1.1 Latar Belakang
Saat ini, penelitian yang berhubungan dengan iris mata
masih sebatas hanya untuk identifikasi atau pengenalan
(biometrik), padahal melalui iris mata dapat diketahui kondisi
organ atau tingkat kesehatan dari seseorang berdasarkan
iridologi. Iridologi merupakan suatu ilmu yang mempelajari
tanda-tanda yang terdapat pada struktur jaringan iris mata
sebagai refleksi kondisi dan berbagai organ tubuh dan sistem
yang ada di dalam tubuh. Untuk melakukan ekstraksi ciri,
metode yang digunakan adalah Matriks Kookurensi Aras
Keabuan (Grey Level Co-occurrence Matrices - GLCM).
Hasil dari perhitungan ciri tersebut kemudian dijadikan
masukan jaringan syaraf tiruan.
Dalam Penelitian ini digunakan JST metode Perambatan
Balik. Dalam JST ini akan dilakukan proses klasifikasi untuk
iris mata yang mengandung pankreas yang normal dan tidak
normal
1.2 Tujuan
Tujuan dari Penelitian ini adalah membuat suatu
aplikasi yang dapat digunakan untuk mengetahui kondisi dari
organ pankreas manusia melalui iris mata menggunakan
Jaringan Syaraf Tiruan Metode Perambatan balik dan
ekstraksi ciri metode Matriks Ko-Okurensi Aras Keabuan
(GLCM).
1.3 Batasan Masalah
Penelitian ini membatasi masalah sebagai berikut :
1) Input citra bersifat offline.
2) Metode ekstraksi ciri yang digunakan adalah metode
GLCM dan menggunakan enam ciri statistik yaitu
momen angular kedua atau energi, entropi, kontras,
homogenitas, korelasi, dan rerata.
3) Masalah difokuskan pada kondisi organ pankreas
manusia berdasar pada peta mata (iridology chart) yang
dikembangkan oleh Bernard Jensen.
4) Fungsi perhitungan galat (error) Jaringan Syaraf Tiruan
metode Perambatan Balik yang digunakan dalam
penelitian ini adalah MSE (Mean Square Error) dan
fungsi pelatihan jaringannya menggunakan metode
Penurunan Gradien dengan Momentum (traingdm).
II. DASAR TEORI
2.1 Iridologi
Iridologi (Inggris: Iridology) adalah ilmu yang
mempelajari pola dan susunan serat pada iris mata. Melalui
pengamatan dan observasi secara empiris ini, para ahli
iridologi mendapati adanya pola-pola yang beraturan, yang
mengindikasikan adanya kelemahan fisik dalam diri
seseorang, karena orang-orang yang memiliki pola iris mata
sama ternyata mengalami permasalahan kesehatan yang
sama.
Gambar 1. Peta mata.
2.2 Ekstraksi Ciri Menggunakan Matriks Kookurensi
Aras Keabuan (Gray Level Co-occurrence Matrices -
GLCM)
GLCM diperoleh dengan menghitung probabilitas
hubungan ketetanggaan antara dua piksel pada jarak dan
orientasi sudut tertentu.
Langkah-langkah untuk membuat GLCM adalah
sebagai berikut : 1) Membuat area kerja matriks, 2)
Menentukan hubungan spasial piksel referensi dengan piksel
tetangga, 3) Menghitung jumlah kookurensi dan
mengisikannya pada area kerja, 4) Menjumlahkan matriks
kookurensi dengan transposenya untuk menjadikannya
simetris, dan 5) Normalisasi matriks.
Setelah memperoleh matriks kookurensi tersebut, dapat
dihitung ciri statistik yang merepresentasikan citra yang
diamati. Ciri atau fitur statistik GLCM antara lain sebagai
berikut.
a) Momen Angular Kedua (Angular Second Moment)
ASM dan Energi menyatakan ukuran konsentrasi
pasangan dengan intensitas keabuan tertentu pada matriks.
 |
b) Kontras (Contrast)
Menunjukkan ukuran penyebaran (momen inersia)
elemen-elemen matriks citra.
c) Korelasi (Correlation)
Menunjukkan ukuran ketergantungan linear derajat
keabuan citra.
d) Rerata (Mean)
Mean adalah rata-rata dari suatu sebaran nilai intensitas
citra keabuan.
e) Momen Selisih Terbalik (Inverse Different Moment)
Disebut juga homogenitas. Menunjukkan kehomogenan
citra yang berderajat keabuan sejenis.
f) Entropi (Entropy)
Menunjukkan ukuran ketidakteraturan bentuk.
2.3 Jaringan Syaraf Tiruan Metode Perambatan balik
1. Arsitektur Metode Perambatan Balik
Arsitektur jaringan syaraf tiruan metode perambatan
balik memiliki beberapa unit yang ada dalam satu atau lebih
lapisan tersembunyi.
 |
| Gambar 2. Jaringan syaraf tiruan metode perambatan balik dengan dua lapisan tersembunyi |
2. Fungsi Aktivasi
Dalam metode perambatan balik, fungsi aktivasi yang
dipakai harus memenuhi beberapa syarat yaitu kontinu,
terdiferensial dengan mudah dan merupakan fungsi yang
tidak turun.
a) Sigmoid Biner (Log-Sigmoid)
Fungsi aktivasi sigmoid biner memetakan nilai input
b) Sigmoid Bipolar (Tan-Sigmoid)
Fungsi aktivasi sigmoid bipolar memetakan nilai input
c) Identitas (purelin)
3. Algoritma Metode Perambatan Balik
Secara umum pelatihan sebuah jaringan metode
perambatan balik terdiri atas tiga langkah, yaitu :
1) Pelatihan pola masukan secara umpan maju,
2) Perhitungan dan propagasi balik dari kumpulan kesalahan (galat/error), dan
3) Penyesuaian bobot.
III. PERANCANGAN PERANGKAT LUNAK
 | ||
| Gambar 3. Diagram alir program utama. |
3.1 Memilih Citra Masukan
Proses yang pertama kali dilakukan dalam perangkat
lunak ini adalah memilih citra masukan.
3.2 Lokalisasi Citra Iris Mata
Sebelum dapat digunakan untuk proses pengolahan citra
lebih lanjut, bagian iris dipisahkan dari citra mata terlebih
dahulu melalui proses lokalisasi citra iris mata, karena citra
yang akan diolah adalah citra irisnya saja.
3.3 Peningkatan Kualitas Citra
Hasil dari lokalisasi citra iris tersebut masih memiliki
tingkat kekontrasan yang rendah dan detail pada serabut iris
mata masih kurang jelas sehingga akurasi yang dihasilkan
kurang baik. Oleh karena itu, citra iris mata tersebut
ditingkatkan kontrasnya menggunakan Ekualisasi Histogram
Adaptif (Adaptive Histogram Equalization). Cara ini
bertujuan untuk mendapatkan citra dengan kontras yang baik
namun tidak akan merusak kualitas citra secara keseluruhan.
3.4 Pengambilan Region of Interest (ROI) Organ Pankreas
Pupil adalah bagian mata yang bertugas mengatur
banyak sedikitnya cahaya yang masuk ke dalam mata. Oleh
karena itu, diameternya pun berubah-ubah sesuai dengan
cahaya yang masuk. Untuk mengatasi masalah ini, citra pupil
dan iris mata yang berbentuk lingkaran diubah menjadi
bentuk polar (r, θ) dengan ukuran yang tetap.
|
r 2 = (x - a)2 + (y - b)2 ; x = r cosq + a
; y = r sin q + b
Pada citra polar yang berukuran 125 
650 piksel ini, ditentukan
bahwa titik koordinat awal yang berhubungan
dengan organ pankreas terletak pada piksel (575,10) dengan
tinggi dan lebar piksel sebesar 40 piksel.
650 piksel ini, ditentukan
bahwa titik koordinat awal yang berhubungan
dengan organ pankreas terletak pada piksel (575,10) dengan
tinggi dan lebar piksel sebesar 40 piksel.
3.5 Ektraksi Ciri dengan GLCM
Setelah diperoleh citra ROI, matriks GLCM dihitung.
Langkah selanjutnya adalah menghitung nilai-nilai dari matriks GLCM untuk memperoleh fitur-fitur GLCM
3.6 Klasifikasi dengan Jaringan Syaraf Tiruan Metode
Perambatan Balik
Setelah melalui proses ekstraksi ciri, selanjutnya data
yang diperoleh dimasukkan ke dalam jaringan syaraf tiruan metode perambatan balik.
Tabel 1.
Rancangan jaringan syaraf tiruan
1. Proses Pelatihan
Setelah data
dimasukkan, langkah selanjutnya adalah
pembentukan jaringan dengan perintah sebagai berikut.
net = newff(P,T,[S1 S2...S(N-l)],{TF1
TF2...TFNl},BTF,BLF)
Untuk penentuan fungsi aktivasi juga ditentukan dengan
cara
eksperimen. Dalam
penelitian
ini, terdapat 6 variabel
fungsi
aktivasi,
antara lain
logsig-logsig, logsig-tansig,
tansig-logsig, tansig-tansig, purelin-logsig,
dan purelin-
tansig.
2. Proses Pengenalan
Setelah dilatih maka selanjutnya
dilakukan proses
pengenalan dengan menggunakan
masukan ekstraksi ciri dari
data latih dan
data uji. Setelah diuji
akan diperoleh nilai
keluaran Y1 dan Y2. Target yang digunakan pada proses
pelatihan adalah [0 1] untuk kondisi pankreas normal, yang
berarti nilai
Y1 = 0 dan Y2 = 1, serta [1 0] untuk kondisi pankreas abnormal.
IV. HASIL PENELITIAN DAN PEMBAHASAN
4.1 Citra yang Diuji
Citra yang digunakan pada proses simulasi program ini
berupa citra mata yang
berasal dari 16 individu yang masing- masing citra memiliki ukuran 640 ´ 480 piksel dalam bentuk citra berwarna. Dari 16 citra mata tersebut, 8 diantaranya
digunakan sebagai citra latih sedangkan
8 diantaranya
digunakan sebagai citra uji.
4.2 Pengubahan Citra menjadi Aras Keabuan
Dengan mengubah citra RGB menjadi citra aras
keabuan. Dengan demikian
jumlah perhitungan yang
diperlukan dapat direduksi.
|
4.3 Pengontrasan Citra Aras Keabuan
dengan
Ekualisasi Histogram
Melalui proses pengontrasan,
akan diperoleh
citra dengan histogram yang
merata
pada setiap
tingkatan aras
keabuan,
sehingga detail pada serabut iris menjadi semakin
jelas.
|
4.4 Alihragam Citra ke Koordinat Polar
Pada proses ini
citra iris menjadi tidak
berbentuk
lingkaran
dengan diameter r, tetapi diubah menjadi citra persegi panjang dengan panjang adalah sudut q dengan 0 ≤ q
≤ 360 derajat, dan
lebarnya adalah jari-jari iris dikurangi
dengan jari-jari pupil.
|
4.5 Pengambilan ROI Organ Pankreas
Sebelum dilakukan proses ekstraksi ciri, terlebih dahulu
dilakukan pengambilan ROI pada citra polar yang
berhubungan dengan organ pankreas.
|
4.6 Ekstraksi Ciri dengan GLCM
Ekstraksi ciri bertujuan untuk mendapatkan informasi-
informasi penting dari tekstur iris mata. Teknik ekstraksi ciri
yang
digunakan dalam penelitian ini
adalah ekstraksi
ciri metode GLCM.
GLCM menggambarkan frekuensi
munculnya pasangan antar 2 piksel dengan
intensitas tertentu dalam jarak serta orientasi sudut tertentu pada matriks citra. Dalam penelitian ini jarak yang digunakan sebesar 1, 3, dan
5.
Sedangkan
sudut
dinyatakan dalam derajat,
umumnya sebesar 0o, 45o, 90o, dan 135o.
Tabel 2.
Perhitungan ciri tekstur GLCM
4.7 Pengumpulan Data
Tabel 3. Data latih yang diperoleh dari hasil ekstraksi ciri
GLCM
|
Tabel 4. Rata-rata setiap ciri tekstur untuk masing-masing kelompok data latih
4.8 Pengujian pada
Proses
Pelatihan Jaringan Syaraf
Tiruan
1. Pengujian Pengaruh Jumlah
Unit
Lapis
Tersembunyi pada Pelatihan
Tabel 5. Pengujian pengaruh jumlah unit
pada lapis tersembunyi dengan α = 0,1 dan m = 0,1.
|
Berdasarkan pada besar kecilnya nilai MSE dan waktu yang dibutuhkan, maka jumlah unit pada lapis tersembunyi
yang terbaik dalam pengujian ini adalah 60 unit.
2. Pengujian Pengaruh Parameter JST pada Pelatihan
Tabel 6. Hasil pengujian pengaruh parameter JST dengan
jumlah unit lapis tersembunyi 60
|
Berdasarkan hasil pengujian pengaruh parameter laju pembelajaran
bahwa dengan bertambahnya
nilai laju
pembelajaran maka nilai MSE akan semakin menurun. Untuk hasil pengujian dengan parameter momentum
bahwa dengan
bertambahnya
faktor momentum
maka nilai MSE akan semakin mendekati nilai yang diinginkan
dan proses iterasi semakin cepat.
3. Pengujian Pengaruh Fungsi Aktivasi pada Pelatihan
Tabel 7. Pengujian pengaruh fungsi aktivasi dengan α = m =
0,5, serta jumlah unit lapis tersembunyi 60
|
Berdasarkan hasil pengujian pengaruh fungsi aktivasi
bahwa fungsi aktivasi yang terbaik dari pengujian ini adalah
tansig – tansig.
Fungsi aktivasi tansig - tansig
dipilih karena dalam
proses pelatihannya mampu mencapi nilai MSE
dan
nilai
gradien yang terendah
yaitu sebesar 0,91e-05
dan
1,46e-04 selama 2000 iterasi.
4.9 Klasifikasi dengan Jaringan Syaraf Tiruan
1. Pelatihan Jaringan Syaraf Tiruan
Konfigurasi JST yang digunakan
merupakan
hasil
pengujian pada proses pelatihan JST. Konfigurasi lapisan
yang digunakan adalah 2 lapis tersembunyi dengan 60 unit.
Fungsi aktivasi yang digunakan adalah sigmoid bipolar (tansigmoid) pada lapis
tersembunyi dan
lapis keluaran.
Metode belajar yang digunakan adalah metode penurunan gradien dengan
momentum (traingdm). Laju pembelajaran sebesar 0,5 dan faktor momentum sebesar 0,5.
Pada aplikasi
Matlab, data pelatihan akan dibagi
dalam
3 kelompok, yaitu data latih (training data), data pengujian (test data), dan data validasi.
|
Pada Gambar 9
dapat dilihat bahwa jaringan belajar
dengan baik. Hal ini dilihat dari nilai MSE yang semakin
menurun tiap iterasinya pada tiap data latih, uji dan validasi.
2. Pengujian Pengenalan Data Latih
Tabel 8. Hasil pengujian JST pada data latih
3. Pengujian Pengenalan Data Uji
Tabel 9. Hasil
pengujian JST pada data uji
|
Dari hasil pengujian yang diperlihatkan
pada Tabel 9,
program mampu melakukan proses klasifikasi
dengan benar
sebanyak 18 data dari 24 data uji yang tidak dilatihkan sehingga persentase keberhasilannya adalah sebagai berikut.
18
Persentase keberhasilan
= ´ 100%
24
= 75%
Berdasarkan hasil yang diperoleh dari pengujian, dapat
disimpulkan
bahwa sistem dapat bekerja dengan baik dalam
mengenali data
masukan yang diberikan ke sistem karena
nilai persentase keberhasilannya yang cukup besar.
5.1 Kesimpulan
V.
PENUTUP
|
Perhitungan persentase keberhasilan pengujian dihitung dengan cara sebagai berikut.
Kesimpulan
yang dapat diambil dari tahapan perancangan hingga pengujian yang dilakukan pada sistem
ini
adalah sebagai berikut.
1.
Berdasarkan
hasil pengujian data latih, program dapat melakukan diagnosis dengan benar dengan persentase keberhasilan sebesar
95,8%.
Berdasarkan
hasil
pengujian data uji, program dapat melakukan diagnosis dengan benar dengan persentase keberhasilan sebesar
75%.
2.
Nilai rata-rata ekstraksi ciri GLCM untuk setiap ciri
tekstur yaitu rerata, kontras, korelasi,
energi, entropi,
dan homogenitas untuk
kelompok data latih
Normal
Persentase keberhasilan
= jumlah
pengujian benar
´100 %
jumlah seluruh pengujian
bernilai 3,217389, 0,233666, 0,632259, 0,575947,
1,379171, dan
0,888469, sedangkan
untuk kelompok
Dari hasil pengujian yang diperlihatkan pada Tabel 8, program mampu melakukan proses klasifikasi dengan benar sebanyak
23
data dari 24 data latih yang diujikan sehingga
persentase keberhasilannya adalah sebagai berikut.
23
data latih
Abnormal bernilai 2,960503, 0,476226,
0,765723, 0,412549, 2,145339, dan 0,824047.
3. Hasil pengujian
jumlah unit pada lapis tersembunyi
dengan variasi jumlah unit yang digunakan yaitu 10
sampai dengan 90 dengan interval 10 untuk masing-
Persentase keberhasilan
= ´ 100%
24
masing lapis tersembunyi nilai minimum MSE terjadi
saat jumlah unit tersembunyi sebanyak 60 unit dengan
= 95,8%
3. Pengujian Pengenalan Data Uji
Tabel 9. Hasil
pengujian JST pada data uji
|
Dari hasil pengujian yang diperlihatkan
pada Tabel 9,
program mampu melakukan proses klasifikasi
dengan benar
sebanyak 18 data dari 24 data uji yang tidak dilatihkan sehingga persentase keberhasilannya adalah sebagai berikut.
Berdasarkan hasil yang diperoleh dari pengujian, dapat
disimpulkan
bahwa sistem dapat bekerja dengan baik dalam
mengenali data
masukan yang diberikan ke sistem karena
nilai persentase keberhasilannya yang cukup besar
V. PENUTUP
5.1 Kesimpulan
Kesimpulan
yang dapat diambil dari tahapan perancangan hingga pengujian yang dilakukan pada sistem
ini
adalah sebagai berikut.
1.
Berdasarkan
hasil pengujian data latih, program dapat melakukan diagnosis dengan benar dengan persentase keberhasilan sebesar
95,8%.
Berdasarkan
hasil
pengujian data uji, program dapat melakukan diagnosis dengan benar dengan persentase keberhasilan sebesar
75%.
2. Nilai
rata-rata ekstraksi ciri GLCM untuk setiap ciri
tekstur yaitu rerata, kontras, korelasi,
energi, entropi,
dan homogenitas untuk
kelompok data latih
Normal
bernilai 3,217389, 0,233666, 0,632259, 0,575947,
1,379171, dan 0,888469, sedangkan untuk
kelompok
data latih
Abnormal bernilai 2,960503, 0,476226,
0,765723, 0,412549, 2,145339, dan 0,824047.
3. Hasil pengujian
jumlah unit pada lapis tersembunyi
dengan variasi jumlah unit yang digunakan yaitu 10
sampai dengan 90 dengan interval 10 untuk masing-
masing lapis tersembunyi nilai minimum MSE terjadi
saat jumlah unit tersembunyi sebanyak 60 unit dengan
nilai MSE sebesar 0,000124 dalam waktu 42 detik.
4. Hasil pengujian pengaruh
parameter
JST yaitu laju
pembelajaran α dan faktor momentum m nilai minimum
MSE dan epoch terjadi pada α = 0,9 dan m = 0,5 dengan nilai MSE sebesar 0,00001 selama 1861 iterasi (epoch).
5.
Hasil pengujian pengaruh fungsi aktivasi dengan variasi
fungsi aktivasi antara lain logsig-logsig, logsig-tansig, tansig-logsig, tansig-tansig, purelin-logsig,
dan
purelin- tansig nilai minimum MSE dan gradien terjadi pada fungsi aktivasi tansig-tansig dengan nilai MSE sebesar
0,91e-05 dan nilai gradien sebesar 1,46e-04.
5.2 Saran
Penelitian
lebih lanjut diharapkan dapat memperbaiki
kekurangan yang ada dan diharapkan
dapat mengembangkan
yang apa yang telah dilakukan
pada penelitian ini. Untuk itu disarankan hal-hal berikut.
1.
Untuk melakukan
proses lokalisasi iris sebaiknya tidak dilakukan
dengan cara manual agar kinerja program lebih
handal. Untuk penentuan titik
tengah,
jari-jari
pupil dan
iris
bisa menggunakan kombinasi antara
deteksi tepi dan Transformasi Hough.
2.
Perlu dilakukan pengujian terhadap kombinasi arsitektur
dan
parameter untuk jaringan syaraf tiruan selain dari
pengujian yang telah dilakukan.
Dengan mengujinya
lebih
banyak, diharapkan dapat
ditemukan parameter jaringan syaraf tiruan yang optimal.
3.
Sistem pengolahan citra iris untuk mendeteksi kondisi
organ pankreas ini dapat dikembangkan
sekaligus
dengan
perangkat keras dalam memproses
citra iris secara waktu nyata (realtime),
sehingga nantinya dapat dipergunakan
secara nyata dalam aplikasi kehidupan
sehari-hari.
4.
Program ini
dapat juga dikembangkan untuk mendeteksi
organ lain
serta
juga
dapat
digunakan
untuk
memprediksi seseorang
tersebut rentan terhadap suatu
penyakit
tertentu dengan kombinasi
dari berbagai
macam organ.
5. Penelitian dapat dilanjutkan dengan menguji atau menambah ciri tekstur GLCM yang lain, seperti Varians
(Variance), Sum Variance, Sum Entropy, Difference
Variance, Difference Entropy,
Information
Measures
of Correlation, dan Maximal Correlation Coefficient,
sehingga diharapkan diperoleh hasil yang terbaik.
