaran Backpropagation.
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
IV.
PEMBAHASAN
A. Implementasi Perangkat Lunak 1. Lingkungan Imeplementasi Perangkat Lunak Perangkat lunak sistem klasifikasi stadium malaria Plasmodium falciparum ini dikembangkan pada lingkungan perangkat keras komputer (laptop) yang memiliki spesifikasi sebagai berikut. a. Spesifikasi Perangkat Lunak Lingkungan perangkat lunak, Sistem Klasifikasi Stadium Malaria P.falciparum pada Citra Mikroskopis Sel Darah dijalankan pada lingkungan sebagai berikut. 1. Sistem Operasi Microsoft Windows 8 2. Bahasa Pemrograman MATLAB R2015a b. Spesifikasi Perangkat Keras Pada lingkungan perangkat keras Sistem Klasifikasi Stadium Malaria P.falciparum pada Citra Mikroskopis Sel Darah dijalankan pada lingkungan sebagai berikut. 1. MonItor 16 inchi dengan resolusi layar 1920 x 1080 2. Memori 4 GB SDRAM dan harddisk 500GB 3. Processor intel core i5
c. Implementasi Form Menu Knowladge System
Gambar 6. Implementasi Form Menu Knowladge System d. Implementasi Form Testing
Gambar 7. Implementasi Form Testing 2. Implementasi Antarmuka Perangkat Lunak Rancangan layar antarmuka perangkat lunak sistem klasifikasi stadium malaria Plasmodium falciparum diimplementasikan menggunakan m-file yang terdapat pada figure Maltab. a. Implementasi Form Menu Utama
e. Implementasi Form Crop Image
Gambar 8. Implementasi Form Crop Image
Gambar 4. Implementasi Form Menu Utama b. Implementasi Form Training
Gambar 5. Implementasi Form Training
B. Pengujian Perangkat Lunak 1. Tujuan Pengujian Perangkat Lunak Tujuan pengujian berdasarkan konsep pengujian yaitu blackbox testing dan whitebox testing. a. Blackbox Testing Blackbox Testing merupakan pengujian yang terfokus pada spesifikasi fungsional dari perangkat lunak. Pengujian fungsional bertujuan untuk mengevaluasi pemenuhan sistem atau komponen dengan kebutuhan fungsional tertentu [14] . Balckbox testing hanya mengamati hasil eksekusi atau keluaran melalui data uji. b. Whitebox Testing Whitebox testing merupakan cara pengujian secara internal atau pengujian dengan melihat ke dalam modul untuk meneliti kode-kode
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
2. Tata Ancang dan Teknik Pengujian Perangkat Lunak Tata ancang dan teknik pengujian perangkat lunak sistem klasifikasi malaria Plasmodium falciparum diantaranya sebagai berikut. a. Pengujian blackbox meliputi pengujian fungsionalitas, dan pengujian sistem klasifikasi untuk mengetahui kualitas hasil masking dan mendapatkan akurasi dari sistem. b. Pengujian whitebox meliputi pengujian algoritma yang ada dalam sistem klasifikasi stadium malaria Plasmodium falciparum. 3.
Pelaksanaan Pengujian Perangkat Lunak Pengujian blackbox perangkat lunak “Sistem Klasifikasi Stadium Malaria Plasmodium falciparum pada Citra Mikroskopis Sel Darah Menggunakan Multi Layer Perceptron” dilakukan dua uji kasus yaitu pengujian hasil masking citra dan pengujian klasifikasi stadium dan uji akurasi. Sedangkan Pengujian whitebox dilakukan penulis ke ahli algoritma untuk pengujian implementasi algoritma. Berikut rekapitulasi hasil pengujiannya. a. Pengujian Hasil Masking Citra Berdasarkan hasil pengujian hasil masking citra, diperoleh informasi bahwa dari 15 citra uji yang terdiri dari 5 citra trofozoit, 5 citra skizon, dan 5 citra gametosit, penguji mengklasifikasi 15 citra hasil masking dengan benar. Untuk mengetahui persentase tingkat kesesuaian yaitu dengan menghitung jumlah klasifikasi yang sesuai dibagi dengan jumlah citra uji. Berdasarkan hasil perhitungan tingkat kesesuaian diatas, persentase tingkat kesesuaian hasil masking citra sebesar 100%. Ini menyatakan bahwa kualitas citra hasil masking termasuk tinggi dan kemampuan sistem dalam memproses citra juga baik. Dapat dikatakan bahwa metode pengolahan citra yang digunakan adalah benar. b. Pengujian Klasifikasi Stadium Malaria dan Uji Akurasi Citra yang digunakan sebagai citra uji sama dengan citra pada saat pengujian hasil masking citra yaitu 15 citra uji yang terdiri dari 5 trofozoit, 5 skizon, dan 5 gametosit. Citra uji tersebut sebelumnya citra yang sudah diklasifikasikan oleh dokter, sehingga stadium dari citra tersebut sudah diketahui. Hasil dari testing akan dibandingkan dengan klasifikasi dokter dan dihitung akurasi untuk mengetahui performansi dari sistem.
Sebelum melakukan pengujian klasifikasi stadium malaria Plasmodium falciparum, bobot yang akan digunakan adalah bobot terbaik yang diperoleh dari 10 kali training dengan arsitektur jaringan yang sama. Untuk hasil klasifikasi stadium malaria Plasmodium falciparum dapat dilihat pada confusion matrix Tabel 2. Tabel 2 Confusion Matrix Hasil pengujian klasifikasi stadium malaria Plasmodium falciparum Output t s g 5 0 0 t 0 4 1 s 0 1 4 g
target
program yang ada, dan menganalisis apakah terdapat kesalahan atau tidak.
t : Trofozoit s : Skizon g : Gametosit TPt = 5 FPt = 0 FNt = 0 TNt = 10 TPs = 4 FPs = 1 FNs = 1 TNs = 9 TPg = 4 FPg = 1 FNg = 1 TNg = 9 TP(i) + TN(i) Akurasi (i) = TP(i)+ TN(i)+ FP(i)+FN(i) x 100% 5+10
Akurasi (t) = 5+10+0+0 x 100% = 100 % 4+9
Akurasi (s) = 4+9+1+1 x 100% = 86,67 % 4+9
Akurasi (g) = 4+9+1+1 x 100% = 86,67 % Akurasi rata-rata : Akurasi =
273,33 3
= 91,11 %
Berdasarkan hasil akurasi 91,11% terdapat kesalahan klasifikasi yaitu 2 citra uji diantaranya citra skizon dengan id S0028 dan citra gametosit dengan id citra G008. Citra skizon dengan id S0028 salah diklasifikasi karena parasit dari citra tersebut tidak dimasking secara sempurna sehingga akan berpengaruh terhadap ekstraksi fitur seperti pada Gambar 9.
Gambar 9 Hasil Masking Citra Skizon Id S0028 Adapun tabel fitur citra skizon dengan id S0028.
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
Tabel 3 Rincian Fitur Citra Skizon id S0028. Fitur Rerata intensitas Rerata kontras Skewness Energy Entropi Smoothness Perimeter Luas Konveksitas Soliditas Rasio Kebulatan
5.45653 19.998 0.426779 0.863633 0.750319 0.006113 103.841 351.5 0.746884 0.763301 0.409638
Pada citra gametosit dengan id G0008 salah diklasifikasikan karena pada citra tersebut terdapat noise yang banyak sehingga mengalami kerusakan pada saat disegmentasi seperti yang terlihat pada Gambar 10.
(a)
(b) (c) Gambar 10 Hasil Proses Citra Uji Gametosit id G0008 (a) Citra ori (b) Citra hasil RGB to HSV (c) Citra segmentasi threshold Karena citra ori banyak terdapat noise, sehingga pada saat dimasking noise tersebut dianggap sebagai parasit dan berpengaruh pada saat ekstraksi fitur citra seperti yang ditunjukkan pada Gambar 11. Pada ekstraksi fitur bentuk, objek yang dihitung adalah noise yang terletak paling atas. Hal itu dikarenakan pencarian objek pada citra didasarkan pada algoritma kontur sehingga objek yang terbaca adalah objek paling atas.
Gambar 11 Hasil Masking Citra Gametosit Id G0008
Adapun tabel fitur citra gametosit dengan id G0008. Tabel 4 Rincian Fitur Citra Gametosit id G0008. Fitur Rerata intensitas 15.1634 Rerata kontras 31.1132 Skewness 0.772192 Energy 0.64111 Entropi 1.87743 Smoothness 0.014669 Perimeter 44.9706 Luas 96 Konveksitas 0.932494 Soliditas 0.827586 Rasio Kebulatan 0.596519
Berbeda dengan proses klasifikasi berdasarkan klasifikasi K-fold cross validation, akurasi yang dihasilkan lebih tinggi. K-fold cv merupakan salah satu teknik untuk menilai atau memvalidasi keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Dalam teknik ini dataset dibagi menjadi sejumlah k-buah partisi secara acak. Kemudian dilakukan sejumlah k-kali eksperimen, dimana masing-masing eksperimen menggunakan data partisi ke-k sebagai data testing dan memanfaatkan sisa partisi lainnya sebagai data training. Akurasi rata-rata yang diperoleh dari k-fold cross validation adalah 94.99%. 4. Evaluasi Hasil Pengujian Perangkat Lunak Secara global pelaksanaan pengujian perangkat lunak berlangsung dengan lancar, baik pada saat pengujian fungsionalitas, pengujian hasil masking citra uji, pengujian klasifikasi sistem, dan pengujian algoritma. Dari pengujian fungsionalitas sistem, fungsi-fungsi dan keluaran sistem sudah sesuai dari apa yang telah dirancang. Persentasi hasil dari pengujian hasil masking citra uji sebesar 100%. Hal ini menunjukkan bahwa metode pengolahan citra yang digunakan sudah benar dan mampu mengolah citra mikroskopis dengan baik sehingga pada saat pengujian semua hasil masking citra dapat diklasifikasi dengan benar oleh dokter. Pengujian sitem klasifikasi yang dilakukan oleh ahli parasitologi juga sudah berjalan dengan lancar, ahli parasitologi telah mencoba untuk menggunakan langsung perangkat lunak sistem klasifikasi. Persentase akurasi hasil klasifikasi stadium malaria Plasmodium falciparum adalah 91,11%, dan pengujian klasifikasi berdasarkan kfold cv menghasilkan rata-rata akurasi sebesar
ISSN 2252-9063 Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume , Nomor , Februari 2016
94.99%, dapat dikatakan sistem ini mampu mengklasifikasi dengan baik dan layak untuk digunakan sebagai support system bagi dokter parasitologi sehingga dapat meningkatkan akurasi doker dalam pengambilan keputusan. Pengujian algoritma yang telah dilakukan oleh ahli algoritma yaitu Bapak Made Windu Antara Kesiman, S.T., M.Sc sudah berhasil dengan baik, hal ini terbukti dari instrumen yang telah terisi tanda sesuai oleh penguji algoritma. V.
[2].
[3].
[5]. [6].
[7].
SIMPULAN
Berdasarkan hasil analisis, implementasi dan pengujian pada penelitian ini, maka dapat diambil kesimpulan sebagai berikut. 1. Sistem Klasifikasi Stadium Malaria Plasmodium falciparum diimplementasikan menggunakan bahasa pemrograman MATLAB r2015a dengan menggunakan Jaringan Multi Layer Perceptron (MLP). Proses klasifikasi MLP terdiri dari training dan testing yang sebelumnya dilakukan proses pengolahan citra mikroskopis yakni proses preprocessing (contrast stretching, median filtering 3x3, RGB to HSV), segmentasi (k-means, thresholding), morfologi (opening, closing), masking dan ekstraksi fitur (tekstur histogram dan bentuk). Teknik pembelajaran atau pelatihan (training) yang digunakan dalam klasifikasi jaringan MLP berdasarkan algoritma pembelajaran Backpropagation dengan arsitektur jaringan 11 neuron pada input layer, 7 neuron pada hidden layer, dan 3 neuron pada output layer. 2. Berdasarkan hasil uji performa sistem dalam mengklasifikasi stadium malaria Plasmodium falciparum, Persentasi akurasi yang didapatkan adalah 91,11%, dan klasifikasi berdasarkan k-fold cv menghasilkan rata-rata akurasi sebesar 94.99%. dapat dikatakan sistem ini layak sebagai support system bagi dokter.
[1].
[4].
REFERENSI Inge Sutanto et al. (2008). Parasitologi Kedokteran Edisi ke empat. Jakarta: Balai Penerbit FKUI. Srisasi Gandahusada. (2003). Parasitologi Kedokteran Edisi Ketiga. Jakarta: Balai Penerbit FKUI. Soedarto. (2011). Malaria. Jakarta: CV Sagung Seto.
[8].
[9].
[10].
[11]. [12].
[13].
[14].
.
Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: Andi. Siang, J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya. Yogyakarta: ANDI. Arash Mehrjou, M. S. (2013). Automatic Malaria Diagnosis System. RSI/ ISM International on Robotic and Mechatronic , 205. Iis Hamsir Ayub Wahab, A. S. (2011). Identifikasi Parasit Malaria dalam Darah menggunakan Metode Segmentasi Citra Digital dan Jaringan Syaraf Tiruan. Program Studi Teknik Elektro UGM . Mutofin, S. (2014). Klasifikasi Menggunakan Kombinasi Multilayer Perceptron dan Aligment Particle Swarm Optimization. Senastik , 4. Bahri, R. (2011). Perbandingan Algoritma Temaplate Matcing dan Feature Extraction pada Optical Character Recognition. Karnesia, F. (2011). Analisis dan Simulasi Content Based Image Retrieval Berdasarkan Ciri Tekstur Menggunakan Metode Wavelet. Kadir, A., & Susanto, A. (2012). Pengolahan Citra. Jogjakarta: -. Muliantara, A., & ER, N. A. (2014). Pengembangan Pengklasifikasi Jenis Tanaman Menggunakan Pendekatan Indriani, A. (2014). Klasifikasi Data Forum dengan menggunakan Metode Naive Bayes Classifier. SNATI , G5. Maysanjaya, I. M. (2012). Pengembangan Sistem Identifikasi Jenis Kelamin Janin Pada Citra USG. Singaraja: UNDIKSHA.