IDENTIFIKASI FRAKTUR PADA TULANG TIBIA DAN FIBULA

IDENTIFIKASI FRAKTUR PADA TULANG TIBIA DAN FIBULA

MENGGUNAKAN ALGORITMA SUPPORT

VECTOR MACHINE (SVM)

SKRIPSI

WAHYUDI SETIAWAN

121402034

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2018

Universitas Sumatera Utara




SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi

WAHYUDI SETIAWAN

121402034

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2018


iii

iv

PERNYATAAN




SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa

kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 27 Juli 2018

Wahyudi Setiawan

121402034


v

UCAPAN TERIMA KASIH

Puji dan syukur penulis sampaikan kehadirat Allah Subhanahu wa Ta’ala yang telah

memberikan rahmat dan petunjuk-Nya sehingga penulis dapat menyelesaikan skripsi

ini sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi S1

Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas

Sumatera Utara.

Pertama, penulis ingin mengucapkan terima kasih kepadakedua orang tua

penulis, yaitu Ayahanda Rantimin dan Ibunda Kartinem yang telah membesarkan

penulis dengan sabar dan penuh kasih sayang, yang selalu memberikan doa dan

dukungan moril maupun materil serta memberikan motivasi terbesar kepada penulis

sehingga penulis dapat menyelesaikan skripsi ini. Terima kasih juga penulis ucapkan

kepada adik penulis Ely Irmaya dan Beny Winata, yang selalu memberikan semangat

kepada penulis dan juga seluruh anggota keluarga penulis.

Tidak lupa pula penulis ucapkan terima kasih kepada Bapak Romi Fadillah

Rahmat, B.Comp.Sc., M.Sc selaku pembimbing pertama dan Ibu Dr. Erna Budhiarti

Nababan, M.IT, selaku pembimbing kedua yang telah membimbing penulis dalam

penelitian serta penulisan skripsi ini. Ibu Sarah Purnamawati, ST., MSc sebagai dosen

pembanding pertama dan Bapak Ainul Hizriadi, S.Kom, M.Sc sebagai dosen

pembanding kedua yang telah memberikan masukan dan kritik yang membangun dan

bermanfaat dalam penulisan skripsi ini.Ucapan terima kasih juga ditujukan kepada

Ketua dan Sekretaris Program Studi Teknologi Informasi, Dekan dan Pembantu

Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, dan semua dosen serta

pegawai di lingkungan program studi Teknologi Informasi, yang telah membantu serta

membimbing penulis selama proses perkuliahan.

Terima kasih juga kepada sahabat penulis Nurhikmah tidak lelah

mengingatkan penulis untuk mengerjakan skripsi ini, Ade Ayu Lestari, Muhammad

Wardana, Bobby Arisandy Avif, Ridwan Harun, Qurotta, dan Muhammad

Fachruddin, yang telah memberikan dukungan dan memberikan nasihat kepada

penulis. Teman-teman seperjuangan mahasiswa Teknologi Informasi USU khususnya


vi

angkatan 2012 yang telah memberikan dukungan dan bantuan selama masa

perkuliahan.

Semoga Allah Subhanahu wa Ta’ala melimpahkan berkah dan rahmat-Nya

kepada semua pihak yang telah memberikan bantuan, perhatian serta dukungan dan

motivasinya kepada penulis dalam menyelesaikan skripsi ini.

Medan, 27 Juli 2018

Penulis


vii

ABSTRAK

Fraktur merupakan suatu kondisi medis dimana terdapat kerusakan pada kontinuitas

tulang, retak atau terputusnya keutuhan tulang, yang umumnya disebabkan oleh

trauma. Fraktur dapat terjadi pada setiap tingkatan umur, yang beresiko tinggi untuk

terjadinya fraktur adalah orang lanjut usia, orang yang bekerja yang membutuhkan

keseimbangan, masalah gerakan dan pekerjaan yang beresiko tinggi. Fraktur tibia dan

fibula sering terjadi dibandingkan fraktur tulang lainnya, karena periosteum pada

bagian tulang ini hanya dilapisi kulit tipis. Salah satu cara untuk mengidentifikasi

fraktur adalah dengan melihat gambar hasil X-ray. Adapun pemeriksaan masih

dilakukan secara manual oleh dokter. Pemeriksaan manual masih memerlukan waktu

cukup lama dan kesalahan identifikasi masih sering terjadi karena terdapat beberapa

kasus fraktur yang sulit untuk dilihat secara pandangan langsung, sehingga dibutuhkan

suatu pendekatan dengan menggunakan metode untuk mengidentifikasi fraktur dan

lokasi fraktur secara otomatis dan untuk meningkatkan akurasi pada proses

identifikasi. Metode yang diajukan pada penelitian ini adalah Support Vector Machine

(SVM) untuk identifikasi fraktur dan algoritma Scanline untuk mengidentifikasi lokasi

fraktur pada tulang. Sebelum tahap identifikasi, citra akan melalui tahapan, yaitu

preprocessing, segmentasi dan feature extraction dengan menggunakan metode

Invariant Moments. Setelah dilakukan pengujian dengan menggunakan 20data citra X-

raydengan pembagian 10 citra tulang normal dan 10 citra frakturdidapatkan

kesimpulan bahwa metode yang diajukan mampu mengidentifikasi fraktur dan lokasi

fraktur dengan persentase akurasi sebesar 95%.

Kata kunci : fraktur, tibia dan fibula, invariant moments, scanline, support vector

machine


viii

IDENTIFICATION OF BONE FRACTURE OF TIBIA AND FIBULA

USING SUPPORT VECTOR MACHINE (SVM) ALGORITHM

ABSTRACT

Fructure is a medical condition where there’s a damaged inflicted in the continuity of

the bone. Fructure of the bone generally is caused by traumatic blow. Fracture can

happen to all range of ages, but is commonly found in elderly and people who needs

tool to work with their balancing problems, movement problems, and high risk jobs.

Moreover, the fracture of tibia (shankbone) and fibula (calf bone) is the most common

case compare to other bones, because the periosteum (a membrane that covers the

outer surface of all bones) in this bone is very thin. One of the way to identify this

fracture is to view the image result through X-ray, Other than that the identification

will need doctor’s manual assistance. These manually done procedure takes a lot of

time and the identification result is not accurate in some cases especially in the case

where the fracture can’t be seen with bare eyes in the X-ray image. Thus, a more

efficient method is needed to identify fracture and its location to boost the accuracy in

the identification proses. This research implemented the Support Vector Machine

algorithm (SVM) to identify the fracture and Scanline algorithm to identify the

location of the fracture. Before the identification process, the image will go through

the preprocessing stage, segmentation stage and feature extraction stage with the

Invariant Moments method. After testing with 20 X-ray image which have 10 normal

bone image and 10 fractured bone can be concluded that the proposed method can be

used to identify fractures with an accuracy percentage of 95%.

Keywords: fracture, tibia and fibula, invariant moments, scanline, support vector

machine.


ix

DAFTAR ISI

Halaman

Persetujuan iii

Pernyataan iv

Ucapan Terima Kasih v

Abstrak vii

Abstract viii

Daftar Isi ix

Daftar Tabel xi

Daftar Gambar xii

Bab 1 Pendahuluan

1.1. Latar Belakang 1

1.2. Rumusan Masalah 3

1.3. Batasan Masalah 3

1.4. Tujuan Penelitian 4

1.5. Manfaat Penelitian 4

1.6. Metodologi Penelitian 4

1.7. Sistematika Penulisan 5

Bab 2 Landasan Teori

2.1. Tulang Tibia dan Fibula 7

2.1.1. Tulang Tibia 7

2.1.2. Tulang Fibula 8

2.2. Fraktur 8

2.2.1.Klasifikasi Fraktur 9

2.3. Pengolahan Citra Digital 10

2.3.1. Grayscaling 11

2.4. Canny Edge Detection 12

2.5. Invariant Moments 13


x

2.6. Support Vector Machine 15

2.7. Algoritma Scanline 19

2.8. Penelitian Terdahulu 21

Bab 3 Analisis dan Perancanngan Sistem

3.1. Arsitektur Umum 25

3.2. Dataset 26

3.3. Preprocessing 27

3.3.1. Grayscaling 27

3.4. Segmentasi 30

3.5. Ekstraksi Fitur 31

3.6. Identifikasi 33

3.7. Deteksi Lokasi 41

3.8. Perancangan Sistem 43

3.8.1. Diagram Aktifitas Sistem 43

3.8.2. Perancangan Antarmuka 46

3.8.2.1. Perancangan Tampilan Awal 46

3.8.2.2. Perancangan Tampilan Halaman Pengujian 47

3.8.2.3. Perancangan Tampilan Halaman Pelatihan 48

Bab 4 Implementasi dan Pengujian Sistem

4.1. Implementasi Sistem 50

4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak 50

4.1.2. Implementasi Perancangan Antarmuka 50

4.2. Prosedur Operasional 52

4.3. Pengujian Sistem 58

Bab 5 Kesimpulan dan Saran

5.1. Kesimpulan 66

5.2. Saran 67

Daftar Pustaka 68


xi

DAFTAR TABEL

Halaman

Tabel 2.1. Penelitian Terdahulu 22

Tabel 3.1. Pembagian citra yang digunakan sebagai dataset 26

Tabel 3.2. Pembagian data latih 27

Tabel 3.3. Pembagian data uji 27

Tabel 3.5. Contoh data training 34

Tabel 3.6. Transpose data 34

Tabel 3.7. Perbandingan data 35

Tabel 3.8. Hasil perhitungan kernel 37

Tabel 3.9. Matrik 38

Tabel 3.10. Hasil perhitnungan nilai error 38

Tabel 3.11. Hasil perhitnungan delta alpha 39

Tabel 3.12. Contoh data uji 40

Tabel 4.1. Proses dan hasil pengujian untuk citra kondisi fraktur 59

Tabel 4.2. Proses dan hasil pengujian untuk citra kondisi normal 61

Tabel 4.3. Confusion Matrix 63

Tabel 4.4. Nilai Evaluasi Sistem 64


xii

DAFTAR GAMBAR

Halaman

Gambar 2.1. Piksel 5x5 13

Gambar 2.2. Cara Kerja SVM 16

Gambar 2.3. Arsitektur Support Vector Machine 18

Gambar 2.4. Ilustrasi Proses Algoritma Scanline 20

Gambar 3.1. Arsitektur Umum 26

Gambar 3.2. Representasi piksel citra normal 28

Gambar 3.3. Citra 9 (3x3) piksel 28

Gambar 3.4. Nilai grayscaling pada 9 piksel (3x3) 29

Gambar 3.5. Hasil konversi citra rgb menjadi grayscaling 29

Gambar 3.6. Citra biner hasil deteksi tepi canny 30

Gambar 3.7. Nilai piksel hasil deteksi tepi canny 30

Gambar 3.8. Arsitektur SVM pada proses identifikasi fraktur 33

Gambar 3.9. Citra hasil dari proses algoritma Scanline 42

Gambar 3.10. Diagram aktifitas sistem 44

Gambar 3.11. Rancangan tampilan halaman awal sistem 46

Gambar 3.12. Rancangan tampilan halaman utama pengujian sistem 47

Gambar 3.13. Rancangan tampilan halaman pelatihan 49

Gambar 4.1. Tampilan halaman awal 51

Gambar 4.2. Tampilan halaman pengujian 51

Gambar 4.3. Tampilan halaman pelatihan 52

Gambar 4.4. Tampilan saat menu diklik 52

Gambar 4.5. Tampilan saat tombol uploaddiklik memilih directory data latih 53

Gambar 4.6. Tampilan pemilihan directory data latih dan data normal 53

Gambar 4.7. Tampilan saat data latih citra fracture& normal di pilih 54

Gambar 4.8. Tampilan saat data latih citra fracture& normal di Training 54

Gambar 4.9. Tampilan ketika tombol buka citra di pilih 55

Gambar 4.10. Tampilan ketika tombol Grayscale di pilih 56


xiii

Gambar 4.11. Tampilan ketika tombol Deteksi Tepi di pilih 56

Gambar 4.12. Tampilan ketika tombol Ekstraksi Ciri di pilih 57

Gambar 4.13. Tampilan ketika tombol Identifikasi di pilih 57

Gambar 4.14. Grafik Pengujian Sistem 64


BAB 1

PENDAHULUAN

1.1.Latar Belakang

Tulang atau kerangka adalah penopang tubuh manusia. Tanpa tulang, pasti tubuh kita

tidak bisa tegak berdiri. Tulang mulai terbentuk sejak bayi dalam kandungan,

berlangsung terus sampai dekade kedua dalam susunan yang teratur. Tulang berfungsi

sebagai kerangka tubuh yang kaku, dan memberikan tempat perlekatan pada otot dan

organ yang terdapat pada tubuh seseorang. Aktivitas yang terlalu berlebihan dapat

menyebabkan terjadinya fraktur pada tulang kita. Fraktur merupakan patah tulang

yaitu terputusnya keutuhan tulang umumnya akibat trauma, tenaga fisik, kecelakaan,

osteoporosis dan kanker tulang. Fraktur digolongkan sesuai jenis dan arah garis

fraktur. Fraktur tulang terjadi ketika kekuatan yang diberikan terhadap tulang lebih

kuat dari tulang dapat menanggung sehingga mengganggu struktur dan kekuatan

tulang yang dapat menimbulkan rasa sakit, pendarahan dan cedera di sekitar lokasi.

Tulang kering atau disebut juga tibia, adalah satu dari dua tulang yang lebih besar

dan lebih kuat yang berada di bawah lutut tulang yang satunya lagi adalah fibula, yang

menghubungkan lutut dengan tulang pergelangan kaki. Pada fraktur tibia dan fibula

lebih sering terjadi dibanding fraktur tulang lainnya karena periost yang melapisi

permukaan tulang tibia tipis dan berada langsung dibawah kulit, terutama pada daerah

depan yang hanya dilapisi kulit tipis sehingga tulang ini mudah terbentur sehingga

sering retak bahkan patah.

Untuk mendiagnosis fraktur banyak alat pencitraan medis yang dapat digunakan,

salah satu yang paling sering digunakan adalah X-ray dan Computed Tomography

(CT). Dokter menggunakan gambar X-ray untuk memeriksa apakah terjadi fraktur dan

untuk menemukan lokasi dari fraktur tersebut.


Namun pemeriksaan ini masih tergolong manual dan membutukan waktu yang cukup

lama. Ditambah kualitas dari gambar X-ray yang memiliki noise dapat memungkinkan

terjadinya kesalahan dalam diagnosis.

Pendekatan teknologi yang digunakan untuk membantu pembacaaan hasil

pemeriksaan radiologi X-ray fracture tibia dan fibula dengan menerapkan algoritma

Support Vector Machine (SVM) sebagai pendeteksi keberadaan fraktur secara manual

yang di deteksi melalui hasil image X-ray.Penelitian sebelumnya yang berkaitan

dengan identifikasi fraktur, diantaranya dilakukan untuk mendeteksi fraktur pada

gambar X-ray tulang tibia. Penelitian ini mengusulkan teknik fusion-classification

dengan mengabungkan 3 metode klasifikasi yaitu Feed Forward Back Propagation

Neural Networks (BPNN), Support Vector Machine (SVM) dan Naïve Bayes (NB)

untuk mendeteksi apakah terdapat fraktur atau tidak. Dari hasil penelitian tersebut

membuktikan bahwa penggabungan metode tersebut menunjukkan hasil akurasi yang

cukup baik dalam mendeteksi patah tulang dan kecepatan deteksi (Mahendran et al.

2011).Penelitian selanjutnya menggunakan gambar X-ray dari tulang femur untuk

mengklasifikasi apakah gambar tulang tersebut normal atau patah, berdasarkan nilai

parameter yang diperoleh dari nilai GLCM. Akurasi yang di peroleh dari penelitian ini

seberasar 87% (Vijayakumar et al. 2013). Pada penelitian Simanjuntak, S.E, (2016)

Metode yang diajukan pada penelitian ini adalah menggunakan Algoritma Scanline

untuk identifikasi lokasi fraktur dan ekstraksi fitur menggunakan deteksi Canny. Pada

penelitian ini ditunjukkan bahwa metode yang diajukan mampu melakukan

identifikasi lokasi fraktur tulang tibia dan fibula dengan akurasi 87,5%.Penelitian

selanjutnya menggunakan pendekatan Wavelet untuk mendeteksi lokasi fraktur pada

gambar X-Ray. Multilevel Wavelet yang digunakan untuk menemukan fraktur dari

gambar X-Ray tulang hanya dapat mendeteksi bagian dari fraktur tulang. Tingkat

akurasi dari penelitian ini sebesar 89.6% (Kuar et al. 2016). Pada penelitian

selanjutnya yaitu mendeteksi fraktur pada gambar X-Ray tulang kering. Penelitian ini

membahas kinerja hough transform yang diterapkan pada tepi gambar untuk

menemukan garis lurus dan sudut di mana potongan tulang ditemukan, setiap tepi titik

ditransformasikan ke semua baris yang tersedia. Setelah itu, sistem akan menentukan

apakah terdapat fraktur atau tidak pada gambar X-Ray tulang tersebut. Tingkat akurasi

yang diperoleh dari penelitian ini cukup akurat dan efisien (Myint et al. 2016).


3

Support Vector Machine (SVM) merupakan metode klasifikasi yang mencari support

vector terbaik yang memisahkan dua buah class dengan margin terbesar. SVM secara

konseptual merupakan classifier yang bersifat linier tetapi dapat dimodifikasi dengan

menggunakan kernel (fungsi yang memudahkan proses pengklasifikasian data)

sehingga dapat menyelesaikan permasalahan yang bersifat tidak linier (non linier).

Penggunaan metode Support Vector Machine mampu mengenali pola huruf hijaiyah

tulisan tangan dengan akurasi terbaik untuk metode ekstraksi ciri ZCZ (Nadya,2016

dengan akurasi sebesar 90 %.

Pada penelitian ini, penulis mengajukan algoritma Support Vector Machine (SVM)

untuk mengidentifikasi fraktur tulang tibia dan fibula. Dimana pemrosesan awal

dilakukan untuk meningkatkan kualitas citra, kemudian untuk proses ekstraksi fitur

menggunakan Moment Invariant dan dilanjutkan proses identifikasi fraktur pada citra

digital tulang menggunakan algoritma Support Vector Machine (SVM) dan deteksi

lokasi fraktur dengan Algoritma Scanline.

1.2.Rumusan Masalah

Fraktur adalah terputusnya keutuhan tulang, umumnya akibat trauma. salah satu cara

yang digunakan untuk identifikasi lokasi fraktur adalah dengan melihat gambar

fraktur tulang melalui foto rontgen atau X-ray. Kemudian, dianalisis secara manual

oleh ahli Radiologi. Analisis yang dilakukan secara manual yang dilakukan oleh ahli

radiologi sering mengalami kesulitan dalam membaca X-ray, adanya letak patahan

yang tidak dapat dilihat oleh kasat mata serta kualitas gambar yang banyak

mengandung noise dan penglihatan secara pandangan mata sangat terbatas untuk

melihat hasil dari X-ray. Untuk itu, diperlukan suatu pendekatan yang dapat

membantu ahli radiologi dalam mengidentifikasi fraktur pada citra digital tulang.

1.3.Batasan Masalah

Penelitian ini memiliki batasan-batasan atau ruang lingkup permasalahan yang akan

diteliti. Batasan-batasan yang dimaksud adalah:

a. Citra input yang di gunakan adalah citra sekunder hasil X-ray dalam format .JPG

b. Resolusi citra yang diolah adalah 100 x 400 pixel.

c. Bagian fraktur yang diteliti adalah tulang tibia dan fibula pada kaki kiri dan kanan

orang dewasa.

d. Aplikasi dihasilkan berbasis desktop.


4

1.4.Tujuan Penelitian

Adapun Tujuan dari penelitian ini adalah untuk mengidentifikasi fraktur pada tulang

tibia dan fibula dengan menggunakan Support Vector Machine (SVM).

1.5.Manfaat Penelitian

Manfaat dari penelitian ini adalah :

a. Membantu ahli radiologi mengidentifikasi fraktur pada citra tulang tibia dan

fibula.

b. Sebagai bahan pembelajaran dan referensi untuk penelitian-penelitian lain

dibidang image processing.

c. Sarana untuk menerapkan ilmu pengetahuan yang diperoleh penulis selama

menjalani perkuliahan.

1.6.Metodologi Penelitian

Adapun tahapan – tahapan yang akan dilakukan pada penelitian ini adalah :

1. Studi Literatur

Pada tahapan ini dilakukan pengumpulandan mempelajari informasi yang

diperoleh dari buku, skripi, jurnal, dan berbagai sumber informasi lainnya.

Informasi yang berkaitan dengan penelitian tersebut seperti Greyscalling, Canny,

Invariant Moment untuk pengambilan ciri, Support Vektor Machine (SVM) dan

Algoritma Scanline untuk mendeteksi lokasi fraktur.

2. Analisis Permasalahan

Pada tahapan ini dilakukan analisis terhadap tahapan sebelumnya yaitu studi

literatur dimana dilakukannya pengumpulan bahan referensi untuk mendapatkan

pemahaman tentang metode yang akan digunakan dalam menyelesaikan

permasalahan yaitu mengidentifikasi fraktur pada tulang tibia dan fibula.

3. Perancangan

Pada tahap selanjutnya yaitu tahapan perancangan atas hasil analisis

permasalahan yang dilakukan pada tahapan sebelumnya. Perancangan yang

dilakukan seperti perancangan arsitektur dan antarmuka sistem.


5

4. Implementasi

Pada tahap ini dilakukan implementasi dari analisis yang telah dilakukan dalam

bentuk pembangunan program sesuai dengan perancangan dan alur yang telah

ditentukan.

5. Pengujian

Pada tahap ini dilakukan pengujian terhadap sistem yang telah dibuat guna untuk

menguji seberapa mampu Support Vektor Machine (SVM) dalam hal

mengidentifikasi fraktur pada tulang tibia dan fibula.

6. Penyusunan Laporan

Pada tahap akhir dilakukan penulisan laporan dari keseluruhan penelitian yang

telah dilakukan.

1.7.Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari lima bagian, yaitu sebagai berikut :

Bab 1: Pendahuluan

Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan

penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penelitian.

Bab 2: Landasan Teori

Bab ini berisi tentang teori-teori penunjang yang digunakan untuk dapat memahami

permasalahan pada penelitian ini yaitu menjelaskan teori image processing,

Greyscalling, Canny, Scanline, Invariant Moment untuk pengambilan ciri dan Support

Vektor Machine (SVM) dan Algoritma Scanline untuk identifikasidan juga berisi

tentang penelitian terdahulu.

Bab 3: Analisis dan Perancangan

Bab ini berisi tentang analisis dari arsitektur umum serta analisis dari metode yang

digunakan yaitu metode Support Vektor Machine (SVM) dan Algoritma Scanline dan

penerapannya dalam hal mengidentifikasi fraktur pada tulang tibia dan fibula.


6

Bab 4: Implementasi dan Pengujian

Bab ini membahas tentang implementasi dari hasil analisis dan perancangan sistem

yang dibahas pada bab sebelumnya dan serta membahas tentang hasil pengujian

terhadap sistem yang telah dibangun.

Bab 5: Kesimpulan dan Saran

Bab ini berisi tentang kesimpulan dari keseluruhan penelitian yang telah dilakukan

dan saran yang diajukan untuk pengembangan untuk penelitian berikutnya.



BAB 2

LANDASAN TEORI

Bab ini berisi tentang teori-teori dasar serta penelitian terdahulu yang berkaitan

dengan penerapan Support Vektor Machine (SVM) untuk mengidentifikasi fraktur

tulang tibia dan fibula.

2.1.Tulang Tibia dan Tulang Fibula

Kaki bagian bawah manusia yang menghubungkan antara pergelangan kaki dengan

lutut terdiri dari dua tulang yaitu tulang kering (tibia) dan tulang betis (fibula).

2.1.1 Tulang Tibia

Tulang kering (tibia) adalah tulang besar dan lebih kuat yang ditemukan di kaki

bagian bawah pada vertebrata yang menghubungkan pergelangan kaki dengan lutut,

seperti pada manusia. Tulang tibia juga berfungsi untuk membentuk bagian dari

kerangka pada kaki bagian bawah, di mana ia mendukunggerakan kaki, menciptakan

titik di mana otot-otot yang dimasukkan, menyimpan mineral dan menghasilkan sel-

sel darah dalam sumsum tulang. Tubuh vertebrata mengandung satu tulang tibia di

setiap kaki. Tibia adalah tulang pipa dengan sebuah batang dan dua ujung.

Ujung atas memperlihatkan adanya kondil medial dan kondil lateral. Kondi-kondil

ini merupakan bagian yang paling atas dan paling pinggir dari tulang. Permukaan

superior memperlihatkkan dua dataran permukaan persendian untuk femur dalam

formasi sendi lutut. Kondil lateral memperlihatkan posterior sebuah faset untuk

persendian dengan kepala fibula pada sendi tibio-fibuler superior. Kondil-kondil ini di

sebelah belakang dipisahkan oleh lekukan popliteum. Batang dalam irisan melintang

bentuknya. Sisi anteriornya paling menjulang dan sepertiga sebelah tengah terletak

subkutan. Bagian ini membentuk krista tibia.


Ujung bawah masuk dalam formasi persendian mata kaki. Tulang sedikit melebar dan

kebawah sebelah medial menjulang menjadi maleolus medial atau maloelus tibiae.

Sebelah depan tibia halus dan tendon-tendon menjulur di atasnya ke arah kaki (Evelyn

C.Pearche, 2005).

2.1.2. Tulang Fibula

Tulang Fibula merupakan tulang tungkai bawah yang terletak disebelah lateral dan

bentuknya lebih kecil sesuai os ulna pada tulang lengan bawah. Arti kata fibula adalah

kurus atau kecil. Tulang ini panjang, sangat kurus dan gambaran korpusnya bervariasi

diakibatkan oleh cetakan yang bervariasi dari kekuatan otot – otot yang melekat pada

tulang tersebut. Tidak urut dalam membentuk sendi pergelangan kaki, dan tulang ini

bukan merupakan tulang yang turut menahan berat badan (Smeltzer, 2008).

Dibandingkan dengan tibia, fibula memiliki panjang yang sama namun sangat tipis.

Perbedaan ketebalan sesuai dengan peran dari dua tulang kaki tersebut. Tibia

membawa beban tubuh dari lutut ke pergelangan kaki, sementara fibula hanya

berfungsi sebagai pendukung tibia. Tulang fibula tidak membawa banyak berat tubuh,

namun tulang ini memainkan peran penting dalam menstabilkan pergelangan kaki dan

mendukung otot-otot kaki bagian bawah (BCH, 2017).

2.2. Fraktur

Fraktur atau patah tulang merupakan masalah yang sering terjadi di masyarakat.

Fraktur adalah terputusnya kontinuitas tulang, retak atau patahnya tulang yang utuh,

yang biasanya disebabkan oleh trauma (rudapaksa) atau tenaga fisik yang ditentukan

jenis dan luasnya trauma (Lukman & Ningsih, 2009). Fraktur dapat terjadi pada setiap

tingkatan umur, yang beresiko tinggi untuk terjadinya fraktur adalah orang lanjut usia,

orang yang bekerja yang membutuhkan keseimbangan, masalah gerakan dan

pekerjaan yang beresiko tinggi (Reeves et al. 2001).

Trauma yang menyebabkan tulang patah dapat berupa trauma langsung dan

trauma tidak langsung. Trauma langsung menyebabkan tekanan langsung pada tulang

dan terjadi fraktur pada daerah tekanan. Trauma tidak langsung, apabila trauma

dihantarkan ke daerah yang lebih jauh dari daerah fraktur, misalnya jatuh dengan

tangan ekstensi dapat menyebabkan fraktur pada klavikula, pada keadaan ini biasanya

jaringan lunak tetap utuh.


9

Fraktur kruris merupakan fraktur yang terjadi pada tibia dan fibula. Fraktur

tertutup adalah suatu fraktur yang tidak mempunyai hubungan dengan dunia luar.

Maka fraktur kruris tertutup adalah terputusnya kontinuitas jaringan tulang, tulang

rawan sendi maupun tulang rawan epifisis yang terjadi pada tibia dan fibula yang

tidak berhubungan dengan dunia luar. Fraktur kruris merupakan fraktur yang sering

terjadi dibandingkan dengan fraktur pada tulang panjang lainnya. Periosteum yang

melapisi tibia agak tipis terutama pada daerah depan yang hanya dilapisi kulit

sehingga tulang ini mudah patah dan biasanya fragmen frakturnya bergeser karena

berada langsung dibawah kulit sehingga sering juga ditemukan fraktur terbuka.

2.2.1 Klasifikasi Fraktur

1. Fraktur berdasarkan derajat atau luas garis fraktur terbagi menjadi :

a. Fraktur complete, dimana tulang patah terbagi menjadi dua bagian (fragmen)

atau lebih.

b. Fraktur incomplete (parsial). Fraktur parsial terbagi lagi menjadi :

Fissure/Crack/Hairline, tulang terputus seluruhnya tetapi masih di tempat,

biasa terjadi di tulang pipih.

Greenstick Fracture, biasa terjadi pada anak-anak dan pada os. radius, ulna,

clavikula dan costae.

2. Berdasarkan garis patah atau konfigurasi tulang :

a. Transversal, garis patah tulang melintang sumbu tulang (80-1000 dari sumbu

tulang).

b. Oblik, garis patah tulang melintang sumbu tulang (<800 atau >1000 dari

sumbu tulang).

c. Longitudinal, garis patah mengikuti sumbu tulang.

d. Spiral, garis patah tulang berada di dua bidang atau lebih.

e. Comminuted, terdapat dua atau lebih garis fraktur.

3. Berdasarkan hubungan antar fragmen fraktur :

a. Undisplace, fragment tulang fraktur masih terdapat pada tempat anatomisnya

b. Displace, fragmen tulang fraktur tidak pada tempat anatomisnya, terbagi atas:

1) Shifted Sideways, menggeser ke samping tapi dekat

2) Angulated, membentuk sudut tertentu


10

3) Rotated, memutar

4) Distracted, saling menjauh karena ada interposisi

5) Overriding, garis fraktur tumpang tindih

6) Impacted, satu fragmen masuk ke fragmen yang lain.

4. Secara umum berdasarkan ada tidaknya hubungan antara tulang yang fraktur

dengan dunia luar, fraktur juga dapat dibagi menjadi 2, yaitu :

a. Fraktur tertutup, apabila kulit diatas tulang yang fraktur masih utuh.

b. Fraktur terbuka, apabila kulit diatasnya tertembus dan terdapat luka

yangmenghubungkan tulang yang fraktur dengan dunia luar yang

memungkinkan kuman dari luar dapat masuk ke dalam luka sampai ke tulang

sehingga cenderung untuk mengalami kontaminasi dan infeksi.

2.3 Pengolahan Citra Digital

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi

yang kontinu menjadi gambar diskrit melalui proses sampling. Menurut para ahli citra

adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra

sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto,

bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau

bersifat digital yang dapat langsung disimpan pada suatu media penyimpan. (Sutoyo

et al, 2009). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus

(continue) atas intensitas cahaya pada bidang dua dimennsi. Sumber cahaya

menerangi objek, objek memantulkan kembali seluruh atau sebag ian berkas cahaya

kemudian ditangkap oleh alat optis atau elektro optis (Murni dkk, 1992).

Pengolahan citra digital adalah suatu kegiatan pemrosesan gambar digital dengan

tujuan memperbaiki kualitas suatu gambar agar lebih mudah diinterpretasi oleh mata

manusia ataupun mesin. Berdasarkan tujuannya, pengolahan citra digital dapat dibagi

menjadi beberapa jenis antara lain sebagai berikut:

1. Perbaikan kualitas citra, misalnya menambah atau mengurangi kontras,

mempertajam gambar, atau memberikan warna semu.

2. Penghilang cacat pada citra, seperti menghilangkan noise dan blur.

3. Mengompres citra dengan tujuan mengurangi kapasitas gambar pada saat

restorasi.


11

4. Segmentasi citra, yaitu membagi citra menjadi beberapa segmen dengan

kriteria tertentu, biasanya dipakai untuk pengenalan pola pada mesin

otomatis, robot, dan sebagainya.

5. Anilisis citra, yaitu dengan mengekstraksi ciri-ciri citra tertentu untuk

keperluan pengenalan dan identifikasi objek, contohnya adalah pendeteksi

tepi objek pada gambar.

6. Rekonstruksi citra, yaitu membentuk ulang objek hasil proyeksi, misalnya

oleh sinar X.

Pengolahan citra dilakukan dengan tujuan bagaimana mengolah dan menganalisi citra

agar memperoleh citra yang berkualitas tinggi sehingga dapat meningkatkan dan

memberikan informasi baru yang lebih bermanfaat tentang citra tersebut. Beberapa

teknik pengolahan citra yang digunakan pada penelitian ini adalah sebagai berikut.

2.3.1 Grayscaling

Dalam pengolahan citra, mengubah warna citra menjadi citra grayscale digunakan

untuk untuk menyederhanakan model citra. Citra berwarna memiliki 3 komposisi

warna yaitu red (R), green (G), dan blue (B). Tiga komponen tersebut dirata-rata

supaya mendapatkan citra grayscale, dalam citra ini, tidak ada lagi warna yang ada

hanya derajat keabuan (Mardianto, 2008).

Citra skala keabuan (grayscaling) mempunyai nilai minimum (biasanya=0) dan

nilai maksimum. Banyaknya kemungkinan nilai minimum dan maksimum bergantung

pada jumlah bit yang digunakan (umumnya menggunakan 8 bit). Contohnya untuk

skala keabuan 4 bit, maka jumlah kemungkinan nilainya adalah 24 = 16, dan nilai

maksimumnya adalah 24-1 = 15, sedangkan untuk skala keabuan 8 bit, maka jumlah

kemungkinan nilainya adalah 28 = 256, dan nilai maksimumnya adalah 2

8 – 1 = 255.

Persamaan yang digunakan untuk mengkonversi citra berwarna menjadi citra skala

keabuan adalah sebagai berikut (Basuki, 2005).

(2.1)

G = ( R + G + B ) / 3


12

Keterangan :

G = nilai hasil grayscaling

R = nilai red dari sebuah piksel

G = nilai green dari sebuah piksel

B = nilai blue dari sebuah piksel

2.4. Canny Edge Detection

Canny Edge Detection merupakan salah satu metode yang digunakan dalam proses

pengenalan pola pada pengolahan citra. Deteksi tepi merupakan proses untuk

memperjelas tepi-tepi objek yang ada pada gambar. Canny merupakan deteksi tepi

yang menggunakan multi tahap algoritma untuk mendeteksi berbagai tepidalan suatu

citra. Metode ini dikembangkan oleh John F. Canny pada tahun 1986.Canny

menggunakan Gausian Derrivative Kernel untuk memperhalus tampilan sebuah

gambar. Keunggulan Canny dibandingkan dengan deteksi tepi lainnya (Yodha &

Kurniawan, 2014), sebagai berikut:

Good detection, memaksimalkan Signal to Noise Ration (SNR) agar semua tepi

dapat terdeteksi dengan baik.

Good location, jarak antara piksel tepi yang terdeteksi dan piksel tepi nyata harus

diminimalkan.

One respon to single edge, hanya menghasilkan tepi tunggal / tidak

memberikantepi yang bukan tepi sebenarnya.

Langkah – langkah mendeteksi tepi Canny (Putra & Prapitasari, 2011), yaitu:

Langkah 1

Langkah pertama yang harus dilakukan adalah menyaring dan membuang noise pada

gambar. Gaussian filter digunakan untuk tujuan ini.

Langkah 2

Setelah menghaluskan gambar dan menyingkirkan noise, langkah selanjutnya adalah

menemukan tepi dengan menggunakan gradient dari gambar tersebut.

Langkah 3

Menentukan arah tepian berdasarkan gradient.

Langkah 4

Setelah arah tepian ditemukan, langkah selanjutnya adalah merelasikan arah tepiannya


13


14

dan y = baris dan kolom

= nilai intensitas citra

Momen pusat Mean ( ) merupakan momen yang bersesuaian dengan pusat area.

Untuk mendapatkan momen pusat pada suatu citra dinyatakan pada persamaan 2.3.

∑ ∑

Dimana : =

=

Setelah nilai momen pusat diperoleh maka dilakukan proses normalisasi dengan

menggunakan persamaan 2.4

=

Dimana : =

=

Setelah didapat nilai normalisasi momen pusat dari setiap objek, kemudian nilai

tersebut dapat didefinisikan kedalam sekumpulan momen-momen invarian (Invariant

Moments). Persamaan dari momen tersebut dilakukan dengan persamaan 2.5.

=

=

[

]

[

]

[

]

[

]

[

]

(2.3)

(2.5)

(2.4)


15

2.6. Support Vector Machine

Support Vector Machine (SVM) juga dikenal sebagai teknik pembelajaran mesin

(machine learning) paling mutakhir setelah pembelajaran mesin sebelumnya yang

dikenal sebagai Neural Network. Pembelajaran dilakukan dengan menggunakan

pasangan data input dan data output berupasasaran yang diinginkan. Pembelajaran

dengan cara ini disebut dengan pembelajaran terarah (supervised learning). Dengan

pembelajaran terarah iniakan diperoleh fungsi yang menggambarkan bentuk

ketergantungan input dan outputnya. Selanjutnya, diharapkan fungsi yang diperoleh

mempunyai kemampuan generalisasi yang baik, dalam arti bahwa fungsi tersebut

dapat digunakan untuk data input di luar data pembelajaran (Nugroho, A.S et,al 2003).

SVM dipilih sebagai algoritma identifikasi pada penelitian ini karena algoritma ini

memiliki waktu dalam melakukan pembelajaran yang tinggi dan sangat optimal dalam

melakukan pengidentifikasian. Metode ini secara matematis memiliki proses yang

tidak terlalu sulit dibanding algoritma sejenis. Hal ini membuat SVM lebih mudah

untuk diimplementasikan ke dalam sistem dibanding algoritma lainnya.

SVM pada dasarnya dirancang untuk pengklasifikasian secara binary, tetapi

berhasil dikembangkan untuk pengklasifikasian mulit-class. Hal ini menjadi penting,

karena bisa mengklasifikasi lebih dari satu kelas tidak hanya mengurangi tingkat error

tetapi juga mempercepat proses adaptasi dan pengklasifikasiannya. SVM melakukan

pengklasifikasian dengan memetakan kelas-kelas dan mencari garis pemisahnya.

Garis pemisah yang biasa disebut hyperplane akan menjadi variabel utama dalam

pengklasifikasian. Data yang telah dilatih akan berbentuk vektor-vektor data yang

disebut support vector. Support vector ini merupakan nilai data terdekat yang akan

dijadikan pedoman dalam pengklasifikasian yang dipisahkan oleh hyperlane. Data

yang masuk akan mencari hyperlane terlebih dahulu, untuk kemudian diarahkan oleh

hyperlane ke support vector dengan nilai terdekat. Data yang cocok akan

menghasilkan sebuah informasi berguna yang sesuai dengan kebutuhan dan tujuan

sistem dibuat. Cara kerja SVM dapat dilihat pada gambar 2.2


16


17

(2.10)

Dasar pemikiran metode SVM adalah :

1. Garis hyperplane yang optimal yang memisahkan pola secara linier.

2. Pemisahan pola yang non-linier menggunakan penambahan fungsi kernel.

Secara Matematika, formulasi problem optimisasi SVM untuk kasus klasifikasi

didalam primal space adalah :

Subject to

Dimana xi merupakan data masukan dari yi merupakan keluaran, sedangkan b

merupakan parameter yang kita cari nilainya.

Banyak teknik data mining atau machine learning yang dikembangkan dengan

asumsi kelinieran, sehingga algoritma yang dihasilkan terbatas untuk kasus-kasus yang

linier (Santosa, 2007). SVM dapat bekerja pada data non-linier dengan menggunakan

pendekatan kernel pada fitur data awal himpunan data. Fungsi kernel yang digunakan

untuk memetakan dimensi awal (dimensi yang lebih rendah) himpunan data ke

dimensi baru (dimensi yang relatif lebih tinggi). Fungsi kernel yang umum digunakan

adalah sebagai berikut :

1. Kernel Linier

2. Polynomial

3. Kernel Gaussian Radial Basic Function (RBF)

4. Kernel Sigmoid

( ) ( )

Pada SVM (Support Vector Machine) untuk klasifikasi disebut SVC (Support

Vector Classification). Klasifikasi adalah proses untuk menemukan model atau fungsi

yang menjelaskan atau membedakan konsep kelas data dengan tujuan untuk

(2.6)

(2.7)

(2.8)

(2.9)

(2.11)


18

memperkirakan kelas yang tidak diketahui dari suatu objek. Arsitektur SVM dapat

dilihat pada Gambar 2.3.

Gambar 2.3. Arsitektur Support Vector Machine (Gusfan, et al. 2015)

Arsitektur SVM memiliki beberapa layer, diantaranya yaitu inputlayer, hidden layer,

dan output layer. Pada input layer jumlah neuron pada lapisan ini sama dengan jumlah

parameter (variabel) yang dibutuhkan untuk menggambarkan input bentuk yang dapat

dipisah. Nilai dari variabel ini diperoleh dari hasil ekstraksi ciri setiap data yang diuji.

Kemudian pada hidden layer dilakukan proses penghitungan kernel kedekatan jarak

antara vektor bobot dengan vektor input. Vektor bobot adalah nilai dari data latih

setiap kelasnya sedangkan vektor input merupakan nilai ekstraksi ciri data yang diuji.

Secara umum dalam proses klasifikasi memiliki dua proses yaitu:

1. Proses training: pada proses training digunakan training set yang telah

diketahui label-labelnya untukmembangun model atau fungsi.

2. Proses testing: untuk mengetahui keakuratan model atau fungsi yang akan

dibangun pada proses training, maka digunakan data yang disebut dengan

testing set untuk memprediksi label-labelnya.

Untuk melakukan proses identifikasi maka perlu dilakukan pemodelan SVM untuk

menguji data training dan data testing. Data training dihitung dengan menggunakan

salah metode penyelesaian training data SVM yaitu Sequential Minimal Optimization

(SMO). Adapun langkah-langkah umum dari metode penyelesaian training ini adalah :


19

1. Menginisiasi nilai awal:

2. Hitung matriks dengan rumus:

( )

Keterangan:

= elemen matriks ke-ij.

= kelas data ke-i.

= kelas data ke-j.

= batas teoritis yang akan diturunkan.

3. Menghitung nilai error dengan rumus :

∑

Keterangan :

= Nilai error data ke i

4. Menghitung nilai delta alpha dengan rumus :

{ [ ] }

5. Menghitung nilai dengan menggunakan rumus :

2.7. Algoritma Scanline

Algoritma Scanline terdiri dari kelas khusus dari teknik geometrik transformasi yang

beroperasi hanya sepanjang baris dan kolom. Algoritma Scanline merupakan

Algoritma Hidden Surface Removal yang digunakan untuk memecahkan masalah

penggunaan memori yang besar dengan satu baris scan untuk memproses semua

permukaan objek. Algoritma Scanline akan men-sweeping layar dari atas ke bawah

(Simanjuntak, 2016).

Sebuah baris scan horizontal bidang di coba untuk semua permukaan dari objek.

Perpotongan antara baris scan dan permukaan adalah berupa sebuah garis. Algoritma

Scanline melakukan scan dengan arah sumbu sehingga memotong semua permukaan

bidang dengan arah sumbu dan kemudian membuang garis-garis yang tersembunyi.

(2.13)

(2.12)

(2.14)

(2.15)

(2.16)


20


21

2.8. Penelitian Terdahulu

Penelitian sebelumnya yang berkaitan dengan identifikasi lokasi fraktur, diantaranya

pernah dilakukan untuk mendeteksi fraktur pada gambar X-ray tulang tibia. Penelitian

ini mengusulkan teknik fusion-classification dengan mengabungkan 3 metode

klasifikasi yaitu Feed Forward Back Propagation Neural Networks (BPNN), Support

Vector Machine (SVM) dan Naïve Bayes (NB) untuk mendeteksi apakah terdapat

fraktur atau tidak. Dari hasil penelitian tersebut membuktikan bahwa penggabungan

metode tersebut menunjukkan hasil akurasi yang cukup baik dalam mendeteksi patah

tulang dan kecepatan deteksi (Mahendran et al. 2011).

Penelitian selanjutnya menggunakan gambar X-ray dari tulang femur untuk

mengklasifikasi apakah gambar tulang tersebut normal atau patah, berdasarkan nilai

parameter yang diperoleh dari nilai GLCM. Akurasi yang di peroleh dari penelitian ini

seberasar 87% (Vijayakumar et al. 2013).

Penelitian selanjutnya yaitu mengidentifikasi lokasi fraktur pada citra X-ray tulang

tibia dan fibula mengunakan Algoritma Scanline. Pada pemrosesan awal dilakukan

dengan meningkatkan kualitas citra, kemudian dengan menggunakan deteksi tepi

canny dilakukan proses ekstraksi fitur untuk menemukan ciri kusus dari tulang yang

akan digunakan untuk proses identifikasi. Tingkat akurasi pada penelitian ini sebesar

87.5% (Simanjuntak, 2016).

Penelitian selanjutnya menggunakan pendekatan Wavelet untuk mendeteksi lokasi

fraktur pada gambar X-ray. Multilevel Wavelet yang digunakan untuk menemukan

fraktur dari gambar X-ray tulang hanya dapat mendeteksi bagian dari fraktur tulang.

Tingkat akurasi dari penelitian ini sebesar 89.6% (Kaur et al. 2016).

Pada penelitian selanjutnya yaitu mendeteksi fraktur pada gambar X-Ray tulang

kering. Penelitian ini membahas kinerja hough transform yang diterapkan pada tepi

gambar untuk menemukan garis lurus dan sudut di mana potongan tulang ditemukan,

setiap tepi titik ditransformasikan ke semua baris yang tersedia. Setelah itu, sistem

akan menentukan apakah terdapat fraktur atau tidak pada gambar X-Ray tulang

tersebut. Tingkat akurasi yang diperoleh dari penelitian ini cukup akurat dan efisien

(Myint et al. 2016).

Support Vector Machine (SVM) merupakan metode klasifikasi yang mencari

support vector terbaik yang memisahkan dua buah class dengan margin terbesar. SVM


22

secara konseptual merupakan classifier yang bersifat linier tetapi dapatdimodifikasi

dengan menggunakan kernel (fungsi yang memudahkan proses pengklasifikasian data)

sehingga dapat menyelesaikan permasalahan yang bersifat tidak linier (non linier).

Penggunaan metode Support Vector Machine mampu mengenali pola huruf hijaiyah

tulisan tangan dengan akurasi terbaik untuk metode ekstraksi ciri ZCZ (Nadya, 2016)

dengan akurasi sebesar 90%.

Rangkuman dari penelitian terdahulu dapat dilihat pada Tabel 2.1

Tabel 2.1. Penelitia Terdahulu

No. Peneliti Tahun Metode Keterangan

1 S.K.Mahendran

& S.Santhosh

Baboo

2011 Feed Forward Back

Propagation Neural

Networks (BPNN),

Support Vector

Machine Classifiers

(SVM) & Naïve

Bayes Classifiers

(NB)

Data yang digunakan

adalah data gambar X-

raydari tulang tibia.

Penelitian ini

menggabungkan beberapa

metode klasifikasi.

Penggabungan dari

beberapa metode

menunjukkan hasil yang

lebih baik dalam hal

kecepatan deteksi patah

tulang.

2 R.Vijayakumar

& G. Gireesh

2013 Gray Level Co-

occurrence Matrix

(GLCM)

Tulang yang di deteksi

adalah X-ray tulang

femur.

Tujuannyamengklasifikasi

apakah tulang tersebut

normal atau patah.

Tingkat akurasi dari

penelitian ini 87 %.


23

Tabel 2.1. Penelitia Terdahulu (Lanjutan)


3 Susi Elfrida S 2016 Deteksi tepi Canny&

Algoritma Scanline

Data yang digunakan

gambar X-raydari fraktur

tulang tibia.

Proses identifikasi untuk

menentukan lokasi fraktur

dari tulang tibia dan fibula

menggunakan Scanline.

Tingkat akurasi pada

penelitian ini 87,5%.

4 Tanudeep

Kaur &

Anupam Garg

2016 Hough Transform &

Multilevel Wavelet

Data yang digunakan

adalah data citra X-ray

tulang.

Pendekatan Multilevel

Wavelet digunakan untuk

mendeteksi lokasi fraktur

pada citra X-ray.


penelitian ini89.6 %.

5 San Myint,

Aung Soe

Khaing, &

HlaMyo Tun

2016 Metode deteksi tepi

Canny &

Transformasi Hough

Data yang digunakan

adalah data citra X-ray

tulang kering.

Penelitian ini

menggunakan

transformasi hough untuk

menentukan fraktur atau

tidak.

Hasil akurasi sistem yang

diusulkan sangat akurat

dan efisien.


24

Tabel 2.1. Penelitia Terdahulu (Lanjutan)


6 Nadya Amelia 2016 Image Centroid and

Zone (ICZ), Zone

Centroid and Zone

(ZCZ) dan Support

Vector Machine

(SVM)

Data yang digunakan

gambar tulisan tangan

huruf hijaiyah.

Proses identifikasi untuk

mengenali tulisan dengan

menggunakan SVM.


penelitian ini 90%.

Berdasarkan dari beberapa penelitian yang sudah di lakukan sebelumnya, maka pada

penelitian ini penulis menggunakan metode Support Vector Machine (SVM) untuk

mengidentifikasi apakah tulang tibia dan fibula tersebut fraktur atau normal dengan

memanfaatkan invariant moment sebagai ekstraksi ciri dan identifikasi lokasi fraktur

dengan menggunakan Algoritma Scanline. Diharapkan dengan menggunakan metode

ini dapat menghasilkan sistem identifikasi dengan akurasi yang lebih baik.




BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Pada bab ini dibahas mengenai analisis dari arsitektur umum dan metode yang

digunakan yaitu algoritma Support Vector Machine (SVM) dan algoritma Scanline

serta penerapannya dalam hal mengidentifikasi fraktur pada citra tulang tibia dan

fibula. Pada bab ini juga dibahas perancangan tampilan antarmuka sistem.

3.1. Arsitektur Umum

Proses identifikasi fraktur citra tulang tibia dan fibula pada penelitian ini terdiri dari

beberapa langkah. Langkah-langkah tersebut dimulai dari pengumpulan data citra

fraktur dan normal yang akan digunakan untuk dataset pelatihan dan dataset

pengujian. Pengolahan citra terdiri dari Grayscaling, segmentasi, ekstraksi ciri,

identifikasi, dan penentuan lokasi fraktur.

Proses pengolahan citra dimulai dari grayscaling mengubah warna citra menjadi

abu-abu atau hitam dan putih,segmentasi menggunakan deteksi tepi canny, ekstraksi

ciri menggunakan moment invariant, identifikasi menggunakan SVM, dan penentuan

lokasi fraktur menggunakan algoritma scanline. Diagram alir sistem identifikasi

tulang tibia dan fibula ditunjukkan pada Gambar 3.1.


Gambar 3.1. Arsitektur umum

3.2. Dataset

Citra yang digunakan dalam penelitian ini diperoleh dari penelitian sebelumnya, data

tersebut didapat dari rumah sakit umum yang ada di kota Medan. Dimensi dari citra

yang digunakan adalah 100x400 pixel dengan format joint photographic group (jpg).

Seluruh data berjumlah 135 citra, dimana pembagian data ditunjukkan pada tabel

berikut.

Tabel 3.1. Dataset

No. Citra X-ray Tulang Tibia dan Fibula Jumlah Citra

1 Fraktur 100

2 Normal 35

Grayscaling

Canny Edge Detection

Image Segmentation

Proses

Pre-Processing Image

Image enhaccement

Input

Input citra X-ray

training data set

Input citra X-ray

testing data set

Feature Extraction

Moment Invariant

Support Vector Machine

Identification

Scanline

Deteksi Lokasi

Output

Hasil Identifikasi

Citra Tulang


27

Tabel 3.2. Data Latih


1 Fraktur 90

2 Normal 25

Tabel 3.4. Data Uji


1 Fraktur 10

2 Normal 10

Seluruh citra tersebut baik citra latih maupun citra uji kemudian diolah sehingga

diperoleh suatu sistem yang mampu mengidentifikasi lokasi fraktur secara otomatis.

Sistem yang dikembangkan pada penelitian ini terdiri dari dua tahapan utama yaitu

pelatihan dan pengujian. Pada tahapan pelatihan digunakan 115 citra tulang tibia dan

fibula yang terdiri dari 90 citra tulang kondisi fraktur dan 25 citra tulang kondisi

normal. Tahapan pelatihan terdiri dari proses baca citra, konversi citra rgb menjadi

grayscale, perbaikan kualitas citra, deteksi tepi, ekstraksi ciri, klasifikasi, dan

penentuan lokasi fraktur.

3.3. Preprocessing

Sebelum data digunakan, data terlebih dahulu diproses melalui tahapan pengolahan

citra yang bertujuan untuk menghasilkan citra yang lebih baik untuk diproses

ketahapan selanjutnya.

3.3.1. Grayscaling

Tahapan pelatihan diawali dengan membaca seluruh citra tulang tibia dan fibula yang

ada pada data latih. Pertama proses grayscaling citra tulang merupakan citraRGB,

untuk mendapatkan citra grayscale, maka 3 komponen tersebut dirata-ratakan, dalam

citra tidak ada lagi warna melainkan hanya derajat keabuan. Setiap piksel yang

terdapat pada citra diwakili 24 bit,yang masing-masing memiliki 8-bit warna yang

berada pada 0 (00000000) sampai 255 (11111111). Gambar 3.2 merupakan

representasi piksel pada citra tulang tibia dan fibula.


28


29


30


31

Setelah objek-objek citra didapatkan, objek citra dihitung ketujuh Hu Invariant

Moments nya, ketujuh nilai dinormalisasi sehingga dapat digunakan.

Sebagai contoh objek citra pada gambar 3.2 digunakan sebagai data citra inputan

dan lokasi objek dalam citra ditunjukan pada gambar 3.6 serta data objek citra yang

digunakan untuk perhitungan adalah citra satu chanel warna keabuan 8bit.

3.5. Ekstraksi Fitur

Pada proses ekstraksi ciri, dilakukan penghitungan nilai moment invariant terhadap

citra biner hasil segmentasi. Setelah proses pengolahan citra dilakukan tahap

berikutnya yaitu mengekstraksi fitur atau ciri dari hasil tahapan akhir pengolahan

citra. Ekstraksi fitur pada penelitian ini menggunakan metode invariant moments.

Langkah awal yang dilakukan untuk mendapatkan nilai invariant moments yaitu

dengan menghitung nilai momen dari citra. Nilai momen yang dicari merupakan hasil

akhir dari tahap pengolahan citra yaitu canny edge detection yang berukuran 100x400

piksel. Gambar yang digunakan potongan adalah gambar 3.5. penghitungan nilai

momen dilakukan dengan menggunakan persamaan 2.2. Nilai momen yang dicari

adalah , , dan untuk setiap objek yang ada.

∑ ∑

Nilai momen yang diperoleh menggunakan persamaan 2.2 adalah sebagai berikut.

695217.0 2.8890943E7 1.58404658E8

Setelah nilai momen dan diperoleh, maka langkah berikutnya yaitu

menghitung nilai momen pusat dengan menggunakan persamaan 2.3.

∑ ∑

Dimana : =

=


32

Nilai momen pusat yang diperoleh dari persamaan 2.3, dimana nilai dari

dan adalah sebagai berikut.

1. = 2.735461699994162E8

2. = 4.346951030831737E8

3. = 9.719116756570135E9

4. = 7.276289957362335E9

5. = -3.942218400349191E11

6. = -1.137597457590645E10

7. = -2.348558667746482E9

Setelah nilai momen pusat , , , , , , dan diperoleh selanjutnya

akan dilakukan proses normalisasi nilai momen pusatdengan menggunakan persamaan

2.4.

=

Dimana : =

=

Dari hasil normalisasi momen pusat , , , , , , dan pada

Gambar 3.5 diperoleh nilai normalisasi sebagai berikut.

1. = 5.659653873172104E-4

2. = 8.993815646619662E-4

3. = 0.02010879435645232

4. = 1.8055480019766295E-5

5. = -9.782271731631517E-4

6. = -2.8228490462068607E-5

7. = -5.827743856996758E-6

Tahap terahir yaitu menghitung nilai invariant moments , karena nilai yang

diperoleh sangat kecil maka nilai tersebut didefinisikan kedalam fungsi

seperti pada persamaan 2.6, agar dapat terlihat perbedaan dari setiap nilai.


33

Hasil dari persamaan tersebut berupa tujuh nilai invariant moments dari ekstraksi

Gambar 3.5 sebagai berikut:

1. = 6.0607

2. = 31.9199

3. = 6.7058

4. = 7.1397

5. = 71.6570

6. = 37.6369

7. = 4.0904

Setelah nilai invariant moments diperoleh, maka nilai tersebut akan menjadi nilai

input yang akan digunakan pada proses identifikasi fraktur selanjutnya.

3.6. Identifikasi

Nilai moment invariant yang diperoleh kemudian digunakan sebagai nilai masukan

dalam algoritma SVM . Pada penelitian ini proses klasifikasi dilakukan menggunakan

algoritma Support Vector Machine (SVM). Algoritma ini digunakan untuk

mengklasifikasikan citra dalam kelas kondisi fraktur dan normal.

Arsitektur SVM dari proses identifikasi yang akan dilakukan dapat dilihat pada

Gambar 3.8.

∑

Gambar 3.8. Arsitektur SVM pada proses identifikasi fraktur

Vector x

X1 X2 X5 X7 Input Layer

(Image)

Hidden Layer

(Kernel) K(X1,X) K(X2,X) K(X3,X)

Output

….

.

X3 X4 X6

K(X4,X) K(X5,X) K(X6,X) K(X7,X)

Bias

𝑏

< 𝑤 𝑥 > < 𝑤 𝑥 >


34

Berikut nilai data masukan yang di ambil dari data uji.

langkah-langkah umum dari metode penyelesaian algoritma SVM ini adalah :

1. Menginisiasi awal untuk nilai α, C, epsilon, gamma, dan lamda α =0.5 C = 0,

epsilon = 0.01, gamma = 0.2, lamda =1.5

2. Memasukkan data uji dari nilai fitur Humoment invariant.

Tabel 3.5 Contoh data training

Dimana 1 adalah label fraktur dan 0 adalah label normal.

3. Menentukan dot product setiap data dengan memasukkan fungsi kernel (K).

Rumus fungsi kernel yang umum seperti pada persamaan (2.8) sampai dengan

persamaan (2.11). Fungsi kernel digunakan adalah fungsi kernel linier.

Sebelumnya data di transpose karena menggunakan perkalian matriks A x AT.

Tabel 3.6. Transpose data

A1 A2 A3 A4

6.1977 5.8812 4.4051 4.4661

33.5218 30.7042 16.1428 17.4270

6.2507 14.6489 1.1144 0.4608

7.0312 14.4001 0.7175 0.9179

66.9796 200.9863 0.3989 0.6471

38.4120 79.7231 2.2967 3.8308

3.6780 7.3056 -0.2457 -0.1268

Pada metode kernel, data tidak direpresentasikan secara individual, melainkan lewat

perbandingan antara sepasang data. Setiap data akan dibandingkan dengan dirinya dan

data lainnya. Kita misalkan untuk data berjumlah 4 data maka perbandingan datanya

seperti terlihat pada tabel 3.7

No X1 X2 X3 X4 X5 X6 X7 Y

A1 6.1977 33.5218 6.2507 7.0312 66.9796 38.4120 3.6780 1

A2 5.8812 30.7042 14.6489 14.4001 200.9863 79.7231 7.3056 1

A3 4.4051 16.1428 1.1144 0.7175 0.3989 2.2967 -0.2457 0

A4 4.4661 17.4270 0.4608 0.9179 0.6471 3.8308 -0.1268 0


35

Tabel 3.7. Perbandingan data

A1 A2 A3 A4

A1 K(A1,A1) K(A1,A2) K(A1,A3) K(A1,A4)

A2 K(A2,A1) K(A2,A2) K(A2,A3) K(A2,A4)

A3 K(A3,A1) K(A3,A2) K(A3,A3) K(A3,A4)

A4 K(A4,A1) K(A4,A2) K(A4,A3) K(A4,A4)

Berikut contoh perhitungan dengan data A1 sampai A4 :

K (A1, A1) = ((6.1977*6.1977)+(33.5218*33.5218)+(6.2507*6.2507)

+(7.0312*7.0312) + (66.9796*66.9796)+(38.4120*38.4120)+

(3.6780*3.6780)) = 7225.90782862

K (A2, A1) = ((5.8812*6.1977)+(30.7042*33.5218)+( 14.6489*6.2507)+

(14.4001*7.0312)+(200.9863*66.9796)+(79.7231*38.4120)+

(7.3056*3.6780)) = 17809.70152063

K (A3, A1) = ((4.4051*6.1977)+(16.1428*33.5218)+(1.1144*6.2507)+

(0.7175*7.0312)+(0.3989*66.9796)+(2.2967*38.4120)+

(-0.2457*3.6780))= 694.48318563

K (A4, A1) = ((4.4661*6.1977)+(17.4270*33.5218)+(0.4608*6.2507)+

(0.9179*7.0312)+(0.6471*66.9796)+(3.8308*38.4120)+

(-0.1268*3.6780)) = 811.22303597

K (A1, A2) = ((6.1977*5.8812)+(33.5218*30.7042)+(6.2507*14.6489)+

(7.0312*14.4001)+(66.9796*200.9863)+(38.4120*79.7231)+(3.6780*

7.3056)) = 17809.70152063

K (A2, A2) =((5.8812*5.8812)+(30.7042*30.7042)+(14.6489*14.6489)+

(14.4001*14.4001)+(200.9863*200.9863)+(79.7231*79.7231)+

(7.3056*7.3056)) =48203.92681496


36

K (A3, A2) =((4.4051*5.8812)+(16.1428*30.7042)+(1.1144*14.6489)+

(0.7175*14.4001)+(0.3989*200.9863)+(2.2967*79.7231)+

(-0.2457*7.3056)) = 809.69433271

K (A4, A2) = ((4.4661*5.8812)+(17.4270*30.7042)+(0.4608*14.6489)+

(0.9179*14.4001)+(0.6471*200.9863)+(3.8308*79.7231)+

(-0.1268*7.3056)) = 1015.85132176

K (A1, A3) =((6.1977*4.4051)+(33.5218*16.1428)+(6.2507*1.1144)+

(7.0312*0.7175)+(66.9796*0.3989)+(38.4120*2.2967)+

(3.6780*(-0.2457))) = 694.48318563

K (A2, A3) = ((5.8812*4.4051)+( 30.7042*16.1428)+( 14.6489*1.1144)+

(14.4001*0.7175)+(200.9863*0.3989)+( 79.7231*2.2967)+

(7.3056*(-0.2457))) = 809.69433271

K (A3, A3) = ((4.4051*4.4051)+(16.1428*16.1428)+(1.1144*1.1144)+

(0.7175*0.7175)+(0.3989*0.3989)+( 2.2967*2.2967)+

(-0.2457*(-0.2457))) = 287.24591205

K (A4, A3) = ((4.4661*4.4051)+( 17.4270*16.1428)+( 0.4608*1.1144)+

(0.9179*0.7175)+(0.6471*0.3989)+( 3.8308*2.2967)+

(-0.1268*(-0.2457))) = 311.25378279

K (A1, A4) = ((6.1977*4.4661)+(33.5218*17.4270)+( 6.2507*0.4608)+

(7.0312*0.9179)+(66.9796*0.6471)+(38.4120*3.8308)+

( 3.6780*(-0.1268))) = 811.22303597

K (A2, A4) = ((5.8812*4.4661)+( 30.7042*17.4270)+( 14.6489*0.4608)+

(14.4001*0.9179)+(200.9863*0.6471)+( 79.7231*3.8308)+

(7.3056*(-0.1268))) = 1015.85132176


37

K (A3, A4) = ((4.4051*4.4661)+( 16.1428*17.4270)+(1.1144*0.4608)+

(0.7175*0.9179)+(0.3989*0.6471)+( 2.2967*3.8308)+

(-0.2457*(-0.1268))) = 311.25378279

K (A4, A4) = ((4.4661*4.4661)+(17.4270*17.4270)+(0.4608*0.4608)+

(0.9179*0.9179)+(0.6471*0.6471)+(3.8308*3.8308)+

(-0.1268*(-0.1268))) = 339.81110055

Semua data dihitung dengan cara sama, baris x kolom sehingga menghasilkan nilai

dot product seperti ditunjukkan oleh tabel dibawah karena ada 4 data, maka

didapatkan matriks 4x4.

Tabel 3.8. Hasil perhitungan kernel

A1 A2 A3 A4

A1 7225.90782862 17809.70152063 694.48318563 811.22303597

A2 17809.70152063 48203.92681496 809.69433271 1015.85132176

A3 694.48318563 809.69433271 287.24591205 311.25378279

A4 811.22303597 1015.85132176 311.25378279 339.81110055

4. Menghitung matriks dengan persamaan 2.13 dengan rumus :

( )

Keterangan :

= elemen matriks ke-ij.

= kelas data ke-i.

= kelas data ke-j.

= batas teoritis yang akan diturunkan.

Contoh perhitungan untuk pasangan data A1 :

Dij= (-1)(-1)( 7225.90782862) + 0.52 = 7226.15782862

Dij= (-1)(-1)( 17809.70152063) + 0.52 = 17809.95152063

Dij= (-1)(-1)( 694.48318563) + 0.52

= 694.73318563

Dij= (-1)(-1)( 811.22303597) + 0.52

= 811.47303597

Maka didapatkan hasil untuk semua data :


38

Tabel 3.9. Matrik

a1 a2 a3 a4

a1 226.15782862 17809.95152063 694.73318563 811.47303597

a2 17809.95152063 48204.17681496 809.94433271 1016.10132176

a3 694.73318563 809.94433271 287.49591205 311.50378279

a4 811.47303597 1016.10132176 311.50378279 340.06110055

5. Mencari nilai error dengan menggunakan persamaan 2.14

∑

Keterangan :

= Nilai error data ke i

= (0.5*226.15782862) + (0.5*17809.95152063) + (0.5*694.73318563) +

(0.5*811.47303597) = 9771.157785425

= (0.5*17809.95152063) + (0.5*48204.17681496) + (0.5*809.94433271) +

(0.5*1016.10132176) = 33920.08699503

= (0.5*694.73318563) + (0.5*809.94433271) + (0.5*287.49591205) +

(0.5*311.50378279) = 1051.83860659

= (0.5*811.47303597) + (0.5*1016.10132176) + (0.5*311.50378279) +

(0.5*340.06110055) = 1239.569620535

Maka didapatkan nilai error setiap data adalah :

Tabel 3.10. Hasil perhitnungan nilai error

a1 9771.157785425

a2 33920.08699503

a3 1051.83860659

a4 1239.569620535

6. Menghitung nilai delta alpha dengan menggunakan persamaan 2.15

menggunakan rumus :

{ [ ] }


39

Untuk data pertama :

Delta alpha = Min (max (0.5(1-9771.157785425),-0.5),1-0.5)

= Min (max(0.5 (-9770.157785425-0.5),0.5

= Min (-4885.3288927125, 0.5) = -4885.3288927125

Delta alpha = Min (max (0.5( 1- 33920.08699503),-0.5), 1-0.5 )

= Min (max(0.5 (-33919.08699503-0.5),0.5

= Min (-16959.793497515, 0.5) = -16959.793497515


= Min (max(0.5 (-1050.83860659-0.5),0.5

= Min (-525.669303295, 0.5) = -525.669303295


= Min (max(0.5 (-1238.569620535-0.5),0.5

= Min (-619.5348102675, 0.5) = -619.5348102675

Maka didapatkan delta alpha sebagai berikut :

Tabel 3.11. Hasil perhitungan delta alpha

a1 -4885.3288927125

a2 -16959.793497515

a3 -525.669303295

a4 -619.5348102675

Menghitung nilai a baru dengan menggunakan persamaan 2.16 dengan rumus:

Alpa = 0.5 + (-4885.3288927125) = -4884.8288927125

Alpa = 0.5 + (-16959.793497515) = -16959.293497515

Alpa = 0.5 + (-525.669303295) = -525.169303295

Alpa = 0.5 + (-619.5348102675) = -619.0348102675


40

Mencari nilai bias:

< > < >

Terlebih dahulu dihitung nilai w :

Wi+ adalah bobot dot product data dengan alpha terbesar di kelas positif

Wi - adalah bobot dot product data dengan alpha terbesar di kelas negative

w x+ (kelas positif ) = (0 x 0 x 7225.90782862)+(0 x 1 x 17809.70152063)+(0 x

1 x 694.48318563)+ (0 x 0 x 811.22303597)= 0

w x-(kelas negatif) = (1 x 0 x 17809.70152063)+(1 x 1 x 48203.92681496)+(1

x 1 x 809.69433271)+ (1 x 0 x 1015.85132176)

= 49013.62114767

maka nilai b = -

(w.x+ + w.x-)

= -

(0 + 49013.62114767 )= -24506.810573835

Sebenarnya perhitungan diatas belum bisa digunakan untuk fungsi keputusan karena

iterasi masih harus diteruskan. Perhitungan dibawah ini hanya untuk contoh

perhitungan dengan fungsi keputusan saja.

Setelah mendapatkan nilai a, w dan b maka dapat dilakukan pengujian dengan contoh

data uji berikut :

Tabel 3.12. Contoh data uji

Dalam contoh perhitungan ini hanya akan dilakukan training dan testing SVM Biner

yaitu dengan menggunakan dua buah kelas. Berikut ini adalah langkah-langkah

pengujian nya: Langkah pertama untuk menguji adalah menghitung dot product antara

data uji dengan semua data latih dengan fungsi kernel. K(x,y) = x.y. Dimana x adalah

data uji dan y adalah semua data latih.

Data ke-1 K(x,y) = (4.2436*6.1977) + (14.9136*33.5218) + (0.1276*6.2507) +

(0.2171*7.0312) +(0.0257*66.9796) + (0.6822*38.4120) +

(-0.0151*3.6780)= 556.42584336

No X1 X2 X3 X4 X5 X6 X7 Y

A1 4.2436 14.9136 0.1276 0.2171 0.0257 0.6822 -0.0151 0


41

Selanjutnya dilakukan perhitungan fungsi keputusan dengan rumus berikut:

𝑡 𝑢 ∑

Data :

f(x) = sign((0x0x556.42584336) -24506.810573835

+ (0x1x556.42584336) -24506.810573835

+ (0x1x556.42584336) -24506.810573835

+ (0x0x556.42584336) -24506.810573835)

= sign(0) = 0

Jadi, data uji diatas termasuk kelas 0 yang artinya sama dengan ekspektasi yang

diharapkan.

3.7.Deteksi Lokasi

Pada citra tulang tibia dan fibula yang dikategorikan dalam kondisi fraktur, dilakukan

penentuan lokasi fraktur dengan algoritma Scanline.

Setelah hasil identifikasi didapatkan kemudian dilakukan proses pengecekan dimana

jika hasil dari identifikasi bernilai fraktur maka dilakukan proses deteksi lokasi

meggunakan Algoritma Scanline. Sedangkan jika hasil identifikasi bernilai normal

maka Scanline tidak akan melakukan deteksi lokasi. Untuk melakukan deteksi lokasi

Scanline menghitung dan mengambil jumlah nilai piksel putih terbesar pada citra hasil

deteksi tepi. Perhitungan dilakukan dengan menghitung jumlah piksel putih pada

setiap kolom terlebih dahulu, dengan menggunakan persamaan 2.7.

Bn = K1 + K2+ ….+Kn

Keterangan :

Bn = nilai total jumlah K1+k2..+Kn

Kn = nilai fitur pada masing-masing kolom

1. B1 = 0+0+0+0+0+0+0+0+0 = 0

2. B2 = 0+0+1+0+0+0+0+1+1 = 3

3. B6 = 0+1+1+0+0+0+1+1+1= 5

4. B10 = 0+1+1+1+1+1+1+0+1= 7

5. B12 = 0+1+0+0+0+1+0+1+0 = 3


42

Hasil dari perhitungan piksel putih pada setiap kolom dari Gambar 3.5, yaitu:

1. B1 = 0

2. B2 = 3

3. B6 = 5

4. B10 = 7

5. B12 = 3

Setelah nilai pada setiap baris didapatkan, kemudian dilakukan penghiitungan

jumlah piksel putih pertiga baris. Dengan menggunakan persamaan 2.6.

Ns = B1+B2+ ..+Bn

Hasil dari perhitungan piksel putih pertiga baris dari Gambar 3.5, yaitu:

1. Ns (B2) = B1+B2+B3 = 0+3+3 = 6

2. Ns (B6) = B5+B6+B7 = 3+5+4 = 12

3. Ns (B10) = B9+B10+B11 = 4+7+5 = 16

4. Ns (B12) = B11+B12+B13 = 5+3+7 = 15

5. Ns (B14)= B13+B14+B15 = 7+3+0 = 10

Setelah nilai piksel pertiga baris didapat maka baris yang memiliki nilai piksel

putih yang tertinggi akan menjadi titik pusat lokasi fraktur. Pada gambar 3.5 titik

pusat lokasi fraktur terletak pada baris 10 dengan nilai 16, dari titik tersebut ditarik

space 50 piksel keatas dan kebawah, kemudian lokasi tersebut akan ditandai sebagai

lokasi fraktur. Hasil dari proses Scanline dapat dilihat pada Gambar 3.9

Gambar 3.9. Citra hasil dari proses algoritma Scanline


43

3.8 Perancangan Sistem

Pada tahap ini akan dijelaskan tentang alur kerja sistem yang dibuat dalam bentuk

activity diagram dan perancangan antarmuka sistem. Perancangan ini bertujuan untuk

mempermudah pengguna menjalankan aplikasi.

3.8.1. Diagram Aktifitas Sistem

Activity diagram merupakan sebuah diagram yang menampilkan alur aktifitas kerja

dari pengguna terhadap sistem yang dibuat, serta gambaran dari aktifitas-aktifitas

ataupun proses yang terjadi secara bertahap. Diagram aktifitas identifikasi fraktur tibia

dan fibula yang berjalan pada tampilan sistem dapat dilihat pada Gambar 3.10.


44

Pengguna Sistem

Menampilkan halaman pelatihan Menekan tombol fraktur untuk

mengupload data citra fraktur

Menampilkan kotak dialog

select directory data citra

fraktur

Menekan tombol select folder

untuk memilih folder normal

Menampilkan kotak dialog

select directory data citra


untuk memilih folder normal Menampilkan halaman hasil

pelatihan citra fraktur norma

Menekan tombol training untuk

mengetahui hasil training data

Menampilkan halaman hasil

pelatihan data training

Menekan menu halaman depan

Menampilkan halaman awal

Menekan menu pengujian

Menampilkan halaman pengujian

Menekan tombol Buka Citra

Menampilkan kotak dialog select

directory data citra

Menekan tombol Open


untuk memilih folder fraktur


pelatihan citra fraktur

Menampilkan halaman

awalUtama Menekan menu pelatihan

Menekan tombol normal untuk

mengupload data citra normal


pelatihan citra fraktur dan normal


dengan memuat gambar data citra

asli

Menekan tombol Grayscale


45

Gambar 3.10. Diagram aktifitas sistem

Sistem dijalankan oleh pengguna pada saat pengguna berada pada halaman utama

sistem, maka langkah pertama yang dilakukan adalah melakukan pelatihan data

dengan cara menekan menu pelatihan yang ada di sistem. Pata tampilan halaman

pelatihan terdapat panel dengan empat tombol yaitu fraktur, normal, training &reset.

Untuk melakukan pelatihan pengguna terlebih dahulu memilih tombol fraktur untuk

mengupload citra fraktur, kemudian sistem akan menampilkan kotak dialog yang

berisikan lokasi directory data citra berada kemudian pengguna memilih directory

dengan menekan tombol open. Kemudian untuk menambah data normal pengguna

mengklik tombol normal untuk mengupload citra normal, kemudian sistem akan

menampilkan kotak dialog yang berisikan lokasi directory data citra berada kemudian

pengguna memilih directory dengan menekan tombol open. Setelah itu pengguna

Pengguna Sistem

Menekan tombol Deteksi Tepi


dengan memuat gambar data citra

Grayscale


dengan memuat gambar data hasil

deteksi tepi


dengan memuat nilai Moment

Invariant


dengan memuat hasil Identifikasi

citra fraktur atau normal dan

menampilkan lokasi fraktur

Menekan tombol Ekstraksi Ciri

Menekan tombol Identifikasi

Melihat hasil identifikasi dan

mengetahui lokasi fraktur


46


47

Keterangan :

a. Tombol menu untuk menuju ke halaman pelatihan.

b. Tombol menu untuk menuju ke halaman pengujian.

c. Tombol untuk keluar dari halaman system.

d. Judul dari sistem yang dibuat.

e. Gambar logo Universitas Sumatera Utara.

f. Nama dan nim.

g. Program studi dan fakultas.

3.8.2.2.Perancangan Tampilan Halaman Pengujian

Tampilan halaman pelatihan merupakan tampilan untuk sistem melakukan pengujian

pada sistem yang dibuat. Pada halaman ini terdapat beberapa fasilitas seperti tombol

tombol buka citra, tombol grayscale, tombol deteksi tepi, tombol ekstraksi ciri, tombol

identifikasi, tombol reset, hasil identifikasi citra, dan juga terdapat menu halaman

depan dan menu keluar. Perancangan tampilan halaman utama ini dapat dilihat pada

gambar 3.12.

Gambar 3.12. Rancangan tampilan halaman utama pengujian sistem

a b

c

d

e

f

g

h

i j k

l

m

n

Pengujian


48

Keterangan :

a. Tombol “halaman depan” menu untuk menuju ke halaman depan / halaman

awal.

b. Tombol “keluar” untuk keluar dari halaman system.

c. Tombol “buka citra” setelah diklik akan menampilkan kotak dialog untuk

memilih file citra yang akan diuji.

d. Tombol “grayscale” muncul setelah file citra yang akan di uji dipilih

kemudian dengan tombol ini maka citra rgb akan dikonversi menjadi

grayscale.

e. Tombol “deteksi tepi” muncul setelah citra grayscale ditampilkan.

f. Tombol “ekstraksi ciri” ketika diklik akan menampilkan nilai moment

invariant dari file citra yang dipilih.

g. Tombol “identifikasi” ketika diklik akan menampilkan hasil identifikasi dari

citra yang dipilih.

h. Tombol “reset” akan membersihkan semua kolom dari kegiatan yang telah

dilakukan sebelumnya.

i. Kolom ini menampilkan hasil dari citra asli yang di uji.

j. Kolom ini menampilkan citra hasil dari grayscale.

k. Kolom ini menampilkan citra hasil dari deteksi tepi canny.

l. Pada panel ekstraksi ciri akan menampilkan tujuh nilai invariant moment yang

di dapat dari proses ekstraksi ciri citra.

m. Panel hasil identifikasi akan menampilkan hasil dari proses identifikasi citra

tulang.

n. Kolom identifikasi akan menampilkan hasil identifikasi lokasi image yang

telah diproses.

3.8.2.3.Perancangan Tampilan Halaman Pelatihan

Tampilan halaman pelatihan merupakan halaman yang digunakan untuk input data

citra yang akan di latih. Halaman ini terdiri dari tombol upload citra normal, upload

citra fracture, dan training, serta terdapat 2 panel yang akan berisi list file citra yang

telah dipilih untuk ditraining. Perancangan halaman training dapat dilihat pada

Gambar 3.13.


49

Gambar 3.13. Rancangan tampilan halaman pelatihan

Keterangan :

a. Tombol “halaman depan” menu untuk menuju ke halaman depan / halaman

awal.

b. Tombol “keluar” untuk keluar dari halaman system.

c. Tombol “Fractur”akan menampilkan kotak dialog yang berisi semua data latih

citra fraktur yang dapat dipilih di sebuah folder.

d. Tombol “normal”akan menampilkan kotak dialog yang berisi semua data latih

citra normal yang dapat dipilih di sebuah folder.

e. Tombol “training“ akan memproses semua data citra yang telah dipilih,

kemudian hasil dari proses tersebut berupa nilai ekstraksi ciri.

f. Tombol “reset” akan membersihkan semua kolom dari kegiatan yang telah

dilakukan sebelumnya.

g. Panel ini akan menampilkan listseluruh data citra yang dipilih dengan nilai

ekstraksi ciri masing-masing citra.

h. Panel ini akan menampilkan informasi jumlah dari data citra fraktur dan

normal yang di latih.

a b

c

d

e

f

g

h


BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini membahas hasil dari implementasi Support Vector Machine untuk

mengidentifikasi fraktur melalui citra X-ray tulang tibia dan fibula dan pengujian

sistem berupa persentase akurasi keberhasilan sistem sesuai dengan analisis data dan

perancangan yang telah dibahas pada Bab 3.

4.1. Implementasi Sistem

Pada tahap ini, metode yang digunakan dalam mengidentifikasi fraktur tibia dan fibula

diimplementasikan dalam bentuk program aplikasi menggunakan perangkat lunak

Matlab R2016a sesuai dengan perancangan yang telah dilakukan.

4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun

sistem adalah sebagai berikut :

1. Processor Intel® Core™ i3-2330M CPU @ 2.20 GHz 2.20 GHz.

2. Kapasitas hard disk 500 GB.

3. Memori RAM 2.00 GB.

4. Sistem operasi Windows 7 Ultimate 64-bit.

5. Matlab R2016a

4.1.2. Implementasi Perancangan Antarmuka

Implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah

dibahas pada Bab 3 adalah sebagai berikut.

1. Tampilan Halaman Awal

Tampilan halaman sebelum masuk kedalam tampilan halaman utama pada system.

Terdiri dari judul penelitian, logo universitas, nama dan nim penulis serta jurusan

program studi penulis. Tampilan awal sistem dapat dilihat pada Gambar 4.1.



52

3. Tampilan Halaman Pelatihan

Gambar 4.3. Tampilan halaman pelatihan

4.2.Prosedur Operasional

Tampilan halaman awal sistem ditunjukkan seperti pada Gambar 4.1 memiliki tiga

menu pelatihan, pengujian, dan keluar. Menu pelatihan digunakan untuk masuk ke

tampilan halaman pelatihan sistem. Tampilan saat menu pelatihan di klik dapat dilihat

pada Gambar 4.

Gambar 4.4. Tampilan saat menu pelatihan diklik.


53

Pada tampilan ini pelatihan seperti pada gambar 4.4 terdapat panel fraktur, normal,

training dan reset. Tombol fraktur dan normal merupakan tombol upload yang

digunakan untuk memilih directory berisi citra fraktur dan panel normal digunakan

untuk memilih directory berisi citra normal. Tampilan ketika tombol fraktur diklik

dapat dilihat pada Gambar 4.5 dan Gambar 4.6

Gambar 4.5. Tampilan saat panel tombol fraktur diklik untuk pemilihan

directory data latih

Gambar 4.6. Tampilan saat pemilihan directory data latih citra fracture dan

normal.


54

Gambar 4.7. Tampilan saat data latih citra fracture& normal di pilih

Setelah data citra di upload maka selanjutnya data dapat di training dengan menekan

tombol training. Setelah proses training selesai maka akan ditampilkan hasil dari

system melatih data citra. Tampilan setelah data citra selesai dilatih dapat dilihat pada

Gambar 4.8.

Gambar 4.8. Tampilan saat data latih citra fracture & normal di training


55

Pada hasil pelatihan dengan jumlah data total 115 citra, sistem mampu mengenali citra

fraktur dan normal dengan benar berjumlah 106 citra. Hasil dari tingkat kecocokan

dapat dilihat dengan persamaan :

𝑟𝑠 𝑡 𝑠 𝑢𝑟 𝑠 𝑢 𝑙 ℎ 𝑑 𝑡 𝑟ℎ 𝑠 𝑙 𝑑 𝑙

𝑢 𝑙 ℎ 𝑡𝑜𝑡 𝑙 𝑑 𝑡 𝑡𝑟

𝑟𝑠 𝑡 𝑠 𝑢𝑟 𝑠

Selenjutnya kembali ke menu halaman depan tampilan awal system seperti Gambar

4.1 untuk menuju ke halaman pengujian pada sistem, setelah menu pengujian system

dklik maka akan muncul seperti gambar4.2. Pada tampilan pengujian terdapat

beberapa tombol pada panel pengolahan citra dimana tombol tersebut memiliki tujuan

dan fungsi masing-masing seperti tombol buka citra, tombol grayscale, tombol deteksi

tepi, tombol ekstraksi ciri, tombol identifikasi dan tombol reset. Tombol buka citra

untuk meng upload data citra yang akan di uji. Tampilan setelah tombol buka citra di

klik dapat dilihat pada Gambar 4.9.

Gambar 4.9. Tampilan ketika tombol buka citra di pilih

Kemudian tombol grayscale digunakan untuk mengkonversi citra rgb menjadi citra

grayscale. Tampilan setelah tombol grayscale di klik dapat dilihat pada Gambar 4.10.


56

Gambar 4.10. Tampilan ketika tombol Grayscale di pilih

Kemudian tombol deteksi tepi yaitu proses segmentasi dengan metode deteksi tepi

canny. Proses segmentasi dilakukan untuk memisahkan antara daerah objek dengan

background. Tampilan setelah tombol deteksi tepi di klik dapat dilihat pada Gambar

4.11.

Gambar 4.11. Tampilan ketika tombol Deteksi Tepi di pilih

Selanjutnya tombol ekstraksi ciri yaitu proses penghitungan nilai moment invariant

terhadap citra biner hasil segmentasi.Tampilan setelah tombol ekstraksi ciri di klik

dapat dilihat pada Gambar 4.12.


57

Gambar 4.12. Tampilan ketika tombol Ekstraksi Ciri di pilih

Selanjutnya tombol identifikasi yaitu akan menampilkan hasil identifikasi dengan

SVM dan hasil deteksi lokasi menggunakan algoritma Scanline. Pada halaman ini data

hasil ekstraksi citra yang diinput akan diujikan menggunakan SVM yang sebelumnya

telah dilatihkan. Tampilan setelah tombol identifikasi di klik dapat dilihat pada

Gambar 4.13

Gambar 4.13. Tampilan ketika tombol Identifikasi di pilih


58

4.3. Pengujian Sistem

Pada tahap ini dilakukan pengujian terhadap data dan sistem. Pengujian sistem

dilakukan untuk mengetahui kemampuan sistem yang dibangun. Kemampuan sistem

ini bergantung pada proses pelatihan sistem (data training). Pada tahapan pengujian

digunakan 20 citra tulang tibia dan fibula yang terdiri dari 10 citra kondisi fraktur dan

10 citra kondisi normal. Sama seperti pada tahapan pelatihan, pada tahapan pengujian

juga terdiri dari proses baca citra, konversi citra rgb menjadi grayscale, deteksi tepi,

ekstraksi ciri, identifikasi, dan penentuan lokasi fraktur.

Proses dan hasil pengujian untuk citra kondisi fraktur dan normal ditunjukkan pada

tabel 4.1 dan tabel 4.2.


59


60


61

Tabel 4.2. Proses dan hasil pengujian untuk citra kondisi normal

No Kondisi

Asli Citra

Asli Citra

Grayscale Citra

Canny Nilai Invariant Moment

Lokasi

Fraktur

Keluaran

Sistem 1

Normal

M1 3.6032

Normal

M2 10.3476

M3 0.0961

M4 0.0182

M5 2.5692e-04

M6 0.0389

M7 7.2844e-04

2

Normal

M1 4.4345

Normal

M2 17.2889

M3 1.3609

M4 0.1856

M5 -0.1053

M6 -0.3739

M7 0.0861 3

Normal

M1 5.7915

Normal

M2 28.0851

M3 14.3297

M4 16.2951

M5 285.4982

M6 85.7589

M7 16.9500 4

Normal

M1 3.9165

Normal

M2 13.0618

M3 0.8222

M4 0.6475

M5 0.6982

M6 2.1513

M7 -0.0225

5

Normal

M1 4.7987

Normal

M2 18.4230

M3 0.4243

M4 0.5755

M5 0.1713

M6 2.1003

M7 -0.0908


62

Tabel 4.2. Proses dan hasil pengujian untuk citra kondisi normal (Lanjutan)

No Kondisi

Asli Citra

Asli Citra

Grayscale Citra

Canny Nilai Invariant Moment

Lokasi

Fraktur

Keluaran

Sistem 6

Normal

M1 3.7506

Normal

M2 11.4247

M3 0.7744

M4 0.1152

M5 0.0224

M6 0.3482

M7 -0.0027 7

Normal

M1 5.6230

Normal

M2 27.6563

M3 0.4271

M4 0.0686

M5 0.0108

M6 0.2891

M7 -0.0020

8

Normal

M1 4.2436

Normal

M2 14.9136

M3 0.1276

M4 0.2171

M5 0.0257

M6 0.6822

M7 -0.0151 9

Normal

M1 4.2425

Normal

M2 15.1453

M3 0.1655

M4 0.0120

M5 -6.4498e-04

M6 -0.0365

M7 3.9151e-04

10

Normal

M1 3.8400

Normal

M2 12.7476

M3 0.1106

M4 0.1599

M5 0.0210

M6 0.5420

M7 -0.0048

Berdasarkan tabel 4.1 dan tabel 4.2 di atas tampak bahwa dari 20 data yang terdiri dari

10 citra fraktur dan 10 citra normal mampu terdeteksi 19 citra dengan baik dan benar

sedangkan 1 citra terdeteksi tidak sesuai. Untuk mengukur kinerja hasil pengujian


63

sistem digunakan sebuah metode dimana penilaian didasari atas True Positive (TP),

False Positive (FP), True Negative (TN), dan False Negative (FN) metode ini disebut

juga dengan Confusion Matrix. Perhitungan Confusion Matrix dapat dilihat pada tabel

4.3.

Tabel 4.3. Confusion Matrix

Fraktur Normal Jumlah

Positif TP FP TP+FP

Negatif FN TN FN+TN

Jumlah TP+FN FP+TN TP+FP+FN+TN

Keterangan:

True Positive (TP), merupakan keadaan dimana actual output dan predicted

output berupa fraktur.

False Positive (FP), merupakan keadaan dimana actual output berupa fraktur

tetapi predicted output adalah normal.

True Negative (TN), merupakan keadaan dimana actual output dan predicted

output adalah normal.

False Negative (FN), merupakan keadaan dimana actual output adalah normal

tetapi predicted output adalah fraktur.

Dari confusion matrix dapat diukur akurasi, precision, recall, dan F-measure untuk

menganalisa kinerja dari algoritma dalam melakukan identifikasi citra.Akurasi

menunjukkan kedekatan hasil pengukuran dengan nilai sesungguhnya, precision

merupakan tingkat ketepatan antara informasi yang diminta oleh pengguna dengan

jawaban yang diberikan oleh system, recall ialah tingkat keberhasilan sistem dalam

menemukan kembali sebuah informasi, sedangkan F-Measure merupakan salah satu

perhitungan evalusasi dalam informasi temu kembali yang mengkombinasikan recall

dan precission.


64

Tabel 4.4. Nilai Evaluasi Sistem

Dari Tabel 4.4 dapat dihitung nilai recall, precision, F-score dan akurasi sebagai

berikut :

1. Recall =

=

=

= 0,9

2. Precision =

=

=

= 1

3. F-Measure =

=

= 0,93

4. Akurasi =

=

=

= 0,95

Oleh karena nilai recall, precision, dan F-measure dinyatakan dalam bentuk

persentase, maka nilai yang sudah diperoleh akan dikalikan dengan 100%, sehingga

nilai recall 90%, precision 100%, F-measure 93% dan hasil akurasi keseluruhan

sistem ini yaitu identifikasi fraktur pada tulang tibia dan fibula menggunakan

algoritma Support Vector Machine (SVM) 95%.

Gambar 4.14. Grafik Pengujian Sistem

90%

100%

93%

95%

84%

86%

88%

90%

92%

94%

96%

98%

100%

102%

Recall Precision F-Measure Akurasi

Aktual

Fraktur Normal

Fraktur TP = 9 FN = 1

Normal FP = 0 TN = 10

Prediksi

Sistem


65

Dari grafik di atas dapat dijelaskan bahwa hasil pengujian sistem ini

memperoleh akurasi sebesar 95%. Hasil ini menunjukkan bahwa algoritma Support

Vector Machine (SVM) dapat diterapkan dalam hal mengidentifikasi fraktur pada

tulang tibia dan fibula dengan hasil yang baik.


BAB 5

KESIMPULAN DAN SARAN

Bab ini akan membahas tentang kesimpulan dari penerapan metode yang diajukan

untuk mengidentifikasi fraktur pada tulang tibia dan fibula dan saran untuk

pengembangan yang dapat dilakukan pada penelitian selanjutnya.

5.1. Kesimpulan

Pada penelitian sebelumnya dari identifikasi lokasi fraktur tulang tibia dan fibula

menggunakan algoritma Scanline dengan jumlah data 40 citra dan sistem berhasil

mendeteksi 35 citra dengan baik dan mendapat akurasi 87,5 %. Pada penelitian ini

telah berhasil dilakukan perancangan sistem identifikasi citra tulang tibia dan fibula

menggunakan pengolahan citra digital dengan Support Vector Machine (SVM).

Sistem dikembangkan untuk mengidentifikasi fraktur pada tulang tibua dan fibuladan

kondisi pada tulang normal. Pengolahan citra yang dilakukan meliputi perbaikan

kualitas citra, segmentasi, ekstraksi ciri, identifikasi, dan penentuan lokasi fraktur.

Penyerdehanaan kualitas citra dilakukan menggunakan metode Grayscale, segmentasi

menggunakan deteksi tepi Canny, ekstraksi ciri menggunakan Moment Invariant,

identifikasi menggunakan Support Vector Machine (SVM), dan penentuan lokasi

fraktur menggunakan algoritma Scanline. Sistem dibagi menjadi dua tahapan yaitu

tahapan pelatihan dan tahapan pengujian.

Jumlah dataset sebanyak 135, pada tahapan pelatihan menggunakan 115 dan untuk

tahapan pengujian menggunakan 20 citra uji menghasilkan tingkat akurasi sebesar

95%. Sistem yang dirancang kemudian diimplementasikan ke dalam program aplikasi

menggunakan perangkat lunak Matlab R2016a. Hasil pengujian program aplikasi

sistem menunjukkan bahwa sistem telah diimplementasikan dengan baik.


5.2.Saran

Berdasarkan pada penelitian yang telah dilakukan, penulis menyarankan beberapa hal

untuk pengembangan sistem Identifikasi citra tulang tibia dan fibula di masa yang

akan datang. Saran tersebut di antaranya adalah:

1. Mengembangkan algoritma, ekstraksi ciri dan identifikasi sehingga

diperoleh sistem identifikasi yang memiliki tingkat akurasi lebih tinggi.

2. Menerapkan algoritma lain untuk deteksi lokasi agar dapat

mengidentifikasi lokasi fraktur pada lebih dari satu lokasi.

3. Dapat mengklasifikasi jenis dari patahan tulang setelah diketahui lokasi

fraktur berada.


68

DAFTAR PUSTAKA

Amelia,N. 2016. Pengenalan Pola Huruf Hijaiyah Menggunakan Support Vector

Machine (SVM). Skripsi. Universitas Sumatera Utara.

Al-Ayyoub, M., Hmeidi, I., Rababah, H. & Khatatbeh, Z. 2013. Detecting Hand Bone

Fractures in X-Ray Images. The International Conference on Signal

Processing and Imaging Engineering (ICSPIE 2013): 1-13.

Chairani, R. 2016. Identifikasi Kesuburan Pria Melalui Kelainan Sperma Berdasarkan

Morfologi (Teratospermia) Menggunakan Invariant Moment. Skripsi.

Universitas Sumatera Utara.

Essra, A., Sitompul, O. S., Nasution, B. B., & Rahmat, R. F.,2017. Hierarchical graph

neuron scheme in classifying intrusion attack. 2017 4th International

Conference on Computer Applications and Information Processing

Technology (CAIPT). Kuta Bali, Indonesia

Evelyn. C.Pearce.2005. Anatomi dan Fisiologi Untuk Paramedis. Penerbit Gramedia

: Jakarta

Fajri, R.I. 2014. Identifikasi Penyakit Daun Tanaman Kelapa Sawit Menggunakan

Support Vector Machine. Skripsi. Universitas Sumatera Utara.

Fu’adah, R.Y.N., Rizal, A.&Hariyani, Y.S. 2012. Analisis Deteksi Fraktur Batang

(Diafisis) Pada Tulang Tibia Dan Fibula Berbasis Pengolahan Citra Digital

Dan Jaringan Syaraf Tiruan Backpropagation. Skripsi. Universitas Telkom.

Halik, G., Anwar, N., Santosa, B & Edijatmo. 2015. Reservoir Inflow under GCM

Scenario Downscaled by Wavalet Transform and Support Vectore Machine

Hybrid Models. Hindawi Publishing Corporation Advances in Civil

Engineering Volume 2015, Article ID 515376 : 1-9


69

He, J. C., Leow, W. K., & Howe, T. S. 2007. Hierarchical Classifiers for Detection of

Fractures in X-Ray Images. Dept. of Computer Science, National University of

Singapore.

Hsu, C.W. dan Lin, C.J. 2002. A Comparison of Methods for Multi-class Support

Vector Machines. IEEE Transaction on Neural Network, 13(2) : 415-425.

Kaur, T, Garg, A. 2016. Bone Fraction Detection using Image Segmentation.

Department of CSE, Bhai Gurdas Institute of Technology, Punjab, India.

Kurniawan, S.F., Putra, I.K.G.D, & Sudana, A. K. O. S., 2014. Bone Fracture

Detection Using Open CV. Journal of Theoretical and Applied Information

Technology 64(1): 249-254.

Lum, V.L.F, Leow, K, Chen, Y, Howe, T.S, & Png, M.A. 2005. Combining

Classifiers For Bone Fracture Detection In X-Ray Images. Departemen of

Computer Science. Nation University of Singapore.

Mahendran, S.K & Baboo, S.S. 2011. Enhanced Automatic X-Ray Bone Image

Segmentation using Wavelets and Morphological Operators. International

Conference on Information and Electronics Engineering 6: 125-129.

Myint, S , Khaing, A.S, &Tun, H.M .2016. Detecting Leg Bone Fracture In X-Ray

Images. Iinternational Journal Of Scientific & Technologi Research 5

Nababan, E. B., Iqbal, M., & Rahmat, R. F., 2016. Breast cancer identification on

digital mammogram using Evolving Connectionist Systems. 2016

International Conference on Informatics and Computing (ICIC).Mataram,

Indonesia

Noorniawati, V.Y. 2007. Metode Support Vector Machine untuk sistem temu kembali

citra. Skripsi. Institut Pertanian Bogor .

Rahmat, R.F., Chairunnisa, T., Gunawan, D., Sitompul, O.S. 2016. Skin color

segmentation using multi-color space threshold. 2016 3rd International

Conference on Computer and Information Sciences (ICCOINS). Kuala

Lumpur, Malaysia.

Santosa, B. 2013. Tutorial Support Vector Machine. ITS, Surabaya.


70

Nugroho, A. S., Witarto, A.B., & Handoko, D., 2003. Support Vector Machine -Teori

dan Aplikasinya dalam Bioinformatika. (Online).

http://asnugroho.net/papers/ikcsvm.pdf (6 September 2017).

Seniman, Arisandy, D., Rahmat, R.F., William, & Nababan, E.B. 2016 .Chinese chess

character recognition using Direction Feature Extraction and backpropagation.

2016 International Conference on Data and Software Engineering (ICoDSE).

Denpasar, Indonesia.

Simanjuntak, S.E. 2016. Identifikasi Lokasi Fraktur Pada Citra Digital Tulang Tibia

Menggunakan Algoritma Scanline. Skripsi. Universitas Sumatera Utara.

Syahputra, M.F., Nurrahmadayeni, Aulia, I., Rahmat, R.F. 2017. Hypertensive

retinopathy identification from retinal fundus image using probabilistic neural

network. 2017 International Conference on Advanced Informatics, Concepts,

Theory, and Applications (ICAICTA). Denpasar, Indonesia.

Vijayakumar, R. & Gireesh, G. 2013. Quantitative Analysis and Fractue Detection Of

Pelvic Bone X-Ray Images. International Conference on Computing,

Communications and Networking Technologies (ICCCNT).

Yodha, J.W. & Kurniawan, A.W. 2014. Perbandingan penggunaan deteksi tepi dengan

metode laplace, sobel dan prewit dan canny pada pengenalan pola. Jurnal

Teknologi Informasi Techno.Com 13(3) : 189-197.


Documents

IDENTIFIKASI FRAKTUR PADA TULANG TIBIA DAN FIBULA