Aplikasi Model Jaringan Syaraf Tiruan dengan Radial Basis Function untuk Mendeteksi

Kelainan Otak (Stroke Infark)

Yohanes Tanjung S.

Background Penyebab kematian terbesar di negara

industri: penyakit jantung, kanker, stroke. Di Indonesia, stroke menempati urutan

pertama sebagai penyebab kematian di rumah sakit.

Deteksi stroke berdasarkan analisa dokter. Teknologi Informasi vs Dimensi (ruang dan

waktu).

Purpose Mengolah citra hasil rekaman MRI untuk

otak normal dan otak stroke infark. Mengimplementasikan jaringan syaraf

tiruan dengan metode RBFN(Radial Basis Function Network) untuk proses pelatihan jaringan.

Deteksi citra otak dan menghasilkan analisa hasil pelatihan otak normal/otak infark.

Theory Base

1. Otak Infark Berkurangnya aliran darah ke otak bagian

tertentu yang menyebabkan kematian sel otak.

Bagian otak yang terkena infark tidak mendapat makanan (konsumsi darah).

Theory Base

2. MRI (Magnetic Resonance Imaging) alat kedokteran di bidang pemeriksaan

diagnostik radiologi, yang menghasilkan rekaman gambar potongan penampang tubuh organ manusia dengan menggunakan medan magnet berkekuatan antara tesla (1 tesla = 10000 Gauss) dan resonansi getaran terhadap inti atom hidrogen.

Theory Base

2. MRI (Magnetic Resonance Imaging)Kelebihan MRI dibandingkan CT Scan:• Lebih unggul dalam deteksi kelainan jaringan lunak

seperti otak, sumsum tulang, muskuloskeletal.• Gambaran detil anatomi lebih jelas.• Dapat melakukan pemeriksaan fungsional

(pemeriksaan difusi, perfusi, spektroskopi) yg tidak dapat dilakukan CT Scan.

• Mampu membuat gambaran potongan melintang, tegak, miring tanpa mengubah posisi pasien

• MRI tidak menggunakan radiasi pengion.

Theory Base

2. MRI (Magnetic Resonance Imaging)

Theory Base

3. Digital Image ProcessingTahap dasar pengolahan citra:1. Greyscale2. Tresholding 3. Histogram equalization4. Segmentation5. Normalization

Theory Base

4. Neural NetworkKomponen penyusun neuron biologis1. Dendrit menerima sinyal (impuls listrik) neuron

lain2. Soma menjumlah sinyal input yang masuk3. Akson mentransmisikan sinyal ke sel lain.

Theory Base

4. Neural NetworkSusunan neuron biologis

Theory Base

4. Neural Networka) Jaringan single layerDalam jaringan single layer, neuron-neuron dikelompokkan menjadi dua bagian, yaitu unit-unit input dan unit-unit output. Unit-unit input menerima masukan dari luar sedangkan unit-unit output akan mengeluarkan respon dari jaringan sesuai dengan masukannya.

Theory Base

4. Neural Networka) Jaringan single layer

Theory Base

4. Neural Networkb) Jaringan multi layerSedangkan, dalam jaringan multilayer, selain ada unit-unit input dan output, juga terdapat unit-unit yang tersembunyi (hidden). Jumlah unit hidden tersebut tergantung pada kebutuhan. Semakin kompleks jaringan, unit hidden yang dibutuhkan makin banyak, demikian pula jumlah layernya,

Theory Base

4. Neural Networkb) Jaringan multi layer

Theory Base

5. K-Means Clustering Algoritma K-Means diperkenalkan oleh J.B.

MacQueen pada tahun 1976. Metode ini mempartisi data ke dalam cluster

(kelompok) sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam cluster yang sama dan data yang mempunyai karakteristik berbeda dikelompokkan ke dalam kelompok yang lain.

Theory Base

6. Radial Basis Function NetworkTopologi jaringan RBFN (Radial Basis Function Network) terdiri dari layer input unit, layer hidden unit dan layer output unit

Research Method Digital Image Processing K-Means Clustering Radial Basis Function Validation

Digital Image Processing Proses pembacaan file gambar untuk otak normal dan

stroke infark berukuran 185 x 185 piksel. Proses greyscale, mengubah citra warna (Red, Green,

Blue) menjadi citra greyscaleGray = R + G + B 3

Proses histogram equalisasi. Proses filter background. Proses segmentasi. Dari hasil segmen ini akan diperoleh

gambar yang berukuran 37 x 37 piksel. Proses normalisasi. Simpan Matriks normalisasi.

K-Means ClusteringStep 1 : Menentukan banyak K-cluster yang ingin dibentuk.Step 2 : Membangkitkan nilai random untuk sebanyak k.Step 3 : Menghitung jarak setiap data input terhadap masing-masing centroid.Step 4 : Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid (jarak terkecil).Step 5 : Mengupdate nilai centroid. Nilai centroid baru diperoleh dari rata-rata cluster menggunakan rumus:

Step 6 : Ulangi langkah 2 hingga 5 hingga anggota tiap cluster tidak ada yang berubah.Step 7 : Jika langkah 6 terpenuhi, maka nilai rata-rata pusat cluster ( j) pada iterasi terakhir akan digunakan sebagai parameter untuk RBF yang ada di hidden layer.

Radial Basis FunctionStep 1 : Inisialisasi centre hasil K-Means Clustering.Step 2 : Inisialisasi nilai spread yang akan digunakan pada perhitungan matriks Gaussian.Step 3 : Menentukan sinyal input ke hidden layer dan menghitung nilai fungsi aktivasinya pada tiap hidden layer menggunakan rumus:

Step 4 : Menghitung bobot baru (W) dengan mengalikan pseudoinverse matriks G dengan target (d) dengan rumus:

Step 5 : Menghitung nilai output jaringan Y(n) menggunakan rumus:

Step 6 : Simpan nilai hasil training.

ValidationStep 1 : Inisialisasi center.Step 2 : Inisialisasi range output target hasil perhitungan RBF Step 3 : Upload data gambar untuk di uji coba atau validasi.Step 4 : Proses greyscaleStep 5 : Proses histogram equalisasiStep 6 : Proses segmentasiStep 7 : Proses normalisasiStep 8 : Menghitung nilai output jaringan Y(x).Step 9 : Melakukan pengecekan nilai Y(x) apakah lebih kecil dari batas atas Y normal.Step 10 : Cetak hasil analisa gambar, termasuk otak normal (jika Y(x) < batas atas Y normal) dan otak infark (jika Y(x) > batas atas Y normal)

Application

~Demo Program ~

Terima Kasih