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 Processing Tahap dasar pengolahan citra: Greyscale Tresholding Histogram equalization Segmentation Normalization

Theory Base 4. Neural Network Komponen penyusun neuron biologis Dendrit  menerima sinyal (impuls listrik) neuron lain Soma  menjumlah sinyal input yang masuk Akson  mentransmisikan sinyal ke sel lain.

Theory Base 4. Neural Network Susunan neuron biologis

Theory Base 4. Neural Network a) Jaringan single layer Dalam 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 Network a) Jaringan single layer

Theory Base 4. Neural Network b) Jaringan multi layer Sedangkan, 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 Network b) 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 Network Topologi 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 greyscale Gray = 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 Clustering Step 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 Function Step 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.

Validation Step 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 greyscale Step 5 : Proses histogram equalisasi Step 6 : Proses segmentasi Step 7 : Proses normalisasi Step 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