Skripsi - Moch Bahaudin A - 081611333006

IR - PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PENGGUNAAN EKSTRAKSI FITUR HISTOGRAM

BERBASIS METODE k-NEAREST NEIGHBOR
UNTUK DETEKSI TUBERKULOSIS PARU CITRA
THORAX
SKRIPSI
MOCH. BAHAUDIN AL CHOMACY
PROGRAM STUDI S-1 FISIKA
DEPARTEMEN FISIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
2020
SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

PENGGUNAAN EKSTRAKSI FITUR HISTOGRAM

BERBASIS METODE k-NEAREST NEIGHBOR
UNTUK DETEKSI TUBERKULOSIS PARU CITRA
THORAX
SKRIPSI
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains
Bidang Fisika pada Fakultas Sains dan Teknologi
Universitas Airlangga
Oleh
MOCH. BAHAUDIN AL CHOMACY
081611333006
Tanggal Lulus : 17 Oktober 2020
Disetujui Oleh:
Pembimbing I, Pembimbing II,
Endah Purwanti, S.Si., M.T Dr. Khusnul Ain, S.T., M.Si

NIP. 197710312009122003 NIP. 197207051997021001
ii

LEMBAR PENGESAHAN NASKAH SKRIPSI
Judul : Penggunaan Ekstraksi Fitur Histogram Berbasis

Metode k-Nearest Neighbor untuk Deteksi Tuberkulosis
Paru Citra Thorax
Penyusun : Moch. Bahaudin Al chomacy
NIM : 081611333006
Pembimbing I : Endah Purwanti, S.Si., M.T.
Pembimbing II : Dr. Khusnul Ain, S.T., M.Si.
Tanggal Seminar : 17 Oktober 2020
Disetujui oleh:
Pembimbing I, Pembimbing II,
Endah Purwanti, S.Si., M.T. Dr. Khusnul Ain, S.T., M.Si.
NIP. 197710312009122003 NIP. 197207051997021001
Mengetahui,
Ketua Departemen Fisika
Fakultas Sain dan Teknologi
Universitas Airlangga
Herri Trilaksana, S.Si, M.Si, Ph.D.

NIP. KATA PENGANTAR
197712282003121003
iii

PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam

lingkungan Universitas Airlangga, dipergunakan untuk dipakai sebagai referensi
kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan
sumbernya sesuai kebiasaan ilmiah.
Dokumen skripsi ini merupakan hak milik Universitas Airlangga.
iv


KATA PENGANTAR
Alhamdulillah puji syukur penulis ucapkan kepada Allah SWT yang telah
memberikan rahmat, taufik serta karunia-Nya sehingga penulis dapat
menyelesaikan penyusunan naskah skripsi yang berjudul “Penggunaan Ektraksi
Fitur Histogram Berbasis Metode k-Nearest Neighbor untuk Deteksi
Tuberkulosis Paru Citra Thorax”. Skripsi ini disusun dalam rangka memenuhi
salah satu syarat untuk memperoleh gelar Sarjana Sains (S.Si) di Fakultas Sains dan
Teknologi Universitas Airlangga dengan lancar dan tanpa kurang satu apapun.
Sholawat serta salam penulis tak lupa haturkan kepada junjungan kita nabi besar
Nabi Muhammad SAW yang telah memberikan revolusi dalam hidup di dunia,
yaitu dari zaman jahiliyah menuju zaman ulumiyah.
Pada kesempatan ini, penulis mengucapkan banyak terimakasih kepada

pihak-pihak yang telah membantu, memberi semangat, menasehati, serta
mendoakan agar naskah skripsi ini dapat selesai. Naskah ini disusun atas upaya dan
dalam proses yang panjang serta tidak lepas dari bantuan berbagai pihak, untuk itu
penlis mengucapkan terima kasih kepada :
1. Allah SWT yang telah memberikan kesempatan kepada penulis sehingga

penulis dapat menyelesaikan naskah skripsi dengan lancar.
2. Kedua orang tua yang senantiasa memberikan doa, dukungan, dan
senantiasa memberikan kasih sayang dan perhatiannya kepada penulis.
3. Ibu Endah Purwanti, S.Si., M.T sebagai pembimbing I dan Bapak Dr.
Khusnul Ain, S.T., M.Si sebagai pembimbing II yang selalu sabar
memberikan pengetahuan, dan memberi pengarahan dalam membimbing.
Sehingga skripsi ini dapat selesai dengan baik dan selalu memberikan saran
agar skripsi dapat menjadi lebih baik serta bermanfaat.
4. Bapak Ersyzario Edo Yunata, S.Si., M.Si., Ph.D sebagai penguji I dan
Bapak Drs. Pujiyanto, M.S sebagai penguji II yang telah banyak
memberikan saran dan kritik yang membangun agar skripsi ini menjadi lebh
baik lagi.
vi

5. Ibu Dr. Ir. Aminatun, M.Si selaku Dosen Wali yang selalu membimbing
penulis selama menjalankan studi sejak awal perkuliahan sampai
tersusunnya skripsi ini.
6. Teman-teman penulis di Himafi, JIMM, Banjari FST, dan Mahasantri serta
fisika angkatan 2014, 2015, 2016, 2017 yang senantiasa memberi semangat
dalam proses penyusunan skripsi.
7. Sahabat penulis di kos 118 Mulyorejo dan di Surabaya khususnya Arsita
Devia, Yazid Bastomi, Chavid Zakariya, Mas Fandik, Mas Hakim, Mas
Arif, Mas Fadil, Mas Saiful, Mas Erul, Mas Ali, Mas Anung, Mas Anggi,
Mas Haruna, Adit, Shofiyul Fuad, Fuad Agus, dan Yuslih yang selalu
memberikan dukungan, bantuan dan semangat sehingga naskah skripsi ini
dapat selesai dengan baik dan tepat waktu.
8. Staff pengajar dan karyawan Fakultas Sains dan Teknologi khususnya
Departemen Fisika yang telah memberikan ilmu dan bantuan selama
perkuliahan hingga naskah skripsi selesai.
9. Semua pihak yang telah membantu penulis dalam penelitian dan penulisan
naskah skripsi yang tidak bisa disebutkan satu per satu.
Surabaya, 4 Mei 2020

Penulis,
Moch. Bahaudin Al chomacy
vii

Moch. Bahaudin Al chomacy, 2020. Pengunaan Ekstraksi Fitur Histogram Berbasis

Metode k-Nearest Neighbor untuk Deteksi Tuberkulosis Paru Citra Thorax. Skripsi
di bawah bimbingan Endah Purwanti,S.Si., M.T dan Dr.Khusnul Ain, S.T., M.Si,
Program studi S1 Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga,
Surabaya.
ABSTRAK
Tuberkulosis (TB) paru merupakan penyakit yang disebabkan oleh bakteri

Mycobacterium tuberculosis dan merupakan ancaman utama bagi kesehatan
masyarakat dunia. Penularan bakteri Mycobacterium tuberculosis ketika pasien TB
paru mengalami batuk atau bersin sehingga bakteri juga menyebar ke udara dalam
bentuk percikan dahak atau droplet yang dikeluarkan penderita TB paru. Salah satu
cara untuk mendiagnosis Tuberkulosis yaitu dengan menggunakan citra hasil chest
X-ray. Namun pemeriksaan ini memiliki kendala yaitu akurasi yang tidak memiliki
standar akibat hasil analisis tergantung pada kemampuan ahli medis. Pada
penelitian ini dilakukan perancangan program deteksi tuberkulosis paru dengan
metode klasifikasi k-Nearest Neighbor dan fitur histogram sebagai masukan. Untuk
membantu tenaga ahli medis dalam mendiagnosis tuberkulosis paru yang memiliki
akurasi terstandar. Fitur histogram yang digunakan untuk masukan pada klasifikasi
k-Nearest Neighbor yaitu mean, entropi, skewness, standard deviasi, dan mean
square. .Keluaran program dibagi menjadi 2 kelas yaitu tuberkulosis (0) dan normal
(1). Tingkat akurasi, sensitivitas dan spesifisitas yang optimal didapat dari
kombinasi fitur entropi-standard deviasi dan entropi-skewness-standard deviasi
dengan nilai k=5 yaitu sebesar 96%, 96%, dan 96%.
Kata Kunci: Tuberkulosis, Histogram, k-Nearest Neighbor.
viii

Moch. Bahaudin Al chomacy, 2020. Pengunaan Ekstraksi Fitur Histogram Berbasis

Metode k-Nearest Neighbor untuk Deteksi Tuberkulosis Paru Citra Thorax. Skripsi
di bawah bimbingan Endah Purwanti,S.Si., M.T dan Dr.Khusnul Ain, S.T., M.Si,
Program studi S1 Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga,
Surabaya.
ABSTRACT
Tuberculosis (TB) is a disease caused by the bacteria Mycobacterium

tuberculosis and is a major threat to public health worldwide. Transmission of the
bacteria Mycobacterium tuberculosis when a TB patient experiences coughing or
sneezing so that the bacteria also spreads into the air in the form of sputum sparks
or droplets released by TB sufferers. One way to diagnose tuberculosis is to use
chest X-ray images. However, this examination has a problem, namely
unstandardized accuracy due to the results of the analysis depending on the ability
of medical experts. In this study, a tuberculosis detection program was designed
using the k-Nearest Neighbor classification method and a histogram features as
input. To assist medical experts in diagnosing tuberculosis with standardized
accuracy. The histogram features used for input in the k-Nearest Neighbor
classification are mean, entropy, skewness, standard deviation, and mean square.
The program output is divided into 2 classes, namely tuberculosis (0) and normal
(1). The optimal level of accuracy, sensitivity and specificity is obtained from the
combination of entropy-standard deviation and entropy-skewness-standard
deviation features with k = 5 values, namely 96%, 96%, and 96%.
Key Word : Tuberculosis, Histogram, k-Nearest Neighbor
ix

DAFTAR ISI
HALAMAN JUDUL ............................................................................. i

LEMBAR PERSETUJUAN ................................................................. ii
LEMBAR PENGESAHAN .................................................................. iii
PEDOMAN PENGGUNAAN SKRIPSI ............................................. iv
SURAT PERNYATAAN TENTANG ORSINALITAS ..................... v
KATA PENGANTAR ........................................................................... vi
ABSTRAK ............................................................................................. viii
ABSTRACT ............................................................................................ ix
DAFTAR ISI .......................................................................................... x
DAFTAR TABEL ................................................................................. xiii
DAFTAR GAMBAR ............................................................................. xiv
DAFTAR LAMPIRAN ......................................................................... xvi
BAB I PENDAHULUAN ...................................................................... 1
1.1 Latar Belakang .......................................................................... 1
1.2 Rumusan Masalah ..................................................................... 4
1.3 Batasan Masalah ....................................................................... 4
1.4 Tujuan ....................................................................................... 4
1.5 Manfaat ..................................................................................... 5
BAB II TINJAUAN PUSTAKA........................................................... 6
2.1 Tuberkulosis .............................................................................. 6
2.1.1 Definisi ................................................................................. 6
2.1.2 Klasifikasi ............................................................................. 7
2.2 Radiografi Sinar X .................................................................... 9
2.2.1 Prinsip Kerja Sinar X ............................................................ 9
2.2.2 Proses Terbentuknya Sinar X ............................................... 10
2.2.3 Interaksi Sinar X dengan Bahan ........................................... 12

2.3 Citra........................................................................................... 16
2.4 Pemrosesan Citra Digital .......................................................... 17
2.4.1 Metode Cropping .................................................................. 18
2.4.2 Metode Histogram ................................................................ 19
2.3.2.1 Fitur Histogram ............................................................ 21
2.4.3 Metode k-Nearest Neighbor ................................................. 22
2.5 Matlab ....................................................................................... 23
2.6 Cross Validation ....................................................................... 26
BAB III METODE PENELITIAN ...................................................... 27
3.1 Waktu dan Tempat Penelitian ................................................... 27
3.2 Alat dan Bahan .......................................................................... 27
3.3 Prosedur Penelitian ................................................................... 27
3.3.1 Studi Pustaka ........................................................................ 29
3.3.2 Pengumpulan Data ................................................................ 29
3.3.3 Ekstraksi Fitur ....................................................................... 29
3.3.4 Klasifikasi Data dengan k-NN .............................................. 29
3.3.5 Analisis Data ......................................................................... 31
3.4 Perancangan GUI ...................................................................... 31
3.4.1 Jendela Utama ....................................................................... 32
3.4.2 Jendela Pemrosesan Citra ..................................................... 32
3.4.3 Jendela Pengujian ................................................................. 34
BAB IV HASIL DAN PEMBAHASAN .............................................. 36
4.1 Hasil Pengolahan Citra Paru ..................................................... 36
4.2 Hasil Ekstraksi Fitur Histogram................................................ 37
4.3 Pelatihan dan Pengujian k-NN .................................................. 40
4.4 Tampilan Program Deteksi Tuberkulosis ................................. 44
4.4.1 Jendela Cropping .................................................................. 45
4.4.2 Jendela Deteksi dan Akurasi ................................................. 45
xi

BAB V KESIMPULAN DAN SARAN ................................................ 47

5.1 Kesimpulan ............................................................................... 47
5.2 Saran ......................................................................................... 47
DAFTAR PUSTAKA
LAMPIRAN
xii

DAFTAR TABEL
Nomor Judul Tabel Halaman
4.1 Tabel Akurasi Percobaan Paling Optimal 42
xiii

DAFTAR GAMBAR
Nomor Judul Gambar Halaman
2.1 Bakteri Mycrobacterium Tuberkulosis 7

2.2 Citra x-ray TB paru dan Normal 9
2.3 Skema Tabung Sinar X 8
2.4 Eksitasi Sinar X 10
2.5 Sinar X Karakteristik
Dan Sinar X Bremstrahlung 10
2.6 Atenuasi Intensitas Radiasi Setelah
Melewati Bahan 11
2.7 Distribusi Radiasi Sinar X 16
2.8 Konvensi sistem koordinat citra 17
2.9 Properti area untuk cropping 19
2.10 Proses pemotongan citra 19
2.11 Histogram Citra 20
2.12 Kategori citra 20
2.13 kNN dengan nilai k-tetangga 23
2.14 Format file pembacaan dalam matlab 24
2.15 Ilustrasi k-fold Cross Validation 26
3.1 Diagram Alir Prosedur Penelitian 28
3.2 flowchart Program Pengujian k-NN 30
3.3 Rancangan Jendela Awal 32
3.4 Rancangan Jendela Pemrosesan Citra 33
3.5 Rancangan Jendela Pengujian 34
4.1 Pemotongan Citra 36
4.2 Grafik Nilai Fitur Mean 37
4.3 Grafik Nilai Fitur Entropi 38
xiv

4.4 Grafik Nilai Fitur Skewness 38

4.5 Grafik Nilai Fitur Std. Deviasi 39
4.6 Grafik Nilai Fitur Mean Square 40
4.7 Jendela Utama Program 44
4.8 Jendela Cropping 45
4.9 Jendela Deteksi 46
4.10 Jendela Akurasi 46
xv

DAFTAR LAMPIRAN
Nomor Judul Lampiran Halaman
1 Script Program GUI 52

2 Nilai Fitur 71
3 Nilai Akurasi, Sensitivitas, Spesifisitas 78
xvi

1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Tuberkulosis (TB) paru merupakan penyakit yang disebabkan oleh bakteri

Mycobacterium tuberculosis dan merupakan ancaman utama bagi kesehatan
masyarakat dunia, orang dengan penyakit TB paru aktif memiliki gejala seperti
batuk, demam, keringat malam, dan penurunan berat badan, gejala ini apabila
dibiarkan selama berbulan-bulan akan menyebabkan keterlambatan dalam
pengobatan dan berpotensi menular ke orang lain (Satish K et al, 2019).
Penularan bakteri Mycobacterium tuberculosis ketika pasien TB paru

mengalami batuk atau bersin sehingga bakteri juga menyebar ke udara dalam
bentuk percikan dahak atau droplet yang dikeluarkan penderita TB paru. Pasien
suspek TB paru yang mengalami gejala batuk lebih dari 48 kali/malam akan
menginfeksi 48% dari orang yang kontak dengan pasien suspek TB paru.
Sedangkan pasien TB paru yang mengalami batuk kurang dari 12 kali/malam maka
akan dapat menginfeksi 28% dari orang yang kontak dengan pasien yang suspek
TB paru. Pada tahun 2017 jumlah kasus baru tuberkulosis di Indonesia sebanyak
420.994 kasus (data per 17 Mei 2018). Berdasarkan Survei Prevalensi Tuberkulosis
tahun 2013-2014, prevalensi TBC dengan konﬁrmasi bakteriologis di Indonesia
sebesar 759 per 100.000 penduduk berumur 15 tahun ke atas dan prevalensi TBC
BTA positif sebesar 257 per 100.000 penduduk berumur 15 tahun ke atas
(Kemenkes RI, 2018).

2
Di Indonesia beberapa cara untuk mendiagnosis penyakit tuberkulosis dapat

dilakukan dengan menggunakan citra sinar-X (foto rontgen), CT scan dan MRI
(Magnetic Resonance Imaging). Namun, pemeriksaan menggunakan CT scan dan
MRI membutuhkan biaya yang sangat mahal (Ledyva, 2017). Pemeriksaan
menggunakan foto rontgen merupakan cara yang paling sering digunakan, karena
biayanya bisa terjangkau oleh kalangan masyarakat dan dapat memberikan hasil
pemeriksaan yang berbeda secara langsung antara paru-paru normal dan abnormal,
seperti perbedaan tuberkulosis paru dan paru normal (Rahmadewi dan Kurnia,
2016).
Pemeriksaan TB paru dari citra hasil foto rontgen masih memiliki
kekurangan yaitu beberapa ahli medis seperti dokter masih mengandalkan
pengamatan visual dalam pembacaan hasil foto rontgen sehingga hasilnya sangat
subjektif dan belum memiliki akurasi terstandar. Sehingga diperlukan perangkat
lunak yang mampu mendeteksi TB paru secara otomatis dan memiliki akurasi yang
terstandar, untuk membantu ahli medis dalam menginterpretasikan gambar
menggunakan output komputer (Ledyva, 2017).
Penelitian mengenai Tuberkulosis telah dilakukan oleh Tri Deviasari

Wulan (2014) dengan mengelompokkan citra foto rontgen paru-paru ke dalam
kategori normal, kanker paru-paru, atau penyakit paru lain. Penelitian ini
menggunakan fitur energi dan koefisien setiap subband yang kemudian dijadikan
masukan jaringan saraf tiruan backpropagation. Hasil pengujian diperoleh tingkat
akurasi sebesar 86,67% dalam mendeteksi keabnormalan citra foto rontgen paru.
Endahyani et al. (2010) melakukan peneltian dengan mengunakan metode

histogram untuk mendeteksi dini penyakit Tuberkulosis. Penelitian ini dilakukan
untuk mengetahui histogram dan nilai rerata skala keabuan citra thoraks pasien
yang menderita TB dan yang bukan. Dari penelitian ini diperoleh bahwa histogram
citra pasien penderita TB bergeser ke sebelah kanan atau mempunyai nilai skala
keabuan lebih tinggi (lebih cerah).
Penelitian lainnya juga dilakukan oleh Bisri et al. (2013) dengan

menggunakan citra grayscale hasil rontgen paru-paru untuk mengklasifikasikan

3
paru-paru normal, berpenyakit kanker, dan efusi. Penelitian ini menggunakan

ekstraksi fitur histogram dan jaringan saraf tiruan Backpropagation. Proses ekstaksi
fitur histogram pada citra diperlukan agar sistem perangkat lunak dapat
mengklasifikasikan citra ke dalam kelompok tertentu. Hasil penelitian ini memiliki
nilai akurasi sebesar 65%.
Penelitian Naresh dan Shettar (2014) menggunakan metode k-NN untuk

mengklasifikasikan kanker paru berbasis fitur bentuk dan fitur histogram orde satu,
adapun fitur histogram yang digunakan adalah energy, mean, dan standart
deviation. Akurasi dan spesifitas yang dihasilkan dari penelitian ini adalah 85,37%
dan 76,47%. Penelitian lainnya dilakukan oleh Kirana Nathalie (2016) dengan
melakukan perancangan aplikasi klasifikasi kondisi paru dengan menggunakan
metode k-NN untuk mendiagnosis nodul paru. Karakteristik citra diperoleh melalui
proses ekstraksi fitur histogram orde 1 dan GLCM. Diperoleh nilai optimal k=3 dan
akurasi sebesar 72,55%.
Metode K-Nearest Neighbor merupakan salah satu algoritma pembelajaran
mesin sederhana. Hal ini hanya didasarkan pada gagasan bahwa suatu objek yang
'dekat' satu sama lain juga akan memiliki karakteristik yang mirip. Ini berarti jika
kita mengetahui ciri-ciri dari salah satu objek, maka kita juga dapat memprediksi
objek lain berdasarkan tetangga terdekatnya. K-NN adalah improvisasi lanjutan
dari teknik klasifikasi Nearest Neighbor (Khamis et al., 2014). Metode ini
digunakan karena memiliki ketangguhan terhadap data uji yang memiliki banyak
noise dan efektif bila terdiri dari banyak data (Lestari, 2014).
Beberapa hal di atas menjadi dasar penulis untuk melakukan penelitian
“Penggunakan Ekstraksi Fitur Histogram Berbasis Metode k-Nearest Neighbor
Untuk Deteksi Tuberkulosis Paru Citra Thorax”, sebagai sistem penunjang atau alat
bantu diagnosis Tuberkulosis Paru dalam upaya menurunkan angka kematian akibat
penanganan yang terlambat. Dalam penelitian ini menggunakan metode ekstraksi
fitur histogram karena penelitian yang dilakukan oleh Endahyani et al. (2010)
dengan mengetahui nilai rerata skala keabuan piksel citra pasien menunjukan nilai
yang cukup baik. Metode ekstraksi fitur histogram diperlukan karena agar sistem

4
perangkat lunak mampu mengklasifikasikan citra ke dalam kelompok tertentu

(Bisri et al., 2013).
Sebelum tahap ekstraksi fitur, terdapat suatu tahap untuk memperoleh
region of interest (ROI) yaitu pada daerah apeks paru dan lobus superior paru yang
terdapat bercak-bercak kesuraman pada citra thoraks. Citra yang telah melalui tahap
cropping akan masuk pada tahap ekstraksi fitur histogram dan selanjutnya akan
masuk pada proses klasifikasi menggunakan K-Nearest Neighbor. K-Nearest
Neighbor digunakan untuk mengklasifikasikan paru normal dengan paru
Tuberkulosis.
1.2 Rumusan Masalah

Berdasarkan latar belakang masalah yang telah diuraikan di atas, dapat diambil
rumusan masalah sebagai berikut :
1. Bagaimana fitur Histogram berbasis metode k-Nearest neighbor untuk
deteksi Tuberkulosis Paru menggunakan citra thorax?
2. Berapa tingkat akurasi, sensitivitas, dan spesifisitas ekstraksi fitur
Histogram berbasis metode k-Nearest Neighbor untuk deteksi
Tuberkulosis Paru menggunakan citra thorax?
1.3 Batasan Masalah
Pembatasan masalah dalam penelitian ini meliputi :
1. Data yang digunakan adalah data citra radiografi dada posterior-anterior
(PA) terdiri dari citra paru-paru normal dan abnormal dengan
manifestasi TB, yang berasal dari database U.S National Library of
Medicine yang tersedia untuk umum laki-laki dan perempuan dengan
usia rerata 45 tahun.
2. Region Of Interest (ROI) dalam penelitian ini adalah 640x640.
3. Hasil dari penelitian ini adalah mengklasifikasikan citra paru ke dalam
kelas normal dan TB.
1.4 Tujuan
Tujuan yang ingin dicapai penulis dalam penelitian ini adalah:
1. Menggunakan ekstraksi fitur Histogram berbasis metode k-Nearest
Neighbor untuk deteksi Tuberkulosis Paru menggunakan citra thorax.

5
2. Mengetahui tingkat akurasi ekstraksi fitur Histogram berbasis metode k-

Nearest Neighbor untuk deteksi Tuberkulosis Paru menggunakan citra
thorax.
1.5 Manfaat
1. Secara Teoritis
a. Hasil dari penelitian diharapkan mampu menjadi sumbangan

pengetahuan dan informasi tentang pengolahan citra medis.
Sehingga mampu dikembangkan oleh peneliti lain dengan
menggunakan metode ini untuk mendeteksi citra lain seperti kepala,
rongga dada, dan organ lain.
2. Secara Praktis
a. Memberikan metode penunjang yang dapat membantu ahli medis

dalam mendiagnosis penyakit Tuberkulosis.
b. Memberikan tambahan pengetahuan dan wawasan bagi peneliti-
peneliti di masa mendatang untuk melakukan penelitian dan
pengembangan dengan hal serupa dalam bidang medis.

6
BAB II
TINJAUAN PUSTAKA
2.1 Tuberkulosis
2.1.1 Definisi
Tuberkulosis merupakan suatu penyakit infeksi menular yang

disebabkan bakteri Mycrobacterium Tuberculosis, yang dapat menyerang
berbagai organ, terutama paru-paru. Penyakit ini apabila tidak diobati atau
pengobatannya tidak tuntas dapat menimbulkan komplikasi berbahaya hinggga
kematian. TB diperkirakan sudah ada di dunia sejak 5000 tahun sebelum
masehi, namun kemajuan dalam penemuan dan pengendalian penyakit TB baru
terjadi dalam 2 abad terakhir (Pusatdatin, 2015).
Pengendalian Tuberkulosis di Indonesia sudah berlangsung sejak zaman

penjajahan Belanda namun masih terbatas pada kelompok tertentu. Setelah
perang kemerdekaan TB ditanggulangi melalui Balai Pengobatan Penyakit
Paru-Paru (BP-4). Sejak tahun 1969 pengendalian TB dilakukan secara nasional
melaui puskesmas. Pada tahun 1995, program nasional pengendalian TB mulai
menerapkan strategi pengobatan jangka pendek dengan pengawasan langsung
(Directly Observed Treatment Short-Course, DOTS) yang dilakukan di
puskesmas secara bertahap. Sejak tahun 2000 strategi DOTS dilaksanakan
secara nasional di seluruh fanyankes terutama di puskesmas yang diintegrasikan
dalam pelayanan kesehatan dasar (Pusatdatin, 2015). Penyakit ini dapat
menyebar melalui droplet orang yang telah terinfeksi basil TB. Tuberkulosis
paru mencakup 80% dari keseluruhan kejadian penyakit tuberkulosis,
sedangkan 20% selebihnya merupakan tuberkulosis esktrapulmonal
(Djojodibroto, 2009).

7
Gambar 2.1 Bakteri Mycrobacterium Tuberculosis

(http://Mycrobiologyresearch.org)
2.1.2 Klasifikasi
Ada beberapa klasifikasi penyakit tuberculosis menurut Depkes

(2011), diantaranya :
a. Klasifikasi berdasarkan organ tubuh (anatomical site) yang

terkena :
1. Tuberkulosis paru
Tuberkulosis paru adalah tuberkulosis yang menyerang

jaringan (parenkim) paru dan tidak termasuk pleura (selaput
paru) dan kelenjar pada hilus.
2. Tuberkulosis ekstra paru
Tuberkulosis yang menyerang organ tubuh selain paru,

misalnya pleura, selaput otak, selaput jantung (pericardium),
kelenjar limfe, tulang. Persendian, kulit, usus, ginjal, saluran
kencing, alat kelamin da lain sebagainya.
b. Klasifikasi berdasarkan hasil pemeriksaan dahak mikroskopis,

yaitu pada tuberkulosis paru :

8
1. Tuberkulois paru BTA (Batang Tahan Aman) positif
a. Sekurang-kurangnya 2 dari 3 spesimen dahak SPS (Sewaktu,

Pagi, Sewaktu) hasilnya BTA positif.
b. 1 spesimen dahak SPS hasilnya BTA positif dan foto thoraks

dada menunjukan gambaran tuberculosis.
c. 1 spesimen dahak SPS hasilnya BTA positif dan biakan

kuman Tuberkulosis positif.
d. 1 atau lebih specimen dahak hasilnya positif setelah 3

spesimen dahak SPS pada pemeriksaan sebelumnya hasilnya
negatif dan tidak ada perbaikan setelah pemberian
antibiotika non-OAT (Obat Anti Tuberkulosis).
2. Tuberkulosis paru BTA negatif
Kriteria diagnosis Tuberkulosis paru BTA negative harus

meliputi:
a. Paling tidak 3 spesimen dahak SPS hasilnya negatif.
b. Foto thoraks abnormal menunjukan gambaran Tuberkulosis.
c. Tidak ada perbaikan setelah pemberian antibiotika non-

OAT.
d. Ditentukan oleh dokter untuk diberi pengobatan.
c. Klasifiksi berdasarkan tipe pasien ditentukan berdasarkan

riwayat pengobatan sebelumnya. Ada beberapa tipe pasien,
yaitu:
1. Kasus baru adalah pasien yang belum pernah diobati dengan

OAT atau sudah pernah menelan OAT kurang dari satu
bulan.
2. Kasus kambuh (relaps) adalah pasien tuberkulosis yang

9
sebelumnya pernah mendapat pengobatan tuberculosis dan

telah dinyatakan sembuh tetapi kambuh lagi.
3. Kasus setelah putus berobat (default) adalah pasien yang

telah berobat dan putus berobat 2 bulan atau lebih dengan
BTA positif.
4. Kasus setelah gagal (failure) adalah pasien yang hasil

pemeriksaan dahaknya tetap positif atau kembali menjadi
positif pada bulan kelima atau lebih selama pengobatan.
5. Kasus lain adalah semua kasus yang tidak memenuhi

ketentuan di atas, dalam kelompok ini termasuk kasus
kronik, yaitu pasien dengan hasil pemeriksaan masih BTA
positif setelah selesai pengobatan ulangan (Depkes RI,
2006).
Berikut merupakan citra thoraks hasil foto rontgen normal dan

tuberkulosis. Secara langsung bisa dilihat perbedaaan antara citra normal
dan citra tuberkulosis, bahwa citra normal terlihat lebih cerah bila
dibandingkan dengan citra tuberkulosis.
(a) (b)
Gambar 2.2 (a) Citra x-ray Normal dan (b) Citra TB paru
2.2 Radiografi Sinar X
2.2.1 Prinsip Kerja Sinar X
Sinar X ditemukan oleh Wilhelm Conrad Rontgen yang

10
berkebangsaan Jerman. Rontgen dilahirkan pada tanggal 27 Maret 1845 di

Lennep di daerah sungai Ruhr Jerman. Sinar X dibangkitkan dengan cara
menembaki target logam dengan elektron cepat dalam suatu tabung vakum.
Di dalam tabung terdapat filamen yang juga sebagai katoda dan anoda
sebagai target (Krane, 1992).
Skema tabung sinar X dapat dilihat pada gambar 2.3.
Gambar 2.3 Skema Tabung Sinar X (Abidin et al., 2012)
Prinsip kerja dari pembangkit sinar X dapat dijelaskan sebagai

berikut, produksi sinar X dihasilkan dalam suatu tabung berisi suatu
perlengkapan yang diperlukan untuk menghasilkan sinar X yaitu bahan
penghenti atau sasaran dan ruang hampa. Beda potensial diberikan antara
anoda dan katoda menggunakan sumber yang bertegangan tinggi. Elektron
bebas erjadi karena emisi dan filamen yang dipanaskan, elektron bebas yang
dipancarkan terpusat menuju anoda. Gerakan elektron ini akan dipercepat
dari katoda menuju anoda apabila antara anoda dan katoda diberi tbeda
potensial yang cukup besar (Hoxter, 1982).
2.2.2 Proses Terbentuknya Sinar X
Sinar X merupakan gelombang elektromagnetik yang didefinisikan

sebagai suatu gelombang yang terdiri atas gelombang listrik dan gelombang
magnet. Sinar X adalah gelombang EM yang mempunyai panjang
gelombang 10−8 sampai 10−12 m dan frekuensi sekitar 1016 sampai 1021
Hz. Sinar ini dapat menembus benda-benda lunak seperti daging dan kulit

11
tetapi tidak dapat menembus benda-benda keras eperti tulang, gigi, dan
logam. Sinar X sering digunakan diberbagai bidang kedokteran, fisika,
kimia, mineralogi, metarulugi, dan biologi (Atkins, 1999).
Sinar X terjadi apabila elektron yang bergerak dengan kecepatan

tinggi tiba-tiba berhenti karena menabrak suatu bahan, semisal logam. Dua
jenis sinar X yaitu yang dihasilkan oleh atom dalam keadaan tereksitasi
(sinar X karakteristik) dan yang dihasilkan oleh prose interksi radiasi
partikel bermuatan (brehmsstrahlung) (Jauhari, 2008).
Gambar 2.4 Eksitasi Sinar-X (Hiswara, 2015)
Perbedaan kedua jenis sinar-X di atas, selain asal terjadinya, adalah

bentuk spektrum energinya. Sinar-X karakteristik bersifat discreet pada
energi tertentu sesuai dengan jenis unsurnya, sedangkan brehmsstrahlung
bersifat kontinyu.
(a) (b)
Gambar 2.5 (a). Sinar-X karakteristik (b) Sinar X
bremstrahlung (Hiswara, 2015)

12
2.2.3 Interaksi Sinar X dengan Bahan

Pada saat foton mengenai suatu bahan maka akan terjadi interaksi
yang mengakibatkan penyerapan atau penghamburan foton. Proses
penyerapan dan penghamburan akan berpengaruh pada pelemahan atau
atenuasi dari foton tersebut yang disebabkan oleh kerapatan, ketebalan, dan
nomor atom bahan yang dilalui. Apabila radiasi EM masuk ke dalam bahan,
maka sebagian dari radiasi tersebut akan terserap oleh bahan. Sebagai
akibatnya radiasi setelah memasuki bahan penyerap lebih kecil
dibandingkan intensitas semula, maka akan terjadi pengurangan intensitas
memenuhi persamaan :
I=I𝜊 𝑒 −𝜇𝑥 ................................................................................................( 2.1 )
Dimana intensitas radiasi EM seteah melalui bahan (I), intensitas
radiasi EM seelum melalui bahan (I𝜊 ), koefisien serapan bahan (𝜇) dan
ketebalan bahan (x) (Pratapa, 2004).
Pelemahan (atenuasi) intensitas radiasi jika melewati bahan dapat
dilihat pada gambar 2.6 :
Io Ix
Bahan
x
Gambar 2.6 Atenuasi intensitas radiasi setalah melewatu bahan
(Pratapa,2004)
2.2.4 Proses pencitraan sinar X
Sinar-X yang berenergi tinggi yang mampu membentuk bayangan,

sedangkan yang energinya rendah akan diserap oleh bahan obyek. Besarnya
penyerapan oleh bahan bergantung pada: panjang gelombang sinar-X,
susunan objek yang terdapat pada alur berkas sinar-X, dan ketebalan serta
kerapatan bahan. Pada saat bagian tubuh dilakukan pencitraan dengan sinar-
X, maka jaringan tubuh yang mudah ditembus Sinar-X (seperti otot, lemak,

13
dan jaringan lunak) akan meneruskan banyak Sinar-X sehingga film

menjadi hitam. Sedangkan bagian yang sulit ditembus Sinar-X (seperti
tulang) dapat menahan seluruh atau sebagian besar Sinar-X akibatnya tidak
ada atau sedikit Sinar-X yang keluar sehingga pada film berwarna putih.
Bagian tubuh yang mudah ditembus Sinar-X disebut Radio-lucen yang
menyebabkan warna hitam pada film. Sedangkan bagian yang sulit
ditembus Sinar-X disebut Radio-opaque sehingga film berwarna putih
(Jauhari, 2008).
Pembentukan gambar pada peristiwa pencitraan pesawat sinar-X

tergantung dari beberapa faktor antara lain (Suyatno, dkk. 2011) :
1. Pengaruh Milliampere (arus tabung : mA)
Arus tabung berasal dari pemanasan filamen, jika pemanasan

filamen ditingkatkan maka arus dalam tabung sinar-X juga
meningkat. Dengan peningkatan arus (mA) akan menambah
intensitas sinar-X, dan penurunan mA akan mengurangi intensitas.
Sehingga semua intensitas sinar-X atau derajat terang / brightness
akan bertambah sesuai dengan peningkatan intensitas radiasi sinar-
X di titik fokus. Oleh sebab itu, derajat terang dapat diatur dengan
mengubah mA. Perlu juga dipahami bahwa intensitas sinar-X yang
bervariasi akan terus membawa hubungan yang sama antara satu
dengan yang lainnya.
2. Pengaruh Tegangan Tinggi (kV)
Tegangan tinggi (HV) dalam besaran kV akan berpengaruh pada

daya tembus sinar-X terhadap obyek. Dengan demikian juga akan
berpengaruh pada pembentukan gambar, karena dengan perubahan
kV menyebabkan perubahan intensitas berkas sinar-X. Hal ini
terjadi dengan tanpa perubahan arus tabung.

14
3. Pengaruh Jarak (m)
Dalam proses pemotretan Sinar-X, terdapat pengaturan jarak

pemotretan yang meliputi : Jarak antara fokus-film (Focus Film
Distance disingkat FFD), disebut juga SID (Source to Image
Reseptor Distance) J arak antara film-objek (Film Object Distance
disingkat FOD). Jarak antara obyek-fokus (Object Focus Distance),
disebut juga SSD (Source to Skin Distance) Pengaturan jarak dapat
dilakukan dengan menggerakkan stand tabung menjauhi atau
mendekati obyek. Dengan cara menjauhi atau mendekati obyek akan
mempengaruhi intensitas berkas sinar-X, sehingga akan
berpengaruh pula pada pembentukan gambar radiografi.
Bila sinar-X dilewatkan pada suatu objek, maka sebagian radiasi

yang ada akan diteruskan sehingga citra objek dapat direkam pada
film. Satuan yang biasa digunakan untuk penyinaran radiografi
adalah Rontgen, disingkat R Satu Rontgen dapat diartikan sebagai
sejumlah sinar-X agar menghasilkan ion- ion yang membawa
muatan satu coulomb tiap centimeter kubik diudara dengan suhu nol
derajat celsius pada tekanan 760 mmhg (Hoxter,1982).
1 𝑠𝑟𝑐
1R = 𝑐𝑚3 .....................................................................................(2.5)
Satu Rontgen dari radiasi foton mempunyai energi rata-rata

antara 0.1 Mev sampai 3.0 Mev yang mampu menghasilkan dosis
serap sebesar 0.96 rad. Dengan demikian dapat dikatakan
menghasilkan dosis sebesar 1 rad. Jadi,
1R = 1 rad ...................................................................................(2.6)
Keluaran sistem generator sinar-X dipengaruhi oleh arus listrik,

waktu penyinaran, besarnya potensial dan jarak target. Secara
matematis dapat dinyatakan dengan persamaan :

15
k (I.t)(𝑣)2
Keluaran = ....................................................................(2.7)
𝑑2
Dengan :
k = Konstanta penyinaran
I = Arus tabung
T = Waktu penyinaran
V = Potensial tabung sinar-X
d = Jarak target terhadap sumber radiasi
Potensial (kV), Arus (mA) dan waktu (t) mempengaruhi
densitas bayangan. Pemilihan potensial (kV) yang terlalu rendah
akan menyebabkan penyinaran yang diberikan tidak mampu
menghasilkan densitas pada film. Sedangkan pemilihan potensial
(kV) yang terlalu tinggi akan menimbulkan gambar film yang tidak
jelas sehingga informasi yang diperlukan hilang (kabur) (Hoxter,
1982).
Waktu penyinaran digunakan untuk menentukan lamanya
penyinaran. Hal ini terutama dimaksudkan untuk mengurangi ke-
tidak-tajaman gambar yang dihasilkan di film karena gerakan objek
yang diambil. Dengan waktu penyinaran yang minimal dapat
digunakan untuk mengontrol densitas rata-rata bayangan. Bila
waktu penyinaran yang dipilih ditingkatkan atau diperbesar akan
mengakibatkan gambar yang dihasilkan di film menjadi kurang
tajam. Hal ini terjadi bila ada faktor gerakan dari objek yang
diradiasi (Hoxter, 1982).
Hubungan antara variasi waktu penyinaran dengan potensial
dapat dinyatakan dengan persamaan :
mAs1 𝑘𝑣 4
= [𝑘𝑣1 ] ..............................................................................(2.8)
mAs2 2
Dengan :
mA = Arus listrik yang diberikan
s1, s2 = Waktu penyinaran
kV1, kV2 = Potensial yang diberikan

16
Gambar 2.7 Distribusi Radiasi Sinar-X (Hoxter, 1982).

Gambar 2.10 menunjukkan adanya pengurangan intensitas
sinar-X. Radiasi sinar-X dipancarkan dari fokus tabung sinar-X
dalam arah garis lurus. Pancaran itu kemudian didistribusikan dalam
jarak yang semakin besar. Hal ini menyebabkan intensitas sinar-X
itu menjadi berkurang dengan perbandingan kuadrat jarak. Bila
jarak yang diberikan diperbesar menjadi dua kalinya, maka
intensitasnya berkurang menjadi seperempatnya, dan bila jaraknya
diperbesar tiga kali lipat maka intensitasnya berkurang menjadi
sepersembilan dari intensitas semula (Hoxter, 1982).
2.3 Citra
Prasetyo (2011) mendefinisikan sebuah citra sebagai fungsi dua dimensi
f(x,y) dimana x dan y adalah koordinat spasial. Amplitudo dari f pada sembarang
pasangan koordinat (x,y) disebut intensity (intensitas) atau gray level (level
keabuan) dari citra pada titik tersebut. Ketika x, y, dan nilai intensitas dari f adalah
semua tetap maka citra dapat disebut sebaga digital image (citra digital). Citra
digital berasal dari data kontinu yang dikonversi menjadi bentuk data digital melalui
dua proses, yaitu sampling dan quantization. Sampling merupakan pendigitasian
nilai koordinat. Quantization merupakan pendigitasian nilai amplitudo. Hasil dari
sampling dan kuantisasi adalah matriks dengan tipe data real. Diasumsikan bahwa

17
citra f(x,y) menghasilkan citra yang mempunyai baris M dan kolom N, sehingga
disebut citra berukuran M x N.
Gambar 2.8 Konvensi sistem koordinat citra (Prasetyo, 2011)

Citra digital terdiri dari sejumlah elemen tertentu dan setiap elemen
mempunyai lokasi serta nilai tertentu. Sistem koordinat dalam gambar 2.11
diarahkan ke representasi persamaan 2.12 untuk fungsi citra yang sudah
didigitasi. Sisi kanan dari persamaan adalah citra digital yang sudah
didefinisikan. Setiap elemen array ini disebut image element, picture element,
pixel, atau pels. Piksel adalah istilah yang sudah digunakan secara luas untuk
menyatakan elemen citra digital.
𝑓(0,0) 𝑓(0,1) … 𝑓(0, 𝑁 − 1)
𝑓(1,0) 𝑓(1,1) … 𝑓(1, 𝑁 − 1)
𝑓(𝑥,𝑦) =[ … ]..............(2.12)
⋮ ⋮ ⋮
𝑓(𝑀 − 1,0) 𝑓(𝑀 − 1,1) … 𝑓(𝑀 − 1, 𝑁 − 1)
Menurut Munir (2004), citra dibentuk karena adanya sumber cahaya yang
menerangi objek kemudian objek memantulkan kembali sebagian dari berkas
cahaya tersebut. Pantulan cahaya ini yang akan ditangkap kemudian bayangan
tersebut direkam oleh alat-alat optik seperti mata manusia, kamera, dan lain
sebagainya. Bayangan yang terekam inilah yang disebut dengan citra.
2.4 Pemrosesan Citra Digital
Sebuah citra mengandung banyak informasi di dalamnya, namun beberapa citra
mengalami penurunan kualitas. Penurunan kualitas tersebut dapat berupa cacat atau
berupa gangguan derrau (noise), warna terlalu kontras, kurang tajam, dan kabur

18
(blurring). Citra dengan kualitas kurang baik menjadi lebih sulit diinterpretasi
karena informasi yang disampaikan menjadi berkurang. Oleh karena itu, perlu
adanya proses pengolahan citra digital untuk memperbaiki kualitas citra agar
menjadi lebih baik (Munir, 2004). Pengolahan citra digital teknologi yang
menerapkan sejumlah algoritma komputer untuk mengolah gambar digital. Tujuan
utama pengolahan citra digital adalah untuk memungkinkan manusia memperoleh
cutra dengan kualitas tinggi (Zhou et al, 2010). Teknik operasi dalam pengolahan
citra digital diantaranya adalah perenggangan kontras (contrast stretching),
pengubahan kecerahan gambar (image brightness), perbaikan tepian objek (edge
enhancement), penajaman (sharpening), pemberian warna semu (pseudocoloring),
penapisan derau (noise filtering), dan lain sebagainya (Munir, 2004).
2.4.1 Metode Cropping
Pra-pengolahan terhadap data citra asli bertujuan untuk
memperbaiki kualitas citra misalnya penghilangan noise yang terdapat di
dalam citra, penajaman intensitas tepian objek dan penghilangan efek
keburaman. Noise dapat diartikan sebagai informasi yang ikut dalam citra
namun informasi ini tidak dibutuhkan. Noise bisa saja berada di dalam area
objek yang akan diteliti ataupun berada di luar area objek yang diteliti.
Khusus untuk noise yang berada di luar area objek yang diteliti, salah satu
cara untuk menghilangkannya adalah proses cropping. Memperkecil ukuran
suatu citra dengan cara memotong citra pada koordinat yang telah
ditentukan pada suatu area pada citra disebut dengan istilah cropping. Pada
proses cropping akan diperoleh sebuah objek hasil pemotongan dari sebuah
citra atau bagian dari suatu gambar dengan ukuran tertentu Untuk proses
cropping citra, perlu dilakukan lima langkah berikut:
1. Tentukan x0, y0 : letak kursor di kiri atas area yang akan
dipotong .
2. Tentukan x1, y1 : letak baris di kiri atas area yang akan dipotong.
3. Hiting delta x : lebar daerah yang akan dipotong.
4. Hitung delta y : tinggi daerah yang akan dipotong.

19
5. Hitung dua koordinat titik potong lainnya (sudut kiri-bawah dan

kanan-atas).
Keempat properti yang ada pada langkah-langkah prose cropping
citra dapat ditunjukan pada gambar 2.9 sedangkan gambar 2.10
memperlihatkan conto cropping citra. Terdapat ukuran 5 x 5 piksel
pada citra asli, dilakukan cropping pada koordinat (1,1) sampai
koordinat (3,3) dimana lebar 3 piksel dan tinggi 3 piksel sehingga
menghasilkan citra baru berupa potongan dari citra asli dengan 3 x
3 piksel. Terdapat nilai koordinat (1,1) sampai koordinat (3,3) pada
citra baru hasil ccropping (Yuhandri, 2019).
Gambar 2.9 Properti area untuk cropping (Yuhandri, 2019)
Gambar 2.10 Proses pemotongan citra (Mathworks.com)

2.4.2 Metode Histogram
Histogram adalah grafik yang menunjukkan frekuensi kemunculan

setiap nilai gradasi warna pada citra digital. Bila digambarkan pada

20
koordinat kartesian maka sumbu i (absis) menunjukkan tingkat warna dan

sumbu hi (ordinat) menunjukkan frekuensi kemunculan. Dari sebuah
histogram dapat diketahui frekuensi kemunculan relative dari intensitas,
kecerahan (brightness) dan kontras (contrast) dari citra, serta pemilihan
batas ambang (threshold). Contoh sebuah histogram disajikan pada gambar
2.12 dengan i adalah intensitas yang memiliki rentang nilai 0-255 dan hi
adalah frekuensi kemunculan dari intensitas i (Maliyanti dkk, 2013).
Gambar 2.11 Histogram Citra (Mutiara, 2005)

Menurut Mutiara (2005), histogram citra adalah grafik yang
menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu citra atau
bagian tertentu di dalam citra. Secara matematis, histogram citra dihitung
dengan persamaan 2.19
𝑝(𝑖) = 𝑛𝑖 , i = 1, 2, 3, ....,L-1 ..........................................................(2.19)

𝑛
Dengan
L = Jumlah derajat keabuan
n= jumlah seluruh piksel dalam citra
ni= jumlah piksel yang memiliki dearaj keabuan i
Citra yang baik memiliki histogram yang mengisi daerah derajat
keabuan secara penuh dengan distribusi yang merata pada setiap nilai setiap
nilai intensitas pixel. Dimana nilai intensitas untuk citra grayscale adalah 0-
255, seperti pada gambar 2.12.

21
Gambar 2.12 Kategori citra (a). citra gelap (b). citra terang (c). citra normal
(normal brightness) (d). normal brightness dan high contras
2.4.2.1 Fitur Histogram
Ekstraksi fitur histogram akan memberikan informasi
distribusi citra berparas keabuan (Aggarwal dan Agrawal, 2012).
Sebuah pendekatan berdasarkan properti statistik dari intensitas
histogram sering dijumpai pada analisis tekstur. Fitur yang terdapat
pada tekstur statistic orde pertama (FO, the first-order statistics
texture) adalah sebagai berikut (Kadir dan Susanto, 2013):
1. Rerata intensitas atau average gray level akan menghasilkan
rata-rata dari kecerahan objek.
𝑓𝐴𝑣𝐺𝐿 = ∑𝐿−1
𝑖=0 𝑖 𝑝(𝑖).......................................................(2.20)
2. Standard Deviation. Fitur ini bertujuan untuk memberikan

ukuran kekontrasan pada citra dengan menggunakan
Persamaan:
𝑓𝑆𝑇𝐷 =√∑𝐿−1 2
𝑖=0 ((𝑖) − 𝑓𝐴𝑉𝐺𝐿 ) 𝑝(𝑖) ..............................(2.21)
3. Entropi. Fitur entropi merupakan ukuran tidak teraturnya

tingkat keabuan dari suatu citra. Fitur entropi dihitung
menggunakan persamaan
E = ∑𝐿−1
𝑖=0 𝑝(𝑖) 𝑙𝑜𝑔2 [𝑝(𝑖)]........................................(2.22)
4. Skewness merupakan orde tiga ternormalisasi yang akan

22
mengukur ketidaksimetrisan terhadap rerata intensitas yang

ditunjukkan pada Persamaan:
1
fTM = (𝑓𝑠𝑡𝑑)3 ∑𝐿−1 3
𝑖=0 ((𝑖) − 𝑓𝐴𝑉𝐺𝐿 ) 𝑝(𝑖)..................................(2.23)
Nilai negative yang dihasilkan menyatakan distribusi

kecerahan condong ke kiri terhadap rerata, sedangkan nilai
positif menyatakan bahwa distribusi kecerahan condong ke
kanan terhadap rerata.
5. Mean Square. kuadrat rerata intensitas atau average square

gray level akan menghasilkan kuadrat rerata dari kecerahan
objek.
𝑓(𝐴𝑣𝐺𝐿)2 = ∑𝐿−1 2
𝑖=0 𝑖 𝑝(𝑖)..................................................(2.24)
2.4.3 Metode k-Nearest Neighbor
Metode k- Nearest Neighbor merupakan sebuah metode berbasis

pelatihan diamana data pelatihan disimpan sehingga klasifikasi yang baru
dapat diperoleh dengan membandingkan dengan data yang memiliki
kemiripan dalam data pelatihan. Selain digunakan dalam klasifikasi, metode
k-NN juga dapat digunakan dalam estimasi dan prediksi (Larose, 2005).
Menurut Nixson dan Aguado (2008), apabila data uji M dan N data uji dan
sebanyak O data sampel, maka akan didapatkan fitur ruang sebesar M-dimensi
dengan N x O titik. Dalam hal ini, metode k-NN memiliki dasar dalam
mengukur jarak, yaitu euclidean. Jarak euclidiean berfungsi menguji ukuran
yang bisa digunakan sebagai interpretasi kedekatan jarak antara dua objek yang
direpresentasikan sebagai berikut :
DEuclidean = √∑𝑀 2
𝑖=1(𝑎𝑖 − 𝑏𝑖 ) .............................................................(2.25)
Dimana D(ai,bi) merupakan jarak skalar dari dua buah vektor a dan
b, dimana a merupakan data uji, dan b merupakan data latih, sedangkan M
merupakan jumlah fitur dalam vektor. Nilai jarak yang didapatkan pada
persamaan 2.25 akan digunakan sebagai nilai kedekatan atau kemiripan

23
antara data uji dengan data latih. Pada gambar 2.1 ditunjukan bahwa jika k
bernilai 1, kelas dari 1 data latih sebagai tetangga terdekat (terdekat
pertama) dari data uji tersebut akan diberikan sebagai kelas untuk data uji,
yaitu kelas 1; jika k bernilai 2, akan diambil 2 tetangga terdekat dari data
latih, dan begitupula nilai k selanjutnya. Jika dalam k-tetangga ada dua kelas
yang berbeda, akan diambil kelas dengan jumlah data terbanyak (Prasetyo,
2012).
(a) (b) (c)

Gambar 2.13 kNN dengan nilai k-tetangga (a) 1 tetangga terdekat (b) 3
tetangga terdekat (c) 7 tetangga terdekat (Prasetyo, 2012).
Metode k-NN memiliki beberapa kelebihan yaitu efektif apabila data
referensi besar karena tidak membutuhkan pelatihan data. Namun memiliki
kelemahan berupa perlu menentukan nilai parameter k (jumlah tetangga terdekat).
Hal utama yang perlu diperhatikan dalam menggunakan pengklasifikasi ini adalah
menemukan nilai k yang dapat meningkatkan akurasi klasifikasi.
Algoritma standar k-NN berdasarkan Lahmiri (2012) adalah sebagai
berikut:
1. Hitung jarak Euclidean antara sebuah objek uji dengan keseluruhan objek
pada data referensi.
2. Pilih objek sejumlah k dari data referensi yang paling mirip dengan objek
uji berdasarkan jarak yang telah dihitung
3. Klasifikasikan objek uji dengan grup mayoritas pada kelas.
2.5 Matlab
Suatu program untuk analisis dan komputasi numerik dan merupakan suatu
bahasa pemrograman matematika lanjutan yang dibentuk dengan dasar pemikiran

24
menggunakan sifat dan bentuk matriks. Matlab merupakan bahasa software yang
sering digunakan untuk numerik untuk menyelesaikan masalah-masalah yang
melibatkan operasi matematika elemen, matrik, optimasi. Sehinga matlab banyak
digunakan pada : (1). Metematika dan komputasi, (2) pengembangan dan algoritma,
(3) pemrograman modeling (4) analisa data eksplorasi dan visualisasi, (5) analisis
numerik dan statis, dan (6) pengembangan aplikasi teknik (Putra, 2010).
Software matlab juga disebut sebagai bahasa dengan kinerja tinggi dalam
mengatasi komputasi pada masalah-masalah teknik, dalam proses pemakaiannya
matlab sangat mudah untuk digunakan karena telah memadukan antara komputasi,
visualisasi, dan pemrograman ke dalam satu model dimana penyelesaian masalah
pada matlab dalam bentuk notasi matematika (Iqbal, 2009). Menurut Iqbal (2009)
Matlab mempunyai 5 susunan utama yang terdiri dari :
1. Development environment : terdiri dari kumpulan perangkat-perangkat dan
fasilitas untuk memudahkan penggunaan fungsi dan file pada matlab dalam
bentuk graphical user interfaces (GUI), seperti dekstop, command history,
editor, debuger, workspace, file, dan search path.
2. Matlab matematical function library : kumpulan berbagai macam algoritma
komputasi yang terdiri dari fungsi-fungsi seperti, sum, sin, cos, dan complex
aritmatic, matrix inverse, matrix eigen values, bessel functions, dan fast
fourier transform.
3. Matlab language : pada matlab terdapat high level matrix/array language
dengan kontrol flow statements, functions, data stuctures, input atau output,
dan fitur-fitur object oriented programming. Sehingga memungkinkan
untuk dilakukan pemrograman baik dalam skala dan lingkup yang kecil
sampai dengan skala dan lingkup yang sangat besar.
Fitur-fitur yang sering digunakan dalam berbagai pengolahan citra dengan
matlab adalah :
1. Pembacaan image : pada matlab fungsi untuk melakukan pembacaan image
standar yaitu :
Imread (‘filename’);

25
Perintah ini digunakan untuk membaca beberapa format file diantaranya

seperti gambar 2.14.
Gambar 2.14 format file pembacaan dalam matlab (Iqbal, 2009)

2. Konversi gambar RGB ke grayscale : untuk merubah gambar RGB ke
gambar grayscale di matlab disediakan fungsi khusus yaitu,
rgb2gray (matrik_gambar);
Tetapi kadang kala diinginkan untuk perubahan bentuk grayscale ini tidak
menggunakan fungsi matlab yang sudah ada yang merupakan nilai rata-rata
piksel RGB tetapi masing-masing nilai RGB diberi nilai bobot yang
berbeda-beda, hal ini dengan mudah dilakukan dengan menggunakan
pemisahan nilai seperti yang telah dilakukan diatas.
3. Membuat histogram image : fungsi yang disediakan matlab untuk membuat
histogram dari gambar yaitu dengan fungsi,
Imhist(matrik_1_dimensi_image);
Perlu diperhatikan bahwa imhist hanya dapat digunakan untuk matriks
image satu dimensi sehingga bila diimplementasikan pada matriks gambar
maka hanya berupa matriks merah saja, hijau saja, biru saja atau grayscale.
4. Crop image : matlab juga menyediakan fungsi untuk melakukan cropping
(pemotongan bagian tertentu dari gambar menjadi matrik baru yang
independen). Fungsi tersebut yaitu,
Imcrop(matrik_gambar,matrik_titiksudut_crop);
penentuan titik yang akan diambil yaitu menggunakan
matrik_titiksudut_crop yaitu yang mempresentasikan nilai [x, y, a, b]
dimana x dan y adalah titik awal (sudut kiri atas) dari image yang akan di

26
crop sedangkan a adalah jumlah piksel memanjang ke arah sumbu-x dan b

adalah jumlah piksel ke arah sumbu-y.
2.6 Cross Validation
Cross validation merupakan suatu metode untuk mengevaluasi kinerja

algoritma pembelajaran dengan membagi data menjadi k buah percobaan (fold),
sebanyak k-1 buah percobaan (fold) digunakan sebagai data latih dan 1 buah
percobaan (fold) sebagai data uji (Liu dan Ozsu, 2009). Proses pelatihan dan
pengujian dilakukan sebanyak k-kali. Dalam data minning dan machine learning,
10-fold cross validation (k-10) adalah yang paling umum. K-fold cross validation
memiliki kemampuan yang lebih akurat dalam mengestimasi kinerja algoritma
pembelajaran (Refaeilzadeh at al, 2009). Ilustrasi pembagian data dengan k=4
dapat dilihat pada Gambar 2.15.
Gambar 2.15 Ilustrasi k-fold Cross Validation

27
BAB III
METODE PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan di Laboratorium Fisika Komputasi Departemen

Fisika Fakultas Sains dan Teknologi Universitas Airlangga. Penelitian ini
dilaksanakan dalam kurun waktu kurang lebih 5 bulan yaitu pada bulan Agustus
2020 sampai bulan Desember 2020.
3.2 Alat dan Bahan
Peralatan dan bahan penelitian yang akan digunakan dalam penelitian ini
adalah :
1. Personal computer dengan processor intel core-i5, RAM 4 GB, OS
Windows 10.
2. Data citra radiografi dada posterior-anterior (PA) terdiri dari cita
paru-paru normal dan abnormal dengan manifestasi TB. Masing-
masing data sudah didiagnosis secara manual oleh dokter.
3. Softwere Matlab R2015b
3.3 Prosedur Penelitian
Penelitian “Penggunaan Ekstraksi Fitur Histogram Berbasis Metode k-
Nearest Neighbor untuk Deteksi Tuberkulosis Paru Citra Thorax” secara garis
besar dilakukan dengan tahapan pada gambar 3.1 dengan penjelasan perancangan
softwere selengkapnya pada sub 3.3.1 hingga 3.3.

28
Studi Pustaka
Citra Thorax
Pengumpulan
data
Citra Pelatihan Citra Pengujian
Pembentukan Matriks Histogram
Perhitungan Fitur Histogram Ekstraksi Fitur
Mean Mean square Entropi Skewness Standard

deviasi
Penentuan nilai variabel k metode k-Nearest
Klasifikasi data
Klasifikasi menggunakan algoritma k-
Nearest
Analisis data
Laporan dan Evaluasi
Gambar 3.1 Diagram Alir Prosedur Penelitian

29
3.3.1 Studi Pustaka

Studi pustaka dilakukan dengan membaca dan mempelajari referensi yang
berkaitan dengan topik penelitian penulis, baik berupa buku, jurnal, textbook atau
skripsi sehingga dapat menunjang penelitian ini agar berjalan dengan baik.
3.3.2 Pengumpulan Data
Pengumpulan data dilakukan dengan memperoleh data citra radiografi dada
yang telah diklasifikasikan oleh ahli radiologi. Data yang digunakan dalam
penelitian ini berasal dari database citra radiografi dada U.S National Library of
Medicine. Data tersebut diperoleh dari pemeriksaan tuberkulosis oleh Shenzen No.3
Hospital Shenzen China. Data yang digunakan adalah data citra radiografi dada
posterior-anterior (PA) terdiri dari 340 citra paru-paru normal dan 275 citra paru-
paru abnormal dengan manifestasi TB.
3.3.3 Ekstraksi Fitur
Pada tahapan ini akan dilakukan deskripsi ciri berupa ekstraksi fitur dimana
meliputi fitur histogram tingkat 1. Ekstraksi fitur merupakan sebuah proses untuk
mengambil ciri-ciri yang terdapat pada objek di dalam citra, serta mengukur besaran
kuantitatif ciri setiap piksel seperti rata-rata, standar deviasi, dan lain-lain (Sylvia,
2014). Adapun ektrsaksi fitur histogram yang digunakan pada penelitian ini adalah
Mean, Mean Square, Standar Deviasi, Entropi, Skewness. Untuk rumus cara
menghitung fitur tersebut sudah ada pada bab sebelumnya 2.4.2.1.
3.3.4 Klasifikasi Data dengan K-Nearest Neighbour
Setelah melalui proses ekstraksi fitur, data citra thorax kemudian
diklasifikasikan menggunakan k-Nearest Neighbour dengan masukan nilai fitur
yang diperoleh dari metode ekstraksi fitur histogram tingkat 1. Klasifikasi pada
penelitian ini akan membedakan dua tipe citra yaitu citra paru-paru normal dan citra
TB paru. Pada penelitian ini menggunakan data latih sebanyak 75% normal dan TB
paru, sedangkan pada proses pengujian akan digunakan sebanyak 25% normal dan
TB paru.
Klasifikasi menggunakan KNN merupakan metode klasifikasi yang
terkenal dan algoritma yang mudah dipahami. Algoritma pada KNN merupakan
metode pembelajaran terawasi (supervised learning) yang digunakan untuk

30
klasifikasi dan regresi. Klasifikasi ini membutuhkan sebuah nilai k yang merupakan
jumlah data yang memiliki nilai fitur terdekat dengan data uji. Nilai k divariasikan
untuk mendapatkan akurasi, sensitivitas, dan spesivitas yang paling tinggi.
Tahapan proses klasifikasi menggunakan KNN adalah sebagai berikut:
Mulai
Tentukan nilai k (k = jumlah tetangga terdekat)
Hitung jarak data uji ke data pelatihan

menggunakan metode Euclidean Distance
Urutkan data mulai dari yang memiliki jarak Euclid

terkecil
Tampilkan kelompok data uji berdasarkan label mayoritas sejumlah k
Tampilkan kelas data uji
Selesai
Gambar 3.2 flowchart program pengujian klasifikasi k-NN

3.3.5 Analisis Data
Untuk memperoleh nilai k yang paling optimal dalam klasifikasi, maka
perlu di ukur tingkat akurasi, sensitivitas, dan spesifisitas pada setiap nilai k.
Tingkat akurasi yang didapatkan merupakan acuan untuk menentukan nilai k yang
paling optimal dalam klasifikasi tuberkulosis paru. Tabel 3.1 merupakan rancangan
untuk melihat tingkat akurasi.
Nilai akurasi, sensitivitas, dan spesifisitas didapatkan menggunakan

persamaan 3.1, 3.2, dan 3.3.

31
∑ 𝑐𝑖𝑡𝑟𝑎 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖

Akurasi = 𝑥 100% ....................................................(3.1)
𝒏
∑ ℎ𝑎𝑠𝑖𝑙 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑎𝑏𝑛𝑜𝑟𝑚𝑎𝑙
Sensivisitas = ∑ 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑎𝑏𝑛𝑜𝑟𝑚𝑎𝑙 𝑥 100% ..............................(3.2)
∑ ℎ𝑎𝑠𝑖𝑙 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑛𝑜𝑟𝑚𝑎𝑙
Spesifitas = ∑ 𝑡𝑎𝑟𝑔𝑒𝑡 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑛𝑜𝑟𝑚𝑎𝑙 𝑥 100% .....................................(3.3)
Akurasi adalah persentase kemampuan untuk membedakan kasus

tuberkulosis paru pada pasien, dengan n merupakan jumlah keseluruhan data uji.
Sensitivitas merupakan kemampuan menentukan kasus pasien secara benar, pada
penelitian ini menentukan tuberkulosis pada paru. Sedangkan spesifitas adalah
kemampuan untuk menentukan kasus sehat secara benar. (Baratloo et al. 2015).
3.4 Perancangan GUI
GUI atau Graphical User Interface adalah sebuah antarmuka penguna yang
interaktif berupa tampilan grafis dan terdapat pada satu atau lebih jendela dengan
berbagai komponen dan kontrol. Jendela tampilan pada penelitian ini terdapat 4
jendela utama, yaitu jendela awal, jendela pemrosesan citra, jendela pengujian,
serta jendela pertolongan yang akan dijelaskan pada subbab 3.4.1 sampai 3.4.4.
3.4.1 Jendela Utama
Jendela awal merupakan jendela pertama pada saat program
dijalankan, pada jendela ini pengguna akan memiliki untuk melakukan
pelatihan data atau menguji data. Komponen pada jendela ini terdiri dari:
a. PushbuttonStart: Sebuah tombol yang akan membuka

jendela pemrosesan citra.
b. PushbuttonTesting: Sebuah tombol yang akan membuka
jendela pelatihan citra.
c. PushbuttonExit: Sebuah tombol berisikan program yang
akan menghentikan program dengan cara keluar dari jendela
awal.

32
Gambar 3.4 Rancangan Jendela Awal
3.4.2 Jendela Pemrosesan Citra
Jendela pemrosesan citra merupakan jendela yang berisikan proses

pengolahan citra dan menghasilkan nilai fitur. Jendela ini terdiri atas
beberapa komponen, yaitu:
a. File : merupakan tombol menu yang terdiri atas submenu Open
Image untuk membuka citra yang akan dilakukan pengolahan,
Save Image untuk menyimpan citra yang telah diproses, Exit
untuk menutup jendela pemrosesan dan kembali ke jendela awal.
b. Edit : merupakan tombol menu yang terdiri atas submenu Crop
untuk melakukan pemotongan citra pada axesProcessing.
c. Help: merupakan tombol menu yang akan membuka jendela
pertolongan.
d. axesOriginal: menampilkan citra awal.
e. axesProcessing : menampilkan citra hasil pemrosesan.
f. Pushbuttonprocess : merupakan tombol yang berisikan program
untuk mengolah citra.

33
g. editAVGL : menampilkan nilai fitur average gral level / mean.

h. editSTD : menampilakn nilai fitur standard deviasi.
i. editENT : menampilkan nilai fitur entropi.
j. editSKW : menampilkan nilai fitur skewness.
k. editMS : menampilkan nilai fitur mean square.
l. Pushbuttontrain : sebuah tombol berisikan program untuk
melatih citra dengan masukan kelas pada citra.
m. pushbuttonTest: sebuah tombol berisikan program untuk
menguji citra an akan menghasilkan hasil berupa diagnosis.
n. pushbuttonReset: sebuah tombol yang akan mengatur semua
komponen seperti pada tampilan awalnya.
file edit help
axesProcessing
axesOrginal pushbut
tonProc
ess
pushbutto
teks1 tekt2 tekt3 tekt4 tekt5 nTrain
pushbutto
Pushb Pushb Pushb Pushb Pushb nTest
Gambar 3.5 Rancangan Jendela
utton
Pemrosesan Citra
utton utton utton utton
pushbutton
AVG STD ENT SKW MS
Reset
3.4.3 Jendela Pengujian
Jendela pengujian merupakan jendela yang berisi proses

pengklasifikasian citra uji dan menghasilkan nilai akurasi. Jendela
pengujian ini terdiri atas beberapa komponen, yaitu:
a. uitableTrain : menampilkan fitur-fitur dari seluruh data latih.
b. uitableTest : menampilkan fitur-fitur dari data uji
c. uitableKelas : menampilkan kelas target dan hasil uji
d. popupmenuFeature : sebuah menu yang berisi fitur yang akan
digunakan.

34
e. pushbuttonLoad : sebuah tombol yang berisi program untuk

menampilkann seluruh data uji dan data latih pada tabel.
f. pushbuttonProcess : sebuah tombol yang berisi program untuk
melakukan pengujian citra.
g. editAccuracy : menampilkan nilai akurasi.
h. editK : memberikan nilai k.
Gambar 3.6 Rancangan Jendela Pengujian

35
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Pengolahan Citra Paru

Seperti yang sudah dijelaskan pada bab 3 bahwa citra yang digunakan
merupakan citra database yang tersedia untuk umum yang berasal dari rumah sakit
di China, sehingga diasumsikan bahwa energi yang diberikan saat proses
penyinaran adalah sama dengan rerata berusia 30 tahun, dan jenis tabung sinar-X
yang digunakan diasumsikan bertipe sama. Kemudian tahap pertama yang
dilakukan adalah melakukan pemotongan pada citra. Citra posterior-anterior
thoraks akan dilakukan pemotongan secara manual yang diutamakan pada bagian
paru-paru saja, yaitu bagian paling bawah, dan bagian paling atas, serta bagian atas
bawah tersebut dibuat batas untuk bagian kiri dan kanan paru-paru, hal ini
dilakukan untuk mendapatkan hasil yang optimal dengan mengurangi komponen
yang kurang penting sehingga akan menyisakan bagian paru-paru yang pada tahap
selanjutnya akan dilakukan pemrosesan citra. Citra yang telah dipotong tersebut
memiliki piksel yang berbeda -beda sehingga dibutuhkan resize untuk menyamakan
piksel yang akan dijadikan data input berupa pelatihan dan pengujian. Gambar 4.1
menunjukan pemotongan dan resize dari citra paru.
(a). citra asli (b). citra cropping

Gambar 4.1 Pemotongan Citra
Dalam proses pemotongan, citra juga dikonversi menjadi berparas
keabuan (grayscale). Hal ini dilakukan karena pada citra memiliki 3 intensitas yang
berbeda dalam satu pikselnya, sehingga grayscalling dilakukan untuk

36
mempermudah proses selanjutnya.

4.2 Hasil Ekstraksi Fitur Histogram
Metode ekstraksi yang digunakan untuk mendapatkan karakteristik dari
setiap citra telah dijelaskan sebagaimana pada bab 3, yaitu dengan menggunakan
ekstraksi histogram. Fitur yang digunakan merupakan sebuah fitur vektor berupa
matriks berukuran 1 x 5 disimpan dalam bentuk excel file, fitur-fitur yang
digunakan pada penelitian ini yaitu mean, entropi, skewness, standard deviasi,
mean square. Hasil dari fitur-fitur tersebut akan menjadi masukan klasifikasi k-NN.
Fitur yang pertama yaitu mean yang dihitung menggunakan persamaan
2.20, dimana sebaran nilai mean ditunjukan pada gambar 4.2. Pada citra normal,
nilai mean berkisar antara 0,60986 sampai 0,78019 dengan rata-rata bernilai
0,71202. Kemudian pada citra Tuberkulosis memiliki nilai mean berkisar antara
0,556805 sampai 0,75045 dengan rata-rata bernilai 0,655526. Sehingga dapat
disimpulkan bahwa rata-rata nilai mean pada citra normal lebih besar daripada citra
Tuberkulosis.
Nilai Fitur Mean

1
0.8
Nilai Mean
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Data ke-
Normal TB
Gambar 4.2 Grafik Nilai Fitur Mean

Berdasarkan hal tersebut, rata-rata mean pada citra tuberkulosis hampir
sama dengan rata-rata mean pada citra normal. Perhitungan mean berperan dalam
menghasilkan rata-rata dari kecerahan citra. Citra yang cerah menandakan organ
atau jaringan yang sakit sehingga lebih banyak menyerap sinar-X.
Fitur yang kedua merupakan entropi yang dihitung menggunakan persaman

37
2.22, dimana sebaran nilai entropi ditunjukan pada gambar 4.3. Pada citra normal,
nilai entropi berkisar antara 6,766907 sampai 7,322773 dengan rata-rata bernilai
6,961385. Kemudian pada citra Tuberkulosis memiliki nilai entropi berkisar antara
6,808372 sampai 7,453951 dengan rata-rata bernilai 7,257159. Berdasarkan data
tersebut, nilai entropi citra tuberkulosis memiliki nilai yang lebih besar daripada
citra normal, dimana nilai entropi ini menandakan tingkat ketidakteraturan skala
keabuan dari suatu citra.
Nilai Fitur Entropi

7.6
7.4
Nilai Entropi
7.2
6.8
6.6
0 50 100 150 200 250 300
Data ke-
Normal TB
Gambar 4.3 Grafik Nilai Fitur Entropi

Fitur yang ketiga merupakan skewness yang dihitung menggunakan
persaman 2.23, dimana sebaran nilai skewness ditunjukan pada gambar 4.4 Pada
citra normal, nilai skewness berkisar antara -0,00287374 sampai -0,00001473
dengan rata-rata bernilai -0,00121. Kemudian pada citra Tuberkulosis memiliki
nilai skewness berkisar antara -0,00572049 sampai -0,00024522 dengan rata-rata
bernilai -0,00213. Berdasarkan data tersebut, nilai skewness pada citra normal
lebih besar daripada citra tuberkulosis.

38
Nilai Fitur Skewness

0
-0.001 0 50 100 150 200 250 300
NIlai Skewness
-0.002
-0.003
-0.004
-0.005
-0.006
-0.007
Data ke-
Normal TB
Gambar 4.4 Grafik Nilai Fitur Skewness

Skewness merupakan pengukuran terhadap ketidaksimetrisan terhadap
rerata intensitas (mean), dari kedua citra diperoleh nilai rata-rata negatif yang bearti
distribusi kecerahan condong ke kiri terhadap rerata intensitas (mean).
Fitur yang keempat merupakan standar deviasi yang dihitung menggunakan
persaman 2.21, dimana sebaran nilai standar deviasi ditunjukan pada gambar 4.5
Pada citra normal, nilai standar deviasi berkisar antara 0,09932006 sampai
0,17755793 dengan rata-rata bernilai 0,123072. Kemudian pada citra Tuberkulosis
memiliki nilai standar deviasi berkisar antara 0,110456513 sampai 0,19210935
dengan rata-rata bernilai 0,156962. Berdasarkan data tersebut, nilai standar deviasi
citra tuberkulosis lebih besar daripada citra normal.
Nilai Fitur Std. Deviasi

0.25
Nilai Std.deviasi
0.2
0.15
0.1
0.05
0
0 50 100 150 200 250 300
Data ke-
Normal TB
Gambar 4.5 Grafik Nilai Fitur Std. Deviasi

39
Fitur yang terakhir merupakan mean square yang dihitung menggunakan

persaman 2.24, dimana sebaran nilai mean square ditunjukan pada gambar 4.6
Pada citra normal, nilai mean square berkisar antara 0,403501518 sampai
0,636290338 dengan rata-rata bernilai 0,355831. Kemudian pada citra
Tuberkulosis memiliki nilai mean square berkisar antara 0,35583145 sampai
0,578774009 dengan rata-rata bernilai 0,463717. Berdasarkan data tersebut, nilai
mean square citra tuberkulosis lebih besar daripada citra normal.
Nilai Fitur Mean Square

0.7
0.6
Nilai M.square
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
Data ke-
Normal TB
Gambar 4.6 Grafik Nilai Fitur Mean Square

Dari hasil sebaran nilai kelima fitur yang diperoleh menunjukan bahwa nilai
fitur Skewness sebaran antara kasus tuberkulosis dan normal saling tumpang tindih,
sehingga dapat menyebabkan tidak maksimal dalam hal pengklasifikasian.
4.3 Pelatihan dan Pengujian k-NN
Fitur-fitur yang telah didapatkan akan disimpan kedalam excel file
kemudian akan digunakan sebagai data input, data yang dihasilkan dari ekstraksi
fitur tersebut akan dibagi menjadi data latih dan data uji menggunakan metode k-
fold cross-volidation. Kelebihan dari metode k-fold cross-volidation yaitu setiap
data akan menjadi data uji sebayak 1 kali dan akan menjadi data latih sebanyak k-
1 kali (Polat dan Gunes, 2007). Penelitian ini menetapkan k yang digunakan yaitu
5-fold cross-volidation. Data yang digunakan sebagai pelatihan merupakan
matrriks yang terdiri atas 200 x 7, dimana 200 baris merupakan banyaknya data
latih sedangkan 5 kolom terdiri atas 5 fitur yang diperoleh dan kolom terakhir

40
berfungsi sebagai kelas dari data latih. Kelas dari data tersebut dibedakan menjadi
2 bagian, yaitu normal dan tuberkulosis, yang masing-masing dimisalkan sebagai
angka 0 dan 1. Sementara itu, data uji merupakan matriks yang terdiri atas 50 x 7,
dimana 50 baris merupakan banyaknya data uji dengan 5 kolom fitur dan kolom
terakhir merupakan kelas. Data latih maupun data uji akan dilampirkan pada
Lampiran 2.
Hasil fitur ekstraksi histogram berupa mean, entropi, skewness, standard
deviasi, mean square akan menjadi masukan pada tahap pengujian. Variasi
kombinasi fitur yang akan dilakukan pada tahap pengujian yaitu sebanyak 25
kombinasi fitur. Kombinasi dari fitur histogram diharapkan mampu memberikan
kombinasi fitur yang paling optimal dan mendapatkan tingkat akurasi yang terbaik.
Untuk melakukan pengujian data, dilakukan dengan menghitung jarak Euclidian
yang telah dibahas pada bab sebelumnya. Jarak tersebut akan menentukan kelas dari
data uji dengan cara melihat banyaknya k data terdekat. Apabila banyaknya k
terdekat merupakan kelas dari citra paru normal, maka data uji tersebut
diklasifikasikan sebagai kelas paru normal atau kelas 0, hal ini berlaku juga untuk
kelas citra tuberkulosis. Untuk mendapatkan hasil klasifikasi paling optimal, maka
pada penelitian ini variabel k divariasikan dengan nilai 1 sampai dengan 99 dengan
menggunakan 5-fold cross-validation. Pemilihan nilai k yang optimal bergantung
pada nilai akurasi pada nilai yang diujikan seperti yang terlihat pada hasil percobaan
yang dilakukan dibawah ini:

41
Tabel 4.1 Tabel Akurasi Percobaan Paling Optimal

Nilai Akurasi, Sensitivitas, dan Spesifisitas (%)
Komb.Fitur Nilai k 1-fold 2-fold 3-fold 4-fold 5-fold
ak sv sp ak sv sp ak sv sp ak sv sp ak sv sp
1 68 84 52 72 84 60 80 88 72 70 76 64 86 76 96
3 72 88 56 78 88 68 90 88 80 72 80 64 92 92 92
5 74 88 60 80 92 68 88 92 84 80 88 72 96 96 96
7 74 88 60 82 92 72 88 92 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
Ent-Std
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
… … … … … … … … … … … … … … … …
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 84 52 72 84 60 80 88 72 70 76 64 86 76 96
3 72 88 56 78 88 68 90 88 80 72 80 64 92 92 92
5 72 84 60 78 88 68 88 92 84 78 84 72 96 96 96
7 74 88 60 82 92 72 88 92 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
Ent-Sk-Std
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
… … … … … … … … … … … … … … … …
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ket: ak=akurasi, sv=sensivisitas, sp=spesifisitas, M=mean, Ent=entropi,

Sk=skewness, Std=standard deviasi, Msq=mean square.
Berdasarkan tabel 4.1 akurasi sensitivitas dan spesifitas pada pengujian k-
NN didapatkan nilai tertinggi 96%, 96%, dan 96%. Nilai tersebut didapatkan pada
nilai k=5 dengan 2 macam kombinasi fitur yaitu, fitur entropi dan standard deviasi,
serta entropi, skewness, dan standard deviasi. Untuk hasil akurasi pada 2 kombinasi
yang terdapat fitur skewness diperoleh hasil pada k=5 tidak mencapai 96%, ini
dikarenakan sebaran nilai fitur skewness pada saat ekstraksi saling tumpang tindih.
Berdasarkan penelitian yang telah dilakukan, metode k-NN dapat

diaplikasikan dalam program deteksi tuberkulosis. Nilai akurasi, sensitivitas, dan
spesifitas yang didapatkan menunjukkan bahwa metode k-NN mampu bekerja
secara optimal dalam mendeteksi citra paru tuberkulosis. Pada metode k-NN lebih
efisien dan praktis dibanding metode klasifikasi lainnya karena data latih dapat
langsung digunakan tanpa perlu melewati tahap pelatihan seperti pada metode
jaringan saraf tiruan. Namun metode ini dapat tidak optimal jika data latih yang
digunakan sebagai acuan berjumlah sedikit.

42
Pada metode klasifikasi k-NN penentuan nilai k sebagai pencarian

kedekatan data uji dengan data latih merupakan proses yang paling penting. Nilai
k merupakan variabel yang sangat berpengaruh terhadap hasil klasifikasi k-NN.
Jika nilai k terlalu kecil maka dapat mengakibatkan hasil prediksi yang sensitif
terhadap keberadaan noise dan hanya bergantung pada sebuah data terdekat. Namun
jika nilai k terlalu besar dapat menyebabkan sistem pengklasifikasi mengacu pada
terlalu banyak data latih, sehingga mengurangi ketepatan klasifikasi. Oleh karena
itu, nilai k yang dipakai dalam penelitian ini adalah 5 pada beberapa kombinasi fitur
yang telah disebutkan di atas. meskipun didapat nilai k lain yang optimal dalam
penelitian ini yaitu 7 sampai dengan 99.
4.3 Tampilan Program Deteksi Tuberkulosis
Tampilan program deteksi tuberkolisis ini menggunakan tampilan Grapical

User Interface (GUI) yang bertujuan untuk memudahkan user dalam penggunaan
program ini. Pada program ini terdapat 3 jendela antara lain jendela utama, jendala
cropping, dan jendela deteksi. Tampilan jendela utama program ini terdapat pada
Gambar 4.7 di bawah ini. Pada jendela utama terdapat beberapa tombol yaitu,
tombol start berfungsi untuk memulai program dan tombol exit berfungsi untuk
menutup program.
Gambar 4.7 Jendela Utama Program

43
4.4.1 Jendela Cropping
Pada jendela cropping digunakan untuk pengolahan citra berupa cropping

citra untuk mendapatkan daerah ROI-nya. User dapat menjalankan program ini
dengan menekan tombol ‘select’ yang kemudian citra yang dipilih akan ditampilkan
pada axes1. Kemudian selanjutnya terdapat tombol ‘crop’ yang berfungsi untuk
melakukan cropping pada citra dan ada tombol ‘save’ berfungsi untuk menyimpan
citra yang sudah dilakukan cropping. Selain itu ada tombol ‘detection’ dan
‘accuracy’ untuk menuju ke jendela deteksi dan menampilkan akurasi. Tampilan
program jendela cropping ditunjukan pada Gambar 4.8.
Gambar 4.8 Jendela Cropping
4.4.2 Jendela Deteksi dan Akurasi
Jendela deteksi dan akurasi digunakan user untuk mengetahui hasil

klasifikasi dan menampilkan nilai akurasi. User dapat menjalankan program ini
dengan menekan tombol ‘select’ yang kemudian citra yang dipilih akan ditampilkan
pada axes1. Selanjutnya terdapat tombol ‘extraction’ yang berfungsi untuk
mendapatkan nilai fitur-fitur hasil hasil ekstraksi yang akan ditampilkan pada tabel.

44
Tombol ‘detection’ berfungsi untuk mengetahui hasil klasifikasi dari program yang
akan ditampilkan pada heldIg.Tombol akurasi berfungsi untuk menampilkan nilai
akurasi dari data yang dipilih serta tombol ‘exit’ yang berfungsi untuk menutup
program. Tampilan program jendela deteksi ditunjukan pada Gambar 4.9.
Gambar 4.9 Jendela Deteksi
Untuk tampilan program akurasi ditunjukan pada Gambar 4.10.
Gambar 4.10 Jendela Akurasi

45
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian Penggunaan Ekstraksi Fitur Histogram
Berbasis Metode k-Nearest Neighbor Untuk Deteksi Tuberkulosis Citra Thoraks:
1. Fitur histogram yang paling optimal sebagai masukan klasifikasi k-Nearest
Neighbro (k-NN) adalah 24 macam kombinasi fitur selain kombinasi fitur
skewness dan standard deviasi.
Sehingga dapat disimpulkan bahwa metode ekstraksi fitur histogram dengan
kombinasi fitur di atas serta klasifikasi k-NN dengan k=5 sampai dengan k=99
dapat diaplikasikan dalam program untuk mendeteksi tuberkulosis paru citra
thoraks.
2. Tingkat akurasi ektraksi fitur histogram berbasis metode k-Nearest
Neighbor untuk deteksi tuberkulosis paru menggunakan citra thoraks yang
paling tinggi sebesar 96% dengan sensitivitas 96% dan spesifisitas 96% dan
nilai k yang paling optimal adalah k=5 sampai dengan k=99.
5.2 Saran
Berdasarkan penelitian dan pembahasan, beberapa saran untuk peneliti dimasa
mendatang, yaitu:
1. Perlunya menggali metode cropping citra pada daerah Region of Interest
(ROI) citra thoraks secara optomatis, karena dalam penelitian ini penulis
masih menggunakan ROI 640x640 piksel dengan batas seluruh bagian paru-
paru secara manual.
2. Perlu dilakukan konsultasi dengan ahli medis dalam menentukan ukuran
cropping citra untuk identifikasi citra tuberkulosis maupun normal sebagai
masukan ekstraksi fitur histogram.
3. Perlunya mencoba untuk menggunakan 4 macam fitur ekstraksi dalam
penelitian dimasa mendatang tanpa mengikutkan fitur skewness dalam
penelitian ini.

DAFTAR PUSTAKA
Aggrawal, Namita dan Agrawal, R.K. 2012. First and Second Order Statistics
Feature for Classification of Magnetic Resonance Brain Image. India :
Journal of Signal and Information Processing.
American Cancer Society. 2014. Cancer Fact & Figures 2014. Georgia : American
Cancer Society.
Arif, Jauhari. 2008. Berkas Sinar-X dan Pembentukan Gambar. Puskaradim :

Jakarta.
Atkins, P.W. 1999. Kimia Fisika Jilid 2 Edisi ke-4. Jakarta : Erlangga.
Barret, Kim. dkk. 2010. Ganong’s Review of Medical Physiology 23rd Edition.
McGraw Hill : US.
Bisri, Hasan. dkk. 2013. Klasifikasi Citra Paru-Paru dengan Ekstraksi fitur
Histogram dan Jaringan Syaraf Tiruan Backpropagation. Jurnal Sains dan
Seni Pomits Vol. 2 No. 2 : 2337-3520.
Boel, Trelia. 2009. Dental radiografi, Prinsip dan Teknik. Medan : USU Press.
Croft. J., Norman. H., and Fred, M. 2002. Tuberkulosis Klinik Edisi 2. Jakarta :
Penerbit Widya Medik.
Depinta, L dan Zulfi A. 2017. Implementasi Jaringan Syaraf Tiruan

Backpropagation untuk Deteksi Penyakit Tuberculosis (TB) Paru dari Citra
Rontgen. Jurnal Fisika Unand Vol. 6, No.1 : 2302-8491.
Depkes 2015. Pusat Data dan Informasi Kementerian Kesehatan RI.
Djojodibroto, R. dan D. 2009. Resiprologi (Respiratory Medicine). Jakarta : EGC.
Duda, R. O. dkk. 2000. Pattern Classification (2nd Edition). Wiley-Interscience

USA, pp. 27-31.

Endahyani, Siti Nur. dkk. 2010. Histogram dan Nilai Derajat Keabuan Citra
Thoraks Computed Radiography (CR) untuk Penderita Tuberkulosis Paru-
Paru. Jurnal Sains dan Matematika (JSM) Vol. 18 No. 4 : 118-122.
Hiswara, Eri. 2015. Buku Pintar Proteksi Dan Keselamatan Radiasi Di Rumah
Sakit. Jakarta : BATAN Press.
Hoxter, E. 1973. Teknik Memotret Rontgen, terjemahan Sombu. Jakarta :

Penerbit Erlangga.
Iqbal, M. 2009. Dasar Pengolahan Citra Menggunakan Matlab.

Departemen Ilmu dan Teknologi Kelautan. IPB.
Kadir, Abdul dan Adhi Susanto. 2013. Teori dan Aplikasi Pengolahan citra.
Yogyakarta : Penerbit ANDI.
Kementerian Kesehatan Republik Indonesia. 2011. Strategi Pengendalian

Nasional TB di Indonesia Tahun 2010-2014. Jakarta : Kemenkes
Kementerian Kesehatan Republik Indonesia. 2018. Profil Kesehatan

Indonesia Tahun 2018. Jakarta : Kemenkes.
Khamis, Hassan She. 2014. Application of k-Nearest Neighbour

Classification In Medical Data Mining. International Journal of
Information and Communication Techlogy Research Vol. 4 No. 4.
Khoiro, Muhimmtul., dan M. Arif Bustomi. 2014. Analisa Pengaruh Proses

Segementasi Citra Terhadap Klasifikasi Citra Rontgen Paru-Paru
JST Backpropagation. Jurnal Sains dan Seni Pomits Vol. 3 No. 1 : 1-
4.
Krane, Kenneth. 1992. Modern Physics, Third Edition.
Lahmiri, S. 2012. A Wavelet-wavelet Based Processing Approach for

Microcalcifications Detection in Mammograms. Journal of Advabces
in Information Technology Academy Publisher Volume 3 No.3, pp.
162-167.

Larose, Daniel T. 2005. Discovering Knowledge In Data, An Introduction

to Data Mining. New Jarsey: John Wiley & Sons. Inc.
Lestari, Mei. 2014. Penerapan Algoritma Klasifikasi Nearest Neigbour (k-NN)

Untuk Mendeteksi Penyakit Jantung. Exacta Vol. 7 No. 4.
Liu L, Özsu MT. 2009. Encyclopedia of Database Systems (edisi ke-1). New
York, US: Springer.
Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmatik.

Bandung: Penerbit Informatika.
Munthe, Helmina B. 2013. Analisa Hasil Diagnosa Tumor Paru pada Gambaran
Topogram Penggunaan pesawat CT-Scan Dibandingkan dengan Penggunaan
Pesawat Sinar X Konvensional. Medan : Departemen Fisika Fakultas Matematika
dan Ilmu Pengetahuan Alam. Universitas Sumatera Utara.
Naresh, Prashant., dan Dr. Rajashree Shettar. 2014. Early Detection of Lung Cencer
Using Neural Network Techniques. International Journal of Enginering
Research and Applications Vol. 4, Issue 8 : 78-83.
Nixon, Mark dan Aguado, Alberto. 2008. Feature Extraction & Image Processing,
2nd Edition. Hungary: Elsevier.
Prasetyo, E. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan

Matlab. (F. S. Suyantoro, Ed)(1st ed.). Yogyakarta: Penerbit Andi.
Prasetyo, Eko. 2012. Data Mining: Konsep dan Aplikasi Matlab. Yogyakarta:
Penerbit Andi.
Pratapa dan Suminar. 2004. Prinsip-prinsip Difraksi Sinar-X. Yogyakarta :

Universitas Gajah Mada.
Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.
Rahmadewi, R., dan Kurnia, R., 2016, Klasifikasi Penyakit Paru Berdasarkan Citra
Rontgen dengan Metoda Segmentasi Sobel, Jurnal Nasional Teknik Elektro,
Volume 5, Nomor 1, Jurusan Teknik Elektro Unand.

Refaeilzadeh P, Tang L, Liu H. 2009. Cross-validation. Encyclopedia of Database

Systems. pp. 532-538. doi: 10.1007/978-0-387-39940-9_565.
Sandborg, Michael. 1995. Radiography and Fluoroscopy: Physical

Principles and Biohazards. Sweden: Department of Radiation Physics
Faculty of Health Sciences Linkӧping University.
Satish k, Mahaputra. dkk. 2019. Comparison of Front-Loading Versus Spot

Morning Sputum Microscopy Approach Among Suspected Pulmonary
Tuberculosis Cases In Tertiary Care Centre In Uttarakhand. International
Journal Of Tuberculosis.
Suyatno. dkk. 2007. Rekayasa Sistem Pengatur Parameter Pesawat Sinar-X

Diagnostik Berbasis Mikrokontroler Keluarga MCS51. Banten: Pusat
Rekayasa Perangkat Nuklir – BATAN.
Suyatno, Ferry. 2008. Aplikasi Radiasi Sinar-X di Bidang Kedokteran untuk

Menunjang Kesehatan. Yogyakarta:Pusat Rekayasa Perangkat Nuklir-
BATA
Wai Y., Zaw Z. Htike. 2014. Advances in Automatic Tuberculosis Detection

in Chest X-Ray Images. An Internasional Journal (SIPIJ) Vol.5, No.6.
Widiastuti, Wenny. dkk. 2012. Aplikasi Sistem Pakar Deteksi Dini Penyakit
Tuberkulosis. Jurnal Algoritma Vol. 09 No. 06.
Wulan, Tri Deviasari. dkk. 2014. Deteksi Kanker Paru-Paru Dari Citra Foto
Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation. Jurnal
Program Studi Fisika Fakultas Sains dan Teknologi Universitas Airlangga:
Surabaya.
Yuhandri. 2019. Perbandingan Metode Cropping Pada Sebuah Citra Untuk

Pengambilan Motif Tertentu Pada Kain Songket Sumatera Barat. Jurnal
KomtekInfo Fakultas Ilmu Komputer: UPI.
Zhou, H et al. 2010. Digital Image Processing: Part 1. Ventus Publishing.

LAMPIRAN 1
Script Program GUI
1. Script Program GUI Jendela Utama
function varargout = Utama(varargin)

% UTAMA MATLAB code for Utama.fig
% UTAMA, by itself, creates a new UTAMA or raises
the existing
% singleton*.
%
% H = UTAMA returns the handle to a new UTAMA or
the handle to
% the existing singleton*.
%
% UTAMA('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in UTAMA.M with the given
input arguments.
%
% UTAMA('Property','Value',...) creates a new UTAMA
or raises the
% existing singleton*. Starting from the left,
property value pairs are
% applied to the GUI before Utama_OpeningFcn gets
called. An
% unrecognized property name or invalid value makes
property application
% stop. All inputs are passed to Utama_OpeningFcn
via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose
"GUI allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help

Utama
% Last Modified by GUIDE v2.5 12-Aug-2020 17:01:55
% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @Utama_OpeningFcn,
...
'gui_OutputFcn', @Utama_OutputFcn,
...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State,
varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before Utama is made visible.

function Utama_OpeningFcn(hObject, eventdata, handles,
varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version
of MATLAB
% handles structure with handles and user data (see
GUIDATA)
% varargin command line arguments to Utama (see
VARARGIN)
% Choose default command line output for Utama

handles.output = hObject;
% Update handles structure

guidata(hObject, handles);
% UIWAIT makes Utama wait for user response (see

UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the

command line.
function varargout = Utama_OutputFcn(hObject, eventdata,
handles)

% varargout cell array for returning output args (see

VARARGOUT);
of MATLAB
GUIDATA)
% Get default command line output from handles structure

varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton1 (see GCBO)
of MATLAB
GUIDATA)
Cropping;

handles)
of MATLAB
GUIDATA)
close;
% --- Executes during object creation, after setting all

properties.
function axes2_CreateFcn(hObject, eventdata, handles)
% hObject handle to axes2 (see GCBO)
of MATLAB
% handles empty - handles not created until after all
CreateFcns called
i=imread('unair.jpg');
imshow(i);
% Hint: place code in OpeningFcn to populate axes2

2. Script Program GUI Jendela Cropping

function varargout = Cropping(varargin)
% CROPPING MATLAB code for Cropping.fig
% CROPPING, by itself, creates a new CROPPING or
raises the existing
% singleton*.
%
% H = CROPPING returns the handle to a new CROPPING
or the handle to
%
%
CROPPING('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in CROPPING.M with the
given input arguments.
%
% CROPPING('Property','Value',...) creates a new
CROPPING or raises the
% applied to the GUI before Cropping_OpeningFcn
gets called. An
% stop. All inputs are passed to Cropping_OpeningFcn
via varargin.
%
%

Cropping

gui_Singleton = 1;
'gui_OpeningFcn',
@Cropping_OpeningFcn, ...

'gui_OutputFcn',
@Cropping_OutputFcn, ...
end
if nargout
varargin{:});
else
end
% --- Executes just before Cropping is made visible.

function Cropping_OpeningFcn(hObject, eventdata,
handles, varargin)
of MATLAB
GUIDATA)
% varargin command line arguments to Cropping (see
VARARGIN)
% Choose default command line output for Cropping


% UIWAIT makes Cropping wait for user response (see

UIRESUME)

command line.
function varargout = Cropping_OutputFcn(hObject,
eventdata, handles)
VARARGOUT);


of MATLAB
GUIDATA)


handles)
% [namafile, formatfile]=uigetfile({'*.png'},'membuka
gambar')
% if ~isequal (namafile,0)
% [A,map]=imread(fullfile(formatfile,namafile));
% guidata(hObject, handles);
% handles.data1= ind2rgb(A,map);
% axes(handles.axes1);
% imshow(handles.data1);
% else
% return
% end
of MATLAB
GUIDATA)
[namafile,direktori]=uigetfile({'*.jpg';},'Akuisi Citra
Digital');
if isequal(namafile,0)
return;
end
citra=imread(namafile);
set(handles.figure1,'CurrentAxes',handles.axes1);
set(imshow(citra));
set(handles.figure1,'UserData',citra);
set(handles.axes1,'UserData',citra);

handles)
of MATLAB


GUIDATA)
gbr=getimage(handles.axes1);
gray=rgb2gray(gbr);
axes(handles.axes1);
imshow(gray);
h=imrect;
position=wait(h);
m=imcrop(gbr,position);
% hasil1=rgb2gray(m);
% handles.hasil1=hasil1;
axes(handles.axes2)
imshow(m);

handles)
of MATLAB
GUIDATA)
axes (handles.axes2);
[namafile_simpan,
formatfile_simpan]=uiputfile({'*.jpg'},'menyimpan
gambar')
nama=fullfile(formatfile_simpan,namafile_simpan);
F=getimage(handles.axes2);
% W=frame2im(F);
r=imresize(F,[640 640]);
h=rgb2gray(r);
imwrite(h,nama,'jpg');

handles)
of MATLAB
GUIDATA)
uji;


handles)
of MATLAB
GUIDATA)

handles)
of MATLAB
GUIDATA)
latih2;
3. Script Program GUI Jendela Deteksi

function varargout = uji(varargin)
% UJI MATLAB code for uji.fig
% UJI, by itself, creates a new UJI or raises the
existing
% singleton*.
%
% H = UJI returns the handle to a new UJI or the
handle to
%
% UJI('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in UJI.M with the given
input arguments.
%
% UJI('Property','Value',...) creates a new UJI or
raises the
% applied to the GUI before uji_OpeningFcn gets
called. An
% stop. All inputs are passed to uji_OpeningFcn
via varargin.

%
%
% Edit the above text to modify the response to help uji

gui_Singleton = 1;
'gui_OpeningFcn', @uji_OpeningFcn,
...
'gui_OutputFcn', @uji_OutputFcn,
...
end
if nargout
varargin{:});
else
end
% --- Executes just before uji is made visible.

function uji_OpeningFcn(hObject, eventdata, handles,
varargin)
of MATLAB
GUIDATA)
% varargin command line arguments to uji (see VARARGIN)
% Choose default command line output for uji



% UIWAIT makes uji wait for user response (see UIRESUME)


command line.
function varargout = uji_OutputFcn(hObject, eventdata,
handles)
VARARGOUT);
of MATLAB
GUIDATA)


handles)
of MATLAB
GUIDATA)
citralatih= xlsread ('datalatih.xlsx');
datalatih=citralatih(1:200,[3 4 5 6]);
kelaslatih=citralatih(1:200,7);
citrauji= xlsread ('datauji2.xlsx');
datauji=citrauji(1,[3 4 5 6]);
[a b]=size(datalatih);
[c d]=size(datauji);
for kk=1:c
for i=1:a
sum=0;
for j=1:b
lala=(datauji(kk,j)- datalatih(i,j))^2;

sum=sum+lala;
end
y=sqrt(sum);
euc(i,:)=y;
end
u=horzcat(euc,kelaslatih);
urut=sortrows(u);
sum1=0;
sum2=0;
k=15;
for ii=1:k
if urut(ii,2)==1
sum1=sum1+1;
else
sum2=sum2+1;
end
end
if sum1>sum2
klasuji=1;
else
klasuji=0;
end
uji(1,:)=klasuji
end
uji;
if uji==1
helpdlg('indikasi Tuberkulosis','Hasil:');
elseif uji==0
helpdlg('Paru Normal','Hasil:');
else
end
handles)
of MATLAB
GUIDATA)
[namafile,direktori]=uigetfile({'*.jpg';},'Akuisi Citra
Digital');
if isequal(namafile,0)
return;
end
citra=imread(namafile);
set(handles.figure1,'CurrentAxes',handles.axes1);
set(imshow(citra));

set(handles.figure1,'UserData',citra);
set(handles.axes1,'UserData',citra);
handles)
of MATLAB
GUIDATA)
image=getimage(handles.axes1);
h=imhist(image)';
h=h/sum(h);
i=[0:255]/255;
mean=i*h';
ent=-h*log2(h+eps)';
skew=(i-mean).^3*h';
std=abs(i-mean)*h';
ms=i.^2*h';
tab(1,1)=mean;
tab(1,2)=ent;
tab(1,3)=skew;
tab(1,4)=std;
tab(1,5)=ms;
set(handles.uitable2,'Data',tab);
B=tab;
sheet=1;
%*****saving features*****
filename='datauji2.xlsx';
xlswrite(filename,B,sheet,'B2:F2');

handles)
of MATLAB
GUIDATA)
close all
guidata(Cropping);

4. Script Program GUI Jendela Akurasi
function varargout = latih2(varargin)

% LATIH2 MATLAB code for latih2.fig
% LATIH2, by itself, creates a new LATIH2 or raises
the existing
% singleton*.
%
% H = LATIH2 returns the handle to a new LATIH2 or
the handle to
%
% LATIH2('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in LATIH2.M with the given
input arguments.
%
% LATIH2('Property','Value',...) creates a new
LATIH2 or raises the
% applied to the GUI before latih2_OpeningFcn gets
called. An
% stop. All inputs are passed to latih2_OpeningFcn
via varargin.
%
%

latih2

gui_Singleton = 1;
'gui_OpeningFcn',
@latih2_OpeningFcn, ...
'gui_OutputFcn', @latih2_OutputFcn,
...

end
if nargout
varargin{:});
else
end
% --- Executes just before latih2 is made visible.

function latih2_OpeningFcn(hObject, eventdata, handles,
varargin)
of MATLAB
GUIDATA)
% varargin command line arguments to latih2 (see
VARARGIN)
% Choose default command line output for latih2


% UIWAIT makes latih2 wait for user response (see

UIRESUME)

command line.
function varargout = latih2_OutputFcn(hObject,
eventdata, handles)
VARARGOUT);
of MATLAB


GUIDATA)

% --- Executes when entered data in editable cell(s) in

uitable1.
function uitable1_CellEditCallback(hObject, eventdata,
handles)
% hObject handle to uitable1 (see GCBO)
% eventdata structure with the following fields (see
MATLAB.UI.CONTROL.TABLE)
% Indices: row and column indices of the cell(s) edited
% PreviousData: previous data for the cell(s) edited
% EditData: string(s) entered by the user
% NewData: EditData or its converted form set on the
Data property. Empty if Data was not changed
% Error: error string when failed to convert EditData
to appropriate value for Data
GUIDATA)

handles)
of MATLAB
GUIDATA)
dtrain=uigetfile({'*.xlsx';},'akuisi file excel');
file=xlsread(dtrain);
set(handles.uitable1,'Data',file)

handles)
of MATLAB
GUIDATA)
citralatih=get(handles.uitable1,'Data');

datalatih=citralatih(1:200,[2 5]);
kelaslatih=citralatih(1:200,7);
citrauji=get(handles.uitable2,'Data');
datauji=citrauji(1:50,[2 5]);
[a b]=size(datalatih);
[c d]=size(datauji);
for kk=1:c
for i=1:a
sum=0;
for j=1:b
lala=(datauji(kk,j)- datalatih(i,j))^2;
sum=sum+lala;
end
y=sqrt(sum);
euc(i,:)=y;
end
u=horzcat(euc,kelaslatih);
urut=sortrows(u);
sum1=0;
sum2=0;
k=str2num(get(handles.edit1,'string'));
for ii=1:k
if urut(ii,2)==1
sum1=sum1+1;
else
sum2=sum2+1;
end
end
if sum1>sum2
klasuji=1;
else
klasuji=0;
end
kelasuji(kk,:)=klasuji;
end
kelasuji;
kelasasli=citrauji(1:50,7);
datauji=[kelasasli kelasuji];
jumlahdatauji=size(kelasuji,1);
jumsesuai=0;
for i=1:jumlahdatauji
if kelasuji(i)==kelasasli(i)
jumsesuai=jumsesuai+1;
end

end
jumsesuai;
akurasi=(jumsesuai/jumlahdatauji)*100;
set(handles.edit2,'string',akurasi);
function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)
of MATLAB
GUIDATA)
% Hints: get(hObject,'String') returns contents of edit1

as text
% str2double(get(hObject,'String')) returns
contents of edit1 as a double

properties.
function edit1_CreateFcn(hObject, eventdata, handles)
of MATLAB
CreateFcns called
% Hint: edit controls usually have a white background on

Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function edit2_Callback(hObject, eventdata, handles)

of MATLAB
GUIDATA)
% Hints: get(hObject,'String') returns contents of edit2

as text

% str2double(get(hObject,'String')) returns
contents of edit2 as a double

properties.
function edit2_CreateFcn(hObject, eventdata, handles)
of MATLAB
CreateFcns called
% Hint: edit controls usually have a white background on

Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end

handles)
of MATLAB
GUIDATA)
dtest=uigetfile({'*.xlsx';},'akuisi file exceltest');
file=xlsread(dtest);
set(handles.uitable2,'Data',file)

LAMPIRAN 2
Nilai Fitur
1. Nilai Fitur Data Latih
Data Ke- Mean Entropi Skewness Std. Deviasi Mean. Sqr Kelas
1 0,73932 6,826138 -0,00170394 0,11104053 0,564066684 0
2 0,73409 6,821381 -0,00140651 0,11425155 0,556574339 0
3 0,73963 6,8784 -0,00088622 0,11138318 0,5636355 0
4 0,71176 6,897857 -0,00092303 0,12221366 0,525737269 0
5 0,68645 6,861045 -0,0001669 0,11035942 0,486975188 0
6 0,71062 6,831207 -0,00054657 0,11373477 0,521608412 0
7 0,78715 6,837694 -0,00122312 0,11079594 0,636290338 0
8 0,74516 6,766907 -0,00149061 0,10993904 0,572285636 0
9 0,77201 6,684979 -0,00074424 0,09932006 0,609443424 0
10 0,68539 6,868099 -1,4734E-05 0,11464358 0,486701436 0
11 0,71936 6,906748 -0,00101512 0,11924877 0,536184643 0
12 0,71674 6,943568 -0,00181735 0,11460495 0,532346251 0
13 0,71726 6,969482 -0,00112043 0,12171401 0,534352095 0
14 0,73165 6,933382 -0,00096098 0,1202221 0,554057095 0
15 0,72264 6,922715 -0,00117375 0,12140289 0,541619964 0
16 0,7609 6,936958 -0,0016473 0,11998027 0,598645948 0
17 0,65005 7,288554 -0,0032001 0,16574716 0,458704213 0
18 0,71602 6,911264 -0,00121621 0,11465808 0,530603513 0
19 0,72873 6,939448 -0,00123358 0,11803746 0,549720758 0
20 0,70491 6,823599 -0,00076646 0,1103191 0,512933732 0
21 0,71059 6,889684 -0,0006881 0,1139486 0,52199325 0
22 0,71555 6,905152 -0,00051713 0,12183548 0,530665974 0
23 0,72804 6,914463 -0,00131499 0,12007023 0,549203332 0
24 0,72595 6,882814 -0,00108936 0,1161478 0,545008281 0
25 0,69553 6,96307 -0,0003542 0,11944584 0,502190541 0
26 0,64983 7,289039 -0,00443772 0,15913058 0,457088974 0
27 0,71828 6,845461 -0,00029822 0,10397646 0,530536557 0
28 0,72582 6,908311 -0,00112055 0,11778982 0,545299246 0
29 0,70182 6,8639 -0,00055778 0,11448994 0,50950997 0
30 0,7515 7,064923 -0,00191983 0,13517294 0,58977006 0
31 0,72863 6,840448 -0,00172278 0,11556312 0,549248829 0
32 0,70705 6,945258 -0,00047381 0,12117481 0,518745792 0
33 0,72639 6,875868 -0,00064804 0,11869603 0,54558565 0
34 0,73081 6,924363 -0,00083395 0,11684051 0,551995158 0
35 0,73505 6,951017 -0,00152287 0,12360943 0,560605091 0

36 0,73539 6,762723 -0,00093233 0,1125699 0,557451423 0

37 0,63419 7,308504 -0,0022655 0,17302671 0,439661258 0
38 0,72023 6,963259 -0,00118971 0,12034621 0,537891375 0
39 0,71837 6,914058 -0,0019327 0,11725881 0,535551171 0
40 0,72115 7,114975 -0,00145608 0,12138278 0,540807491 0
41 0,71909 7,018558 -0,00222376 0,13056769 0,540356492 0
42 0,73694 6,945752 -0,00172411 0,12272939 0,563299816 0
43 0,7023 6,951855 -0,0004917 0,11565569 0,510811079 0
44 0,70568 6,909583 -0,00053064 0,11015932 0,514231317 0
45 0,72979 6,852936 -0,0009548 0,11095273 0,549196407 0
46 0,74196 6,84117 -0,00098656 0,11380238 0,56764809 0
47 0,71399 6,878514 -0,00109412 0,11975506 0,528564459 0
48 0,72033 7,063089 -0,00116035 0,12256441 0,539253156 0
49 0,74143 6,996056 -0,00064013 0,12434044 0,569786466 0
50 0,71914 6,85069 -0,00032106 0,1028 0,531632453 0
51 0,72762 6,886553 -0,00131274 0,11445874 0,547190426 0
52 0,7273 6,893519 -0,00125935 0,11560762 0,54705194 0
53 0,71823 6,936583 -0,00139375 0,1182947 0,534930428 0
54 0,71253 7,010657 -0,00240629 0,1315635 0,531608773 0
55 0,72059 6,914489 -0,00143073 0,11677857 0,537825277 0
56 0,73278 6,79964 -0,00085641 0,10638877 0,552116383 0
57 0,69197 6,971874 -0,00107832 0,11778229 0,497821253 0
58 0,71322 6,848686 -0,00057275 0,10353014 0,523318641 0
59 0,70183 6,940043 -0,00017448 0,11697335 0,510389143 0
60 0,73494 6,864642 -0,00130635 0,11366898 0,557584572 0
61 0,68998 6,919981 -0,00056941 0,1116458 0,49289388 0
62 0,72059 6,79539 -0,0008902 0,10418098 0,534147898 0
63 0,70276 6,912589 -0,00067499 0,11574043 0,511441411 0
64 0,72654 6,839662 -0,00100713 0,10663748 0,54363403 0
65 0,77748 7,007651 -0,00167161 0,12971646 0,62687549 0
66 0,72183 7,021876 -0,00101946 0,11860582 0,540069993 0
67 0,73865 7,107653 -0,00216799 0,12798352 0,568448017 0
68 0,70756 6,92693 -0,00067888 0,11268465 0,517657621 0
69 0,76005 6,68212 -0,00082059 0,09596192 0,590437135 0
70 0,72892 6,90215 -0,0009442 0,11585657 0,549296682 0
71 0,7214 6,866173 -0,00060976 0,11459906 0,53750675 0
72 0,70329 6,928467 -0,00054191 0,11614741 0,512216303 0
73 0,71351 6,947849 -0,00097549 0,11366514 0,526718364 0
74 0,68817 6,98986 -0,00085997 0,13072271 0,495846316 0
75 0,7028 6,951684 -0,0012151 0,13104919 0,516217637 0

76 0,71745 6,888248 -0,00111628 0,11257611 0,531935219 0

77 0,71067 6,889856 -0,00099147 0,11215339 0,522041491 0
78 0,72713 6,916502 -0,00137767 0,12044686 0,547880131 0
79 0,73589 6,870965 -0,00087486 0,10951128 0,557744189 0
80 0,69962 6,923268 -0,00063978 0,12036114 0,508191559 0
81 0,6378 7,290252 -0,00244118 0,16618479 0,441864448 0
82 0,73681 6,924654 -0,00124818 0,12000448 0,562029797 0
83 0,71033 6,9218 -0,00128161 0,11877309 0,523636216 0
84 0,61707 7,39483 -0,00095549 0,17755793 0,419994824 0
85 0,74822 7,006418 -0,00186756 0,12453087 0,581135025 0
86 0,63063 7,290113 -0,00233012 0,1709803 0,434246142 0
87 0,72454 6,872082 -0,00079335 0,11557256 0,542321857 0
88 0,69016 6,942521 -0,00048437 0,11379302 0,493653571 0
89 0,78019 6,818676 -0,00071282 0,11299052 0,625474003 0
90 0,76482 7,001195 -0,00167761 0,12045975 0,605371927 0
91 0,75152 6,805508 -0,00133195 0,10730217 0,581060101 0
92 0,60986 7,363012 -0,00142116 0,15476981 0,403501518 0
93 0,76402 6,857791 -0,00056205 0,10850187 0,599422686 0
94 0,71511 6,907524 -0,000968 0,11891092 0,529933256 0
95 0,77828 6,931652 -0,00287374 0,10991499 0,624488396 0
96 0,70413 7,034246 -0,00127632 0,12214462 0,516056474 0
97 0,6276 7,322773 -0,00258524 0,16710215 0,430020711 0
98 0,7036 6,860504 -0,00069593 0,11132557 0,511443723 0
99 0,69774 6,919249 -0,00093312 0,11532139 0,504790611 0
100 0,75488 6,944299 -0,00101117 0,1190146 0,58858833 0
101 0,5568 7,511684 -0,00059 0,19210935 0,35583145 1
102 0,61572 7,366279 -0,00107128 0,16424611 0,413476665 1
103 0,61256 7,39853 -0,00145991 0,18124551 0,416047763 1
104 0,61518 7,405178 -0,00053673 0,15947683 0,411853423 1
105 0,6465 7,337045 -0,00274338 0,17037141 0,455585954 1
106 0,63663 7,340449 -0,0025235 0,17811127 0,44477136 1
107 0,64287 7,285146 -0,00273696 0,16770269 0,449239374 1
108 0,62436 7,336669 -0,00158309 0,17258964 0,427155357 1
109 0,6233 7,344768 -0,00126147 0,16906445 0,424411123 1
110 0,6424 7,378374 -0,00319555 0,16889876 0,449691785 1
111 0,62685 7,355157 -0,001881 0,16524438 0,428098713 1
112 0,65304 7,317336 -0,00435899 0,16718313 0,463635762 1
113 0,63473 7,36318 -0,00214976 0,16485786 0,437845716 1
114 0,64914 7,341651 -0,00286432 0,17583305 0,460435775 1
115 0,66074 7,306249 -0,00406403 0,16053585 0,471602654 1

116 0,62033 7,332936 -0,00175529 0,17472901 0,422658692 1

117 0,61218 7,398655 -0,00111842 0,16803448 0,410627019 1
118 0,64357 7,380686 -0,00178146 0,17505692 0,45306275 1
119 0,71479 6,915559 -0,00043096 0,12074339 0,529493568 1
120 0,61321 7,357524 -0,0012011 0,17184537 0,413142186 1
121 0,62596 7,396322 -0,00341499 0,1591083 0,426589049 1
122 0,63754 7,346494 -0,00180195 0,18045143 0,446447958 1
123 0,71631 7,142544 -0,00348245 0,14503302 0,541956165 1
124 0,65083 7,34863 -0,00266422 0,16644654 0,459706367 1
125 0,64161 7,403896 -0,00226195 0,18532155 0,454323944 1
126 0,61968 7,416466 -0,00162085 0,16518586 0,419278248 1
127 0,63762 7,368837 -0,0020476 0,15942362 0,439978991 1
128 0,6648 7,353451 -0,00280702 0,16812099 0,478492673 1
129 0,61759 7,453951 -0,00411081 0,175318 0,422729966 1
130 0,71549 6,854993 -0,0004375 0,11056851 0,527878277 1
131 0,63566 7,349853 -0,00154551 0,16052117 0,437235685 1
132 0,65073 7,305579 -0,00319258 0,15795151 0,456711005 1
133 0,61649 7,405866 -0,00211226 0,17459822 0,41914176 1
134 0,61038 7,315867 -0,00228299 0,16180875 0,406701992 1
135 0,6576 7,232932 -0,00303043 0,16269129 0,466652502 1
136 0,71511 6,879391 -0,00060449 0,11160572 0,527765017 1
137 0,72337 6,922148 -0,00093537 0,11281336 0,540481644 1
138 0,73056 6,849565 -0,00052231 0,11395964 0,550413807 1
139 0,61515 7,347957 -0,00044493 0,17181686 0,415134695 1
140 0,65821 7,272226 -0,00455028 0,16481164 0,469507582 1
141 0,62638 7,313775 -0,00127549 0,1412494 0,419889682 1
142 0,67296 7,175632 -0,00169431 0,13642741 0,477933057 1
143 0,63182 7,352461 -0,00218571 0,16702066 0,435004765 1
144 0,65436 7,276438 -0,00369778 0,15934164 0,462420332 1
145 0,7351 6,808372 -0,0008632 0,10544169 0,555460658 1
146 0,73429 6,905126 -0,00199009 0,12332992 0,559841803 1
147 0,63456 7,281197 -0,00280744 0,1629657 0,436973885 1
148 0,64781 7,328597 -0,00309268 0,16609172 0,455483938 1
149 0,62442 7,376328 -0,00108753 0,17379087 0,427748908 1
150 0,61579 7,295874 -0,00074703 0,17578679 0,416895886 1
151 0,63495 7,344717 -0,00177637 0,15466208 0,434855117 1
152 0,62475 7,437778 -0,00169696 0,171619 0,428355856 1
153 0,64098 7,323622 -0,00246891 0,16306668 0,44524808 1
154 0,73319 7,034282 -0,00111778 0,12618864 0,558533048 1
155 0,64007 7,285668 -0,00225149 0,16858787 0,445836018 1

156 0,6466 7,344644 -0,003061 0,1720782 0,455999256 1

157 0,70657 6,944181 -0,00040455 0,12302935 0,518512716 1
158 0,6334 7,329462 -0,00171258 0,17395303 0,438720706 1
159 0,6371 7,341686 -0,00139271 0,15724215 0,437962479 1
160 0,65396 7,3693 -0,00251415 0,16863437 0,46457536 1
161 0,64638 7,273525 -0,00208854 0,15572187 0,449291542 1
162 0,65188 7,24335 -0,0026319 0,15589918 0,456844298 1
163 0,74938 6,874973 -0,00168551 0,10930588 0,578611954 1
164 0,73283 7,041017 -0,00145967 0,12199639 0,557435709 1
165 0,75045 6,786942 -0,00024522 0,11076437 0,578774009 1
166 0,73085 6,798593 -0,00064031 0,10456513 0,548760631 1
167 0,72508 6,968572 -0,00088397 0,12667315 0,546327657 1
168 0,70834 6,905084 -0,00067052 0,11814813 0,519875858 1
169 0,72373 6,919471 -0,00025424 0,12607633 0,543629955 1
170 0,73071 6,958967 -0,00038372 0,12632816 0,553981129 1
171 0,6504 7,264779 -0,00220833 0,15903463 0,455935727 1
172 0,67392 7,331661 -0,00383179 0,16293963 0,490045353 1
173 0,64398 7,342427 -0,001633 0,174705 0,452667396 1
174 0,68658 6,977639 -0,00075794 0,12143474 0,490813565 1
175 0,64198 7,303137 -0,00191053 0,1617864 0,445641388 1
176 0,64421 7,361059 -0,00174776 0,16410793 0,44964257 1
177 0,66792 7,363337 -0,00261496 0,16322415 0,481210144 1
178 0,68111 7,158891 -0,00410341 0,16658465 0,500516832 1
179 0,63139 7,40947 -0,00178187 0,17871239 0,43876717 1
180 0,63938 7,336987 -0,00150021 0,16818817 0,444616025 1
181 0,64407 7,296575 -0,00205737 0,17017349 0,451137978 1
182 0,64766 7,26428 -0,00251855 0,16791118 0,454896556 1
183 0,65268 7,300119 -0,00327207 0,16381967 0,461008716 1
184 0,615 7,397663 -0,0019534 0,16460242 0,413653908 1
185 0,63395 7,296592 -0,00350109 0,16758552 0,438519983 1
186 0,71907 6,846997 -0,00129297 0,1081178 0,533371772 1
187 0,64672 7,274269 -0,0028295 0,15935711 0,451611706 1
188 0,65677 7,214428 -0,00223037 0,16497007 0,465603423 1
189 0,63452 7,289851 -0,00184109 0,16206936 0,435870861 1
190 0,62867 7,383916 -0,00135173 0,17963921 0,435185506 1
191 0,68014 7,263849 -0,00529835 0,151317 0,496250459 1
192 0,63246 7,555612 -0,00572049 0,17986661 0,445997517 1
193 0,7155 6,929735 -0,00061876 0,11733656 0,529722407 1
194 0,64038 7,303459 -0,0009439 0,14513648 0,438226736 1
195 0,66468 7,336435 -0,0040384 0,16340748 0,477885365 1
196 0,60834 7,468357 -0,00119547 0,1678566 0,40713044 1
197 0,64589 7,28729 -0,00237038 0,15181979 0,447871701 1
198 0,62071 7,308168 -0,00090753 0,17328003 0,422401172 1
199 0,63511 7,365291 -0,00177861 0,17126339 0,440419649 1
200 0,62338 7,328221 -0,00148466 0,16839587 0,423998846 1

2. Nilai Fitur Data Uji
Data Ke- Mean Entropi Skewness Std. Deviasi Mean. Sqr Kelas
1 0,71778 6,98459 -0,001284 0,124655 0,5357758 0
2 0,72152 6,90328 -0,001168 0,1159564 0,5388487 0
3 0,7137 6,88175 -0,000413 0,1149179 0,5264873 0
4 0,76727 6,83299 -0,0011 0,1171418 0,6065529 0
5 0,6995 6,86363 -0,000724 0,1115311 0,5056364 0
6 0,62254 7,34484 -0,001435 0,1705327 0,4239688 0
7 0,73722 6,93135 -0,00074 0,1160336 0,5615741 0
8 0,7243 6,91465 -0,000939 0,1168204 0,5425908 0
9 0,7342 6,81351 -0,00093 0,1181771 0,5569095 0
10 0,63413 7,35178 -0,003042 0,1648346 0,438296 0
11 0,62386 7,3284 -0,002261 0,1614951 0,4230828 0
12 0,69651 6,9755 -0,001464 0,1181683 0,5046044 0
13 0,62473 7,35817 -0,001489 0,1787835 0,4297443 0
14 0,61874 7,31852 -0,001402 0,1545929 0,4137856 0
15 0,76537 6,77326 -0,000911 0,1106158 0,6018894 0
16 0,62262 7,32153 -0,002127 0,1644974 0,4222775 0
17 0,75723 6,81273 -0,002079 0,11515 0,5919477 0
18 0,75303 6,99029 -0,001029 0,1241491 0,5874427 0
19 0,62724 7,30472 -0,002023 0,1655923 0,4281504 0
20 0,73523 6,72388 -0,000932 0,1103714 0,5565714 0
21 0,61067 7,33053 -0,000911 0,1657838 0,407585 0
22 0,61185 7,36625 -0,001271 0,1727112 0,4117202 0
23 0,73764 6,82933 -0,001014 0,1084755 0,5600924 0
24 0,72094 6,88519 -0,000648 0,1112165 0,5363116 0
25 0,71143 6,98291 -0,002063 0,1219809 0,5268929 0
26 0,64232 7,36081 -0,001966 0,1568336 0,4453058 1
27 0,64454 7,33606 -0,002206 0,1749932 0,4534518 1
28 0,61894 7,3515 -0,001009 0,1725531 0,4200316 1
29 0,64932 7,32158 -0,003309 0,1559031 0,4545788 1
30 0,6326 7,32149 -0,003955 0,1602849 0,4353202 1
31 0,63138 7,34252 -0,001633 0,1699243 0,4349473 1
32 0,62835 7,42111 -0,001709 0,1717741 0,4325337 1
33 0,67056 7,35393 -0,003756 0,1686871 0,4875842 1
34 0,68439 7,28461 -0,002037 0,1601277 0,5015896 1

35 0,70955 6,88079 -0,000839 0,1100449 0,5199639 1

36 0,61797 7,44526 -0,000401 0,1841314 0,423971 1
37 0,65305 7,29492 -0,00321 0,1690427 0,4634205 1
38 0,6579 7,32646 -0,003319 0,1566907 0,4661607 1
39 0,64267 7,38294 -0,002073 0,1612383 0,447044 1
40 0,72753 6,89065 -0,002376 0,1126428 0,5481243 1
41 0,7339 6,81841 -0,000933 0,1129369 0,5553789 1
42 0,64724 7,42889 -0,003237 0,1610901 0,454387 1
43 0,64606 7,28084 -0,003898 0,1666262 0,4546613 1
44 0,64589 7,31786 -0,002498 0,1735433 0,4551701 1
45 0,65033 7,32782 -0,00255 0,164846 0,4582061 1
46 0,67045 7,21297 -0,002914 0,1471563 0,4792591 1
47 0,67296 7,3506 -0,003661 0,1571366 0,4871754 1
48 0,62705 7,36162 -0,003815 0,1714372 0,4314799 1
49 0,64813 7,34705 -0,00326 0,1712259 0,4580976 1
50 0,61684 7,44403 -0,004899 0,1692631 0,4206407 1

LAMPIRAN 3
Hasil Akurasi, Sensitivitas, Spesifisitas
Nilai Akurasi, Sensitivitas, dan Spesifisitas (%)

Komb.Fitur Nilai k 1-fold 2-fold 3-fold 4-fold 5-fold
ak sv sp ak sv sp ak sv sp ak sv sp ak sv sp
1 70 84 56 74 64 64 74 64 64 74 68 68 80 88 88
3 74 84 64 76 88 68 84 72 72 76 68 68 84 88 88
5 74 88 60 84 92 76 88 80 80 80 72 72 84 96 96
7 74 88 60 80 92 72 88 84 84 80 76 72 86 96 96
15 74 88 60 80 92 72 90 84 84 80 72 72 94 92 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Semua Fitur
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 74 92 60 76 84 68 76 88 64 78 84 68 80 76 84
3 70 80 60 80 88 68 84 88 80 74 84 64 82 76 88
5 70 80 60 82 92 72 84 88 80 74 84 68 90 84 96
7 74 88 60 82 92 72 90 96 84 80 88 72 90 84 96
15 74 88 60 84 92 72 90 96 84 80 88 72 94 92 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

7 74 60 60 84 96 68 84 92 76 84 92 72 88 88 88
15 72 60 60 84 92 72 88 92 84 80 88 72 94 96 92
25 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
31 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
35 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
39 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
43 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
47 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
51 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
55 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
59 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
63 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
67 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
71 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
75 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
79 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
83 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
87 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
91 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
95 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
99 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
1 62 72 52 74 80 68 80 84 76 72 76 68 82 76 88
3 72 88 56 80 92 68 86 96 76 76 84 68 90 88 92
5 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
7 74 88 60 82 92 72 88 92 84 80 88 72 92 88 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 70 80 60 76 76 76 78 80 76 74 80 68 80 80 80
3 72 84 60 80 88 72 84 80 88 74 80 68 88 80 96
5 72 84 60 80 92 68 80 84 76 80 88 72 90 88 92
7 72 84 60 80 92 68 82 84 80 80 88 72 92 96 88
15 72 84 60 80 92 68 84 92 76 78 84 72 92 96 88
25 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
31 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
35 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
39 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
43 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
47 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
51 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
M-Msq
55 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
59 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
63 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
67 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
71 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
75 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
79 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
83 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
87 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
91 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
95 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
99 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
1 56 80 32 72 80 64 84 92 76 60 76 44 82 76 88
3 72 88 56 78 92 64 84 88 80 72 84 60 88 84 92
5 74 88 60 80 92 68 86 88 84 80 88 72 92 88 96
7 72 84 60 82 92 72 90 96 84 80 88 72 96 96 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Sk
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 68 84 52 72 84 60 80 88 72 70 76 64 86 76 96
3 72 88 56 78 88 68 90 88 80 72 80 64 92 92 92
5 74 88 60 80 92 68 88 92 84 80 88 72 96 96 96
7 74 88 60 82 92 72 88 92 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 70 88 52 78 88 92 82 92 72 72 84 60 78 68 88
3 72 84 60 78 88 68 84 96 72 72 80 63 82 76 88
5 74 88 60 82 92 72 88 96 80 76 80 72 90 84 96
7 74 88 60 82 92 72 88 92 84 78 84 72 88 80 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
Ent-Msq
55 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96

1 70 88 52 78 92 64 78 92 64 72 88 56 84 88 80
3 74 88 60 80 92 68 86 92 80 80 88 72 84 88 80
5 74 88 60 80 92 68 90 96 84 78 88 68 94 96 92
7 74 88 60 80 92 68 90 96 84 80 88 72 96 96 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 76 60 76 76 76 76 76 76 76 84 68 76 68 84
3 66 76 56 76 92 60 78 92 64 74 80 68 78 76 80
5 70 80 60 78 92 64 80 88 72 78 84 72 80 76 84
7 68 76 60 78 92 64 80 88 72 78 84 72 90 92 88
15 72 84 60 80 92 68 84 92 76 78 84 72 92 96 88
25 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
31 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
35 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
39 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
43 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
47 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
51 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
Sk-Msq
55 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
59 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
63 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
67 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
71 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
75 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
79 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
83 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
87 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
91 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
95 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
99 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96

1 60 64 56 76 80 72 80 76 84 72 72 72 86 76 96
3 70 88 52 78 92 64 84 96 72 74 84 64 88 88 88
5 74 88 60 80 92 68 88 96 80 80 88 72 90 88 92
7 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 74 88 60 76 84 68 74 84 64 76 84 68 78 72 84
3 70 80 60 78 88 68 86 92 80 72 80 64 82 76 88
5 72 84 60 82 92 72 88 96 80 76 84 68 90 84 96
7 74 88 60 82 92 72 90 96 84 80 88 72 90 84 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Sk
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 72 88 56 74 80 68 74 84 64 74 76 72 78 72 84
3 72 84 60 80 92 68 84 92 76 72 80 64 82 76 88
5 74 88 60 82 92 72 86 92 80 76 84 86 88 80 96
7 74 88 60 82 92 72 90 92 88 78 84 72 90 84 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 88 48 76 88 64 74 88 60 74 88 60 78 68 88
3 72 84 60 78 88 68 84 96 72 74 80 68 82 76 88
5 74 88 60 82 92 72 88 96 80 80 88 72 84 72 96
7 74 88 60 82 92 72 88 92 84 80 88 72 86 76 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 68 84 52 72 84 60 80 88 72 70 76 64 86 76 96
3 72 88 56 78 88 68 90 88 80 72 80 64 92 92 92
5 72 84 60 78 88 68 88 92 84 78 84 72 96 96 96
7 74 88 60 82 92 72 88 92 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 70 88 52 78 88 68 82 92 72 72 84 60 78 68 88
3 72 84 60 78 88 68 84 96 72 72 80 64 82 76 88
5 74 88 60 82 92 72 88 96 80 76 80 72 90 84 96
7 74 88 60 82 92 72 88 92 84 78 84 72 88 80 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
Ent-Sk-Msq
55 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96

1 60 64 56 76 80 72 80 76 84 72 72 72 86 76 96
3 70 88 52 78 92 64 82 92 72 74 84 64 88 88 88
5 74 88 60 80 92 68 88 96 80 80 88 72 90 88 92
7 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Sk-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 62 72 52 74 80 60 80 84 72 74 76 64 82 76 96
3 72 88 56 80 92 68 86 96 80 76 84 64 90 88 92
5 74 88 60 80 92 68 88 96 84 80 88 72 94 92 96
7 74 88 60 82 92 72 90 96 84 80 88 72 92 88 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 72 84 60 78 80 76 82 88 76 78 84 72 80 80 80
3 74 88 60 82 92 72 84 80 88 76 84 68 88 80 96
5 72 84 60 80 92 68 80 84 76 80 88 72 90 88 92
7 72 84 60 80 92 68 80 84 76 80 88 72 94 96 92
15 72 84 60 80 92 68 84 92 76 78 84 72 92 96 88
25 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
31 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
35 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
39 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
43 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
47 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
51 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
M-Sk-Msq
55 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
59 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
63 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
67 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
71 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
75 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
79 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
83 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
87 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
91 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
95 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
99 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
1 62 68 56 78 84 72 82 88 76 70 72 68 84 80 88
3 70 88 52 78 92 64 80 88 72 76 88 64 86 88 84
5 74 88 60 80 92 68 86 92 80 80 88 72 92 92 92
7 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 72 88 56 74 80 68 74 84 64 74 76 72 78 72 84
3 72 84 60 80 92 68 84 92 76 72 80 64 82 76 88
5 74 88 60 82 92 72 86 92 80 76 84 68 88 80 96
7 74 88 60 82 92 72 90 92 88 78 84 72 90 84 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 88 48 76 88 64 74 88 60 74 88 60 80 72 88
3 72 84 60 78 88 68 84 96 72 74 80 68 82 76 88
5 74 88 60 82 92 72 88 96 80 80 88 72 84 72 96
7 74 88 60 82 92 72 88 92 84 80 88 72 86 76 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Sk-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 70 84 56 74 84 64 74 84 64 72 76 68 80 72 88
3 74 84 64 78 88 68 84 96 72 74 80 68 84 80 88
5 74 88 60 84 92 76 86 92 80 78 84 72 84 72 96
7 74 88 60 82 92 72 88 92 84 78 84 72 86 76 96
15 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 62 68 56 78 84 72 82 88 76 72 72 72 84 80 88
3 70 88 52 78 92 64 80 88 72 76 88 64 86 88 84
5 74 88 60 80 92 68 86 92 80 80 88 72 92 92 92
7 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Sk-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

1 72 88 56 74 84 64 76 88 64 72 76 68 80 72 88
3 76 88 64 80 92 68 82 92 72 74 84 64 82 76 88
5 74 88 60 82 92 72 88 92 84 78 84 72 90 84 96
7 74 88 60 82 92 72 88 92 84 78 84 72 88 80 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Sk-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96

Skripsi - Moch Bahaudin A - 081611333006

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi - Moch Bahaudin A - 081611333006

Diunggah oleh

Hak Cipta:

Format Tersedia

IR - PERPUSTAKAAN UNIVERSITAS AIRLANGGA

PENGGUNAAN EKSTRAKSI FITUR HISTOGRAM

MOCH. BAHAUDIN AL CHOMACY

PROGRAM STUDI S-1 FISIKA

FAKULTAS SAINS DAN TEKNOLOGI

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

PENGGUNAAN EKSTRAKSI FITUR HISTOGRAM

Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains

Bidang Fisika pada Fakultas Sains dan Teknologi

MOCH. BAHAUDIN AL CHOMACY

Tanggal Lulus : 17 Oktober 2020

Pembimbing I, Pembimbing II,

Endah Purwanti, S.Si., M.T Dr. Khusnul Ain, S.T., M.Si

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

LEMBAR PENGESAHAN NASKAH SKRIPSI

Judul : Penggunaan Ekstraksi Fitur Histogram Berbasis

Penyusun : Moch. Bahaudin Al chomacy

Pembimbing I : Endah Purwanti, S.Si., M.T.

Pembimbing II : Dr. Khusnul Ain, S.T., M.Si.

Tanggal Seminar : 17 Oktober 2020

Pembimbing I, Pembimbing II,

Endah Purwanti, S.Si., M.T. Dr. Khusnul Ain, S.T., M.Si.

NIP. 197710312009122003 NIP. 197207051997021001

Ketua Departemen Fisika

Fakultas Sain dan Teknologi

Herri Trilaksana, S.Si, M.Si, Ph.D.

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam

Dokumen skripsi ini merupakan hak milik Universitas Airlangga.

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

Pada kesempatan ini, penulis mengucapkan banyak terimakasih kepada

1. Allah SWT yang telah memberikan kesempatan kepada penulis sehingga

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

Surabaya, 4 Mei 2020

Moch. Bahaudin Al chomacy

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

Moch. Bahaudin Al chomacy, 2020. Pengunaan Ekstraksi Fitur Histogram Berbasis

Tuberkulosis (TB) paru merupakan penyakit yang disebabkan oleh bakteri

Kata Kunci: Tuberkulosis, Histogram, k-Nearest Neighbor.

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

Moch. Bahaudin Al chomacy, 2020. Pengunaan Ekstraksi Fitur Histogram Berbasis

Tuberculosis (TB) is a disease caused by the bacteria Mycobacterium

Key Word : Tuberculosis, Histogram, k-Nearest Neighbor

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

HALAMAN JUDUL ............................................................................. i

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

BAB V KESIMPULAN DAN SARAN ................................................ 47

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

Nomor Judul Tabel Halaman

4.1 Tabel Akurasi Percobaan Paling Optimal 42

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

Nomor Judul Gambar Halaman

2.1 Bakteri Mycrobacterium Tuberkulosis 7

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

4.4 Grafik Nilai Fitur Skewness 38

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

Nomor Judul Lampiran Halaman

1 Script Program GUI 52

SKRIPSI PENGGUNAAN EKSTRAKSI FITUR... MOCH. BAHAUDIN A

1.1 Latar Belakang