1 TUGAS AKHIR – KI091391 IMPLEMENTASI SISTEM CERDAS UNTUK KLASIFIKASI PENYAKIT PARKINSON MENGGUNAKAN NEURAL NETWORK WITH WEIGHTED FUZZY MEMBERSHIP NABIL NRP 5110 100 097 Dosen Pembimbing I Dr. Eng. Chastine Fatichah, S.Kom., M.Kom. Dosen Pembimbing II Isye Arieshanti, S.Kom., M.Phil. JURUSAN TEKNIK INFORMATIKA
Neural Network with Weighted Fuzzy Membership Function
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
TUGAS AKHIR – KI091391
IMPLEMENTASI SISTEM CERDAS UNTUK KLASIFIKASI PENYAKIT PARKINSON MENGGUNAKAN NEURAL NETWORK WITH WEIGHTED FUZZY MEMBERSHIP
IMPLEMENTASI DETEKSI TEPI CITRA BERDASARKAN SUBPIXEL PADA AREA
PARSIAL
Nama : M. Hilmil Muchtar APNRP : 5110100041Jurusan : Teknik Informatika – FTIf ITSDosen Pembimbing I : Dr. Eng. Chastine Fatichah, S.Kom.,
M.Kom.Dosen Pembimbing II : Rully Soelaiman, S.Kom., M.Kom.
Abstrak
Kemajuan teknologi digital menyebabkan meningkatnya kebutuhan deteksi tepi citra dengan nilai presisi yang tinggi. Sehingga dibutuhkan pendeteksi tepian citra yang tidak berpengaruh pada kontinuitas nilai citra. Penggunaan deteksi tepi berpengaruh untuk memperoleh hasil yang diharapkan. Jika tidak tepat pada penggunaan deteksi tepi, maka akan mempengaruhi proses yang selanjutnya.
Pada penelitian-penelitian yang sebelumnya, deteksi tepi citra hanya bernilai diskontinu. Sehingga perlu digunakan metode deteksi tepi yang tidak berpengaruh pada kontinuitas nilai citra. Untuk memperoleh akurasi yang tinggi dari lokasi tepian citra, maka Tugas Akhir ini diajukan untuk mengimplementasi lokasi yang tepat dari suatu tepian citra.
Metode deteksi tepi citra berdasarkan subpixel pada area parsial dibagi menjadi 3 yaitu deteksi tepi citra yang tidak mempunyai noise, deteksi tepi citra yang mempunyai noise yang sedikit dan deteksi tepi citra dengan lokasi garis yang bersebelahan. Dari masing-masing metode, digunakan penyesuaian dari kondisi citra masukan, sehingga dapat memperoleh nilai akurasi yang tepat untuk berbagai jenis citra yang terkena noise atau tidak terkena noise.
vii
Dari uji kinerja menggunakan teknik akurasi, didapatkan bahwa metode yang digunakan mempunyai akurasi sebesar 88,92 %. Masing-masing metode deteksi tepi citra yang tidak mempunyai noise sebesar 89,92 %, metode deteksi tepi citra yang mempunyai noise yang sedikit sebesar 88,11% dan metode deteksi tepi citra dengan lokasi garis yang bersebelahan sebesar 88,74 %.
Kata kunci: piksel, subpixel, area parsial, noise, deteksi tepi.
viii
IMPLEMENTATION OF IMAGE EDGE DETECTION BASED ON SUBPIXEL OF
PARTIAL AREA
Name : M. Hilmil Muchtar APNRP : 5110100041Department : Informatics Engineering, FTIf, ITSSupervisor I : Dr. Eng. Chastine Fatichah, S.Kom.,
M.Kom.Supervisor II : Rully Soelaiman, S.Kom., M.Kom.
Abstract
Improvement in digital technology causes increasing demands on image edge detection with high precision values. So it takes the image edge detection does not affect the continuity of the value of the image. The use of edge detection is to obtain the desired results. If the edge detection is not appropriate, it will affect the next process.
In previous studies, image edge detection is only worth discontinuous. So it is necessary to use edge detection method that does not affect the continuity of the value of the image. To obtain a high accuracy of the location of the edges of the image, this Undergraduate Thesis is proposed to implement the exact location of the edges of the image.
Image edge detection method based on subpixel partial area is divided into three types: image edge detection image with no noise, image edge detection with a little noise and image edge detection with the location of the adjacent lines. Each method used the adjustment of the input image conditions to obtain the proper value of accuracy for different types of image with and without noise.
From performance test using techniques of accuracy, it is found that the method used has an accuracy of 88.92%. Each
ix
image edge detection method with no noise has 89.92%, image edge detection method with a slight noise has 88.11% and image edge detection method with the location of the adjacent lines has 88.74%.
Puji syukur penulis sampaikan kepada Allah SWT atas segala rahmat dan berkat yang telah diberikan sehingga penulis dapat menyelesaikan tugas akhir dengan judul “Implementasi Sistem Cerdas Untuk Klasifikasi Penyakit Parkinson Menggunakan Neural Network With Weighted Fuzzy Membership”. Tugas Akhir ini dibuat untuk memenuhi salah satu syarat untuk mendapatkan gelar Sarjana Komputer dari Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember.
Selesainya Tugas Akhir ini tidak lepas dari bantuan dan dukungan beberapa pihak. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih kepada:1. Orang tua yang telah memberikan rasa kasih sayang dan
perhatian yang sebesar-besarnya kepada penulis. Terima kasih Aba dan Mama yang sudah menjadi teladan dan mengajarkan penulis untuk selalu bekerja keras.
2. Yasser, Rusda dan Tsana’, selaku kakak dan adik penulis, terima kasih atas dorongan, dukungan dan kasih sayang selama ini.
3. Ibu Dr. Chastine Fatichah, S.Kom., M. Kom. selaku pembimbing I yang telah membantu dan membimbing penulis dalam menyelesaikan Tugas Akhir.
4. Ibu Isye Arieshanti S.Kom., M.Phil., selaku pembimbing II yang telah membantu dan membimbing penulis dalam menyelesaikan Tugas Akhir.
5. Ibu Dr. Eng. Nanik Suciati, S.Kom., M.Kom. selaku Kepala Jurusan Teknik Informatika ITS, Ibu Anny Yuniarti S.Kom., M.Comp.Sc., selaku dosen wali penulis Bapak Abdul Munif, S.Kom., M.Sc. selaku koordinator TA, dan segenap dosen Teknik Informatika yang telah memberikan ilmu-ilmu dan
xi
pengalaman-pengalaman hidup yang pasti akan berguna bagi penulis kelak.
6. Pak Yudi, Pak Sugeng, Mbak Fathin, Bu Wartani, Pak Sholeh, Pak Pri dan segenap staf Tata Usaha yang telah memberikan segala bantuan dan kemudahan kepada penulis selama menjalani kuliah di Teknik Informatika ITS.
7. Naufal Aulia Rizal yang telah membantu memberi masukan dan gagasan dalam proses pengerjaan Tugas Akhir.
8. Reza Dwi Putra, Adriyanra, Ibrahim Oswaldo, Arthur Holong dan teman-teman lain yang telah membantu adaptasi penulis tinggal di Surabaya.
9. Teman-teman Teknik Informatika ITS 2010, terima kasih atas dukungan dan kerjasamanya selama ini. Semoga kita semua menjadi orang yang berguna bagi bangsa ini.
10. Wanita shalehah yang telah menjadi inspirasi dan penyemangat penulis. Semoga kita dipertemukan pada waktu yang tepat.
11. Serta semua pihak yang yang telah turut membantu penulis dalam menyelesaikan Tugas Akhir ini.
Penulis menyadari masih banyak kekurangan dalam Tugas Akhir ini. Oleh karena itu, kritik dan saran yang membangun sangat dibutuhkan agar Tugas Akhir ini bias menjadi lebih baik untuk ke depan. Semoga Tugas Akhir ini bisa bermanfaat dikembudian hari.
DAFTAR ISI..............................................................................xiiiDAFTAR GAMBAR.................................................................xvii
DAFTAR TABEL.......................................................................xixDAFTAR KODE SUMBER.....................................................xxiii
BAB I PENDAHULUAN..............................................................11.1 Latar Belakang.......................................................................1
BAB II DASAR TEORI................................................................72.1 Jaringan Syaraf Tiruan...........................................................7
2.2 Membership Function............................................................92.2.1. Fungsi Segitiga...............................................................10
2.2.2. Fungsi Trapesium...........................................................112.2.3. Fungsi Gaussian..............................................................14
xiii
2.3 Neural Network With Weighted Fuzzy Membership..........15
2.3.1 Struktur dari NEWFM....................................................162.3.2 Skema Pembelajaran.......................................................17
2.4 Subpixel................................Error! Bookmark not defined.BAB III PERANCANGAN PERANGKAT LUNAK.................24
3.1 Perancangan Deteksi Tepi Citra Berdasarkan Subpixel pada Area Parsial..........................Error! Bookmark not defined.
3.1.1 Program Utama...............Error! Bookmark not defined.3.1.2 Proses Restorasi Citra.....Error! Bookmark not defined.3.1.3 Pencarian Nilai A dan B..Error! Bookmark not defined.3.1.4 Pencarian Nilai SL, SM dan SR... .Error! Bookmark not
defined.3.1.5 Deteksi Tepi Citra yang Tidak Mempunyai Noise. .Error!
Bookmark not defined.3.1.6 Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit
.........................................Error! Bookmark not defined.3.1.7 Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan...................Error! Bookmark not defined.3.1.8 Perbesaran Citra..............Error! Bookmark not defined.3.1.9 Pengubahan Nilai a,b dan c ke dalam Bentuk x dan y
.........................................Error! Bookmark not defined.BAB IV IMPLEMENTASI.........................................................314.1 Lingkungan Implementasi...................................................31
4.2 Implementasi........................................................................314.2.1 Implementasi Deteksi Tepi Citra Berdasarkan Subpixel
pada Area Parsial............................................................31
xiv
BAB V UJI COBA DAN EVALUASI........................................43
5.1 Lingkungan Uji Coba..........................................................435.2 Skenario Uji Coba................................................................43
BAB VI KESIMPULAN DAN SARAN.....................................616.1 Kesimpulan..........................................................................61
Gambar 2.1 Neuron Sederhana....................................................10Gambar 2.2 Jaringan Syaraf Tiruan Sederhana...........................11Gambar 2.3 Grafik Fungsi Segitiga.............................................13Gambar 2.4 Grafik Fungsi Trapesium.........................................14Gambar 2.5 Grafik Fungsi R........................................................16Gambar 2.6 Grafik Fungsi L........................................................17Gambar 2.7 Grafik Fungsi Gaussian............................................18Gambar 2.8 Struktur NEWFM.....................................................19Gambar 2.9 Contoh WFM dan BSWFM.....................................20Gambar 2.10 Sebelum dan Setelah Operasi Adjust.....................23
Gambar 3.1 Diagram Alur Proses Secara Umum 30Gambar 3.2 Diagram Alir Normalisasi Data...............................31Gambar 3.3 Flowchart Proses Pembelajaran...............................32Gambar 3.4 Diagram Alir Proses Prediksi Kelas.........................33
Gambar 5. 1 Hasil deteksi tepi menggunakan metode subpixel 44Gambar 5. 2 Hasil deteksi tepi menggunakan metode Laplacian 45Gambar 5. 3 Hasil deteksi tepi citra dengan filter tanpa noise yang ditambahkan dengan noise Gaussian dengan parameter m=0,5 v=0,5 dan jumlah iterasi=0..........................................................46Gambar 5. 4 Hasil deteksi tepi citra dengan filter tanpa noise yang ditambahkan dengan noise Gaussian dengan parameter m=0,5 v=0,5 dan jumlah iterasi=100......................................................46Gambar 5. 5 Menggunakan nilai batas ambang = 0.....................47Gambar 5. 6 Menggunakan nilai batas ambang = 254.................48Gambar 5. 7 Perbesaran 5x5 dari Tepian Citra............................58Gambar 5. 8 Perbesaran 11x11 dari Tepian Citra........................58
xvii
DAFTAR TABEL
Tabel 3.1 Lingkungan Perancangan Perangkat Lunak.................26Tabel 3.2 Data Masukan..............................................................27Tabel 3.3 Atribut Data Training...................................................27Tabel 3.4 Data Proses...................................................................29Tabel 3.5 Data Keluaran..............................................................29
Tabel 5. 1 Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel tanpa noise 50Tabel 5. 2 Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise.......................51Tabel 5. 3 Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise............52Tabel 5. 4 Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100...................................................................54Tabel 5. 5 Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5.................................................................................55Tabel 5. 6 Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5................................................................56
Tabel A. 1 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak
xviii
Mempunyai Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Pertama) 65Tabel A. 2 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)......................................................................................................66Tabel A. 3 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Ketiga)......................................................................................................67Tabel A. 4 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian Pertama).......................................................................................68Tabel A. 5 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)..........................................................................................69Tabel A. 6 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian Ketiga)..........................................................................................70Tabel A. 7 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian Pertama).......................................................................................71Tabel A. 8 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)..........................................................................................72Tabel A. 9 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise(Bagian Ketiga)..........................................................................................73
xix
Tabel A. 10 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama)..........................74Tabel A. 11 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua).............................75Tabel A. 12 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga).............................76Tabel A. 13 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama).........77Tabel A. 14 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............78Tabel A. 15 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............79Tabel A. 16 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama).........80Tabel A. 17 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............81Tabel A. 18 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
xx
Bersebelahan dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............82Tabel A. 19 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Tanpa Noise). 83Tabel A. 20 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Noise Sedikit)83Tabel A. 21 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Garis yang Bersebelahan)...............................................................................84Tabel A. 22 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Tanpa Noise) m=0,5 v=0,5 dan iterasi=100.......................................................84Tabel A. 23 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Noise Sedikit) m=0,5 v=0,5 dan iterasi=100.......................................................85Tabel A. 24 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Garis yang Bersebelahan) m=0,5 v=0,5 dan iterasi=100...............................85Tabel A. 25 Akurasi dari setiap jenis filter dan noise yang digunakan.....................................................................................86Tabel A. 26 Akurasi Berdasarkan Jenis Filter yang Digunakan. .86Tabel A. 27 Akurasi Berdasarkan Jenis Noise yang Digunakan dan Total Akurasi.........................................................................87
xxi
DAFTAR KODE SUMBER
Kode Sumber 4.1 Kode sumber fungsi adjust..............................37Kode Sumber 4.2 Kode sumber fungsi BSWFM.........................37Kode Sumber 4.3 Kode sumber fungsi Frandom.........................38Kode Sumber 4.4 Kode sumber Inisialisasi Variabel..................39Kode Sumber 4.5 Kode sumber fungsi Input Node.....................40Kode Sumber 4.6 Kode sumber fungsi Learning.........................40Kode Sumber 4.7 Kode sumber fungsi Maxmin..........................41Kode Sumber 4.8 Kode sumber fungsi Miu................................42Kode Sumber 4.9 Kode sumber fungsi Output............................42Kode Sumber 4.10 Kode sumber fungsi Testing.........................43
xxii
(Halaman ini sengaja dikosongkan)
xxiii
BAB IPENDAHULUAN
1.1 Latar Belakang
Penyakit parkinson merupakan gangguan neurodegenerative terbanyak ke-2 di dunia setelah penyakit Alzheimer. Penyakit parkinson menyerang jutaan penduduk di dunia atau sekitar 1% dari total populasi dunia 1. Penderita penyakit ini didominasi orang yang telah berumur di atas 60 tahun. Penyakit ini disebabkan oleh degenerasi syaraf pembawa dopamine yang terletak pada struktur dalam otak yang disebut dengan basal ganglia dan subtantia nigra 2.
Pada zaman ini ilmu pengetahuan pada bidang komputer telah mengalami kemajuan yang sangat pesat. Salah satunya adalah bidang klasifikasi data. Terdapat banyak macam metode untuk melakukan klasifikasi. Salah satu yang sering digunakan adalah neural network. Neural network dapat digunakan seperti dalam kasus diagnosis suatu penyakit karena memiliki kemampuan prediksi yang relatif baik.
Tugas Akhir ini akan melakukan uji performa neural network with weighted fuzzy membership pada kasus klasifikasi penyakit parkinson. Hasil yang didapatkan pada studi ini diharapkan memiliki hasil akurasi yang tinggi sehingga dapat menjadi kakas bantu untuk mempermudah diagnosis penyakit parkinson.
1.2 Rumusan Permasalahan
Rumusan masalah yang dapat diangkat dalam Tugas Akhir ini dapat dipaparkan sebagai berikut:1. Bagaimana memahami konsep Neural Network with
Weighted Fuzzy Membership?
1
2
2. Bagaimana metode Neural Network with Weighted Fuzzy Membership dapat digunakan untuk mengklasifikasi penyakit parkinson?
1.3 Batasan Masalah
Permasalahan yang dibahas dalam Tugas Akhir ini memiliki beberapa batasan, yaitu sebagai berikut:1. Metode yang digunakan adalah Neural Network with
Weighted Fuzzy Membership.2. Implementasi menggunakan perangkat lunak Matlab.3. Dataset yang digunakan didapatkan dari
http://archive.ics.uci.edu/ml/datasets/Parkinsons
1.4 Tujuan
Tujuan dari Tugas Akhir ini adalah sebagai berikut:1. Mengklasifikasi penyakit parkinson menggunakan Neural
Network with Weighted Fuzzy Membership.2. Melakukan uji performa metode Neural Network with
Weighted Fuzzy Membership.
1.5 Manfaat
Tugas Akhir ini dikerjakan dengan harapan agar memberikan manfaat yang besar pada bidang kesehatan yaitu mengaplikasikan kakas bantu untuk mempermudah diagnosis penyakit parkinson.
1.6 Metodologi
Tahapan-tahapan yang dilakukan dalam pengerjaan Tugas Akhir ini adalah sebagai berikut:1. Penyusunan proposal Tugas Akhir.
Tahap awal untuk memulai pengerjaan Tugas Akhir adalah penyusunan proposal Tugas Akhir. Proposal Tugas
Akhir yang diajukan memiliki gagasan untuk mengimplementasikan metode Neural Network with Weighted Fuzzy Membership dalam klasifikasi penyakit parkinson.
2. Studi literaturPada tahap ini dilakukan pencarian, pengumpulan,
pembelajaran dan pemahaman informasi dan literatur yang diperlukan untuk mengiimplementasikan metode Neural Network with Weighted Fuzzy Membership. Dasar informasi yang diperlukan pada pembuatan implementasi ini di antaranya mengenai metode Artificial Neural Network secara umum, metode fuzzy membership dan metode Neural Network with Weighted Fuzzy Membership secara spesifik. Informasi dan literatur didapatkan dari jurnal-jurnal di internet dan buku.
3. Perancangan perangkat lunakTahap ini meliputi perancangan sistem berdasarkan studi
literatur dan pembelajaran konsep teknologi dari perangkat lunak yang ada. Tahap ini mendefinisikan alur dari implementasi. Langkah-langkah yang dikerjakan juga didefinisikan pada tahap ini. Pada tahapan ini dibuat prototype sistem, yang merupakan rancangan dasar dari sistem yang akan dibuat. Serta dilakukan desain suatu sistem dan desain proses-proses yang ada.
4. Implementasi perangkat lunakImplementasi merupakan tahap membangun rancangan
sistem yang telah dibuat. Pada tahapan ini merealisasikan apa yang terdapat pada tahapan sebelumnya, sehingga menjadi sebuah sistem yang sesuai dengan apa yang telah direncanakan.
5. Pengujian dan evaluasi
4
Pada tahapan ini dilakukan uji coba terhadap perangkat lunak yang telah dibuat. Pengujian dan evaluasi akan dilakukan dengan melihat kesesuaian dengan perencanaan. Tahap ini dimaksudkan juga untuk mengevaluasi jalannya sistem, mencari masalah yang mungkin timbul dan mengadakan perbaikan jika terdapat kesalahan.
6. Penyusunan buku Tugas Akhir.Pada tahapan ini disusun buku yang memuat dokumentasi
mengenai pembuatan serta hasil dari implementasi perangkat lunak yang telah dibuat.
1.7 Sistematika Penulisan
Buku Tugas Akhir ini disusun dengan sistematika penulisan sebagai berikut:
BAB I. PENDAHULUANBab yang berisi mengenai latar belakang, tujuan, dan
manfaat dari pembuatan Tugas Akhir. Selain itu permasalahan, batasan masalah, metodologi yang digunakan, dan sistematika penulisan juga merupakan bagian dari bab ini.
BAB II. DASAR TEORIBab ini berisi penjelasan secara detail mengenai dasar-
dasar penunjang dan teori-teori yang digunakan untuk mendukung pembuatan Tugas Akhir ini.
BAB III. PERANCANGAN PERANGKAT LUNAKBab ini berisi tentang desain sistem yang disajikan dalam
bentuk diagram alir dan pseudocode.
BAB IV. IMPLEMENTASI
5
Bab ini membahas implementasi dari desain yang telah dibuat pada bab sebelumnya. Penjelasan berupa kode yang digunakan untuk proses implementasi.
BAB V. UJI COBA DAN EVALUASIBab ini menjelaskan kemampuan perangkat lunak dengan
melakukan pengujian kebenaran dan pengujian kinerja dari sistem yang telah dibuat.
BAB VI. KESIMPULAN DAN SARAN Bab ini merupakan bab terakhir yang menyampaikan
kesimpulan dari hasil uji coba yang dilakukan dan saran untuk pengembangan perangkat lunak ke depannya.
6
(Halaman ini sengaja dikosongkan)
BAB IIDASAR TEORI
Bab ini berisi penjelasan teori-teori yang berkaitan dengan metode yang diajukan pada pengimplementasian perangkat lunak. Penjelasan ini bertujuan untuk memberikan gambaran secara umum terhadap sistem yang dibuat dan berguna sebagai penunjang dalam pengembangan perangkat lunak.
2.1 Parkinson
Penyakit parkinson merupakan penyakit neurodegenerative terbanyak ke-2 di dunia setelah penyakit Alzheimer. Penyakit ini didominasi oleh pasien yang berumur di atas 60 tahun. Disebabkan oleh degenerasi syaraf pembawa dopamine yang terletak pada struktur dalam otak yang disebut dengan basal ganglia dan subtantia nigra. Gejala motorik dan non-motorik terdapat pada penyakit parkinson, walaupun diagnosis penyakit ini murni adanya berasal dari gejala motorik 3.
2.1.1 Diagnosis pada Penyakit Parkinson
Diagnosis pada penyakit parkinson adalah murni klinis dan membutuhkan adanya bradykinesia atau lambatnya gerakan dan satu atau lebih fitur klinis yang seperti berikut:
a. Gemetarb. Kekakuanc. Postur yang tidak seimbang
Bradykinesia merupakan tanda utama pada penyakit ini dan berkorelasi dengan tingkat hilangnya sel dopamine di otak.
2.1.2 Gejala Motorik Penyakit Parkinson
Gejala penyakit parkinson dapat dibagi menjadi motorik dan non-motorik. Ciri khas dari gejala motorik termasuk gemetar pada
7
8
tangan dan atau kaki dan lambatnya gerakan. Gemetar pada parkinson juga diketahui sebagai pill-rolling, karena memiliki karakteristik seperti seseorang menggelindingkan sebutir pil di tangannya. Sering kali terjadi apabila pasien sedang beristirahat dan akan sangat jelas apabila pasien sedang cemas dan mendapat tugas yang berhubungan dengan psikis. Bradykinesia dapat berpengaruh terhadap setiap bagian tubuh termasuk juga wajah, menyebabkan gerakan wajah berkurang (hypomimia) dan mata berkedip sehingga membuat kurang ekspresi atau penampilan seperti menggunakan topeng. Tulisan tangan dapat menjadi semakin kecil (micrographia) dan pasien mungkin akan kehilangan kelihaian dalam melaksanakan tugas sehari-hari. Gaya berjalan mungkin juga akan berpengaruh, langkah kecil dengan kurangnya lengan ayun. Sehingga memberikan penampilan menyeret ketika berjalan. Ketika penyakit semakin parah, pasien kemungkinan akan mengalami pembekuan gaya berjalan, yang dapat mengakibatkan pasien jatuh. Suara bisa menjadi bernada rendah dan monoton, dengan air liur yang berlebihan 3.
2.1.3 Gejala Non-Motorik Penyakit Parkinson
Gejalan non-motorik seperti sembelit, gangguan tidur dan depresi juga mendominasi pada penyakit parkinson. Tidak seperti gejala motorik, gejala non-motorik biasanya kurang dikenal dan karenanya tidak diobati. Penelitian menunjukkan bahwa gejala non-motorik adalah faktor penting dari kualitas hidup, menyebabkan kecacatan yang signifikan apabila tidak diobati. Beberapa gejala non-motorik seperti depresi dan sembelit bahkan dapat mendahului diagnosis klinis penyakit parkinson dari beberapa tahun. Gejala non-motorik yang rumit pada penyakit parkinson dapat dikategorikan ke dalam kelompok berikut.
a. Gangguan neuropsikiatrikb. Gangguan tidurc. Gangguan otonomd. Masalah pencernaane. Gejala sensorik
9
2.1.4 Pengobatan Penyakit Parkinson
Penyakit parkinson adalah penyakit yang dapat diobati. Untuk gejala motorik dapat secara efektif diobati dengan terapi penggantian dopamine yaitu dopamine precursors (levodopa) atau dopamine agonists (meniru tindakan dopamine pada reseptor dopamine). Perawatan medis lain yang tersedia termasuk monoamine-oxidase inhibitors (MAO-I), yang bertujuan untuk menunda pemecahan levodopa di otak. Pengobatan penyakit parkinson harus dilakukan secara individual, dengan mempertimbangkan usia pasien sejak timbulnya, keparahan penyakit, adanya gejala non-motor dan harapan pasien. Konseling merupakan bagian penting dari pengobatan, sehingga pasien dan wali menyadari prognosis dan harapan penyakit. Pada awalnya, gejala penyakit parkinson mungkin benar-benar dapat dihapuskan oleh obat-obatan. Namun, seiring perkembangan penyakit, pasien kemungkinan mengalami komplikasi yang berkaitan dengan obat-obatan dan masalah non-motor lain seperti depresi dan kepikunan, yang membuat pengobatan sangat menantang.
2.2 Jaringan Syaraf Tiruan
2.
2.4.2
2.1.1
2.1.2
Jaringan syaraf tiruan adalah sistem pemrosesan informasi yang memiliki karakteristik kinerja tertentu yang sama dengan jaringan syaraf biologis. Jaringan syaraf tiruan telah dikembangkan sebagai generalisasi model matematika dari pengetahuan manusia, berdasarkan asumsi bahwa:
10
i. Proses informasi terjadi pada elemen yang sederhana bernama neuron.
ii. Sinyal melewati antara neuron melalui link koneksi.iii. Setiap koneksi link memiliki bobot, yang mana dalam jaringan
syaraf yang khas, mengalikan sinyal yang dikirim.iv. Setiap neuron menerapkan sebuah fungsi aktivasi kepada
jaringan input untuk menentukan sinyal output.
Jaringan syaraf ditandai dengan (1) Pola hubungan antara neuron (disebut arsitektur), (2) metode untuk menentukan bobot pada koneksi (disebut pelatihan atau pembelajaran), dan (3) fungsi aktivasi.
Jaringan syaraf terdiri dari sejumlah besar elemen pemrosesan sederhana yang disebut neurons, units, cells atau nodes. Setiap neuron terhubung dengan neuron lainnya dengan cara diarahkan oleh link komunikasi, masing-masing dengan bobot yang berhubungan. Bobot merepresentasikan informasi yang sedang digunakan oleh jaringan untuk memecahkan permasalahan. Jaringan syaraf dapat diterapkan pada berbagai permasalahan, seperti menyimpan dan mengingat data, klasifikasi pola, melakukan pemetaan dari pola input ke pola ouput, pengelompokkan pola yang serupa, atau pencarian solusi dari problem optimisasi.
Setiap neuron memiliki kondisi internal, disebut activation atau activity level, yang mana adalah fungsi dari input yang telah diterima. Khususnya, neuron mengirim activation sebagai sinyal terhadap beberapa neuron lainnya.
11
Gambar 2.1 Neuron Sederhana
Sebagai contoh, terdapat neuron Y , seperti pada Gambar 2.1, yang menerima input dari neuron X1, X2, dan X3. Activation (sinyal output) dari neuron tersebut adalah x1, x2, dan x3. Bobot koneksi dari X1, X2, dan X3 kepada neuron Y adalah w1, w2, dan w3. Input jaringan, y¿, ke neuron Y adalah pertambahan dari bobot sinyal dari neuron X1, X2, dan X3,
y¿=w1 x1+w2 x2+w3 x3 (2.1)
Activation y dari neuron Y diberikan oleh beberapa fungsi jaringan input y=f ( y¿). Sebagai contoh, memakai fungsi logistic sigmoid atau fungsi aktivasi lainnya.
12
Gambar 2.2 Jaringan Syaraf Tiruan Sederhana
Neuron Y terhubung dengan neuron Z1 dan Z2 dengan bobot v1 dan v2 seperti pada Gambar 2.2. Neuron Y mengirim sinyal y kepada setiap dari unit neuron. Secara umum, nilai yang didapat neuron Z1 dan Z2 akan berbeda, karena setiap sinyal adalah skala yang sesuai dengan bobot, v1 atau v2. Pada jaringan khusus, activation z1 dan z2 dari neuron Z1 dan Z2 akan tergantung oleh input dari beberapa atau bahkan banyak neuron, tidak hanya satu neuron, seperti pada Gambar 2.2.
Meskipun jaringan syaraf pada Gambar 2.2 sangat sederhana, adanya hidden unit, juga fungsi aktivasi non-linear, memberikan kemampuan untuk menyelesaikan lebih banyak permasalahan daripada yang bisa diselesaikan oleh jaringan yang hanya terdiri dari input dan output unit. Di sisi lain, lebih susah untuk melakukan pelatihan terhadap jaringan yang memiliki hidden units.
2.3 Membership Function
Membership function untuk satu set fuzzy A pada semesta X didefinisikan sebagai μA:X→[0,1], dimana setiap elemen dari X
13
memetakan terhadap nilai antara 0 dan 1. Nilai ini disebut membership value, mengukur tingkat membership dari elemen di X terhadap set fuzzy A.
Membership function memungkinkan kita untuk merepresentasikan set fuzzy secara grafis. Sumbu-x merepresentasikan nilai semesta, sedangkan sumbu-y merepresentasikan nilai dari membership (membership value) pada interval [0,1] .
2.3.1. Fungsi Segitiga
Didefinisikan oleh batas bawah a, batas atas b, dan sebuah nilai m, dimana a < m < b.
14
Gambar 2.3 Grafik Fungsi Segitiga
Berikut ini adalah persamaan untuk mendapatkan membership value dari fungsi segitiga seperti yang ditunjukkan pada Persamaan 2.1.
15
μA (x )=¿ ¿
0 , x≤ a
(2.2)
x−am−a
,a< x≤ m
b−xb−m
, m<x<b
0 , x≥ b
2.3.2. Fungsi Trapesium
Didefinisikan oleh batas bawah a, batas atas d, batas dukungan bawah b, dan batas dukungan atas c, dimana a < b < c < d.
16
Gambar 2.4 Grafik Fungsi Trapesium
Berikut ini adalah persamaan untuk mendapatkan membership value dari fungsi trapesium seperti yang ditunjukkan pada Persamaan 2.2.
17
μA (x )=¿ ¿
0, (x<a) or
(x>d )
(2.3)
x−ab−a
,a ≤ x≤ b
1 , b ≤ x≤ c
d−xd−c
,c ≤ x ≤ d
Terdapat dua kasus special pada fungsi trapesium, yang disebut fungsi R dan fungsi L.
2.3.2.1. Fungsi R
Parameter a = b = -∞
18
Gambar 2.5 Grafik Fungsi R
Berikut ini adalah persamaan untuk mendapatkan membership value dari fungsi R seperti yang ditunjukkan pada Persamaan 2.3.
μA (x )=¿ ¿
0 , x>d
(2.4)d−xd−c
,c ≤ x ≤ d
1 , x<c
2.3.2.2. Fungsi L
Parameter c = d = +∞
19
Gambar 2.6 Grafik Fungsi L
Berikut ini adalah persamaan untuk mendapatkan membership value dari fungsi L seperti yang ditunjukkan pada Persamaan 2.4.
μA (x )=¿ ¿
0 , x<a
(2.5)x−ab−a
,a ≤ x≤ b
1 , x>b
2.3.3. Fungsi Gaussian
Didefinisikan oleh nilai tengah m dan standar deviasi k > 0. Lebih kecil nilai k, maka akan lebih sempit bukit yang terbentuk.
20
Gambar 2.7 Grafik Fungsi Gaussian
Berikut ini adalah persamaan untuk mendapatkan membership value dari fungsi gaussian seperti yang ditunjukkan pada Persamaan 2.5.
μA ( x )=e(x−m)2
2 k2 (2.6)
2.4 Neural Network With Weighted Fuzzy Membership
Neural network with weighted fuzzy membership function (NEWFM) adalah klasifikasi supervised neuro-fuzzy yang menggunakan bounded sum of weighted fuzzy membership function (BSWFM).
21
2.4.1 Struktur dari NEWFM
Struktur NEWFM seperit pada Gambar 2.6 terdiri dari 3 lapisan, yaitu lapisan input, lapisan hyperbox dan lapisan class.
Gambar 2.8 Struktur NEWFM
Lapisan input terdiri atas n simpul input untuk n pola input. Lapisan hyperbox terdiri dari m simpul hyperbox. Setiap simpul hyperbox Bl dapat terhubung ke simpul class, terdiri dari n BSWFM untuk n simpul input. Lapisan ouput terdiri dari p simpul class. Setiap simpul class terhubung ke satu atau lebih simpul hyperbox. Pola input ke h dapat ditulis sebagai I h={Ah=( a1 , a2 , …,an ) , class }, dimana class adalah hasil dari klasifikasi dan Ah adalah n fitur dari sebuah pola input.
22
Gambar 2.9 Contoh WFM dan BSWFM
Bobot koneksi antar simpul hyperbox Bl dan simpul class C i direpresentasikan sebagai w li, yang mana memiliki nilai awal 0. Dari pola input pertama I h, w li menjadi bernilai 1 oleh pemenang simpul hyperbox Bl dan class i di I h. C i harus memiliki satu atau lebih koneksi dari simpul hyperbox, dimana Bl hanya diperbolehkan memiliki satu koneksi ke simpul class yang sesuai. Bl hanya bisa melakukan proses pembelajaran apabila Bl adalah pemenang dari input I h dengan class i dan w li=1.
2.4.2 Skema Pembelajaran
Simpul hyperbox Bl terdiri dari n set fuzzy. Set fuzzy ke-i dari Bl dinotasikan sebagai Bl
i, memiliki tiga weighted fuzzy membership functions (WFM merupakan segitiga abu-abu ωl 1
i ,ωl 2
i dan ωl 3i seperti yang tertera pada Gambar 2.9) yang akan
disusun sebelum proses pembelajaran. Bounded sum of three weighted fuzzy membership functions (BSWFM) dari Bl
i mengkombinasikan karakteristik fuzzy dari ketiga WFM
23
tesebut. Nilai BSWFM dari Bli, dinotasikan sebagai B S l
i(.), dan dihitung dengan Persamaan 2.7.
B S li ( ai )=∑
j=1
3
ωl ji (a i ) (2.7)
Dimana a i merupakan nilai input fitur ke-I dari pola input Ah.
Pemenang dari simpul hyperbox Bl terpilih oleh operasi Output (Bl). Hanya Bl yang memiliki nilai maksimum dari fungsi Output (Bl) untuk input I h dengan class i dan w li=1, diantara simpul hyperbox dapat melakukan proses pembelajaran. Untuk input ke-h, Ah=(a1 , a2 , …,an) dengan n fitur, output dari Bl diperoleh dari Persamaan 2.8.
Output ( Bl )=1n∑i=1
n
B Sli(ai) (2.8)
Setelah itu, simpul hyperbox Bl yang telah terpilih melakukan proses pembelajaran dengan operasi Adjust (B l). Operasi ini berguna untuk menyesuaikan hyperbox Bl menurut dari input a i, dimana i=1,2 , ... , n. Bobot membership function W l j
i (dimana 0 ≤ W l ji ≤1dan j=1,2,3) menunjukkan kekuatan
dari ωl ji . WFM ωl j
i dapat juga direpresentasikan sebagai (v l j−1
i , W l ji , v l j+1
i ). Berikut ini persamaan yang digunakan pada operasi Adjust (B l) seperti terlihat pada Persamaan 2.9 dan 2.10.
24
vl ji =v l j
i +s ×α × El ji ×ωl j
i (ai ) (2.9)
25
Dimana,s=−1, El j
i =min (|vl ji −ai|,|v l j−1
i −a i|), if v l j−1i ≤ ai<v l j
i
s=1, El ji =min (|v l j
i −ai|,|vl j+1i −ai|), if v l j
i ≤ a i<v l j+1i
s=0 ,E l ji =0 ,otherwise
W l ji =W l j
i + β ×(μl ji (a i)−W l j
i ) (2.10)
26
Dimana α dan β adalah nilai learning rate untuk vl ji dan W l j
i yang bernilai antara 0 dan 1 dan j=1,2,3.
Gambar 2.10 memperlihatkan BSWFM sebelum dan setelah operasi Adjust (B l) untuk Bl
i dengan input a i. Bobot dan nilai tengah dari membership function mengalami penyesuaian dengan operasi Adjust (B l). W l 1
i ,W l 2i ,W l 3
i mengalami penurunan, vl 1
i dan vl 2i berpindah mendekati a i dan
vl 3i tetap pada posisi awalnya.
Gambar 2.10 Sebelum dan Setelah Operasi Adjust
Operasi Adjust (B l) dieksekusi oleh sekumpulan data pelatihan. Apabila tingkat klasifikasi untuk data testing tidak
27
mencapai tingkat tujuan, proses pembelajaran kembali diulang dari awal dengan kembali merekonstruksi secara acak semua WFM pada Bl dan merubah bobot koneksi ke nilai 0 (w li=0) sampai dengan tingkat tujuan terpenuhi.
2.4.3 Ekstraksi Aturan Fuzzy
Hasil dari pembelajaran NEWFM dapat digunakan untuk ekstraksi aturan fuzzy pada bentuk if-then untuk mengklasifikasi pola input.
Aturan dapat di ekstraksi langsung dari weighted fuzzy membership (WFM). Disarankan menggunakan aturan ekstraksi seperti pada dibawah.
i. Bounded sum(salah satu operasi pada kumpulan fuzzy) dari WFM (BSWFM) pada kumpulan fuzzy ke-i dari Bl
i(x). BSWFM mengkombinasikan karakteristik fuzzy dari tiga WFM.
ii. Aturan untuk sebuah class C i adalah fungsi membership fuzzy yang direpresentasi oleh perbaikan BSWFM pada Bl, seperti :
if (enhanced BSWFMs of Bl∧wli=1) or … or (enhanced BSWFMs of Bm∧wmi=1) then C i
2.5 Cross-Validation
28
(Halaman ini sengaja dikosongkan)
BAB IIIPERANCANGAN PERANGKAT LUNAK
Pada bab ini akan diuraikan mengenai desain dan perancangan system perangkat lunak agar dapat mencapai tujuan dari Tugas Akhir ini. Perangkat lunak yang dibuat pada Tugas Akhir ini berguna untuk melakukan proses klasifikasi dari data pengukuran suara pada penderita penyakit parkinson berdasarkan tingkat kesesuaiannya dengan data pelatihan. Perangkat lunak ini memiliki dua bagian utama yaitu proses pelatihan dan proses testing. Proses perancangan perangkat lunak meliputi perancangan data, perancangan proses, perancangan tabel, arsitektur sistem dan diagram alir dari masing-masing proses.
3.1 Lingkungan Perancangan Perangkat Lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam perancangan perangkat lunak untuk Tugas Akhir ini ditampilkan pada Tabel 3.1.
Tabel 3.1 Lingkungan Perancangan Perangkat Lunak
Perangkat Spesifikasi
Perangkat Keras Prosesor :Intel(R) Core (TM) i5 CPU M 520 @2.40 GHz
Memori : 4 GB
Perangkat LunakSistem Operasi : Windows 7 Ultimate
32-bitPerangkat Pengembang : Matlab R2011b
29
30
3.2 Perancangan Data
Pada subbab ini akan dijelaskan mengenai perancangan data yang dibutuhkan untuk membangun perangkat lunak klasifikasi penyakit parkinson. Data meliputi data masukan, data proses berupa data-data yang diperlukan dan dihasilkan selama menjalankan proses eksekusi perangkat lunak, serta data keluaran yang berupa hasil prediksi kelas.
3.2.1 Data Masukan
Tabel 3.2 Data Masukan
No. Nama Data Keterangan1. Data Training Data masukan
prose pembelajaran2. Data Testing Data masukan
proses testing
Data training terdiri dari 146 pola data. Terdiri atas 2 kelas yaitu 0 dan 1. 0 untuk data orang yang sehat, sedangkan 1 adalah untuk data orang yang terjangkit penyakit parkinson. Data training terdiri atas 23 atribut seperti pada Tabel 3.3.
Tabel 3.3 Atribut Data Training
No. Nama Atribut Keterangan1. MDVP:Fo(Hz) Rata-rata frekuensi
10. MDVP:Shimmer(dB)11. Shimmer:APQ312. Shimmer:APQ513. MDVP:APQ14. Shimmer:DDA15. NHR Rasio ukuran
kebisingan komponen tonal dalam suara
16. HNR
17. RPDE Ukuran kompleksitas dinamik
18. D2
19. DFA Skala sinyal eksponen fraktal
20. spread1 Ukuran variasi frekuensi dasar21. spread2
22. PPE23. status Status kesehatan
dari subjek
Data testing terdiri dari 49 pola data. Terdiri 22 atribut, seperti pada Tabel 3.3 akan tetapi tidak menggunakan data status.
3.2.2 Data Proses
Data Proses adalah data-data yang digunakan dalam proses pelatihan dan testing dapat dilihat pada Tabel 3.4.
32
Tabel 3.4 Data Proses
No. Nama Data Keterangan
1. alfa Learning rate untuk v2. beta Learning rate untuk W
3. bswfmval Nilai BSWFM terakhir dari data masukan terakhir.
4. data Data masukan untuk proses pembelajaran dan training
5. enhval Nilai dari operasi output pada tiap data masukan pembelajaran
6. h Jumlah dari7. hyperbox Variabel dari simpul hyperbox8. ik masukan dari NEWFM9. m Jumlah simpul hyperbox
10. minmaxvalue Nilai terbesar dan terkecil dari setiap atribut masukan yang ada
11. n Jumlah simpul masukan12. p Jumlah simpul kelas13. test_class Kelas hasil pada data percobaan
3.2.3 Data Keluaran
Data keluaran adalah data dari hasil proses klasifikasi berupa prediksi kelas dari data testing, yang merupakan hasil pembelajaran dari metode neural network with weighted fuzzy membership data training. Data keluaran pada Tugas Akhir ini dapat dilihat pada Tabel 3.5.
Tabel 3.5 Data Keluaran
No. Nama Data Keterangan
33
1. accuracyHasil akurasi dari prediksi yang telah dilakukan
2. predict_class Hasil prediksi kelas dari proses testing
3.3 Perancangan Proses
Perancangan proses dilakukan untuk mengetahui alur penerapan algoritma yang nantinya kan dipakai dalam proses implementasi. Alur tersebut akan ditampilkan pada Gambar 3.1.
Gambar 3.1 Diagram Alur Proses Secara Umum
3.3.1 Normalisasi Data
Proses normalisasi data bertujuan untuk mengubah data yang memiliki nilai range terlalu besar dan terlalu kecil ke bentuk yang lebih normal. Pada kasus ini, digunakan normalisasi data ke bentuk 0-1.
34
X '= X−XminXmax−Xmin (3.1)
Dimana X adalah nilai yang akan dinormalisasi, Xmin adalah nilai terendah dari dataset, Xmax adalah nilai terbesar dari dataset.
Gambar 3.2 Diagram Alir Normalisasi Data
3.3.2 Proses Pembelajaran
Proses pembelajaran atau pelatihan merupakan proses perubahan bobot sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Proses pembelajaran telah sebelumnya dipaparkan pada subbab 2.3.2.
35
Gambar 3.3 Flowchart Proses Pembelajaran
3.3.3 Proses Prediksi Kelas
Proses prediksi kelas merupakan proses yang bertujuan untuk memprediksi data dan akan mengklasifikasikan suatu data masukan ke salah satu kelas yang ada. Proses ini akan
36
menggunakan data masukan baru yang sama sekali belum pernah digunakan pada proses sebelumnya yaitu proses pembelajaran. Data baru yang dimasukkan akan menggunakan data-data yang ada dari hasil pembelajaran untuk menentukan klasifikasi data tersebut. Cara untuk melakukan prediksi kelas telah sebelumnya dipaparkan pada subbab 2.3.4.
Gambar 3.4 Diagram Alir Proses Prediksi Kelas
37
(Halaman ini sengaja dikosongkan)
BAB IVIMPLEMENTASI
Pada bab ini akan dibahas mengenai implementasi yang dilakukan berdasarkan rancangan yang telah dijabarkan pada bab sebelumnya. Sebelum penjelasan implementasi akan ditunjukkan terlebih dahulu lingkungan untuk melakukan implementasi.
4.1 Lingkungan Implementasi
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam implementasi perangkat lunak untuk Tugas Akhir ini ditampilkan pada Tabel 4.1.
Tabel 4.1 Lingkungan Implementasi Perangkat LunakPerangkat Spesifikasi
Perangkat Keras Prosesor :Intel(R) Core (TM) i5 CPU M 520 @2.40 GHz
Memori : 4 GB
Perangkat LunakSistem Operasi : Windows 7 Ultimate
32-bitPerangkat Pengembang : Matlab R2011b
4.2 Implementasi
Pada subbab ini akan dijelaskan implementasi setiap subbab yang terdapat pada bab sebelumnya yaitu bab perancangan perangkat lunak. Pada bagian ini juga akan dijelaskan mengenai fungsi-fungsi yang digunakan dalam
38
39
perangkat lunak Tugas Akhir ini dan disertai dengan kode sumber masing-masing fungsi utama.
4.2.1 Implementasi Fungsi Adjust
Fungsi adjust adalah fungsi yang bertujuan untuk melakukan penyesuaian nilai v dan nilai W untuk semua weighted fuzzy membership pada setiap simpul hyperbox. Penyesuaian dilakukan tiap ada input baru pada simpul hyperbox yang memiliki nilai fungsi output paling besar.
1 function B = adjust(B,m,n,input,alfa,beta)
2 S=0;3 Ej=0;4 for i=1:n5 for j=2:46 if input.a(i) <
13 v = B(m).wmf(i).v(j) + (S * alfa * Ej * miu(B,m,i,j-1,input.a(i)) * B(m).wmf(i).w(j-1));
14 w = B(m).wmf(i).w(j-1) + (beta * (miu(B,m,i,j-1,input.a(i)) - B(m).wmf(i).w(j-1)));
15 B(m).wmf(i).v(j) = v;16 B(m).wmf(i).w(j-1) = w;17 end18 end19 end
Kode Sumber 4.1 Kode sumber fungsi adjust
4.2.2 Implementasi Fungsi BSWFM
Fungsi BSWFM adalah fungsi yang bertujuan untuk mengkombinasikan karakteristik fuzzy dari 3 weighted fuzzy membership (WFM) yang terdapat pada simpul hyperbox Bl.
1 function y = bswfm(B,m,i,input)2 y=0;3 for j=1:34 y = y + ((miu(B,m,i,j,input) *
B(m).wmf(i).w(j)));5 end6 end
Kode Sumber 4.2 Kode sumber fungsi BSWFM
4.2.3 Implementasi Fungsi Frandom
Fungsi Frandom adalah fungsi yang bertujuan untuk melakukan inisialisasi variabel-variabel awal pada sebuah simpul hyperbox Bl, inisialisasi ini meliputi inisialisasi pada nilai v0
41
sampai dengan v4, nilai W 1sampai dengan W 3, dan juga nilai r0
sampai dengan r 4.
1 function B = frandom(B,m,n,mmval)2 for i=1:n3 mx = mmval(i,1);4 mn = mmval(i,2);5 B(m).wmf(i).vmin = mn;6 B(m).wmf(i).vmax = mx;7 range = (mx-mn)/3;8 B(m).wmf(i).r(1,1) = mn;9 B(m).wmf(i).v(1,1) = mn -
Fungsi Inisialisasi Variabel adalah fungsi yang bertujuan untuk melakukan inisialisasi awal terhadap variable-variabel utama yang digunakan dalam proses klasifikasi. Variabel utama ini meliputi variabel simpul input, simpul hyperbox, alfa, beta,
42
jumlah simpul input, jumlah simpul hyperbox, dan jumlah simpul kelas.
1 n = size(data.training.input,2); %jumlah input node
2 m = 10; %jumlah hyperbox node3 p = 2; %jumlah class node4 alfa = 0.05;5 beta = 0.01;6 %inisialisasi node input7 ik.a(1:n,1)=0;8 ik.diagnosis=0;9 %inisialisasi node hyperbox
Fungsi input node adalah fungsi yang bertujuan untuk memasukkan nilai atribut-atribut training dan testing ke dalam suatu variable yang memiliki struktur seperti struct. Variabel I k memiliki 2 variabel anak, yaitu a dan diagnosis. Variable a memiliki nilai sejumlah nilai atribut.
1 function y = inputnode(input,data,n,d)
43
2 for i=1:n3 input.a(i)=data.input(d,i);4 end5 input.diagnosis = data.output(d);6 y = input;7 end
Kode Sumber 4.5 Kode sumber fungsi Input Node
4.2.6 Implementasi Fungsi Learning
Fungsi Learning adalah fungsi yang bertujuan untuk melakukan pembelajaran pada data input yang baru. Secara garis besar, fungsi ini hanya melakukan pengecekan terhadap syarat tertentu. Apabila syarat terpenuhi, maka akan dipanggil fungsi adjust.
1 function B = learning(B,l,n,inp,i,alfa,beta)
2 if B(l).w(i) == 1 && inp.diagnosis == i-1
3 B = adjust(B,l,n,inp,alfa,beta);4 end5 end
Kode Sumber 4.6 Kode sumber fungsi Learning
4.2.7 Implementasi Fungsi Load Data
Fungsi Load data adalah fungsi yang bertujuan untuk memuat data yang terdapat pada sebuah file agar dapat dipergunakan dalam program. Selain itu terdapat juga proses normalisasi pada fungsi ini.
44
4.2.8 Implementasi Fungsi Maxmin
Fungsi Maxmin adalah fungsi yang bertujuan untuk mencari nilai terbesar dan terkecil pada setiap atribut-atribut dari data yang ada. Proses ini diperlukan untuk menentukan nilai-nilai v pada simpul hyperbox.
1 x = size(data.training.input,1);2 y = size(data.training.input,2);3 minmaxvalue(y,2) = 0;4 for i=1:y5 minmaxvalue(i,1) =
Fungsi Miu adalah fungsi yang bertujuan untuk mencari nilai tingkat membership dari elemen input terhadap sebuah set fuzzy. Nilai ini dapat juga disebut membership value. Memiliki nilai antara 0 dan 1.
1 function y = miu(B,m,i,j,input)2 a = B(m).wmf(i).v(j);3 b = B(m).wmf(i).v(j+2);4 c = B(m).wmf(i).v(j+1);5 if input <= a6 y = 0;7 elseif input >= b8 y=0;
45
9 elseif input <= c && input > a10 y = ((input-a) / (c-a));11 elseif input < b && input > c12 y = ((b-input) / (b-c));13 end14 end
Kode Sumber 4.8 Kode sumber fungsi Miu
4.2.10 Implementasi Fungsi Ouput
Fungsi Output adalah fungsi yang bertujuan untuk mencari nilai dari simpul hyperbox Bl dengan input Ak dan n atribut. Simpul hyperbox yang akan dilakukan proses pembelajaran harus memiliki nilai output terbesar dengan input Ak .
1 function y = output(B,m,n,input)2 temp = 0;3 for i=1:n4 temp = temp +
bswfm(B,m,i,input.a(i));5 end6 y = temp / n;7 end
Kode Sumber 4.9 Kode sumber fungsi Output
4.2.11 Implementasi Fungsi Testing
Fungsi Testing adalah fungsi yang bertujuan untuk mencari prediksi kelas dari sebuah input data baru. Sebelum melakukan prediksi kelas atau testing, harus terlebih dahulu dilakukan proses pembelajaran.
46
1 function result = testing(B,m,n,p,input,lst)
2 bswfmval(m)=0;3 for i=1:m4 for it = 1 : n5 bswfmval(i) = bswfmval(i) +
10 stat = 0;11 for i=1:m12 nilai = b(i);13 for j=1:p14 if B(nilai).w(j) == 115 result = j-1;16 stat = 1;17 end18 end19 if stat == 1;20 break;21 end22 end
Kode Sumber 4.10 Kode sumber fungsi Testing
4.2.12 Implementasi Fungsi Training
Fungsi training
47
4.2.13 Implementasi Fungsi Utama
dsad
48
49
BAB VUJI COBA DAN EVALUASI
Pada bab ini akan dijelaskan mengenai rangkain uji coba dan evaluasi yang dilakukan. Pembahasan yang dikemukakan meliputi data uji coba, hasil uji coba, dan evaluasi.
5.1 Lingkungan Uji Coba
Lingkungan uji coba yang digunakan dalam pembuatan Tugas Akhir ini meliputi perangkat lunak dan perangkant keras yang digunakan untuk klasifikasi penyakit parkinson menggunakan neural network with weighted fuzzy membership. Lingkungan uji coba merupakan komputer tempat uji coba perangkat lunak. Berikut adalah lingkungan uji coba yang digunakan pada Tugas Akhir ini seperti yang ditampilkan pada Tabel 5.1.
Tabel 5.1 Lingkungan Uji Coba Perangkat Lunak
Perangkat Spesifikasi
Perangkat Keras Prosesor :Intel(R) Core (TM) i5 CPU M 520 @2.40 GHz
Memori : 4 GB
Perangkat LunakSistem Operasi : Windows 7 Ultimate
32-bitPerangkat Pengembang : Matlab R2011b
50
51
5.2 Skenario Uji Coba
BAB VIKESIMPULAN DAN SARAN
Bab ini membahas mengenai kesimpulan yang dapat diambil dari hasil uji coba yang telah dilakukan sebagai jawaban dari rumusan masalah yang dikemukakan. Selain kesimpulan, juga terdapat saran yang ditujukan untuk pengembangan perangkat lunak lebih lanjut.
6.1 Kesimpulan
Dari hasil uji coba yang telah dilakukan terhadap pembuatan program deteksi tepi citra berdasarkan subpixel pada area parsial dapat diambil kesimpulan sebagai berikut:1. Citra yang dicari tepian secara parsial dapat mendeteksi jenis
citra yang mempunyai noise atau tidak mempunyai noise. Noise yang dipakai dikhususkan hanya menggunakan noise yang bertipe Gaussian.
2. Untuk mendapatkan fitur posisi subpixel dapat menggunakan nilai slope dan m, sedangkan untuk mendapatkan fitur orientasi didapatkan dari konsistensi tepian yang mempunyai nilai akurasi di dalam suatu piksel. Untuk mendapatkan fitur kelengkungan dapat digunakan nilai a, b dan c dari Persamaan garis y=a+bx+cx2. Sedangkan untuk mendapatkan fitur tingkat kecerahan antara kedua sisi dari suatu parsial citra didapatkan dari nilai A dan B.
3. Nilai akurasi ditinjau dari jenis filter yang digunakan adalah jika menggunakan metode deteksi tepi citra yang tidak mempunyai noise sebesar 89,92 %, metode deteksi tepi citra yang mempunyai noise yang sedikit sebesar 88,11% dan metode deteksi tepi dengan lokasi garis yang bersebelahan sebesar 88.74%. Sehingga total akurasi dari deteksi tepi citra berdasarkan subpixel pada area parsial sebesar 88,7%.
52
53
4. Nilai akurasi ditinjau dari jenis noise yang digunakan adalah jika tidak menggunakan noise Gaussian sebesar 88,93 % dan jika menggunakan noise Gaussian sebesar 88.92%. Sehingga total akurasi dari deteksi tepi citra berdasarkan subpixel pada area parsial sebesar 88,7%.
6.2 Saran
Saran yang diberikan untuk pengembangan aplikasi deteksi tepi citra berdasarkan subpixel pada area parsial pada Tugas Akhir ini antara lain:1. Diperlukan proses awal deteksi tepi yang lain selain
menggunakan operator Laplacian sehingga terdapat pembanding hasil deteksi tepi antara operator Laplacian dengan deteksi tepi yang lain.
2. Pada aplikasi deteksi tepi citra berdasarkan subpixel pada area parsial, metode perbesaran citra dan penempatan kurva dari tepian masih kurang sempurna, sehingga perlu pendekatan lain agar metode perbesaran citra dan penempatan kurva menjadi lebih akurat.
DAFTAR PUSTAKAx
[1]
Erni Noviani, Untung Gunarto, and Joko Setyono, "Hubungan Antara Merokok Dengan Penyakit Parkinson di RSUD Prof. DR. Margono Soekarjo Purwokerto," Mandala Of Health, vol. IV, pp. 81-86, 2010.[
2]Zahari Abu Bakar, Nooritawati Md Tahir, and Ihsan
M. Yassin, "Classification of Parkinson's Disease Based on Multilayer Perceptrons Neural Networks," in International Colloquium on Signal Processing & Its Applications (CSPA), 2010, pp. 232-235.[
3]Nasa Zata Dina, Implementasi Algoritma Deteksi
Tepi Berdasarkan Elemen Berstruktur Jamak. Surabaya, 2013.[
Lampu Lalu Lintas Berdasarkan Rekaman CCTV Dengan Algoritma Analisa Simpang Bersinyal. Surabaya, 2013.[
5]Agustin Trujillo-Pino, Karl Krissian, Miguel Aleman-
Flores, and Daniel Santana-Cedres, "Accurate Subpixel Edge Location Based On Partial Area Effect," Image Vision and Computing, vol. 31, pp. 72-90, 2013.
x
54
55
(Halaman ini sengaja dikosongkan)
LAMPIRAN A
Tabel A. 1 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel tanpa
noise (Bagian Pertama)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
56
57
Tabel A. 2 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel tanpa
noise (Bagian Kedua)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
58
Tabel A. 3 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel tanpa
noise (Bagian Ketiga)
Citra Hasil Citra GroundTruth Citra Hasil Deteksi Tepi
59
Tabel A. 4 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang
Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian Pertama)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
60
Tabel A. 5 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang
Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
61
Tabel A. 6 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang
Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian Ketiga)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
62
Tabel A. 7 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan
Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian Pertama)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
63
Tabel A. 8 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan
Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)
Citra Hasil Citra GroundTruth Citra Hasil Deteksi Tepi
64
Tabel A. 9 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan
Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise(Bagian Ketiga)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
65
Tabel A. 10 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel dengan
noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
66
Tabel A. 11 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel dengan
noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
67
Tabel A. 12 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise dengan Perbesaran 5x5 piksel dengan
noise Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
68
Tabel A. 13 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang
Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Pertama)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
69
Tabel A. 14 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang
Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Kedua)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
70
Tabel A. 15 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra yang
Mempunyai Noise yang Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Ketiga)
Citra Hasil Citra GroundTruth
Citra Hasil Deteksi Tepi
71
Tabel A. 16 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan
Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Pertama)
Citra Hasil Citra GroundTruth Citra Hasil Deteksi Tepi
72
73
Tabel A. 17 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan
Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Kedua)
Citra Hasil Citra GroundTruth Citra Hasil Deteksi Tepi
74
Tabel A. 18 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil Printer pada Proses Deteksi Tepi Citra dengan
Lokasi Garis yang Bersebelahan dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Ketiga)
Citra Hasil Citra GroundTruth Citra Hasil Deteksi Tepi
75
Tabel A. 19 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil
Tabel A. 22 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Tanpa Noise) m=0,5 v=0,5 dan iterasi=100
Tabel A. 23 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Noise Sedikit) m=0,5 v=0,5 dan iterasi=100
Tabel A. 24 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto dari hasil Printer (Garis yang Bersebelahan) m=0,5 v=0,5 dan
Tabel A. 25 Akurasi dari setiap jenis filter dan noise yang digunakan
Jenis Filter Noise Rata-rata
akurasiTanpa noise
Tidak Menggunakan Noise Gaussian 89,48%
Dengan Menggunakan Noise Gaussian 90,37%
Noise sedikit
Tidak Menggunakan Noise Gaussian 88,30%
Dengan Menggunakan Noise Gaussian 87,93%
Garis yang bersebelahan
Tidak Menggunakan Noise Gaussian 89,01%
Dengan Menggunakan Noise Gaussian 88,48%
Total rata-rata akurasi 88.92%
79
Tabel A. 26 Akurasi Berdasarkan Jenis Filter yang Digunakan
Jenis Filter Noise Akura
si
Rata-rata akurasi
berdasarkan jenis filter
Tanpa noise
Tidak Menggunakan Noise Gaussian
89,48%
89,92%Dengan Menggunakan Noise Gaussian
90,37%
Noise sedikit
Tidak Menggunakan Noise Gaussian
88,30%
88,11%Dengan Menggunakan Noise Gaussian
87,93%
Garis yang bersebelahan
Tidak Menggunakan Noise Gaussian
89,01%
88,74%Dengan Menggunakan Noise Gaussian
88,48%
Total rata-rata akurasi 88.92%
80
Tabel A. 27 Akurasi Berdasarkan Jenis Noise yang Digunakan dan Total Akurasi
Noise Jenis Filter Akurasi
Rata-rata akurasi
berdasarkan noise
Tidak Menggunakan Noise Gaussian
Tanpa noise 89,48%
88,93%Noise sedikit 88,30%Garis yang bersebelahan 89,01%
Dengan Menggunakan Noise Gaussian
Tanpa noise 90,37%
88,92%Noise sedikit 87,93%Garis yang bersebelahan 88,48%
Total rata-rata akurasi 88,92%
81
BIODATA PENULIS
M. Hilmil Muchtar Aditya Pradana, lahir di Jombang pada tanggal 16 Mei 1992. Penulis menempuh pendidikan mulai dari SDN Tambakrejo I (1998-1999), SDN Candimulyo I (1999-2003), SDN Mancar I (2003-2004), SMPN 2 Jombang (2004-2007), SMAN 2 Jombang (2007-2010) dan S1 Teknik
Informatika ITS (2010-2014). Selama masa kuliah, penulis aktif dalam organisasi yang ada di lingkungan kampus ITS yaitu Himpunan Mahasiswa Teknik Computer-Informatika (HMTC).Selain aktif dalam berorganisasi, penulis juga mengikuti beberapa perlombaan dan menjadi finalis diantaranya finalis GEMASTIK 2013 kategori data mining. Penulis dapat dihubungi melalui email: [email protected].