Presentasi Silvestre

27
PENGEMBANGAN APLIKASI PENGENALAN POLA PENYAKIT KULIT MENGGUNAKAN BACKPROPAGATION MOMENTUM SILVESTER DIAN HANDY PERMANA 08 07 05506

Transcript of Presentasi Silvestre

Page 1: Presentasi Silvestre

PENGEMBANGAN APLIKASI PENGENALAN POLA PENYAKIT KULIT MENGGUNAKAN BACKPROPAGATION MOMENTUM

SILVESTER DIAN HANDY PERMANA

08 07 05506

Page 2: Presentasi Silvestre

LATAR BELAKANG

Perkembangan pengetahuan tentang penyakit kulit.

Kekurangan atau kelemahan komputer dalam mengenali pola penyakit kulit.

Page 3: Presentasi Silvestre

RUMUSAN MASALAH

Bagaimana 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?

Page 4: Presentasi Silvestre

BATASAN MASALAH

Objek penelitian: masing-masing 3 jenis penyakit dari 5 kategori

penyakit kulit Citra pelatihan:

128 x 128 piksel Citra uji:

Termasuk data pelatihan Mengandung derau (noise)

Page 5: Presentasi Silvestre

TUJUAN

Mengembangkan 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.

Page 6: Presentasi Silvestre

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 LunakPerancangan dilakukan untuk mendapatkan deskripsi arsitektural perangkat lunak, deskripsi antarmuka, deskripsi data, dan deskripsi prosedural.

Implementasi Perangkat LunakImplementasi dilakukan dengan menterjemahkan teori dan deskripsi perancangan ke dalam C#.

Pengujian Perangkat LunakPengujian dilakukan untuk menguji fungsionalitas perangkat lunak dengan menggunakan berbagai gambar yang diinputkan.

Page 7: Presentasi Silvestre

TINJAUAN PUSTAKA

Peneliti Objek Metode Hasil

LeCun(1989) pola angka tulisan tangan

Backpropagation mengenali pola angka dengan tingkat keberhasilan 95%.

Sandu dan Leon (2009)

pola angka Backpropagation (multilayer perceptron dan aktivasi sigmoid)

learing rate yang konstan menghasilkan 6000 epoch, sedangkan learing rate yang adaptif menghasilkan 160 epoch.

Daphne (2011) Pola Huruf Jawa Backpropagation dengan sebuah hidden layer

mengenali aksara jawa dengan tingkat akurasi 97,857%

Bernardius (2011)

pengenalan motif batik

Jaringan Saraf Tiruan akurasi tertinggi dicapai 100%

Page 8: Presentasi Silvestre

LANDASAN TEORI

Preprocessing Jaringan Saraf Tiruan Backpropagation Momentum Penyakit Kulit

Page 9: Presentasi Silvestre

PREPROCESSING

Thresholding adalah proses perubahan citra yang berwarna menjadi citra biner.

Dekomposisi adalah proses penyederhanaan citra.

Page 10: Presentasi Silvestre

JARINGAN SARAF TIRUAN

Diilhami 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

Page 11: Presentasi Silvestre

BACKPROPAGATION MOMENTUM

Algoritma JST terbimbing Hubungan jika keluaran memberikan hasil

yang salah, maka bobot (weight) dikoreksi supaya error-nya 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

Page 12: Presentasi Silvestre

PENYAKIT KULIT

1. Dermatitis2. Infeksi Jamur3. Infeksi Bakteri4. Infeksi Virus5. Infeksi Parasit

Page 13: Presentasi Silvestre

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.

Page 14: Presentasi Silvestre

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.

Page 15: Presentasi Silvestre

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.

Page 16: Presentasi Silvestre

INFEKSI VIRUS

Infeksi 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.

Page 17: Presentasi Silvestre

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

Page 18: Presentasi Silvestre

Lapokit 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

Page 19: Presentasi Silvestre

ANALISIS DAN PERANCANGAN SISTEM (LANJUTAN) Use Case Diagram

Page 20: Presentasi Silvestre

ANALISIS DAN PERANCANGAN SISTEM (LANJUTAN)

Rancangan Arsitektur Lapokit

Page 21: Presentasi Silvestre

DEMO

Lapokit

Page 22: Presentasi Silvestre

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 = 0,01Maksimum epoch = 3.000

Page 23: Presentasi Silvestre

PEMBAHASAN (LANJUTAN)

Momentum Nilai alpha

  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

0.1 0.158 0.288 0.189 0.185 0.267 0.508 0.676 1.258 0.327

0.2 0.189 0.843 0.257 0.543 0.245 1.314 1.631 1.208 30.233

0.3 0.455 1.398 2.341 0.901 4.227 5.17 6.113 7.056 7.999

0.4 0.438 1.953 0.183 1.259 0.184 0.166 1.273 0.457 2.353

0.5 0.435 2.508 4.581 1.617 8.727 10.8 12.873 14.946 17.019

0.6 0.439 3.063 5.687 1.975 10.935 13.559 16.183 18.807 21.431

0.7 0.456 3.618 6.78 2.333 13.104 16.266 19.428 22.59 25.752

0.8 0.458 4.173 1.284 2.691 1.26 0.198 6.177 10.741 7.973

0.9 0.489 0.271 0.297 3.049 3.983 5.37 6.761 8.1506 9.53

Page 24: Presentasi Silvestre

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%

Page 25: Presentasi Silvestre

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.

Page 26: Presentasi Silvestre

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.

Page 27: Presentasi Silvestre

SARAN

Menggunakan 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.