Presentasi Silvestre

Click here to load reader

  • date post

    24-Jul-2015
  • Category

    Documents

  • view

    47
  • download

    3

Embed Size (px)

Transcript of Presentasi Silvestre

PENGEMBANGAN APLIKASI PENGENALAN POLA PENYAKIT KULIT MENGGUNAKAN BACKPROPAGATION MOMENTUMSILVESTER DIAN HANDY PERMANA 08 07 05506

LATAR BELAKANGPerkembangan pengetahuan tentang penyakit kulit. Kekurangan atau kelemahan komputer dalam mengenali pola penyakit kulit.

RUMUSAN MASALAHBagaimana mengembangkan aplikasi yang dapat mengenal pola penyakit kulit menggunakan metode Backpropagation Momentum? Bagaimana tingkat ketepatan / akurasi mengenal pola penyakit kulit menggunakan metode Backpropagation Momentum Bagaimana pengaruh noise pada citra yang akan diproses?

BATASAN MASALAH

Objek penelitian:

masing-masing 3 jenis penyakit dari 5 kategori penyakit kulit128 x 128 piksel

Citra pelatihan:

Citra uji:Termasuk data pelatihan Mengandung derau (noise)

TUJUANMengembangkan aplikasi yang dapat mengenal pola penyakit kulit menggunakan metode Backpropagation Momentum. Mengetahui tingkat ketepatan / akurasi mengenal pola penyakit kulit menggunakan metode Backpropagation Momentum. Mengetahui pengaruh noise pada citra yang akan diproses.

METODOLOGI PENELITIAN

Metode Penelitian Kepustakaan

Metode ini digunakan untuk mencari literatur atau sumber pustaka yang berkaitan dengan perangkat lunak yang dibuat dan membantu mempertegas teori-teori yang ada serta memperoleh data yang sesungguhnya.

Metode Pembangunan Perangkat Lunak

Analisis Kebutuhan Perangkat Lunak Analisis dilakukan dengan menganalisis data dan informasi yang diperoleh sehingga dapat dijadikan bahan pengembangan perangkat lunak. Perancangan Perangkat Lunak Perancangan dilakukan untuk mendapatkan deskripsi arsitektural perangkat lunak, deskripsi antarmuka, deskripsi data, dan deskripsi prosedural. Implementasi Perangkat Lunak Implementasi dilakukan dengan menterjemahkan teori dan deskripsi perancangan ke dalam C#. Pengujian Perangkat Lunak Pengujian dilakukan untuk menguji fungsionalitas perangkat lunak dengan menggunakan berbagai gambar yang diinputkan.

TINJAUAN PUSTAKAPenelitiLeCun(1989)

Objekpola angka tulisan tangan

MetodeBackpropagation

Hasilmengenali pola angka dengan tingkat keberhasilan 95%. learing rate yang konstan menghasilkan 6000 epoch, sedangkan learing rate yang adaptif menghasilkan 160 epoch.

Sandu dan Leon (2009)

pola angka

Backpropagation (multilayer perceptron dan aktivasi sigmoid)

Daphne (2011)

Pola Huruf Jawa

Backpropagation dengan sebuah hidden layer

mengenali aksara jawa dengan tingkat akurasi 97,857% akurasi tertinggi dicapai 100%

Bernardius (2011)

pengenalan motif batik

Jaringan Saraf Tiruan

LANDASAN TEORIPreprocessing Jaringan Saraf Tiruan Backpropagation Momentum Penyakit Kulit

PREPROCESSINGThresholding adalah proses perubahan citra yang berwarna menjadi citra biner. Dekomposisi adalah proses penyederhanaan citra.

JARINGAN SARAF TIRUANDiilhami oleh struktur jaringan biologis, khususnya jaringan otak manusia Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologis Terdiri dari 3 lapisan penyusun: input, tersembunyi, dan output

BACKPROPAGATION MOMENTUMAlgoritma JST terbimbing Hubungan jika keluaran memberikan hasil yang salah, maka bobot (weight) dikoreksi supaya errornya dapat diperkecil dan respon jaringan selanjutnya diharapkan lebih mendekati nilai yang benar Penghitungan maju dari lapisan input sampai lapisan output, diikuti dengan penghitungan error yang disiarkan kembali ke arah sebaliknya untuk mengubah bobot

PENYAKIT KULIT1.

2.3. 4. 5.

Dermatitis Infeksi Jamur Infeksi Bakteri Infeksi Virus Infeksi Parasit

DERMATITIS

Dermatitis kontak (DK) adalah kelainan kulit yang bersifat polimorfi sebagai akibat terjadinya kontak dengan bahan eksogen. Dermatitis numularis merupakan suatu bentuk dermatitis berbentuk vesikel berbentuk mata uang(coin), berbatas tegas, umumnya mengenai tungkai bawah. Liken simpleks ditandai dengan adanya satu atau lebih bercak pada kulit yang mengalami likenifikasi dan terasa sangat gatal.

INFEKSI JAMUR

Tinea korporis atau tinea sirsinata adalah infeksi jamur pada badan, tungkai dan lengan dan mempunyai gambaran morfologi yang khas. Tinea Krukis merupakan infeksi jamur golongan terbanyak di Indonesia, dalam fisiknya serupa dengan tinea korporis. Pitiriasis versikolor (panu) pada daerah punggung merupakan penyakit jamur, umumnya tidak memberikan keluhan, dan banyak dijumpai pada usia belasan tahun.

INFEKSI BAKTERI

IMPETIGO VESIKOBULOSA (cacar monyet) Impetigo merupakan bentuk pioderma superfisialis yang sering dijumpai. Penyebab tersering adalah Staphylococcus aureus grup faga II. Folikulitis adalah radang folikel rambut. Penyebab utama adalah Staphy- lococcus aureus. Furunkel adalah radang folikel rambut dan sekitarnya dan berkumpul menjadi satu.

INFEKSI VIRUSInfeksi HIV adalah penyakit kulit yang berkaitan dengan HIV. Manifestasi umum infeksi Herpes simplex virus (HSV) adalah timbul sekelompok vesikel yang akan cepat pecah sehingga terbentuk ulkus dangkal. Veruka vulgaris (VV) secara klinis berupa papul/plak padat dan permukaannya verukosa.

INFEKSI PARASIT

Creeping eruption adalah Kelainan yang merupakan peradangan disebabkan oleh invasi larva cacing tambang Ancylostoma brazilienze dan Ancylostoma caninum. Pedikulosis kapitis adalah Infeksi kulit dan rambut kepala yang disebabkan oleh Pediculus humanus var capitis. Pedikulosis (Phthiriasis) pubis Merupakan infeksi Phthirus pubis pada rambut di daerah pubis dan sekitarnya

ANALISIS DAN PERANCANGAN SISTEMLapokit perangkat lunak yang digunakan untuk melakukan pengenalan pola penyakit kulit. Dapat melakukan:

Preprocessing Pelatihan Jaringan Saraf Tiruan Pengujian Jaringan Saraf Tiruan

ANALISIS DAN PERANCANGAN SISTEM (LANJUTAN)

Use Case Diagram

ANALISIS DAN PERANCANGAN SISTEM (LANJUTAN)

Rancangan Arsitektur Lapokit

DEMO

Lapokit

PEMBAHASAN

Citra yang dilatih adalah 3 buah citra yang bernama penyakit sama. Citra yang diuji penampang penyakit kulit yang termasuk data pelatihan dan penampang penyakit kulit yang mengandung noise. Variabel yang ditetapkan: Toleransi error = 0,01 Maksimum epoch = 3.000

PEMBAHASAN (LANJUTAN)Momentum0.1 0.1 0.2 0.3 0.2 0.3 0.4

Nilai alpha0.5 0.6 0.7 0.8 0.9

0.158 0.189 0.455

0.288 0.843 1.398

0.189 0.257 2.341

0.185 0.543 0.901

0.267 0.245 4.227

0.508 1.314 5.17

0.676 1.631 6.113

1.258 1.208 7.056

0.327 30.233 7.999

0.40.5 0.6 0.7 0.8 0.9

0.4380.435 0.439 0.456 0.458 0.489

1.9532.508 3.063 3.618 4.173 0.271

0.1834.581 5.687 6.78 1.284 0.297

1.2591.617 1.975 2.333 2.691 3.049

0.1848.727 10.935 13.104 1.26 3.983

0.16610.8 13.559 16.266 0.198 5.37

1.27312.873 16.183 19.428 6.177 6.761

0.45714.946 18.807 22.59 10.741 8.1506

2.35317.019 21.431 25.752 7.973 9.53

PEMBAHASAN (LANJUTAN)

Rata-rata akurasi untuk percobaan citra pengujian termasuk data pelatihan adalah 100 % Rata-rata akurasi untuk percobaan citra pengujian mengandung noise

Noise 1 % = 100% Noise 2 % = 84% Noise 3 % = 67% Noise 4 % = 64% Noise 5 % = 47% Noise 6 % = 44% Noise 7 % = 38% Noise 8 % = 27% Noise 9 % = 13% Noise 10 % = 11%

KESIMPULAN

Aplikasi pengenalan pola penyakit kulit menggunakan Jaringan Saraf Tiruan (JST) berhasil dibangun menggunakan metode pembelajaran backpropagation momentum.

Faktor yang mempengaruhi keberhasilan sistem Lapokit dalam mengenali penampang penyakit kulit antara lain nilai laju belajar (alpha), momentum, jumlah node yang digunakan pada lapisan-lapisan JST, dan jumlah data yang dilatih saat pelatihan. Nilai laju belajar dan momentum yang optimal untuk sistem Lapokit berturut-turut yaitu 0,1 dan 0,1 dengan node pada lapisan hidden berjumlah 15.

KESIMPULAN (LANJUTAN)

Perangkat lunak Lapokit dengan model arsitektur JST yang optimal dapat mengenali citra penampang penyakit kulit dengan tingkat akurasi 100% untuk citra uji yang termasuk dalam data pelatihan, dan ditunjukkan adanya penurunan tingkat akurasi sebanding dengan tingginya noise yang diberikan.

SARANMenggunakan fitur segmentasi citra agar ukuran citra yang bervariasi dapat dikenali sistem dengan baik. Menambah citra penampang penyakit kulit yang baru agar dapat mengenali lebih banyak penyakit kulit. Pengembangan sistem ke dalam bentuk website sehingga pengimplementasian sistem dan pemeliharaan database menjadi lebih mudah dan dapat diakses lebih banyak orang untuk melakukan hipotesis awal.