Menggunakan Gray Level Cooccurence

Matrix (GLCM) dan Jaringan Syaraf

Tiruan Back Propagasi

Disusun Oleh Rr. Intan Ari Budiastuti

NIM 2215206705
Memenuhi tugas Penelitian Bidang Riset
29 September 2015

Breast cancer penyebab kedua kematian wanita

[www.cancer.org]
Untuk deteksinya salah satunya menggunakan mammografi.
Ahli radio harus terlatih membaca mammogram ( hasil dari
mammografi ) yang mungkin samar dan mungkin tidak
menunjukkan fitur keganasannya.
Metode yang digunakan di penelitian ini GLCM yang
digunakan untuk mengekstrasi ciri dari citra dan JST Back
Propagasi untuk klasifikasinya.
Menggunakan metode supervised

Citra dapat dinyatakan sebagai fungsi kontinu dua dimensi, f(x,y), x

dan y menyatakan koordinat ruang atau letak pixel penyusunnya dan
nilai f pada suatu koordinat (x,y) menyatakan kecerahan dan informasi
warna citra. [1]
Citra digital representasi citra dalam bentuk diskrit, baik pada
koordinat ruang maupun nilai intensitas cahayanya
Citra digital direpresentasikan matrik dimensi M x N dengan M adalah
tinggi citra dan N lebar citra. Setiap cell matrik berisi 1 pixel yang
mempunyai nilai intensitas 0 255 ( pada 8 bit)
Sedangkan Pengolahan citra digital merupakan pengolahan citra digital
dengan bantuan komputer
Mammogram yang digunakan dalam deteksi ini merupakan citra hasil
mammografi

1. Mammogram yang digunakan untuk penelitian tersebut adalah

citra mammogram dari database MIAS (Mammograpic Image
Analysis Society) Disimpan dalam bentuk bitmap
2. Citra yang digunakan : 41 citra uji dan 62 citra latih
3. Penelitian dibatasi hanya pada keadaan normal dan tidak
normal , belum sampai deteksi level kanker

Pada pendeteksian ini dilakukan tahap tahapan proses diatas

Merupakan Proses yang dilakukan sebelum

pengolahan data digital
Dalam sistem ini, preprocessing dilakukan
untuk mendapatkan citra gray yang
diinginkan. Citra ini akan digunakan untuk
proses selanjutnya

Pada sistem ini dilakukan tahapan

prepocessing berikut :
Konversi Gray scale
Interpolasi
Amoeba mean filter

Segmentasi

Gambar mammogram merupakan gambar RGB, RGB

direpresentasikan menjadi 3 matrik R, G dan B. Untuk mengolah
gambar, gambar ini harus diubah menjadi gray scale dengan cara
mengambil nilai rata rata dari R, G dan B, algoritma:
(R + G + B ) / 3

Pada matlab, grayscale bisa dilakukan dengan menggunakan fungsi

rgb2gray algoritma yang digunakan :
0.2989 * R + 0.5870 * G + 0.1140 * B
1 pixel terdiri dari (R, G, B) = (120, 200, 240)
Jika gambar dijadikan gray scale , 1 pixel tersebut akan dikalkulasi
berdasarkan algoritma diatas

Setelah proses grayscale dilakukan Interpolasi untuk resample kemudian dilakukan proses
menghilangkan noise
Dalam penelitian ini menghilangkan noise menggunakan Amoeba mean filter (AMF) [3]
Proses menghilangkan noise ini diperlukan agar proses ekstrasi ciri lebih efektif , tidak
perlu menghitung noise yang ada.
Pada AMF filtering lebih adaptif dengan konten citra. Langkah awal mengaplikasi gaussian
blur kemudian menentukan threshold dan radius. Radius digunakan untuk menentukan
ukuran window. Kemudian membaca pixel untuk menentukan selisih pixel dengan nilai
rata pada windows. Jika kurang dari threshold maka akan dijadikan tetangga dan
digunakan untuk perhitungan MEAN FILTER

Classic Filter Kernel , melakukan filter

dengan size window yang sudah fix

Perbedaan Filtering
Amoeba filter kernel akan
beradaptasi dengan konten image

Tujuan Segmentasi untuk menentukan objek yang

akan diteliti. Akan dipisahkan objek dan latar
belakang image sehingga terbentuk ROI ( Region of
Interest )
Langkahnya
Tentukan Threshold
Jika pixel lebih besar atau sama dengan threshold
maka akan dijadikan pixel ketetanggaan sehingga
membentuk ROI
Jika lebih kecil akan diberi warna hitam dan tidak
akan dgunakan sebagai objek penelitian. Ciri yang
dicurigai mempunyai pixel dengan intensitas tinggi
atau lebih dari 0

Tekstur adalah sifat yang dimiliki dari permukaan benda.

Citra digital dapat dipandang memiliki variasi derajat keabuan

GLCM dapat
mammogram

digunakan

untuk

menganalisa

tekstur

dari

citra

Langkah Analisa pembentukan matrik GLCM:

1. Tentukan jumlah derajat keabuan yang berbeda dalam citra.

2. Untuk matriks dibawah ini jumlah derajat ada 8 yaitu

1,2,3,4,5,6,7,8 kemudian bentuk matriks 8 x 8 dengan 8 berarti
jumlah derajat keabuan image tersebut. Elemen dalam matriks
GLCM menyatakan jumlah kemunculan pixel. Untuk (1,1) muncul
sebanyak 1 kali, (1,2) muncul sebanyak 2 kali
3. Pada tahap pembetukan GLCM di penelitian ini , menggunakan 4
arah (0, 45, 90, 180) d=1 dan d=2. d merupakan jarak. Langkah
berikutnya menentukan arah yang digunakan

4. Setelah menentukan arahnya, selanjutnya membentuk matriks

kookurensi dengan cara menghitung frekuensi kemunculan pasangan
nilai keabuan piksel referensi dan piksel tetangga pada jarak dan
arah yang ditentukan.

Elemen dalam matriks GLCM menyatakan jumlah kemunculan pixel.

Berdasarkan contoh pada gambar di bawah ini, pada arah 0untuk
(1,1) muncul sebanyak 1 kali, nilai 1 diisikan pada matriks GLCM
sedangkan (1,2) muncul sebanyak 2 kali , nilai 2 diisikan pada
matrik glcm di posisi (1,2)

Setelah GLCM terbentuk selanjutnya Menghitung propablitas

setiap elemen GLCM dengan cara membagi setiap elemen dengan
total jumlah semua elemen dalam matrik GLCM.

Menghitung ciri statistik GLCM yang digunakann dalam penelitian

ini yaitu kontras, energi, entropi, korelasi dan homogenitas.

Menghitung rata rata ciri statistik pada semua arah yang

terbentuk

Berikut adalah fungsi yang digunakan untuk statistik penelitian ini

 Jaringan syaraf tiruan ( JST) teriinspirasi dari sebuah struktur jaringan

syaraf manusia.
JST merupakan sebuah model komputasi dari otak manusia yang
mampu melakukan perhitungan, pengenalan dan mengambil keputusan

JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk

memecahkan suatu masalah berdasarkan input eksternal ( input
sistem) dan internal ( bobot) yang mengalir di jaringan itu.
Memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola datanya
Jaringan Syaraf Tiruan backpropagation merupakan jaringan yang
sering digunakan untuk memecahkan persoalan.
JST-BP menggunakan algoritma belajar supervised learning
menggunakan citra latih untuk pembentukan pola jaringan dengan
tujuan klasifikasi kelas yang sudah ditentukan

X1 adalah layer input

Z1... Zm adalah hidden layer yang

berfungsi memproses inputan dengan
sebuah fungsi yang ditentukan

Z1 ..zm pada hidden layer yang kedua

yang akan memproses inputan hasil
dari fungsi hidden layer 1

Y0 dan Y1 merupakan layer output

Penentuan jumlah hidden layer dan

hidden neuron pada JST-BP dilakukan
melalui proses trial dan error

Makin banyak jumlah hidden layer

dan hidden neuron belum tentu
makin baik jaringan yang dibentuk
tapi bisa memperbesar waktu
komputasi

Ketika jaringan diberi inputan saat proses training, maka

pola tersebut menuju hidden layer untuk diteruskan ke
output layer. Kemudian output layer akan respon, jika
keluaran jaringan tidak sama dengan yang diharapkan
maka keluaran akan balik mundur pada hidden layer.
Algoritma pelatihan jaringan syaraf tiruan backpropagation
:
1. Definisi masalah, misalkan nilai masukan( P)
2. Inisialisasi, menetapkan nilai-nilai bobot (W1 dan W2)
Max eEpoh = 0 , dan learning rate (lr).
3. Pelatihan jaringan
Pelatihan maju
Tiap unit input menerima data dan meneruskan ke hidden
layer. Keluaran untuk hidden layer dihitung dengan fungsi :
1

A1
1 e

m Pi .W1i
i 1

1
A1 : keluaran pada hidden unit
A2
W : bobot
n Ai .W2i
j 1
1 e
P : nilai masukan
Kemudian hasilnya akan digunakan untuk mendapatkan
keluaran dari output layer yaitu :

Galat merupakan selisih antara nilai keluaran yang

diinginkan (T) dengan keluaran sesungguhnya (A2),
sebagai berikut :
E = T A2

Sum Square Error (SEE) yang dinyatakan oleh persamaan berikut :

SSE E 2

Perbaiki bobot jika E masih lebih besar

Wi(baru) = wi(lama) + txi

Proses training masih terus berlanjut sampai Error hasil

keluaran sesuai dengan yang diinginkan. Jika error masih
lebih besar perhitungan balik dilakukan ini namanya
metode back propagasi karena ada perhitungan balik ke
hidden layer jika error masih besar. Saat terjadi peehitungan
balik ada perbaikan pada bobot di hidden layer

Selama epoch atau jumlah training belum terpenuhi atau SSE

yang diinginkan belum dicapai maka trainig terus dilakukan

Hasil akhir pelatihan jaringan adalah didapatkan bobot yang

kemudian nilai tersebut disimpan untuk pengujian jaringan

Training JST menghasilkan bobot jaringan, yang digunakan untuk

jaringan sistem pengujian
Hasil training membentuk parameter :

2 layer tersembunyi dan jumlah node sebanyak 19 node pada

hidden layer, learning rate=0,001
Citra uji diujikan ke sistem dengan menggunakan jaringan yang
telah terbentuk menggunakan bobot hasil pelatihan dan
parameter
Pada tahap pengujian, hanya melakukan fase maju dimana akan
dilakukan perhitungan semua keluaran di hidden layer dan di
layer keluaran.

Di penelitian ini disimpulkan metode ekstrasi ciri GLCM 4 arah

dengan d=1 mampu mengklasifikasikan citra mammogram

[1]
[2]
[3]
[4]
[5]

Rafael C.Gonzales and Ricard E. Woods, Digital Image

Processing. Addition Wesley.
Refta Listia*1, Agus Harjoko2,Klasifikasi Massa pada Citra
Mammogram Berdasarkan Gray Level Cooccurence Matrix
(GLCM), 2014
Lerallut, R., et al. 2005. Image Filtering Using Morphological
Amoebas. Centre de Morphologie Mathmatique, cole des
Mines de Paris.
Handayani Irma, 2003. pengenalan iris mata menggunakan filter
wavelet dan jaringan syaraf tiruan
Maharani, Warih, Klasifikasi data menggunakan JST
Backpropagation momentum dengan adaptive learning rate