Pengenalan Perubahan Abnormal Organ Pankreas melalui Iris Mata menggunakan Jaringan Saraf Tiruan Feed – Forward Backpropagation

Gregorius S. Budhi 1 ; Mauridhi H. Purnomo2; Marsetio Pramono3

1, 3) Universitas Kristen Petra Jurusan Teknik Informatika2) Institut Teknologi Sepuluh Nopember SurabayaE-Mail: greg@petra.ac.id

ABSTRAK

Ilmu Iridologi digunakan untuk melihat kondisi organ tubuh dapat dianalisa dengan melihat susunan tekstur iris mata. Persoalan penting pada ilmu ini adalah bagaimana melakukan analisa terhadap susunan tekstur iris mata, dan mengenali apakah terdapat suatu pola pada daerah tertentu pada iris mata. Ada tidaknya suatu pola pada bagian tertentu iris mata menentukan normal tidaknya organ tubuh lain yang berelasi dengan daerah tersebut.

Pada penelitian ini peneliti mencoba menggunakan jaringan saraf tiruan dengan arsitektur Feed – Forward dan metode pelatihan Backpropagation untuk mengenali secara otomatis ada tidaknya pola pada daerah iris mata yang berelasi dengan organ tubuh pankreas. Beberapa metode pengolahan citra seperti Histogram Equalization, Operator Sobel dan metode konversi Cartesian ke Polar digunakan untuk pre-processing citra mata sebelum dilatihkan atau dideteksi oleh jaringan saraf tiruan.

Pengujian dilakukan dengan image mata dari pasien yang telah dibandingkan dengan hasil pengujian klinik. Dari percobaan dengan tingkat keberhasilan sebesar 100%, dapat disimpulkan bahwa aplikasi hasil penelitian dapat digunakan untuk mendeteksi abnormal pada organ tubuh pankreas.

1. PENDAHULUAN

Perkembangan teknologi komputer kini telah merambah ke segala bidang disiplin ilmu. Salah satu bidang tersebut adalah iridologi.

Ilmu Iridologi digunakan untuk melihat kondisi organ tubuh dapat dianalisa dengan melihat susunan tekstur iris mata. Persoalan penting pada ilmu ini adalah bagaimana melakukan analisa terhadap susunan tekstur iris mata, dan mengenali apakah terdapat suatu pola pada daerah tertentu pada iris mata. Ada tidaknya suatu pola pada bagian tertentu iris mata menentukan normal tidaknya organ tubuh lain yang berelasi dengan daerah tersebut.

Pada saat ini, dokter ahli iridologi melakukan analisa perubahan fungsi organ tubuh dengan menggunakan kamera digital yang dihubungkan ke sebuah monitor dan analisa dilakukan secara langsung berpedoman pada chart to iridology. Proses analisa sangat bergantung pada kejelian dokter ahli iridologi. Pada penelitian ini dicoba untuk dibuat sebuah aplikasi berbasis jaringan saraf tiruan feed-forward yang dapat membantu pengenalan perubahan abnormal organ tubuh khususnya organ pankreas.

2. TEORI PENUNJANG2.1. Iridologi

Metode iridologi sebenarnya telah diterapkan dalam dunia pengobatan sejak 3.000 tahun yang lalu di Asia Tengah. Perkembangan Iridologi mengalami kemajuan yang sangat pesat dengan perkembangan teknik kamera digital yang memungkinkan pemeriksaan iris lebih sempurna. Bernard Jensen dari Alta Dena California telah melakukan pemotretan dan penelitian dengan kamera digital ciptaannya selama 18 tahun pada 150.000 pasiennya, dan akhirnya pada tahun 1982, berhasil memperbaiki dan menyempurnakan standar iridologi dan membuat Chart to Iridology yang dipakai luas di seluruh dunia sekarang ini [4, 7].

Terdapat perbedaan yang mendasar antara pemeriksaan iridologi dengan pemeriksaan mata yang dilakukan oleh dokter mata. Pemeriksaan iridologi untuk merefleksi kondisi berbagai organ di dalam tubuh, sedangkan pemeriksaan mata bertujuan untuk melihat penyakit mata pada mata itu sendiri. Iridologi adalah

suatu ilmu yang mempelajari tanda-tanda yang terdapat pada struktur jaringan iris mata sebagai refleksi kondisi dari berbagai organ tubuh dan sistem yang ada di dalam tubuh [6].

2.1.1. Hubungan iris dengan organ. Organ kiri berhubungan dengan syaraf otak kanan dan organ kanan berhubungan dengan syaraf otak kiri, sehingga mata kiri mencerminkan keadaan organ sebelah kiri dan mata kanan mencerminkan keadaan organ sebelah kanan. Ada juga organ yang berlokasi di kedua iris, misal: Paru-paru. Peta iris mata terbagi atas sektor-sektor, masing-masing sektor berhubungan dengan bagian tubuh tertentu. Jika dianalogikan, peta iris mata mirip sebuah jam tiap pergeseran 15 menit merupakan bagian zona tubuh yang berbeda [6]. Gambar 1 menunjukkan pemetaan organ tubuh ke iris mata.

Gambar 1. The eye body connection [5]

2.2. Ekualisasi histogram

Ekualisasi Histogram digunakan untuk citra dengan kontras yang buruk. Ekualisasi menyebabkan sebuah histogram dengan puncak yang terkelompok dalam jarak yang berdekatan berubah menjadi histogram yang tersebar pada jarak yang lebih lebar dan lebih rata. Penyebaran dan perataan histogram menyebabkan piksel dengan warna gelap tampak lebih gelap, dan piksel dengan warna terang akan semakin terang [2]. Persamaan yang digunakan dapat dilihat pada persamaan 1 dan 2.

(1)

(2)

dimana : Pr = Peluang grayscale pada derajat ke ‘k’; nk = Jumlah grayscale pada derajat ke ‘k’; n = Jumlah piksel image (Tinggi Citra * Lebar Citra); Sk = Akumulasi drajat ke-k dari Pr ke-j hingga ke k

2.3. Operator sobel

Perubahan intensitas yang besar dalam jarak singkat dipandang sebagai fungsi yang memiliki kemiringan yang besar. Kemiringan fungsi biasanya dilakukan dengan menghitung turunan pertama / gradien. Salah satu operator gradien pertama yaitu operator sobel [8]. Operator Sobel adalah magnitudo dari gradien yang dihitung dengan

(3)

(4)

(5)

dengan konstanta c = 2. Arah tepi dihitung dengan persamaan

(6)

Pada penelitian ini Operator Sobel digunakan untuk mendapatkan batas tepi iris dan struktur jaringan iris.

2.4. Pengubah citra cartesian ke citra polar

Metode ini digunakan untuk meribah citra berbentuk lingkaran dengan diameter R, menjadi citra persegi panjang dimana panjangnya adalah sama dengan sudut 0-360 derajat, dan lebarnya adalah jari-jari linkaran [6]. Persamaan yang digunakan adalah:

xi(θ)= x0 + ri * cos(θ) (7) yi(θ) = y0 + ri * sin(θ) (8)

dimana: x0, y0 adalah titik pusat lingkaran; θ adalah sudut 0 s/d 360o; r sama dengan jari-jari lingkaran.

2.5. Jaringan saraf tiruan backpropagation

Jaringan Saraf Tiruan Backpropagation adalah sebuah jaringan saraf tiruan yang menggunakan arsitektur multilayer feed-forward dan dilatih menggunakan algoritma Backpropagation [9]. Contoh arsitektur jaringan saraf tiruan ini dapat dilihat pada Gambar 2.

Gambar 2. Backpropagation Net dengan dua hidden layer [1]

2.5.1. Algoritma pelatihan backpropagation. Tahap-tahap dari algoritma pelatihan Backpropagation adalah sebagai berikut [1, 3]:

Feed-forward Phase (7 langkah)Langkah 0: Inisialisasi weight (setiap weight diberi nilai random antara 0 - 1) dan tentukan learning rate Langkah 1: Selama kondisi berhenti belum terpenuhi lakukan langkah 2-13Langkah 2: Lakukan Langkah 3-13 sebanyak jumlah pelatihan yang diinginkanLangkah 3: Untuk output layer dan setiap hidden layer lakukan langkah 4-13 Langkah 4: Hitung input setiap node pada hidden layer

(9)

dimana: z_inj = jumlah total input untuk node ke-j; n = jumlah node pada hidden layer sebelumnya, untuk yang pertama n adalah jumlah node input; xi = nilai node ke-i yang dikeluarkan oleh hidden layer sebelumnya, untuk yang pertama xi adalah input yang diterima oleh sistem; wij = bobot yang menghubungkan antara node ke-i dan node ke-j

Langkah 5: Hitung output setiap node pada hidden layer dengan fungsi aktifasi(10)

(11)

or

(12)

dimana: zj = output dari node ke-j

Langkah 6: Hitung input setiap node pada output layer(13)

dimana: y_ink = jumlah total input untuk node ke-k; n = jumlah node hidden layer sebelum output layer;wjk = bobot yang menghubungkan antara node ke-j dan node ke-k

Langkah 7: Hitung output pada setiap node pada output layer(14)

dimana: yk = output dari node ke-k

Error-backpropagation Phase (6 langkah)Langkah 8: Hitung error setiap node pada output layer dengan fungsi deaktifasi

(15)

dimana: = error pada node ke-k; tk = target ke-k

(16)or

(17)

Langkah 9: Hitung perubahan bobot pada setiap node pada setiap output layer(18)

dimana: = perubahan bobot yang menghubungkan node ke-j dan node ke-k; = learning rate yang merupakan nilai antara 0 – 1.

Langkah 10: Hitung error setiap node pada hidden layer dengan fungsi deaktifasi

(19)

dimana: = error pada node ke-j

Langkah 11: Hitung perubahan bobot pada setiap node pada setiap hidden layer(20)

dimana: = perubahan bobot yang menghubungkan node ke-j dan node ke-k

Langkah 12: Update bobot pada setiap node pada output layer

(21)Langkah 13: Update bobot pada setiap node pada setiap hidden layer

(22)

3. DESAIN APLIKASI

Desain aplikasi dapat dilihat pada blok diagram di Gambar 3.

Gambar 3. Blok Diagram Aplikasi

3.1. Proses pengolahan citra

Citra yang di-inputkan ber-format Bitmap (*.bmp) berupa gambar close-up mata manusia. Selanjutnya citra akan dikenai segmentation, untuk mendapatkan bagian iris mata saja. Bentuk segmentation berupa elips, karena iris manusia pada umumnya tidak benar-benar bulat.

Pada proses segmentation dilakukan penentuan posisi awal pemotongan dan posisi akhir pemotongan secara manual. Setelah mendapatkan 2 posisi tersebut, dibuatlah daerah pemotongan yang berbentuk elips. Citra yang dipakai adalah bagian yang ada didalam daerah elips, sedangkan citra yang berada diluar daerah pemotongan akan dibuang.

Proses yang selanjutnya adalah proses enhancement, dengan tujuan kualitas citra nampak lebih jelas atau lebih baik. Pada proses enhancement dilakukan dengan Metode Ekualisasi Histogram.

Pada proses menggunakan operator sobel dilakukan konvolusi antara citra dengan suatu mask dengan ukuran matiks 3x3, lalu dilakukan penghitungan. Dari hasil akhir perhitungan, jika dibawah 200, hasil = 0 dan jika diatas 200, hasil = 255. Tujuan dari proses ini untuk mendapatkan batas tepi iris dan struktur jaringan iris, seperti pada Gambar 4.

Gambar 4. Proses Grayscale, Ekualisasi Histogram dan Operator Sobel

Selanjutnya adalah proses Polarisasi yang bertujuan untuk merubah citra iris menjadi tidak berbentuk lingkaran, melainkan persegi panjang, dimana panjangnya adalah sudut 0-360 derajat, dan lebarnya adalah jari-jari iris dikurangi dengan jari-jari pupil. Proses ini dapat dilihat pada Gambar 5.

Gambar 5. Proses Polarisasi

3.2. Proses pengambilan sample

Sample bagian iris untuk bagian organ tertentu dilakukan secara manual dengan menentukan sudut awal, sudut akhir, P% (Persentase Letak Titik Pusat Organ) dan K% (Persentase Ketebalan dihitung dari Titik Pusat Organ). Karena tujuan penelitian difokuskan pada pankreas, maka default nilai adalah lokasi iris mata untuk bagian pankreas. Contoh Proses Pengambilan Sample dapat dilihat pada Gambar 6.

Gambar 6. Pengambilan Sample Iris Mata untuk organ Pankreas

3.3. Proses jaringan saraf tiruan

Jaringan Saraf Tiruan Feed-Forward yang dipakai dilatih menggunakan algoritma Backpropagation pada sub-bab 2.5.1. Desain input node dan output node jaringan saraf tiruan ini adalah sebagai berikut:

3.3.1. Input node. Citra yang akan dilatihkan / dikenali dipecah terlebih dahulu dalam beberapa region sesuai jumlah kolom dan baris region yang ditentukan secara manual.

Jumlah node input layer dihasilkan dari pengalihan jumlah kolom dan baris region serta ditambahkan 9 node dari id organ (0-511 dalam bentuk binary) dengan persepsi dapat menampung 512 jenis organ. Menurut teori tiap 15 menit = tiap sudut 7.5 ° dari 360 °, terdapat 48 jenis , jika tiap 7.5 ° terbagi atas 3 daerah maka 48x3 = 144, 2 iris (Kanan-Kiri) 144 x 2 = 288 jenis, merupakan bagian zona tubuh yang berbeda [5].

Masukan untuk tiap node input yang terhubung dengan tiap region citra, yang akan dilatihkan / dikenali, berupa angka dari 0 s/d 1. Angka tersebut merepresentasikan prosentase jumlah pixel hitam pada tiap region.

3.3.2. Output node. Output Node / Target Key terdiri dari 31 digit angka binary dari 5 data, yaitu:

Citra mata: kiri atau kanan (0/1) Sudut awal: antara 0 hingga 359 Sudut akhir: antara 0 hingga 359 Titik Pusat Organ: antara 0 hingga 100 Kondisi Normal / Abnormal (0/1)

Misal: Organ Pankreas, Target Key adalah: 1100011000110010000000011000000. Pembagian Target Key secara detail dapat dilihat pada Tabel 1.

Tabel 1. Penjelasan Contoh bentuk Target Key (untuk Pankreas)

4. PENGUJIAN

Pengujian aplikasi dibagi menjadi 2 macam pengujian, yaitu: Pertama, dengan sample iris mata dari organ pankreas abnormal dan normal yang telah dilatihkan (Gambar 7). Berikutnya pengujian menggunakan sample iris mata dari organ pankreas abnormal dan normal yang tidak dilatihkan (Gambar 8).

Gambar 7. Citra iris mata yang telah dilatihkan (Data 1 s/d 10 untuk abnormal

dan 11 s/d 20 untuk normal)

Gambar 8. Citra iris mata yang tidak dilatihkan (Data 1 s/d 8 untuk abnormal dan 9 s/d 14 untuk normal)

Hasil pengujian, dengan tingkat keberhasilan 100% dapat dilihat pada Tabel 2 dan Tabel 3. Pengujian dilakukan dengan setting input node 1 region untuk tiap citra dan 4 hidden layer.

Tabel 2. Hasil Pengujian dengan sample citra iris mata yang telah dilatihkan.

Tabel 3. Hasil Pengujian dengan sample citra iris mata yang tidak dilatihkan.

Data Ke(Testing)

MSEHasil

Abnormal Normal1 0.008491764 0.548094982 Abnormal2 0.052027341 0.093535607 Abnormal3 0.006979413 0.482299307 Abnormal4 0.008851508 0.275498269 Abnormal5 0.059744001 0.082273192 Abnormal6 0.00658207 0.458761059 Abnormal7 0.034694413 0.128478938 Abnormal8 0.030163078 0.141176396 Abnormal9 0.238975678 0.003404919 Normal10 0.248619954 0.002828175 Normal11 0.102105807 0.042713968 Normal12 0.258438072 0.002428394 Normal13 0.240570742 0.003296501 Normal14 0.223303545 0.004759629 Normal

5. KESIMPULAN DAN SARAN PENGEMBANGAN

5.1. Kesimpulan

a. Kualitas sample sangat mempengaruhi keberhasilan aplikasi dalam mengenali normal atau abnormal sebuah organ tubuh manusia dilihat dari iris matanya. Menurut ilmu iridologi, bagian iris mata yang ”tanpa lubang” / ”bersih” menandakan normalnya organ tubuh yang berkorelasi dengannya.

b. Dari beberapa percobaan tentang jumlah hidden layer yang dilakukan, dapat disimpulkan jumlah hidden layer yang terbaik adalah 4 hidden layer. Hasil pengujian pengenalan terhadap citra iris mata yang telah dilatihkan maupun tidak dilatihkan pada 4 hidden layer sebesar 100% berhasil.

c. Dari pengujian jumlah region, dapat disimpulkan bahwa sebaiknya citra yang di-input-kan dianggap sebagai 1 region saja, karena percobaan menghasilkan ketepatan pengenalan sebesar 100%.

d. Dari semua hasil pengujian dapat disimpulkan bahwa software aplikasi ini dapat digunakan untuk analisa organ pankreas. Hal ini diperkuat dengan asumsi pakar iridologi yaitu Bapak Ferry J. Ngantung yang mengatakan bahwa batas kesalahan yang ditolerir adalah max 15%.

5.2. Saran Pengembangan

a. Perbaikan pada metode pengolahan citra yang dipakai dapat dilakukan, sehingga aplikasi dapat lebih ”tahan error” bila citra iris mata yang digunakan memiliki kualitas yang kurang baik.

b. Penggunaan aplikasi dapat ditingkatkan untuk mengenali normal / abnormal dari organ tubuh lain. Walaupun pengujian aplikasi ini hanya terbatas untuk organ pankreas, karena sample iris mata yang dipunyai hanya untuk organ pankreas, aplikasi ini telah didisain untuk mengakomodasi pengenalan pada seluruh bagian iris mata kiri dan kanan.

6. DAFTAR PUSTAKA[1] Fausett, Laurene, Fundamentals Of Neural Networks, Englewood Cliff: New Jersey, Prentice Hall, 1994.[2] Gonzalez, Rafael C. and Richard E. Woods, Digital Image Processing, New Jersey: Prentice Hall, 1992.[3] Gregorius S. Budhi, Ibnu Gunawan dan Steven Jaowry, “Metode Jaringan Saraf Tiruan Backpropagation untuk

Pengenalan Huruf Cetak pada Citra Digital“, Prosiding National Conference’04, 30 Agustus 2004.[4] Jensen, Bernard, The Science And Practice Of Iridology, California: Bernard Jensen Enterprises, 1989.[5] Juper Sinaga, ”Peta Mata”, Iridologi Online, 2005. http://www.iridologi.8k.com. (2 Mei 2005)[6] M. Basyir, Dadet Pramadihanto dan Mauridhi Hery Purnomo, ”Pengembangan Instrumentasi Untuk Analisa

Perubahan Abnormal Organ Tubuh Melalui Iris Mata”, Surabaya: Proceedings Of SITIA, 2005.[7] Mohamad Hatta Abu Bakar,”Carta Mata”, 2001. http://www.geocities.com/mansor_ahmad/main.htm (2 Mei 2005)[8] Munir, Rinaldi, Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Bandung: Informatika Bandung, 2004.[9] Rao, Hayagriva V. and Valluru B. Rao, C++ Neural Networks And Fuzzy Logic, New York: Henry Holt and

Company, 1993.

Data Ke(Training)

MSE HasilAbnormal Normal

1 0.007726693 0.297943009 Abnomal2 0.008408369 0.544960013 Abnomal3 0.008837469 0.560715968 Abnomal4 0.006263669 0.433591984 Abnomal5 0.024947182 0.958196406 Abnomal6 0.023341305 0.165296681 Abnomal7 0.006044497 0.398367768 Abnomal8 0.057705209 0.085065962 Abnomal9 0.008981105 0.565800615 Abnomal10 0.007574057 0.511013158 Abnomal11 0.258438072 0.002428394 Normal12 0.258438072 0.002428394 Normal13 0.258438072 0.002428394 Normal14 0.258438072 0.002428394 Normal15 0.258438072 0.002428394 Normal16 0.258438072 0.002428394 Normal17 0.258438072 0.002428394 Normal18 0.258438072 0.002428394 Normal19 0.258438072 0.002428394 Normal20 0.258438072 0.002428394 Normal