APLIKASI MODEL JARINGAN SYARAF TIRUAN DENGAN

RADIAL BASIS FUNCTION UNTUK MENDETEKSI

KELAINAN OTAK (STROKE INFARK)
Yohanes Tanjung Sarwono1)
1)

S1/Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya,
email: ytanjung86@yahoo.com

Abstract: stroke disease is one of the deadly diseases caused by blockage of blood vessel. Neural Network as
one of Artificial Intelligence areas which simulate like human neuron brain and convert it into mathematics
calculation. Preprocessing used to convert brain images into numerical. This numerical will be input to clustering
process and training it with Neural Network that use Radial Basis Method. Result of this training method will be
used to analyze and predict brain image whether to be normal or stroke.
Keywords: Digital Image Processing, Artificial Intelligence, Neural Network, K-Means Cluster, Stroke Disease

Di negara-negara industri penyakit

stroke menduduki peringkat ketiga penyebab

alkohol, kurang olahraga, kontrasepsi oral,

narkoba, obesitas.

kematian setelah penyakit jantung dan kanker. Di

Stroke dapat dibedakan menjadi 2

Indonesia, diperkirakan setiap tahun terjadi

golongan besar yaitu stroke iskemik (Infark) dan

500.000 penduduk terkena serangan stroke, dan

stroke perdarahan (Hemoragik). Pada stroke

sekitar 25% atau 125.000 orang meninggal dan

iskemik (Infark) terjadi proses Arteriosklerosis

sisanya mengalami cacat ringan atau berat. Di

atau

Indonesia stroke menempati urutan pertama

pembuluh darah otak tersumbat. Sumbatan ini

sebagai penyebab kematian di rumah sakit.

terjadi akibat lepasnya bekuan yang berasal dari

Stroke adalah serangan mendadak pada

darah

terlalu

kental

yang

membuat

lokasi lain. Sedangkan stroke hemoragik adalah

otak akibat pembuluh otak tersumbat atau pecah.

pecahnya

Biasanya kondisi ini akan diikuti dengan gejala-

pembuluh rapuh atau anomali-anomali bawaan

gejala seperti nyeri kepala hebat, penurunan

pada usia muda.

kesadaran dan kejang mendadak. Juga terjadi

gangguan

daya

ingat,

keseimbangan

pembuluh

darah

akibat

dinding

Pendeteksian dan diagnosa kelainan

dan

pada otak dilakukan oleh para radiolog dan

gangguan orientasi tempat, waktu dan orang.

dokter ahli. Peralatan radiologi yang berfungsi

Penyebab stroke dikelompokkan menjadi 2

untuk mendeteksi penyekit otak salah satunya

faktor, yaitu faktor medis dan perilaku. Faktor

adalah Magnetik Resonance Imaging (MRI).

resiko medis, antara lain hipertensi (penyakit

Menurut Notosiswoyo (2004) MRI menggunakan

tekanan darah tinggi), kolesterol, Arteriosklerosis

prinsip elektromagnetik yang akan menghasilkan

(pengerasan pembuluh darah), gangguan jantung,

image tubuh kita. MRI berkaitan dengan radio

diabetes, riwayat stroke dalam keluarga, dan

frekuensi

migrain. Faktor yang kedua adalah faktor resiko

menghasilkan suatu citra (image) tanpa memakai

perilaku, antara lain merokok (aktif & pasif),

radiasi ionisasi.

makanan tidak sehat (junk food, fast food),

dan

medan

magnet

yang

dapat

Pemeriksaan gambar kelainan otak hasil

MRI ini memerlukan ketelitian dan ketepatan.

Lagi pula otak organ tubuh yang letaknya

mana distribusi nilai derajat keabuan pada

tersembunyi sehingga sulit dideteksi dengan mata

suatu citra dibuat rata dan ditujukan untuk

telanjang. Pendeteksian penyakit infark dari

memperjelas gambar dengan persamaan:

gambar MRI dapat menggunakan Jaringan Syaraf

c th
w w
n n
x y

Radial Basis Function (RBF).

Pada

prinsipnya

banyak

metode

jaringan syaraf yang telah dikembangkan, seperti

dimana:

Backpropagation, Self Organizing Maps (SOM),

w:

dan lain sebagainya. Alasan penggunaan jaringan

equalization,

syaraf tiruan dengan metode RBF karena

Cw : histogram kumulatif dari w,

keunggulan dalam hal kecepatan iterasi jika

th: adalah threshold derajat keabuan (256)

dibandingkan dengan metode jaringan syaraf

nx dan ny adalah ukuran gambar

d.

tiruan lainnya.

nilai

keabuan

Proses

hasil

filter

histogram

background,

merupakan proses untuk menghilangkan

METODE PENELITIAN

atau membuang latar belakang citra yang

Digital Image Processing

tidak

diperlukan.

Karena

citra

yang

Melakukan pengolahan citra digital pada

diharapkan adalah citra bagian otak saja,

data gambar otak normal dan stroke infark untuk

maka sangat penting melakukan proses filter

mengubah file data gambar hingga menjadi

background.

menjadi bentuk matriks normalisasi yang berupa

angka.

Berikut

langkah-langkah

e.

dalam

Proses

Segmentasi,

membagi

obyek menjadi segmen-segmen yang lebih

melakukan pengolahan citra :

kecil sehingga diharapkan untuk pengolahan

a.

Proses pembacaan file gambar

datanya dapat menjadi lebih cepat. Hasil

untuk otak normal dan stroke infark yang

segmen ini akan diperoleh gambar yang

berukuran 185 x 185 piksel. File gambar

berukuran 37 x 37 piksel.

berformat .BMP atau .JPG.

b.

f.

Proses greyscale, mengubah citra

pada nilai intensitas tiap segmen dari citra

warna (Red, Green, Blue) menjadi citra

agar bernilai 0 atau 1 dengan cara rata

greyscale dengan mengambil rata-rata RGB

segmen dibagi dengan tingkat grayscale

dengan persamaan:

yang paling tinggi.

Gray = R + G + B

g.

c.

Proses Normalisasi, yaitu proses

Simpan hasil data normalisasi,

sebagai data input di proses selanjutnya.

R : Tingkat intensivitas warna merah

Data disimpan ke dalam bentuk file text

G : Tingkat intensivitas warna hijau

(.txt) dan tidak menggunakan database agar

B : Tingkat intensivitas warna biru

lebih cepat pada saat upload data pada

Proses

histogram

equalisasi,

inputan pelatihan jaringan syaraf.

merupakan proses perataan histogram, di

hingga ditemukan jarak yang paling dekat dari

setiap data dengan centroid. Berikut adalah
persamaan Eucledian Distance:

d ( xi , j ) ( xi j ) 2
Step 4 :

Mengklasifikasikan

setiap

data

berdasarkan kedekatannya dengan centroid (jarak

terkecil).
Step 5 : Mengupdate

nilai

centroid.

Nilai

centroid baru diperoleh dari rata-rata cluster yang

bersangkutan dengan menggunakan rumus:

j (t 1)

1
N Sj

x
jSj

dimana:
j (t+1) = centroid baru pada iterasi ke (t+1),
NSj = banyak data pada cluster Sj
Step 6 : Melakukan perulangan dari langkah 2
hingga 5 hingga anggota tiap cluster tidak ada
yang berubah.
Step 7 : Jika langkah 6 telah terpenuhi, maka
nilai rata-rata pusat cluster ( j) pada iterasi
Gambar 1. Flowchart Pengolahan Citra Digital
K-Means Clustering
Algoritma K-Means diperkenalkan oleh
J.B. MacQueen pada tahun 1976. Metode ini

terakhir akan digunakan sebagai parameter untuk

Radial Basis Function yang ada di hidden layer.
Pada gambar 2 ditunjukkan diagram alir langkahlangkah

dalam

proses

clustering

dengan

menggunakan metode K-Means.

mempartisi data ke dalam cluster (kelompok)

sehingga data yang memiliki karakteristik yang
sama dikelompokkan ke dalam cluster yang sama
dan data yang mempunyai karakteristik berbeda
dikelompokkan ke dalam kelompok yang lain.
Berikut adalah langkah-langkah dari algoritma
K-Means:
Step 1 : Menentukan banyak K-cluster yang
ingin dibentuk.
Step 2 : Membangkitkan nilai random untuk
pusat cluster awal (centroid) sebanyak k.
Step 3 : Menghitung jarak setiap data input
terhadap masing-masing centroid menggunakan
rumus jarak Eucledian (Eucledian Distance)

Jika ada input yang masuk, sel akan aktif dan

akan mentransmisikan sinyal ke sel lain melalui
akson dan sypnatic gap. Untuk lebih jelasnya
susunan neuron biologis ini dapat dilihat pada
Gambar 3 berikut :

Gambar 3. Susunan Neuron Biologis

Pada jaringan syaraf tiruan, juga terdapat
istilah neuron atau lebih sering disebut unit, sel,
atau node. Setiap neuron terhubung dengan
neuron-neuron lain melalui layer dengan bobot
tertentu. Bobot di sini melambangkan informasi
yang

digunakan

oleh

jaringan

untuk

menyelesaikan persoalan. Pada jaringan syaraf

biologis, bobot tersebut dapat dianalogikan
dengan aksi pada proses kimia yang terjadi pada
synaptic

gap.

Sedangkan,

setiap

neuron

mempunyai internal state yang disebut aktivasi.

Aktivasi tersebut merupakan fungsi dari input
Gambar 2. Flowchart K-Means Clustering

yang diterima. Suatu neuron akan mengirim

sinyal ke neuron-neuron lain, tetapi pada suatu
saat,

Neural Network
Jaringan syaraf manusia terdiri atas selsel yang disebut neuron. Ada tiga komponen

hanya

dikeluarkan

ada

satu

walaupun

sinyal

yang

sinyal

dapat
tersebut

ditransmisikan pada beberapa neuron lain.

utama neuron yang fungsinya dapat dianalogikan

Pada jaringan syaraf, neuron-neuron

dengan yang terjadi pada jaringan syaraf tiruan,

tersusun dalam layer. Neuron yang terletak dalam

yaitu dendrit, soma, dan akson. Dendrit akan

layer yang sama, biasanya mempunyai hubungan

menerima sinyal-sinyal dari neuron lain. Sinyal

yang sama antara satu dengan lainnya.

tersebut

merupakan

impuls

listrik

yang

Pengaturan neuron dalam layer dan

ditransmisikan melalui sypnatic gap melalui

hubungan-hubungannya

disebut

arsitektur

proses kimia. Sedangkan, soma atau badan sel

jaringan. Jaringan syaraf dapat diklasifikasikan

akan menjumlah sinyal-sinyal input yang masuk.

menjadi dua jenis, yaitu single layer dan

multilayer. Untuk lebih jelasnya, susunan single

layer dan multilayer terdapat pada Gambar 4 dan
Gambar 5.
Dalam jaringan single layer, neuronneuron

dapat

dikelompokkan

menjadi

dua

bagian, yaitu unit-unit input dan unit-unit output.

Unit-unit input menerima masukan dari luar
sedangkan unit-unit output akan mengeluarkan
respon dari jaringan sesuai dengan masukannya.
Sedangkan, dalam jaringan multilayer,
selain ada unit-unit input dan output, juga

Gambar 5. Jaringan Syaraf Multilayer

terdapat unit-unit yang tersembunyi (hidden).

Jumlah unit hidden tersebut tergantung pada

Radial Basis Function Algorithm

kebutuhan. Semakin kompleks jaringan, unit

Topologi jaringan RBFN (Radial Basis

hidden yang dibutuhkan makin banyak, demikian

Function Network) terdiri dari layer input unit,

pula jumlah layernya. Pada Gambar 5 terdapat

layer hidden unit dan layer output unit. Topologi

tiga buah layer dengan bobot v dan w . Jaringan

RBFN digambarkan sebagai berikut:

multilayer sering dipakai untuk persoalan yang

lebih rumit karena pelatihan untuk hal yang
kompleks akan lebih berhasil jika menggunakan
jaringan multilayer.

Gambar 6. Topologi Radial Basis Function

Network
Berikut

langkah-langkah

proses

pelatihan

jaringan dengan metode RBF:

Step 1 : Inisialisasi centre data input matriks
normalisasi dan dan centre hasil perhitungan KMeans Clustering.
Gambar 4. Jaringan Syaraf Single Layer

Step 2 : Melakukan inisialisasi nilai spread yang

akan

digunakan

pada

perhitungan

matriks

Gaussian.

Step 3 : Menentukan sinyal input ke hidden

layer dan menghitung nilai fungsi aktivasinya
pada tiap hidden layer menggunakan rumus
berikut:

= 1,2,3,... Sesuai dengan jumlah training

pattern

= 1,2,3 sesuai dengan jumlah hidden unit

vektor input

vektor data sebagai center

Step 4 : Menghitung bobot baru (W) dengan

mengalikan pseudoinverse dari matriks G dengan
vector target (d) dari data training dengan
menggunakan rumus pada persamaan berikut:

Gambar 7. Flowchart Proses Training Jaringan

Step 5 : Menghitung nilai output jaringan Y(n)

Syaraf Tiruan dengan Metode Radial Basis

menggunakan rumus pada persamaan berikut:

Function
Testing Algorthm
Uji coba atau testing pada aplikasi

Step 6 : Simpan nilai hasil training. Hasil

digunakan untuk melakukan validasi apakah telah

training yang disimpan adalah data center 1,

memberikan

center 2, nilai output dan nilai spread yang

diharapkan.

digunakan dalam proses training jaringan syaraf.

melakukan uji coba:

Data hasil training tersebut disimpan ke dalam

Step 1 : Inisialisasi center hasil perhitungan

file teks (.txt). Berikut diagram alir proses

algoritma K-Means, dengan memanggil centroid

training

1 dan centroid 2 iterasi terakhir.

Step 2 : Inisialisasi range output target hasil

jaringan

menggunakan
Function).

syaraf

metode

RBF

tiruan
(Radial

dengan
Basis

output
Berikut

sesuai

dengan

yang

langkah-langkah

dalam

perhitungan RBF (spread value, W1, W2 dan

bias).
Step 3 : Upload data gambar untuk di uji coba
atau validasi.

Step 4 : Proses greyscale, mengubah citra warna

(Red, Green, Blue) menjadi citra greyscale
dengan mengambil rata-rata RGB.
Step 5 : Proses histogram equalisasi, merupakan
proses perataan histogram, di mana distribusi
nilai derajat keabuan pada suatu citra dibuat rata
dan ditujukan untuk memperjelas gambar.
Step 6 : Proses Segmentasi, yaitu membagi
obyek menjadi segmen-segmen yang lebih kecil
sehingga diharapkan untuk pengolahan datanya
dapat menjadi lebih cepat. Dari hasil segmen ini
akan diperoleh gambar yang berukuran 37 x 37
piksel.
Step 7 : Proses Normalisasi, yaitu proses pada
nilai intensitas tiap segmen dari citra agar
bernilai 0 atau 1 dengan cara rata segmen dibagi
dengan tingkat greyscale yang paling tinggi.
Step 8 : Menghitung nilai output jaringan Y(x).
Step 9 : Melakukan pengecekan terhadap nilai
Y(x) apakah lebih kecil dari batas atas Y normal.
Step 10 : Cetak hasil analisa gambar, termasuk
otak normal (jika Y(x) lebih kecil dari batas atas
Y normal) dan otak infark (Jika Y(x) lebih besar
dari batas atas Y normal).

Gambar 8. Flowchart Uji Coba Aplikasi

HASIL DAN PEMBAHASAN
Digital Image Processing
Form image processing atau pengolahan
citra digunakan untuk mengolah data gambar
menjadi data akhir yang lebih sederhana yaitu
data matriks normalisasi yang terdiri dari angkaangka.

Radial Basis Function Training

Form RBF training digunakan untuk
melakukan pelatihan jaringan syaraf tiruan dari
inputan hasil normalisasi. Data normalisasi akan
dicluster terlebih dahulu dengan K-Means untuk
menghasilkan nilai centre 1 dan centre 2 yang
akan digunakan pada pelatihan jaringan syaraf.

Gambar 9. Tab Step 1 (Data Gambar Input dan

Greyscale)

Gambar 12. Tab Data (Input Matriks Normalisasi

dan Generate Centroid Awal)
Gambar 10. Tab Step 2 (Pengolahan Citra dari
Histogram hingga Equalization)

Gambar 13. Tab Cluster (Clustering dengan KMeans ke cluster 1 dan cluster 2)
Gambar 11. Tab Step 3 (Proses Segmentasi,
Matriks dan Vektor Normalisasi)

output Y(x) untuk gambar yang diuji coba. Y(x)

akan dibandingkan dengan batas bawah (minimal
value) dan batas atas (mximum value) untuk
memeperoleh

analisa

apakah

data

gambar

termasuk gambar otak normal atau otak stroke

infark. Kesimpulan hasil analisa akan muncul
pada groupbox Analisa JST-RBF.

Gambar 14. Tab RBF Step 1 (Proses Training

Radial Basis Function)

Gambar 16. Form Validasi (Proses Pengolahan

Citra dan Analisa)
SIMPULAN
Berdasarkan hasil evaluasi yang telah
Gambar 15. Tab RBF Step 2 (Proses Training
RBF hingga Matriks W)

dilakukan dalam pembuatan Aplikasi Model

Jaringan Syaraf Tiruan dengan Radial Basis
Function dapat disimpulkan bahwa Tugas Akhir
telah sesuai dengan tujuan. Berikut adalah

Validasi
Form validasi merupakan form uji coba

beberapa poin kesimpulan dari pengerjaan Tugas

data gambar. Inputan pada form ini adalah data

Akhir ini:

gambar otak yang akan diuji untuk dianalisa

1. Sistem telah berhasil menangani pengolahan

apakah termasuk otak normal atau otak infark.

citra dari proses input gambar hingga

Data gambar diolah terlebih dahulu yaitu melalui

normalisasi

proses

persamaan.

greyscale,

tresholding,

histogram

dengan

memakai

beberapa

equalization, dan segmentation. Output gambar

2. Sistem telah mengimplementasikan proses

dari segmentasi akan diolah menjadi matriks

pelatihan jaringan syaraf tiruan yang dimulai

normalisasi 37 x 37 kemudian menjadi vektor

dengan clustering dan kemudian dilatih

normalisasi

dengan metode RBF.

1369.

Kemudian

vektor

normalisasi akan dihitung menggunakan centroid

3. Sistem dapat melakukan validasi dengan

1 dan 2 hasil clustering, nilai spread, matriks W

memberi input data gambar, kemudian sistem

dan bias, sehingga akan menghasilkan nilai

akan memberikan estimasi hasil analisa.

4. Sistem RBF memiliki keunggulan dalam hal

kecepatan pelatihan karena tidak ada target
iterasi pada proses pelatihan (hanya 1 kali
jalan).

5. Data input memiliki peran penting, oleh

karena itu dibutuhkan data gambar tanpa
konversi signifikan dan dalam jumlah banyak
(misal >50 gambar).
DAFTAR RUJUKAN
Basuki,

Achmad.,
Jozua
Palandi,
Fatchurrochman. 2005. Pengolahan
Citra Menggunakan Visual Basic. Graha
Ilmu: Yogyakarta.
Hermawan, Arief. 2006. Jaringan Syaraf Tiruan,
Teori dan Aplikasi. Penerbit Andi:
Yogyakarta.
Joesoef, A.A. 2004. Aspek Biomolekuler dari
Iskemia Otak Akut. RSUD Dr. Soetomo,
Malang.
Kendall, K.E., Kendall, J.E. 2003. Analisis dan
Perancangan Sistem (Edisi Bahasa
Indonesia). PT. Prenhallindo: Jakarta.

Kuswara, Setiawan. 2003. Paradigma Sistem

Cerdas,
Artificial
Intelligence.
Bayumedia: Malang.
Mackay, David J.C. 2004. Information Theory,
Inference, and Learning Algorithms.
Cambridge Universisty Press.
Notosiswoyo, Mulyono dan Suswati, Susy. 2004.
Pemanfaatan
Magnetic
Resonance
Imaging sebagai Sarana Diagnosa
Pasien. Media Litbang Kesehatan
Volume XIV Nomer 3.
Russell, Stuart, Peter Norvig. 2003. Artificial
Intelligence A Modern Approach (second
edition). Person Education, Inc: New
Jersey.
World
Health
Organization.
2010.
Cardiovaskuler Disease : prevention and
control,(Online),
(http://www.who.int/dietphysicalactivity/
publications/facts/cvd/en , diakses 1
November 2010).
Yayasasan Stroke Indonesia. 2009. Stroke Urutan
Ketiga Penyakit Mematikan. (Online),
(http://www.yastroki.or.id/read.php?
id=300, diakses 1 November 2010)
Yayasasan Stroke Indonesia. 2009. 2 Macam
Jenis Stroke dan Teknik Deteksi.
(Online), (www.yastroki.or.id/read.php?
id=205, diakses 1 November 2010).

10