Identifikasi Kondisi Paru-Paru dari Citra Iris Mata Menggunakan Support Vector Machine Berdasar Fitur Local Binary Pattern dan Gray Level Co-occurance Matrix

Abstract

Paru-paru merupakan organ penting di dalam tubuh manusia yang berperan dalam sistem pernapasan. Paru-paru dapat mengalami gangguan atau penyakit paruparu. Penyakit ini memiliki nilai morbiditas yang tinggi yaitu 33,2% serta menjadi penyebab kematian terpenting di masyarakat dengan persentase 25,4%. Hal ini menunjukkan jika penyakit paru-paru masih menjadi masalah kesehatan masyarakat termasuk Indonesia. Banyaknya kasus tersebut disebabkan oleh keterlambatan dalam diagnosis dan kurangnya dokter spesialis dibandingkan penderita penyakit paru-paru sehingga penanganan yang diberikan kurang optimal. Hal ini dapat diatasi dengan analisis kondisi paru-paru melalui pola pemetaan iris mata atau iridologi. Analisis tersebut dapat dilakukan dengan sistem komputerisasi menggunakan pengolahan citra yang juga dapat mengatasi kelemahan analisis iridologi mata secara manual. Di dalam pengolahan citra terdapat tahap ekstraksi tekstur yang menggunakan metode LBP dan GLCM serta klasifikasi menggunakan SVM. Ekstraksi tekstur digunakan karena iris mata terdiri dari susunan serat dan memiliki alur kasar sehigga lebih efektif dibandingkan ekstraksi warna atau bentuk. Penelitian ini bertujuan untuk mengetahui cara identifikasi kondisi paru-paru menggunakan SVM berdasar fitur LBP dan GLCM dari citra iris mata. Selain itu, penelitian ini juga digunakan untuk mengetahui perbandingan keefektifan metode esktraksi tekstur yaitu LBP dan GLCM berdasarkan nilai akurasinya. Penelitian dilakukan dengan membuat rancang bangun sistem identifikasi kondisi paru-paru dari citra iris mata. Sebelumnya telah dilakukan klasifikasi awal pada data awal sehingga memiliki label sebagai paru-paru sehat atau sakit dari citra iris mata yang ada di database. Citra iris mata dilokalisasi bagian iris dan pupil mata secara manual lalu resizing sehingga ukuran citra menjadi lebih kecil dan mudah untuk diolah menggunakan sistem komputerisasi. Hasil resizing tersebut dilakukan lokalisasi pupil berdasarkan area tengah citra dan persebaran nilai ruang warna RGB pada daerah pupil. Setelah diperoleh daerah pupil, ditentukan jari-jari pupil dan iris mata untuk mendapatkan dua lingkaran yaitu area pupil dan iris mata. Hasil tersebut berupa area iris mata saja yang akan ditentukan ROI paru-paru untuk mata kanan yaitu arah pukul 9-10 sedangkan mata kiri pada arah pukul 2-3. Area paru-paru pada iris mata tersebut ditransformasi menjadi bentuk persegi panjang untuk memudahkan dalam pengambilan informasi hasil ekstraksi tekstur. Citra diekstraksi menggunakan metode LBP dan GLCM. Metode LBP menggunakan 1 pixel pusat dan 8 pixel tetangga pada jarak pengambilan pixel yaitu 1. Ektraksi tekstur LBP menggunakan fungsi extractLBPFeatures yang tersedia di matlab. Selanjutnya metode GLCM menggunakan 3 parameter yaitu correlation, energy, dan homogeneity. Orientasi sudut yang digunakan adala 00 , 450 , 900 , dan 1350 dengan jarak pengambilan pixel yaitu 1. Ekstraksi GLCM menggunakan fungsi graycomatrix yang ada pada matlab. Ekstraksi tersebut dilakukan pada dua jenis data yaitu training dan testing di mana hasil ekstraksi data training dijadikan sebagai database untuk data testing. Hasil ekstraksi masing-masing jenis data diklasifikasikan menggunakan SVM dan diperoleh tiap data berada pada kelas sehat atau sakit. Hasil klasifikasi masing-masing data pada setiap metode dihitung nilai akurasinya sehingga diperoleh perbandingan keefektifan dari kedua metode ekstraksi tekstur yang digunakan. Tahapan yang dilakukan untuk identifikasi kondisi paru-paru dari citra iris mata adalah pre-processing, ekstraksi tekstur, dan klasifikasi. Pre-processing terdiri dari segmentasi iris dan pupil mata serta transformasi koordinat. Segmentasi iris dan pupil mata memberikan citra iris mata yang terdapat dua lingkaran yaitu area pupil dan iris mata. Lingkaran ini diperoleh dari penentuan nilai centroid dan jari-jari dalam yaitu majorAxisLength/2 serta jari-jari luar yaitu 1,75majorAxisLength. Hasil yang diperoleh adalah bagian iris mata yang selanjutnya disegmentasi area paru-paru pada iris mata yaitu sudut –π sampai -0,75π untuk mata kanan dan -0,25π sampai 0 untuk mata kiri. Hasil segmentasi area paru-paru ditransformasikan menjadi persegi panjang dengan pengambilan selisih 0,5 pada rentang jari-jari dalam sampai jari-jari luar sebagai lebar. Sedangkan panjang persegi adalah total pengambilan sudut sebanyak 1000 buah. Citra hasil transformasi diesktraksi dengan metode LBP dan GLCM dan memberikan nilai average pada parameter masing-masing metode untuk setiap jenis data. Nilai parameter GLCM yaitu correlation dan homogeneity untuk kelas sehat lebih besar dari kelas sakit. Hasil ekstraksi LBP berupa 10 bin yang mana dapat dilihat perbedaan nilai antara kelas sehat dan sakit. Hasil ekstraksi tersebut yaitu GLCM digunakan untuk klasifikasi oleh SVM dan diperoleh hasil klasifikasi sehat sebanyak 84 data dan klasifikasi sakit sebanyak 222 data dari keseluruhan baik training maupun testing. Sedangkan hasil klasifikasi berdasarkan ekstraksi LBP adalah 128 terklasifikasi sehat dan 178 terklasifikasi sakit dari keseluruhan data. Hasil klasifikasi tersebut yang sesuai dengan label awal dibandingkan dengan total data awal sehingga diperoleh nilai akurasi. Nilai akurasi untuk metode LBP adalah 93,33% untuk training dan 76,67% untuk testing sehingga diperoleh rata-rata sebesar 83,0012%. Sedangkan nilai akurasi GLCM adalah 96,67% untuk training dan 69,34% untuk testing dengan rata-rata sebesar 83,0025%. Kedua metode juga digabungkan sehingga memberikan nilai akurasi sebesar 73,3350% yang lebih kecil dari masing-maisng metode tersebut. Berdasarkan ketiga nilai rata-rata akurasi tersebut ditentukan bahwa metode ekstraksi GLCM lebih efektif dari LBP dan gabungan LBP-GLCM.