Anda di halaman 1dari 73

IDENTIFIKASI PENYAKIT HEPATOCELLULAR CARCINOMA (HCC) PADA

CITRA CT-SCAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

SKRIPSI

NURCHALISSA SARAGIH
121402110

PROGRAM STUDI TEKNOLOGI INFORMASI


FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2018

Universitas Sumatera Utara


IDENTIFIKASI PENYAKIT HEPATOCELLULAR CARCINOMA (HCC) PADA
CITRA CT-SCAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah


Sarjana Teknologi Informasi

NURCHALISSA SARAGIH
121402110

PROGRAM STUDI TEKNOLOGI INFORMASI


FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2018

Universitas Sumatera Utara


iii

Universitas Sumatera Utara


iv

PERNYATAAN

IDENTIFIKASI PENYAKIT HEPATOCELLULAR CARCINOMA (HCC) PADA


CITRA CT-SCAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, Februari 2018

Nurchalissa Saragih
121402110

Universitas Sumatera Utara


v

UCAPAN TERIMA KASIH

Puji dan syukur kehadirat Allah SWT atas rahmat dan izin-Nya penulis bisa
menyelasaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Komputer
pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi
Informasi Universitas Sumatera Utara. Selama penyelesaian tugas akhir ini banyak
dukungan serta doa dari berbagai pihak shingga penulis ingin menyampaikan ucapan
terima kasih.
Pertama untuk kedua orang tua penulis, Ayahanda Yafizham Saragih dan
Ibunda Riawati Nahar yang telah memberikan dukungan moril maupun materil, doa,
kasih sayang, serta semangat sehingga penulisan dapat memberikan yang terbaik
untuk menyelesaikan skripsi ini. Serta kedua abang penulis, Faisal Rachman Saragih
dan M. Fauzi Saragih, dan kedua kakak ipar penulis, Miranti dan Wulan Purnama Sari
yang juga memberikan doa, semangat dan dukungan kepada penulis sampai penulis
bisa menyelesaikan skripsi ini. Dan seluruh keluarga yang namanya tidak dapat
disebutkan satu persatu.
Teruntuk Ibu Amalia, S. T., M. T selaku dosen Pembimbing I dan Bapak Dedy
Arisandi, S. T., M. Kom selaku dosen Pembimbing II yang telah meluangkan waktu
untuk membimbing penulis dalam menyelesaikan skripsi. Serta memberikan motivasi
dan masukan dengan sabar menghadapi penulis agar skripsi ini dapat selesai dengan
baik. Penulis juga mengucapkan terima kasih kepada Bapak Romi Fadillah Ramhat,
B. Comp. Sc., M. Sc selaku dosen Pembanding I dan Ibu Ulfi Andayani, S. Kom., M.
Kom selaku dosen Pembanding II yang telah memberikan kritik dan saran dalam
penyempurnaan skripsi ini. Untuk Ketua dan Sekretaris Program Studi Teknologi
Informasi, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi
Informasi, serta seluruh dosen dan pegawai di lingkungan program studi Teknologi
Informasi yang telah membantu dan membimbing penulis selama proses perkuliahan.
Penulis juga berterima kasih kepada yang selalu memberikan dukungan,
semangat, motivasi serta selalu mendengar keluh kesah penulis selama proses
mengerjakan skripsi, Reza Ramadhan Syachputra. Sahabat-sahabat rangers
Nurrahmadayeni, Siti Fatimah, Endang Windarsih, Siti Hazizah Harahap, Ranti
Ramadhiana, Rona I Dona Vynaima Simbolon, dan Annisa Faradina yang selalu

Universitas Sumatera Utara


vi

memberikan nasehat, dukungan, dan ocehan selama menyelesaikan skripsi. Adik kos,
Lely yang selalu memberikan dukungan, yang menemani mengerjakan skripsi sampai
tengah malam, yang juga sama-sama mengerjakan skripsinya dengan mood yang
susah buat dicari. Sahabat-sahabat akhir zaman, dari zaman SMP bahkan SD sampai
sekarang yang gak lelah nanyain skripsi, dengan ocehan-ocehannya, semangatnya, dan
nasehatnya, yang namanya gak bisa disebutin satu persatu karena kebanyakan, tapi
bakal diingat terus sampai kapanpun.
Dan untuk yang teman-teman Teknologi Informasi 2012 yang berjuang sama-
sama untuk menyelesaikan skripsi, saling mendukung untuk dapat menyelesaikan
skripsi secepat dan sebaik mungkin. Semua pihak yang terlibat secara langsung
maupun tidak langsung yang telah membantu untuk menyelesaikan skripsi ini yang
namanya tidak dapat disebutkan satu persatu.

Universitas Sumatera Utara


vii

ABSTRAK

Hepatocellular Carcinoma (HCC) merupakan penyakit kanker yang berkembang dari


pertumbuhan sel secara tidak normal dan terjadi perubahan sel menjadi ganas pada
bagian hati yang dapat menyebabkan kematian. HCC terbentuk dari berbagai jenis
penyakit yang mendasari seperti Hepatitis B Virus (HBV), Hepatitis C Virus (HCV),
sirosis, dan faktor lain. Pemeriksaan yang dilakukan untuk mengetahui adanya HCC
adalah dengan mengukur tingkat Alpha-Fetoprotein dalam darah, diagnosis radiografi
seperti pemeriksaan CT-Scan, MRI dan USG, serta melakukan biopsi liver. HCC
seringkali tidak teridentifikasi karena gejala HCC tertutup oleh penyakit yang
mendasarinya. Sehingga dibutuhkan suatu metode untuk mempermudah
mengidentifikasi penyakit HCC melalui citra hasil CT-Scan. Metode yang digunakan
dalam penelitian ini adalah Probabilistic Neural Network untuk mengidentifikasi
penyakit hepatocellular carcinoma. Tahapan-tahapan yang dilakukan untuk
mengidentifikasi penyakit HCC yaitu proses preprocessing menggunakan gaussian
filtering untuk memperbaiki kualitas citra dengan mengurangi derau pada citra,
segmentasi menggunakan thresholding, morphology operators dan find contour yang
bertujuan untuk mendapatkan segmentasi citra pada bagian hati, dan untuk feature
axtraction menggunakan gray level co-occurance matrix untuk menganalisis tekstur
citra sebagai input untuk proses identifikasi. Hasil pengujian yang didapat
menunjukkan bahwa metode yang diajukan mampu melakukan identifikasi penyakit
hepatocellular carcinoma dengan akurasi yang diperoleh sebesar 93,75%.

Kata kunci : hepatocellular carcinoma, kanker hati, gaussian filtering, gray level co-
occurance matrix, probabilistic neural network

Universitas Sumatera Utara


viii

IDENTIFICATION OF HEPATOCELLULAR CARCINOMA (HCC) IN CT


IMAGES USING PROBABILISTIC NEURAL NETWORK

ABSTRACT

Hepatocellular Carcinoma (HCC) is a cancer that caused by the abnormal cells


development and cells change become malignant occurs in liver that can caused death.
HCC is formed by various underlying disease such as Hepatitis B Virus (HBV),
Hepatitis C Virus (HCV), chirrosis, and other factor. The diagnosing of HCC is done
by assesing Alpha-Fetoprotein levels in blood, radiographic diagnosis such as CT-
Scan, MRI and USG, and also doing liver biopsy. HCC often hard to identified
because the symptoms of HCC are disguised by the underlying disease. Therefore, a
new method is needed to facilitate the identifying of HCC by CT image. The method
used in this study was Probabilictic Neural Network to identify HCC. The steps taken
to identify HCC are preprocessing using gaussian filtering to fix the quality of image
by decreasing image noise, segmentation using thresholding, morphological operators
and find contour aiming to segmenting image of the liver, and feature extraction using
gray level co-occurance matrix to analys the texture of image as input to identifying
process. The result of this testing showed that the proposed method was able to
identify hepatocellular carcinoma with 93,75% accuracy.

Keywords : hepatocellular carcinoma, liver cancer, gaussian filtering, gray level co-
occurance matrix, probabilistic neural network

Universitas Sumatera Utara


ix

DAFTAR ISI

Halaman

PERSETUJUAN iii
PERNYATAAN iv
UCAPAN TERIMA KASIH v
ABSTRAK vii
ABSTRACT viii
DAFTAR ISI ix
DAFTAR TABEL xii
DAFTAR GAMBAR xiii

BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5

BAB 2 LANDASAN TEORI


2.1 Hepatocellular Carcinoma (HCC) 7
2.1.1. Penyebab Hepatocellular Carcinoma (HCC) 7
2.1.2. Diagnosis Hepatocellular Carcinoma (HCC) 8
2.1.3. Pengobatan Hepatocellular Carcinoma (HCC) 9
2.2 Pengolahan Citra Digital 10
2.2.1. Gaussian Filtering 11
2.2.2. Thresholding 12
2.2.3. Morphological Operator 13

Universitas Sumatera Utara


x

2.3 Ektraksi Ciri Citra 14


2.3.1 Contrast 17
2.3.2 Correlation 18
2.3.3 Angular Second Moment (ASM) 18
2.3.4 Inverse Different Moment (IDM) 18
2.3.5 Entropy 19
2.4 Probabilistic Neural Network (PNN) 19
2.5 PenelitianTerdahulu 22

BAB 3 ANALISIS DAN PERANCANGAN SISTEM


3.1 Arsitektur Umum 25
3.2 Dataset 27
3.3 Pre-Processing 28
3.4 Segmentation 29
3.4.1 Find Contour 30
3.4.2 Morphological Operators 33
3.4.2.1 Dilation 30
3.4.2.2 Erotion 30
3.4.3 Thresholding 31
3.5 Ekstraksi Fitur 32
3.6 Identifikasi 34
3.7 Perancangan Sistem 36
3.7.1 Diagram Aktifitas 36
3.7.2 Perancangan Menu Sistem 38
3.7.3 Prancangan Antarmuka 38
3.7.2.1 Perancangan Halaman Splash 38
3.7.2.2 Perancangan Halaman Utama 39
3.7.2.3 Perancangan Halaman Training 40

BAB 4 IMPLEMENTASI DAN PENGUJIAN


4.1 Implementasi Sistem 43
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak 43
4.1.2 Implementasi Perancangan Antarmuka 43

Universitas Sumatera Utara


xi

4.2 Prosedur Operasional 46


4.3 Pengujian Sistem 51

BAB 5 KESIMPULAN DAN SARAN


5.1 Kesimpulan 56
5.2 Saran 56

DAFTAR PUSTAKA 58

Universitas Sumatera Utara


xii

DAFTAR TABEL

Halaman

Tabel 2.1 Perbandingan citra asli dan citra yang telah diproses untuk
mengidentifikasi HCC 10
Tabel 2.2 Matrik kernel gauss 3 x 3 dengan 11
Tabel 2.3 Penelitian Terdahulu 24
Tabel 3.1 Pembagian data citra yang digunakan 27
Tabel 3.2 Data training 27
Tabel 3.3 Data testing 28
Tabel 3.4 Contoh nilai ekstraksi fitur GLCM dari sebuah citra 35
Tabel 4.1 Hasil pengujian sistem untuk data normal 52
Tabel 4.2 Hasil pengujian sistem untuk data HCC 52

Universitas Sumatera Utara


xiii

DAFTAR GAMBAR

Halaman

Gambar 2.1 Penyebab kasus Hepatocellular Carcinoma (HCC) 8


Gambar 2.2 Perbandingan (a) Liver normal dan (b) Liver yang teridentifikasi
penyakit HCC 9
Gambar 2.3 Ilustrasi dari morfologi dilasi 13
Gambar 2.4 Arah kookurensi GLCM 15
Gambar 2.5 Matriks framework 16
Gambar 2.6 (a) Citra grayscale; (b) Matriks kookurensi 16
Gambar 2.7 (a) Matriks kookurensi; (b) Matriks transpose; (c) Matiks simetris 17
Gambar 2.8 Normalisasi matriks dalam bentuk probabilitas 17
Gambar 2.9 Arsitektur Probabilistic Neural Network 20
Gambar 3.1 Arsitektur umum 26
Gambar 3.2 Citra asli 28
Gambar 3.3 Citra hasil gaussian filtering 29
Gambar 3.4 Pseudocode proses gaussian filtering 29
Gambar 3.5 Citra hasil find contour 34
Gambar 3.6 Pseudocode proses find contour 30
Gambar 3.7 Pseudocode proses dilasi 31
Gambar 3.8 Pseudocode proses erosi 31
Gambar 3.9 Citra hasil thresholding 32
Gambar 3.10 Pseudocode proses thresholding 32
Gambar 3.11 Pseudocode proses pelatihan PNN 35
Gambar 3.12 Arsitektur prosees pengujian PNN 35
Gambar 3.13 Diagram aktifitas dari sistem 37
Gambar 3.14 Struktur menu sistem 38
Gambar 3.15 Rancangan tampilan splash 39
Gambar 3.16 Rancangan halaman utama 40
Gambar 3.17 Rancangan halaman training 41

Universitas Sumatera Utara


xiv

Gambar 4.1 Tampilan halaman splash 44


Gambar 4.2 Tampilan halaman utama 45
Gambar 4.3 Tampilan halaman training 45
Gambar 4.4 Tampilan halaman utama dan saat menu diklik 46
Gambar 4.5 Tampilan saat button cari data diklik 47
Gambar 4.6 Tampilan setelah citra dipilih 47
Gambar 4.7 Tampilan saat salah satu panel citra direset 48
Gambar 4.8 Tampilan saat saat proses training selesai dilakukan 48
Gambar 4.9 Tampilan saat button cari data testing diklik 49
Gambar 4.10 Tampilan saat citra telah dipilih 49
Gambar 4.11 Tampilan dari hasil proses testing 50
Gambar 4.12 Tampilan dari hasil proses testing kedua 51
Gambar 4.13 Grafik akurasi hasil pengujian 54

Universitas Sumatera Utara


BAB I

PENDAHULUAN

1.1. Latar Belakang

Hepatocellular Carcinoma (HCC) atau disebut juga kanker hati adalah salah satu
kasus penyebab kematian tertinggi akibat kanker (Obayya et al. 2016). HCC
merupakan pertumbuhan sel yang berlangsung secara tidak normal pada bagian hati
yang ditandai dengan meningkatnya jumlah sel dalam hati yang memiliki kemampuan
membelah dan disertai dengan perubahan sel hati menjadi ganas (ButarButar. 2013).
Menurut DepKes RI (2013), prevalensi penyakit kanker secara keseluruhan
pada penduduk tertinggi pada kelompok usia 75 tahun keatas, yaitu sebesar 5% dan
prevalensi terendah pada anak kelompok usia 1-4 tahun dan 5-14 tahun sebesar 0,1%.
Kasus HCC yang ditemukan di Indonesia pada usia 50-60 tahun didominasi pada laki-
laki. Perbandingan kasus yang terjadi antara laki-laki dan perempuan berkisar antara
2-6 : 1. HCC pada laki-laki menempati peringkat kelima dan untuk perempuan
menempati peringkat kesembilan untuk kasus HCC (ButarButar. 2013).
Beberapa faktor penyebab dari Hepatocellular Carcinoma (HCC) dintaranya,
yaitu infeksi virus hepatitis B (HBV), infeksi virus hepatitis C (HCV), sirosis hati,
alfatoksin dan alkohol (Gurakar et al. 2013). HCC sering kali tidak dapat terdiagnosis
karena gejala kanker tertutup oleh penyakit yang mendasari yaitu sirosis hati atau
hepatitis kronis. Gejala dari kanker hati juga jarang ditemukan sampai kanker
memasuki tahap akhir (ButarButar. 2013).
Pemeriksaan yang dilakukan untuk mendiagnosis HCC adalah Alpha-
Fetoprotein (AFP) yang bertujuan mengetahui kadar protein yang di produksi oleh
hati. Normalnya AFP memiliki kadar 10 ng/ml, namun kadar tersebut dapat
meningkat hingga 60-70% apabila pasien teridentifikasi HCC. Selanjutnya, dilakukan
diagnosis radiografi seperti USG, CT, MRI dan angiography. Akurasi yang dihasilkan
tergantung dari jumlah variabel. Untuk kanker yang berukuran kecil (<2 cm), akurasi
berkisar antara 60-80%. Akurasi dapat meningkat dengan membesarnya ukuran
kanker, hingga 100% dengan ukuran yang sangat besar. Untuk pemeriksaan yang

Universitas Sumatera Utara


2

dilakukan dengan cara biopsi baru bisa dilakukan apabila diagnosis dianggap
meragukan. Jika AFP meningkat secara signifikan dan terlihat adanya kanker didalam
hati, maka dapat diasumsikan sebagai diagnosis dari HCC dan tidak disarankan untuk
melakukan biopsi (Gurakar et al. 2013).
Pada tahapan diagnosis radiografi, seperti CT-Scan dibutuhkan aplikasi
pendukung untuk melakukan segmentasi pada citra medis. Untuk melakukan bedah,
hasil dari segmentasi citra CT-Scan harus dilakukan secara tepat. Jika dilakukan
secara manual, akan lebih memakan waktu, untuk itu dibutuhkan segmentasi otomatis
(Antonidoss et al. 2014).
Penelitian yang pernah dilakukan dengan memproses citra CT-Scan, yaitu
untuk mengklasifikasi jenis penyakit hepatoma dan hemangioma. Menggunakan
Fuzzy C-Mean Clustering untuk extracted lession, Gray-Level Co-Occurance Matrix
(GLCM), dan Fast Discrete Curvelet Transform (FDCT) digunakan untuk ekstraksi
fitur. Untuk tahap klasifikasi menggunakan metode Backpropagation Neural Network
(BPN), Probabilistic Neural Network dan Cascade feed forward BPN (CFBPN)
(Gunasundari et al. 2012).
Penelitian lainnya yaitu untuk mengidentifikasi dengan proses segmentasi liver
menggunakan citra CT-Scan. Untuk tahap preprocessing menggunakan median
filtering untuk mengurangi derau dan memperbaiki kualitas citra untuk selanjutnya
diproses menggunakan thresholding. Tahap berikutnya yaitu segmentasi yang
terapkan khusus untuk mengambil bagian hati dengan menggunakan adaptive
thresholding dan morphological processing. Tahap selanjutnya yaitu postprocessing
dengan menerapkan adaptive histogram equalization, gaussian smoothing dan power
law transformation untuk memproses citra yang sudah disegmentasi dan hasil akhir
untuk menujukkan akurasi yang didapat dari metode-metode yang sudah diterapkan
untuk memproses citra CT-Scan (Antonidoss et al. 2014).
Penelitian yang dilakukan oleh Joshi et al (2013) untuk menentukan wilayah
hati yang teridentifikasi tumor secara otomatis dilakukan dengan memproses gambar
CT-Scan dengan cara mengubah grayscale menjadi binary image. Selanjutnya
dilakukan proses segmentasi dengan menggunakan metode Adaptive Thresholding
untuk menentukan wilayah yang teridentifikasi tumor.
Berdasarkan latar belakang diatas, maka penulis mengajukan penelitian
dengan judul “Identifikasi Penyakit Hepatocellular Carcinoma (HCC) pada citra CT-

Universitas Sumatera Utara


3

Scan menggunakan Probabilistic Neural Network” dengan menggunakan metode dari


hasil gabungan penelitian di atas, sehingga diharapkan dapat memperoleh akurasi
yang tepat untuk memproses hasil CT-Scan yang bertujuan untuk mengidentifikasi
penyakit Hepatocellular Carcinoma (HCC).

1.2. Rumusan Masalah

Hepatoellular Carcinoma (HCC) adalah salah satu penyakit yang berbahaya yang
terdapat pada hati. HCC dapat timbul akibat adanya sirosis hati, hepatitis B dan
hepatitis C. HCC seringkali sulit untuk teridentifikasi karena gejala HCC tertutup oleh
penyakit yang mendasarinya seperti sirosis dan hepatitis kronis. Untuk dapat
mendeteksi penyakit HCC di perlukan pemeriksaan secara bertahap untuk mengetahui
penyebaran penyakit. Salah satu pemeriksaan yang dilakukan adalah pemeriksaan CT-
Scan, yang bertujuan untuk mengidentifikasi penyakit Hepatocellular Carcinoma
(HCC). Pada pemeriksaan CT-Scan, hasil dari citra tersebut harus diproses secara
manual untuk dapat melihat adanya kanker, pemrosesan yang dilakukan seperti
kontras dan derau. Oleh karena itu, untuk mendapatkan akurasi yang tepat dalam
memproses hasil CT-Scan dibutuhkan metode yang dapat membantu mendeteksi
penyakit Hepatocellular Carcinoma (HCC).

1.3. Batasan Masalah

Adapun batasan masalah dari penelitian ini, yaitu :


1. Hanya mengidentifikasi penyakit Hepatocellular Carcinoma (HCC) atau kanker
hati.
2. Input citra yang akan di teliti adalah citra hasil CT-Scan perut.
3. Citra yang digunakan adalah citra CT-Scan yang diperoleh dari dataset The
Cancer Imaging Archive (TCIA) dan Radiopedia.org.
4. Ekstensi citra yang digunakan adalah .jpg.
5. Resolusi citra yang akan digunakan sebesar 512 x 512 pixel.

Universitas Sumatera Utara


4

1.4. Tujuan Penelitian

Tujuan dilakukannya penelitian ini adalah untuk mengidentifikasi penyakit


Hepatocellular Carcinoma (HCC) atau kanker hati melalui citra hasil CT-Scan
menggunakan Probabilistic Neural Network.

1.5. Manfaat Penelitian

Manfaat dari penelitian ini adalah :


1. Membantu dokter untuk mengidentifikasi penyakit Hepatocellular Carcinoma.
2. Memperoleh akurasi yang tepat untuk mengidentifikasi penyakit Hepatocellular
Carcinoma.

1.6. Metodologi Penelitian

Tahapan-tahapan yang dilakukan pada penelitian ini adalah :

1. Studi Literatur
Pada tahapan ini dilakukan pengumpulan bahan sebagai referensi yang
berkaitan dengan penelitian ini, seperti Hepatocellular Carcinoma (HCC),
gaussian filtering, dilation dan erotion, adaptive thresholding, gray level co-
occurance matrix, dan probabilistic neural network.
2. Analisis Permasalahan
Tahapan ini dilakukan analisis terhadap bahan referensi yang telah
dikumpulkan pada tahap sebelumnya untuk memperoleh pemahaman tentang
metode yang akan digunakan dalam menyelesaikan permasalahan pada
penelitian yaitu mengidentifikasi penyakit Hepatocellular Carcinoma (HCC)
dengan menggunakan metode PNN.
3. Perancangan
Tahapan selanjutnya adalah perancangan. Pada tahap ini dilakukan
perancangan arsitektur, pengumpulan data, dan perancangan antarmuka.
Perancangan dilakukan berdasarkan hasil dari studi literatur dan analisis yang
telah dilakukan pada tahap sebelumnya.
4. Implementasi

Universitas Sumatera Utara


5

Pada tahap ini dilakukan implementasi dari analisis yang telah dilakukan
sebelumnya dan dibuat dalam bentuk pembangunan program sesuai dengan
perancangan dan alur yang telah di tentukan.
5. Pengujian
Pada tahap ini dilakukan pengujian terhadap aplikasi yang dibangun guna
untuk menguji ketepatan metode untuk mengidentifikasi penyakit
Hepatocellular Carcinoma (HCC) dan memastikan hasil dari identifikasi
sesuai dengan apa yang diharapkan.
6. Penyusunan Laporan
Pada tahap akhir ini dilakukan penyusunan laporan hasil analisis dan
implementasi metode dari keseluruhan penelitian yang telah dilakukan.

1.7. Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama, yaitu sebagai
berikut :

Bab 1 : Pendahuluan
Bab ini terdiri dari latar belakang penelitian, rumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika
penulisan.

Bab 2 : Landasan Teori


Bab ini berisi tentang teori-teori pendukung untuk memahami permasalahan yang
dibahas pada penelitian ini, seperti teori tentang Hepatocellular Carcinoma (HCC),
gaussian filtering, dilation dan erotion, adaptive thresholding, gray level co-
occurance matrix, dan probabilistic neural network.

Bab 3 : Analisis dan Perancangan


Bab ini menjelaskan tentang arsitektur umum serta analisis metode yang digunakan
dalam penelitian dan penerapan metode dalam hal mengidentifikasi penyakit
Hepatocellular Carcinoma (HCC) serta perancangan sistem yang dibuat.

Bab 4 : Implementasi dan Pengujian

Universitas Sumatera Utara


6

Bab ini berisi pembahasan tentang implementasi dari perancangan yang telah
dijelaskan pada Bab 3, dan juga pembahasan hasil yang diperoleh dari pengujian yang
dilakukan terhadap sistem yang dibangun.

Bab 5 : Kesimpulan dan Saran


Bab ini berisi tentang kesimpulan dari rancangan yang telah dibahas dari bab-bab
sebelumnya dan juga saran yang diajukan unuk penelitian berikutnya.

Universitas Sumatera Utara


BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan serta penelitian sebelumnya yang
berhubungan dengan penerapan metode Probabilistic Neural Network untuk
mengidentifikasi penyakit Hepatocellular Carcinoma (HCC).

2.1. Hepatocellular Carcinoma (HCC)

Hepatocellular Carcinoma (HCC) atau disebut juga kanker hati adalah salah satu
kasus penyebab kematian tertinggi akibat kanker (Obayya et al. 2016). HCC
merupakan pertumbuhan sel yang berlangsung secara tidak normal pada bagian hati
yang ditandai dengan meningkatnya jumlah sel dalam hati yang memiliki kemampuan
membelah dan disertai dengan perubahan sel hati menjadi ganas (Butar Butar, 2014).

2.1.1. Penyebab Hepatocellular Carcinoma (HCC) (Gurakar et al. 2013)

Beberapa penyebab dari Hepatocellular Carcinoma (HCC), diantaranya adalah


a. Hepatitis B dan C
Hepatitis B dan C adalah dua faktor yang bisa menyebabkan Hepatocellular
Carcinoma (HCC). Di Amerika Serikat dan Eropa, hepatitis B dan C memiliki
perbandingan yang sama untuk kasus ini. Di bagian Cina dan Taiwan, 80%
penyebab HCC adalah hepatitis B. Kasus HCC yang lebih tinggi terjadi pada
pasien dengan hepatitis C dibandingkan hepatitis B (10,4% : 3,9%).
b. Sirosis Hati
Pada populasi tertentu, pasien penderita sirosi memiliki resiko 3 sampai 4 kali
lebih tinggi mengalami HCC dibanding dengan pasien penderita hepatitis
kronis. Di daerah dengan kejadian yang rendah, lebih dari 90% pasien
penderita HCC memiliki sirosis.
c. Faktor Lain
Faktor lain yang dapat menyebabkan timbulnya penyakit HCC adalah alkohol,
alfatoxins, hemochromatosis, dan penggunaan anabolic steroid. Alfaatoxins

Universitas Sumatera Utara


8

sendiri di hasilkan oleh jamur jenis Aspergillus Paraticus dan Aspergillus


Flavus, yang umum ditemukan di wilayah tertentu Asia Tenggara dan sub-
Sahara Afrika. Untuk HCC yang di sebabkan oleh hemachromatosis bisa
mencapai 45% pasien.
Penyebab-penyebab kasus HCC dapat dilihat pada Gambar 2.1

Gambar 2.1 Penyebab kasus Hepatocellular Carcinoma (HCC) (Gurakar et al.


2013)

2.1.2. Diagnosis Hepatocellular Carcinoma (HCC)

Untuk mendiagnosis penyakit Hepatocellular Carcinoma (HCC) dapat dilakukan


dengan beberapa cara, diantaranya adalah :
a. Alpha-Fetoprotein (AFP)
Alpha-Fetoprotein (AFP) adalah penanda kanker yang dapat meningkat 60-
70% pada pasien Hepatocellular Carcinoma (HCC). AFP dapat diketahui
melalui tes darah. Level normal dari AFP adalah 10ng/ml. Pasien yang
mengalami peningkatan AFP harus melakukan USG perut, CT-Scan ataupun
MRI untuk mengetahui HCC, terutama jika sudah memasuki tingkatan dasar
dari HCC.
b. Diagnosis Radiografi
Akurasi yang dihasilkan dari USG, CT, MRI dan angiography tergantung dari
jumlah variabel. Dibutuhkan keahlian operator (terutama untuk USG),
peralatan yang canggih, adanya sirosis, dan yang terpenting pengalaman
operator. Untuk kanker dengan ukuran yang kecil (<2 cm), akurasi berkisar
antara 60-80%. Akurasi dapat meningkat secara signifikan dengan adanya

Universitas Sumatera Utara


9

pembesaran ukuran kanker, yang akhirnya mencapai 100% dengan ukuran


kanker yang sangat besar.
c. Biopsi Liver
Biopsi dapat dilakukan apabila diagnosis dianggap meragukan. Jika AFP
meningkat secara signifikan dan terlihat adanya kanker didalam hati, maka
dapat di asumsikan sebagai diagnosis dari Hepatocellular Carcinoma (HCC)
dan tidak disarankan untuk melakukan biopsi.
Perbandingan citra liver dapat dilihat pada Gambar 2.2.

(a) (b)
Gambar 2.2 Perbandingan (a) Liver Normal (Krishan et al. 2015) dan (b) Liver
yang teridentifikasi HCC (Gurakar et al. 2013)
Perbandingan dari citra liver normal dan liver yang teridentifikasi HCC ditunjukkan
pada Gambar 2.2.

2.1.3. Pengobatan

Ada beberapa pengobatan yang bisa dilakukan untuk Hepatocellular Carcinoma


(HCC), diantaranya transpalntasi hati, hepatic resection, dan kemoterapi (Befeler et
al. 2002).
a. Transplantasi Hati
Melakukan transplantasi hati adalah pengobatan terbaik untuk HCC, karena
dapat menghilangkan jaringan hati yang beresiko untuk perkembangan kanker
dan bisa mengembalikan fungsi hati. Namun, ketersediaan donor yang terbatas
dan sesuai dengan pasien membuat transplantasi hati menjadi kurang efektif.
b. Hepatic Resection

Universitas Sumatera Utara


10

Selain dengan melakukan transplantasi hati, bisa dilakukan dengan cara bedah,
yaitu dengan cara pengangkatan bagian hati yang terinfeksi dengan HCC.
Melakukan pembedahan tidak berarti dapat menghilangkan sisa hati yang
beresiko kembali terjangkit dan tidak memperbaiki fungsi hati.
c. Kemoterapi
Kemoterapi umumnya dilakukan pasien yang tidak setuju untuk terapi
resection dan transplantasi. Kemoterapi dilakukan sesuai dengan batasan,
termasuk untuk yang menderita sirosis.
Untuk melihat perbandingan dari citra asli dan citra setelah diproses dapat dilihat
pada Tabel 2.1.
Tabel 2.1 Perbandingan Citra Asli dan Citra yang Telah Diproses untuk
Mengidentifikasi HCC (Hsu et al. 2011)
Citra Asli Citra Hasil Pemrosesan

Pada Tabel 2.1 ditunjukkan perbandingan dari beberapa citra asli yang belum diproses
dan yang sudah diproses pada salah satu penelitian.

2.2. Pengolahan Citra Digital

Citra digital merupakan suatu array dua dimensi atau suatu matriks yang elemennya
menyatakan tingkat warna dari elemen gambar, sehingga informasi yang terkandung
bersifat diskrit (Wibisono, 2016). Berdasarkan cara penyimpanan atau

Universitas Sumatera Utara


11

pembentukannya, citra digital dapat dibagi menjadi dua jenis. Jenis pertama adalah
jenis citra digital yang dibentuk oleh kumpulan pixel dalam array dua dimensi. Citra
jenis ini disebut citra bitmap atau citra raster. Jenis citra yang kedua adalah citra yang
dibentuk oleh fungsi-fungsi geometri dan matematika. Jenis citra ini disebut grafik
vektor (Kurnianto, 2017). Beberapa teknik pengolahan citra yang diterapkan pada
penelitian ini diantaranya sebagai berikut.

2.2.1. Gaussian Filtering

Gaussian filtering didapat dari hasil operasi konvolusi. Operasi perkalian yang
dilakukan ialah perkalian antara matriks kernel dengan matriks gambar asli. Matriks
kernel gauss didapat dari fungsi komputasi dari distribusi gaussian, seperti pada
persamaan 2.1 (Chairani, 2016).
( ) ( )
( ) (2.1)

Dimana :
C dan = konstanta
G (i, j) = elemen matriks kernel gauss pada posisi (i, j)
(u, v) = indeks tengah dari matriks kernel gauss

Tabel 2.2 menunjukkan contoh matrik kernel gauss 3 x 3 dengan

Tabel 2.2 Matrik kernel gauss 3 x 3 dengan


1 2 1

2 3 2

1 2 1

Perkalian antara bobot matriks gambar asli dengan bobot matrik kernel gauss
dapat dirumuskan seperti pada persamaan 2.2 (Yuwono, 2010).
(2.2)

( ) ( )
( ) ∑ (∑ ( ) ( ))

Universitas Sumatera Utara


12

Dimana :
Pixel A = gambar A (Gambar Asli)
Pixel B(i, j)= bobot hasil perkalian pada posisi (i, j)
N = jumlah kolom matriks kernel
M = jumlah baris matriks kernel
K = penjumlahan semua bobot di G
G(p, q) = elemen matriks kernel gauss pada posisi (p, q)

2.2.2. Thresholding

Thresholding merupakan proses untuk mengubah citra menjadi citra biner atau sering
disebut dengan binerisasi. Proses ini menggunakan nilai batas (threshold) untuk dapat
mengubah nilai piksel menjadi warna hitam atau putih (Nurrahmadayeni, 2017).
Thresholding adalah salah satu cara untuk dapat memisahkan objek citra dari
background. Secara matematis threshold dapat didefinisikan seperti pada persamaan
2.3.
( )
( ) { (2.3)
( )
Dimana :
g(x, y) = piksel citra hasil binerisasi
f(x, y) = piksel citra asal
T = nilai threshold
Nilai piksel citra 1 ditandai sebagai objek (putih), dan nilai piksel citra yang ditandai
dengan 0 adalah background (hitam) (Zhou et al. 2010).
Thresholding dikatakan sebagai adaptive threshold ketika menggunakan tipe
threshold yang berbeda untuk wilayah yang berbeda didalam suatu citra. Citra yang
memiliki nilai pixel berbeda dengan background dapat dikatakan sebagai
thresholding. Nilai threshold untuk setiap pixel didalam citra dihitung untuk
mengetahui nilai batas citra yang sudah diatur untuk latar belakang. Pada umumnya
citra yang digunakan sebagai input dari adaptive thresholding adalah citra grayscale
dan berwarna. Output dari citra berupa informasi tepi citra (Jansi et al. 2012).
Terdapat 2 jenis thresholding, yaitu global optimal thresholding dan adaptive
local thresholding (Kurnianto, 2017).
a. Global Optimal Thresholding

Universitas Sumatera Utara


13

Optimal thresholding merupakan metode dengan seluruh pixel pada citra


dikonversi menjadi hitam dan putih dnegan satu nilai thresholding.
b. Adaptive Local Thresholding
Local thresholding menggunakan operasi ambang tunggal yaitu batas
pembaginya hanya satu dengan menghitung median nilai dari keseluruhan
piksel. Nilai piksel akan dikelompokkan menjadi 2 kelompok, yaitu piksel
yang akan dibulatkan nilainya menjadi 255 dan 0.

2.2.3. Morphological Operators

Morfologi citra bertujuan untuk mengekstrak struktur yang relevan dari citra. Dilasi
dan erosi adalah dua operator yang sangat penting dalam morfologi, karena semua
operator lain didasari pada kombinasi keduanya (Zhou et al. 2010).
a. Dilasi
Dilasi adalah fungsi menambahkan dan menebalkan objek didalam citra biner.
Cara dan tingkatan ketebalan yang spesifik ini dikendalikan oleh bentuk yang
disebut dengan structure element (SE). Secara matematis dilasi dari A dan B
dilambangkan dengan A B, yang didefinisikan seperti pada persamaan 2.7.

(2.7)

Dimana adalah bagian kosong dan B adalah structure element. Dengan kata
lain, dilasi dari A dengan B terdiri dari semua structure element lokasi asal
dimana dipantulkan dan diartikan dari B secara tumpang tindih pada beberapa
bagian A. Contoh dari pengaplikasian dilasi pada citra biner dapat dilihat pada
Gambar 2.3.

Gambar 2.3 Ilustrasi dari morfologi dilasi (Zhou et al. 2010)

Universitas Sumatera Utara


14

Pada Gambar 2.3 menunjukkan structure element dengan 3 piksel yang


tersusun pada garis diagonal dengan sudut 135o, structure element yang asli
ditandai dengan warna merah pada angka 1 (Zhou et al. 2010).

b. Erosi
Erosi dapat diartikan dengan penyusutan atau penipisan pada objek citra (Zhou
et al. 2010). Erosi digunakan untuk menghapus titik-titik objek menjadi bagian
dari background berdasarkan structure element yang digunakan. Selain dapat
menghapus titik-titik objek kecil, erosi juga dapat memperkecil ukuran objek
berukuran besar dengan cara menghapus piksel pada tepi objek tersebut.
Structure element merupakan matriks berukuran m × n yang memiliki titik
pusat (Febriani, 2014). Erosi dapat dilakukan dengan menggunakan persamaan
2.8.

(2.8)

Dimana :
E : citra hasil erosi
A : citra asal
S : structure element
z : himpunan titik
(S)z : structure element yang ditranslasi oleh z

Proses erosi dilakukan dengan cara membandingkan setiap piksel


pada citra asal dengan titik pusat structure element. Structure element digeser
dari piksel awal sampai piksel akhir citra asal. Jika ada bagian structure
element yang berada diluar citra asal, maka piksel citra asal yang berada dititik
poros structure element akan dihapus (dijadikan background).

2.3. Ekstraksi Ciri Citra

Ekstraksi ciri citra bertujuan untuk mengekstraksi ciri yang unik yang terdapat pada
citra dan kemudian dijadikan input pada tahap identifikasi. Gray Level co-occurance
Matrix (GLCM) adalah salah satu metode statistik yang digunakan untuk menganalisis

Universitas Sumatera Utara


15

tekstur dari suatu citra. Metode ini dibentuk dari suatu citra dengan melihat kombinasi
yang berbeda dari nilai kecerahan pixel yang terjadi (Obayya et al. 2016). GLCM
merupakan metode ekstraksi ciri yang menggunakan perhitungan tekstur pada orde
kedua yaitu memperhitungkan pasangan dua piksel citra asli dan tidak memperhatikan
piksel ketetanggaan. Kookurensi dapat diartikan sebagai kejaidan bersama, berarti
banyaknya kejadian pada satu level pixel yang bertetanggaan dengan nilai pixel yang
memiliki intensitas i dan j, yang memiliki jarak d diantara keduanya, dan sudut
diantara keduanya. Matriks kookurensi dinyatakan dengan ( ). Jarak
direpresentasikan sebagai piksel sedangkan orientasi direpresantasikan dalam derajat.
Orientasi terbentuk dari empat arah sudut dengan interval 45 o, yaitu 0o, 45o, 90o dan
135o, dan jarak antar piksel ditentukan sebesar 1 piksel. Keempat arah tersebut dapat
dilihat pada Gambar 2.4 (Surya et al. 2017).

Gambar 2.4 Arah kookurensi GLCM (Surya et al. 2017)

Langkah awal untuk membuat GLCM adalah membuat matriks framework. Matriks
framework merupakan matriks yang menunjukkan hubungan ketetanggan antara
piksel referensi dengan piksel tetangga untuk arah dan jarak tertentu. Matriks
framework berukuran G × G, dimana G menyatakan banyaknya tingkat keabuan yang
dimiliki oleh sebuah citra grayscale (Febriani, 2014). Sebuah citra grayscale 2 bit
akan memiliki GLCM dengan ukuran dimensi 2 2 x 22. Begitu juga dengan citra
grayscale 8 bit yang akan membentuk GLCM dengan ukuran dimensi 2 8 x 28. Matriks
framework dari citra grayscale yang berukuran 2 bit ditunjukkan pada Gambar 2.5.
Matriks framework tersebut berdimensi 22 x 22 sehinga memiliki empat kolom dan
empat baris. Baris menunjukkan piksel referensi sedangkan kolom menunjukkan
piksel tetangga (Fatihah, 2016).

Universitas Sumatera Utara


16

Gambar 2.5. Matriks framework (Fatihah, 2016)


Untuk mengisi entri dari matriks framework dilakukan dengan menghitung jumlah
kombinasi piksel referensi dengan nilai intensitas r dan piksel tetangga dengan nilai
intensitas n. Matriks framework yang telah diisi dinamakan matriks kookurensi.
Seperti pada Gambar 2.5, kolom pertama baris pertama memiliki nilai (0,0) yang
menunjukkan seberapa banyak piksel 0 yang bertetangga dengan piksel 0 pada jarak
dan arah tertentu. Pada kolom kedua baris pertama memiliki nilai (0,1) yang
menunjukkan seberapa banyak piksel 0 yang bertetangga dengan piksel 1 pada jarak
dan arah tertentu. Sama hal nya dengan kolom ketiga yang memiliki nilai (0,2)
menunjukkan seberapa banyak piksel 0 yang bertetangga dengan piksel 2 dengan
jarak dan arah tertentu, begitu juga seterusnya.
Selanjutnya, setelah matriks framework dibuat, tentukan jarak dan arah untuk
dapat mengisi matriks framework dengan menghitung nilai kookurensi tiap piksel
referensi dengan piksel tetangganya. Matriks framework yang telah diisi dengan nilai
kookurensi disebut dengan matriks kookurensi. Contoh matriks kookurensi
berdasarkan citra grayscale (dalam bentuk matriks) dengan jarak 1 dan arah yang
digunakan adalah 0o dapat dilihat pada Gambar 2.6.

Gambar 2.6. (a) Citra grayscale (b) matriks kookurensi (Susanto, 2015)

Universitas Sumatera Utara


17

Selanjutnya dilakukan penjumlahan pada matriks kookurensi dan matriks transpose


nya untuk memperoleh matriks yang simetris. Penjumlahan matriks tersebut dapat
dilihat pada Gambar 2.7.

* + * + * +

(a) (b) (c)


Gambar 2.7. (a) Matriks kookurensi; (b) Matriks Transpose; (c) Matriks simetris
(Susanto, 2015)
Setelah matriks kookurensi menjadi simetris, selanjutnya dilakukan normalisasi ke
bentuk probabilitas dengan cara membagi masing-masing nilai kookurensi dengan
jumlah semua nilai kookurensi matriks, sehingga hasil penjumlahan semua nilai pada
matriks adalah 1. Hasil normalisasi matriks ditunjukkan pada Gambar 2.8.

0.167 0.083 0.042 0


0.083 0.167 0 0
0.042 0 0.25 0.042
0 0 0.042 0.083

Gambar 2.8. Normalisasi matriks dalam bentuk probabilitas (Susanto, 2015)


Setelah dilakukan normalisasi matriks, selanjutnya perhitungan fitur statistik dari
matriks dapat dilakukan. Beberapa fitur GLCM yang dilakukan pada penilitian ini
adalah contrast (CON), correlation (COR), angular second moment (ASM), inverse
different moment (IDM), entropy (ENT).

2.3.1. Contrast

Kontras merupakan ukuran variasi antar derajat keabuan dari suatu daerah citra. Hasil
perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam
citra (Putra, 2013).

∑ ∑ | | ( ) (2.9)

Universitas Sumatera Utara


18

Dimana (i, j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.

2.4.2. Correlation

Korelasi merupakan ukuran ketergantungan linier antar nilai aras keabuan dalam citra
yang dapat memberikan petunjuk adanya struktur linear dalam citra. Korelasi
mengukut keterganungan linier dari tingkat keabuan piksel yang berdekatan
(Mohanaiah et al. 2013).

( ) ( )
∑ ∑ (2.10)
Dimana :
N : gray tone
: nilai rata-rata elemen kolom pada matriks P (i, j)
: nilai rata-rata elemen baris pada matriks P (i, j)
: nilai standar deviasi elemen kolom pada matriks P (i, j)
: nilai standar deviasi elemen baris pada matriks P (i, j)

2.4.3. Angular Second Moment (ASM)

ASM biasa disebut dengan keseragaman atau energy yang menyatakan ukuran
konsentrasi dengan intensitas keabuan tertentu pada matriks.

∑ ∑ ( ( )) (2.11)

Dimana i, j merupakan koordinat spasial dari fungsi GLCM (i, j), i menyatakan nilai
pada baris dan j menyatakan nilai pada kolom didalam matriks kookurensi.

2.4.4. Inverse Different Moment (IDM)

IDM disebut juga homogenitas yang menunjukkan kehomogenan citra keabuan


sejenis (Putra, 2013).

∑ ∑ (2.12)
( )

Universitas Sumatera Utara


19

2.4.5. Entropy

Entropi menyatakan ukuran ketidakteraturan ukuran bentuk, jika nilai entropy nya
besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur
citra tidak teratur (bervariasi).

∑ ∑ ( ( )) ( ( )) (2.13)

2.4. Proabilistic Neural Network (PNN)

Probabilistic Neural Network (PNN) merupakan salah satu jenis jaringan saraf tiruan
yang bertujuan untuk mengklasifikasi yang dirancang menggunakan ide dari teori
probabilitas klasik seperti pengklasifikasi Bayes dan penduga kepekatan Parzen
(Putra, 2009).
PNN dapat didefinisikan sebagai implementasi dari algoritma statistik yang
biasa disebut dengan kernel diskriminasi analisi dimana operasi tersebut akan disusun
kedalam multilayered feedforward network dengan empat lapisan yaitu, input layer,
pattern layer, summation layer, dan output layer. PNN melakukan proses pelatihan
yang cepat dan dapat belajar lebih cepat dibandingkan pada banyak model jaringan
saraf tiruan lain untuk menemukan klasifikasi optimal sesuai dengan peningkatan
perwakilan data pelatihan. Pelatihan yang sudah dilakukan dapat ditambahkan atau
dihapus tanpa harus melakukan pelatihan ulang. PNN dapat dilihat sebagai supervised
naural network yang mampu digunakan dalam masalah klasifikasi dan pengenalan
pola (Mishra et al. 2013).
PNN merupakan tipe khusus dari radial basis neural network terutama dalam
masalah klasifikasi. Sama halnya dengan radial basis neural network, PNN
menggunakan fungsi aktivasi dilapisan kedua yaitu hidden layer yang bertujuan untuk
membuat local decision function yang berpusat pada sampel dari input layer. Setelah
pelatihan, hasil dari jumlah fungsi tersebut dijumlahkan pada summation layer. Hasil
dari jumlah fungsi tersebut merupakan probabilitas. Sehingga probabilitas yang paling
maksimum masuk kedalam sebuah kelas yang spesifik. Neural network ini biasanya
digunakan untuk masalah dengan dataset pelatihan berukuran kecil (Nurrahmadayeni,
2017).

Universitas Sumatera Utara


20

Salah satu faktor yang mempengaruhi tingkat keakuratan dari klasifikasi PNN
adalah nilai parameter smoothing ( ) dari variabel acak dan pola pelatihan data pada
PNN. Apabila nilai yang diterapkan tepat maka akan memberikan hasil yang cukup
akurat (Hajmeer et al. 2002).
PNN memiliki beberapa layer, diantaranya yaitu input layer, pattern layer,
summation layer, dan output layer. Arsitektur dari PNN dapat dilihat pada Gambar
2.9.

Gambar 2.9 Arsitektur Probabilistic Neural Network (Hajmeer et al. 2002)

 Input Layer
Pada lapisan ini terdapat variabel vektor input yang akan dijadikan input
kedalam jaringan. Nilai dari variabel ini merupakan hasil dari ekstraksi ciri
dari setiap data yang diuji.
 Pattern Layer
Pada lapisan pattern layer dilakukan perhitungan kedekatan jarak antara vektor
bobot dengan vektor input. Vektor bobok merupakan nilai dari data latih setiap
kelasnya sedangkan vektor input merupakan nilai dari ekstraksi ciri data yang
akan diuji. Proses yang terjadi pada lapisan ini menggunakan persamaan 2.15.

‖( )‖
( ) ⁄
[ ] (2.15)

Dimana :

Universitas Sumatera Utara


21

( ) : gaussian kernel
: dimensi vektor x
: spread / smoothing parameter
: vektor pengujian
: vektor pelatihan ke j dari kelas i
Tidak terdapat metode untuk menentukan nilai dari smoothing parameter
sehingga digunakan teknik trial and error.
 Summation Layer
Pada lapisan ini menghitung penjumlahan kemungkinan maksimum dari setiap
i-neuron pada lapisan pattern layer dengan kelas yang sama dan dirata-ratakan
dengan jumlah data uji masing-masing kelas. Proses yang terjadi dengan
menggunakan persamaan 2.16.
‖( )‖
( ) ⁄
∑ [ ] (2.16)

Dimana :
( ) : fungsi kepadatan probabilitas
: dimensi vektor x
: spread / smoothing parameter
N : jumlah data latih pada kelas i
x : vektor pengujian
: vektor pelatihan ke j dari kelas i
 Output Layer
Pada lapisan terakhir ini dibandingkan nilai antara hasil dari dua kelas. Nilai
probabilitas yang tertinggi maka akan dikelompokkan menjadi kelas tersebut.
Proses yang dilakukan pada lapisan ini dengan menggunakan persamaan 2.17.

( ) * ( )+ (2.17)

Dimana :
( ) : bayes’s decision

Universitas Sumatera Utara


22

2.5. Penelitian Terdahulu

Beberapa penelitian sebelumnya telah dilakukan, diantaranya yang pernah dilakukan


dengan memproses citra CT-Scan, yaitu untuk mengklasifikasi jenis penyakit
hepatoma dan hemangioma. Menggunakan Fuzzy C-Mean Clustering untuk extracted
lession, Gray-Level Co-Occurance Matrix (GLCM), dan Fast Discrete Curvelet
Transform (FDCT) digunakan untuk ekstraksi fitur. Untuk tahap klasifikasi
menggunakan metode Backpropagation Neural Network (BPN), Probabilistic Neural
Network dan Cascade Feedforward BPN (CFBPN). Hasil dari penelitian ini
menunjukkan bahwa akurasi yang didapat yaitu sebesar 88% (Gunasundari et al.
2012).
Penelitian selanjutnya yaitu bertujuan untuk mengidentifikasi penyakit
hepatocellular carcinoma dengan proses segmentasi hati menggunakan citra CT-Scan.
Untuk tahap preprocessing menggunakan Median Filtering untuk mengurangi derau
dan memperbaiki kualitas citra untuk selanjutnya diproses menggunakan thresholding.
Tahap berikutnya yaitu segmentasi yang terapkan khusus untuk mengambil bagian
hati dengan menggunakan Adaptive Thresholding dan Morphological Processing.
Tahap selanjutnya yaitu postprocessing dengan menerapkan Adaptive Histogram
Equalization, Gaussian Smoothing dan Power Law Transformation untuk memproses
citra yang sudah disegmentasi dan hasil akhir untuk menujukkan akurasi yang didapat
dari metode-metode yang sudah diterapkan untuk memproses citra CT-Scan
(Antonidoss et al. 2014).
Penelitian berikutnya yang dilakukan untuk memproses citra CT-Scan untuk
mendeteksi hepatocellular carcinoma, Stocastic Resonance Filter digunakan untuk
menyesuaikan nilai batas dengan menambahkan derau untuk meningkatkan bagian
citra yang akan di proses. Selanjutnya menggunakan k-Mean Clustering yang
bertujuan untuk memproses segmentasi lokal dan Image Fusion digunakan untuk
menggabungkan hasil dari pemrosesan yang telah dilakukan guna untuk mendapatkan
hasil yang relevan dalam menentukan lokasi dari tumor (Hsu et al. 2011).
Penelitian yang dilakukan oleh Joshi et al (2013) untuk menentukan wilayah
hati yang teridentifikasi tumor secara otomatis dilakukan dengan memproses gambar
CT-Scan dengan cara mengubah grayscale menjadi binary image. Selanjutnya

Universitas Sumatera Utara


23

dilakukan proses segmentasi dengan menggunakan metode Adaptive Thresholding


untuk menentukan wilayah yang teridentifikasi tumor.
Penelitian selanjutnya yaitu mendeteksi dan mengklasifikasi kanker hati
menggunakan citra CT-Scan. Penelitian ini menggunakan dua algoritma yang berbeda
yaitu Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Constrained
Variable Histogram Equalization (CVHE). CLAHE bekerja untuk meningkatkan
kualitas citra pada bagian yang teridentifikasi tumor dengan tampilan yang baru.
CVHE bekerja untuk mendeteksi HCC dengan mempertahankan bentuk dari citra asli
secara keseluruhan. Selanjutnya menggunakan State Vector Machine (SVM) untuk
mengklasifikasi hati normal dan tidak normal. Penelitian ini mencapai akurasi yang
cukup tinggi yaitu 99,33% untuk hasil secara keseluruhan (Krishan et al. 2015)
Penelitian selanjutnya yaitu menggunakan Adaptive Neuro Fuzzy Inference
System (ANFIS) untuk mengklasifikasi jenis tumor, ganas atau jinak nya tumor
dengan menganalisis citra hasil CT-Scan. Untuk tahap preprocessing menggunakan
Morphological Filtering untuk memperbaiki kualitas citra, selanjutnya citra diproses
menggunakan thresholding untuk mengubah menjadi citra biner. Untuk proses
segmentasi citra dilakukan dengan beberapa tahapan, yaitu boundary extraction,
masking dan element-wise multiplication. Tahap selanjutnya adalah hasil dari
segmentasi kemudian diekstraksi menggunakan Fuzzy C-Mean yang bertujuan untuk
mengekstraksi citra menjadi tiga cluster yang berbeda, yaitu background, hati dan
bagian terkecil yang dianggap sebagai tumor. Selanjutnya, untuk proses ekstraksi fitur
menggunakan dua cara yaitu Texture Based Feature Extraction dan Wavelet Based
Feature Extraction. Untuk tahap akhir yaitu klasifikasi jenis tumor menggunakan
Adaptive Neuro Fuzzy Inference System (ANFIS) dengan metode latih
backpropagation gradient descent dan metode least squares untuk mengambil
keputusan yang tepat untuk mengklasifikasikan tumor ganas dan jinak (Obayya et al.
2016).

Universitas Sumatera Utara


24

Tabel 2.3 Penelitian Terdahulu


No Peneliti Tahun Metode Accuracy
1 Gunasundari et al 2012 Backpropagation Neural 88%
Network, Probabilistic
Neural Network dan
Cascade Feedforward BPN
2 Antonidoss et al 2014 Adaptive Thresholding -
3 Hsu et al 2011 Stocastic Resonance Filter, -
K-mean Clustering dan
Image Fusion
4 Joshi et al 2013 Adaptive Thresholding -
5 Krishan et al 2015 Contras Limited Adaptive 99,33%
Histogram Equalization
(CLAHE) dan Constrained
Variabel Histogram
Equalization (CVHE)
6 Obayya et al 2016 Adaptive Neuro Fuzzy 90% & 96%
Inference System (ANFIS)

Universitas Sumatera Utara


BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini akan membahas tentang analisis dan perancangan sistem dalam aplikasi
identifikasi penyakit hepatocellular carcinoma. Tahap pertama yaitu analisis data
yang akan digunakan untuk identifikasi, selanjutnya analisis terhadap tahapan-tahapan
pengolahan citra yang diterapkan, seperti feature extraction beserta implementasi
metode yang akan digunakan yaitu Probabilistic Neural Network untuk
mengidentifikasi penyakit hepatocellular carcinoma. Untuk tahapan selanjutnya yaitu
dilakukan perancangan tampilan antarmuka sistem.

3.1. Arsitektur Umum

Ada beberapa tahapan metode yang digunakan untuk mengidentifikasi penyakit


hepatocellular carcinoma. Tahapan-tahapan tersebut dimulai dari pengumpulan data
citra CT-Scan hati yang bukan teridentifikasi hepatocellular carcinoma dan
teridentifikasi hepatocellular carcinoma yang akan digunakan untuk citra latih dan
citra uji, untuk tahap preprocessing menggunakan gaussian filtering untuk
memperbaiki citra CT-Scan yang bertujuan untuk mengurangi derau dari citra asli.
Tahapan selanjutnya adalah segmentasi citra menggunakan tahapan thresholding,
morphological operators, dan find contour yang bertujuan untuk memperoleh citra
pada bagian hati saja dan membuang bagian yang tidak diperlukan, karena hasil citra
asli yang didapat merupakan hasil citra CT-Scan pada bagian perut. Tahap berikutnya
adalah feature extraction menggunakan Gray Level Co-occurance Matrix (GLCM)
yang bertujuan untuk mendapatkan nilai dari hasil ekstraksi ciri citra dan kemudian
akan diproses menggunakan PNN. Pada tahap akhir menggunakan metode
Probabilistic Neural Network untuk mengidentifikasi penyakit hepatocellular
carcinoma. Adapun tahapan-tahapan diatas dapat dilihat dalam bentuk arsitektur
umum pada Gambar 3.1.

Universitas Sumatera Utara


26

PROCESS
Training S
Datasets PreProcessing

Original Image

INPUT

Gaussian Filtering

Testing
Datasets

Citra hasil CT- Segmentation


Scan perut
Find Contour

Morphological Operators

Thresholding

Features Extraction

Gray Level Co-occurrance


Matrix (GLCM)

Identification
Database
Probabilistic Neural Network
(PNN)

OUTPUT

Hasil dari identifikasi


menunjukkan citra dari
penyakit HCC atau normal

Gambar 3.1 Arsitektur umum

Universitas Sumatera Utara


27

Gambar 3.1 menunjukkan arsitektur dari sistem yang akan dibangun dimulai dari
input, process yang terdiri dari preprocessing, segmentation, feature extraction,
identification, dan tahap akhir yaitu output.

3.2. Dataset

Data citra yang digunakan dalam penelitian ini diperoleh dari The Cancer Imaging
Archive (TCIA) dan Radiopedia.org. TCIA merupakan sebuah situs yang disediakan
oleh Cancer Imaging Program (CIP) yang didirikan pada tahun 2010. TCIA
menyediakan data yang dapat diakses secara terbuka untuk penelitian kanker. Data
citra yang disediakan oleh TCIA merupakan data pasien yang mengidap penyakit
hepatocellular carcinoma atau kanker hati yang terdiri dari pemeriksaan CT-Scan,
MRI, dan PET. Format citra yang disediakan berupa citra DICOM (.dcm).
Radiopedia.org merupakan situs yang didirikan oleh Australian Neuroradiologist
Associated Professor Frank Gaillard pada Desember 2005. Radiopedia menyediakan
artikel-artikel sebagai referensi, dan citra hasil radiologi dari beberapa kasus. Format
citra yang disedikan berupa citra jpeg (.jpg).
Resolusi dari citra adalah 512x512 pixel dengan jumlah dari keseluruhan data
citra adalah 80 data. Pembagian data citra dapat dilihat pada tabel 3.1.
Tabel 3.1 Pembagian data citra yang digunakan
No Citra CT-Scan Jumlah Data
1 Normal 15
2 HCC 65
Jumlah 80
Dari jumlah keseluruhan citra, selanjutnya citra dibagi menjadi dua dataset,
yaitu dataset untuk training dan dataset untuk testing. Pembagian dataset dilakukan
dengan perbandingan training berjumlah 80% dan testing 20% dari keseluruhan data.
Pembagian untuk dataset training dan testing dapat dilihat pada tabel 3.2 dan tabel
3.3.
Tabel 3.2 Data training
No Citra CT-Scan Jumlah Data
1 Normal 12
2 HCC 52

Universitas Sumatera Utara


28

Jumlah 64
Tabel 3.3 Data testing
No Citra CT-Scan Jumlah Data
1 Normal 3
2 HCC 13
Jumlah 16

3.3. Preprocessing

Tahapan ini merupakan tahap awal untuk memproses citra yang bertujuan untuk
menghasilkan citra yang lebih baik untuk diproses ke tahapan selanjutnya. Untuk
tahapan preprocessing citra asli diproses dengan menggunakan gaussian filtering
yang bertujuan untuk penghalusan citra dengan mengurangi noise yang ada pada citra.
Citra asli dan citra hasil dari proses gaussian filtering dapat dilihat pada gambar 3.2.
dan 3.3.

Gambar 3.2 Citra asli


Gambar 3.2 menunjukkan contoh dari citra asli yang dimasukkan kedalam sistem dan
selanjutnya akan diproses sesuai dengan tahapan yang ada pada sistem.

Universitas Sumatera Utara


29

Gambar 3.3 Citra hasil dari gaussian filtering


Hasil dari proses gaussian filtering yang dilakukan pada sistem yang bertujuan untuk
memperbaiki citra asli dapat dilihat pada Gambar 3.3. Untuk mendapatkan hasil
gaussian filtering, proses yang digunakan didalam sistem yaitu seperti pada Gambar
3.4.

//Input citra yang akan diproses


//Memuat library opencv untuk proses GaussianBlur
//Membaca citra yang diinputkan
//Membuat matriks kosong untuk menyimpan hasil citra yang
diproses
//Menerapkan library opencv untuk GaussianBlur pada citra

Imgproc.GaussianBlur(nama objek dari class yang


mewakili citra input, nama objek class tempat menyimpan
hasil, ukuran kernel yang digunakan, standar deviasi);

//Membuat dan menyimpan citra hasil pemrosesan

Gambar 3.4 Pseudocode proses gaussian filtering

3.4. Segmentation

Setelah tahapan preprocessing yaitu segmentasi yang bertujuan untuk menghasilkan


citra biner dengan menggunakan thresholding dengan hasil akhir segmentasi yaitu
mendapatkan objek bagian hati. Tujuan dari segmentasi citra ini dilakukan untuk
memisahkan objek hati dari objek lainnya pada hasil CT-Scan perut. Beberapa proses
untuk mendapatkan hasi segmentasi diantaranya find contour, morphological
operators, dan thresholding.

Universitas Sumatera Utara


30

3.4.1. Find Contour

Fungsi find contour yaitu bertujuan untuk memisahkan citra pada bagian hati dari
bagian lainnya. Kemudian hasil akhir dari find contour dapat dilihat pada Gambar 3.5.

Gambar 3.5 Citra hasil dari find contour


Tujuan dari proses ini adalah untuk mengeliminasi bagian CT-Scan yang tidak
diperlukan dalam proses identifikasi penyakit hepatocellular carcinoma. Untuk
memperoleh hasil dari find contour dilakukan proses seperti pada Gambar 3.6.
//Menggunakan fungsi findcontour yang ada pada opencv

findContour(citraInput, contour, hierarchy, memilih


mode library yang akan digunakan, method yang digunakan);

Gambar 3.6 Pseudocode untuk proses find contour

3.4.2. Morphological Operators

Setelah tahapan thresholding dilakukan, seanjutnya yaitu morphological operators


dengan menggunakan fungsi dilasi dan erosi yang bertujuan untuk mengisi dan
menipiskan tepian citra untuk mendapatkan hasil segmentasi yang lebih baik.
Adapun proses pada morfologi diantaranya :

3.4.2.1. Dilation
Fungsi dari dilasi yaitu untuk menebalkan objek didalam citra. Proses dilasi yang
diterapkan pada sistem dapat dilihat pada Gambar 3.7.

Universitas Sumatera Utara


31

//Memuat library opencv untuk proses morfologi dilasi


//Membuat matriks kosong untuk menyimpan hasil citra yang
diproses
//Menerapkan library opencv untuk dilasi pada citra

Imgproc.Dilate(objek dari class yang mewakili citra


input, nama objek class tempat menyimpan hasil,
Imgproc.getStructuringElement(Imgproc.MORPH_RECT, nilai
matriks kernel dari dilasi);

//Membuat dan menyimpan citra hasil pemrosesan

Gambar 3.7 Pseudocode proses dilasi


3.4.2.2. Erotion
Erosi berfungsi untuk melakukan penipisan objek pada citra. Erosi bekerja menghapus
titik-titik objek yang menjadi bagian dari background berdasarkan struktur elemen
yang digunakan. Proses dilasi yang diterapkan pada sistem dapat dilihat pada Gambar
3.8.
//Memuat library opencv untuk proses morfologi erosi
//Membaca citra yang diinputkan, yaitu citra hasil dari
dilasi
//Membuat matriks kosong untuk menyimpan hasil citra yang
diproses
//Menerapkan library opencv untuk erosi pada citra

Imgproc.Erode(objek dari class yang mewakili citra


input, nama objek class tempat menyimpan hasil,
Imgproc.getStructuringElement(Imgproc.MORPH_RECT, nilai
matriks kernel dari erosi);

//Membuat dan menyimpan citra hasil pemrosesan

Gambar 3.8 Pseudocode proses erosi


3.4.3. Thresholding

Pada tahapan thresholding bertujuan untuk mendapatkan hasil citra biner dari citra
grayscale CT-Scan. Hasil proses thresholding dapat dilihat pada Gambar 3.9.

Universitas Sumatera Utara


32

Gambar 3.9. Citra hasil thresholding

Pada Gambar 3.9 menunjukkan hasil dari pemprosesan thresholding pada salah satu
citra CT-Scan. Untuk mendapatkan hasil thresholding menggunakan proses seperti
pada Gambar 3.10.

//Memuat library opencv untuk proses Thresholding


//Membaca citra yang diinputkan dari hsil morfologi
//Membuat matriks kosong untuk menyimpan hasil citra yang
diproses
//Menerapkan library opencv untuk Thresholding pada citra

Imgproc.Threshold(objek dari class yang mewakili


citra input, nama objek class tempat menyimpan hasil,
nilai threshold yang digunakan, nilai maksimal dari
piksel, tipe threshold yang digunakan);

//Membuat dan menyimpan citra hasil pemrosesan

Gambar 3.10 Pseudocode proses thresholding

3.5. Ekstraksi Fitur

Tahapan setelah proses segmentasi adalah ekstraksi fitur. Ekstraksi fitur pada
penelitian ini menggunakan metode Gray Level Co-occurance Matrix (GLCM).
GLCM merupakan matriks yang menunjukkan probabilitas nilai grayscale piksel
referensi dengan nilai grayscale tetangga berdasarkan jarak dan arah tertentu. Nilai
GLCM yang didapat digunakan untuk merepresentasikan citra. Langkah-langkah yang
digunakan pada ekstraksi fitur menggunakan GLCM adalah sebagai berikut.
1. Menentukan gray level pada citra. Nilai gray level yang digunakan adalah 256.

Universitas Sumatera Utara


33

2. Membentuk matriks framework berdasarkan nilai gray level.


3. Menentukan jarak dan arah yang digunakan untuk membentuk matriks
kookurensi. Pada penelitian ini jarak yang digunakan adalah 1 dan arah yang
digunakan adalah 0o, 35o, 90o dan 135o.
4. Membentuk matriks kookurensi berdasarkan jarak dan arah yang dipilih.
5. Membentuk matriks simetris dengan cara menambahkan matriks kookurensi
dengan matriks transpose dari matriks kookurensi tersebut.
6. Melakukan normalisasi terhadap matriks simetris dengan cara membagi nilai
setiap elemen matriks simetris dengan penjumlahan seluruh nilai elemen pada
matriks simetris.
7. Menghitung fitur statistik dari matriks yang telah dinormalisasi. Fitur yang akan
digunakan berjumlah 5, yaitu angular second moment, contrast, correlation,
inverse difference moment, dan entropy.

Dari 5 fitur yang digunakan, dihitung masing-masing matriks kookurensi yang sudah
dinormalisasi. Fitur statistik terdiri dari 4 arah yaitu 0 o, 45o, 90o dan 135o dengan
jarang yang digunakan adalah 1. Jumlah fitur yang akan diproses pada tahap
klasifikasi adalah 5 x 4 = 20 fitur. Contoh nilai ekstraksi fitur GLCM dari sebuah citra
dapat dilihat pada Tabel 3.1.
Tabel 3.4 Contoh nilai ekstraksi fitur GLCM dari sebuah citra

No Fitur Arah Nilai


1 Angular Second Moment (ASM) 0o 0.79095
2 Angular Second Moment (ASM) 45o 0.7906
3 Angular Second Moment (ASM) 90o 0.79082
4 Angular Second Moment (ASM) 135o 0.78951
5 Entropy 0o 1.1483
6 Entropy 45o 1.15453
o
7 Entropy 90 1.14521
8 Entropy 135o 1.16082

Universitas Sumatera Utara


34

Tabel 3.1 Contoh nilai ekstraksi fitur GLCM dari sebuah citra (lanjutan)
No Fitur Arah Nilai
9 Inverse Difference Moment (IDM) 0o 0.90165
10 Inverse Difference Moment (IDM) 45o 0.8998
11 Inverse Difference Moment (IDM) 90o 0.90224
12 Inverse Difference Moment (IDM) 135o 0.89957
o
13 Contrast 0 88.27084
14 Contrast 45o 105.50978
15 Contrast 90o 89.61328
16 Contrast 135o 150.92022
17 Correlation 0o 2.6693
o
18 Correlation 45 2.66301
o
19 Correlation 90 2.66881
20 Correlation 135o 2.64644

Pada tabel 3.1 menunjukkan contoh dari nilai ekstraksi fitur dari sebuah citra yang di
inputkan kedalam sistem, hasil dari ekstraksi fitur menggunakan GLCM akan
digunakan untuk proses identifikasi citra dengan menggunakan Probabilistic Neural
Network.

3.6. Identifikasi

Tahapan selanjutnya setelah nilai ekstraksi ciri didapatkan yaitu identifikasi dengan
menggunakan metode Probabilistic Neural Network (PNN). Tahapan pada metode ini
dibagi menjadi dua tahap yaitu tahap pelatihan dan tahap pengujian. Sebelum ke tahap
pengujian, data latih masuk pada tahapan pelatihan untuk mendapatkan nilai ekstraksi
ciri dari data latih. Pada tahap pengujian nilai dari hasil ekstraksi ciri akan masuk
kedalam pattern layer dan summation layer. Nilai probabilitas yang tertinggi akan
dikelompokkan kedalam kelas tersebut. Proses pelatihan algoritma PNN dapat dilihat
pada Gambar 3.8.

Universitas Sumatera Utara


35

Inisialisasi matriks X

for i=0 sampai i<=panjang X


tentukan nilai ekstraksi ciri
sebagai bobot
end for

simpan bobot kedalam database

Gambar 3.11. Pseudocode proses pelatihan metode PNN


Pada Gambar 3.11 menunjukkan pseudocode pada proses pelatihan menggunakan
metode Probabilistic Neural Network (PNN). Nilai dari hasil ekstraksi fitur setiap data
pelatihan akan dijadikan sebagai input proses pelatihan menggunakan Probabilistic
Neural Network. Adapun arsitektur untuk proses pengujian menggunakan PNN untuk
mengidentifikasi penyakit hepatocellular carcinoma dapat dilihat pada Gambar 3.12.

Gambar 3.12 Arsitektur proses pengujian menggunakan PNN


Keterangan untuk arsitektur proses identifikasi penyakit HCC pada Gambar 3.12
yaitu,
1. Input layer data uji yang digunakan masing-masing 20% dari data keseluruhan
yaitu 13 data untuk CT-Scan penyakit HCC dan 3 data untuk CT-Scan normal.

Universitas Sumatera Utara


36

2. Selanjutnya dilakukan perbandingan terhadap data training yang ada pada pattern
layer dengan menghitung jarak kedekatan dengan vektor bobot yang ada didalam
database dengan menerapkan gaussian kernel.
Jumlah vektor bobot yang tersimpan yaitu h1 sampai dengan h52 yang
menunjukkan jumlah training untuk data HCC sebanyak 52 data, dan n1 sampai
dengan n12 yang menunjukkan jumlah training untuk data normal sebanyak 12
data. Untuk nilai smoothing parameter (σ) yang digunakan adalah 1.
3. Pada bagian summation layer hasil dari fungsi gaussian kernel dijumlahkan
dengan kelas yang sama kemudian di rata-ratakan dengan jumlah data uji sesuai
dengan kelas masing-masing. Tujuan dari peroses ini untuk mencari probabilitas
masing-masing kelas. Kelas yang terdapat pada summation layer adalah HCC dan
normal.
4. Nilai probabilitas yang tertinggi akan masuk kedalam kelas tersebut, sehingga
hasil dari output layer akan menunjukkan data yang uji yang dimasukkan
termasuk kedalam kelas HCC atau normal.

3.7. Perancangan Sistem

Pada tahap ini akan diuraikan mengenai perancangan menu sistem dan perancangan
antarmuka dari sistem identifikasi penyakit hepatocellular carcinoma menggunakan
Probabilistic Neural Network.

3.7.1. Diagram Aktifitas


Diagram aktifitas adalah suatu proses yang menampilkan alur kerja dari pengguna
terhadap sistem yang dibuat secara bertahap. Adapun diagram aktifitas dari sistem
identifikasi penyakit hepatocellular carcinoma dapat dilihat pada Gambar 3.13.

Universitas Sumatera Utara


37

Pengguna Sistem

Klik menu dan pilih submenu Menampilkan halaman splash


training untuk melakukan dan menuju halaman utama
proses training
Menampilkan halaman
training data
Klik button cari data pada
masing-masing panel data
Menampilkan kotak dialog
data citra untuk ditraining
Memilih citra yang akan
ditraining
Menampilkan list citra yang
telah dipilih pada panel data

Klik button Training

Menampilkan notifikasi
proses training selesai
Klik menu dan pilih submenu
testing

Menampilkan halaman testing

Klik button cari data untuk


memilih data
Menampilkan kotak dialog
data citra untuk ditesting
Memilih citra yang akan
ditesting
Menampilkan citra yang telah
dipilih

Klik button Process


Menampilkan hasil
identifikasi HCC

Melihat hasil identifikasi


HCC

Gambar 3.13 Diagram Aktifitas dari sistem

Universitas Sumatera Utara


38

3.7.2. Perancangan Menu Sistem


Struktur menu yang terdapat pada sistem dapat dilihat pada Gambar 3.14.

Tampilan
Halaman Splash

Tampilan
Halaman Utama

Training Upload Testing Reset

Gambar 3.14. Struktur menu sistem


Struktur menu sistem yang ada pada sistem ini ditunjukkan pada Gambar 3.14
diantaranya terdapat menu training, testing, serta button upload dan reset.

3.7.3. Perancangan Antarmuka

Perancangan antarmuka diperlukan dalam membangun sebuah sistem untuk


memberikan gambaran umum tampilan yang akan dibangun. Rancangan antarmuka
ini bertujuan untuk memberikan kemudahan dalam membangun aplikasi sehingga
tujuan dan fungsi setiap tampilan dapat dipahami dengan baik.

3.7.3.1. Perancangan Halaman Splash

Pada halaman utama sistem terdapat gambar struktur tubuh manusia dan difokuskan
pada bagian hati dan terdapat teks berupa nama sistem dibagian atas gambar hati.
Rancangan tampilan utama dapat dilihat pada Gambar 3.15.

Universitas Sumatera Utara


39

Nama Sistem

Gambar 3.15. Rancangan tampilan splash


Keterangan :
a. Gambar latar yang difokuskan pada bagian hati.
b. Teks yang bertuliskan nama sistem.

3.7.3.2. Perancangan Halaman Utama

Halaman utama sistem merupakan tampilan untuk testing sistem. Fasilitas yang ada
pada halaman testing yaitu menu yang sub menunya terdiri dari training dan testing,
pemilihan citra CT-Scan yang akan diproses, hasil pemrosesan citra, dan hasil dari
identifikasi citra yang menentukan citra yang di input merupakan hepatocellular
carcinoma atau normal. Perancangan tampilan halaman utama sistem dapat dilihat
pada Gambar 3.16.

Universitas Sumatera Utara


40

Gambar 3.16. Rancangan halaman utama


Keterangan :
a. Frame utama yang menampung keseluruhan panel yang terdiri dari tombol
minimize yang akan memperkecil ukuran jendela aplikasi, tombol maximize yang
disabled karena frame sudah diatur sebesar ukuran layar, jadi tidak bisa
diperbesar lagi, dan terakhir tombol close yang akan menutup aplikasi tersebut.
b. Bagian menu yang terdiri dari sub menu training dan testing.
c. Button “cari data testing” yang berfungsi untuk menampilkan kotak dialog yang
berisi data citra yang akan di uji.
d. Button “proses” yang berfungsi untuk memulai proses pengujian pada citra.
e. Panel yang menampilkan citra asli yang sudah dipilih untuk dilakukan proses uji.
f. Panel yang menampilkan citra yang diproses menggunakan gaussian filtering.
g. Panel yang menampilkan citra hasil cropping, dari citra gaussian.
h. Panel yang menampilkan citra yang di threshold.
i. Panel yang menampilkan hasil dari identifikasi citra dari citra input.
j. Panel yang menampilkan hasil dari ekstraksi fitur menggunakan GLCM.

3.7.3.3. Prancangan Halaman Training

Universitas Sumatera Utara


41

Halaman training bertujuan untuk melakukan proses training sistem dengan citra yang
diinputkan berupa citra yang merupakan hasil CT-Scan hati yang teridentifikasi HCC
dan normal. Perancangan halaman training dapat dilihat pada Gambar 3.17.

Gambar 3.17. Rancangan halaman training


Keterangan :
a. Frame utama yang menampung keseluruhan panel yang terdiri dari tombol
minimize yang akan memperkecil ukuran jendela aplikasi, tombol maximize yang
disabled karena frame sudah diatur sebesar ukuran layar, jadi tidak bisa
diperbesar lagi, dan terakhir tombol close yang akan menutup aplikasi tersebut.
b. Bagian menu yang terdiri dari sub menu training dan testing.
c. Button “cari data” yang berfungsi untuk menampilkan dialog yang berisi data
citra yang akan diinputkan pada data normal untuk dilakukan proses training.
d. Button “reset” yang berfungsi untuk mereset data yang sudah diinputkan kedalam
panel data normal.
e. Button “cari data” yang berfungsi untuk menampilkan dialog yang berisi data
citra yang akan diinputkan pada data HCC untuk dilakukan proses training.
f. Button “reset” yang berfungsi untuk mereset data yang sudah diinputkan kedalam
panel data HCC.
g. Button “training PNN” berfungsi untuk melakukan proses training pada data citra
yang telah diinputkan.

Universitas Sumatera Utara


42

h. Panel yang menampilkan data citra normal untuk di latih.


i. Panel yang menampilkan data citra HCC untuk dilatih.

Universitas Sumatera Utara


BAB 4

IMPLEMENTASI DAN PENGUJIAN

Bab ini akan membahas hasil dari implementasi metode yang digunakan untuk
mengidentifikasi penyakit hepatocellular carcinoma, yaitu metode Probabilistic
Neural Network dengan data citra hasil dari CT-Scan. Pengujian sistem yang
dilakukan sesuai dengan analisis data dan perancangan yang telah di bahas pada Bab
3.

4.1. Implementasi Sistem

Untuk tahap implementasi sistem, proses yang digunakan untuk mengidentifikasi


penyakit hepatocellular carcinoma dimulai dari preprocessing, segmentation, feature
extraction, dan identification diimplementasikan kedalam bahasa pemrograman Java
dengan perancangan yang telah dilakukan.

4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun
sistem ini adalah sebagai berikut :

1. Processor AMD E1-2100 APU with Radeon (TM) HD Graphics 1.00 GHz.
2. Kapasitas hard disk 320 GB
3. Memori RAM yang digunakan 2,00 GB.
4. Sistem operasi yang digunakan Windows 7 Ultimate
5. NetBeans IDE 8.2
6. Library yang digunakan adalah OpenCV 3.1.0 dan SQLite JDBC 3.20.0

4.1.2. Implementasi Perancangan Antarmuka

Implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah


dibahas pada Bab 3 adalah sebagai berikut.

Universitas Sumatera Utara


44

1. Tampilan Halaman Splash


Halaman utama adalah tampilan saat pertama kali sistem dijalankan.
Tampilan dari halaman utama dapat dilihat pada Gambar 4.1.

Gambar 4.1 Tampilan halaman splash


Pada Gambar 4.1 menampilkan halaman splash yang menampilkan gambar
latar yang difokuskan pada bagian hati. Gambar latar pada halaman splash
diperoleh dari situs www.kokilabenhospital.com. Terdapat teks yang
bertuliskan judul dari sistem yang dibuat.

2. Tampilan Halaman Utama Sistem


Tampilan halaman utama berupa halaman testing merupakan halaman untuk
memproses citra dan memperoleh hasil dari identifikasi citra menggunakan
algoritma Probabilistic Neural Network. Tampilan halaman utama dapat
dilihat pada Gambar 4.2.

Universitas Sumatera Utara


45

Gambar 4.2 Tampilan halaman utama


Pada Gambar 4.3 yaitu tampilan halaman utama yang berisi proses testing
yang dilakukan dengan cara menginputkan citra yang akan di testing.
Selanjutnya citra akan diproses dan memperlihatkan hasil identifikasi dari
citra yang diinputkan.

3. Tampilan Halaman Training Sistem


Tampilan ini merupakan halaman untuk dilakukannya proses training data
dan hasil dari ekstraksi citra akan di input kedalam database. Tampilan dari
halaman training sistem ini dapat dilihat pada Gambar 4.3.

Gambar 4.3 Tampilan halaman training


Pada Gambar 4.2 adalah tampilan proses training yang bertujuan untuk
melakukan proses training dari metode yang digunakan yaitu Probabilistic

Universitas Sumatera Utara


46

Neural Network. Proses training dilakukan dengan menginputkan citra yang


teridentifikasi penyakit hcc dan normal.

4.2. Prosedur Operasional

Tampilan awal sistem merupakan tampilan splash yang berisikan informasi sistem,
yaitu terdapat background dengan gambar yang difokuskan pada bagian hati, dan
terdapat nama sistem dibagian atas gambar hati. Setelah tampilan splash maka akan
ditmapilkan halaman utama sistem. Halaman utama sistem berupa tampilan halaman
testing yang berisi menu dengan sub menu training dan testing. Gambar 4.4
menampilkan tampilan utama sistem yaitu tampilan testing dan tampilan saat menu
diklik.

Gambar 4.4 Tampilan halaman utama dan saat menu diklik


Pada Gambar 4.4 menunjukkan tampilan halaman testing saat data belum dimasukkan
kedalam sistem untuk diuji. Sebelum melakukan proses pengujian data pada sistem,
data dilatih terlebih dahulu, untuk melakukan proses pelatihan data dari metode yang
digunakan dapat dilakukan dengan cara mengklik submenu training yang ada pada
menu. Untuk dapat memulai pelatihan pnn citra normal dan HCC perlu dimasukkan
terlebih dahulu. Tampilan saat submenu training dipilih dapat dilihat pada Gambar
4.3. Untuk memasukkan citra normal dapat dilakukan dengan mengklik pada button
“cari data”. Tampilan pada button diklik dapat dilihat pada Gambar 4.5.

Universitas Sumatera Utara


47

Gambar 4.5 Tampilan saat button cari data diklik

Pada Gambar 4.5 menunjukkan tampilan ketika button cari data diklik. Citra yang
sudah dipilih akan ditampilkan pada masing-masing panel citra. Gambar 4.6
menunjukkan masing-masing panel citra yang sudah dipilih untuk dilakukan proses
pelatihan PNN. Jika ingin melakukan input ulang pada panel normal maupun tumor
dengan membersihkan terlebih dahulu panel sebelumnya dapat menggunakan button
reset yang berada disamping button cari data pada masing-masing panel seperti yang
ditampilkan pada Gambar 4.7.

Gambar 4.6 Tampilan setelah citra dipilih

Universitas Sumatera Utara


48

Gambar 4.6 menunjukkan tampilan data citra pada masing-masing panel yang telah
dipilih untuk kemudian di training oleh sistem.

Gambar 4.7 Tampilan saat salah satu panel citra di reset


Pada Gambar 4.7 tampilan saat salah satu panel di reset, selanjutnya bisa dilakukan
input ulang data citra yang akan di training.
Setelah citra CT-Scan dipilih, maka dapat dilakukan proses pelatihan dengan
mengklik button training PNN.

Gambar 4.8 Tampilan saat proses training selesai dilakukan


Pada Gambar 4.8 menampilkan kotak dialog yang berisi informasi jika proses training
telah selesai dilakukan.

Universitas Sumatera Utara


49

Setelah proses training selesai dilakukan, maka dapat dilanjutkan dengan


melakukan testing (pengujian) sistem. Untuk memulai pengujian sistem dapat
dilakukan dengan mengklik menu dan memilih submenu testing terlebih dahulu.
Kemudian akan ditampilkan tampilan seperti pada Gambar 4.4.

Gambar 4.9 Tampilan saat button cari data testing diklik


Sama halnya dengan saat training dilakukan, perlu menginputkan citra yang akan diuji
terlebih dahulu dengan mengklik button cari data testing seperti yang terlihat pada
Gambar 4.9. Tampilan pada saat citra yang akan diproses sudah dipilih dapat dilihat
pada Gambar 4.10.

Gambar 4.10 Tampilan saat citra telah dipilih

Universitas Sumatera Utara


50

Pada Gambar 4.10 menunjukkan tampilan pada saat data citra yang akan diproses
telah dipilih. Jika data testing telah dipilih, maka tampilan yang dapat dilihat adalah
proses yang terjadi pada gambar mulai dari tampilan citra asli, citra yang diproses
menggunakan gaussian, citra yang diproses dengan threshold dan citra hasil dari
segmentasi. Selanjutnya citra dapat diproses dengan mengklik pada button proses
seperti yang terlihat pada Gambar 4.11. Button proses berfungsi untuk memulai proses
pengujian pada citra yang diinputkan. Proses ini terdiri dari tahapan gaussian pada
tahap preprocessing, cropping, feature extraction, dan identification. Hasil dari proses
testing tersebut adalah identifikasi yang menunjukkan citra yang diinputkan
merupakan penyakit hepatocellular carcinoma atau normal.

Gambar 4.11 Tampilan dari hasil proses testing


Gambar 4.11 menunjukkan tampilan sistem saat data citra sudah proses dengan hasil
identifikasi adalah “hepatocellular carcinoma”.

Universitas Sumatera Utara


51

Gambar 4.12 Tampilan dari hasil proses testing kedua


Gambar 4.12 menunjukkan tampilan sistem saat proses testing sudah dilakukan
dengan gambar yang berbeda dan hasil yang berbeda. Pada Gambar 4.12 menunjukan
hasil dari identifikasi citra yang diinputkan adalah “normal”.

4.3. Pengujian Sistem

Pada tahap ini akan dilakukan pengujian terhadap data citra dan sistem. Pengujian
data dilakukan pada 13 citra hepatocellular carcinoma dan 3 citra normal dengan data
training 52 citra hepatocellular carcinoma dan 12 citra normal. Pengujian dilakukan
dengan menggunakan smoothing parameter (σ) yang memiliki nilai berbeda, dimulai
dari 0.01, 0.03, 0.05, 0.07, 0.09, 0.1, 0.3, 0.6, dan 0.9. Hasil dari pengujian sistem
dapat dilihat pada Tabel 4.1 dan Tabel 4.2.

Universitas Sumatera Utara


52

Tabel 4.1 Hasil pengujian sistem untuk data normal

Gambar Citra Nilai PNN Nilai PNN


No Hasil Ket
Citra Hasil Normal HCC

3.731734823559 3.4504455195
1 Normal Normal
6195E-4 80926E-4

3.642332166201 3.3966922471
4375E-4 26634E-4
2 Normal Normal

3.418498922524 3.5956550197
3 HCC Normal
0073E-4 72663E-4

Tabel 4.2 Hasil pengujian sistem untuk data HCC


Gambar Citra Niali PNN Nilai PNN
No Hasil Ket
Citra Hasil Normal HCC

3.363036368306 3.5549271868
1 HCC HCC
2787E-4 030196E-4

3.363985328541 3.5540091644
2 HCC HCC
36E-4 037364E-4

3.275274522521 3.5270596465
3 HCC HCC
6224E-4 259183E-4

3.296406148467 3.5242594411
4 HCC HCC
54E-4 633775E-4

3.146932944429 3.5183517385
5 HCC HCC
172E-4 438103E-4

Universitas Sumatera Utara


53

Tabel 4.2 Hasil pengujian sistem untuk data HCC (lanjutan)


Gambar Citra Nilai PNN Nilai PNN
No Hasil Ket
Citra Hasil Normal HCC

2.794380826745 3.1762580257
6 HCC HCC
542E-4 853036E-4

2.408566519723 2.5856691663
7 HCC HCC
1675E-4 911206E-4

2.856137148379 3.3213208723
8 HCC HCC
3835E-4 38199E-4

3.421099034367 3.5318028158
9 HCC HCC
597E-4 59784E-4

3.408790081682 3.5816635510
10 HCC HCC
4764E-4 801595E-4

3.091221128523 3.5416188640
11 HCC HCC
283E-4 997057E-4

3.300101072489 3.5064574161
12 HCC HCC
411E-4 43105E-4

2.688387609834 2.9412489042
13 HCC HCC
502E-4 632696E-4

Tabel 4.2 merupakan tabel hasil dari proses identifikasi yang menentukan penyakit
hepatocellular carcinoma dengan data citra yang merupakan HCC.

Universitas Sumatera Utara


54

Berdasarkan hasil dari pengujian yang telah dilakukan menunjukkan nilai


smoothing parameter (σ) 0.1 memiliki akurasi yang terendah yaitu 68,75% dengan
jumlah data yang salah sebanyak 5 data, sedangkan nilai smoothing parameter (σ) 0,6
dan 0,9 memiliki akurasi yang cukup tinggi dibanding dengan nilai yang lainnya
dengan jumlah data yang salah yaitu 1 data, sehingga dalam sistem yang dibangun
nilai σ yang digunakan adalah 0,9. Grafik akurasi hasil pengujian dengan smoothing
parameter (σ) yang berbeda dapat dilihat pada Gambar 4.13.
100.00% 93.75% 93.75%
90.00% 81.25% 81.25% 81.25%
80.00% 75% 75% 75%
68.75%
70.00%
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
σ 0.01 σ 0.03 σ 0.05 σ 0.07 σ 0.09 σ 0.1 σ 0.3 σ 0.6 σ 0.9

Akurasi

Gambar 4.13 Grafik akurasi hasil pengujian

Berdasarkan hasil dari uji pada sistem untuk mengidentifikasi penyakit


hepatocellular carcinoma menggunakan Probabilistic Neural Network, diperoleh nilai
akurasi dengan menggunakan persamaan 4.1

Persentase Akurasi =

= (4.1)

=
Hasil akurasi yang diperoleh dengan menggunakan persamaan 4.1 menunjukkan
bahwa dengan menggunakan metode Probabilistic Neural Network mencapai 93,75%
dengan jumlah data uji sebanyak 16 citra yang terbagi atas 13 citra hepatocellular
carcinoma dan 3 citra normal.

Universitas Sumatera Utara


BAB 5

KESIMPULAN DAN SARAN

Bab ini akan membahas tentang kesimpulan dari metode yang telah digunakan untuk
mengidentifikasi penyakit hepatocellular carcinoma dan juga saran-saran untuk
pengembangan penelitian berikutnya.

5.1. Kesimpulan

Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem identifikasi


penyakit hepatocellular carcinoma dengan menggunakan Probabilistic Neural
Network adalah sebagai berikut :
1. Metode Probabilistic Neural Network dapat melakukan identifikasi penyakit
hepatocellular carcinoma dengan cukup bekerja dengan baik sehingga akurasi
yang diperoleh mencapai 93,75%, dengan data uji sebanyak 16 citra yang
terbagi menjadi 13 citra HCC dan 3 citra normal.
2. Nilai dari smoothing parameter (σ) yang digunakan untuk melakukan proses
pengujian berpengaruh untuk mendapatkan hasil akurasi yang sesuai. Nilai σ
yang digunakan dalam penelitian ini adalah 0,9.
3. Penggunaan metode gray level co-occurance matrix untuk proses fitur
ekstraksi bekerja dengan baik untuk mengenali objek sehingga dapat
mengidentifikasi penyakit hepatocellular carcinoma dan normal.

5.2. Saran

Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut :


1. Menggunakan data citra yang berbeda seperti data citra hasil USG dan MRI
untuk mengidentifikasi HCC.
2. Mencari sumber data yang berbeda seperti data dari rumah sakit maupun situs
lain selain TCIA dan Radiopedia yang menyediakan data untuk penyakit HCC.

Universitas Sumatera Utara


56

3. Menambahkan metode untuk mendeteksi letak dari kanker hati secara detail
pada bagian hati yang memiliki kanker.
4. Membandingkan metode Probabilistic Neural Network dengan metode neural
network lainnya seperti Convolutional Neural Network dalam hal
mengidentifikasi penyakit hepatocellular carcinoma.

Universitas Sumatera Utara


57

DAFTAR PUSTAKA

Anggoro, W. 2016. Implementasi ekstraksi fitur tekstur gray level co-occurance


matrices (glcm) untuk pengelompokan citra tenun menggunakan algoritma k-
means. Skripsi. Universitas Dian Nuswantoro.

Antonidoss., & Kaliyamurthie, K.P. 2014. Segmentation from image using adaptive
thresholding. Middle-East Journal of Scientific Research 20 (4): 479-484.

Befeler, A.S. & Bisceglie, A.M.D. 2002. Hepatocellular carcinoma: diagnosis and
treatment. Gastroenterology 122:1609-1619.

Butar-Butar, A.M.C. 2013. Prevalensi karsinoma hepatoselular di rumah sakit haji


adam malik Medan pada tahun 2009-2012. Skripsi. Universitas Sumatera Utara.

Chairani, R. 2016. Identifikasi kesuburan pria melalui kelainan sperma berdasarkan


morfologi (teratospermia) menggunakan metode invariant moment. Skripsi.
Universitas Sumatera Utara.

Departemen Kesehatan Republik Indonesia. 2015. Pusat Data dan Informasi.


Indonesia. Jakarta.

Fatihah, N. 2016. Identifikasi jenis kayu tropis menggunakan backpropagation neural


network. Skripsi. Universitas Sumatera Utara.

Febriani, A. 2014. Identifikasi diabetic retinopathy melalui citra retina menggunakan


k-nearest neighbor. Skripsi. Universitas Sumatera Utara.

Gunasundari, S., & Ananthi, M.S. 2012. Comparison and evaluation of methods for
liver tumor classification from CT datasets. International Journal of Computer
Application (0975-8887).

Gurakar, A., Hamilton, J.P., Koteish, A., Li, Z., & Mezey, E. 2013. Hepatocellular
carcinoma (Liver Cancer): Introduction. Maryland.

Hajmeer, M., Basheer, I. 2002. Aprobabilistic neural network approach for modeling
and classification of bacterial growth/no-graowth data. Journal of
Microbiological Methods 51:217-226.

Hsu, W.-T., Yeh, J.-R., Chang, Y.-C., & Lin, Y.-H. 2011. A computer aided for image
processing of computed tomography in hepatocellular carcinoma. IEEE
International Conference on Bioinformatics and Biomedicine Workshops, pp.
942-944.

Universitas Sumatera Utara


58

Jansi, S., & Subashini, P. 2012. Optimized adaptive thresholding based edge detection
method for MRI brain images. International Journal of Computer Application
(0975-8887) 51(20):1-8.

Joshi, D., & Londhe, N.D. 2013. Automatic liver tumour detection in abdominal CT
images. International Journal of Computer Technology and Electronics
Engineering (IJCTEE) 3(1):25-30.

Kokilaben Dhirubhai Ambani Hospital. 2017. Liver Transplant Surgery in India–


Kokilaben Hospital. (Online)
http://www.kokilabenhospital.com/landingpage/LiverTransplant (diakses 21
Oktober 2017).

Krishan, A., & Mittal, D. 2015. Detection and classification of liver cancer using CT
image. International Journal on Recent Technologies in Mechanical and
Electrical Engineering (IJRMEE) 2(5):093-098.

Kurnianto, J. 2017. Penentuan lokasi parkir kosong menggunakan algoritma


probabilistic neural network (pnn). Skripsi. Universitas Sumatera Utara.

Li, W., Jia, F., & Hu, Q. 2015. Automatic segmentation of liver tumor in CT images
with deep convolutional neural networks. Journal of Computer and
Communications 3:146-151.

Liu, T., Fang, S., Zhao, Y., Wang, P., & Zhang, J. 2015. Implementation of training
convolutional neural networks. University of Chinese Academy of Sciences.

Mishra, M., Jena.,A.R., Das, R. 2013. A probabilistic neural network approach for
classification of vehicle. International Journal of Application or Innovation in
Engineering & Management (IJAIEM) 2(7) : 367 -371.

Mohaniah, P., Sathyanarayana, P., & GuruKumar, L. Image texture feature extraction
using glcm approach. International Journal of Scientific Research Publication
3(5):1-5.

Nurrahmadayeni. 2017. Identifikasi penyakit hypertensive retinopathy melalui citra


fundus retina menggunakan probabilistic neural network. Skripsi. Universitas
Sumatera Utara.

Obayya, M.I.M., Areed, N.F.F. & Abdulhadi, A.O. 2016. Liver cancer identification
using adaptive neuro-fuzzy inference system. International Journal of Computer
Application (0975-8887) 140(8):1-6.

Putra, I. D., 2009. Identifikasi tanda tangan menggunakan probabilistic neural


networks (pnn) dengan praproses menggunakan transformasi wavelet. Skripsi.
Institut Pertanian Bogor.

Universitas Sumatera Utara


59

Putra, T. W. A., 2013. Pengenalan wajah dengan matriks kookurensi aras keabuan dan
jaringan saraf tiruan probabilistik. Tesis. Universitas Diponegoro Semarang.

Surya, R. A., Fadlil, A., & Yudhana, A. 2017. Ekstraksi ciri metode gray level co-
occurance matrix (glcm) dan filter gabor untuk klasifikasi citra batik
pekalongan. Jurnal Informatika : Jurnal Pengembangan IT.

Susanto, F. A. 2015. Identifikasi daging sapi dan daging babi menggunakan fitur
ekstraksi glcm dan k-nn clasifier. Skripsi. Universitas Dian Nuswantoro.

Wibisono, D. C. 2016. Metode gaussian smoothing untuk peningkatan kualitas citra


medis yang blur. Skripsi. Universitas Dian Nuswantoro.

Yuwono, B. 2010. Image smoothing menggunakan mean filtering, median filtering,


modus filtering dan gaussian filtering. Telematika: Jurnal Informatika dan
Teknologi Informasi 7(1): 65-75.

Zhou, H., Wu, J., & Zhang, J. 2010. Digital Image Processing: Part II (1st edition).
http://bookboon.com/en/digital-image-processing-part-two-ebook (13 Desember
2017).

Universitas Sumatera Utara