Universitas Dian Nuswantoro: Lembar Sampul Dokumen

UNIVERSITAS DIAN NUSWANTORO
PROGRAM STUDI TEKNIK BIOMEDIS

JL. NAKULA NO. 5-11 SEMARANG  (024)3517261,  (024)3520165
Dokumentasi Produk Tugas Akhir
Lembar Sampul Dokumen

TUGAS AKHIR TEKNIK BIOMEDIS:
Judul Dokumen Rancang Bangun Instrumen USG Mini untuk Pra-
Diagnosis Glukoma Berbasis Image Processing
Jenis Dokumen DESAIN SISTEM
Catatan: Dokumen ini dikendalikan penyebarannya oleh Prodi Teknik Biomedis UDINUS
Nomor Dokumen E13-III-00024

Nomor Revisi 05
Nama File E300
Tanggal Penerbitan 6 Juli 2023
Unit Penerbit Prodi Teknik Biomedis - UDINUS
Jumlah Halaman 21
Data Pengusul
Pengusul Nama Daffa Mustafaro Irfansyach Jabatan Mahasiswa
Tanggal Tanda Tangan
Nama The Vimala Devi Susanto Jabatan Mahasiswa

Nama I Gusti Ayu Mutiara Pertiwi Santi Jabatan Mahasiswa

Pembimbing Nama Sari Ayu Wulandari,S.T, M,Eng Tanda Tangan

Tanggal
Lembaga
Program Studi Teknik Biomedis
Fakultas Teknik
Universitas Dian Nuswantoro
Alamat
Jln. Nakula No. 5-11
Telepon : 024 3517261 Faks : 024 3520165
Nomor Dokumen: E300-E13-III-00024 Nomor Revisi: 05 Tanggal: 6 juli 2023 Halaman 1 dari 21
© 2022 Prodi Teknik Biomedis-UDINUS. Pengungkapan dan penggunaan seluruh isi dokumen hanya dapat dilakukan atas ijin tertulis Prodi
Teknik Biomedis – UDINUS. Jalan Nakula, No. 5-11 Semarang, 40132 Indonesia.
DAFTAR ISI
DAFTAR ISI ........................................................................................................................ 2

CATATAN SEJARAH PERBAIKAN DOKUMEN ........................................................ 3
RANCANG BANGUN INSTRUMEN USG MINI UNTUK PRA-DIAGNOSIS
GLUKOMA BERBASIS IMAGE PROCESSING .......................................................... 4
1.1 RINGKASAN ISI DOKUMEN ..................................................................................... 4
1.2 TUJUAN PENULISAN DAN APLIKASI/KEGUNAAN DOKUMEN .................................. 4
1.3 REFERENSI ............................................................................................................. 4
1.4 DAFTAR SINGKATAN .............................................................................................. 4
2 KONSEP SISTEM ...................................................................................................... 5
2.1 PILIHAN SISTEM ..................................................................................................... 5
2.1.1 Arsitektur Utama Sistem ................................................................................... 5
2.1.2 Arsitektur Hardware ......................................................................................... 7
2.1.3 Arsitektur Pengambilan Data ........................................................................... 8
2.1.4 Arsitektur Pengolahan Data ............................................................................. 9
2.2 ANALISIS .............................................................................................................. 13
2.2.1 Kriteria ............................................................................................................ 13
2.2.2 Analisis konsep ................................................................................................ 13
2.3 SISTEM YANG AKAN DIKEMBANGKAN .................................................................. 14
3 DESAIN SISTEM...................................................................................................... 15
3.1 PEMODELAN FUNGSIONAL SISTEM ....................................................................... 15
3.2 PEMODELAN TINGKAH LAKU SISTEM .................................................................. 15
3.2.1 State diagram .................................................................................................. 16
3.2.2 Flowchart ........................................................................................................ 16
4 PENGUJIAN SISTEM ............................................................................................. 17
4.1 PENGUJIAN HARDWARE ....................................................................................... 17
4.2 PENGUJIAN SOFTWARE......................................................................................... 18
5 JADWAL PENGERJAAN ....................................................................................... 20
Catatan Sejarah Perbaikan Dokumen
VERSI, TGL, OLEH PERBAIKAN

14 Juni 2023 Tabel, gambar dan penulisan
5 Juli 2023 Lengkapi bagian arsitektur utama sistem seperti pembagian tugas
kelompok
14 Juli 2023 Penambahan gambar dan keterangannya pada arsitektur
21 Juli 2023 Arsitektur pengolahan data dibagi menjadi 3 sub bab lagi (momen
Invarian, PCA, FCM)
28 Juli 2023 Ubah flowchart pada arsitektur pengolahan data menjadi algoritma
Rancang Bangun Instrumen USG Mini untuk Pra-Diagnosis Glukoma
Berbasis Image Processing
1.1 Ringkasan Isi Dokumen

E-300 merupakan dokupmen hasil perancangan. Dokumen ini menggambarkan
pengambilan semua keputusan penting dalam merealisasikan produk “Rancang Bangun
Instrumen USG Mini untuk Pra-diagnosis Glukoma Berbasis Image Processing”. Hasilnya
adalah sebuah dokumen yang meliputi konsep sistem yang terdiri dari pilihan sistem,
analisis dan sistem yang akan dikembangkan. Desain sistem yang terdiri dari pemodelan
fungsional sistem dan pemodelan tingkah laku sistem. Serta terdapat juga pengujian sistem,
jatwal pengerjaan dan lampiran
1.2 Tujuan Penulisan dan Aplikasi/Kegunaan Dokumen

Isi dengan maksit dan tujuan penulisan dokumen ini antara lain ;
a. Untuk memberikan gagasan tertulis dari tugas akhir yang dikerjakan
b. Untuk memberikan analisis dari berbagai aspek untuk memastikan bahwa produk
pada tugas akhir yang dibuat layak untuk dikerjakan dan direalisasikan
1.3 Referensi
[1] I. G. S. W. Widharma, I. P. Aryawan, K. D. Sukariawan, G. R. T. Wiguna, and I. P.
F. Astika, “Sistem Kendali Analog Sensor Suhu Dalam Prototipe Sistem Telemetri,”
2020. Accessed: Nov. 24, 2020. [Online]. Available:
https://www.researchgate.net/publication/346260352
[2] A. Priambodo, “Pengembangan Alat Elektrolisis H2O dengan Sensor Ultrasonik
Hysrf untuk Memonitoring Selisih Ketinggian Permukaan Air,” 2022.
1.4 Daftar Singkatan

SINGKATAN ARTI
PCA Principal Component Analysis
FCM Fuzzy C-Means
2 Konsep Sistem
2.1 Pilihan Sistem

Pada bab ini menjelaskan konsep sistem yang akan dikembangkan dan kemudian
membahas spesifikasi keseluruhan dari rancang bangun alat Instrumen USG Mini pra-
diagnosis Glukoma Mata Berbasis Image processing sebagai sistem dan komponen
penyusunnya. Deskripsi tersebut meliputi :
• Deskripsi sistem : menjelaskan tentang cara kerja sistem alat ini secara
umum.
• Deskripsi Perangkat Keras : menjelaskan perangkat keras yang digunakan.
• Deskripsi Perangkat : menggambarkan diagram blok perangkat lunak yang

Lunak akan dikompikasi pada sistem
2.1.1 Arsitektur Utama Sistem

Arsitektur utama sistem ini adalah gambaran global dari proyek ini atau rancang
bangun dari alat deteksi glaukoma ini menggunakan transduser sebagai sensor, transmitter
sebagai pengirim sinyal, receiver sebagai penerima sinyal, dan mikrokontroler Arduino
Nano sebagai kontrol dari alat. Arduino Nano akan diprogram untuk mengirim data sampel
ke PC atau laptop untuk dilakukan proses pengolahan sinyal dan pengolahan citra
menggunakan software. Data yang diperoleh merupakan hasil pengukuran dari pasien
dengan kondisi mata glaukoma dan mata normal. Desain utama sistem ini sangat penting
untuk menggambarkan keseluruhan alat, mulai dari mendapatkan inputan hingga
menghasilkan output, serta menjelaskan proses yang terjadi selama proses, gambar dari
arsitektur utama sistem dapat dilihat di bawah ini :
Gambar 3.1. Arsitektur Utama Sistem
Pada gambar 3.1 arsitektur utama sistem adalah Gambaran global dari proyek ini
atau rancang bangun dari alat deteksi glaukoma ini menggunakan transduser sebagai sensor,
transmitter sebagai pengirim sinyal, receiver sebagai penerima sinyal, dan mikrokontroler
Arduino Nano sebagai kontrol dari alat. Arduino Nano akan diprogram untuk mentransfer
data sampel ke PC atau laptop untuk dilakukan proses pengolahan sinyal dan pengolahan
citra menggunakan software. Data yang diperoleh merupakan hasil pengukuran dari pasien
dengan kondisi mata glaukoma dan mata normal. Desain utama sistem ini sangat penting
untuk menggambarkan keseluruhan alat, mulai dari mendapatkan inputan hingga
menghasilkan output, serta menjelaskan proses yang terjadi selama proses tersebut.
Pada gambar arsitektur utama sistem, langkah dimulai dari transduser yang
berfungsi sebagai sensor. Transduser dapat didefinisikan sebagai perangkat yang dapat
mengubah suatu bentuk energi menjadi bentuk energi yang lain. Pada proyek ini, transduser
digunakan untuk mengubah sinyal suara menjadi energi listrik (gelombang ultrasonik).
Gelombang ultrasonik merupakan gelombang suara yang merupakan gelombang tekanan
dengan energi rendah yang tidak mampu mengionisasi molekul. Frekuensi yang digunakan
pada transduser dalam proyek ini adalah 5 MHz. Transmitter dan receiver berperan sebagai
pengirim data dan penerima data. Data yang dikirim adalah data PPM (Pulse Position
Modulation) atau PCM (Pulse Code Modulation). Transmitter berfungsi sebagai pemancar
setelah transduser, sedangkan receiver berfungsi sebagai penerima informasi atau sinyal
listrik yang berasal dari sinyal suara yang diteruskan oleh transduser. Mikrokontroler yang
digunakan dalam sistem ini adalah Arduino Nano. Arduino Nano merupakan papan
mikrokontroler yang kompak dan dapat diprogram. Arduino Nano akan mengirimkan hasil
data sampel ke PC atau laptop untuk dilakukan dua proses pengolahan, yaitu pengolahan
sinyal dan pengolahan citra.
Pengolahan sinyal melibatkan langkah-langkah pengolahan menggunakan metode

Momen Invariant. Setelah pengolahan sinyal, dilakukan pengolahan citra dengan
menggunakan metode PCA (Principal Component Analysis) untuk ekstraksi ciri.
Selanjutnya, dilakukan klasifikasi dengan menggunakan metode FCM (Fuzzy C-Means)
untuk mengelompokkan data ke dalam kluster dengan menghitung tingkat keanggotaan dan
mendapatkan pusat kluster. Dengan demikian, melalui Arsitektur Utama Sistem ini, dari
pengambilan data hingga pengolahan sinyal dan pengolahan citra, sistem dapat memberikan
solusi yang efektif dalam deteksi glaukoma dengan tingkat akurasi yang tinggi.
2.1.2 Arsitektur Hardware

Arsitektur hardware dari alat deteksi glaukoma ini terdiri dari beberapa komponen
utama yang saling terhubung secara sistematis, seperti yang terlihat pada gambar dibawah:
Gambar 3.2. Arsitektur Hardware
Pada gambar 3.2 Arsitektur hardware dari alat deteksi glaukoma ini terdiri dari
beberapa komponen utama yang saling terhubung secara sistematis. Transduser digunakan
sebagai sensor untuk mengubah sinyal suara menjadi sinyal listrik atau gelombang
ultrasonik dengan frekuensi 5 MHz. Transmitter berfungsi sebagai pemancar sinyal yang
diterima oleh transduser, sedangkan receiver bertugas sebagai penerima sinyal listrik yang
dihasilkan oleh transduser. Mikrokontroler yang digunakan adalah Arduino Nano, sebuah
papan mikrokontroler yang kompak dan dapat diprogram. Arduino Nano bertanggung jawab
dalam mengendalikan proses pengambilan data dan mentransfernya ke PC atau laptop untuk
dilakukan pengolahan lebih lanjut. Arduino Nano memiliki kemampuan untuk
menghubungkan alat deteksi glaukoma dengan PC atau laptop melalui koneksi yang
tersedia.
Seluruh komponen hardware ini terintegrasi dalam sistem deteksi glaukoma.

Transduser berfungsi sebagai sensor untuk mengambil data dengan mengubah sinyal suara
menjadi sinyal listrik atau gelombang ultrasonik. Transmitter bertugas untuk memancarkan
sinyal yang diterima oleh transduser, dan receiver berperan sebagai penerima sinyal listrik
yang dihasilkan oleh transduser. Data yang diterima oleh receiver selanjutnya akan
ditransfer melalui mikrokontroler Arduino Nano ke PC atau laptop untuk pengolahan lebih
lanjut. Arsitektur hardware yang terintegrasi ini memastikan bahwa alat deteksi glaukoma
dapat mengambil data dan mengirimkannya ke perangkat pengolahan dengan efisien.
Transduser, transmitter, receiver, dan mikrokontroler Arduino Nano bekerja secara sinergis
dalam deteksi glaukoma.
2.1.3 Arsitektur Pengambilan Data

Gambar arsitektur pengambilan data dapat di bawah ini :
Gambar 3.3. Machine Learning
Pada gambar 3.3 diatas yang merupakan bagian arsitektur pengambilan data adalah
dimulai dari pengambilan data ADC kemudian mengubahnya menjadi citra. Arsitektur
Pengambilan Data dalam sistem deteksi glaukoma ini melibatkan beberapa langkah penting
yang memastikan data yang akurat dan representatif diambil dari pasien. Proses
pengambilan data dimulai dengan penggunaan transduser sebagai sensor untuk mengubah
sinyal suara menjadi sinyal listrik atau gelombang ultrasonik. Sinyal yang diterima oleh
transduser kemudian diteruskan melalui transmitter dan diterima oleh receiver. Transmitter
berfungsi sebagai pemancar sinyal, sedangkan receiver berperan sebagai penerima sinyal
listrik yang dihasilkan oleh transduser. Sinyal listrik yang diterima oleh receiver adalah
representasi dari data pengukuran yang diambil dari pasien dengan kondisi mata glaukoma
dan mata normal.
Data sinyal listrik yang diperoleh selanjutnya akan diproses untuk menghasilkan
citra yang dapat digunakan dalam analisis. Proses konversi dilakukan dengan menggunakan
rumus sebagai berikut:
𝐴
𝐵=
1024𝑥225
Dalam rumus tersebut, A merupakan pembacaan data ADC pada Ms. Excel
persepuluh baris, sedangkan B adalah hasil konversi yang merupakan citra grayscale. Proses
konversi tersebut mengubah data sinyal menjadi citra dengan ukuran 1024x225 pixel.
Dengan arsitektur pengambilan data yang terstruktur ini, sistem dapat memperoleh
data yang akurat dari pasien melalui transduser dan mengubahnya menjadi citra
menggunakan rumus konversi yang sesuai. Data citra inilah yang selanjutnya akan
digunakan dalam proses pengolahan dan analisis lebih lanjut untuk deteksi penyakit
glaukoma.
2.1.4 Arsitektur Pengolahan Data

Arsitektur Pengolahan Data dalam sistem deteksi glaukoma ini melibatkan langkah-
langkah yang penting dalam mengolah data citra hasil pengambilan. Setelah dilakukan
konversi data ADC menjadi citra grayscale dengan ukuran 1024x225 pixel, tahapan
selanjutnya adalah momen invarian, PCA (Principal Component Analysis), dan FCM
(Fuzzy C-Means) sebagaimana terlihat pada gambar 3.3.
2.1.4.1 Momen Invariant

Momen invariant adalah metode pengolahan data yang digunakan untuk mengukur
dan menganalisis hubungan spasial antara piksel-piksel dalam suatu objek pada citra. Proses
ini bertujuan untuk mendapatkan informasi penting mengenai karakteristik geometris objek
seperti luas area, posisi, orientasi, dan bentuknya sehingga memungkinkan pengenalan dan
identifikasi objek secara unik dalam citra.
Tahap pertama dalam momen invariant adalah ekstraksi ciri dari citra yang ingin
dianalisis. Pada tahap ini, citra diolah untuk meningkatkan informasi objek yang diinginkan.
Selanjutnya, momen dari citra dihitung dengan menggunakan rumus momen orde-n
terhadap x dan y (𝑚𝑝𝑞 = ∑( 𝑥 𝑝 × 𝑦 𝑞 × 𝐼(𝑥, 𝑦))) serta momen nol-nol
𝑚00 = ∑( 𝐼(𝑥, 𝑦))
Momen 𝑚00 merupakan momen nol-nol, yang merupakan jumlah seluruh intensitas
piksel dalam citra, sedangkan momen 𝑚𝑝𝑞 mewakili momen orde-n dari distribusi piksel
dalam citra.
Momen-momen tersebut dinormalisasi untuk mengurangi efek perubahan skala dan

rotasi pada citra, dengan menggunakan rumus normalisasi momen yang mencakup
𝑚10 𝑚
𝑥𝑏𝑎𝑟 = ⁄𝑚00 , 𝑦𝑏𝑎𝑟 = 01⁄𝑚00 , 𝑎 = 𝑥 − 𝑥𝑏𝑎𝑟 , dan 𝑏 = 𝑦 − 𝑦𝑏𝑎𝑟 .
Rumus-rumus ini memungkinkan perpindahan pusat massa citra ke pusat massa

koordinat sehingga menghilangkan pengaruh translasi dan memberikan invariansi terhadap
translasi. Selanjutnya, momen normalisasi (central moments) dihitung dengan
menggunakan rumus
𝑚𝑖𝑢𝑝𝑞 = ∑(𝑎𝑝 × 𝑏𝑞 × 𝐼 (𝑥, 𝑦))
Central moments ini mencerminkan sifat geometris dari objek dalam citra dan
menjadi dasar perhitungan momen invariant. Momen invariant kemudian dihitung dengan
menggunakan persamaan momen invariant, yaitu :
𝑚𝑖𝑢𝑝𝑞
𝑒𝑡𝑎𝑝𝑞 =
𝑚00 (1+(𝑝+𝑞)⁄2)
Nilai-nilai 𝑒𝑡𝑎𝑝𝑞 ini membentuk 7 vektor ciri (phi) yang mencakup informasi
penting tentang karakteristik spasial objek pada citra, dengan rumus sebagai berikut :
Vektor ciri (phi) ini menyimpan nilai-nilai momen invariant yang tidak berubah
terhadap transformasi geometris, sehingga memberikan pendekatan yang kuat dalam
analisis citra.
2.1.4.2 Principal Component Analysis (PCA)

Proses pengolahan data dengan metode PCA dimulai dengan menghitung matriks
varians kovarian dari data observasi. Varians (Var(x)) dihitung untuk menemukan
penyebaran data dalam set data glaukoma dan normal, yang akan digunakan untuk
menentukan penyimpangan data dalam sampel. Selanjutnya, matriks kovarian Cov (x,y)
diperoleh dari sampel, di mana nilai-nilai kovariansi pada tiap cellnya dihitung berdasarkan
variabel acak x dan y. Dengan rumus untuk menghitung varians (Var(x)) adalah sebagai
berikut:
1
𝑣𝑎𝑟(𝑥 ) = σ2 = ( ) ∑(𝑧𝑖𝑗 − 𝜇𝑗)2
𝑛
di mana 𝝈 adalah varians, n adalah jumlah data, ∑ adalah penjumlahan, 𝒛̃𝒊𝒋 adalah
nilai observasi ke-i dari variabel x, dan µ𝒋 adalah rata-rata sampel dari variabel x dan rumus
untuk menghitung matriks kovarian Cov (x,y) adalah sebagai berikut:
1
𝑐𝑜𝑣(𝑥, 𝑦) = ( ) ∑(𝑥𝑖𝑗 − 𝜇𝑥𝑗)(𝑦𝑖𝑗 − 𝜇𝑦𝑗)
𝑛−1
di mana Cov (x,y) adalah matriks kovarian, n adalah jumlah data, ∑ adalah
penjumlahan, 𝒙𝒊𝒋 adalah nilai observasi ke-i dari variabel x, µ𝒙𝒋 adalah rata-rata sampel
dari variabel x, 𝒚𝒊𝒋 adalah nilai observasi ke-i dari variabel y, dan µ𝒚𝒋 adalah rata-rata
sampel dari variabel y. langkah berikutnya dalam metode PCA adalah mencari eigenvalues
dan eigenvector dari matriks kovarian yang telah diperoleh. Nilai eigen dan vektor eigen
untuk matriks kovarian dihitung menggunakan rumus eigenvalue decomposition (EVD)
berikut:
𝐴𝑋 = 𝑋𝐷
Rumus di atas merupakan representasi dari Eigenvalue Decomposition (EVD), di

mana A adalah matriks nxn yang memiliki n eigenvalues (λn), D adalah eigenvalues dari
eigenvector-nya, X adalah eigenvector dari matriks A, dan X^-1 adalah invers dari
eigenvector X.
Dari nilai eigen dan vektor eigen yang diperoleh, nilai proporsi Principal Component
(PC) dapat ditentukan. Nilai proporsi PC menggambarkan persentase kontribusi masing-
masing komponen utama terhadap variabilitas data. Rumus untuk menghitung nilai proporsi
PC adalah sebagai berikut:
PC (%) = (Nilai Eigen / Jumlah Eigenvalues) × 100%
Selanjutnya, dilakukan perhitungan bobot faktor (factor loading) berdasarkan

eigenvector dengan menggunakan rumus :
𝐴𝑥 = 𝜆𝑥
Rumus di atas merepresentasikan kombinasi linear antara matriks A, eigenvalue

(λn), dan eigenvector (xn). Setiap eigenvector memiliki nilai eigenvalue yang sesuai, dan
kombinasi linear ini membantu mengurutkan eigenvector berdasarkan kontribusi mereka
terhadap variasi data. Dengan demikian, nilai proporsi PC dan bobot factor dari metode PCA
akan memberikan informasi penting tentang komponen utama yang paling signifikan dalam
data citra hasil ekstraksi ciri menggunakan metode Momen Invariant.
2.1.4.3 Fuzzy C-Means (FCM)

Metode Fuzzy C-Means (FCM) adalah sebuah algoritma pengelompokan data yang
digunakan untuk mengklasifikasikan titik-titik data ke dalam kluster dengan
memperhitungkan tingkat keanggotaan masing-masing data dalam kluster tersebut. Tahap
pertama dalam algoritma FCM adalah inisialisasi pusat kluster (v_j) dan nilai fuzziness (m),
yang merupakan parameter penting dalam proses ini. Nilai m mengontrol tingkat
kemampuan data untuk masuk ke dalam kluster lebih dari satu. Selanjutnya, FCM
menghitung tingkat keanggotaan (u_ij) setiap data (x_i) dalam masing-masing kluster (v_j)
dengan menggunakan rumus yang memanfaatkan perbandingan jarak antara data dengan
pusat kluster. Proses perhitungan tingkat keanggotaan ini memanfaatkan parameter m untuk
mengontrol tingkat kemampuan data untuk masuk ke dalam kluster lebih dari satu, dan
rumus perhitungan tingkat keanggotaan dalam FCM adalah sebagai berikut:
1
𝑢𝑖𝑗 = 2
‖𝑥 − 𝑣𝑗 ‖ (𝑚−1)
∑𝑒𝑘=1 ( 𝑖 )
‖𝑥𝑖 − 𝑣𝑘 ‖
Dalam rumus tersebut, 𝑢𝑖𝑗 menyatakan tingkat keanggotaan data 𝑥𝑖 dalam kluster
𝑣𝑗 , di mana c mengindikasikan jumlah kluster yang diinginkan dalam proses
pengelompokan. Selanjutnya, FCM menggunakan perhitungan iteratif untuk menghitung
tingkat keanggotaan dan memperbarui pusat kluster hingga mencapai konvergensi atau
batas iterasi tercapai. Hasil dari algoritma FCM adalah data citra yang telah dikelompokkan
ke dalam kluster berdasarkan tingkat keanggotaannya, yang selanjutnya dilakukan ekstraksi
ciri-ciri menggunakan Principal Component Analysis (PCA) sebelum menerapkan
algoritma FCM untuk pengelompokan data. Proses ini akan terus berulang secara iteratif
hingga mencapai konvergensi atau batas iterasi tercapai, membantu menemukan pembagian
kluster yang optimal berdasarkan tingkat keanggotaan data. Selain itu, hasil dari algoritma
ini akan dievaluasi melalui perhitungan akurasi untuk mengukur seberapa baik hasil
klasifikasi yang telah dilakukan, dengan menggunakan rumus akurasi sebagai berikut:
𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑒𝑛𝑎𝑟
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛
Melalui langkah-langkah pengolahan data yang melibatkan FCM, PCA, dan

perhitungan akurasi, sistem deteksi glaukoma dapat melakukan analisis yang mendalam dari
data citra yang telah diambil, memberikan hasil yang akurat, dan memungkinkan deteksi
dini penyakit glaukoma.
2.2 Analisis
2.2.1 Kriteria
Berikut merupakan kriteria yang akan digunakan untuk menganalisa konsep sistem :
a. Mencari objek terbaik untuk dijadikan objek pengambilan data
b. Menentukan metode untuk pengolahan citra
c. Penentuan mikrokontroler untuk alat deteksi glukoma
2.2.2 Analisis konsep

Analisis setiap konsep sistem yang diusulkan berdasarkan kriteria yang telah ditentukan
sebelumnya.
a. Mencari objek terbaik untuk dijadikan objek pengambilan data
Sampel yang digunakan adalah pasien dengan mata normal dan mata glukoma.
Proses pengambilan data sampel dilakukan selama 10 detik dengan menempelkan probe
pada kelopak mata dan bergerak secara horizontal. Proses tersebut menghasilkan sinyal
imput 10 baris data awal yang berupa sinyal digital.
b. Menentukan metode untuk pengolahan citra
Pengolahan citra dilakukan dengan melakukan konversi sinyal ke citra kemudian
dioleh dengan momen invariant. Hasilnya dilakukan ekstraksi PCA kemudian klasifikasi
menggunakan metode FCM dan memisahkan kondisi mata normal dan mata glukoma. Hasil
klasifikasi kemudian dihitung akurasi untuk mengetahui kondisi yang benar.
c. Penentuan mikrokontroler untuk alat deteksi glukoma
Arduino nano digunakan untuk mengirimkan data yang diambil dari transduser ke
PC/laptop. Arduino nano memiliki keunggulan ukuran yang lebih kecil dibandingkan
arduino lainnya. Arduino nano juga dapat menyesuaikan tegangan dengan sensor atau
transduser yang digunakan yaitu 2.3 volt, sedangkan arduino nano memiliki tegangan 3.3
volt.
2.3 Sistem yang akan dikembangkan

Sistem pendeteksi glukoma menggunakan ultrasound-sanography berbasis Arduino
nano bertujuan agar pasien mudah melakukan pemeriksaan terhadap penyakit glukoma
mata. Alat pemeriksaan mata glukoma biasanya hanya tersedia pada rumah sakit besar dan
memerlukan biaya cukup mahal untuk melakukan pemeriksaan. Maka dari itu dirancang
alat deteksi glukoma mata menggunakan ultrasound-sanography berbasis Arduino nano
secara portable.
Sistem ini dibuat dengan memancarkan gelombang ultrasonik dari transduser yang
dioleskan pada kelopak mata untuk dilakukan pemeriksaan deteksi mata glaukoma. Sistem
bekerja dimulai dari transduser memancarkan sinyal ultrasonik pada kelopak mata untuk
menghasilkan data sampel pada jaringan mata. Transduser yang sebelumnya terhubung
dengan transmitter akan meneruskan hasil sampel data sinyal ke receiver yang telah
terhubung dengan mikrokontroler. Sedangkan untuk dapat melakukan deteksi glaukoma,
hasil data sampel yang dihasilkan akan melalui pengolahan citra.
Pengolahan citra akan dilakukan dengan cara konversi data sinyal ke dalam bentuk
citra, hasil citra dikarakterisasi dengan menggunakan metode momen invariant, ekstraksi
PCA, dan klasifikasi dengan metode Fuzzy C-Means (FCM), kemudian hasil tersebut akan
dihitung hasil akurasi sesuai kondisi yang benar. Hasil dari masing-masing pengolahan yaitu
klasifikasi berupa kelompok data dan clastering dari sampel mata glaucoma dan mata
normal.
3 Desain Sistem
Proses desain dilakukan secara iteratif dan bertahap. Metode dekomposisi yang
digunakan adalah top-down, yaitu dari diagram blok level tinggi dipecah sampai diagram
blok terendah. Diagram blok Hardware berakhir pada rangkaian. Diagram blok software
berakhir dengan function call terendah berikut model perilakunya. Penentuan sub-blok dari
diagram sistem dilakukan dengan mempertimbangkan alternatif desain dan melakukan
trade-off untuk pilihan-pilihan yang ada. Untuk membantu dalam menentukan pilihan, dapat
dilakukan simulasi, prototyping, atau pengujian. Semua kegiatan yang dilakukan dalam
proses desain harus tercatat di dalam dokumen ini.
3.1 Pemodelan Fungsional Sistem
INPUT PROCESS OUTPUT

• Sampel Data Mata • Pengolahan Citra • Hasil deteksi
Normal
• Sampel Data Mata
Glukoma
Gambar 3.4. Fungsional Sistem
Pemodelan dilakukan dengan cara pemecahan/dekomposisi sistem berdasarkan

Diagram Blok dari konsep sistem yang terpilih. Pemodelan menghasilkan beberapa tingkat
sub-sistem. Pemodelan alat deteksi glaukoma dibagi menjadi 3 tahap seperti pada Gambar
3.4. Tahap input yaitu dengan cara pengambilan sampel mata normal dan mata glaukoma
dengan memancarkan gelombang ultrasonik pada kelopak mata sebagai objek yang diambil
datanya. Data input tersebut kemudian diproses mejadi image processing hingga
menghasilkan hasil akhir berupa deteksi mata normal, mata. Hasil akhir proses tersebut
kemudian dibandingkan untuk mengetahui akurasi masing-masing proses pengolahan.
3.2 Pemodelan Tingkah Laku Sistem

Berisi deskripsi sistem berdasarkan behavior sistem dan sub-sistemnya. Deskripsi
yang di masksut antara lain
3.2.1 State diagram
Gambar 3.5. State Diagram
Seperti pada gambar 3.5. state diagram, pengguana menyalakan alat sebelum
meakukan pemeriksaan, selanjutnya admin melakukan pengambilan data melalui
transduser di kelopak mata pasien. Data yang diperoleh kemudian dikirimkan ke PC/Laptop
dan dilakukan proses image processing sehingga didapatkan hasil deteksi dan proses selesai
dilakukan.
3.2.2 Flowchart
Berikut ini adalah flowchart dari keseluruhan sistem alat deteksi glaukoma:
Gambar 3.6. Flowchart Sistem
Pada gambar 3.6. merupakan urutan dalam proses pengukuran menggunakan alat
deteksi mata glaucoma. Adapun modul yang digunakan sebagai sensor, yaitu transduser
untuk memancarkan gelombang ultrasonik pada kelopak mata seseorang. Kemudian data
dari transduser akan dikirim ke PC. Pada PC akan image processing sehingga didapatkan
hasil berupa klasifikasi untuk deteksi glaucoma pada mata seseorang. Kemudian program
selesai. Hasil masing-masing klasterisasi akan dibandingkan untuk kemudian dipilih hasil
yang paling akurat.
4 Pengujian Sistem
Pengujian dilakukan pada setiap sub-blok sistem. Pengujian bertujuan untuk
memastikan bahwa sub-blok bekerja/ berfungsi dengan baik
4.1 Pengujian Hardware

Pengujian dilakukan untuk mengetahui bahwa Sistem rangkaian hardware dapat
berfungsi. Pengujian dilakukan dengan menyambungkan dan mengonekkan arduino nano
ke aplikasi Arduino IDE untuk di program dan melihat hasilnya di serial komunikasi di
monitor Arduino IDE. Pengujian hardware dilakukan untuk mengetahui transduser (probe)
dapat memancarkan gelombang ultrasonik pada bagian mata dan dapat meberikan data
sample dengan semestinya yang akan di kirimkan ke mikrokontroler (Arduino nano) sebagai
control dari rancang bangun alat ini. Dalam pengujiannya hasil dari alat deteksi glukoma
akan berupa data yang kemudian diolah untuk mendapatkan akurasi yang tinggi.
4.2 Pengujian Software

Pengujian sistem pengolahan citra dilakukan dengan cara mengambil sampel acak
sebanyak 192 sampel dimana terdapat sampel mata normal atau mata glaukoma. Pengolahan
citra akan dilakukan dengan beberapa tahapan menggunakan matlab sebagai software.
Tahap pertama yaitu dilakukan konversi sinyal ke citra kemudian diolah melalui tahap
karakterisasi. Metode yang akan digunakan untuk mengkarakterisasi yaitu karakterisasi
momen invariant dilanjutkan ekstraksi PCA Kemudian dilakukan klasifikasi menggunakan
metode Fuzzy C-Means (FCM).
5 Jadwal Pengerjaan
Berikut merupakan jadwal pengerjaan dalam bentuk Gantt Chart :
Bulan Ke-1 Bulan Ke-2 Bulan Ke-3 Bulan Ke-4 Bulan Ke-5
No Tahapan kegiatan
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Diskusi tim
untuk
memahami
tujuan proyek
secara
menyeluruh
Tahap
1 Menyusun
Perencanaan
dokumen tujuan
proyek yang
jelas dan
terukur, serta
pembagian
tugas
Membuat
desain rinci alat
deteksi
glaukoma
Pembuatan
prototipe alat
deteksi
Tahap glaukoma
Desain dan Evaluasi dan
2
Pembuatan pengujian
Alat prototipe alat
deteksi
glaukoma
Revisi dan
penyempurnaan
alat
berdasarkan
hasil evaluasi
Persiapan dan
koordinasi
dengan klinik
atau puskesmas
terkait
Pembuatan
Ethical
Tahap
Clearance dan
3 Pengambilan
surat izin
Data Pasien
pengambilan
data
Pengambilan
data pasien
untuk
pembelajaran
pada alat
Tahap
Pengolahan
Pengolahan
citra dari data
4 Citra dan
pasien yang
Analisis
telah diambil
Data
Bulan ke-6 Bulan ke-7 Bulan ke-8 Bulan ke-9
No Tahapan Kegiatan
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Analisis data
hasil pengolahan
citra dan
evaluasi
performa alat
Implementasi
alat deteksi
glaukoma di
klinik atau
puskesmas
terpilih
Pengujian dan
Tahap
evaluasi
5 Implementasi
penggunaan alat
dan Evaluasi
deteksi
glaukoma, serta
analisis data
Revisi dan
perbaikan alat
berdasarkan
hasil evaluasi
Menyusun
laporan proyek,
mencakup
deskripsi
proyek, tujuan,
metodologi,
hasil, dan
kesimpulan
Melakukan
Tahap revisi dan
6 Penyusunan perbaikan
Laporan laporan
berdasarkan
umpan balik dari
pembimbing dan
tim penguji
Menyelesaikan
laporan akhir
proyek dan
melakukan
finalisasi
Presentasi
proyek kepada
dosen
pembimbing dan
Tahap
tim penguji
Presentasi
7 Menyelesaikan
dan
detail terakhir
Penyelesaian
dan
menyerahkan
laporan akhir
proyek

Universitas Dian Nuswantoro: Lembar Sampul Dokumen

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

Universitas Dian Nuswantoro: Lembar Sampul Dokumen

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSITAS DIAN NUSWANTORO

PROGRAM STUDI TEKNIK BIOMEDIS

Dokumentasi Produk Tugas Akhir

Lembar Sampul Dokumen

Nomor Dokumen E13-III-00024

Nama The Vimala Devi Susanto Jabatan Mahasiswa

Nama I Gusti Ayu Mutiara Pertiwi Santi Jabatan Mahasiswa

Pembimbing Nama Sari Ayu Wulandari,S.T, M,Eng Tanda Tangan

DAFTAR ISI ........................................................................................................................ 2

VERSI, TGL, OLEH PERBAIKAN

1.1 Ringkasan Isi Dokumen

1.2 Tujuan Penulisan dan Aplikasi/Kegunaan Dokumen

a. Untuk memberikan gagasan tertulis dari tugas akhir yang dikerjakan

1.4 Daftar Singkatan

2.1 Pilihan Sistem

• Deskripsi Perangkat Keras : menjelaskan perangkat keras yang digunakan.

• Deskripsi Perangkat : menggambarkan diagram blok perangkat lunak yang

2.1.1 Arsitektur Utama Sistem

Pengolahan sinyal melibatkan langkah-langkah pengolahan menggunakan metode

2.1.2 Arsitektur Hardware

Gambar 3.2. Arsitektur Hardware

Seluruh komponen hardware ini terintegrasi dalam sistem deteksi glaukoma.

2.1.3 Arsitektur Pengambilan Data

Gambar 3.3. Machine Learning

2.1.4 Arsitektur Pengolahan Data

2.1.4.1 Momen Invariant

Momen-momen tersebut dinormalisasi untuk mengurangi efek perubahan skala dan

Rumus-rumus ini memungkinkan perpindahan pusat massa citra ke pusat massa

𝑚𝑖𝑢𝑝𝑞 = ∑(𝑎𝑝 × 𝑏𝑞 × 𝐼 (𝑥, 𝑦))

2.1.4.2 Principal Component Analysis (PCA)

Rumus di atas merupakan representasi dari Eigenvalue Decomposition (EVD), di

PC (%) = (Nilai Eigen / Jumlah Eigenvalues) × 100%

Selanjutnya, dilakukan perhitungan bobot faktor (factor loading) berdasarkan

Rumus di atas merepresentasikan kombinasi linear antara matriks A, eigenvalue

2.1.4.3 Fuzzy C-Means (FCM)

Melalui langkah-langkah pengolahan data yang melibatkan FCM, PCA, dan

a. Mencari objek terbaik untuk dijadikan objek pengambilan data

b. Menentukan metode untuk pengolahan citra

c. Penentuan mikrokontroler untuk alat deteksi glukoma

2.2.2 Analisis konsep

a. Mencari objek terbaik untuk dijadikan objek pengambilan data

b. Menentukan metode untuk pengolahan citra

c. Penentuan mikrokontroler untuk alat deteksi glukoma

2.3 Sistem yang akan dikembangkan

3.1 Pemodelan Fungsional Sistem

INPUT PROCESS OUTPUT

Pemodelan dilakukan dengan cara pemecahan/dekomposisi sistem berdasarkan

3.2 Pemodelan Tingkah Laku Sistem

Gambar 3.5. State Diagram

4.1 Pengujian Hardware

4.2 Pengujian Software

Anda mungkin juga menyukai